ÉCOLE POLYTECHNIQUE

FÉDÉRALE DE LAUSANNE

IDENTIFICATION DE
SYSTÈMES DYNAMIQUES
Prof. D. Bonvin, Dr. A. Karimi

n
u yp +
PROCESSUS
+ y

ym + es
MODÈLE -

θ̂
IDENTIFICATION CRITÈRE

Lausanne
Septembre 2007
ii
 iii

PRÉFACE

Ce polycopié est prévu comme support écrit et complément au cours «Identifica-

tion et Commande I» offert en option aux étudiants de 7-ème semestre de plusieurs
sections de l’EPFL. Il ne remplace en aucun cas une participation active au cours.
Ce cours à une mission synthétique: celle d’unifier au travers d’exemples choisis
et de démonstrations en simulation plusieurs notions rencontrées en physique, en
mécanique, en traitement du signal et en automatique. La rigueur mathématique
déductive a été omise chaque fois que cela était possible au profit d’une approche
plus descriptive et inductive. La démarche mathématique restante est cependant
indispensable à une étude quantitative des systèmes dynamiques.
L’étudiant trouvera tout au long de ce polycopié des questions (en italique dans
le texte) lui permettant d’apporter un regard critique sur la matière traitée. De plus,
une série d’exercices résolus permettant à l’étudiant de vérifier ses connaissances a
été incluse à la fin de chaque chapitre. Une bibliographie ainsi que plusieurs séries
d’exercices (non résolus) se trouvent à la fin du polycopié.
Ce polycopié ne représente qu’un premier effort d’offrir aux étudiants un support
utile pour appréhender les nombreux problèmes de modélisation et d’identification
qui les touchent. Plusieurs corrections ou améliorations seront encore nécessaires.
Dans ce sens, les auteurs remercient d’avance les étudiants qui lui feront part de
leurs remarques, comme ils remercient les assistants-étudiants ainsi que Anne et
John Kummli de recto verso et Gorka Galdos qui l’ont aidé dans la rédaction de la
présente version de ce polycopié.

Lausanne, septembre 2007

iv PRÉFACE
TABLE DES MATIÈRES v

TABLE DES MATIÈRES

PRÉFACE iii

1 PROCESSUS, SYSTÈMES ET MODÈLES 1

1.1 OBJECTIFS DE LA MODÉLISATION . . . . . . . . . . . . . . . . . 1
1.1.1 Procédure de modélisation . . . . . . . . . . . . . . . . . . . . 1
1.1.2 Modélisation, analyse et simulation . . . . . . . . . . . . . . . 2
1.1.3 Exemple 1: Automobile . . . . . . . . . . . . . . . . . . . . . . 3
1.1.4 Exemple 2: Réservoir pressurisé . . . . . . . . . . . . . . . . . 4
1.1.5 Exemple 3: Salon de coiffure . . . . . . . . . . . . . . . . . . . 6
1.2 TYPOLOGIE DES MODÈLES . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Typologie selon le but du modèle . . . . . . . . . . . . . . . . 7
1.2.2 Typologie selon la nature du système . . . . . . . . . . . . . . 9
1.2.3 Typologie selon les propriétés du modèle . . . . . . . . . . . . 11
1.3 MÉTHODES DE REPRÉSENTATION . . . . . . . . . . . . . . . . . 13
1.3.1 Représentation temporelle externe . . . . . . . . . . . . . . . . 14
1.3.2 Représentation temporelle interne . . . . . . . . . . . . . . . . 18
1.3.3 Représentation fréquentielle externe . . . . . . . . . . . . . . . 24
1.3.4 Représentation fréquentielle interne . . . . . . . . . . . . . . . 30
1.3.5 Comparaison des différentes méthodes de représentation . . . 31
1.4 EXEMPLES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.1 Cuve agitée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.2 Système de production . . . . . . . . . . . . . . . . . . . . . . 34
1.5 EXERCICES RÉSOLUS . . . . . . . . . . . . . . . . . . . . . . . . . 35

2 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES 47

2.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.2 RÉPONSES INDICIELLE ET IMPULSIONNELLE . . . . . . . . . 48
vi TABLE DES MATIÈRES

2.2.1 Relevé graphique . . . . . . . . . . . . . . . . . . . . . . . . . 48

2.2.2 Déconvolution numérique . . . . . . . . . . . . . . . . . . . . . 49
2.3 MÉTHODE DE CORRÉLATION . . . . . . . . . . . . . . . . . . . 51
2.3.1 Principe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.2 Fonctions de corrélation pour les signaux déterministes . . . . 52
2.3.3 Fonctions de corrélation pour les signaux aléatoires . . . . . . 55
2.3.4 Relation entre Ruu(h), Ruy (h) et g(h) . . . . . . . . . . . . 59
2.3.5 Calcul de la réponse impulsionnelle . . . . . . . . . . . . . . . 60
2.3.6 Excitation pseudo-aléatoire . . . . . . . . . . . . . . . . . . . 63
2.4 MÉTHODES FRÉQUENTIELLES . . . . . . . . . . . . . . . . . . . 65
2.4.1 Analyse harmonique . . . . . . . . . . . . . . . . . . . . . . . 66
2.4.2 Analyse par transformation de Fourier . . . . . . . . . . . . . 68
2.4.3 Analyse spectrale . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.5 IDENTIFICATION EN BOUCLE FERMÉE . . . . . . . . . . . . . . 81
2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE NON
PARAMÉTRIQUE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
2.6.1 Fonction de transfert du premier ordre à partir de la réponse
indicielle ou impulsionnelle . . . . . . . . . . . . . . . . . . . . 83
2.6.2 Fonction de transfert du deuxième ordre à partir de la réponse
indicielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
2.6.3 Fonction de transfert d’ordre quelconque à partir de la réponse
impulsionnelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
2.6.4 Fonction de transfert à partir de la réponse harmonique . . . . 88
2.7 COMPARAISON DES MÉTHODES NON PARAMÉTRIQUES . . . 91
2.8 EXERCICES RÉSOLUS . . . . . . . . . . . . . . . . . . . . . . . . . 92

3 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES 101

3.1 INTRODUCTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.2 MODÈLE DU PROCESSUS . . . . . . . . . . . . . . . . . . . . . . . 105
3.3 CRITÈRES DE PERFORMANCE . . . . . . . . . . . . . . . . . . . 106
3.3.1 Critère basé sur l’erreur de sortie . . . . . . . . . . . . . . . . 106
3.3.2 Critère basé sur l’erreur d’équation . . . . . . . . . . . . . . . 107
3.3.3 Critère basé sur l’erreur de prédiction . . . . . . . . . . . . . . 108
3.3.4 Quel critère choisir? . . . . . . . . . . . . . . . . . . . . . . . 109
3.4 ALGORITHME DES MOINDRES CARRÉS . . . . . . . . . . . . . . 109
3.4.1 Formulation récurrente des moindres carrés . . . . . . . . . . 111
TABLE DES MATIÈRES vii

3.4.2 Moindres carrés pondérés . . . . . . . . . . . . . . . . . . . . 113

3.4.3 Erreur et variance d’estimation . . . . . . . . . . . . . . . . . 117
3.4.4 Méthode des variables instrumentales . . . . . . . . . . . . . . 119
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION . . . . . . . . . . . . 121
3.5.1 Structures sans modèle du bruit . . . . . . . . . . . . . . . . . 121
3.5.2 Structures avec modèle du bruit . . . . . . . . . . . . . . . . . 124
3.5.3 Minimisation de l’erreur de prédiction . . . . . . . . . . . . . . 129
3.5.4 Analyse fréquentielle de l’erreur de prédiction . . . . . . . . . 132
3.6 IDENTIFICATION EN BOUCLE FERMÉE . . . . . . . . . . . . . . 134
3.6.1 Identification sans excitation externe . . . . . . . . . . . . . . 135
3.6.2 Identification avec excitation externe . . . . . . . . . . . . . . 135
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION . . . . . . . . . . 137
3.7.1 Conditionnement des signaux . . . . . . . . . . . . . . . . . . 138
3.7.2 Choix de la période d’échantillonnage . . . . . . . . . . . . . . 142
3.7.3 Choix du signal d’excitation . . . . . . . . . . . . . . . . . . . 143
3.7.4 Estimation de l’ordre . . . . . . . . . . . . . . . . . . . . . . . 146
3.8 VALIDATION DU MODÈLE . . . . . . . . . . . . . . . . . . . . . . 149
3.8.1 Validation par rapport au but escompté . . . . . . . . . . . . 149
3.8.2 Validation du modèle avec des données expérimentales . . . . 149
3.8.3 Validation par des méthodes statistiques . . . . . . . . . . . . 150
3.8.4 Validation par des méthodes heuristiques . . . . . . . . . . . . 152
3.9 PROCÉDURE D’IDENTIFICATION PARAMÉTRIQUE . . . . . . . 153
3.10 EXERCICES RÉSOLUS . . . . . . . . . . . . . . . . . . . . . . . . . 154

A TRANSFORMATION DE FOURIER 167

A.1 SÉRIE DE FOURIER POUR SIGNAUX ANALOGIQUES PÉRIO-
DIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.1.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALO-
GIQUES APÉRIODIQUES . . . . . . . . . . . . . . . . . . . . . . . 169
A.2.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
A.2.2 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
A.3 SÉRIE DE FOURIER POUR SIGNAUX NUMÉRIQUES PÉRIO-
DIQUES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
A.3.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173
viii TABLE DES MATIÈRES

A.4 TRANSFORMATION DE FOURIER POUR SIGNAUX NUMÉ-

RIQUES APÉRIODIQUES . . . . . . . . . . . . . . . . . . . . . . . 174
A.4.1 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
A.5 SPECTRE D’UN SIGNAL ÉCHANTILLONNÉ . . . . . . . . . . . . 175
A.6 TRANSFORMATION DE FOURIER DISCRÈTE . . . . . . . . . . . 177
A.6.1 Remarque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A.6.2 Exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
A.7 TRANSFORMATION DE FOURIER RAPIDE (FFT) . . . . . . . . 184

B MATRICE PSEUDO-INVERSE 187

B.1 DÉFINITIONS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
B.2 PROPRIÉTÉS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
B.3 RÉSOLUTION D’UN SYSTÈME D’ÉQUATIONS ALGÉBRIQUES
LINÉAIRES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 188
B.4 CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD . . . . 189

C TRANSFORMATIONS DE LAPLACE ET EN Z 191

BIBLIOGRAPHIE 195
 1

Chapitre 1

PROCESSUS, SYSTÈMES ET
MODÈLES

1.1 OBJECTIFS DE LA MODÉLISATION

1.1.1 Procédure de modélisation

La variable indépendante temps joue un rôle prépondérant dans l’étude des sys-
tèmes dynamiques. Une telle étude nécessite souvent une modélisation, c’est-à-dire la
représentation du système par un modèle mathématique. A ces fins, il est nécessaire
de procéder par étapes et de bien distinguer les quatre entités suivantes: processus,
système, modèle mathématique et modèle informatique.
• Le processus constitue la réalité physique que l’on désire étudier. Par exemple:
– la navette spatiale,
– le comportement écologique d’une région,
– un atelier de production flexible.
• Ces réalités physiques sont souvent très complexes. Il est alors nécessaire de
simplifier ou de limiter le cadre de l’étude en définissant le système à étudier.
Celui-ci ne comportera que les éléments indispensables à l’étude souhaitée. Il
y a donc un fort élément d’abstraction en passant du processus au système à
étudier.
• Une fois le système défini, on essayera de le représenter par des équations
algébriques ou différentielles qui constitueront le modèle mathématique.
Ceci implique un effort de simplification.
• Le modèle mathématique sera ensuite étudié analytiquement (dans les cas
simples) ou par simulation (le plus souvent). Dans ce cas, il s’agira de coder
le modèle mathématique pour l’implanter sur ordinateur. On parle alors de
modèle informatique.
Une fois le modèle construit et implanté, on doit s’assurer que les résultats de
simulation qu’il produit correspondent bien à la réalité du système à étudier. Les dé-
marches de vérification et de validation explicitées ci-dessous doivent être effectuées
2 PROCESSUS, SYSTÈMES ET MODÈLES

y(t)

Abstraction

+
SYSTEME
Validation
-

u(t) ym(t)

Codage

+
MODELE
informatique -

ys(t)

Fig. 1.1 – Procédure de modélisation: différentes entités et étapes.

en parallèle avec le développement et l’implantation du modèle. Elles sont essen-

tielles afin d’assurer la crédibilité de l’approche de simulation. Un modèle auquel on
ne fait pas confiance ne sera pas utilisé!
La vérification consiste à comparer l’implantation sur ordinateur de la simulation
avec le modèle sous-jacent. L’implantation fait-elle bien ce que l’on a voulu faire avec
le modèle? Il s’agit donc ici d’une étape de déverminage.
La validation, pour sa part, traite de la comparaison des résultats de simulation
avec la réalité, cette dernière pouvant encore être plus large que celle considérée
par le modélisateur. Le système a-t-il été correctement cerné, modélisé et simulé?
Un modèle de simulation est donc valide s’il peut représenter avec suffisamment
de précision la réalité physique pour une classe d’expériences et dans un domaine
particulier. Le schéma de la figure 1.1 indique les étapes nécessaires à la modélisa-
tion et simulation d’un processus sur ordinateur. Les démarches de vérification et
de validation y sont clairement représentées. On remarque que les étapes doivent
souvent être répétées jusqu’à la validation complète du modèle et de la simulation.
L’approche est donc de nature itérative.

1.1.2 Modélisation, analyse et simulation

Nous appelons modélisation l’ensemble des étapes nécessaires à l’élaboration
d’un modèle mathématique ou informatique propre à représenter un processus dans
une situation donnée. Un modèle mathématique peut s’élaborer à partir des lois phy-
siques régissant le système étudié. Un tel modèle est appelé modèle de connaissance,
modèle physique ou encore modèle de simulation.
1.1 OBJECTIFS DE LA MODÉLISATION 3

Il est également possible de calculer un modèle à partir de la connaissance des

entrées et des sorties correspondantes du système. Un tel modèle est alors appelé
modèle de représentation, modèle expérimental ou encore modèle de commande. On
dénote cette étape de modélisation par identification.
L’analyse du modèle comprend l’étude de propriétés telles que la stabilité, l’ob-
servabilité et la gouvernabilité du système, ou encore l’identifiabilité des paramètres.
La simulation représente l’étude du comportement d’un processus (physique,
abstrait ou hypothétique) par l’étude du comportement d’un modèle informatique
de ce processus.

1.1.3 Exemple 1: Automobile

L’automobile, avec tous ses constituants, représente la réalité physique ou
processus. L’état de la route, le trafic qui s’y trouve et les éventuelles perturbations
(vent, pluie, etc.) constituent l’environnement du processus. Le système à étudier
dépend du cadre de l’étude. On considère ci-dessous deux études bien différentes du
même processus «automobile».

Etude «trajectoire»:
Dans le but de décrire la trajectoire de l’automobile sur une route (système
à étudier), on ne s’intéresse directement ni aux mouvements des pistons, ni aux
différents engrenages, ni à la pression des pneus, mais plutôt aux différentes forces
qui agissent sur l’automobile. Le système ainsi défini est représenté à la figure 1.2.

PERTURBATIONS
rafales de vent
pente

ENTREES SYSTEME SORTIES

trajectoire
automobile position
vitesse
volant

Fig. 1.2 – Système «trajectoire automobile » avec les entrées, sorties et perturba-
tions.

On peut décrire la trajectoire de l’automobile en utilisant la loi de mouvement

de Newton: X
mẍ = Fi
i

où m représente la masse de la voiture, x sa position et Fi (i = 1, 2, . . .) les diffé-

rentes forces qui agissent sur l’automobile. Le modèle mathématique comprend des
variables indépendantes (les entrées et les perturbations: les différentes forces exté-
4 PROCESSUS, SYSTÈMES ET MODÈLES

rieures) et des variables dépendantes (les sorties: la position et la vitesse) comme

cela est illustré à la figure 1.3.

PERTURBATIONS

ENTREES MODELE SORTIES

variables

Fig. 1.3 – Modèle mathématique avec les variables indépendantes et dépendantes.

Etude «cylindre»:
Si l’objectif est plutôt de décrire le comportement thermique du moteur, on
limitera l’étude à un seul cylindre pour considérer les problèmes de combustion et
de transfert de chaleur. On obtiendra alors le système de la figure 1.4.

PERTURBATIONS

ENTREES SYSTEME SORTIES

cylindre T(z, r, t)

Fig. 1.4 – Système «cylindre» avec les entrées, sorties et perturbations.

Un bilan thermique permet de décrire les variations spatiales et temporelles de

la température dans le cylindre en fonction de variables telles que le débit et la
composition du combustible, la température et le débit de l’eau de refroidissement
ou encore la puissance demandée au moteur. Le modèle mathématique liera les
variables indépendantes et dépendantes comme indiqué à la figure 1.3.

1.1.4 Exemple 2: Réservoir pressurisé

Processus: réservoir cylindrique contenant un liquide et un gaz avec des débits
d’alimentation et de fuite pour le liquide et le gaz (fig. 1.5). On définit les grandeurs
suivantes:
q: débit volumique [m3 /s]
p: pression [Pa]
H: hauteur du réservoir [m]
h: niveau du liquide [m]
S: surface de section [m2 ]
Système: dans le cas d’une étude de commande, plusieurs possibilités existent.
1.1 OBJECTIFS DE LA MODÉLISATION 5

qg,e qg,s
p

H
h

ql,e
S
ql,s

Fig. 1.5 – Réservoir pressurisé.

1. Pour une commande de niveau (fig. 1.6):

Perturbation
ql,s

hc e ql,e h
SYSTEME 1

Fig. 1.6 – Schéma fonctionnel d’une commande de niveau.

2. Pour une commande de pression (fig. 1.7):

Perturbation
qg,s ; ql,e ; ql,s

pc e qg,e p
2 SYSTEME 2

Fig. 1.7 – Schéma fonctionnel d’une commande de pression.

3. Pour une commande de niveau et pression:

Ce cas d’étude considère un système multivariable, c’est-à-dire avec plus d’une
entrée ou plus d’une sortie. Il convient alors d’utiliser une approche de com-
mande multiboucle (fig. 1.8) ou de commande multivariable (fig. 1.9).
Les variables u et y représentent les vecteurs d’entrée et de sortie:
   
q1,e h
u= ; y=
qg,e p
6 PROCESSUS, SYSTÈMES ET MODÈLES

Perturbations
ql,s ; qg,s

hc ql,e h

SYSTEME 3
pc qg,e p

Fig. 1.8 – Schéma fonctionnel d’une commande multiboucle de niveau et pression.

yc e u SYSTEME 4 y

multivariable

Fig. 1.9 – Schéma fonctionnel d’une commande multivariable de niveau et pression.

Quelle est la différence principale entre les approches de commande multiboucle

et multivariable? Peut-on ramener une approche multivariable à une approche mul-
tiboucle?
Modèle: le modèle résulte de deux bilans massiques (pour le liquide et le gaz)
à l’intérieur du réservoir:
dh 1
= (q1,e − q1,s )
dt S
dp p
= [(q1,e − q1,s ) + (qg,e − qg,s )]
dt S(H − h)
Le modèle approprié à chaque cas de commande s’exprime à partir de l’une ou des
deux équations ci-dessus.

1.1.5 Exemple 3: Salon de coiffure

Processus: salon Géraldine, 17 rue des Aubépines, avec son infrastructure et envi-
ronnement.
Système: le fonctionnement du salon de coiffure pendant 8 h (fig. 1.10).
Modèle: il s’établit à partir du système défini ci-dessus et des règles (simplifi-
cations) suivantes:
• un client qui ne trouve pas de chaise d’attente libre s’en va chez la concur-
rence,
• le temps entre l’arrivée des clients suit une distribution exponentielle avec
une valeur moyenne de 20 min,
1.2 TYPOLOGIE DES MODÈLES 7

statistique coiffeurs
2 coiffeurs
clients statistique chaises
2 chaises
d'attente statistique clients perdus

Fig. 1.10 – Système «salon de coiffure».

• la durée de service d’un client suit une distribution normale avec une valeur
moyenne de 40 min et un écart-type de 10 min.

Un tel système est appelé un système dynamique à événements discrets,

car les événements (arrivée des clients, fin de service d’un client) arrivent à des temps
discrets non réguliers. Ce système est représentatif du fonctionnement d’un système
de service ou d’un système de production tel un atelier flexible.

1.2 TYPOLOGIE DES MODÈLES

Comme les processus peuvent être de natures fort diverses, les modèles utili-
sés doivent refléter au mieux cette diversité. On distingue donc plusieurs types de
modèles, que l’on classe ici selon différents critères.

1.2.1 Typologie selon le but du modèle

On développe des modèles pour:
La simulation, c’est-à-dire l’évaluation de la performance d’un processus projeté
ou existant par l’intermédiaire de son modèle informatique. Pour ce faire, on
utilise le plus souvent des modèles de connaissance (appelés aussi modèles
physiques ou modèles de simulation).
Exemples:
• étude thermique concernant la rentrée dans l’atmosphère de la navette spa-
tiale Hermes,
• analyse de performance d’un système de service (salon de coiffure, banque,
etc.).
La conception, c’est-à-dire le dimensionnement d’un processus à partir des carac-
téristiques de ses composants et des performances désirées. Ici aussi, on utilise
le plus souvent des modèles de connaissance.
Exemples:
• dimensionnement d’une installation électrique, mécanique ou chimique,
• décisions liées à la modernisation d’une installation de production.
8 PROCESSUS, SYSTÈMES ET MODÈLES

u M(θ) y

Fig. 1.11 – Modèle multivariable.

Tab. 1.1 – Types de problèmes faisant intervenir un modèle mathématique.

Type
simulation direct u, M(θ) y connaissance

conception inverse u, y M(θ) connaissance

identification inverse u, y M(θ)

commande inverse M(θ ), y u

L’identification, c’est-à-dire la modélisation d’un processus sur la base d’observa-

tions du comportement temporel des entrées et sorties d’un processus. Comme
ces modèles de représentation sont élaborés à partir de mesures expérimentales
et servent souvent à la commande du processus, ils sont aussi appelés modèles
expérimentaux ou modèles de commande.
Exemples:
• identification de certains facteurs économiques,
• identification du comportement dynamique d’un robot.
La commande, c’est-à-dire le calcul de signaux de commande de façon à ce qu’un
processus suive au mieux ses grandeurs de consigne, même en présence de
perturbations. Dans ce but, on utilise le plus souvent des modèles de représen-
tation.
Exemples:
• calcul de la tension à appliquer à un moteur pour une commande de vitesse
ou de position,
• calcul du débit d’alimentation dans le cas d’une commande de niveau.
Ces quatre types de problèmes sont représentés au tableau 1.1 pour le modèle
représenté schématiquement à la figure 1.11 en utilisant les notations suivantes:
u: vecteur d’entrée
y: vecteur de sortie
θ: vecteur des paramètres
Un problème est qualifié de type «direct» s’il est possible de calculer directement
(en un seul pas de calcul, et donc sans itération) les grandeurs cherchées à partir
des grandeurs données. Dans le cas contraire, le problème est de type «inverse» et
sa résolution nécessite une démarche itérative.
1.2 TYPOLOGIE DES MODÈLES 9

a) b)
x(k)
x(t) x2
x4
x5
x0 x1
x3

temps e1 e2 e3 e4 temps

Fig. 1.12 – Evolution de l’état pour un système dynamique : (a) évolution continue,
(b) événements discrets.

1.2.2 Typologie selon la nature du système

On distingue ici les systèmes dynamiques à évolution continue (l’état du
système exprimé par les variables indépendantes évolue de façon continue, même s’il
est observé de façon échantillonnée) des systèmes dynamiques à événements
discrets (l’état du système ne change qu’à l’apparition d’événements, lesquels ar-
rivent de façon discontinue et irrégulière).

1.2.2.1 Systèmes dynamiques à évolution continue

• Les systèmes dynamiques à évolution continue sont en général décrits par des
équations différentielles ou aux différences ou par des fonctions de transfert.
• L’état du système évolue de façon continue. Par exemple, un avion qui veut
passer de l’altitude h1 à l’altitude h2 doit nécessairement franchir toutes les
positions intermédiaires (fig. 1.12(a)).
• Le temps est soit continu, soit discret avec une période d’échantillonnage T
(les instants d’échantillonnage ne sont pas arbitraires mais bien réguliers).
• Les systèmes à évolution continue obéissent souvent à des lois physiques
comme les lois de mouvement ou de conservation.

1.2.2.2 Systèmes dynamiques à événements discrets

• L’état d’un système à événements discrets n’évolue pas de façon continue mais
change instantanément à certains instants (en général non réguliers) en réponse
à un événement particulier (un événement discret), comme cela est illustré à
la figure 1.12(b).
• La notion de temps est remplacée par celle de séquence d’événements (ou
également par celle du temps auquel ces événements arrivent).
• Il existe souvent un parallélisme entre certaines activités ce qui nécessite un ef-
fort de synchronisation. En effet, plusieurs activités peuvent avoir lieu en même
temps. Ou encore, une activité ne peut commencer que lorsque les éléments
10 PROCESSUS, SYSTÈMES ET MODÈLES

nécessaires (entités) deviennent disponibles.

• La plupart des systèmes à événements discrets ont un caractère stochastique au
sens où les événements ne suivent pas une séquence déterministe. Par exemple,
le temps entre les arrivées successives de deux clients ou le temps de service
d’un client représente une variable aléatoire.
• Il n’existe pas de formalisme mathématique permettant de représenter les sys-
tèmes à événements discrets de façon compacte et générale qui soit utilisable
pour une étude analytique (comme cela est le cas pour les équations diffé-
rentielles ou aux différences avec les systèmes dynamiques à évolution conti-
nue). Le modèle est donné par une collection d’entités (clients ou ressources)
avec leurs attributs correspondants, d’événements et d’activités (services ou
attentes). Des variables logiques représentent les débuts et fins d’activité, les
actions tout-ou-rien, etc. Souvent, une étude est uniquement possible à l’aide
de la simulation, c’est-à-dire en représentant, pas à pas, le comportement tem-
porel du système.
• L’analyse rigoureuse de propriétés importantes telles que la stabilité d’un sys-
tème ou l’accessibilité d’un état n’est, en général, pas possible. On se contente
souvent de résultats de simulation d’où l’importance de cette dernière pour ce
type de systèmes.
• On retrouve les systèmes dynamiques à événements discrets surtout dans cer-
tains systèmes dynamiques interactifs modernes créés par l’homme (systèmes
de production, systèmes d’assemblage, réseaux d’ordinateurs et de communica-
tion, systèmes de service et de trafic, etc.) Les systèmes à événements discrets
possèdent souvent une structure modulaire et hiérarchique.
Remarques:
• La distinction entre un système à évolution continue et un système à événe-
ments discrets est quelquefois arbitraire. Dans certains cas, on peut représen-
ter un système à événements discrets par un modèle à évolution continue. Par
exemple, le trafic routier sur une autoroute représente un système dynamique
à événements discrets, avec les entités «automobiles» qui entrent et sortent
d’un tronçon d’autoroute à des instants précis. On peut cependant représenter
le flot automobile par un modèle agrégé décrit par des équations différentielles.
• Beaucoup de systèmes englobent des éléments discrets et des éléments continus.
On parle alors de systèmes hybrides. Par exemple, un compte bancaire
possède les éléments suivants:
– solde avec intérêt composé: partie continue,
– dépôts et retraits: partie discrète.
• Le cadre mathématique approprié à l’étude des systèmes dynamiques à évo-
lution continue (c’est-à-dire les équations différentielles ou aux différences, les
fonctions de transfert) existait bien avant l’avènement de l’ordinateur. Pour
les systèmes dynamiques à événements discrets, par contre, c’est l’ordinateur
qui a rendu leur étude possible grâce à la simulation. Il n’existe que peu de
formalismes de représentation qui soient utiles pour l’analyse de propriétés et
la synthèse de régulateurs pour ce type de systèmes.
1.2 TYPOLOGIE DES MODÈLES 11

• Ce cours considère uniquement la modélisation et l’identification de systèmes

dynamiques à évolution continue. De ce fait, et afin de simplifier la nomencla-
ture, on appelera ces systèmes tout simplement «systèmes dynamiques », la
distinction continu/discret étant alors réservée à la façon de considérer le temps
(temps continu/temps discret). Un système dynamique continu signifiera
donc un système dynamique à évolution continue et à temps continu, alors
qu’un système dynamique discret correspondra à un système dynamique
à évolution continue et à temps discret.

1.2.3 Typologie selon les propriétés du modèle

a) Dynamique/statique: Un modèle est dynamique si son état à un instant
donné dépend non seulement de l’entrée présente mais aussi des entrées pas-
sées. On dit qu’un modèle dynamique possède de la mémoire ou de l’inertie. Il
contient une ou plusieurs équations différentielles. Par opposition, la réponse
d’un modèle statique à une entrée est instantanée. La relation entrée-sortie
est alors donnée par une ou plusieurs équations algébriques.
b) Monovariable/multivariable: Un modèle qui possède une seule entrée et une
seule sortie est dit monovariable. Dans le cas contraire, on parle d’un modèle
multivariable.
c) Déterministe/stochastique: Un modèle est déterministe si les sorties fu-
tures peuvent être complètement déterminées à partir de l’état actuel et des
entrées futures. Dans un modèle stochastique, le hasard joue un rôle impor-
tant et on peut tout au plus associer une probabilité aux sorties du modèle.
d) A paramètres localisés/répartis: Un modèle dynamique à paramètres lo-
calisés est généralement décrit par des équations différentielles ordinaires in-
diquant une dépendance temporelle. Si le modèle dynamique est décrit par
des équations aux dérivées partielles avec une dépendance temporelle et une
ou plusieurs dépendances spatiales, il est dit à paramètres répartis.
e) Continu/discret: Un modèle est continu si ses variables temporelles (entrées,
état, sorties) sont définies pour tout temps t. Il est discret si celles-ci ne sont
définies qu’en des instants particuliers, par exemple à des instants d’échan-
tillonnage.
f) Linéaire/non linéaire: Un modèle est linéaire s’il obéit au principe de super-
position défini par les propriétés d’additivité et d’homogénéité. Considérons
le modèle M de la figure 1.13 avec des conditions initiales nulles (système
initialement au repos). Le modèle M est linéaire si et seulement si:

u1 (t) → y1 (t)
M:

u2 (t) → y2 (t) ⇒ M : α1 u1 (t) + α2 u2(t) → α1 y1 (t) + α2 y2 (t)
α1 et α2 : constantes réelles


c’est-à-dire si et seulement si les conditions

• d’additivité u1 (t) + u2 (t) → y1 (t) + y2 (t)
• et d’homogénéité αu(t) → αy(t)
12 PROCESSUS, SYSTÈMES ET MODÈLES

u(t) y(t)
M
Fig. 1.13 – Modèle monovariable.

et donc le principe de superposition sont valables.

g) Stationnaire/non stationnaire: Un modèle dont la structure et les para-
mètres (et non pas les entrées et sorties!) ne varient pas avec le temps est
appelé stationnaire. On dit aussi qu’un système stationnaire ne vieillit pas.
Il se comportera plus tard de la même façon que maintenant. Dans le cas
contraire, on parle d’un système non stationnaire (ou évolutif).
h) Causal/anti-causal: Un modèle causal est un modèle dont la réponse ne pré-
cède pas la variation de l’entrée. Tous les systèmes physiques réels sont néces-
sairement causals, l’effet ne pouvant pas précéder la cause.
i) Au repos/chargé: Un modèle dynamique est au repos à un instant donné
s’il est relâché, c’est-à-dire qu’il ne subit pas l’influence d’une entrée passée.
Dans cet état, et en l’absence d’excitation extérieure, le système n’évolue pas.
Ses mémoires sont vides. Dans le cas contraire, on dit que le systèmes est
chargé. Si un modèle dynamique est initialement au repos, ses conditions
initiales seront nulles (en variables écart). On dit aussi qu’un tel modèle est
initialement à l’état stationnaire.

Il est utile de noter les différences qui existent entre un modèle stationnaire, un
modèle à l’état stationnaire (ou au repos) et un modèle statique:

dM dθ
= 0; = 0 modèle stationnaire
dt dt
du dy
= =0 état stationnaire (point d’équilibre)
dt dt

y(t) = f [u(t)] modèle statique (pas de mémoire)

La nomenclature pour ces propriétés peut parfois prêter à confusion. On la ré-

sume ici:

Français Allemand Anglais

stationnaire zeitinvariant time-invariant
à l’état stationnaire im stationärem Zustand at steady state
(au repos)
statique statisch static

Dans ce cours, nous étudierons principalement des systèmes dynamiques, conti-

nus ou discrets, mono ou multivariables, déterministes, à paramètres localisés, li-
1.3 MÉTHODES DE REPRÉSENTATION 13

initialement au repos conditions initiales nulles

Fig. 1.14 – Correspondance entre les propriétés d’un système et son modèle mathé-
matique.

néaires, stationnaires, causals et initialement au repos. On pourra alors les repré-

senter par des équations différentielles ordinaires ou des équations aux différences,
linéaires, à coefficients constants et avec des conditions initiales nulles (fig. 1.14).
Un système qui possède les quatre propriétés de linéarité, stationnarité, causalité
et d’être initialement au repos est appelé un système lscr.

1.3 MÉTHODES DE REPRÉSENTATION

Il existe plusieurs représentations possibles pour un système dynamique (à temps

continu ou à temps discret). Ces représentations, qui peuvent être équivalentes ou
complémentaires, se laissent classifier selon les trois critères suivants:
• représentation externe/interne,
• représentation temporelle/fréquentielle,
• représentation continue/discrète.
Une approche externe (modèle de représentation) met en relation directe les va-
riables d’entrée et de sortie, alors qu’une représentation interne (modèle de connais-
sance) fait intervenir explicitement toutes les variables dynamiques du système.
Une approche temporelle est intéressante pour les raisons suivantes:
• les données expérimentales sont généralement disponibles sous forme tempo-
relle,
• l’approche est intuitive, la notion de constante de temps est immédiate,
• une représentation temporelle interne est applicable:
– aux systèmes linéaires et non linéaires, stationnaires et non stationnaires,
avec des conditions initiales nulles et non nulles,
– à l’identification, l’analyse, la simulation et l’optimisation du système.
Une représentation continue est souvent plus naturelle pour l’étape d’analyse,
alors qu’une représentation discrète est nécessaire pour le travail sur ordinateur.
Ces classifications vont être explicitées dans les paragraphes qui suivent.
14 PROCESSUS, SYSTÈMES ET MODÈLES

u1 y1

up
S yq

Fig. 1.15 – Système multivariable.

1.3.1 Représentation temporelle externe

1.3.1.1 Systèmes dynamiques continus

Le système est décrit par la relation qui lie les entrées et les sorties du système
(représentation externe). Cette relation entre les p entrées et les q sorties du système
(fig. 1.15) est explicitée par le modèle suivant:

y1 (t) = h1 [u1 (τ ), u2 (τ ), . . . , up (τ ), τ ]
.. ..
. .
yq (t) = hq [u1 (τ ), u2 (τ ), . . . , up (τ ), τ ]

avec
−∞ < τ < ∞ pour un système dynamique, en général
−∞ < τ < t pour un système dynamique causal,
τ =t pour un système statique.
Afin d’étudier certaines propriétés de ce modèle, on introduit la notation ci-
dessous. On choisit, sans perte de généralité, de représenter un système monova-
riable.

a) Notation: y = Hu où H : opérateur (application, fonction) spécifie de façon uni-

voque la sortie y en termes de l’entrée u (passée, présente et, le cas échéant,
également future). Pour représenter l’intervalle temporel [t0 , t1 ] associé au si-
gnal u(t), on utilise la notation u[t0 ,t1 ] .
b) Linéarité: En utilisant la notation précédente, un système est linéaire si et
seulement si:
H(α1 u1 + α2 u2 ) = α1 Hu1 + α2 Hu2
où α1 et α2 représentent des constantes réelles.
c) Intégrale de convolution: Considérons l’impulsion de Dirac δ(t − τ ) représen-
tée à la figure 1.16 et une fonction temporelle f (t) continue. On peut écrire:
Z ∞ Z ∞
δ(t − τ )dt = 1 ; f (t)δ(t − τ )dt = f (τ )
−∞ −∞

Avec le formalisme de l’impulsion de Dirac, l’entrée u(t) et la sortie y(t) de-

1.3 MÉTHODES DE REPRÉSENTATION 15

δ(t-τ) ∞

t
0 τ
Fig. 1.16 – Impulsion de Dirac au temps τ .

viennent:
Z ∞
u(t) = u(τ )δ(t − τ )dτ
−∞
Z ∞ Z ∞
y(t) = Hu(t) = H u(τ )δ(t − τ )dτ = Hδ(t − τ )u(τ )dτ
−∞ −∞

En définissant g(t, τ ) comme la réponse du système au temps t à une impulsion

de Dirac au temps τ , c’est-à-dire:

g(t, τ ) ≡ Hδ(t − τ )

on obtient, pour un système linéaire, l’intégrale de convolution liant la sortie

au temps t aux entrées passées, présente et futures:
Z ∞
y(t) = g(t, τ )u(τ )dτ
−∞

• Si le système est stationnaire, ses caractéristiques ne varient pas avec le

temps, c’est-à-dire
g(t, τ ) = g(t + α, τ + α)
où α représente un déplacement temporel quelconque.
Pour α = −τ , l’équation précédente donne:

g(t, τ ) = g(t − τ, 0)

que l’on a pris l’habitude de noter plus simplement g(t − τ ). On remarque

donc que la réponse impulsionnelle d’un système linéaire, stationnaire ne
dépend que de la différence entre t et τ .
Pour un système linéaire et stationnaire, l’intégrale de convolution
Z ∞
y(t) = g(t − τ )u(τ )dτ
−∞

s’écrit également sous la forme du produit de convolution:

y(t) = g(t) ∗ u(t) = u(t) ∗ g(t)

16 PROCESSUS, SYSTÈMES ET MODÈLES

• Si le système est causal, la borne supérieure d’intégration est t car les entrées
futures n’influencent pas y(t).
De façon générale, la sortie d’un système dynamique continu, monovariable,
linéaire, stationnaire et causal (mais pas nécessairement initialement au re-
pos) à l’entrée u(t) est donnée par la représentation temporelle externe sui-
vante (intégrale de convolution):
Z t Z ∞
y(t) = g(t − τ )u(τ )dτ = g(τ )u(t − τ )dτ (1.1)
−∞ 0

Cette dernière est obtenue à l’aide du changement de variable ν = t − τ .

• Si le système est initialement au repos (conditions initiales nulles), le
comportement du système dans le passé (t < 0) n’influencera pas son com-
portement futur (pour t ≥ 0). Les bornes d’intégration de l’équation (1.1)
sont ainsi modifiées comme suit:
Z t Z t
y(t) = g(t − τ )u(τ )dτ = g(τ )u(t − τ )dτ (1.2)
0 0

Cette relation temporelle est caractéristique d’un système dynamique

continu, monovariable, linéaire, stationnaire, causal et initialement au re-
pos (système lscr). La représentation fréquentielle correspondante est (cf.
§ 1.3.3):
Y (s) = G(s)U(s)
La représentation (1.2):
Z t
y(t) = g(t − τ )u(τ )dτ
0

est valable uniquement si le système est au repos au temps t = 0. Dans le cas

contraire, il convient d’utiliser la relation (1.1) qui peut également s’écrire:
Z 0 Z t Z t
y(t) = g(t − τ )u(τ )dτ + g(t − τ )u(τ )dτ = y0 (t) + g(t − τ )u(τ )dτ
−∞ 0 0

où y0 (t) résume l’effet de l’entrée u(τ ), pour tout τ < 0, au temps t.
Dans les représentations (1.1) et (1.2), le système dynamique est caractérisé
par sa réponse impulsionnelle g(t), t ≥ 0, que l’on peut obtenir à partir de
mesures entrée-sortie (cf. chapitres 2 et 3).
Comme il est difficile de générer expérimentalement des impulsions de Dirac,
on utilise de préférence un saut échelon de l’entrée pour exciter un système
dynamique: 
0 pour t < 0
u(t) =
A pour t ≥ 0
La réponse expérimentale γ(t) peut s’écrire:
Z t Z t
γ(t) = g(t − τ )Adτ = g(τ )Adτ
0 0
1.3 MÉTHODES DE REPRÉSENTATION 17

d’où
1 dγ(t)
g(t) =
A dt
La réponse impulsionnelle est donc la dérivée de la réponse indicielle (pour
A = 1). Cette constatation permet de calculer la réponse impulsionnelle à
partir de la réponse à un saut échelon obtenue expérimentalement.

1.3.1.2 Systèmes dynamiques discrets

Avec la période d’échantillonnage T et la notation y(k) ≡ y(kT ), on obtient la

représentation suivante pour le système multivariable de la figure 1.15:

y1 (k) = h1 [u1 (h), u2(h), . . . , up (h), h]

.. ..
. .
yq (k) = hq [u1 (h), u2 (h), . . . , up (h), h]
avec
−∞ < h < ∞ pour un système dynamique, en général
−∞ < h ≤ k pour un système dynamique causal,
h=k pour un système statique.
La sortie d’un système dynamique discret, monovariable, lscr est donnée par la
somme ou produit de convolution suivant:
k
X k
X
y(k) = g(k − j)u(j) = g(j)u(k − j) k = 0, 1, 2, . . . (1.3)
j=0 j=0

ou
y(k) = g(k) ∗ u(k) = u(k) ∗ g(k)
Le terme g(k − j) représente la réponse du système au temps kT à l’impulsion unité
au temps jT , c’est-à-dire à 
1 i=j
u(i) =
0 i 6= j
La représentation fréquentielle correspondante devient:

Y (z) = G(z)U(z)

Ecrire le produit de convolution pour le cas d’un système dynamique discret lsc,
c’est-à-dire pas nécessairement initialement au repos.
Remarque Il est important de noter que g(k), la réponse impulsionnelle d’un sys-
tème lscr discret, n’est pas nécessairement égale à g(t)|kT , la version échantillonnée
de la réponse impulsionnelle du système continu correspondant. Pour le montrer, il
suffit d’écrire l’intégrale de convolution (1.2) pour le temps kT :
Z kT
y(kT ) = g(kT − τ )u(τ )dτ k = 0, 1, 2, . . .
0
18 PROCESSUS, SYSTÈMES ET MODÈLES

et d’introduire l’approximation
u(τ ) = u(jτ ) jT ≤ τ < (j + 1)T j = 0, 1, . . . , k − 1
qui permet d’exprimer l’intégrale ci-dessus par la contribution de l’entrée présente
u(kT ) plus la somme de k contributions liées aux entrées passées:
"
k−1 Z (j+1)T
#
X
y(kT ) = g(0)u(kT ) + g(kT − τ )dτ u(jT ) k = 0, 1, 2, . . .
j=0 jT

En comparant cette dernière expression avec l’équation (1.3), on obtient directement:

Z (j+1)T
g(k − j) = g(kT − τ )dτ ∼= T g(kT − jT )
jT

d’où l’on tire:

g(k) ∼
= T g(t)|kT k = 0, 1, 2, . . . (1.4)
Justifier intuitivement la relation (1.4).

1.3.2 Représentation temporelle interne

1.3.2.1 Notion d’état
a) Définition: L’état d’un système dynamique déterministe à un instant donné est
l’information minimale qui permet, à partir des entrées futures, de déterminer
de façon univoque le comportement futur du système.
Plus précisément:

état à t0
→ comportement pour t ≥ t0
u[t0 ,∞)
Ainsi, l’état d’un système dynamique est l’information résumant parfaitement
le passé du système puisqu’il fixe l’évolution future une fois les entrées futures
spécifiées. Les équations différentielles (ou aux différences) qui décrivent un
système dynamique possèdent des conditions initiales pour t0 . Ces conditions
initiales représentent précisément l’état du système dynamique au temps t0 .
b) Exemple 1: Soit un objet auquel on applique une force (entrée) u[t0 ,∞) pour
t ≥ t0 . Afin de déterminer de façon complète la position de l’objet, il est
nécessaire de connaı̂tre x(t0 ) et ẋ(t0 ). Il résulte de la définition ci-dessus que
x(t0 ) et ẋ(t0 ) représentent l’état du système à t0 . Par généralisation, x(t) et
ẋ(t) représentent l’état du système dynamique au temps t.
On a défini l’état comme x(t) et ẋ(t), c’est-à-dire la position et la vitesse
de l’objet. Cependant, l’état n’est pas unique. On peut très bien le définir
comme, par exemple, 2x(t) et x(t) − 5ẋ(t). Ces deux dernières variables d’état
ne possèdent plus de signification physique immédiate. On voit donc que l’état
peut aussi être un concept abstrait dépourvu de sens physique. Néanmoins,
l’ingénieur cherchera le plus souvent à définir un état avec une signification
physique évidente.
1.3 MÉTHODES DE REPRÉSENTATION 19

R L

u(t) C y(t)

Fig. 1.17 – Circuit électrique.

c) Exemple 2: Soit le circuit électrique représenté à la figure 1.17. Si le courant

dans la bobine et la tension aux bornes du condensateur sont connus au temps
t0 , alors y(t) est entièrement déterminé pour tout t ≥ t0 à partir de u[t0 ,∞) . Le
courant dans la bobine et la tension aux bornes du condensateur représentent
ainsi l’état du système dynamique.
d) Exemple 3: Soit le retard unité y(t) = u(t − 1). Afin de déterminer y[t0 ,∞) à
partir de u[t0 ,∞) il faut connaı̂tre u[t0−1 ,t0 ) qui représente donc l’état du système
dynamique à t0 .

Ce système est-il dynamique ou statique?

Quelle est la dimension de l’état?
Quelle sera la dimension de l’état si le système est donné sous forme discrète
avec T = 1?

1.3.2.2 Modèle d’état continu

a) Représentation par variables d’état: Outre le vecteur d’entrée u(t) et le
vecteur de sortie y(t), il convient de considérer le vecteur d’état x(t) dont
les éléments sont appelés variables d’état (par exemple x(t) et ẋ(t) ci-dessus).
La modélisation d’état consiste à mettre au point des relations mathématiques
entre les entrées u(t), les sorties y(t) et l’état x(t). En particulier, on s’intéresse
à une relation liant x(t) à x(t0 ) et u(t) pour t ≥ t0 . Ces relations proviennent
généralement de lois physiques telles que la loi de mouvement de Newton pour
les systèmes mécaniques, les lois de Kirchhoff pour les systèmes électriques, des
bilans de matière ou d’énergie pour les systèmes hydrauliques, chimiques ou
thermiques. Les modèles ainsi obtenus sont appelés modèles de connaissance
ou modèles physiques.
Les équations décrivant le comportement d’un système dynamique peuvent
généralement se mettre sous la forme des équations suivantes:
ẋ(t) = f [x(t), u(t), t] équation d’état x(t0 ) = x0 (1.5)
y(t) = g[x(t), u(t), t] équation de sortie (1.6)
L’équation d’état décrit le comportement dynamique du vecteur d’état x(t).
L’ordre n du système est donné par la dimension du vecteur x(t).
L’équation de sortie indique une relation statique entre le vecteur de sortie y(t)
et les variables d’état x(t) et d’entrée u(t). Souvent, u(t) n’intervient pas dans
l’équation de sortie (pas d’effet direct de l’entrée sur la sortie).
20 PROCESSUS, SYSTÈMES ET MODÈLES

Les équations d’état (1.5) et de sortie (1.6) forment ensemble ce que l’on ap-
pelle communément un modèle d’état. Si fi [·] et ∂f /∂x[·] sont des fonctions
continues de t, on démontre qu’il existe une solution unique pour x(t) étant
donnés x(t0 ) et u[t0 ,∞).
Pour un système statique, l’équation dynamique (1.5) n’existe pas, et le sys-
tème se réduit à:
y(t) = g[u(t), t]
La représentation par variables d’état caractérise le comportement interne du
système. Une telle représentation est ainsi également valable pour des condi-
tions initiales non nulles, pour des systèmes non linéaires et non stationnaires.
De plus, un modèle d’état présente l’avantage d’être simple à implanter sur
ordinateur car il se prète directement à l’intégration numérique.
b) Propriété de linéarité: Introduisons la notation suivante:

{x(t0 ), u[t0 ,∞) } → {x[t0 ,∞) , y[t0 ,∞)}

état à t0 , entrées futures états et sorties dans le futur

Un modèle d’état est linéaire si et seulement si le principe de superposition est

applicable. On peut l’expliciter ainsi (propriétés d’additivité et d’homogénéité):
Si
{x1 (t0 ), u1[t0 ,∞) } → {x1[t0 ,∞), y[t1 0 ,∞) }


{x2 (t0 ), u2[t0 ,∞) } → {x2[t0 ,∞), y[t2 0 ,∞) }
α1 et α2 : constantes réelles


⇒ {α1 x1 (t0 ) + α2 x2 (t0 ), α1 u1[t0 ,∞) + α2 u2[t0 ,∞)}

→ {α1 x1[t0 ,∞) + α2 x2[t0 ,∞) , α1 y[t1 0 ,∞) + α2 y[t2 0 ,∞) }

où les exposants 1 et 2 indiquent deux essais distincts, alors le modèle d’état
est linéaire. Dans le cas contraire, le modèle est non linéaire.
Cette condition de linéarité permet de déduire les cas particuliers suivants:
• Pour α1 = α2 = 1 et x1 (t0 ) = −x2 (t0 ); u1[t0 ,∞) = −u2[t0 ,∞)
on a:
x1[t0 ,∞) = −x2[t0 ,∞) et y[t1 0 ,∞) = −y[t2 0 ,∞)
et finalement:
{0, 0[t0 ,∞)} → {0[t0 ,∞) , 0[t0 ,∞) }
c’est-à-dire une sortie identiquement nulle pour un système au repos et sans
excitation.
x1 (t0 ) = x(t0 ), u1[t0 ,∞) = 0
• Pour α1 = α2 = 1 et 2
x (t0 ) = 0, u2[t0 ,∞) = u[t0 ,∞)
on a:
{x(t0 ), u[t0 ,∞) } → {x1[t0 ,∞) + x2[t0 ,∞) , y[t1 0 ,∞) + y[t2 0 ,∞) }
c’est-à-dire la réponse à {x(t0 ), u[t0 ,∞)} = réponse à {x(t0 ), 0} due unique-
ment à l’état initial + réponse à {0, u[t0,∞) } due uniquement à l’entrée.
1.3 MÉTHODES DE REPRÉSENTATION 21

R R
v(t)

u(t) y(t)
C
R R

Fig. 1.18 – Circuit électrique avec un condensateur non linéaire.

En d’autres termes, pour les systèmes linéaires, ces deux réponses peuvent être
étudiées séparément et additionnées ensuite.
Le principe de superposition est donc valable
• pour la sortie (similaire au cas de la représentation externe),
• ainsi que pour l’état du système (nouveau)
– pour un état initial nul,
– mais également pour un état initial non nul.
Il s’ensuit qu’un système linéaire dans sa représentation externe n’est pas né-
cessairement linéaire dans sa représentation d’état comme cela sera illustré
dans l’exemple ci-dessous.
La réciproque est-elle vraie, c’est-à-dire est-ce qu’un système qui est linéaire
dans sa représentation d’état est toujours linéaire dans sa représentation ex-
terne?
Le modèle d’état donné par les équations (1.5) et (1.6) est linéaire si et seule-
ment si les fonctions f et g sont linéaires par rapport à x(t) et u(t). Dans ce
cas, il s’écrit:

ẋ(t) = A(t)x(t) + B(t)u(t) équation d’état x(t0 ) = x0

y(t) = C(t)x(t) + D(t)u(t) équation de sortie

Exemple: Soit le circuit électrique de la figure 1.18 possédant un condensateur

avec une caractéristique non linéaire C = C(v) où v(t) est la tension aux bornes
de ce condensateur.
Si v(t0 ) = 0 alors v(t) = 0 pour tout t ≥ t0 (pour des raisons évidentes de
symétrie). Le système est donc linéaire quant à son comportement entrée-sortie
u(t) → y(t). Le système est par contre non linéaire quant à sa représentation
par variables d’état, car il contient un élément non linéaire.
c) Propriété de stationnarité: Un système est stationnaire si ses caractéris-
tiques ne varient pas avec le temps. Par exemple, pour un système dynamique
linéaire, on a:

A(t) = A; B(t) = B; C(t) = C; D(t) = D

22 PROCESSUS, SYSTÈMES ET MODÈLES

.
+ x(t) x(t) +
u(t) B
+ ∫ C
+
y(t)

Fig. 1.19 – Système dynamique linéaire et stationnaire.

ce qui donne le modèle d’état linéaire et stationnaire suivant:

ẋ(t) = A(t)x(t) + B(t)u(t) équation d’état x(t0 ) = x0

y(t) = C(t)x(t) + D(t)u(t) équation de sortie

Ce système est également causal car u(τ ) n’influence x(t) et y(t) que pour
τ ≤ t.
La figure 1.19 représente le schéma fonctionnel d’un système dynamique li-
néaire et stationnaire.

1.3.2.3 Modèle d’état discret

a) Représentation par variables d’état: Par analogie avec le modèle d’état

continu (1.5) et (1.6), le modèle d’état discret est constitué d’un système
d’équations aux différences du premier ordre:

x(k + 1) = f [x(k), u(k), k] équation d’état x(k0 ) = x0

y(k) = g[x(k), u(k), k] équation de sortie

Si le système est linéaire, on a:

x(k + 1) = A(k)x(k) + B(k)u(k) x(k0 ) = x0

y(k) = C(k)x(k) + D(k)u(k)

De plus, si le système est stationnaire, la représentation devient:

x(k + 1) = Ax(k) + Bu(k) x(k0 ) = x0

y(k) = Cx(k) + Du(k)

Les matrices A et B des représentations continues et discrètes sont bien sûr dif-
férentes. Pour s’en rendre compte, considérons le modèle d’état continu linéaire
et stationnaire suivant:

ẋ(t) = Ac x(t) + Bc u(t)

y(t) = Cx(t) + Du(t)
1.3 MÉTHODES DE REPRÉSENTATION 23

Une discrétisation temporelle selon Euler avec un pas temporel T donne:

1
[x(k + 1) − x(k)] = Ac x(k) + Bc u(k)
T
où
x(k + 1) = x(k) + Ac T x(k) + Bc T u(k)
ou encore
x(k + 1) = (I + Ac T )x(k) + Bc T u(k)
Cette dernière expression représente un modèle d’état discret avec les relations
suivantes entre les matrices A et B des modèles discret et continu:

Ad = I + Ac T
Bd = Bc T

Quelles sont les relations entre les matrices C et D des modèles discret et
continu?
La discrétisation selon Euler n’est qu’approximative. On démontre qu’une
«discrétisation exacte», qui utilise toutefois l’approximation

u(t) = u(kT ) kT ≤ t < (k + 1)T

donne les relations suivantes:

T2
Ad = eAc T ≡ I + Ac T + A2c +···
2
si Ac est régulière
Z T
Bd = eAc (T −τ ) Bc dτ = (eAc T − I)A−1
c Bc
0
2
T2
 
2T
= Ac T + Ac + · · · A−1
c Bc = Bc T + Ac Bc +···
2 2

On remarque que la discrétisation selon Euler correspond à l’approximation

linéaire par rapport à la période d’échantillonnage T de la discrétisation exacte.
Calculer le modèle d’état discret qui correspond au modèle d’état continu mo-
novariable du premier ordre ẋ = ax + bu.
b) Exemple: Plan d’épargne d’une banque, période = 1 mois, avec:
s(k) = solde à la période k
d(k) = dépôt pour la période k
r(k) = retrait pour la période k
i(k) = taux d’intérêt pour la période k

Un bilan pour la période k donne:

s(k + 1) = s(k) + d(k) − r(k) + i(k)[s(k) + d(k) − r(k)]

24 PROCESSUS, SYSTÈMES ET MODÈLES

ou
s(k + 1) = [1 + i(k)]s(k) + [1 + i(k)]d(k) − [1 + i(k)]r(k) s(k0 ) = s0
Avec  
d(k)
u(k) = x(k) = s(k) y(k) = s(k)
r(k)
on retrouve un système dynamique discret, multivariable, linéaire et non sta-
tionnaire.
Sous quelle condition ce modèle d’état dynamique non stationnaire devient-il
stationnaire?
Quel est l’ordre de ce modèle d’état?

1.3.3 Représentation fréquentielle externe

1.3.3.1 Notion de fonction de transfert

Une représentation à partir de la transformée de signaux temporels (par exemple,

transformée de Laplace, transformée de Fourier, transformée en z) est souvent utile.
On peut ainsi calculer une fonction de transfert continue
Z ∞
Y (s)
G(s) = = L[g(t)] ≡ g(t)e−st dt (1.7)
U(s) 0

ou discrète: ∞
Y (z) X
G(z) = = Z[g(k)] ≡ g(k)z −k (1.8)
U(z)
k=0

Contrairement à la représentation par modèle d’état, la représentation par fonc-

tion de transfert est uniquement valable pour les systèmes lscr (linéaires, station-
naires, causals et initialement au repos). Par contre, si applicable, la représentation
par fonction de transfert est souvent plus simple car elle fait intervenir une relation
algébrique au lieu d’une relation différentielle.
Pour un système multivariable, on peut définir une matrice de fonctions de trans-
fert ou matrice de transfert. Par exemple, pour un système avec deux entrées et deux
sorties (fig. 1.20), on a:
 
G11 (s) G12 (s)
G(s) = [Gij (s)] =
G21 (s) G22 (s)
avec
Yi (s)
Gij (s) = i, j = 1, 2
Uj (s)

Le concept de pôles et de zéros propre à la représentation fréquentielle est très

utile pour l’étude de stabilité et de performance des systèmes bouclés. Par contre,
la représentation fréquentielle est mal appropriée à la simulation numérique, pour
laquelle on préfère utiliser un modèle d’état.
1.3 MÉTHODES DE REPRÉSENTATION 25

u1 y1

u2
S y2

Fig. 1.20 – Système multivariable avec 2 entrées et 2 sorties.

sortie

u1(k) = u2(k) u1(t) y 1(t)

u2(t) y 1(k) y 2(t)

y 2(k)

0 T t 0 T t

Fig. 1.21 – Signaux d’entrée et de sortie.

1.3.3.2 Relation entre G(s) et G(z)

Pour l’implantation d’un régulateur numérique, il est souvent nécessaire de cal-

culer un régulateur G(z) qui soit «équivalent» à un G(s) obtenu par synthèse ana-
logique. D’autre part, puisqu’une identification paramétrique par moindres carrés
génère G(z) (cf. chapitre 3), il est souvent désirable d’évaluer un G(s) «équivalent»
qui permettra d’identifier les paramètres physiques du système. D’où l’intérêt de
pouvoir transformer aisément G(s) en G(z) et vice versa.
Considérons le système continu G(s) avec l’entrée U1 (s) et la sortie Y1 (s) =
G(s)U1 (s). Les signaux temporels correspondants u1 (t) et y1 (t) sont représentés à
la figure 1.21. Considérons maintenant l’entrée échelon u2 (t) dont la sortie sera
y2 (t). La figure 1.21 indique également la version échantillonée de ces signaux où
l’on remarque que u1 (k) = u2 (k) par construction et, bien sûr, y1 (k) 6= y2 (k). Il
en résulte que G1 (z) = Y1 (z)/U1 (z) est différent de G2 (z) = Y2 (z)/U2 (z). On voit
donc que, pour un G(s) donné, le G(z) correspondant dépendra de l’entrée u(t).
Analysons ce problème plus en détail.
La procédure d’échantillonnage des signaux d’entrée et de sortie du système
continu G(s) afin d’obtenir la fonction de transfert discrète G(z) est représentée à
la figure 1.22.
On peut ainsi écrire:

Y (z) Z{y(k)} Z{L−1 [G(s)U(s)]|kT }

G(z) = = = (1.9)
U(z) Z{u(k)} Z{L−1 [U(s)]|kT }
26 PROCESSUS, SYSTÈMES ET MODÈLES

u(t) G(s) y(t)

A/N A/N

u(k) G(z) y(k)

Fig. 1.22 – Schéma pour l’évaluation de G(z).

u(k) u(t) y(t) y(k)

N/A G(s) A/N

G(z)

Fig. 1.23 – Evaluation de G(z) en considérant les convertisseurs N/A et A/N.

a) Evaluation de G(z) en considérant l’entrée u(t) générée par un ZOH :

Cette approche est importante en automatique car elle correspond au cas
où le processus est entouré par des convertisseurs N/A (avec un élément de
maintien d’ordre zéro ZOH) et A/N (fig. 1.23).
L’entrée u(t) sera de la forme u2 (t) dans la figure 1.21. Pour U(s) = 1/s,
l’équation (1.9) permet d’écrire:
Z{L−1 [G(s)/s]|kT }
G(z) = 1 = (1 − z −1 )Z{L−1 [G(s)/s]|kT } (1.10)
1−z −1

Est-ce que la relation (1.9) est exacte pour une entrée échelon du type u(t) =
P
i αi ε(t − iT ) où ε(t) représente le saut unité au temps t = 0?
1
Exemple: Soit la fonction de transfert analogique G(s) = . Evaluons
s+1
G(z) pour T = 0.2.
L’équation (1.10) donne:
   
−1 −1 1 
G(z) = (1 − z )Z L 
s(s + 1) kT
     
−1 −1 1 1 −1 1 1

= (1 − z )Z L −  = (1 − z ) −
s (s + 1) kT 1 − z −1 1 − e−T z −1
1 − z −1 (1 − e−T )z −1 0.18z −1
=1− = =
1 − e−T z −1 1 − e−T z −1 1 − 0.82z −1
1.3 MÉTHODES DE REPRÉSENTATION 27

b) Evaluation de G(z) sur la base de la réponse impulsionnelle de G(s):

On considère u(t) comme étant l’impulsion de Dirac δ(t) qui est définie ainsi:

 0 t<0
δ(t) = lim ρ(t) avec ρ(t) = 1/T 0 ≤ t < T
T →0
0 t≥T


En première approximation, pour T petit mais différent de 0, on a:

1
u(k) = , 0, . . . k = 0, 1, . . .
T
et ainsi
1
U(z) =
T
L’équation (1.9) permet d’écrire:

G(z) ∼
= T Z{L−1[G(s)]|kT } (1.11)

G(z) est ainsi calculée de façon à ce que sa réponse impulsionnelle g(k) soit
égale à T g(t)|kT , où g(t)|kT représente la version échantillonnée de la réponse
impulsionnelle de G(s).
La relation (1.11) devient exacte pour le cas u(t) = δ(t) mais reste approxi-
mative pour tout autre signal u(t).
Vérifier cette dernière affirmation en comparant, par exemple, les réponses
impulsionnelles et indicielles de G(s) = 1/(s + 1) et de G(z) calculé selon
(1.11) avec T = 0.2.
Exemple: A partir de G(s) = 1/(s + 1), évaluons G(z) pour T = 0.2.
L’équation (1.11) donne:
 
−1 1  1 0.2
T Z{L }=T −T −1
=
s + 1 kT
 1−e z 1 − 0.82z −1

c) Evaluation de G(z) par transformation des pôles et des zéros de G(s):

Il s’agit ici d’une méthode empirique qui consiste à transformer, à l’aide de
la relation z = eT s , tous les pôles et les zéros du système continu. Il convient
également d’ajouter suffisamment de zéros à z = −1 afin d’obtenir pour
G(z) le même nombre de zéros que de pôles. Ceci résulte du fait que les
zéros à l’infini en continu correspondent à des zéros discrets à −1 (fréquence
maximale en discret). Finalement, on ajuste un facteur multiplicatif de G(z)
afin d’obtenir le même rapport d’amplitude pour G(z) et G(s) à une fréquence
choisie (souvent à basse fréquence: s = 0, z = 1).
Exemple: A partir de G(s) = 1/(s + 1), évaluons G(z) pour T = 0.2 en
transformant les pôles et les zéros et en imposant le même gain statique.
Le pôle à s = −1 est transformé en z = e−T . Nous ajoutons un zéro à z = −1,
ce qui donne:
z+1
G(z) = K
z − e−T
28 PROCESSUS, SYSTÈMES ET MODÈLES

Ajustons le facteur multiplicatif K:

2 1 − e−T
G(s = 0) = 1 = G(z = 1) = K → K =
1 − e−T 2
Finalement:
(1 − e−T )(z + 1) (1 − e−T )(1 + z −1 ) 0.09(1 + z −1 )
G(z) = = =
2(z − e−T ) 2(1 − e−T z −1 ) 1 − 0.82z −1

d) Evaluation de G(z) par différences finies: L’équation différentielle qui cor-

respond à G(s) peut être discrétisée par une méthode de différences finies. Il est
ensuite simple, à partir de l’équation aux différences résultante, de construire
G(z).
Deux méthodes de différences finies sont particulièrement intéressantes dans
ce contexte.
Intégration rectangulaire rétrograde: Considérons

Y (s) 1
G(s) = =
U(s) s
ou
ẏ(t) = u(t) y(0) = 0
La trajectoire y(t) peut être approchée par intégration rectangulaire ré-
trograde:
y(k) = y(k − 1) + T u(k)
Ainsi:
Y (z)[1 − z −1 ] = T U(z)
Y (z) T Tz
G(z) = = −1
=
U(z) 1−z z−1
et l’on obtient l’approximation:
1 Tz 1 z−1
:= ou s :=
s z−1 T z
Ainsi:
G(z) = G(s)|s= 1 z−1 (1.12)
T z

Intégration trapézoı̈dale: Par intégration trapézoı̈dale, la trajectoire y(t)

est approchée ainsi:

u(k) + u(k − 1)
y(k) = y(k − 1) + T
2
D’où:
T
Y (z)[1 − z −1 ] = U(z)(1 + z −1 )
2
1.3 MÉTHODES DE REPRÉSENTATION 29

1 + z −1
 
Y (z) T T (z + 1)
G(z) = = =
U(z) 2 1 − z −1 2(z − 1)
et
1 T (z + 1) 2 z−1
:= ou s :=
s 2(z − 1) T z+1
Ainsi:
G(z) = G(s)|s= 2 z−1 (1.13)
T z+1

Cette dernière relation est également connue sous le nom de transfor-

mation bilinéaire.
Exemple: A partir de G(s) = 1/(s + 1), évaluons G(z) pour T = 0.2.
Les équations (1.12) et (1.13) donnent respectivement:

1  1 Tz 0.2
G(z) = = 1 z−1 = =
s + 1 s= 1 z−1 T z
+1 (1 + T )z − 1 1.2 − z −1
T z

0.1(1 + z −1 )

1  1 T (z + 1)
G(z) = = 2 z−1 = =
s + 1 s= 2 z−1 T z+1
+1 (2 + T )z − (2 − T ) 1.1 − 0.9z −1
T z+1

e) Evaluation de G(s) à partir de G(z): La démarche inverse, c’est-à-

dire l’évaluation de G(s) à partir de G(z), n’est pas unique. Il est simple
de le comprendre en réalisant que G(s) et G(z) sont entièrement défi-
nis à l’aide des signaux d’entrée et de sortie correspondants et qu’il est
possible de faire correspondre plusieurs signaux analogiques à un signal
numérique. Cependant, en supposant que les signaux analogiques d’en-
trée et de sortie satisfassent au théorème d’échantillonnage de Shannon
(c’est-à-dire qu’ils ne contiennent pas de pulsations supérieures à ωs /2
où ωs représente la pulsation d’échantillonnage), il est alors possible de
reconstruire de façon univoque les signaux analogiques et d’obtenir ainsi
la fonction de transfert analogique correspondante.
D’une manière similaire aux équations (1.10)-(1.13), on peut calculer à
partir de G(z) la fonction de transfert G(s) qui, une fois numérisée, re-
donnerait G(z):

  
G(z)
G(s) = sL Z (1.14)
1 − z −1
1
G(s) = L{Z −1 [G(z)]} (1.15)
T
G(s) = G(z)|z= 1 (1.16)
1−T s

et
G(s) = G(z)|z= 1+T s/2 (1.17)
1−T s/2
30 PROCESSUS, SYSTÈMES ET MODÈLES

Tab. 1.2 – Comparaison de différentes méthodes pour évaluer G(z) à partir de

G(s) = 1/(s + 1) et T = 0.2.
Méthode Equation G(z)
0.18z −1
Elément de maintien d’ordre zéro 1.10
1 − 0.82z −1
0.2
Réponse impulsionnelle 1.11
1 − 0.82z −1

0.09(1 + z −1 )
Transformation des pôles et des zéros
1 − 0.82z −1

0.2z −1
Intégration rectangulaire rétrograde 1.12
1.2 − z −1

0.1(1 + z −1 )
Transformation bilinéaire (intégration trapézoı̈dale) 1.13
1.1 − 0.9z −1

On vérifie aisément les relations (1.16) et (1.17) à partir de la relation

z = eT s . En effet:
1 ∼ 1
z = eT s = =
e−T s 1 − Ts
e(T /2)s ∼ 1 + T2s
z = eT s = = approximation de Padé
e−(T /2)s 1 − T2s

Retrouver G(s) à partir de G(z) pour les exemples précédents.

f) Comparaison des diverses méthodes présentées: Le tableau 1.2
compare les résultats obtenus avec les diverses méthodes pour évaluer
G(z) à partir de G(s) = 1/(s + 1) et T = 0.2 .
Il faut remarquer qu’il n’existe pas de méthode universelle, c’est-à-dire exacte
dans le sens de la figure 1.22 quelle que soit l’entrée u(t). Par exemple, la
méthode basée sur la réponse indicielle n’est exacte que pour une entrée u(t)
en échelon. Pour toute autre entrée, le G(z) correspondant ne sera qu’une
approximation.
Evaluer le gain statique et le pôle des fonctions de transfert discrètes du tableau
1.2. Quelle conclusion peut être faite?

1.3.4 Représentation fréquentielle interne

Un modèle d’état lscr peut, bien sûr, être mis sous forme fréquentielle en utilisant
la transformation de Laplace pour les systèmes continus ou la transformation en z
pour les systèmes discrets.
1.3 MÉTHODES DE REPRÉSENTATION 31

A titre d’exemple, considérons le système multivariable lscr continu:

ẋ = Ax(t) + Bu(t) x(0) = 0

y(t) = Cx(t)

En appliquant la transformation de Laplace à ce système, on obtient:

sX(s) = AX(s) + BU(s)

Y (s) = CX(s)

c’est-à-dire la représentation fréquentielle interne suivante:

X(s) = (sI − A)−1 BU(s)

Y (s) = CX(s)

d’où l’on tire la matrice de transfert:

G(s) = C(sI − A)−1 B

et la matrice des réponses impulsionnelles:

G(t) = CeAt B

Montrer que pour un système monovariable lscr du premier ordre, la réponse impul-
sionnelle est g(t) = ceat b.
Les matrices de transfert G(z) et des réponses impulsionnelles G(k) pour un
système multivariable lscr discret sont respectivement:

G(z) = C(zI − A)−1 B

G(k) = CAk−1 B

Démontrer ces relations pour le cas scalaire (système monovariable du premier

ordre).

1.3.5 Comparaison des différentes méthodes de représentation

Les différentes représentations, classifiées selon les trois critères
• représentation temporelle/fréquentielle,
• représentation externe/interne,
• représentation continue/discrète.
sont illustrées dans le tableau 1.3 pour le cas d’un système dynamique avec
l’entrée u, l’état x et la sortie y.
 32

Tableau 1.3 Méthodes de représentation d’un système dynamique. Les hypothèses pour les différents modèles sont indiquées
en hachuré (l: linéaire, s: stationnaire, c: causal, r: initialement au repos).

Externe Interne
Continue Continue

c c c c
.
x(t) = f[x(t), u(t), t] x(k+1) = f[x(k), u(k), k]
y(t) = h[u(τ), τ ] y(k) = h[u(h), h]
x(0) = x0 x(0) = x0
-∞ < τ ≤ t -∞ < h ≤ k
y(t) = g[x(t), u(t), t] y(k) = g[x(k), u(k), k]

Temporelle lsc lsc lsc lsc

gij (t) gij (k) .

x(t) = Ax(t) + B u(t) x(k+1) = A x(k) + Bu(k)
x(0) = x0 x(0) = x0
t k
yi (t) = ∫gij (t-τ) u j (τ) d τ yi(k) = ∑ gij (k-h) uj(h) y(t) = C x(t) + Du(t) y(k) = Cx(k) + D u(k)
-∞ h=-∞

lscr lscr lscr lscr

-1
G ij (s) = L [gij (t)] Gij (z) = Z [gij (k)] X(s) = (s I - A) B U (s) X (z) = (zI - A) -1 B U(z)
Y(s) = [G ij (s)] U(s) Y(z) = [G ij (z)] U (z) Y(s) = C X (s) + D U(s) Y(z) = C X(z) + D U(z)
PROCESSUS, SYSTÈMES ET MODÈLES
1.4 EXEMPLES 33

qe(t)

h(t)
qs(t)
S k

Fig. 1.24 – Cuve agitée.

qe(t) M(S,k) h(t)

Fig. 1.25 – Modèle de la cuve agitée.

1.4 EXEMPLES

1.4.1 Cuve agitée

Soit la cuve agitée donnée à la figure 1.24. Le débit volumique de sortie qs (t)
dépend du niveau de liquide h suivant la relation:
p
qs (t) = k h(t)
La masse volumique ρ est constante. Si qe (t) représente le débit volumique d’entrée
et S la surface de section, on peut écrire le bilan massique suivant:
d
[ρSh(t)] = ρqe (t) − ρqs (t)
dt
ou
dh(t) p
S = qe (t) − k h(t) h(0) = h0
dt
Nous retrouvons un modèle d’état continu, à paramètres localisés, causal, mono-
variable, déterministe, non linéaire et stationnaire. Ce modèle M(S, k) est représenté
schématiquement à la figure 1.25 et comporte les grandeurs suivantes:
• deux paramètres constants: S, k
• une variable indépendante (entrée): qe (t)
• une variable dépendante (état, sortie): h(t)
Plusieurs problèmes peuvent être étudiés sur la base de ce modèle de connais-
sance:
34 PROCESSUS, SYSTÈMES ET MODÈLES

Produit P Clients Y
Machines X Stock S
Machines Z

production statistique demande

statistique pannes statistique pannes

nombre ? grandeur ?

Fig. 1.26 – Système de production et de stockage.

• Simulation
donnés: M(S, k), h(t = 0), qe (t)
cherché: h(t), c’est-à-dire le comportement dynamique du système.
Pour ce système simple, la simulation (intégration) peut être analytique ou
numérique.
• Conception
donnés: M(·, ·), qe (t), h(t) désiré
cherchés: S et k, c’est-à-dire le dimensionnement de la cuve.
Il n’est pas nécessaire de disposer de mesures expérimentales. Le dimension-
nement de la cuve peut se faire pour un système projeté.
• Identification
donnés:M(·, ·), qe (t) et h(t) mesurés
cherchés: S et k, c’est-à-dire les caractéristiques de la cuve.
Il faut disposer de mesures expérimentales et donc d’un système existant.
• Commande
donnés: M(S, k), h(t) désiré
cherché: qe (t), c’est-à-dire l’entrée ou grandeur de commande.
Ce problème de commande peut se résoudre sans mesures vu que le modèle du
système et la consigne sont connus. Cependant, dans la pratique, la connais-
sance du modèle est remplacée par la mesure de h(t), laquelle est comparée à
la consigne pour déterminer la grandeur de commande.

1.4.2 Système de production

Soit le système de production et de stockage donné à la figure 1.26. Les caracté-
ristiques de ses éléments sont les suivantes:
• Une machine de type X:
– exécute 5 pièces par jour,
– le temps entre les pannes suit une distribution exponentielle avec une valeur
moyenne de 20 jours,
– le temps de réparation est distribué uniformément entre 1 et 2 jours.
1.5 EXERCICES RÉSOLUS 35

• Les clients Y:
– achètent en moyenne 10 pièces par visite (distribution normale, écart-type
de 5 pièces),
– la probabilité de visite suit une distribution poissonienne (moyenne 1 visite
par jour).
• La machine Z:
– utilise en moyenne 15 pièces par jour (distribution normale, écart-type de 5
pièces),
– le temps entre les pannes est distribué uniformément entre 10 et 60 jours,
– possède un temps de réparation fixe de 1 jour.
L’objectif est d’étudier le système de production et de stockage en fonction du
nombre de machines de type X et de la grandeur du stock S. En particulier, on
aimerait connaı̂tre le taux de fonctionnement des machines X, l’évolution du stock
ainsi que le taux des demandes non satisfaites pour les clients Y et les machines Z.
Un modèle du système devrait permettre de mener une étude économique, c’est-
à-dire d’analyser les coûts en fonction du nombre de machines de type X et de la
grandeur du stock S.
De quel type de modèle s’agit-il ici?

1.5 EXERCICES RÉSOLUS

Exercice 1
Enoncé : Soit le système dynamique suivant:
ẏ = a(t)y(t) + b(t)u(t); y(0) = y0
a) Ce système est-il linéaire, stationnaire, causal, initialement au repos, stable?
b) Indiquer une démarche pour calculer la réponse indicielle du système.
c) Calculer les réponses indicielle et impulsionnelle pour le cas où le système est
stationnaire et initialement au repos.
Solution :
a) Ce système est linéaire (car les variables u(t) et y(t) apparaissent linéairement
dans l’équation différentielle), non stationnaire (car les coefficients a et b ne
sont pas constants), causal (car la sortie y(t) ne dépend que des entrées passées
et présentes) et pas initialement au repos (si y0 6= 0). Du fait de la non-
stationnarité, la stabilité est difficile à vérifier.
b) Du fait de la non-stationnarité, le calcul de la réponse indicielle est difficile à
obtenir analytiquement. On peut l’exprimer formellement à l’aide de g(t, τ ),
la réponse impulsionnelle au temps t d’un système non stationnaire à une
impulsion de Dirac au temps τ :
Z t
y(t) = y0 + g(t, τ )dτ
0
36 PROCESSUS, SYSTÈMES ET MODÈLES

Malheureusement, il n’est pas possible d’évaluer g(t, τ ) de façon générale.

c) ẏ = ay(t) + bu(t) y(0) = 0
Le système est linéaire, causal, stationnaire et initialement au repos. De plus,
le système est stable pour a < 0. Le produit de convolution s’écrit:
Z t
y(t) = g(t − τ )u(τ )dτ (1.18)
0

Réponse impulsionnelle pour u(t) = δ(t) : On obtient dans le domaine fré-

quentiel:
b b
U(s) = 1 G(s) = Y (s) = G(s)U(s) =
s−a s−a
La transformation de Laplace inverse de Y (s) donne:

y(t) = g(t) = beat t≥0 (1.19)

Réponse indicielle pour u(t) = ε(t) : Les équations (1.18) et (1.19) donnent:
Z t
b
y(t) = bea(t−τ ) 1dτ = − [1 − eat ] t≥0
0 a
On vérifie aisément que la réponse impulsionnelle est la dérivée temporelle de
la réponse indicielle.

Exercice 2
Enoncé : Soit le plan d’épargne d’une banque présenté comme exemple d’un système
dynamique discret au 1.3.2.3.
a) Sous quelle condition ce système est-il stationnaire?
b) Etudier la stabilité BIBO du système dynamique stationnaire.
c) Calculer la fonction de transfert discrète G(z) = S(z)/D(z).
d) Evaluer la constante de temps de ce système dynamique.
Solution :
a) Le modèle d’état discret s’écrit:
 
T d(k)
s(k + 1) = a(k)s(k) + b (k) s(k0 ) = s0
r(k)
y(k) = s(k)

avec
a(k) = [1 + i(k)] bT (k) = [(1 + i(k)) − (1 + i(k))]
Le système est non stationnaire car a(k) et b(k) dépendent du temps discret
k. Le système devient stationnaire si le taux d’intérêt reste constant.
1.5 EXERCICES RÉSOLUS 37

b) Stabilité du système stationnaire : entrée bornée ⇒ sortie bornée

Pour qu’un système dynamique soit BIBO stable, il faut que toutes les valeurs
propres de la matrice d’état soient à l’intérieur du cercle unité (|λj | < 1).
Pour cet exemple: |a| < 1 donc |1 + i| < 1 ⇒ −2 < i < 0
Concrètement, un plan d’épargne avec i ≥ 0 représente un système dynamique
instable.
c) Fonction de transfert : Hypothèse: plan d’épargne stationnaire (i(k) = i).
La transformation en z du système dynamique donne:
 
T D(z)
zS(z) = aS(z) + b
R(z)
Y (z) = S(z)
On obtient ainsi:
S(z) b1 1+i
G(z) = = =
D(z) z−a z − (1 + i)
d) Constante de temps : Pour un système continu du premier ordre, la constante
de temps est liée au pôle comme suit:
 
1
τ =  
pc
c’est-à-dire:
τ = −1/pc pour un système stable (pc < 0),
τ = 1/pc pour un système instable (pc ≥ 0).
Le pôle continu pc peut se calculer à partir du pôle discret:
1
pc = ln(pd )
T
Il s’ensuit:
1 T T
τ =− =− =− pour − 2 < i < 0
pc ln(pd ) ln(1 + i)
1 T T
τ= = = pour i ≥ 0
pc ln(pd ) ln(1 + i)

Exercice 3
Enoncé : Un circuit électrique de type RC en série (R = C = 1) au repos est excité
par la tension u(t) = e−3t (t ≥ 0).

i
R
+
u x C
-
38 PROCESSUS, SYSTÈMES ET MODÈLES

a) Calculer la tension aux bornes du condensateur.

b) Le courant est-il proportionnel à e−3t ?

Solution :
a) Circuit RC en série (R = C = 1; x: tension aux bornes du condensateur):

ẋ(t) + x(t) = u(t) x(0) = 0 (1.20)

avec
u(t) = e−3t t≥0 (1.21)
La transformation de Laplace de (1.20) et (1.21) donne:
1
X(s) = U(s)
s+1
1
U(s) =
s+3
1 −1/2 1/2
X(s) = = +
(s + 1)(s + 3) s+3 s+1
et ainsi:
1 1
x(t) = − e−3t + e−t
2 2
b) Le courant i(t) devient:
3 1
i(t) = ẋ(t) = u(t) − x(t) = e−3t − e−t t≥0
2 2
Le courant n’est pas proportionnel à e−3t à cause de l’effet dynamique du
condensateur et du mode correspondant e−t .

Exercice 4
Enoncé : Soit un circuit électrique de type RL en série (R = L = 1) avec un courant
initial nul.

u(t)
1
α
R L

u(t)
x(t)
t
0 α
1.5 EXERCICES RÉSOLUS 39

a) Calculer le courant résultant de la tension d’entrée u(t):

b) Vers quelle limite tend le courant pour α → 0?
c) Utiliser la propriété de linéarité et la connaissance de la réponse impulsionnelle
pour obtenir la réponse à la question a).

Solution : Circuit RL en série (R = L = 1; x: courant):

ẋ(t) + x(t) = u(t) x(0) = 0 (1.22)

La transformation de Laplace de (1.22) donne:

X(s) 1
= (1.23)
U(s) s+1
a) Réponse à une impulsion de durée α

1 1 0 si t < 0
u(t) = ǫ(t) − ǫ(t − α) avec ǫ= (1.24)
α α 1 si t ≥ 0

La transformation de Laplace de (1.24) donne:

11
U(s) = (1 − e−αs ) (1.25)
αs
En combinant (1.23) et (1.25), on obtient:
 
1 1 1 1 1
X(s) = (1 − e−αs ) = (1 − e−αs ) − (1.26)
α s(s + 1) α s s+1
D’où
1
x(t) = [ǫ(t)(1 − e−t ) − ǫ(t − α)(1 − e−(t−α) )]
α


 0 t<0



1
α
(1 − e−t ) 0 ≤ t ≤ α (1.27)



 eα −1
−t

α
e t≤α
b) Limite pour α → 0
Développement en série de Taylor de eα dans (1.27), pour t ≥ α:
α2 3
eα − 1 1+α+ 2!
+ α3! + . . . − 1 α α2
= =1+ + + ... (1.28)
α α 2! 3!
D’où
eα − 1
 
lim =1 (1.29)
α→0 α
Ainsi, lorsque α → 0, l’entrée tend vers l’impulsion de Dirac et x(t) → e−t qui
représente la réponse impulsionnelle du système.
40 PROCESSUS, SYSTÈMES ET MODÈLES

c) Calcul de la réponse à l’aide du produit de convolution temporel

Z t Z t
−(t−τ ) −t
x(t) = e u(τ )dτ = e eτ u(τ )dτ (1.30)
0 0
Z t
−t 1 1 − e−t
x(t) = e eτ dτ = pour 0 ≤ t < α (1.31)
0 α α
Z α  α
e − 1 −t

−t τ 1
x(t) = e e dτ = e pour t ≥ α (1.32)
0 α α

Exercice 5
Enoncé : Soit le système dynamique discret stable du premier ordre:
Y (z) Kz
G(z) = =
U(z) z−p
a) Calculer la réponse harmonique du système, c’est-à-dire sa réponse en régime
permanent à l’excitation harmonique u(k) = AejωkT .
b) Evaluer le rapport d’amplitude et le déphasage en fonction de la pulsation d’ex-
citation ω.
c) Dessiner le diagramme de Bode des systèmes discret et continu pour K = 2 et
p = 0.9.
Solution :
a) Réponse harmonique
A Az
uk = AejωkT ⇒ U(z) = jωT −1
=
1−e z z − ejωT
KAz 2 α1 z α2 z
Y (z) = G(z)U(z) = = α0 + +
(z − p)(z − ejωT ) z − p z − ejωT
avec
KAz 2


α0 =  =0
(z − p)(z − ejωT ) z=0

KAz  KAp
α1 = jωT
=
z−e 
z=p p − ejωT
KAejωT

KAz 
α2 = = jωT
z − p  jωT
z=e e −p
La transformation en z inverse donne:
yk = α1 pk + α2 ejωkT = yk1 + yk2
Réponse en régime permanent (y k = y 1k + y 2k )
y 1k = lim α1 pk = 0 pour |p| < 1
k→∞

y 2k = α2 ejωkT ⇒ y k = α2 ejωkT pour |p| < 1

1.5 EXERCICES RÉSOLUS 41

b) Rapport d’amplitude et déphasage en régime permanent

 y k   α2   KejωT 
     
RA =   =   =  jωT
   
uk A e − p

KAejωT
 
ϕ = arg(y k ) − arg(uk ) = arg(α2 ) = arg jωT
e −p
c) Diagramme de Bode (K = 2, p = 0.9)

2z
G(z) =
z − 0.9
2
10

– discret
R -- continu
A

1
10

0
10
10
-3 -2
10
-1
10
0
10 ωs 1
10
pulsation
80

60 – discret

40 -- continu

20
phi

-20

-40

-60

-80
10
-3
10
-2
10
-1
10
0
ωs 10
1

pulsation

Matlab d2c avec T = 1(ωs = 2π/T = 2π)

20(0.949s + 1)
G(s) =
9.49s + 1
42 PROCESSUS, SYSTÈMES ET MODÈLES

Exercice 6
Enoncé : Le système analogique G(s) = 2e−s /(5s + 1) est à commander avec un
microprocesseur.
a) Calculer la version échantillonnée G(z).
b) Quels sont les pôles du système discret?
c) Calculer la réponse du système discret à une impulsion unité.
Solution :
a) Version échantillonnée G(z)
Choix de la période d’échantillonnage:

τ
T = = 0.5
10

En considérant que u(t) est générée par un élément de maintien d’ordre zéro
(zoh), on obtient:

2e−s
   
−1 −1
 0.19
G(z) = (1 − z )Z L  = 2 (1.33)
s(5s + 1) kT
 z (z − 0.90)

b) Les pôles du système discret sont z = 0 deux fois et z = 0.90. Le pôle double
z = 0 correspond au retard pur de deux périodes d’échantillonnage.
c) Réponse du système discret à une impulsion unité
 
0.19 1 1 0.90
G(z) = 2 = 0.23 − − 2 (1.34)
z (z − 0.90) z − 0.90 z z

La transformation en z inverse donne (voir par exemple le tableau C de l’an-

nexe C, entrées 2 et 19):

g(k) = 0.23[ǫ(k − 1)0.90k−1 − δ(k − 1) − 0.90δ(k − 2)] (1.35)

avec

0 k<0
ǫ(k) = (1.36)
1 k≥0


0 k 6= 0
δ(k) = (1.37)
1 k=0
1.5 EXERCICES RÉSOLUS 43

Réponse impulsionnelle discrète (T=0.5)

0.2

0.18

0.16

0.14

0.12
g(kT)

0.1

0.08

0.06

0.04

0.02

0
0 5 10 15 20 25 30
kT

Exercice 7
Enoncé : Le dimensionnement d’un régulateur PI pour un système dynamique de
gain statique 7 a donné le résultat suivant:
 
1
GR (s) = 0.72 1 +
0.06s
Evaluer l’équation aux différences nécessaire à l’implantation de ce régulateur sur
microprocesseur.
Solution : Le régulateur discret sera entouré de convertisseurs A/N et N/A, ce
dernier avec un élément de maintien d’ordre zéro. Utilisons donc la méthode corres-
pondante pour calculer GR (z) à partir de GR (s):
   
U(z) −1 −1 GR (s) 

GR (z) = = (1 − z )Z L
E(z) s 
kT
12T z −1
    
−1 −1 0.72 12 −1 0.72
= (1 − z )Z L + 2 = (1 − z ) +
s s 1 − z −1 (1 − z −1 )2
12T z −1 0.72 + (12T − 0.72)z −1
= 0.72 + =
1 − z −1 1 − z −1
On obtient ainsi:
U(z)(1 − z −1 ) = E(z)[0.72 + (12T − 0.72)z −1 ]
La transformation en z inverse donne:
u(k) = u(k − 1) + 0.72e(k) + (12T − 0.72)e(k − 1) (1.38)

Il convient encore de choisir la période d’échantillonnage T sur la base de la

constante de temps dominante du sytème.
44 PROCESSUS, SYSTÈMES ET MODÈLES

Les règles pour le dimensionnement d’un régulateur PI selon Ziegler-Nichols

donnent:
τ
KR = 0.9 (1.39)
θK
τ1 = 3.33θ (1.40)
où K, τ , et θ représentent respectivement le gain statique, la constante de temps et
le retard pur du système à commander. Le régulateur PI
 
1
GR (s) = 0.72 1 + (1.41)
0.06s
est donc caractérisé par KR = 0, 72 et τI = 0, 06. En combinant (1.39), (1.40) et
(1.41) et sachant que K = 7, on identifie le système à commander suivant:
7e−0.018s
G(s) =
0.1s + 1
Pour ce système dont la constante de temps vaut 0,1, on propose de choisir la
période d’échantillonnage T = 0, 01. L’équation (1.38) devient ainsi:
u(k) = u(k − 1) + 0.72e(k) − 0.6e(k − 1)

Exercice 8
Enoncé : Soit le système dynamique continu:
1
G(s) =
s2 + 4s + 8
a) Calculer sa réponse impulsionnelle.
b) Utiliser le produit de convolution dans sa forme i) temporelle et ii) fréquentielle
pour calculer la réponse à un saut unité.
Solution :
a) Réponse impulsionnelle pour U(s) = 1
1 1 1 2
Y (s) = G(s)U(s) = = =
s2 + 4s + 8 2
(s + 2) + 4 2 (s + 2)2 + 4
L−1 → y(t) = 21 e−2t sin(2t) (entrée 16 du tableau C.2 de l’annexe C)
b) Réponse indicielle
i) Produit de convolution temporel
Z t
1 t −2(t−τ )
Z
y(t) = g(t − τ )u(τ )dτ = e sin[2(t − τ )]1dτ
0 2 0
x = 2(t − τ )
dx = −2dτ
1 0 −x 1 2t −x
Z Z
y(t) = − e sin x dx = e sin x dx
4 2t 4 0
1.5 EXERCICES RÉSOLUS 45

Intégration par parties:

Z b Z b
1
I= −x −x b
e sin x dx = −e cos x|a − e−x cos x dx = − e−x (cos x + sin x)|ba
a a 2

1 1 −2t
⇒ y(t) = − e−x (cos x + sin x)|2t
0 = − [e (cos 2t + sin 2t) − 1]
8 8
1
= [1 − e−2t (cos 2t + sin 2t)]
8
ii) Produit de convolution fréquentiel

1
U(s) =
s
1 A Bs + C
Y (s) = G(s)U(s) = = + 2
s(s2+ 4s + 8) s s + 4s + 8
1 1
A = lim 2 =
s→0 s + 4s + 8 8
1 = A(s2 + 4s + 8) + Bs2 + Cs
termes en s2 0 = A + B ⇒ B = −A

termes en s1 0 = 4A + C ⇒ C = −4A

1
termes en s0 1 = 8A ⇒ A = 8
B = − 18 C = − 21

 
1 1 s+4 1 1 (s + 2) + 2
Y (s) = − = −
8s 8 s2 + 4s + 8 8s 8 (s + 2)2 + 22
1 1 s+2 1 2
= − −
8s 8 (s + 2)2 + 22 8 (s + 2)2 + 22

1 1 −2t 1
L−1 [Y (s)] = y(t) = − e cos 2t − e−2t sin 2t
8 8 8
1
= [1 − e−2t (cos 2t + sin 2t)]
8

Exercice 9
Enoncé : Soit le système dynamique discret monovariable du premier ordre:

x(k + 1) = ax(k) + bu(k) x(0) = −2

y(k) = cx(k)

a) Calculer la fonction de transfert discrète pour ce système.

46 PROCESSUS, SYSTÈMES ET MODÈLES

b) Evaluer sa réponse impulsionnelle.

Solution :
a) Fonction de transfert discrète
On considère le système lscr, c’est-à-dire pour x(0) = 0

Z→ X(z)(z − a) = bU(z)
Y (z) = cX(z)
Y (z) bc
⇒ G(z) = =
U(z) z−a

b) Réponse impulsionnelle (pour x(0) = −2)

Z→ zX(z) − zx(0) = aX(z) + bU(z) U(z) = 1

Y (z) = cX(z)
Y (z)(z − a) = bc − 2cz
bc z
Y (z) = − 2c
z−a z−a

Z −1 → y(k) = b c ak−1 − 2 c ak
(k ≥ 1) (k ≥ 0)
réponse forcée réponse libre due
due à l’entrée à la condition
impulsion unité initiale non nulle
 47

Chapitre 2

MODÈLES DE REPRÉSENTATION
NON PARAMÉTRIQUES

2.1 INTRODUCTION

Un système dynamique peut être décrit par un modèle de représentation résul-

tant d’une identification expérimentale à partir des signaux d’entrée et de sortie du
système. Il existe deux classes de modèles de représentation:
a) La classe non paramétrique avec
• soit une représentation temporelle (réponse indicielle ou impulsionnelle),
• soit une représentation fréquentielle (réponse harmonique).
b) La classe paramétrique avec
• soit une représentation temporelle (équations différentielles ou aux diffé-
rences),
• soit une représentation fréquentielle (fonction ou matrice de transfert).
Ce chapitre traite de la représentation non paramétrique de systèmes dynamiques.
Le système ne sera donc pas décrit par des équations dynamiques ou une fonction
de transfert, mais plutôt par sa réponse à des excitations particulières. Le résultat
de l’identification sera disponible sous forme:
• graphique:
– relevé de la réponse indicielle, impulsionnelle ou harmonique,
• numérique:
– calcul de la réponse impulsionnelle ou harmonique.
Des signaux d’entrée spécifiques sont utilisés afin d’obtenir des résultats d’identifi-
cation faciles à interpréter:
• saut ou impulsion unité,
• signal harmonique,
• signal pseudo-aléatoire.
Cependant, il est également possible d’obtenir une représentation non paramé-
trique d’un système dynamique à partir de signaux d’entrée non spécifiques , comme
48 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

u(t) y(t)
u
G(s) y
a

t t
0 0

Fig. 2.1 – Système dynamique avec signal d’entrée et de sortie.

on le verra plus tard.

La plupart des approches d’identification ont pour but l’estimation de la fonction
de transfert (ou, de façon équivalente, de la réponse impulsionnelle) d’un système
dynamique. Or, le concept de fonction de transfert ne s’applique qu’aux systèmes lscr
(linéaires, stationnaires, causals et initialement au repos). Cette dernière condition
permet d’obtenir des conditions initiales nulles pour autant que l’on travaille avec
des variables écart par rapport au point de fonctionnement initial, souvent un
point d’équilibre du système. Les signaux d’entrée et de sortie seront donc toujours
définis comme des déviations par rapport à:
• l’état de repos initial (si celui-ci est connu), ou
• la valeur moyenne du signal pour les données disponibles.

2.2 RÉPONSES INDICIELLE ET IMPULSIONNELLE

Un système dynamique est complètement caractérisé, bien que de façon non

parcimonieuse, par sa réponse indicielle ou impulsionnelle. On obtient une telle ré-
ponse temporelle directement par relevé graphique (fig. 2.1) ou indirectement par
déconvolution numérique.

2.2.1 Relevé graphique

Le système se trouvant initialement au repos, on mesure ainsi le niveau du bruit
sur la sortie. Puis, on l’excite à l’aide d’un saut d’amplitude a. L’amplitude doit être
choisie plus grande que le niveau du bruit et suffisamment petite tel que l’excitation
n’entraı̂ne pas le système hors de son domaine de linéarité (comment le vérifier?).
L’application d’une impulsion de Dirac est pratiquement impossible. Cependant on
peut se contenter d’appliquer une impulsion de très grande amplitude et de très
courte durée à condition de rester dans le domaine de linéarité. L’observation du
signal de sortie se fait jusqu’à l’établissement d’un nouvel état d’équilibre, pour
autant qu’il en existe un.
L’observation visuelle de la sortie (fig. 2.2 et 2.3) donne des renseignements sur :
• la présence d’un retard pur,
• le gain statique du système,
• l’ordre du système,
2.2 RÉPONSES INDICIELLE ET IMPULSIONNELLE 49

0 t

Fig. 2.2 – Réponse indicielle.

y(t)

0 t

Fig. 2.3 – Réponse impulsionnelle.

• la nature des pôles du système (pôles réels ou complexes),

• le coefficient d’amortissement du système.

2.2.2 Déconvolution numérique

Le problème qui consiste à reconstruire la réponse impulsionnelle g(t) à partir
des signaux d’entrée et de sortie u(t) et y(t) est appelé déconvolution.
Pour des raisons liées à l’implantation numérique, nous considérons ici un système
dynamique lscr discret donné sous la forme du produit de convolution (cf. § 1.3.1.2):
k
X
y(k) = g(j)u(k − j) k = 0, 1, 2, . . . (2.1)
j=0

Si le système à étudier est de nature continue, il faut échantilloner son entrée et

sa sortie avec une période d’échantillonnage suffisamment petite afin d’obtenir une
représentation discrète fiable.
L’équation (2.1) écrite pour N mesures (k = 0, 1, ...N − 1) donne sous forme
matricielle:
    
y(0) u(0) 0 ··· 0 g(0)
 y(1)   u(1) u(0) ··· 0    g(1) 
 
.. = .. .. ..   .. (2.2)
  
 
 .   . . .  . 
y(N − 1) u(N − 1) u(N − 2) · · · u(0) g(N − 1)
50 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

ou
y = Ug (2.3)

U est une matrice carrée de dimension N. A cause de la forme triangulaire de

U, l’équation (2.2) se laisse aisément résoudre de façon récurrente. En effet, pour
u(0) 6= 0, l’équation (2.1) permet d’écrire:
" k−1
#
1 X
g(k) = y(k) − g(j)u(k − j) k = 0, 1, . . . N − 1 (2.4)
u(0) j=0

Le calcul de la réponse impulsionnelle est simplifié lorsque le signal d’entrée n’est

pas quelconque mais un saut unité:

u(k) = 1 k = 0, 1, 2, . . . (2.5)

L’équation (2.4) permet alors d’écrire:

k−1
X
g(k) = y(k) − g(j) (2.6)
j=0

En considérant toujours l’entrée comme une saut unité, l’équation (2.1) écrite
pour l’instant (k − 1) donne:
k−1
X
y(k − 1) = g(j) k = 0, 1, 2, . . . (2.7)
j=0

En combinant les équations (2.6) et (2.7), on obtient:

g(k) = y(k) − y(k − 1) (2.8)

On remarque donc que la réponse impulsionnelle g(k) est la différence des ré-
ponses indicielles à deux instants d’échantillonnage successifs.
Si l’approche par déconvolution numérique est simple, elle souffre cependant
d’un inconvénient majeur: les bruits de mesure ne seront pas filtrés et pourront
fausser l’identification de g(k). On dit qu’il n’existe pas de redondance dans les
données. Dans l’équation (2.2) par exemple, il y a N équations pour les N inconnues
g(0), g(1), ...g(N − 1).
Cependant, comme la réponse impulsionnelle tend rapidement vers zéro (pour
les systèmes stables et sans intégrateur), le nombre de termes peut être limité sans
trop d’erreur. En considérant K termes, K ≤ N, l’équation (2.3) devient:

y = UK gK
(2.9)
(N × 1) (N × K) (K × 1)
2.3 MÉTHODE DE CORRÉLATION 51

Si rang(UK ) = K, l’équation (2.9) peut être résolue dans le sens des moindres
carrés pour donner K valeurs discrètes de la réponse impulsionnelle:

gK = UK+ y
(2.10)
(K × N)
où UK+ = (UKT UK )−1 UKT représente la matrice pseudo-inverse de UK (cf. annexe B).
L’approche par déconvolution numérique est-elle applicable aux systèmes lsc,
c’est-à-dire pas nécessairement au repos au temps initial?

2.3 MÉTHODE DE CORRÉLATION

2.3.1 Principe
La méthode de corrélation permet de reconstruire la réponse impulsionnelle g(k)
à partir des signaux d’entrée et de sortie du système (fig. 2.4). Il s’agit donc d’une
autre façon de résoudre le problème de déconvolution présenté au § 2.2.2.

u(k) y(k)
g(k)

Fig. 2.4 – Système dynamique représenté par sa réponse impulsionnelle.

La méthode de corrélation se base sur l’application du produit de convolution

suivant:
X k X∞
y(k) = g(k − j)u(j) = g(j)u(k − j) (2.11)
j=−∞ j=0

et est donc applicable aux systèmes lsc. Pour des conditions initiales nulles, on
obtient:
Xk Xk
y(k) = g(k − j)u(j) = g(j)u(k − j) (2.12)
j=0 j=0

ou, dans le domaine de Z:

Y (z) = G(z)U(z) (2.13)

Une comparaison des équations (2.11) et (2.12) indique que, en pratique, on

préférera travailler avec un système lscr, c’est-à-dire initialement au repos, car le do-
maine de sommation sera fini, ce qui est un avantage considérable pour une approche
numérique.
La figure 2.5 illustre le principe de la méthode de corrélation pour identifier la
réponse impulsionnelle d’un système dynamique. Le schéma tient compte de la per-
turbation d(k), par exemple une dérive ou un bruit de mesure, qui agit directement
52 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

d(k)

bruit u(k) + y(k)

blanc g(k)
+

ĝ(k)

Fig. 2.5 – Schéma de principe de la méthode de corrélation.

sur la sortie. Pour un système lsc, la sortie s’écrit donc:

∞
X
y(k) = g(j)u(k − j) + d(k) (2.14)
j=0

Comme on le verra par la suite, la méthode de corrélation possède deux avantages

importants par rapport à l’approche par déconvolution numérique du § 2.2.2:
• elle est très peu sensible aux bruits de mesure ou autres perturbations agissant
sur la sortie,
• elle est simple à mettre en œuvre pour le cas particulier où l’entrée correspond
à un bruit blanc.

2.3.2 Fonctions de corrélation pour les signaux déterministes

Pour définir les fonctions de corrélation, il convient de distinguer les signaux à
énergie finie des signaux à puissance moyenne finie. La plupart des signaux transi-
toires sont à énergie finie, par exemple pour le signal u(k):
∞
X
0≤ u2 (k) < ∞ (2.15)
k=−∞

Par contre, la plupart des signaux périodiques ou aléatoires permanents sont à

puissance moyenne finie:
N
1 X
0 ≤ lim u2 (k) < ∞ (2.16)
N →∞ 2N + 1
k=−N

Les fonctions de corrélation de deux signaux sont une mesure de leur similitude
de forme et de position en fonction du paramètre de translation relative h. L’au-
tocorrélation Ruu (h) décrit l’interdépendance de u(k) et u(k + h), l’intercorrélation
Ruy (h) celle de u(k) et y(k + h).
2.3 MÉTHODE DE CORRÉLATION 53

2.3.2.1 Signaux à énergie finie

Pour les signaux réels à énergie finie, les fonctions de corrélation sont définies
comme suit:
Autocorrélation
∞
X ∞
X
Ruu (h) ≡ u(k)u(k + h) = u(k − h)u(k) (2.17)
k=−∞ k=−∞

Intercorrélation
∞
X ∞
X
Ruy (h) ≡ u(k)y(k + h) = u(k − h)y(k) (2.18)
k=−∞ k=−∞

∞
X ∞
X
Ryu (h) ≡ y(k)u(k + h) = y(k − h)u(k) (2.19)
k=−∞ k=−∞

Pour un nombre fini de données à partir de u(k) et y(k), k = 0, 1, . . . , 2(N −1) on

évalue approximativement les fonctions de corrélations pour N valeurs du paramètre
de translation h. On obtient ainsi:
N
X −1
Ruu (h) = u(k)u(k + h) h = 0, 1, . . . , N − 1 (2.20)
k=0

N
X −1
Ruy (h) = u(k)y(k + h) h = 0, 1, . . . , N − 1 (2.21)
k=0

2.3.2.2 Signaux à puissance moyenne finie

Pour les signaux réels dont l’un, au moins, est à puissance moyenne finie, il
convient d’utiliser les définitions suivantes:
Autocorrélation
N N
1 X 1 X
Ruu (h) ≡ lim u(k)u(k + h) = lim u(k − h)u(k) (2.22)
N →∞ 2N + 1 N →∞ 2N + 1
k=−N k=−N

Intercorrélation
N N
1 X 1 X
Ruy (h) ≡ lim u(k)y(k + h) = lim u(k − h)y(k) (2.23)
N →∞ 2N + 1 N →∞ 2N + 1
k=−N k=−N

N N
1 X 1 X
Ryu (h) ≡ lim y(k)u(k + h) = lim y(k − h)u(k) (2.24)
N →∞ 2N + 1 N →∞ 2N + 1
k=−N k=−N
54 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Pour un nombre fini de données 2N − 1 on peut évaluer approximativement les

fonctions de corrélation:
N −1
1 X
Ruu (h) = u(k)u(k + h) h = 0, 1, . . . , N − 1 (2.25)
N k=0
N −1
1 X
Ruy (h) = u(k)y(k + h) h = 0, 1, . . . , N − 1 (2.26)
N k=0

Si u(k) et y(k) sont périodiques avec la période N, c’est-à-dire u(k + N) = u(k)

et y(k +N) = y(k), les relations ci-dessus présentent les valeurs exactes des fonctions
d’autocorrélation et d’intercorrélation qui sont également périodiques avec la même
période.

2.3.2.3 Propriétés

On démontre les propriétés suivantes en utilisant les définitions des fonctions de

corrélation:
1. La fonction d’autocorrélation d’un signal réel est une fonction paire:
Ruu (h) = Ruu (−h) (2.27)

2. En considérant la position relative des signaux u et y, une translation h de u

est équivalente à une translation (−h) de y, d’où la relation:
Ryu (h) = Ruy (−h) (2.28)

3. D’autre part, pour tout h:

|Ruu (h)| ≤ Ruu (0) (2.29)
1
q
|Ruy (h)| ≤ Ruu (0)Ryy (0) ≤ [Ruu (0) + Ryy (0)] (2.30)
2

Remarque: La définition de l’intercorrélation de deux signaux proposée ci-dessus

est propre au domaine du traitement du signal. Dans d’autres domaines, comme
celui de l’automatique, on trouve parfois une autre définition. Par exemple, pour
l’intercorrélation de u(k) et de y(k), on voit souvent:
∞
X ∞
X
Ruy (h) ≡ u(k)y(k − h) = u(k + h)y(k)dt (2.31)
k=−∞ k=−∞

On a donc la relation suivante entre les deux définitions:

 
 
Ruy (h)  = Ruy (−h) 
 ici  ailleurs

 (2.18)  (2.31)
2.3 MÉTHODE DE CORRÉLATION 55

y(k)

1er jour
k

2ème jour
k

3ème jour

Fig. 2.6 – Enregistrement sur trois jours d’une variable régulée.

et en considérent la propriété (2.28) donnée ci-dessus:

 
 
Ruy (h)  = Ryu (h) 
 ici  ailleurs
 (2.18)  (2.31)

2.3.3 Fonctions de corrélation pour les signaux aléatoires

Les fonctions de corrélation peuvent être définies pour les signaux aléatoires. Un
signal aléatoire ou stochastique est un signal qui ne peut pas être décrit de façon
déterministe car non reproductible. On peut tout au plus associer une probabilité
pour une valeur ou un groupe de valeurs du signal.
A titre d’exemple, considérons la sortie d’un processus régulé autour d’une valeur
de consigne sur un horizon de plusieurs heures et pendant plusieurs jours (fig. 2.6).
L’évolution de la sortie peut être décrite par une fonction déterministe y(k), mais
cette fonction sera différente de jour en jour. A une heure donnée, on mesurera
chaque jour une autre valeur de la sortie. Pour l’ensemble des valeurs mesurées tous
les jours à la même heure, on peut définir une statistique caractérisée par une valeur
moyenne et un écart-type.
Sur un plan formel, l’évolution de la sortie représente un processus stochas-
tique (ou aléatoire) que l’on peut décrire comme une fonction de deux arguments
y(k, ξ) où k représente le temps discret et ξ la variable stochastique qui appartient à
un espace de probabilité. Pour une valeur ξ = ξ0 , la fonction y(k, ξ0) est une fonction
du temps appelé réalisation (dans notre exemple, l’évolution de la sortie pour un
56 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

jour particulier). Pour une valeur fixe k = k0 , la fonction y(k0, ξ) est une variable
aléatoire (dans notre exemple, la valeur de la sortie à une heure fixe). L’argument
ξ est souvent omis et donc le processus stochastique s’écrit simplement y(k).
Si les statistiques sur une réalisation sont représentatives du processus stochas-
tique, celui-ci est dit ergodique. De plus, si le processus stochastique est gaussien,
la connaissance de la valeur moyenne et de l’écart-type suffisent à préciser la proba-
bilité d’apparition d’une valeur.
La valeur moyenne et la fonction d’autocorrélation du signal aléatoire x(k) sont
définies par (en assumant que x(k) est ergodique):
N −1
1 X
E{x(k)} = lim x(k) (2.32)
N →∞ N
k=0
N −1
1 X
Rxx (h) = E{x(k)x(k + h)} = lim x(k)x(k + h) (2.33)
N →∞ N
k=0

Pour un nombre fini mais suffisamment grand de données N, la valeur moyenne et

la fonction d’autocorrélation peuvent être estimées comme suit:
N −1
1 X
E{x(k)} ∼
= x(k) (2.34)
N
k=0
NX
−h−1
1
Rxx (h) ∼
= x(k)x(k + h) (2.35)
N k=0

L’estimation de la fonction d’autocorrélation dans ce cas est dite biaisée, car la

sommation se fait sur N − h termes mais la division sur N. Une estimation non
biaisée peut être obtenue par:
NX
−h−1
1
Rxx (h) ∼
= x(k)x(k + h) (2.36)
N − h k=0

Cette estimation est non biaisée mais a une très grande variance si N − h est petit,
car dans ce cas, l’estimation de la fonction d’autocorrélation est basée sur un petit
nombre de données.
Pour les variables aléatoires x(k) et y(k), la fonction d’intercorrélation est définie
comme suit:
Rxy (h) = E{x(k)y(k + h)}. (2.37)
Si x(k) et y(k) sont indépendants, on a:

Rxy (h) = E{x(k)}E{y(k + h)}. (2.38)

et si x(k) et y(k) sont indépendants et de valeur moyenne nulle, on aura:

Rxy (h) = E{x(k)y(k + h)} = 0 ∀h (2.39)

2.3 MÉTHODE DE CORRÉLATION 57

Une estimation biaisée de la fonction d’intercorrélation pour les signaux ergodiques

x(k) et y(k) est donnée par:
N −h−1
∼ 1 X
Rxy (h) = E{x(k)y(k + h)} = x(k)y(k + h), (2.40)
N k=0

et une estimation non biaisée par:

NX
−h−1
1
Rxy (h) = E{x(k)y(k + h)} ∼
= x(k)y(k + h), (2.41)
N − h k=0

2.3.3.1 Bruit blanc discret

La plupart des perturbations aléatoires peuvent être décrites comme un bruit

blanc discret appliqué à un filtre. Le bruit blanc discret est un signal aléatoire
qui possède une énergie uniformément répartie entre toutes les pulsations comprises
entre 0 et π . Un bruit blanc discret ainsi que son autocorrélation et sa densité
spectrale sont illustrés à la figure 2.7.
e(k)

Ree(h) φee(Ω)

σ2e
σ2e

0 π
-3 -2 -1 0 1 2 3 h Ω = ωT

Fig. 2.7 – Bruit blanc discret e(k) avec son autocorrélation Ree (h) et sa densité
spectrale ϕee (Ω).

Nous considérerons par la suite comme signal générateur le bruit blanc de valeur
moyenne nulle e(k) avec les propriétés suivantes:

E{e(k)} = 0 ∀k (2.42)

σe2 pour h = 0

Ree (h) = E{e(k)e(k + h)} = (2.43)
0 sinon
Ces propriétés ne définissent pas entièrement le signal car e(k) peut suivre différentes
distributions (uniforme, normale ou gaussienne, etc.) Dans la pratique, on utilisera
58 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0

−0.2 −0.2
−500 −400 −300 −200 −100 0 100 200 300 400 500 −500 −400 −300 −200 −100 0 100 200 300 400 500

(a) (b)

Fig. 2.8 – L’estimation biaisée (a) et non biaisée (b) de la fonction d’autocorrélation
d’une réalisation du bruit blanc discret avec 500 données.

le plus souvent la distribution gaussienne N (0, σe2). Pour un nombre fini de données,
seule une estimation de la fonction d’autocorrélation peut être obtenue. La figure
2.8 illustre l’estimation biaisée et non biaisée de la fonction d’autocorrélation d’une
réalisation du bruit blanc discret avec 500 données.
Notons que le bruit blanc discret possède une réalisation physique car il s’agit
d’un signal à énergie finie (la bande de fréquences est finie). Par contre, le bruit blanc
continu dont l’autocorrélation vaut Ruu (τ ) = Cδ(τ ) est un signal hypothétique et
ne correspond pas à une réalité physique car l’énergie ne peut pas être infinie (dans
une bande de fréquences infinie).
Avec un bruit blanc discret, toutes les fréquences sont d’égale importance (tout
comme dans la lumière blanche). Les filtres qui constitueront les modèles de per-
turbation aléatoires modifieront le spectre fréquentiel pour obtenir une répartition
correspondant à la répartition fréquentielle de l’énergie des perturbations rencontrées
(tout comme la lumière colorée!).

2.3.3.2 Bruit coloré discret

Un bruit coloré est un bruit qui n’est pas blanc ! C’est-à-dire que sa fonction
d’autocorrélation n’est pas nulle pour tout h 6= 0. Un bruit blanc filtré est un bruit
coloré. Considérons un processus MA (moving average ou moyenne ajustée) où le
bruit est modélisé comme:

n(k) = (1 + c1 q −1 + . . . + cnc q −nc )e(k) = C(q −1 )e(k) (2.44)

2.3 MÉTHODE DE CORRÉLATION 59

Rnn(h)
2 2
(1+c1) σe
c1 σ2e

-3 -2 -1 0 1 2 3 h

Fig. 2.9 – Fonction d’autocorrélation pour un processus MA du premier ordre.

c’est-à-dire un bruit blanc discret de moyenne nulle filtré par le polynôme C(q −1 ).
A titre d’exemple pour nc = 1 la moyenne et variance de n(k) peuvent s’écrire:

E{n(k)} = E{(1 + c1 q −1 )e(k)} = E{e(k) + c1 e(k − 1)}

= E{e(k)} + c1 E{e(k − 1)} = 0
E{n(k)n(k)} = E{[e(k) + c1 e(k − 1)]2 }
= E{e2 (k)} + c21 E{e2 (k − 1)} + 2c1 E{e(k)e(k − 1)}

Le troisième terme est nul du fait de la non-corrélation du bruit blanc, ainsi:

Rnn (0) = E{n(k)n(k)} = (1 + c21 )σe2 (2.45)

Pour calculer Rnn (h) pour h 6= 0 on procède comme suit. Pour h = 1:

n(k − 1) = e(k − 1) + c1 e(k − 2) (2.46)

Rnn (1) = E{n(k)n(k − 1)} = E{[e(k) + c1 e(k − 1)][e(k − 1) + c1 e(k − 2)]}

= E{e(k)e(k − 1)} + c1 E{e(k)e(k − 2)} + c1 E{e(k − 1)e(k − 1)}
+ c21 E{e(k − 1)e(k − 2)} = c1 σe2 (2.47)

car le premier, le deuxième et la quatrième terme sont nuls. On vérifie que pour
|h| > 1, Rnn (h) = 0, ce qui permet d’obtenir le graphe d’autocorrélation de la figure
2.9.

2.3.4 Relation entre Ruu (h), Ruy (h) et g(h)

Pour un système discret lsc on peut écrire:
∞
X
y(k) = g(j)u(k − j) + d(k) (2.48)
j=0
60 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Supposons que l’entrée u(k) est un signal aléatoire et indépendante de la perturba-

tion d(k). En multipliant les deux côtés de l’équation ci-dessus par u(k + h) et en
prenant l’espérance mathématique, on obtient:
∞
X
E{y(k)u(k + h)} = g(j)E{u(k − j)u(k + h)} + E{d(k)u(k + h)} (2.49)
j=0

On remplace les espérances mathématiques avec les fonctions de corrélation corres-

pondantes, ce qui permet d’écrire:
∞
X
Ryu (h) = g(j)Ruu (j + h) + Rdu (h) (2.50)
j=0

Si au moins l’un des signaux d(k) et u(k) est de valeur moyenne nulle, on a:

Rdu (h) = 0 ∀h (2.51)

et on peut écrire à partir de l’équation (2.28):

∞
X
Ruy (h) = Ryu (−h) = g(j)Ruu (j − h) = g(h) ∗ Ruu (h) (2.52)
j=0

Il faut mentionner qu’on peut toujours enlever la composante continue du signal

d’entrée pour respecter la condition sur la valeur moyenne nulle de ce signal. Donc,
l’intercorrélation des signaux d’entrée et de sortie est égale au produit de convolution
de l’autocorrélation du signal d’entrée avec la réponse impulsionnelle du système.
Remarquons que les signaux d’entrée et de sortie sont liés entre eux par la relation
(2.14), c’est-à-dire:
y(k) = g(k) ∗ u(k) + d(k) (2.53)

L’utilisation des fonctions de corrélation permet donc d’éliminer l’effet du bruit

dans le produit de convolution. Cela sera très utile pour calculer g(k) par déconvo-
lution numérique.
Dans le domaine fréquentiel, l’équation (2.52) donne:

φuy (ωT ) = G(ejωT )φuu (ωT ) (2.54)

où φuy (ωT ) et φuu (ωT ) sont les transformées de Fourier discrets des signaux tempo-
rels Ruy (h) et Ruu (h) (T est la période d’echantillonage).

2.3.5 Calcul de la réponse impulsionnelle

Suivant le type du signal d’entrée, on distingue les deux cas suivants:
2.3 MÉTHODE DE CORRÉLATION 61

2.3.5.1 u(k) est un bruit blanc

A partir de l’autocorrélation de l’entrée Ruu (h) = Ruu (0)δ(h), on obtient:

Ruy (h) = Ruu (0)δ(h) ∗ g(h) = Ruu (0)g(h) (2.55)
car l’impulsion unité représente l’élément neutre du produit de convolution, c’est-à-
dire g(h) ∗ δ(h) = g(h). Il s’ensuit:
Ruy (h)
g(h) = (2.56)
Ruu (0)

Ainsi, si un système lsc est excité par un bruit blanc d’autocorrélation Ruu (0)δ(h),
et que la perturbation est indépendante de l’excitation, la réponse impulsionnelle
g(h) est obtenue directement à partir de l’intercorrélation Ruy (h).

2.3.5.2 u(k) est quelconque

La relation de convolution
Ruy (h) = Ruu (h) ∗ g(h) (2.57)
reste valable et, par rapport au produit de convolution y(k) = u(k) ∗ g(k), le couple
[u(k), y(k)] a été remplacé par le couple équivalent [Ruu (h), Ruy (h)]. Pour les signaux
d’entrée de nature aléatoire ou pseudo-aléatoire (souvent utilisés pour l’identification
de systèmes dynamiques), la longueur des enregistrements pour le couple équivalent
est beaucoup plus petite que celle des signaux d’entrée et de sortie. De plus, l’effet
d’un bruit non corrélé avec l’entrée peut être éliminé en utilisant les fonctions de
corrélation, ce qui n’est bien sûr pas le cas avec les signaux originaux. Cependant,
le problème de déconvolution, c’est-à-dire celui du calcul de g(h) à partir de Ruu (h)
et Ruy (h), demeure. On peut le résoudre de plusieurs façons.
a) Déconvolution numérique
En considérant (2.57), on a:
∞
X
Ruy (h) = Ruu (h − j)g(j) h = 0, 1, 2, . . . (2.58)
j=0

qui représente un système d’équations algébriques de dimension infinie avec

les inconnues g(0), g(1), . . . , g(∞). Remarquons que, à la différence de l’équa-
tion (2.1), la sommation de l’équation (2.58) contient une infinité de termes.
Cependant, comme la réponse impulsionnelle pour les systèmes stables et sans
intégrateur tend rapidement vers zéro, le nombre de termes peut être limité
sans trop d’erreur. Considérons à titre d’approximation, une réponse impul-
sionnelle finie contenant K termes:
K−1
X
Ruy (h) = Ruu (h − j)g(j) h = 0, 1, 2, . . . (2.59)
j=0
62 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

d(k)

u(k) + + y(k)
g(k)
+ +

bruit e(k)
blanc
ĝ(k )

Fig. 2.10 – Méthode de corrélation avec ajout du signal d’excitation blanc e(k).

c’est-à-dire avec g(j) = 0 pour j ≥ K.

En écrivant l’équation (2.59) pour les valeurs h = 0, 1, ...N − 1 avec N ≥ K,
et en considérant que Ruu (−h) = Ruu (h), on obtient:
    
Ruy (0) Ruu (0) Ruu (1) ··· Ruu (K − 1) g(0)
 Ruy (1)   Ruu (1) Ruu (0) ··· Ruu (K − 2)  g(1) 
.. = .. .. .. ..
    
  
 .   . . .  . 
Ruy (N − 1) Ruu (N − 1) Ruu (N − 2) · · · Ruu (N − K) g(K − 1)
(2.60)
ou sous forme matricielle:
r = RK gK
(2.61)
(N × 1) (N × K) (K × 1)

L’équation (2.61) est structurellement similaire à l’équation (2.9). Si

rang(RK ) = K, elle peut être résolue dans le sens des moindres carrés pour
produire K valeurs discrètes de la réponse impulsionnelle:
+
gK = RK r
(2.62)
(K × N)
+ T
où RK = (RK RK )−1 RK T
représente la matrice pseudo-inverse de RK (cf. annexe
B).
b) Ajout d’un signal d’excitation blanc
Si le signal d’entrée u(k) n’est pas blanc, il est possible de lui superposer un
signal d’excitation blanc, e(k). Le schéma de principe de la figure 2.5 devient
alors celui indiqué à la figure 2.10.
Comme le système g(k) est lsc, la sortie y(k) peut s’écrire:
∞
X ∞
X
y(k) = g(j)u(k − j) + g(j)e(k − j) + d(k) (2.63)
j=0 j=0

De manière similaire à l’équation (2.50), on a:

∞
X ∞
X
Rye (h) = Rue (h + j)g(j) + Ree (h + j)g(j) + Rde (h) (2.64)
j=0 j=0
2.3 MÉTHODE DE CORRÉLATION 63

u(k)
+a

kT
0

T
-a

15T

Fig. 2.11 – Signal binaire pseudo-aléatoire de période θ = 15T .

Si le signal e(k) est de valeur moyenne nulle et est non corrélé avec u(k) et
d(k), on obtient après simplification:

Rey (h) = Ree (h) ∗ g(h) (2.65)

et pour Ree (h) = Ree (0)δ(h):

Rey (h)
g(h) = (2.66)
Ree (0)

2.3.6 Excitation pseudo-aléatoire

2.3.6.1 Propriétés

La section précédente a montré l’intérêt d’exciter le système par un bruit blanc

afin d’obtenir directement la réponse impulsionnelle à partir du calcul de Ruy (h).
Bien qu’omniprésent, le bruit blanc est difficile à capter et à injecter dans un système
en conservant son spectre.
Les signaux pseudo-aléatoires, générés pour approcher un bruit blanc, sont des
signaux périodiques et parfaitement déterminées (déterministes) mais qui, pour un
observateur non averti, pourraient sembler évoluer sous l’effet du hasard.
Considérons à titre d’exemple un signal binaire pseudo-aléatoire (SBPA) de pé-
riode θ = 15T , où T est la période d’échantillonnage (2.11).
La figure 2.12 illustre la fonction d’autocorrélation de ce signal pseudo-aléatoire,
laquelle présente également une périodicité de θ = 15T . Dans cet exemple, θ =
(2n −1)T où n = 4 représente la longueur du registre à décalage décrit au paragraphe
suivant.
Lorsque l’on utilise une excitation pseudo-aléatoire pour identifier un système
dynamique, il est nécessaire de vérifier certaines conditions d’expérimentation afin
d’obtenir une estimation fiable de la réponse impulsionnelle:
64 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

R uu (h)

a2

2
- an
2 -1
hT
0 θ = 2n-1 T 2θ
T

Fig. 2.12 – Fonction d’autocorrélation du SBPA de la figure 2.11

Tab. 2.1 – Les éléments à additionner pour les différentes longueurs du registre à
décalage n
Longueur du registre n 3 4 5 6 7 8 9
Les éléments à additionner 2⊕3 1⊕4 2⊕5 1⊕6 1⊕7 1⊕2⊕7⊕8 4⊕9

• Il faut prévoir une période θ supérieure au temps d’extinction des transitoires

de la réponse impulsionnelle g(h). En effet, la convolution de Ruu (h) avec
g(h) (cf. équation 2.57) produit des répliques de g(h) avec une périodicité θ
(fig.2.12). Ce phénomène, analogue à celui du recouvrement de spectre dans le
domaine fréquentiel, cause des distorsions si θ est inférieur au temps d’extinc-
tion de la réponse impulsionnelle.
• Il faut choisir T suffisamment petit et n suffisamment grand pour que Ruu (h)
puisse être assimilé à une impulsion de courte durée.
• Il faut effectuer le calcul sur un nombre entier de périodes θ, c’est-à-dire t2 −
t1 = pθ, p entier, où t1 et t2 représentent respectivement le début et la fin
de l’expérimentation. On minimisera ainsi les erreurs dues au fait que l’on
considère des signaux de durée limitée (cf. l’extension périodique d’un signal
en rapport avec la transformation de Fourier discrète, annexe A.6).
Remarque : Si u(k) est périodique, y(k) l’est aussi. Pourquoi?
La périodicité attendue de y(k) peut être examinée lors de la visualisation des
mesures. Les grandes perturbations accidentelles sont ainsi facilement détectées.

2.3.6.2 Génération de signaux binaires pseudo-aléatoires

Nous proposons deux méthodes simples pour générer un SBPA.

• La réalisation expérimentale d’un SBPA se base sur l’utilisation d’un registre
à décalage de longueur n dont le contenu est décalé vers la droite à chaque
coup d’horloge. Le nouvel élément qui sera inséré à gauche est obtenu par une
addition modulo 2 de deux (ou plus) éléments distincts du registre, comme
illustré à la figure 2.13. Le tableau 2.1 présente les éléments à additionner
pour les différentes longueurs du registre à décalage n.
La seule condition à respecter est de ne pas commencer avec un mot nul dans
2.4 MÉTHODES FRÉQUENTIELLES 65

..........................................................................................
1 2 3 m n conversion a
0 1 1 0 1 1 1 0 1 1 → +a
0 → -a

addition
modulo 2:
0+0=0
0+1=1
1+0=1
1+1=0

Fig. 2.13 – Génération de SBPA à l’aide d’un registre à décalage.

Tab. 2.2 – u(k) obtenu à partir du signe de plusieurs réalisations de la variable

aléatoire x.

k 0 1 2 3 4 5 6 7 8 9 10 ...
x(k) -0.31 -0.89 0.54 -0.19 0.13 0.73 0.05 -0.61 -0.23 0.43 -0.13 ...
u(k) -a -a a -a a a a -a -a a -a ...

le registre, auquel cas la procédure ne générera que des zéros.

La forme du signal est déterminée par le mot initial dans le registre. Le signal
généré est périodique car le registre ne peut prendre qu’un maximum de 2n − 1
états distincts et différents de zéro. Après un certain temps, le circuit retrou-
vera donc nécessairement son état initial à partir duquel il répétera la même
séquence.
• Il est également possible de choisir la valeur du signal binaire (±a) sur la base
du signe d’une variable aléatoire obtenue à partir d’une distribution symétrique
de moyenne nulle. Le tableau 2.2 présente les valeurs du signal u(k) obtenu
à partir du signe des réalisations x(k) de la variable aléatoire x distribuée
uniformément dans l’intervalle [−1, 1].
Comparer à l’aide de Matlab les spectres de puissance du SBPA généré à l’aide
d’un registre à décalage et obtenu à partir de la réalisation d’une variable
aléatoire.

2.4 MÉTHODES FRÉQUENTIELLES

La représentation dans le diagramme de Bode (ou de Nyquist) d’un système

dynamique constitue un modèle non paramétrique de nature fréquentielle.
Il existe plusieurs approches de modélisation fréquentielle selon le type de signal
injecté dans le système et la façon de traiter les mesures: analyse harmonique, analyse
par transformation de Fourier, analyse spectrale. Les avantages et inconvénients de
ces approches sont explicités dans les paragraphes suivants.
66 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

2.4.1 Analyse harmonique

La représentation d’un système dynamique dans le diagramme de Bode s’obtient
en reportant le rapport des amplitudes des signaux sinusoı̈daux d’entrée et de sortie
et leur déphasage en fonction de la pulsation ω en régime permanent. Pour les sys-
tèmes dynamiques continus, la substitution s = jω donne G(jω) comme illustré à la
figure 2.14. Pour les systèmes discrets, la substitution z = ejωT donne G(ejωT ). On

Asin( ωt) A'sin(ωt+ϕ)

G(jω)

Fig. 2.14 – Système dynamique en régime permanent.

utilisera souvent G(jω) pour les développements théoriques (systèmes continus) et

G(ejωT ) pour les implantations pratiques (systèmes discrets) car les signaux dispo-
nibles dans l’ordinateur sont de nature numérique. Le contexte indiquera s’il s’agit
de la réponse harmonique du système continu ou discret. Le rapport des amplitudes
et le déphasage s’expriment comme suit:
A′
RA (ω) = = |G(jω)| rapport d’amplitude (2.67)
A
ϕ(ω) = arg[G(jω)] déphasage (2.68)

Il est souvent difficile d’obtenir G(jω) théoriquement. Une alternative consiste à

effectuer des relevés expérimentaux.
La procédure, illustrée à la figure 2.15, est la suivante:
• exciter le système à l’aide d’une entrée sinusoı̈dale de pulsation ω,
• attendre l’établissement du régime permanent,
• mesurer RA (ω) et ϕ(ω),
• répéter les étapes précédentes pour plusieurs pulsations et représenter les me-
sures expérimentales dans le diagramme de Bode.
Le résultat aura l’allure indiquée à la figure 2.16.
Les recommandations suivantes sont utiles :

Asin(ωt) A'sin(ωt+ϕ)

Processus -5 0 5 10 15 20

R A(ω)
ϕ(ω)

Fig. 2.15 – Procédure permettant de calculer RA (ω) et ϕ(ω).

2.4 MÉTHODES FRÉQUENTIELLES 67

RA
[-]

ω
[rad/s]
ϕ
[ °]
0°

-90°

-180°
ω
[rad/s]

Fig. 2.16 – Diagramme de Bode expérimental.

• la plage des fréquences doit, en général, couvrir au minimum 2 à 3 décades,

avec une dizaine de points de mesure par décade,
• l’amplitude du signal d’entrée dépend de la précision avec laquelle on peut
mesurer le signal de sortie (ceci afin d’obtenir un rapport signal-sur-bruit élevé)
et de la non-linéarité du système.
Cette méthode présente les avantages suivants :
• l’approche est simple et intuitive,
• l’expérimentateur n’a besoin que de peu de connaissances préalables du sys-
tème (plage des fréquences, amplitude du signal d’entrée).
Les inconvénients sont principalement liés au fait que la méthode nécessite une
expérimentation longue, car :
• il faut étudier de nombreuses fréquences,
• il est nécessaire d’attendre le régime permanent avant chaque mesure, c’est-à-
dire d’attendre 4 à 5 τ , où τ représente la constante de temps dominante du
système,
• il faut des signaux d’excitation avec une grande période afin de bien identifier
le système à basses fréquences,
• le niveau de bruit peut nécessiter une répétition des expériences ou une obser-
vation des signaux sur un grand nombre de périodes.
Il s’ensuit que l’analyse harmonique est une méthode mal adaptée aux systèmes
possédant des constantes de temps de l’ordre de la minute ou plus.
68 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

u(t) y(t)

t G(jω) t
0 0

Fig. 2.17 – Système dynamique excité par un signal d’entrée binaire pseudo-
aléatoire.

2.4.2 Analyse par transformation de Fourier

2.4.2.1 Principe

L’idée de cette approche est d’exciter le processus avec un signal contenant simul-
tanément de nombreuses fréquences et d’effectuer une analyse du contenu fréquentiel
des signaux d’entrée et de sortie (fig. 2.17). Une telle analyse peut être réalisée à
l’aide de la transformation de Fourier, le rapport des signaux transformés de sortie
et d’entrée donnant la transformée de Fourier de la réponse impulsionnelle.
A partir de la transformée de Fourier des signaux d’entrée et de sortie (cf. annexe
A): Z ∞
U(ω) = u(t)e−jωt dt (2.69)
−∞
Z ∞
Y (ω) = y(t)e−jωt dt (2.70)
−∞
il est possible d’évaluer la réponse harmonique du système:
Y (ω)
G(jω) = (2.71)
U(ω)

Remarques :
• La transformée de Fourier n’est, en principe, définie que pour des fonctions
temporelles f (t) sommables en valeur absolue sur (−∞, ∞), c’est-à-dire seule-
ment si Z ∞
|f (t)|dt < ∞ (2.72)
−∞

Cependant, si cette condition est suffisante, elle n’est pas nécessaire. On dé-
montre que tous les signaux physiquement réalisables possèdent une transfor-
mée de Fourier.
• Il existe trois considérations importantes relatives au calcul de la réponse har-
monique par transformation de Fourier des signaux d’entrée et de sortie:
1. Comme il n’est pas possible d’intégrer dans l’intervalle (−∞, ∞), il faut
nécessairement intégrer entre des bornes temporelles finies, ce qui intro-
duit des erreurs de troncature.
2.4 MÉTHODES FRÉQUENTIELLES 69

2. Comme on utilise un microprocesseur pour traiter les signaux et ef-

fectuer les intégrations, il faut tenir compte des questions liées à
l’échantillonnage des signaux. On évaluera alors G(ejωT ) plutôt que
G(jω).
3. Un problème majeur est celui de la sensibilité de la fonction de transfert
estimée aux erreurs de mesure ou aux perturbations.
Ces trois considérations sont abordées ci-dessous.

2.4.2.2 Erreurs de troncature

Soit le signal x(t) = cos(ω0 t), avec t ∈ (−∞, ∞). Sa transformée de Fourier est
donnée par (cf. tableau A.1, annexe A):

X(ω) = π[δ(ω + ω0 ) + δ(ω − ω0 )] (2.73)

La réduction de l’intervalle d’intégration, par exemple entre −θ et θ, revient à

considérer le signal
z(t) = x(t)f (t) (2.74)
où f (t) représente le signal rectangulaire de la figure 2.18.
Remarque : L’instant t = 0 est choisi comme le milieu de l’intervalle temporel
disponible afin de simplifier l’expression de la transformée de Fourier de la fenêtre.
Si l’on désire travailler avec un intervalle temporel strictement positif, on peut alors
utiliser la propriété liée au décalage temporel (cf. tableau A.2, annexe A).
Comme la transformée de Fourier d’un produit de fonctions temporelles est égale
au produit de convolution des transformées de Fourier de ces fonctions (cf. tableau
A.2, annexe A), on obtient pour Z(ω) qui représente l’approximation de X(ω) due
à la restriction du domaine d’intégration:
Z ∞ Z θ
−jωt
Z(ω) = F {z(t)} ≡ z(t)e x(t)e−jωt dt
dt = (2.75)
−∞ −θ
Z ∞
1 1
= F {x(t)f (t)} = X(ω) ∗ F (ω) = X(ν)F (ω − ν)dν (2.76)
2π 2π −∞

La transformée de Fourier du signal rectangulaire

t
f (t) = rect( ) (2.77)
2θ
est (cf. annexe A):
2
F (ω) = sin(ωθ) = 2θ sinc(ωθ) (2.78)
ω
Les transformées de Fourier de ces signaux sont données à la figure 2.19. Si la
fenêtre s’agrandit indéfiniment, on obtient:
70 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

... ... t
0

f
1

t
-θ 0 θ
z

-θ θ
t
0

Fig. 2.18 – Relation entre les signaux temporels x(t), f (t) et z(t) = x(t)f (t).

X( ω)
7
6.5
5.56
4.55
3.54 π π
3
2.52
1.51
0.5
0
-0.5 ω
-1
-1.5 −ω 0 +ω
0 0
0
F(ω)

2θ

ω
0
0 2π
θ
Z(ω)

* 1.51
0.50
-0.5
ω
-1 0
-1.5 -ω 0 ω0

Fig. 2.19 – Transformées de Fourier des signaux x(t), f (t) et z(t).

2.4 MÉTHODES FRÉQUENTIELLES 71

f(t)
F(ω)
1
2θ

t ω
−θ 0 θ
-2π 0 2π
θ θ

Fig. 2.20 – Fenêtre temporelle de Hann et transformée de Fourier correspondante.

2
lim F (ω) = lim sin(ωθ) = 2πδ(ω) (2.79)
θ→∞ θ→∞ ω

et l’équation (2.76) donne:

Z(ω) = X(ω) (2.80)
car l’impulsion de Dirac représente l’élément neutre du produit de convolution. La
fenêtre «idéale» possède donc la transformée de Fourier donnée par l’équation (2.79).
La fenêtre rectangulaire dont la transformée de Fourier est donnée à la figure 2.19
est assez éloignée de ce cas idéal: la largeur du lobe principal entraı̂ne une perte de
résolution de Z(ω) due à un effet de lissage local propre au produit de convolution
(2.76). Les lobes secondaires, non négligeables, contiennent de l’information qui sera
injectée à des fréquences plus distantes (on parle alors de leakage ou fuite); de plus,
les valeurs négatives produisent des oscillations de Z(ω). Il est possible, en modifiant
la forme de la fenêtre, de réduire fortement ces oscillations (ceci au détriment de la
résolution). C’est le cas par exemple de la fenêtre de Hann (fig. 2.20):
0.5 1 + cos πt


θ
pour t ∈ [−θ, θ]
f (t) = (2.81)
0 sinon

Le tableau (2.3) présente les transformées de Fourier de 4 fenêtres temporelles

de largeur 2θ. On remarque que les fenêtres triangulaire, de Hann et de Hamming
ont toutes un lobe principal de largeur double de celle de la fenêtre rectangulaire, ce
qui résulte en une perte de résolution. Cependant, ces trois fenêtres possèdent des
lobes secondaires nettement plus petits, ce qui réduit fortement les distorsions liées
aux problèmes de leakage ou fuite. Si la fenêtre de Hamming possède le plus petit
premier lobe secondaire, la hauteur des lobes secondaires décroit le plus rapidement
avec la fenêtre de Hann.

2.4.2.3 Echantillonnage des signaux

Considérons le signal analogique x(t) et sa version échantillonnée xe (t) exprimée

en fonction de la variable continue t:
∞
X
xe (t) ≡ x(nT )δ(t − nT ) (2.82)
n=−∞
72 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Tab. 2.3 – Fenêtres temporelles de largeur 2θ et transformées de Fourier corres-

pondantes (LLP: largeur du lobe principal; HLS: hauteur relative du premier lobe
secondaire).
Fenêtre Définition sur [−θ, θ] Transformée de Fourier LLP HLS

2π
Rectangulaire 1 F (ω) = 2 θ sinc(ωθ) θ
21.7%

|t|
θ sinc2 ωθ 4π


Triangulaire 1− θ 2 θ
4.7%

πt 1
F (ω) + 41 F ω + π 4π



Hann 0.5[1 + cos θ
] 2
ω θ
2.7%
1 π
+4F ω − θ

πt π 4π



Hamming 0.54 + 0.46 cos θ
0.54F (ω) + 0.23F ω
+ ω θ
0.7%
+0.23F ω − πθ

donnés à la figure 2.21, où T représente la période d’échantillonnage, c’est-à-dire ωs =

2π/T . Les valeurs temporelles discrètes sont dénotées ici par n car k est réservé, par
convention en traitement du signal, pour indexer les valeurs fréquentielles discrètes.
La transformée de Fourier du signal échantillonnée, Xe (ω), est liée à la trans-
formée de Fourier du signal analogique, X(ω), par la relation suivante (cf. annexe
A.5):
∞
1 X
Xe (ω) = X(ω − kωs ) (2.83)
T
k=−∞

Si la condition d’échantillonnage de Shannon est respectée, c’est-à-dire si X(ω)

est nul pour |ω| > ωs /2, alors, dans l’intervalle [−ωs /2, ωs /2], Xe (ω) sera identique à
X(ω) au facteur 1/T près. De plus Xe (ω) est périodique de période ωs (figure 2.21).
Sous ces conditions, il est possible de reconstruire x(t) à partir de xe (t) en cal-
culant Xe (ω), en multipliant la partie dans l’intervalle [−ωs /2, ωs /2] par T pour
obtenir X(ω) et en calculant la transformée de Fourier inverse de cette dernière (fig.
2.21).
Pour avoir la possibilité de reconstruire X(ω) à partir de Xe (ω), il est donc néces-
saire de choisir la pulsation d’échantillonnage ωs au moins égale à deux fois la plus
grande pulsation contenue dans le signal. Dans le cas contraire, il y a recouvrement
(ou repliement) de spectre et il devient impossible de reconstruire exactement X(ω)
à partir de Xe (ω).
Tracer qualitativement |X(ω)| et |Xe (ω)| pour le cas où la condition d’échan-
tillonnage de Shannon n’est pas respectée et mettre en évidence le recouvrement
spectral.
En considérant le signal échantillonné non pas en fonction de la variable continue
t (équation 2.82) mais comme un signal numérique, la transformation de Fourier
2.4 MÉTHODES FRÉQUENTIELLES 73

x(t)
| X(ω) |
a) A

F
t ω
0 ωs 0 ωs
-
2 2

b)
x e(t) ≡ ∑ x(nT)δ(t-nT) |X e(ω) |
n = -∞
A
T
F
t ω
0 T - ωs - ωs 0 ωs ωs
2 2

Fig. 2.21 – Signaux analogique (a) et échantillonné (b) avec les transformées de
Fourier correspondantes.
d(t)

u(t) y p(t) + y(t)

g(t)
+

Fig. 2.22 – Système dynamique avec la sortie non bruitée yp (t), la perturbation d(t)
et la sortie mesurée bruitée y(t).

pour signaux numériques (cf. annexe A.4) peut être utilisée pour calculer X(Ω) avec
Ω = ωT . Il est bien évident que Xe (ω) = X(ωT ). La réponse harmonique du système
échantillonné s’écrit ainsi:
Y (ωT )
G(ejωT ) = (2.84)
U(ωT )

2.4.2.4 Erreurs de mesure

La réponse harmonique d’un processus réel est influencée par les perturbations
possibles (dérives, bruits de mesure, etc.). Celles-ci sont représentées par la pertur-
bation d(t) ajoutée à la sortie non bruitée du système (figure 2.22).
Pour un système linéaire et stationnaire, on obtient ainsi:
Z ∞
y(t) = g(t − τ )u(τ )dτ + d(t) (2.85)
−∞

La propriété de convolution temporelle de la transformation de Fourier (cf. ta-

bleau A.2, annexe A) permet d’écrire:
Y (ω) = G(jω)U(ω) + D(ω) (2.86)
ou encore:
Y (ω) D(ω)
= G(jω) + (2.87)
U(ω) U(ω)
74 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Si on peut négliger l’effet de la perturbation (D(ω) ∼

= 0), on obtient l’estimation
suivante de la fonction de transfert analogique:
Y (ω)
G(jω) = (2.88)
U(ω)
ou, pour le système discret:
Y (ωT )
G(ejωT ) = (2.89)
U(ωT )
Si l’effet de la perturbation D(ω) n’est pas négligeable, l’estimation selon (2.88)
ou (2.89) sera entâchée d’erreur.

2.4.2.5 Implantation numérique

Pour le calcul des transformées de Fourier correspondant aux équations (2.88)

et (2.89), on utilise la transformation de Fourier discrète (à N valeurs d’un signal
temporel numérique correspondent N valeurs fréquentielles, cf. annexe A.6). On
obtient ainsi:
Y (k) k
G(ejωk ) = ωk = ωs k = 0, 1, . . . , N − 1 (2.90)
U(k) N
La fonction de transfert n’est estimée que pour les N pulsations ωk . En fait, à
cause de la symétrie de G(ejωk ) par rapport à ωN = ωs /2, il suffit de considérer
l’intervalle fréquentiel correspondant à k = 0, 1, ...N/2.
La précision de l’estimation (2.90) dépendra de nombreux facteurs, notamment:
• De l’importance de la perturbation d(n), dont l’effet est simplement négligé,
par rapport au signal yp (n).
• Du contenu fréquentiel de l’entrée u(n) aux différentes pulsations ωk , car
G(ejωk ) est obtenue en divisant Y (k) par U(k). Il s’ensuit que G(ejωk ) est
souvent très imprécise à fréquences élevées pour lesquelles U(k) est faible.
• De la nature, périodique ou non, de l’entrée. En effet, si l’entrée est périodique
de période θ et que l’on augmente le nombre de données disponibles N selon
la relation NT = pθ avec p entier, alors le nombre de grandeurs significatives
à estimer (G(ejωk ) n’augmente pas, mais leur variance est réduite (cf. fig. A.10
et A.12 dans l’annexe A.6). Si l’entrée n’est pas périodique, en augmentant
N on augmente le nombre de grandeurs à estimer sans améliorer la précision
de l’estimation (cf. fig. A.10 et A.14 dans l’annexe A.6). Par conséquent, il
est recommandé d’utiliser une entrée périodique avec un nombre suffisant de
données (N grand) et choisir les p dernières périodes afin d’éliminer totalement
l’erreur de troncature et de réduire passablement (avec un facteur p) l’effet du
bruit.
Il est possible d’améliorer l’estimation de G(ejωk ) en faisant la moyenne sur plusieurs
estimations. Pour le cas de m estimations indépendantes, on a:
m
jωk 1 X
G(e ) = Gi (ejωk ) k = 0, 1, . . . , N − 1 (2.91)
m i=1
2.4 MÉTHODES FRÉQUENTIELLES 75

φuu (ω) φuy (ω)

G(jω)

Fig. 2.23 – Système dynamique avec la densité spectrale du signal d’entrée et la

densité interspectrale des signaux d’entrée et de sortie. La relation entre G, φuu et
φuy n’est pas influencée par la perturbation d.

On introduit au paragraphe suivant la méthode de l’analyse spectrale qui per-

mettra d’améliorer encore sensiblement la qualité de l’estimation par:
• suppression de l’effet de la perturbation d(n) sur l’identification à l’aide de la
méthode de corrélation,
• lissage fréquentiel (on utilise le fait qu’une certaine «corrélation» doit exister
entre les estimées à des fréquences voisines).

2.4.3 Analyse spectrale

2.4.3.1 Principe

Pour le système dynamique perturbé de la figure 2.22, et pour autant que l’entrée
u(t) et la perturbation d(t) ne soient pas corrélées, la relation de convolution donnée
par Ruy (τ ) = g(τ ) ∗ Ruu (τ ) et la relation équivalente dans le domaine fréquentiel
φuy (ω) = G(jω)φuu(ω) (illustrée à la figure 2.23) sont applicables.
Les grandeurs φuu (ω) et φuy (ω) sont appelées respectivement la densité spec-
trale de u(t) et la densité interspectrale de u(t) et y(t) et correspondent aux
transformées de Fourier des fonctions d’autocorrélation Ruu (τ ) et d’intercorrélation
Ruy (τ ).
Le principe de l’analyse spectrale consiste à estimer la fonction de transfert par
déconvolution dans le domaine fréquentiel pour obtenir:
φuy (ω)
G(jω) = (2.92)
φuu (ω)
ou
φuy (ωT )
G(ejωT ) = (2.93)
φuu (ωT )

2.4.3.2 Implantation numérique

Pour une implantation numérique, il convient de considérer la formulation dis-

crète des fonctions de corrélation et des densités spectrales. Par exemple, la fonc-
tion d’intercorrélation temporelle discrète Ruy (h) se calcule à partir des signaux
u(n), n = 0, 1, . . . , N − 1 et y(n), n = 0, 1, . . . , 2(N − 1). D’autre part, comme les
calculs numériques seront effectués à l’aide de la transformée de Fourier discrète, on
supposera que les signaux se continuent périodiquement (avec la période N).
76 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

On a ainsi pour les signaux périodiques à puissance moyenne finie:

N −1
1 X
Ruu (h) = u(n)u(n + h) h = 0, 1, . . . , N − 1 (2.94)
N n=0

N −1
1 X
Ruy (h) = u(n)y(n + h) h = 0, 1, . . . , N − 1 (2.95)
N n=0

La densité spectrale φuu (ωk ) et interspectrale φuy (ωk ) se calculent respectivement

à l’aide de la transformée de Fourier discrète (cf. annexe A.6) de Ruu (h) et Ruy (h):
N −1
X k
φuu (ωk ) = Ruu (h)e−j2πkh/N ωk = ωs k = 0, 1, . . . , N − 1 (2.96)
h=0
N

N −1
X k
φuy (ωk ) = Ruy (h)e−j2πkh/N ωk = ωs k = 0, 1, . . . , N − 1 (2.97)
h=0
N

La fonction de transfert G(ejωk ) est calculés comme suit:

φuy (ωk )
G(ejωk ) = (2.98)
φuu (ωk )

On peut démontrer qu’en absence du bruit sur la sortie l’implantation numérique

par l’équation (2.98) est équivalente à celle de l’équation (2.90). En combinant les
équations (2.95) et (2.97), on obtient:
N −1 N −1
1 XX
φuy (ωk ) = u(n)y(n + h)e−j2πkh/N (2.99)
N n=0
h=0

Avec la notation s = n+h, c’est-à-dire h = s−n, e−j2πkh/N devient e−j2πks/N ej2πkn/N

et, en inversant les deux sommations:
N −1 n+N
X−1
1 X j2πkh/N
φuy (ωk ) = u(n)e y(s)e−j2πks/N (2.100)
N n=0 s=n

Comme le signal y(n) est périodique de période N (en absence du bruit), il suffit
de considérer les valeurs numériques y(n), n = 0, 1, ...N − 1. On obtient ainsi:
n+N
X−1 N
X −1
−j2πks/N
y(s)e = y(s)e−j2πks/N
s=n s=0

et l’équation (2.100) donne:

1
φuy (ωk ) = U(−k)Y (k) (2.101)
N
2.4 MÉTHODES FRÉQUENTIELLES 77

Les grandeurs U(k) et Y (k) sont les transformées de Fourier discrètes des signaux
numériques u(n) et y(n). U(−k) correspond au conjugué complexe de U(k) car le
signal u(n) est réel.
Montrer ce dernier point en explicitant U(k) et son conjugué complexe.
De manière analogue, on obtient:
1
φuu (ωk ) = U(−k)U(k) (2.102)
N
Ce qui donne:
φuy (ωk ) U(−k)Y (k) Y (k)
G(ejωk ) = = = (2.103)
φuu (ωk ) U(−k)U(k) U(k)

Remarque: Les expressions (2.101) et (2.102) sont souvent indexées k =

0, 1, . . . , N/2 (ou (N − 1)/2 si N est impair), c’est-à-dire uniquement sur la moitié
du domaine à cause des symétries suivantes:

φuu (ωk ) = φuu (ωN −k ) (2.104)

k = 0, 1, . . . , N/2
φuy (ωk ) = φuy (ωN −k ) (2.105)

Quel est l’effet de conditions initiales non nulles sur le résultat de l’identification
(par exemple le fait de ne pas travailler avec des variables écart)?

2.4.3.3 Amélioration de l’estimation par lissage

L’idée est d’améliorer l’estimation de φuu (ωk ) et φuy (ωk ) avant de procéder au
calcul de G(ejωk ).
Deux approches propres à l’analyse spectrale sont proposées pour réduire cette
variabilité: une méthode directe (moyenne sur plusieurs estimations) et une méthode
indirecte (lissage fréquentiel).
a) Moyenne sur plusieurs estimations
L’idée est de réduire la variabilité de nature aléatoire des densités spectrale
et interspectrale φuu (ωk ) et φuy (ωk ) en calculant une moyenne sur plusieurs
estimations. Pour le cas de m estimations indépendantes, on a:
m
1 X
φuu (ωk ) = φuu,i (ωk ) (2.106)
m i=1
m
1 X
φuy (ωk ) = φuy,i(ωk ) (2.107)
m i=1
et finalement:
φuy (ωk )
G(ejωk ) = (2.108)
φuu (ωk )
78 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

ui ( n) ui (n) f(n) R uu,i(h) φ uu,i( ωk ) φ uu( ωk )

G(ej ωk )
yi ( n) yi (n) f(n) R uy,i(h) φ uy,i ( ωk ) φ uy( ωk )
utilisation d'une fonctions de
pour l'estimation i corrélation spectrales moyennes harmonique

temporel

Fig. 2.24 – Etapes de calcul pour l’analyse spectrale directe.

Les étapes nécessaires au calcul de (2.108) sont résumées à la figure 2.24. Il

convient de noter que la moyenne est calculée au niveau des densités spec-
trales et non pas de leur quotient Gi (ejωk ) comme cela était le cas avec (2.91).
Ceci constitue un grand avantage car les différents Gi (ejωk ) peuvent être très
imprécis comme indiqué au § 2.4.2.5.)
b) Lissage fréquentiel des densités spectrales
Une fenêtre temporelle est utilisée pour diminuer artificiellement, dans le cal-
cul de φuu (ωk ) et φuy (ωk ), l’importance des termes, souvent imprécis, Ruu (h) et
Ruy (h) correspondant à de grandes valeurs de h. L’emploi d’une fenêtre tem-
porelle correspond à une opération de convolution dans le domaine fréquentiel
(cf. équation 2.76).
Par exemple, la densité interspectrale lissée qui se calcule comme:
N
X −1
φuy,f (ωk ) = Ruy (h)f (h)e−j2πkh/N (2.109)
h=0

peut s’exprimer comme le produit de convolution fréquentiel suivant:

1
φuy,f (ωk ) = φuy (ωk ) ∗ F (ωk ) (2.110)
2π
où F (ωk ) représente la transformée de Fourier discrète de la fenêtre tempo-
relle f (h). On peut donc interpréter la méthode indirecte comme un lissage
fréquentiel entre valeurs spectrales voisines. Il est utile de remarquer que la fe-
nêtre temporelle du § 2.4.2.2 (cf. également fig. 2.24) avait été introduite pour
réduire les erreurs de troncature dans le domaine temporel alors qu’ici elle sert
à réduire la variabilité des densités spectrales dans le domaine fréquentiel.
Quelques fenêtres temporelles de largeur M fréquemment utilisées sont don-
nées ci-dessous. Ce sont les mêmes fenêtres que celles définies dans le tableau
2.3 à la différence qu’elles sont données ici pour les instants d’échantillonnage
h = 0, 1, ...M et non pas pour le temps continu t ∈ [−θ, θ].
Rectangulaire 
1 h = 0, 1, . . . , M
f (h) = (2.111)
0 h>M
Triangulaire (Bartlett)

1 − h/M h = 0, 1, . . . , M
f (h) = (2.112)
0 h>M
2.4 MÉTHODES FRÉQUENTIELLES 79

1
Rectangulaire
0.9 Triangulaire
Hann
0.8

0.7

0.6
f (h)

0.5

0.4

0.3

0.2

0.1

0
0 10 20 30 40 50
h

Fig. 2.25 – Fenêtres temporelles rectangulaire, triangulaire et de Hann pour M = 30.

Hann 
0.5 + 0.5 cos(πh/M) h = 0, 1, . . . , M
f (h) = (2.113)
0 h>M
Hamming

0.54 + 0.46 cos(πh/M) h = 0, 1, . . . , M
f (h) = (2.114)
0 h>M

Les fenêtres rectangulaires et de Hann sont illustrées dans les domaines tem-
porel et fréquentiel aux figures 2.25 et 2.26. L’effet du choix de M est illustré
à la figure 2.27 pour le cas de la fenêtre de Hann.
Si M est grand, l’effet de lissage de la fenêtre sera réduit. D’autre part si M est
trop petit, des parties essentielles des fonctions de corrélation seront perdues
par effet de lissage. On choisira donc M comme un compromis entre les deux
objectifs suivants:
• bon lissage de façon à réduire la variabilité de G(ejωk )(M petit par rapport
à N),
• bonne résolution (M suffisamment grand de façon à ce que |Ruu (M)| <<
Ruu (0) et ainsi à ne pas perdre de l’information utile).
La valeur M = 20 − 30 est souvent recommandée. Si un système possède des
pics de résonance serrés, il convient de moins lisser (M plus grand). Notons
enfin que pour M = N, il n’y a plus d’effet de lissage et l’on retrouve l’es-
timation donnée par (2.103). Si l’entrée est un bruit blanc à variance unité
(Ruu (0) = 1), Ruy (h) représente la réponse impulsionnelle du système (Eq.
2.56). Dans ce cas, M doit être plus grand que le temps d’établissement de la
réponse impulsionnelle du système.
80 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

35
Rectangulaire
Hann
30

25
|F (ω)|

20

15

10

0
0 0.2 0.4 0.6 0.8 1
ω

Fig. 2.26 – Transformées de Fourier des fenêtres rectangulaire et de Hann (M = 30).

35
Hann (M=15)
Hann (M=60)
30

25
|F (ω)|

20

15

10

0
0 0.2 0.4 0.6 0.8 1
ω

Fig. 2.27 – Transformée de Fourier de la fenêtre de Hann pour deux valeurs de M.

2.5 IDENTIFICATION EN BOUCLE FERMÉE 81

u i(n) Ruu,i (h) Ruu,i (h) f(h) φuu,i(ωk ) φuu( ωk )

G(e jω k)
y i(n) Ruy,i (h) Ruy,i (h) f(h) φuy,i(ωk ) φuy( ωk )

fonctions lissage
pour l'estimation de i spectrales moyennes harmonique

temporel

Fig. 2.28 – Etapes de calcul pour l’analyse spectrale basée sur un lissage fréquentiel
et une moyenne sur plusieurs estimations.
s d

yc + + yp +
e GR(s) u GP (s) y
+ +
-

Fig. 2.29 – Système bouclé illustrant l’excitation externe yc (t) ou s(t) et la pertur-
bation d(t).

c) Méthode combinée Il est bien sûr possible de combiner un lissage fréquentiel

des densités spectrales avec une moyenne sur plusieurs estimations. Il s’agit là
d’une approche d’identification fréquentielle non paramétrique des plus per-
formantes dont les étapes de calcul sont données à la figure 2.28.

2.5 IDENTIFICATION EN BOUCLE FERMÉE

Il est nécessaire d’effectuer une identification en boucle fermée si le système à

identifier est instable en boucle ouverte ou s’il n’est pas possible d’ouvrir la boucle
pour effectuer l’identification. La rétroaction peut également être inhérente à certains
systèmes (par exemple de nature économique ou biologique).
Pour le système bouclé de la figure 2.29, le signal de commande u(t) est corrélé
avec la perturbation d(t) par l’effet de la rétroaction si bien que Rud (τ ) 6= 0. Il
s’ensuit que GP (jω) ne peut pas être identifié correctement à l’aide des densités
spectrales φuu (ω) et φuy (ω) comme cela est le cas pour le système en boucle ouverte
(cf. équation 2.92). Il faudra alors prévoir une excitation externe indépendante de
d(t), par exemple yc (t) ou s(t).
Considérons le cas avec l’excitation externe s(t) 6= 0 et yc (t) ≡ 0. Nous avons
y = yp + d, on peut donc écrire:
φuy (ω) φuyp (ω) + φud (ω) φud (ω)
ĜP (jω) = = = GP (jω) + (2.115)
φuu (ω) φuu (ω) φuu (ω)

L’équation (2.115) indique que pour le cas réaliste φud (ω) 6= 0 avec excitation
82 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

externe, l’estimation de GP (jω) sur la base de φuu (ω) et φuy (ω) est erronée. Deux
cas limites se présentent:
i) S’il n’y a pas de perturbation (d = 0), il en résulte φud (ω) = 0 et ĜP (jω) =
GP (jω).
ii) Si yc = s = 0 (sans excitation externe), on a: e = −y et

φuu (ω) = GR (jω)φue(ω)

(Démontrer cette relation). On obtient donc:

φuy (ω) −φue (ω) −φue (ω) −1

ĜP (jω) = = = = (2.116)
φuu (ω) φuu (ω) GR (jω)φue (ω) GR (jω)
Dans ce cas, on trouve une estimation totalement erronée de GP .
On peut toutefois corriger cette situation défavorable en considérant la boucle
fermée comme un système boucle ouverte avec l’entrée s et la sortie y et la per-
turbation d qui cette fois n’est pas corrélée avec l’entrée s. Donc, on peut estimer
correctement la fonction de transfert entre s et y avec l’analyse spectrale:

ĜP (jω) φsy (ω)

= (2.117)
1 + ĜR (jω)ĜP (jω) φss (ω)

De même façon, on peut estimer la fonction de transfert entre s et u:

1 φsu (ω)
= (2.118)
1 + ĜR (jω)ĜP (jω) φss (ω)

En divisant les deux équations (2.117 et 2.118), on obtient:

φsy (ω)
ĜP (jω) = (2.119)
φsu (ω)

On peut montrer que dans ce cas:

 
n o 1 φdd (ω)
var |ĜP (jω)| ≡ (2.120)
2N φss (ω)|F (jω)|2

1 φdd (ω)|GP (jω)|2

n o  
var | arg ĜP (jω)| ≡ (2.121)
2N φss (ω)|F (jω)|2
où
1
F (jω) =
1 + GR (jω)GP (jω)
En d’autres termes, la variance de l’estimation
• augmente avec l’intensité du bruit d(t) et diminue avec celle de l’excitation
s(t),
• diminue avec le nombre de mesures disponibles,
2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE NON
PARAMÉTRIQUE 83
• augmente avec le gain GR (jω)GP (jω) de la boucle de commande.
En utilisant yc (t) au lieu de s(t) comme excitation externe indépendante de d(t),
il est possible de contrôler les variations de la grandeur commandée y(t). On obtient
alors de manière tout à fait analogue:

φyc y (ω)
ĜP (jω) = (2.122)
φyc u (ω)

2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE

NON PARAMÉTRIQUE

Il est souvent souhaitable, à partir d’un modèle non paramétrique déterminé

expérimentalement (réponse indicielle, impulsionnelle ou harmonique), de calculer
un modèle paramétrique (fonction de transfert).

2.6.1 Fonction de transfert du premier ordre à partir de la ré-

ponse indicielle ou impulsionnelle
2.6.1.1 Méthode graphique

Il est possible d’estimer graphiquement les coefficients d’une fonction de transfert

à partir du comportement temporel entrée-sortie d’un système dynamique. Il ne faut
pas chercher à identifier des systèmes d’ordre trop élevé avec cette méthode, la lecture
des coefficients sur les graphiques devenant très malaisée à partir du second ordre.
Soit l’exemple d’un système du premier ordre possédant la fonction de transfert:
K
G(s) = (2.123)
τs + 1
avec K le gain statique et τ le constante de temps du système. La réponse indicielle
de ce système:
y(t) = K(1 − e−t/τ ) (2.124)
est représentée à la figure 2.30 et la réponse impulsionnelle correspondante:
K −t/τ
y(t) = (e ) (2.125)
τ
est représentée à la figure 2.31. On détermine graphiquement le gain statique K et la
constante de temps τ du système comme indiqué aux figures 2.30 et 2.31. Cependant,
suivant la qualité des mesures, il peut s’avérer difficile de tracer précisément la
tangente à pente maximale, donc de déterminer la constante de temps. De plus,
une telle approche est mal adaptée aux systèmes d’ordre plus élevé car la forme des
réponses indicielle et impulsionnelle dépend, dans une large mesure, du rapport des
constantes de temps. Il est mal aisé de déterminer ce rapport sur un graphique.
84 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

y(t)
τ τ
K

0.63K

0 t
0 τ t1 t1 +τ

Fig. 2.30 – Réponse indicielle d’un système du premier ordre.

y(t)

K
τ

0.37K
τ

0 t
0 τ t1 t1 +τ

Fig. 2.31 – Réponse impulsionnelle d’un système du premier ordre.

2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE NON
PARAMÉTRIQUE 85

0 t
θ θ+τ

Fig. 2.32 – Approximation de la réponse d’un système d’ordre 2 ou supérieur.

2.6.1.2 Méthode de Ziegler-Nichols

Cette méthode permet d’approximer un système non oscillant d’ordre 2 ou su-

périeur par une fonction de transfert du premier ordre avec retard pur. On relève la
réponse indicielle sur laquelle on lit trois valeurs:
• le gain statique K,
• le retard pur θ,
• et la constante de temps τ
d’un système du premier ordre avec retard pur (fig. 2.32):
Ke−θs
G(s) = (2.126)
τs + 1

Bien que cette méthode ne représente qu’une approximation grossière, elle est
souvent suffisante pour la synthèse d’un régulateur.

2.6.2 Fonction de transfert du deuxième ordre à partir de la

réponse indicielle
Un système du deuxième ordre sans zéro se rencontre dans la littérature sous la
forme suivante:
Kωn2
G(s) = 2 (2.127)
s + 2ζωn s + ωn2
où K est le gain statique, ζ le coefficient d’amortissement et ωn la pulsation propre
ou naturelle [1/s]. Les pôles de G(s) sont:
p
p1,2 = −ζωn ± ωn ζ 2 − 1 (2.128)

Ces pôles peuvent être réels distincts, réels confondus ou conjugués complexes, donc
trois cas peuvent être considérés:
86 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Cas sur-amorti: (ζ > 1) La fonction de transfert G(s) peut dans ce cas être dé-
composée en deux facteurs du premier ordre:
1
G(s) = K (2.129)
(τ1 s + 1)(τ2 s + 1)

La réponse indicielle de ce système sera non oscillatoire:

τ1 e−t/τ1 − τ2 e−t/τ2
 
y(t) = K 1 − t≥0 (2.130)
τ1 − τ2

Cas critique: (ζ = 1) La fonction de transfert G(s) se résume dans ce cas à:

K
G(s) = (2.131)
(τ s + 1)2

et la réponse indicielle est alors:

   
1 −t/τ
y(t) = K 1 − 1 + e t≥0 (2.132)
τ

Cas sous-amorti: (0 ≤ ζ < 1) La réponse indicielle oscillatoire dans ce cas :

K
y(t) = K − p e−ζωn t sin(ωt + θ) t≥0 (2.133)
1 − ζ2
p
avec ω = ωn 1 − ζ 2 et θ = arccos ζ est représentée à la figure 2.33. Un point
particulier est le premier maximum qu’il est important de connaı̂tre et facile
à mesurer. Ses coordonnées tp et y(tp ) sont obtenues en exploitant la première
dérivée de la réponse indicielle qui est également la réponse impulsionnelle de
G(s):
Kωn −ζωn t
ẏ(t) = p e sin ωt t≥0 (2.134)
1 − ζ2
Le premier maximum est obtenu pour ωtp = π. Ainsi

π √−ζπ
tp = p et y(tp ) = K + Ke 1−ζ 2 (2.135)
ωn 1 − ζ 2

La marche à suivre pour identifier la fonction de transfert d’un système oscil-

lant du deuxième ordre sans zéro est la suivante:
1. Mesurer la valeur finale de la réponse indicielle, ce qui permet de déter-
miner la valeur du gain statique K.
2. Mesurer l’amplitude du premier maximum, ce qui permet de déterminer
la valeur de ζ.
3. Mesurer l’instant d’apparition de ce premier maximum, ce qui permet de
déterminer la valeur de la pulsation naturel ωn .
2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE NON
PARAMÉTRIQUE 87

10

9
√−ζπ
Ke 1−ζ 2
8
K
7

6
Amplitude

1 tp = √π
ωn 1−ζ 2
0
0 5 10 15 20 25 30 35
Time (sec)

Fig. 2.33 – Réponse indicielle d’un système sous-amorti du deuxième ordre sans
zéro.

2.6.3 Fonction de transfert d’ordre quelconque à partir de la

réponse impulsionnelle
A partir de la réponse impulsionnelle obtenue expérimentalement, par exemple
par déconvolution numérique (cf. § 2.2.2), il est possible d’identifier une fonction de
transfert de la forme suivante (cf. section 3.1, avec ici m = n):
b0 + b1 z −1 + . . . + bn z −n
G(z) = (2.136)
1 + a1 z −1 + . . . + an z −n

La définition de G(z) permet d’écrire:

G(z) = g(0) + g(1)z −1 + g(2)z −2 + . . . (2.137)

En combinant ces deux équations, on obtient:

b0 + b1 z −1 + . . . + bn z −n = g(0) + [g(1) + a1 g(0)]z −1 + . . .

" n
# " n
#
X X
−n
+ g(n) + aj g(n − j) z + . . . + g(2n) + aj g(2n − j) z −2n + . . . (2.138)
j=1 j=1

On égale les coefficients des termes de même puissance de z 0 à z −n pour obtenir,

sous forme matricielle:
    
b0 1 0 ··· 0 g(0)
 b1   a1 1 ··· 0    g(1) 
 
 ..  =  .. .. .. .  (2.139)
  
.   .. 
 
 .   . .
bn an an−1 · · · 1 g(n)
88 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

L’équation (2.139) permettra de calculer les coefficients bj à partir de g(j) une

fois les coefficients aj connus (j = 0, 1, ...n; a0 = 1).
Afin de déterminer les coefficients aj (j = 1, ...n), on égale les coefficients des
termes de même puissance de z −(n+1) à z −2n dans l’équation (2.138) pour obtenir:
    
g(n) g(n − 1) · · · g(1) a1 −g(n + 1)
 g(n + 1) g(n) · · · g(2)   a2   −g(n + 2) 
   
.. .. .. . = .. (2.140)

.   ..  
     
 . . . 
g(2n − 1) g(2n − 2) · · · g(n) an −g(2n)
ou
Ga = g (2.141)

La matrice carrée G de dimension n est, en principe, de rang égal à l’ordre du

système. Elle est ainsi régulière, ce qui permet d’écrire:

a = G−1 g (2.142)

En présence d’erreurs associées aux valeurs mesurées ou estimées de la ré-

ponse impulsionnelle, il est possible d’ajouter des lignes supplémentaires au système
d’équations (2.140). On obtiendra ainsi une solution au sens des moindres carrés:

a = G+ g (2.143)

où G+ = (GT G)−1 GT représente la matrice pseudo-inverse de G (cf. annexe B).

Les coefficients aj et bj (j = 0, 1, ...n; a0 = 1) définissent la fonction de transfert
(2.136).

2.6.4 Fonction de transfert à partir de la réponse harmonique

La réponse harmonique représentée dans le diagramme de Bode ou de Nyquist est
souvent utilisée pour dimensionner un régulateur et analyser la stabilité du système
bouclé. On peut également utiliser la réponse harmonique déterminée expérimenta-
lement pour obtenir un modèle paramétrique de la forme:
bm sm + . . . + b1 s + b0
G(s) = m≤n (2.144)
an sn + . . . + a1 s + 1

Deux approches permettent de déterminer les paramètres de ce modèle.

2.6.4.1 Approche graphique

L’approche graphique est indiquée à la figure 2.34. On recherche en général des

modèles d’ordre réduit (premier ou second ordre), par exemple:
K
G(s) = (2.145)
(τ1 s + 1)(τ2 s + 1)
2.6 FONCTION DE TRANSFERT À PARTIR D’UN MODÈLE NON
PARAMÉTRIQUE 89

G(jω)

K
-1

-2

ω
1 1
τ1 τ2

Fig. 2.34 – Approche graphique pour déterminer les paramètres d’un système du
second ordre.

S’il est nécessaire d’inclure un retard pur, lequel se manifestera sur l’argument
de G(jω), on choisira alors:
Ke−θs
G(s) = (2.146)
(τ1 s + 1)

2.6.4.2 Approche numérique

L’approche numérique consiste à faire varier les coefficients réels

(a1 , ...an , b0 , ...bm ) de façon à ce que les nombres complexes calculés par le
modèle Ĝ(jωk ) soient aussi proches que possible des valeurs mesurées G(jωk ).
Celles-ci sont données par Re {G(jω)} et Im {G(jω)}.
On peut, par exemple, chercher à minimiser le critère quadratique suivant pour
N mesures expérimentales:

N N  m
2
X
2
X  bm (jω k ) + · · · + b1 (jω k ) + b0 
min |εs (jωk )| = min G(jωk ) −
n
 (2.147)
θ θ an (jωk ) + · · · + a1 (jωk ) + 1
 
k=1 k=1

où θ = [a1 , ...an , b0 , ...bm ]T est le vecteur de paramètres. Comme l’erreur entre la va-
leur expérimentale G(jωk ) et la valeur correspondante du modèle est non linéaire par
rapport aux paramètres à estimer, il n’existe en général pas de solution analytique
et donc de garantie d’un minimum global.
On peut contourner ce problème avec la méthode de Levy qui propose de
minimiser le critère quadratique suivant:

N 
X
Jℓ (θ) = min [an (jωk )n + . . . + a1 (jωk ) + 1]G(jωk )

θ
k=1
2
− [bm (jωk )m + . . . + b1 (jωk ) + b0 ] (2.148)

90 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

L’erreur à chaque fréquance

ε(jωk ) = [an (jωk )n +. . .+a1 (jωk )+1]G(jωk )−[bm (jωk )m +. . .+b1 (jωk )+b0 ] (2.149)

devient ainsi linéaire par rapport aux paramètres a1 , ...an , b0 , ...bm .

Il y a cependant une difficulté pratique à résoudre ce problème de moindres
carrés linéaires car l’erreur à chaque fréquance est complexe alors que les coefficients
à estimer sont réels. On peut contourner ce problème et définir une erreur réelle
en considérant séparément les parties réelles et imaginaires de l’erreur. On obtient
ainsi:
N
X
Jℓ (θ) = min [an Re {(jωk )n G(jωk )} + . . . + a1 Re {(jωk )G(jωk )} + Re {G(jωk )}
θ
k=1
− bm Re {(jωk )m } − . . . − b1 Re {jωk } − b0 ]2
+ [an Im {(jωk )n G(jωk )} + . . . + a1 Im {(jωk )G(jωk )} + Im {G(jωk )}
− bm Im {(jωk )m } − . . . − b1 Im {jωk }]2 (2.150)

En définissant:
Re {G(jω1 )}
 
 Re {G(jω2 )}

 .. 
.
 
 
 Re {G(jωN )} 
 
G= (2.151)
 Im {G(jω1 )} 

 Im {G(jω2 )} 
 
 .. 
 . 
Im {G(jωN )}
−Re {(jω1 )G(jω1 )} ... −Re {(jω1 )n G(jω1 )} 1 Re {jω1 } ... Re {jω1 }m
 
 −Re {(jω2 )G(jω2 )} ... −Re {(jω2 )n G(jω2 )} 1 Re {jω2 } ... Re {jω2 }m 
 .. .. .. .. .. 

 . . . . . 

 −Re {(jωN )G(jωN )} . . . −Re {(jωN )n G(jωN )} 1 Re {jωN } ... Re {jωN }m 
Φ=
 −Im {(jω1 )G(jω1 )} . . . −Im {(jω1 )n G(jω1 )}

0 Im {jω1 } ... Im {jω1 }m 
 −Im {(jω2 )G(jω2 )} . . . −Im {(jω2 )n G(jω2 )} Im {jω2 }m
 
0 Im {jω2 } ... 
.. .. .. .. ..
 
. . . . .
 
−Im {(jωN )G(jωN )} . . . −Im {(jωN )n G(jωN )} 0 Im {jωN } ... Im {jωN }m
et
E = G − Φθ
le critère (2.148) devient:
Jℓ (θ) = min E T E
θ

dont la solution est bien connue (cf. section 3.4):

θ̂ = (ΦT Φ)−1 ΦT G (2.152)

2.7 COMPARAISON DES MÉTHODES NON PARAMÉTRIQUES 91

Remarque: Il faut noter que ε(jωk ) = [an (jωk )n + . . . + a1 (jωk ) + 1]εs (jωk )
qui montre que l’erreur linéaire ε(jωk ) est beaucoup plus importante en hautes
fréquences qu’en basses fréquences. Ceci conduit en général à une mauvaise
identification de la fonction de transfert aux basses fréquences. Il est pos-
sible de modifier la méthode de Levy avec une pondération adéquate (avec
1
) de l’erreur ε(jωk ) où ân , . . . , â1 sont des paramètres
ân (jωk )n + . . . + â1 (jωk ) + 1
estimés avec la méthode de Levy standard.

2.7 COMPARAISON DES MÉTHODES NON PARAMÉ-

TRIQUES

L’observation expérimentale de la réponse indicielle est simple à mettre en œuvre

et donne une indication rapide sur les constantes de temps, le gain statique et le
retard pur du système. Cependant, les courbes obtenues ne fournissent qu’une re-
présentation grossière du système et sont relativement sensibles aux bruits de toutes
sortes qui ne manquent pas de perturber le système. La réponse impulsionnelle peut
être obtenue en dérivant (numériquement) la réponse indicielle mesurée.
Le tableau 2.4 résume les approches non paramétriques temporelle et fréquentielle
permettant d’estimer la réponse impulsionnelle ou, de façon équivalente, la fonction
de transfert d’un système lscr discret.
Les approches qui utilisent directement les signaux d’entrée et de sortie sont fa-
ciles à mettre en œuvre, mais elles sont fort sensibles à la perturbation d, laquelle
représente aussi bien les effets aléatoires (bruits de mesure) que déterministes (dé-
rives, perturbations de toutes sortes).
Les approches basées sur les fonctions de corrélation sont insensibles à tout bruit
additif sur la sortie pour autant que celui-ci soit non corrélé avec le signal d’entrée.
Il s’ensuit que ces méthodes sont souvent utilisées dans le but de réduire l’influence
du bruit. Les couples résultants d’autocorrélation et d’intercorrélation, qui sont de
longueur beaucoup plus courte que les signaux temporels originaux, sont ensuite
utilisés pour réaliser la déconvolution dans le domaine temporel (méthode de corré-
lation) ou fréquentiel (analyse spectrale). La méthode de l’analyse spectrale permet
également un lissage fréquentiel ainsi que l’évaluation d’une moyenne des densités
spectrales avant le calcul (délicat) de la fonction de transfert.
92 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Tab. 2.4 – Différentes approches pour l’identification de modèles non paramétriques

pour systèmes lscr.
Signaux entrée-sortie Fonction de corrélation
Analyse temporelle Méthode de corrélation
k ∞
conv y( k ) = ∑ g( j) u( k − j) + d(k) R uy ( h ) = ∑ g( j) R uu (h − j)
Temporelle

j= 0 j= 0

 k −1   g(0)   R uu (0) ! R uu (K − 1)   R uy (0) 

 =  + 
déconv g( k ) = 1 y( k ) − d(k) −
u( 0 )  ∑ g( j) u ( k − j) 
     

!
 j= 0  g(K − 1) R uu ( N − 1) ! R uu ( N − K ) R uy ( N − 1)
Analyse fréquentielle Analyse spectrale

Y( k ) = G(e jω k ) U( k ) + D(k) φ uy (ω k ) = G(e jω k ) φ uu (ω k )

Fréquentielle

conv

Y( k ) − D(k) φ uy (ω k )
déconv G(e jω k ) = G(e jω k ) =
U( k ) φ uu (ω k )

2.8 EXERCICES RÉSOLUS

Exercice 1
Enoncé :
a) Déterminer la transformée de Fourier discrète X(k) du signal numérique suivant
défini pour 8 points d’échantillonnage (T = 1; n = 0, 1, ...7):
xn

4 6 n
0 2

-1

b) Evaluer la transformée de Fourier discrète et la série de Fourier de la séquence

précédente répétée périodiquement.
c) Le signal temporel initial est maintenant considéré pour 16 points d’échantillon-
nage (T = 0.5, n = 0, 1, ...15). Déterminer sa transformée de Fourier discrète
et discuter les résultats.
Solution :
a) Transformée de Fourier discrète X(k) de xn

N
X −1
X(k) = xn e−j2πnk/N k = 0, 1, . . . , N − 1
n=0
2.8 EXERCICES RÉSOLUS 93

Ici N = 8, ainsi k = 0, 1, . . . , 7 :

7
X 3
X 7
X
−j2πnk/8 −j2πnk/8
X(k) = xn e = 1e + (−1)e−j2πnk/8
n=0 n=0 4

= 1 + e−jπk/4 + e−jπk/2 + e−j3πk/4

−e−jπk − e−j5πk/4 − e−j3πk/2 − e−j7πk/4 k = 0, 1, . . . , 7

On peut aussi exprimer X(k) comme la somme de la suite précédente:

(1 − e−jπk )2 (1 − e−j4ωk )2
X(k) = = k = 0, 1, . . . , 7
1 − e−j(π/4)k 1 − e−jωk

car, avec T = 1, la pulsation discrète s’écrit:

2π k π
ωk = =k k = 0, 1, . . . , 7
1 8 4

b) Signal périodique
• La transformée de Fourier discrète suppose déjà un signal qui se répète
périodiquement. Ainsi, le contenu spectral trouvé sous a) ne changera pas si
plusieurs périodes sont considérées. Seule l’amplitude variera: si p périodes
sont considérées, l’amplitude sera amplifiée par p.
• Dans le cas de la série de Fourier d’un signal numérique, comme l’amplitude
ck est pondérée par le terme 1/N, la série de Fourier sera strictement la
même.
c) Signal du point a) échantillonné plus rapidement (T = 0.5)

15
X 7
X 15
X
−j2πnk/16 −j2πnk/16
X(k) = xn e = 1e + (−1)e−j2πnk/16
n=0 n=0 n=8

avec la pulsation:

2π k π
ωk = =k k = 0, 1, . . . , 15
0.5 16 4

Le fait d’échantillonner plus rapidement a augmenté l’information du signal

et, de ce fait, a modifié son contenu spectral. La plage fréquentielle a doublé
par rapport au point a).
Le signal xn et le module de X(k) sont donnés à la figure suivante pour les
trois cas, avec p = 8 pour le cas b).
94 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Exercice 2.4 a) Exercice 2.4 b) Exercice 2.4 c)

1 1 1

0.5 0.5 0.5

0 0 0

x
-0.5 -0.5 -0.5

-1 -1 -1
0 5 10 0 20 40 60 0 5 10 15
k k k

6 50 12

5 40 10

4 8
abs( X(k) )

abs( X(k) )

abs( X(k) )
30
3 6
20
2 4

1 10 2

0 0 0
0 2 4 6 0 2 4 6 0 5 10 15
pulsation [rad/sec] pulsation [rad/sec] pulsation [rad/sec]

Exercice 2
Enoncé : Les échantillons suivants de la réponse impulsionnelle d’un système du
deuxième ordre ont été observés (T = 0.05).

k 0 1 2 3 4 5 6 7 8
g(k) 0 0.68 1.07 1.27 1.34 1.34 1.28 1.21 1.11

• Evaluer G(z) et G(s) ainsi que les pôles et les zéros correspondants pour ce
système.
Solution :

b0 + b1 z −1 + b2 z −2
G(z) =
1 + a1 z −1 + a2 z −2
Réponse impulsionnelle: u(k) = δ(k) ; y(k) = g(k)

⇒ g(k) + a1 g(k − 1) + a2 g(k − 2) = b0 δ(k) + b1 δ(k − 1) + b2 δ(k − 2)

k = 0 g(0) = b0 → b0 = 0
1 g(1) + a1 g(0) = b0 δ(1) + b1 → b1 = 0.68
2 g(2) + a1 g(1) + a2 g(0) = b0 δ(2) + b1 δ(1) + b2 → b2 = 1.07 + 0.68a1

 3 g(3) + a1 g(2) + a2 g(1) = 0
...
8 g(8) + a1 g(7) + a2 g(6) = 0

   
−g(3) −g(2) g(1)      
a1 a1 −1.575
 ...  =  ... ...  ⇒ = b2 = −0.0015
a2 a2 0.614
−g(8) −g(7) g(6)
2.8 EXERCICES RÉSOLUS 95

0.68z −1 − 0.0015z −2
G(z) =
1 − 1.576z −1 + 0.614z−2
G(s) à partir de G(z), en utilisant MATLAB d2cm:
7.98s + 344.5 0.41s + 17.8
• zoh: G(s) = 2 =
s + 9.77s + 19.3 0.052s2 + 0.51s + 1
z1 = −43.2 p1 = −2.74 p2 = −7.03
2
−0.21s + 0.036s + 340.4 −0.0011s2 + 0.0019s + 17.9
• tustin: G(s) = =
s2 + 9.69s + 19.03 0.052s2 + 0.51s + 1
z1 = −39.8 z2 = 40.0 p1 = −2.73 p2 = −6.79

Exercice 3
Enoncé : Un signal binaire pseudo-aléatoire de période 7 échantillons:

u(k) = 1, −1, 1, 1, 1, −1, −1, 1, −1, 1, 1, 1, −1, −1, . . .

est utilisé pour exciter le système:

0.7z −1
G(z) = (2.153)
1 − 0.3z −1
a) Calculer la sortie y(k) ainsi que les fonctions d’autocorrélation Ruu (h) et d’in-
tercorrélation Ruy (h).
b) Utiliser Ruu (h) comme entrée du système et comparer la sortie correspondante
à Ruy (h).
c) Calculer la réponse impulsionnelle du système et la comparer à Ruy (h).

Solution :
a) Calcul de y(k), Ruu(h), Ruy (h)
1. Calcul de la réponse impulsionnelle g(k) à partir de:
∞
X
G(z) = g(k)z −k
k=0

De (2.153) par division polynomiale:

G(z) = 0.7z −1 + 0.21z −2 + 0.063z −3 + 0.0189z −4 + 0.0057z −5 + . . .

La transformation en z inverse de G(z) donne (entrée 19 du tableau C.2

en annexe C):
g(k) = 0.7 · 0.3k−1 k≥1
96 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

Tab. 2.5 – Tableau des résultats (pour N = 1024).

k, h 0 1 2 3 4 5 6 7 ... ,
u(k) 1 -1 1 1 1 -1 -1 1 ... ,
y(k) 0 0.7 -0.49 0.553 0.866 0.960 -0.412 -0.824 ...
Ruu (h) 1 -0.142 -0.143 -0.144 -0.141 -0.142 -0.143 0.993 ...
Ruy (h) -0.142 0.657 0.097 -0.070 -0.121 -0.134 -0.140 -0.141 ...
g(h) 0 0.700 0.210 0.063 0.019 0.006 0.002 0.005 ...

k
X
2. y(k) = g(k − j)u(j) k = 0, 1, 2, . . .
j=0

Avec Matlab: conv(u, g)

N −1
1 X
3. Ruu (h) = u(n)u(n + h) h = 0, 1, 2, . . . , N − 1
N n=0
Avec Matlab: xcorr(u)
N −1
1 X
4. Ruy (h) = u(n)y(n + h) h = 0, 1, 2, . . . , N − 1
N n=0
Avec Matlab: xcorr(u, y)

∗
Ruu (h) Ruy (h)
g(h)
b)
∗
Ruy (h) ≈ Ruy (h) , la différence étant due au nombre fini de points, (N = 1024)
utilisés pour calculer Ruu (h) et Ruy (h).

c) g(h) 6= Ruy (h) car l’entrée aléatoire utilisée n’est pas vraiment blanche.
2.8 EXERCICES RÉSOLUS 97

Exercice 4
Enoncé : Soit le signal analogique suivant:

sin(2t)
x(t) = = sinc(2t)
2t

a) Calculer et représenter graphiquement le spectre de fréquences de ce signal.

b) Répéter le point a) si le signal est échantillonné avec la période d’échantillonnage
π/2.
Solution :
a) Spectre fréquentiel
L’exemple 4 de l’annexe A donne (voir également la propriété 13 du tableau
A.1):

 
AW ) Wt
x(t) = sinc
2π 2

Ici:
Wt
2
= 2t → W =4

AW 2π π
2π
=1 → A= W
= 2
98 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES

π
→ F {sinc(2t)} = P4 (ω)
2

b) Signal échantillonné avec la période π/2


xn = sinc(2nT )
xn = sinc(nπ)
T = π2

1 pour n = 0
sinc(nπ) = voir figure 2.19
0 pour n 6= 0
∞
X ωπ
X(Ω) = xn e−jΩn = 1 Ω = ωT =
n=−∞
2

Exercice 5
Enoncé : Soient les signaux u(n) et y(n) donnés comme suit pour 3 points d’échan-
tillonage:

n 0 1 2
u(n) 2 1 1
y(n) 1 2 2

a) Calculer la densité interspectrale φuy (ωk) à partir de l’intercorrélation Ruy (h).

b) Calculer la densité interspectrale φuy (ωk) à partir des transformées de Fourier
discrètes de u(n) et y(n).
c) Les résultats sous points a) et b) sont-ils identiques?

Solution :
a) On suppose que les signaux u et y se continuent périodiquement. Pour N = 3,
on peut écrire:
2
1X
Ruy (h) = u(n)y(n + h) h = 0, 1, 2
3 n=0

1 1
Ruy (0) = [u(0)y(0) + u(1)y(1) + u(2)y(2)] = (2 + 2 + 2) = 2
3 3
1 1 7
Ruy (1) = [u(0)y(1) + u(1)y(2) + u(2)y(3)] = (4 + 2 + 1) =
3 3 3
2.8 EXERCICES RÉSOLUS 99

1 1 7
Ruy (2) = [u(0)y(2) + u(1)y(3) + u(2)y(4)] = (4 + 1 + 2) =
3 3 3
N −1
X k
Φuy (ωk ) = Ruy (h)e−j2πkh/N avec ωk = ωs k = 0, 1, 2
h=0
N

7 7 20
Φuy (ω0 ) = 2 + + =
3 3 3
7 −j2π/3 7 −j4π/3
Φuy (ω1 ) = 2 + e + e
3 3
7 −j4π/3 7 −j8π/3 7 7
Φuy (ω2 ) = 2 + e + e = 2 + e−j4π/3 + e−j2π/3
3 3 3 3

1 U(k)
b) Φuy (ωk ) = N U(−k)Y (k) TFD
Y (k)

N
X −1 2
X
j2πkn/N
U(−k) = un e = u(n)ej2πkn/3 k = 0, 1, . . . , N − 1
n=0 n=0

2
X
U(0) = u(n) = 4 Y (0) = 1 + 2 + 2 = 5
n=0
X2
U(−1) = u(n)ej2πn/3 = 2 + ej2π/3 + ej4π/3 Y (1) = 1 + 2e−j2π/3 + 2ej4π/3
n=0
2
X
U(−2) = u(n)ej4πn/3 = 2 + ej4π/3 + ej2π/3 Y (2) = 1 + 2e−j4π/3 + 2ej2π/3
n=0

On obtient ainsi:
1 20
Φuy (ω0 ) = (4)(5) =
3 3
1
Φuy (ω1 ) = (2 + ej2π/3 + ej4π/3 )(1 + 2e−j2π/3 + 2e−j4π/3 )
3
1
= [6 + 7e−j2π/3 + 7e−j4π/3 ]
3
1
Φuy (ω2 ) = (2 + ej4π/3 + ej2π/3 )(1 + 2e−j4π/3 + 2e−j2π/3 )
3
1
= [6 + 7e−j2π/3 + 7e−j4π/3 ]
3

c) Les résultats sont identiques car tous les signaux ont été répétés périodiquement,
de façon explicite pour yn sous point a), de façon implicite pour u(n) et y(n)
sous point b). Si on n’avait pas considéré le signal y(n) comme périodique pour
évaluer Ruy (1), Ruy (2) et φuy (ωk ), k = 0, 1, 2, alors les résultats auraient été
différents.
100 MODÈLES DE REPRÉSENTATION NON PARAMÉTRIQUES
 101

Chapitre 3

MODÈLES DE REPRÉSENTATION
PARAMÉTRIQUES

3.1 INTRODUCTION

Ce chapitre considère la représentation paramétrique de systèmes dynamiques

sur la base de mesures entrées-sorties. Par rapport aux approches non paramétriques
présentées au chapitre précédent, les méthodes paramétriques présentent un avan-
tage considérable quant au nombre de paramètres à identifier. Mais voyons cela de
plus près.
• Avec une approche non paramétrique, il n’est pas nécessaire de spécifier a priori
la structure du modèle. Il s’ensuit que le nombre de grandeurs (paramètres) à
estimer est élevé. Considérons le cas de N mesures. Une représentation tem-
porelle est donnée tout simplement par la valeur de la sortie à ces N instants.
La situation est tout à fait semblable pour une représentation fréquentielle:
comme le diagramme de Bode est symétrique par rapport à la pulsation de
Nyquist ωN = ωs /2 , il suffit de déterminer N/2 valeurs complexes (modules
et arguments), donc en fait N grandeurs. Il s’ensuit qu’avec une approche non
paramétrique, N mesures servent à déterminer N grandeurs (ou paramètres).
Il n’y a donc pas de redondance dans les données propre à filtrer les erreurs de
mesure.
• Dans le cas d’une approche paramétrique , la structure du modèle doit être
spécifiée a priori, par exemple sous la forme de la fonction de transfert du
premier ordre avec retard pur G(s) = Ke−θs /(τ s + 1) avec les 3 paramètres
K , τ et θ . Si l’on dispose d’un nombre de mesures supérieur au nombre de
paramètres, il y aura redondance dans les données (plus d’équations que d’in-
connues) servant à l’identification du modèle. Ceci constitue la caractéristique
principale des modèles paramétriques.
Un premier élément de modélisation paramétrique a déjà été présenté à la section
2.6 où l’objectif était de calculer une fonction de transfert à partir d’une représenta-
tion non paramétrique. Dans ce chapitre, l’identification des paramètres du modèle
102 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

n
u yp +
PROCESSUS
+ y

ym + es
MODÈLE -

θ̂
IDENTIFICATION CRITÈRE

Fig. 3.1 – Schéma pour l’identification des paramètres du modèle: u, entrée (ajus-
table); yp , sortie du processus (non mesurable); n, bruit (inconnu); y, sortie bruitée
(mesurée); ym , sortie du modèle (calculable); es , erreur de sortie (calculable);θ̂, vec-
teur des paramètres estimés.

se fera sur la base d’un critère d’écart entre des mesures expérimentales provenant
du processus et une «simulation» des équations constituant le modèle (fig. 3.1).
Pour cela, il faudra choisir au préalable:
• la structure du modèle (ou caractérisation du processus),
• le critère de performance,
• l’algorithme d’identification (c’est-à-dire la méthode de calcul des paramètres),
• le signal d’excitation u .
La validation du modèle ainsi obtenu représentera une étape importante de l’iden-
tification.
Par rapport à l’identification d’un modèle paramétrique à partir d’une représen-
tation non paramétrique présentée à la section 2.6, les méthodes présentées dans ce
chapitre comportent de nombreux avantages:
• possibilité d’utiliser des signaux d’excitation d’amplitude réduite,
• meilleure précision,
• suivi des paramètres du modèle en temps réel permettant, si nécessaire, un
ajustement du régulateur pendant le fonctionnement du processus,
• identification des perturbations et des bruits de mesure ce qui permet de mieux
identifier le processus lui-même,
• procédure d’identification plus courte,
• possibilité de valider le modèle obtenu.
Ce chapitre traitera uniquement de l’identification de systèmes dynamiques qui
peuvent être représentés par des modèles monovariables discrets lscr (linéaires, sta-
tionnaires, causals et initialement au repos) de la forme:
n
X m
X
ym (k) + ai ym (k − i) = bj u(k − d − j) k = 0, 1, 2, 3, . . . (3.1)
i=1 j=0

où d représente le retard exprimé comme un multiple entier de la période d’échan-

tillonnage T , et k l’instant d’échantillonnage kT . On suppose les valeurs de n , m
3.1 INTRODUCTION 103

et d connues a priori.
La transformée en z de l’équation aux différences (3.1) donne:

Ym (z)[1 + a1 z −1 + . . . + an z −n ] = U(z)z −d [b0 + b1 z −1 + . . . + bm z −m ] (3.2)

d’où
Ym (z) b0 + b1 z −1 + . . . + bm z −m B(z)
G(z) = = z −d −1 −n
= z −d (3.3)
U(z) 1 + a1 z + . . . + an z A(z)
Opérateur retard
Dans le but de simplifier l’écriture des équations aux différences, on introduit
l’opérateur retard q −1 défini comme suit:

q −1 y(k) ≡ y(k − 1) k≥1 (3.4)

q −1 y(0) ≡ 0 (3.5)

d’où l’on tire:

q −i y(k) = y(k − i) k≥i (3.6)

q −i y(k) = 0 0≤k<i (3.7)

L’équation (3.1) s’écrit ainsi:

A(q −1 )ym (k) = B(q −1 )u(k − d) = q −d B(q −1 )u(k) (3.8)

avec

A(q −1 ) = 1 + a1 q −1 + . . . + an q −n (3.9)
B(q −1 ) = b0 + b1 q −1 + . . . + bm q −m (3.10)

On peut ainsi définir l’opérateur de transfert temporel G(q −1 ) qui, au signal

discret u(k), fait correspondre le signal discret ym (k):

ym (k) B(q −1 )
G(q −1 ) = = q −d (3.11)
u(k) A(q −1 )

Comme l’opérateur de transfert temporel (3.11) possède la même forme que

G(z) dans l’équation (3.3), on l’appellera également, par abus de langage, fonction
de transfert.
Rappelons que la représentation par fonction de transfert présuppose un système
lscr. La condition d’un système initialement au repos a été introduite en écrivant
l’équation (3.2) permettant d’obtenir la fonction de transfert G(z) ou, de façon
équivalente, par l’équation (3.7) pour l’opérateur de transfert temporel G(q −1 ).
Quel est l’ordre du modèle G(z) de l’équation (3.3)?
Est-il nécessaire d’imposer m ≤ n dans l’équation (3.3) afin de garantir la cau-
salité du système? Considérer le cas n = 2, m = 3 et d = 1.
104 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Le bruit n(t) est généralement un signal analogique qui perturbe la sortie analo-
gique du processus yp (t). Comme on considère ici un modèle discret vu au travers de
convertisseurs A/N et N/A, on note par n(k) la contribution discrète du bruit à la
sortie y(k). Le bruit n représente l’effet global de plusieurs sources d’erreur: erreurs
de caractérisation, bruits de mesure, perturbations.
Il existe deux analyses possibles de l’identification selon que l’on considère la
nature aléatoire du bruit comme négligeable et donc y de nature déterministe, ou
alors le bruit comme un signal aléatoire important et y de nature stochastique. Ceci
est décrit brièvement ci-dessous.
• Approche déterministe: La sortie d’un système déterministe est parfaitement
déterminée à partir de ses entrées passées et présente. Bien que les processus
réels soient rarement déterministes, si les erreurs de nature aléatoire (bruits de
mesure) sont faibles, elles peuvent être ignorées et les signaux d’entrée et de
sortie considérés comme parfaitement connus (déterministes). Les paramètres
estimés sont alors également déterministes et peuvent être obtenus à partir
d’un nombre réduit de mesures.
• Approche stochastique: Dans un système stochastique, le signal de sortie est
de type aléatoire et change donc de manière imprévisible. Les paramètres es-
timés sont, à leur tour, des variables aléatoires qu’il convient de caractériser
statistiquement. Le nombre de mesures nécessaires est en général plus élevé
que pour une approche déterministe.

Exemple Soit le circuit électrique RCL donné à la figure 3.2. La mise en équation
donne:
d2 u c duc
u = LC + RC + uc
dt2 dt
duc
y = RC
dt
et ainsi la fonction de transfert suivante:
Y (s) RCs
G(s) = = (3.12)
U(s) LCs2 + RCs + 1

La fonction de transfert discrète de ce système du deuxième ordre est de la forme:

y(k) b0 + b1 q −1
G(q −1 ) = = q −1 (3.13)
u(k) 1 + a1 q −1 + a2 q −2
Si le retard d était zéro, y(k) répondrait instantanément à un saut de tension
u(k), ce qui est impossible aux bornes d’une capacité. Le vecteur de paramètres,
dans ce cas θ = (a1 , a2 , b0 , b1 )T , peut être identifié à partir de mesures de u(k) et
y(k) comme on le verra plus loin. A partir de G(q −1 ), on peut calculer une fonction
de transfert analogique de la forme (cf. § 1.3.3.2):
βs
G(s) = (3.14)
α2 s2 + α1 s + 1
3.2 MODÈLE DU PROCESSUS 105

iL L C

uC

u R y

Fig. 3.2 – Schéma d’un circuit RCL.

L’identification des paramètres physiques se fait alors sur la base d’une compa-
raison des coefficients des fonctions de transfert (3.12) et (3.14):

LC = α2 (3.15)
RC = α1 = β (3.16)

Il s’agit là d’un système de deux équations algébriques non linéaires possédant
trois inconnues R, L et C. Il sera donc impossible d’identifier les paramètres phy-
siques au-delà d’un facteur multiplicatif près.

3.2 MODÈLE DU PROCESSUS

Les modèles d’identification utilisent le plus souvent une représentation discrète,

bien que les processus physiques réels soient généralement de nature continue. Ceci
résulte du fait que, d’une part, l’ordinateur qui se charge de l’identification «voit»
un processus discret à travers les convertisseurs A/N et N/A et que, d’autre part,
l’identification des paramètres, la synthèse du régulateur et la simulation du système
sont plus simples sous forme numérique que sous forme analogique.
L’identification d’un modèle linéaire se base souvent sur une représentation ex-
terne fréquentielle, c’est-à-dire une fonction de transfert. Celle-ci est représentée
dans le cas échantillonné par la forme générale de l’équation (3.3) ou (3.11). Il y a
cependant des choix structurels importants à faire concernant la caractérisation de
cette fonction de transfert, à savoir:
• le nombre de coefficients du polynôme A(q −1 ) (valeur de n),
• le nombre de coefficients du polynôme B(q −1 ) (valeur de m + 1),
• le retard (valeur de d ≥ 1).
Ces choix s’opèrent le plus souvent de façon itérative, en ce sens qu’un choix peut
être corrigé a posteriori sur la base d’une analyse des résultats de l’identification.
Pour un choix a priori, il est souvent recommandé de tester le système à l’aide d’un
saut unité et d’en déduire approximativement l’ordre du système et le retard (cf. la
méthode de Ziegler-Nichols, § 2.6.1.2).
106 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

n(k)
u(k) y p(k) +
N/A PROCESSUS A/N +
y(k)

y m(k) + es(k)
G(q-1) -

Fig. 3.3 – Erreur de sortie es (k).

3.3 CRITÈRES DE PERFORMANCE

Le choix du critère de performance à optimiser influencera non seulement le

résultat de l’identification, mais également la méthode de calcul des paramètres. On
utilise le plus souvent un critère quadratique basé sur une mesure de distance (ou
erreur) entre les valeurs mesurées et celles prédites à l’aide du modèle.

3.3.1 Critère basé sur l’erreur de sortie

L’erreur de sortie es (k) est la différence entre la sortie mesurée y(k) et la sortie
du modèle ym (k) qui résultent de la même excitation u(k), comme cela est illustré
à la figure 3.3. On a donc:

es (k) ≡ y(k) − ym (k) = yp (k) + n(k) − ym (k) (3.17)

Pour le modèle
ym (k) B(q −1 )
G(q −1 ) = = q −d (3.18)
u(k) A(q −1 )
l’équation aux différences correspondante s’écrit:

ym (k) = −a1 ym (k − 1) − . . . − an ym (k − n)
+ b0 u(k − d) + b1 u(k − d − 1) + . . . + bm u(k − d − m) (3.19)

La sortie du modèle ym (k) dépend des paramètres ai et bj , (i = 1, 2, ...n; j =

0, 1, . . . , m). Comme ym (k − 1), . . . , ym(k − n) dépendent également de ces mêmes
paramètres, ym (k) est une fonction non linéaire de ces paramètres. Il s’ensuit que
l’erreur de sortie est une fonction non linéaire des paramètres à identifier. On le voit
également en considérant l’expression suivante pour l’erreur de sortie:

B(q −1 )
es (k) = y(k) − ym (k) = y(k) − q −d u(k) (3.20)
A(q −1 )
dans laquelle les paramètres ai et bj interviennent de façon non linéaire.
Afin d’exprimer la qualité d’un modèle proposé, on considère la somme des er-
reurs de sortie quadratiques. Pour déterminer le meilleur modèle, on minimisera
3.3 CRITÈRES DE PERFORMANCE 107

n(k)
u(k) y p(k) +
N/A PROCESSUS A/N y(k)
+

- +
q-d B (q-1) A (q-1)
ee(k)

Fig. 3.4 – Erreur d’équation ee (k).

ensuite ce critère par rapport au vecteur de paramètres θ = [a1 , . . . , an , b0 , . . . , bm ]T :

N
X
min J(θ) = e2s (k) (3.21)
θ
k=1

où N représente le nombre de mesures disponibles.

La difficulté majeure de cette approche d’identification réside dans le fait qu’il
s’agit là d’un problème de régression non linéaire avec l’existence possible de mi-
nima locaux. La section suivante définira un autre type d’erreur qui résultera en un
problème de régression linéaire.

3.3.2 Critère basé sur l’erreur d’équation

En général, la sortie mesurée y diffère de ym , celle du modèle. L’erreur d’équa-
tion ee (k) représente l’erreur dans l’équation (3.19) lorsque la sortie du modèle ym
est remplacée par la sortie mesurée y:

ee (k) ≡ y(k) + a1 y(k − 1) + . . . + an y(k − n)

− b0 u(k − d) − b1 u(k − d − 1) − . . . − bm u(k − d − m) (3.22)

L’erreur d’équation peut également s’écrire comme suit:

ee (k) = A(q −1 )y(k) − q −d B(q −1 )u(k) (3.23)

et est donc la différence entre la sortie y(k) filtrée à l’aide du dénominateur A(q −1 )
de la fonction de transfert et l’entrée u(k) filtrée à l’aide du numérateur q −d B(q −1 )
de la fonction de transfert (fig. 3.4).
Comme les échantillons u(k − d), . . . , u(k − d − m) sont donnés et les échantillons
y(k), . . . , y(k − n) sont mesurés, l’erreur d’équation ee (k) est linéaire par rapport
aux paramètres θ, c’est-à-dire ai et bj (i = 1, 2, ...n; j = 0, 1, . . . , m).
On peut également écrire l’équation (3.22) sous la forme:

ee (k) = y(k) − [−a1 y(k − 1) − . . . − an y(k − n) + b0 u(k − d) + b1 u(k − d − 1)

+ . . . + bm u(k − d − m)] (3.24)
PSfrag
108 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

n(k)
u(k) yp (k) +
N/A PROCESSUS A/N +
y(k)

ŷ(k) + ε(k)
q −1 F -

Fig. 3.5 – Erreur de prédiction ε(k).

Dans le cas d’un modèle correct, on a ym (k) = yp (k) et donc y(k) = ym (k)+n(k).
En remplaçant y(k) par ym (k) + n(k) dans l’équation (3.23) et en utilisant l’équation
(3.18), on obtient:
ee (k) = A(q −1 )n(k) (3.25)

La minimisation de l’erreur d’équation quadratique s’écrit:

N
X
min J(θ) = e2e (k) (3.26)
θ
k=1

et constitue un problème de régression linéaire par rapport aux paramètres θ =

[a1 , . . . , an , b0 , . . . , bm ]T .

3.3.3 Critère basé sur l’erreur de prédiction

L’erreur de prédiction ε(k) est la différence entre la sortie mesurée y(k) et la
sortie prédite ŷ(k). La sortie prédite à l’instant k est calculée à partir de toutes
les informations disponibles jusqu’à l’instant k − 1. Cette sortie peut être présentée
comme (fig. 3.5):

ŷ(k) = F (θ, u(k−1), u(k−2), . . . , y(k−1), y(k−2), . . . , ŷ(k−1), ŷ(k−2), . . .) (3.27)

où F est une fonction à définir. A la section 3.5, plusieurs prédicteurs seront définis
et leur propriétés étudiées dans le cadre de la méthode de l’erreur de prédiction. Ici,
on peut mentionner que l’erreur de sortie es (k) et l’erreur d’équation ee (k) sont des
cas particuliers de l’erreur de prédiction. Si l’on prend la sortie du modèle pour la
sortie prédite (ŷ(k) = ym (k)) on retrouve le critère de l’erreur de sortie. Dans ce cas
la sortie prédite s’écrit:

ŷ(k) = −a1 ŷ(k − 1) − · · · − an ŷ(k − n) + b0 u(k − d) + · · · + bm u(k − d − m) (3.28)

L’erreur d’équation dans l’équation (3.24) peut aussi être écrite comme une er-
reur de prédiction en choisissant la sortie prédite égale au terme entre crochets de
l’équation (3.24):

ŷ(k) = −a1 y(k − 1) − · · · − an y(k − n) + b0 u(k − d) + · · · + bm u(k − d − m) (3.29)

Avec ce choix on obtient ε(k) = ee (k) = y(k) − ŷ(k).

3.4 ALGORITHME DES MOINDRES CARRÉS 109

3.3.4 Quel critère choisir?

Maintenant que nous avons introduit des critères de performance, encore
convient-il de choisir le plus approprié! On pourrait penser que le critère basé sur
l’erreur d’équation est préférable du fait qu’il génère un problème de régression li-
néaire. On verra à la section 3.5 que la qualité de la prédiction, et donc le choix du
critère, dépendent essentiellement de la nature du bruit n(k).
La relation entre le critère de l’erreur de sortie et l’erreur d’équation est simple à
déterminer pour le cas hypothétique où les modèles identifiés en utilisant les critères
basés sur l’erreur de sortie et l’erreur d’équation sont les mêmes. On calcule aisément
une relation entre l’erreur d’équation ee (k) et l’erreur de sortie es (k) à partir des
équations (3.20) et (3.23):
ee (k) = A(q −1 )es (k) (3.30)
Est-ce que n(k) = 0 est suffisant pour obtenir le même modèle avec les deux
critères?

3.4 ALGORITHME DES MOINDRES CARRÉS

Considérons le cas de la minimisation du critère quadratique basé sur l’erreur

d’équation en utilisant la méthode des moindres carrés. Supposons que le système
soit strictement causal (d ≥ 1).
Cette supposition est-elle justifiée?
A partir de l’équation (3.24), on a:
ε(k) = y(k) − ϕT (k)θ (3.31)
avec:
ϕT (k) = [−y(k − 1), . . . , −y(k − n), u(k − d), . . . , u(k − d − m)] (3.32)
θT = [a1 , . . . , an , b0 , . . . , bm ] (3.33)
où ϕ(k) représente le vecteur des variables explicatives (ou régresseur), θ le vecteur
des paramètres à identifier et ε(k) l’erreur d’équation écrite sous la forme générique
d’erreur de prédiction.
Le terme ϕT (k)θ correspond au terme entre crochets de l’équation (3.24) et
représente donc la prédiction de y(k) obtenue à l’aide du modèle et des entrées et
sorties mesurées (3.29). Le modèle (3.31) est linéaire par rapport aux paramètres à
identifier θ. L’algorithme des moindres carrés présenté ci-dessous sera valable pour
tout modèle qui peut s’écrire sous la forme (3.31).
En accumulant N mesures, par exemple aux instants discrets k = 1, 2, ...N,
l’équation (3.31) donne sous forme matricielle:
     
ε(1) y(1) ϕT (1)
 ..   ..   ..
 . =  . − θ (3.34)

.
T
ε(N) y(N) ϕ (N)
110 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

que l’on note:

E = Y − Φθ (3.35)
avec les dimensions suivantes:
E : (N × 1) vecteur d’erreurs
Y : (N × 1) vecteur de mesures
Φ : (N × p) matrice d’observations
θ : (p × 1) vecteur de paramètres
où p = n + m + 1 représente le nombre de paramètres à identifier.
Remarquons que
ϕT (1) = [−y(0), . . . , −y(1 − n), u(1 − d), . . . , u(1 − d − m)]
contient des éléments avec des indices de temps négatifs. Ces éléments sont inconnus
et seront choisis nuls en supposant que le système dynamique soit initialement au
repos. Si cela n’est pas le cas, on mettra l’entrée à zéro et attendra que le système
atteigne l’état stationnaire (environ 3-5 constantes de temps) avant d’accumuler les
N mesures. Si les mesures ont déjà été prises et ne proviennent pas d’un système
initialement au repos, il convient alors d’identifier en plus les conditions initiales du
système y(0), y(−1), ..., y(1 − n), u(1 − d), ..., u(1 − d − m), ce qui a pour effet de
doubler le nombre de grandeurs à identifier!
La minimisation de l’erreur de prédiction quadratique s’écrit ainsi:
N
X
min J(θ) = ε2 (k) = E T E
θ
k=1
= [Y − Φθ]T [Y − Φθ] = Y T Y − 2Y T Φθ + θT ΦT Φθ (3.36)

Le vecteur de paramètres θ̂ qui minimise l’équation (3.36) annule le gradient de

J par rapport à θ:

∂J(θ) 
= −2ΦT Y + 2ΦT Φθ̂ = 0 (3.37)
∂θ θ=θ̂
d’où l’on tire:
θ̂ = (ΦT Φ)−1 ΦT Y (3.38)
que l’on écrit également:
θ̂ = Φ+ Y (3.39)
+
où Φ représente la matrice pseudo-inverse de Φ (cf. annexe B, équation B.17).
L’équation (3.37), également connue sous le nom d’équation normale, repré-
sente une condition nécessaire, mais non suffisante, à la minimisation de (3.36). On
vérifiera également que Φ soit de rang p et que le hessien de J par rapport à θ,
évalué à θ̂, soit une matrice symétrique définie positive:
∂ 2 J(θ) 

T
= 2ΦT Φ > 0 (3.40)
∂θ∂θ θ=θ̂ 
3.4 ALGORITHME DES MOINDRES CARRÉS 111

Ceci implique que θ̂ corresponde bien à un minimum de J. Le terme (ΦT Φ) est

une matrice carrée de dimension p appelée matrice d’information. Ses éléments
dépendent, entre autres, du signal u(k) qui excite le système. En règle générale, cette
matrice est régulière lorsque l’entrée u(k) est «suffisamment» excitée (cf. § 3.7.3).
Si la matrice ΦT Φ est singulière, l’équation (3.38) possède une infinité de solutions.
Dans ce cas, il est possible de calculer la solution à norme minimale à l’aide de la
relation (3.39) (cf. équation B.19).
L’estimée du vecteur de paramètres, donnée par l’équation (3.38), s’écrit égale-
ment sous la forme équivalente suivante:
" N #−1 " N #
X X
θ̂ = ϕ(k)ϕT (k) ϕ(k)y(k)
k=1 k=1
" N
#−1 " N
#
1 X 1 X
= ϕ(k)ϕT (k) ϕ(k)y(k) (3.41)
N k=1 N k=1

L’équation (3.41) indique que θ̂ peut également être interprété comme le résultat
d’une analyse de corrélation (cf. section 2.3) si le nombre de données N tend vers
l’infini:
−1
θ̂ = Rϕϕ (0)Rϕy (0) (3.42)

3.4.1 Formulation récurrente des moindres carrés

En vue d’une implantation sur ordinateur, l’équation (3.38) peut être transformée
sous forme récurrente. En considérant les mesures jusqu’à l’instant kT et avec les
notations suivantes similaires à celles de l’équation (3.34):
     
ε(1) y(1) ϕT (1)
Ek =  ...  Yk =  ...  Φk =  .. (3.43)
     
. 
T
ε(k) y(k) ϕ (k)

l’équation (3.41) donne:

" k #−1 k
X X
T
θ̂k = ϕ(i)ϕ (i) ϕ(i)y(i) (3.44)
i=1 i=1

De cette manière, θ̂k représente l’estimée de θ au temps kT sur la base des k

premières équations. Lorsque les mesures apparaissent successivement dans le temps,
il est intéressant de calculer θ̂k , θ̂k+1 , . . . par récurrence, c’est-à-dire de calculer θ̂k+1
à partir de θ̂k sans effectuer chaque fois l’inversion matricielle indiquée par l’équation
(3.44). Pour ce faire on re-écrit l’équation (3.44) comme suit:
k
X
θ̂k = Pk ϕ(i)y(i) (3.45)
i=1
112 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

où la matrice carrée Pk de dimension p (nombre de paramètres) est l’inverse de

la matrice d’information. Si la structure du modèle est correcte, la matrice Pk est
asymptotiquement proportionnelle à la covariance de l’erreur d’estimation.
" k #−1
X
Pk = ϕ(i)ϕT (i) (3.46)
i=1

−1
Notons également que la matrice Pk+1 peut se calculer de façon récurrente comme
suit:
k+1
X k
X
−1
Pk+1 = ϕ(i)ϕT (i) = ϕ(i)ϕT (i) + ϕ(k + 1)ϕT (k + 1)
i=1 i=1
= Pk−1 T
+ ϕ(k + 1)ϕ (k + 1) (3.47)

Le vecteur de paramètres à l’instant k + 1 peut s’écrire:

k+1
X Xk
θ̂k+1 = Pk+1 ϕ(i)y(i) = Pk+1 [ ϕ(i)y(i) + ϕ(k + 1)y(k + 1)] (3.48)
i=1 i=1
−1
= Pk+1 [Pk θ̂k + ϕ(k + 1)y(k + 1)] (3.49)
−1
= Pk+1 [Pk+1 − ϕ(k + 1)ϕT (k + 1)]θ̂k + Pk+1ϕ(k + 1)y(k + 1) (3.50)
= θ̂k + Pk+1ϕ(k + 1)[y(k + 1) − ϕT (k + 1)θ̂k ] (3.51)

Le terme entre crochets correspond à l’erreur de prédiction ε(k + 1) calculée à partir

de θˆk . Cette erreur est pondérée par le gain Pk+1 ϕ(k+1), ce qui génère une correction
de θ̂k proportionnelle à l’erreur de prédiction.
L’algorithme des moindres carrés peut être présenté par les deux équations ré-
currentes suivantes:
−1
Pk+1 = Pk−1 + ϕ(k + 1)ϕT (k + 1) (3.52)
T
θ̂k+1 = θ̂k + Pk+1ϕ(k + 1)[y(k + 1) − ϕ (k + 1)θ̂k ] (3.53)

A l’instant k + 1, on mesure y(k + 1) et on construit le vecteur ϕ(k + 1). Puis, on

−1
calcul Pk+1 à partir de l’équation (3.52) et enfin θ̂k+1 à partir de l’équation (3.53).
Comme la matrice ϕ(k + 1) ϕT (k + 1) est définie non-négative, l’équation (3.52)
−1
montre que la matrice Pk+1 augmente de façon monotone avec k. Il s’ensuit que
Pk+1 , et donc également le gain Pk+1 ϕ(k + 1) dans l’équation (3.53), diminuent avec
k, résultant ainsi en une identification qui aura de plus en plus de peine à corriger le
vecteur θ̂k sur la base de l’erreur de prédiction ε(k + 1). La pondération des mesures
par l’introduction d’un facteur d’oubli permettra de remédier à ce problème.
Pour éviter l’inversion de la matrice Pk+1 à chaque itération, on peut utiliser la
lemme d’inversion matricielle. Selon cette lemme soient A, C et C −1 + DA−1 B des
matrices inversibles, alors:

(A + BCD)−1 = A−1 − A−1 B[C −1 + DA−1 B]−1 DA−1 (3.54)

3.4 ALGORITHME DES MOINDRES CARRÉS 113

Il est facile à démontrer que (A + BCD)(A−1 − A−1 B[C −1 + DA−1 B]−1 DA−1 ) = I.
Prenons A = Pk−1 , B = ϕ(k + 1), C = 1, D = ϕT (k + 1) dans l’équation (3.52),
on obtient:
Pk ϕ(k + 1)ϕT (k + 1)Pk
Pk+1 = Pk − (3.55)
1 + ϕT (k + 1)Pk ϕ(k + 1)
Cette équation a l’avantage de ne pas nécessiter l’inversion d’une matrice, mais
uniquement celle d’un scalaire.
Il existe deux façons d’initialiser la récurrence:
• des valeurs initiales sont fixées, généralement θ̂0 = 0 et P0 = αI où α représente
un très grand scalaire (par exemple α = 10000) et I la matrice unité,
• la récurrence commence à l’itération p + 1 (si l’on estime p paramètres) avec:
θ̂p = Φ−1
p yp et Pp = [ΦTp Φp ]−1 (3.56)

Il est utile de mentionner qu’il existe d’autres formules récurrentes, équivalentes

à celles présentées ci-dessus, mais mieux conditionnées pour les calculs numériques
(équations «stabilisées», équations «factorisées»). Elles sont cependant moins di-
dactiques et ne sont pas données ici.
Par rapport à l’algorithme batch (ou par paquet) des moindres carrés donné à
l’équation (3.38), l’identification récurrente offre les avantages suivants:
• estimation du modèle en temps réel,
• compression importante des données, car l’algorithme récurrent traite à chaque
instant une seule paire entrée/sortie au lieu de l’ensemble des données,
• exigences mémoire et puissance de calcul plus faibles,
• implantation aisée sur microprocesseur.

3.4.2 Moindres carrés pondérés

3.4.2.1 Principe

Avec N mesures aux instants discrets k = 1, 2, . . . , N, l’erreur de prédiction

s’écrit (cf. équation 3.35):
E = Y − Φθ (3.57)

Cette équation matricielle comporte N lignes. Toutes les erreurs de prédiction

ε(1), . . . , ε(N) ne doivent pas nécessairement avoir la même importance dans le
critère quadratique. Il est possible de les pondérer, par exemple comme suit:

EW ≡ W [Y − Φθ] (3.58)

où W est une matrice de pondération de dimension (N × N).

Les éléments de EW se calculent de la manière suivante à partir des éléments de
W et de E:
N
X
EW (i) = wij ε(j) i = 1, . . . , N (3.59)
j=1
114 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

On choisit souvent une matrice de pondération diagonale, ce qui permet d’écrire:

EW (i) = wii ε(i) i = 1, . . . , N (3.60)

Le critère quadratique suivant est ensuite minimisé:

T
J(θ) = EW EW = E T W T W E = [Y − Φθ]T W T W [Y − Φθ] (3.61)

Le vecteur des paramètres estimés devient alors (cf. équation 3.38):

θ̂ = (ΦT W T W Φ)−1 ΦT W T W Y (3.62)

3.4.2.2 Choix de la matrice de pondération

Un critère de choix indique que les mesures plus anciennes possèdent une in-
fluence réduite dans le calcul des paramètres actuels. L’influence des mesures plus
anciennes est artificiellement réduite par l’introduction du facteur d’oubli λ, par
exemple:
 
λN −1 0
..
.
 
T  0
W W = avec λ ≤ 1 (souvent 0.9 ≤ λ ≤ 0.99) (3.63)

1

 λ 
0 λ0

3.4.2.3 Moindres carrés pondérés récurrents

A partir de l’équation (3.62) et (3.63), on obtient:

Xk k
X k
X
θ̂k = [ ϕ(i)λk−iϕT (i)]−1 ϕ(i)λk−i y(i) = Pk ϕ(i)λk−iy(i) (3.64)
i=1 i=1 i=1

La matrice Pk+1 se calcul de façon récurrente comme suit:

−1
Pk+1 = λPk−1 + ϕ(k + 1)ϕT (k + 1) (3.65)
L’introduction d’un facteur d’oubli permet d’éviter une diminution trop rapide des
éléments de la matrice Pk+1 ce qui résulterait en un gain Pk+1 ϕ(k + 1) faible et ainsi
en une correction trop petite de θ̂k . En suivant la même démarche pour l’algorithme
des moindres carrés récurrente et le lemme d’inversion matricielle, on obtient la
formulation suivante avec le facteur d’oubli:
Pk ϕ(k + 1)ϕT (k + 1)Pk
 
1
Pk+1 = Pk − (3.66)
λ λ + ϕT (k + 1)Pk ϕ(k + 1)
θ̂k+1 = θ̂k + Pk+1ϕ(k + 1)[y(k + 1) − ϕT (k + 1)θ̂k ] (3.67)

L’introduction du facteur d’oubli λ permet également d’identifier des paramètres

qui varient lentement dans le temps. Un λ plus petit permet une meilleure «pour-
suite» de paramètres variables, alors qu’un λ plus grand permet une meilleure éli-
mination des perturbations par effet de lissage.
3.4 ALGORITHME DES MOINDRES CARRÉS 115

3.4.2.4 Exemple

Considérons le système dynamique du premier ordre:

y(k) + a0 y(k − 1) = b0 u(k − 1) + e0 (k)

avec θ0 = [a0 b0 ]T les vrais paramètres du système, u(k) l’entrée spécifiée, y(k) la
sortie mesurée et e0 (k) un bruit blanc de moyenne nulle. Remarquons que dans cet
exemple e0 (k) ne correspond pas au traditionnel bruit additif sur la sortie («bruit
de sortie»), mais plutôt à un «bruit d’équation» blanc.
L’objectif est d’estimer le vecteur de paramètres θ sur la base des séquences
d’entrée et de sortie u(k) et y(k). La minimisation du critère quadratique basé sur
l’erreur d’équation sera utilisé.

Système stationnaire: Le cas d’un système stationnaire est d’abord considéré:

θ0 = [−0.5 0.5]T .
Les figures 3.6a et 3.6b représentent le signal d’entrée échelon u(k) utilisé ainsi
que la réponse bruité y(k). Pour θ̂0 = [0 0]T et P0 = I, les équations (3.52)-(3.53)
permettent d’estimer les paramètres du système (fig. 3.6c) et la matrice P appelée
communément la matrice de covariance de l’erreur d’estimation (fig. 3.6d). On re-
marque que les paramètres estimés convergent rapidement vers les vraies valeurs et
que les éléments de la matrice P tendent vers 0 (P21 = P12 puisque la matrice P est
symétrique). Un tel algorithme aura de la peine à corriger le vecteur θ̂k sur la base
de l’erreur de prédiction car le gain Pk+1ϕ(k + 1) dans l’équation (3.53) est faible.
On le verra très bien dans le cas suivant.

Système non stationnaire, sans facteur d’oubli: Le système varie maintenant

dans le temps comme suit:

[−0.5 0.5]T

k < 200
θ0 = T pour
[0.5 − 0.5] k ≥ 200

Le même algorithme que précédemment est utilisé et donne les résultats repré-
sentés à la figure 3.7. On remarque que les paramètres estimés ne convergent pas
vers les vraies valeurs car la matrice P , et donc le gain P ϕ, sont trop faibles pour
forcer une correction lorsque le système change à k = 200. Il faudra introduire un
facteur d’oubli de façon à ce que les éléments de P ne tendent pas asymptotiquement
vers 0.

Système non stationnaire, avec facteur d’oubli: Pour le système non stationnaire
précédent, l’utilisation d’un facteur d’oubli (λ = 0.97) permet de conserver un gain
suffisant pour suivre la variation des paramètres. Les éléments de P augmentent
(grâce à λ < 1) lorsque l’excitation du système est faible mais, comme auparavant,
diminuent rapidement lorsque le système est fortement excité (il est intéressant de
116 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

u a) y b)
2
1

0.5 1

0 0

-0.5 -1

-1
-2
0 200 400 600 0 200 400 600

θ^ c) P11, P12 = P21, P22 d)

1 1
^b
0.8
0.5
0.6
0
0.4
^a
-0.5
0.2

-1 0
0 200 400 600 0 200 400 600

Fig. 3.6 – Identification des paramètres d’un système stationnaire: (a) signal d’en-
trée; (b) sortie bruitée; (c) paramètres estimés; (d) éléments de la matrice P .

u a) y b)
2
1

0.5 1

0 0

-0.5 -1

-1
-2
0 200 400 600 0 200 400 600

^
θ c) P11, P12 = P21, P22 d)
1 1

0.8
0.5
^
b
0.6
0
0.4
-0.5
0.2
^a
-1 0
0 200 400 600 0 200 400 600

Fig. 3.7 – Identification des paramètres d’un système non stationnaire sans facteur
d’oubli: (a) signal d’entrée; (b) sortie bruitée; (c) paramètres estimés; (d) éléments
de la matrice P .
3.4 ALGORITHME DES MOINDRES CARRÉS 117

u a) y b)
2
1

0.5 1

0 0

-0.5 -1

-1
-2
0 200 400 600 0 200 400 600

^
θ c) P11, P12 = P21, P22 d)
1 3

0.5 2
^
b
0 1

-0.5 0
^a
-1 -1
0 200 400 600 0 200 400 600

Fig. 3.8 – Identification des paramètres d’un système non stationnaire avec facteur
d’oubli (λ = 0.97): (a) signal d’entrée; (b) sortie bruitée; (c) paramètres estimés; (d)
éléments de la matrice P .

comparer le comportement des éléments de P dans les figures 3.7d et 3.8d). Comme
le gain d’adaptation reste suffisant, l’algorithme peut ajuster correctement la valeur
des paramètres (fig. 3.8c).

3.4.3 Erreur et variance d’estimation

Considérons le problème de régression linéaire pour la minimisation de l’erreur
de prédiction (en fait l’erreur d’équation) quadratique.
On suppose que le processus puisse être représenté par le vrai modèle suivant:

A0 (q −1 )y(k) = q −d0 B0 (q −1 )u(k) + e0 (k) (3.68)

avec les (vrais) polynômes A0 (q −1 ) et B0 (q −1 ) et le (vrai) bruit d’équation e0 (k). La

sortie de ce modèle s’écrit:

y(k) = −a01 y(k −1)−· · ·−a0n0 y(k −n0)+b00 u(k −d0 )+· · ·+b0m0 u(k −d0 −m0 )+e0(k)
= ϕT (k)θ0 + e0 (k) (3.69)

où θ0 est le vecteur de vrais paramètres. On peut expliciter les paramètres du modèle
du processus sous la forme régressive vectorielle suivante:

Y = Φθ0 + E0 (3.70)
118 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

avec E0T = [e0 (1), . . . , e0 (N)].

L’erreur de prédiction sous forme matricielle s’écrit (3.35):

E = Y − Φθ (3.71)

où θ est le vecteur des paramètres à identifier et E le vecteur des erreurs de prédiction
à minimiser. Pour le cas d’une structure de modèle correcte (c’est-à-dire n = n0 ,
m = m0 et d = d0 ), en combinant ces deux dernières équations, on peut expliciter
le vecteur des erreurs de prédiction comme suit:

E = Y − Φθ = (Φθ0 + E0 ) − Φθ = Φ(θ0 − θ) + E0 (3.72)

On minimise ensuite cette erreur de prédiction quadratique pour obtenir le vec-

teur de paramètres θ̂. On peut alors définir l’erreur d’estimation comme suit (cf.
équations 3.38, 3.41 et 3.70):

θ̃ ≡ θ̂ − θ0 = (ΦT Φ)−1 ΦT Y − (ΦT Φ)−1 ΦT Φθ0 = (ΦT Φ)−1 ΦT E0 (3.73)

" N
#−1 " N
#
1 X 1 X
= ϕ(k)ϕT (k) ϕ(k)e0 (k) (3.74)
N k=1 N k=1

Comme E0 est un vecteur de variables aléatoires, le vecteur des paramètres esti-

més θ̂ le sera aussi. Si le nombre de données N tend vers l’infini, la valeur moyenne
de l’erreur d’estimation ou biais est égale à:
−1
E{θ̂ − θ0 } = Rϕϕ (0)Rϕe0 (0) (3.75)

Ainsi, le biais sera nulle si les deux conditions suivantes sont satisfaites:
1. la matrice Rϕϕ (0) est régulière,
2. Rϕe0 (0) = 0
La condition 1 est remplie si le système est «suffisamment» excité (cf. § 3.7.3).
La condition 2 impose que le bruit d’équation e0 (k) du (vrai) système ne soit pas
corrélé avec le régresseur ϕ(k). Cette condition est vérifiée si e0 (k) est un bruit blanc.
Mais en réalité, il est très peu probable que e0 (k) soit blanc. Supposons que e0 (k)
est un bruit coloré et peut s’exprimer comme C0 (q −1 )e(k), c’est-à-dire le bruit blanc
de moyenne nulle e(k) filtré par le polynôme C0 (q −1 ) = 1 + c01 q −1 + · · · + c0p q −p .
Rϕe0 (0) devient ainsi:

−y(k − 1)
 
..
.
 
 
−y(k − n)
 
Rϕe0 (0) = E   [e(k) + c01 e(k − 1) + · · · + c0p e(k − p)] (3.76)
 
 u(k − d) 
 .. 
 . 
u(k − d − m)
3.4 ALGORITHME DES MOINDRES CARRÉS 119

avec, à partir de (3.68):

y(k) = [1 − A0 (q −1 )]y(k) + B0 (q −1 )u(k − d) + C0 (q −1 )e(k) (3.77)

En général, Rϕe0 6= 0 car, par exemple, e(k − 1) influence à la fois e0 (k) et ϕ(k)
par l’intermédiaire de y(k − 1).
La matrice de covariance des paramètres estimés peut être déterminée à partir
de l’équation (3.73):

cov(θ̂) = E{(θ̂ − θ0 )(θ̂ − θ0 )T } = E{(ΦT Φ)−1 ΦT E0 E0T Φ(ΦT Φ)−1 } (3.78)

Si le bruit d’équation e0 (k) est blanc nous avons E{E0 E0T } = σ02 I, où σ02 est la
variance du bruit e0 (k) et I est la matrice unité. On obtient donc:
" #−1 
2 N
2 T −1 σ0  1 X
T

cov(θ̂) = σ0 E{(Φ Φ) } = E ϕ(k)ϕ (k) (3.79)
N  N k=1 

Lorsque le nombre de données tend vers l’infini la matrice de covariance s’écrit:

σ02 −1
cov(θ̂) = R (0) (3.80)
N ϕϕ
Comme on pouvait l’imaginer, la variance des paramètres dépend proportionnelle-
ment à la variance du bruit. Pour avoir une meilleure estimation des paramètres,
un signal d’excitation plus riche doit être choisi afin que la matrice d’information
devienne plus importante. On peut toujours augmenter le nombre de données N
pour réduire la variance des paramètres.
De façon générale, la méthode des moindres carrés basée sur l’erreur d’équation
est simple à mettre en œuvre (régression linéaire) mais donne souvent des estimations
biaisées car l’erreur d’équation est corrélée avec le régresseur. C’est l’élimination du
biais en présence d’erreurs (perturbations, bruit de mesure, erreurs de modèle) qui
est à l’origine du développement de la plupart des méthodes d’identification. Celles-ci
se classent en deux catégories, selon l’approche choisie pour réduire le biais:
• méthodes basées sur la décorrélation d’un vecteur d’observations auxiliaire et
de l’erreur de prédiction: méthode des variables instrumentales,
• méthodes basées sur l’introduction d’un modèle du bruit et minimisation de
l’erreur de prédiction.

3.4.4 Méthode des variables instrumentales

Dans l’approche d’identification des paramètres par moindres carrés linéaires,
l’erreur d’estimation s’annule lorsque le bruit d’équation e0 (k) n’est pas corrélée
avec le vecteur d’observations (Rϕe0 (0) = 0). Une solution consiste à créer un vecteur
d’observations auxiliaire ϕa qui soit, par construction, non corrélé avec le bruit de
manière à obtenir également Rϕa e0 (0) ∼
= 0.
120 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

La méthode des variables instrumentales (instrumental variable method, IV)

implante cette solution. Elle relève fondamentalement des techniques de corrélation
et est donc fondée sur des considérations statistiques dont la validité nécessite un
grand nombre de mesures (N → ∞). L’idée est de remplacer la solution des moindres
carrés linéaires (équation 3.38) par:

θ̂IV = (ΦTIV Φ)−1 ΦTIV Y (3.81)

où ΦIV est une matrice de variables instrumentales (ou, de manière équivalente, ϕIV
est un vecteur de variables instrumentales).
Une analyse tout à fait similaire à celle de la section 3.4.3 indique que l’erreur
d’estimation sera nulle si les deux conditions suivantes sont satisfaites:
• la matrice ΦTIV Φ est régulière,
• RϕIV e0 (0) = 0
ce qui signifie que les variables instrumentales doivent être corrélées avec le ré-
gresseur ϕ mais non corrélées avec le bruit e0 . Pour un nombre fini de données,
RϕIV e0 (0) n’est pas nulle mais elle sera très petite. Il en résulte que la grandeur
du biais dépendra aussi de la grandeur de la matrice ΦTIV Φ. Le meilleur vecteur de
variables instrumentales est celui qui rend le plus grand possible la matrice ΦTIV Φ.
Pour cela, ϕIV (k) doit être une approximation non bruitée du régresseur ϕ(k).
Plusieurs possibilités existent pour le choix des variables instrumentales, notam-
ment:
1. Décalage de h coups d’horloge des variables bruitées dans le régresseur ϕ

ϕTIV (k) = [−y(k − h − 1) . . . − y(k − h − n) u(k − d − 1) . . . u(k − d − m)] (3.82)

où le retard des observations doit satisfaire la condition h ≥ deg[C0(q −1 )],

C0 (q −1 ) étant le polynôme permettant de générer e0 (k) à partir du bruit blanc
de moyenne nulle e(k). Notons que si e0 (k) est un bruit blanc, deg[C0 (q −1 )] =
0 et h ≥ 0, c’est-à-dire qu’un décalage n’est pas nécessaire pour éliminer
asymptotiquement l’erreur d’estimation.
D’autre part, pour que les observations retardées de la sortie soient représenta-
tives, la période d’échantillonnage ne doit pas être trop petite. Il s’ensuit que
cette approche est applicable seulement si le bruit (perturbations, bruit de
mesure) est de haute fréquence par rapport à la bande passante du processus.
2. Construction des variables instrumentales à l’aide d’un modèle auxiliaire

ϕTIV (k) = [−yM (k − 1) . . . − yM (k − n) u(k − d − 1) . . . u(k − d − m)] (3.83)

où yM (k) est une approximation de yp (k) (la sortie non bruitée) générée à partir
d’un modèle auxiliaire dont l’entrée est u(k). Comme il faut disposer d’un mo-
dèle auxiliaire suffisamment représentatif, on initialise souvent cette approche
avec la solution obtenue à partir des moindres carrés linéaires. L’avantage de
ce choix est qu’il n’a pas besoin d’informations et d’hypothèses sur le bruit.
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 121

3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION

Le problème d’identification paramétrique peut être étudié dans un cadre plus

général avec la méthode de l’erreur de prédiction. Cette méthode est basée sur les
trois étapes suivantes:
1. Choisir la structure du modèle du système. Le choix de la structure dépend
des hypothèses sur l’ordre du modèle du processus et la nature du bruit. Deux
hypothèses différentes pour le bruit sont considérées:
(a) Le bruit n’est pas corrélé avec l’entrée du processus. Cette hypothèse
conduit aux structures sans modèle du bruit.
(b) Le bruit sur la sortie est un bruit blanc filtré par un filtre d’ordre fini.
Cette hypothèse conduit aux structures avec modèle du bruit.
2. Définir le prédicteur de la sortie en relation avec la structure du modèle. Le
prédicteur est une fonction des paramètres du modèle à identifier (θ inconnu)
et des signaux d’entrée et sortie, ŷ(k) = F (θ, y(k − 1), . . . , u(k − 1), . . .). En
règle générale, le prédicteur est défini tel que l’erreur de prédiction pour le
meilleur prédicteur F (θ0 , y(k − 1), . . . , u(k − 1), . . .) (où θ0 est le vecteur de
paramètres du vrai modèle) ne soit pas corrélée avec l’entrée pour l’hypothèse
(a) ou soit blanche pour l’hypothèse (b). Ce choix sera justifié par la suite.
3. Minimiser l’erreur de prédiction avec une méthode numérique. Après avoir
défini le prédicteur pour la structure choisie, on obtient l’erreur de prédiction
ε(k) = y(k) − ŷ(k) qui est une fonction du vecteur des paramètres à identifier
θ. On obtient ainsi un problème d’optimisation numérique dont le critère à
minimiser est la norme 2 de l’erreur de prédiction:
N
1 X 2
θ̂ = arg min J(θ) = ε (k) (3.84)
θ N k=1
Ce critère peut être minimisé à l’aide de l’algorithme itératif de Gauss-Newton qui
nous donne un minimum local du critère. On peut également résoudre ce problème
d’optimisation non linéaire avec la régression pseudo-linéaire qui est exploitée au §
3.5.3.1.

3.5.1 Structures sans modèle du bruit

3.5.1.1 Structure OE

Supposons que la sortie mesurée du système puisse être exprimée comme suit:
y(k) = G0 (q −1 )u(k) + n(k) (3.85)
où n(k) est un bruit stationnaire à moyenne nulle indépendant de l’entrée et G0 (q −1 )
est le vrai modèle du système avec une fonction de transfert d’ordre fini représentée
par:
q −d0 B0 (q −1 )
G0 (q −1 ) = (3.86)
A0 (q −1 )
122 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

n(k)

u(k) q −d0 B0 (q −1 ) yp (k) + y(k)

A0 (q −1 ) +

Fig. 3.9 – Structure OE

avec

B0 (q −1 ) = b00 + b01 q −1 + · · · + b0m0 q −m0 (3.87)

A0 (q −1 ) = 1 + a01 q −1 + · · · + a0n0 q −n0 (3.88)
θ0T = [a01 , . . . a0n0 , b00 , . . . , b0m0 ] (3.89)

La structure du modèle présentée à l’équation (3.85) et à la figure 3.9 est connue

sous le nom de la structure de l’erreur de sortie (output error, OE).
Considérons l’équation (3.85) et supposons qu’on soit à l’instant k − 1 et qu’on
veuille prédire la sortie du système à l’instant k (prédicteur à un pas). La sortie
mesurée peut s’écrire y(k) = yp (k) + n(k). Il est évident que la sortie du modèle
du processus yp (k) peut être facilement calculée avec les informations disponibles à
l’instant k − 1 à condition que les paramètres du vrai modèle G0 (q −1 ) soient parfai-
tement connus. Par contre, étant un signal aléatoire, le bruit n n’est pas prévisible
avant sa réalisation à l’instant k. Donc le meilleur prédicteur pour la structure de
l’erreur de sortie est:
ŷ(k, θ0 ) = G0 (q −1 )u(k) (3.90)

où ŷ(k, θ0 ) est la sortie prédite à l’instant k qui dépend du vecteur de paramètres du
vrai modèle θ0 . Comme θ0 est en principe inconnu, on peut construire un prédicteur
paramétrisé où le vecteur θ0 est remplacé par un vecteur de paramètres inconnu θ
comme suit:
q −d B(q −1 )
ŷ(k, θ) = G(q −1 , θ)u(k) = u(k) (3.91)
A(q −1 )
où G(q −1 , θ) est l’ensemble des modèles candidats pour le vrai modèle avec:

B(q −1 ) = b0 + b1 q −1 + · · · + bm q −m (3.92)
A(q −1 ) = 1 + a1 q −1 + · · · + an q −n (3.93)
θT = [a1 , . . . an , b0 , . . . , bm ] (3.94)

Si d0 = d, m0 = m et n0 = n, on dit que G0 (q −1 ) appartient à l’ensemble des modèles

G(q −1 ), c’est-à-dire G(q −1 , θ0 ) = G0 (q −1 ).
La sortie prédite est en effet la sortie du modèle ym et l’erreur de prédiction
pour cette structure est l’erreur de sortie es (k) déjà définie au § 3.3.1. L’erreur de
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 123

n(k)

u(k) yp (k) + y(k)

q −d0 B0 (q −1 )
+
Fig. 3.10 – Structure FIR

prédiction s’écrit:

ε(k, θ) = y(k) − ŷ(k, θ) = G0 (q −1 )u(k) + n(k) − G(q −1 )u(k)

= [G0 (q −1 ) − G(q −1 )]u(k) + n(k) (3.95)
A partir de cette équation, on observe que si G0 (q −1 ) appartient à l’ensemble des
modèles et θ = θ0 , c’est-à-dire G(q −1 ) = G0 (q −1 ), l’erreur de prédiction sera égale au
bruit ε(k, θ0 ) = n(k). Alors, pour θ̂ = θ0 , l’erreur de prédiction ne sera pas corrélée
avec l’entrée du processus. Cette propriété intéressante peut être utilisée pour la
validation du modèle identifié.
Cette structure est la meilleure structure pour identifier un modèle si le but
d’identification est de trouver un modèle de simulation et on n’a pas besoin d’un
modèle du bruit. Cependant, les paramètres du modèle interviennent de façon non
linéaire dans l’équation de l’erreur de prédiction (en faite l’erreur de sortie) et par
conséquent cela conduit à un problème de régression non linéaire pour lequel un
optimum global ne peut pas être garanti facilement.

3.5.1.2 Structure FIR

Un cas particulier de la structure OE est le cas où n0 = 0 ou A0 (q −1 ) = 1. Ceci

est nommé la structure de FIR (finite impulse response ou réponse impulsionnelle
finie )(fig. 3.10).
Pour cette structure on a:

y(k) = q −d B0 (q −1 )u(k) + n(k) (3.96)

La prédiction de la sortie de ce modèle s’écrit:

ŷ(k) = q −d B(q −1 )u(k) (3.97)

On calcule ensuite l’erreur de prédiction:

ε(k) = y(k) − ŷ(k) = y(k) − ϕTf (k)θ (3.98)

où

ϕTf (k) = [u(k − d), u(k − d − 1), . . . , u(k − d − m)] (3.99)

θT = [b0 , b1 , . . . , bm ] (3.100)
124 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

On observe que le problème de minimisation de l’erreur de prédiction dans ce cas

est un problème de régression linéaire par rapport au vecteur de paramètres θ. Une
estimation de θ peut être calculée avec la méthodes des moindres carrés (3.41). Pour
la structure FIR, les coefficients du polynôme B0 correspondent à un nombre fini de
termes de la réponse impulsionnelle du système. Alors, l’ordre de polynôme B(q −1 )
doit être choisi tel que (m + d)T soit plus grand ou égal au temps d’établissement
de la réponse impulsionnelle du système. L’erreur d’estimation des paramètres est
calculée tel que présenté à la sous-section 3.4.3:
" N #−1 " N #
X X
T
θ̂ − θ0 = ϕf (k)ϕf (k) ϕf (k)n(k) (3.101)
k=1 k=1

L’estimation des paramètres est donc non biaisée car n(k) n’est pas corrélé avec le
régresseur ϕf (k) qui ne contient que le signal d’entrée.

3.5.2 Structures avec modèle du bruit

On peut démontrer que si le spectre du bruit est strictement positif dans toutes
les fréquences entre 0 et π (φnn (ω) > 0, ∀ω ∈ [0 π]), le bruit n(k) peut toujours être
modélisé par un bruit blanc à moyenne nulle e(k) filtré par une fonction de transfert
stable est inversement stable:
C0 (q −1 )
n(k) = H0 (q −1 )e(k) = e(k) (3.102)
D0 (q −1 )
où C0 et D0 sont des polynômes moniques (le premier coefficient est 1) avec toutes
les racines à l’intérieur du cercle unité. En introduisant le modèle du bruit dans
l’équation (3.85), on obtient une classe de structures plus large pour le vrai système:

y(k) = G0 (q −1 )u(k) + H0 (q −1 )e(k) (3.103)

Comme le bruit à l’instant k est un bruit blanc filtré, il dépend aussi des valeurs
passées de e (donc disponibles) à l’instant k −1. Pour trouver les éléments prévisibles
du bruit, il est exprimé comme suit:

n(k) = H0 (q −1 )e(k) = [H0 (q −1 ) − 1]e(k) + e(k)

C0 (q −1 ) − D0 (q −1 )
 
= e(k) + e(k) (3.104)
D0 (q −1 )

C0 (q −1 ) − D0 (q −1 )
 
On observe que n(k) contient deux termes: e(k) et e(k). Le
D0 (q −1 )
deuxième terme e(k) est toute à fait imprévisible à l’instant k − 1, tandis que le
premier terme est prévisible si H0 (q −1 ) est connu. Ceci peut être expliqué en déve-
loppant la différence de C0 (q −1 ) et D0 (q −1 ) qui sont des polynômes moniques:

C0 (q −1 ) − D0 (q −1 ) = (c01 − d01 )q −1 + (c02 − d02 )q −2 + · · · (3.105)

3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 125

n(k)

u(k) yp (k) + y(k)

N/A PROCESSUS A/N
+

ym +
G(q −1) -

H −1(q −1)

ε(k)

Fig. 3.11 – Schéma de l’erreur de prédiction explicitant les modèles du processus et

du bruit

On s’aperçoit que le premier terme de n(k) à l’équation (3.104) ne dépend que des
valeurs de e(k − 1), e(k − 2), . . . et est donc accessible à l’instant k − 1. Ceci nous
permet de définir le meilleur prédicteur de la sortie pour la structure générale (3.103)
comme suit:
ŷ(k, θ0 ) = G0 (q −1 )u(k) + [H0 (q −1 ) − 1]e(k) (3.106)
où θ0 contient les paramètres du modèle du processus G0 (q −1 ) et du modèle du bruit
H0 (q −1 ). Avec ce prédicteur idéal, l’erreur de prédiction sera égale au bruit blanc
e(k) et donc également blanche:

ε(k, θ0 ) = y(k) − ŷ(k, θ0 ) = e(k) (3.107)

Malheureusement, le vecteur de paramètres θ0 est inconnu et les valeurs e(k −

1), e(k − 2), . . . ne sont pas mesurables. On se contente donc de définir un pré-
dicteur paramétrisé où θ0 est remplacé par θ et e(k − 1), e(k − 2), . . . sont estimés
par ε(k − 1), ε(k − 2), . . .:

ŷ(k, θ) = G(q −1 )u(k) + [H(q −1) − 1]ε(k, θ) (3.108)

L’erreur de prédiction dans ce cas s’écrit:

ε(k, θ) = y(k) − ŷ(k, θ) = y(k) − G(q −1 )u(k) − [H(q −1 ) − 1]ε(k, θ) (3.109)

ce qui donne:
ε(k, θ) = H −1 (q −1 )[y(k) − G(q −1 )u(k)] (3.110)
La figure 3.11 montre le schéma de calcul de l’erreur de prédiction explicitant les
modèles du processus et du bruit. En remplaçant y(k) de l’équation (3.103) dans
126 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

l’équation (3.110), on obtient:

ε(k, θ) = H −1(q −1 )[G0 (q −1 )u(k) + H0 (q −1 )e(k) − G(q −1 )u(k)] (3.111)

= H −1(q −1 ) G0 (q −1 ) − G(q −1 ) u(k) + H0 (q −1 ) − H(q −1 ) e(k) + e(k)
   

Ainsi, si G0 et H0 appartiennent à l’ensemble des modèles G et H, pour θ = θ0 on

aura G = G0 et H = H0 et ainsi ε(k, θ) = e(k) et donc une erreur de prédiction
blanche. Intuitivement, ce résultat important peut s’expliquer comme suit. L’erreur
de prédiction représente le désaccord entre la mesure y(k) et la prédiction ŷ(k, θ)
du modèle complet (modèles du processus et du bruit). Un bon modèle sera capable
d’expliquer à la fois la composante déterministe de la sortie y(k) qui résulte de l’en-
trée u(k) ainsi que la composante qui provient du bruit, lequel peut être généré à
partir d’un bruit blanc (hypothèse de départ). Ainsi, la séquence d’erreurs de prédic-
tion (appelée résidus) ne sera pas corrélée avec l’entrée si le modèle du processus
est correct. De plus, elle sera blanche de par l’équation (3.111) si les modèles du
processus et du bruit sont corrects.
Pour simplifier la notation l’argument θ dans le modèle, le prédicteur de la sortie
et l’erreur de prédiction sont omis par la suite. Mais il faut toujours se rappeler que
ŷ(k) et ε(k) sont des fonctions de θ.
Avec différentes hypothèses sur le modèle du bruit, différentes structures peuvent
être définies. Nous présentons maintenant la prédiction de la sortie pour certains cas
spéciaux.

3.5.2.1 Structure ARX

Cette structure modélise le bruit n(k) par un bruit blanc filtré à l’aide du déno-
minateur du modèle du processus (fig. 3.12):

q −d0 B0 (q −1 ) 1
y(k) = u(k) + e(k) (3.112)
A0 (q −1 ) A0 (q −1 )
Cette hypothèse est très contraignante mais, comme on le verra par la suite, a l’avan-
tage que le prédicteur basé sur cette structure est linéaire par rapport aux vecteur
de paramètres du modèle à identifier. Ceci nous permet de résoudre le problème de
minimisation de l’erreur de prédiction de façon analytique et trouver le minimum
global.
Cette structure est connue sous la dénomination ARX, où AR fait référence au
terme auto-regressif A0 (q −1 )y(k) (quand on multiplie les deux cotés de l’équation
(3.112) par A0 (q −1 )) et X à l’entrée externe u(k).
Le prédicteur de la sortie pour le modèle ARX s’obtient en remplaçant H(q −1)
1
par dans l’équation (3.108):
A(q −1 )

q −d B(q −1 ) 1
ŷ(k) = −1
u(k) + [ − 1]ε(k) (3.113)
A(q ) A(q −1 )
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 127

e(k)

1
A0 (q −1 )

n(k)
u(k) q −d0 B0 (q −1 ) yp (k) + y(k)
A0 (q −1 ) +

Fig. 3.12 – Structure ARX

1
L’erreur de prédiction est obtenu aussi en remplaçant H(q −1 ) par dans
A(q −1 )
l’équation (3.110):
q −d B(q −1 )
ε(k) = A(q −1 )[y(k) − u(k)]
A(q −1 )
= A(q −1 )y(k) − B(q −1 )u(k − d)
= y(k) − a1 y(k − 1) − · · · − an y(k − n) + b0 u(k − d) + · · · + bm u(k − d − m)
= y(k) − ϕT (k)θ
On observe que l’équation de l’erreur de prédiction pour le modèle ARX et la même
que l’erreur d’équation (3.23). Ceci nous permet d’utiliser l’algorithme des moindres
carrés pour la minimisation du critère quadratique basé sur l’erreur de prédiction.
L’estimation du vecteur de paramètres sera non biaisé si le bruit sur la sortie est un
bruit blanc filtré par le dénominateur du modèle du processus.

3.5.2.2 Structure ARMAX

Pour cette structure, la sortie mesurée s’écrit (fig. 3.13):

q −d0 B0 (q −1 ) C0 (q −1 )
y(k) = u(k) + e(k) (3.114)
A0 (q −1 ) A0 (q −1 )
Cette structure, qui considère un terme de moyenne glissante (moving average) pour
le bruit C0 (q −1 )e(k) (quand on multiplie les deux cotés de l’équation par A0 (q −1 ))
en plus du terme auto-régressif, est très utilisée pour l’identification de systèmes
dynamiques dans le domaine de l’automatique. On remarque la flexibilité accrue
par rapport au modèle ARX pour représenter le bruit et on s’attend à ce que la
modélisation du bruit influencera moins celle du processus. Malheureusement, on
verra par la suite que le prédicteur basé sur cette structure est non linéaire par
rapport au vecteur des paramètres à identifier.
Comme les deux fonctions de transfert de la figure 3.13 possèdent le même dé-
nominateur, ce modèle est utile lorsque le bruit agit en amont du processus.
128 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

e(k)

C0 (q −1 )
A0 (q −1 )

n(k)
u(k) q −d0 B0 (q −1 ) yp (k) + y(k)
A0 (q −1 ) +

Fig. 3.13 – Structure ARMAX

C(q −1 )
En remplaçant H(q −1) par dans l’équation (3.108) on obtient la prédic-
A(q −1 )
tion de la sortie pour le modèle ARMAX:

q −d B(q −1 ) C(q −1 )
ŷ(k) = u(k) + [ − 1]ε(k) (3.115)
A(q −1 ) A(q −1 )

L’erreur de prédiction pour le modèle ARMAX s’écrit donc:

A(q −1 ) q −d B(q −1 )
ε(k) = [y(k) − u(k)]
C(q −1 ) A(q −1 )
1
= −1
[A(q −1 )y(k) − B(q −1 )u(k − d)] (3.116)
C(q )

L’erreur de prédiction est non linéaire par rapport au paramètres du modèle du

processus et du bruit. L’erreur de prédiction sera blanche si la structure du vrai
modèle est ARMAX et appartient à l’ensemble des modèles candidats (d = d0 et les
ordres de A, B et C sont respectivement les mêmes que ceux de A0 , B0 et C0 ).

3.5.2.3 Structure Box-Jenkins

La structure proposée par Box et Jenkins 3.14 est plus générale car les modèles
du processus et du bruit n’ont pas de facteur communs. Ainsi, on a plus de degré de
liberté pour modéliser le bruit mais également plus de paramètres à identifier. La
sortie mesurée est représentée par:

q −d0 B0 (q −1 ) C0 (q −1 )
y(k) = u(k) + e(k) (3.117)
A0 (q −1 ) D0 (q −1 )

Cette structure conduit aussi à un prédicteur non linéaire par rapport au vecteur
de paramètres:
q −d B(q −1 ) C(q −1 )
ŷ(k) = u(k) + [ − 1]ε(k) (3.118)
A(q −1 ) D(q −1 )
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 129

e(k)

C0 (q −1 )
D0 (q −1 )

n(k)
u(k) q −d0 B0 (q −1 ) yp (k) + y(k)
A0 (q −1 ) +

Fig. 3.14 – Structure Box-Jenkins

L’erreur de prédiction pour le modèle BJ s’écrit à partir de l’équation (3.110) en

C(q −1 )
remplaçant H(q −1 ) par :
D(q −1 )

D(q −1 ) q −d B(q −1 )
ε(k) = [y(k) − u(k)] (3.119)
C(q −1 ) A(q −1 )

3.5.3 Minimisation de l’erreur de prédiction

On a vu que les paramètres d’un modèle sont identifiés en minimisant un critère
quadratique basé sur l’erreur de prédiction définie comme:
N N
1 X 2 1 X
J(θ) = ε (k) = [y(k) − ŷ(k)]2 (3.120)
N k=1 N k=1

Pour les structures FIR et ARX, l’erreur de prédiction est linéaire par rapport au
vecteur de paramètres à identifier et donc le minimum du critère (3.84) peut être
calculé avec la méthode des moindres carrés présentée à la section 3.4. Les autres
structures résultent en un problème d’optimisation non linéaire pour laquelle on
utilise le plus souvent l’algorithme itératif de Gauss-Newton. Une autre approche
est de résoudre ce problème de manière itérative en résolvant à chaque itération
un problème de régression linéaire d’où le nom de régression pseudo-linéaire.
Il convient de noter qu’un problème d’optimisation non linéaire possède en général
plusieurs solutions avec la possibilité d’optima locaux. Nous allons étudier ces deux
approches par la suite.

3.5.3.1 Régression pseudo-linéaire

Considérons le prédicteur de l’erreur de sortie donné à l’équation (3.91). En

multipliant les deux cotés de cette équation par A(q −1 ) on obtient:

A(q −1 )ŷ(k) = B(q −1 )u(k − d) (3.121)

130 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Cette équation peut être représentée sous forme vectorielle comme suit:

ŷ(k) = −a1 ŷ(k − 1), · · · , −an ŷ(k − n) + b0 u(k − d) + · · · + bm u(k − d − m)

= ϕTe (k)θ (3.122)

où

ϕTe (k) = [−ŷ(k − 1), . . . , −ŷ(k − n), u(k − d), . . . , u(k − d − m)] (3.123)
θT = [a1 , . . . , an , b0 , . . . , bm ] (3.124)

L’erreur de prédiction ε(k) = y(k) − ϕTe (k)θ a la forme d’une régression linéaire
mais en réalité c’est un problème de régression non linéaire car le régresseur ϕe (k)
contient la sortie estimée ŷ qui est une fonction de θ. Ce problème peut être résolu
avec une méthode itérative avec l’algorithme suivant:
" N #−1 " N #
X X
θ̂i+1 = ϕe (k, θ̂i )ϕTe (k, θ̂i ) ϕe (k, θ̂i )y(k) (3.125)
k=1 k=1

Cette approche connue sous le nom de l’algorithme de substitution est l’algorithme

le plus simple pour résoudre les problèmes d’optimisation non linéaire. Une initiali-
sation de l’algorithme avec la méthode des moindres carrés est indispensable.
Cet algorithme peut également être appliqué aux structures avec un modèle du
bruit. A titre d’exemple, considérons la structure ARMAX avec l’erreur de prédic-
tion présentée à l’équation (3.116). En multipliant les deux cotés de cette équation
par C(q −1 ), l’erreur de prédiction peut être reformulée sous forme d’une régression
pseudo-linéaire comme suit:

ε(k) = y(k) − [−a1 y(k − 1) − · · · − an y(k − n) + b0 u(k − d) + · · · + bm u(k − d − m)

+ c1 ε(k − 1) + · · · + cp ε(k − p)] = y(k) − ϕTx (k)θ (3.126)

où p est l’ordre du polynôme C(q −1 ) et

ϕTx (k) = [−y(k − 1), . . . , −y(k − n), u(k − d), . . . , u(k − d − m),
ε(k − 1), . . . , ε(k − p)] (3.127)
T
θ = [a1 , . . . , an , b0 , . . . , bm , c1 , . . . , cp ] (3.128)

Une estimation de θ s’obtient en remplaçant ϕe (k, θ̂i ) par ϕx (k, θ̂i ) dans l’équation
(3.125).
Reformuler l’erreur de prédiction de la structure Box-Jenkins sous forme d’une
régression pseudo-linéaire.

3.5.3.2 Algorithme de Gauss-Newton

La méthode de régression pseudo-linéaire est très simple à mettre en œuvre mais

la convergence de l’algorithme ne peut pas être démontrée. En pratique, on préfère
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 131

utiliser l’algorithme de Gauss-Newton. Dans cet algorithme, le vecteur de paramètres

à l’itération i + 1 est estimé avec la relation suivante:
θ̂i+1 = θ̂i − [J ′′ (θ̂i )]−1 J ′ (θ̂i ) (3.129)
où J ′ (θ̂i ) est le gradient et J ′′ (θ̂i ) le Hessien du critère (3.120) évalué à θ̂i . L’al-
gorithme est initialisé par les paramètres identifiés avec la méthode des moindres
carrés (ARX) pour le modèle du processus. Les paramètres du modèle du bruit sont
souvent initialisés à zéro. Le gradient et le Hessien se calculent aisément pour chaque
structure.
Le gradient de J(θ) par rapport à θ s’écrit:
N N
′ ∂J −2 X ∂ ŷ −2 X
J (θ) = = ε(k) = ψ(k)ε(k) (3.130)
∂θ N k=1 ∂θ N k=1

où ψ(k) est le gradient du prédicteur:

∂ ŷ
ψ(k) ≡ (3.131)
∂θ
Le Hessien du critère est calculé comme suit:
N  N
∂2J

′′ 2 X T ∂ψ 2 X
J (θ) = T
= ψ(k)ψ (k) − ε(k) ≈ ψ(k)ψ T (k) (3.132)
∂θ∂θ N k=1 ∂θ N k=1

Le deuxième terme de Hessien est ignoré car il est très petit par rapport au premier
terme au voisinage de la solution (ε(k) s’approche du bruit blanc e(k) dont la somme
sur N données converge vers zéro quand N tend vers l’infini). Pour implanter l’al-
gorithme de Gauss-Newton on a besoin de calculer le gradient de la prédiction de la
sortie ψ(k).
A titre d’exemple, on calcule ψ(k) pour la structure de l’erreur de sortie avec le
prédicteur suivant:
q −d B(q −1 ) b0 + b1 q −1 + · · · + bm q −m
ŷ(k) = u(k) = u(k − d) (3.133)
A(q −1 ) 1 + a1 q −1 + · · · + an q −n
On calcule la dérivée de ŷ(k) pour les paramètres du numérateur et du dénominateur
séparément:
∂ ŷ q −i 1
= −1
u(k − d) = u(k − d − i) i = 0, . . . , m (3.134)
∂bi A(q ) A(q −1 )
∂ ŷ −q −i B(q −1 ) −1
= u(k − d) = ŷ(k − i) i = 1, . . . , n (3.135)
∂ai A2 (q −1 ) A(q −1 )
On obtient donc:
1
ψ T (k) = [−ŷ(k − 1), . . . , −ŷ(k − n), u(k − d), . . . , u(k − d − m)]
A(q −1 )
1
= −1
ϕTe (k) (3.136)
A(q )
132 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

On peut résumer l’algorithme de Gauss-Newton pour identifier les paramètres

de la structure de l’erreur de sortie comme suit:
1. Choisir l’ordre du système à identifier (d, n, m) et le critère d’arrêt ǫ > 0.
2. Initialiser le vecteur de paramètres avec la méthode des moindres carrés (i = 1):
θ̂1 = (ΦT Φ)−1 ΦY .
3. Calculer ŷ(k, θ̂i ) = G(q −1 , θˆi )u(k) pour k = 1, . . . , N
4. Calculer l’erreur de prédiction ε(k, θ̂i ) = y(k) − ŷ(k, θ̂i ) pour k = 1, . . . , N.
1
5. Calculer le vecteur ψ T (k, θ̂i ) = ϕTe (k, θ̂i ) pour k = 1, . . . , N avec
−1
A(q , θ̂i )

ϕTe (k, θ̂i ) = [−ŷ(k − 1, θ̂i ), . . . , −ŷ(k − n, θ̂i ), u(k − d), . . . .u(k − m)]
N
−2 X
′
6. Calculer le gradient du critère J (θ̂i ) = ψ(k, θ̂i )ε(k, θ̂i )
N k=1
N
2 X
′′
7. Calculer le Hessien du critère J (θ̂i ) = ψ(k, θ̂i )ψ T (k, θ̂i )
N k=1
8. Calculer θ̂i+1 = θ̂i − [J ′′ (θ̂i )]−1 J ′ (θ̂i )
9. Si (θ̂i+1 − θ̂i )T (θ̂i+1 − θ̂i ) < ǫ, arrêter l’algorithme avec θ̂ = θ̂i+1 sinon i = i + 1
et retourner à 3.
Cet algorithme utilisé aussi dans MATLAB converge normalement après moins d’une
dizaine d’itérations.
1
Montrer que pour la structure ARMAX le vecteur ψ(k) = ϕx (k) avec
C(q −1 )
ϕx (k) défini à l’équation (3.127).
Remarque: Rappelons que la sortie mesurée d’un système est une variable aléatoire
à cause de l’influence du bruit sur la sortie. De même, l’erreur de prédiction ε(k) et
le vecteur de paramètres estimés θ̂ sont aussi des variables aléatoires dans le sens
qu’avec l’ acquisition d’une nouvelle donnée on a une réalisation du bruit et donc
également une réalisation du vecteur θ̂. La covariance du vecteur de paramètres esti-
més dépendra de la variance du bruit sur la sortie σ02 . La covariance des paramètres
est déterminée à l’aide de la relation suivante (quand N est suffisamment grand):
" N
#−1
2
σ0 1 X
cov(θ̂) = E{(θ̂ − θ0 )(θ̂ − θ0 )T } = ψ(k)ψ T (k) (3.137)
N N k=1

3.5.4 Analyse fréquentielle de l’erreur de prédiction

Aux sections précédentes, on a toujours supposé que le modèle du processus et
le modèle identifié ont la même structure et les mêmes ordres. En pratique, dans la
plus part des cas, le modèle identifié a une complexité inférieure au modèle réel et
l’objectif et d’obtenir une bonne approximation du vrai modèle dans une certaine
3.5 MÉTHODE DE L’ERREUR DE PRÉDICTION 133

bande de fréquences. C’est la raison pour laquelle une interprétation fréquentielle

du critère quadratique de l’erreur de prédiction est très intéressante.
Pour obtenir une interprétation fréquentielle du critère (3.84), on peut utiliser le
théorème de Parseval qui démontre l’égalité de l’énergie (ou de la puissance moyenne)
d’un signal (aléatoire ou déterministe) dans les domaines temporel et fréquentiel. Ce
théorème est asymptotique et donc valable lorsque le nombre de données tend vers
l’infini. Pour l’erreur de prédiction, on a:
N Z π
2 1 X 2 1
E{ε (k)} = lim ε (k) = φεε (ω)dω (3.138)
N →∞ N 2π −π
k=1

Pour déterminer la densité spectrale de l’erreur de prédiction, on utilise la relation

entre les densités spectrales des signaux entrée-sortie d’un modèle. Pour un modèle
G(q −1 ) avec l’entrée u(k) et sortie y(k), en utilisant les relations suivantes:

φuy (ω) = G(ejω )φuu (ω), φyy (ω) = G(ejω )φyu (ω), φuy (ω) = φyu (−ω)

on démontre facilement:
φyy (ω) = |G(ejω )|2 φuu (ω) (3.139)

Considérons maintenant l’erreur de prédiction pour la structure de l’erreur de

sortie:
ε(k) = [G0 (q −1 ) − G(q −1 )]u(k) + n(k) (3.140)
En utilisant la relation (3.139) et le fait que n(k) est u(k) ne sont pas corrélés, on
obtient:
φεε (ω) = |G0 (ejω ) − G(ejω )|2 φuu (ω) + φnn (ω) (3.141)
Le vecteur des paramètres estimés s’écrit:
Z π
1
|G0 (ejω ) − G(ejω )|2 φuu (ω) + φnn (ω) dω
 
θ̂ = arg min (3.142)
θ 2π −π

Cette expression montre clairement que:

• Le minimum du critère s’obtient pour θ̂ = θ0 (l’estimation est non biaisée).
• Dans le cas d’une différence d’ordre entre G(q −1 ) et G0 (q −1 ), une bonne ap-
proximation de G0 (ejω ) s’obtient aux fréquences où φuu (ω) a des valeurs im-
portantes.
• Pour obtenir une pondération fréquentielle sur l’erreur du modèle G0 (ejω ) −
G(ejω ), il suffit de filtrer l’entrée et la sortie du système par un filtre F (q −1)
avant d’appliquer le procédure d’optimisation. Dans ce cas, le vecteur des
paramètres estimés s’écrit:
Z π
1
|F (ejω )|2 |G0 (ejω ) − G(ejω )|2 φuu (ω) + φnn (ω) dω
 
θ̂ = arg min
θ 2π −π
(3.143)
134 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Considérons maintenant l’erreur de prédiction pour les structures avec un modèle

du bruit:
ε(k) = H −1 (q −1 ) G0 (q −1 ) − G(q −1 ) u(k) + H0 (q −1 ) − H(q −1) e(k) + e(k)
   

(3.144)
De façon similaire, en appliquant le théorème de Parseval, on obtient:
Z π
1
θ̂ = arg min |H −1 (ejω )|2 [|G0 (ejω ) − G(ejω )|2 φuu (ω)
θ 2π −π

+ |H0 (ejω ) − H(ejω )|2 φee (ω)]dω (3.145)

Cette expression nous permet de conclure que:
• Si G0 et H0 ont la même structure et les mêmes ordres que G et H, une
estimation non biaisée s’obtient (θ̂ = θ0 ).
• Si G0 et G ont des ordres différents, l’erreur du modèle est faible aux fréquences
où φuu (ω) et |H −1(ejω )| ont des valeurs importantes. On voit donc que le rôle
du modèle du bruit est celui de filtrer les données expérimentales pour retomber
sur le cas du critère basé sur la structure de l’erreur de sortie avec filtrage de
données. Il faut remarquer que le modèle de bruit permet de blanchir l’erreur
de prédiction et d’obtenir une meilleur prédiction de la sortie, mais en revanche
il donne une pondération fréquentielle souvent indésirable pour l’erreur du mo-
dèle. A titre d’exemple, la structure ARX donne une meilleure estimation du
modèle du processus à hautes fréquences car H −1 (q −1 ) = A(q −1 ) est un filtre
passe-haut. Les modèles (G et H) ainsi obtenus donnent de bonnes caractéris-
tiques pour la prédiction de la sortie mais sont moins efficaces par rapport au
modèle identifié par la structure de l’erreur de sortie pour la simulation. MAT-
LAB propose une option avec “focus on simulation” pour avoir un bon modèle
de simulation et un modèle du bruit en même temps. Pour cela, un modèle
avec la structure de l’erreur de sortie est tout d’abord identifié, ensuite on fixe
ce modèle et on identifie le modèle du bruit avec une deuxième identification
en utilisant la structure ARMA.
• Si G0 et G ont les mêmes ordres mais H0 et H ont une structure différente,
une estimation non biaisée des paramètres de G0 est possible s’il n’y a pas
de facteurs communs entre G et H (la structure BJ). Dans les structures
ARX et ARMAX le biais du modèle du bruit rend également l’estimation des
paramètres du modèle du processus biaisée à cause de l’existence du facteur
commun A(q −1 ) dans le modèle du bruit et du processus.
• Si G0 et H0 n’ont pas les mêmes ordres que G et H, le modèle du processus
est toujours mieux identifié que celui du bruit car le spectre du signal d’entrée
φuu (ω) est, en pratique, plus important que le spectre du bruit φee (ω).

3.6 IDENTIFICATION EN BOUCLE FERMÉE

Les algorithmes d’identification présentés ci-dessus considèrent le système en

boucle ouverte, c’est-à-dire sans retour d’information de la sortie vers l’entrée. Or,
3.6 IDENTIFICATION EN BOUCLE FERMÉE 135

pour des raisons de stabilité ou de performance, il n’est souvent pas possible d’ou-
vrir la boucle du système commandé. D’autre part, dans le cas d’une commande
adaptative indirecte, la synthèse du régulateur est basée sur un modèle du processus
identifié en boucle fermée. Il est donc utile d’étudier la performance des algorithmes
d’identification paramétrique dans un contexte boucle fermée. On verra qu’il est né-
cessaire de distinguer deux approches: sans et avec excitation externe additionnelle.

3.6.1 Identification sans excitation externe

Soit le problème de régulation donné à la figure 3.15 (yc (k) = 0, n(k) 6= 0, ∀k).
Comme il n’y a pas d’excitation externe additionnelle, le bruit n représente la seule
excitation de ce système. Le problème principal est que la matrice d’information
peut devenir singulière si le régulateur n’est pas suffisamment complexe. Considérons
par exemple un régulateur proportionnel GR (q −1 ) = Kp et une structure ARX du
premier ordre comme suit:
(1 + a1 q −1 )y(k) = b1 q −1 u(k) + e(k) (3.146)
La sortie prédite est donnée par:
ŷ(k) = −a1 y(k − 1) + b1 u(k − 1) + e(k)
 
a1
= [−y(k − 1) u(k − 1)] + e(k) = ϕT (k)θ + e(k) (3.147)
b1
et la grandeur u(k) par:
u(k) = −Kp y(k) (3.148)
La matrice d’information s’écrit:
N 
y 2 (k − 1)

T
X −y(k − 1)u(k − 1)
Φ Φ =
−u(k − 1)y(k − 1) u2 (k − 1)
k=1
N 
y 2 (k − 1) Kp y 2(k − 1)
X 
= (3.149)
Kp y 2(k − 1) Kp2 y 2 (k − 1)
k=1

Il est évident que la matrice d’information n’est pas de rang plein et est singulière,
donc les paramètres du modèle ne sont pas identifiables. On peut démontrer qu’une
condition suffisante d’identifiabilité est que l’ordre du régulateur soit plus grand ou
égale à l’ordre du modèle. Si un modèle n’est pas identifiable en boucle fermée avec
un régulateur simple (par exemple un PID) on peut changer les paramètres du PID
au cours de l’acquisition des données pour rendre régulière la matrice d’information.

3.6.2 Identification avec excitation externe

Le système bouclé est excité par l’intermédiaire de la consigne yc (k) (fig. 3.15).
Le même effet peut également être obtenu à partir d’une excitation du signal de
commande u(k): l’excitation externe est alors ajoutée à la sortie du réguateur.
136 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

e(k)

H0 (q −1 )

n(k)
yc (k)+ u(k) G (q −1 ) yp (k) + y(k)
GR (q −1 ) 0 +
-

Fig. 3.15 – Schéma d’identification en boucle fermée avec l’excitation externe yc (k).

Dans la pratique, on préfère varier yc (k) plutôt que l’entrée du procédé car cette
variation a un effet plus prévisible sur la grandeur commandée y(k). En effet, le
gain statique du système n’étant pas connu avant le résultat de l’identification, la
variation choisie pour l’entrée du procédé peut s’avérer trop faible (à peine mesurable
en y(k)) ou trop forte (perturbation inacceptable de la production).
Il est possible d’identifier G0 en boucle fermée de façon directe ou indirecte.

3.6.2.1 Méthode directe

Avec cette méthode, on excite le système avec un signal d’excitation externe

yc (k) et on mesure les signaux u(k) et y(k). Parmi les méthodes d’identification en
boucle ouverte, seule les structures avec la modélisation du bruit sont applicables.
En fait, l’hypothèse de base pour les structures OE et FIR n’est plus satisfaite en
boucle fermée à couse de la corrélation entre le bruit et le signal d’entrée. Mais,
même en boucle fermée, le bruit sur la sortie peut être représenté comme un bruit
blanc filtré (figure 3.15).
Cependant, l’identification en boucle fermée s’avère plus difficile pour la raison
suivante: En boucle ouverte, il est suffisant que G0 et G ont les mêmes ordres pour
obtenir une estimation non biaisée des paramètres du modèle du processus sous la
condition d’utilisation du modèle BJ (cf. § 3.5.4). Donc, même si le modèle du bruit
H0 (q −1 ) n’appartient pas à l’ensemble des modèles H(q −1 ) (ce qui est souvent le cas)
on peut obtenir un bon modèle pour le processus. Mais en boucle fermée, à cause de
l’effet du bruit sur l’entrée du processus, une bonne estimation du modèle du bruit
est nécessaire pour obtenir une estimation non biaisée du modèle du processus.
D’autre part, la méthode des variables instrumentales (cf. section 3.4.4) est bien
appropriée pour l’identification en boucle fermée avec schéma direct car l’excitation
externe (indépendante du bruit) peut être utilisée comme variable instrumentale.
Un autre choix plus judicieux est d’identifier deux modèles auxiliaires pour générer
yM (k) et uM (k) et de construire le vecteur des variables instrumentales suivant:

ϕTIV (k) = [−yM (k − 1) . . . − yM (k − n) uM (k − d − 1) . . . uM (k − d − m)] (3.150)

Dans cette méthode, le modèle de la boucle fermée entre le signal d’excitation yc (k)
et la sortie y(k) est tout d’abord identifié (avec une identification de type boucle
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 137

ouverte). yM (k) est la sortie simulée de ce modèle dont l’entrée est yc (k). Ensuite,
un autre modèle de la boucle fermée entre yc (k) et l’entrée du processus u(k) est
identifié. La sortie de ce modèle à l’entrée yc (k) nous donne le signal uM (k). Ainsi,
le vecteur des variables instrumentales n’est pas corrélé avec le bruit mais fortement
corrélé avec le régresseur.

3.6.2.2 Méthode indirecte

On identifie la fonction de transfert en boucle fermée liant yc (k) à y(k) comme

illustré à la figure 3.15. Avec l’hypothèse que le régulateur est connu, on en déduit
la fonction de transfert du processus. On a donc:

y(k) GR (q −1 )G0 (q −1 )
GBF (q −1 ) = = (3.151)
yc (k) 1 + GR (q −1 )G0 (q −1 )

et
GBF (q −1 )
GP (q −1 ) = (3.152)
GR (q −1 )[1 − GBF (q −1 )]

Cette approche ramène donc le problème de l’identification de G0 (q −1 ) en boucle

fermée à celui de l’identification de GBF (q −1 ) en «boucle ouverte». Cependant, le
modèle GBF (q −1 ) est généralement d’ordre plus élevé que G0 (q −1 ), ce qui nuit à la
convergence des paramètres. D’autre part, le calcul de G0 (q −1 ) à partir de GBF (q −1 )
peut poser certaines difficultés numériques liées en particulier à une annulation
pôles/zéros.

3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION

Le succès de l’identification dépend dans une large mesure de l’opportunité de

certains choix a priori. Comme cela a été mentionné précédemment, les éléments
suivants jouent un rôle primordial dans l’identification d’un système dynamique:
• le choix de la période d’échantillonage et du signal d’excitation (amplitude et
contenu fréquentiel),
• le choix du modèle pour le processus et pour le bruit (nombre de pôles et de
zéros, retard pur), ainsi que
• le choix de l’algorithme d’identification (par exemple, méthode des variables
instrumentales, méthode des moindres carrés batch ou récurrents, pondérés ou
non, valeur du facteur d’oubli λ, valeurs initiales θ̂0 et P0 ).
Cette section sera consacrée à certains aspects pratiques liés au conditionnement
des signaux de mesure et au choix de la période d’échantillonnage et du signal
d’excitation.
138 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

3.7.1 Conditionnement des signaux

Il est surprenant de constater avec l’expérience la diversité des artefacts que peut
ramasser un essai industriel réel (Richalet, 1991):
• défaut d’instrumentation: capteur bloqué, dérive du transducteur, etc.
• défaut d’acquisition: parasite aléatoire sur la chaı̂ne de traitement (isolement
défectueux, etc.),
• défaut de codage (très fréquent): un bit du convertisseur saute aléatoirement
pendant un ou plusieurs échantillons (très pernicieux si cela affecte une entrée),
• défaut de stockage: écrasement partiel du fichier de données,
• défaut d’actionneur: point dur aléatoire d’une vanne, saturation liée à un mau-
vais calibrage de l’essai, etc.
• incident sur le processus: perturbation à basse fréquence de petite amplitude
mais très autoritaire; modification inconnue de l’environnement, etc.
• action intempestive des opérateurs mal informés ou peu coopératifs, etc.
La liste ne sera jamais close. Une inspection attentive de bon sens permet d’éli-
miner les artefacts les plus grossiers. Il ne faut pas hésiter à éliminer les parties
douteuses d’un essai et ne garder que ce qui est interprétable. Quelle que soit la
qualité des traitements ultérieurs, aucun algorithme ne crée d’information («gar-
bage in → garbage out»).

3.7.1.1 Mise à l’échelle des entrées et sorties

Le vecteur d’observations ϕ(k) contient aussi bien des entrées u(k − d −

1), . . . , u(k − d − m) que des sorties y(k − 1), . . . , y(k − n). Si les valeurs numé-
riques des entrées sont très différentes de celles des sorties, la matrice de covariance
P (ou le Hessien dans la méthode de Gauss-Newton) sera mal équilibrée numéri-
quement, conduisant à des vitesses de convergence différentes pour les paramètres
ai et bj . Il convient donc de mettre à l’échelle les entrées et les sorties. Comme cela
modifiera le gain statique identifié, il faudra ensuite diviser ou multiplier les valeurs
des paramètres estimés par le facteur de mise à l’échelle correspondant.

3.7.1.2 Détection de points aberrants

Certains points de mesure, carrément faux, doivent être éliminés afin de ne pas
trop influencer les résultats de l’identification.
Cela peut se faire en représentant graphiquement les valeurs mesurées et en
éliminant (ou corrigeant) les valeurs aberrantes. On peut également détecter ces
valeurs aberrantes en visualisant l’erreur de prédiction (qui sera relativement très
grande pour les points de mesure aberrants).
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 139

3.7.1.3 Elimination des perturbations basses fréquences

Les données expérimentales contiennent souvent des perturbations basses fré-

quences telles que décalages, tendances, dérives, variations périodiques. Il existe
deux approches pour éliminer ces perturbations:
• les éliminer par un prétraitement des données,
• mettre au point un modèle du bruit capable de les absorber.
Nous ne considérerons ici que la première approche, la deuxième ayant déjà été
présentée à la section 3.5.
Le modèle linéaire du processus ne considère que les variations autour d’un point
de fonctionnement. Il convient donc d’exprimer ces variations en éliminant la contri-
bution (le plus souvent constante) du point de fonctionnement dans les signaux.
Plusieurs méthodes existent pour cela:
a) Si le point de fonctionnement (u, y) est connu, on peut éliminer la composante
constante en choisissant l’entrée et la sortie du modèle comme des déviations
autour du point de fonctionnement:

u(k) = ue (k) − u (3.153)

y(k) = ye (k) − y (3.154)

où ue (k) et ye (k) indiquent les valeurs expérimentales mesurées, exprimées en
unités physiques (souvent arbitraires). Les signaux u(k) et y(k) représentent
ainsi des variables écart.
b) Si le point de fonctionnement n’est pas connu, on peut l’estimer à l’aide des
valeurs moyennes suivantes:
N
1 X
u= ue (k) (3.155)
N k=1

N
1 X
y= ye (k) (3.156)
N k=1
Pour une identification en temps réel, on utilise la version récurrente des équa-
tions précédentes:
1
u = u(k − 1) + [ue (k) − u(k − 1)] (3.157)
k
1
y = y(k − 1) + [ye (k) − y(k − 1)] (3.158)
k
Il est également possible d’éliminer l’influence du point de fonctionnement en
travaillant avec la dérivée des signaux expérimentaux. Concrètement, on peut
filtrer les données expérimentales à l’aide du filtre L(q −1 ) = 1 − q −1 , ce qui
donne:
u(k) = L(q −1 )ue (k) = ue (k) − ue (k − 1) (3.159)
140 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

n(k)
ue (k) y p (k) + y e (k)
N/A PROCESSUS A/N
+

L (q-1) L (q-1)

u(k) y (k)

Fig. 3.16 – Filtrage parallèle des signaux expérimentaux d’entrée et de sortie.

ye

y = β0 + β1 k

1 5 10 15 k

Fig. 3.17 – Ligne de base y avec dérive.

y(k) = L(q −1 )ye (k) = ye (k) − ye (k − 1) (3.160)

Ce sont ces signaux filtrés u(k) et y(k) (fig. 3.16) qui seront utilisés pour
identifier un modèle dynamique du processus.
c) Si la ligne de base des signaux mesurés n’est pas constante, mais correspond à
une dérive lente, on estimera ce point de fonctionnement variable, par exemple
à l’aide d’une régression linéaire (fig. 3.17):

y = β0 + β1 k (3.161)

On peut également le faire en temps réel en introduisant un oubli exponentiel

avec un facteur λ < 1:

y(k) = λy(k − 1) + (1 − λ)ye (k) (3.162)

d) De façon générale, on peut utiliser un filtre passe-haut pour réduire l’influence

des perturbations basses fréquences. Afin d’identifier le bon modèle, il convient
de filtrer de manière identique les signaux d’entrée et de sortie comme illustré
à la figure 3.16.
1 − q −1
On peut utiliser le filtre passe-haut du premier ordre L(q −1 ) = :
1 − αq −1

u(k) = αu(k − 1) + ue (k) − ue (k − 1) (3.163)

3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 141

y(k) = αy(k − 1) + ye (k) − ye (k − 1) (3.164)

avec
α = e−T /τf
où τf représente la constante de temps du filtre. Il faut veiller à choisir cette der-
nière de manière à ne pas éliminer les basses fréquences du signal d’excitation.
Par exemple, si le système est excité par un signal binaire pseudo-aléatoire de
période θ = (2n − 1)T , on choisira une pulsation de coupure du filtre inférieure
à la pulsation ω0 (= 2π/θ) du signal pseudoaléatoire:

1 2π
ωf = < ω0 = n (3.165)
τf (2 − 1)T

c’est-à-dire:
(2n − 1)T
τf > (3.166)
2π

3.7.1.4 Elimination des perturbations hautes fréquences

Afin d’éviter un recouvrement (ou repliement) de spectre du signal échantillonné,

le contenu spectral du signal analogique doit se limiter à l’intervalle [0, ωN ] avec
ωN = ωs /2 = π/T . Comme cela ne sera pas le cas dans la pratique puisque tout
signal limité dans le temps possède un spectre de fréquences illimité (cf. mise à
l’échelle temporelle et fréquentielle du tableau A.2 ou encore la figure A.4 dans
l’annexe A, il convient de préfiltrer le signal analogique avec un filtre analogique
passe-bas (appelé filtre de garde ou filtre d’anti-repliement) de façon à réduire
fortement son spectre pour ω > ωN .
Si les entrées et sorties échantillonnées sont corrompues par des bruits dont le
spectre est au-delà de celui des signaux utiles, il convient de les filtrer avec un filtre
1−α
numérique passe-bas, par exemple celui du premier ordre L(q −1 ) = :
1 − αq −1

u(k) = αu(k − 1) + (1 − α)ue (k) (3.167)

y(k) = αy(k − 1) + (1 − α)ye (k) (3.168)

avec
α = e−T /τf
où τf représente la constante de temps du filtre (ωf = 1/τf sa pulsation de coupure).
De manière générale, il est souvent utile de filtrer les données expérimentales
avec un filtre passe-bande (filtre passe-bas combiné avec un filtre passe-haut) afin
de réduire l’effet des perturbations basses et hautes fréquences et accentuer ainsi
le domaine de fréquences (2-3 décades) autour de la bande passante du système à
identifier.
142 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

3.7.2 Choix de la période d’échantillonnage

La période d’échantillonnage T doit être choisie avec soin avant le début de
l’expérience, car elle ne peut plus être réduite une fois les échantillons mémorisés.
Par contre, la période d’échantillonnage peut aisément être doublée, triplée, etc. en
laissant simplement tomber une partie des données (décimation).
Une borne supérieure pour T est donnée par la condition d’échantillonnage de
Shannon (ωN > ωmax , c’est-à-dire T < π/ωmax , où ωN représente la pulsation de
Nyquist et ωmax la plus grande pulsation contenue dans les signaux d’entrée et de
sortie). En pratique, il est recommandé d’utiliser un filtre de garde afin de réduire le
contenu fréquentiel à hautes fréquences et ainsi les effets de recouvrement de spectre.
Notons que ces problèmes de recouvrement de spectre sont également actuels
lorsqu’un signal échantillonné est décimé. Dans ce cas, et dans ce cas seulement, le
filtre de garde peut être de nature numérique.
La valeur de T dépendra principalement de:
• la constante de temps dominante de l’application finale,
• la précision souhaitée (à basses et hautes fréquences) du modèle identifié,
• difficultés numériques qui peuvent résulter si T est trop petite.
Ces points sont explicités ci-dessous.
a) Plusieurs facteurs influencent le choix de la période d’échantillonnage pour la
commande numérique: la performance du système bouclé, le type d’algorithme
de commande, le spectre des perturbations, les organes de mesure et de com-
mande, la charge de calcul pour le microprocesseur, etc. On choisit souvent la
période d’échantillonnage T dans l’intervalle suivant:
τBF τBF
<T < (3.169)
6 2
où τBF représente la constante de temps dominante du système bouclé (ou
ωBF = 1/τBF sa bande passante). Il faut mentionner que la bande passente
de la boucle fermée est choisie normalement égale ou légèrement supérieure à
la bande passente du système en boucle ouverte ωBO . Une estimation de la
constante de temps dominante du système en boucle ouverte τBO = 1/ωBO
peut être obtenue à partir de la réponse indicielle du système (temps d’éta-
blissement ≈ 4τBO ).
La relation (3.169) peut également s’écrire dans le domaine fréquentiel par
rapport à la pulsation de Nyquist ωN :

2πωBF < ωN < 6πωBF (3.170)

b) Si le but de l’identification se limite à la simulation, on aura tendance à choisir

une période d’échantillonnage plus petite de façon à augmenter l’information
sur le système à hautes fréquences. On choisira en pratique:
τBO τBO
<T < (3.171)
30 10
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 143

Ce choix, qui correspond à

10πωBO < ωN < 30πωBO (3.172)

permet de bien modéliser le système dans la décade au-dessus de la bande

passante. Si la période d’échantillonnage est petite, on court souvent le danger,
avec une excitation binaire pseudo-aléatoire, de sous-exciter le système à basses
fréquences. Pour éviter cela, il faudra veiller à choisir le coup d’horloge Ta du
signal d’excitation aléatoire comme un multiple de la période d’échantillonnage
(cf. § 3.7.3.3):
Ta = pT (3.173)
c) Un échantillonnage très rapide conduit souvent à des difficultés numériques
(système d’équations mal conditionné) parce que les équations aux différences
associées à des instants voisins deviennent approximativement linéairement
dépendantes.
D’autre part, les pôles des fonctions de transfert discrètes vont tendre vers 1
en perdant leur sensibilité par rapport au phénomène physique. Considérons
à titre d’exemple un système du premier ordre avec une constante de temps
τ = 50s échantillonné avec T = 0.1s. Le pôle discret vaut exp(−0.1/50) =
0.9980. Si τ augmente de 50%, le pôle devient exp(−0.1/75) = 0.9987, soit
une variation inférieure à 1%!
De plus, le modèle sera ajusté surtout dans les hautes fréquences au détriment
des basses fréquences. Ceci est dû au fait que l’identification minimise l’erreur
de prédiction à l’instant suivant. Plus T est petit, plus cet instant sera proche
et plus les caractéristiques hautes fréquences seront accentuées. Et finalement,
il en résultera beaucoup de calculs pour un modèle souvent pas très bon.
En conclusion, on propose de choisir T selon l’équation (3.169) pour une appli-
cation de commande et l’équation (3.171) pour une étude limitée à l’identification
du système.

3.7.3 Choix du signal d’excitation

3.7.3.1 Contenu fréquentiel

Le processus à identifier est excité à l’aide du signal d’entrée u(k). Il est impor-
tant de choisir une entrée qui excite tous les modes du système, et donc toutes les
fréquences correspondantes.
Par exemple, un signal d’entrée sinusoı̈dal de pulsation ω0 ne donnera de l’in-
formation qu’à cette pulsation ω0 . Il existe une infinité de systèmes qui génèreront
la même sortie pour cette entrée particulière. Il importe donc que u(k) contiennent
suffisamment de fréquences.
Il convient également que cette excitation soit persistante de façon à assurer que
la matrice ΦT Φ, laquelle contient les entrées et les sorties passées, soit régulière (cf.
équation 3.38). La qualité de l’identification dépend de la «richesse» de l’excitation.
144 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

D’autre part, si l’excitation est insuffisante, la convergence vers zéro de l’erreur de

prédiction ε(k) n’implique pas nécessairement la convergence des paramètres estimés
vers les vrais paramètres du modèle. Considérons à titre d’exemple le système:

y(k + 1) = −ay(k) + bu(k) (3.174)

et le modèle estimé de même structure:

ŷ(k + 1) = −ây(k) + b̂u(k) (3.175)

ou ŷ(k + 1) représente la sortie prédite par le modèle estimé.

Supposons que le système se trouve à l’état stationnaire et que les gains statiques
du système et du modèle soient égaux:

b̂ b
= (3.176)
1 + â 1+a
avec â 6= a et b̂ 6= b. Si l’entrée reste constante à la valeur u, les sorties du système
et du modèle resteront elles-mêmes constantes aux valeurs suivantes:
b
y(k + 1) = y(k) = u (3.177)
1+a
b̂
ŷ(k + 1) = ŷ(k) = u (3.178)
1 + â
En raison de la relation (3.176), l’erreur de prédiction sera nulle:

ε(k + 1) = y(k + 1) − ŷ(k + 1) = 0 (3.179)

sans pour autant que â = a et que b̂ = b. L’application d’une entrée constante ne

permet donc pas, dans ce cas, d’identifier correctement les paramètres a et b.
On démontre qu’une identification correcte de a et b est possible en utilisant
l’entrée u(k) = sin(ωkT ) avec ω 6= 0.
Pour un modèle discret de la forme (3.31) avec p paramètres à identifier, il est
possible de choisir u(k) comme la somme de q sinusoı̈des de fréquences distinctes:
q
X
u(k) = sin(ωi kT ) (3.180)
i=1

avec  p
 q≥ si p est pair
2
 q ≥ p + 1 si p est impair
2
Pour bien identifier les paramètres, il faut donc appliquer une entrée riche en
fréquences. En pratique, on utilise souvent des excitations binaires (deux niveaux de
signal) avec une durée variable par niveau. Cette durée peut varier linéairement ou
être générée de manière pseudo-aléatoire.
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 145

3.7.3.2 Amplitude

L’amplitude du signal d’excitation représente un compromis entre le rapport

signal-sur-bruit et la non-linéarité du système à identifier.
L’amplitude de l’excitation doit rester supérieure au niveau du bruit résiduel.
Si le rapport signal-sur-bruit est faible, il faudra allonger la longueur de l’essai afin
d’obtenir une bonne estimation des paramètres.
Dans de nombreuses applications, une excitation trop forte du processus n’est
pas souhaitable en raison du caractère non linéaire du processus à identifier ou, tout
simplement, parce qu’une telle perturbation est inacceptable pour le bon fonction-
nement du processus.

3.7.3.3 Durée de l’essai

Considérons le cas d’une excitation à l’aide d’un signal binaire pseudo-aléatoire

(SBPA, cf. § 2.5).
Notons par Ta le coup d’horloge du signal d’excitation (Ta est un multiple de la
période d’échantillonage):
Ta = pT p = 1, 2, 3, . . . (3.181)

Il convient de dimensionner correctement le signal d’excitation. Par exemple,

afin de mieux identifier le gain statique du système avec un SBPA, on propose que
la durée de l’impulsion la plus longue soit supérieure au temps d’établissement du
processus (fig. 3.18). On obtient ainsi:
nTa > 4τ (3.182)
avec n la longueur du registre à décalage, n > 5 pour que Ruu (h) puisse être assimilée
à une impulsion unité (cf. § 2.5).
D’autre part, pour balayer tout le spectre des fréquences disponibles, il faut une
longueur d’essai L au moins égale à une période complète de l’excitation:
L > (2n − 1)Ta (3.183)

Les relations (3.182) et (3.183) fixent une borne inférieure pour n et L. Par
exemple pour τ /T = 10, on obtient:
n > max(5, 40/p)
L > (2n − 1)pT
Afin d’éviter des longueurs d’essai prohibitives tout en garantissant une bonne
identification des basses fréquences, on choisit souvent p = 2, 3 ou même 8. Pour
l’exemple précité, on obtient:
pour p = 1 n = 40 L > (240 − 1)T
pour p = 8 n = 5 L > (25 − 1)8T
146 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

a)

y(t)

t
τ 4τ

b) nTa

u(t)
Ta
t

Fig. 3.18 – (a) Réponse indicielle d’un système avec son temps d’établissement
(environ 4τ ); (b) Impulsion la plus longue (nTa ) d’un SBPA.

7
p=8
6

p=4
4

p=3
3

2
p=2
p=1
1

0
0 0.5 1 1.5 2 2.5 3 3.5
Pulsation (rad/s)

Fig. 3.19 – Les spectres d’un SBPA avec différentes valeurs de p.

ce qui représente une réduction de la durée d’essai de l’ordre de 232 . Cependant, il

importe de noter que pour p > 1 le SBPA n’a plus la caractéristique fréquentielle
d’un bruit blanc. En effet, en augmentant la richesse de SBPA à basses fréquences
on identifie mieux à basses fréquences mais on perd la précision à hautes fréquences.
Ceci est démontré par les spectres d’un SBPA avec différentes valeurs de p à la figure
3.19. En pratique, on choisit d’abord p = 1 et on compare la réponse fréquentielle du
modèle paramétrique avec celle d’un modèle non paramétrique trouvé par l’analyse
spectrale. Si la différence est important dans les basses fréquences on peut augmenter
p toute en vérifiant l’erreur dans les hautes fréquences.

3.7.4 Estimation de l’ordre

Un des objectifs de l’identification est d’obtenir le modèle le plus simple qui
vérifie les critères de validation. Une première approche pour estimer l’ordre du sys-
3.7 ASPECTS PRATIQUES DE L’IDENTIFICATION 147

tème, c’est-à-dire les valeurs m, n et d qui sont respectivement l’ordre du polynôme

B(q −1 ), A(q −1 ) et le retard, est d’étudier les représentations non paramétriques du
système. On a vu à la section 2.2 qu’une estimation grossière du retard et de l’ordre
du dénominateur peut être obtenue de la réponse indicielle ou impulsionnelle. La
pente de la réponse fréquentielle du système aussi peut nous donner des indices sur
l’ordre du système (cf. section 2.4).

3.7.4.1 Méthodes paramétriques pour estimation de l’ordre

Les méthodes d’identification paramétrique peuvent aussi être utilisées pour es-
timer l’ordre d’un système. Considérons qu’on fixe le retard d = 1 et qu’on trace
l’évolution du critère d’identification J pour la structure ARX en fonction de la
valeur de n = m pour n = 0, . . . , nmax où nmax est l’ordre maximum qu’on consi-
dère pour le système. Autrement dit, pour chaque valeur de n, on lance l’algorithme
d’identification avec la structure ARX et on calcule les résidus en fonction de n
comme suit:
N
1 X 2
J(n) = ε (k, θ̂) (3.184)
N k=1

En théorie, s’il s’agit d’un exemple simulé et non bruité, une courbe présentant un
coude net suivi d’un segment horizontal sera obtenue qui indique que l’accroissement
du nombre de paramètres n’améliore pas le critère. En pratique, comme l’ordre
des systèmes réels est infini et les données sont bruitées, ce coude n’est pas franc.
Cependant, on peut s’apercevoir qu’à partir d’un certain ordre l’amélioration du
critère n’est plus significative et donc qu’il n’est pas raisonnable d’augmenter plus
l’ordre du modèle. Pour avoir un critère quantitatif on peut rajouter un terme qui
pénalise la complexité du modèle au critère d’identification J(n) comme suit (figure
3.20):
Cg (n) = J(n) + S(n, N) (3.185)
où Cg (n) est le critère global et S(n, N) est le terme de pénalité qui typiquement
augmente linéairement avec n est décroı̂t en fonction du nombre de données N. Le
minimum du critère globale nous donne l’ordre estimé n̂ du système. Les termes de
pénalité proposés dans la littérature donnent asymptotiquement une estimation non
biaisé de n̂ mais en pratique, pour un nombre fini de données, l’ordre du système
est surestimé par ces méthodes.
Pour les structures avec un modèle du bruit, en règle générale et en absence
d’informations a priori, on choisi comme ordre du modèle du bruit la valeur de n.

3.7.4.2 Simplification de pôles et de zéros

Si l’ordre du modèle est surestimé, on peut le réduire sans trop influencer le

comportement entrée-sortie du système. Dans ce cas, une simplification approxima-
tive de pôles et de zéros devient possible. Cela peut être vérifier avec la structure
148 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Cg (n)

critère global
terme de pénalité
critère d’identification

n
1 2 nmax

Fig. 3.20 – L’évolution du critère d’identification (− · −), terme de pénalité (−−)et

critère global (−)en fonction de n

ARMAX présentée ci-dessous:

A0 (q −1 )y(k) = q −d0 B0 (q −1 )u(k) + C0 (q −1 )e(k) (3.186)

Il est évident que si A(q −1 ) = A0 (q −1 ), B(q −1 ) = B0 (q −1 ) et C(q −1 ) = C0 (q −1 ) est un

bon modèle pour le système, alors A(q −1 )M(q −1 ), B(q −1 )M(q −1 ) et C(q −1 )M(q −1 )
peuvent également exprimer le comportement du système. Donc, pour estimer l’ordre
d’un modèle, on peut varier m = n de 1 à nmax est trouver l’ordre n̂ à partir duquel
une simplification de pôles et de zéros se produit.

3.7.4.3 Estimation du retard

A partir de la réponse indicielle d’un système, en mesurant le temps entre l’ap-

plication d’échelon et la réaction du système, on peut estimer approximativement le
retard d du modèle. Si l’on n’a pas de connaissance sur le retard, on choisi une va-
leur initiale:d = 1 pour considérer le retard dû à l’échantillonnage. Si le retard a été
sous-estimé lors de l’identification, les premiers coefficients de B(q −1 ) vont être très
petits. On peut donc identifier avec la structure FIR la réponse impulsionnelle du
système pour m suffisamment grand. Le nombre des premiers coefficients de B(q −1 )
qui sont autour de zéro (en considérant l’écart type du coefficient estimé) représente
le retard du système.
MATLAB propose un algorithme dans lequel le critère d’identification pour la
structure ARX J(m, n, d) est déterminé pour toutes les combinaisons possibles de
m ∈ [mmin , mmax ], n ∈ [nmin , nmax ] et d ∈ [dmin , dmax ]. Ensuite, l’évolution du
critère en fonction du nombre de paramètres (m + n + 1) est tracée (pour chaque
m+n+1 =cte., le minimum du critère pour différentes valeurs de m et n est retenu).
3.8 VALIDATION DU MODÈLE 149

Plusieurs termes de pénalité sont proposés et chacun conduit à des valeurs optimales
pour m, n et d. Cependant, une vérification de l’ordre avec d’autre méthodes est
indispensable.
Il faut noter que le modèle identifié avec les ordres estimés ne vérifie pas né-
cessairement les critères de validation expliqués à la section suivante. Si l’essai de
toutes les méthodes ne permet pas d’obtenir un modèle valide, alors une solution est
d’augmenter n et m.

3.8 VALIDATION DU MODÈLE

La procédure d’identification des paramètres choisit le «meilleur» modèle compte

tenu des données disponibles, de la structure de modèle proposée, du critère de
performance et de l’algorithme d’identification utilisés. Ce «meilleur» modèle est-il
suffisamment bon? De manière plus spécifique:
• est-il suffisamment en accord avec les données expérimentales?
• est-il suffisant pour le but escompté?
• décrit-il le «vrai» système?
Si la troisième question est intéressante, c’est la deuxième qui est la plus importante
en pratique, car un modèle doit toujours être développé avec un but précis. Plusieurs
approches de validation d’un modèle identifié sont présentées ci-dessous.

3.8.1 Validation par rapport au but escompté

Cette méthode consiste à essayer et... voir si le but escompté peut être atteint avec
le modèle identifié. Si cela est le cas, on pourra considérer le modèle comme «bon»,
indépendamment d’aspects plus formels liés à son élaboration. Il peut cependant
s’avérer impossible, trop coûteux ou dangereux de valider un modèle de cette façon.

3.8.2 Validation du modèle avec des données expérimentales

3.8.2.1 Comparaison de la sortie du modèle avec des données nouvelles

Cette méthode consiste à utiliser, pour l’étape de validation, des données non
utilisées lors de l’établissement du modèle. Il s’agit de comparer la sortie du modèle
et la sortie mesuré en terme d’un critère quadratique. L’inconvénient d’une telle
démarche réside dans le fait que toutes les données à disposition ne sont pas utilisées
pour l’élaboration du modèle.

3.8.2.2 Comparaison de la sortie du modèle avec des données déjà utilisées

Cette méthode constitue une solution au problème précédent, la validation se

faisant avec des mesures déjà utilisées pour identifier les paramètres du modèle.
150 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Une telle démarche est cependant dangereuse. En effet, dans la pratique on

connaı̂t rarement le nombre de paramètres (nombre de pôles et de zéros) à identifier.
Or, il est évident que l’erreur quadratique moyenne peut être réduite en augmentant
le nombre de paramètres, c’est-à-dire le nombre de degrés de liberté à disposition
pour la minimisation du critère quadratique. Ceci n’augmente en général pas la
valeur prévisionnelle du modèle (bien au contraire) puisque les degrés de liberté
supplémentaires dans le modèle du processus sont utilisés pour représenter le bruit!
La valeur prévisionnelle d’un modèle doit se mesurer à l’aide d’une comparaison avec
des données nouvelles.
Cependant, il est possible d’utiliser certains tests statistiques pour valider succes-
sivement la contribution de termes additionnels (ceci dépasse le cadre de ce cours).

3.8.2.3 Comparaison du modèle dans le diagramme de Bode

Cette méthode est très utile, car les éléments à comparer ne possèdent pas né-
cessairement les mêmes hypothèses de départ: le modèle identifié est de type pa-
ramétrique, donc avec un choix préalable de structure, d’ordre, etc., le relevé dans
le diagramme de Bode constitue une approche non paramétrique sans aucun choix
structurel a priori.

3.8.3 Validation par des méthodes statistiques

3.8.3.1 Test de blancheur de l’erreur de prédiction

Si les modèles du processus et du bruit sont corrects, l’erreur de prédiction tendra

asymptotiquement vers un bruit blanc dont l’autocorrélation est une impulsion de
Dirac. C’est-à-dire: Rεε (h) = 0 pour h 6= 0 et Rεε (0) 6= 0.
En pratique, Rεε (h) est estimé avec la relation suivante:
NX
−h−1
1
Rεε (h) = ε(k)ε(k + h) h = 0, 1, . . . , N − 1 (3.187)
N − h k=0

Donc, Rεε (h) sera différent de zéro pour h ≥ 1 car un nombre fini de mesures est
disponible et, d’autre part, ε(k) contient des erreurs résiduelles de structure (erreurs
sur l’ordre, effets non linéaires, etc.). On considère alors comme critère pratique de
validation (avec un seuil de confiance de 95%):
 
 Rεε (h)  1.96
 Rεε (0)  ≤ √N pour 1 ≤ h < 20, N > 100 (3.188)
 

Ce critère est basé sur le théorème de la limite centrale. Selon ce théorème si l’erreur
√ Rεε (h)
de prédiction est blanche, alors N pour h 6= 0 est une variable aléatoire
Rεε (0)
à moyenne nulle, variance unité et distribution gaussienne. Ceci nous permet de
calculer l’intervalle de confiance de 95%.
3.8 VALIDATION DU MODÈLE 151

Il faut préciser que si l’erreur de prédiction est blanche, il y a 95% de chance

que le critère soit satisfait. Mais cela ne veut pas dire que si l’erreur de prédiction
est dans l’intervalle de confiance, il y a 95% de chance qu’elle soit blanche.
Un critère de validation aisément satisfait indiquera que des simplifications du
modèle sont possibles. A complexité de modèle égale, on choisira le modèle qui
minimisera le critère ci-dessus.
Notons enfin que ce test de blancheur de l’erreur de prédiction n’est valable que
si un modèle du bruit est estimé. Dans le cas contraire (structures FIR, OE) les
résidus seront, en général, autocorrélés.

3.8.3.2 Test d’indépendance entre les entrées passées et l’erreur de prédiction

Si le modèle du processus est correct, l’erreur de prédiction sera indépendante

des entrées passées, car l’effet de ces entrées sera entièrement expliqué par le modèle
et ne se retrouvera donc pas dans l’erreur de prédiction.
Ce test est moins sévère que le précédent, car il ne présuppose pas un modèle du
bruit correct. Il est, par contre, également valable pour les structures sans modèle du
bruit (FIR, OE). Dans la pratique, il suffit d’exiger que le modèle du processus,et
non le modèle complet (processus et bruit), soit correct. Il est cependant parfois
difficile d’obtenir un bon modèle du processus sans avoir un bon modèle du bruit!
Expériences montrent qu’il y a plus de chance de tomber sur un minimum local dans
la structure OE que la structure ARMAX, par exemple.
Si u(k) et ε(k) sont indépendants, leur intercorrélation sera nulle, c’est-à-dire
E{u(k)ε(k + h)} = 0, ∀h. Comme en pratique

NX
−h−1
1
Ruε (h) = u(k)ε(k + h) h = 0, 1, . . . , N − 1 (3.189)
N − h k=0

sera différent de zéro, on considère comme critère pratique de validation (avec un

seuil de confiance de 95%):
 
 Ruε (h)  1.96
≤ √ pour 0 ≤ h < 20, N > 100 (3.190)
 
p
 Rεε (0)Ruu (0)  N

Une corrélation entre u(k) et ε(k + h) pour des valeurs négatives de h indiquera
la présence d’un feedback de la sortie sur l’entrée, et non pas une erreur de modèle.

3.8.3.3 Test d’indépendance entre la sortie du modèle et l’erreur de prédiction

En continuation du point précédent, si le modèle du processus est correct, l’erreur

de prédiction sera indépendante non seulement des entrées passées mais également
des sorties du modèle ym .
152 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Si ym (k) et ε(k) sont indépendants, leur intercorrélation sera nulle, mais l’esti-
mation non biaisée de la fonction d’intercorrélation donne:
NX
−h−1
1
Rym ε (h) = ym (k)ε(k + h) h = 0, 1, . . . , N − 1 (3.191)
N − h k=0

avec comme critère pratique de validation (avec un seuil de confiance de 95%):

 
 Rym ε (h)  1.96
≤ √ pour 0 ≤ h < 20, N > 100 (3.192)
 
p
 Rεε (0)Rym ym (0)  N

Ce test est important dans le cadre de la méthode des variables instrumentales

car il indique si l’erreur de prédiction est effectivement non corrélée avec une variable
instrumentale type, en l’occurence ym (k). Ce test est générique et reste valable même
si les variables instrumentales ont été générées différemment.

3.8.3.4 Intervalle de confiance des paramètres estimés

L’identification des paramètres livre en général une indication de la précision des

résultats (par exemple, à partir de la covariance des paramètres (3.137)). Il est alors
possible de générer, avec un certain degré de probabilité, des intervalles de confiance
pour les paramètres identifiés:
θ̂ ∈ [θ̂min , θ̂max ] avec 95% (ou 99%) de probabilité (3.193)

Si pour un paramètre donné, cet intervalle inclut la valeur 0, ce paramètre pourra

très bien être négligé et, ainsi, la structure du modèle choisie plus simplement.

3.8.4 Validation par des méthodes heuristiques

3.8.4.1 Validation de certains choix a priori

Le modèle d’un processus autour d’un point de fonctionnement devrait représen-

ter un invariant, c’est-à-dire qu’il devrait être peu sensible à de faibles variations de
certains choix tels que la période d’échantillonnage, le dimensionnement de filtres
passe-haut et passe-bas pour les mesures, l’amplitude et le contenu fréquentiel de
l’excitation, la structure du modèle pour le processus et le bruit, etc. (cf. section
3.7).
Une grande sensibilité à certains de ces choix est souvent une indication que les
choix correspondants ne sont pas adéquats.

3.8.4.2 Réification

Les paramètres physiques, qui sont soit identifiés directement, soit reconstruits à
partir de paramètres estimés, doivent être plausibles. Cette étape, appelée réification,
3.9 PROCÉDURE D’IDENTIFICATION PARAMÉTRIQUE 153

est très indicative de compensations possibles entre différents termes du modèle (le
comportement entrée-sortie est plausible sans que le modèle physique soit correct).
Il est également recommandé de calculer la sensibilité du comportement entrée-
sortie du modèle par rapport à ces paramètres et de vérifier ainsi leur identifiabilité
pratique.

3.8.4.3 Validation de certaines hypothèses

L’identification d’une fonction de transfert pour le processus présuppose, entre

autres, que celui-ci soit linéaire et stationnaire. Il est nécessaire de vérifier a posteriori
la validité de ces hypothèses.

Test de linéarité Il s’agit de répéter l’identification avec des signaux d’amplitudes

différentes afin de déterminer le domaine dans lequel un modèle linéaire est appli-
cable.

Test de stationnarité On répète l’identification pour des groupes de mesures prises

dans des intervalles de temps différents. Si des perturbations basses et/ou hautes
fréquences sont perceptibles, elles peuvent en général être éliminées par un filtrage
approprié des mesures.

3.9 PROCÉDURE D’IDENTIFICATION PARAMÉTRIQUE

Le succès ou non d’une identification va dépendre de l’opportunité de certains

choix tels la période d’échantillonnage, le signal d’excitation, le retard, les degrés
des différents polynômes pour modéliser le processus et le bruit. Ces choix sont faits
sur la base de connaissances a priori ou de tests simples effectués sur le système
à identifier, mais ils peuvent bien sûr être modifiés plus tard de façon itérative si
nécessaire.
Nous présentons ci-dessous une procédure permettant de choisir les paramètres
importants du modèle et de mener l’identification. Une règle de base consiste à
commencer avec des structures de modèle simples, à valider les modèles obtenus et
à augmenter la complexité si nécessaire. La procédure en 4 points est la suivante:
1. Estimer de façon grossière le retard, la constante de temps dominante du sys-
tème et le niveau de bruit des signaux mesurés. Cette information peut s’obte-
nir aisément, par exemple à l’aide de la réponse indicielle et/ou d’une analyse
de corrélation. Il sera possible d’en déduire une période d’échantillonnage et
un signal d’excitation (contenu fréquentiel, amplitude, durée) appropriés.
2. Estimer l’ordre du modèle avec les méthodes paramétriques et la méthode
basée sur la simplification de pôles et zéros. Il peut s’avérer utile, par exemple
pour des systèmes mécaniques avec résonances, de tester également des ordres
relativement élevés.
154 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

3. Utiliser les structures ARMAX, OE et BJ avec ces degrés pour les polynômes
du modèle du processus.
4. Valider les meilleurs modèles obtenus en comparant leur sortie avec des données
nouvelles ainsi qu’à l’aide des tests de blancheur de l’erreur de prédiction et
d’indépendance entre les entrées passées et l’erreur de prédiction.
Cette procédure est présentée à la figure 3.21.

3.10 EXERCICES RÉSOLUS

Exercice 1
Enoncé: Soit le système dynamique donné par la fonction de transfert discrète:
z 3 + 2z 2 + z − 1
G(z) =
z 4 + 1.6z 2 − 0.8z
a) Ce système est-il physiquement réalisable?
b) Représenter ce système sous la forme d’une équation aux différences.
c) Exprimer la fonction de transfert sous la forme de puissances négatives de z en
explicitant le retard éventuel.
Solution:
a) Ce sytème est physiquement réalisable car
degré de A(z) > degré de B(z)
b) Equation aux différences:
y(k + 4) + 1.6y(k + 2) − 0.8y(k + 1) = u(k + 3) + 2u(k + 2) + u(k + 1) − u(k)
ou de façon équivalente:
y(k) + 1.6y(k − 2) − 0.8y(k − 3) = u(k − 1) + 2u(k − 2) + u(k − 3) − u(k − 4)
z 3 + 2z 2 + z − 1 −1 1 + 2z
−1
+ z −2 − z −3 B(z)
c) G(z) = 3
= z −2 −3
= z −1
z(z + 1.6z − 0.8) 1 + 1.6z − 0.8z A(z)
retard:d = 1
degrés de A(z) et B(z): n = m = 3

Exercice 2
Enoncé: La réponse indicielle d’un système lscr a donné pour les 3 premiers points
d’échantillonnage (T = 0.2) les valeurs suivantes: y1 = 0.18; y2 = 0.33 et y3 = 0.45.
Le système peut être modélisé par la fonction de transfert du premier ordre:
b1 z −1
G(z) =
1 + a1 z −1
3.10 EXERCICES RÉSOLUS 155

Début

Réponse indicielle
→ K, τ, θ expérimentation
→ niveau de bruit
→ période d’échantillonnage

Signal d’excitation u(t)

→ contenu fréquentiel expérimentation
→ amplitude
→ durée d’essai

Estimation de l’ordre
→ méthode paramétrique (ARX, IV)
→ simplification pôles/zéros
→ estimation de retard

augmenter l’ordre n, m, d

Erreur de prédiction
→ ARMAX
→ OE
→ BJ
θ̂, ε(k, θ̂)

Validation des modèles

→ validation temporelle
→ validation fréquentielle
→ validation statistique

Non
Bon modèle ?

Oui

Fin

Fig. 3.21 – Procédure d’identification paramétrique.

156 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

a) Expliciter la fonction quadratique relative à la minimisation de l’erreur de sortie.

b) Répéter le développement précédent pour l’erreur d’équation.
c) Identifier le système dynamique, c’est-à-dire déterminer les valeurs numériques
de a1 et b1 .
d) Identifier le système dynamique en n’utilisant que les deux premières mesures y1
et y2 .
Solution: Sortie du modèle sur la base des entrées passées uniquement (erreur de
sortie):

ym (k) = −a1 ym (k − 1) + b1 u(k − 1) k = 1, 2, 3, . . . (3.194)

Prédiction du modèle sur la base des entrées et sorties passées (erreur d’équation):

ŷ(k) = −a1 y(k − 1) + b1 u(k − 1) k = 1, 2, 3, . . . (3.195)

Données numériques pour un saut indiciel:

u(0) = 1, y(0) = 0 condition initiale

u(1) = 1, y(1) = 0.18
u(2) = 1, y(2) = 0.33
u(3) = 1, y(3) = 0.45

En les substituant dans (3.194) et (3.195):

ym (1) = −a1 · 0 + b1 · 1 = b1
ym (2) = −a1 · b1 + b1 · 1 = b1 (1 − a1 )
ym (3) = −a1 · b1 (1 − a1 ) + b1 · 1 = b1 (1 − a1 + a21 )

ŷ(1) = −a1 · 0 + b1 · 1 = b1
ŷ(2) = −a1 · 0.18 + b1 · 1 = −0.18a1 + b1
ŷ(3) = −a1 · 0.33 + b1 · 1 = −0.33a1 + b1

a) Critère quadratique pour minimiser l’erreur de sortie (OE): A partir

des équations (3.20) et (3.21):
N
X N
X
min J(θ) = e2s (k) = [y(k) − ym (k, θ)]2
θ
k=1 k=1

Cela donne pour N = 3 et θ = [a1 b1 ]T :

min{[0.18 − b1 ]2 + [0.33 − b1 (1 − a1 )]2 + [0.45 − b1 (1 − aa + a21 )]2 } (3.196)

θ

L’erreur es (k) est non linéaire par rapport aux paramètres a1 et b1 .

3.10 EXERCICES RÉSOLUS 157

b) Critère quadratique pour minimiser l’erreur d’équation (ARX): A

partir des équations (3.24) et (3.26):
N
X N
X
min J(θ) = e2e (k) = [y(k) − ŷ(k, θ)]2
θ
k=1 k=1

Cela donne pour N = 3 et θ = [a1 b1 ]T :

min{[0.18 − b1 ]2 + [0.33 + 0.18a1 − b1 ]2 + [0.45 + 0.33a1 − b1 ]2 } (3.197)
θ

L’erreur ee (k) est linéaire par rapport aux paramètres a1 et b1 .

c) Identification du système: Minimisation de l’erreur de sortie 3k=1 e2s (k)
P

A partir de (3.196):
∂J
= 2(0.33 − b1 (1 − a1 ))b1 + 2(0.45 − b1 (1 − a1 + a21 ))b1 (1 − 2a1 )
∂a1
= −6b21 + 1.56b1 − 1.8a1 b1 + 4a1 b21 + 6a21 − 4a31 b2a = 0
∂J
= 2(0.18 − b1 )(−1) + 2(0.33 − b1 (1 − a1 ))(−1 + a1 )
∂b1
+2(0.45 − b1 (1 − a1 + a21 ))(−1 + a1 − a21 )
= −1.92 − 0.9a21 + 0.66a1 − 4a1 b1 + 4a21 b1 + 4a31 b1 − 2a41 b1 + 6b1 = 0
Ce système de deux équations algébriques à deux inconnues est de degré 5. Il
existe donc plusieurs solutions dont l’une d’entre elles est:
a1 = −0.8191 b1 = 0.1809
On obtient ainsi la fonction de transfert:
0.1809z −1
Ĝ(z) =
1 − 0.8191z −1
Minimisation de l’erreur d’équation 3k=1 e2e (k)
P

A partir de (4):
∂J
= 2(0.33 + 0.18a1 − b1 )0.18 + 2(0.45 + 0.33a1 − b1 )0.33
∂a1
= 0.4158 − 1.02b1 + 0.2826a1 = 0
∂J
= 2(0.18 − b1 )(−1) + 2(0.33 + 0.18a1 − b1 )(−1)
∂b1
+2(0.45 + 0.33a1 − b1 )(−1) = −1.92 − 1.02a1 + 6b1 = 0
Ce système de deux équations algébriques à deux inconnues possède une solu-
tion unique qui est aisément calculable:
a1 = −0.819 b1 = 0.181
On obtient ainsi la fonction de transfert:
0.181z −1
Ĝ(z) =
1 − 0.819z −1
158 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

c) Avec seulement 2 mesures: En minimisant l’erreur de sortie ou d’équation,

on obtient chaque fois:

a1 = −0.8333 b1 = 0.18

ou
0.18z −1
Ĝ(z) =
1 − 0.8333z −1
y

1.4

1.2

0.8

: mesures
0.6
: modèle sur la base de 3 mesures
: modèle sur la base de 2 mesures
0.4

0.2

0
0 2 4 6 8 10 12 14 16 18 20 k

Exercice 3
Enoncé: Soit le modèle linéaire:

ym (k) = a + bk

et les mesures y(1), y(2), . . . , y(N).

a) Identifier a et b par la méthode des moindres carrés en utilisant les notations
suivantes:
XN XN
S0 = y(k) S1 = ky(k)
k=1 k=1

b) Répéter le point précédant pour le cas du modèle:

ym (k) = a

c) Supposer que le paramètre a est d’abord identifié comme indiqué sous point b).
Identifier ensuite le paramètre b du modèle:

ym (k) − â = bk

et comparer avec les résultats du point a).

3.10 EXERCICES RÉSOLUS 159

Solution:
a) Identification de a et b par moindres carrés
Critère quadratique pour minimiser l’erreur de sortie y(k) − ym (k):
N
X
J= (y(k) − (a + bk))2
k=1

On obtiendra l’estimation θ̂ = [â b̂]T comme suit:

 N
∂J  X
= −2 (y(k) − â − b̂k) = 0
∂a θ=θ̂
k=1
 N
∂J  X
= −2 (y(k) − â − b̂k)k = 0
∂b θ=θ̂ k=1

ou
N
X N
X N
X
y(k) − â 1 − b̂ k=0 (3.198)
k=1 k=1 k=1
XN XN XN
y(k)k − â k − b̂ k2 = 0 (3.199)
k=1 k=1 k=1

ou sous forme matricielle, en utilisant les définitions de S0 et S1 :

N
 
X
   N k  
S0   â
k=1
= N N

S1 
 X X  b̂
2 
k k
k=1 k=1

La résolution de cette équation pour â et b̂ donne:

 N N

X X
2
   k − k  
â 1 
k=1 k=1
 S0
= !2  N

 S1 (3.200)
b̂ N N  X
− k N
X X  
N k2 − k
k=1 k=1 k=1

b) Identification de a pour le modèle ym (k) = a

De (3.198) avec b̂ = 0, on obtient:
N
X
y(k)
k=1 S0
â = = (3.201)
N N
qui est simplement la moyenne des mesures
160 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

c) Identification de b avec a déja estimé: (3.201) dans (3.199) donne pour b̂

(noté ici b̂c ):
N
S0 X
S1 − k
N k=1
b̂c = N
X
k2
k=1

b̂ du point a), noté b̂a , est:

N
S0 X
S1 − k
N k=1
b̂a = !2
N N
X 1 X
k2 − k
k=1
N k=1

Ainsi, en comparant b̂a et b̂c , on obtient:

b̂a > b̂c

Exercice 4
Enoncé: Les mesures suivantes ont été effectuées sur un processus dynamique ini-
tialement au repos dont la sortie y(k) est perturbée par un bruit de mesure n(k):

k 0 1 2 3 4 5 6 7 8 9 10
u(k) 0 1 -1 1 1 1 -1 -1 0 0 0
y(k) 0 1.1 -0.2 0.1 0.9 1 0.1 -1.1 -0.8 -0.1 0

a) Calculer b0 et b1 du modèle:

y(k) = b0 u(k) + b1 u(k − 1)

à l’aide de la méthode des moindres carrés.

b) Evaluer la séquence de bruit n(k), sa valeur moyenne ainsi que son écarttype.
c) Répéter le point a) en utilisant successivement l’erreur de sortie et l’erreur d’équa-
tion.

Solution:
 
b0
ε(k) = y(k) − [ u(k) u(k − 1) ] = y(k) − ϕT (k)θ (3.202)
b1

Pour N mesures: E = Y − Φθ
3.10 EXERCICES RÉSOLUS 161

Avec N = 10, on obtient pour k = 1, 2, . . . , 10:

 T
1 −1 1 1 1 −1 −1 0 0 0
Φ =
0 1 −1 1 1 1 −1 −1 0 0
 T
Y = 1.1 −0.2 0.1 0.9 1 0.1 −1.1 −0.8 −0.1 0
a) Le modèle donné correspond à une structure FIR, laquelle donne un problème
de moindres carrés linéaire dont la solution est:
 
T −1 T 0.6143
θ̂ = (Φ Φ) Φ Y =
0.5143

b) Avec la structure FIR, on peut calculer l’erreur de prédiction pour le vecteur de

paramètres estimé (résidus):
ε(k, θ̂) = y(k) − ϕT (k)θ̂
On obtient ainsi:
ε(k, θ̂) = [0.4857 − 0.1 0 − 0.2286 − 0.1286 0.2 0.0286 − 0.2587 − 0.1 0]T
moyenne: –0.0129; déviation standard: 0.2225
c) Le modèle proposé correspond à une structure FIR. Le modèle (3.202) est tel que
l’erreur de prédiction représente aussi bien une erreur de sortie qu’une erreur
d’équation. Ainsi, les approches basées sur l’erreur de sortie (OE) et l’erreur
d’équation (ARX) donneront le même résultat que celle basée sur la structure
FIR.

Exercice 5
Enoncé: Soit l’erreur de prédiction est donnée par l’équation aux différences sui-
vante:
ε(k) = y(k) − [−ay(k − 1) + bu(k − 1)]
• Montrer que si l’entrée correspond à une rétroaction proportionnelle de la
sortie, l’identification des paramètres a et b par la méthode des moindres carrés
n’est pas possible.
Solution:
 
a
ε(k) = y(k) − [ −y(k − 1) u(k − 1) ] = y(k) − ϕT (k)θ
b

Dans le cas d’une rétroaction proportionnelle de gain g, u(k) = −gy(k), et la

matrice Φ devient:  .. .. 
. .
 −y(k − 1) −gy(k − 1) 
 
Φ=
 −y(k) −gy(k) 

.. ..
. .
162 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

Φ est donc singulière et ΦT Φ non inversible. Dans un cas comme celui-là, il faut
considérer le prédicteur suivant:

ŷ(k) = −ay(k − 1) − bgy(k − 1)

avec l’erreur de prédiction

ε(k) = y(k) + (a + bg)y(k − 1)

et identifier le paramètre (a + bg).

Exercice 6
Enoncé: Soit le système dynamique à temps continu suivant:

n(t )

u(t ) 2 yp(t ) + y(t )

s+ 1 +

a) Calculer l’équation aux différences correspondant à la version échantillonnée de

ce système.
b) Supposons que le bruit n(t) corresponde à un bruit blanc. Indiquer l’expression
de l’erreur de prédiction qui, une fois minimisée, permettra une bonne identi-
fication des paramètres du système.

Solution:
a) Discrétisation (basée sur la réponse indicielle):
   
YP (z) −1 −1 G(s) 

G(z) = = (1 − z )Z L
U(z) s kT
       
−1 −1 2  −1 −1 1 
= (1 − z )Z L  = 2(1 − z )Z L 
s(s + 1) kT s(s + 1) kT
(1 − e−T )z −1 (1 − e−T )z −1
= 2(1 − z −1 ) = 2
(1 − z −1 )(1 − e−T z −1 ) 1 − e−T z −1

entrée 8, tableau C.2, annexe C

yp (k) − e−T yp (k − 1) = 2(1 − e−T )u(k − 1)

Choix de la période d’échantillonnage:

τ
T = = 0.1 ⇒ yp (k) + 0.905yp (k − 1) = 0.19u(k − 1)
10
3.10 EXERCICES RÉSOLUS 163

b) Identification n(t) et donc aussi n(k): bruit blanc

n(k) = H0 (q −1 )e(k)
avec H0 (q −1 ) = 1. Comme le bruit n’est pas corrélé avec l’entrée, les structures
OE et FIR sont appropriées. Cependant pour identifier le dénominateur du
processus on ne peut utiliser que la structure OE. D’autre part, toutes les
structures capables à identifier H0 (q −1 ) = 1 (ARMAX et BJ) peuvent être
utilisées .
→ structures appropriées: OE, ARMAX et BJ
Structure OE:
b0
ε(k) = y(k) − q −1 u(k)
1 + a1 q −1
Structure ARMAX:
1 + a1 q −1 −1 b0
ε(k) = [y(k) − q u(k)]
1 + c1 q −1 1 + a1 q −1
Structure BJ:
1 + d1 q −1 b0
ε(k) = −1
[y(k) − q −1 u(k)]
1 + c1 q 1 + a1 q −1
Pour cet exemple l’erreur de prédiction sera blanche pour toutes les structures.
ARMAX identifie C ≈ A et BJ identifie C ≈ D.

Exercice 7
Enoncé:
a) Formuler les critères quadratiques basés sur l’erreur de sortie et l’erreur d’équa-
tion pour identifier le système dynamique
bz −3
G(z) =
1 + az −1
b) Montrer que le critère basé sur l’erreur de sortie génère un problème de régression
non linéaire contrairement au critère basé sur l’erreur d’équation.
Solution:
a) Erreur de sortie
es (k) = y(k) − ym (k) (3.203)
bq −3
ym (k) = u(k) ⇒ ym (k) = −aym (k − 1) + bu(k − 3) (3.204)
1 + aq −1

N
X
min [y(k) + aym (k − 1) − bu(k − 3)]2 (3.205)
a,b
k=1
avec: ym (0) = 0 u(0) = u(−1) = u(−2) = 0
164 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES

y(k) et u(k), k = 1, . . . , N, sont mesurés ou spécifiés et ym (k), k = 1, . . . , N,

sont calculés à partir de u(k) selon (3.204).
Erreur d’équation

ee (k) = y(k) + ay(k − 1) − bu(k − 3) (3.206)

N
X
min [y(k) + aym (k − 1) − bu(k − 3)]2 (3.207)
a,b
k=1
avec: y(0) = 0 u(0) = u(−1) = u(−2) = 0

y(k) et u(k), k = 1, . . . , N, sont mesurés ou spécifiés.

b) Régression non linéaire
L’erreur de sortie qui est minimisée dans le critère quadratique est non linéaire
par rapport aux paramètres à identifier a et b. Par exemple:
Pour
k = 1 es (1) = y(1) + aym (0) − bu(−2)
k = 2 es (2) = y(2) + a[−aym (0) + bu(−2)] − bu(−1)
k = 3 es (3) = y(3) + a{−a[−aym (0) + bu(−2)] − bu(−1)} − bu(0)
...

Au contraire, l’erreur d’équation est linéaire par rapport à a et b.

Pour
k = 1 ee (1) = y(1) + ay(0) − bu(−2)
k = 2 ee (2) = y(2) + ay(1) − bu(−1)
k = 3 ee (3) = y(3) + y(2) − bu(0)
...

Exercice 8
b00
Enoncé: On souhaite identifier le système dynamique G0 (q −1 ) = q −1 sur
1 + a01 q −1
la base de mesures entrée-sortie.

n (k)

u(k) y p (k) + y(k)

G0 (q −1)
+
3.10 EXERCICES RÉSOLUS 165

Est-il possible d’identifier correctement (c’est-à-dire sans biais) les paramètres

a01 et b00 avec les méthodes ARX (erreur d’équation) et OE (erreur de sortie) pour
les deux cas suivants:

1. n(k) = e(k)
2. n(k) = e(k) + c01 e(k − 1)

où e(k) représente un bruit blanc de moyenne nulle.

Solution: Comme n(k) est un bruit blanc non corrélé avec l’entrée, la structure OE
peut conduire à une estimation non biaisée des paramètres dans les deux cas si G0
appartient à l’ensemble des modèles candidats G(q −1 ). Par contre, comme le bruit
ne peut pas être représenté comme un bruit blanc filtré par 1/A0 (q −1 ), la structure
ARX donne une estimation biaisée. Dans un cas très particulier, où c01 = a01 , la
structure ARX arrive à identifier correctement les paramètres du modèle.
166 MODÈLES DE REPRÉSENTATION PARAMÉTRIQUES
 167

Annexe A

TRANSFORMATION DE FOURIER

A.1 SÉRIE DE FOURIER POUR SIGNAUX ANALOGIQUES

PÉRIODIQUES

Un signal temporel analogique de période θ peut s’exprimer sous la forme d’une

série de Fourier (donnée ici sous forme exponentielle):
∞
X 2π
x(t) = ck ejkω0t ω0 = (A.1)
k=−∞
θ

avec
t0 +θ
1
Z
ck = x(t)e−jkω0 t dt t0 quelconque (A.2)
θ t0

Un signal analogique périodique possède donc un spectre de fréquences apério-

dique discret comme illustré à la figure A.1.
Quelle est la forme trigonométrique des équations (A.1) et (A.2)?

A.1.1 Exemple
Calculons la série de Fourier pour le signal périodique donné à la figure A.2.

|c k|

−5ω 0 −4ω 0 −3ω 0 −2ω 0 −ω0 ω0 2ω 0 3ω 0 4ω 0 5ω 0

ωk = kω0
0

Fig. A.1 – Spectre d’amplitude d’un signal analogique périodique.

168 TRANSFORMATION DE FOURIER

x(t)
1

t
-θ 0 θ/4 3θ/4 θ

... -1 ...

Fig. A.2 – Signal périodique rectangulaire.

|c |
k

2/π

2/3π
2/5π

−5ω 0 −4ω 0 −3ω 0 −2ω 0 −ω0 ω0 2ω 0 3ω 0 4ω 0 5ω 0

ωk = kω0
0

Fig. A.3 – Spectre d’amplitude du signal périodique de la figure A.3.

∞
X 2π
x(t) = ck ejkω0t ω0 =
θ
k=−∞

avec:

θ
1
Z
ck = x(t)e−jkω0 t dt
θ
"0Z #
θ/4 3θ/4 θ
1
Z Z
= 1e−jkω0t dt + (−1)e−jkω0 t dt + 1e−jkω0t dt
θ 0 θ/4 3θ/4
 h
1 1 θ/4 3θ/4
i
= − e−jkω0t |0 + e−jkω0 t |θ/4 + e−jkω0t |θ3θ/4
θ jkω0
1  −jkπ/2
− 1 − e−jk3π/2 + e−jkπ/2 + e−jk2π − e−jk3π/2

= − e
jk2π
1  −jkπ/2
− 2e−jk3π/2 + e−jk2π − 1

= − 2e
jk2π


0 si k est pair  0 si k est pair
2
= 2 −jkπ/2 = pour k = ±1, ±5, ±9, . . .
− jkπ e si k est impair  kπ2
− kπ pour k = ±3, ±7, ±11, . . .

Le spectre d’amplitude correspondant est donné à la figure A.3:

A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALOGIQUES
APÉRIODIQUES 169

A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX

ANALOGIQUES APÉRIODIQUES

Pour un signal analogique apériodique (θ →, θ0 → 0), le spectre de fréquences

est apériodique et continu . La sommation de la série de Fourier est remplacée par
une intégrale. On parle alors de transformation de Fourier.
1
R∞
x(t) = 2π −∞
X(ω)ejωt dω transformée de Fourier inverse de X(ω)
(A.3)
(équation de synthèse)
avec R∞
X(ω) = −∞
x(t)e−jωt dt transformée de Fourier de x(t)
(A.4)
(équation d’analyse)
A partir de (A.3) et (A.4) on peut écrire:
Z ∞ Z ∞ 
1 −jωt
x(t) = x(t)e dt ejωt dω
2π −∞ −∞

A.2.1 Remarque
Il est possible de déplacer le terme constant 1/2π à l’intérieur des crochets, ce
qui reviendrait à modifier d’un facteur 2π les définitions de la transformée et de la
transformée inverse. Cependant, les expressions (A.3) et (A.4) sont celles utilisées le
plus couramment.

A.2.2 Exemple
1. X(ω) = δ(ω)
∞
1 1 jωt 1
Z
x(t) = δ(ω)ejωt dω = e |ω=0 =
2π −∞ 2π 2π
Il s’ensuit: F A = 2πAδ(ω)
2. x(t) = δ(t) Z ∞
X(ω) = δ(t)e−jωt dt = e−jωt |t=0 = 1
−∞

A − T2 ≤ t < T2

3. x(t) =
0 sinon
Z T /2
A −jωt T /2 A −jωT /2
X(ω) = Ae−jωt dt = e |−T /2 = [e − ejωT /2 ]
−T /2 −jω −jω
sin ω T2
 −jωT /2

jωT /2
2A −e
  
+e 2A T
= = sin ω = AT
ω 2j ω 2 ω T2
 
T
= AT sinc ω
2
170 TRANSFORMATION DE FOURIER

Tab. A.1 – Paires x(t) ↔ X(ω).

A − W2 ≤ ω < W

4. X(ω) = 2
0 sinon
W/2  
1 AW Wt
Z
jωt
x(t) = Ae dω = sinc
2π −W/2 2π 2

Ces paires x(t) ↔ X(ω) sont représentées à la figure A.4. D’autres paires sont
données dans le tableau A.1. On remarque qu’il est possible de calculer la
transformée de Fourier d’un signal périodique (cf. entrées 10 et 11). Dans ce
cas, la nature discrète des spectres est représentée par des impulsions de Dirac.

Le tableau A.2 liste les propriétés principales de la transformation de Fourier.

5. Utilisation de la propriété de dualité F {X(t)} = 2πx(−ω)

A.2 TRANSFORMATION DE FOURIER POUR SIGNAUX ANALOGIQUES
APÉRIODIQUES 171

(1)

(2)

(3)

(4)

Fig. A.4 – Quelques paires x(t) ↔ X(ω).

172 TRANSFORMATION DE FOURIER

Tab. A.2 – Propriétés de la transformation de Fourier.

1. Linéarité F [a1 x1 (t) + a2 x2 (t)] = a1 X1 (ω) + a2 X2 (ω)

2. Dualité F [X(t)] = 2πx(−ω)

3. Dérivation temporelle F [sn x(t)] = (jω)n X(ω)

Z t 
X(ω)
4. Intégration temporelle F x(τ )dτ = + πX(0)δ(ω)
−∞ jω

dX(ω)
5. Dérivation fréquentielle F [tx(t)] =
dω

  Z ∞
1
6. Intégration fréquentielle F x(t) = j X(u)du
t ω

1 ω
7. Mise à l’échelle F [x(at)] = X( )
|a| a

Z ∞
8. Convolution temporelle F[ x(τ )y(t − τ )dτ ] = X(ω)Y (ω)
−∞

Z ∞
9. Corrélation F[ x(τ − t)y(τ )dτ ] = X(−ω)Y (ω)
−∞

∞
1
Z
10. Convolution fréquentielle F [x(t)y(t)] = X(u)Y (ω − u)du
2π −∞

11. Décalage temporel F [x(t − t0 )] = exp(−jωt0 )X(ω)

12. Décalage fréquentiel X(ω − ω0 ) = F [exp(jω0 t)X(t)]

A.3 SÉRIE DE FOURIER POUR SIGNAUX NUMÉRIQUES PÉRIODIQUES 173

De l’exemple 2 ci-dessus: x(t) = δ(t) ↔ X(ω) = 1

on obtient: F {1} = 2πδ(−ω) = 2πδ(ω)
qui a déjà été calculé à l’exemple 1.

A.3 SÉRIE DE FOURIER POUR SIGNAUX NUMÉRIQUES PÉ-

RIODIQUES

Un signal numérique de période N peut s’exprimer sous la forme d’une série de

Fourier:
N
X −1 N
X −1
j2πkn/N
x(t) = ck e = ck ejknΩ0 n = 0, ±1, ±2 (A.5)
k=0 k=0

avec

N −1 N −1
1 X 1 X
ck = xn e−j2πkn/N = xn e−jknΩ0 k = 0, 1, . . . , N − 1 (A.6)
N n=0 N n=0

et
2π
Ω0 =
N

Un signal numérique périodique possède donc un spectre de fréquences périodique

discret. De plus, ck est périodique du fait de la périodicité du terme exponentiel
en fonction de kΩ0 (signal numérique). Puisque ck est périodique de période N,
l’équation de synthèse (A.5) se limite à sommer les termes pour k = 0, 1, . . . , N − 1.

A.3.1 Exemple
Calculons le spectre de fréquence du signal numérique périodique

2π
xn = cos(nΩ0 ) Ω0 =
N

Pour k = 0, 1, . . . , N − 1, on a:

N −1 N −1
1 X −jknΩ0 1 X −jnΩ0
ck = cos(nΩ0 )e = (e + ejnΩ0 )e−jknΩ0
N n=0 2N n=0
N −1
1 X −j(k+1)nΩ0
= (e + e−j(k−1)nΩ0 )
2N n=0
174 TRANSFORMATION DE FOURIER

ck

1/2

- 2π 0 2π Ωk = k Ω0
-N 0 N k

Fig. A.5 – Coefficients de la série de Fourier pour cos(nΩ0 ).

Pour
N −1
1 X
k =0 c0 = cos(nΩ0 )1 = 0
N n=0
N −1 N −1
1 X −j2nΩ0 1 X 1
k =1 c1 = e + 1=
2N n=0 2N n=0 2
k = 2, . . . , N − 2 ck = 0
N −1 N −1
1 X 1 X −j(N −2)nΩ0 1
k =N −1 cN −1 = 1+ e =
2N n=0 2N n=0 2

Le spectre de fréquences est donné à la figure A.5.

A.4 TRANSFORMATION DE FOURIER POUR SIGNAUX NU-

MÉRIQUES APÉRIODIQUES

Un signal numérique apériodique possède un spectre de fréquences périodique

continu qui peut être évalué à l’aide de la transformation de Fourier pour si-
gnaux numériques suivante:
Z 2π
1
xn = X(Ω)ejΩn dΩ (équation de synthèse) (A.7)
2π 0
avec ∞
X
X(Ω) = xn e−jΩn (équation d’analyse) (A.8)
n=−∞

et
2πω
Ω = ωT =
ωs

A.4.1 Exemple
Soit le signal numérique donné à la figure A.6.
A.5 SPECTRE D’UN SIGNAL ÉCHANTILLONNÉ 175

xn
1

-M 0 M n
Fig. A.6 – Signal numérique apériodique.

X( Ω )
0.025

-15 -10 -2π -5 0 5 2π 10 15

Fig. A.7 – Spectre d’amplitude du signal numérique apériodique de la figure A.6.

La transformée de Fourier pour signaux numériques apériodiques donne:

M
X e−jΩ(2M +1) − 1
X(Ω) = 1e−jΩn = ejΩM [1 + e−jΩ + . . . + e−jΩ2M ] = ejΩM
n=−M
e−jΩ − 1

Le spectre d’amplitude continu et périodique (période 2π due à la périodicité du

terme exponentiel par rapport à Ω dans le cas d’un signal numérique) est représenté
à la figure A.7 pour M = 2. Du fait de la périodicité de X(Ω), l’équation de synthèse
(A.7) ne considère qu’une seule période du domaine fréquentiel, Ω ∈ [0, 2π].

A.5 SPECTRE D’UN SIGNAL ÉCHANTILLONNÉ

Un signal échantillonné possède un spectre de fréquences périodique qui peut

être calculé à partir du spectre du signal analogique correspondant.
176 TRANSFORMATION DE FOURIER

Soient x(t) un signal temporel analogique et

∞
X
xe (t) = x(nT )δ(t − nT ) (A.9)
n=−∞

sa version échantillonnée exprimée en fonction de la variable continue t. On peut

aussi écrire:
xe (t) = x(t) · p(t) (A.10)
où ∞
X
p(t) = δ(t − nT )
n=−∞

représente un train d’impulsion de Dirac aux instants d’échantillonnage.

Comme le signal p(t) est périodique de période T , on peut l’écrire à l’aide de
l’équation (A.1):
∞
X 2π
p(t) = ck ejkωs t ωs =
k=−∞
T
avec
1 T /2
 
T
Z
ck = δ(t)e−jkωst dt t0 = −
T −T /2 2
1 −jkωs t 1
= e |t=0 =
T T
Il s’ensuit: ∞
1 X jkωs t
p(t) = e
T k=−∞
et en considérant l’entrée 9 de la table A.1:
∞
2π X
P (ω) = δ(ω − kωs )
T k=−∞

On peut exprimer Xe (ω) en fonction de X(ω) à partir de la relation (A.10):

Xe (ω) = F {xe (t)} = F {x(t)p(t)}

En utilisant la propriété 10 de la table A.2, on obtient:

Z ∞ ∞
1 2π X
Xe (ω) = X(ν) δ(ω − kωs − ν)dν
2π −∞ T k=−∞
∞ Z ∞
1 X
= X(ν)δ(ω − kωs − ν)dν
T k=−∞ −∞
∞
1 X
= X(ω − kωs ) (A.11)
T k=−∞
A.6 TRANSFORMATION DE FOURIER DISCRÈTE 177

Tab. A.3 – Types de signaux et spectres correspondants.

SIGNAL

SPECTRE A1.1 SPECTRE A1.2

analogique discret continu

SPECTRE A2.1 SPECTRE A2.2

discret continu

Cette dernière relation lie les transformées de Fourier d’un signal temporel ana-
logique et de sa version échantillonnée. On remarque que Xe (ω) est périodique de
période ωs = 2π/T , et que son amplitude est multipliée par le facteur 1/T par
rapport à X(ω) (cf. fig. 2.21).

A.6 TRANSFORMATION DE FOURIER DISCRÈTE

L’analyse fréquentielle présentée dans les sections précédentes a montré les ca-
ractéristiques suivantes:
– un signal analogique possède un spectre apériodique, alors qu’un signal numé-
rique est caractérisé par un spectre périodique,
– un signal périodique possède un spectre discret, alors qu’un signal apériodique
a un spectre continu.
Les quatre cas possibles sont résumés dans le tableau A.3.
La transformation de Fourier discrète permettra de faire correspondre à un signal
numérique, pas nécessairement périodique, un spectre de fréquences discret. Cela
sera d’une grande utilité pour travailler avec l’ordinateur car le signal et son spectre
seront tous deux numériques.
Considérons un signal temporel analogique x(t) et sa transformée de Fourier
X(ω) comme indiqué à la figure A.8(a). Afin de simplifier les représentations gra-
phiques, nous avons choisi x(t) limité dans le temps et X(ω) de bande fréquentielle
limitée. Ceci est tout à fait hypothétique, car un signal limité dans le temps aura
une transformée de Fourier à bande fréquentielle illimitée et, inversement, un signal
à bande fréquentielle limitée ne sera pas limité dans le temps (cf. fig. A.4). Les
limites temporelle et fréquentielle sont des conditions mutuellement exclusives (cf.
également la propriété 7 du tableau A.2).
Formons le signal périodique xp (t) qui est une extension de x(t) avec une période
θ. L’équation (A.2) nous permet de calculer un spectre de fréquences discret (fig.
178 TRANSFORMATION DE FOURIER

A.8(b)) où les coefficients de la série de Fourier sont donnés par:

X(ωk )
ck =
θ
avec
k
ωk = ωs = kω0 k = 0, 1, . . . , N − 1 (A.12)
N
et
2π
ω0 =
θ
Si nous échantillonnons le signal x(t) avec une période T pour obtenir xe (t) ou
x(nT ), l’équation A.11 donne la situation décrite à la figure A.8(c).
Une comparaison des illustrations A.8(b) et A.8(c) met bien en évidence la pro-
priété de dualité de la transformation de Fourier.
Le calcul de X(Ω) à partir de l’équation (A.8) présente deux difficultés. D’une
part, la somme contient une infinité de termes. En pratique, on considère un nombre
fini N de termes, notés de 0 à N − 1. D’autre part, la pulsation ω est continue: pour
des raisons de calcul sur ordinateur, on préférerait disposer d’une représentation
discrète. On considère donc uniquement N points fréquentiels espacés uniformément
sur une période de X(Ω).
A l’aide de ces deux approximations, l’équation (A.8) donne:

N
X −1
X(k) = xn e−j2πKn/N k = 0, 1, . . . , N − 1 (A.13)
n=0

qui est la transformée de Fourier discrète pour N valeurs du signal numérique

xn .
Puisque X(k) est forcé à être discret, xn doit être périodique, et nous avons la
situation indiquée à la figure A.8(d).
L’équation de synthèse correspondante devient:

N −1
1 X
xn = X(k)ej2πKn/N n = 0, 1, . . . , N − 1 (A.14)
N
k=0

A.6.1 Remarque
Les équations (A.14) et (A.13) sont, à un facteur N près, identiques à celles de
la série de Fourier pour signaux numériques périodiques (équations A.5 et A.6). La
remarque de la section A.2 s’applique également ici. Il est usuel de définir la série
de Fourier pour signaux numériques périodiques selon les équations (A.5) et (A.6)
et la transformée de Fourier discrète selon les équations (A.13) et (A.14).
A.6 TRANSFORMATION DE FOURIER DISCRÈTE 179

x(t) Section |X(ω)|

A (A 2) B
↔
t a) ω
0 0

xp(t) Section |ck|

B/θ
A (A1) ω0 = 2π/θ
... ... ↔
t ω k = kω0
−θ 0 θ b) 0

x (nT) |X (Ω)|
Section
A (A 4 ) B/Τ
↔ ... ...
Ω = ωΤ
nT Ω
0
c) -2π 0 2π

xn Section |X(k)|
(A3) ω s = N ω0
↔
A B/Τ

d) k
-N 0 N n -N 0 N
-θ θ tn = nT -ωs ωs ω k = k ωs
N

Fig. A.8 – Illustration de la paire xn ↔ X(k) à partir de la paire x(t) ↔ X(ω).

Les points en gras indiquent les valeurs utilisées dans la transformation de Fourier
discrète (A.13) et son inverse (A.14).

A.6.2 Exemples
1. Soit le signal numérique formé des 3 points donnés à la figure A.9 (période
d’échantillonnage T = 1).
Sa transformée de Fourier discrète se calcule ainsi:
2
X
X(k) = xn e−j2πkn/3 k = 0, 1, 2
n=0
1.5 √ pour k = 0


0 −j4πk/3 3
= 1e + 0 + 0.5e = 0.75 + √4 j k=1
3
0.75 − 4 j

k=2

La représentation fréquentielle de xn est donnée à la figure A.10.

180 TRANSFORMATION DE FOURIER

xn
1

0.5

-1 0 1 2 3 n
0 3 tn = nT = n

Fig. A.9 – Signal numérique (N = 3, T = 1).

X(k)

1.5

3/2

-1 0 1 2 3 k
0 2π ωk = k ωs = k 2π
N 3

Fig. A.10 – Spectre d’amplitude du signal de la figure A.9 (N = 3, T = 1).

Il est possible de reconstruire xn à partir de X(k):

2
1X
xn = X(k)ej2πkn/3 n = 0, 1, 2
3 k=0
" √ ! √ ! #
1 3 3
= 1.5e0 + 0.75 + j ej2πn/3 + 0.75 + j ej4πn/3
3 4 4

 1 pour n = 0
= 0 n=1
0.5 n=2


2. Le signal xn est étendu périodiquement de façon à avoir 6 points (N = 6, T = 1,

fig. A.11).

La transformée de Fourier discrète devient (fig. A.12):

A.6 TRANSFORMATION DE FOURIER DISCRÈTE 181

xn

0.5

-1 0 1 2 3 4 5 6 n
0 6 tn = nT = n

Fig. A.11 – Signal numérique avec 2 périodes (N = 6, T = 1).

X(k)
3

-2 0 2 4 6 k
0 2π ωk = k ωs = k 2π
N 6

Fig. A.12 – Spectre d’amplitude du signal de la figure A.11 (N = 6, T = 1).

5
X
X(k) = xn e−j2πkn/6 k = 0, 1, . . . , 5
n=0

= 1e + 0.5e−j4πk/6 + 1e−j6πk/6 + 0 + 0.5e−j10πk/6

0

= 1 + 0.5e−j2πk/3 + e−jπk + 0.5e−j5πk/3

3 pour k = 0


0√ k=1




3

1.5 + 2 j k=2

=

 0√ k=3
3
 1.5 − 2 j



 k=4
0 k=5

Le fait d’avoir doublé le nombre de points (les trois points initiaux répétés)
donne un spectre deux fois plus fort (il ne s’agit ici que d’une mise à l’échelle).
Cependant, le contenu spectral est le même car les trois valeurs spectrales
additionnelles sont nulles. Cela n’étonne pas puisque la transformée de Fou-
rier discrète se calcule avec l’hypothèse implicite que le signal se continue
périodiquement (cf. fig. A.8(d)). Par conséquent, le fait d’étendre le signal
périodiquement ne modifie pas l’information spectrale obtenue à l’aide de la
transformation de Fourier discrète.
3. Considérons maintenant une extension non périodique du signal numérique de
la figure A.9 (N = 6, T = 1, fig. A.13).
182 TRANSFORMATION DE FOURIER

xn

0.5

-1 0 1 2 3 4 5 6 n
0 6 tn = nT = n

Fig. A.13 – Signal numérique (N = 6, T = 1).

La transformée de Fourier discrète devient dans ce cas-ci:

5
X
X(k) = xn e−j2πkn/6 k = 0, 1, . . . , 5
n=0

= 1e + 0 + 0.5e−j4πk/6 + 0 + 0 + 0
0

1 + 0.5e−j2πk/3
= 

 1.5 √ pour k = 0
3
 0.75 − √4 j k=1



3

0.75 + 4 j k=2

=

 1.5 √ k=3
3
0.75 − √4 j




 k=4
3
0.75 + 4 j k=5


Comme il fallait s’y attendre, le contenu spectral du cas 3 (fig. A.14) est
différent de celui des cas 1 et 2 (fig. A.10 et A.12). Cependant, les points pour
k = 0, 2, et 4 correspondent exactement à ceux de la figure A.10. Les valeurs
spectrales additionnelles ajoutent de l’information intermédiaire.

Pour une séquence de N points temporels, l’ajout de pN zéros, avec p entier,

permet d’interpoler des valeurs spectrales dans l’intervalle fréquentiel [0, 2π].
Cela permet de lisser l’apparence du spectre, mais n’ajoute aucune information
utile.

4. Considérons finalement le signal de la figure A.15 que l’on peut considérer

comme une version échantillonnée plus rapidement du cas 1 (T = 0.5, N = 6).
A.6 TRANSFORMATION DE FOURIER DISCRÈTE 183

X(k)
1.5

3 /2

-2 0 2 4 6 k
0 2π ωk = k ωs = k 2π
N 6

Fig. A.14 – Spectre d’amplitude du signal numérique de la figure A.13 (N = 6, T =

1)

xn

1
0.75
0.5
0.25

-2 0 2 4 6 n
0 3 tn = nT

Fig. A.15 – Signal numérique (N = 6, T = 0.5).

184 TRANSFORMATION DE FOURIER

X(k)

1.29

0.43

-1 0 1 2 3 4 5 6 k
0 2π 4π ωk = k ωs = k 2π
N 3

Fig. A.16 – Spectre d’amplitude du signal numérique de la figure A.15 (N = 6, T =

0.5).

Sa transformée de Fourier donne (fig. A.16):

5
X
X(k) = xn e−j2πkn/6 k = 0, 1, 2, 3, 4, 5
n=0
0
= 
1e + 0.5e−jπk/3 + 0 + 0.25e−jπk + 0.5e−j4πk/3 + 0.75e−j5πk/3

 3 pour k = 0
1.12 + 0.65j k=1




0.37 − 0.22j k=2

=

 0 k=3
0.37 + 0.22j k=4




1.12 − 0.65j k=5


Le fait d’avoir échantillonné plus rapidement a augmenté l’information du

signal numérique et, de ce fait, modifié son contenu spectral. La plage fréquen-
tielle a doublé par rapport aux cas précédents.

A.7 TRANSFORMATION DE FOURIER RAPIDE (FFT)

Il s’agit là d’une méthode performante servant à minimiser le nombre d’opérations

nécessaires à l’évaluation de la transformée de Fourier discrète d’un signal numérique
xn .
La transformée de Fourier discrète du signal xn et la transformée inverse cor-
respondante sont données par les équations (A.13) et (A.14). La relation entre la
pulsation discrète ωk et le compteur de pulsations discrètes k est, quant à elle, donnée
par l’équation (A.12).
Du point de vue numérique, le calcul de la transformée de Fourier discrète consiste
à calculer la suite {X(0), X(1), . . . X(N − 1)} à partir de la suite {x0 , x1 , . . . xN −1 }.
L’équation (A.13) peut s’écrire:
N
X −1
X(k) = xn z kn k = 0, 1, . . . , N − 1 avec z = e−j2π/N (A.15)
n=0
A.7 TRANSFORMATION DE FOURIER RAPIDE (FFT) 185

ou sous forme matricielle:

   0  
X(0) z ... z0 x0
0 1 2
 X(1)   z z z . . . z −1
N  x1 
..  =  .. .. .. .. .. (A.16)
    
  
 .   . . . .  . 
0 N −1 2(N −1) 2
X(N − 1) z z z . . . z −1)
(N xN −1
ou
X = Zx (A.17)

Si les coefficients z kn ont été précalculés, le calcul de la suite

{X(0), X(1), . . . X(N − 1)} à partir de la suite {x0 , x1 , . . . xN −1 } demande à
première vue N 2 flops (1 flop = 1 multiplication complexe plus une addition
complexe).
Cependant, si N = 2p , on démontre que l’on peut effectuer ces calculs avec
seulement Np multiplications. L’idée est présentée ci-dessous.
Exprimons (A.15) comme suit (avec la notation N = N/2):

N
X −1 N
X −1
kn
X(k) = xn z + xn z kn k = 0, 1, . . . , N − 1
n=0 n=N
N
X −1
= [xn + xn+N z kN ]z kn (A.18)
n=0

Notons que: 
kN −jπk 1 pour k pair
z =e =
−1 pour k impair

Avec la notation z = z 2 = e−j(2π/N ) , (A.18) donne:

• Pour k pair, k = 2q = 0, 2, . . . , N − 2 (q = 0, 1, . . . , N − 1)

N
X −1 N
X −1
qn
X(2q) = [xn + xn+N ](z) = x+
n (z)
qn
= X + (q) (A.19)
n=0 n=0

où x+
n = xn + xn+N (n = 0, 1, . . . , N − 1)
• Pour k impair, k = 2q + 1 = 1, 3, . . . , N − 1 (q = 0, 1, . . . , N − 1)

N
X −1 N
X −1
X(2q + 1) = [xn − xn+N ]z n (z)qn = x−
n (z)
qn
= X − (q) (A.20)
n=0 n=0

où x−n = xn − xn+N z

n
(n = 0, 1, . . . , N − 1)
Ainsi, la transformée de Fourier discrète d’un signal de longueur N se laisse
calculer à partir des transformées de Fourier discrètes de deux signaux de longueur
N/2. Ces dernières se laissent à leur tour calculer à partir de séquences de longueur
186 TRANSFORMATION DE FOURIER

N/4. Et, pour N = 2p , ce processus récursif peut se répéter jusqu’à N − 1. On

démontre alors que le nombre de flops pour évaluer la transformée de Fourier discrète
d’un signal de longueur N exige approximativement Nlog2 N = Np flops.
Il s’ensuit une réduction considérable du nombre d’opérations lorsque N est
grand. Par exemple, si N = 1024(p = 10), on a:

N2 ∼
= 106 multiplications
Np ∼
= 104 multiplications

ce qui correspond à une réduction du nombre d’opérations d’un facteur 100.

Si la matrice Z est régulière, ( A.17) donne:

x = Z −1 X

ce qui permet de calculer la suite {x0 , x1 , . . . xN −1 } à partir de la suite

{X(0), X(1), . . . X(N −1)} (inverse de la transformation de Fourier rapide). De nom-
breux programmes, facilement accessibles, implantent la transformation de Fourier
rapide (par exemple, FFT et IFFT sont les commandes MATLAB pour la transfor-
mation de Fourier rapide et son inverse).
Grâce à la transformation de Fourier rapide, les méthodes fréquentielles repré-
sentent un outil d’identification très puissant, surtout dans les cas où
• les signaux d’entrée et de sortie sont de longue durée,
• un grand nombre de points (512 ou plus) est disponible.
 187

Annexe B

MATRICE PSEUDO-INVERSE

B.1 DÉFINITIONS

Toute matrice réelle A de dimension p × q possède une matrice pseudoinverse

unique de dimension q×p , dénotée A+ , et définie par les quatre équations suivantes:
A+ AA+ = A+ (B.1)
AA+ A = A (B.2)
(AA+ )T = AA+ (B.3)
(A+ A)T = A+ A (B.4)
Les conditions (B.3) et (B.4) indiquent simplement que les matrices AA+ et A+ A
sont symétriques. La matrice A+ est également appelée la matrice inverse généralisée
de A. Il convient de considérer quatre cas pour exprimer A+ :
1. Si la matrice A est carrée et régulière, alors
A+ = A−1 (B.5)
satisfait (B.1)-(B.4).
2. Si A est rectangulaire avec des colonnes linéairement indépendantes (p > q =
rang(A)), alors (AT A) est carrée et régulière et
A+ = (AT A)−1 AT (B.6)
satisfait (B.1)-(B.4).
3. Si A est rectangulaire avec des lignes linéairement indépendantes (rang(A) =
p < q), alors (AAT ) est carrée et régulière et
A+ = AT (AAT )−1 (B.7)
satisfait (B.1)-(B.4).
4. Si A n’a pas toutes ses lignes ou toutes ses colonnes linéairement indépen-
dantes (rang(A) < min(p, q)), il n’existe pas d’expression simple pour A+ .
Cependant, il est possible d’utiliser certaines factorisations de matrices, telle
que la décomposition en valeurs singulières (cf. annexe B.4), pour exprimer et
calculer A+ .
188 MATRICE PSEUDO-INVERSE

B.2 PROPRIÉTÉS

1.
(A+ )+ = A (B.8)
2.
(AT )+ = (A+ )T (B.9)
3.
1 +
(λA)+ = λ+ A+ = A λ scalaire, λ 6= 0 (B.10)
λ
4.
(AT A)+ = A+ (AT )+ = A+ (A+ )T (B.11)
(AAT )+ = (AT )+ A+ = (A+ )T A+ (B.12)
Mais en général:(AB)+ 6= B + A+
5. Pour A de dimension p × r et B de dimension r × q, on a:

(AB)+ = B T (BB T )−1 (AT A)−1 AT (B.13)

Si de plus rang(A) = rang(B) = r, alors

(AB)+ = B + A+ (B.14)

B.3 RÉSOLUTION D’UN SYSTÈME D’ÉQUATIONS ALGÉ-

BRIQUES LINÉAIRES

Soit le système de p équations algébriques à q inconnues:

y = Ax
(B.15)
(p × q)

Une des quatre situations suivantes peut se présenter:

1. p = q = rang(A)
Il y a autant d’équations (indépendantes) que d’inconnues. Dans ce cas, la
solution de l’équation (B.15) donne:

x = A+ y = A−1 y (B.16)

2. p > q = rang(A)
Il y a plus d’équations que d’inconnues et le système d’équations est incon-
sistant (sur-déterminé). Dans ce cas, on peut utiliser la pseudo-inverse de A
pour calculer la solution moindres carrées x̂, c’est-à-dire celle qui minimise la
norme euclidienne ky − Axk:

x̂ = A+ y = (AT A)−1 AT y (B.17)

B.4 CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD 189

3. rang(A) = p < q
Il y a moins d’équations que d’inconnues si bien que le système d’équations est
sous-déterminé. Il existe donc une infinité de solutions. Il est possible d’utiliser
la pseudo-inverse de A pour obtenir la solution x̂ à norme minimale, c’est-à-dire
celle qui minimise la norme euclidienne kxk:
x̂ = A+ y = AT (AAT )−1 y (B.18)
4. rang(A) < min(p, q)
Si la matrice A n’est pas de rang plein, les matrices A, (AT A) et (AAT ) ne
sont pas régulières. Il est cependant possible de calculer la solution à norme
minimale comme suit:
x̂ = A+ y (B.19)
On voit donc que, quel que soit le système d’équations algébriques linéaires,
l’utilisation de la matrice pseudo-inverse permet d’obtenir une solution intéres-
sante (solution vraie, solution moindres carrés ou solution à norme minimale,
selon les cas). Il est donc utile de calculer cette matrice pseudoinverse.

B.4 CALCUL DE LA MATRICE PSEUDO-INVERSE PAR SVD

Toute matrice réelle A de dimension p × q peut être décomposée en un produit

de trois matrices comme suit:
A = UΣV T (B.20)
où U est une matrice unitaire de dimension p, (UU T = Ip ), V une matrice unitaire de
dimension q, (V V T = Iq ) et Σ une matrice diagonale généralisée de dimension p×q.
Une telle factorisation est appelée décomposition en valeurs singulières (Singular
Value Decomposition ou SVD).
La décomposition en valeurs singulières de la matrice A de dimension p × q et
de rang r donne:
 T 
σ1 ν1

T 
σ2 ν
  .2 
  
..

. 0   .. 
  
A = [u1 u2 . . . ur . . . up ]    T  (B.21)

 σr   νr 
.  . 
..   .. 

 0
0 νqT
(p × q) (p × p) (p × q) (q × q)
  
T
σ1 ν1
T 
 σ2 0   ν2 
 
= [u1 u2 . . . ur ]  . (B.22)

.
0 ..   .. 
  

σr νrT
(p × r) (r × r) (r × q)
= U1 Σ1 V1T (B.23)
190 MATRICE PSEUDO-INVERSE

Le rang de la matrice A est donné par le nombre de valeurs singulières non nulles.
La matrice pseudo-inverse de A se calcule aisément comme suit:

A+ = V Σ+ U T (B.24)

où Σ+ , la matrice pseudo-inverse de Σ, est obtenue en inversant chaque élément non

nul de ΣT .
A partir de (B.23), on peut aussi écrire:

A+ = V1 Σ+ T
1 U1 (B.25)
 191

Annexe C

TRANSFORMATIONS DE
LAPLACE ET EN Z

Propriétés de la transformation de Laplace.

Name Theorem
 
df
Derivative L = sF (s) − f (0+ )
dt
 n 
d f
nth-order derivative L n
= sn F (s) − sn−1 f (0+ ) − · · · f n+1 (0+ )
dt
Z t 
F (s)
Integral L f (τ )dτ =
0 s

Shifting L[f (t − t0 )u(t − t0 )] = e−t0 s F (s)

Initial value lim f (t) = lim sF (s)

t→0 s→∞

Final value lim f (t) = lim sF (s)

t→∞ s→0

Frequency shift L[e−at f (t)] = F (s + a)

Z t
−1
Convolution integral L [F1 (s)F2 (s)] = f1 (t − τ )f2 (τ )dτ
0
Z t
= f1 (τ )f2 (t − τ )dτ
0
192 TRANSFORMATIONS DE LAPLACE ET EN Z

Tab. C.1 – Propriétés de la transformation en z.

x(t) or x(k) Z[x(t)] or Z[x(k)]
1. ax(t) aX(z)
2. ax1 (t) + bx2 (t) aX1 (z) + bX2 (z)
3. x(t + T ) or x(k + 1) zX(z) − zx(0)
4. x(t + 2T ) z 2 X(z) − z 2 x(0) − zx(T )
5. x(k + 2) z 2 X(z) − z 2 x(0) − zx(1)
6. x(t + kT ) z k X(z) − z k x(0) − z k−1 x(T ) − · · · − zx(kT − T )
7. x(t − kT ) z −k X(z)
8. x(n + k) z k X(z) − z k x(0) − z k−1 x(1) − · · · − zx(k − 1)
9. x(n − k) z −k X(z)
d
10. tx(t) −T z X(z)
dz
d
11. kx(k) −z X(z)
dz
12. e−at x(t) X(zeaT )
13. e−ak x(k) X(zea )
14. ak x(k) X(z/a)
d z
15. kak x(k) −z X( )
dz a
16. x(0) lim X(z) if the limit exists
z→∞
lim [(1 − z −1 )X(z)] if (1 − z −1 )X(z) is
17. x(∞) z→1
analytic on and outside the unit circle
18. ∇x(k) = x(k) − x(k − 1) (1 − z −1 )X(z)
19. ∆x(k) = x(k + 1) − x(k) (z − 1)X(z) − zx(0)
n
X 1
20. x(k) X(z)
k=0
1 − z −1
∂ ∂
21. x(t, a) X(z, a)
∂a ∂a
 m
d
22. k m x(k) −z X(z)
dz
n
X
23. x(kT )y(nT − kT ) X(z)Y (z)
k=0
∞
X
24. x(k) X(1)
k=0
 193

Tab. C.2 – Paires x(t) ↔ X(s) et x(k) ↔ X(z).

x(s) x(t) x(kT ) or x(k) X(z)
1. − − δ(k) 1
2. − − δ(n − k) z −k
1 1
3. s
1(t) 1(k) 1−z −1
1 1
4. s+a
e−at e−akT 1−e−aT z −1
1 T z −1
5. s2
t kT (1−z −1 )2
2 T 2 z −1 (1+z −1 )
6. s3
t2 (kT )2 (1−z −1 )3
3
T z (1+4z −1 +2z −2 )
6
t3 (kT )3
−1
7. s4 (1−z −1 )4
a (1−e−aT )z −1
8. s(s+a)
1 − e−at 1 − e−akT (1−z −1 )(1−e−aT z −1 )
b−a (e−aT −e−bT )z −1
9. (s+a)(s+b)
e−at − e−bt e−akT − e−bkT (1−e−aT z −1 )(1−e−bT z −1 )
1 T e−aT z −1
10. (s+a)2
te−at kT e−akT (1−e−aT z −1 )2
s 1−(1+aT )e−aT z −1
11. (s+a)2
(1 − at)e−at (1 − akT )e−akT (1−e−aT z −1 )2
2 T 2 e−aT (1+e−aT z −1 )z −1
12. (s+a)3
t2 e−at (kT )2 e−akT (1−e−aT z −1 )3
a2 [(aT −1+e )+(1−e−aT −aT e−aT )z −1 ]z −1
at − 1 + e−at akT − 1 + e−akT
−aT
13. s2 (s+a) (1−z −1 )2 (1−e−aT z −1 )
ω z −1 sin ωT
14. s2 +ω 2
sin ωt sin ωkT 1−2z −1 cos ωT +z −2
s 1−z −1 cos ωT
15. s2 +ω 2
cos ωt cos ωkT 1−2z −1 cos ωT +z −2
ω e−aT z −1 sin ωT
16. (s+a)2 +ω 2
e−at sin ωt e−akT sin ωkT 1−2e−aT z −1 cos ωT +e−2aT z −2
s+a 1−e−aT z −1 cos ωT
17. (s+a)2 +ω 2
e−at cos ωt e−akT cos ωkT 1−2e−aT z −1 cos ωT +e−2aT z −2
1
18. ak 1−az −1
ak−1 z −1
19. 1−az −1
k = 1, 2, . . .
z −1
20. kak−1 (1−az −1 )2
z −1 (1+az −1 )
21. k 2 ak−1 (1−az −1 )3
z −1 (1+4az −1 +a2 z −2 )
22. k 3 ak−1 (1−az −1 )4
z (1+11az −1 +11a2 z −2 +a3 z −3 )
k 4 ak−1
−1
23. (1−az −1 )5
1
24. ak cos kπ 1+az −1
x(t) = 0 pour t < 0; x(kT ) = x(k) = 0 pour k < 0; par défaut k = 0, 1, 2 . . .
194 TRANSFORMATIONS DE LAPLACE ET EN Z
 195

BIBLIOGRAPHIE

K.J. ASTRÖM et B. WITTENMARK , Adaptive Control, Addison-Wesley, 1989.

G.E.P. BOX , G.M. JENKINS et G.C. REINSEL , Time Series Analysis:Forecasting
and Control, Prentice-Hall, 1994.
C.T. CHEN , Linear System Theory and Design, Holt, Rinehart and Winston, 1984.
F. DE COULON , Théorie et traitement des signaux, Traité d’Electricité Vol. VI,
Presses polytechniques romandes, 1984.
J.M. FLAUS , La régulation industrielle, Hermès, 1994.
G.F. FRANKLIN et J.D. POWEL l, Digital Control of Dynamic Systems, Addison-
Wesley, 1980.
D. GRAUPE , Identification of Systems, Krieger, 1976.
R. ISERMANN , K.H. LACHMANN et D. MATKO , Adaptive Control Systems,
Prentice-Hall, 1992.
R.G. JACQUOT , Modern Digital Control Systems, Marcel Dekker, 1981.
R. JOHANSSON , System Modeling and Identification, Prentice-Hall, 1993.
J.N. JUANG , Applied System Identification, Prentice-Hall, 1994.
H. KWAKERNAAK et R. SIVAN , Modern Signal and Systems, Prentice-Hall, 1991.
I.D. LANDAU , Identification et commande des systèmes, Hermès, 1993.
I.D. LANDAU , R. LOZANO et M. M’SAAD , Adaptive Control, Springer-Verlag,
1998.
P. DE LARMINAT et Y. THOMAS , Automatique des systèmes linéaires. 2. Identifi-
cation, Flammarion Sciences, 1977.
J.R. LEIGH , Modelling and Simulation, IEE Topics in Control Series 1, Peter Per-
egrinus Ltd, 1983.
L. LJUNG , System Identification: Theory for the User, Prentice-Hall, 1987.
L. LJUNG et T. GLAD , Modeling of Dynamic Systems, Prentice-Hall, 1994.
L. LJUNG et T. SÖDERSTRÖM , Theory and Practice of Recursive Identification,
MIT Press, 1987.
M. O’FLYNN and E. MORIARTY , Linear Systems. Time Domain and Transform
Analysis, John Wiley, 1987.
K. OGATA , Discrete-Time Control Systems, Prentice-Hall, 1987.
R. PETIT , L’outil mathématique, Masson, 1991.
196 BIBLIOGRAPHIE

J. RICHALET , Pratique de l’identification, Hermès, 1998.

J. RICHALET , A. RAULT et R. POULIQUEN , Identification des processus par la
méthode du modèle, Gordon & Breach, 1971.
J. SCHOUKENS et R. PINTELON , Identification of Linear Systems, Pergamon Press,
1991.
B. SHAHIAN et M. HASSUL , Control System Design Using MATLAB, Prentice-Hall,
1993.
N.K. SINHA , Linear Systems, John Wiley, 1991.
N.K. SINHA et B. KUSZTA , Modeling and Identification of Dynamic Systems, Van
Nostrand Reinhold, 1983.
T. SÖDERSTRÖM et P. STOICA , System Identification, Prentice-Hall, 1989.
P. STOICA et R. MOSES , Introduction to Spectral Analysis, Prentice-Hall, 1997.
H. UNBEHAUEN , Regelungstechnik I-III, Vieweg, 1985.
J. VAN DE VEGTE , Feedback Control Systems, Prentice-Hall, 1994.
P.P.J. VAN DEN BOSCH , A.C. VAN DER KLAUW , Modeling, Identification and
Simulation of Dynamical Systems, CRC Press, 1994.
E. WALTER et L. PRONZATO , Identification de modèles paramétriques à partir de
données expérimentales , Masson, 1994.
Y. ZHU et T. BACKX , Identification of Multivariable Industrial Processes, Springer-
Verlag, 1993.