Master ASE1 – Identification des Processus – P. Bonnet 1
MODELISATION IDENTIFICATION
DES PROCESSUS
MASTER ASE 1ère année
Master ASE1 – Identification des Processus – P. Bonnet 2
Pierre BONNET2010-2011
Master ASE1 – Identification des Processus – P. Bonnet 3
Présentation- objectifs du cours et domaines d'application
PLAN DU COURS
Notion de modèle- modèle paramétrique- modèle de connaissance/modèle de comportement- modèle de signal/modèle de système
Rappel des méthodes de base en Automatique- réponse temporelle d'un système- identification directe à partir de la réponse temporelle- approche fréquentielle
Principe d'ajustement du modèle- modèle linéaire par rapport aux paramètres- minimisation du critère d'ajustement et calcul de la solution optimale- écriture matricielle de la méthode des moindres-carrés
Analyse de la méthode des moindres-carrés- Biais d'estimation- Variance de l'estimation- estimateur du maximum de vraisemblance- rejet des mesures aberrantes
Master ASE1 – Identification des Processus – P. Bonnet 4
Extension aux modèles non-linéaires- méthode de Gauss- analyse et améliorations
PLAN DU COURS
Moindres-carrés récursifs- principe du calcul récursif- mise en oeuvre de la méthode récursive- facteur de pondération, facteur d'oubli
Modélisation d'un système- choix d'un modèle discret ARMA- mise en place de la méthode des moindres-carrés- comportement du modèle vis à vis du bruit- le modèle ARMAX
Master ASE1 – Identification des Processus – P. Bonnet 5
Bibliographie- Identification des systèmes - Ioan D. Landau - Hermès – 1998
- Estimation Prédiction - E. Duflos & Ph. Vanheeghe - Technip – 2000
- Identification et commande numérique des procédés industriels - R. Ben Abdennour , P. Borne, M. Ksouri & F. M'sahli - Technip -2001
- Modélisation et Identification des Processus - P. Borne - Technip – 1992
- Cours d'Identification de l'Université de Lund (Suède)http://www.control.lth.se/course/FRT041/
- Cours d'identification de l'EPFL (Suisse)http://lawww.epfl.ch/page4230.html
PLAN DU COURS
Master ASE1 – Identification des Processus – P. Bonnet 6
OBJECTIFS DU COURS
Donner les principes fondamentaux de la modélisation et de l'estimation de paramètres appliqués aux systèmes rencontrés dans de nombreux domaines scientifiques :
l'Automatique pour laquelle la connaissance du modèle est indispensable pour synthétiser une loi de commande
les Sciences Expérimentales, lorsque la validation d'une théorie se fait par des manipulations expérimentales (physique atomique, microélectronique...)
la Biologie, l'Economie, les Statistiques
partout où des observations sont validées par un principe de fonctionnement (règles mathématiques)
Master ASE1 – Identification des Processus – P. Bonnet 7
Système réelSorties réelles
Erreur de
modélisation
Principe de la modélisation/estimation
Modèle
+
-
Ajustement du modèle
Critère d'évaluation
Critère d'évaluation
Sortiescalculées
Entrées
OBJECTIFS DU COURS
Master ASE1 – Identification des Processus – P. Bonnet 8
Variables endogènesentrées sorties
+
Bruit sur les entrées
+
Bruit sur les sorties
Evolution des paramètrescaractéristiques
Perturbations dusystème
Variablesexogènes Observations
Différence entre modèle et système réel
Le modèle ne prend pas en compte les grandeurs non mesurables
OBJECTIFS DU COURS
Master ASE1 – Identification des Processus – P. Bonnet 9
Intérêt de la modélisation:
Fournir un modèle mathématique acceptable pour un système dont on peut "dériver" de nombreuses informations relatives à son fonctionnement dynamique :
calculer la dérivée du signal de sortie, les dérivées successives déterminer un extremum (local) du signal
évaluer des grandeurs endogènes (observateur d'état)
évaluer la dérive d'un système détecter la défaillance d'un système
donner des valeurs estimées/filtrées du signal de sortie extrapoler/prédire le fonctionnement au delà des observations faites interpoler le fonctionnement entre deux points observés
OBJECTIFS DU COURS
donner des valeurs pour certains paramètres caractéristiques du processus étudié
Master ASE1 – Identification des Processus – P. Bonnet 10
Note importante:
Si vous estimez que ce cours manque d'exemples ou d'applications, il vous suffit d'assister aux exposés en Amphi Maxwell ! (pas de grasse matinée, le cours est à 8h)
Les exemples vous sont présentés, avec démonstration sur Matlab/Scilab et le tableau noir est largement utilisé pour compléter ces transparents.
OBJECTIFS DU COURS
Master ASE1 – Identification des Processus – P. Bonnet 11
NOTION DE MODELE
NOTION DE MODELE
NOTION DE
MODELE
Master ASE1 – Identification des Processus – P. Bonnet 12
NOTION DE MODELE
Modèle
Un modèle est une structure mathématique pouvant représenter le système étudié. Cette structure doit comporter des éléments d'ajustement.
la structure du modèle représente la connaissance à priori que l'utilisateur souhaite placer dans le modèle
F p = N pD p
avec N p et D p polynôme en p
Exemple : les fonctions de transfert du type
peuvent représenter une partie des systèmes linéaires différentiels à coefficients constants (systèmes SISO)
Master ASE1 – Identification des Processus – P. Bonnet 13
NOTION DE MODELE
Modèle quantitatif
Un modèle est quantitatif lorsque les fonctions qui définissent les équations sont spécifiées analytiquement.
Dans un modèle quantitatif, une suite d'opération permet le calcul de la valeur numérique des fonctions du modèle à partir de leurs arguments [et des entrées du système]
Exemple : l'équation différentielle d'un système est un modèle quantitatif (domaine temporel), de même que la fonction de transfert d'un système différentiel à coefficients constants (domaine symbolique de Laplace).
les systèmes aléatoires sont régis par des modèles stochastiques ; la
valeur d'une variable aléatoire ne peut être calculée à un instant t .
Master ASE1 – Identification des Processus – P. Bonnet 14
NOTION DE MODELE
Modèle paramétrique
Un modèle quantitatif est paramétrique lorsque son expression analytique comporte un nombre fini de constantes non-précisées numériquement appelés paramètres .L'expression générale d'un modèle paramétrique est:
avec variable explicative du modèle
Les paramètres représentent les constantes d'ajustement du modèle aux mesures
X t = f t , a1, a2, ... , a k t
K p
F p = K1 p
Exemple : La fonction de transfert d'un système différentiel du premier ordre est un modèle paramétrique, tout comme son équation différentielle.
et sont les paramètres du modèle, variable explicative du modèle (variable complexe de Laplace)
Master ASE1 – Identification des Processus – P. Bonnet 15
NOTION DE MODELE
Modèle de connaissance
Un modèle de connaissance est un modèle dont les paramètres représentent des grandeurs caractéristiques de la structure étudiée.
Exemple : réponse impulsionnelle d'un système du 1er ordre
représente le gain statique du système
représente la constante de temps
les paramètres du modèle seront déterminés par quelques caractéristiques graphiques de la réponse ou des méthodes plus complexes
s t = K e−t /
K
Master ASE1 – Identification des Processus – P. Bonnet 16
NOTION DE MODELE
Modèle de connaissanceCertains éléments du modèle peuvent ne pas être accessibles à l'identification.
Exemple : système électrique du 1er ordre
st = K 1− e−t /
K =R2
R1 R2
R1
R2 C = R1 // R2. C
La réponse indicielle (échelon unité) permet de déterminer K et mais pas la valeur des 3 composants.
Master ASE1 – Identification des Processus – P. Bonnet 17
NOTION DE MODELE
Modèle de comportement
Un modèle de comportement est un modèle dont la structure et les paramètres sont sans rapport avec le système réel
st = a0 a1 t a2 t2... ak tk
Exemple : réponse impulsionnelle d'un système du 2ème ordre modélisé par un développement en série limité à coefficients réels.
aucun des coefficients du modèle ne représente les paramètres caractéristiques d'un second ordre (gain, amortissement et fréquence naturelle), même pour un calcul d'ordre fini.
Master ASE1 – Identification des Processus – P. Bonnet 18
NOTION DE MODELE
Modélisation d'un système sans entrée
La détermination des paramètres d'un système sans entrée se fait à partir de l'observation de sa sortie (signal de sortie)
l'outil de modélisation intègre la connaissance à priori du processus générateur.
SystèmeSystème
ModèleModèle
SortiesSorties
Sortiesmodélisées
Erreur de
modélisation
+
-CritèreCritère
Master ASE1 – Identification des Processus – P. Bonnet 19
NOTION DE MODELE
Modélisation d'un système avec entrée
La détermination des paramètres d'un système se fait à partir de l'observation de sa sortie, compte-tenu de l'entrée appliquée.
SystèmeSystème
ModèleModèle
Entréeexterne
SortiesSorties
Sortiesmodélisées
Erreur de
modélisation
+
-CritèreCritère
l'outil de modélisation doit donc prendre en compte le signal de sortie ET le signal d'entrée. Le degré de complexité est donc augmenté.
Master ASE1 – Identification des Processus – P. Bonnet 20
METHODES DE BASE
METHODESDE
BASE
Master ASE1 – Identification des Processus – P. Bonnet 21
METHODES DE BASE
Principe des méthodes de base
Les méthodes de base (graphique, Broïda, Strecj, réponse harmonique...) donnent usuellement un modèle de comportement . Pour les systèmes simples, le modèle de comportement correspond au modèle de connaissance.
La détermination des paramètres se fait à partir de la seule observation de la sortie . Ces méthodes s'apparentent donc à des méthodes de modélisation de signaux ou de données expérimentales.
Elles s'appuient sur l'analyse graphique des courbes expérimentales en quelques points particuliers et ne tiennent pas compte de l'ensemble des mesures. Leur robustesse au bruit de mesure est faible.
Master ASE1 – Identification des Processus – P. Bonnet 22
METHODES DE BASE
Relation entrée, sortie et système
La sortie d'un système linéaire est le produit de convolution entre le signal d'entrée et la réponse impulsionnelle du système.
La sortie est caractéristique du système pour des signaux élémentaires tels que l'impulsion de Dirac, l'échelon ou la rampe.
h t s t e t
s t = e∗h=∫0
t
e h t − d
Master ASE1 – Identification des Processus – P. Bonnet 23
METHODES DE BASE
Relation entrée, sortie et système
Le signal d'excitation le plus courant est l'échelon. L'identification se fait donc à partir de la réponse indicielle.
Remarque : on peut passer de la réponse impulsionnelle à la réponse indicielle par intégration [numérique] des mesures
Si le système présente une intégration dans sa fonction de transfert (pôle nul), il suffit de dériver [numériquement] les mesures pour obtenir la réponse d'un système équivalent sans intégration.
Master ASE1 – Identification des Processus – P. Bonnet 24
METHODES DE BASE
Relation entrée, sortie et système
Exemple du circuit du 1er ordre de la forme :
La réponse impulsionnelle est :
D'où :
L'intégration de la réponse impulsionnelle donne la réponse indicielle:
.
L p = 11 p
S p = 1. 11 p
= 1 /p 1/
s t = 1 e−t /
∫0
t
s udu = 1[−e−t /] 0
t= 1− e−t /
Master ASE1 – Identification des Processus – P. Bonnet 25
METHODES DE BASE
Méthode graphique directe
1er ordre soumis à un échelon
.
s t = K e11− e−
t s0
H p = K1 p
t0
Réponse s
s0
63%
s0 Ke1
Ke1
e t = e1 u t
Le temps de réponse à 95% est environ de 3
Le temps de montée est:
Master ASE1 – Identification des Processus – P. Bonnet 26
METHODES DE BASE
Méthode graphique directe
1er ordre soumis à une rampe
.
s t = a K e−
t a K t −
H p = K1 p
e t = a t ut
t0
Réponse
st
s0
s0 a K t
s0 a K t −
Master ASE1 – Identification des Processus – P. Bonnet 27
METHODES DE BASE
Méthode de Broïda
réponse indicielle du 1er ordre avec retard
.
H p = K e−Tp
1 p
t0
s t
s0
s0 Ke1
28%
40%
t28
Ke1
t40
T = 2.8 t28− 1.8 t40
= 5.5t 40− t 28
Master ASE1 – Identification des Processus – P. Bonnet 28
METHODES DE BASE
Méthode de Strejc
réponse indicielle du 1er ordre
.
H p = K1 pn
t0
s t
s0
s0 Ke1
T u
Ke1
T a
Master ASE1 – Identification des Processus – P. Bonnet 29
METHODES DE BASE
Méthode de Strejc
La méthode définit une valeur de nnon-entière ;
généralement, on arrondit cettevaleur à l'entier le plus proche.
.
Master ASE1 – Identification des Processus – P. Bonnet 30
METHODES DE BASE
Méthode fréquentielle
La méthode fréquentielle s'appuie sur la réponse harmonique du système.
t
A
t0=0
Excitation
Réponse
ht s t e t = Asin t
st = A H je j tEcriture complexe de l'entrée : Le régime permanent de la sortie est :
e t = Ae j t
Master ASE1 – Identification des Processus – P. Bonnet 31
METHODES DE BASE
Méthode fréquentielle
Elle permet de réaliser une excitation dans une large gamme de fréquences, contrairement à l'échelon qui possède un spectre réduit. Le nombre de points de mesure est élevé. L'analyse est donc beaucoup plus performante que l'analyse temporelle.
Log
∣H j∣dB
c= 1/
∣H 0∣dBLog
arg H jc= 1/
−45°
−90°
la détermination des paramètres du système se fait généralement graphiquement (asymptotes, coupure, résonance...)
Master ASE1 – Identification des Processus – P. Bonnet 32
METHODES DE BASE
Méthode fréquentielle
Utilisation d'un signal d'excitation large bande pour déterminer directement la réponse fréquentielle en une seule mesure :
La transformée de Fourier de la réponse impulsionnelle s'obtient par :
Il suffit donc de déterminer les transformées de Fourier de l'entrée et la sortie pour déterminer la réponse fréquentielle du système
La méthode est valide sous réserve d'absence de zéro dans le spectre du signal d'excitation. On utilise un bruit blanc ou une SBPA pour l'excitation
s t = e∗h=∫0
t
e h t − d
S = E . H
H = S E
Master ASE1 – Identification des Processus – P. Bonnet 33
MODELE AJUSTE
MODELEAJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 34
Objectif
L'idée est de reproduire le travail de l'homme lorsqu'il "ajuste" manuellement /graphiquement le modèle qu'il souhaite appliquer.
Exemple : soit un ensemble de mesures expérimentales qui devraient suivre une loi affine L'utilisateur trace le graphe des mesures, puis prend une règle (le modèle de la loi affine ajustable en ordonnée et en pente) et tente l'ajuster "au mieux". La "qualité" de l'ajustement diffère d'un opérateur à l'autre: le critère d'ajustement n'est pas clairement exprimé; il est du domaine subjectif.
0 1 2 t
y0
y1 y2modèle ajustable x t y3
3 4 ....
y4
MODELE AJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 35
Critère d'évaluation de l'erreur de modélisation
Soient : les observations faites sur le système
les valeurs prises par le modèles aux instants d'observation
y t i
x t i , a1 , a2 ...
i
y t i = x t i , a1 , a2 ... i
Posons écart [erreur] entre les mesures et le modèle
a1 , a2 ... = ∑n1
n2
y t i − x t i , a1, a2 ...2
L'erreur quadratique cumulée est :
a1 , a2 ... = ∑n1
n2
i2
MODELE AJUSTE
Note : il existe d'autres critères possibles (distance généralisée par exemple)
Master ASE1 – Identification des Processus – P. Bonnet 36
Minimum du critère
Le critère présente une dépendance quadratique vis à vis des paramètres .
0 2 4 6 8 1 0 1 2 1 4 1 60
2 0
4 0
6 0
8 0
1 0 0
1 2 0
0
5
1 0
1 50
51 0
1 5
0
2 0 0 0
4 0 0 0
6 0 0 0
8 0 0 0
1 0 0 0 0
a1
min
a1
a2
MODELE AJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 37
Recherche du minimum de
On suppose qu'il y a indépendance/orthogonalité des paramètres :
Le critère d'erreur présente un minimum pour :
et
∂∂a1
= 0∂∂a2
= 0 ....∂∂ ak
= 0
∂2∂a1
2 0∂2∂a2
2 0 ....∂2∂ ak
2 0
Note : Les méthodes de base ne tiennent pas compte des équations de contrainte; ceci peut être une source d'erreur.
MODELE AJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 38
Resolution
Le minimum est obtenu pour un jeu de valeurs dites optimales pour le critère considéré (critère des moindres-carrés)
Le modèle le plus proche des mesures au sens du critère d'erreur est :
∂∂ ai
= 0 a1 , a2, ... , ak
x t = x t , a1 , a2 , ... a k
Résolution des k équations
Note : Selon la nature du modèle (linéaire ou non-linéaire par rapport aux paramètres), la résolution des équations peut poser problème . Ce cours porte essentiellement sur les méthodes de base applicable aux modèles linéaires.
MODELE AJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 39
Exemple d'applicationModélisation de 3 mesures successives par un modèle affine de la forme
0 1 2 t
y0=1
y1=2 y2=2x t
x t = a b t
t = 0,1 ,2
y0 , y1 , y2
∂∂a
,∂∂b
a , b
Méthode :1°) Déterminer les valeurs prises par le modèle pour
2°) Exprimer à partir des valeurs de x(t) et des mesures
3°) Former les dérivées partielles
4°) Résoudre le système (Cramer) pour obtenir
MODELE AJUSTE
Master ASE1 – Identification des Processus – P. Bonnet 40
AJUSTEMENT DU MODELE
Master ASE1 – Identification des Processus – P. Bonnet 41
x t = a1 f 1t a2 f 2t ...
f 1t , f 2t ...
Un modèle linéaire par rapport à ses paramètres a une expression du type:
Les sont les "formants" du modèle
Exemples : x t = a0 a1 t a2 t 2 ... x t = A cos 10t Bsin 10t
Choix du modèleSoit un modèle de variable explicative t caractérisé par un jeu de paramètres
Modèle linéaire Le modèle est linéaire par rapport à ses paramètres s'il vérifie :
p= {a1 , a2 , ... , ak}
x t ,1 p1 2 p2 = 1 x t , p1 2 x t , p2
x t
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 42
Cas du modèle linéaire/paramètres d'ajustement
Modèle linéaire à k paramètres :
Instants de n mesures :
Mesures de la sortie du système :
Expression du modèle aux instants de mesures :
Critère d'erreur cumulée à optimiser
x t = a1 f 1 t a2 f 2t ... ak f k t
t1 , t 2 , ... , t n
y t1 , y t 2 , ... , y tn
x t1 , x t 2 , ... , x t n
a1 , a2 ... = ∑i=1
n
y t i − x t i2
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 43
n abcisse mesure modèle
1 t1 y t1 xt1 = a1 f 1 t1 a2 f 2 t1 ... ak f k t12 t 2 y t 2 xt 2 = a1 f 1 t 2 a2 f 2 t2 ... ak f k t 2 ... ... ... ......n tn y t n x t n = a1 f 1 tn a2 f 2 tn ... ak f k tn
= ∑i=1
n
[ y t i − a1 f 1t i − a2 f 2t i −... − ak f k t i]2
Présentation des données du problème
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 44
Calcul des dérivées du critère quadratique
∂∂ a1
= − 2∑i=1
n
f 1t i[ y t i − a1 f 1t i − a2 f 2t i −... − ak f k t i]
∂∂a2
= − 2∑i=1
n
f 2t i[ y t i − a1 f 1t i − a2 f 2t i −... − ak f k t i]
....
∂∂ ak
= − 2∑i=1
n
f k t i[ y t i − a1 f 1t i − a2 f 2t i −... − ak f k t i ]
∂∂ a1
= 0∂∂a2
= 0 ....∂∂ ak
= 0 a1 , a2 , ... , a k
Minimisation du critère d'erreur quadratique
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 45
Présentation homogène du problème
Equations de minimisation :
a1 ∑i=1
n
f 1 2 t i a2 ∑
i=1
n
f 1 t i f 2 t i ... ak∑i=1
n
f 1 t i f k t i = ∑i=1
n
f 1 t i y t i
a1 ∑i=1
n
f 1 t i f 2 t i a2 ∑i=1
n
f 22 t i ... a k∑
i=1
n
f 2 t i f k t i = ∑i=1
n
f 2 t i y t i
.....
a1 ∑i=1
n
f 1 t i f k t i a2 ∑i=1
n
f 1 t i f 2 t i ... ak∑i=1
n
f k2 t i = ∑
i=1
n
f k t i y t i
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 46
Présentation homogène du problème
Vecteur des Vecteur des paramètres mesures à identifier pondérées
Matrice de pondération symétrique
= a1
a2
...ak Q = ∑i=1
n
f 1 t i yi
∑i=1
n
f 2t i yi
...
∑i=1
n
f k t i yi
R = ∑i=1
n
f 12t i ∑
i=1
n
f 1t i f 2t i ... ∑i=1
n
f 1t i f k t i
∑i=1
n
f 2t i f 1 t i ∑i=1
n
f 22t i ... ∑
i=1
n
f 2t i f k t i
... ... ... ...
∑i=1
n
f k t i f 1t i ∑i=1
n
f k t i f 2t i ... ∑i=1
n
f k2 t i
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 47
Présentation homogène du problème Les équations de minimisation peuvent s'écrire:
La résolution de cette équation matricielle donne la solution optimale pour le modèle :
sous réserve que la matrice R soit inversible
R = Q
= R−1 Q
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Exemples : reprise de l'exercice de la page 32, autre exercice sur le signal sinusoïdal Formules utiles
x=A sin tB cos tcos2t=1cos 2 t /2 sin2 t=1−cos2 t /2 sin t cos t=1 /2sin 2 t
Master ASE1 – Identification des Processus – P. Bonnet 48
Ecriture matricielle du problème des moindres-carrés : Soit x(t) le modèle linéaire par rapport à ses paramètres:
Soit X l'ensemble des valeurs prises par le modèle et Y les mesures:
Posons:
x t = a1 f 1 t a2 f 2t ... ak f k t
X = x t1xt 2
...x t n
= a1 f 1t1a2 f 2t1...ak f k t1a1 f 1t2a2 f 2t 2...ak f k t 2
................a1 f 1 t na2 f 2t n...ak f k t n
H = f 1t1 f 2 t1 ... f k t1
f 1t2 f 2t 2 ... f k t2... ... ... ...
f 1tn f 2tn ... f k tn = a1
a2
...akY = y t1
y t 2...
y t n
⇒ X = H
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 49
Ecriture matricielle du problème des moindres-carrés : L'erreur quadratique cumulée s'écrit:
Sachant que : et que :
L'erreur cumulée s'écrit :
La minimisation du critère se fait pour :
= 1 2 ... n 1
2
...n = ∑
i=1
n
y ti − x ti2 = ∑
i=1
n
i2
= Y − X X = H
= Y − H T Y − H
∂∂
= ∂∂a1
∂∂a2
...
∂∂ak
= 0
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 50
Ecriture matricielle du problème des moindres-carrés : La solution optimale sera obtenue pour :
En remarquant que est scalaire , on obtient :
La solution optimale est :
∂∂
= −2 H T Y − H
∂∂
= −H T Y − H − Y − H T H
= H T H −1 H T Y
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 51
Exemple d'applicationModélisation de 3 mesures successives par un modèle affine de la forme
x t = a bt
t = 0,1,2
= a , bT
Méthode matricielle:1°) Déterminer les valeurs prises par le modèle pour2°) Construire le tableau des valeurs prises par le modèle aux instants de mesure, le vecteur des observations.3°) En déduire les matrices/vecteurs Y , H et
4°) Calculer la solution optimale
AJUSTEMENT DU MODELE PAR LES MOINDRES-CARRES
0 1 2 t
y0=1
y1=2 y2=2x t
Master ASE1 – Identification des Processus – P. Bonnet 52
ANALYSE DES MOINDRES-CARRESANALYSE DES MOINDRES-CARRES
ANALYSE DE LA METHODEDES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 53
Pondération du critère J : définition du critère d'erreur quadratique pondéré :
Avec Q matrice de pondération - définie positive : toutes ses valeurs propres sont positives strictement - symétriqueExemple :
avec
On remarque que :
= T Q
Q = 1 0 ... 00 2 ... 0... ... ... ...0 0 ... n
10 , 20 , ... , n0
= 0 si et seulement si =0
ANALYSE DES MOINDRES-CARRESANALYSE DES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 54
Pondération du critère d'erreur quadratique cumulée :
Minimisation du critère J par ajustement des paramètres :
La solution optimale est :
= T Q
= Y − H T Q Y − H
∂∂
= −H T Q Y − H − Y − H T Q H
∂∂
= =−2 H T Q Y−H = 0
= H T Q H −1 H T Q Y
ANALYSE DES MOINDRES-CARRES
Master ASE1 – Identification des Processus – P. Bonnet 55
ANALYSE DES MOINDRES-CARRES
Biais de l'estimation des paramètres: Le biais d'un estimateur est l'espérance de l'écart entre l'estimation et les vraies valeurs. L'estimateur non-biaisé fournit une valeur non-décalée par rapport à la vraie valeur
= H T H −1 H T [H v ]
X = H
Y = H v v
− = H T H −1 H T v
Soit la valeur théorique des paramètres.
Le modèle parfait a pour valeur :
Les mesures ont pour valeur : avec bruit de mesure
L'écart entre l'estimation et la vraie valeur des paramètres du modèle est :
Master ASE1 – Identification des Processus – P. Bonnet 56
Biais de l'estimation des paramètres:
E [ −] = E [H T H −1 H T v ]
E [ −] = H T H −1 HT E [v ]
ANALYSE DES MOINDRES-CARRES
Pour un bruit de mesure non corrélé à H , l'espérance sera :
Dans les cas usuels (bruit à valeur moyenne nulle), l'estimateur des moindres-carrés est non-biaisé : la valeur estimée des paramètres est proche de la vraie valeur en moyenne. Il fournit une estimation non-décalée par rapport aux vraies valeurs.
L'espérance de l'erreur d'estimation est :
Master ASE1 – Identification des Processus – P. Bonnet 57
Variance de l'estimation des paramètres:
2 = E [−2 ] avec = E []
A = E [A − AA− AT ]
A = 1
2
...n
A = E [ 1− 12 1− 12− 2 ... 1− 1n− n
2− 21− 1 2− 22 ... 2− 2n− n
... ... ... ...n− n1− 1 n− n2− 2 ... n− n
2 ]Terme de variance
Terme de covariance
ANALYSE DES MOINDRES-CARRES
Variance d'une variable scalaire :
Matrice de variance/covariance d'une grandeur vectorielle
Master ASE1 – Identification des Processus – P. Bonnet 58
Variance de l'estimation des paramètres:
= E [ − − T ]
= E [[H T H −1 H T v ][H T H −1 HT v ]T ]
= E [H T H −1 H T v vT H H T H −1T ]
= [H T H −1 H T ]E [v vT ][H H T H −1T ]
ANALYSE DES MOINDRES-CARRES
Variance de l'estimateur des moindres-carrés (pour un bruit centré):
Pour un bruit non-corrélé à la matrice H , la matrice de variance-covariance de l'estimation est :
Master ASE1 – Identification des Processus – P. Bonnet 59
Variance de l'estimation des paramètres: Cas du bruit blanc sur les mesures
= Y2 [H T H −1 ]T
ANALYSE DES MOINDRES-CARRES
E [v vT ] = E [vt12 0 ... 0
0 v t22 ... 0
... ... ... ...0 0 ... v tn
2 ] = 12 0 ... 0
0 22 ... 0
... ... ... ...0 0 ... n
2 Y
2
chaque mesure est supposée entachée d'un bruit blanc additif
il n'y a pas de corrélation du bruit de mesure entre 2 mesures
Pour un bruit constant sur chaque mesure, de variance , le bruit sur l'estimation des paramètres du modèle est :
Master ASE1 – Identification des Processus – P. Bonnet 60
Estimateur du maximum de vraisemblance
On prend comme matrice de pondération l'inverse de la matrice de variance-covariance du bruit, ce qui a pour effet de minimiser le poids des mesures à bruit élevé.
ANALYSE DES MOINDRES-CARRES
bruit = E [v vT ]
= T Q = T bruit−1
= H T bruit−1 H −1 H T bruit
−1 Y
Master ASE1 – Identification des Processus – P. Bonnet 61
ANALYSE DES MOINDRES-CARRES
Rejet des mesures aberrantes
Le calcul des paramètres du modèle permet de calculer X
X = H
E [ X X T ] = E [H T H T ]
E [ X X T ] = H H T
La variance de l'estimation est :
E [ X X T ] = X2 = Y
2 H [H T H −1]T H T
Pour des mesures bruitées par un bruit blanc :
y ti x t i X
Rejet des mesures dont l'écart avec le modèle est supérieur à avec K fixé par l'utilisateur ( de l'ordre de 2 à 3)
Master ASE1 – Identification des Processus – P. Bonnet 62
MOINDRES-CARRES RECURSIFS
MOINDRES CARRESRECURSIFS
Master ASE1 – Identification des Processus – P. Bonnet 63
MOINDRES-CARRES RECURSIFS
Calcul sur n mesures :
Y n = y t1y t 2
...y t n
X n = H n = f 1t1 f 2 t1 ... f k t1f 1 t2 f 2t 2 ... f k t2
... ... ... ...f 1 tn f 2t n ... f k t n
n = H n
T H n−1 H n
T Y n
la solution optimale calculée sur les n mesures est :
On dispose de n observations auxquelles correspondent n valeurs du modèle
n = Y n−X nT Y n−X n
elle minimise le critère calculé sur ces n mesures :
Master ASE1 – Identification des Processus – P. Bonnet 64
MOINDRES-CARRES RECURSIFS
Inconvénients de la méthode classique: La dimension (nxk) de la matrice H croît avec le nombre n de mesures
L'ajout d'une (n+1)ème mesure impose de recommencer la totalité du calcul
n = H nT H n
−1 H nT Y n
n = Rn−1 Qn
Qn = H nT Y n
Rn = H nT H n
Mise en évidence de la solution
Utiliser la technique de calcul
avec de dimension (kxk) et de dimension (kx1)
Master ASE1 – Identification des Processus – P. Bonnet 65
MOINDRES-CARRES RECURSIFS
Ajout de la (n+1)ème mesure : On dispose de n+1 observations auxquelles correspondent n+1 valeurs du modèle :
Y n1 = y t1y t2
...y tn
y tn1 X n1 = H n1 = f 1 t1 f 2 t1 ... f k t 1
f 1t 2 f 2t 2 ... f k t 2... ... ... ...
f 1t n f 2t n ... f k t nf 1t n1 f 2t n1 ... f k t n1
hn1
T = [ f 1 t n1 f 2 tn1 .... f k t n1]
Posons :
Master ASE1 – Identification des Processus – P. Bonnet 66
MOINDRES-CARRES RECURSIFS
Ajout de la (n+1)ème mesure : On dispose de n+1 observations auxquelles correspondent n+1 valeurs du modèle
Y n1 = Y n
y tn1 X n1 = X n
xn1 = H n
hn1T
n1 = H n1T H n1
−1 H n1T Y n1
Posons :
Master ASE1 – Identification des Processus – P. Bonnet 67
MOINDRES-CARRES RECURSIFS
Calcul de :
H n1T H n1
H n1T Y n1 = H n
T Y n hn1 yn1
H n1T H n1 = H n
T H n hn1 hn1T
H n1T Y n1
H n1T H n1 = H n
T hn1 H n
hn1T
H n1T Y n1 = H n
T hn1 Y n
yn1
Calcul de :
Master ASE1 – Identification des Processus – P. Bonnet 68
hn1T = [ f 1t n1 f 2t n1 .... f k tn1]
Rn1= Rn hn1 hn1T Qn1= Qn hn1 yn1
n1 = Rn1−1 Qn1
Itérer pour passer du rang n au rang n+1 :
Déterminer
Calculer (kxk) puis (kx1)
Et en déduire
MOINDRES-CARRES RECURSIFS
Expression récursive de base:
n1 = H nT H n hn1hn1
T −1 H nTY n hn1 yn1
n = Rn−1Qn
Rn = H nT H n
Qn = H nT Y n
Construire la matrice H au rang n
Calculer de dimension (kxk)
Calculer de dimension (kx1)
En déduire estimation initiale au rang n
Master ASE1 – Identification des Processus – P. Bonnet 69
MOINDRES-CARRES RECURSIFS
Calcul récursif évolué :
Posons et
n1 = H nT H n hn1hn1
T −1H nTY n hn1 yn1
Pn = H nT H n
−1
Pn
Pn1 = H nT H n hn1 hn1
T −1
Pn1
A = B C A−1 = B−1− B−1 C B−1[ I B−1C ]−1
Pn1 = H nT H n
−1− H nT H n
−1 hn1 hn1T H n
T H n−1[ 1 hn1
T H nT H n
−1 hn1]−1
= Pn− Pn hn1 hn1T Pn [ 1 hn1
T Pn hn1 ]−1
= Pn − Pn hn1 [ 1 hn1T Pn hn1]
−1 hn1T Pn
Pn1
Quelle est la relation entre et ?
Lemme d'inversion : Soit
Appliquons le lemme à
Master ASE1 – Identification des Processus – P. Bonnet 70
MOINDRES-CARRES RECURSIFS
Calcul récursif évolué :
Pn1 = Pn − Pn hn1 [ 1 hn1T Pn hn1]
−1 hn1T Pn
K n1 = Pn hn1 [1 hn1T Pn hn1 ]
−11
n1 = H nT H n hn1 hn1
T −1 H nT Y n hn1 yn1
Pn1 = Pn − K n1 hn1T Pn
Pn1= I − K n1 hn1T Pn 3
= Pn − K n1 hn1T Pn H n
T Y n hn1 yn1
= Pn H nT Y n Pn hn1 yn1 − K n1 hn1
T Pn H nT Y n − K n1 hn1
T Pn hn1 yn1
Master ASE1 – Identification des Processus – P. Bonnet 71
MOINDRES-CARRES RECURSIFS
Calcul récursif évolué :
n1 = n K n1 yn1− hn1T n
K n1= Pn hn1 [1 hn1T Pn hn1 ]
−1
Pn1= I − K n1 hn1T Pn
Récurrence finale
est le gain matriciel de correction K n1
Le gain de correction diminue à mesure que n augmente
Les termes de la matrice P tendent vers 0 lorsque n augmente
Master ASE1 – Identification des Processus – P. Bonnet 72
MOINDRES-CARRES RECURSIFS
Calcul récursif évolué :
n1 = n Pn1 hn1 yn1− hn1T n
Pn1= Pn −Pn hn1 hn1
T Pn
1 hnT Pn hn1
Autre expression de la récurrence finale
est le gain matriciel de correction Pn1
Le gain de correction diminue à mesure que n augmente et tend vers 0
Master ASE1 – Identification des Processus – P. Bonnet 73
MOINDRES-CARRES RECURSIFS
Utilisation pratique de la récurrence évoluée: Poser les conditions initiales :
matrice carrée kxk vecteur colonne kx1
P0000
Choix de : la matrice a pour définition avec inexistante (absence de ligne).
P00 P00 = H 00T H 00
−1
H 00
Choix de : on propose le plus souvent 0000 = 0
P00 = G I kG = 10ou 100
P étant de dimension constante kxk , on propose le choix : avec G gain d'adaptation ( par exemple)
Master ASE1 – Identification des Processus – P. Bonnet 74
MOINDRES-CARRES RECURSIFS
Pierre BONNET Modélisation Identification 74
Utilisation pratique de la récurrence évoluée:
K 1 = P 00 h1 [1 h1T P 00 h1]
−1
1 = 00 K 1 y1 − h1T 00
P1 = I − K 1 h1T P00
Itérer une première fois
K 2 = P1 h2 [1 h2T P1 h2]
−1
2 = 1 K 2 y 2 − h2T 1
P 2 = I − K 2 h2T P1
Itérer une deuxième fois
Appliquer la récurrence générale
Master ASE1 – Identification des Processus – P. Bonnet 75
MOINDRES-CARRES RECURSIFS
Loi proposée:
Avec et
A chaque étape de la récurrence, on multiplie le "poids" des anciennes mesures par le facteur
Pn1 = 1 H nT H n 2 hn1 hn1
T −1
011 022
Pondération de la récurrence
Objectif : - éviter la décroissance de ou vers 0- diminuer le "poids" des anciennes mesures au profit des plus
récentes
K n1 Pn1
Pn1 =11 P n−
P n hn1 hn1T P n
1/2 hn1T Pn hn1
Master ASE1 – Identification des Processus – P. Bonnet 76
MOINDRES-CARRES RECURSIFS
Loi résultante:
A chaque étape de la récurrence, on multiplie le "poids" des anciennes mesures par le facteur d'oubli
n1 = H nT H n hn1 hn1
T −1H nT Y n hn1 yn1 avec 01
Introduction d'un facteur d'oubli
choix : diminution du "poids" des anciennes mesures au profit des plus récentes d'où le principe du "facteur d'oubli" du passé
2= 11= cste
n−1 n
A la (n+1) ième étape:- la 1ère estimation est pondérée par- la 2ème est pondérée par - la nième est pondérée par - la nouvelle est pondérée par 1
La pondération suit une loi exponentielle
Master ASE1 – Identification des Processus – P. Bonnet 77
MOINDRES-CARRES RECURSIFS
Introduction d'un facteur d'oubli Le facteur d'oubli est choisi de l'ordre de 0.951
Récurrence obtenue :
K n1 =Pn hn1
hn1T Pn hn1
n1 = n K n1 [ yn1− hn1T n ]
Pn1=1 I − K n1 hn1
T Pn
Principale application : suivi des paramètres d'un système évoluant dans le temps
Exemple : suivi des paramètres d'un modèle linéaire par morceaux , pour des données présentant des discontinuités de modèle .
x = at b
Master ASE1 – Identification des Processus – P. Bonnet 78
MOINDRES-CARRES RECURSIFS
Algorithme à trace constante si , on aura avec la matrice "explose"hn10 Pn1 ≃ P n/ 1 Pn
tracePn1 = tr P n = tr P0=Cste
L'algorithme à trace constante a pour objectif de maintenir la somme des éléments diagonaux à une valeur non nulle à tout instant :
On choisit comme valeur de trace kG avec G gain initial et k nombre de paramètres (valeurs typiques G = 1 à 4 ) :
tr Pn1 =11
tr Pn −P n hn1 hn1
T Pn
1/2 hn1T Pn hn1
Les valeurs de et sont déduites de cette équation, le rapport / étant fixé à une valeur constante
1 2 1 2
Master ASE1 – Identification des Processus – P. Bonnet 79
MOINDRES CARRES NON-LINEAIRES
MOINDRES-CARRES NON-LINEAIRES
Master ASE1 – Identification des Processus – P. Bonnet 80
MOINDRES CARRES NON-LINEAIRES
Position du problèmeDans de nombreuses applications , la fonction modèle n'est pas linéaire par rapport à ses paramètres. Exemple : réponse indicielle d'un circuit du 1er ordre
0 1 2 t
y0
y1
y2 f t ,
3 4 5
y3y5 y5
L'expression du modèle est :
avec
f t ,= K 1− e−
t
= [K , ]T
la dépendance vis à vis du paramètre est non-linéaire , il n'est plus possible de résoudre le système par la méthode linéaire (pas de matrice H )
Master ASE1 – Identification des Processus – P. Bonnet 81
MOINDRES CARRES NON-LINEAIRES
La proposition est de partir d'une valeur initiale des paramètres et de modifier itérativement la valeur de d'un incrément de façon à minimiser le critère d'erreur quadratique cumulée à chaque étape.
0
Pour , le modèle prend les valeurs : 0 = [a10 , a20 , ... ]T F t ,0 = [ f t1,0f t2,0
...f t n ,0
]L'erreur entre le modèle et les mesures est : = Y − F t ,0
L'erreur quadratique cumulée est : 0 = T = Y − F t ,0T Y − F t ,0
Méthode de Gauss-Newton (méthode de gradient)
Etape initiale
Généralement, l'erreur cumulée sera importante , les conditions initiales étant éloignées de la solution optimale.
Master ASE1 – Identification des Processus – P. Bonnet 82
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
modification de la valeur de d'un incrément de façon à minimiser le critère
d'erreur quadratique cumulée
0
Pour , le modèle prend les valeurs et l'erreur = 0 F t ,0 0
∂0
∂=0 Pour se placer au minimum d'erreur , on choisit tel que
Calcul du minimum de l'erreur cumulée : ∂ 0
∂= −2 [ ∂ F t ,0
∂ ]T
Y−F t ,0 = 0
Incrémentation
Master ASE1 – Identification des Processus – P. Bonnet 83
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
Le développement de Taylor du 1er ordre du modèle permet d'approximer la nouvelle valeur du modèle à chaque instant d'observation :
avec gradient de f en ligne
f t i ,0 = f t i ,0 J i 0.
J i 0 = ∇ f t i ,0T
F t ,0=F t ,0 J 0.
L'extension à l'ensemble des points de calculs prend la forme matricielle suivante :
Avec : jacobienne de f/paramètres
J 0 =∂F t ,0
∂= [
∂ f t 1∂a1
∂ f t1∂ a2
...∂ f t1∂ak
∂ f t 2∂a1
∂ f t 2∂ a2
...∂ f t2∂ak
... ... ... ...∂ f t n∂a1
∂ f t n∂ a2
...∂ f t n∂ak
]
Calcul de F t ,0
Master ASE1 – Identification des Processus – P. Bonnet 84
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
D'où : −2 J T Y−F t ,0J 0. = 0
Calcul du minimum de l'erreur cumulée : ∂ 0
∂= −2 [ ∂ F t ,0
∂ ]T
Y−F t ,0 = 0
ItérationOn itère en définissant les nouvelles valeurs des paramètres et les nouvelles valeurs du modèle . La correction suivante à faire sera :
1 = 0 F t ,1
= [ J 1T . J 1]
−1. J 1
T Y−F t ,1
On en déduit la valeur de l'accroissement à faire sur les paramètres pour minimiser l'erreur:
= [ J 0T . J 0]
−1. J 0
T Y−F t ,0
Master ASE1 – Identification des Processus – P. Bonnet 85
J T J
= [ J T . J I ]−1. J T Y−F t ,
0 = . max [ J T J ]
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
Limitation : l'inversion de la matrice peut poser problème (matrice singulière).
Pour éviter ce blocage, l'algorithme a été modifié par Levenberg-Marquardt:
Le paramètre joue le rôle d'un amortissement de la correction; il doit être ajusté à chaque pas de calcul. Dans les cas simples, on peut se contenter d'un amortissement constant, dont la valeur initiale a été proposée par Marquardt:
est un paramètre de gain à choisir convenablement (!)
Master ASE1 – Identification des Processus – P. Bonnet 86
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
Exemple d'application : soit un système du 1er ordre dont désire connaître les paramètres caractéristiques (gain et constante de temps) par l'observation de la réponse indicielle.
Temps en s 0 1 2 3 4 5
y(t) 0.05 0.45 0.59 0.64 0.64 0.69
= [K , ]Tf t ,= K 1− e−
t Le modèle de la réponse indicielle est : avec
La matrice du Jacobien est construite à partir des dérivées partielles de f par rapport à
∂ f t ,∂K
= 1− e−t ∂ f t ,
∂= −K t
2 e−t
Contrairement au cas d'un modèle linéaire/paramètres, les dérivées partielles dépendent des paramètres eux-mêmes.
Il faut fixer une valeur initiale de K et pour donner une valeur à la matrice Jacobienne
Valeurs initiales proposées : K 0= 1 0= 1
L'observation directe montre que le gain (valeur finale) est proche de 0.7 et la constante de temps de l'ordre de la seconde (échelle de temps)
Master ASE1 – Identification des Processus – P. Bonnet 87
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
La matrice Jacobienne est : les valeurs du modèle :J 0 = [0. 0.
0.63 −0.370.86 −0.270.95 −0.150.98 −0.070.99 −0.03
] F 0 = [0.
0.630.860.950.980.99
]L'incrément à faire sur les paramètres est : = J T J −1 J T Y−F 0 = [−0.33
−0.06]La nouvelle valeur des paramètres est : 1= [0.67
0.94]
Après 10 itérations , la valeur des paramètres converge vers : 10= [0.670.92]
L'erreur quadratique cumulée est de : = 0.42
L'erreur quadratique cumulée est de : = 0.0035
Master ASE1 – Identification des Processus – P. Bonnet 88
MOINDRES CARRES NON-LINEAIRES
Méthode de Gauss-Newton
Attention : certaines valeurs initiales ne permettent pas à l'algorithme de converger (par exemple K = .1 et tau = .1 )!
Master ASE1 – Identification des Processus – P. Bonnet 89
MODELISATION DES SYSTEMES
MODELISATIONDES
SYSTEMES
Master ASE1 – Identification des Processus – P. Bonnet 90
Modélisation d'un système discret
La détermination des paramètres d'un système à partir de l'observation de sa sortie, compte-tenu de l'entrée appliquée.
le modèle doit traduire la relation entrée-sortie caractéristique du système
Système
Modèle
Entréeexterne
SortiesSorties
Sortiesmodélisées
Erreur de
modélisation
+
-
MODELISATION DES SYSTEMES
Master ASE1 – Identification des Processus – P. Bonnet 91
MODELISATION DES SYSTEMES
Système discret :
modèle de récurrence
ym n a1 ym n−1 a2 ym n−2 ... a p ym n− p
= b0 u n b1 u n−1 ... bqu n−q
Master ASE1 – Identification des Processus – P. Bonnet 92
MODELISATION DES SYSTEMES
Modèle de récurrence
la sortie du système à l'instant n se déduit de la sortie aux instants ( n-1, n-2, ... ,n-p) et de l'entrée aux instants (n, n-1,n-2, ... ,n-q )
Ce modèle est dit "Autorégressif " ou modèle AR
ymn = −a1 ymn−1 − a2 ymn−2 −...− a p ymn− p
b0 u n b1 u n−1 ... bq un−q
Master ASE1 – Identification des Processus – P. Bonnet 93
MODELISATION DES SYSTEMES
Exemple de modèle de récurrence discrète :
Soit un système du premier ordre de fonction de transfert :
L p = Y pU p
= Kp
y y = K u Ce système correspond à une équation différentielle de la forme :
En approximant la dérivée par Euler :yn1− yn
T e yn = K un
Le système discrétisé est décrit par la récurrence :
y n1 = 1− T e y n K T eu n
Ou : y n = 1− T e y n−1 K T eu n−1
Master ASE1 – Identification des Processus – P. Bonnet 94
MODELISATION DES SYSTEMES
modèle de récurrence :
La récurrence s'applique aux mesures au bruit près: y n = −a1 y n−1 − a2 y n−2 −...− a p y n− p
b0 u n b1 u n−1 ... bq u n−q n
Le membre de droite représente le modèle ARX .
Il est défini à partir des mesures , et non à partir des valeurs modélisées précédentes. On remarque que c'est un modèle avec erreur (la somme pondérée des erreurs faites sur chacune de observations faites aux instants n-1, ...,n-p ) . De ce fait, le modèle est biaisé (erreur systématique si les mesures sont corrélées)
Master ASE1 – Identification des Processus – P. Bonnet 95
MODELISATION DES SYSTEMES
Observation du système sur k échantillons :
instant N : y N = −a1 y N−1 − a2 y N−2 −...− a p y N− p
b0u N b1u N−1 ... bqu N−q N
y N−1 = −a1 y N−2 − a2 y N−3 −...− a p y N− p−1
b0uN−1 b1u N−2 ... bquN−q−1 N−1
instant N-1
y N−k = −a1 yN−1−k − a2 y N−2−k −...− a p y N− p−k
b0u N−k b1uN−1−k ... bquN−q−k N−k
instant N-k:
Master ASE1 – Identification des Processus – P. Bonnet 96
MODELISATION DES SYSTEMES
Observation du système sur k échantillons :
écriture matricielle
Les mesures sont liées à l'entrée par la relation :
[ y N y N−1. . .y N−k ] = [ −y N−1 ... −y N− p u N u N−q
−y N−2 ... −y N− p−1 u N−1 u N−q−1... ... ... ... ...
−y N−1−k ... −y N− p−k u p1 u N−q−k ] [a1
.a p
b0
.bq
] [ N N−1...
p1 ]
Master ASE1 – Identification des Processus – P. Bonnet 97
MODELISATION DES SYSTEMES
Observation du système sur k échantillons (ou plus):
Posons : vecteur vecteur des des mesures para mètres
= [a1
.a p
b0
.bq
]Y = [ y N y N−1. . .y N−k ]
H = [ − yN−1 ... −y N− p u N u N−q−y N−2 ... − y N− p−1 uN−1 u N−q−1
... ... ... ... ...−y N−1−k ... − yN− p−k u p1 uN−q−k ]
Y = H Les mesures suivent la loi :
C'est un problème classique de résolution par les moindres-carrés
Master ASE1 – Identification des Processus – P. Bonnet 98
MODELISATION DES SYSTEMES Modélisation par les moindres carrés simples: solution de base non récursive
= H T −1H T Y
Exciter le système avec un signal d'entrée et relever la réponse :- échelon - bruit blanc- signal binaire pseudo-aléatoire (voir TP)
Déterminer par les moindres-carrés:- former le vecteur des mesures Y- former la matrice H à partir des mesures et des valeurs d'entrée
(tenir compte d'un retard éventuel)- résoudre le système
Master ASE1 – Identification des Processus – P. Bonnet 99
MODELISATION DES SYSTEMES Modélisation par les moindres carrés simples: Exemple d'un premier ordre soumis à un échelon d'amplitude 1 : Valeurs relevées pour y(i) : 0 , .4, .7, .95, .98 1, .97, .99, 1.02
Le modèle retenu est :
Les matrices Y et H sont :
Les valeurs obtenues sont :
yn =−a1 yn−1 b1 un−1
H = [ −y 1 u 1−y 2 u 2
... ...−y n−1 un−1]
= [−0.5770.444 ]
Y=[ y 2y 3...
y n]
Master ASE1 – Identification des Processus – P. Bonnet 100
MODELISATION DES SYSTEMES Résolution par les moindres carrés récursifs: La résolution par les moindres-carrés récursif apporte un outil de calcul efficace,et surtout un moyen d'identification en ligne ,c'est à dire au fur et à mesure que les mesures sont faites
Fixer l'ordre du modèle, son retard et choisir les valeurs initiales :- par exemple
00= 0
P00= 1000
Exciter le système avec un signal d'entrée (échelon...)- relever la réponse (et l'entrée) dès le premier instant d'échantillonnage - ajuster le modèle par les MCR- itérer pour obtenir les n
Master ASE1 – Identification des Processus – P. Bonnet 101
MODELISATION DES SYSTEMES Résolution par les moindres carrés récursifs:
Exemple du système du premier ordre précédent sans retardY= [0 .4 .7 .95 .98 1 .97 .99 1.02 ]';
Modèle à 2 paramètres a1 et b1 : Valeurs initiales:
00 = [0 0]T
P00= [1000 00 1000]
Récurrence avec le vecteur
hn1= [−y n un]T
Les valeurs de convergent vers la valeur finale précédente La simulation "colle" aux mesures pour les premiers instants (réajustement du modèle sur les mesures) puis produit un effet de filtrage (le modèle a convergé)
n
Master ASE1 – Identification des Processus – P. Bonnet 102
MODELISATION DES SYSTEMES Les problèmes non traités dans ce cours : La méthode introduit un biais d'estimation : les résultats sont décalés lorsque le bruit est important.
Il devient nécessaire d'introduire un modèle du bruit pour "blanchir" l'erreur ou de décorréler observation/erreur (ARX, MCR généralisés, variable instrumentale...)
La méthode de base suppose que le retard et l'ordre du système sont connus.Il est possible de déterminer automatiquement ces valeurs par minimisation de l'erreur de modélisation.
La méthode peut s'appliquer à un système bouclé déjà régulé (régulateur classique). L'identification se fait sans intervention sur le process existant.Le bouclage provoque un biais important des mesures. Des algorithmes permettent de résoudre cette problématique.