Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

Identification des Systèmes Dynamiques

A. Naitali, ENSAM, Université Mohammed V de Rabat

 théorie d’identification dans la résolution des problèmes

Résumé—L’identification des systèmes dynamique est une directs et inverses souvent rencontrées en ingénierie des
composante fondamentale d’Automatique dont l’objectif consiste systèmes. Dès la position du problème d’identification par L.
à construire des modèles mathématiques à partir Zadeh et R.E. Kalman au début des années 60, deux solutions
d’enregistrements de signaux d’entrée et de sortie. Dans leurs
forme générale, les méthodes d’identification sont des processus ont été développées en 1965 selon deux approches
itératifs où l’on cherche à sélectionner (ou le cas échéant d’identification différentes : la méthode de projection par Ho
développer) une classe de modèles et d’estimer les valeurs de ses and Kalman 1965, et les méthodes dites de l’erreur de
paramètres qui minimisent une fonction de cout exprimée en prédiction (PEM) par K.J. Astrom. Le premier livre dédié à
termes d’une norme de l’erreur de prédiction et de complexité. cette nouvelle science a été édité par Box and Jenkins en 1970.
Plusieurs théories en relation avec les signaux et systèmes sont
invoquées. Dans le contexte de formation académique nous nous
limiterons dans la présente lecture aux éléments essentiels à
Le reste du document est organisé comme suit :
l’appréhension du noyau de la science. Ces éléments sont ensuite , 2. Les concepts de base de la science d’identification
mobilisés pour résoudre deux problèmes concrets d’identification 3. Représentation des Signaux
des systèmes linéaires : l’identification de la meilleur 4. Modélisation des Systèmes
approximation linéaire d’un Benchmark non linéaire et le 5. Estimation Paramétrique
diagnostic automatique par identification d’un système de 6. Exemple d’Identification de la BLA d’un Système NL
suspension automobile.
7. Synthèse
Index Terms—System identification, OEM, Projection,
Estimation, least squares.
II. INTRODUCTION A LA THEORIE D’IDENTIFICATION
I. INTRODUCTION
A. Les concepts
Les problèmes rencontrés en ingénierie des systèmes
La science d’identification repose sur une théorie statistique
peuvent être scindés en deux classes de problèmes: (i) La
qui évolue autour des 8 concepts fondamentaux:
classe des problèmes directs, où étant donnée une description
 Les Modèles
d’un système, le problème consiste à trouver une séquence de  La Description vraie
sortie en réponse à une séquence d’entrée: c’est un problème  Les Classes de modèle et leur Complexité
de Simulation, et (ii) La classe des problèmes inverses. Deux  Les Informations
types de problèmes inverses peuvent se poser: (i) Etant donné  L’Estimation
une description du système, le problème consiste à trouver une  La Validation
séquence d’entrée qui permettrait de produire une séquence de  L’Adaptation
sortie désirée : C’est le problème de contrôle ; ou (ii) Etant 1) Les Modèles m 
donnée une séquence des signaux d’entrée et de sortie, trouver Par définition, Un modèle est une représentation
un modèle du système, qui minimise un certain critère mathématique d’un objet réel qui permet de prédire ses
d’erreur: c’est le problème d’identification sujet de la présente propriétés et/ou son comportement en réponse à une excitation
lecture. donnée.
Pour un système, c’est la ou l’ensemble de relations qui lies
L’identification est la science de construction de modèles ses sorties à ses entrées. Typiquement, cette relation est une
mathématiques à partir des signaux ou données expression mathématique, une table ou un graphique, qui
d’entrée/sorties. Pour les systèmes à faible dimensionnalité, un décrit l’objet en relation avec les signaux observés.
modèle mathématique peut être obtenu par application des
premiers principes de physique. Toutes fois pour les systèmes Exemples de modèle: graphe ou table de croissance, réponse
de grandes dimensions ou pour des phénomènes mal connus, et impulsionnelle, fonction de transfert, représentation d’état,
c’est ce qui est souvent le cas, la construction de modèles par etc...
identification devient nécessaire. D’où L’importance de la
2) Les Classes de Modèles M 
Manuscript communicated mars 7, 2017. C’est un ensemble de modèles régis par une relation
A. Naitali is with the Institute of Electrical and Electronic Engineering, s’exprimant en fonction d’un ensemble finis de paramètres.
New York, USA (e-mail: a.naitali@ieee.org).

1/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

Exemples: tous les modèles d’ordre n, tous les modèles d’états yˆ (t  )  g (Z t , θ) (4)
d’ordre n, ou tous les modèles d’états d’ordre n à m entrées et
l sorties...
3) Description vraie S
Il ne serait pas réaliste de trouver une vraie description de
l’objet à modéliser. Tout dépend du point de vue. Par
conséquent il convient de considérer une telle description
comme une abstraction de la réalité à un niveau donné.
Cette description s’apparente bien à la notion de modèle
mais avec une plus grande complexité. La description vraie
est notée
Exemple : Circuit électrique, Modèle de Ebers et Moll d’un
transistor, modèle dynamique d’un mécanisme, ...
4) Complexité des modèles C(M) Figure 1. Ajustement des paramètres du model sélectionné

C’est une mesure croissante de la taille (en paramètres) de la

7) Validation
classe de modèles exprimant un degré de flexibilité du modèle.
C’est le processus crucial de généralisation que le modèle
L’ordre d’une fonction de transfert est par exemple une mesure
est utilisable non seulement pour les données d’estimation
de sa complexité. Pour sélectionner la complexité d’un
mais aussi pour d’autres ensembles de données d’intérêt. C’est
modèle, un bon compromis entre sa précision d’un modèle et
une étape nécessaire pour la justification de la consistance du
sa complexité peut être assuré en choisissant la complexité qui
minimise l’indicateur d’Akaike ou bien la prédiction de modèle. Les données de validation sont notées Z vN . Le modèle
l’erreur finale (FPE), par exemple. est d’autant plus consistant qu’il prédit bien un plus grand
5) Les informations Z  nombre d’ensemble d’observations.
Elles regroupent aussi bien les données observées que des Exemple: Validation en régime harmonique d’un modèle
propriétés relevant d’une connaissance préalable sur le d’un système obtenu à partir de sa réponse impulsionnelle.
système. Données d’estimation dans le domaine temporel, ces
données sont définies et notées comme suit : 8) Adaptation  f(Z,m) 
La fonction d’adaptation d’un modèle à des données indique
Z eN  ( y1 , u1 ), ( y2 , u 2 ),.., ( y N , u N )  ( yk , u k ), k  1,.., N 
à quel taux le modèle explique les données. Ce taux est
(1)
exprimé par un scalaire positif d’autant plus grand que le
modèle explique bien les données.
N étant la taille de l’ensemble des données par couples
d’E/S.
D’autres information à priori sur le système peuvent être f 1(Z vN ,m)  f 1(Z eN ,m)  h(C( M), N ) (5)
utilisées pour sélectionner une classe de modèle. Par exemple
s’il s’agit il s’agit d’un filtre passe bas du 3ème ordre, ... B. Le Processus d’identification

6) Estimation
C’est le processus d’adaptation (ou de sélection) du modèle
guidé par l’information. Les données utilisés par ce processus
sont dites données d’estimation ou encore d’apprentissage
(training) notées Z eN

θ∈ R d

ˆN = arg min V(Z eN , θ)   
2
 (2)

où V(Z eN , θ) est un critère d’erreur, généralement d’état de

sortie, ou bien du modèle:
Figure 2 Procédure d’identification (L. Ljung, 1992)
N
V(Z eN , θ)  ∑ y (t ) - yˆ (t  )
2
(3)
t 1

où yˆ (t  ) est la sortie du système, estimée par un prédicteur g,

parametré par un vecteur de parametres θ à dimension finie:

2/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

C. Problèmes Majeurs Sous-jacents 3) Classification des signaux

1) Modélisation mathématique: Développement de Les signaux peuvent être classifiés selon : (i) le type des
classes de modèles mathématiques linéaires et non signaux (discrets ou continus), leurs interprétation
linéaires, déterministes, et stochastiques. (informatifs, énergétiques, consigne ou contraintes) ; (ii) leur
2) d’Estimation paramétrique : Développement nature (déterministes, stochastiques, ou combinés), et selon
d’algorithmes d’Estimation, i.e. d’optimisation, analyse de (iii) le domaine de représentation (temporel ou bien
la convergence, et estimation des incertitudes des modèles fréquentiel x(t ), t   ou bien X ( ),    .
3) Conception des entrées excitantes persistante :
Développement de signaux PE déterministes et flexibles B. Représentation des Signaux déterministes

1) Signaux et propriétés de base:

III. REPRESENTATION DES SIGNAUX
Impulsion 1 if t 0
x(t )  
La construction de modèles reposent sur et seulement sur la (Pulse) 0 otherwise
connaissance de signaux qui peuvent correspondre à : (i) des
Echellon 1 if t0
entrées et des sorties (qui peuvent représenter des états) dans x(t )  
le contexte déterministe, (ii) des sorties uniquement (en (Step) 0 otherwise
identification aveugle), des entrées, des sorties, et des bruits de Rampe t if t0
mesure et de modélisation dans le contexte stochastique. La x(t )  
(Saw-tooth) 0 otherwise
maitrise des outils et métriques de caractérisation des signaux
aussi bien dans le domaine temporel que fréquentielle est Sinusoid x(t )  X 2 sin( 2ft   )
d’une importance capitale pour évaluer les performances d’un
modèle construit et garantir sa précision.
2) Métriques de caractérisation des signaux temporelles
A. Préliminaires Soit x (t )   valeurs instantanées monodimensionnel :
1) Définition d’un Signal
x (t )   , ou multidimensionnel : x(t )   n , t  
Un signal est un phénomène spatio-temporel observable.
C’est une application dans ensemble fini qui, à un phénomène
x associe une grandeur f (x) interprétable dans un langage à Maximum max x(t )
tT 
vocabulaire fini : Moyenne 1 N
1 N

EF
x
N

k 1
x(t ), oubien  x(t ) ,pour N grand
N  1 k 1
f : (6)
x  y  f ( x) Déviation N

 x(t )  x 
1
std ( x) 
2
standard
N k 1
Deux types de signaux : un ou bien une séquence,
variance N
var( x)  std ( x)   x(t )  x 2
1
d’évènement(s) ou bien d’état(s). 2

N

k 1

2) Exemples de signaux
Messages et indicateurs : le champ des coqs juste avant la 3) Représentation fréquentielle
levé du jour, borne kilométrique, repères géographiques ou N

 x(t )e
Transformée de 1  it
géostationnaires, croissant lunaire, dépassement d’un seuil de X N ( )  ,
Fourrier N k 1
sécurité (rayonnements toxiques, …), ou de performances
(records …), pénurie d’une ressource naturelle seuil de réserve  k 
DFT ( x)   X N (2 )
(gestion des stocks..) …  N  k 1,.., N
N k
1 k  i 2
 X N (2 N )e
t
Etats ou grandeurs, d’origine naturelle, biologique, DFT inverse x(t )  N

physique, ou statistique,..: tels que les battements ou rythme N k 1

cardiaques, température, degré d’infection microbiologique k k
X N ( 2 ) poids à la fréquence   2 ,
d’un patient, la pression, l’humidité, la vitesse et direction du N N
souffle du vent du vent, la lumière du jour, pression X N ( )
2
Périodogramme de x(t )
atmosphérique, rayonnement cosmiques, taux de pollution
(chimiques, sonores, électromagnétique…), le taux de 2 Contribution énergétique du signal à la
k
X N (2 ) k
chômage, taux de croissance, le PH d’une solution aqueuse, N fréquence   2
mouvement (position, vitesse, couple.) d’un objet, tension, N
2
courant, débits, niveaux… N
k N

X )   x(t )
Formule de
(2
2
N
Parseval k 1 N t 1

3/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

Si v (t ) est de moyenne nulle avec une variance R et si H (q )

C. Représentation des Signaux stochastiques est un filtre stable à minimum de phase, alors on a
Un processus stochastique est un processus aléatoire qui 2
évolue dans le temps. Un processus stochastique est dit  v ( )  H (ei ) R (11)
stationnaire est un processus dont les tendances moyennes sont
temporellement invariantes (valeur moyenne, autocorrélation.)
IV. MODELISATION DES SYSTEMES
1) Métriques de caractérisation des signaux stochastiques
dans le domaine temporelle A. Modélisation des systèmes linéaires (LTI)
Les fonctions de corrélation peuvent être très 1) Modèles Non paramétriques
avantageusement exploitées dans le cadre d’identification pour
détecter les entrées les plus influente sur un système par Exemple de la réponse impulsionnelle d’un processus
utilisation de la fonction d’inter corrélation, ainsi que pour le continu du temps :
test de blanchiment de l’erreur de prédiction par l’utilisation
de la fonction d’autocorrélation. 
y(t )   h( )u (t   )d (13)
0

Rvv ( )  Rv ( )  E x(t ) x(t   ) 

Fonction
d’Autocorrélation : 

y(kT )   h( )u (kT   )d
 R ( )e
0
i
Densité spectrale:  v ( )  v
    
y (kT )     h( )d u (k  l )T    hT (l ) u (k  l )T  (14)
( l 1)T
Fonction d’inter corrélation Ruv ( )  E u (t )v(t   ) 
l 0  
lT
l 0



Densité spectral de
 uv ( )  Ruv ( )e i
puissance   Réponse impulsionnelle discrète du processus échantillonné:

( l 1)T
1 
hT (l )   h( )d
Par définition : Ev 2 (t ) 
2 

 v ( )d lT
(15)

D’autres modèles non paramétriques peuvent être

2) Estimation de la fonction d’autocorrélation
représentés par des lois de distributions aussi bien dans le
Pour une séquence donnée l’Esperance mathématique peut être domaine temporel que fréquentiel (Gauss, ...).
remplacée par la somme
2) Modèles Paramétriques
1 N Plusieurs classes de modèles paramétriques peuvent être
Rˆ uv ( ) 
N

t 1
u (t )v(t   ) (7) utilisées en identification. Pour les systèmes linéaires
invariants (stationnaires), deux classes de modèles sont les
plus utilisées: les modèles d’état, et les modèles polynomiaux.
Le Spectre de la fonction d’autocorrélation est donné par : Pour les systèmes non linéaires plusieurs approches peuvent

être suivies : modèles d’état non linéaires, modèles non
 uv ( )  
 
Rˆ uv ( )e i (8)
linéaires orienté bloc, modèles multiples. Les classes de
modèles pratiques souvent rencontré en identification sont
Le Calcul de l’autocorrélation pour une séquence combinée présentées et discutées dans les sous-sections qui suivent.
i.e. en déterministe et stochastique en parties

N a) Représentation par fonctions de transferts

1
Ruu ( )  lim
N  N
 u(t )u(t   )
t 1
(9) polynomiales
En introduisant l’opérateur d’avance q : qx(t )  x(t  1) and

Remarque 2, On peut montrer que tout processus par conséquent l’opérateur de retard q 1 : q 1 x(t )  x(t  1) , on
stationnaire peut être généré par un bruit blanc filtré par filtre peut écrire un signal échantillonné comme un produit de
stable à minimum de phase convolution :

v(t )  H (q)e(t ) (10) 

  
y (t )   hk u (t  k )    hk q  k u (t )  G (q 1 )u (t ) (16a)
k 1  k 1 

4/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

où G ( q 1 ) est la fonction de transfert discrète du système B(q 1 )  b1q 1  ..  an q  n

B
B 1
; b0  0 (27)
échantillonné définie par (16b) C(q 1 )  1  c1q 1  ..  cn q nC
C
(28)
 D(q 1 )  1  d1q 1  ..  d n q  n D
(29)
G (q 1 )   hk q  k
D
(16b) 1 1  nF
k 1 F (q )  1  f1q  ..  f n q F
(30)

Pour un système d’ordre quelconque na : b) Modèles de Régression

1  nb 1
b1q  ..  bn q B( q ) Pour un processus LTI avec des perturbations e(t ) , la sortie
G( q 1 )  1  na
 1
(17)
1  a1q  ..  an A q A( q ) du système y (t ) peut être écrite sous forme d’une régression
Soit: comme suit :
A( q 1 ) y (t )  B (q 1 )u (t ) (18) y ( t )   ( t ) T   e( t ) , (31)
où    et  (t )  
nd nd
désignent respectivement le vecteur
En prenant en considération les En prenant en considération de paramètres et de régression du modèle considéré. Dans le
le bruit de sortie (souvent de mesure) un système SISO linéaire cas particulier du modèle ARX, ces vecteurs s’expriment
peut être modélisé par deux fonctions de transfert G ( q 1 ) et comme suit :
H ( q 1 ) comme précisé sur la figure 3, où e(t ) est une variable
aléatoire bornée et à valeur moyenne nulle.   a1 .. ana b1 .. bnb T  n a  nb
(32)

e(t )
et
 (t )   y (t  1) ..  y (t  na ) u (t  1) .. y (t  nb )T  n a  nb
(33)

H Pour les systèmes linéaires variant (non stationnaires) sujet

à des perturbations, le modèle de régression est explicité en
fonction du temps comme suit:
u (t ) G  y (t )

Figure 3 Modélisation d’un système S par l’approche OEM y (t  (t ))   (t )T  (t )  e(t ) (34)

Processus combiné : a) Représentation d’état

Soit S un système linéaire invariant de sortie y (t )   l 1
y ( t )  G ( q 1 ) u ( t )  H ( q 1 ) e ( t ) (19)
commandé par une entrée u (t )   m1 .
1 1
B( q ) C(q )
A( q 1 ) y (t )  1
u(t  nk )  e( t ) (20)
F (q ) D( q 1 ) En introduisant un vecteur d’état x (t )   n1 composé de n
1
v (t )  H ( q )e(t ) non mesurable, inconnue à caractériser ! variables d’état indépendantes du système :
 
E eT (t )e(t )   supposée connue à priori.

x(t )  x1 (t ) x2 (t )... xn (t ) T  (35)
Modèle Equation d’E/S
Auto régressive 1
A( q ) y (t )  e(t ) Le modèle d’état de S peut être est formulée comme suit :
(21)
(AR)
Output Error B(q 1 )  x(t  1)  Ax (t )  Bu (t )  w(t )
y (t )  u (t  nk )  e(t ) (22)  (36)
(OE) A(q 1 )  y (t )  Cx (t )  Du (t )  v(t )
B(q 1 ) 1
ARX y (t )  u (t  nk )  e(t ) (23)
1
A(q ) A(q 1 ) où A   n n , B   nm , C  l  n , D  l m désignent les
ARMAX A(q 1 ) y (t )  B (q 1 )u (t  nk )  C (q 1 )e(t ) (24) matrices d’état, de commande, de sortie et de transfert
directe et où w   n1 et v   n1 dénotes les bruits d’état et
m
Bi (q 1 ) C (q 1 )
Box-Jenkins y (t )   1
ui (t  nk i )  e(t ) (25) de mesures
i 1 Fi (q ) D(q 1 )
Remarque, La représentation n’est pas unique, du moment
Tous ces polynômes sont moniques excepté B ( q 1 ) que toute combinaison linéaire d’états est un état. Le passage
A(q 1 )  1  a1q 1  ..  an q  n A
(26) d’une forme à une autre, est obtenue par une matrice de
A

5/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

transformation linéaire P dite matrice de similarité. non linéaire suivant :

x(t )  P  z (t ) (37) x(t  1)  f ( x(t ), u (t ))  w(t )

(41)
 z (t  1)  P APz (t )  P Bu (t )  P w(t )
1 1 1 y (t )  g ( x(t ), u (t ))  v(t )
 (38)
ou x (t ) désigne l’état du système et ou w(t ) et
 y (t )  CPz (t )  Du (t )  v(t )
v(t ) représentent les erreurs de modélisation (sur l’état) et de
Cas particulier des formes canonique observable, modale, et mesure (en sortie), respectivement.
compagnon. Plusieurs variantes du modèle (41) existent, la différence
réside dans la manière dont la non linéarité est prise en compte
  a1 .. 0
1 0  b1  et la ou les bases de fonctions utilisées pour la représenter
 a 0 1 0.. 0 b  (expo, poly, RBF, …).
 2  2
A   .. .. .. .. ..   nn , B      nm , 2) Les modèles orientés blocs(BOM)
    (39)
 .. .. .. .. 1  
 an 0 .. .. 0 bn  Hammerstein :
  
x(t  1)  A  x(t )  Bf (u (t ))  w(t )
C  1 0 .. .. 0  , D  0 1m
1n
(42)
y (t )  Cx(t )  v(t )

Etant donné A   n n , B   nm , and D  l  m , la

Wiener:
fonction de transfert d’un système linéaire inva riant peut être
retrouvée depuis la forme d’état canonique observable par:  x(t  1)  A  x(t )  Bu (t )  w(t )
 (43)
 y (t )  g (Cx (t ))  v(t )
G ( q )  C ( qI  A) 1 B  D (40)
Hammerstein-Wiener :
B. Modélisation des systèmes non linéaires x(t  1)  A  x(t )  Bf (u (t ))  w(t )
(44)
Sans vouloir être exhaustif , nous nous restreindrons dans y (t )  g (Cx(t ))  v(t )
cette introduction aux systèmes non linéaires aux grandes
classes de modelés non linéaires couramment utilisée aussi Wiener-Hammerstein:
bien en situation réelle que de recherche et développement des
xin (t  1)  Ain  xin (t )  Binu (t )  win (t )
méthodes d’identification. (45)
yin (t )  Cin x(t )
e(t )
xout (t  1)  Aout  xout (t )  Bout  f ( yin )  wout (t )
y (t )  Cout xout (t )  v(t )
H (q 1 )

3) Les modèles variants

u (t ) g (.)  y (t ) Si f et g sont différentiables par rapport à x et u et Si les
dérivées partielles ne dépendent pas explicitement du temps,
e(t )
alors:

x(t  1)  A( x, u )  x(t )  B( x, u ).u (t )  w(t ) (47)

h(.) y(t )  C ( x, u )  x(t )  D( x, u ).u (t )  v(t )

Sinon, i.e. si les paramètres dépendent explicitement du temps

u (t ) G(q 1 )  y (t )
(LTV) :
x(t  1)  A(t )  x(t )  B(t ).u (t )  w(t ) (48)
Figure 4 Modèles Nion Linéaires Orientés Blocs (Block
y(t )  C (t )  x(t )  D(t ).u (t )  v(t )
oriented nonlinear models)

1) Modèles d’états non linéaires (NLSS)

De façon générale la réponse d’un système non linéaire

quelconque y (t ) en réponse à un signal de commande
u (t ) peut être représentée par le modèle d’état complètement

6/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

4) Les modèles multiples pour tout t e  t , le filtrage (data filtering) pour te  t , et la

a) Multi-modèles (LLM : problème actuellement prédiction (data prediction) pour t e  t . Présentement nous
ouvert) nous intéressons uniquement au problème de prédiction pour
Si le comportement du système présente un nombre de des fins de contrôle ou de diagnostic.
régimes fini il est plus commode de recourir à l’approche . Pour les systèmes linéaires, la fonction de cout de l’erreur de
multi-modèle (49-50). prédiction est convexe c.à.d qu’elle présente un seul minimum,
m qui peut être facilement trouvé par l’utilisation d’algorithmes
y (t )    k ( (t )) yk (t )  v(t ) (49) (9)
d’optimisation locale comme l’algorithme des moindres carrés
k 1
(LS) par exemple. Toutes fois pour les systèmes non linéaire,
où y k (t ) désigne la sortie du kème modèle local linéaire
la fonction de cout n’est pas toujours convexe, le LS ne peut
x k (t  1)  Ak  x k (t )  B k .u  w(t ) plus être envisagé du moment qu’il convergerait vers
(50)
y k (t )  C k  x (t )  D k .u(t )  v k (t ) l’optimum le plus proche, et qui n’est pas nécessairement le
minimum absolu. Dans de telles situations l’utilisation
d’algorithmes d’optimisation non linéaire devient nécessaire.
et où  k ( (t )) désigne le degré d’appartenance du point de
Dans la présente lecture seuls les algorithme d’estimation des
fonctionnement  (t ) au kème domaine local linéaire de paramètres des systèmes linéaire sont discutés
l’espace-produit des e/s retardées.
C. Méthodes de l’erreur de prédiction (Prediction Error
b) Les modèles composites ou hybrides
Methods)-cas General
S f ou g ou les deux commutent entre 2 ou plusieurs
valeurs discrètes selon dans les systèmes à commutation
B(q 1 ) C (q 1 )
comme les convertisseurs statique de puissance par exemple. y (t )  u (t  n )  e(t ) (54)
F (q 1 ) D(q 1 )
k

x(t  1)  a(u)  x(t )  b(u).u(t )  w(t ) (51)

y(t )  c(u)  x(t )  d (u).u(t )  v(t )  
y (t )  1  D( q 1 ) F ( q 1 ) y (t )  D( q 1 ) B( q 1 )u(t  n k )
 F ( q )  1 e(t )  e(t )
1
(55)
où les matrices A, B, C , D sont des fonction de u )C ( q 1

Exemple : hacheurs série et parallèle (exercice de Soit :

modélisation). Pour plus de détail voir le papier Sysid2006 de
Lennart Ljung. y (t )   T  (t )  e(t ) (56)

V. ESTIMATION PARAMETRIQUE
où:
A. Formulation du Problème d’estimation 
 (t )   y (t ) T  u (t ) T  e (t ) T  
T ( 3nf  nb nc nd )1
(57)
L’ESTIMATION est un problème fondamental en théorie des avec :
systèmes. Il est formulé en tant que problème d’optimisation
 y (t )   y (t  1)..  y (t  (nf  nd ))T   ( nf  nd )1
où l’objectif consiste à trouver des estimés d’un ensemble fini
de paramètres d’une classe de modèles donnée.  u (t )  u(t  nk  1)..u(t  (nf  nd  nk ))T   ( nf  nb)1 (58)
 e (t )  e(t  1)..e(t  (nf  nc))T   ( nf  nc)1
Spécifiquement, étant donné un ensemble de données
d’estimation Z et t0 1 , trouver un estimé du vecteur de
paramètres qui minimisent une fonction de cout, i.e.: et où  est le vecteur de paramètres à estimer :
  1 .. nf nd 1 .. nbnf  1 .. nf nc T  (3nf nbncnd )1 (59)
1 t
ˆ  arg min
 
 ( (k  )) 2
; N e  t  t0  1 (52)
Ne k t0
Conséquence : si le vecteur  (t ) est connu alors la sortie du
où système peut être prédite à chaque instant t par le prédicteur
 (t  )  y (t )  yˆ (t  ) (53) suivant :

yˆ (t )   T  (t ) (60)
B. Lissage, Filtrage, et Prédiction
Selon la position relative de l’instant d’estimation te par
rapport à l’instant présent t, trois sortes de problèmes L’ensemble des méthodes PEM sont disponibles sous plusieurs
d’estimation sont à distinguer : (i) le lissage (data smoothing) environnements de développement. Sous Windows elles sont

7/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

disponibles dans le toolbox d’identification de L. Lyung. minimise l’erreur de prédiction

Quelques uns de ces algorithmes sont listés dans la table 2.

TABLE 2. BACH ESTIMATORS FOR LINEAR BLACK-BOX MODELS a) Méthode analytique

prédicteur Situation
oe Rejection du bruit de sortie, par extraction de la
dynamique propre du système Deux conditions suffisent pour garantir que ˆ est un
arx Simple mais pour des forts SNR minimum :
armax Prise en compte du bruit de manière plus flexible
bj para métrisation Indépendante de la dynamique du VN ( , Z N )  2VN ( , Z N )
système et du bruit de mesure  0 and 0 (65)
  2
n4sid Estimation d’état, bien adaptée aux systèmes
MIMO
Si  T est Independent du temps, alors :
Remarque, Pour le modèle ARX les coefficients  k 's sont
  (t )  
t y (t )   (t ) T  
VN ( , Z N ) N T
2
tous nuls; par conséquent  (t ) ne dépend que des échantillons


N

t 1 
d’entrée et de sorties qui sont parfaitement connus, le
t (t )y (t )   (t ) T  
N
2
prédicteur () est alors déterministe et ses paramètres peuvent
être facilement estimés par pseudo-inversion d’une matrice de

N

t 1
régression connue. Mais pour les autres modèles (OE,
ARMAX, et BJ)  (t ) est stochastique du moment qu’il  VN ( , Z N ) 
   0 impliquerait que :
contient des termes aléatoires inconnus. Dans ces cas de   
  ˆ
figure, l’estimation des paramètres du modèle nécessite une
procédure d’estimation itérative qui permet de simultanément 1
prédire la séquence de l’erreur e () et d’estimer les  N
 N
ˆNW LS    t (t ) (t )T    y(t ) (t ) (66)
paramètres du modèle. A titre d’exercice il serait très  t 1  t 1
t

enrichissant si chaque élève développe un algorithme qui

permet d’estimer les paramètres du modèle OE.
 2VN ( , Z N ) 2 N

 2

N
   (t )
t 1
t
T
(t )  0 (67)

D. Algorithme des moindres carrés (Least Square) pour

l’Estimation paramétrique du modèle ARX
Cette matrice est définie positive par conséquent ˆNW LS est
1) Estimation hors ligne (Batch ou One Shot) bien un minimum.
Soit le modèle de régression d’un système linéaire modélisé
b) Méthode algébrique
par une structure de type ARX

y (t )   (t )T   e(t )  y (1)    (1)T   e(1) 

(61)      
 y (2)    (2)   e ( 2) 
T

 ...    ...    ...     E (68)

ˆN = arg min V(Z eN , θ) (62)      
θ∈ R d  y ( N )    ( N )T   e( N ) 
     
2

 t y(t )  yˆ (t  ) t  , t  1..N
N
1 Y   (t )  E ;
VN ( , Z N )  (63) (69)
N t 1

où
où :
yˆ (t  )   (t )T  (64) 
   T (k ) k 1..t  (70)

Les t sont des facteurs de pondération fixés par l’utilisateur Par conséquent un estimé de  peut être directement calculé
pour privilégier ou non une ou quelque portions des données comme suit:
d’ES.  1
ˆ  T  T Y  (71)
Pourvu que T  soit de plein rang.
L’objectif est de trouver une bonne estimation ˆ de  qui ■
8/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

c) Consistance et precision du LS Algorithm d) Evaluation de la précision d’estimation

Si  est connue, alors la variance de l’erreur et par conséquent
(1) Détermination de Espérance de l’erreur celle des paramètres peuvent être estimées comme suit :
d’estimation

On définit l’erreur d’estimation par :


P  T   2 ; 
1
(80)

~ ˆ 2 
Y   ˆ Y   ˆ
T
T
T
(81)
  ˆ   (72) N  Np

 est le vrai vecteur de paramètres, et ˆ son estimé. 2) Estimation en ligne (online)

L’Esperance de l’erreur d’estimation peut être développée Il s’agit de l’extension de l’algorithme des moindres carrés
comme suit : pondérés (WLS) pour les systèmes LTI à l’estimation en ()ligne
des paramètres des systèmes LTV.
  
~ 1 1
E   E   T  T Y  E T  T E     (73)
Hypothèses :
A1 : l’ordre n du système est fixe et connu à priori
et puisque E est indépendant (de  notamment) on peut
A2 : La dynamique des paramètres est très lente devant celle
écrire:
du système.

 
Une classe d’algorithmes d’estimation en ligne

E   E T  T  EE
~ 1
 (74) particulièrement utilisée en commande adaptative est obtenu
en mettant à jour à chaque instant le vecteur de paramètres en
et sachant que EE  0 il vient que : fonction de l’erreur de prédiction instantanée. Leurs
algorithme d’estimation en ligne peut être énoncé comme suit,

 
~

E   E ˆ    0  E ˆ    (75)
où le coefficient c à choisir par l’utilisateur dépendra du degré
de robustesse de l’algorithme:

Ce qui montre bien que le prédicteur ARX n’est pas biaisé, Algorithme des moindres carrés récursif
c.à.d consistant, du moment que ˆ   N  
1. k k 1 k 
ˆ  ˆ  L y (k )  ˆT  (k ) k 1 
Pk 1 (k )
2. Lk 
(2) Matrice de Covariance des estimés des paramètres
où: 1 / k   T (k ) Pk 1 (k )

3. Pk  Pk 1  Lk T (k ) Pk 1 k  k 0  1,.., N
La Matrice de Covariance des estimés des paramètres peut Et où: ;
1
être développée comme suit :  k0 
Pk 0  R    t (t ) T (t ) 
1

   
4. k0
~ ~ ~ ~ ~ T ~~
P  cov( )  E   E( )   E( )  E   T  (76)
5.
Avec:  t 1
P  cI n , c  0, k0  dim  
ou bien k 0


k0

    ˆk  Pk   t (t ) y(t )
T
P  E    T 
1
 Y     T 
T 1
 Y   (77)
T 6. 0 0 ˆk  0
    t 1

et ou bien 0


 
P  E T  T EET  T 
1
 1
 E  EEE 
T 1 T
(78)
La preuve de cet algorithme est détaillée en annexe A1.

Puisque E est indépendant. Par conséquent :

 
VI. EXEMPLE PRATIQUE
PE   T

1 2
(79) Il s’agit de identification de la BLA du benchmark de
Wienner-Hammerstein d’IFAC dont les données des entrées-
où  2 est la variance de l’erreur (bruit). sorties enregistrés depuis le système réel sont disponibles sur
Ce qui montre que montre que la variance de l’erreur affecte la le web. Dans cette activité pratique les élèves auront à
précision des paramètres, précision qui peut être renforcée en sélectionner la classe et la structure du modèle linéaire qui
concevant une séquence d’entrée excitante persistante qui explique le mieux les données.
maximise le déterminant de la matrice T  .

9/10
 Identification des Systèmes dynamiques- Filières d’Ingénieurs et de Master de Génie électrique-2011-2021

ANNEXE A1 Pk1  Rk  Rk 1  k (k ) T (k )  Pk11  k (k ) T (k )

Preuve : Étant donné N échantillons (u,y) d’E/S, l’estimé du

Pk  Pk11  k (k ) T (k ) 
1
(11)
vecteur de paramètres ˆ du modèle ARX trouvé par la
N

méthode WLS s’écrit comme suit : Lemma 1: let A, B, C and D be matrices of appropriate
1
 N  N
ˆN    t (t ) T (t )   t (t ) y (t ) dimension so that  A  BCD 
1
(1) exists, then
 t 1  t 1
où le vecteur de régression  (t ) à l’instant t est défini A  BCD1  A1  A1BDA1B  C 1 1 DA1 (12)

comme:
 (t )   y (t  1) ... y (t  n) u (t  1) ... u (t  n)T  2 n1
En posant :
A  Pk11; B   (k ); C  k ; D   T (k ) (13)
 k  a1 (k ) ... an (k ) b1 (k ) ... bn (k )T   2 n1
On peut developer Pk comme suit:
Prenons un instant k   * : n  1  k  N , et exprimons
l’estimé ˆ de  à l’instant k :
k
  1
 1
Pk  Pk11   (k )k T (k )  Pk 1  Pk 1 (k )  T (k )Pk 1 (k )  1 / k  T (k )Pk 1
1
 k  k
ˆk    t (t ) T (t )     (t ) y(t ) (2) Pk 1 (k ) T (k ) Pk 1
 t 1  t 1
t
Pk  Pk 1  (14)
1 / k   T (k ) Pk 1 (k )
soit,
k Ce qui donne l’equation la mise à jours (updating) de l’estimé
ˆk  Rk1  t (t ) y (t ) (3) des paramètres du modèle :

où
t 1

ˆk  ˆk 1  k Pk  (k ) y(k )   T (k )ˆk 1 (15)
k
Rk   t (t ) T (t )  2 n2 n (4)
 P  (k ) T (k ) Pk 1
ˆk  ˆk 1  (k Pk 1  k k 1 T
1 / k   (k ) Pk 1 (k )

) (k ) y (k )   T (k )ˆk 1 
t 1

Considérons maintenant l’estimé ˆk 1 de  à l’instant k-1 ˆk  ˆk 1  k 1


P  (k ) y (k )   T (k )ˆk 1 
1 / k   T (k ) Pk 1 (k )
k 1
ˆk 1  Rk11  t (t ) y (t ) (6)

ˆk  ˆk 1  Lk y(k )   T (k )ˆk 1  (15)
t 1 où Lk désigne le gain d’adaptation
où
Pk 1 (k )
k 1
Lk   k Pk (k )
Rk 1   t (t ) T (t )  2 n 2 n (7) 1 / k   T (k ) Pk 1 (k )
t 1
□

Et exprimons ˆk en fonction de ˆk 1 : REFERENCES

D’après (3) et (6) [1] L. A. Zadeh, "From Circuit Theory to System Theory," in Proceedings
 k 1 
 
of the IRE, vol. 50, no. 5, pp. 856-865, May 1962, doi:
ˆk  Rk1   t (t ) y (t )  k (k ) y (k )   Rk1 Rk 1ˆk 1  k (k ) y (k ) 10.1109/JRPROC.1962.288302.
 t 1  [2] Åström, K. J., & Eykhoff, P. (1971). System Identification : A Survey.
Ce qui en utilisant (a) donne Automatica, 7, 123-162.
[3] Lennart Ljung., “SYSTEM IDENTIFICATION: Theory for the User
  k 1  
ˆk  Rk1    t (t ) T (t ) ˆk 1  k (k ) y (k ) 
(1998). University of Linköping. Sweden. P TR Prentice Hall,
(8) Englewood Cliffs, New Jersey.
  t 1   [4] Kadour Najim, Advanced Process Identification and Control (2002) de
Or d’après (4) Enso Ikonen; - ISBN 10 : 082470648X - ISBN 13 : 9780824706487 -
k 1 CRC Press.

t 1
t (t ) T (t )  Rk  k (k ) T (k ) [5] Lennart Ljung , “Perspectives on System Identification”, in proceeding
of the IFACSymposia on System identification (SYSID) Saintt Malo,


ˆk  Rk1 Rk  k (k ) T (k ) ˆk 1  k (k ) y(k )  France, 2006

soit:


ˆk  ˆk 1  k Rk1 (k ) y(k )   T (k )ˆk 1  (9)

Maintenant, posons:
Pk  Rk1 (10)
En considérant (4) :
10/10