Djoudrez Kamilia

République Algérienne Démocratique et Populaire
Ministère de L’Enseignement Supérieur et de la A Recherche Scientifique
Université Mouloud Mammeri De Tizi-Ouzou
Faculté De Génie Electrique Et d’Informatique

DEPARTEMENT D’AUTOMATIQUE
Mémoire de Fin d’Etude

de MASTER ACADEMIQUE
Spécialité : Commande des systèmes
Présenté par
DJOUDREZ Kamilia
Mémoire dirigé par Mr.SALHI.B
Thème
Observation et stabilisation des

systèmes LTI à mesures discrètes
Mémoire soutenu publiquement le 14 Septembre 2014 devant le jury composé de :
Mr
PDF created with pdfFactory Pro trial version www.pdffactory.com

République Algérienne Démocratique et Populaire
Ministère de L’Enseignement Supérieur et de la A Recherche Scientifique
Université Mouloud Mammeri De Tizi-Ouzou
Faculté De Génie Electrique Et d’Informatique

DEPARTEMENT D’AUTOMATIQUE
Mémoire de Fin d’Etude

de MASTER ACADEMIQUE
Spécialité : Commande des systèmes
Présenté par
DJOUDREZ Kamilia
Mémoire dirigé par Mr.SALHI.B
Thème
Observation et stabilisation des

systèmes LTI à mesures discrètes
Mémoire soutenu publiquement le 14 Septembre 2014 devant le jury composé de :
Mr

REMERCIEMENTS
Je tiens tout particulièrement à exprimer ma

reconnaissance à Monsieur SALHI mon promoteur, qui
m’a encouragé tout au long de ce travail.
J’ai éprouvé un réel plaisir à travailler avec lui tout
au long de cette thèse. Ses qualités scientifiques ont été
pour moi une source de motivation.
Je remercie aussi bien vivement les membres de jury qui
m’ont fait l’honneur d’évaluer ce travail, ainsi que
tous les enseignants qui ont contribué à ma
formation.
Que tous ceux qui ont contribué de prés ou de loin

à l’élaboration de ce travail, trouvent ici l’expression
de mes sincères gratitudes et remerciements.

Je dédie ce modeste travail à :
Mes très chers parents.
Mes très chers frères.
Mes chères sœurs.
Mes grandes mères.
Ma tante et ses enfants.
Tous mes amis (e).
Mon promoteur Mr .SALHI .B.
Toute la promotion automatique 2014.
Tous mes enseignants.

Sommaire
Introduction générale
Chapitre 1: Théorie de Stabilité de Lyapunov
1 Notions de stabilité ............................................................................................... 1

1.1 Approches de Lyapunov ....................................................................................... 2
1.2 Méthode directe de Lyapunov ............................................................................... 4
1.2.1 Fonction candidate de Lyapunov .................................................................. 4
1.2.2 Choix de la fonction de Lyapunov ...................... Erreur ! Signet non défini.
2 Stabilité des systèmes linéaires(LTI) ........................... Erreur ! Signet non défini.
2.1 Inégalité matricielle affine ou linéaire (LMI) .............. Erreur ! Signet non défini.
2.2 Stabilisation des systèmes LTI .............................................................................. 7
Conclusion ...................................................................................................................... 9
Chapitre 2: Stabilisation des systèmes LTI à mesures discrètes
1 Définition d’un système à retard ......................................................................... 10

2 Approche par fonctionnelles de Krasovskii ......................................................... 10
3 Approche par fonctions de Lyapunov Rasumikhin .............................................. 11
3 Stabilisation des systèmes à mesures discrètes .................................................... 12
4.1 Résultat de l’article ............................................................................................. 12
4.2 Notre résultat ...................................................................................................... 14
Conclusion .................................................................................................................... 18
Chapitre 3: Observation et stabilisation des systèmes LTI à mesures

discrètes
1 Observation des systèmes LTI ............................................................................ 20

2 Stabilistation par retour de sortie ......................................................................... 21
3 Observation des systèmes LTI à mesures discrètes .............................................. 23
4 Stabilisation par retour de sorties des systèmes à mesures discrètes..................... 26
4.1 Première Version ................................................................................................ 26

Sommaire
4.2 Deuxième Version .............................................................................................. 28

Conclusion ................................................................................................................... 31
Chapitre 4: Simulations et discussions
1 Description du système ....................................................................................... 32

2 Simulation de l’observateur de Luenberger à mesures discrètes .......................... 32
3 Stabilisation par retour de sortie .......................................................................... 35
Conclusion .................................................................................................................... 40
Conclusion générale

L'étude de la stabilité des systèmes est un domaine où plusieurs résultats théoriques

ont été réalisés. Son objectif consiste à tirer des conclusions sur le comportement du système
sans calculer la solution de ses trajectoires.
Différentes définitions de base de la stabilité des systèmes ont été proposées.
L'utilisation des ces dernières pour démontrer la stabilité d'un système autour de son point
d'équilibre exige la résolution explicite des équations différentielles, ce qui est souvent
impossible dans la plupart des cas. De ce fait, la méthode directe de Lyapunov permet de
contourner ce problème. Cette méthode consiste à définir une fonction particulière dont
l'existence garantit la stabilité du système étudié. D'autre part, les conditions d'existence de
cette fonction peuvent être formulées sous forme d'un problème d'optimisation convexe et
dans ce cas on parle de contraintes LMIs.
La seconde méthode de Lyapunov ayant été développée pour une classe restreinte de
systèmes, en l'occurrence la classe des systèmes continus ou discrets sans retard. Deux
théories, permettant d'étendre la seconde méthode de Lyapunov à la classe des systèmes à
retard, ont été donc développées; la méthode de Lyapunov-Krasovskii et la méthode de
Lyapunov-Razumikhin.
En plus des différentes classes de systèmes citées plus haut, la classe des systèmes
continus à mesures discrètes a reçu une attention particulière ces dernières décennies. La
stabilité de cette classe, pouvant être considérée comme appartenant à la classe des systèmes
continus à retard, peut être donc étudiée par la méthode de Lyapunov-Krasovskii.
La stabilisation et l'observation de la classe des systèmes continus à mesures discrètes
constituent l'objet de ce mémoire. On s'intéresse plus particulièrement aux cas des systèmes
Linéaires Temps Invariant (LTI). En effet, partant d'un résultat publié récemment et portant
sur la stabilisation, nous avons en premier lieu étendu l'observateur de Luenberger à cette
classe de systèmes. En deuxième étape et en faisant appel à ce dernier observateur, nous
avons étudié la stabilisation par retour de sortie de cette même classe de systèmes.
Ce mémoire se subdivise en quatre chapitres suivant.
ü L'introduction générale
ü Le premier chapitre est consacré aux généralités sur la notion de stabilité selon Lyapunov.
ü Le deuxième chapitre traite cette même notion dans le cas des systèmes à mesures
discrètes.

ü Le troisième chapitre, après un rappel sur l'observation des systèmes LTI et leurs
stabilisations par retour de sortie, porte sur l'extension de ces derniers résultats aux cas des
systèmes LTI avec mesures discrètes.
ü Le quatrième chapitre rassemble les différents résultats de simulations
Nous terminerons ce mémoire par une conclusion générale.

Chapitre 1 Théorie de stabilité de Lyapunov
La notion de stabilité est commune à plusieurs domaines; d’un point de vue général
l’analyse de la stabilité est une étape nécessaire pour l’étude du fonctionnement des systèmes
physiques, mécaniques, électroniques...etc. Son objectif consiste à tirer des conclusions sur le
comportement de ces systèmes sans calculer la solution de ses trajectoires. Il existe plusieurs
techniques d’analyse de la stabilité des systèmes, qu'ils soient linéaires ou non linéaires,
variants ou invariants ou encore avec ou sans retard. On peut citer le critère de Nyquist, la
méthode du premier harmonique, l’approche de Lyapunov, l’approche entrée-sortie … etc.
Ce chapitre est dédié à la présentation détaillée de la notion de stabilité selon
Lyapunov; on s'intéressera en particulier aux systèmes linéaires et où les conditions de
stabilité seront présentés sous forme LMI.
1. Notions de stabilité
Avant d'exposer les différentes notions de stabilité telles que définies par Lyapunov, il
est nécessaire d'introduire la représentation d'état d'un système et la notion de point
d'équilibre. Ce dernier joue un rôle capital dans l’étude des systèmes dynamiques.
v Définition d’un système

Un système continu autonome en boucle ouverte ou en boucle fermée sans retard est
donné par l'équation suivante:
x& = f (x) (1.1)
x ∈ IRn : État du système.

f : IR n → IR n : Champ de vecteurs.
Le champ de vecteurs f (x) est considéré comme étant continu. Cette condition
garantie l'existence d'au moins une solution x(t ) pour toute condition initiale x(t0 ) . L'unicité
de la solution x(t ) peut être garantie si le champ de vecteur f (x) possède la propriété de
Lipschitz.
v Théorème de Cauchy-Lipschitz
Une fonction f ( x, t ) : IR n xIR → IR n est localement Lipschitz en D ssi:
∀x1 , x2 ∈ D ⇒ f ( x1 , t ) − f ( x 2 , t ) ≤ L x1 − x2 (1.2)
Où L f 0 est la constante de Lipschitz.
f (x) est globalement Lipchitzienne si D peut être étendu à IRn ( D ≡ IRn ) . [1]

v Point d’équilibre
Considérant le système autonome (1.1) tel que f ( x ) : D ⊂ IR n → IR n , x est appelé point
d’équilibre du système ssi:
∀t f 0 , f (x) = 0 (1.3)
Par la suite, on considérera toujours que l’origine x = 0 est point d’équilibre. Pour le cas
général x ≠ 0 , il suffit de faire une translation par un simple changement de variable
y = x − x alors on aura :
y& = x& = f ( x ) = f ( x + x ) = g ( y ) (1.4)

avec g ( 0 ) = 0
On suppose, maintenant, que l’origine est point d’équilibre du système (1.1) et on
s’intéresse au comportement de ce système au voisinage de ce point d’équilibre
1.1 Approches de Lyapunov
v Équilibre stable
Le point d’équilibre x est un point d’équilibre stable (fig.1) du système (1.1) si :
∀ ε f 0, ∃ δ = δ (ε ) f 0 tel que x (t 0 ) − x p δ ⇒ x (t ) − x p ε , ∀ t f 0 (1.5)
Si cette condition n’est pas satisfaite, alors on parle d’un équilibre instable.
Fig.1: trajectoire stable
Interprétation :
On suppose que le système (1.1) est stable et possède l’origine comme point d’équilibre.
On s’intéresse au comportement de ce système au voisinage de cet équilibre. Plus

précisément, on se pose la question suivante: si l’état initial x(t 0 ) est dans le voisinage de la
valeur d’équilibre x , comment vont se comporter les trajectoires du système pour t > 0 [2]
v Équilibre attracteur
Le point d’équilibre x est un équilibre attracteur du système (1.1) si:
∃δ f 0 tel que x (t 0 ) − x p δ ⇒ lim x ( t ) − x = 0
t→∞ (1.6)
Un équilibre attracteur x est donc un point vers lequel convergent les solutions x(t ) si
elles démarrent suffisamment près de x . Il faut noter que la stabilité et l’attractivité sont deux
notions différentes et qu’elles ne s’impliquent pas mutuellement.
v Équilibre asymptotiquement stable

Le point d’équilibre x est un équilibre asymptotiquement stable du système (1.1) s’il
est stable et attracteur; autrement dit, il existe r f 0 tel que pour toute solution x (t ) de (1.1)
on a :
x(t 0 ) − x p r ⇒ lim x (t ) − x = 0 (1.7)
t →∞
Remarque :
Un ensemble d’états initiaux x(t 0 ) à partir desquels les trajectoires convergent vers un
équilibre asymptotiquement stable est appelé domaine d’attraction. Un état d’équilibre stable
mais pas asymptotiquement est dit marginalement stable.
v Stabilité exponentielle
Le point d’équilibre x est un équilibre exponentiellement stable du système (1.1) si
∃ δ , a , b f 0 tel que x (t 0 ) − x p δ ⇒ x (t ) − x p a x (t 0 ) e − bt , ∀ t f 0 (1.8)
La constante b est appelée taux de convergence exponentielle.
Il est évident que la stabilité exponentielle implique la stabilité asymptotique mais
l’inverse n’est pas nécessairement vrai.

Fig.2: trajectoire exponentiellement stable
Remarque :
Les définitions de stabilité précédentes présentent certains inconvénients tels que:
• La nécessité de pouvoir calculer de manière explicite chaque solution correspondant à
chacune des conditions initiales.
• Le maniement des définitions est fastidieux.
• En plus de ces inconvénients, ces définitions ne sont pas pratiques pour l'obtention des
lois de commande, par conséquent, des résultats permettant de déterminer la stabilité
sans calcul explicite des trajectoires seraient les bienvenus. [3]
1.2 Méthode directe de Lyapunov

La seconde méthode (ou la méthode directe) de Lyapunov s’inspire de la notion
d’énergie; si l'énergie totale d'un système est décroissante avec le temps alors ce système tend
à se ramener vers son point d’équilibre ce qui implique la stabilité de ce dernier. La méthode
directe cherche donc à examiner une fonction scalaire de type énergétique qui admet une
dérivée temporelle négative. Par la suite Lyapunov généralise la notion d’énergie par une
fonction scalaire, cette fonction particulière, notée V (x ) est appelée fonction candidate de
Lyapunov. [2]
1.2.1 Fonction candidate de Lyapunov

Soit V ( x) : D ⊂ IRn → IR une fonction définie positive c'est-à-dire que:
i) V (0) = 0
ii) V ( x) > 0 pour x ≠ 0

De plus, si V (x) est continue, elle sera dite fonction candidate de Lyapunov.
La dérivée de cette fonction par rapport aux trajectoires du système (1.1) est donnée par:
 ∂V 
V& ( x) =   f ( x)
 ∂x  (1.9)
L'étude de stabilité du système revient à l'étude du signe de cette dérivée.
v Stabilité
Soit x = 0 un point d’équilibre pour le système (1.1), et D ⊂ IR n un domaine
contenant l’origine. S'il existe une fonction candidate de Lyapunov V ( x) : D → IR
continûment différentiable vérifiant:
i) V (0) = 0
ii) V ( x) > 0 dans D − {0}
iii) V& ( x) ≤ 0 dans D
alors x = 0 est un point d’équilibre stable.

Plus précisément, si l'on peut trouver une fonction V (x ) vérifiant les trois conditions
précédentes alors le système est stable, sinon ce théorème ne permet pas de conclure sur la
stabilité du système.
• Stabilité asymptotique
Soit x = 0 un point d’équilibre pour le système (1.1), et D ⊂ R n un domaine
contenant l’origine. S'il existe une fonction candidate de Lyapunov V ( x) : D → IR
continûment différentiable vérifiant:
i) V (0) = 0
ii) V ( x) > 0 dans D − {0},
iii) V& ( x) < 0 dans D − {0}

Alors x = 0 est asymptotiquement stable.
Remarque
Le point d’équilibre x du système (1.1), est globalement asymptotiquement stable (GAS)
s’il est asymptotiquement stable et si en outre:t
i) D ≡ IR n ,

ii) x →∞ ⇒ V (x ) → ∞ ( V (x) radialement non bornée).
1.2.2 Choix de la fonction de Lyapunov

Il existe des familles de fonctions de Lyapunov souvent utilisées et dont l’adoption
dépend de la nature du système à étudier (systèmes linéaire, système continu par morceaux,
systèmes à retard, système linéaire incertain,…). Une classe de fonctions souvent utilisées est
la classe des fonctions quadratiques V ( x) = xT Px où P = P T f 0 est une matrice symétrique

définie positive.
Pour rappel, une matrice symétrique est dite définie positive si elle vérifié l'une des
conditions suivante:
• Toutes les valeurs propres de P sont positives.
• Tous les déterminants mineurs de P sont positifs.
• Tous les éléments diagonaux sont positifs.
Ces matrices ont la particularité de n'avoir que des valeurs propres réelles. [4]
2. Stabilité des systèmes linéaires(LTI)

Pour l’étude de la stabilité des systèmes linéaires x& = f ( x) = Ax , on considère la
fonction candidate de Lyapunov V ( x) = x T Px
La dérivée donne V& = x T P x& + x& T Px

= x T PAx + x T A T Px
= x T ( PA + A T P ) x (1.10)
Si A est stable ( R(λi )) p 0 , alors il existe une matrice unique symétrique définie positive P
pour toute matrice définie positive Q solution de l’équation de Lyapunov :
( PA + AT P) = −Q (1.11)
Réciproquement, ∃ ( P , Q ) symétriques définies positives telle que (1.11) est vérifié, alors le
système linéaire x& = Ax est stable.
2.1 Inégalité matricielle affine ou linéaire (LMI)

Une LMI est une contrainte de la forme:
F ( x) = F0 + x1 F1 + ... + xn Fn p 0 (1.12)

Les matrices Fi sont des matrices réelles symétriques connues, alors que
x = [x1 , x2 ,.., xn ]
T
est un vecteur à éléments réels inconnus appelées variables de
décision.[5]
L'inégalité (1.12) sous-entend que le vecteur x doit rendre la matrice F (x ) définie
négative; cela donne lieu à deux types de questions:
• Problème de faisabilité: revient à tester l’existence des x1 , x 2 ,...x n tel que (1.12) est
vérifiée.
• Problème d’optimisation: revient à tester l’existence des x1 , x 2 ,...x n tel que (1.12) est
vérifiée et minimisent une fonction coût c ( x ) = c1 x1 + c 2 x 2 ... + c n x n .
Souvent, dans le cadre des applications de contrôle, les LMIs apparaissent sous forme de
variables matricielles au lieu de variables vectorielles, ce qui veut dire que l'on considère des
inégalités plus générales de la forme:
F (Χ) p 0
Χ∈χn
χ n est l'ensemble des matrices de dimension finie n et où F ( Χ ) : χ → S m est une
application affine en Χ ; S m est l'ensemble des matrices symétriques définies négatives.

Exemple:
La condition (1.10) ( AT P + PA p 0 ) est une LMI car elle peut être réécrite sous la forme
(1.12). En effet, si l'on considère l'ensemble ( P1 ,..., Pm ) comme base pour les matrices
symétriques tel que ( m = ( k ( k + 1) / 2) − 1) . On peut prendre alors, F0 = 0 et Fi = − AT Pi − Pi A
où i = 1,..., m .
2.2 Stabilisation des systèmes LTI

En présente ici l'étude de la stabilisation des systèmes linéaires en utilisant la
formulation LMI. En effet, les théorèmes de Lyapunov dans le cas linéaire peuvent être
ramenés à un problème LMI.
La stabilisation d'un système linéaire avec entrée de commande revient à déterminer le
gain matriciel K tel que:

x& = Ax + Bu
u = Kx
(1.13)
V ( x) = x T Px f 0
V& ( x) = x T [ P( A + BK ) + ( A + BK ) T P] x p 0
Les deux inégalités précédentes peuvent être mises sous la forme matricielle suivante:
− P 0n 
0 p0
P( A + BK ) + ( A + BK ) P
T (1.14)
 n
Cette dernière ne constitue pas une LMI, car la condition P( A + BK ) + ( A + BK )T P p 0 n'est

pas affine en les inconnus P et K . Pour obtenir la formulation LMI, on peut faire le
changement de variable suivant:
Q = P −1
Y = KQ
En remplaçant dans (1.14), on obtient alors:
 − Q −1 0n 
 −1 −1 −1 T −1 
p0
 0n Q ( A + BYQ ) + ( A + BYQ ) Q 
Q 0n 
En multipliant à gauche et à droite par la matrice 
Q 
, on obtient:
0 n
Q 0 n  − Q −1 0n  Q 0n 
0   p0
 n Q   0 n Q −1 ( A + BYQ −1 ) + ( A + BYQ −1 )T Q −1  0 n Q 
− Q 0n 
0 p0
 n AQ + BY + Q ( A + BYQ ) −1 T
− Q 0n 
0 p0
AQ + BY + Y B + QA 
T T T
(1.15)
 n
Cette dernière inégalité (1.15) est une LMI en fonction des inconnus Q et Y . Après
résolution de cette dernière on peut déterminer le gain matriciel K comme suit:
K = YQ −1 = YP
Le système d'équation (1.13) devient alors:

x& = Ax + Bu
u = Kx
(1.16)
V ( x) = x T Q −1 x f 0
V& ( x) = x T [ AQ + BY + Y T B T + QAT ]x p 0

Ce qui montre que le système est stable.
Conclusion
Dans ce chapitre nous nous sommes focalisés sur la notion de stabilité selon
Lyapunov, où l'on a présenté la méthode directe et indirecte. L'application de cette dernière
méthode au cas particulier des systèmes LTIs permet l'obtention selon le cas; d'une part d'une
équation le Lyapunov et d'autre part d'une formulation LMI.
Ceci nous a permet de poser la problématique de notre prochain chapitre ; il s’agit en
effet d’étendre les résultats bien établis pour les systèmes LTI aux systèmes LTI à mesures
discrètes.

Chapitre 2 Stabilisation des systèmes LTI à mesures discrètes
Les théorèmes de Lyapunov traitent des systèmes continus sans retard et en particulier
les systèmes LTI traités dans le chapitre précédent. Ces théorèmes de Lyapunov ont étés
étendus par deux chercheurs à la classe des systèmes continus à retard. En effet, dans le cadre
de cette dernière classe de systèmes, Krasovskii et Razumikhin ont développé séparément
deux différents théorèmes. Ces deux derniers théorèmes se prêtent parfaitement à l'étude des
systèmes continus linéaires avec mesure discrète (sampled data).
Dans ce chapitre en présentera, en plus de l'un des résultats récemment obtenus, un
nouveau théorème.
1. Définition d'un système à retard

Un système à retard se présente comme suit :
 x& (t ) = f (t , xt ), t ≥ t0
 (2.1)
 xt 0 (θ ) = ϕ (θ ) ∈ C pour θ ∈ [−τ ,0]
( )
Où C [a, b ], IRn est l'ensemble des fonctions continues de [a, b] dans IR n équipé de la norme
suivante: φ C
= max φ (θ . x(t ) est une fonction de IR → IR n et f une fonction continue de
a <θ < b
IR × C → IR n localement lipschitzienne en son second argument tel que f(t,0) = 0, ∀ t ∈ IR .
xt = ϕ (θ ) : [− τ , 0] → IR n .
2. Approche par fonctionnelles de Krasovskii

L’idée principale de ce théorème consiste à déterminer une fonctionnelle de Lyapunov
définie positive et dont la dérivée est définie négative le long des trajectoires du système.
Théorème de Krasovskii
Soient u , v, w : IR+ → IR+ des fonctions continues croissantes; u (θ ) , v(θ ) sont
strictement positives pour tout θ f 0 et vérifiant la condition u (0) = v (0) = 0 . Supposons que
le champ de vecteur f de (2.1) soit borné par des valeurs bornés de ses arguments.
S’il existe une fonctionnelle continue V : IR × C → IR+ telle que:
u ( φ (0) ) ≤ V (t ,φ ) ≤ v ( φ )
&
V (t ,φ ) ≤ − w( φ (0) ) ∀t ≥ t0 (2.2)
Alors la solution nulle de (2.1) est uniformément stable.

Si de plus w(θ ) f 0 , ∀θ f 0 ; cette solution est uniformément asymptotiquement stable.
10

La difficulté majeure de cette approche est la conception, lorsqu’elle existe, d’une telle
fonctionnelle vérifiant les spécifications du théorème et plus particulièrement la condition de
décroissance des trajectoires du système. Cependant, cette approche reste la plus utilisée dans
le cas de la stabilité des systèmes à retard.
3. Approche par fonctions de Razumikhin

Contrairement à l’approche de Krazovskii qui considère que l’ensemble de l’état
x (t ) ∈ C , la méthode de Razumikhin tient compte simplement de l’état instantané x (t ) . On
se place alors dans IR n en considérant cette fois une fonction de Lyapunov V (t , x (t )) pour les
équations différentielles ordinaires.
Théorème de Lyapunov-Razumikhin
Soient u , v, w : IR+ → IR+ des fonctions continues, strictement croissantes; u (θ ) et v (θ ) sont
positives pour θ f 0 et u (0 ) = v (0 ) = 0 . Supposons que la fonction f de (2.1) est bornée pour
des valeurs bornée de ses arguments, si ∃ V une fonction continue
uniforméme nt V : IR × IR n → IR+ telle que :
i. u ( x ) ≤ V (t , x ) ≤ v ( x )
ii. V& (t , x ) ≤ − w( x )
Si pour toutes les trajectoires de (2.1) V vérifie:

V (t + θ , x(t + θ )) ≤ V (t , x (t )), ∀θ ∈ [ −τ ,0] (2.3)
alors la solution nulle est uniformément stable.
De plus, si w(θ ) f 0 ∀θ f 0 et s’il existe une fonction p : IR+ → IR+ strictement croissante
avec p (θ ) f 0 ∀θ f 0 telle que pour toutes les trajectoires de (2.1) V vérifie:
V (t + θ , x (t + θ )) ≤ p (V (t , φ (t )), ∀θ ∈ [ −τ ,0] (2.4)
Alors une telle fonction est appelée fonction de Lyapunov-Razumikhin et la solution nulle de
(2.1) est uniformément asymptotiquement stable.
Dans la pratique les fonctions p les plus souvent utilisées sont celles de la forme
p = q θ ( q est une constante tel que q f 1 ).
Les fonctions recherchées dans l’approche de Razumikhin sont souvent des fonctions
quadratiques de la forme V (t ) = x T Px telle que P = P T f 0
On remplace V (x) dans l’équation (2.4) on aura :
11

x T (t + θ ) P x(t + θ )) ≤ q x T (t ) P x(t )), ∀θ ∈ [−τ ,0], q f 1 (2.5)

Même si l’approche de Lyapunov-Razumikhin conduit généralement à des résultats
plus conservatifs que ceux tirés de l’approche de Lyapunov-Krasovskii, elle permet de
prendre en compte les retards variables sans restriction sur la dérivée du retard.[6]
4. Stabilisation des systèmes à mesures discrètes

Dans ce qui suit en présentera un résultat publié dans l'article [7], on présentera après
notre propre résultat.
4.1 Résultat de l'article
Considérant le système linéaire suivant
x& (t ) = A x(t ) + B u(t k ) (2.6)
Où x ∈ IR n et u ∈ IR m représentent respectivement les variables d’état et le vecteur entré
de commande. A et B sont des matrices constantes et de dimensions appropriées. Nous
cherchons donc à appliquer une loi de commande u (t ) = u d (t k ) , t k ≤ t pt k +1 . Tel que u d (t k )
représente le signal de commande à temps discret et 0 = t 0 p t1 p ... p t k p ... correspondent au

instants de mesures discrètes.
Notre objectif est d’assurer la stabilité de système (2.6) en appliquant une loi de commande de
la forme la suivante :
u(t ) = K x(tk ) (2.7)
Tel que
0 p t k +1 − t k ≤ τ m ∀k ≥ 0 (2.8)
Tel que τ m représente la valeur maximale du retard
On remplace u(t ) = K x(t k ) dans (2.6) on aura
x& (t ) = A x(t ) + Ad x(t − τ (t ))

τ (t ) = t − t k , t k ≤ t p t k +1 (2.9)
tel que Ad = BK P
τ (t ) p τ m (t )
Pour prouver la stabilité du système (2.6), on considère la fonctionnelle suivante :
t
V ( xt ) = x(t )T Px(t ) + (τ m − τ (t ))ξ 0T (t ) Sζ 0 (t ) + (τ m − τ (t ))∫ x& T ( s) Rx& (s )ds (2.10)
tk
Où ζ 0 (t ) = x(t ) − x(t k ) , ζ&0 = x& (t )
12

 x& (t ) = f (t , xt ), t ≥ t0

 xt0 = ϕ 0 ∈ C
Juste avant l'instant t k , la fonctionnelles de Lyapunov-Krasovskii V ( xt ) est strictement
supérieure à x(tk )T P x(tk ) . A l'instant t k , t =t k ( τ (t k ) = 0) les deux derniers termes de la
fonctionnelles (2.10) sont nulles. Cela signifie que la fonctionnelle V ( xt ) est décroissante de
manière discontinue à chaque instant t k ; il suffit donc de prouver que cette fonctionnelle est
décroissante dans chaque intervalle [t k −1, t k ] . On dérive donc la fonctionnelles sur un
intervalle quelconque; on aura alors:

V& ( xt ) = 2 x T (t ) Px& (t ) + 2(τ m −τ (t ))ξ 0T (t ) Sx& (t ) + (τ m −τ (t )) x& T (t ) Rx& (t ) −
t
ξ (t ) Sξ0 (t ) − ∫ x& T ( s) Rx& ( s)ds
T
0
(2.11)
tk
L’étape suivante consiste à réécrire V& (x) en utilisant le vecteur ξ (t ) = [ x T (t ) x T (t k )]T et en
remplaçant les expressions suivantes dans V& ( xt ) :
Telles que x(t ) = M 1ξ (t ) , x& (t ) = M 3ξ (t ) et x(t ) − x(t k ) = M 2ξ (t ) .
L’expression de V& (x) devient alors:
V& ( xt ) = ξ T (t )[2M 1T PM 3 − M 2T SM 2 + τ m (2M 3T SM 2 + M 3T RM 3 )

t
+ τ (t )(−M RM 3 − 2M SM 2 )]ξ (t ) − ∫ x& T (s ) Rx& (s)ds
T
3
T
3
(2.12)
tk
Par la suite nous introduisant le terme suivant :
2ξ T (t ) NM 2ξ (t ) = 2ξ T (t ) N ∫ x&( s)ds
t
tk (2.13)
En utilisant un critère de majoration on peut écrire que:
t
2ξ T (t ) NM 2ξ (t ) ≤ τ (t )ξ T (t ) NR −1 N T ξ (t ) + ∫ x& T ( s ) Rx& ( s )ds (2.14)
tk
On obtient alors l’inégalité suivante
V& ( xt ) ≤ ξ T (t )[Π1 + τ mΠ 2 + τ (t )( NR−1 N T − Π 2)]ξ (t ) (2.15)
Cette inégalité est fonction du retard τ (t ) , il est donc nécessaire et suffisant d’assurer
la négativité de (2.15) à τ (t ) = 0 et à τ (t ) = τ m , ce qui donne les conditions du théorème
suivant:
13

Théorème
∃P,R et S ∈ IR n×n des matrices symétriques définies positives et une matrice N ∈ IR 2 n× n qui
satisfait
Π1 + τ m Π 2 p 0,
 Π1 τ m  (2.16)
  p 0
 * −τ m R 
Où
Π1 = M 1T PM 3 + M 3T PM 1 − M 2T SM 2 − NM 2 − M 2T N T
Π 2 = M 2T SM 3 + M 3T SM 2 + M 3T RM 3
les matrices M i , i = 1,2,3 sont données par:
M1 = [I 0] , M 2 = [I - I] , M 3 = [A A d ]
Le système (2.6) est asymptotiquement stable pour tout τ (t ) p τ m (t )
4.2 Notre résultat

Dans cette sous section, nous avons essayé d'améliorer le résultat précédent. Reprenant le
système précédent:
 x& (t ) = Ax(t ) + Bu(t )
u(t ) = − K x(t )
 k p k (2.17)
Le système (2.17) en boucle fermée ;

x& (t ) = Ax(t ) + B(− K p x(t k )) ⇒ x& (t ) = Ax(t ) − BK p x (t k ) . (2.18)
En remplace τ = t − t k
x& (t ) = Ax(t ) − BK p x (t − τ ) (2.19)

On a aussi ;
t
∫ x& (s)ds = x(t ) − x(t − τ (t ))

t −τ ( t )
(2.20)
t
x(t − τ (t )) = x (t ) − ∫ x& (s )ds
t −τ ( t )
(2.21)
On remplace (2.21) dans (2.19) on aura alors

t
x& (t ) = Ax(t ) − BK p ( x(t ) − ∫ x& ( s)ds )
t −τ ( t )
(2.22)
On tire x (t ) en facteur et alors l’équation (2.22) devient :
14

x& (t ) = Acl x(t ) + Ad h (2.23)

Tel que ;
t
Acl = ( A − BK p ) A d = BK p h= ∫ x& ( s) ds
t −τ ( t )
Soit la fonctionnelle de Krasovsky suivante ;

V (t ) = V 1(t ) + V 2(t ) (2.24)
Tel que:
V 1(t ) = x T Px
t t
V 2(t ) = ∫ ∫ x& ( s ) Rx& ( s ) dsdζ
T
t −τζ
L’équation (2.24) sera alors sous la forme

t t
V ( x, t k ) = x (t ) Px (t ) + ∫ ∫ x& ( s ) Rx& ( s )dsdζ
T T
(2.25)
t −τ ζ
Dérivant l’équation (2.25), revient à dériver V 1( x, t ) et V 2( x, t ) par rapport au temps ;
V&1(t ) = x& T (t ) Px(t ) + x T (t ) Px& (t )
Remplaçant x& (t ) = Acl x(t ) + Ad h dans V&1(t ) on aura alors
V&1( x, t ) = x T (t )[ Acl P + PAcl ]x (t ) + 2 x T (t ) PAd h

T
la dérivée de (2.25) nous donne :
V& ( x, t k ) = x T (t )[ Acl P + PAcl ]x(t ) + 2 x T (t ) PAd h +

T
t
(2.26)
+ τ (t ) x& (t ) Rx& (t ) − ∫ x&
T T
(s ) Rx& (s )ds
t −τ ( t )
On a aussi
x& T (t ) Rx& (t ) = ( Acl x (t ) + Ad h)T R( Acl x(t ) + Ad h)
La dérivée sera comme suit :
t
V& ( x, t k ) = x T (t )[ Acl P + PAcl ]x(t ) + 2 x T (t ) PAd h + τ (t ) x& T (t ) Rx& (t ) − ∫ x&
T T
( s ) Rx& ( s )ds
t −τ ( t )
V& ( x, t k ) ≤ x T (t )[ Acl P + PAcl ]x(t ) + τ (t ) x T (t ) PS −1Px +

T
t t
+ ∫ x& (s)[ Acl SAd ]x& ( s)ds +τ (t ) x& (t ) Rx& (t ) - ∫ x&

T T T T
( s ) Rx& ( s )ds
t −τ ( t ) t −τ ( t )
On tire xT (t ), x& T (t ) en facteur à droite, et x(t ), x& (t ) en facteur à gauche on aura alors ;
15

V& ( x, t k ) ≤ x T (t )[ Acl P + PAcl + τ (t ) PS −1P]x(t ) +

T
t
+ ∫ x& ( s )[ Ad SAd − R]x& ( s )ds +τ (t ) x& T (t ) Rx& (t )
T T
t −τ ( t )
en remplace x& (t ) = Acl + Ad h

x& T (t ) Rx& (t ) = ( Acl x (t ) + Ad h ) T R ( Acl x (t ) + Ad h)
= x T Acl RAcl x + h T Ad RAd h + 2 x T Acl RAd h

T T T
= x T Acl RAcl x(t ) + h T Ad RAd h + 2[ Acl x ]T R[ Ad h ]

T T
Tel que
t
x& T (t ) Rx& (t ) ≤ 2 x T Acl RAcl x (t ) + 2 ∫ x&
T T
T
( s ) Ad SAd x& ( s )ds
t −τ ( t )
≤ (Acl x(t) + Ad h)T R(Acl x(t) + Ad h)
≤ x T Acl RAcl x + h T Ad RAd h + 2 x T Acl RAd h

T T T
≤ x T Acl RAcl x(t) + hT Ad RAd h + x T Acl RAcl Acl x(t) + hT Ad RAd h

T T T T
≤ 2 x T Acl RAcl x(t) + 2h T Ad RAd h

T T
L’équation (2.26) devient

V& (t ) ≤ x T [ Acl P + PAcl + τ (t ) PS −1 P + 2τ (t ) Acl RAcl ]x (t ) +
T T
∫ x&
+ T
( s )[ Ad SAd − R + 2τ 2 (t ) Ad RAd ]x& ( s )ds
T T (2.27)
t −τ ( t )
t
V& (t ) ≤ x T ∏1x(t ) + ∫ x& ( s ) ∏ 2 x& ( s )ds
T
t −τ ( t )
(2.28)
Tel que;
∏ 1 = Acl P + PAcl + τ (t )[ PS −1 P + 2 Acl RAcl ]
T T
∏ 2 = Ad SAd − R + τ 2 (t )[ PS −1 P + τ (t )[ 2 Ad RAd ]
T T
Pour vérifier la stabilité de notre système, il faut que les inégalités suivantes soient vérifier;
∏1 = Acl P + PAcl + τ (t )[ PS −1 P + 2 Acl RAcl ] p 0

T T
∏ 2 = Ad SAd − R + τ 2 (t )[ PS −1 P + τ (t )[2 Ad RAd ] p 0

T T
∏1 est linéaire en τ (t ) , il suffit de vérifier cette condition pour τ (t ) = 0 et τ (t ) = τ m
Ceci donne
16

Acl P + PAcl p 0
T
i) (2.29)
ii) Acl P + PAcl + τ m (t )[ PS −1 P + 2 Acl RAcl ] p 0

T T
(2.30)
L’application du complément de Schur à l’inégalité (2.30) conduit à l’inégalité matricielle

suivante :
 Acl T P + PAcl P Acl
T

 
 P − S /τ m 0n p0
 Acl 0n − R −1 / 2τ m 

En multipliant à gauche et à droit par diag[ I n , I n , R] on trouve
 Acl T P + P Acl P Acl R 

T
 
 P - S/τ m 0n  p 0 (2.31)
 R A cl 0n − R / 2τ m 

∏ 2 = Ad T SAd − R + τ 2 (t )[2 Ad RAd ] p 0

T
τ 2 (t ) étant convexe dans l’intervalle [0, τ m ] il suffit de vérifier que
Ad SAd − R p 0
T
(2.32)
Ad SAd − R + τ m [2 Ad RAd ] p 0
T 2 T
(2.33)
suivante :
− S −1 Ad 
 T  p0
 Ad − R
En multipliant à gauche et à droit par diag[ S , I n ]
 −S SAd 
A T S p0
− R 
(2.34)
 d
suivante :
− R −1 / 2 τ m Ad 
  p0
 τ m Ad Ad SAd − R 
T T
En multipliant à gauche et à droite par diag[ S , I n ]
17

 − R/2 τ m RAd 
τ A T R A T SA − R  p 0 (2.35)
 m d d d 
P = τ m P
Soit le changement de variable 
R = τ m R
Les inégalités précédentes deviennent alors
Acl P + P Acl p 0
T
(2.36)
 Acl T P + P Acl P Acl R 

T
 
 P -S 0n  p 0 (2.37)
 R A cl 0 n − R / 2

 −S SAd 
A TS p0
− R 
(2.38)
 d
− R / 2 R Ad 
 T  p0 (2.39)
 Ad R Ad SAd − R 
T
 y = K pQ
Soit le changement de variable  −1
P = Q
La condition (2.35) devient
− Q 0n 
0 T
p0 (2.40)
 n AQ + By + y B + QA 
T T
On résout donc l’équation (2.40), on obtient Q, y
K = yQ −1 = yP
Ce qui nous permet d’obtenir les valeurs de  p −1
P = Q
On résout donc notre système d’équation d’LMI (2.36), (2.37),(2.38) et (2.39).
 R
τ m =
 R
La résolution de ces équations nous donne R , S , R donc la valeur de 
P = P
 τm

On cherche un τ m tel que ce dernier soit le plus grand possible.
Conclusion
Dans ce chapitre, nous avons tenté d'obtenir un meilleur résultat (τ m plus grand) pour
les systèmes LTI à mesures discrètes; mais sans succès. En effet, pour le même système, le
théorème de la section 4.1 permet l'obtention d'un τ m =1.68s; nos équation par contre ne
18

permettent d'atteindre que τ m =0.6 s. Dans le prochain chapitre, on s'intéressera à l'observation

et la stabilisation par retour de sortie0.
19

Chapitre 3 Observation et stabilisation des systèmes LTI à mesures discrètes
Le but de la stabilisation est de construire une loi de commande en boucle fermée, soit
par retour d’état statique u (t ) = K p x (t ) , soit par retour d'état dynamique u (t ) = K p xˆ (t ) ,
afin de ramener le système à l’origine quel que soit le point initial x(t 0 ) . Le premier type de
commande est basé sur l’utilisation à chaque instant de l’état du système pour déterminer la
commande, par conséquent l’état doit être accessible pour tout t f t 0 . Dans le cas où l’état
n’est pas accessible, la commande réellement mise en œuvre est celle par retour de sortie
dynamique, qui est basée sur l’utilisation d’un observateur asymptotique de l’état du système :
xˆ(t ) → x(t ) où xˆ(t ) est l’estimé de x(t) .
Dans ce chapitre on présentera un rappel sur l'observation des systèmes LTI et leur
stabilisation par retour de sortie. Ces résultats seront étendus aux cas des systèmes LTI avec
mesures discrètes.
1. Observation des Systèmes LTI

Soit le système LTI suivant supposé observable.
Où x ∈ IRn et u ∈ IRm représentent respectivement la variable d’état et le vecteur d'entrée de
commande; A et B sont des matrices constantes et de dimensions appropriées:
x& (t ) = A x(t ) + B u(t )
 (3.1)
 y(t ) = C x(t )
L'observateur de Luenberger pour ce type de système est donnée par:
x&ˆ (t ) = A xˆ (t ) + B u (t ) − L( yˆ − y )
(3.2)
xˆ& (t ) = A xˆ (t ) + B u (t ) − L C (xˆ − x )
Fig.1: Observateur de Luenberger
20

On cherche à déterminer le gain d'observation L de sorte que l'état observée

xˆ (t ) → x(t ) .
t →∞
Soit l'erreur d'observation e(t ) = xˆ (t ) − x (t ) ; la dynamique de l'erreur d'observation est donnée

dans ce cas par:
e&(t ) = x&ˆ (t ) − x& (t )

= A e(t ) − L C e(t )
e&(t ) = [A − L C ] e(t) (3.3)
xˆ(t ) → x (t ) ssi e(t ) → 0 ; pour prouver que l'erreur e(t ) → 0 on considère la fonction
t →∞ t →∞
candidate de Lyapunov suivante:
V (e) = e(t )T Po e(t ) où Po = Po > 0

T
La dérivée de cette fonction est donnée par:
V& (e) = e&(t )T Poe(t ) + e(t )T Po e&(t )
[ ]
V& ( e) = e(t )T ( A − LC ) Po + Po ( A − LC ) e(t )
T
(3.4)
Pour que V& (e) soit négative il est nécessaire et suffisant qu'il existe une matrice
définie positive Po et matrice de gain L vérifiant la condition suivante:
( A − LC )T Po + Po ( A − LC ) < 0 (3.5)
En considérant le changement de variable W = Po L , cette condition peut être formulée sous
la forme LMI suivante:

 − Po 0n 
0 <0
A Po + Po A − C W − W C 
T T T (3.6)
 n
La matrice de gain est dans ce cas déterminée par: L = P0−1 W
2. Stabilisation par retour de sortie

Soit le système LTI précédent (3.1) supposé commandable et observable. On cherche à
déterminer le gain d'observation L et le gain de commande K p permettant de stabiliser le
système en ne mesurant que la sortie y(t ) i.e. xˆ (t ) → x(t ) et x(t ) → 0 . Le système (3.7)
t →∞ t →∞
résume l'ensemble des équations de ce problème.
21

 x& (t ) = A x (t ) + B u (t )
 y (t ) = C x (t )

& (3.7)
 xˆ (t ) = A xˆ (t ) + B u (t ) − L( yˆ − y )
u (t ) = − K p xˆ (t )

Fig.2: stabilisation par retour de sortie
En considérant l'erreur d'observation e(t ) = xˆ (t ) − x (t ) ; la dynamique augmentée du

système et de l'erreur d'observation peut être écrite comme suit:
 x& (t ) = A x(t ) − B K p xˆ (t )

e&(t ) = [A − L C ] e(t)
e(t ) = xˆ (t ) − x (t )

 x& (t ) = A x (t ) − B K p [e(t ) + x (t )]

e&(t ) = [A − L C ] e(t)
[ ]
 x& (t ) = A − B K p x(t ) − B K p e(t )
 (3.8)
e&(t ) = [A − L C ] e(t)
Soit la nouvelle variable d'état X T = xT eT [ ] , le système (3.8) devient:

T
A − B K p − B Kp 
X& =  X=A X
 0n A − L C 
Cette dernière équation montre que X tend vers zéro ssi les matrices A − B K p et [ ]
[A − L C ] sont stables du fait que la matrice A est bloc triangulaire. Ceci impose donc les
deux LMIs:
22

− Q 0n 
⇒ T 
p0
 0n AQ + BY + Y B + QA 
T T
− P 0n 
⇒ o <0
 0n A Po + Po A − C W − W C 
T T T
Tel que:
L = P0−1 W
Q = P −1
Y = KQ
3. Observation des systèmes LTI à mesures discrètes

Soit le système LTI observable précédent (3.1). Pour ce système en considère qu'il existe
un gain d'observation L permettant d'observer l'état x(t ) à partir de la sortie mesurée y(t ) .
Pour le même gain d'observation L et dans le cas d'une sortie mesurée à des instants discrets
t k , on cherche à déterminer la valeur maximale de temps τ m , entre deux mesures successives,
pour lequel l'observation xˆ(t ) tend asymptotiquement vers l'état x(t ) .
La dynamique de l'observateur à mesure discrètes est obtenue par une simple modification
de l'observateur de Luenberger précédent. Le système à mesure discrète et l'observateur
correspondent sont donnés par les deux systèmes d'équations suivants:
 x& (t ) = A x (t ) + B u (t )
 (3.9)
 y (t k ) = C x(t k )
xˆ& (t ) = A xˆ (t ) + B u(t ) + L [ yˆ (t k ) − y(tk )]

(3.10)
xˆ& (t ) = A xˆ (t ) + B u(t ) + L C [xˆ (t ) − x(t )]
k k
Soit l'erreur d'observation e(t ) = xˆ (t ) − x (t ) ; la dynamique de l'erreur d'observation est donnée

dans ce cas par:
e&(t ) = xˆ& (t ) − x& (t )
e&(t ) = A e(t ) + L C e(tk ) (3.11)
23

Fig.3: observation des systèmes LTI à mesures discrètes
Le système (3.11) peut être vu comme un système à retard variable inconnu τ (t ) ; mais
admettant comme valeur maximale τ m . Dans ce cas on peut écrire:
e&(t ) = A e(t ) + Ac e(t − τ (t )) (3.12)

Tel que:
τ = t − t k

0 p tk +1 − t k ≤ τ m ∀k ≥ 0
 Ac = L C

Prouver que xˆ (t ) → x (t ) revient à prouver que e(t ) → 0 ; le système (3.12) étant un
t →∞ t →∞
système à retard on considère donc la fonctionnelle de Lyapunov-Krasovskii suivante:

t
V (et ) = eT (t ) P e(t ) + (τ m − τ (t )) ψ 0T (t ) S ψ 0 (t ) + (τ m − τ (t )) ∫ e&T (θ ) R e&(θ )dθ (3.13)
tk
Tel que:
 P = P T > 0 ; S = S T > 0 ; R = R T > 0

ψ 0 (t ) = e(t ) − e(tk )
La dérivée de cette fonctionnelle est donnée par:
V& (et ) = 2eT (t ) P e&(t ) + 2 (τ m − τ (t )) ψ 0T (t ) S e&(t ) + (τ m − τ (t )) e&T (t ) R e&(t )

t
-ψ 0T (t ) S ψ 0 - ∫ e&T (θ ) R e&(θ )dθ
tk
[ ]T
Soit le nouveau vecteur ξ (t ) = eT (t ) eT (tk ) . En fonction de ce vecteur on peut écrire les
relations suivantes:
24

e(t ) = M 1 ξ (t ) M 1 = [I n 0 n ]
 
e&(t ) = A e(t ) + Ac e(t k ) = M 3 ξ (t ) où M 2 = [I n − I n ]
e(t ) − e(t ) = M ξ (t ) M = [ A A ]
 k 2  3 c
Dans ce cas la dérivée devient:
2M 1T P M 3 − M T2 S M 2 
 
( )
t
V& (et ) = ξ T (t ) + τ m 2M T3 S M 2 + M T3 R M 3  ξ (t ) − ∫ e&T (θ ) R e&(θ )dθ (3.14)

(
+ τ (t ) − M 3 R M 3 − 2M 3 S M 2
T T
)


tk
t
Soit l'égalité 2 ξ (t ) N M 2ξ (t ) = 2 ξ (t ) N ∫ e&(θ )dθ ; où N ∈ IR 2 n × n est une matrice
T T
tk
quelconque. L'inégalité suivante est toujours vérifiée:

t
−1
2 ξ (t ) N M 2ξ (t ) ≤ τ (t ) ξ (t ) N R N ξ (t ) + ∫ e&T (θ ) R e&(θ )dθ
T T T
tk
En remplaçant dans (3.14) la dérivée V& (et ) peut être réécrite comme suit:
{ (
V& (et ) ≤ ξ T (t ) Π1 + τ m Π2 + τ (t ) N R −1 N − Π 2
T
) } ξ (t) (3.15)
Tel que:
Π1 = M 1T P M 3 + M T3 P M 1 − M T2 S M 2 − N M 2 − M T2 N T

Π 2 = M T2 S M 3 + M T3 S M 2 + M T3 R M 3
La dérivée (3.15) de la fonctionnelle de Lyapunov-Krasovskii est linéaire en fonction

du retard τ (t ) ∈ [0 τ m ] ; dans ce cas il est nécessaire et suffisant de vérifier la négativité de
cette dérivée aux deux extrémités τ (t ) = 0 et τ (t ) = τ m ; cela nous donne les conditions de
stabilité suivantes:
Π1 + τ m Π 2 ≤ 0
 (3.16)
Π1 + τ m N R −1 N T ≤ 0
Ces deux conditions peuvent être écrites sous forme LMI comme suit:
Π1 + τ m Π 2 ≤ 0
 Π1 τm N  (3.17)
 ≤0
τ m N − τ m R 
T
25

Pour le système donné en [7] et pour un gain L = [1.025 0.2012] , la fonction
d'optimisation gevp (sous Matlab) donne la valeur maximale τ m = 1.8812s permettant de

garantir la stabilité de l'observateur développé.
4. Stabilisation par retour de sortie des systèmes à mesures discrètes

Soit le système LTI commadable et observable précédent (3.1). Pour ce système en
considère qu'il existe un gain d'observation L et un gain de commande K p permettant de
stabiliser l'état x(t ) à partir de la sortie mesurée y(t ) . Pour les mêmes gains, d'observation L
et de commande K p , et dans le cas d'une sortie mesurée à des instants discret t k , on cherche
à déterminer la valeur maximale de temps τ m , entre deux mesures successives, pour lequel
xˆ(t ) tend asymptotiquement vers l'état x(t ) et x(t ) tend asymptotiquement vers 0 . On
propose deux versions différentes pour réaliser cet objectif.
4.1 Première Version

Dans cette première version, la commande continue u (t ) est fonction de l'état observé continu
u (t ) = K p xˆ (t ) . Les équations suivantes correspondent au problème étudié:
 x& (t ) = A x(t ) + B u (t )
 (3.18)
u(t ) = K p xˆ (t )
 x&ˆ (t ) = A xˆ (t ) + B u (t ) + L C [xˆ (t k ) − x(t k )]
 (3.19)
 y (t k ) = C x (t k )
e(t ) = xˆ (t ) − x (t )
Fig.4: Stabilisation par retour de sortie discrètes Version 1
26

x& (t ) = A x(t ) + B K p xˆ (t )
e&(t ) = A e(t ) + L C e(t ) (3.20)
 k
[ ]
 x& (t ) = A + B K p x(t ) + B K p e(t )

e&(t ) = A e(t ) + L C e(t k )
 x& (t ) = Acl x(t ) + Ad e(t )


e&(t ) = A e(t ) + Ac e(t k )
 x& (t )  Acl Ad   x (t ) 0 n 0n   x (t k ) 
 e&(t )  =  0 A   e(t )  + 0 Ac   e(t )  (3.21)
   n    n  k 
X& (t ) = A1 X (t ) + B1 X (t k )
Où
Acl = A + B K p A Ad 
A1 =  cl
 0n A 
Ad = B K p
0 0n 
Ac = L C B1 =  n 
0 n Ac 
X& (t ) = A1 X (t ) + B1 X (t − τ (t )) (3.22)
Si on considère la fonction de Lyapunov-Krasovskii suivante
t
V ( X t ) = X T (t ) P1 X (t ) + (τ m1 − τ (t )) ψ ST (t ) S1 ψ S (t ) + (τ m1 −τ (t )) ∫ X& (θ ) R1 X& (θ )dθ
T
tk
Tel que
 P1 = P 1 T > 0 ; S 1 = S 1T > 0 ; R1 = R1 T > 0

ψ s (t ) = X (t ) − X (t k )
V& ( X t ) = 2 X T (t ) P1 X& (t ) + 2 (τ m1 − τ (t )) ψ ST (t ) S 1 X& (t ) + (τ m1 − τ (t )) X& T (t ) R 1 X& (t )
t
-ψ (t ) S 1 ψ S - ∫ X& T (θ ) R 1 X& (θ )dθ
T
S
tk
[ ]T
Soit le nouveau vecteur ξ (t ) = X T (t ) X T (t k ) . En fonction de ce vecteur on peut écrire les
 X (t ) = M 1 ξ (t ) M 1 = [I n 0 n ]
 X& (t ) = A1 X (t ) + B1 X (t k ) = M 3 ξ (t ) où M 2 = [I n − I n ]
 X (t ) − X (t k ) = M 2 ξ (t ) M 3 = [A1 B1 ]
27


2M T P M − M T S M 

( ) 
1 1 3 2 1 2 t
V& ( X t ) = ξ T (t ) + τ m1 2M 3 S1 M 2 + M 3 R 1 M 3 ξ − ∫t X& (θ ) R1 X& (θ )dθ (3.23)
T T T
 ( t )
 (
+ τ (t ) − M T3 R1 M 3 − 2M T3 S1 M 2 )


k
Soit l'égalité 2 ξ T (t ) N M 2ξ (t ) = 2 ξ T (t ) N ∫
tk
X& (θ )dθ ; où N ∈ IR 2n n est une matrice

t
2 ξ T (t ) N M 2 ξ (t ) ≤ τ (t ) ξ T (t ) N R1 N ξ (t ) + ∫ X& T (θ ) R1 X& (θ )dθ
−1 T
tk
En remplaçant dans (3.23) la dérivée V& ( X t ) peut être réécrite comme suit:
La dérivée de la fonctionnelle de Lyapunov-Krasovskii précédente est donnée par ;

{ ( −1
V& ( X t ) ≤ ξ T (t ) Π 1V 1 + τ m1 Π 2V 1 + τ (t ) N R1 N − Π 2V 1
T
) } ξ (t )
Tel que:
Π 1V 1 = M 1T P1 M 3 + M 3T P1 M 1 − M T2 S 1 M 2 − N M 2 − M T2 N T

Π 2V 1 = M 2 S 1 M 3 + M 3 S 1 M 2 + M 3 R1 M 3
T T T
La dérivée de la fonctionnelle de Lyapunov-Krasovskii est linéaire en fonction du

retard τ (t ) ∈ [0 τ m1 ] ; dans ce cas il est nécessaire et suffisant de vérifier la négativité de cette
dérivée aux deux extrémités τ (t ) = 0 et τ (t ) = τ m1 ; cela nous donne les conditions de stabilité
suivantes:
Π 1V 1 + τ m1 Π 2V 1 ≤ 0
Π + τ N R −1 N T ≤ 0 (3.24)
 1V 1 m1 1
Π 1V 1 + τ m1 Π 2V 1 ≤ 0
 Π1 τ m1 N  (3.25)
 ≤0
τ m1 N − τ m1 R1 
T
4.2 Deuxième Version

Dans cette deuxième version, la commande utilisée u (t ) est fonction de l'état observé
discret u (t ) = u (t k ) = K p xˆ (tk ) . Les équations suivantes correspondent au problème étudié:
28

 x& (t ) = A x (t ) + B u (t )
 (3.26)
u (t k ) = K p xˆ (t k )
 xˆ& (t ) = A xˆ (t ) + B u (t ) + L C [xˆ (t k ) − x(t k ) ]
 (3.27)
 y (tk ) = C x(tk )
e(tk ) = xˆ (tk ) − x(tk )
Fig.5: Stabilisation par retour de sortie discrètes Version 2

x& (t ) = A x(t ) + B K p xˆ (t k )
e&(t ) = A e(t ) + L C e(t )
 k
x& (t ) = A x(t ) + B K p e(t k ) + BK p x(t k )

e&(t ) = A e(t ) + L C e(t )
 k
x& (t ) = A x(t ) + Ad e(t k ) + Ad x(t k )

e&(t ) = A e(t ) + A e(t ) (3.28)
 c k
 x& (t )  A 0n   x(t )  Ad Ad   x (t k )
 e&(t )  = 0 A   e(t )  +  0 Ac   e(t )  (3.29)
   n    n  k 
Où
Acl = A + B K p A 0n 
A2 = 
0 n A 
Ad = B K p
A Ad 
B2 =  d
Ac = L C
0n Ac 
X& (t ) = A2 X (t ) + B2 X (t − τ (t )) (3.30)
Si on considère la fonction de Lyapunov-Krasovskii suivante
t
V ( X t ) = X (t ) P2 X (t ) + (τ m2 −τ (t )) ψ (t ) S 2 ψ S (t ) + (τ m 2 −τ (t )) ∫ X& (θ ) R2 X& (θ )dθ
T T T
S
tk
29

Tel que
 P2 = P 2 T > 0 ; S 2 = S 2 T > 0 ; R 2 = R 2 T > 0

ψ S (t ) = X (t ) − X (t k )
V& ( X t ) = 2 X T (t ) P2 X& (t ) + 2 (τ m2 − τ (t )) ψ ST (t ) S 2 X& (t ) + (τ m 2 − τ (t )) X& T (t ) R 2 X& (t )
t
- ψ ST (t ) S 2 ψ S - ∫ X& T (θ ) R 2 X& (θ )dθ
tk
[ ] T
Soit le nouveau vecteur ξ (t ) = X T (t ) X T (t k ) . En fonction de ce vecteur on peut écrire les
 X (t ) = M 1 ξ (t ) M 1 = [I n 0 n ]
 X& (t ) = A2 X (t ) + B 2 X (t k ) = M 3 ξ (t ) où M 2 = [I n − I n ]
 X (t ) − X (t k ) = M 2 ξ (t ) M 3 = [A2 B 2 ]

2M T P M − M T S M 

( ) 
1 2 3 2 2 2 t
V& ( X t ) = ξ T (t ) + τ m 2 2M 3 S 2 M 2 + M 3 R 2 M 3  ξ (t ) − ∫ X (θ ) R2 X (θ )dθ (3.31)
T T &T &
 (
+ τ (t ) − M T3 R 2 M 3 − 2M T3 S 2 M 2 )


tk
Soit l'égalité 2 ξ (t ) N M 2ξ (t ) = 2 ξ (t ) N ∫ X& (θ )dθ ; où N ∈ IR 2n n est une matrice

T T
tk

t
2 ξ (t ) N M 2 ξ (t ) ≤ τ (t ) ξ (t ) N R2 N ξ (t ) + ∫ X& T (θ ) R2 X& (θ )dθ
T T −1 T
tk
En remplaçant dans (3.31) la dérivée V& ( X t ) peut être réécrite comme suit:
La dérivée de la fonctionnelle de Lyapunov-Krasovskii précédente est donnée par ;

{ ( −1
V& ( X t ) ≤ ξ T (t ) Π 1V 2 + τ m 2 Π 2V 2 + τ (t ) N R2 N − Π 2V 2
T
) } ξ (t )
Tel que:
Π 1V 2 = M 1T P2 M 3 + M T3 P2 M 1 − M T2 S 2 M 2 − N M 2 − M T2 N T

Π 2V 2 = M 2 S 2 M 3 + M 3 S 2 M 2 + M 3 R 2 M 3
T T T
La dérivée de la fonctionnelle de Lyapunov-Krasovskii est linéaire en fonction du

retard τ (t ) ∈ [0 τ m2 ] ; dans ce cas il est nécessaire et suffisant de vérifier la négativité de cette
30

dérivée aux deux extrémités τ (t ) = 0 et τ (t ) = τ m 2 ; cela nous donne les conditions de stabilité
suivantes:
Π 1V 2 + τ m 2 Π 2V 2 ≤ 0
Π + τ N R −1 N T ≤ 0 (3.32)
 1V 2 m2 2
Π 1V 2 + τ m 2 Π 2V 2 ≤ 0
 Π1 τ m2 N  (3.33)
 ≤0
τ m 2 N − τ m 2 R 2 
T
Conclusion
Dans ce chapitre nous avons rappelé l'observateur bien connu de Luenberger et la
stabilisation par retour de sortie pour le cas des systèmes LTI. Nous avons étendu ces deux
résultats au cas des systèmes LTI à mesures discrètes. En effet, nous avons démontré qu'il est
possible toujours de trouver un τ m permettant de stabiliser l’observateur et le système par
retour de sortie.
Différentes simulations seront présentées dans le prochain chapitre pour renforcer les
résultats théoriques établies dans ce chapitre.
31

Chapitre 4 Simulations et discussions
Dans l'objectif de montrer la validité de l'étude théorique développée dans les précédents
chapitres; nous présenterons ici un ensemble de simulations.
1. Description du système
Soit le système LTI suivant. Où x ∈ IR 2 et u ∈ IR représentent respectivement la
variable d’état et le vecteur d'entrée de commande; A et B sont des matrices constantes de
dimension n=2:
 x& (t ) = A x(t ) + B u (t )
 (4.1)
 y (t ) = C x(t )
0 1  0
Avec : A =   B =   C = [1 0]
0 − 0.1 0.1
Noter que le système instable (4.1) est commandable et observable.
2. Simulation de l'observateur de Luenberger à mesures discrètes

Pour le système (4.1) nous avons calculé le gain d'observation pour l'observateur de
Luenberger continu et la valeur τ m correspondante pour l'observateur de Luenberger à
mesures discrètes. Ces valeurs sont: L = [0.9650 0.0628] τ m = 2.05 s .
Les courbes ci-après montrent les résultats de l'observateur de Luenberger à mesures

discrètes pour différentes valeurs de τ . Les valeurs considérées sont respectivement de l'ordre
de 50%, 75% et 95% de τ m .
e1(t ) : Erreur d'observation xˆ1(t ) − x1(t ) .

x1 et x 2 : les états réels du système.
x1L et x 2L : les états observés, observateur de Luenberger.
x1LD et x 2 LD : les états observés, observateur de Luenberger à mesures discrètes.
32

Fig.1: Erreur d’observation e1(t ) pour différents τ p τ m
Fig.2: Erreur d’observation e1( k ) pour différents τ p τ m
Fig.3: Comparaison entre: x1, x1L et x1LD pour différents τ < τ m
33

Fig.4: Zoom sur la figure 3.
Fig.5: Comparaison entre: y1( k ) et xˆ1( k ) à τ = 0.95 τ m
Fig.6: Comparaison entre: x2, x2L et x2LD pour différents τ < τ m
34

Fig.7: les erreurs d’observation e(k ) pour τ (t ) ≥ τ m
Discussion:
Les figures de 1 à 6 montrent le bon comportement de l'observateur de Luenberger à
mesures discrets. en effet, pour les valeurs de τ inférieur à τ m , cet observateur converge
asymptotiquement vers les l'états réels du système. Cependant, on remarque que la

convergence est plus lente lorsque τ approche de la valeur maximale τ m . D'autre part, on
constate que l'observateur diverge pour des valeurs légèrement supérieurs à τ m (figure 7).
3. Stabilisation par retour de sortie

Pour le système (4.1), nous avons calculé le gain d'observation et le gain de commande
pour la stabilisation par retour de sortie dans le cas purement continu. Pour ces deux valeurs
de gain nous avons calculé les valeurs maximales τ m correspondantes aux deux versions
étudiés dans le chapitre précédent. Ces valeurs sont: L = [0.9650 0.0628]
K p = [- 3.75 - 11.5] τ m1 = 1.81s τ m2 = 1.66s .
Les courbes ci-après montrent les résultats de stabilisation du système 4.1 pour les
deux versions proposés. Pour les deux versions on utilise les valeurs suivantes pour τ :
τ = 0.5 τ m2 ; τ = 0.95 τ m2 ; τ = 1.05 τ m2 .
e1(t ) : Erreur d'observation xˆ1(t ) − x1(t ) .
x1 et x 2 : les états réels du système.
x1L et x 2L : les états observés, observateur de Luenberger.
35

x1LD1 et x 2 LD1 : les états observés, observateur de Luenberger à mesures discrètes

version 1.
x1LD2 et x 2 LD2 : les états observés, observateur de Luenberger à mesures discrètes
version 2.
Simulation1: τ = 0.5 τ m2 :
Fig.8: comparaison entre les états x1, x1L, x1LD1 et x1LD 2
Fig.9: comparaison entre les sorties y (t ) , y (k ) LD1 et y (k ) LD 2
36

Fig.10: comparaison entre les états x 2, x 2 L, x 2 LD1 et x 2 LD 2
Fig.11: comparaison entre les commandes uL , uLD1, uLD 2
Fig.12: comparaison entre les états x1, x1L, x1LD1 et x1LD 2
37

Fig.14: Comparaison entre les commandes uL , uLD1, uLD 2
Fig.15: comparaison entre les sorties y (t ) L, y (k ) LD1 et y (k ) LD 2
38

Fig.16 : comparaison entre les états x1, x1L, x1LD1 et x1LD 2
Fig.18: Comparaison entre les commandes uL , uLD1, uLD 2
39

Fig.19: comparaison entre les sorties y (t ) L, y (k ) LD1 et y (k ) LD 2
Discussion:
Les différentes figures montrent le bon comportement de la loi commande stabilisante. En
effet, pour les valeurs de τ inférieur à τ m , la commande déterminée permet de ramener le
système (4.1) à son point d'équilibre x = 0 . Cependant, on remarque que la première version
converge plus rapidement que la deuxième version. Comme prévu théoriquement, pour τ
supérieur à τ m 2 , la deuxième version diverge alors que la première converge toujours (voir
figure 16). D'autre part, on remarque aussi que la qualité des signaux est meilleure dans le cas
de la première version.
Conclusion
Les résultats de simulation obtenus ont confirmé les résultats théoriques développés
dans le chapitre précédent. En effet, les différentes simulations montrent bien que, pour toute
valeur de τ inférieures à la valeur maximale τ m , l'observation et la stabilisation sont
garanties. Pour des valeurs légèrement supérieurs à τ m , l'observation et la stabilisation du

système entre rapidement en instabilité.
40

Conclusion générale
Les théorèmes de Lyapunov traitent des systèmes continus sans retard et en particulier
les systèmes LTI.
En premier lieu on a fait une présentation détaillée de la notion de stabilité de ce même
type de systèmes et selon ce même théorème, et où les conditions de stabilité ont été
présentées sous forme de LMI.
En deuxième lieu, et dans le cadre des systèmes à retard, les théorèmes de Lyapunov
ont été étendus par deux chercheurs Krasovskii et Razumikhin, ces dernièrs se prêtent
parfaitement à l’étude des systèmes continus à mesures discrètes.
Inspirant d’un résultat existant et afin d’améliorer son l’intérêt pratique, nous avons
essayé de proposer une fonctionnelle de Krasovskii afin d’obtenir un τ m plus grand.
Malheureusement nos équations permettent de trouver un τ m inférieur à celui de l’article.
Les simulations effectuées dans ce mémoire ont porté sur la stabilisation et

l’observation des systèmes LTI à mesures discrètes. Nous avons donc démontré qu’il est
toujours possible de trouver un τ m permettant de stabiliser cet observateur et le système par
retour de sortie. L’implémentation d’un observateur et d’une commande stabilisante donnent

donc des résultats avec succès. En effet, pour des valeurs de τ inférieures à la valeur
maximale τ m , l’observation et la stabilisation sont garanties. La rapidité de divergence et de
l’instabilité est remarquée pour des valeurs de τ m légèrement supérieures à τ m .
En fin, on espère que ce modeste travail constituera une base pour des études
concernant la stabilisation et l’observation des systèmes spécialement ceux à mesures
discrètes.

Bibliographie
[1] Fonction de Lyapunov et stabilité globale pour un modèle de Kermack-

McKendrick avec l’âge d’infection, Mr.CHEKROUN Abdennasser, mémoire
Master, Option : Systèmes dynamiques et applications à la dynamiques de
populations, université BOUBEKR BELKAID – TLEMCEN, 2011-2012.
[2] Nonlinear Systems, H.Khalil, Prentice Hall, (1996).2rdedition.
[3] Modélisation et commande d’un système multi-moteur par la technique de

commande Backstepping, FAHED ESHBAIR, Août 2005.
[4] Linear matrix inequality, Dr A.Vali, mai 2012.
[5] Calcul et Robustification d’un Controleur PID Multivariable par Approche LMI,
HADEF Souhila, 2007.
[6] Synthèse d’observateurs pour les systèmes non linéaires à retards, Mr Amine
SBOUI, Mémoire de doctorat, Spécialité : Automatique, productique, Université
de Caen/Basse-Normandie, 2010.
[7] Stability analysis for sampled-data systems with a time-varying period,
Alexandre Seuret, Version 1-2009

Annexe
Complément de Schur
Soient trois matrices affines par rapport à la variable , les matrices
étant symétriques.
La LMI est équivalente aux inégalités suivantes ;
(1)
Inégalité classique
si alors

Djoudrez Kamilia

Transféré par

Droits d'auteur :

Formats disponibles

Djoudrez Kamilia

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Djoudrez Kamilia

Transféré par

Droits d'auteur :

Formats disponibles

République Algérienne Démocratique et Populaire

Ministère de L’Enseignement Supérieur et de la A Recherche Scientifique

Université Mouloud Mammeri De Tizi-Ouzou

Faculté De Génie Electrique Et d’Informatique

Mémoire de Fin d’Etude

Observation et stabilisation des

PDF created with pdfFactory Pro trial version www.pdffactory.com

Université Mouloud Mammeri De Tizi-Ouzou

Faculté De Génie Electrique Et d’Informatique

Mémoire de Fin d’Etude

Observation et stabilisation des

PDF created with pdfFactory Pro trial version www.pdffactory.com

Je tiens tout particulièrement à exprimer ma

Que tous ceux qui ont contribué de prés ou de loin

PDF created with pdfFactory Pro trial version www.pdffactory.com

PDF created with pdfFactory Pro trial version www.pdffactory.com

1 Notions de stabilité ............................................................................................... 1

1.2 Méthode directe de Lyapunov ............................................................................... 4

1.2.1 Fonction candidate de Lyapunov .................................................................. 4

1.2.2 Choix de la fonction de Lyapunov ...................... Erreur ! Signet non défini.

2 Stabilité des systèmes linéaires(LTI) ........................... Erreur ! Signet non défini.

2.2 Stabilisation des systèmes LTI .............................................................................. 7

Chapitre 2: Stabilisation des systèmes LTI à mesures discrètes

1 Définition d’un système à retard ......................................................................... 10

Chapitre 3: Observation et stabilisation des systèmes LTI à mesures

1 Observation des systèmes LTI ............................................................................ 20

PDF created with pdfFactory Pro trial version www.pdffactory.com

4.2 Deuxième Version .............................................................................................. 28

Chapitre 4: Simulations et discussions

1 Description du système ....................................................................................... 32

3 Stabilisation par retour de sortie .......................................................................... 35

PDF created with pdfFactory Pro trial version www.pdffactory.com

L'étude de la stabilité des systèmes est un domaine où plusieurs résultats théoriques

Ce mémoire se subdivise en quatre chapitres suivant.

PDF created with pdfFactory Pro trial version www.pdffactory.com

Nous terminerons ce mémoire par une conclusion générale.

PDF created with pdfFactory Pro trial version www.pdffactory.com

v Définition d’un système

x ∈ IRn : État du système.

Où L f 0 est la constante de Lipschitz.

PDF created with pdfFactory Pro trial version www.pdffactory.com

y& = x& = f ( x ) = f ( x + x ) = g ( y ) (1.4)

1.1 Approches de Lyapunov

Fig.1: trajectoire stable

PDF created with pdfFactory Pro trial version www.pdffactory.com

v Équilibre asymptotiquement stable

PDF created with pdfFactory Pro trial version www.pdffactory.com

Fig.2: trajectoire exponentiellement stable

1.2 Méthode directe de Lyapunov

1.2.1 Fonction candidate de Lyapunov

PDF created with pdfFactory Pro trial version www.pdffactory.com

L'étude de stabilité du système revient à l'étude du signe de cette dérivée.

ii) V ( x) > 0 dans D − {0}

iii) V& ( x) ≤ 0 dans D

alors x = 0 est un point d’équilibre stable.

ii) V ( x) > 0 dans D − {0},

iii) V& ( x) < 0 dans D − {0}

PDF created with pdfFactory Pro trial version www.pdffactory.com