Analyse de la robustesse d'un système asservi
Analyse de la robustesse d'un système asservi
Analyse de la robustesse d'un système asservi
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
An alyse d e <strong>la</strong><br />
Robu stesse<br />
d es Systèm es Asservis<br />
ULP – ENSPS 3a ISAV- MASTER ISTI<br />
Ed ou ard Laroch e<br />
<strong>la</strong>roch e@lsiit.u - strasbg.fr<br />
h ttp :/ / eavr.u -<br />
strasbg.fr/ ~ <strong>la</strong>roch e/ stu d en t/
+<br />
Problém atiqu e<br />
-<br />
correcteur<br />
Process<br />
• Souvent, le correcteur est établi pour un<br />
modèle du processus correspondant au<br />
fonctionnement nominal<br />
• Robustesse en stabilité: le <strong>système</strong> bouclé est- il<br />
stable malgré <strong>de</strong>s variations <strong>de</strong> comportement<br />
du modèle ?<br />
• Robustesse en performance : les performances<br />
sont elles conservées malgré <strong>de</strong>s variations <strong>de</strong><br />
comportement du modèle ?<br />
u<br />
y<br />
2
Les sou rces d ’erreu r d e<br />
m od élisation<br />
• Param ètres m al con n u s (m al id en tifiés<br />
ou qu i varien t len tem en t)<br />
• Erreu rs d e m od élisation :<br />
- certain s p aram ètres su bissen t d es<br />
variation s d on t on n églige les<br />
d yn am iqu es<br />
- certain es d yn am iqu es son t n égligées<br />
d an s le m od èle d e syn th èse<br />
3
Bu ts d e cet en seign em en t<br />
• Don n er les bases th éoriqu es<br />
(con cep ts et th éorèm es)<br />
• Don n er u n e ‘cu ltu re’ (les ou tils<br />
d isp on ibles p ou r l’an alyse d e <strong>la</strong><br />
stabilité, le vocabu <strong>la</strong>ire)<br />
4
P<strong>la</strong>n <strong>de</strong> l’exposé<br />
A- In trod u ction<br />
B- Robu stesse d es systèm es à<br />
p aram ètres con stan ts in certain s<br />
(m od èle LFR)<br />
C- Robu stesse d es systèm es à<br />
p aram ètres varian t d an s le tem p s<br />
(m od èle LPV affin e)<br />
5
Bibliograp h ie (1)<br />
• Duc G. and Font S., Com m an<strong>de</strong> H et μanalyse ‑ ,<br />
∞<br />
Hermes, 1999<br />
• Ba<strong>la</strong>s G.J., Doyle J.C., Glover K., Packard A. and<br />
Smith R., μ- Analysis and Synthesis Toolbox, The<br />
MathWorks, 1994<br />
• Boyd S., El Ghaoui L., Feron E. and Ba<strong>la</strong>krishnan V.,<br />
Linear Matrix Inequalities in System and Control<br />
Theory, SIAM, 1994<br />
• Fan M.K.H., Tits A.L. and Doyle J.C., Robustness in<br />
the presence of mixed parametric uncertainty and<br />
unmo<strong>de</strong>led dynamics, IEEE trans. Autom atic Control,<br />
vol. 36, no. 1, 1991<br />
• Ferreres G., A Practical Approach to Robustness<br />
Analysis with Aeronautical Applications, Kluwer<br />
6<br />
Aca<strong>de</strong>mic Publishers, 2001.
Bibliograp h ie (2)<br />
• Gahinet P., Nemirovski A., Laub A.J. and Chi<strong>la</strong>li M.,<br />
LMI Control Toolbox, The MathWorks, 1995<br />
• Magni J.F., Linear Fractional Representations with a<br />
Toolbox for use with Mat<strong>la</strong>b, rapport technique,<br />
ONERA, 2001<br />
• Scherer C. and Wei<strong>la</strong>nd S., Lecture Notes on DISC<br />
Course on Linear Matrix Inequalities in Control,<br />
Université <strong>de</strong> Delft (Pays- Bas), 1999,<br />
h ttp :/ / www.ocp .tu d elft.n l/ sr/ p erson al/ Sch erer/<br />
• Young P.M. and Doyle J.C., Computation of μ with<br />
real and complex uncertainties, proc. of Conference<br />
on Decision and Control, pp. 1230- 1235, 1990<br />
• Zhou K., Doyle J.C. and Glover K., Robust and<br />
7<br />
Optim al Control, Prentice ‑<br />
Hall, 1996
Ou tils m at<strong>la</strong>b<br />
● μ- Analysis and Synthesis Toolbox : calcul <strong>de</strong> μ<br />
● LMI toolbox m at<strong>la</strong>b : solver LMI + fonctions<br />
d’analyse et <strong>de</strong> synthèse pour m odèles LPV<br />
● LMI toolbox (El Guaoui) : solver LMI<br />
http:/ / robotics.eecs.berkeley.edu/ ~ elghaoui/ lmitool/ l<br />
mitool.html<br />
● LMI toolbox (SEDUMI) : solver LMI<br />
http:/ / fewcal.kub.nl/ sturm/ software/ sedumi.html<br />
● LFR toolbox : création et m anipu<strong>la</strong>tion <strong>de</strong><br />
représentations linéaires fractionnaires (LFR),<br />
http:/ / www.onera.fr/ dcsd<br />
8
T<br />
Notation s et acron ym es<br />
( ) ( ( ) ) T<br />
θ = M<br />
M θ<br />
LTI: linéaire à temps invariant<br />
LTV: linéaire à temps variant<br />
LPV: linéaire à paramètres variants<br />
LFR: linear fractional representation<br />
LFT: linear fractional transformation<br />
LMI: linear matrix inequality<br />
co : enveloppe convexe<br />
9
A- Introduction<br />
A1- les d ifféren ts typ es d e m od èles<br />
A2- in égalités m atricielles affin es (LMI)<br />
A3- con vexité<br />
A4- m éth od es d ’an alyse d e <strong>la</strong> stabilité<br />
A5- critères d e p erform an ce<br />
A6- les d ifféren ts p roblèm es d e<br />
robu stesse<br />
A7- exem p le traité
A1- Différents ty pes <strong>de</strong><br />
modèles<br />
• Systèm e LTI<br />
• Systèm e LTV<br />
• Systèm e LPV<br />
• Systèm e qu asi- LPV<br />
• Systèm e n on - lin éaire<br />
11
Systèm e lin éaire à tem p s<br />
in varian t (LTI)<br />
u<br />
u y<br />
x<br />
y<br />
⎧x<br />
= Ax + Bu<br />
⎨<br />
⎩y<br />
= Cx + Du<br />
nu<br />
∈ R y = G(<br />
s)<br />
x ∈ R<br />
y ∈ R<br />
n<br />
n<br />
G<br />
G<br />
u<br />
( s)<br />
= C ( sI − A)<br />
n<br />
x<br />
ny×<br />
nu<br />
( s)<br />
∈ R<br />
−1<br />
B + D<br />
12
Systèm e lin éaire à tem p s<br />
varian t (LTV)<br />
u y<br />
⎧ x = A(<br />
t)<br />
x + B(<br />
t)<br />
u<br />
⎨<br />
⎩ y = C(<br />
t)<br />
x + D(<br />
t)<br />
u<br />
13
θ ∈ Θ<br />
Θ<br />
θ<br />
w<br />
k0<br />
θ<br />
Systèm e lin éaire à<br />
p aram ètre varian t (LPV)<br />
u<br />
θ<br />
[ ] [ ]<br />
θ ;<br />
θ × θ ; θ<br />
( ) θ + θ<br />
( ) θ − θ<br />
⎧<br />
⎨<br />
⎩<br />
[ ] θ ; θ = [ θ − w ; θ + w ]<br />
k<br />
=<br />
k<br />
=<br />
=<br />
k<br />
⊂<br />
1<br />
1<br />
2<br />
1<br />
2<br />
R<br />
1<br />
n<br />
k<br />
k<br />
θ<br />
k0<br />
2<br />
k<br />
k<br />
k<br />
2<br />
×<br />
k0<br />
x<br />
y<br />
=<br />
A(<br />
θ)<br />
x + B(<br />
θ)<br />
u<br />
= C(<br />
θ)<br />
x + D(<br />
θ)<br />
u<br />
× ⎡θ ⎢⎣ n ; θ<br />
Θ<br />
On parle <strong>de</strong> <strong>système</strong> quasi- LPV si θ = Fx<br />
k<br />
n<br />
Θ<br />
⎤<br />
⎥⎦<br />
y<br />
14
Systèm e n on - lin éaire<br />
u y<br />
⎧x<br />
=<br />
⎨<br />
⎩y<br />
=<br />
f ( x,<br />
u,<br />
θ)<br />
g(<br />
x,<br />
u,<br />
θ)<br />
f<br />
: R<br />
g : R<br />
Le modèle linéarisé est un modèle LPV :<br />
A(<br />
x<br />
B(<br />
x<br />
0<br />
0<br />
, u<br />
, u<br />
0<br />
0<br />
⎧<br />
⎨<br />
⎩<br />
x<br />
y<br />
=<br />
=<br />
A(<br />
x<br />
C(<br />
x<br />
0<br />
0<br />
∂f<br />
, θ)<br />
= ( x<br />
∂x<br />
∂g<br />
, θ)<br />
= ( x<br />
∂x<br />
0<br />
0<br />
, u<br />
, u<br />
, u<br />
, u<br />
0<br />
0<br />
0<br />
0<br />
, θ)<br />
x + B(<br />
x<br />
, θ)<br />
x + D(<br />
x<br />
, θ)<br />
, θ)<br />
B(<br />
x<br />
D(<br />
x<br />
0<br />
0<br />
0<br />
, u<br />
0<br />
, u<br />
, u<br />
0<br />
0<br />
, u<br />
n<br />
n<br />
0<br />
0<br />
x<br />
x<br />
×<br />
×<br />
, θ)<br />
=<br />
, θ)<br />
=<br />
R<br />
R<br />
, θ)<br />
u<br />
n<br />
n<br />
, θ)<br />
u<br />
u<br />
u<br />
×<br />
×<br />
∂f<br />
( x<br />
∂u<br />
∂g<br />
( x<br />
∂u<br />
Attention, le choix <strong>de</strong>s variables d’état est fondamental<br />
15<br />
pour <strong>la</strong> simplicité du modèle<br />
0<br />
0<br />
R<br />
R<br />
n<br />
n<br />
, u<br />
, u<br />
θ<br />
θ<br />
0<br />
0<br />
→<br />
→<br />
, θ)<br />
, θ)<br />
R<br />
R<br />
n<br />
n<br />
x<br />
y
A2- Inégalités Matricielles<br />
Affines<br />
• LMI = lin ear m atrix in equ ality<br />
16
Défin ition d e <strong>la</strong> p ositivité<br />
• Soit M, une m atrice <strong>de</strong> R n×n .<br />
• M est dite définie positive et on note M > 0, si<br />
et seulem ent si<br />
x<br />
T<br />
Mx<br />
• Équivalent à : vp(M) > 0<br />
> 0 ∀x<br />
∈ R , x ≠<br />
• Rem arque : On travaille sur <strong>de</strong>s m atrices<br />
sym étriques<br />
n<br />
0<br />
17
In égalités m atricielles<br />
affin es (1)<br />
• Soit M 0, …, M p, p+ 1 m atrices <strong>de</strong> R n×n .<br />
• Le problèm e consistant à trouver x 1, …, x p<br />
tels que<br />
M<br />
0<br />
+ 1 1 + + p p M x M x<br />
constitue une inégalité matricielle affine<br />
(AMI ou LMI)<br />
<<br />
0<br />
18
In égalités m atricielles<br />
affin es (2)<br />
• Le p roblèm e d u typ e trou ver u n e<br />
m atrice Q sym étriqu e strictem en t<br />
p ositive telle qu e<br />
A T<br />
Q<br />
+ QA<br />
où A est d on n ée, se ram èn en t au<br />
p roblèm e p récéd en t en p osan t<br />
Q<br />
=<br />
⎡ x<br />
⎢<br />
⎣x<br />
d an s le cas d e m atrices 2×2.<br />
1<br />
2<br />
x<br />
x<br />
2<br />
3<br />
⎤<br />
⎥<br />
⎦<br />
<<br />
0<br />
19
M<br />
M<br />
LMI : p rop riétés<br />
< N ⇔ M − N<br />
< γI<br />
⇔ vp(M )<br />
Un <strong>système</strong> <strong>de</strong> plusieurs LMI est une LMI:<br />
M<br />
> 0⎫<br />
⎬ ⇔<br />
N > 0 ⎭<br />
⎡M<br />
⎢<br />
⎣ 0<br />
<<br />
<<br />
γ<br />
0<br />
N<br />
0<br />
⎤<br />
⎥<br />
⎦<br />
><br />
0<br />
20
Ed iteu rs LMI<br />
• In terfaces vers les solveu rs:<br />
– LMI control toolbox (commercial)<br />
– LMI tools <strong>de</strong> El Ghaoui<br />
(http:/ / robotics.eecs.berkeley.edu/ ~ elghaoui/ )<br />
– SeDuMi <strong>de</strong> Peaucelle<br />
(http:/ / www.<strong>la</strong>as.fr/ ~ peaucell/ SeDuMiInt.html)<br />
– YALMIP<br />
(http:/ / control.ee.ethz.ch/ ~ joloef/ yalmip.php)<br />
21
lm ied it (toolbox LMI<br />
con trol)<br />
22
A3- Conv exité<br />
• en sem ble con vexe<br />
• fon ction con vexe<br />
• m u lticon vexité<br />
23
En sem ble con vexe<br />
• Un en sem ble E est d it con vexe si<br />
x ∈ E ⎫<br />
⎬ ⇒ λx<br />
+ ( 1−<br />
λ)<br />
y ∈E<br />
∀λ<br />
∈[<br />
0,<br />
1]<br />
y ∈ E⎭<br />
p ou r tou t cou p le d e p oin ts (x,y), le<br />
segm en t qu i les relie ap p artien t<br />
au ssi à l’en sem ble<br />
Ensem ble convexe<br />
Ensem ble non convexe<br />
24
• Soit<br />
En sem ble con vexe<br />
p articu lier<br />
{ min<br />
max<br />
x x ≤ x x }<br />
E =<br />
\ k k ≤ k<br />
Cet en sem ble est ap p elé<br />
p arallélép ip èd e rectan gle ou boite ;<br />
il est con vexe<br />
25
En velop p e con vexe<br />
• On note co(E) le plus petit ensem ble<br />
convexe contenant l’ensem ble E.<br />
• co(E) est aussi l’ensem ble <strong>de</strong>s<br />
com bianaisons barycentriques <strong>de</strong>s<br />
élém ents <strong>de</strong> E :<br />
co<br />
{ E}<br />
x 4<br />
x 3<br />
⎪⎧<br />
n<br />
n<br />
= ⎨∑λ<br />
∈ ≤ λ ≤ ∑<br />
k xk<br />
\ x k E,<br />
0 k 1,<br />
λ<br />
⎪⎩<br />
k = 1 k=<br />
1<br />
x1 x 2<br />
co{E}<br />
k<br />
⎪⎫<br />
= 1 ⎬<br />
⎪⎭<br />
E={X 1,X 2, X 3,X 4}<br />
26
Ap p lication 1<br />
• Pour que l’inégalité m atricielle f(x) < 0 affine en<br />
x soit vérifiée sur F = co{E}, il suffit qu’elle soit<br />
vérifiée sur E.<br />
Supposons en effet que <strong>la</strong> LMI soit vérifiée sur E,<br />
alors:<br />
( x)<br />
= M + ∑ M x < 0 ∀x<br />
= ( x ) ∈ E<br />
f 0<br />
j j<br />
j<br />
j<br />
Et calculons f(x), pour x∈F:<br />
x<br />
=<br />
f x =M 0 ∑ j<br />
( x )<br />
∑λ = ∈ ≤ λ ≤ ∑ k xk<br />
\ xk<br />
kj E,<br />
0 k 1,<br />
k<br />
k=<br />
M j x j =M 0∑ k<br />
k ∑ j<br />
M j∑ k<br />
n<br />
1<br />
λ<br />
k<br />
= 1<br />
k x kj =∑ k<br />
k M 0 ∑ j<br />
0<br />
M x 0<br />
j kj
Fon ction con vexe<br />
• <strong>la</strong> fonction f est dite convexe ssi<br />
λf(x 1 )+(1- λ)f(x 2 )<br />
( λx<br />
+ ( 1− λ)<br />
x ) ≤ λf<br />
( x ) + ( 1−<br />
) f ( x )<br />
f λ<br />
1<br />
2<br />
c’est- à- dire si le segm ent passe au<strong>de</strong>ssus<br />
<strong>de</strong> <strong>la</strong> courbe<br />
f(λx 1+(1- λ)x 2)<br />
x 1<br />
λx 1 +(1- λ)x 2<br />
x 2<br />
1<br />
2<br />
28
En sem ble m u lticon vexe<br />
• Un ensem ble E est dit m ulticonvexe s’il est<br />
convexe dans chacune <strong>de</strong>s directions <strong>de</strong><br />
l’espace<br />
• Un ensem ble convexe est m ulticonvexe<br />
m ais un ensem ble m ulticonvexe n’est pas<br />
nécessairem ent convexe<br />
• En dim ension 1, convexité et m ulticonvecité<br />
coinci<strong>de</strong>nt<br />
Ensem ble<br />
m ulticonvexe<br />
Ensem ble non m ulticonvexe<br />
29
Fon ction m u lti- con vexe<br />
• Un e fon ction est m u lti- con vexe si<br />
elle est con vexe d an s ch acu n e d es<br />
d irection s d e l’esp ace<br />
• Un e fon ction con vexe est<br />
n écessairem en t m u lticon vexe<br />
• Il existe d es fon ction s m u lticon vexes<br />
n on con vexes<br />
30
Ap p lication d e <strong>la</strong> m u lticon<br />
vexité<br />
• Soit f u n e fon ction m u lti- con vexe et<br />
E u n e boite en gen d rée p ar l’en sem ble<br />
E s d e ses som m ets (E = co(E s ))<br />
• f(x) < 0 su r E si f(x) < 0 su r E s<br />
• Au trem en t d it, il su ffit d e vérifier <strong>la</strong><br />
con d ition su r les som m ets d e E.<br />
0<br />
x m in<br />
x m ax<br />
31
A4- Analy se <strong>de</strong> stabilité<br />
• p ôles d ’u n systèm e lin éaire<br />
• th éorèm e d u p etit gain<br />
• th éorie d e Lyap u n ov<br />
32
Pôles d ’u n systèm e lin éaire<br />
• Un systèm e au ton om e lin éaire x = Ax<br />
est stable si les valeu rs p rop res d e <strong>la</strong><br />
m atrice A , ap p elées p ôles d u systèm e,<br />
son t à p artie réelle n égative.<br />
• Pou r <strong>la</strong> stabilité d ’u n systèm e n on<br />
lin éaire x = f ( x)<br />
au tou r d ’u n p oin t<br />
d ’équ ilibre x0 \ f(x 0) = 0, on con sid ère<br />
df<br />
A =<br />
( x ) 0<br />
dx<br />
33
Th éorèm e d u p etit gain<br />
z<br />
Δ(s)<br />
P(s)<br />
• Le <strong>système</strong> interconnecté est stable ssi | | Δ(s)P(s)| | ∞ < 1<br />
où<br />
M ( s)<br />
max σ(<br />
M ( jω))<br />
∞<br />
=<br />
ω∈R<br />
et σ<br />
est <strong>la</strong> plus gran<strong>de</strong> <strong>de</strong>s valeurs singulières<br />
v<br />
34
Stabilité au sen s d e Lyap u n ov<br />
(p assivité)<br />
• Soit Σ, un systèm e dynam ique autonom e<br />
• x 0 est un point d’équilibre stable s’il existe une<br />
fonction sca<strong>la</strong>ire V(x) dite fonction <strong>de</strong> stockage<br />
(storage) vérifiant:<br />
● <strong>la</strong> condition <strong>de</strong> m inim um : V x > V x ∀x<br />
≠<br />
● <strong>la</strong> condition <strong>de</strong> décroissance :<br />
x =<br />
( ) ( ) 0 x0<br />
( x)<br />
< 0 ∀x<br />
x0<br />
V ≠<br />
f<br />
35<br />
(x)
Stabilité quad ratique<br />
• On d it d ’u n systèm e qu ’il est<br />
qu ad ratiqu em en t stable s’il existe u n e<br />
fon ction d e Lyap u n ov qu ad ratiqu e V(x)<br />
= xTQx, où Q = QT > 0 telle qu e<br />
( x)<br />
<<br />
0 ∀x<br />
x0<br />
V ≠<br />
• Pou r le systèm e x = f (x)<br />
T T T<br />
T T<br />
V ( x)<br />
= x Qx + x Qx<br />
= f ( x)<br />
⋅Q<br />
⋅ x + x ⋅Q⋅<br />
f ( x)<br />
36
Stabilité quad ratique :<br />
systèm e LTI<br />
• Le systèm e LTI est stable ssi<br />
∃ Q = Q T x = Ax<br />
> 0 vérifian t <strong>la</strong> LMI :<br />
A T<br />
Q<br />
+ QA<br />
<<br />
0<br />
37
A5- Analy se <strong>de</strong>s<br />
performances<br />
• Norm e H ∞<br />
• Dissip ativité<br />
38
Norm e H ∞<br />
• On d éfin it <strong>la</strong> p erform an ce d ’u n<br />
systèm e p ar <strong>la</strong> n orm e H ∞ d ’u n tran sfert<br />
m u lti- variable<br />
• Le n iveau d e p erform an ce réalisé est γ<br />
w<br />
P(s)<br />
z<br />
M<br />
( s)<br />
≤ γ<br />
∞<br />
39
Dissip ativité<br />
• Soit Σ, un systèm e dynam ique et S(u,y) une<br />
fonction sca<strong>la</strong>ire (dite d’alim entation ou<br />
supply)<br />
• Σ est dit S- dissipatif (stricte) s’il existe<br />
une fonction <strong>de</strong> stockage V(x) telle que<br />
( x)<br />
<<br />
S ( u y)<br />
V ,<br />
40
Fon ction d ’alim en tation<br />
qu ad ratique<br />
• {Q 1,Q 2,Q 3}- d issip ativité<br />
⎡y⎤<br />
⎡<br />
Q<br />
Q<br />
⎤⎡y⎤<br />
1 3<br />
( u,<br />
y)<br />
= ⎢ ⎥ ⎢ ⎥⎢<br />
⎥<br />
⎣u<br />
⎦ ⎣Q3<br />
Q2⎦⎣u<br />
⎦<br />
S T<br />
T<br />
41
•<br />
Dissip . : systèm e LTI (1)<br />
• {Q 1,Q 2,Q 3}- d issip ativité<br />
1 3<br />
1 3<br />
( u,<br />
y)<br />
= ⎢ ⎥ ⎢ T ⎥⎢<br />
⎥ = ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢<br />
⎥⎢<br />
⎥<br />
⎣u<br />
⎦ ⎣Q3<br />
Q2⎦⎣u<br />
⎦ ⎣u⎦<br />
⎣0<br />
I ⎦ ⎣Q3<br />
Q2<br />
⎦⎣0<br />
I ⎦⎣u⎦<br />
•<br />
⎧x<br />
= Ax + Bu<br />
Σ:<br />
⎨<br />
⎩y<br />
= Cx + Du<br />
⎡y⎤<br />
T<br />
⎡<br />
Q<br />
Q<br />
⎤⎡y⎤<br />
⎡x⎤<br />
⎡C<br />
D⎤<br />
S T<br />
V<br />
⎡x⎤<br />
T T<br />
( x)<br />
= x Qx + x Qx<br />
= ⎢ ⎥ ⎢ T ⎥⎢<br />
⎥<br />
⎣u⎦<br />
B Q 0 ⎣u⎦<br />
T<br />
⎣<br />
T<br />
T ⎡ A Q + QA<br />
T<br />
⎡<br />
Q<br />
QB⎤⎡x⎤<br />
⎦<br />
Q<br />
⎤⎡C<br />
D⎤⎡x⎤<br />
42
⎡A<br />
⎢<br />
⎣<br />
Dissip . : systèm e LTI (2)<br />
• Σ est {Q 1,Q 2,Q 3}- d issip atif s’il existe<br />
Q = Q T > 0 tel qu e<br />
T<br />
Q+<br />
QA<br />
−C<br />
QC<br />
QB<br />
− C<br />
T<br />
T<br />
T<br />
1<br />
1<br />
3<br />
*<br />
T<br />
T T<br />
− D Q1<br />
D−<br />
D Q3<br />
− Q3<br />
D −Q2<br />
• Dém o : il su ffit d ’écrire<br />
Q D −C<br />
Q<br />
⎤<br />
⎥<br />
⎦<br />
( x)<br />
<<br />
S ( u y)<br />
V ,<br />
< 0<br />
43
Lem m e d e Yaku bovitch -<br />
Kalm an<br />
• Les propositions suivantes sont équivalentes:<br />
Σ est {Q 1,Q 2,Q 3}- dissipatif<br />
– ∀ω ∈ R\ <strong>de</strong>t(jω I- A)≠0,<br />
G<br />
⎢<br />
⎣<br />
T<br />
( ) Q Q ( )<br />
⎡ jω<br />
⎤<br />
⎥<br />
⎦<br />
⎡<br />
⎢<br />
⎣Q<br />
1<br />
T<br />
3<br />
≥ 0<br />
• Dém o: en fréquentiel, u(t)= e jω t , y(t)= G(jω )e jω t et<br />
V<br />
( x)<br />
= 0<br />
I<br />
→ Extension <strong>de</strong>s critères <strong>de</strong> perform ance H∞ aux<br />
systèm es non linéaires et LPV<br />
Q<br />
3<br />
2<br />
⎤⎡G<br />
jω<br />
⎥⎢<br />
⎦⎣<br />
I<br />
⎤<br />
⎥<br />
⎦<br />
44
• Soit<br />
Systèm e LTI : n orm e H ∞<br />
S<br />
• Les propositions suivantes sont<br />
équivalentes:<br />
Σ est S- dissipatif<br />
– | | Σ| | ∞ < γ<br />
2 T T<br />
( y,<br />
u)<br />
= γ u u − y y = ⎢ ⎥ ⎢ 2 ⎥⎢<br />
⎥<br />
⎣u⎦<br />
⎣ 0 γ I⎦⎣u<br />
⎦<br />
• Dém o: Q 1= - I, Q 2 = γ 2 I et Q 3 = 0;<br />
YK : G * (jω )G(jω ) < γ 2 I<br />
⎡y⎤<br />
⎡−<br />
I<br />
⎤⎡y⎤<br />
⇔ vp( G * (jω )G(jω ) ) = σ 2 ( G(jω ) ) < γ 2<br />
• On parlera alors <strong>de</strong> γ - dis sipativ ité<br />
T<br />
0<br />
45
Systèm e LTI : n orm e H ∞ (2)<br />
Pou r u n systèm e LTI H(s),<br />
<strong>la</strong> γ - d issip ativité est<br />
équ ivalen te à | | H(s)| | ∞ < γ<br />
46
Lem m e born é réel<br />
(bound ed real lem m a BRL)<br />
• | | Σ| | ∞ < γ ssi ∃ Q = Q T > 0 vérifian t<br />
<strong>la</strong> LMI<br />
⎡A<br />
⎢<br />
⎣<br />
T<br />
Q+<br />
QA<br />
+ C<br />
B<br />
T<br />
Q+<br />
D<br />
T<br />
C<br />
T<br />
C<br />
T QB<br />
+ C D⎤<br />
T 2 ⎥<br />
D D−<br />
γ I⎦<br />
<<br />
0<br />
47
BRL et com p lém en t d e<br />
Sch u r<br />
• Com p lém en t d e Sch u r<br />
⎡ T<br />
⎢<br />
⎣U<br />
T<br />
U⎤<br />
V<br />
⎥<br />
⎦<br />
⎧V<br />
< 0<br />
< 0⇔<br />
⎨<br />
⎩T<br />
−UV<br />
• Ap p lication au BRL<br />
[<br />
T<br />
A QQAC T C QBC T D<br />
B T QD T C D T D− 2 I]<br />
−1<br />
T<br />
U<br />
< 0<br />
=[ A T QQA QB<br />
B T Q − 2 I]<br />
T<br />
−[ CT<br />
U<br />
D T]<br />
−1<br />
−I [C D]<br />
V<br />
48
BRL : form e éten d u e<br />
• | | Σ| | ∞ < γ ssi existe Q = Q T > 0 vérifiant <strong>la</strong> LMI<br />
⎡A<br />
⎢<br />
⎢<br />
⎢<br />
⎣<br />
T<br />
Q+<br />
QA<br />
B<br />
T<br />
C<br />
Q<br />
QB<br />
− γ<br />
2<br />
D<br />
I<br />
T<br />
C ⎤<br />
T ⎥<br />
D ⎥ <<br />
− I⎥<br />
⎦<br />
0<br />
49
A6- Notions <strong>de</strong> <strong>robustesse</strong><br />
• p roblèm e stan d ard<br />
• p aram ètres con stan ts / varian ts<br />
• robu stesse en stabilité / p erform an ce<br />
50
51<br />
Problèm e stan d ard (1)<br />
⎪<br />
⎩<br />
⎪<br />
⎨<br />
⎧<br />
θ<br />
+<br />
θ<br />
=<br />
θ<br />
+<br />
θ<br />
+<br />
θ<br />
=<br />
θ<br />
+<br />
θ<br />
+<br />
θ<br />
=<br />
θ<br />
w<br />
D<br />
x<br />
C<br />
e<br />
u<br />
D<br />
w<br />
D<br />
x<br />
C<br />
z<br />
u<br />
B<br />
w<br />
B<br />
x<br />
A<br />
x<br />
s<br />
P<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
)<br />
(<br />
:<br />
)<br />
,<br />
(<br />
21<br />
2<br />
12<br />
11<br />
1<br />
2<br />
1<br />
( )<br />
⎩<br />
⎨<br />
⎧<br />
+<br />
=<br />
+<br />
=<br />
e<br />
D<br />
x<br />
C<br />
u<br />
e<br />
B<br />
x<br />
A<br />
x<br />
s<br />
K<br />
K<br />
K<br />
K<br />
K<br />
K<br />
K<br />
K<br />
:<br />
P(s, θ)<br />
K(s)<br />
e<br />
u<br />
w z<br />
θ<br />
Processus LPV<br />
Correcteur LTI<br />
θ∈ Θ<br />
Σ<br />
∈<br />
θ
x<br />
M<br />
=<br />
⎡x<br />
⎢<br />
⎣x<br />
K<br />
Problèm e stan d ard (2)<br />
⎤<br />
⎥<br />
⎦<br />
⎡A<br />
⎢<br />
⎣C<br />
θ<br />
w M(s, θ) z<br />
Ms, : x M = A M x M B M w<br />
z = C Mx MD M w<br />
M<br />
M<br />
B<br />
D<br />
M<br />
M<br />
⎤<br />
⎥<br />
⎦<br />
⎡ A + B2D<br />
K C2<br />
⎢<br />
=<br />
⎢<br />
BK<br />
C2<br />
⎢<br />
⎣C1<br />
+ D12D<br />
K C<br />
2<br />
B<br />
D<br />
2<br />
A<br />
12<br />
C<br />
K<br />
C<br />
K<br />
k<br />
B<br />
D<br />
1<br />
11<br />
+<br />
+<br />
B<br />
B<br />
K<br />
D<br />
2<br />
D<br />
12<br />
D<br />
K<br />
21<br />
D<br />
D<br />
K<br />
52<br />
21<br />
D<br />
21<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎦
Param ètres con stan ts<br />
in certain s<br />
• Dan s ce cas, les m éth od es d ’an alyse d es<br />
systèm es lin éaires son t p ertin en tes<br />
→ On p eu t s’in téresser au x p ôles d u<br />
systèm e et à <strong>la</strong> n orm e H ∞ d es tran sferts<br />
→ Partie B d u cou rs<br />
53
Param ètres varian ts<br />
• Dans ce cas, le vecteur <strong>de</strong>s param ètres<br />
apparaît com m e une entrée supplém entaire<br />
qui est m é<strong>la</strong>ngée aux autres signaux<br />
→ le systèm e est non- linéaire et <strong>la</strong> stabilité ne<br />
peut être étudiée avec les outils <strong>de</strong>s systèm es<br />
linéaires<br />
→ partie C du cours<br />
Rq.: Le cas <strong>de</strong>s param ètres constants est un cas<br />
particulier <strong>de</strong> celui où les param ètres varient<br />
54
Stabilité / p erform an ce<br />
• Si le systèm e est stable pour l’ensem ble<br />
<strong>de</strong>s variations <strong>de</strong>s param ètres, on dit qu’il<br />
est robuste en s tabilité ou robustement<br />
s table<br />
• Si le systèm e respecte les critères <strong>de</strong><br />
perform ance pour l’ensem ble <strong>de</strong>s<br />
variations <strong>de</strong>s param ètres, on dit qu’il est<br />
robuste en performance<br />
• La <strong>robustesse</strong> en perform ance inclut <strong>la</strong><br />
<strong>robustesse</strong> en stabilité<br />
55
Marge d e robu stesse<br />
• On d éfin it <strong>la</strong> m arge d e robu stesse<br />
com m e <strong>la</strong> d i<strong>la</strong>tation qu e l’on p eu t<br />
im p oser su r le d om ain e d e variation<br />
d es p aram ètres tou t en con servan t <strong>la</strong><br />
robu stesse<br />
• Le systèm e est robu ste si <strong>la</strong> m arge d e<br />
robu stesse est su p érieu re ou égale à 1<br />
56
Pessim ism e ou op tim ism e<br />
• Si l’évalu ation d e <strong>la</strong> robu stesse est<br />
op tim iste (ex.: on n e tien t p as com p te<br />
d e tou s les cas), alors on obtien t u n e<br />
born e su p érieu re d e <strong>la</strong> m arge d e<br />
robu stesse<br />
• Si l’évalu ation d e <strong>la</strong> robu stesse est<br />
p essim iste (sou ven t d û à <strong>la</strong> m éth od e),<br />
alors on obtien t u n e born e in férieu re<br />
d e <strong>la</strong> m arge d e robu stesse<br />
57
A7- Exemple traité<br />
• Descrip tion<br />
• Résu ltat d e l’<strong>asservi</strong>ssem en t<br />
su r le m od èle n om in al<br />
• Mod èle<br />
• Problèm e d e robu stesse<br />
58
Exem p le traité (1)<br />
• systèm e flexible en rotation<br />
• <strong>asservi</strong>ssem en t d e <strong>la</strong> vitesse d e <strong>la</strong><br />
ch arge<br />
Ω 2 *<br />
action n e<br />
u r<br />
u<br />
régu<strong>la</strong>te<br />
ur<br />
transm ission<br />
souple<br />
ch arge<br />
u : couple (N.m)<br />
y = Ω 2 : vitesse <strong>de</strong> <strong>la</strong> charge (rad/ s)<br />
Ω 2<br />
59
Exem p le traité (2) : sch ém a<br />
d e sim u <strong>la</strong>tion<br />
Clock<br />
Step1<br />
t<br />
To Workspace2<br />
r<br />
To Workspace5<br />
NumK(s)<br />
DenK(s)<br />
Correcteur<br />
U<br />
To Workspace1<br />
u y<br />
Processus<br />
y<br />
To Workspace4<br />
60
Exem p le traité (3) : rép on se<br />
tem p orelle<br />
r, y<br />
1.2<br />
1<br />
0.8<br />
0.6<br />
0.4<br />
0.2<br />
réponse à un échelon<br />
0<br />
0 0.5 1 1.5<br />
temps (s)<br />
61
Exem p le traité (4) :<br />
équation s p h ysiqu es<br />
⎧dθ<br />
⎪ dt<br />
⎪<br />
⎪ d<br />
⎪dt<br />
⎨<br />
⎪dθ<br />
⎪ dt<br />
⎪<br />
⎪<br />
d<br />
⎪⎩<br />
dt<br />
1<br />
= Ω<br />
( J Ω ) = C − f Ω − K ( θ − θ ) − f ( Ω − Ω )<br />
2<br />
1<br />
= Ω<br />
( J Ω ) = − f Ω + K ( θ − θ ) + f ( Ω − Ω )<br />
2<br />
1<br />
1<br />
2<br />
2<br />
2<br />
1<br />
2<br />
1<br />
Ω1 , θ1 : vitesse et position <strong>de</strong> l’actionneur (rad/ s)<br />
Ω2 , θ2 : vitesse et position <strong>de</strong> <strong>la</strong> charge (rad/ s)<br />
K : constante <strong>de</strong> rai<strong>de</strong>ur <strong>de</strong> l’accouplement (N.m/ rad)<br />
f , f 1, f 2 : coefficients <strong>de</strong> frottement <strong>de</strong> l’accouplement,<br />
<strong>de</strong> l’actionneur et <strong>de</strong> <strong>la</strong> charge (N.m.s)<br />
1<br />
1<br />
2<br />
2<br />
1<br />
1<br />
2<br />
2<br />
62
Exem p le traité (5) : m od èle<br />
d ’état<br />
• Le m od èle s’écrit au ssi<br />
x˙ = 1 1<br />
J1 x 2<br />
x˙ 2 =−K x1− f 1f<br />
J1 x˙ = 3 1<br />
J2 x 4<br />
x 2 K x 3 f<br />
J 2<br />
x˙ 4 =K x1 f<br />
J1 x2−K x3− f f 2<br />
J2 y = 1<br />
J2 x4 x 4<br />
x 4 u<br />
63
Exem p le traité (6) :<br />
p roblèm e d e robu stesse<br />
• On con sid èrera qu e les p aram ètres<br />
K et J 2 son t in certain s d an s u n<br />
in tervalle<br />
K ∈<br />
[ −K<br />
; K ]<br />
J<br />
2<br />
∈ [ −J<br />
2<br />
; J<br />
2<br />
]<br />
64
B- Système à Paramètres<br />
Constants Incertains<br />
B1- Ba<strong>la</strong>yage d e l’esp ace p aram étriqu e<br />
B2- Rep résen tation lin éaire<br />
fraction n aire (LFR)<br />
B3- Valeu r sin gu lière stru ctu rée (μan<br />
alyse)<br />
65
B1- Ba<strong>la</strong>y age <strong>de</strong> l’espace<br />
paramétrique<br />
• Le sy stème est robuste en stabilité<br />
si chacun <strong>de</strong>s sy stèmes M(θ), θ∈ Θ<br />
est stable (ap p roch e m u lti- m od èle)<br />
66
Stabilité d ’u n systèm e<br />
lin éaire: valeu rs p rop res<br />
• Métho<strong>de</strong>: calculer les valeurs propres pour<br />
différentes valeurs <strong>de</strong> param ètres<br />
• Soit Θ un sous ensem ble fini <strong>de</strong> Θ.<br />
~<br />
• Le systèm e est stable si les pôles <strong>de</strong> A M sont à<br />
partie réelle strictem ent négative pour θ ∈ Θ .<br />
~<br />
• Il s’agit d’une condition nécessaire et non<br />
suffisante car on n’explore qu’une partie <strong>de</strong> Θ.<br />
67
Résu ltats su r l’exem p le (1)<br />
Partie réelle toujours négative → Système robustement stable<br />
68
Marge d e robu stesse (1)<br />
• But: chercher le plus grand ensem ble <strong>de</strong>s<br />
param ètres tel que le systèm e reste stable<br />
• Soit rΘ défini ainsi:<br />
[ θ − ; θ + rw ]<br />
θk ∈ k0<br />
rwθ k0<br />
θ<br />
• Soit φ (r) : R + → R<br />
φ<br />
( r ) = max real λ ( A ( θ)<br />
)<br />
~<br />
θ∈rΘ<br />
k=<br />
1,<br />
, n<br />
AM<br />
k<br />
k<br />
M<br />
k<br />
69
Marge d e robu stesse (2)<br />
• φ (0) < 0 est une condition nécessaire <strong>de</strong><br />
stabilité nom inale<br />
• φ (1) < 0 est une condition nécessaire <strong>de</strong><br />
stabilité robuste<br />
• On définit r * , <strong>la</strong> m arge <strong>de</strong> <strong>robustesse</strong> (en<br />
stabilité) com m e <strong>la</strong> plus petite valeur <strong>de</strong> r<br />
am enant le systèm e en lim ite <strong>de</strong> stabilité:<br />
*<br />
r = min arg φ(<br />
r)<br />
= 0<br />
r∈R<br />
• Le dom aine <strong>de</strong> stabilité est alors (contenu<br />
dans) r * Θ.<br />
+<br />
70
Résu ltats su r l’exem p le (2)<br />
→ Marge <strong>de</strong> <strong>robustesse</strong> r * = 1,875 > 1 ⇒ <strong>système</strong><br />
robustement stable pour θ k∈[θ k0- r * w k; θ k0+ r * w k], θ ∈{K, J 2}<br />
71
Résu ltats sur l’exem p le (3)<br />
lieu <strong>de</strong>s pôles limite<br />
pour r * = 1,875<br />
• pire cas obtenu pour δ 1 = - 1.875 et δ 2 = - 0,21<br />
72
Robu stesse en p erform an ce (1)<br />
• Les perform ances sont spécifiées par une<br />
m ajoration sur <strong>la</strong> norm e H ∞ du transfert T z w(s)<br />
entre les signaux exogènes:<br />
T zw<br />
( s)<br />
≤ γ<br />
∞<br />
• Par exem ple, on p<strong>la</strong>ce une pondération W1(s) sur l’erreur <strong>de</strong> régu<strong>la</strong>tion et on souhaite<br />
W ( ) ( ) 1 s Ter<br />
s ≤ 1 où T er(s) est <strong>la</strong> sensibilité<br />
∞<br />
(transfert entre <strong>la</strong> référence et l’erreur)<br />
73
Robu stesse en p erform an ce (2)<br />
• Soit<br />
*<br />
γ = ,<br />
max ~<br />
θ∈Θ<br />
T zw<br />
( s θ)<br />
∞<br />
• Le systèm e est robuste en perform ance si γ * ≤1<br />
(condition nécessaire).<br />
• La m arge <strong>de</strong> <strong>robustesse</strong> (en perform ance) est<br />
r * = 1/ γ * (m ajorant <strong>de</strong> <strong>la</strong> m arge <strong>de</strong> <strong>robustesse</strong>).<br />
74
Lim ites d e cette m éth od e<br />
• Tem ps <strong>de</strong> calcul exponentiel en fonction<br />
du nom bre <strong>de</strong> param ètres et <strong>de</strong> <strong>la</strong> finesse<br />
<strong>de</strong> l’échantillonnage.<br />
• Évaluation optim iste <strong>de</strong> <strong>la</strong> <strong>robustesse</strong><br />
75
B2- Représentation<br />
linéaire fractionnaire (LFR)<br />
• LFR et m odèle LPV<br />
• Écriture <strong>de</strong>s équations où les param ètres sont<br />
écrits avec le m oins <strong>de</strong> redondance possible<br />
• Écriture du schém a bloc faisant apparaître les<br />
param ètres<br />
• Bouc<strong>la</strong>ge avec le correcteur<br />
• Norm alisation<br />
76
LFR et m od èle LPV<br />
u<br />
Δ(δ)<br />
v z<br />
M(s)<br />
H(s) y<br />
• Une LFR est un m odèle LPV particulier où<br />
les param ètres sont regroupés dans une<br />
m atrice <strong>de</strong> gains Δ(δ) qui est bouclé avec<br />
un systèm e LTI : H(s)<br />
77
• Soit<br />
LFR et m od èle LPV (2)<br />
H<br />
⎧x<br />
⎪<br />
z<br />
( s)<br />
: ⎨<br />
⎪⎩<br />
y<br />
=<br />
=<br />
=<br />
Ax<br />
C<br />
C<br />
1<br />
2<br />
v +<br />
• La LFR est dite ‘bien posée’ si I- D 11Δ est<br />
inversible et alors<br />
⎪⎧<br />
~ ~<br />
x = Ax<br />
+ Bu<br />
M ~ ~<br />
y = Cx<br />
+ Du<br />
( s)<br />
: ⎨<br />
⎪⎩<br />
x<br />
+<br />
x + D<br />
+<br />
B<br />
1<br />
D<br />
v +<br />
11<br />
v<br />
21<br />
B<br />
+<br />
2<br />
u<br />
D<br />
D<br />
12<br />
u<br />
22<br />
u<br />
A=AB 1 I−D 11 −1 C 1<br />
B=B 2 B 1 I−D 11 −1 D 12<br />
C=C 2 D 21 I−D 11 −1 C 1<br />
D=D 22 D 21 I−D 11 −1 D 12<br />
78
LFR et m od èle LPV (3)<br />
• Tout m odèle LPV dont les m atrices d’état<br />
sont <strong>de</strong>s fonctions rationnelles <strong>de</strong>s<br />
param ètres et où les param ètres ne sont pas<br />
<strong>de</strong>s pôles peut se m ettre sous form e <strong>de</strong> LFR<br />
• Si D11 = 0, il s’agit d’un m odèle LPV affine<br />
(les m atrices d’état sont <strong>de</strong>s fonctions affines<br />
<strong>de</strong> param ètres)<br />
• Souvent, <strong>la</strong> m atrice Δ est diagonale et chacun<br />
<strong>de</strong>s param ètres est répété un certain nom bre<br />
<strong>de</strong> fois<br />
• Il existe <strong>de</strong>s m étho<strong>de</strong>s d’analyse <strong>de</strong>s<br />
systèm es LFR<br />
79
Écritu re d u sch ém a- bloc<br />
• Mettre le m odèle sous form e <strong>de</strong> schém abloc<br />
faisant intervenir un nom bre m inim al<br />
<strong>de</strong> param ètres<br />
1<br />
u<br />
1<br />
s<br />
Integrator<br />
1<br />
s<br />
Integrator1<br />
f1<br />
Gain1<br />
1/ J1<br />
Gain3<br />
1/ J2<br />
Gain4<br />
f2<br />
Gain2<br />
1<br />
s<br />
Integrator2<br />
f<br />
Gain5<br />
1<br />
s<br />
Integrator3<br />
1<br />
y<br />
K<br />
Gain6<br />
80
Mise en p <strong>la</strong>ce d es<br />
in certitu d es<br />
• K et J 2 sont considérés com m e incertains<br />
• Chaque param ètre incertain est norm alisé:<br />
où<br />
⎧K<br />
= K<br />
⎪<br />
⎨ 1<br />
⎪<br />
=<br />
⎩ J2<br />
J<br />
δ k<br />
0<br />
1<br />
+<br />
20<br />
w<br />
1<br />
δ<br />
1<br />
+ w<br />
∈[−1;<br />
1]<br />
⎧<br />
⎪K<br />
K ∈[<br />
−K<br />
; K]<br />
⇒ ⎨<br />
⎪w<br />
⎪ 1<br />
⎩<br />
0<br />
=<br />
=<br />
1<br />
2<br />
1<br />
2<br />
2<br />
δ<br />
2<br />
( K + K )<br />
( K − K )<br />
1<br />
In1<br />
1<br />
In1<br />
w1<br />
Gain7<br />
w2<br />
Gain7<br />
z2<br />
K0<br />
1/ J20<br />
Gain4<br />
d1<br />
z1 v1<br />
Gain4<br />
d2<br />
Gain5<br />
Gain5<br />
v2<br />
1<br />
1<br />
Out1<br />
Out1<br />
81
Mod èle LFR (1)<br />
• On obtien t le m od èle su ivan t<br />
u<br />
Δ(δ 1,δ 2)<br />
v z<br />
⎡δ<br />
1<br />
avec Δ(<br />
δ1,<br />
δ 2 ) = ⎢ ⎥<br />
⎣ 0 δ 2⎦<br />
0<br />
H(s) y<br />
⎤<br />
82
Mod èle LFR (2)<br />
• et le sch ém a- bloc d e H(s)<br />
su ivan t:<br />
3<br />
u<br />
1<br />
s<br />
Integrator<br />
1<br />
s<br />
Integrator1<br />
w2<br />
Gain7<br />
1/ J1<br />
Gain3<br />
1/ J20<br />
Gain4<br />
f1<br />
Gain1<br />
2<br />
z2<br />
f2<br />
Gain2<br />
2<br />
v2<br />
s<br />
Integrator2<br />
1<br />
1<br />
s<br />
Integrator3<br />
f<br />
Gain5<br />
3<br />
y<br />
v z<br />
H(s)<br />
u<br />
y<br />
w2<br />
1/ J20<br />
Gain8<br />
Gain6<br />
v1<br />
1<br />
z1<br />
1<br />
83
84<br />
Mod èle LFR (3)<br />
• Le m od èle d e H(s) s’écrit<br />
( )<br />
2<br />
4<br />
20<br />
4<br />
2<br />
2<br />
3<br />
1<br />
1<br />
1<br />
1<br />
2<br />
2<br />
1<br />
4<br />
20<br />
2<br />
3<br />
0<br />
2<br />
1<br />
1<br />
0<br />
4<br />
2<br />
4<br />
20<br />
3<br />
2<br />
1<br />
0<br />
4<br />
20<br />
3<br />
0<br />
2<br />
1<br />
1<br />
1<br />
0<br />
2<br />
2<br />
1<br />
1<br />
1<br />
1<br />
1<br />
v<br />
X<br />
J<br />
y<br />
X<br />
w<br />
z<br />
X<br />
w<br />
X<br />
w<br />
z<br />
v<br />
f<br />
f<br />
v<br />
X<br />
J<br />
f<br />
f<br />
X<br />
K<br />
X<br />
J<br />
f<br />
X<br />
K<br />
X<br />
v<br />
X<br />
J<br />
X<br />
u<br />
fv<br />
v<br />
K<br />
X<br />
J<br />
f<br />
X<br />
K<br />
X<br />
J<br />
f<br />
f<br />
X<br />
K<br />
X<br />
X<br />
J<br />
X<br />
+<br />
=<br />
=<br />
−<br />
=<br />
+<br />
−<br />
+<br />
+<br />
−<br />
−<br />
+<br />
=<br />
+<br />
=<br />
+<br />
−<br />
−<br />
+<br />
+<br />
+<br />
−<br />
−<br />
=<br />
=
In tégration d u correcteu r<br />
-K(s)<br />
u<br />
v z<br />
Δ(p)<br />
H(s)<br />
y<br />
v z<br />
Δ(p)<br />
M(s)<br />
on parle <strong>de</strong> produit <strong>de</strong> Redheffer ou <strong>de</strong> starproduct<br />
et on note M = H∗(- K)<br />
85
B3- Valeur singulière<br />
structurée (μ- analy se)<br />
• définitions<br />
• calcul direct<br />
• calcul par gridding (échantillonnage<br />
fréquentiel)
Δ<br />
E<br />
Δ<br />
Mod èle M- Δ (1)<br />
• Soit le m odèle suivant:<br />
∈<br />
Δ<br />
∞<br />
E<br />
Δ<br />
=<br />
≤ 1<br />
z<br />
Δ<br />
M(s)<br />
⎪⎧<br />
diag[<br />
δ1Ir<br />
, , δ , 1 , , , 1,<br />
1 sI<br />
r ε I ε Δ<br />
s c1<br />
t Ict<br />
⎨<br />
mi×<br />
mi<br />
⎪⎩ δ i ∈ R,<br />
εi<br />
∈ C,<br />
Δi<br />
∈ C<br />
v<br />
, Δ<br />
F<br />
: ⎪⎫<br />
⎬<br />
⎪⎭<br />
87
z<br />
Δ<br />
M(s)<br />
M ( s)<br />
− Δ :<br />
Mod èle M- Δ (2)<br />
x<br />
v<br />
=<br />
M ( s)<br />
:<br />
Δ :<br />
z = Δv<br />
⎧x<br />
= Ax + Bz<br />
⎨<br />
⎩v<br />
= Cx + Dz<br />
La représentation linéaire fractionnaire (LFR) est bien<br />
conditionnée si I+ DΔ est non singulier et l’équation<br />
dynamique du <strong>système</strong> bouclé est:<br />
( −1<br />
A + BΔ(<br />
I + DΔ)<br />
C )x<br />
88
Utilisation d u th éorèm e d u<br />
p etit gain<br />
• Théorèm e du petit gain: Stabilité si | | ΔM(s)| | ∞ ≤ 1<br />
• | | Δ(s)| | ∞ ≤ 1⇒ stabilité si | | M(s)| | ∞ ≤ 1<br />
• Condition suffisante m ais non nécessaire qui ne<br />
tient pas com pte <strong>de</strong> <strong>la</strong> structure <strong>de</strong> Δ.<br />
89
μ<br />
Valeu r sin gu lière<br />
stru ctu rée: d éfin ition<br />
⎛<br />
( ) = 0<br />
( M ) = ⎜ inf σ(<br />
Δ)<br />
: <strong>de</strong>t(<br />
I − ΔP<br />
)<br />
⎝<br />
=<br />
Δ∈E<br />
Δ<br />
0<br />
if<br />
<strong>de</strong>t<br />
⎞<br />
⎟<br />
⎠<br />
−1<br />
( I − ΔP<br />
) = 0 ∀ Δ ∈ E .<br />
• 1/ μ est <strong>la</strong> taille <strong>de</strong> <strong>la</strong> plus petite incertitu<strong>de</strong><br />
capable <strong>de</strong> déstabiliser le systèm e<br />
• 1/ μ est <strong>la</strong> m arge <strong>de</strong> <strong>robustesse</strong><br />
• μ(P) < 1 ⇒ s tabilité robus te<br />
,<br />
Δ<br />
90
Calcu l d irect<br />
• Pour Δ donné, le systèm e est stable si les<br />
pôles <strong>de</strong> A+ BΔ(I+ DΔ) - 1C sont tous à partie<br />
réelle strictem ent négative.<br />
• On travaille alors sur E Δ , un sousensem<br />
ble fini <strong>de</strong> EΔ. ~<br />
• Si Δ ne com porte que <strong>de</strong>s sca<strong>la</strong>ires réels, il<br />
s’agit d’un cas particulier <strong>de</strong> <strong>la</strong> m étho<strong>de</strong><br />
présentée au § B.<br />
91
Résu ltats su r l’exem p le<br />
• cf. résultats <strong>de</strong> l’analyse m ulti- m odèle<br />
• μ = 1/ r * = 0,53 < 1 ⇒ <strong>système</strong> robustement<br />
stable<br />
92
Calcu l d e μ : Grin d in g<br />
fréqu en tiel<br />
Pour une pulsation ω k,<br />
soit M k := M(jω k) = D+ C(jω k I n–A) - 1 B.<br />
Il s’agit alors d’évaluer <strong>la</strong> valeur singulière<br />
structurée d’une m atrice M k <strong>de</strong> gains<br />
com plexes.<br />
On obtient alors différentes valeurs μ k<br />
pour les différentes pulsations. On parle<br />
<strong>de</strong> « μ- plot ».<br />
μ est le m axim um <strong>de</strong>s μ k.<br />
93
Calcu l d e μ : born e in férieu re<br />
Soit E Q le sous- ensemble <strong>de</strong> E Δ suivant:<br />
{ }<br />
* *<br />
Q ∈ E : δ ∈[<br />
−1;<br />
1],<br />
ε ε = 1,<br />
Δ Δ = I<br />
EQ = Δ i<br />
i i i i<br />
Il a été montré par Young et Doyle (1990) que:<br />
max ρR<br />
( QM k ) ≤ μ(<br />
M k )<br />
Q∈E<br />
Q<br />
où ρR est <strong>la</strong> plus gran<strong>de</strong> valeur absolue <strong>de</strong>s valeurs<br />
propres réelles: ρ (<br />
M ) = max λ ( M )<br />
R<br />
ρ R = 0 si M n’a pas <strong>de</strong> valeur propre réelle<br />
Remarque: cette borne inférieure peut être atteinte<br />
Inconvénient: difficultés <strong>de</strong> convergence pour les<br />
incertitu<strong>de</strong>s réelles pures<br />
r i<br />
94
Calcul <strong>de</strong> μ : borne supérieure (1)<br />
principe:<br />
μ(<br />
M k ) ≤ σ(<br />
M k )<br />
idée: considérer l’ensemble E D <strong>de</strong>s matrices<br />
inversibles qui commutent avec les matrices Δ.<br />
{ }<br />
ri<br />
× ri<br />
*<br />
+ *<br />
diag[<br />
D , , D , d I , , d I ] : D ∈C<br />
, D = D > 0,<br />
d ∈<br />
ED 1 s+<br />
t 1 m F m i<br />
i i i<br />
= R<br />
- 1 D<br />
D<br />
M(s)<br />
Δ<br />
1<br />
F<br />
Δ<br />
D - 1 D<br />
M(s)<br />
95
Calcul <strong>de</strong> μ : borne supérieure (2)<br />
Majorant :<br />
( ) inf ( ≤ μ D DM<br />
∈ σ<br />
M k<br />
k<br />
D E<br />
Remarque : le majorant peut- être atteint<br />
Sous forme <strong>de</strong> LMI (Fan et al., 1991):<br />
E<br />
D<br />
−1<br />
)<br />
{ }<br />
*<br />
* 2<br />
β : M DM + j(<br />
GM − M G)<br />
− β D ≤ 0<br />
μ(<br />
M k ) ≤ inf min k k<br />
k k<br />
G<br />
=<br />
D∈E<br />
G∈E<br />
D<br />
G<br />
β∈R<br />
+<br />
{ }<br />
* ri<br />
× ri<br />
diag[<br />
G , , G , 0 , , 0 , 0 , , 0 : G = G ∈C<br />
1<br />
s<br />
c<br />
1<br />
c<br />
t<br />
m<br />
1<br />
m<br />
f<br />
i<br />
i<br />
96
Calcul <strong>de</strong> μ : borne supérieure (3)<br />
Majorant :<br />
μ ( ) ≤ inf σ(<br />
DM D<br />
Δ<br />
M k<br />
k<br />
D∈E<br />
Remarque : le majorant peut- être atteint<br />
Inconvénient 1 : présence <strong>de</strong> pics étroits qui<br />
risquent d’être minorés (surtout pour les <strong>système</strong>s<br />
flexibles)<br />
Inconvénient 2 : La matrice Δ n’est pas calculée, on<br />
ne connaît donc pas le pire cas.<br />
D<br />
−1<br />
)<br />
97
Utilisation sou s Mat<strong>la</strong>b<br />
• Les born es ‘in f’ et ‘su p ’ son t<br />
d isp on ibles avec les fon ction s m u<br />
d e <strong>la</strong> ‘toolbox’ « μ- an alysis an d<br />
syn th esis » et m uss d e <strong>la</strong> Robu st<br />
con trol toolbox v. 3<br />
98
Résu ltat su r l’exem p le<br />
● μ ≤ 0,88 < 1 ⇒ <strong>système</strong> robustement stable<br />
• <strong>la</strong> borne inférieure ne converge pas<br />
systématiquement (incertitu<strong>de</strong>s toutes réelles)<br />
• pic très étroit (même cause)<br />
99
Robustesse en performance (1)<br />
• Pour le critère <strong>de</strong> perform ance<br />
on obtient le schém a suivant où<br />
− Δ s(θ) contient les param ètres (sca<strong>la</strong>ires réels),<br />
− Δ p est une m atrice com plexe pleine.<br />
z 2 W 1(s)<br />
Δ p<br />
v 2 = r<br />
+<br />
‑<br />
e<br />
K(s)<br />
u<br />
v 1<br />
Δ s(θ)<br />
H(s)<br />
z 1<br />
( s)<br />
T ( s)<br />
≤ 1<br />
W1 er<br />
y<br />
∞<br />
100
Robustesse en performance (2)<br />
• On con stru it alors le systèm e P(s) avec<br />
Δ<br />
v z<br />
P(s)<br />
• La stabilité robu ste est assu rée si μ(P)≤1<br />
Δ<br />
=<br />
⎡<br />
⎢<br />
⎣<br />
Δ<br />
s<br />
0<br />
0<br />
Δ<br />
p<br />
⎤<br />
⎥<br />
⎦<br />
101
Résu ltats su r l’exem p le :<br />
m od èle<br />
3<br />
vp<br />
Δ<br />
=<br />
W1<br />
⎡δ<br />
⎢<br />
⎢ 0<br />
⎢<br />
⎣<br />
0<br />
z3<br />
3<br />
NumW1(s)<br />
DenW1(s)<br />
0<br />
δ<br />
0<br />
δ<br />
0<br />
p<br />
NumK(s)<br />
DenK(s)<br />
Correcteur<br />
⎤<br />
⎥<br />
⎥<br />
⎥<br />
⎦<br />
1<br />
v1<br />
2<br />
v2<br />
v1<br />
v2<br />
u<br />
Processus<br />
1 δ 1∈R; δ 2∈R; δ p∈C;<br />
2<br />
0<br />
W<br />
1<br />
( s)<br />
=<br />
0,<br />
25<br />
s<br />
z1<br />
z2<br />
y<br />
s + 0,<br />
125<br />
1<br />
z1<br />
2<br />
z2<br />
102
Résu ltats su r l’exem p le (2)<br />
● μ < 1 ⇒ systèm e robuste en perform ance<br />
● <strong>la</strong> borne inférieure converge bien (une<br />
incertitu<strong>de</strong> com plexe)<br />
103
Rem arqu es su r <strong>la</strong> μ-<br />
an alyse<br />
• Ne pas oublier <strong>de</strong> vérifier <strong>la</strong> stabilité du<br />
systèm e central (pour Δ= 0)<br />
• L’analyse considère <strong>de</strong>s param ètres<br />
constants incertains → analyse optim iste<br />
dans le cas <strong>de</strong> param ètres variants<br />
• S’adresse à <strong>de</strong>s m odèles sous form e <strong>de</strong> LFR<br />
104
Su p p ression d e<br />
l’éch an tillon n age fréquen tiel<br />
z<br />
M ( s)<br />
:<br />
Δ<br />
M(s)<br />
v<br />
⎧x<br />
= Ax + Bz<br />
⎨<br />
⎩v<br />
= Cx + Dz<br />
• On peut considérer 1/ ω (dans s = jω )<br />
com m e un param ètre incertain<br />
• Pour éviter les problèm es en ω = 0, on<br />
peut utiliser le changem ent <strong>de</strong> variable<br />
1<br />
1+<br />
δ<br />
=<br />
ω 1−<br />
δ<br />
z<br />
x<br />
⎡1<br />
⎢ s<br />
⎢<br />
⎣<br />
In<br />
⎡A<br />
⎢<br />
⎣C<br />
⎤<br />
⎥<br />
Δ<br />
⎥<br />
⎦<br />
B<br />
D<br />
⎤<br />
⎥<br />
⎦<br />
dx<br />
dt<br />
v<br />
105
C- Systèmes à<br />
paramètres variants<br />
C1- Stabilité qu ad ratiqu e<br />
C2- Stabilité qu ad ratiqu e d ép en d an t<br />
d es p aram ètres<br />
C3- Passivité<br />
106
C1- Stabilité quadratique :<br />
systèm e LPV<br />
• Le systèm e LPV est<br />
quadratiquem ent stable ssi ∃ Q = QT x = A(<br />
θ)x<br />
> 0 tel<br />
que<br />
A T<br />
( θ) Q<br />
+ QA(<br />
θ)<br />
< 0 ∀θ∈<br />
Θ<br />
• Il s’agit d’une LMI (sem i- ) infinie. On peut<br />
chercher à l’évaluer sur un sous- ensem ble<br />
fini Θ <strong>de</strong> Θ.<br />
~<br />
107
Stabilité quad ratique :<br />
systèm e LPV affin e<br />
• Systèm es LPV affine :<br />
( θ) = + θ + + θnΘ<br />
nΘ<br />
A<br />
A A0<br />
1<br />
A 1<br />
• Soit Θ s l’ensem ble <strong>de</strong>s som m ets <strong>de</strong> Θ :<br />
∀ Θ est l’ensem ble convexe engendré par Θ s .<br />
s<br />
θk<br />
θ<br />
Θ<br />
s<br />
k<br />
108
Stab. quad . – LPV affin e (2)<br />
• Notons où<br />
• Toute m atrice A(θ) peut s’écrire com m e une<br />
com binaison linéaire <strong>de</strong>s som m ets:<br />
∀θ<br />
∈ Θ,<br />
∃<br />
s<br />
k<br />
( ) ( ) +<br />
α ∈ R<br />
k<br />
( s )<br />
A = A θ<br />
k<br />
θ<br />
⎧<br />
⎪A<br />
⎪<br />
\ ⎨<br />
⎪<br />
⎪<br />
⎩<br />
( θ)<br />
k=<br />
1 ns<br />
ns<br />
s<br />
k<br />
n<br />
s<br />
∈Θ<br />
s<br />
=<br />
∑<br />
k = 1<br />
∑<br />
k=<br />
1<br />
α<br />
n<br />
s<br />
k<br />
α<br />
k<br />
= 1<br />
A<br />
s<br />
k<br />
109
Stab. quad . – LPV affin e (3)<br />
• Prop riété : p ou r u n systèm e LPV<br />
affin e, il su ffit d e vérifier <strong>la</strong> con d ition<br />
p ou r θ∈ Θ s .<br />
• En effet :<br />
x T A T QQ A x=x T ∑ k=1<br />
n s<br />
n s<br />
=∑ k=1<br />
n s<br />
s<br />
k A k TQQ∑<br />
k=1<br />
k x T<br />
A k<br />
s T QQA k<br />
0<br />
T s<br />
k Ak x<br />
s<br />
<br />
x 0<br />
110
Stab. quad . : rem arques<br />
• On obtien t u n e con d ition su ffisan te<br />
(n on n écessaire) d e stabilité.<br />
• La stabilité est évalu ée p ou r d es<br />
variation s arbitraires d es p aram ètres<br />
(san s lim itation su r les vitesses d e<br />
variation ).<br />
• La d ép en d an ce affin e d e <strong>la</strong> m atrice<br />
d ’état lim ite fortem en t le ch am p<br />
d ’ap p lication .<br />
111
Stab. quad . : Am élioration<br />
• Matrice d e Lyap u n ov Q(θ) d ép en d an te<br />
d es p aram ètres<br />
→ p rise en com p te d es vitesses d e<br />
variation d es p aram ètres<br />
→ <strong>la</strong> con d ition reste su ffisan te m ais n on<br />
n écéssaire<br />
112
Stabilité quad ratiqu e avec<br />
tau x d e d écroissan ce<br />
• En plus d’une fonction d’énergie<br />
décroissante, on peut chercher à im poser<br />
un taux <strong>de</strong> décroissance : on cherche Q> 0<br />
telle que<br />
T<br />
V ( x)<br />
< −αx<br />
x<br />
• C’est équivalent à<br />
A θ Q + QA θ + αI<br />
<<br />
T<br />
( ) ( ) 0<br />
• Pour θ donné, cette re<strong>la</strong>tion est une LMI en<br />
Q et α.<br />
• On peut chercher Q et α tout en<br />
m axim isant α.<br />
113
C2- Stabilité quadratique<br />
dépendant <strong>de</strong>s paramètres (1)<br />
• L’idée est <strong>de</strong> chercher un fonction <strong>de</strong><br />
Lyapunov dépendant <strong>de</strong>s param ètres:<br />
V(x)= x T Q(θ)x, pour dim inuer le conservatism e.<br />
• La condition <strong>de</strong> décroissance s’écrit<br />
m aintenant :<br />
˙Vx= ˙x T Qxx T Q ˙xx T ˙Qx<br />
=x T A T QQ A ˙Qx 0<br />
• Pour un m odèle A(θ) affine, on cherchera<br />
égalem ent Q(θ) affine:<br />
( θ) = + θ + + θnΘ<br />
nΘ<br />
Q<br />
Q Q0<br />
1<br />
Q 1<br />
114
SQDP(2)<br />
• Il s’agit donc <strong>de</strong> vérifier les inégalités<br />
où<br />
( θ)<br />
= θ<br />
( ) 1Q1<br />
+ + θn<br />
Q = Q θ − Q0<br />
Q n<br />
avec Σ l’ensem ble <strong>de</strong>s vitesses adm issibles:<br />
Θ<br />
( ) nθ<br />
θ ∈ Σ ⊂ R<br />
On considère Σs θ = k k = 1 nθ<br />
l’ensem ble <strong>de</strong>s som m ets <strong>de</strong> Σ:<br />
Σ<br />
s<br />
Q 0<br />
A T QQA ˙Q 0<br />
=<br />
{ { }<br />
σ = [ σ ] : σ ∈ θ , θ<br />
k<br />
k = 1<br />
n<br />
Θ<br />
k<br />
Θ<br />
k<br />
k<br />
115
SQDP(3)<br />
• A cause du produit A(θ)Q(θ), <strong>la</strong> LMI<br />
AT<br />
( ) ( ) ( ) ( ) ( ) 0 − θ + θ θ + θ θ Q Q A Q Q<br />
0 <<br />
n'est plus affine en θ. Il ne suffit donc plus<br />
<strong>de</strong> vérifier l'équation aux som m ets du<br />
dom aine pour qu'elle soit va<strong>la</strong>ble partout.<br />
→ utilisation <strong>de</strong> <strong>la</strong> m ulticonvexité pour obtenir<br />
une condition suffisante<br />
116
SQDP (4)<br />
• Lem m e<br />
Soit f : Θ⊂ R p → R n×n , Θ= co{Θ s }<br />
et<br />
Θ<br />
s<br />
=<br />
alors ( )<br />
{ θ = [ θ ] : θ ∈ { θ , θ } }<br />
f<br />
∂<br />
2<br />
∂x<br />
x<br />
f<br />
2<br />
<<br />
( x)<br />
k<br />
k = 1<br />
n<br />
Θ<br />
s<br />
0 ∀x<br />
∈ Θ ⎫<br />
⎪<br />
⎬<br />
≥ 0 ∀x<br />
∈ Θ⎪<br />
⎭<br />
k<br />
⇒<br />
f<br />
k<br />
k<br />
( x ) < 0 ∀x<br />
∈ Θ<br />
117
SQDP (5)<br />
• Application: le systèm e LPV affine est<br />
robuste en stabilité s’il existe <strong>de</strong>s m atrices Q k<br />
sym étriques vérifiant:<br />
⎧Q(<br />
θ)<br />
> 0<br />
s<br />
∀ θ ∈ Θ<br />
⎪<br />
T ( ) ( ) ( ) ( ) ( ) ⎨A<br />
θ Q θ + Q θ A θ + Q θ − Q0<br />
< 0<br />
⎪ T<br />
⎪⎩<br />
Ak<br />
Qk<br />
+ Qk<br />
Ak<br />
≥ 0 ∀ k = 1,<br />
, nθ<br />
∀ ( θ θ ) s<br />
, ∈ Θ × Σ<br />
• Il s’agit <strong>de</strong> résoudre + + θ LMIs dont<br />
les inconnues sont les Qk. θ<br />
θ n n<br />
2<br />
4 n<br />
118<br />
s
fon ction s d e <strong>la</strong> LMI toolbox<br />
• Fonctions s’adressant à <strong>de</strong>s systèm es LPV<br />
polytopiques ou affines:<br />
• quadstab : stabilité quadratique<br />
• <strong>de</strong>cay : taux <strong>de</strong> décroissance <strong>de</strong> <strong>la</strong> fonction <strong>de</strong><br />
coût quadratique<br />
• quadperf : calcule <strong>la</strong> norm e H ∞ m axim ale<br />
• pdlstab : stabilité quadratique dépendant <strong>de</strong>s<br />
param ètres<br />
119
C3- Dissipativ ité d’un sy stème<br />
LPV<br />
• Soit Σ un systèm e LPV :<br />
∀ Σ est S- dissipatif s’il existe Q = QT ⎧x<br />
= A(<br />
θ)<br />
x + B(<br />
θ)<br />
u<br />
⎨<br />
⎩y<br />
= C(<br />
θ)<br />
x+<br />
D(<br />
θ)<br />
u<br />
> 0<br />
vérifiant, pour tout θ∈ Θ <strong>la</strong> LMI sem i- infinie :<br />
⎡A<br />
⎢<br />
⎢⎣<br />
T<br />
( ) ( ) ( )<br />
T<br />
θ ⋅Q+<br />
Q⋅<br />
A θ + C θ ⋅C(<br />
θ)<br />
( ) ( )<br />
T<br />
Q⋅<br />
B θ + C θ ⋅ D(<br />
θ)<br />
T ( θ)<br />
T<br />
B ⋅Q+<br />
D ( θ)<br />
⋅C(<br />
θ)<br />
T ( ) ( ) 2<br />
D θ ⋅ D θ − γ I<br />
• Cette LMI peut être évaluée sur un sousensem<br />
ble fini Θ ⊂ Θ<br />
• LMI non affine en A, B, C et D<br />
~<br />
120<br />
⎤<br />
⎥ < 0<br />
⎥⎦
Dissip ativité d ’u n systèm e<br />
LPV<br />
• Soit Σ un systèm e LPV :<br />
∀ Σ est S- dissipatif s’il existe Q = QT ⎧x<br />
= A(<br />
θ)<br />
x + B(<br />
θ)<br />
u<br />
⎨<br />
⎩y<br />
= C(<br />
θ)<br />
x+<br />
D(<br />
θ)<br />
u<br />
> 0<br />
vérifiant, pour tout θ∈ Θ <strong>la</strong> LMI sem i- infinie :<br />
T ⎡A<br />
( θ)<br />
⋅Q+<br />
Q⋅<br />
A(<br />
θ)<br />
⎢ T<br />
⎢ B ( θ)<br />
⋅Q<br />
⎢<br />
( ) ⎣<br />
C θ<br />
Q⋅<br />
B(<br />
θ)<br />
2<br />
− γ I<br />
D(<br />
θ)<br />
T<br />
C ( θ)<br />
⎤<br />
T ⎥<br />
D ( θ)<br />
⎥ < 0<br />
− I ⎥<br />
⎦<br />
• Cette LMI peut être évaluée sur un sousensem<br />
ble fini Θ ⊂ Θ<br />
~<br />
121
Dissip . : systèm e LPV affin e<br />
• Systèm e LPV affine :<br />
⎧A<br />
⎪<br />
⎪B<br />
⎨<br />
⎪C<br />
⎪<br />
⎩<br />
D<br />
( θ)<br />
( θ)<br />
( θ )<br />
( θ )<br />
=<br />
=<br />
=<br />
=<br />
A<br />
B<br />
C<br />
0<br />
0<br />
D<br />
0<br />
0<br />
+<br />
+<br />
+<br />
+<br />
θ<br />
θ<br />
θ<br />
1<br />
1<br />
1<br />
θ<br />
• LMI affine en θ → il suffit <strong>de</strong> <strong>la</strong> vérifier aux<br />
som m ets Θ s <strong>de</strong> Θ.<br />
1<br />
A<br />
B<br />
C<br />
1<br />
1<br />
1<br />
D<br />
1<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
+<br />
θ<br />
θ<br />
θ<br />
n<br />
n<br />
n<br />
θ<br />
Θ<br />
Θ<br />
Θ<br />
n<br />
Θ<br />
A<br />
B<br />
C<br />
n<br />
n<br />
n<br />
D<br />
Θ<br />
Θ<br />
Θ<br />
n<br />
Θ<br />
122
Dissip ativité :<br />
in terp rétation<br />
• Si le systèm e LPV Σ est S- d issip atif<br />
alors:<br />
– il est stable pour toute trajectoire <strong>de</strong> θ<br />
dans Θ (x tend vers z éro pour u = 0)<br />
– | | Σ| | ∞ < γ pour tout θ figé dans Θ.<br />
123
Dissip . d e systèm e LPV :<br />
rem arqu e<br />
• La <strong>robustesse</strong> est évaluée sans restriction<br />
sur les vitesses <strong>de</strong> variation <strong>de</strong>s<br />
param ètres<br />
→ Introduction d’une m atrice <strong>de</strong> Lyapunov<br />
Q(θ) dépendant <strong>de</strong>s param ètres<br />
124
Récapitu<strong>la</strong>tif <strong>de</strong>s différentes<br />
métho<strong>de</strong>s d’analyse <strong>de</strong> <strong>la</strong> stabilité<br />
Mod èle<br />
Dyn am iqu e<br />
d es<br />
p aram ètres<br />
Marge d e<br />
robu stesse<br />
μ- an alyse<br />
LPV affin e +<br />
LFR<br />
n u lle<br />
born es in f. et<br />
su p .<br />
Stabilité qu ad ratiqu e<br />
m atrice<br />
con stan te<br />
LPV affin e<br />
in fin ie<br />
born e in f<br />
d ép en d an t<br />
d es<br />
p aram ètres<br />
LPV affin e<br />
born ée<br />
born e in f<br />
125
Récapitu<strong>la</strong>tif <strong>de</strong>s différentes métho<strong>de</strong>s<br />
d’analyse <strong>de</strong>s performances<br />
Mod èle<br />
Dyn am iqu e<br />
d es<br />
p aram ètres<br />
Marge d e<br />
robu stesse<br />
μ- an alyse<br />
LPV affin e +<br />
LFR<br />
n u lle<br />
born es in f. et<br />
su p .<br />
Dissip ativité qu ad ratiqu e<br />
m atrice<br />
con stan te<br />
LPV affin e<br />
in fin ie<br />
born e in f<br />
d ép en d an t<br />
d es<br />
p aram ètres<br />
LPV affin e<br />
born ée<br />
born e in f<br />
126