Escolar Documentos
Profissional Documentos
Cultura Documentos
2me anne
Semestre vert
Automatique avance
filire EAOI
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Commandabilit
e et observabilit
e des syst`
emes
3.1 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Que faire si un syst`eme nest pas observable et/ou commandable
3.2.1 Retour sur conception . . . . . . . . . . . . . . . . . . . .
3.2.2 Reduction de mod`eles . . . . . . . . . . . . . . . . . . . .
4 Transformation en lune des formes canoniques
4.1 Diagonalisation de la matrice A . . . . . . . . . . . . . .
4.2 Consequences pour la commandabilite et lobservabilite
4.3 Cas des valeurs propres complexes . . . . . . . . . . . .
4.3.1 Diagonalisation classique . . . . . . . . . . . . .
4.3.2 Transformation modifiee : Tm . . . . . . . . . . .
4.4 Transformation en la forme canonique dasservissement
4.5 Transformation en la forme canonique dobservabilite . .
3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
7
8
8
8
10
10
10
12
12
12
14
14
15
.
.
.
.
.
.
17
17
17
17
18
19
19
.
.
.
.
25
25
27
27
27
.
.
.
.
.
.
.
29
29
30
31
31
31
32
32
`
TABLE DES MATIERES
4
5 Stabilit
e des syst`
emes dynamiques lin
eaires
5.1 Definition . . . . . . . . . . . . . . . . . . . .
5.2 Etude de la stabilite . . . . . . . . . . . . . .
5.3 Stabilite au sens de Lyapounov . . . . . . . .
5.3.1 Theor`eme . . . . . . . . . . . . . . . .
5.3.2 Interpretation physique . . . . . . . .
5.3.3 Applications aux syst`emes lineaires . .
5.3.4 Fil rouge . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
35
37
37
37
38
38
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
39
39
40
41
41
41
42
42
42
43
44
45
46
46
47
47
47
47
48
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7 Synth`
ese dobservateurs d
etat
7.1 Introduction au probl`eme de la reconstruction detat . . . . . . . . . . . . . . . . . . .
7.1.1 Par calcul direct . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.2 Par simulation du processus . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.1.3 Par simulation du processus et asservissement sur les parties connues du vecteur
detat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2 Observateurs de Luenberger . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3 Observateurs dordre reduit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.1 Hypoth`eses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.4 Observateur generalise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.5 Equation detat dun syst`eme asservi avec observateur . . . . . . . . . . . . . . . . . .
7.5.1 Theor`eme de separation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.6 Filtrage de Kalman . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
49
49
49
49
8 Repr
esentation d
etat des syst`
emes lin
eaires
echantillonn
es
8.1 Syst`eme discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.2 Resolution des equations dans le domaine du temps . . . . . . . . . . .
8.3 Application de la transformee en z . . . . . . . . . . . . . . . . . . . .
8.4 Matrice de transfert . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8.5 Obtention dun mod`ele detat `
a partir de la fonction de transfert en z
8.6 Resolution de lequation detat dans le domaine de z . . . . . . . . . .
8.7 Commandabilite et observabilite . . . . . . . . . . . . . . . . . . . . .
57
57
58
58
59
59
59
59
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
50
50
52
52
53
55
55
56
`
TABLE DES MATIERES
.
.
.
.
.
.
59
60
61
61
62
62
9 Annales dexamens
Devoir personnel Juin 1999 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Examen final Juin 1999 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Examen final Juin 2010 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
64
67
69
10 Travaux dirig
es
73
87
8.8
8.9
Annexes
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
89
`
TABLE DES MATIERES
Chapitre 1
Diff
erentes repr
esentations dun syst`
eme physique
Soit un moteur `
a courant continu commande par linducteur.
I = cte
i
J, f
1.1.1
Equations diff
erentielles
Le syst`eme represente en figure 1.1 est decrit par les equations suivantes :
u = Ri + L
J
di
dt
(1.1)
d
+ f =
dt
= ki
d2
d
di
k
J 2 +f
= k = (u Ri) =
dt
dt
dt
L
2
d
RJ d Rf
+
=
J 2 + f+
dt
L
dt
L
d2
f
R d Rf
+
+
=
+
dt2
J
L dt
LJ
(1.2)
(1.3)
k
R d
u
+ f
L
k dt
k
u
L
k
u
LJ
d2
d
+ a1
+ a0 = b0 u
2
dt
dt
D`es lors (t) est connu si u(t) et les deux conditions initiales ((0) et
7
(1.4)
(1.5)
(1.6)
(1.7)
d(0)
dt )
sont connues.
1.1.2
Fonction de transfert
ept e(t)dt,
(1.8)
de(t)
= pE(p) e(0),
L
dt
(1.9)
L [e(t)] =
0
(1.10)
do`
u:
(p) =
b0
(0)(a1 + p) + (0)
U
(p)
+
p2 + a1 p + a0
p2 + a1 p + a0
(1.11)
p2
b0
U (p)
+ a1 p + a0
(p)
b0
= 2
= H(p)
U (p)
p + a1 p + a0
(1.12)
(1.13)
1.1.3
R
eponse impulsionnelle
(1.14)
(1.15)
donc
h(t) =
1.1.4
f
R
k
e J t e L t
RJ Lf
(1.16)
Repr
esentation d
etat
Si lon desire realiser une simulation analogique du syst`eme `a partir dintegrateurs, lequation (1.7)
peut se mettre sous la forme :
d2
d
= b0 u a1
a0
(1.17)
2
dt
dt
do`
u le schema suivant,
Les variables detat sont les sorties des integrateurs.
d
=
dt
Le syst`eme peut etre represente par les deux equations suivantes,
x1 = ,
x2 =
(1.18)
`
1.1. DIFFERENTES
REPRESENTATIONS
DUN SYSTEME
PHYSIQUE
(0)
(0)
u
d2
dt
b0
d
dt
a1
a0
x1 = x2
(1.19)
x2 = b0 u a0 x1 a1 x2
(1.20)
x1
x2
(1.21)
Equation detat :
x1
x2
=
0
1
a0 a1
x1
x2
x1
x2
+
0
b0
u
(1.22)
Equation de sortie :
=
1 0
(1.23)
(1.24)
y = Cx + Du
(1.25)
x = Ax + Bu
(1.26)
y = Cx + Du
(1.27)
10
1.2
1.2.1
Propri
et
es de la repr
esentation d
etat
Non unicit
e de la repr
esentation d
etat
La representation detat nest pas unique, dans lexemple traite jusqu`a present nous avons choisi le
vecteur detat suivant
x=
(1.28)
(1.29)
(1.30)
d
+ f = ki
dt
(1.31)
u = Ri + L
J
avec ce nouveau vecteur detat elle peuvent etre ecrites sous la forme
U = Rx1 + Lx1
(1.32)
J x2 + f x2 = kx1
(1.33)
do`
u la representation detat
Equation detat :
x1
x2
=
R
L
k
J
0
Jf
0 1
x1
x2
x1
x2
+
1
L
(1.34)
Equation de sortie :
=
(1.35)
di
di
Notez que nous naurions pas pu prendre i et dt
comme vecteur detat car dt
nest pas une sortie
dintegrateur.
En fait, on peut prendre comme vecteur detat nimporte quelle combinaison lineaire dun vecteur
detat valable.
Soit x0 = Mx
x0 = M1 AMx0 + M1 Bu
0
y = CMx + Du
1.2.2
(1.36)
(1.37)
Matrice de transfert
(1.38)
(1.39)
ES
DE LA REPRESENTATION
1.2. PROPRIET
DETAT
11
D
x(0)
U (p)
+
+
+ +
1
p
Y (p)
(1.40)
(1.41)
(1.42)
h
i
T = C[pI A]1 B + D
(1.44)
(1.45)
(1.43)
en posant
on obtient
Yi (p)
Uj (p)
(1.46)
(1.47)
(1.48)
posons
X = KX 0
(1.49)
(1.50)
donc
(1.51)
12
1
CK pI K1 AK K1 B + D
CK[KpI AK]1 B + D
1
C KpIK1 A B + D
C[pI A]1 B + D
en utilisant [AB]1 = B1 A1
en utilisant [AB]1 = B1 A1
pI est une matrice diagonale
CQFD
(1.52)
1.3
Int
er
et de cette repr
esentation
1.4
R
esolution des
equations d
etat
soit le syst`eme :
x = Ax + Bu
y = Cx + Du
1.4.1
(1.53)
Cas simple
(1.54)
x(t) = keat
(1.55)
x(t) = k(t)eat
at
ak(t)e + k (t)e
at
(1.57)
at
(1.58)
= ak(t)e + bu(t)
k (t) = bu(t)e
Z t
k(t) =
bu( )ea d + cte
0
(1.56)
at
(1.59)
1.4. RESOLUTION
DES EQUATIONS
DETAT
do`
u
x(t) = e
at
Z
13
bu( )e
d + cte
(1.60)
en identifiant x(0) = x0
at
Z
bu( )e
x(t) = e
d + eat x0
(1.61)
en generalisant
Z
x(t) =
t0
(1.62)
14
1.4.2
Cas g
en
eral
x(t) = e
At
Z
(1.63)
t0
Definition :
1
1
eAt = 1 + At + (At)2 + (At)3 +
2
3!
(1.64)
proprietes de eAt
eAt eBt = e(A+B)t
si AB = BA
d At
e
= AeAt
dt
Z t2
eA d = A1 eAt2 eAt1 = eAt2 eAt1 A1
(1.65)
(1.66)
(1.67)
t1
1.4.3
G
en
eralisation aux syst`
emes variants dans le temps
alors
Z
t0 ) = A(t)(t, t0 )
(t,
(1.68)
(1.69)
x(t) =
t0
(1.70)
1.4. RESOLUTION
DES EQUATIONS
DETAT
1.4.4
15
"Z
(k+1)Te
#
eA Bu( )d + eATe x(kTe )
(1.71)
kTe
(1.72)
(1.73)
(1.74)
(1.75)
(1.76)
(1.77)
dx
= ax + bu
dt
(1.78)
(1.79)
(1.80)
et
Vous etes maintenant capables simuler sur un ordinateur le comportement dun syst`eme donne sous
la forme dune representation detat. Notez que,
me est invariant dans le temps, le choix
si1le syst`eAT
AT
e
de Te nest pas crucial. Les termes 1 e
A B ete e de lequation (1.75) peuvent etre precalcules une fois pour toutes. Dans le cas contraire il vaut mieux choisir Te suffisamment petit pour
que lequation (1.76) soit valable.
16
Chapitre 2
Obtention des
equations d
etat
2.1
M
ethode directe
La methode qui donne le maximum dinformations est celle qui consiste `a determiner la representation
detat directement `
a partir des equations de la physique appliquees au syst`eme considere.
2.2
Souvent, les syst`emes physiques sont donnes sous la forme dune fonction de transfert, les paragraphes
suivants traitent du passage de la fonction de transfert vers la representation detat.
Tout syst`eme monovariable peut etre represente sous la forme
Y (p)
b0 + b1 p + b2 p2 + + bm pm
=
U (p)
a0 + a1 p + a2 p2 + + an pn
En general m < n, car les syst`emes physiques sont filtrants, quelquefois , m = n.
2.2.1
(2.1)
W (p)
U (p)
W (p)
1
=
U (p)
a0 + a1 p + a2 p2 + + an pn
avec
(2.2)
(p) + a2 W
(p) + + an W (p)
U (p) = a0 W (p) + a1 W
do`
u le choix du vecteur detat
x=
W
..
.
(n1)
x1
x2
..
.
(2.3)
(2.4)
(2.5)
xn
on en deduit
x1 = x2
x2 = x3
..
.
xn =
1
an U (p)
a0
an x1
17
a1
an x2
(2.6)
+
an1
an xn
18
y = b0 x1 + b1 x2 + b2 x3 + + bn1 xn + bn
1
a0
a1
an1
U (p) x1 x2 +
xn
an
an
an
an
1
0
...
0
x1
x1
..
x2
x2
0
0
1
0
.
.
.. .
. +
..
..
. = ..
.
.
0
xn1
0
xn1
0
0
1
xn
xn
aan0 aan1 aan2 an1
an
x1
x2 b
an1
a0
..
n
bn . + u
y = b0 bn , , bn1
an
an
an
xn1
xn
Dans le cas nettement plus frequent o`
u m < n
simple
0
1
0
x1
x2
0
0
1
..
.
.
. = ..
..
xn1
0
0
xn
a0 a1 a2
(2.7)
(2.8)
1
an
(2.9)
...
0
..
.
0
0
..
.
0
1
an1
x1
x2
..
.
xn1
xn
x1
x2
..
.
y = [b0 , b1 , , bm , 0, , 0]
xn1
xn
2.2.2
0
0
..
.
0
0
..
.
+
0
1
(2.10)
(2.11)
Dans le cas o`
u m < n et apr`es simplification par an ,
x1
x2
..
.
xn1
xn
0 0 ...
1 0 ...
.
0 1 ..
=
.
..
..
.
0 0
0
0
..
.
a0
a1
..
.
0 an2
1 an1
x1
x2
..
.
xn1
xn
b0
b1
..
.
bm
0
..
.
(2.12)
x1
x2
..
.
y = [0, , 0, 1]
xn1
xn
(2.13)
Noter la symetrie des deux formes canoniques, transposition par rapport `a la diagonale principale.
2.2.3
19
Repr
esentation modale
(2.15)
do`
u lon en deduit une matrice de passage
P(n,n) = v1 , v2 , , vn
(2.16)
(2.17)
A =P
2.2.4
AP =
0
..
.
..
0
..
.
0
n
(2.18)
Y (p) =
i=1
ri
+ r0
p i
!
U (p)
o`
u r0 6= 0 si m = n
Choix des variables detat :
Xi (p) =
1
U (p),
p i
donc
Y (p) =
n
X
i = 1, 2, , n
ri Xi (p) + r0 U (p)
i=1
x1
x2
..
.
xn1
xn
0
..
.
0
..
0
.
..
. 0
0 n
...
x1
x2
..
.
xn1
xn
1
1
..
.
+
1
1
(2.19)
20
x1
x2
..
.
y = (r1 , r2 , , rn )
xn1
xn
+ r0 u
(2.20)
x1 (0)
1/p 1/p
X1
1
1
U
1
1
x2 (0)
1/p 1/p
r1
r2
X2
2
rn
..
. xn (0)
1/p 1/p
Xn
n
r0
Figure 2.1 Graphe de fluence de la representation detat sous la forme canonique de Jordan
21
Cas dun p
ole multiple
soit 1 dordre q donc
Y (p) =
rq
r1
+ +
+
p 1
(p 1 )q
n
X
i=q+1
ri
+ r0 U (p)
p i
X1 =
Xi =
do`
u
X2 =
1
U,
p 1
1
U,
p i
1
X1 ,
p 1
X2 =
1
1
U, , Xq =
U
2
(p 1 )
(p 1 )q
i = q + 1, , n
X3 =
1
1
X2 , , Xq =
Xq1
p 1
p 1
22
Ecriture matricielle
x1
x2
..
.
xq
xq+1
..
.
xn
1
1
=
1
..
.
x1
x2
..
.
..
1 1
xq +
xq+1
q+1
..
..
.
.
n
xn
x1
x2
..
.
+ r0 u
x
y = (r1 , r2 , , rq , rq+1 , , rn )
q
xq+1
..
.
1
0
..
.
0
1
..
.
(2.21)
(2.22)
xn
Matrice du syst`eme obtenue : forme reduite de Jordan
Graphe correspondant :
x1 (0)
1/p 1/p
X1
1
x2 (0)
1/p 1/p
X2
r1
xq (0)
1/p 1/p
Xq
1
U
1
r2
1
rq
xq+1 (0)
1/p 1/p rq+1
Xq+1
q+1
rn
..
. xn (0)
1/p 1/p
Xn
n
r0
Figure 2.2 Graphe de fluence de la representation detat sous la forme canonique de Jordan
Remarque 1 : Dans le cas de plusieurs poles multiples, `a chaque pole correspond un sous bloc de
Jordan carre q q, avec la valeur de ce pole sur la diagonale et 1 sur le sous diagonale.
Remarque 2 : Les variables detat ne sont plus enti`erement decouplees.
23
x1
x2
=
a + jb
0
0
a jb
x1
x2
+
1
1
u
(2.23)
Equation de sortie :
=
c c
x1
x2
(2.24)
Dans cet exemple, les variables detat sont desfonctions complexes conjuguees.
1 1
Le changement de variable z = Mx avec M =
permet de transformer le syst`eme precedent
j j
en :
Equation detat :
z1
a b
z1
2
=
+
u
(2.25)
z2
b a
z2
0
Equation de sortie :
=
Re(c) Im(c)
0
0
0
d
0
0
0
0
1
d
z1
z2
(2.26)
En r
esum
e
A=
a
b
0
0
0
b
a
0
0
0
0
0
c
0
0
a jb
(2.27)
B=
2
0
1
0
1
oles complexes conjugues
p
p
ole reel c
p
oles reels dordre 2 d
a jb
(2.28)
24
Chapitre 3
Commandabilit
e et observabilit
e des
syst`
emes
Probl`eme :
Peut-on `a partir des commandes u(t) controler letat du syst`eme cest-`a-dire x(t) ?
probl`eme de commandabilite.
Peut-on `a partir de lobservation de y(t) remonter `a letat du syst`eme x(t) ?
probl`eme dobservabilite.
3.1
D
efinitions
Un syst`eme est totalement commandable sil existe u(t) qui conduise en un temps fini dun etat
x(t0 ) `a un etat x(t1 ) quels que soient x(t0 ) et x(t1 ).
Un syst`eme est observable, si lobservation de y(t) entre t0 et t1 permet de retrouver x(t0 )
Exemple
a1,1 0
0
b1
..
0 a2,2
b2
.
0 c1,2 0 0
A= .
(3.1)
, B = 0 , C = 0 0 0 c2,4
..
a3,3 0
0
0
0 a4,4
Le schema representatif de ce syst`eme et donne en figure 3.1.
Condition de commandabilite : QS est de rang n avec
QS = B, AB, A2 B, , An1 B
Application `a lexemple du moteur commande par linducteur,
Equation detat :
x1
0
1
x1
0
=
+
u
x2
a0 a1
x2
b0
(3.2)
(3.3)
Calcul de QS
B=
0
b0
,
AB =
b0
b0 a1
(3.4)
do`
u
QS =
0
b0
b0 b0 a1
et
25
(3.5)
26
ET OBSERVABILITE
DES SYSTEMES
`
CHAPITRE 3. COMMANDABILITE
R
x1
u
x1
b1
a1,1
x2
b2
x2
c1,2
y2
c2,4
y4
a2,2
x3
x3
R
a3,3
x4
x4
R
a4,4
det QS = b0 2
donc le syst`eme est commandable (si b0 6= 0).
Condition dobservabilite : QB est de rang n avec
QB =
(3.6)
C
CA
CA2
..
.
CAn1
(3.7)
(3.8)
donc
C=
1 0
donc
CA =
QB =
1 0
0 1
0 1
(3.9)
(3.10)
`
3.2. QUE FAIRE SI UN SYSTEME
NEST PAS OBSERVABLE ET/OU COMMANDABLE
3.2
27
Il arrive souvent quapr`es une premi`ere analyse du syst`eme celui-ci sav`ere etre non commandable ou
non observable. Deux solutions soffrent `
a vous.
3.2.1
3.2.2
R
eduction de mod`
eles
La deuxi`eme solution nest valable que si la matrise compl`ete de letat nest pas importante. Dans
ce cas, la reduction du mod`ele est envisageable. Une facon simple de proceder et de determiner la
representation detat `
a partir de lequation differentielle (qui elimine les inobservabilites) ou de la
fonction de transfert du syst`eme (qui elimine les inobservabilites et les non commandabilites).
28
ET OBSERVABILITE
DES SYSTEMES
`
CHAPITRE 3. COMMANDABILITE
Chapitre 4
Diagonalisation de la matrice A
Hypoth`eses :
le syst`eme est decrit par les equations suivantes :
x = Ax + Bu
(4.1)
y = Cx + Du
(4.2)
b
x = x + Bu
b + Du
b
y = Cx
1 0
= T1 AT = ... . . . ...
0 n
avec :
1
b
B = T B
b = CT
C
b = D
D
Cas o`
u A est une matrice compagne (une forme
differentes, alors T est une matrice de Vandermonde :
1
1
1
2
1 2
2
T=
..
(4.3)
(4.4)
1 n1 2 n1
Cas general.
29
1
n
n 2
..
.
n n1
30
T= .
.. = (v 1 , v 2 , , v n )
..
.
vn1 vn2 vnn
4.2
Cons
equences pour la commandabilit
e et lobservabilit
e
Propri
et
e 1 : Si le syst`eme x = Ax + Bu poss`ede des valeurs propres toutes differentes, il est
b = T1 B nest nul.
commandable si et seulement si aucun element du vecteur colonne B
demonstration : voir graphe du syst`eme decouple (fig. (2.2) page 22).
note : commandabilite u(t) doit pouvoir influencer tout xi .
Propri
et
e2
: Si le syst`eme
x = Ax + Bu
(4.5)
y = Cx + Du
(4.6)
poss`ede des valeurs propres toutes differentes, il est observable si et seulement si aucun element du
b = CT nest nul.
vecteur ligne C
demonstration : voir graphe du syst`eme decouple (fig. (2.2) page 22).
note : observabilite tout xi doit pouvoir influencer y(t).
Relation avec la fonction de transfert
x i = i xi + bbi u
1 b
Xi =
bi u
p i
n
X
Y =
b
ci Xi + dU =
i=1
(4.7)
(4.8)
!
n
X
bbi b
ci
+d U
p i
i=1
|
{z
}
(4.9)
G(p)
Si le syst`eme nest pas commandable ou pas observable, au moins lun des bbi ou des b
ci sera nul, donc
le terme correspondant du developpement de G(p) en elements simples disparatra, donc la valeur
propre i correspondante ne sera pas un pole de G(p).
Propri
et
e 3 : un syst`eme `
a 1 entree et 1 sortie et `a valeurs propres toutes differentes est `a la fois
commandable et observable
si et seulement si toutes les valeurs propres sont des poles de la fonction de transfert.
si et seulement si la fonction de transfert G(p), dans laquelle ne doit plus apparatre au numerateur
et au denominateur un terme identique, a un denominateur de degre egal au nombre n des equations
differentielles detat.
4.3
31
et
(4.10)
i+1 = j = i
(4.11)
4.3.1
Diagonalisation classique
Matrice diagonale, `
a elements diagonaux i et i+1 complexes.
exemple : syst`eme du deuxi`eme ordre.
+ j
0
=
0
j
On montre aisement que les vecteur propres associes sont eux aussi complexes conjugues.
v i = + j
(4.12)
v i+1 = j
(4.13)
(4.14)
4.3.2
Transformation modifi
ee : Tm
x = Tm w
et Tm = ( )
1 v 1
( + j)v 1
( + j)( + j)
( ) + j( + )
Av i = A + jA
A =
A = +
donc
A ( ) = ( )
ATm = Tm m
do`
u
m =
T1
m ATm
=
(4.15)
(4.16)
32
w = m x + Bm u
(4.17)
y = Cm x + Dm u
(4.18)
avec :
m = T1
m ATm
1 1
1 1
2 2
2 2
=
..
.
n
et
Bm = T1 B,
4.4
Cm = CT,
Dm = D
Hypoth`eses : an = 1 et bn = 0.
On montre aisement que lequation caracteristique
det(pI A) = 0
se reduit `a :
a0 + a1 p + a2 p2 + + an1 pn1 + pn = 0
Dans la forme canonique dasservissement, la derni`ere ligne de la matrice du syst`eme est composee
des coefficients de lequation caracteristique (excepte celui du terme de plus haut degre) changes de
signe.
Theor`eme : Si le syst`eme est commandable on peut le mettre sous la forme canonique dasservissement
au moyen de la transformation
z = T1 x
avec
T1
q TS
q TS A
q TS A2
..
.
q TS
An1
o`
u q Ts est la derni`ere ligne de linverse de la matrice de commandabilite QS 1
Lutilisation de ce theor`eme peut sembler lourde, mais dans la pratique il se rev`ele puissant, puisqu
une grande partie des termes, notamment de QS 1 , est inutile.
4.5
Dans la forme canonique dobservation, la derni`ere colonne de la matrice du syst`eme est composee
des coefficients de lequation caracteristique (excepte celui du terme de plus haut degre) changes de
signe.
Theor`eme : Si le syst`eme est observable on peut le mettre sous la forme canonique dasservissement
au moyen de la transformation
z = Tx
4.5. TRANSFORMATION EN LA FORME CANONIQUE DOBSERVABILITE
avec
T = qB
Aq B
A2 q B An1 q B
o`
u q b est la derni`ere colonne de linverse de la matrice dobservabilite Q1
B
33
34
Chapitre 5
Stabilit
e des syst`
emes dynamiques
lin
eaires
La stabilite des syst`emes lineaires, dans le cas SISO, consiste le plus souvent `a revenir `a des methodes
classiques des syst`emes representes sous la forme dune fonction de transfert. Attention, la fonction
de transfert dun syst`eme presentant moins dinformation que sa representation detat, il est possible
mais rare que la fonction de transfert soit stable alors que la representation detat presente un mode
instable !
5.1
D
efinition
Un syst`eme est dit asymptotiquement stable, si et seulement si, ecarte de sa position dorigine et
soumis `a une entree nulle, celui-ci revient `
a sa position dorigine.
5.2
Etude de la stabilit
e
1 0 0
..
0 2
.
1
= T AT =
..
..
.
. 0
0 0 n
(5.1)
donc
1 t
x(t) = eTT
donc
1 t
0
exp
..
.
0
x(0) 0
2 t
..
.
0
0
..
.
0
0
n t
(5.2)
36
DES SYSTEMES
`
CHAPITRE 5. STABILITE
DYNAMIQUES LINEAIRES
En dautres termes, pour quun syst`eme soit asymptotiquement stable en boucle ouverte, il faut
et il suffit que tous ses modes soient stables. Lextension aux syst`emes non diagonalisables (blocs
de Jordan) est immediate puisque les termes de lexponentielle dune matrice triangulaire sont une
combinaison lineaire des ei t .
Forme modale
La lecture de la stabilite est immediate, puisque les valeurs propres de la matrice sont sur la diagonale.
Forme canonique de commandabilit
e
La matrice A se presente alors sous la forme :
0
1
0
0
.
A = ..
0
0
a0
an aan1
...
1
..
.
0
..
.
aan2
0
..
.
0
1
an1
an
le calcul des valeurs propres de la matrice revient `a calculer les zeros du polynome
P () =
a0
a1
a2
an1 n1
2
an an
an
an
En fait, seul le signe des parties reelles des valeurs propres nous interesse pour letude de la stabilite,
donc il suffit dappliquer le crit`ere de Routh sur le polynome P .
Forme canonique dobservabilit
e
Par transposition de la matrice A, on revient au cas precedent.
AU SENS DE LYAPOUNOV
5.3. STABILITE
5.3
37
Stabilit
e au sens de Lyapounov
Lorigine est un etat stable si pour tout > 0, il existe un nombre (, t0 ) > 0 tel que kx(t0 )k <
entrane kx(t)k < , t > t0 . Cet etat est asymptotiquement stable si, de plus, il existe un nombre
a (t0 ) tel que kx(t0 )k < a (t0 ) entrane limt kx(t)k = 0.
5.3.1
Th
eor`
eme
5.3.2
Interpr
etation physique
Comme nous lavons dit precedemment, les variables detat representent les reservoirs denergie du
syst`eme ou du moins une combinaison lineaire de ceux-ci. Si, `a lorigine des temps le syst`eme contient
de lenergie alors x(0) 6= 0. La stabilite est alors synonyme de decroissance de la quantite denergie
presente dans le syst`eme, celle-ci peut converger vers une valeur non nulle. La stabilite asymptotique
par contre implique la convergence vers 0.
DES SYSTEMES
`
CHAPITRE 5. STABILITE
DYNAMIQUES LINEAIRES
38
Supposons que la quantite denergie presente dans le syst`eme soit V (t), il suffit alors de demontrer
que V (t) < 0 pour que le syst`eme soit asymptotiquement stable ( V (t) 0 pour que le syst`eme soit
stable).
5.3.3
Posons
V (x) = xT P(t)x
o`
u P est une matrice symetrique definie positive, sa derivee par rapport au temps secrit :
= xT (AT P + PA + P)x
V (x) = x T Px + xT Px + xT Px
Sa derivee est toujours negative sil existe une matrice definie positive Q telle que :
Q = AT P + PA + P
Dans le cas des syst`emes lineaires invariants lequation precedente se simplifie en
Q = AT P + PA
(5.3)
5.3.4
Fil rouge
a0
a1
posons
"
P=
p1
p2
p2
p3
"
et
1 0
Q=
0 1
a0 p3 + p1 a1 p2
2 p2 2 a1 p3
la resolution de 3 equations `
a 3 inconnues donne la matrice suivante
2
2
P=
a0 +a0 +a1
2a0 a1
1
2a0
1
2a0
a0 +1
2a0 a1
sachant que a0 et a1 sont positifs, la matrice P est bien definie positive, le syst`eme est stable.
Chapitre 6
Placement de p
oles
x = Ax + Bu
y = Cx
Lobjectif de la synth`ese est une regulation (donc pas un asservissement), donc il sagit de maintenir
y proche dune valeur de consigne yc . Le schema de la regulation est donne figure 6.1.
yc
+
-
+
A
L
regulateur
6.1.1
Calcul du r
egulateur L
Y (p)
b0 + b1 p + b2 p2 + + bm pm
=
,
U (p)
a0 + a1 p + a2 p2 + + an pn
avec m < n
alors la representation detat sous la forme canonique de commandabilite est (apr`es simplification par
an ) :
0
1
0
...
0
0
..
0
1
0
.
0
.
x + .
.
..
..
(6.1)
x =
u
..
.
.
0
.
0
0
0
1
1
a0 a1 a2 an1
y = [b0 , b1 , , bm , 0, , 0] x
39
(6.2)
`
CHAPITRE 6. COMMANDE DES SYSTEMES
40
0
1
0
...
0
0
..
0
0
1
0
.
0
.
x + .
..
..
..
x =
Sy
.
.
.
0
. c
0
0
0
1
1
l0 a0 l1 a1 l2 a2 ln1 an1
y = [b0 , b1 , , bm , 0, , 0] x.
(6.3)
(6.4)
b0 + b1 p + b2 p2 + + bm pm
Y (p)
=
,
Syc (p)
(l0 + a0 ) + (l1 + a1 )p + (l2 + a2 )p2 + + pn
6.1.2
Calcul de la matrice de pr
efiltre S
`
` ASSERVIR
6.2. CAS DUNE REPRESENTATION
QUELCONQUE DU SYSTEME
A
6.2
6.2.1
41
avec
q TS
q TS A
q TS A2
..
.
q TS
An1
o`
u q Ts est la derni`ere ligne de linverse de la matrice de commandabilite QS 1 .
Dans cette representation
u = LF C z = LF C T1 x = Lx
avec
L = LF C T1 = (0 a0 )q TS + (1 a1 )q TS A + + (n1 an1 )q TS An1
6.2.2
Th
eor`
eme de Cayley-Hamilton
L = q TS P (A)
Theor`eme : Pour un syst`eme `
a une entree et une sortie les zeros du syst`eme restent inchanges par le
placement des p
oles
`
CHAPITRE 6. COMMANDE DES SYSTEMES
42
6.3
Commande Modale
6.3.1
D
efinition
Soit la transformation x = Tx? T est la transformation modale qui diagonalise A si toutes les valeurs
propres sont differentes ou du moins la met sous forme de blocs de Jordan si toutes les valeurs propres
ne sont pas differentes.
Dans la nouvelle base, les equations sont
x ?i = i x?i + u?i
si le syst`eme est diagonalisable.
Si les udi sont independantes les une des autres, on peut asservir chaque variable detat xdi , et donc
chaque mode du syst`eme.
6.3.2
M
ethode de synth`
ese
b
B
1
.. . .
1
T AT = .
.
0
T1 B
0
..
.
n
?1
0
..
avec ?p =
0
.
?p
donc
p x?p + u? = ?p x?p
6.4. CHOIX DES POLES
43
donc
u = (p
?p )x?p
1 ?1
0
..
.
p ?p
x?1
x?p
Probl`eme : revenir `
a u notre veritable vecteur de commande
b p) est de rang p donc B
b p (p p) est reguli`ere
B (n p) est de rang p ; T1 est reguli`ere donc : B(n
b 1 u? = B
b 1 (p ? )u?
u=B
p
p
p
do`
u
x ?p = ?p x?p
b np B
b 1 (p ? )x? + np x?
x ?
= B
np
np
(6.5)
(6.6)
lequation (6.5) montre que les p premi`eres coordonnees modales sont bien asservies individuellement ; les valeurs propres sont bien celles choisies (?i ),
lequation (6.6) montre que les np autres coordonnees modales sont influencees par les p premi`eres.
Verification de cette deuxi`eme constatation. Calculons les valeurs propres du syst`eme boucle :
det
pIp ?p
0
b np B
b 1 (p ? ) pIp np
B
p
p
=0
det pIp ?p det (pIp np ) = 0
Les valeurs propres du syst`eme sont donc :
?1 , , ?p : les p premi`eres qui ont ete deplacees par la commande modale,
p+1 , , n : les n p autres qui restent inchangees.
La commande modale ne presente pas deffet indesirable du fait du couplage entre les np coordonnees
modales restantes et les p premi`eres.
Synth`
ese du r
egulateur modal
Retour `a la representation de depart :
x? = T1 x
b 1 (p ? )x? = B
b 1 (p ? )T1 x = Lx
u = B
p
p
p
p
1 ?1
..
b 1
L=B
p
0
6.4
0
.
p ?p
1
T x
Choix des p
oles
Le choix de poles en boucle fermee tient plus de lart que de la science. En effet, les phenom`enes `
a
prendre en compte sont nombreux, tr`es dependants du syst`eme considere et des performances desirees.
Voici quelques r`egles fondamentales `
a respecter :
1. Les poles choisis doivent etre stables,
2. pas trop proches de laxe des imaginaires, sinon la moindre variation de mod`ele peut provoquer
une instabilite,
`
CHAPITRE 6. COMMANDE DES SYSTEMES
44
3. Les poles complexes conjugues seront choisis pour presenter un depassement convenable (typiquement : inferieur `
a 20 %) sinon le regime transitoire sera long
4. pas trop rapides (typiquement : 4 `
a 10 fois plus rapides que les poles en B0), il est peu probable
que le mod`ele que vous avez soit encore valable au-del`a de ce domaine et/ou que la commande
ne sature pas.
La figure 6.2 resume ces quelques r`egles.
transitoire trop
lent et un fort Im
depassement
p
oles trop
rapides, le
mod`ele nest plus
valable et la
commande sature
ZONE DE
PLACEMENT
Re
poles non
robustes
6.4.1
P
oles complexes conjugu
es dominants
Le grand avantage de cette methode est une simplification des calculs et une bonne matrise du comportement en
boucle fermee du syst`eme (comportement comme les poles
dominants). Les resultats en boucle fermee sont quelques fois
ordre,
il suffit de choisir un pole simple comme pole domi(dordre 3)
p
oles dominants
nant.
Quelques relations pour la determination des poles :
Pour H(p) = 2m1 p2
1+ p+
0
2
0
Temps de reponse `
a 5% :
Tr5% =
3
m0
6.4. CHOIX DES POLES
45
Figure 6.3 Relation entre depassement et position des poles dans le plan complexe
20
1 m2
Premier depassement
m
D1 = 100e
1m2
6.4.2
Maximalement plat
Premier depassement
D1 = 0.20n2 + 4n 2.35
Temps du premier maximum :
TD1 =
j(2k+n1)
2n
`
CHAPITRE 6. COMMANDE DES SYSTEMES
46
n
1
2
3
4
5
6
6.4.3
lordre
D%
0
4.3
8.1
10.8
12.7
14.1
P
oles `
a partie r
eelle identique
Cette methode, proche de la methode des poles dominants,
consiste `a equirepartir lensemble des poles sur la meme
verticale. En labsence de zeros influents dans le syst`eme,
la reponse `a lechelon est toujours aperiodique. Les poles
negligeables attenuent le depassement des poles dominants. Utile en cas de bruit, car les poles negligeables
(qui ne le sont plus donc !) filtrent fortement ces bruits.
6.4.4
Polyn
omes de Naslin
Cest encore dans les vieux pots que lon fait les meilleures soupes. Cette methode perdure depuis les
annees 60 et donne de bons resultats quel que soit le domaine dapplication.
Rappels : On choisit et 0 en fonction des caracteristiques voulues pour la boucle fermee.
Temps de montee (10 `
a 90% de la valeur finale) :
Tm =
2.2
0
Premier depassement
D1% = 104.82
les coefficients du polyn
ome sont alors :
pour 0 k n ak =
k(k1)
2
0k
En cas de zero dans la fonctions de transfert, cette methode permet de precompenser linfluence de
0
ce zero. Si le numerateur de la fonction de transfert est de la forme b0 + b1 p, alors 0 = bb01 . Il suffit
alors de reprendre les formules precedentes en remplacant par e et 0 par 0c .
0
0
( 1.5)
40
1
1 1
=
0 200
e = 1.5 +
0c
Si 0c est negatif, seule la methode try and error pour le choix de et 0 reste valable !
6.5
47
Commande optimale
6.5.1
D
efinition
(6.7)
avec :
u = R1 BT Kx
o`
u K est une matrice symetrique, solution definie negative de lequation de Riccati :
KA + AT K KBR1 BT K + Q = 0
6.5.2
Stabilit
e de la commande optimale
6.5.3
La forme du crit`ere (eq. (6.7)) represente typiquement un crit`ere energetique. Aussi la commande
optimale vise-telle `
a minimiser lenergie requise pour faire passer le syst`eme dun etat `a un autre.
Dans ce cas les matrices R et Q seront le plus souvent choisies diagonales, les coefficients de la
diagonale ayant une signification physique (inductance, masse ...).
Plus generalement, cette methode de synth`ese sapplique lorsque lon desire minimiser une ou plusieurs
grandeurs de commande et/ou un ou plusieurs etats pour des probl`emes de saturation, de securite ou
de duree de vie du syst`eme (limitation de la vitesse dun moteur, limitation de la pression dans un
reservoir ...).
`
CHAPITRE 6. COMMANDE DES SYSTEMES
48
6.5.4
Calcul dune commande qui minimise les pertes energetiques dans le syst`eme. Les pertes sont :
1
2
: pertes Joule dans la resistance dinducteur
2 Ri
1
2
f
:
pertes mecaniques par frottements visqueux
2 v
Le crit`ere est donc
Z
(Ri2 + fv 2 )dt
J=
0
Z
J=
(x
0 0
0 fv
x + uT (R)u)dt
(6.8)
En posant (K symetrique)
K=
k11 k12
k12 k22
,
le calcul de la commande
k12 b0
r
u=
k22 b0
r
montre que seuls les coefficients k12 et k22 sont a` determiner. En developpant lequation de Riccati,
nous obtenons :
2
2 2
2 k12 a0 k12 r b0
k11 k12 a1 k22 a0 k12 br0 k22
=0
k12 b0 2 k22
k22 2 b0 2
k11 k12 a1 k22 a0
2 k12 2 k22 a1 r + fv
r
Nous en deduisons que :
k12
k22
= 1/2
ou
k22
1/2
2 a1 r+2
a1 2 r2 +b0 2 fv r
b0 2
2 a1 r2
a1 2 r2 +b0 2 fv r
b0 2
2 a1 r2
a1 2 r2 +b0 2 fv r
b0 2
!
p
b0 2 a1 r 2 a1 2 r2 + b0 2 fv r
x
2r
b0 2
Chapitre 7
Synth`
ese dobservateurs d
etat
7.1
Introduction au probl`
eme de la reconstruction d
etat
Dans tout ce qui prec`ede, nous sommes partis du principe que nous avions acc`es `a toutes les composantes du vecteur detat. Nous avons donc suppose que le syst`eme est compl`etement instrumente. En
realite, les syst`emes physiques sont tr`es peu instrumentes, les raisons sont :
le co
ut,
la difficulte dacceder `
a certaines variables
la fiabilite,
lencombrement, ...
Nous allons donc voir comment reconstruire letat `a partir des commandes appliquees au syst`eme
reel et les quelques mesures du vecteur detat effectuees.
Soit le syst`eme,
x = Ax + Bu
ou
x k+1 = xk + uk
(7.1)
y = Cx + Du
y k = Cxk + Duk
Comment obtenir x ?
7.1.1
x = C1 (y Du)
Ce calcul est impossible car en general C nest pas inversible, dans les syst`emes SISO, C est un
vecteur, donc jamais inversible.
7.1.2
Lidee consiste `
a dire que puisque nous possedons un mod`ele du syst`eme, il suffit de simuler le
processus dans le calculateur. Ainsi, les differentes variables comme le vecteur detat sont parfaitement
accessibles. Cette methode est illustree par le schema 7.1.
Les indices r (reelle) et m (mesuree) sont l`a pour rappeler quil existe toujours une difference entre
la realite et le mod`ele utilise. Par la suite, comme dans tout ce qui prec`ede, nous ne ferons aucune
difference entre les deux mais ayez toujours `a lesprit quelle existe.
En fait cette methode ne fonctionne pas du tout car le mod`ele, pour precis quil soit, est toujours
faux (imprecisions de mesure des coefficients des matrices, non linearites du syst`eme, ...).Aussi apr`es
quelques temps de simulation le simulateur donne nimporte quoi. Neanmoins dans quelques cas, ce
sera la seule solution, pour obtenir une variable non mesuree, on parle alors de reconstruction par
simulation. La robustesse du processus corrige est alors faible et la synth`ese de la commande doit
prendre en compte cet aspect (commande robuste).
49
CHAPITRE 7. SYNTHESE
DOBSERVATEURS DETAT
syst`
eme
50
u
Br
Cr
Ar
Bm
x
b
b
y
Cm
x
b
Am
simulateur
Figure 7.1 Schema general dun simulateur
7.1.3
7.2
Observateurs de Luenberger
D
efinition
On appelle observateur (de Luenberger) du syst`eme,
x = Ax + Bu
(7.2)
y = Cx
(7.3)
x
C
Observateur
A
b
y
Syst`eme
ye
G
B
+ +
x
b
x
b
x
b
51
x
b = Ab
x + Bu + Ge
y
y
= Ab
x + Bu + Gy Gb
= Ab
x + Bu + Gy GCb
x
= (A GC)b
x + Bu + Gy
En definissant
A GC = F
x
b = Fb
x + Gy + Bu
o`
u les valeurs propres de la matrice F sont stables.
x
b(t) est une estimation de x(t),
on definit x
e=xx
b lerreur destimation et x
e 0 pour t .
Il ne reste plus qu`
a definir la matrice de retour G.
(7.4)
CHAPITRE 7. SYNTHESE
DOBSERVATEURS DETAT
52
Dualit
e
T
C
CA
CA2
2
n1
B, AB, A B, , A
B
..
.
CAn1
Toutes les methodes de calcul dun regulateur sont valables pour le calcul de la matrice GT .
7.3
Observateurs dordre r
eduit
Il est parfois interessant de nobserver que la partie de letat qui nest pas accessible afin de minimiser
le temps de calcul. On definit alors un observateur dordre reduit.
7.3.1
Hypoth`
eses
soit le syst`eme :
x = Ax + Bu
y = Cx
(7.5)
avec :
C=
0
..
.
0
..
. q = [0 Iq ]
0 1
.. .. . .
.
. .
0 0
(7.6)
(7.7)
{z
nq
}|
{z
q
Bien entendu, il est probable quil faille proceder `a une transformation de coordonnees pour mettre
C sous la forme ci-dessus.
Partitionnement
x1
..
.
xnq
x=
...... =
xnq+1
..
.
xn
v
A11 A12
x = = . . . . . . .
y
A21 A22
v
}n q
y
}q
v
}n q
B1
+ u
y
B2
}q
ERALIS
53
soit :
v = A11 v + A12 y + B1 u
(7.8)
y = A21 v + A22 y + B2 u
(7.9)
(7.10)
BU
y A22 y B2 u = A21 v
|{z} |{z}
|
{z
}
C
(7.11)
(7.12)
b
v = z + Gy
(7.13)
A12 GA22
u
B1 GB2
G
R
z+ +
b
v
x
b
A11 GA21
7.4
Observateur g
en
eralis
e
Pour observer un syst`eme lineaire invariant, on introduit un second syst`eme lineaire invariant, dordre
r et ayant lequation detat suivante :
z(t)
54
CHAPITRE 7. SYNTHESE
DOBSERVATEURS DETAT
On dit quun tel syst`eme est un observateur du premier syst`eme si, etant donne une matrice de
transformation arbitraire K de dimension (r n), son vecteur detat represente une estimation de
Kx :
z = Kb
x
cest-`a-dire que z Kb
x pour t
z doit donc etre solution dune equation homog`ene, de la forme
(z Kx) = F(z Kx)
z = Fz + Kx FKx
et
x = Ax + Bu
donc
z = Fz + (KA FK)b
x KBu
do`
u lon en deduit que
E = KB
Cherchons `a introduire y = Cx, on cherche `a trouver une matrice G telle que
(KA FK)x = Gy = GCx
donc
(KA FK) = GC
do`
u lequation detat de lobservateur generalise
z = Fz + Gy + KBu
`
7.5. EQUATION DETAT
DUN SYSTEME
ASSERVI AVEC OBSERVATEUR
7.5
55
Equation d
etat dun syst`
eme asservi avec observateur
Loi de commande
u = Lb
x
a` w = 0, etude de la stabilite
Vu du point de vue de lobservateur generalise, u doit dependre de la grandeur de sortie y du procede
et du vecteur detat z de lobservateur :
u = Db
y + Eb
z
avec z = Kb
x et y = Cx il vient
Lb
x = DCx + EKb
x
cette expression doit etre valable quel que soit t, donc aussi pour t (b
x = x) donc,
L = DC + EK
donc, lequation detat de lensemble observateur+ regulateur est
z = Fz + Gy + KBu
u = Dy + Ez
(7.14)
procede
regulateur
u = Dy + Ez
x = Ax + Bu
y = Cx
7.5.1
x
z
Th
eor`
eme de s
eparation
posons : = z Kx
pour lobservateur :
=
=
=
=
z Kx
Fz + Gy + KBu KAx KBu
F(z Kx)
K
(7.15)
pour le procede :
x =
=
=
=
=
Ax + Bu
Ax + B(Dy + Ez)
Ax + BDCx + BEz
Ax BLx BEKx + BEz
(A BL)x + BE
(7.16)
car (DC EK) = L
CHAPITRE 7. SYNTHESE
DOBSERVATEURS DETAT
56
Des deux developpements precedents nous en deduisons lequation detat du syst`eme composite observateur + procede.
x
x
A BL BE
=
0
F
dont lequation caracteristique est :
In (A BL) BE
=0
0
Ir F
cest-`a-dire :
|In (A BL)| |Ir F| = 0
do`
u:
theor`eme de separation :
Les valeurs propres dun syst`eme commande par retour detat et comportant un observateur dans sa
boucle se composent de la reunion des valeurs propres du syst`eme boucle sans observateur et de celles
de lobservateur.
7.6
Filtrage de Kalman
Soit le syst`eme,
x = Ax + Bu + Kv
y = Cx + Du + w
ou
x k+1 = xk + uk + Kv k
y k = Cxk + Duk + wk
(7.17)
avec :
v(t) ou v k vecteur aleatoire superpose `
a letat (bruit detat)
w(t) ou wk vecteur aleatoire superpose a` la sortie (bruit de mesure)
Probl`eme du filtrage lineaire :
A partir des donnees du probl`eme (representation detat du probl`eme) et des donnees statistiques
concernant les bruits v et w (distribution statistique, moyenne, variance), trouver un syst`eme causal,
`a lentree duquel sont appliquees les signaux accessibles `a la mesure, u et y et qui fournit `a sa sortie
x
b aussi proche que possible de letat x inconnu.
La solution optimale de ce probl`eme, au sens de la variance de x
b x est le filtrage optimal de Kalman.
Chapitre 8
Repr
esentation d
etat des syst`
emes
lin
eaires
echantillonn
es
8.1
Syst`
eme discret
T
uk
yk
syst`eme discret
xk =
x1 (kTe )
x2 (kTe )
..
.
yk =
xn (kTe )
y1 (kTe )
y2 (kTe )
..
.
uk =
yq (kTe )
u1 (kTe )
u2 (kTe )
..
.
up (kTe )
(8.1)
Appliquons (8.1) `
a lintervalle kTe t < (k + 1)Te en y faisant t0 = kt, nous obtenons :
xk+1 = e
ATe
(k+1)Te
Z
xk +
eA((k+1)Te ) Bu( )d
kTe
xk+1 = e
(k+1)Te
eA((k+1)Te ) d.Buk
xk +
(8.2)
kTe
(k+1)Te
A((k+1)Te )
d =
kTe
e
Te
57
A 0
d =
0
Te
eA d 0
58CHAPITRE 8. REPRESENTATION
DETAT
DES SYSTEMES
LINEAIRES
ECHANTILLONN
ES
lequation 8.2 devient :
xk+1 = eATe xk +
Te
eA d 0 .Buk .
(8.3)
(8.4)
= eATe
Z Te
0
eA d 0 .B
=
(8.5)
avec :
(8.6)
De meme on a :
y k = Cxk + Duk .
(8.7)
Te
= A1 eA 0 .B = A1 eATe I .B
(8.8)
= A1 ( I)B
(8.9)
soit :
8.2
R
esolution des
equations dans le domaine du temps
En supposant que le vecteur detat initial soit x0 , lapplication repetee de (8.4) donne :
xk = k x0 +
k1
X
k1i ui ,
(8.10)
i=0
8.3
Application de la transform
ee en z
Theor`eme de lavance :
Z[xk+1 ] = zX(z) zx0 ,
donc la transformee en z de 8.4 est :
zX(z) zx0 = X(z) + U (z),
soit :
X(z) = (zI )1 zx0 + (zI )1 U (z),
(8.11)
(8.12)
et,
8.4
59
Matrice de transfert
8.5
Le mod`ele detat sobtient de la meme facon quen continu mais avec la substitution
integrateur pur retard pur
1
z 1
p
8.6
R
esolution de l
equation d
etat dans le domaine de z
xk
X(z)
X(z)
= kx0
= Z k x0
= (zI )1 zx0
en identifiant terme `
a terme :
h i
Z k = (zI )1 z,
do`
u,
h
i
(kTe ) = k = Z 1 (zI )1 z ,
`a comparer avec : L1 (pI A)1 .
8.7
8.7.1
Commandabilit
e et observabilit
e
Commandabilit
e dun syst`
eme
echantillonn
e
Un syst`eme echantillonne represente par une equation detat aux differences pour une entree scalaire
uk ,
xk+1 = xk + uk .
(8.13)
y k = Cxk
(8.14)
60CHAPITRE 8. REPRESENTATION
DETAT
DES SYSTEMES
LINEAIRES
ECHANTILLONN
ES
x(0) etant donne, le vecteur detat solution de lequation (8.13) sexprime par : (en ecrivant les termes
successifs) :
xk = k x(0) + uk1 + uk2 + 2 uk3 + + k1 u0
xk = k x(0) +
k
X
i1 uki
(8.15)
(8.16)
i=1
x(0)
.
U T = Q1
k
S
(8.18)
(8.19)
8.7.2
(8.20)
Observabilit
e dun syst`
eme
echantillonn
e
k
X
Ci1 uki
(8.21)
i=1
y 0 = Cx0
y 1 = Cx1
y 2 = Cx2
..
.
= Cx0 + Cu0
= Cx1 + Cu1
= C2 x0 + Cu0 + Cu1
avec :
QTB
U1
=
=
Y T = QB x0 + HU1
2
k1
C, C, C , , C
0, u0 , u1 , , uk2
(8.22)
QB x0 = Y T HU1
(8.23)
x0 = QB 1 (Y T HU1 )
(8.24)
donc
DES SYSTEMES
`
8.8. STABILITE
ECHANTILLONN
ES
61
1. QB soit carree,
2. det(QB ) 6= 0.
Un syst`eme est observable si et seulement si
det QB = det
8.8
C
C
C2
..
.
Cn1
6= 0.
(8.25)
Stabilit
e des syst`
emes
echantillonn
es
La stabilite des syst`emes echantillonnes est identique au cas continu sauf quun pole stable en z est
un pole dont le module est inferieur `
a 1.
stable kzk < 1
Bien entendu le crit`ere de Routh applique sur la derni`ere ligne de la matrice sous la forme canonique
de commandabilite devient le crit`ere de Jury. Une autre solution consiste `a appliquer le crit`ere de
Routh sur cette derni`ere ligne apr`es lui avoir applique la transformee en w.
w1
Rappel : la transformee en w consiste `
a remplacer z par w+1
8.9
La commande des syst`emes echantillonnes se fait de la meme facon que pour les syst`emes continus.
Les eventuelles transformations sont identiques.
Le choix des poles en z dans le cadre dune methode de placement de poles est par contre different
(voir fig. 8.2) .
62CHAPITRE 8. REPRESENTATION
DETAT
DES SYSTEMES
LINEAIRES
ECHANTILLONN
ES
8.9.1
Calcul de la matrice de pr
efiltre
y k = Cxk
Si le syst`eme est stable, alors limk xk+1 = xk donc,
lim y k = C( L I)1 Sy c
S1 = C( L I)1
1
S = C( L I)1
`a comparer avec le resultat obtenu dans le cas continu
1
S = C(A BL)1 B
8.9.2
n=1
uk1 = (R + T K)
Kxk1
o`
u K est une matrice symetrique, solution definie negative de lequation de Riccati :
1
K = T (K K(R + T K)
T K) + Q
(8.26)
Chapitre 9
Annales dexamens
63
64
ANNEXE 9. ANNALES
Quelques conseils
La justification des choix est aussi importante que les calculs effectues.
Ne restez pas bloque sur une question, revenez-y par la suite.
materiau neutre
10m
materiaux piezo-electrique
V
Mod
elisation
1. En appliquant la relation fondamentale de la dynamique sur mod`ele mecanique precedent,
determiner lequation differentielle reliant le mouvement de rotation aux forces appliquees.
2. En faisant lhypoth`ese que << 1 et que les force de gravite sont negligeables vis-`a-vis des
autres forces, determinez lequation differentielle linearisee reliant aux autres param`etres du
syst`eme.
3. Montrez que lon obtient une equation differentielle de la forme :
m + f + k = Fext + V
Dans tout ce qui suit, lequation differentielle du mouvement utilisee sera celle-ci !
JUIN 2006
65
L
Fext
force = V
liaison pivot
raideur kR
masse M
frottement visqueux
F = fv
Applications numeriques :
= 0.002,
m = 103 ,
f = 11,
x = Ax + Bu
(9.1)
y = Cx + Du
(9.2)
k = 15
Analyse
1. Le syst`eme est-il stable en boucle ouverte ?
2. Le syst`eme est-il commandable ?
3. Le syst`eme est-il observable ?
Commande
1. Donnez la valeur numerique des p
oles en boucle ouverte.
2. Au vu des p
oles en boucle ouverte, de votre experience et du syst`eme proposez des poles en
boucle fermee.
3. Justifiez-les en 4 lignes maximum (+ un dessin si besoin).
4. Calculer un regulateur detat qui permet dobtenir la dynamique que vous vous etes fixee en
boucle fermee.
5. Par le calcul de la fonction de transfert, verifiez que la dynamique souhaitee est bien obtenue.
6. A laide de cette fonction de transfert, calculer la matrice (ici un reel) de prefiltre.
7. Proposez une autre methode pour obtenir une erreur statique nulle.
Observation
1. Donnez le schema-bloc du syst`eme sous sa forme de representation detat avec son observateur
de Luenberger complet.
2. Proposez et justifiez les p
oles de lobservateur.
3. Calculer, par la methode de votre choix, la matrice de retour G
66
ANNEXE 9. ANNALES
Observation de la perturbation
Dans cette deuxi`eme partie, la force Fext exercee par lobjet sur la pince est non nulle, par contre on
supposera de faibles variations de force, sa derive Fext est nulle.
1. A partir des equations etablies lors de la modelisation et avec les hypoth`eses precedentes, donnez
une representation detat du syst`eme incluant la force Fext exercee par lobjet sur la pince.
avec : z =
x
Fext
z = Aa z + Ba u
(9.3)
= Ca z + Da u
(9.4)
2. Donnez le schema bloc du syst`eme complet incluant la pince, son observateur augmente, le point
dapplication de la perturbation, le retour detat utilisant le vecteur estime, la force estimee Fext .
3. Montrez que lorsque t et en labsence derreurs de mod`ele, Fext Fext
4. Calculez la matrice de retour G pour ce nouvel observateur.
JUIN 2006
67
Quelques conseils
La justification des choix est aussi importante que les calculs effectues.
Ne restez pas bloque sur une question, revenez-y par la suite.
x
F
xp
M1
cabine
L1
Mod
elisation
1. Du mod`ele mecanique precedent, determiner lequation differentielle reliant le mouvement de
lhelicopt`ere `
a la force appliquee par le rotor F .
2. En faisant lhypoth`ese que << 1, determinez lequation differentielle linearisee reliant x
p aux
autres param`etres du syst`eme.
3. Montrez que lon obtient une equation differentielle de la forme :
m
xp + f x p + kxp = F
Dans tout ce qui suit, lequation differentielle du mouvement utilisee sera celle-ci !
68
ANNEXE 9. ANNALES
4. Deduisez de ce qui prec`ede une representation detat de la forme :
x = Ax + Bu
(9.5)
y = Cx + Du
(9.6)
avec y = xp
Applications numeriques :
m = 2, f = 9,
k=9
Analyse
1. Le syst`eme est-il stable en boucle ouverte ?
2. Le syst`eme est-il commandable ?
3. Le syst`eme est-il observable ?
Commande
1. Donnez la valeur numerique des p
oles en boucle ouverte.
2. Au vu des p
oles en boucle ouverte, de votre experience et du syst`eme proposez des poles en
boucle fermee.
3. Justifiez-les en 4 lignes maximum (+ un dessin si besoin).
4. Calculer un regulateur detat qui permet dobtenir la dynamique que vous vous etes fixee en
boucle fermee.
5. Par le calcul de la fonction de transfert, verifiez que la dynamique souhaitee est bien obtenue.
6. A laide de cette fonction de transfert, calculer la matrice (ici un reel) de prefiltre.
7. Proposez une autre methode pour obtenir une erreur statique nulle.
Observation
1. Donnez le schema-bloc du syst`eme sous sa forme de representation detat avec son observateur
de Luenberger complet.
2. Proposez et justifiez les p
oles de lobservateur.
3. Calculer, par la methode de votre choix, la matrice de retour G
z = Aa z + Ba yc
(9.7)
y = Ca z + Da yc
(9.8)
x
avec : z =
o`
u representa la sortie de lintegrateur pur.
3. calculez un nouveau correcteur tel que ce nouveau syst`eme presente `a peu pres les memes
caracteristiques que celle que vous avez precedemment choisies.
JUIN 2006
69
Premier probl`
eme : Commande des syst`
emes non commandables
x = Ax + Bu
(9.9)
y = Cx + Du
(9.10)
0 1
0
0
1 , B = 1 ,
avec : A = 0 0
2 1 2
1
1.1
C=
1 0 0
D=0
Analyse
0
1 1
Qs =
det Qs = 0 = Non commandable
1 1 3
1 3 5
3. Le syst`eme est-il observable ?
1 0 0
0
1
0
Qb =
0 0 1
1.2
det Qs = 1 = Observable
R
eduction du mod`
ele
Dans cette partie on enl`eve les parties non commandables et/ou non observables
1. Determiner la fonction de transfert du syst`eme H(p) =
H(p) =
Y (p)
U (p) .
2p + 3
(p 1) (2 + p)
2. A partir de la fonction de transfert H(p) deduisez-en une representation detat sous forme
canonique de commandabilite.
avec :
A=
0
1
2 1
xr = Ar xr + Br u
(9.11)
y = Cr xr + Dr u
(9.12)
, B=
0
1
,
C=
1 0
D=0
70
ANNEXE 9. ANNALES
3. Ce nouveau syst`eme est-il commandable et observable ?
oui, car il provient de la fonction de transfert. P
oles en -1 et -2. Commandable
"
Qs =
det Qs = 0 = Commandable
1 1
Observable ?
"
1 0
Qb =
det Qs = 1 = Observable
0 1
4. Verifier que le p
ole instable est toujours present.
Poles en 1 et -2
1.3
Commande du mod`
ele r
eduit
1. Calculer le regulateur L tel que les poles du syst`eme en boucle fermee soient :
ps1,2 = 3 3i
"
Qs =
"
donc
1 1
Q1
s =
1 1
#
et
1 0
qsT = [1, 0]
P (p) = p + 3 3 1 p + 3 + 3 1 = p2 + 6 p + 18
L = [20, 5]
2. Expliquez bri`evement le comportement en boucle fermee que lon aura avec ces poles.
Sans doute pas celui voulu `
a cause du zero de la fonction de transfert.
3. Calculer la matrice (ici un reel) de prefiltre S.
1 1
S = C(A BL)1 B
=
18
1.4
Observation
1. Donnez le schema-bloc du syst`eme sous sa forme de representation detat avec son observateur
de Luenberger complet.
2. Calculer, par la methode de votre choix, la matrice de retour G, telle que les poles de lobservateur soient places en
po1,2 = 10 10i
"
Qb =
1 0
"
donc
0 1
P (p) = p + 10 10
Q1
b =
1 0
"
et
0 1
qb =
1 p + 10 + 10 1 = p2 + 20 p + 200
"
38
G=
183
JUIN 2006
1.5
71
On se propose dajouter un integrateur pur tel que lerreur statique devienne nulle, y compris en
presence de perturbations ou derreurs de modelisation.
1. Le schema-bloc du syst`eme est donne en figure 9.4. Determiner la representation detat du
syst`eme augmente :
avec xa =
xa = Aa xa + Ba yc
(9.13)
y = Ca xa + Da yc
(9.14)
kp
yc
= R
+ +
ki
x = Ax + Bu
y
C
Aa =
2 l0 1 l1 ki , Ba = kp , Ca = 1 0 0 , Da = 0
1
0
1
1
2. En posant L = l0 l1 , calculer l0 , l1 et ki tels que les poles du syst`eme soient places en :
ps1,2,3 = 3
par identification :
det
2 + l0
1 + l1 + p
et
3 3i
ki
= (p + 3) (p + 3 3 i) (p + 3 + 3i)
p1
p3 + l1 p2 + (l0 3 l1 ) p + 2 l0 + ki = p3 + 9 p2 + 36 p + 54
= {ki = 100, l1 = 9, l0 = 48}
1.6
Observateur num
erique
(9.15)
(9.16)
(9.17)
(9.18)
72
ANNEXE 9. ANNALES
"
sachant que en prenant Te = 1s, =
1.86 0.86
1.72 0.99
"
= A1 ( I)B =
0.43
0.86
2. Determiner un observateur complet pour ce syst`eme numerique. Les poles de cet observateur
complet seront places en 0.
"
Qb =
"
donc
1.86 0.86
Q1
b =
1.0
2.16 1.16
P (z) = z 2
"
#
2.32
G=
3.48
"
et
qb =
0
1.16
Chapitre 10
Travaux dirig
es
1
TD1 - Repr
esentation d
etat
1.1
Soit un moteur `
a courant continu commande par linducteur.
I = cte
i
J, f
= Ri + L
di
dt
(10.1)
d
= f +
dt
= ki
(10.2)
(10.3)
(10.4)
(10.5)
dt
donnez lequation differentielle du syst`eme sous la forme matricielle suivante :
Equation detat :
x1
. .
x1
.
=
+
u
(10.6)
x2
x2
. .
.
Equation de sortie :
=
. .
73
x1
x2
(10.7)
CHAPITRE 10. TRAVAUX DIRIGES
74
1.2
p+1
p+2
1
(p+1)(p+3)
p+3
p+4
1
p+2
X2
1/2
p+1
1/2
p+3
X1
1
p+4
X3
X4
Mise en
equation du syst`
eme
Mettre le syst`eme en equation avec les trois methodes proposees.
1. la representation detat
2. la fonction de transfert
3. lequation differentielle
Comparez linformation presente dans les trois mises en equation.
1.3
Pour lentranement
4
p+1
X1
++
u
p3
+
X2
1
v
1
p+2
X2
+
+
X3
1
p1
X4
1/2
w
1
p+1
X5
1/2
+
-
1. TD1 - REPRESENTATION
DETAT
75
CHAPITRE 10. TRAVAUX DIRIGES
76
Commandabilit
e et observabilit
e
u
1
p+2
1/2
p+1
X1
1/2
p+3
X2
+
1
w
X3
1
p+4
X4
2.1
Mise en
equation du syst`
eme
2.2
1. Resoudre lequation
det (pI A) = 0
2. Calculez le vecteur propre associe a` chaque valeur propre
3. Determinez la matrice de transformation T
4. Verifiez que T1 AT =
b = T1 C et B
b = T1 B
5. Calculez les vecteurs C
6. Donnez la representation detat compl`ete du syst`eme sous la forme canonique de Jordan.
2.3
Commandabilit
e et observabilit
e
3. TD ASSERVISSEMENT DANS LESPACE DETAT
DUN PONT ROULANT
77
Le role dun pont roulant est de semparer dune charge `a un endroit determine, de la deplacer sur
une distance determinee, puis de la deposer `a un autre endroit donne. Le probl`eme qui surgit lors
de lautomatisation de ce processus est que la charge entre en oscillation `a la mise en marche et au
freinage du chariot. Ces oscillations sont nuisibles au fonctionnement puisquelles retardent la prise
et le depot de la charge.
Etant donne que les performances dun pont roulant resident principalement dans la vitesse `a laquelle il
est capable dexecuter un cycle de travail, il est necessaire pour ameliorer ses performances dempecher
la naissance de ces oscillations ou, tout du moins de les reduire `a une valeur acceptable.
Nous supposerons que le probl`eme est plan. La position instantanee de la benne peut donc etre decrite
sans ambigute `
a laide de deux coordonnees, qui peuvent etre, par exemple, labscisse du chariot xc
et soit labscisse de la benne xb soit langle du filin avec la verticale .
Mc
xc
zb
xb
Mb
avec :
xc
Mc
F
:
:
:
xb , zb
Mb
l
:
:
:
:
position du chariot
masse du chariot
force de traction
exercee sur le chariot
position de la benne
masse de la benne
longueur du filin
angle du filin
z
Figure 10.6 Schema du chariot et de la benne
3.1
Mise en
equation
Mettez en equations ce probl`eme. Linearisez ensuite dans lhypoth`ese, generalement verifie dans la
realite, dexcusions angulaires faibles de la benne ( petit).
3.2
Repr
esentation d
etat
3.3
Simulation Matlab
CHAPITRE 10. TRAVAUX DIRIGES
78
3.4
Commandabilit
e et observabilit
e
Determinez la commandabilite en calculant la matrice de commandabilite puis interpretez physiquement le resultat obtenu.
Determinez lobservabilite du syst`eme en se placant dans les deux hypoth`eses suivantes :
1. mesure de la position du chariot seule,
2. mesure de langle du filin seul.
3.5
Effectuez la synth`ese de lasservissement de ce syst`eme par retour detat par la methode du placement
de poles en respectant le cahier des charges suivant :
1. en regime transitoire,
(a) assez bien amorti, depassement faible,
(b) rapide, le temps detablissement `a 2% ne doit pas depasser t2% = 20s,
2. en regime permanent, erreur statique nulle
Indications :
1. Commencez par determiner les p
oles du syst`eme `a asservir,
2. Choisir les p
oles du syst`eme boucle en fonction du cahier des charges de la facon suivante :
(a) 1 paire de p
oles complexes dominants,
(b) 1 p
ole reel unique dordre ? ? en p = 1.
3. Calculez les param`etres du regulateur detat.
4. Calculez la matrice de prefiltre.
5. Tracez le schema fonctionnel du syst`eme boucle, en representant le syst`eme `a asservir par un
seul bloc.
3.6
Observateur complet
3.7
Observateur r
eduit
79
Les equations du mouvement dun avion sont particuli`erement complexes puis quil sagit de 6
equations differentielles non lineaires couplees. Moyennant certaines hypoth`eses, celles-ci peuvent
etre reduites `a des equations differentielles decouplees et linearisees. Dans cet exercice on se propose detudier un pilote automatique controlant le tangage de lavion. Attention en cas derreur, les
consequences seraient tr`es graves !
La complexite des calculs est telle que lutilisation du logiciel Matlab simpose.
4.1
Mod
elisation
q =
{[CM (CL + CD )] + [CM + CM (1 CL )] q + (CW sin(e ))e }
2iyy
= q
(10.8)
(10.9)
(10.10)
4.2
(10.11)
(10.12)
Les crit`eres de confort des passagers font apparatre le cahier des charges suivant :
depassement de moins de 10%
temps de montee de moins de 2 secondes
regime permanent en moins de 10 secondes
erreur statique de moins de 2%
4.3
(10.13)
CHAPITRE 10. TRAVAUX DIRIGES
80
R
e(t)
i(t)
L
x(t)
F = Mg
4.4
Commande du syst`
eme
Placement de p
oles
1. Determinez les p
oles complexes conjugues repondant au cahier des charges. Les autres p
oles
seront choisis tous identiques et negligeables devant les poles dominants.
2. Mettez en place ce correcteur et verifiez que le cahier des charges est bien respecte.
Commande optimale
1.
Calculez le correcteur optimal avec les matrices de ponderation suivantes : R = 1 et Q =
0 0 0
0 0 0
0 0 1
Contr
ole num
erique
Apr`es avoir determine la representation detat echantillonnee du syst`eme, reprenez les deux methodes
de correction du syst`eme precedentes et appliquez-les au cas discret.
4.5
Synth`
ese dobservateurs
Principe : Lelectro-aimant dinductance L variable est parcouru par un courant i(t) delivre par un
generateur de tension e(t) et de resistance interne R. Cet electro-aimant exerce une force dattraction
sur la bille, celle ci se rapproche de lelectro-aimant et donc linductance augmente. La loi de variation
de L est :
L0
L(x) =
x
5.1
Mod
elisation
1. A laide des equations de Lagrange, modelisez le syst`eme. Les coordonnees generalisees choisies
seront :
q1 = la charge electrique , q1 = le courant dans linductance,
q2 = la position de la bille, q2 = la vitesse de la bille
5. ASSERVISSEMENT DUNE SUSPENSION MAGNETIQUE
81
2. Ce syst`eme etant non lineaire, la premi`ere etape consiste donc `a le lineariser autour dun point
de fonctionnement par un developpement limite au premier ordre (a = a0 + a
).
Ainsi, si :
q1 = F1 (q1 , q2 , q1 , q2 , e)
alors, au point de fonctionnement
F
F
F
F
F
1
1
1
1
1
q1 +
q2 +
q1 +
q2 +
e
q
1 =
q1 E
q2 E
q1 E
q2 E
e E
3. En supposant quau point de fonctionnement la vitesse de la bille est nulle et que la tension
moyenne appliquee est e0 = Ri0 , montrez que la representation detat obtenue est :
0
1
0
0
0
q 10
0 Rq20
q2
0
0
L
q20
A=
, B =
0
0
0
0
1
Lq12
Lq10
0
0
0 2
0
3
q20 M
q20 M
5.2
Analyse du syst`
eme
5.3
Correction du syst`
eme
1. Donnez la representation detat du syst`eme sous forme diagonale, sous la forme canonique de
commandabilite, sous la forme canonique dobservabilite.
2. Afin de stabiliser le syst`eme, proposez un choix de poles en boucle fermee. Calculez le correcteur
et la matrice de prefiltre.
5.4
Observation du syst`
eme
1. Le syst`eme etant non observable, le correcteur precedent est inapplicable, proposez alors une
autre solution.
5.5
R
eduction du syst`
eme
1. A partir de la fonction de transfert, determiner une representation detat sous la forme canonique
de commandabilite du syst`eme.
2. Le mod`ele ainsi obtenu est-il stable, commandable, observable ?
5.6
Synth`
ese de la commande
CHAPITRE 10. TRAVAUX DIRIGES
82
5.7
Synth`
ese de lobservateur
Commande num
erique dun AMF
Le syst`eme se compose dun fil en Alliage `a Memoire de Forme (AMF) qui presente la propriete de
se contracter lorsquil est chauffe. Ce fil de 150m de diam`etre est relie mecaniquement `a un ressort
de traction. Le principe de chauffage est leffet Joule.
Les mod`eles, simplifies `
a lextreme sont donnes ci-apr`es.
mCp T + hS(T Ta ) = Ri2
x + bx = aT
Ta
h
L
avec : R
Cp
a
b
6.1
=
=
=
=
=
=
=
=
=
300 K
38 J m2
150.106 m
0.10 m
5
6450 kg/m3
1886 K.kg1
5.106 m.K1
0.1 s1
temperature ambiante
coefficient de convection
diam`etre du fil
longueur du fil
resistance electrique
densite volumique
chaleur specifique
Mod
elisation et analyse
6.2
Premi`
ere commande
1. Au vu des p
oles en boucle ouverte du syst`eme, proposez des poles en boucle fermee.
2. Calculez le correcteur pour obtenir le comportement dynamique souhaite, ainsi que la matrice
de prefiltre.
3. Dans quelles conditions, la matrice de prefiltre garantie-t-elle une erreur statique nulle ?
6.3
Am
elioration de la commande
Afin de garantir une erreur statique nulle, y compris en cas de variation de la temperature ambiante,
introduisons un integrateur pur dans le syst`eme en amont du point dapplication des perturbations.
1. Determinez la nouvelle representation detat en z du syst`eme.
2. Calculez un correcteur pour ce nouveau syst`eme, presentant approximativement les memes
caracteristiques que le precedent.
6.4
Synth`
ese de lobservateur
83
N
yc +
+ u
+
A
L
regulateur
6.5
Cr
eation du code C
1. Donnez la fonction de commande du syst`eme precedent dont la definition est donnee ci-apr`es.
Nous supposerons que la mise `
a jour des tableaux est faite par ailleurs. Ainsi, `a linstant k, la
sortie du syst`eme de linstant k 1 est stockee dans sortie[0], y(k 2) est dans sortie[1] ...
float regulateur(float* commande, float* sortie)
{
return(commande)
}
6.6
1. La mise en place du code precedent montre que le temps de calcul est grand par rapport `
a
la periode dechantillonnage, lhypoth`ese de simultaneite temporelle de lechantillonnage et de
lenvoi de la commande est donc fausse.
Afin de prendre en compte ce phenom`ene, introduisez un retard pur (z 1 ) dans le syst`eme.
2. Reprenez la conception du correcteur et de lobservateur dordre reduit.
CHAPITRE 10. TRAVAUX DIRIGES
84
7.1
Mod
elisation
M
masse de la bille
0.11kg
R
rayon de la bille
0.015 m
d
rayon du reducteur
0.03 m
g
acceleration terrestre
9.8 m/s2
L
longueur du rail
1.0 m
J
moment dinertie de la bille 1e 5 kg.m2
r
position de la bille
m
angle du rail
rad.
angle du servomoteur
rad.
1. Avec les hypoth`eses suivantes :
la commande u du syst`eme commande directement lacceleration su servomoteur u =
,
langle est faible, on consid`ere que sin = 0,
montrez que la representation detat est de la forme :
0 1
r
0 0
r
=
0 0
0 r
mg
0
J
r
+m
R2
0
0
0
0
r
r
y = (1, 0, 0, 0)
0
0
+ u
0
1
(10.14)
(10.15)
7.2
Analyse
7.3
Commande
7.4
Observation
8
8.1
angle du pendule
0.5 kg
0.5kg
0.1N.m1 .s
0.3 m
0.006 kg*m2
N
m
rad.
AVEC MATLAB
8. PENDULE INVERSE : TRAITE
85
CHAPITRE 10. TRAVAUX DIRIGES
86
8.2
Analyse
8.3
Commande
1. Calculer un regulateur par la methode du placement de poles qui respecte le cahier des charges
suivant :
100 0 0
0 0 0
R = 5000, Q =
0 0 100
0 0 0
0
0
0
0
Exercices divers
9.1
Placement de p
oles
1 + 2p
(p 1)((p + 1)2 + 2)
9.2
Passage de l
equation r
ecurrente - repr
esentation d
etat - fonction de transfert
(10.16)
x2 (k + 1) = x3 (k),
(10.17)
(10.18)
(10.19)
1. Determinez directement la representation detat du syst`eme decrit par les equation recurrentes
precedentes.
2. Calculez la fonction de transfert du syst`eme.
Premi`
ere partie
Annexes
87
Annexe A
89
R. E. KALMAN
Research Institute for Advanced Study,2
Baltimore, Md.
Introduction
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
Notation Conventions
Throughout the paper, we shall deal mainly with discrete (or
sampled) dynamic systems; in other words, signals will be observed at equally spaced points in time (sampling instants). By
suitable choice of the time scale, the constant intervals between
successive sampling instants (sampling periods) may be chosen as
unity. Thus variables referring to time, such as t, t0, , T will
always be integers. The restriction to discrete dynamic systems is
not at all essential (at least from the engineering point of view);
by using the discreteness, however, we can keep the mathematics
rigorous and yet elementary. Vectors will be denoted by small
bold-face letters: a, b, ..., u, x, y, ... A vector or more precisely an
n-vector is a set of n numbers x1, ... xn; the xi are the co-ordinates
or components of the vector x.
Matrices will be denoted by capital bold-face letters: A, B, Q,
, , ; they are m n arrays of elements aij, bij, qij,... The
transpose (interchanging rows and columns) of a matrix will be
denoted by the prime. In manipulating formulas, it will be
convenient to regard a vector as a matrix with a single column.
Using the conventional definition of matrix multiplication, we
write the scalar product of two n-vectors x, y as
n
x'y = xi yi = y'x
i =1
x'Qx =
xi qij x j
i , j =1
t
t0
x1(t), x2(t)
y(t)
x1*(t1|t)
L
Orthogonal Projections
Y(t)
x (t1|t)
~
x (t1|t)
(t + 1; t)
Q(t)
transition matrix
covariance of random excitation
x(t)
y(t)
Y(t)
Z(t)
x*(t1|t)
~
x (t1|t)
Optimal Estimates
To have a concrete description or the type of problems to be
studied, consider the following situation. We are given signal
x1(t) and noise x2(t). Only the sum y(t) = x1(t) + x2(t) can be observed. Suppose we have observed and know exactly the values
of y(t0), ..., y(t). What can we infer from this knowledge in regard
to the (unobservable) value of the signal at t = t1, where t1 may be
less than, equal to, or greater than t? If t1 < t, this is a datasmoothing (interpolation) problem. If t1 = t, this is called
filtering. If t1 > t, we have a prediction problem. Since our treatment will be general enough to include these and similar
problems, we shall use hereafter the collective term estimation.
As was pointed out by Wiener [1], the natural setting of the
estimation problem belongs to the realm of probability theory and
statistics. Thus signal, noise, and their sum will be random
variables, and consequently they may be regarded as random
processes. From the probabilistic description of the random
processes we can determine the probability with which a particular sample of the signal and noise will occur. For any given
set of measured values (t0), ..., (t) of the random variable y(t)
one can then also determine, in principle, the probability of
simultaneous occurrence of various values 1(t) of the random
variable x1(t1). This is the conditional probability distribution
function
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
(1)
Evidently, F(1) represents all the information which the measurement of the random variables y(t0), ..., y(t) has conveyed about
the random variable x1(t1). Any statistical estimate of the random
variable x1(t1) will be some function of this distribution and
therefore a (nonrandom) function of the random variables y(t0), ...,
y(t). This statistical estimate is denoted by X1(t1|t), or by just X1(t1)
or X1 when the set of observed random variables or the time at
which the estimate is required are clear from context.
Suppose now that X1 is given as a fixed function of the random
variables y(t0), ..., y(t). Then X1 is itself a random variable and its
actual value is known whenever the actual values of y(t0), ..., y(t)
are known. In general, the actual value of X1(t1) will be different
from the (unknown) actual value of x1(t1). To arrive at a rational
way of determining X1, it is natural to assign a penalty or loss for
incorrect estimates. Clearly, the loss should be a (i) positive, (ii)
nondecreasing function of the estimation error = x1(t1) X1(t1).
Thus we define a loss function by
L(0) = 0
L(2) L(1) 0
when
2 1 0
(2)
L() = L()
Some common examples of loss functions are: L() = a2, a4,
a||, a[1 exp(2)], etc., where a is a positive constant.
One (but by no means the only) natural way of choosing the
random variable X1 is to require that this choice should minimize
the average loss or risk
E{L[x1(t1) X1(t1)]} = E[E{L[x(t1) X1(t1)]|y(t0), , y(t)}] (3)
Since the first expectation on the right-hand side of (3) does not
depend on the choice of X1 but only on y(t0), ..., y(t), it is clear that
minimizing (3) is equivalent to minimizing
E{L[x1(t1) X1(t1)]|y(t0), ..., y(t)}
(4)
(5)
Theorem l-a. If L() = 2, then Theorem 1 is true without assumptions (A) and (B).
Proof: Expand the conditional expectation (4):
Orthogonal Projections
The explicit calculation of the optimal estimate as a function of
the observed variables is, in general, impossible. There is an
important exception: The processes {x1(t)}, {x2(t)} are gaussian.
On the other hand, if we attempt to get an optimal estimate
under the restriction L() = 2 and the additional requirement that
the estimate be a linear function of the observed random
variables, we get an estimate which is identical with the optimal
estimate in the gaussian case, without the assumption of linearity
or quadratic loss function. This shows that results obtainable by
linear estimation can be bettered by nonlinear estimation only
when (i) the random processes are nongaussian and even then (in
view of Theorem 5, (C)) only (ii) by considering at least thirdorder probability distribution functions.
In the special cases just mentioned, the explicit solution of the
estimation problem is most easily understood with the help of a
geometric picture. This is the subject of the present section.
Consider the (real-valued) random variables y(t0), , y(t). The
set of all linear combinations of these random variables with real
coefficients
t
ai y(i)
(6)
i =t0
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
Given any two vectors u, v in Y(t) (i.e., random variables expressible in the form (6)), we say that u and v are orthogonal if
Euv = 0. Using the Schmidt orthogonalization procedure, as described for instance by Doob [15], p. 151, or by Love [16], p.
459, it is easy to select an orthonormal basis in Y(t). By this is
meant a set of vectors et0, , et in Y(t) such that any vector in
Y(t) can be expressed as a unique linear combination of et0, , et
and
Eeiej = i j = 1 if i = j
(7)
(i, j = t0, , t)
= 0 if i j
Thus any vector x in Y(t). is given by
t
x = ai ei
i = t0
Exe j = E ai ei e j = ai Eei e j = ai ij = a j
(8)
i =t
i =t0
i =t0
0
x = x + x~ = ( Exei )ei + ~
x
(9)
i =t0
= E[ ~
x (t1|t)|y(t0), , y(t)]
= E[x (t1) x (t1|t)|y(t0), , y(t)]
= E[x (t1)|y(t0), , y(t)] x (t1|t) = 0
Now the co-ordinates of x with respect to the basis et0, , et, are
given either in the form Exei (as in (8)) or in the form Exei (as in
(9)). Since the co-ordinates are unique, Exei = Exei (i = t0, ..., t);
hence E~
x ei = 0 and ~
x is orthogonal to every base vector ei; and
therefore to Y(t). We call x the orthogonal projection of x on
Y(t).
There is another way in which the orthogonal projection can be
characterized: x is that vector in Y(t) (i.e., that linear function of
the random variables y(t0), ..., y(t)) which minimizes the quadratic loss function. In fact, if w is any other vector in Y(t), we
have
E( x w ) 2 = E( ~
x + x w ) 2 = E[( x x ) + ( x w )]2
aij y j (i)
Since ~
x is orthogonal to every vector in Y(t) and in particular
to x w we have
E( x w ) 2 = E( x x )2 + E( x w ) 2 E( x x ) 2
(10)
i =t 0
j =1
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
(12)
u(t)
D(t)
x(t)
x(t)
y(t)
M(t)
(13)
and
(1) =
u(t)
(t)
x(t + 1)
1
0
exp F d D
x(t)
unit
delay
y(t)
M(t)
(t + 1; t)
See Fig. 2. One could also express exp F in closed form using
Laplace transform methods [18, 20, 22, 24]. If u(t) satisfies (13)
but the system (12) is nonstationary, we can write analogously
x(t + 1) = (t + 1; t) + (t)u(t)
y(t) = M(t)x(t)
t = 0, 1,
but of course now (t + 1; t), (t) cannot be expressed in general in closed form. Equations of type (14) are encountered frequently also in the study of complicated sampled-data systems
[22]. See Fig. 2
(t + 1; t) is the transition matrix of the system (12) or (14).
The notation (t2; t1) (t2, t1 = integers) indicates transition from
time t1 to time t2. Evidently (t; t) = I = unit matrix. If the system
(12) is stationary then (t + 1; t) = (t + 1 t) = (1) = const.
Note also the product rule: (t; s)(s; r) = (t; r) and the inverse
rule 1(t; s) = (s; t), where t, s, r are integers. In a stationary
system, (t; ) = exp F(t ).
As a result of the preceding discussion, we shall represent random phenomena by the model
x(t + 1) = (t + 1; t)x(t) + u(t)
F (t)
(14)
(15)
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
t 1
x(t) =
(t; r + 1)u(r).
r =
Therefore if t s we have
s1
Ex(t)x'(s) =
r =
(19)
(16)
y(t) = M(t)x(t)
(17)
where u(t) is an independent gaussian random process of nvectors with zero mean, x(t) is an n-vector, y(t) is a p-vector (p
n), (t + 1; t), M(t) are n n, resp. p n, matrices whose
elements are nonrandom functions of time.
Given the observed values of y(t0), ..., y(t) find an estimate
x*(t1|t) of x(t1) which minimizes the expected loss. (See Fig. 2,
where (t) = I.)
This problem includes as a special case the problems of filtering, prediction, and data smoothing mentioned earlier. It includes also the problem of reconstructing all the state variables of
a linear dynamic system from noisy observations of some of the
state variables (p < n!).
From Theorem 2-a we know that the solution of Problem I is
simply the orthogonal projection of x(t1) on the linear manifold
Y(t) generated by the observed random variables. As remarked in
the Introduction, this is to be accomplished by means of a linear
(not necessarily stationary!) dynamic system of the general form
(14). With this in mind, we proceed as follows.
Assume that y(t0), ..., y(t 1) have been measured, i.e., that Y(t
1) is known. Next, at time t, the random variable y(t) is
~
measured. As before let y (t|t 1) be the component of y(t)
~
(t|t 1) 0, which means that the
orthogonal to Y(t 1). If y
values of all components of this random vector are zero for almost
every possible event, then Y(t) is obviously the same as Y(t 1)
and therefore the measurement of y(t) does not convey any additional information. This is not likely to happen in a physically
~
meaningful situation. In any case, y (t|t 1) generates a linear
(21)
*(t + 1; t) = (t + 1; t) *(t)M(t)
(22)
where
~
y (t|t 1)
MODEL
x*(t|t 1)
y(t)
*(t)
OF
unit
delay
RANDOM
PROCESS
x*(t + 1|t)
y (t|t 1)
M(t)
(t + 1; t)
x*(t + 1|t 1)
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
~
= *(t + 1; t) x (t|t 1) + u(t)
(23)
(24)
(s 1)
If s < 0, the results are similar, but x*(t s|t) will have (1
s)(n p) co-ordinates.
The results of this section may be summarized as follows:
Theorem 3. (Solution of the Wiener Problem)
Consider Problem I. The optimal estimate x*(t + 1|t) of x(t +
1) given y(t0), ..., y(t) is generated by the linear dynamic system
x*(t + 1|t) = *(t + 1; t)x*(t|t 1) + *(t)y(t)
(21)
(23)
~
x (t + 1)|Z(t)) = x(t + 1) E [x(t + 1)|Z(t)]
~
is orthogonal to y
(t |t 1), it follows that by (19) that
~
~
0 = E[x(t + 1) *(t) y (t|t 1)] y '(t|t 1)
~
~
~
= Ex(t + 1) y '(t|t 1) *(t)E y (t|t 1) y '(t|t 1).
(26)
t)P*(t)M'(t)[M(t)P*(t)M'(t)]1
+ (t + s; t + r)u(t + r)
r1
(s 1)
Ex~i 2 (t | t 1)
= trace P*(t)
(27)
i =1
*(t + 1; t) = (t + 1; t) *(t)M(t)
tt
P*(t + 1) = *(t + 1; t)P*(t)'(t + 1; t)
+ Q(t)
(28)
(29)
0
(30)
= (t + s; t + 1)*(t + 1; t)(t; t + s 1)
x*(t + s 1|t 1)
+ (t + s; t + 1)*(t)y(t)
(31)
so that the estimate x*(t + s|t) (s 0) is also given by a linear dynamic system of the type (21).
Remarks. (h) Eliminating * and * from (2830), a nonlinear
difference equation is obtained for P*(t):
P*(t + 1) = (t + 1; t){P*(t) P*(t)M'(t)[M(t)P*(t)M'(t)]1
P*(t)M(t)}'(t + 1; t) + Q(t)
t t0
(32)
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
V[x(t)] =
*(t + 1; t)x(t)
x(t + 1) =
and the minimum performance index at time t is given by
V*[x(t)] = x'(t)P*(t 1)x(t)
*(t + 1; t), P *(t) are determined by
The matrices *(t),
the recursion relations:
'(t) P *(t) M
(t)]1 M
'(t) P *(t)
(t + 1; t)
*(t) = [M
(35)
*(t + 1; t) =
(t + 1; t) M (t) *(t)
(36)
tT
'(t + 1; t) P *(t)
*(t + 1; t)
P *(t 1) =
(t)
(37)
+ Q
(T + 1).
Initially we must set P *(T) = Q
PHYSICAL
u*(t)
BE
CONTROLLED
x(t)
M (t)
unit
delay
*(t)
(t + 1; t)
1
2
3
4
5
=t
Under optimal control as given by (34), the closed-loop equations for the system are (see Fig. 4)
TO
x(t + 1)
x'()Q()x()
SYSTEM
6
7
8
9
Problem II
Remarks. (n) The mathematical significance of the duality between Problem I and Problem II is that both problems reduce to
the solution of the Wiener-Hopf-like equation (32).
(o) The physical significance of the duality is intriguing. Why
are observations and control dual quantities?
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
Recent research [29] has shown that the essence of the Duality
Theorem lies in the duality of constraints at the output (repre (t) in Problem I) and constraints at the
sented by the matrix M
(t) in Problem II).
input (represented by the matrix M
(p) Applications of Wiener's methods to the solution of noisefree regulator problem have been known for a long time; see the
recent textbook of Newton, Gould, and Kaiser [27]. However, the
connections between the two problems, and in particular the
duality, have apparently never been stated precisely before.
(q) The duality theorem offers a powerful tool for developing
more deeply the theory (as opposed to the computation) of Wiener
filters, as mentioned in Remark (i). This will be published
elsewhere [29].
Applications
The power of the new approach to the Wiener problem, as expressed by Theorem 3, is most obvious when the data of the
problem are given in numerical form. In that case, one simply
performs the numerical computations required by (2830). Resuits of such calculations, in some cases of practical engineering
interest, will be published elsewhere.
When the answers are desired in closed analytic form, the iterations (2830) may lead to very unwieldy expressions. In a few
cases, * and * can be put into closed form. Without discussing here how (if at all) such closed forms can be obtained, we
now give two examples indicative of the type of results to be expected.
Example 1. Consider the problem mentioned under Optimal
Estimates. Let x1(t) be the signal and x2(t) the noise. We assume
the model:
0
[1 C(t )] 0
*(t + 1; t) = 11
0
0
a 2 + 112 b 2C(t ) 0
P*(t + 1) =
0
b 2
where
C(t + 1) = 1
b2
a + b + 11 b 2C(t )
2
t0
to the measurement y1(t) ; this is what one would expect when the
measured data are very noisy.
In any case, x2*(t|t 1) = 0 at all times; one cannot predict
independent noise! This means that *12 can be set equal to zero.
The optimal predictor is a first-order dynamic system. See
Remark (j).
To find the stationary Wiener filter, let t = on both sides of
(38), solve the resulting quadratic equation in C(), etc.
Example 2. A number or particles leave the origin at time t0 = 0
with random velocities; after t = 0, each particle moves with a
constant (unknown) velocity. Suppose that the position of one of
these particles is measured, the data being contaminated by
stationary, additive, correlated noise. What is the optimal estimate
of the position and velocity of the particle at the time of the last
measurement?
Let x1(t) be the position and x2(t) the velocity of the particle;
x3(t) is the noise. The problem is then represented by the model,
x1(t + 1) = x1(t) + x2(t)
x2(t + 1) = x2(t)
x3(t + 1) = 33(t + 1; t)x3(t) + u3(t)
y1(t) = x1(t) + x3(t)
and the additional conditions
1 t1 = t; t0 = 0
2 Ex12(0) = Ex2(0) = 0, Ex22(0) = a2 > 0;
3 Eu3(t) = 0, Eu32(t) = b2.
4 33(t + 1; t) = 33 = const.
According to Theorem 3, x*(t|t) is calculated using the
dynamic system (31).
First we solve the problem of predicting the position and velocity of the particle one step ahead. Simple considerations show
that
a 2 a 2 0
0
P*(1) = a 2 a 2 0 and *(0) = 0
2
0 0 b
1
t2
t
33t (t 1)
t
1
33 (t 1)
t (t 1) (t 1) 2 (t 1) 2 + C (t 1)
33
33
1
33
is the correct expression for the covariance matrix of the predic~
tion error x (t|t 1) for all t 1, provided that we define
C1(0) = b2/a2
C1(t) = C1(t 1) + [t 33(t 1)]2, t 1
(38)
Since it was assumed that x1(0) = 0, neither x1(1) nor x2(1) can
be predicted from the measurement of y1(0). Hence the measurement at time t = 0 is useless, which shows that we should set
C(0) = 0. This fact, with the iterations (38), completely determines the function C(t). The nonlinear difference equation (38)
plays the role of the Wiener-Hopf equation.
If b2/a2 <<1, then C(t) 1 which is essentially pure prediction.
If b2/a2 >>1, then C(t) 0, and we depend mainly on x1*(t|t 1)
for the estimation of x1*(t +1|t) and assign only very small weight
C2(0) = 0
C2(t) = t 33(t 1), t 1
and observing that
~
cov x (t + 1|t) = P*(t + 1)
~
= (t + 1; t)[cov x (t|t)]'(t + 1; t) + Q(t)
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
tC2 (t )
1
C2 ( t )
C1 (t )
C1 (t ) tC2 (t )
C1 (t ) tC3 (t ) 33tC2 (t )
C1 (t ) tC2 (t )
1
C
t
C1 (t ) C2 (t )
(
)
33C2 (t )
2
C1 (t )
C1 (t ) + tC2 (t ) C1 (t ) + tC2 (t ) + 33tC2 (t )
and
t2
2
b
~
~
~
cov x (t|t) = E x (t|t) x '(t|t) =
t
C1 (t ) 2
t
t2
1 t
t t2
dC1(t)/dt C22(t)
(t >> 1)
(39)
1 0 and 1* 0
1* 0
1 1 0
1
(t >> 1)
(t >> 1)
One would of course expect something like this since the problem is analogous to fitting a straight line to an increasing number
of points.
As a second check on the reasonableness of the results given,
observe that the case t >> 1 is essentially the same as prediction
based on continuous observations. Setting 33 = 0, we have
E x~1 (t | t )
2
a2b2t 2
b + a2t 3 / 3
2
(t >> 1; 33 = 0)
Conclusions
This paper formulates and solves the Wiener problem from the
state point of view. On the one hand, this leads to a very general treatment including cases which cause difficulties when attacked by other methods. On the other hand, the Wiener problem
is shown to be closely connected with other problems in the
theory of control. Much remains to be done to exploit these
connections.
References
1 N. Wiener, The Extrapolation, Interpolation and Smoothing of
Stationary Time Series, John Wiley & Sons, Inc., New York, N.Y.,
1949.
2 L. A. Zadeh and J. R. Ragazzini, An Extension of Wiener's Theory
of Prediction, Journal of Applied Physics, vol. 21, 1950, pp. 645655.
3 H. W. Bode and C. E. Shannon, A Simplified Derivation of Linear
Least-Squares Smoothing and Prediction Theory, Proceedinqs IRE, vol.
38, 1950, pp. 417425.
4 R. C. Booton, An Optimization Theory for Time-Varying Linear
Systems With Nonstationary Statistical Inputs, Proceedings IRE, vol. 40,
1952, pp. 977981.
5 J. H. Laning and R. H. Battin, Random Processes in Automatic
Control, McGraw-Hill Book Company, Inc., New York, N. Y., 1956.
6 W. B. Davenport, Jr., and W. L. Root, An Introduction to the
Theory of Random Signals and Noise, McGraw-Hill Book Company,
Inc., New York, N. Y., 1958.
7 S. Darlington, Linear Least-Squares Smoothing and Prediction,
With Applications, Bell System Tech. Journal, vol. 37, 1958, pp.1221
1294.
8 G. Franklin, The Optimum Synthesis of Sampled-Data Systems
Doctoral dissertation, Dept. of Elect. Engr., Columbia University, 1955.
9 A. B. Lees, Interpolation and Extrapolation of Sampled Data,
Trans. IRE Prof. Grou.p on Information Theory, IT-2, 1956, pp. 173175.
10 R. C. Davis. On the Theory of Prediction of Nonstationary
Stochastic Processes, Journal of Applied Physics, vol. 23. 1952, pp.
10471053.
11 M. Shinbrot, Optimization of Tirne-Varying Linear Systems With
Nonstationary Inputs, TRANS. ASME, vol. 80, 1958. pp. 457462.
12 M. Blum, Recursion Formulas for Growing Memory Digital
Filters, Trans. IRE Prof. Group on Information Theory. IT-4. 1958, pp.
2430.
13 V. S. Pugachev, The Use of Canonical Expansions of Random
Functions in Determining an Optimum Linear System, Automatics and
Remote Control (USSR), vol. 17, 1956, pp. 489499; translation pp. 545
556.
14 V. V. Solodovnikov and A. M. Batkov. On the Theory of SelfOptimizing Systems (in German and Russian), Proc. Heidelberg
Conference on Automatic Control, 1956. pp. 308323.
15 J. L. Doob, Stochastic Processes, John Wiley & Sons, Inc., New
York, N. Y., 1955.
16 M. Love, Probability Theory, Van Nostrand Company, Inc.,
New York, N. Y., 1955.
17 R. E. Bellman, I. Glicksberg, and 0. A. Gross, Some Aspects of
the Mathematical Theory of Control Processes, RAND Report R-313,
1958, 244 pp.
18 R. E. Kalman and R. W. Koepcke, Optimal Synthesis of Linear
Sampling Control Systems Using Generalized Performance Indexes,
TRANS. ASME, vol. 80, 1958, pp. 18201826.
19 J. E. Bertram, Effect of Quantization in Sampled-Feedback
Systems, Trans. AlEE, vol. 77, II, 1958, pp. 177182.
20 R. E. Kalman and J. E. Bertram, General Synthesis Procedure for
Computer Control of Single and Multi-Loop Linear Systems Trans.
AlEE, vol. 77, II, 1958, pp. 602609.
21 C. W. Merriam, III, A Class of Optimum Control Systems,
Journal of the Franklin Institute, vol. 267, 1959, pp. 267281.
22 R. E. Kalman and J. E. Bertram, A Unified Approach to the
Theory of Sampling Systems, Journal of the Franklin Institute, vol. 267,
1959, pp. 405436.
23 R. E. Kalman and R. W. Koepcke, The Role of Digital Computers in the Dynamic Optimization of Chemical Reactors, Proc.
Western Joint Computer Conference, 1959, pp. 107116.
24 R. E. Kalman, Dynamic Optimization of Linear Control Systems, I. Theory, to appear.
25 S. Sherman, Non-Mean-Square Error Criteria, Trans. IRE Prof.
Group on Information Theory, IT-4, 1958, pp. 125126.
26 V. S. Pugachev, On a Possible General Solution of the Problem of
Determining Optimum Dynamic Systems, Automatics and Remote
Control (USSR), vol. 17, 1956, pp. 585589.
27 G. C. Newton, Jr., L. A. Gould, and J. F. Kaiser, Analytical
Design of Linear Feedback Controls, John Wiley & Sons, Inc., New
York, N. Y., 1957.
28 0. J. M. Smith, Feedback Control Systems, McGraw-Hill Book
Company, Inc., New York, N. Y., 1958.
29 R. E. Kalman, On the General Theory of Control Systems,
Proceedings First International Conference on Automatic Control,
Moscow, USSR, 1960.
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
APPENDIX
RANDOM PROCESSES: BASIC CONCEPTS
For convenience of the reader, we review here some elementary
definitions and facts about probability and random processes.
Everything is presented with the utmost possible simplicity; for
greater depth and breadth, consult Laning and Battin [5] or Doob
[15].
A random variable is a function whose values depend on the
outcome of a chance event. The values of a random variable may
be any convenient mathematical entities; real or complex
numbers, vectors, etc. For simplicity, we shall consider here only
real-valued random variables, but this is no real restriction.
Random variables will be denoted by x, y, ... and their values by ,
, . Sums, products, and functions of random variables are also
random variables.
A random variable x can be explicitly defined by stating the
probability that x is less than or equal to some real constant .
This is expressed symbolically by writing
(40)
(41)
(44)
(t s)
If, furthermore,
Theorem 5. (A) Linear functions (and therefore conditional expectations) on a gaussian random process are gaussian random
variables.
Ex(t)x(s) = 0
(t s)
Transactions of the ASMEJournal of Basic Engineering, 82 (Series D): 35-45. Copyright 1960 by ASME
Pierre NASLIN
Ancien professeur dautomatique lcole Suprieure dlectricit
et lcole Nationale Suprieure de lArmement
Prsident de la Commission Matriaux et Mcanique du CNISF
1.
2.
2.1
2.2
2.3
2.4
R 7 407 - 2
3
3
3
4
4
3.
4.
5.
Conclusion .................................................................................................
dy
d y
dx
d x
- = b 0 x + b 1 ------- + ... + b M ----------a 0 y + a 1 ------- + ... + a N ---------N
M
dt
dt
dt
dt
(A)
b 0 + b 1 p + ... + b M p
y
W ( p ) = --- = --------------------------------------------------------N
x
a 0 + a 1 p + ... + a N p
(B)
(C)
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
R 7 407 1
_________________________________________________________________________________________________________
1. Polynmes normaux
amortissement rglable
a 0
W 0 ( p ) = ----------------------------------------2
a0 + a1 p + a2 p
(1)
avec
facteur damortissement.
(3)
a 0
W 1 ( p ) = ------------------------------------------------------------------------2
N
a 0 + a 1 p + a 2 p + ... + a N p
R 7 407 2
(5)
a0
a1
an
0 = ------ , 1 = ------ , ..., n = ------------ ,...
a1
a2
a n +1
(6)
1
2
n
1 = ------, 2 = ------, ..., n = ------------ ,...
0
1
n 1
(7)
On a en effet :
(2)
2
a1
a 0 0 a 0
W 0 ( p ) = ------------------------------------------2
2
0 + 2 0 p + p
a1
a2
an
1 = ------------, 2 = ------------, ..., n = -----------------------,...
a0 a2
a1 a3
a n 1 a n +1
(4)
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
a0
lg
a1
a22
a33
lg (D %) = 4,8 2
(10)
1,5
= 1,75
h (t )
n=8
1
n=5 6
0,5
n=3
4
0
0
0t
Si lon se donne la premire pulsation caractristique 0 , les suivantes sobtiennent par multiplications successives par :
0, 0, 2 0, 3 0, ...
1,5
= 1,65
1,8
h (t )
2,5
= 2,5
0 ;
0 ;
an =
n ( n 1 )
----------------------2
2,3
1,65
0,5
1,8
2
0 ; 1
n = n 0
2,3
1, 0 ; 0 ; 0 ; 0 ; ...
0 ;
N>3
0t
(8)
n
(9)
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
R 7 407 3
_________________________________________________________________________________________________________
Le tableau 1 donne les rsultats obtenus pour quatre valeurs typiques de , ainsi que les valeurs du facteur damortissement donnant les mmes dpassements pour un systme du second ordre.
On voit que les valeurs couramment utilises, avec un numrateur
constant de la transmittance, seront comprises entre 1,7 et 2. Nous
verrons plus loin que la prsence dun numrateur diffrant dune
constante peut conduire adopter des valeurs plus leves. Dautre
part, on ne donnera jamais une valeur infrieure 1,6 ; la valeur
de pour laquelle le systme devient instable dpend de N, mais est
toujours voisin de 1,5.
Le temps de monte de la rponse indicielle (figure 4) est donn
par :
tm = 2,2/ 0
(11)
La formule suivante donne sa pente maximale E :
a
100 + D
E = 0,8 -----0- 0 -------------------a0
100
(12)
a0 p
W 2 ( p ) = ---------------------------------------------------2
a 0 + a 1 p + a 2 p + ...
(13)
4E
-----t
m
= 2 0 E
(14)
D
(%)
1,6
40
0,3
1,75
20
0,45
0,7
2,4
0,9
a 0 p
W 3 ( p ) = ---------------------------------------------------2
a 0 + a 1 p + a 2 p + ...
(15)
D (%)
0tm
0t
R 7 407 4
a 0 + a 1 p
W 4 ( p ) = ---------------------------------------------------2
a 0 + a 1 p + a 2 p + ...
a
avec -----0- = 0 .
a 1
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
(16)
h (t )
0
c = 1,5 + 4 ------ ( 1,5 )
0
(22)
3 0
c = 1,5 + 16 -------- ( 1,5 )
02
0
e = 1,5 + ---------- ( 1,5 )
4 0
(17)
1
1
1
--------- = ------ --------- 0c
0 2 0
(18)
3. Application
lasservissement
en cap dun missile
On peut illustrer ces considrations au moyen dun exemple trs
simplifi, mais cependant reprsentatif. Il sagit de lasservissement
en cap dun vhicule arien, tel un missile asservi par ailleurs voler
altitude constante (figure 6).
Sans recourir aux quations de la mcanique du vol, un raisonnement intuitif permet dobtenir une forme simplifie de la transmittance dun tel systme.
a 0 + a 1 p + a 2 p
W 5 ( p ) = ----------------------------------------------------------------------2
3
a 0 + a 1 p + a 2 p + a 3 p + ...
(23)
(19)
a
avec : 02 = -----0a 2
et
Cap
a 12
2
4 = ----------a 0 a 2
Direction
de rfrence
(20)
1
1
1
--------- = ------ ----- 0c
0 0
(21)
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
R 7 407 5
_________________________________________________________________________________________________________
Do les valeurs de A, B et C :
A = 8000
B = 799
C = 40
Si lon change brusquement la valeur de , s rejoindra sa nouvelle valeur de rgime en oscillant plus ou moins, par suite des
effets combins de linertie du missile et de la force de rappel de
lempennage de direction.
ai :
1
p(1 + p )
-------------- = 1 + ------------------------W(p)
R(p)
On voit que R(p ) doit tre un trinme, afin dintroduire les deux
termes manquants, le terme constant et le terme en p2. Soit donc :
R(p ) = A + Bp + Cp2
Le polynme caractristique scrit :
A + (B + 1)p + Cp2 + p3
Faisons 0 = 10 et = 2. Les trois pulsations caractristiques sont
donc :
0 = 10
1 = 2 0 = 20
2 = 21 = 40
et les coefficients du polynme caractristique se calculent en
commenant par le dernier :
a3 = 1 ; a2 = 40a3 = 40
a1 = 20a2 = 800
a0 = 10a1 = 8000
R (p)
1
1 + p2
s'
1
p
--1
R 7 407 6
B+1
10
8000
20
800
40
40
ai :
ai :
i :
B+1
i :
1,25
ai : 15,625
C + 0,1
2,5
12,5
0,1
10
0,1
15,6 + 11,5 p + 5 p
R ( p ) = ------------------------------------------------2
1 + 0,06 p
qui reprsente la transmittance dun filtre passe-haut ou davance
de phase.
A + Bp + Cp 2
1
1 + 0,1 p
1
1 + p2
s'
1
p
--1
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
On trouve alors, pour les coefficients du polynme caractristique, les pulsations et les rapports caractristiques, les valeurs
suivantes :
ai : 15,6
i :
11,5
5,12
1,0156
i :
1,91
2,15
0,22036
10
1,95
0,01236
18,1
1,81
0,00036
34,3
1,89
4. Application la synthse
dun correcteur PID
Soit la boucle de la figure 10, dont le systme rgl du 4e ordre
comporte quatre constantes de temps gales de valeur 1 et un rgulateur action proportionnelle, par intgration et par drivation (PID).
Il sagit de trouver les valeurs des trois paramtres de rgulation
K, a et b. La transmittance inverse en boucle ferme scrit :
Ces valeurs sont tout fait convenables, compte tenu des tolrances sur les valeurs des rapports caractristiques.
On remarquera que le numrateur de R (p ) se retrouve au numrateur de W (p ), ce qui tend en particulier augmenter le dpassement de la rponse indicielle. On peut viter cet inconvnient en
adoptant la structure raction secondaire de la figure 9. En dsignant par W2(p ) la transmittance de la boucle secondaire, on a en
effet :
p 1
p
2
2
1
------- = 1 + ---- -------- = 1 + ---- [ B + Cp + ( 1 + p ) ( 1 + 0,1 p ) ]
A W2
A
W
de sorte que le polynme caractristique est le mme que pour la
figure 8 et que le numrateur de W (p ) se rduit la constante A.
De plus, cette structure est physiquement ralisable, car on sait
mesurer la vitesse angulaire au moyen dun gyromtre et lacclration (terme Cp ) au moyen dun acclromtre.
Comme le numrateur de W (p ) se rduit maintenant une constante, on peut donner une valeur plus faible, par exemple 1,75,
pour un mme dpassement de la rponse indicielle. Le calcul des
paramtres de rgulation se prsente alors comme suit :
ai :
i :
ai :
B+1
1,86
34,6
18,6
C + 0,1
3,26
1
5,71
5,71
10
0,1
s'
1
(1 + 0,1 p) (1 + p 2)
K+1
0,187
0,32
b+4
1,69
0,375
0,75
4,5
1,5
1
4
0,1
K
p(1 + p)
----- = 1 + ----------------------------------2
y
a + Kp + bp
1
p
x
p ( 1 + 0,125 p ) ( 1 + p )
----- = 1 + ---------------------------------------------------------2
y
a + Kp + bp
Do les coefficients de lquation caractristique, qui sont maintenant au nombre de 7 et dterminent les trois dernires pulsations
caractristiques. Un calcul analogue au prcdent donne les valeurs
dgrades a = 0,25 ; K = 0,5 et b = 0,3.
Le calcul des paramtres peut tre prsent sous la forme rsume suivante :
K+1
0,17
0,25
1,5
b + 4,125
0,34
6,5
4,75
1,5
4,42
6,5
4,75
0,125
12
1,5
0,125
--(B + Cp)
--1
Le numrateur de la transmittance en boucle ferme se rduit
une constante
Figure 9 Ralisation du systme de la figure 8 au moyen
dune chane de raction secondaire contenant un gyromtre
et un acclromtre
K + a + bp
p
1
(1 + p )4
--1
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle
R 7 407 7
_________________________________________________________________________________________________________
a + Kp + bp
p (1 + Tp)
1
(1 + p )4
= 2 , aN = 1 et a0 = 1/
constitue une transmittance peu prs optimale vis--vis de la fonction de cot :
--1
On note que les deux derniers rapports caractristiques, imposes par le systme, dont donnes par :
12/3,16 = 3,8
et par :
3,16/1,37 = 2,3
Q =
N 2
2
x i + u dt
1
>2
si
p --1
5. Conclusion
p --1
x5
p --1
x4
p --1
x3
p --1
x2
x1
p --1
x5
p --1
x4
p --1
x3
p --1
x2
p --1
x1
--a4
--a3
--a2
--a1
--a0
b
Figure 12 Chane de 5 intgrateurs (a ) et diagramme de fluence
de linverse dun polynme de coefficients ai, dont les xi
sont les variables dtat et u la variable de commande (b )
Rfrences bibliographiques
[1]
[2]
[4]
[5]
[6]
[3]
R 7 407 8
[7]
[8]
tre XI contient un expos complet sur les polynmes normaux amortissement rglable et
sur le critre algbrique damortissement qui
en dcoule, ainsi que des applications aux
divers types de systmes asservis.)
SPIRO. Paramtres du rgulateur numrique PID et cadence dchantillonnage, Automatisme, mai 1971.
NASLIN (P.). Thorie de la commande et
conduite optimale, Dunod, 1969, p. 300-304.
Toute reproduction sans autorisation du Centre franais dexploitation du droit de copie est strictement interdite.
Techniques de lIngnieur, trait Mesures et Contrle