Cours Identification des procédés industriels Badreddine LOUHICHI

GÉNÉRALITÉS SUR L’IDENTIFICATION DES

SYSTÈMES DYNAMIQUES

1. Introduction
La question principale qui peut se poser lors de la synthèse d’une loi de commande pouvant
être appliquée à un système dynamique est la suivante : Comment pouvons-nous élaborer un
« bon » modèle mathématique permettant une « meilleure » description du comportement
dynamique de ce système de telle façon que les objectifs de commande visés soient respectés?
La réponse à cette question n’est pas tout à fait évidente et mérite une attention particulière,
surtout si le système à commander est de nature complexe (stochastique, non stationnaire, non
linéaire, etc.).

Tout modèle mathématique se caractérise par les trois éléments suivants :

1. Sa classe (linéaire, monovariable, déterministe, etc.),

2. Sa structure (ordre, retard),

3. Ses paramètres.

L’identification d’un système dynamique, qui consiste en l’élaboration d’un modèle

mathématique de type représentation permettant la description de ce système, peut être menée
en considérant les quatre étapes suivantes :

1. Sélection de la classe du modèle mathématique,

2. Estimation des deux paramètres (ordre, retard) de la structure du modèle mathématique,

3. Estimation des paramètres intervenant dans l’équation du modèle mathématique,

4. Validation du modèle mathématique ainsi obtenu,

Nous illustrons dans la figure 2.1 une procédure générale d’identification d’un système
dynamique.

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 8

Cours Identification des procédés industriels Badreddine LOUHICHI

Figure 2.1. Procédure générale d’identification d’un système dynamique

2. Méthodes d’identification
Nous allons nous intéresser, dans ce chapitre, à exposer des problèmes relatifs à
l’identification des systèmes dynamiques, tout en mettant l’accent essentiellement sur l’étape
d’estimation paramétrique.

Rappelons que l’identification d’un système dynamique consiste en la description de celui-

ci par un modèle mathématique, et ce, à partir d’une analyse expérimentale. La classe, la
structure et les paramètres de ce modèle mathématique doivent être déterminés en se basant
sur des mesures expérimentales issues du système correspondant, moyennant des méthodes
adéquates d’analyse. La qualité du modèle mathématique retenu est fonction des résultats
d’identification, qui eux-mêmes dépendent de plusieurs facteurs, en particulier de la méthode
d’analyse utilisée. Différentes méthodes d’identification ont été proposées dans la littérature.
Nous pouvons classer ces méthodes d’identification en deux catégories, à savoir : méthodes
de base et méthodes du modèle ajustable.

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 9

Cours Identification des procédés industriels Badreddine LOUHICHI

2.1. Identification par des méthodes de base

Les méthodes d’identification de base permettent de transformer un modèle non
paramétrique en un modèle paramétrique, et ce, à partir d’un traitement graphique ou
numérique. Par ailleurs, il convient de souligner que ces méthodes d’identification présentent
plusieurs inconvénients, tels que :

1. qualité d’identification assez médiocre,

2. procédure d’interprétation des résultats expérimentaux relativement longue,

3. difficulté de description du bruit agissant sur le système,

4. difficulté de prise en compte d’une éventuelle variation paramétrique au cours du temps.

Toutefois, pour une description assez grossière d’un système dynamique par un modèle
mathématique préliminaire, nous pouvons opter pour une méthode d’identification de base.

2.2. Identification par des méthodes du modèle ajustable

Le principe de la méthode d’identification par modèle ajustable consiste à exciter le
système considéré et le modèle mathématique correspondant par le même signal d’entrée et à
minimiser un certain critère de performance portant sur l’écart entre la sortie du système et
celle du modèle ajustable. La procédure d’identification doit adapter les paramètres du modèle
ajustable afin de minimiser « au mieux » ce critère; ceci à partir de la connaissance de
plusieurs mesures expérimentales (couples d’entrée-sortie), qui caractérisent le comportement
dynamique du système considéré. Nous représentons dans la figure 2.2 le schéma de principe
de la méthode d’identification par modèle ajustable.

Figure 2.2. Schéma de principe de la méthode d’identification par modèle ajustable

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 10

Cours Identification des procédés industriels Badreddine LOUHICHI

3. Méthodes d’estimation paramétrique

L’estimation paramétrique d’un système dynamique est la détermination, à partir de la
connaissance de mesures expérimentales issues de ce système, des paramètres intervenant
dans l’équation d’un modèle mathématique pouvant décrire ce système, où sa classe et sa
structure sont supposées bien connues. Ce système dynamique et le modèle mathématique
correspondant, soumis aux mêmes signaux, sont alors équivalents.

L’estimation paramétrique d’un système, en utilisant la méthode du modèle ajustable,

consiste à adapter à ce système un modèle mathématique ayant une classe et une structure
fixées a priori. Les paramètres de ce modèle mathématique doivent être ajustés
automatiquement afin que son comportement dynamique soit le plus proche possible de celui
du système. Ceci revient à adapter les paramètres du modèle mathématique de telle façon à
déterminer des estimés optimaux pour lesquels l’écart entre la sortie du système et celle du
modèle ajustable soit le plus faible possible. La figure 2.3 montre le schéma de principe de la
méthode d’estimation paramétrique par modèle ajustable.

Figure 2.3. Schéma de principe de la méthode d’estimation paramétrique par modèle ajustable

Actuellement, la méthode d’identification par modèle ajustable est la plus utilisée dans les
applications industrielles, et plus particulièrement dans des structures de commande de type
adaptative. En outre, la méthode d’identification par modèle ajustable est la plus générale,
donne de bons résultats, élimine les inconvénients des méthodes de base et offre plusieurs
avantages, tels que :

1. bonne qualité d’estimation (paramétrique, structurelle),

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 11

Cours Identification des procédés industriels Badreddine LOUHICHI

2. temps d’estimation relativement faible,

3. description du bruit agissant sur le système,

4. suivi d’une éventuelle variation paramétrique au cours du temps,

5. détection de la rupture du modèle mathématique,

6. estimation en temps réel,

7. implémentation souple et flexible du schéma d’estimation.

Bien entendu, la méthode d’identification par modèle ajustable, qui permet d’assurer
plusieurs indices de performance, peut être appliquée à différentes classes de modèles
mathématiques. Dans ce cours d’automatique, nous mettons l’accent uniquement sur cette
méthode d’identification.

3.1. Méthodes d’estimation paramétrique par modèle ajustable

Nous allons développer, dans ce cours d’automatique, des algorithmes récursifs
d’estimation paramétrique des systèmes dynamiques en se basant sur la méthode du modèle
ajustable, telle que représentée dans la figure 2.3.

En outre, nous pouvons distinguer principalement neuf méthodes d’estimation

paramétrique, qui peuvent être classées en deux groupes, et ce, selon le type du critère de
minimisation.

G1. Méthodes d’estimation paramétrique basées sur la minimisation d’un critère quadratique
portant sur l’erreur de prédiction. Dans ce cas, nous pouvons avoir six méthodes d’estimation
paramétrique, à savoir :

a. méthode des moindres carrés ordinaires,

b. méthode des moindres carrés généralisés,

c. méthode de la variable instrumentale à observations retardées,

d. méthode de la variable instrumentale à modèle auxiliaire,

e. méthode des moindres carrés étendus,

f. méthode du maximum de vraisemblance approché.

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 12

Cours Identification des procédés industriels Badreddine LOUHICHI

G2. Méthodes d’estimation paramétrique basées sur la minimisation d’un critère quadratique
portant sur l’erreur de sortie. Trois méthodes d’estimation paramétrique peuvent être retenues,
dans ce cas, à savoir :

a. méthode avec compensateur fixe,

b. méthode avec compensateur ajustable,

c. méthode avec modèle d’estimation étendu.

Ces différentes méthodes d’estimation paramétrique ont été largement développées dans la
littérature, en utilisant autant de modèles mathématiques, notamment des modèles
mathématiques entrée-sortie. Les différents modèles mathématiques considérés peuvent
découler du modèle mathématique entrée-sortie suivant, qui correspond à une version
simplifiée du modèle mathématique entrée-sortie (1.9) :

B  q 1  C  q 1 
y k   u k   ek  (2.1)
A  q 1  D  q 1 

Nous donnons ci-après une certaine correspondance entre les méthodes d’estimation
paramétrique citées et des cas particuliers du modèle mathématique entrée-sortie (2.1).

M1. Méthode des moindres carrés ordinaires, où e(k) = 0. Dans ce cas, nous aurons :

A  q 1  y  k   B  q 1  u  k  (2.2)

1
M2. Méthode des moindres carrés généralisés, où C  q 1   . Dans ce cas, nous aurons
A  q 1 

1
A  q 1  y  k   B  q 1  u  k   ek  (2.3)
D  q 1 

M3. Méthode de la variable instrumentale à observations retardées (W, 1…), où C  q 1   1 ,

D  q 1   A  q 1  . Dans ce cas, nous aurons :

A  q 1  y  k   B  q 1  u  k   v  k  (2.4)

v(k) étant un bruit corrélé avec les observations.

M4. Méthode de la variable instrumentale à modèle auxiliaire (W, 1…). Le modèle

mathématique considéré ici est du type (2.4).

M5. Méthode des moindres carrés étendus, où D  q 1   A  q 1  . Dans ce cas, nous aurons :

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 13

Cours Identification des procédés industriels Badreddine LOUHICHI

A  q 1  y  k   B  q 1  u  k   C  q 1  e  k  (2.5)

M6. Méthode du maximum de vraisemblance approché. Le modèle mathématique considéré

ici est du type (2.5).

M7. Méthode avec compensateur fixe. Le modèle mathématique considéré ici est du type
(2.2).

M8. Méthode avec compensateur ajustable. Le modèle mathématique considéré ici est du type
(2.2).

M9. Méthode avec modèle d’estimation étendu. Le modèle mathématique considéré ici est du
type (2.2).

4. Problèmes posés en identification

Le problème de l’identification d’un système dynamique décrit par un modèle
mathématique de type représentation peut s’énoncer comme suit : Déterminer une procédure
permettant de sélectionner la classe, d’estimer les paramètres de structure (ordre, retard) et
d’estimer les paramètres d’un modèle mathématique permettant la description de ce système,
et ce, à partir de la connaissance de plusieurs mesures expérimentales (séquence d’entrée,
séquence de sortie) issues du système. La formulation de ce problème d’identification peut
être faite en élaborant des méthodes d’analyse appropriées permettant de sélectionner la
classe, d’estimer les paramètres de structure et d’estimer les paramètres de ce modèle
mathématique, tout en utilisant des techniques numériques et d’optimisation, en vue de
minimiser un certain critère de performance. Toutefois, ceci nous laisse le choix des éléments
suivants :

1. type du critère à minimiser ;

2. nature du signal d’entrée et équipement particulier pour sa génération ;

3. durée de l’expérience ;

4. moyen de traitement et de stockage des données ;

5. valeur de la période d’échantillonnage ;

6. situation dans laquelle se trouve le système.

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 14

Cours Identification des procédés industriels Badreddine LOUHICHI

4.1. Choix du critère de minimisation

Le développement d’un algorithme récursif d’estimation paramétrique ou structurelle d’un
système dynamique, en utilisant la méthode du modèle ajustable, dépend de plusieurs
facteurs, notamment du type de critère à minimiser. En fait, la formulation d’un problème
d’estimation paramétrique se base sur la minimisation d’un certain critère de performance, qui
est à définir par l’automaticien. Lors du choix de ce critère, nous cherchons, plus
particulièrement, à ce qu’il soit significatif et que sa minimisation se fait aisément, tout en
menant à une solution optimale unique (critère quadratique) ne nécessitant pas de conditions
particulières pour la mise en œuvre pratique d’un algorithme récursif d’estimation
paramétrique ou structurelle.

On peut envisager deux types de critères de minimisation, qui sont souvent considérés lors
de la formulation d’un problème d’estimation des paramètres d’un système dynamique. Il
s’agit du critère minimisant une erreur de prédiction et du critère minimisant une erreur de
sortie. Notons toutefois que le critère minimisant une erreur de prédiction est le plus répandu
dans la littérature.

4.1.1. Critère minimisant une erreur de prédiction

Le critère minimisant une erreur de prédiction représente l’écart entre la sortie du système
considéré et celle prédite par le modèle ajustable. La méthode d’estimation qui peut résulter,
dans ce cas, est appelée dans la littérature méthode de l’erreur de prédiction ou méthode de
l’erreur d’équation et également méthode du modèle série-parallèle. Le schéma de principe de
la méthode de l’erreur de prédiction est illustré par la figure 2.4 suivante :

Figure 2.4. Schéma de principe de la méthode de l’erreur de prédiction

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 15

Cours Identification des procédés industriels Badreddine LOUHICHI

4.1.2. Critère minimisant une erreur de sortie

Le critère minimisant une erreur de sortie représente l’écart entre la sortie du système
dynamique et celle du modèle ajustable. La méthode d’estimation basée sur ce type de critère
est appelée dans la littérature méthode de sortie ou encore méthode du modèle parallèle. Nous
représentons par la figure 2.5 le schéma de principe de la méthode de l’erreur de sortie.

Figure 2.5. Schéma de principe de la méthode de l’erreur de sortie

4.2. Choix du signal d’entrée

L’identification d’un système dynamique par la méthode du modèle ajustable peut être
menée à partir de la connaissance de plusieurs mesures expérimentales (séquence d’entrée-
sortie) issues de ce système, et ce, en vue de la formulation d’un modèle mathématique
permettant une meilleure description de sa dynamique. La qualité de l’estimation d’un
système dynamique obtenue par un algorithme donné dépend étroitement de la nature du
signal d’entrée (amplitude, fréquence, etc.) appliqué à ce système. En fait, ce signal d’entrée
doit être choisi de façon que nous puissions exciter continuellement le système considéré dans
toute sa région de travail; c’est ainsi que nous pouvons l’appeler signal d’excitation.

Nous pouvons distinguer, selon le mode de fonctionnement du système considéré,

deux classes de signaux d’entrée. La première classe des signaux d’entrée concerne les
systèmes fonctionnant en boucle fermée et dont le choix du signal à appliquer au système
n’étant pas librement ; il s’agit d’un signal d’entrée de type « imposé ». Quant à la deuxième
classe des signaux d’entrée, elle est relative aux systèmes fonctionnant en boucle ouverte, où

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 16

Cours Identification des procédés industriels Badreddine LOUHICHI

le choix du signal à appliquer au système se fait librement ; il s’agit d’un signal d’entrée de
type « test ».

4.2.1. Signal d’entrée de type imposé

Pour un système dynamique commandé, le signal d’entrée n’est pas choisi librement, mais
il provient du système de commande (régulateur, correcteur). En général, ce signal d’entrée,
qui est délivré par le système de commande, n’est pas suffisamment « riche ». Nous pouvons
donc le qualifier de signal d’entrée imposé. Il s’agit, dans ce cas, de l’identification en boucle
fermée, du fait que l’élaboration du modèle mathématique se fait à partir de mesures
recueillies sur le système commandé.

4.2.2. Signal d’entrée de type test

Lors de l’identification d’un système dynamique fonctionnant en boucle ouverte, le choix

du signal d’entrée à appliquer à celui-ci se fait librement et de façon appropriée. Nous
pouvons qualifier ce signal d’entrée de signal test. Dans une telle situation, la procédure
d’identification se fait à partir de la connaissance de mesures expérimentales issues du
système considéré, qui fonctionne en boucle ouverte. Il s’agit donc d’une identification en
boucle ouverte.

4.3. Choix de la période d’échantillonnage

L’identification d’un système dynamique, en vue de sa description par un modèle
mathématique à partir de la connaissance de plusieurs mesures expérimentales (entrée, sortie)
issues de ce système, peut dépendre du choix de la période d’échantillonnage utilisée pour
l’acquisition de ces mesures. En effet, les paramètres de structure (ordre, retard) et ceux
intervenant dans l’équation de ce modèle mathématique peuvent varier en fonction de la
valeur choisie de la période d’échantillonnage.

5. Conclusion
Nous avons présenté dans ce deuxième chapitre des généralités sur l’identification de
systèmes dynamiques. Les étapes d’élaboration d’un modèle mathématique de type
représentation ont été données au début de ce chapitre. Nous avons exposé deux méthodes
d’identification de systèmes dynamiques. Il s’agit de la méthode de base et de la méthode par

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 17

Cours Identification des procédés industriels Badreddine LOUHICHI

modèle ajustable. Les avantages que peut offrir la méthode d’identification par modèle
ajustable ont été donnés.
Un bref aperçu sur les méthodes d’estimation paramétrique publiées dans la littérature
concernant les systèmes dynamiques, qui peuvent être décrits par des modèles mathématiques
entrée-sortie, est donné. Les principaux problèmes pouvant se poser lors de l’identification
d’un système dynamique ont été évoqués. Nous avons étudié plus particulièrement les
problèmes qui sont liés au choix du critère de minimisation, au choix du signal d’entrée et au
choix de la période d’échantillonnage, qui est utilisée lors de l’acquisition des données.

Chapitre 2 : Généralités sur l’identification des systèmes dynamiques 18