Aspects plus avancés
Identification de modèles paramétriques à temps continu

S7140 v1 Article de référence

Aspects plus avancés
Identification de modèles paramétriques à temps continu

Auteur(s) : Hugues GARNIER, Marion GILSON, Thierry BASTOGNE, Alain RICHARD

Date de publication : 10 sept. 2007 | Read in English

Cet article est réservé aux abonnés

Pour explorer cet article plus en profondeur Consulter l'extrait gratuit

Déjà abonné ?Se connecter

Sommaire
Médias

Présentation

1 - Modèles à temps discret et modèles à temps continu

2 - Méthodologie d’identification de modèles à temps continu

3 - Formulation du problème d’identification

4 - Méthodes d’estimation paramétrique de modèles à temps continu

4.1 - Méthode des filtres de variables d’état (FVE)
4.2 - Estimateur optimal de la variable instrumentale SRIVC
4.3 - Méthode de l’erreur de sortie (COE)

5 - Exemple : cas du banc d’essai Rao-Garnier

6 - Outil logiciel et avantages

6.1 - Bibliothèque logicielle CONTSID
6.2 - Avantages

7 - Aspects plus avancés

7.1 - Identification de modèles d’état
7.2 - Identification des systèmes en boucle fermée

Figure 4 - Système bouclé
7.3 - Identification dans un contexte d’erreurs en les variables

8 - Applications

8.1 - Machine d’enroulement de bande
8.2 - Incorporation intracellulaire d’un médicament

Tableau 2

9 - Conclusion

Bibliographie & annexes

Présentation

RÉSUMÉ

L'identification de systèmes consiste à déterminer un modèle mathématique d'un système dynamique sur la base de données expérimentales. L'objectif est de reproduire au mieux le comportement entrée-sortie du système, pour cela le choix de la structure et des paramètres de ce modèle est évidemment primordial. Cet article présente la méthodologie d'identification des modèles à temps continu : exploitation des connaissances disponibles, méthodes d'estimation paramétrique, jusqu'à traiter des aspects plus avancés comme l'identification des systèmes en boucle fermée.

Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.

Lire l’article

Auteur(s)

Hugues GARNIER : Professeur à l’Université Henri Poincaré, Nancy 1 - Centre de Recherche en Automatique de Nancy
Marion GILSON : Maître de Conférences à l’Université Henri Poincaré, Nancy 1 - Centre de Recherche en Automatique de Nancy
Thierry BASTOGNE : Maître de Conférences à l’Université Henri Poincaré, Nancy 1 - Centre de Recherche en Automatique de Nancy
Alain RICHARD : Professeur à l’Université Henri Poincaré, Nancy 1 - Centre de Recherche en Automatique de Nancy

INTRODUCTION

L’identification de systèmes consiste à rechercher un modèle mathématique d’un système dynamique à partir de données expérimentales et de connaissances disponibles « a priori ». Ce modèle macroscopique est caractérisé par une structure et par des paramètres qu’il convient de choisir et d’ajuster, afin de reproduire au mieux le comportement entrée-sortie du système.

Traditionnellement, les méthodes d’identification de systèmes sont employées pour déterminer des modèles permettant la synthèse de lois de commande. Ce domaine d’utilisation conventionnel n’est toutefois pas le seul et les méthodes sont aussi utilisées pour :

l’estimation de paramètres physiques non directement mesurables ;
le diagnostic de systèmes à base de modèle ;
la simulation, utilisée à des fins de conception, de prévision ou de formation ;
l’interprétation d’essais.

Bien que les méthodes soient essentiellement développées par les automaticiens et les mathématiciens appliqués, elles peuvent être utilisées dans des domaines très variés allant des processus de fabrication à l’économétrie, en passant par la biologie, les moyens de transport ou les processus environnementaux.

Ce dossier a pour objectif de mieux faire connaître les méthodes d’identification de modèles à temps continu dont les algorithmes sont, à présent, également regroupés dans des bibliothèques logicielles , de faire un tour d’horizon des développements récents et de présenter quelques résultats d’applications de ces méthodes.

Cet article est réservé aux abonnés.
Il vous reste 95 % à découvrir.

Pour explorer cet article Consulter l'extrait gratuit

Déjà abonné ? Se connecter

DOI (Digital Object Identifier)

https://doi.org/10.51257/a-v1-s7140

Lecture en cours
Présentation

Page
suivante

Applications

Article inclus dans l'offre

"Automatique et ingénierie système"

(138 articles)

Une base complète d’articles

Actualisée et enrichie d’articles validés par nos comités scientifiques.

Des contenus enrichis

Quiz, médias, tableaux, formules, vidéos, etc.

Des modules pratiques

Opérationnels et didactiques, pour garantir l'acquisition des compétences transverses.

Des avantages inclus

Un ensemble de services exclusifs en complément des ressources.

Voir l'offre

7. Aspects plus avancés

Dans les problèmes que nous avons étudiés jusqu’alors, nous avons supposé que le système à identifier puisse être représenté sous la forme d’une fonction de transfert associée à une sortie et une entrée décorrélée des perturbations. En pratique, il arrive que cette modélisation ne puisse pas toujours se faire. Il faut alors faire appel à des techniques d’identification appropriées à ces cas particuliers. Dans ce paragraphe, nous présentons une introduction à trois aspects plus avancés de l’identification des systèmes :

les systèmes multivariables représentés sous forme d’état ;
l’identification en boucle fermée lorsqu’une loi de commande régit le système à identifier ;
l’identification dans un contexte d’« erreurs en les variables » lorsque non seulement la sortie mais également l’entrée sont perturbées par des bruits de mesure.

7.1 Identification de modèles d’état

Le cas de l’identification de systèmes à entrées et sorties multiples par des modèles à temps continu a été jusqu’à présent, peu développé. Une solution possible est d’utiliser la décomposition en sous-espaces. Cette approche est très intéressante car elle permet d’identifier directement des modèles d’état à partir des données d’entrée/sortie mesurées, sans connaissance a priori des indices structuraux. Si plusieurs algorithmes ont été développés pour traiter le cas des modèles à temps discret, seuls quelques travaux sont relatifs aux modèles d’état à temps continu ...

Cet article est réservé aux abonnés.
Il vous reste 93 % à découvrir.