Systèmes Multivariables
Dr. Denis Gillet, MER
Support:
Polycopié Systèmes multivariables!(2010) de D. Gillet
qui est disponible en ligne (mot de passe: ????)
et certaines sections des chapitres 13 et 14 du livre
Commande Numérique de Systèmes Dynamiques,
Volume 2, Troisième édition (2010) de R. Longchamp
2
http://lawww.epfl.ch/page4228.html
Syllabus (automne 10)
http://lawww.epfl.ch/page4228.html
!1.! Représentation d'état (22 septembre): Introduction. Exemples qualitatifs. Représentation d'état analogique.
!2.! Représentation d'état (29 septembre): Simulation. Représentation d'état discrète. Trajectoires et points de
fonctionnement. Commande a priori
!3.! Exercices"+ Introduction à l'étude de cas"(6 octobre): Introduction ex catherdra à l'étude de cas;
exercices!(assistant:!Alain Bock)
!4.! Linéarisation (13 octobre): Linéarisation locale. Linéarisation globale
!5.! Discrétisation"(20 octobre):!Discrétisation de modèles linéaires (prise en compte de convertisseurs AD &
DA).!Méthodes de calcul de l'exponentielle de matrice
6.! Analyse dynamique des systèmes MIMO discrets et"Principe de la commande d'état (27
octobre):!Solution de l'équation d'état discrète. Matrice de transfert. Stabilité,!Formes canoniques.!Synthèse
constructive du régulateur
7." Commande d'état SISO (3 novembre): Formule d'Ackermann pour le régulateur.!Gouvernabilité. Commande à
réponse pile
!8.! Etude de cas"(10 novembre): Etude de cas au laboratoire!-!ME A0 392!(assistant: Alain Bock)
9.! Extensions de la commande d'état (17 novembre)
!10.! Observation d'état (24 novembre): Méthode constructive. Formule d'Ackermann pour l'observateur.
Observabilité
!11.! Commande d'état optimale (1er décembre): Introduction à la commande d'état MIMO. Solution du problème
optimal par Lagrange
12.! Commande d'état optimale (8 décembre): Commande optimale linéaire quadratique (LQR) stationnaire
!13.! Estimation d'état optimale et révision (15 décembre).
!14.! Etude de cas"(22 décembre): Etude de cas au laboratoire -!ME A0 392!(assistant: Alain Bock).!0.5 pts de bonus
(sur la base d'un rapport à rendre pour le 8 janvier par email à!Alain Bock)!!
Cours de 10h15 à 12h
4
Introduction sur des exemples
Entraînement électrique
Rétroaction classique
Commande en cascade
Introduction sur des exemples
Entraînement électrique
Commande d’état
6
Introduction sur des exemples
Pendule inversé
Applications
Interactions dynamiques
Introduction sur des exemples
Pendule inversé
Commande d’état
8
Introduction sur des exemples
Robot 2D
10
Linéarité
Additivité f (x + y) = f (x) + f (y)
+ Homogénéité f (αx) = αf (x)
Principe de
superposition
f (αx + βy) = αf (x) + βf (y)
Comportement proportionnel
ẏ(t) ẏ(t)
u(t) u(t)
ẏ(t) = f [u(t), t] = au(t) ẏ(t) = f [u(t), t] = au(t) + b
11
Linéarité
u1 → ẏ1 = au1
u2 → ẏ2 = au2
u = αu1 + βu2 → ẏ = a(αu1 + βu2 ) = α(au1 ) + β(au2 ) = αẏ1 + β ẏ2
Le principe de superposition s’applique
u1 → ẏ1 = au1 + b
u2 → ẏ2 = au2 + b
u = αu1 + βu2 → ẏ = a(αu1 + βu2 ) + b = α(au1 ) + β(au2 ) + b �= αẏ1 + β ẏ2
Le principe de superposition ne s’applique pas
12
Signaux discrets
w(tk )
t1 t5
t2 t3 t4 t
t−3 t−2 t−1 t0
h est la période d’échantillonnage tk = kh
w(tk ) = w(kh) → w(k)
Les techniques avancées de commande n’ont de sens
qu’implantées sur ordinateurs, donc numériques
13
Etat d’un système
x1 , x2 , . . . , xn
u1 , u2 , . . . , ur y1 , y2 , . . . , yp
État
• Actions • Réactions
• Causes Entrées
ce qui est susceptible Sorties • Effets
d’évoluer
• Données • Résultats
• Moyens disponibles Conditions initiales • Comportements qui
pour influencer le doivent être
système observés ou modifiés
• Excitation • Réponse du système
• Grandeurs pouvant • Observations
Perturbations
être manipulées • Mesures
• Influence de l’environnement sur le système
• Grandeurs ne pouvant pas être manipulées
Le modèle est une représentation mathématique qui décrit les
interactions entre les entrées et l’état, et entre l’état et les sorties
14
Entraînement électrique
Electrical Drive
i
J
θ
R
u ui
f
Partie électrique Partie mécanique
u(t) = Ri(t) + ui (t) J ω̇(t) = M (t) − f ω(t)
ui (t) = kω(t) θ̇(t) = ω(t)
M (t) = ki(t)
15
Entraînement électrique
Electrical Drive
i
J
θ
R
u ui
f
Modèle physique Choix des variables d’état
� �
k2 x1 (t) = θ(t)
ω̇(t) = − J1 + f ω(t) + k
JR u(t)
R x2 (t) = ω(t)
ω(t) = θ̇(t) y(t) = θ(t)
Modèle d’état: équation d’état Modèle d’état: équation de sortie
ẋ1 (t) = x2 (t) y(t) = x1 (t)
� 2 �
ẋ2 (t) = − J1 kR + f x2 (t) + k
JR u(t)
16
Systèmes analogiques non linéaires
Nonlinear continuous time systems
�
� ẋ1 (t) = f1 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] ẋ1 (t)
�
� ẋ2 (t) = f2 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] ẋ2 (t)
�
� .. ẋ (t) = ..
� . .
�
� ẋn (t) = fn [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] ẋn (t)
�
� y1 (t) = g1 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] y1 (t)
�
� y2 (t) = g2 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] y2 (t)
�
� .. y (t) = ..
� . .
�
� yp (t) = gp [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t] yp (t)
x1 (t) u1 (t) f1 [x (t) , u (t) , t]
x2 (t) u2 (t) f2 [x (t) , u (t) , t]
x (t) = .. u (t) = .. f [x (t) , u (t) , t] = ..
. . .
xn (t) ur (t) fn [x (t) , u (t) , t]
17
Systèmes analogiques non linéaires
Nonlinear continuous time systems
�
� ẋ1 (t) = f1 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
�
� ẋ2 (t) = f2 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
�
� ..
� .
�
� ẋn (t) = fn [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
�
� y1 (t) = g1 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
�
� y2 (t) = g2 [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
�
� ..
� .
�
� yp (t) = gp [x1 (t) , . . . , xn (t) , u1 (t) , . . . ur (t) , t]
ẋ(t) = f [x(t), u(t), t]
y(t) = g [x(t), u(t), t]
18
Sélection des variables d’état
Selection of the state variables
aω̈(t) + sin ż(t) = u21 (t)
�
v̇(t) + cos ż(t) = u2 (t)
ż(t) = αt
Ne pas prendre en considération les dérivées des entrées
19
