Commande tolérante aux défauts de systèmes non

linéaires représentés par des modèles de Takagi-Sugeno

Souad Bezzaoucha

To cite this version:

Souad Bezzaoucha. Commande tolérante aux défauts de systèmes non linéaires représentés
par des modèles de Takagi-Sugeno. Automatique / Robotique. Université de Lorraine, 2013.
Français. <tel-00948345>

HAL Id: tel-00948345

https://tel.archives-ouvertes.fr/tel-00948345
Submitted on 18 Feb 2014

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
 École doctorale IAEM Lorraine

Commande tolérante aux défauts de

systèmes non linéaires représentés par
des modèles de Takagi-Sugeno

THÈSE
présentée et soutenue publiquement le 25 octobre 2013

pour l’obtention du

Doctorat de l’Université de Lorraine

(Mention Automatique, Traitement du Signal et des Images, Génie Informatique)

par

Souad BEZZAOUCHA

Composition du jury

Président : Gérard SCORLETTI Professeur à l’École Centrale de Lyon

Rapporteurs : David HENRY Professeur à l’Université des Sciences
et Technologie de Bordeaux
Olivier SENAME Professeur à Grenoble-INP
Examinateurs : Krishna BUSAWON Professeur à Northumbria University
Didier MAQUIN Professeur à l’UL (Directeur de thèse)
José RAGOT Professeur à l’UL (Co-directeur de thèse)
Benoı̂t MARX Maı̂tre de conférences à l’UL (Co-directeur de thèse)

Centre de Recherche en Automatique de Nancy

UMR 7039 Université de Lorraine – CNRS

2, avenue de la forêt de Haye 54516 Vandœuvre-lès-Nancy

Tél.+33 (0)3 83 59 59 59 Fax +33 (0)3 83 59 56 44
Mis en page avec la classe thesul.
 i

À la personne la plus chère à mon coeur, à une femme et une mère d’exception sans qui je n’aurai
sans doute jamais tant accompli, à ma très chère maman : Madame BOUYAKOUB Badia.
ii
 iii

Remerciements
Le présent travail a été effectué au sein du groupe thématique Commande, Identification et
Diagnostic (CID) du Centre de Recherche en Automatique de Nancy.

Je souhaite exprimer en premier lieu ma plus sincère reconnaissance à mes directeurs de thèse,
Messieurs Didier MAQUIN, José RAGOT et Benoît MARX pour la confiance qu’ils m’ont té-
moignée en m’offrant la possibilité d’intégrer leur équipe.
Les mots me manquent pour leur exprimer ma gratitude, ma considération est inestimable. Je
tiens à leur faire part de toute ma reconnaissance pour leurs investissements, encouragements et
le temps conséquent qu’ils m’ont accordée. Leurs qualités pédagogiques et rigueur scientifique
ainsi que leur gentillesse à mon égard durant ces trois années m’ont permis de mener à bien mon
travail. J’ai beaucoup appris à leurs côtés et je leur adresse mes sincères remerciements pour
tout cela. Le temps passé à Nancy restera, sans aucun doute, l’un de mes meilleurs souvenirs ! !

Mes sincères remerciements à Monsieur Gilles MOUROT pour toutes nos discutions, ses conseils
et son éternelle bonne humeur.

J’adresse mes respectueux remerciements aux membres du jury : Monsieur David HENRY,
Professeur à l’Université des Sciences et Technologie de Bordeaux et Monsieur Olivier SE-
NAME, Professeur à Grenoble-INP pour m’avoir fait l’honneur d’accepter de rapporter cette
thèse. Monsieur Krishna BUSAWON, Professeur à Northumbria University d’avoir accepté de
faire partie de mon jury de thèse et Monsieur Gérard SCORLETTI, Professeur à l’École Cen-
trale de Lyon, de m’avoir fait l’honneur de la présider.

Je souhaite également exprimer mes remerciements aux collègues et aux amis ainsi qu’à ma
famille (mon frère Abdelfettah et mes soeurs Amel et Fella ainsi que mon oncle BOUYAKOUB
Mohamed Redha) pour leurs encouragements et soutien.

Merci à tous ! !
iv
 Table des matières

Notations 1

1 Introduction générale

1.1 Contexte du travail : bref état de l’art sur les systèmes non linéaires . . . . . . . . . . . . 3
1.2 Présentation des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Contribution et plan du manuscrit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

Liste des publications 7

2 Introduction à la modélisation, l’estimation et la commande des modèles T-S

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Représentation T-S des systèmes non linéaires . . . . . . . . . . . . . . . . . . . . . . . 10
2.3 Transformation par secteurs non linéaires . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Stabilité des systèmes T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Observabilité des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Synthèse d’observateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.1 Variables de décision mesurables (VDM) . . . . . . . . . . . . . . . . . . . . . 13
2.6.2 Variables de décision non mesurables (VDNM) . . . . . . . . . . . . . . . . . . 14
2.7 Stabilisation des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7.1 Stabilisation par retour d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7.2 Stabilisation par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

3 Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Défauts, pannes et diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Estimation paramétrique : systèmes variants dans le temps . . . . . . . . . . . . 25
3.1.3 Contribution du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Systèmes linéaires à paramètres variants dans le temps . . . . . . . . . . . . . . . . . . 26
3.2.1 Exemple introductif : cas d’un seul paramètre . . . . . . . . . . . . . . . . . . . 27

v
vi Table des matières

3.2.2 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3.2.3 Atténuation du bruit de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.4 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Systèmes non linéaires à paramètres variant dans le temps . . . . . . . . . . . . . . . . . 36
3.3.1 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.2 Application à une station d’épuration d’eau . . . . . . . . . . . . . . . . . . . . 41
3.3.3 Diagnostic de défauts multiplicatifs de capteurs . . . . . . . . . . . . . . . . . 48
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4 Commande sous contrainte de saturation

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Motivations et position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3 Représentation T-S de la saturation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.4 Commande saturée par retour d’état de systèmes linéaires . . . . . . . . . . . . . . . . . 62
4.4.1 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.2 Représentation T-S du système . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.3 Synthèse de la commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Commande saturée par retour d’état de systèmes non linéaires . . . . . . . . . . . . . . 65
4.5.1 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5.2 Représentation T-S du système soumis à une commande saturée . . . . . . . . . 65
4.5.3 Commande de systèmes non linéaires saturés . . . . . . . . . . . . . . . . . . . 65
4.5.4 Commande de systèmes non linéaires incertains saturés . . . . . . . . . . . . . . 71
4.5.5 Commande de systèmes non linéaires incertains saturés, approche descripteur . . 74
4.6 Commande par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.6.1 Commande par retour de sortie statique . . . . . . . . . . . . . . . . . . . . . . 80
4.6.2 Commande par retour de sortie dynamique . . . . . . . . . . . . . . . . . . . . 83
4.6.3 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

5 Poursuite de consigne générée par un modèle de référence

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2 Etude bibliographique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.1 Poursuite de modèle de référence des systèmes linéaires . . . . . . . . . . . . . 90
5.2.2 Poursuite d’un modèle de référence par un système non linéaire . . . . . . . . . 93
5.2.3 Poursuite de modèle de référence des systèmes T-S : contribution du chapitre . . 94
5.3 Conditions structurelles de poursuite . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.1 Modèle et objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
 vii

5.3.2 Loi de commande prédéfinie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

5.3.3 Loi de commande à structure non prédéfinie . . . . . . . . . . . . . . . . . . . . 98
5.4 Choix du critère de poursuite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.1 Variables de décision indépendantes de la commande . . . . . . . . . . . . . . . 99
5.4.2 Variables de décision fonction de la commande . . . . . . . . . . . . . . . . . . 100
5.4.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.5 Commande prédictive non linéaire d’un système sous forme T-S . . . . . . . . . . . . . 106
5.5.1 Variables de décision indépendantes de la commande . . . . . . . . . . . . . . . 107
5.5.2 Variables de décision fonction de la commande . . . . . . . . . . . . . . . . . . 107
5.6 Poursuite de modèle de référence tolérante aux défauts . . . . . . . . . . . . . . . . . . 110
5.6.1 Poursuite de modèle de référence tolérante aux défauts de capteurs . . . . . . . . 110
5.6.2 Poursuite de modèle de référence sous contrainte de saturation : cas discret . . . 122
5.6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

6 Perspectives et conclusions

6.1 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127

6.1.1 Estimation paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.1.2 Saturation T-S de la commande . . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.1.3 Poursuite de modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . . 132
6.2 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

Annexes

A Outils pour l’analyse des systèmes T-S

B Comparaison entre différentes structures non linéaires et la représentation T-S

B.1 Les modèles ARX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141

B.2 Les modèles LPV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
B.3 Les réseaux de fonctions à base radiale . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.4 Exemples illustratifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.4.1 Représentation des systèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.4.2 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145

Bibliographie 149
viii Table des matières
 Table des figures

2.1 Modèles T-S couplés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.2 Modèles T-S découplés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

3.1 Système nominal (bleu) et système avec variation paramétrique (rouge) . . . . . . . . . 34

3.2 Entrée du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.3 Etats du système et leurs valeurs estimées . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.4 Paramètre θ (t) et son estimé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5 Effet du paramètre variable dans le temps . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.6 Etats du système et leurs valeurs estimées . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.7 Biomasse hétérotrophe bH (t) = bH n + 0.2θ1 (t) et son estimée . . . . . . . . . . . . . . 47
3.8 Sortie nominale (sans défaut) et sortie avec défaut f1 (t) . . . . . . . . . . . . . . . . . . 54
3.9 Entrée du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
3.10 Etats du système et leurs valeurs estimées . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.11 Défaut f1 (t) et son estimé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

4.1 Schéma de l’ensemble chariot-pendule . . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.2 Commandes nominale, nominale saturée et T-S . . . . . . . . . . . . . . . . . . . . . . 70
4.3 Etats du système avec commande par retour d’état . . . . . . . . . . . . . . . . . . . . . 71
4.4 Incertitudes σ (t) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.5 Etats du système incertain . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.6 Entrées de commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.7 Etats du système par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.8 Diagrammes de phase en BF avec correcteurs par retour de sortie statique et dynamique . 86

5.1 Etats du système et du modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . 97

5.2 Commandes ur,k et uk calculée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.3 Fonctions d’activation µ1,k et µ2,k . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
5.4 Etats du système et du modèle de référence avec W = diag(0.01, 1, 1) . . . . . . . . . . 101
5.5 Commandes ur,k et uk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.6 Etats du système et du modèle de référence avec W = diag(0.01, 0.1, 1) . . . . . . . . . 102
5.7 Commandes ur,k et uk avec W = diag(0.01, 0.1, 1) . . . . . . . . . . . . . . . . . . . . . 103
5.8 Etats du système et du modèle de référence avec W = I2 . . . . . . . . . . . . . . . . . . 104
5.9 Commandes ur,k et uk avec W = I2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
5.10 Etats du système et du modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . 105
5.11 Commandes ur,k et uk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.12 Etats du système obtenus par la commande prédictive et ceux du modèle de référence . . 109
5.13 Commande du modèle de référence ur (k) et commande MPC u(k) . . . . . . . . . . . . 109
5.14 Structure du contrôleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.15 Etats du système et de l’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

ix
x Table des figures

5.16 Etats du système et du modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . 118

5.17 Entrées du système et du modèle de référence . . . . . . . . . . . . . . . . . . . . . . . 118
5.18 Etats du système, de l’observateur et du modèle de référence . . . . . . . . . . . . . . . 121
5.19 Etats du système, de l’observateur et du modèle de référence . . . . . . . . . . . . . . . 121
5.20 Etats du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
5.21 Commandes avec et sans prise en compte de la saturation . . . . . . . . . . . . . . . . . 125

B.1 Représentation linéaire fractionnaire haute des incertitudes . . . . . . . . . . . . . . . . 144

B.2 Représentation LFT du système . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
 Liste des tableaux

3.1 Transformation par secteurs non linéaires : exemple à trois paramètres . . . . . . . . . . 38

4.1 Exemple à deux entrées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4.2 Paramètres de l’ensemble chariot-pendule . . . . . . . . . . . . . . . . . . . . . . . . . 68

5.1 Influence du poids W . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

5.2 Influence de la taille de l’horizon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.3 Comparaison des performances en poursuite pour différentes tailles d’horizon . . . . . . 124

xi
xii Liste des tableaux
 Notations

Matrices et vecteurs
In (I) Matrice identité de dimension n (resp. de dimension appropriée)
0n (0) Matrice nulle de dimension n (resp. de dimension appropriée)
P > 0 (P < 0) Matrice P symétrique définie positive (resp. symétrique définie négative)
PT Transposée de la matrice P
P−1 Inverse de la matrice P
λmax (M) (λmin (M)) Valeur propre maximale (resp. minimale ) de M
Tr(M) Trace la matrice carrée M
S(M)
  S(M) := M + M T
S11 S12 T
Matrice symétrique, le symbole (∗) représente S12
(∗) S22  
M1 0 . . . 0
 . 
 0 . . . . . . .. 
diag(M1 , . . . , Ml ) 
Matrice bloc diagonale =  . . 
. . . . .. 
 . . . . 
0 . . . 0 Ml

Acronymes
BMI Bilinear Matrix Inequality
LMI Linear Matrix Inequality
LTI Linear Time Invariant
LTV Linear Time Varying
LPV Linear Parameter Varying
quasi-LPV Quasi-Linear Parameter Varying
T-S Takagi-Sugeno
T-S à VDM Takagi-Sugeno à Variables de Décision Mesurables
T-S à VDNM Takagi-Sugeno à Variables de Décision Non Mesurables
MPC Model Predictive Control
NMPC Nonlinear Model Predictive Control
PDC Parallel Distributed Compensation

1
2 Notations
 Introduction générale
1
Sommaire
1.1 Contexte du travail : bref état de l’art sur les systèmes non linéaires . . . . . . . . 3
1.2 Présentation des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Contribution et plan du manuscrit . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.1 Contexte du travail : bref état de l’art sur les systèmes non linéaires
L’analyse ou la synthèse de loi de commande pour un système dynamique (étude de stabilité, stabi-
lisation, rejet de perturbation, suivi de référence,...) suppose au préalable une connaissance de son com-
portement, de l’évolution de ses composants au cours du temps (vieillissement, pannes, défauts), de ses
interactions avec l’environnement extérieur (perturbations, entrées inconnues) ainsi que des contraintes
qu’il subit (saturation de ses organes de contrôle et de mesure, détérioration ou usure de certains com-
posants). Cette connaissance prend la forme d’un ensemble d’équations et d’inéquations mathématiques
appelé "modèle".
Modéliser judicieusement un système consiste à trouver une représentation simple, exploitable et suf-
fisamment précise pour décrire fidèlement la réalité, mais peu complexe afin de permettre la synthèse
d’une loi de commande.
Nous distinguons ainsi les modèles linéaires et non linéaires. L’étude de la première catégorie se base
sur une théorie bien maîtrisée. Ils peuvent approximer localement des systèmes non linéaires, mais leur
utilisation ne garantit pas la stabilité du système dans tout l’espace d’état. La seconde catégorie regroupe
les systèmes qui présentent des comportements complexes qui ne peuvent pas être décrits par des équa-
tions différentielles linéaires à coefficients constants. Cette définition, ou plutôt cette remarque, explique
la complexité et la diversité des systèmes non linéaires. En effet, si le modèle linéarisé est acceptable
dans certains cas, le respect de certaines contraintes pratiques (saturation, hystérésis, paramètres variants
dans le temps,..) mène à des systèmes bouclés non linéaires. Les travaux publiés font état de plusieurs
classes de systèmes non linéaires.
• Une des classes de systèmes non linéaires la plus répandue est celle des systèmes polynomiaux.
Ils sont utilisés pour modéliser le comportement de nombreux processus (biologiques, thermiques,

3
4 Chapitre 1. Introduction générale

chimiques, économiques,.... Cependant, le système associé à cette classe de modèles peut présenter
un comportement chaotique et des trajectoires divergentes en temps fini (Ebenbauer et Allgöwer
[2006]). Dans ce cas, l’étude de la stabilité de tels systèmes peut s’avérer délicate, le choix de
fonctions de Lyapunov utilisées pour cette étude se révélant difficile.
• Les systèmes bilinéaires : ils représentent en particulier la classe des systèmes non linéaires affines
par rapport à la commande (Chabour et al. [1993], Banks [1986], Celikovsky [1993]). Cependant,
les résultats disponibles sur la stabilisation par exemple, sont adaptés à des classes particulières
(stabilisation par feedback de classe C 1 des systèmes plans dans (Bacciotti et Boieri [1991]) et de
systèmes de dimension deux dans (Chabour et al. [1993])).
• Les systèmes à paramètres variants dans le temps : les caractéristiques dynamiques de ces sys-
tèmes évoluent au cours du temps en fonction de certains paramètres. Un grand nombre d’ap-
proches ont été développées pour l’étude de la stabilité et la synthèse de correcteurs robustes pour
ces systèmes LPV (Sename et Dugard [2012], Mohammadpour et Scherer [2012]). Ces méthodes
dépendent bien évidement de la nature et du type d’incertitudes et/ou des paramètres considérés.
• Les systèmes présentés sous forme paramétrique pure : le système non linéaire est fragmenté en un
ensemble de sous-systèmes imbriqués sous forme triangulaire stricte. L’étude de la stabilité de ces
systèmes est généralement basée sur la théorie de Lyapunov en utilisant par exemple la technique
du backstepping. A chaque étape de cette technique séquentielle, l’ordre du sous-système analysé
est augmenté et la partie non stabilisée lors de l’étape précédente est traitée, la dernière étape
correspondant au système global. L’inconvénient majeur de ces systèmes est bien entendu la forme
restrictive imposée de leur structure.
Les lois de commande pour ces classes de systèmes non linéaires sont souvent construites à partir des
concepts de géométrie différentielle. Cette approche a pour objectif la linéarisation de la relation entrée-
sortie pour permettre l’utilisation de lois de commande linéaires pouvant être obtenues suivant des cri-
tères de stabilité de Lyapunov. Cependant, la mise en oeuvre de ces méthodes de façon numérique reste
difficile, et de ce fait, ces méthodes sont plus particulièrement adaptées à des systèmes d’ordre réduit.
L’étude des systèmes non linéaires est ainsi basée sur des outils mathématiques plus élaborés que pour
le cas linéaire. Toutefois, la multitude de formes non linéaires existantes rend difficile la mise en place
d’une théorie unique, générale et systématique.
Cette constatation nous amène à introduire les modèles de Takagi-Sugeno (T-S). Ces modèles, comme il
sera montré tout au long du manuscrit de thèse, permettent de représenter un système non linéaire sous
forme d’une interpolation de sous-systèmes linéaires, avec la possibilité d’étendre de nombreux concepts
théoriques de l’automatique linéaire au cas des systèmes non linéaires.

1.2 Présentation des modèles T-S

Modèle T-S, modèle flou de Takagi-Sugeno (Takagi et Sugeno [1985]), modèle linéaire polytopique
(PLM) (Angelis [2001]), multimodèle (Murray-Smith et Johansen [1997]) ou modèle affine par mor-
ceaux, sont autant de termes montrant que dans la littérature, plusieurs terminologies sensiblement équi-
valentes peuvent définir ce type de modèles. Néanmoins, l’idée principale s’appuie sur l’utilisation d’un
ensemble de sous-modèles de structures simples (fréquemment linéaires) où chaque sous-modèle contri-
bue de manière variable dans le temps au comportement global du système. La contribution de chaque
sous-modèle au modèle global, qui est une combinaison convexe des sous-systèmes, est définie par une
fonction d’activation, en général non linéaire mais vérifiant la propriété de somme convexe.
L’approche T-S permet ainsi de ré-écrire un système non linéaire d’une manière plus facile à étudier
en le décomposant en unités plus simples et maîtrisables. L’intérêt de réaliser une décomposition du
système en utilisant ce type de modèles est que, grâce à la propriété de somme convexe, l’étude de
1.3. Contribution et plan du manuscrit 5

stabilité, la synthèse de correcteurs et d’observateurs qui ont été largement étudiés dans le cas linéaire
peuvent s’étendre au cas non linéaire avec des outils similaires. On peut ainsi citer (Tanaka et al. [2003],
Tanaka et al. [2007], Tanaka et Wang [2001], Tuan et al. [2001], Kruszewski [2006], Yoneyama [2006]
et Guerra et al. [2006]) où l’étude de la stabilité est inspirée des outils utilisés pour les systèmes linéaires.
On peut également citer (Akhenak et al. [2007], Patton et al. [1998] et Marx et al. [2007]) pour leur tra-
vaux portant sur la synthèse d’observateurs et la détection de défauts.
Les fonctions d’activation dépendent des variables dites de décision ou de prémisse. Ces variables
peuvent être mesurables (entrées/sortie du système) ou non mesurables (état du système,..). Il est im-
portant de noter que la classe des modèles T-S à variables de décisions non mesurables est plus large que
celle à variables de décision mesurables. Ceci vient du fait que le modèle T-S est obtenu généralement
par la transformation en secteurs non linéaires, qui dans la majorité des cas, fait apparaître une partie
ou la totalité des variables d’état dans les fonctions d’activation. Ce point est également illustré dans les
travaux de (Yoneyama [2008], Bergsten et Palm [2000] et Ichalal et al. [2012]).
Les modèles T-S peuvent être regroupés en deux familles distinctes : d’une part les modèles T-S à états
couplés ou homogènes, dans le sens où ils partagent la même structure et le même espace d’état, et
d’autre part les modèles découplés ou hétérogènes, dans le sens où leur structure et leur espace d’état
diffèrent (les sous-modèles possèdent chacun un vecteur d’état indépendant).
Pour la première famille, la représentation d’un système non linéaire sous forme de modèle T-S est
obtenue par trois approches largement développées dans la littérature. La première est basée sur les
techniques d’identification. Elle est considérée dans le cas où l’expression analytique du modèle non
linéaire n’est pas disponible et repose sur des techniques d’identification en utilisant des jeux de don-
nées entrées-sorties du système réel à identifier, la structure du modèle et celle des fonctions d’activation
étant choisies a priori (Gasso [2000]). La seconde approche repose sur la linéarisation du modèle non
linéaire autour de plusieurs points de fonctionnement. Elle est basée sur des techniques d’optimisation
afin de minimiser l’erreur quadratique de sortie. Ainsi à chaque zone de fonctionnement est affecté un
sous-modèle (Akhenak [2004]). La troisième, celle qui sera utilisée dans cette thèse, est la méthode dite
de transformation en secteurs non linéaires. Cette dernière a été initiée par (Kawamoto et al. [1992]) et
étendue par (Tanaka et Wang [2001] et Morère [2001]). Elle est basée directement sur la connaissance
analytique du modèle non linéaire et contrairement aux deux méthodes citées précédemment qui donnent
une approximation du modèle non linéaire, cette dernière méthode permet de proposer une écriture sys-
tématique pour décrire les non-linéarités en tenant compte de l’objectif de l’étude (analyse de stabilité
et synthèse de contrôleur, d’observateur,...) et fournit un modèle T-S représentant de manière exacte le
modèle non linéaire dans un compact de l’espace d’état. Le principe utilisé repose sur une transforma-
tion polytopique convexe des termes non linéaires du système dynamique à étudier. Plus précisément,
cette méthode consiste à trouver a1 et a2 tels que a1 x(t) ≤ f (x(t), u(t)) ≤ a2 x(t) où ẋ(t) = f (x(t), u(t))
représente un système non linéaire. Notons que l’approche par secteurs non linéaires permet d’associer
une infinité de modèles T-S pour un système non linéaire suivant le découpage des non-linéarités réalisé.
La seconde famille de modèles T-S (modèles découplés) (Filev [1991], Orjuela [2008]) introduit une
certaine flexibilité dans l’étape de modélisation dans la mesure où la dimension des sous-modèles (leur
nombre d’états) peut être adaptée à la complexité du système dans chaque zone de fonctionnement. Cette
représentation s’adapte donc particulièrement bien à la modélisation des systèmes complexes présentant
des non-linéarités et des changements de structure engendrés par leur mode de fonctionnement.

1.3 Contribution et plan du manuscrit

Bien que la structure T-S ait fait et fasse encore l’objet de nombreux travaux dans le domaine de
l’estimation, de la commande ou du diagnostic, il subsiste encore une multitude de problèmes ouverts
6 Chapitre 1. Introduction générale

concernant ces différents points.

Dans les travaux de thèse présentés dans ce manuscrit, nous nous intéressons à la façon de représenter
les systèmes non linéaires et les non-linéarités qui leur sont associées (saturation et paramètres variants
dans le temps) pour traiter aussi bien la commande (stabilisation et poursuite de modèle de référence en
présence de contraintes) que l’estimation d’état et le diagnostic de fonctionnement. Ainsi, la contribution
de cette thèse porte sur trois points essentiels : l’estimation et le diagnostic de systèmes non linéaires à
paramètres variant dans le temps (pouvant être considérés comme défauts additifs ou multiplicatifs de
système, d’actionneurs et de capteurs) et la commande (synthèse de loi de commande stabilisante en pré-
sence de saturation affectant les actionneurs et de commandes pour la poursuite de référence, y compris
en présence de défauts de capteurs). Ces différents points sont abordés en se basant sur la structure T-S
et l’approche polytopique.
La première partie de la thèse est consacrée à l’estimation d’état et au diagnostic de fonctionnement.
• Le chapitre 2 de ce mémoire présente les principaux outils ainsi que les résultats les plus couramment
utilisés pour l’analyse des modèles de Takagi-Sugeno. Leurs structures ainsi que la façon de les obtenir
par l’approche de type secteurs non linéaires sont également présentées.
• Le chapitre 3 traite du problème d’estimation simultanée de l’état et des paramètres des systèmes
non linéaires à paramètres variant dans le temps. Une nouvelle approche utilisant la transformation en
secteurs non linéaires permet de ré-écrire le système sous forme polytopique en prenant en compte la
présence de paramètres variant dans le temps. Cette forme polytopique est ensuite utile pour la synthèse
d’observateur assurant l’estimation simultanée de l’état et des paramètres du système en transformant le
modèle original sous forme de modèle T-S à variables de décision non mesurables. Les gains d’obser-
vateur sont obtenus en résolvant un problème d’optimisation sous contraintes d’inégalités matricielles
linéaires (LMIs). Une application au diagnostic est également considérée en comparant les valeurs des
paramètres estimés en ligne avec leurs valeurs nominales, en mode non défaillant (absence de pannes),
supposées connues.
Afin d’illustrer l’efficacité de l’approche proposée, des applications sur un modèle simplifié de station
d’épuration et sur des données issues du benchmark du programme européen Cost 624 sont proposées.
La deuxième partie de la thèse porte sur l’aspect commande saturée de systèmes T-S. En effet, des
contraintes physiques, technologiques ou imposées par des consignes de sécurité se traduisent générale-
ment par des limitations sur les entrées, les états ou les sorties du système, conduisant naturellement à
prendre en compte les saturations de ces variables et l’analyse de leur influence.
• Ainsi, le chapitre 4 traite de la commande sous contrainte de saturation, cette dernière étant représen-
tée sous forme de modèle T-S et intégrée au modèle du système. La synthèse d’une loi de commande
assurant la stabilité du système bouclé, en prenant en compte les limites de saturation est proposée. Plu-
sieurs lois de commande sont considérées, d’abord un retour d’état pour les systèmes linéaires, puis une
extension aux systèmes non linéaires et non linéaires incertains. La commande par retour de sortie est
également considérée avec l’approche descripteur pour relaxer les conditions à vérifier par les gains de la
loi de commande. Afin d’illustrer les résultats, un exemple de stabilisation d’un chariot-pendule soumis
à des saturations de commande est traité.
• Le chapitre 5 traite de la poursuite de modèle de référence. La contribution principale de ce chapitre
est la mise en évidence des conditions structurelles de poursuite pour les modèles non linéaires sous
forme T-S. En particulier, une généralisation des conditions d’Erzberger initialement établies dans le cas
linéaire est proposée. L’accent est mis sur les différents critères de choix de commande en fonction des
buts recherchés (poursuite parfaite, approchée, commande prédictive et saturée).
• Enfin, le dernier chapitre résume les différents résultats obtenus tout au long de cette thèse en mettant
l’accent sur différentes suites possibles aux travaux présentés dans ce mémoire.
 Liste des publications

Revues internationales avec comité de lecture

• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). Nonlinear joint state and parameter
estimation : application to a wastewater treatment plant. Control Engineering Practice, 21(10) :
1377-1385.

Conférences internationales avec comité de lecture

• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). State and multiplicative sensor fault es-
timation for nonlinear systems. 2nd International Conference on Control and Fault-Tolerant Sys-
tems, SysTol’13, Nice, France, October 9-11.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). Model reference tracking control for
nonlinear systems described by Takagi-Sugeno structure. IEEE International Conference on Fuzzy
Systems, FUZZ-IEEE 2013, Hyderabad, India, July 7-10.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). Stabilization of nonlinear systems sub-
ject to actuator saturation. IEEE International Conference on Fuzzy Systems, FUZZ-IEEE 2013,
Hyderabad, India, July 7-10.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). Contribution to the constrained output
feedback control. American Control Conference, ACC 2013, Washington, DC, USA, June 17-19.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). Stabilization of nonlinear systems subject
to uncertainties and actuator saturation. American Control Conference, ACC 2013, Washington,
DC, USA, June 17-19.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). State and parameter estimation for nonli-
near systems : a Takagi-Sugeno approach. American Control Conference, ACC 2013, Washington,
DC, USA, June 17-19.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2013). State and Parameter Estimation for Time-
varying Systems : a Takagi-Sugeno Approach, 5th IFAC Joint Conference 2013, 5th Symposium
on System Structure and Control, SSSC 2013, Grenoble, France, February 4-6.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2012). Linear Feedback Control Input under
Actuator Saturation : a Takagi-Sugeno Approach, 2nd International Conference on Systems and
Control, ICSC12, Marrakech, Morocco, June 20-22.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2011). On the Unknown Input Observer Design :
a Decoupling Class Approach, 9th IEEE International Conference on Control and Automation,
IEEE ICCA’11, Santiago, Chile, December 19-21.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2011). On the Unknown Input Observer De-
sign : a Decoupling Class Approach with Application to Sensor Fault Diagnosis, 1st International
Conference on Automation and Mechatronics, CIAM’11, Oran, Algeria, November 22-24.

7
8 Liste des publications

Congrès nationaux et workshops

• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2012). Quelques applications de la représen-
tation polytopique à la commande et l’estimation, Groupe de Travail Sûreté, Surveillance, Super-
vision du GdR Modélisation, Analyse et Conduite des Systèmes Dynamiques (MACS), GT S3,
Paris, France, 11 Juin.
• S. Bezzaoucha, B. Marx, D. Maquin and J. Ragot (2011). Observateurs à entrées inconnues :
approche par découplage, 4 ième Workshop du Groupement d’Intérêt Scientifique Surveillance,
Sûreté, Sécurité des Grands Systèmes, GIS-3SGS’11, Valenciennes, France, 12-13 Octobre.
 Introduction à la modélisation, l’estimation et la
2
commande des modèles T-S

Sommaire

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Représentation T-S des systèmes non linéaires . . . . . . . . . . . . . . . . . . . . 10
2.3 Transformation par secteurs non linéaires . . . . . . . . . . . . . . . . . . . . . . . 11
2.4 Stabilité des systèmes T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 Observabilité des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 Synthèse d’observateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6.1 Variables de décision mesurables (VDM) . . . . . . . . . . . . . . . . . . . . 13
2.6.2 Variables de décision non mesurables (VDNM) . . . . . . . . . . . . . . . . . 14
2.7 Stabilisation des modèles T-S . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7.1 Stabilisation par retour d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.7.2 Stabilisation par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

2.1 Introduction
Ce chapitre est consacré à la présentation de résultats fondamentaux portant sur la stabilité, l’estima-
tion et la commande des systèmes T-S.
Dans la première partie de ce chapitre nous nous intéressons à la représentation T-S des systèmes non
linéaires ainsi qu’à la transformation par secteurs non linéaires qui permet d’obtenir de manière systéma-
tique un modèle T-S à partir d’un système non linéaire. Ensuite, nous rappelons les principaux résultats
portant sur la stabilité, la synthèse d’observateurs (à variables de décision mesurables et non mesurables)
ainsi que la commande PDC (Parallel Distributed Compensation) par retour d’état statique et de sortie
statique ou dynamique. Les avantages de l’approche descripteur sont également mis en évidence.

9
10 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

2.2 Représentation T-S des systèmes non linéaires

Comme il a été mentionné dans le chapitre précédent, les modèles T-S peuvent être regroupés en
deux familles distinctes ayant les structures indiquées par les figures 2.1 et 2.2.

Modèles T-S couplés Modèles T-S découplés

L’état global x couple tous les états par le Chaque sous-modèle possède un espace
mélange des équations dynamiques des d’état propre dans lequel il évolue
sous-modèles  indépendamment
 n
 ẋi (t) = Ai xi (t) + Bi u(t)
 ẋ(t) = ∑ µi (ξ (t))(Ai x(t) + Bi u(t))

 


i=1 yi (t) = Ci xi (t)
n n
 
 y(t) = ∑ µi (ξ (t))Ci x(t)
 

 y(t) = ∑ µi (ξ )yi (t)
i=1 i=1

µ1
u
B1 Π
A1
µ2
B2 Π
A2
µn µ1
R x
Bn Π ∑ C1 Π
An µ2
C2 Π
µn
y
Cn Π ∑

Figure 2.1 – Modèles T-S couplés

µ1
R x1 y1
u
B1 C1 Π
A1
µ2
R x2 y2
B2 C2 Π
A2
µn
R xn yn y
Bn Cn Π ∑
An

Figure 2.2 – Modèles T-S découplés

2.3. Transformation par secteurs non linéaires 11

Dans la suite du manuscrit, nous nous intéresserons à la forme T-S couplée, cette famille étant la plus
largement étudiée dans la communauté scientifique puisqu’elle est facilement déduite de manière systé-
matique, sans aucune perte d’information en utilisant la transformation par secteurs non linéaires à partir
de l’expression analytique du système non linéaire dynamique.
Les modèles découplés, sont surtout intéressants pour l’identification où les dimensions différentes des
sous-modèles peuvent éviter une sur-paramétrisation dans certaines zones de fonctionnement (Orjuela et al.
[2013]). Néanmoins, les travaux présentés dans ce mémoire ne concernent pas l’identification et, pour
la commande et l’estimation, un modèle découplé peut facilement s’écrire sous la forme d’un modèle
couplé (en concaténant les états locaux xi ).

2.3 Transformation par secteurs non linéaires

On détaille ici une méthode permettant de ré-écrire des non-linéarités bornées sous forme polytopique
et ainsi de transformer un grand nombre de systèmes non linéaires en système T-S.
Soit le modèle non linéaire : 
ẋ(t) = f (x(t), u(t))
(2.1)
y(t) = g(x(t), u(t))
avec x(t) ∈ Rnx l’état du système, u(t) ∈ Rnu la commande et y(t) ∈ Rm la sortie.
Par simple factorisation, le système (2.1) est ré-écrit sous la forme quasi-LPV suivante :

ẋ(t) = A(ξ (t))x(t) + B(ξ (t))u(t)
(2.2)
y(t) = C(ξ (t))x(t) + D(ξ (t))u(t)
Soit k le nombre de fonctions non linéaires présentes dans le système (2.2). Ces fonctions apparaissent
dans les matrices d’état A(.), B(.), C(.) et D(.) ; elles dépendent généralement de l’état x et de la com-
mande u et sont notées ξi (t), i = 1, . . . , k. Supposons qu’il existe un compact C des variables ξ (t) où les
non-linéarités sont bornées, dans ce cas les ξi vérifient :
ξi (t) ∈ [ξi,2 , ξi,1 ] , i = 1, . . . , k (2.3)
Les non-linéarités ξi (t) peuvent se ré-écrire de la manière suivante :
ξi (t) = Fi,1 (ξi (t)) ξi,1 + Fi,2 (ξi (t)) ξi,2 (2.4)
où : 

 ξi,1 = max {ξi (t)}

 x,u



 ξi,2 = min {ξi (t)}
 x,u
ξi (t) − ξi,2 (2.5)
 Fi,1 (ξi (t)) =


 ξi,1 − ξi,2

 ξi,1 − ξi (t)

 Fi,2 (ξi (t)) =

ξi,1 − ξi,2
Les fonctions d’activation µi (ξ (t)) sont obtenues à partir des fonctions Fi,1 (ξi (t)) et Fi,2 (ξi (t)) par :
2k
µ j (ξ (t)) = ∏ Fi,σ ij (ξi (t)) (2.6)
i=1

Le nombre de sous-modèles est égal à 2k . Les indices σ ij ( j = 1, . . . , 2k et i = 1, . . . , k) sont égaux à 1 ou

à 2 et indiquent quelle partition du sous-modèle i (Fi,1 ou Fi,2 ) est utilisée pour définir le sous-modèle j.
La relation entre le numéro du sous-modèle i et les indices σij est donnée par l’équation suivante :
i = 2n−1 σi1 + 2n−2 σi2 + . . . + 20 σin − (21 + 22 + . . . + 2n−1 ) (2.7)
12 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

Les matrices Ai , Bi , Ci et Di sont obtenues en remplaçant ξi (t) per ξi,σ ij dans A(ξ (t)), B(ξ (t)), C(ξ (t)) et
D(ξ (t)) dans (2.2). On obtient ainsi le système T-S suivant :

 2k
 ẋ(t) = ∑ µi (ξ (t)) (Ai x(t) + Bi u(t))

i=1 (2.8)
 2k

 y(t) = ∑ µi (ξ (t)) (Ci x(t) + Di u(t))
i=1

Remarque 1. Il est important de souligner que l’écriture polytopique issue d’une représentation LPV
peut généralement s’écrire de manière équivalente, au moins sur un compact de l’espace d’état, sous
forme T-S. Inversement, un système T-S peut également être vu comme un système LPV.
En effet, si les paramètres varient dans un ensemble compact, il est possible de manière directe et systé-
matique (comme il est démontré dans le chapitre 3), de ré-écrire ces modèles sous forme T-S. Cette idée
est exploitée dans le chapitre 3 (estimation paramétrique) et y est largement détaillée.

2.4 Stabilité des systèmes T-S

Considérons le système variant dans le temps

ẋ(t) = A(t)x(t) (2.9)

ce système est asymptotiquement stable (stabilité quadratique), s’il existe une matrice de Lyapunov P
symétrique positive P = PT > 0 telle que la fonction de Lyapunov candidate

V (x(t)) = xT (t)Px(t) ≥ 0 (2.10)

est positive, nulle en x = 0 et décroissante dans le temps. Le même raisonnement est appliqué pour le
système non linéaire représenté par le modèle T-S autonome suivant :
n
ẋ(t) = ∑ µi (ξ (t))Ai x(t) (2.11)
i=1

avec les fonctions d’activation µi (ξ (t)) vérifiant la propriété de somme convexe (B.2) :
 n

∑ µi (ξ (t)) = 1, ∀t
 i=1
0 ≤ µi (ξ (t)) ≤ 1, i = 1, . . . , n
Lemme 1. (Tanaka et Wang [2001]) Le système (2.11) est quadratiquement stable s’il existe une matrice
P symétrique positive P = PT > 0 ∈ Rnx ×nx telle que les conditions suivantes soient vérifiées pour i =
1, . . . , n :
ATi P + PAi < 0 (2.12)
Démonstration. La démonstration s’appuie sur le choix d’une fonction de Lyapunov candidate V (x(t)) =
xT (t)Px(t) où P = PT > 0 ∈ Rnx ×nx . La propriété de somme convexe des fonctions d’activation permet
d’obtenir les n inégalités matricielles (LMIs) à résoudre simultanément.

Un enjeu scientifique important à l’heure actuelle est la relaxation des conditions de stabilité. Dif-
férentes approches sont possibles, on peut ainsi citer les travaux de (Sala et Arino [2007]) où plusieurs
termes dans V̇ (x) sont fractionnés en utilisant la propriété de somme convexe ou bien utiliser des fonc-
tions de Lyapunov plus complexes comme dans (Tanaka et al. [2003], Kruszewski [2006]), etc.
2.5. Observabilité des modèles T-S 13

2.5 Observabilité des modèles T-S

Etudier l’observabilité d’un système consiste à établir les conditions sous lesquelles l’état du système
peut être reconstruit à partir des entrées et des sorties mesurées.
Pour les systèmes non linéaires (2.1), le problème d’observabilité, lié souvent au concept d’indiscerna-
bilité, a largement été étudié et le lecteur intéressé pourra se référer au travaux présentés dans (Besançon
[2007], Fossard et Normand-Cyrot [1993] et Diop et Fliess [1991]) par exemple.
Pour les modèles T-S, une condition nécessaire d’observabilité peut être donnée par la contrainte d’ob-
servabilité des modèles locaux, i.e. de chaque paire (Ai ,Ci ) des sous-modèles du système, ou au moins
leur détectabilité (Ichalal [2009], Kamidi [2000], Angelis [2001]).
Remarque 2. Une condition nécessaire de commandabilité des modèles T-S se déduit de manière duale
à la condition d’observabilité (i.e. commandabilité des des modèles locaux).

2.6 Synthèse d’observateurs

Considérons le modèle T-S donné par l’équation suivante :
 n
∑ i
 ẋ(t) = µ (ξ (t))(A x(t) + B u(t))
i i
(2.13)
 i=1
y(t) = Cx(t)
L’observateur le plus commun pour ce type de systèmes consiste en une extension T-S de l’observateur
de Luenberger (Luenberger [1971]). Il est défini par les équations suivantes :
 n
˙ = ∑ µi (ξ̂ (t))(Ai x̂(t) + Bi u(t) + Li (y(t) − ŷ(t)))
 x̂(t)
i=1 (2.14)

ŷ(t) = Cx̂(t)

avec x̂(t) et ξ̂ (t) qui représentent respectivement l’estimé de l’état x(t) et des variables de décision ξ (t).
Les gains Li de l’observateur sont déterminés afin que l’estimé de l’état x̂(t) tende asymptotiquement vers
l’état x(t). Il faut donc assurer la stabilité du système générant l’erreur d’estimation e(t) = x(t) − x̂(t).
On rappelle que les fonctions d’activation µi (ξ (t)) du modèle T-S (2.13) vérifient la propriété de somme
convexe et dépendent des variables dites de décision ou de prémisse ξ (t). Ces variables peuvent être
mesurables (entrées/sortie du système) ou non mesurables (état du système,..). Il est important de noter
que la classe des modèles T-S à variables de décisions non mesurables est plus large que celle à variables
de décision mesurables du fait qu’une partie ou la totalité des variables d’état apparaît dans les fonctions
µi . Dans ce qui suit, les deux cas sont présentés pour la synthèse d’observateurs.

2.6.1 Variables de décision mesurables (VDM)

Dans le cas de variables de décision mesurables, la synthèse d’observateurs s’appuie sur la dispo-
nibilité des variables de décision. Par conséquent, le système et son observateur partagent les mêmes
fonctions d’activation. Ceci présente comme avantage la possibilité de factoriser ces dernières lors de
l’étude de la dynamique de l’erreur d’estimation d’état définie par e(t) = x(t) − x̂(t). Nous avons ainsi :
n
ė(t) = ∑ µi (ξ (t))(Ai − LiC)e(t) (2.15)
i=1

Une simple analyse de stabilité du système (2.15) permet de trouver les gains Li recherchés, et qui
peuvent être donnés, par exemple, par le théorème suivant :
14 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

Lemme 2. (Patton et al. [1998]). L’erreur d’estimation d’état converge asymptotiquement vers zéro s’il
existe une matrice P, P = PT > 0 ∈ Rnx ×nx et des matrices Ki ∈ Rnx ×m telles que les conditions suivantes
soient satisfaites pour i = 1, . . . , n :
PAi + ATi P − KiC −CT KiT < 0 (2.16)
Les gains de l’observateur sont obtenus par l’équation suivante :
Li = P−1 Ki (2.17)
Dans le cas où la sortie dépend d’une seule matrice C (2.13), les mêmes relaxations qu’en analyse
n
de stabilité peuvent être faites. Pour une sortie polytopique (y(t) = ∑ µi (ξ (t))Ci x(t)), le conservatisme
i=1
de l’étude de stabilité d’un système défini par une double somme peut être réduit (Tuan et al. [2001]),
(Sala et Arino [2007]).

2.6.2 Variables de décision non mesurables (VDNM)

L’étude des systèmes à variables de décision non mesurables est beaucoup plus réaliste et fait l’objet
d’un intérêt grandissant de la part des chercheurs ces dernières années. Cela peut s’expliquer du fait que
cette classe de modèles T-S est plus large que celle à variables de décision mesurables. En effet, le modèle
T-S obtenu par la transformation en secteurs non linéaires fait apparaître, dans la majorité des cas, une
partie ou la totalité des variables d’état dans les fonctions d’activation sachant que ces variables d’état ne
sont pas toutes accessibles. On peut ainsi citer les travaux suivants portant sur le sujet (Yoneyama [2008],
Bergsten et Palm [2000] et Ichalal et al. [2012]).
La présence de variables de décision non mesurables empêche d’écrire simplement la dynamique de
l’erreur d’estimation d’état. Une des solutions proposées consiste à ré-écrire le système T-S à VDNM
sous forme d’un système T-S incertain où les incertitudes sont bornées. Les gains de l’observateur sont
alors déterminés de manière à assurer la stabilité du système générant l’erreur d’estimation d’état, tout en
assurant une atténuation L2 du transfert de l’influence des incertitudes vers l’erreur d’estimation d’état.
A cet effet, l’équation d’évolution de l’état est ré-écrite sous la forme :
n  
ẋ(t) = ∑ µi (ξ̂ (t))(Ai x(t) + Bi u(t)) + (µi (ξ (t)) − µi (ξ̂ (t)))(Ai x(t) + Bi u(t)) (2.18)
i=1

En utilisant les définitions (2.14) et (2.18), la dynamique de l’erreur d’estimation d’état est ainsi donnée
par :
n
ė(t) = ∑ µi (ξ̂ (t))(Ai − LiC)e(t) + ∆A(t)x(t) + ∆B(t)u(t) (2.19)
i=1
où ∆A(t) et ∆B(t) jouent le rôle d’incertitudes et sont définies comme suit :
 n  






∆A(t) = ∑ i µ ( ξ (t)) − µi ( ξ̂ (t)) Ai

 i=1
= AΣA (t)EA
n   (2.20)






∆B(t) = ∑ µi ( ξ (t)) − µi ( ξ̂ (t)) Bi

 i=1
= BΣ (t)E B B
avec  
A =  A1 . . . An  , ΣA (t) = diag(δ1 (t)Inx , . . . , δn (t)Inx ),
B = B1 . . . Bn , ΣB (t) = diag(δ1 (t)Inu , . . . , δn (t)Inu ), (2.21)
 T  T
EA = Inx . . . Inx , EB = Inu . . . Inu , δi (t) = µi (ξ (t)) − µi (ξ̂ (t))
2.7. Stabilisation des modèles T-S 15

Les gains de l’observateur sont ainsi donnés par le théorème suivant :

Théorème 1. (Ichalal et al. [2010]) Le système (2.19) est stable et le gain L2 du transfert de la paire
u(t), x(t) vers l’erreur d’estimation est borné par γ , s’il existe deux matrices symétriques et définies
positives P1 ∈ Rnx ×nx et P2 ∈ Rnx ×nx , des matrices Ki ∈ Rnx ×m et des scalaires positifs λ1 , λ2 et γ tels que
les LMIs suivantes soient vérifiées pour i, j = 1, . . . , n :
 
S(P1 Ai − KiC) + Inx 0 0 P1 A P1 B

 ∗ S(P2 A j ) + λ1 EAT EA P2 B j 0 0  

 ∗ ∗ −γ Inu + λ2 EB EB
T 0 0  < 0 (2.22)
 ∗ ∗ ∗ −λ1 I 0 
∗ ∗ ∗ 0 −λ1 I

Les gains de l’observateur et le taux d’atténuation γ du transfert des incertitudes vers l’erreur d’estima-
tion sont donnés par :
Li = P1−1 Ki (2.23)
p
γ= γ (2.24)

2.7 Stabilisation des modèles T-S

La stratégie de commande la plus répandue pour la stabilisation des systèmes non linéaires sous
forme de modèles T-S est la commande PDC (Compensation Parallèle Distribuée -Parallel Distributed
Compensation). Introduite dans (Wang et al. [1996] et Tanaka et al. [1998]), cette loi de commande dé-
pend des mêmes fonctions d’activation que celles utilisées dans le modèle T-S considéré. La synthèse
peut se faire par retour d’état classique (à condition que tous les états soient mesurables ou estimables),
par retour d’état à base d’observateurs, ou bien par retour de sortie (statique ou dynamique). L’approche
descripteur est également considérée afin de réduire le nombre de conditions à satisfaire mais aussi pour
supprimer certains couplages entre les gains de commande et les matrices de Lyapunov, principales
sources de conservatisme.

2.7.1 Stabilisation par retour d’état

Stabilisation par retour d’état classique

Pour le modèle T-S :

n
ẋ(t) = ∑ µi (ξ (t))(Ai x(t) + Bi u(t)) (2.25)
i=1

la loi de commande PDC par retour d’état est donnée par l’expression suivante :
n
u(t) = − ∑ µ j (ξ (t))K j x(t) (2.26)
j=1

Le système muni de sa commande se ré-écrit ainsi sous la forme suivante :

n n
ẋ(t) = ∑ ∑ µi (ξ (t))µ j (ξ (t))(Ai − Bi K j ) x(t) (2.27)
i=1 j=1
16 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

En considérant la fonction de Lyapunov V (x(t)) = xT (t)Px(t), la stabilité du système (2.27) est assurée
s’il existe une matrice symétrique définie positive P1 ∈ Rnx ×nx et des matrices Ri ∈ Rnx ×m telles que les
LMIs suivantes soient vérifiées pour i, j = 1, . . . , n (Tanaka et Wang [2001]) :

P1 ATi + Ai P1 − RTj BTi − Bi R j < 0 i, j = 1, . . . , n (2.28)

Les gains K j du contrôleur sont alors donnés par :

K j = P1−1 R j avec P1 = P−1 (2.29)

Stabilisation de systèmes T-S à VDM par retour d’état à base d’observateurs

Dans le cas où une partie ou la totalité des états du système (2.25) n’est pas disponible, une solution
consiste à considérer une commande à base d’observateur. Cette commande est alors choisie pour les
systèmes T-S à VDM sous la forme suivante :
n
u(t) = − ∑ µ j (ξ (t))K j x̂(t) (2.30)
j=1

où la dynamique de l’observateur s’explicite :

 n
˙ = ∑ µi (ξ (t))(Ai x̂(t) + Bi u(t) + Li (y(t) − ŷ(t)))
 x̂(t)
i=1 (2.31)

ŷ(t) = Cx̂(t)
En combinant l’équation de commande (2.30) et celle de l’observateur (2.31), tout en définissant l’erreur
d’estimation e(t) = x(t) − x̂(t), les équations suivantes sont obtenues :
 n n



 ẋ(t) = ∑ ∑ µi (ξ (t))µ j (ξ (t)) ((Ai − Bi K j )x(t) + Bi K j e(t))
i=1 j=1
n n (2.32)

 ė(t) = ∑ ∑ µi (ξ (t))µ j (ξ (t)) (Ai − LiC j )) e(t)


i=1 j=1

Le système à état augmenté (2.33) est alors déduit :

n n
ẋa (t) = ∑ ∑ µi (ξ (t))µ j (ξ (t))Gi j xa (t)
i=1 j=1
n n n (2.33)
Gi j + G ji
= ∑ ∑ µi (ξ (t))µ j (ξ (t))Gii xa (t) + 2 ∑ ∑ µi (ξ (t))µ j (ξ (t)) xa (t)
i=1 j=1 i=1 j>i 2
avec    
x(t) Ai − Bi K j Bi K j
xa (t) = , Gi j = (2.34)
e(t) 0 Ai − LiC j
En considérant la fonction de Lyapunov V (xa (t)) = xaT (t)Pxa (t), la stabilité du système augmenté (2.33)
est assurée si les conditions suivantes sont vérifiées pour i, j = 1, . . . , n (Tanaka et Wang [2001]) :
GTii P + PGii < 0
   
Gi j + G ji T Gi j + G ji (2.35)
P+P < 0, j > i
2 2
Les gains K j du contrôleur et Li de l’observateur sont alors donnés par les BMIs (inégalités matricielles
bilinéaires) (2.35). L’approche descripteur, présentée en 2.7.2, permet de linéariser ces BMIs.
2.7. Stabilisation des modèles T-S 17

Stabilisation de systèmes T-S à VDNM par retour d’état à base d’observateurs

Dans le cas des systèmes non linéaires sous forme de modèles T-S à VDNM, la commande PDC par
retour d’état ainsi que la dynamique de l’observateur sont alors données par les équations suivantes :
 n

 u(t) = − ∑ µ j (ξ̂ (t))K j x̂(t)



 j=1
n
˙ = ∑ µi (ξ̂ (t))(Ai x̂(t) + Bi u(t) + Li (y(t) − ŷ(t))) (2.36)

 x̂(t)



 i=1
ŷ(t) = Cx̂(t)

La dynamique de l’erreur d’estimation d’état est régie par l’équation :

n n n
ė(t) = ∑ ∑ ∑ µi (ξ (t))µ j (ξ̂ (t))µk (ξ̂ (t))
i=1 j=1 k=1 (2.37)
((Ai − A j − (Bi − B j )Kk + L j (Ck −Ci ))x(t) + (A j − L jCk + (Bi − B j )Kk )e(t))

Le système d’état augmenté (2.38) est alors déduit :

n n n
ẋa (t) = ∑ ∑ ∑ µi (ξ (t))µ j (ξ̂ (t))µk (ξ̂ (t))Gi jk xa (t)
i=1 j=1 k=1
n n
= ∑ ∑ µi (ξ (t))µ j (ξ̂ (t))µ j (ξ̂ (t))Gi j j xa (t) (2.38)
i=1 j=1
n
Gi jk + Gik j
+2 ∑ ∑ µi (ξ (t))µ j (ξ̂ (t))µk (ξ̂ (t)) xa (t)
i=1 j<k 2

avec    
x(t) Ai − Bi Kk Bi Kk
xa (t) = , Gi jk = (2.39)
e(t) Si1jk Si2jk
Si1jk = (Ai − A j ) − (Bi − B j )Kk + L j (Ck −Ci )

Si2jk = A j − L jCk + (Bi − B j )Kk

En considérant la fonction de Lyapunov V (xa (t)) = xaT (t)Pxa (t), la stabilité du système augmenté (2.38)
est assurée si les conditions suivantes sont vérifiées pour i, j, k = 1, . . . , n (Tanaka et Wang [2001]) :

GTij j P + PGi j j < 0

 T  
Gi jk + Gik j Gi jk + Gik j (2.40)
P+P < 0, ∀i, j < k
2 2
Les gains Kk du contrôleur et L j de l’observateur sont alors obtenus en linéarisant les BMIs (inégali-
tés matricielles bilinéaires) (2.40) par simple changement de variables et complément de Schur ou en
utilisant l’approche descripteur.

Stabilisation par retour d’état des systèmes incertains

En pratique, il existe plusieurs sources d’incertitude affectant les systèmes physiques ; celles-ci
doivent être prises en compte lors de la modélisation. Ces incertitudes peuvent être dues à une connais-
sance imparfaite des valeurs numériques des paramètres du système, à des approximations de modéli-
sation, à la présence de perturbations exogènes ou endogènes, ou à la présence de certains phénomènes
18 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

dynamiques rapides négligés. Tous ces phénomènes induisent un écart parfois considérable entre le com-
portement réel d’un système et celui obtenu par simulation de son modèle. Afin d’éviter ces écarts, ou
d’en minimiser les effets, des techniques de commande robuste ont été mises en oeuvre (Henrion [1999],
Daafouz [1997], Zhou et al. [1996]). Nous nous intéressons dans ce qui suit à la stabilisation par retour
d’état des systèmes non linéaires incertains représentés sous forme de modèle T-S.
Considérons le modèle suivant :
n
ẋ(t) = ∑ µi (ξ (t))((Ai + ∆A(t))x(t) + (Bi + ∆B(t))u(t)) (2.41)
i=1

où les incertitudes ∆A (t), ∆B (t) qui affectent les matrices d’état sont communes à tous les sous-systèmes
et sont structurées sous la forme :
∆A(t) = AΣA (t)EA (2.42)

∆B(t) = BΣB (t)EB (2.43)

les variations ΣA (t) et ΣB (t) étant inconnues mais bornées :

ΣTA (t)ΣA (t) ≤ I, ∀t (2.44)

ΣTB (t)ΣB (t) ≤ I, ∀t (2.45)

Considérons la loi de commande pour assurer le recalage à l’origine de l’état du système (2.41) :
n
u(t) = − ∑ µ j (ξ (t))K j x(t) (2.46)
j=1

où les gains K j ∈ Rnu ×nx sont à déterminer.

En reportant (2.46) dans (2.41), nous obtenons :
n n
ẋ(t) = ∑ ∑ µi (ξ (t))µ j (ξ (t))(Ai − Bi K j + ∆A(t) − ∆B(t)K j )x(t) (2.47)
i=1 j=1

Afin d’analyser la stabilité de l’état x(t), considérons la fonction de Lyapunov suivante :

V (x(t)) = xT (t)Px(t) (2.48)

où P ∈ Rn est une matrice symétrique définie positive.

Pour assurer la stabilité de (2.47), les conditions à satisfaire sont les suivantes :
 
S(Ai P1 − Bi R j ) + λA AAT + λB BBT P1 EAT RTj EBT
 ∗ −λA I 0  < 0, i, j = 1, . . . , n (2.49)
∗ ∗ −λB I

avec P1 = P−1 , λA , λB des scalaires positifs et S(Ai P1 − Bi R j ) = Ai P1 − Bi R j + P1 ATi − RTj BTi . Les gains
du contrôleur K j (2.46) sont donnés par :
K j = R j P1−1 (2.50)

pour i, j = 1, . . . , n.
2.7. Stabilisation des modèles T-S 19

2.7.2 Stabilisation par retour de sortie

Dans cette section, nous nous intéressons à la commande par retour de sortie statique ou dyna-
mique. Un contrôleur dynamique permet notamment d’améliorer les performances en boucle fermée
d’un système dynamique et a souvent été utilisé dans le cadre de la commande robuste (Li et al. [2000],
Yoneyama et al. [2001], Yoneyama [2006]). Un contrôleur statique s’avère particulièrement intéressant
dans le cadre d’applications nécessitant un faible coût de calcul puisque, contrairement aux lois de com-
mande à base d’observateurs ou par retour de sortie dynamique, sa conception ne nécessite pas la ré-
solution d’équations différentielles en ligne (Chadli et al. [2002], Huang et Nguang [2006]). Notons ce-
pendant qu’une loi de commande par retour de sortie fait apparaître dans son expression de nombreux
termes croisées (couplage entrées-sorties) et conduit donc à des conditions de stabilisation LMI qui sont
assez conservatives (Bouarar [2009]).
Dans cette section, l’accent est également mis sur les modèles descripteurs non linéaires sous forme T-S.
En effet, cette représentation appliquée à la synthèse de la commande consiste à introduire une dyna-
mique virtuelle sur l’entrée et la sortie et se base sur une réécriture du système en boucle fermée sous
la forme d’un modèle descripteur facilitant le calcul de la dérivée de la fonction candidate de Lyapu-
nov. Cette approche permet non seulement de réduire le nombre de LMIs à résoudre, mais également
de supprimer certains couplages entre les gains de commande et les matrices de Lyapunov, principales
sources de conservatisme (Lin et al. [1999], Taniguchi et al. [2001], Guelton et al. [2009], Tanaka et al.
[2007] et Guelton et al. [2009]). Ainsi, dans ce qui suit, nous proposons la formulation de conditions
de stabilisation de systèmes non linéaires, sous forme de modèles T-S, par retour de sortie (statique et
dynamique) basée sur l’approche descripteur.

Stabilisation par retour de sortie statique

Soit le système T-S suivant :
 n
 ẋ(t) = ∑ µ j (ξ (t))(Ai x(t) + Bi u(t))


i=1 (2.51)
n

 y(t) = ∑ µ j (ξ (t))(Ci x(t) + Di u(t))

i=1

Afin d’assurer la stabilisation du système (2.51), considérons la commande par retour de sortie statique
donnée par :
n
u(t) = ∑ µ j (ξ (t))K j y(t) (2.52)
j=1

En se basant sur l’approche descripteur et en introduisant une dynamique virtuelle sur l’entrée et la sortie
du système, nous pouvons écrire :
 n


 0.u̇(t) = ∑ µi (ξ (t))Ki y(t) − u(t)
i=1 (2.53)
n


 0.ẏ(t) = ∑ µi (ξ (t))(Cix(t) + Di u(t)) − y(t)
i=1

T
L’état augmenté xa (t) = xT (t) uT (t) yT (t) obtenu à partir des équations (2.51) et (2.53) est régi
par la dynamique :
n
E ẋa (t) = ∑ µi (ξ (t))Asi xa (t) (2.54)
i=1
20 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

avec    
Inx 0 0 Ai Bi 0
E = 0 0nu 0  , Asi =  0 −Inu Ki  (2.55)
0 0 0m Ci Di −Im
Considérons maintenant la fonction de Lyapunov

V (t) = xaT (t)E T Pxa (t) (2.56)

avec la condition
E T P = PT E ≥ 0 (2.57)
Un des choix possibles pour la matrice P assurant la condition (2.57) est de la prendre sous forme
bloc diagonale P = diag(P1 , P2 , P3 ) avec P1 = P1T > 0 et P2 , P3 > 0. Dans ce cas, V (t) est une fonction
quadratique en l’état du système, en effet, V (t) = xT (t)P1 x(t). La dérivée par rapport au temps de la
fonction de Lyapunov (2.56) s’explicite :
n
V̇ (t) = ∑ hi (ξ (t))xaT (t)((Asi )T P + PT Asi )xa (t) (2.58)
i=1

Afin d’assurer la stabilité du système (2.54), la condition à satisfaire est V̇ (t) < 0. Ainsi tenant compte
de (2.55) et (2.58), les LMIs à résoudre par rapport à P1 , P2 , P3 et R j , i = 1, . . . , n sont les suivantes :
 
ATi P1 + P1 Ai P1 Bi CiT P3
 ∗ −P2 − P2T Ri + DTi P3  < 0 (2.59)
∗ ∗ −P3 − P3T

Les gains du retour de sortie sont ainsi donnés par :

Ki = (P2T )−1 Ri (2.60)

Stabilisation par retour de sortie dynamique

Afin de stabiliser le système non linéaire T-S (2.51), considérons maintenant la commande par retour
de sortie dynamique suivante :
 n


 ẋc (t) = ∑ hi (ξ (t))(Acixc (t) + Bci y(t))
i=1 (2.61)
n


 u(t) = ∑ hi (ξ (t))(Cicxc (t) + Dci y(t))
i=1

où xc (t)Rnc est l’état du correcteur et où les matrices Aci , Bci ,Cic et Dci du contrôleur, de dimensions ap-
propriées, sont déterminées pour assurer la stabilité du système augmenté défini ci-dessous.

T
xa (t) = xT (t) xcT (t) uT (t) yT (t)

Comme précédemment, en utilisant l’approche descripteur, à partir des équations du système (2.51) et
de celles du contrôleur dynamique (2.61), nous avons :
n
E ẋa (t) = ∑ hi (ξ (t))Adi xa (t) (2.62)
i=1
2.7. Stabilisation des modèles T-S 21

où E et Adi s’explicitent :
   
I 0 0 0 Ai 0 Bi 0
 0 I 0 
0   c c 
E = , A d
=  0 Ai 0 Bi  (2.63)
 0 0 0 0  i  0 C −I Dc
c 
i i
0 0 0 0 Ci 0 Di −I

Soit la fonction de Lyapunov suivante :

V (t) = xaT (t)E T Pxa (t) (2.64)

vérifiant les conditions de symétrie et de positivité :

E T P = PT E ≥ 0 (2.65)

En fonction des définitions (2.62) et des contraintes (2.65), la matrice P est choisie sous la forme :
 
P11 0 0 0
 0 P22 0 0 
P=  0
 (2.66)
0 P33 0 
P41 P42 P43 P44
avec
T T
P11 = P11 > 0, P22 = P22 > 0, P33 inversible (2.67)
La dérivée par rapport au temps de la fonction de Lyapunov est alors donnée par :
n
V̇ (t) = ∑ hi (ξ (t))xaT (t)((Adi )T P + PT Adi )xa (t) (2.68)
i=1

Pour assurer la stabilité de (2.62), il suffit de garantir l’inégalité V̇ (t) < 0. Les LMIs à résoudre par
c c c c
rapport à P11 , P22 , P33 , P41 , . . . , P44 , Ai , Bi , Ci et Di pour i = 1, . . . , n sont les suivantes :
 
Mi11 CiT P42 P11 Bi +CiT P43 + P41
TD
i CiT P44 − P41
T
 ∗ (Aci )T + Ai c c
(Ci )T + P42TD c
Bi − P42T 
 i
c <0 (2.69)
 ∗ ∗ Mi33 Di + Di P44 − P43 
T T

∗ ∗ ∗ −P44 − P44T

avec :
TC
Mi11 = ATi P11 + P11 Ai +CiT P41 + P41 i
(2.70)
Mi33 = T + PT D + DT P
−P33 − P33 43 i i 43

pour i = 1, . . . , n.
Les gains du contrôleur sont ainsi donnés par :
 c −1 c −1 c
Ai = P22 Ai Bci = P22 Bi
c c (2.71)
Ci = (P33 ) Ci Di = (P33 )−1 Di
c T −1 c T

Remarque 3. Relation entre la stabilisation par retour d’état à base d’observateurs et stabilisation par
retour de sortie dynamique : il est important de noter que la commande par retour d’état observé est
un cas particulier de la commande par retour de sortie dynamique. En effet, si l’on considère le premier
22 Chapitre 2. Introduction à la modélisation, l’estimation et la commande des modèles T-S

cas de figure, nous rappelons que l’observateur et la commande pour le cas mono-modèle (linéaire) sont
donnés par les équations :

˙ = Ax̂(t) + Bu(t) + L(y(t) − ŷ(t))
 x̂(t)
ŷ(t) = Cx̂(t) (2.72)

u(t) = −K x̂(t)

ce qui revient à écrire : 

˙ = (A − BK − LC)x̂(t) + Ly(t)
x̂(t)
(2.73)
u(t) = −K x̂(t)
ce qui correspond bien à l’équation du contrôleur par retour de sortie dynamique pour xc (t) = x̂(t),
Ac = A − BK − LC, Bc = L, Cc = −K et Dc = 0. Cette remarque peut facilement être transposée pour la
stabilisation non linéaire T-S.

2.8 Conclusion
Dans ce chapitre, les concepts de base relatifs aux modèles T-S ainsi que des conditions suffisantes
de stabilité ont été présentés. Ces dernières se basent sur la théorie de Lyapunov et sont écrites sous la
forme de LMI afin d’être résolues pas les outils classiques de l’optimisation convexe. Nous avons ensuite
présenté des méthodes de synthèse d’observateurs pour les différents cas de figure (VDM et VDNM) ainsi
que des contrôleurs assurant la stabilisation des systèmes non linéaires sous forme de modèles T-S. Des
commandes statiques et dynamiques, par retour d’état et de sortie ont été détaillées. L’accent a également
été mis sur le lien entre la stabilisation par retour d’état à base d’observateurs et la stabilisation par retour
de sortie dynamique.
 Estimation et diagnostic de systèmes non linéaires à
3
paramètres variants dans le temps

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.1.1 Défauts, pannes et diagnostic . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.1.2 Estimation paramétrique : systèmes variants dans le temps . . . . . . . . . . . 25
3.1.3 Contribution du chapitre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.2 Systèmes linéaires à paramètres variants dans le temps . . . . . . . . . . . . . . . 26
3.2.1 Exemple introductif : cas d’un seul paramètre . . . . . . . . . . . . . . . . . . 27
3.2.2 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.3 Atténuation du bruit de mesure . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.4 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Systèmes non linéaires à paramètres variant dans le temps . . . . . . . . . . . . . 36
3.3.1 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.2 Application à une station d’épuration d’eau . . . . . . . . . . . . . . . . . . . 41
3.3.3 Diagnostic de défauts multiplicatifs de capteurs . . . . . . . . . . . . . . . . 48
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.1 Introduction
Dans ce chapitre, nous proposons une nouvelle approche basée sur la ré-écriture polytopique et la
transformation par secteurs non linéaires du comportement de paramètres variants dans le temps. Le
but recherché est la synthèse d’un observateur assurant l’estimation simultanée de l’état et des variations
paramétriques du système en transformant le modèle original à paramètres variants sous forme de modèle
de Takagi-Sugeno (T-S) à variables de décision non mesurables. Les gains de l’observateur sont obtenus
en résolvant un problème d’optimisation exprimé sous forme d’inégalités matricielles linéaires.

23
24 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

3.1.1 Défauts, pannes et diagnostic

Un système physique est souvent soumis à des perturbations, non directement mesurables, qui ont
pour origine des phénomènes extérieurs dûs à l’environnement ou des phénomènes internes liés à des
modifications du système (vieillissement des composants par exemple). Ces perturbations ont des effets
néfastes sur le comportement du système et peuvent être à l’origine de son dysfonctionnement. Pour
garantir, d’une part, la sécurité d’un procédé et de son environnement et, d’autre part, le respect de la
mission qui lui a été confiée, il faut donc connaître à chaque instant et le plus précisément possible son
état de fonctionnement. En particulier, on doit être capable de dire si le fonctionnement est normal ou
si un dysfonctionnement est apparu. Aussi, il est intéressant de connaître la nature de ce dysfonctionne-
ment (panne de capteurs, d’actionneurs, défauts de transmission d’information, etc.) ; c’est l’objectif du
diagnostic.
Un défaut est un évènement qui agit sur un système, il peut changer ses propriétés et modifier sa dy-
namique conduisant à une dégradation des performances du procédé voir à son instabilité (Isermann
[1997]). Les défauts proviennent essentiellement des actionneurs (défaillance au niveau de la partie opé-
rative conduisant à la perte d’une action de commande sur le système), des capteurs (l’information récu-
pérée ne correspond pas à la valeur de la grandeur physique à mesurer), ou du procédé lui-même (défauts
système qui reflètent un changement dans les paramètres du système, ce qui induit un changement du
comportement dynamique de ce dernier) (Staroswiecki et Gehin [2001], Blanke et al. [2003]).
Les défauts sont également classés en défauts additifs et défauts multiplicatifs. Les premiers représentés
par des signaux externes et non par des changements dans les matrices du système sont plus faciles à
traiter, d’où l’idée de transformer des défauts multiplicatifs sous forme additive dans la plupart des tra-
vaux sur le sujet (Noura et al. [2000], Rodrigues [2005]).
Les problèmes associés à l’amélioration des performances des systèmes, de leur efficacité, fiabilité et
sécurité, nécessitent la mise en place de systèmes de surveillance et de diagnostic performants et précis.
Différents travaux sur le sujet peuvent être cités comme référence (Blanke et al. [2003], Maquin et Ragot
[2000], Chen et Patton [1999], Ragot et al. [1990]). Deux catégories d’approches pour le diagnostic
peuvent être répertoriées, celles basées sur les signaux et celles basées sur les modèles. Les premières
détectent les défauts en testant des propriétés spécifiques (contenu spectral par exemple) de différents
signaux de mesure des entrées-sorties du système. La seconde catégorie d’approches est basée sur l’uti-
lisation d’un modèle mathématique. Ces méthodes s’appuient sur la comparaison du comportement ob-
servé et du comportement attendu (prédit par un modèle) du système. Elles sont généralement constituées
de deux étapes : la génération des résidus et leur évaluation grâce à un système de décision (Isermann
[2006], Chen et Patton [1999], Ichalal et al. [2009b]). Le rôle de ce système de décision est de détermi-
ner si l’évolution des résidus est significative pour conclure de l’occurrence d’un défaut. Si la détection
de l’occurrence d’un défaut est en général assez aisée, en revanche, les tâches de localisation (isolation)
et d’évaluation (amplitude et variation) sont beaucoup plus délicates.
La technique la plus répandue pour la localisation de défauts est celle basée sur les bancs d’observateurs.
En effet, une analyse des résidus issus de ces observateurs couplée à une logique de décision (table des
signatures), connue sous le nom de column matching (Gertler [1988], Gertler [1991], Gertler [1998]),
permet de localiser les défauts (Ding [2008], Isermann [2006]). Pour l’évaluation des défauts, plusieurs
approches peuvent être citées, dont celles basées sur les observateurs à entrées-inconnues ou sur l’esti-
mation paramétrique.
Les observateurs à entrées inconnues sont largement utilisés pour le diagnostic de défauts systèmes
en présence d’incertitudes afin de rendre les résidus insensibles aux incertitudes considérées. Plusieurs
travaux sur le sujet peuvent être cités (Hou et Muller [1992], Darouach et al. [1994], Chang [1997],
de Oliveira et al. [1999]). Une des approches ayant rencontré le plus de succès dans la littérature est
celle qui se base sur le découplage. L’idée consiste à rendre l’erreur d’estimation d’état indépendante
3.1. Introduction 25

des entrées inconnues (EIs) (Basile et Marro [1969], Yang et Wilde [1988], Chang [1997], Chen et Chen
[2010], Hammouri et Tmar [2010]). L’inconvénient majeur de cette méthode est la condition de rang
sur certaines matrices du système, qui devient d’autant plus restrictive que le nombre d’entrées incon-
nues croit. L’autre approche consiste en l’estimation simultanée des EIs et des états du système par
des observateurs PI (proportionel intégral). Des exemples peuvent être trouvés dans (Shumsky [2008],
Ichalal et al. [2009b] et Ichalal et al. [2009a]), cependant les développements proposés ne considèrent
que le cas d’EIs constantes. Des extensions ont été proposées, dans (Lendek et al. [2010]) par exemple,
le cas d’EIs sous forme polynomiale a été traité. Dans (Marx et al. [2007]), les auteurs proposent une
méthode pour l’estimation d’état et le diagnostic à base d’observateur de systèmes T-S sous forme des-
cipteur.
Dans (Bezzaoucha et al. [2011b]), un observateur pour des systèmes linéaires discrets en présence d’en-
trées inconnues en relaxant les contraintes structurelles d’observabilité des EIs a été proposé. Le principe
retenu consiste à caractériser la classe d’entrées inconnues pour laquelle le découplage exact de l’er-
reur d’estimation d’état par rapport à l’entrée inconnue, sans aucune condition de rang, en explicitant de
façon analytique la famille des solutions de type exponentiel. Par la suite, ce principe a été étendu en dé-
composant n’importe quelle entrée inconnue en deux termes. Le premier écrit sous forme d’une somme
d’exponentielles assurant les conditions du découplage exact de l’erreur d’estimation d’état. L’effet du
terme restant sur l’estimation d’état est alors atténué par l’approche L2 . Une stratégie de placement de
pôles a également été appliquée afin d’améliorer les performances de l’observateur synthétisé et illustré
par une application au diagnostic de défauts capteurs avec génération de résidus et banc d’observateurs
proposée dans (Bezzaoucha et al. [2011a]).
Pour l’estimation de pannes multiplicatives (défauts paramètres), une solution serait de considérer des
méthodes d’estimation par l’identification en ligne de système, ou par des observateurs adaptatifs. Le
diagnostic peut être établi en comparant les valeurs de paramètres estimés en ligne avec leurs valeurs
nominales, en mode non défaillant (absence de panne), supposées connues. L’identification en ligne se
complique dans le cas des systèmes à variables d’état non directement mesurables, rendant l’estimation
en-ligne des paramètres beaucoup plus difficile.
Dans ce qui suit, une attention particulière a été portée à l’estimation simultanée des états et des para-
mètres variants dans le temps (représentant des défauts non additifs système, actionneurs, ou capteurs)
aussi bien pour les systèmes linéaires que non linéaires.

3.1.2 Estimation paramétrique : systèmes variants dans le temps

Comme cela a été souligné dans la section précédente, les défauts les plus difficiles à détecter, locali-
ser et estimer qu’ils soient additifs ou multiplicatifs, sont les défauts affectant les systèmes. Ces derniers
peuvent être représentés comme des paramètres du modèle variants dans le temps.
La prise en compte de ces paramètres dans le modèle d’un système a pour effet d’augmenter le niveau
de complexité pour la synthèse d’observateurs. Dans ce cas, les observateurs conventionnels développés
pour les systèmes invariants ne peuvent être appliqués et ce sont des observateurs dits adaptatifs pour l’es-
timation simultanée des états et des paramètres qui doivent être considérés. Ces observateurs présentent
l’avantage de donner une estimation optimale au sens d’un critère prédéfini du/ou des paramètres, ce qui
allège considérablement le dispositif de diagnostic. En effet, dans ce cas, il n’est plus nécessaire de faire
appel aux bancs d’observateurs. Cependant, le manque d’informations sur les variations des paramètres
considérés rend difficile l’estimation de ces paramètres.
Plusieurs méthodes ont été publiées à ce sujet, par exemple, le cas des systèmes linéaires à paramètres
constants ou faiblement variables a été traité dans (Li et al. [2011], Zhang et Xu [2001], Zhang [2002],
Lubenova [1999], Rajamani et Hedrich [1995], Besançon [2000], Cho et Rajamani [1997] et Kenne et al.
[2008]). Pour des systèmes comme les bioprocédés, l’estimation des états et des paramètres non mesu-
26 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

rables est souvent conduite sur la base de filtres de Kalman étendus. Le vecteur d’état est augmenté du
nombre de paramètres à estimer et les paramètres cinétiques sont ainsi considérés comme des états sup-
plémentaires. Cependant, le problème de cette approche est l’absence de garantie de convergence et de
stabilité, ainsi que la difficulté associée au réglage des paramètres (Chamilothoris [1987], Dimitratos et al.
[1991], Valdes-Gonzalez [2002]). Il existe aussi des observateurs dont les applications sont plus restric-
tives mais dont la convergence a été démontrée, tels que ceux utilisés dans la méthode dite Recursive
Prediction Error (RPE). Cette méthode permet d’estimer simultanément l’état et les paramètres d’un
procédé selon une procédure hiérarchique à deux niveaux. L’état est estimé par un filtre de Kalman
et l’estimation des paramètres est réalisée de manière récursive en minimisant une fonction quadra-
tique de l’erreur de prédiction, par la méthode du gradient (Ljung [1979], Ljung et Sodeström [1983],
Valdes-Gonzalez [2002]). Par contre, dans le cas où les systèmes sont non linéaires, la synthèse d’ob-
servateurs d’état est plus délicate et les approches envisageables utilisent des algorithmes linéaires ap-
pliqués à une approximation des systèmes non linéaires, ou des algorithmes non linéaires spécifiques,
ne servant qu’à la classe de systèmes pour lesquels ils ont été conçus (Dochain [1986], Gauthier et al.
[1992], Alcorta Garcia et Frank [1997], Valdes-Gonzalez [2002], Carlos-Hernandez et al. [2009]).
Une approche efficace ayant rencontré un grand succès ces dernières années est la ré-écriture du système
non linéaire sous une forme plus simple qui est celle d’un modèle T-S. Ce dernier est obtenu, sans ap-
proximation, à partir du modèle non linéaire par la transformation en secteurs non linéaires (SNT) (voir
section 2.3).
Dans le présent chapitre, cette ré-écriture en système T-S est exploitée pour la synthèse d’observateurs de
systèmes à paramètres variants dans le temps. L’approche proposée a l’avantage d’être systématique, sans
approximation, ni perte d’information et ne nécessite pas de connaissance préalable du comportement
des paramètres, hormis leurs bornes et sur condition d’identifiabilité des paramètres.

3.1.3 Contribution du chapitre

La principale contribution de ce chapitre est de formaliser le problème de synthèse d’observateur
(pour des systèmes linéaires et non linéaires) à paramètres variants dans le temps. Le principe a été intro-
duit dans (Bezzaoucha et al. [2013h]), puis généralisé pour le cas non linéaire dans (Bezzaoucha et al.
[2013g]) et par la suite appliqué à une station d’épuration d’eaux usées avec des données issues du
Benchmark du programme européen Cost 624 dans (Bezzaoucha et al. [2013c]). L’approche proposée
consiste en la ré-écriture sous forme polytopique convexe des non-linéarités du système ainsi que des
paramètres variant dans le temps. Cette dernière présente l’avantage d’être analytique, générale et systé-
matique, sans aucune perte d’information ni approximation. Un observateur T-S est ensuite proposé pour
l’estimation simultanée des états du système et des paramètres. Ses gains sont calculés en résolvant un
problème d’optimisation sous contraintes LMI.
La deuxième partie de ce chapitre porte sur la description polytopique du comportement d’un paramètre
variant dans le temps. Un exemple introductif pour le cas linéaire avec un seul paramètre est présenté avec
des conditions de convergence relaxées. La partie 3 porte sur l’extension aux systèmes non linéaires, à
n paramètres avec l’application citée ci-dessus. Le cas de défauts de capteur multiplicatifs est également
considéré.

3.2 Systèmes linéaires à paramètres variants dans le temps

L’idée présentée dans cette section est de ré-écrire les paramètres agissant sur les matrices d’état et
d’entrée (ces paramètres peuvent être considérés comme des défauts affectant le système ou ses action-
neurs sous forme multiplicative) sous forme polytopique afin de transformer le système initial (linéaire
3.2. Systèmes linéaires à paramètres variants dans le temps 27

à paramètres variants) en un système T-S à variables de décision non mesurables.

3.2.1 Exemple introductif : cas d’un seul paramètre

Considérons le cas d’un système linéaire avec un seul paramètre variant dans le temps, intervenant
dans les matrices A et B du système (3.1) :

ẋ(t) = A(θ (t))x(t) + B(θ (t))u(t)
(3.1)
y(t) = Cx(t)
avec 
A(θ (t)) = A0 + θ (t)A, θ (t) ∈ [θ , θ ]
(3.2)
B(θ (t)) = B0 + θ (t)B
x(t) ∈ Rnx représente l’état du système, u(t) ∈ Rnu l’entrée de commande et y(t) ∈ Rm la sortie. A0 , A, B0
et B sont des matrices connues avec des dimensions appropriées. θ (t) ∈ R est le paramètre variant dans
le temps, non mesurable, mais borné.
En se basant sur la transformation par secteurs non linéaires, θ (t) peut être ré-écrit comme suit :
θ (t) = µ1 (θ (t))θ + µ2 (θ (t))θ (3.3)
avec
θ − θ (t) θ (t) − θ
µ1 (θ (t)) = , µ2 (θ (t)) = (3.4)
θ −θ θ −θ
les fonctions poids µ1 (θ (t)) et µ2 (θ (t)) vérifiant la propriété de somme convexe (3.5) avec r = 2 :
r
∑ µi (θ (t)) = 1, 0 ≤ µi (θ (t)) ≤ 1, i = 1, . . . , r, ∀t (3.5)
i=1
En remplaçant (3.3) et (3.2) dans l’équation (3.1), le système linéaire à temps variant est ré-écrit sous la
forme T-S suivante :
2
ẋ(t) = ∑ µi (θ (t))(Ai x(t) + Bi u(t)) (3.6)
i=1
avec : 
A1 = A0 + θ A, B1 = B0 + θ B
(3.7)
A2 = A0 + θ A, B2 = B0 + θ B
Remarque 4. Dans cette sous-section, le cas d’un seul paramètre a été considéré. Le même développe-
ment peut être présenté pour le cas de plusieurs paramètres θi , avec les matrices (A(θ ), B(θ )) affines en
θi , en décomposant chaque paramètre, puis en proposant une forme T-S compacte pour tout le vecteur
de paramètres (voir la section 3.3).

3.2.2 Synthèse d’observateur

En se basant sur la représentation T-S (3.6) obtenue dans la sous-section précédente, un observateur
simultané état-paramètre est proposé. Une approche par atténuation L2 est également considérée afin de
minimiser le transfert du paramètre θ (t) sur les erreurs d’estimation d’état et de paramètre. L’observateur
suivant est proposé :
 2

 ˙ = ∑ µi (θ̂ (t))(Ai x̂(t) + Bi u(t)) + Li (y(t) − ŷ(t))

 x̂(t)

 i=1
2 (3.8)




θ̂ ∑
˙ (t) = µ (θ̂ (t))(K (y(t) − ŷ(t)) − α θ̂ (t))
i i i

 i=1
ŷ(t) = Cx̂(t)
28 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

où Li ∈ R nx ×m , Ki ∈ R 1×m sont les gains d’observateur et αi des scalaires positifs à déterminer de façon
à ce que les estimés de l’état et du paramètre, x̂(t) et θ̂ (t), convergent vers ceux de x(t) et θ (t).
Il est important de noter que le problème d’estimation n’est pas aisé puisque les fonctions poids du
système (3.6) dépendent de θ (t) alors que celles de l’observateur (3.8) dépendent de θ̂ (t).
Soit l’erreur d’estimation d’état ex (t) définie comme suit :

ex (t) = x(t) − x̂(t) (3.9)

En se basant sur la propriété de somme convexe des fonctions poids, l’équation d’état (3.6) peut cepen-
dant se ré-écrire comme suit :
2 2

ẋ(t)=∑ µi (θ̂ (t)) (Ai x(t) + Bi u(t)) + ∑ µi (θ (t)) − µi (θ̂ (t) (Ai x(t) + Bi u(t)) (3.10)
i=1 i=1

Cette écriture permet une comparaison directe entre x(t) et x̂(t) puisque µi (θ̂ (t)) apparaît maintenant
dans les expressions des deux états.
Définissons les quantités jouant le rôle de perturbations ou d’incertitudes :
2
∆A(t) = ∑ (µi (θ (t)) − µi (θ̂ (t)))Ai
i=1
= AΣA (t)EA
2 (3.11)
∆B(t) = ∑ (µi (θ (t)) − µi (θ̂ (t)))Bi
i=1
= BΣB (t)EB
avec  
  δ1 (t)Inx 0  T
A= A1 A2 , ΣA (t) = , EA = Inx Inx
 0 δ2 (t)Inx 
(3.12)
  δ1 (t)Inu 0  T
B= B1 B2 , ΣB (t) = , EB = Inu Inu
0 δ2 (t)Inu
Grâce à la propriété (3.5), pour i = 1, 2, nous avons :

δi (t) = µi (θ (t)) − µi (θ̂ (t)), −1 ≤ δi (t) ≤ 1 (3.13)

ce qui implique grâce à la définition (3.12)

ΣTA (t)ΣA (t) ≤ I, ΣTB (t)ΣB (t) ≤ I (3.14)

Le système (3.10) est alors écrit sous forme d’un système incertain donné par :
2
ẋ(t) = ∑ µi (θ̂ (t)) ((Ai + ∆A(t))x(t) + (Bi + ∆B(t))u(t)) (3.15)
i=1

A partir des équations (3.15), (3.8) et (3.9), la dynamique de l’erreur d’estimation d’état s’explicite :
2
ėx (t) = ∑ µi (θ̂ (t)) ((Ai − LiC)ex (t) + ∆A(t)x(t) + ∆B(t)u(t)) (3.16)
i=1

Définissons maintenant l’erreur d’estimation du paramètre eθ (t) telle que :

eθ (t) = θ (t) − θ̂ (t) (3.17)

3.2. Systèmes linéaires à paramètres variants dans le temps 29

Compte tenu de l’équation (3.8), la dynamique de cette erreur s’explicite :

2

ėθ (t) = ∑ µi (θ̂ (t)) θ̇ (t) − KiCex (t) + αi θ (t) − αi eθ (t) (3.18)
i=1

Considérons maintenant les vecteurs augmentés suivants :

 
ex (t)
T
ea (t) = , ω (t) = xT (t) θ (t) θ̇ (t) uT (t) (3.19)
eθ (t)

La dynamique du vecteur augmenté ea (t) est donnée par :

2
ėa (t) = ∑ µi (θ̂ (t)) (Φi ea (t) + Ψi (t)ω (t)) (3.20)
i=1

avec    
Ai − LiC 0 ∆A(t) 0 0 ∆B(t)
Φi = , Ψi (t) = (3.21)
−KiC −αi 0 αi I 0
Notre objectif est la synthèse d’un observateur joint pour l’état x(t) et le paramètre θ (t) garantissant une
atténuation L2 du transfert de ω (t) vers ea (t). La détermination des gains de l’observateur s’appuie sur
le théorème suivant.

Théorème 2. L’observateur (3.8) pour le système linéaire variant dans le temps (3.1) garantit que le
gain L2 du transfert de ω (t) vers ea (t) est borné par β , s’il existe des matrices P0 = P0T > 0, Γ02 =
(Γ02 )T , Γ32 = (Γ32 )T > 0, Fi , Ri , des scalaires positifs P1 , β , λ1 , λ2 , Γ12 , Γ22 , et α i solution du problème
d’optimisation (3.22) sous les contraintes LMI (3.23) et (3.24) (pour i = 1, 2)

min β (3.22)
P0 ,P1 ,Ri ,Fi ,α i ,λ1 ,λ2 ,Γ02 ,Γ12 ,Γ22 ,Γ32

Γk2 < β I, pour k = 0, 1, 2, 3 (3.23)

 
Ci1 −CT FiT 0 0 0 0 P0 A P0 B

 ∗ −2α i + 1 0 αi P1 0 0 0 


 ∗ ∗ −Γ02 + λ1 EAT EA 0 0 0 0 0 

 ∗ ∗ ∗ −Γ12 0 0 0 0 
 <0 (3.24)
 ∗ ∗ ∗ ∗ −Γ22 0 0 0 
 
 ∗ ∗ ∗ ∗ ∗ −Γ2 + λ2 EB EB
3 T 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ −λ1 I 0 
∗ ∗ ∗ ∗ ∗ ∗ 0 −λ2 I
avec Ci1 = P0 Ai + ATi P0 − RiC −CT RTi + Inx .
Les gains de l’observateur sont donnés par :
 −1
 Li = P0 Ri
K = P1−1 Fi (3.25)
 i
αi = P1−1 α i

Remarque 5. L’atténuation L2 du transfert de ω (t) vers ea (t) n’est possible que sous la condition que
toutes les composantes du vecteur ω (t) soient bornées et que les incertitudes ∆A (t) ne déstabilisent pas
le système.
30 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Démonstration. Considérons la fonction de Lyapunov suivante :

V (ea (t)) = eTa (t)Pea (t), P = PT > 0 (3.26)

Sa dérivée est donnée par :

2
V̇ (ea (t)) = ∑ µi (θ̂ (t))(eTa (t)(ΦTi P + PΦi )ea (t) + eTa (t)PΨi (t)ω (t) + ω T (t)ΨTi (t)Pea (t)) (3.27)
i=1

Considérant l’équation (3.20), le but de la synthèse est d’atténuer l’effet du vecteur de perturbation ω (t)
sur ea (t). Ainsi, pour garantir la stabilité de (3.20) et la minimisation du transfert de ω (t) à ea (t), le
critère suivant est considéré :

V̇ (ea (t)) + eTa (t)ea (t) − ω T (t)Γ2 ω (t) < 0 (3.28)

avec
Γ2 = diag(Γk2 ), Γk2 < β I, pour k = 0, 1, 2, 3 (3.29)
tel que les constantes Γk2 permettent d’atténuer le transfert de certaines composantes de ω (t) sur celles
de ea (t).
Avec (3.27), (3.28) devient :
 T    
2
ea (t) ΦTi P + PΦi + I PΨi (t) ea (t)
∑ µij (θ̂ (t))
ω (t) ΨTi (t)P −Γ2 ω (t)
<0 (3.30)
i=1

La difficulté principale à résoudre est la satisfaction de (3.30) en présence de termes dépendants du

temps. La solution considérée est alors d’isoler et de majorer ces termes. Pour cela, la matrice P est prise
sous forme bloc diagonale :
P = diag(P0 , P1 ) (3.31)
A partir de (3.17), (3.21), (3.29) et (3.31), (3.30) s’explicite sous la forme :
2

∑ µi (θ̂ (t)) Qi + Q(t) + QT (t) < 0 (3.32)
i=1

avec :  
Q11
i −CT KiT P1 0 0 0 0

 ∗ Q22
i 0 P α
1 i P1 0 

 ∗ ∗ −Γ20 0 0 0 
Qi = 


 (3.33)
 ∗ ∗ ∗ −Γ12 0 0 
 ∗ ∗ ∗ ∗ −Γ22 0 
∗ ∗ ∗ ∗ ∗ −Γ32

i = P0 Ai + Ai P0 −C Li P0 − P0 LiC + Inx , Qi = −2P1 αi + 1

Q11 T T T 22 (3.34)
En se basant sur (3.11) et (3.14), le terme dépendant du temps dans (3.32) s’explicite :

T

Q(t) = AT P0T 0 0 0 0 0 ΣA (t) 0 0 EA 0 0 0

T
(3.35)
+ B T P0T 0 0 0 0 0 ΣB (t) 0 0 0 0 0 EB

L’objectif est de proposer un majorant pour Q(t) en se basant sur le lemme 3.

3.2. Systèmes linéaires à paramètres variants dans le temps 31

Lemme 3. (Zhou et Khargonekar [1988]) Soient deux matrices X et Y avec des dimensions appropriées,
une matrice ∆(t) fonction du temps et un scalaire positif ε . Alors, la propriété suivante est vérifiée pour
∆T (t)∆(t) ≤ I :
X T ∆T (t)Y +Y T ∆(t)X ≤ ε X T X + ε −1Y T Y (3.36)

Compte tenu de l’expression (3.35), pour des scalaires positifs λ1 et λ2 , nous avons :
 
Q1 0 0 0 0 0
 0 0 0 0 0 0 
 
 0 0 λ1 EAT EA 0 0 0 
Q(t) + Q (t) < 
T


 (3.37)
 0 0 0 0 0 0 
 0 0 0 0 0 0 
0 0 0 0 0 λ2 EBT EB

avec :
Q1 = λ1−1 P0 AAT P0 + λ2−1 P0 BB T P0 (3.38)

De l’inégalité (3.37) et de la propriété de somme convexe des fonctions d’activation µi (θ̂ (t)), la condition
(3.32) est vérifiée si la suivante l’est :
 
Q11 T T
i + Q1 −C Ki P1 0 0 0 0

 ∗ 22
Qi 0 P1 αi P1 0 

 ∗ ∗ −Γ02 + λ1 EAT EA 0 0 0 
Qi = 


 (3.39)
 ∗ ∗ ∗ −Γ12 0 0 
 ∗ ∗ ∗ ∗ −Γ22 0 
∗ ∗ ∗ ∗ ∗ −Γ32 + λ2 EBT EB

Considérons le changement de variable :


 Ri = P0 Li
Fi = P1 Ki (3.40)

α i = P1 αi

En appliquant un complément de Schur sur le terme Q1 , les LMIs (3.39), équivalentes à (3.24), im-
pliquent (3.32) et donc l’atténuation L2 du transfert de ω (t) à ea (t), ce qui achève la preuve.

Dans l’objectif d’améliorer les résultats précédents, les conditions (3.24) peuvent être relaxées grâce
à la propriété de somme convexe (3.5) des fonctions d’activation µi (t) (3.4). Ainsi, sachant que

µ2 (t) = 1 − µ1 (t) (3.41)

(3.15) devient :
2
ẋ(t) = ∑ µi (θ̂ (t)) ((Ai + ∆A(t))x(t) + (Bi + ∆B(t))u(t)) (3.42)
i=1

∆A(t) = δ1 (t)(A1 − A2 )
∆B(t) = δ1 (t)(B1 − B2 ) (3.43)
δ1 (t) = µ1 (θ (t)) − µ1 (θ̂ (t))
En se basant sur les mêmes développements que précédemment, le théorème suivant est établi :
32 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Théorème 3. L’observateur (3.8) pour le système linéaire variant dans le temps (3.1) garantit que le
gain L2 du transfert de ω (t) vers ea (t) est borné par β , s’il existe des matrices P0 = P0T > 0, Λ1 = ΛT1 ,
Λ2 = ΛT2 , Γ02 = (Γ02 )T , Γ32 = (Γ32 )T > 0, Fi et Ri ainsi que des scalaires positifs P1 , Γ12 , Γ22 et α i solution
du problème d’optimisation (3.44) sous les contraintes LMI (3.45) et (3.46) (pour i = 1, 2)

min β (3.44)
P0 ,P1 ,Ri ,Fi ,α i ,Λ1 ,Λ2 ,Γ02 ,Γ12 ,Γ22 ,Γ32

Γk2 < β I pour k = 0, 1, 2, 3 (3.45)

 
Ci1 −CT FiT 0 0 0 0 P0 P0

 ∗ −2α i + 1 0 αi P1 0 0 0 


 ∗ ∗ −Γ02 + ΛA 0 0 0 0 0 

 ∗ ∗ ∗ −Γ12 0 0 0 0 
 <0 (3.46)
 ∗ ∗ ∗ ∗ −Γ2 2 0 0 0 
 
 ∗ ∗ ∗ ∗ ∗ −Γ32 + ΛB 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ −Λ1 0 
∗ ∗ ∗ ∗ ∗ ∗ 0 −Λ2
où
Ci1 = P0 Ai + ATi P0 − RiC −CT RTi + Inx
ΛA = (A1 − A2 )T Λ1 (A1 − A2 ) (3.47)
ΛB = (B1 − B2 )T Λ2 (B1 − B2 )
Les gains d’observateur sont donnés par (3.25).

Démonstration. La preuve du théorème 3 est basée exactement sur les mêmes étapes que celles du
théorème 2. La différence entre les deux théorèmes réside dans les blocs Λ1 et Λ2 . En effet, pour le
théorème 2, les deux éléments étaient scalaires, alors que grâce à la propriété de somme convexe, pour
le théorème 3, les deux blocs sont à présent des matrices, ce qui par conséquent relaxe les conditions à
satisfaire.

3.2.3 Atténuation du bruit de mesure

Afin d’étendre l’approche proposée, considérons la présence d’un bruit de mesure. Le système est
alors décrit par les équations suivantes :

ẋ(t) = A(t)x(t) + B(t)u(t)
(3.48)
y(t) = Cx(t) + Gb(t)

où b(t) correspond au bruit de mesure. Les matrices A(t) et B(t) ont déjà été définies en (3.2).
L’observateur état-paramètre est défini de forme identique à (3.8).
Considérons les vecteurs augmentés ea (t) et ω (t)
 
ex (t)
T
ea (t) = , ω (t) = xT (t) θ T (t) θ̇ T (t) uT (t) bT (t) (3.49)
eθ (t)

où ω (t) prend en compte le bruit b(t). On en déduit :

2
ėa (t) = ∑ µi (θ̂ (t)) (Φi ea (t) + Ψi (t)ω (t)) (3.50)
i=1
3.2. Systèmes linéaires à paramètres variants dans le temps 33

avec    
Ai − LiC 0 ∆A(t) 0 0 ∆B(t) −Li G
Φi = , Ψi (t) = (3.51)
−KiC −αi 0 αi I 0 −Ki G
Le nouvel objectif est d’atténuer l’effet du paramètre θ (t) et du bruit b(t) sur les estimations d’état et de
paramètre. Le calcul des gains de l’observateur est détaillé dans le théorème suivant.

Théorème 4. L’observateur robuste (3.8) pour le système linéaire variant dans le temps (3.48) soumis
au bruit de mesure b(t) garantit que le gain L2 du transfert de ω (t) vers ea (t) est borné par β (β > 0)
s’il existe des matrices P0 = P0T > 0, Λ1 = ΛT1 , Λ2 = ΛT2 , Γ02 = (Γ02 )T , Γ32 = (Γ32 )T > 0, Γ42 = (Γ42 )T > 0,
Fi , Ri ainsi que des scalaires positifs P1 , Γ12 , Γ22 et α i solution du problème d’optimisation (3.52) sous les
contraintes LMI (3.53) et (3.54)
min β (3.52)
P0 ,P1 ,Ri ,Fi ,α i ,Λ1 ,Λ2 ,,Γ02 ,Γ12 ,Γ22 ,Γ32

Γk2 < β pour k = 0, 1, 2, 3, 4 (3.53)

 
Ci1 −CT FiT 0 0 0 0 −Ri G P0 P0

 ∗ −2α i + 1 0 αi P1 0 −Fi G 0 0 


 ∗ ∗ −Γ02 + ΛA 0 0 0 0 0 0 

 ∗ ∗ ∗ −Γ12 0 0 0 0 0 
 
 ∗ ∗ ∗ ∗ −Γ2 2 0 0 0 0 <0 (3.54)
 
 ∗ ∗ ∗ ∗ ∗ −Γ32 + ΛB 0 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ −Γ2 4 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ ∗ −Λ1 0 
∗ ∗ ∗ ∗ ∗ ∗ ∗ 0 −Λ2
avec :
Ci1 = P0 Ai + ATi P0 − RiC −CT RTi + Inx
ΛA = (A1 − A2 )T Λ1 (A1 − A2 ) (3.55)
ΛB = (B1 − B2 )T Λ2 (B1 − B2 )
Les gains de l’observateur sont donnés par (3.25), pour i = 1, 2.

Démonstration. La preuve du théorème 4 est similaire aux deux précédentes et est donc omise.

3.2.4 Exemple numérique

L’approche proposée est illustrée par un exemple académique. Soit le système linéaire variant dans
le temps défini par : 
ẋ(t) = (A0 + θ (t)A)x(t) + Bu(t)
(3.56)
y(t) = Cx(t) + b(t)
       T
−0.3 −1 −0.3 0 −1.1 0 1 1 0
A0 =  0.1 −2 −0.5  , A =  0 0 0  , B =  0.5  , C =  0 0 
−0.1 0 −0.1 0 0 −1.1 0.25 0 1
Le paramètre θ (t) varie dans l’intervalle [0, 1]. Afin d’illustrer l’influence de θ (t) sur l’évolution du
système (3.56), la figure 3.1 représente les états xn (t) du système nominal, i.e. ẋn (t) = A0 xn (t) + Bu(t), et
les états du système variant dans le temps x(t) donnés par (3.56). De la figure présentée, il est évident que
la déviation causée par θ (t) sur les états est conséquente, d’où l’importance de l’estimation simultanée
et de la prise en compte de θ (t) dans la synthèse de l’observateur d’état. L’entrée du système u(t) est
représentée à la figure 3.2.
34 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Le bruit de mesure b(t) est défini par une distribution normale de moyenne nulle et de variance égale à
15% de l’amplitude de la sortie affectant le système (3.56) avec G = I2 . Les gains de l’observateur sont
calculés selon la procédure du théorème 4. Les états x(t) et le paramètre θ (t) ainsi que leurs estimés sont


représentés respectivement par les figures 3.3 et 3.4. Le système est initialisé avec x0 = 2 1 2 ,


l’observateur de l’état et du paramètre est initialisé par x̂0 = 0 0 0 et θ̂0 = (0).

10

5
x1n(t) et x1(t)
0
0 20 40 60 80 100 120 140 160 180 200
2

1 x2n(t) et x2(t)

0
0 20 40 60 80 100 120 140 160 180 200
5

x3n(t) et x3(t)
0
0 20 40 60 80 100 120 140 160 180 200

Figure 3.1 – Système nominal (bleu) et système avec variation paramétrique (rouge)

4.5

3.5

2.5 Commande u(t)

2
0 20 40 60 80 100 120 140 160 180 200

Figure 3.2 – Entrée du système

Des figures obtenues, on peut conclure sur l’efficacité et la robustesse de l’approche proposée, y
compris en présence de bruits de mesure.
3.2. Systèmes linéaires à paramètres variants dans le temps 35

10

5
Etat x1(t) et x̂1 (t)
0
0 20 40 60 80 100 120 140 160 180 200
2

0 Etat x2(t) et x̂2 (t)

0 20 40 60 80 100 120 140 160 180 200
5

Etat x3(t) et x̂3 (t)

0
0 20 40 60 80 100 120 140 160 180 200

Figure 3.3 – Etats du système et leurs valeurs estimées

P ar. θ(t) et θ̂(t)

0.5

−0.5
0 50 100 150 200

Figure 3.4 – Paramètre θ (t) et son estimé

36 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

3.3 Systèmes non linéaires à paramètres variant dans le temps

Dans cette troisième partie du chapitre, nous nous intéressons aux systèmes non linéaires sous forme
de modèles T-S à paramètres variant dans le temps. Soit le système suivant avec n paramètres θ j (t)
 r
 ẋ(t) =
∑ µi (ξ (t))(Ai(θ (t))x(t) + Bi(θ (t))u(t)) (3.57)
 i=1
y(t) = Cx(t)

avec θ (t) = [ θ1 (t) . . . θn (t) ]T et les matrices Ai (θ (t)) et Bi (θ (t)) affines en θ (t), telles que :
n n
Ai (θ (t)) = Ai + ∑ θ j (t)Ai j , Bi (θ (t)) = Bi + ∑ θ j (t)Bi j (3.58)
j=1 j=1

Remarque 6. Dans cette présentation, on suppose que les matrices Ai (θ (t)) et Bi (θ (t)) dépendent des
mêmes paramètres θ j (t). Cependant, si une matrice Ai (resp. Bi ) ne dépend pas d’un des paramètres
θ j (t), alors Ai j (resp. Bi j ) dans (3.58) est nulle.
Par exemple, si les matrices Ai (θa (t)) (resp. Bi (θb (t))) dépendent de θa ∈ Rna (resp θb ∈ Rnb ), elles
peuvent alors être définies comme en (3.58) avec θ (t) = [ θaT (t), θbT (t) ]T , n = na + nb , Ai j = 0 pour
j = na + 1, . . . , n et Bi j = 0 pour j = 1, . . . , na .

En se basant sur la transformation par secteurs non linéaires (SNT) (Tanaka et Wang [2001]), chaque
paramètre θ j (t) est exprimé en fonction de ses bornes maximale et minimale, respectivement notées θ j1
et θ j2 :
θ j (t) = µ
e 1j (θ j (t))θ j1 + µ
e 2j (θ j (t))θ j2 (3.59)

où les fonctions µ
e 1j (θ j (t)) et µ
e 2j (θ j (t)) définies par :

θ j (t) − θ j2 θ j1 − θ j (t)
µ
e 1j (θ j (t)) = ,µ
e 2j (θ j (t)) = (3.60)
θ j1 − θ j2 θ j1 − θ j2

satisfont la propriété de somme convexe :

µ
e 1j (θ j (t)) + µ
e 2j (θ j (t)) = 1, 0 ≤ µ
e ij (θ j (t)) ≤ 1, ∀t (3.61)

En remplaçant (3.59) dans (3.58), nous obtenons :

n 2
Ai (θ (t)) = Ai + ∑ ∑ µe kj (θ j (t))θ jk Ai j
j=1 k=1
n 2 (3.62)
Bi (θ (t)) = Bi + ∑ ∑ µe kj (θ j (t))θ jk Bi j
j=1 k=1

Afin d’écrire les matrices Ai (θ (t)) et Bi (θ (t)) sous forme polytopique, de (3.61), nous avons :
n n  1 
∑ θ j (t)Ai j = ∑ (µ
e j (θ j (t))θ j1 + µ
e 2j (θ j (t))θ j2 )Ai j
j=1 j=1 " " ##
n n 2 (3.63)
 1 
= ∑ (µe j (θ j (t))θ j + µe j (θ j (t))θ j )Ai j
1 2 2
∏ ∑ µ
ekm (θk (t))
j=1 k=1,k6= j m=1
3.3. Systèmes non linéaires à paramètres variant dans le temps 37

Ainsi, les équations (3.62) se mettent sous la forme :

2n 2n
Ai (θ (t)) = ∑ µe j (θ (t))Ai j , Bi (θ (t)) = ∑ µe j (θ (t))Bi j (3.64)
j=1 j=1

avec  n
 σ kj




µ
e j ( θ (t)) = ∏ µ
e k (θk (t))

 k=1
 n
σk
Ai j = Ai + ∑ θk j Aik (3.65)

 k=1

 n
 σk


 Bi j = Bi + ∑ θk j Bik
k=1
Pour n paramètres, 2n sous modèles sont obtenus. Il est important de noter que les matrices Ai (θ (t)) et
2n
Bi (θ (t)) sont obtenues avec des fonctions poids convexes µ
e j (θ (t)) vérifiant ∑ µe j (θ (t)) = 1, où les in-
i=1
dices σ kj ( j = 1, . . . , 2n , k = 1, . . . , n), égaux soit à 1 soit à 2, indiquent quelle partition du k ième paramètre
(µ
ek1 ou µek2 ) est considérée dans le j ième sous-modèle.
La relation entre j et σ kj est donnée par l’équation suivante :

j = 2n−1 σ 1j + 2n−2 σ 2j + . . . + 20 σ nj − (21 + 22 + . . . + 2n−1 ) (3.66)

Finalement, en se basant sur (3.64), le système non linéaire variant dans le temps (3.57) devient :

 r 2n
 ẋ(t) =
∑∑
µ (ξ (t))µ
e (θ (t))(A x(t) + B u(t))
i j ij ij
(3.67)
 i=1 j=1

y(t) = Cx(t)

T
Un exemple illustratif est donné pour trois paramètres (n = 3), où θ (t) = θ1 (t) θ2 (t) θ3 (t) .
Puisque chaque paramètre est partitionné selon (3.59), les matrices polytopiques Ai (θ (t)) (et Bi (θ (t)))
sont définies par (3.64) avec 23 termes donnés par le tableau 3.1.

3.3.1 Synthèse d’observateur

En se basant sur le modèle T-S obtenu (3.67), où les variables de prémisse ξ (t) sont non mesurables,
puisqu’elles dépendent de l’état du système x(t) et du vecteur de paramètres θ (t), un observateur simul-
tané pour l’état x(t) et θ (t) peut être synthétisé et implémenté. Une approche par atténuation L2 afin de
minimiser l’effet des paramètres à temps variant sur les erreurs d’estimation est également considérée.
L’observateur simultané de l’état et des paramètres du système (3.67) est pris sous la forme suivante :

 r 2n
 ˙ = ∑ ∑ µi (x̂(t))µ
 x̂(t)
 e j (θ̂ (t)) (Ai j x̂(t) + Bi j u(t) + Li j (y(t) − ŷ(t)))


 i=1 j=1
r 2n (3.68)




˙ (t) =
θ̂ ∑ ∑ µi (x̂(t))µ
e j (θ̂ (t))(−αi j θ̂ (t) + Ki j (y(t) − ŷ(t)))

 i=1 j=1
 ŷ(t) = Cx̂(t)

avec Li j ∈ R nx ×m , Ki j ∈ R n×m et αi j ∈ R n×n sont les gains de l’observateur à déterminer pour assurer
la convergence des valeurs estimées de l’état et du vecteur de paramètres vers la valeur de x(t) et θ (t).
Soit le vecteur d’erreur d’estimation ex (t) :
ex (t) = x(t) − x̂(t) (3.69)
38 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

j : (σ 1j , σ 2j , σ 3j ) µ
e j (θ (t)) Ai j

1 : (1, 1, 1) µ
e11 (θ1 (t)) × µ
e21 (θ2 (t)) × µ
e31 (θ3 (t)) Ai + θ11 Ai1 + θ21 Ai2 + θ31 Ai3

2 : (1, 1, 2) µ
e11 (θ1 (t)) × µ
e21 (θ2 (t)) × µ
e32 (θ3 (t)) Ai + θ11 Ai1 + θ21 Ai2 + θ32 Ai3

3 : (1, 2, 1) µ
e11 (θ1 (t)) × µ
e22 (θ2 (t)) × µ
e31 (θ3 (t)) Ai + θ11 Ai1 + θ22 Ai2 + θ31 Ai3

4 : (1, 2, 2) µ
e11 (θ1 (t)) × µ
e22 (θ2 (t)) × µ
e32 (θ3 (t)) Ai + θ11 Ai1 + θ22 Ai2 + θ32 Ai3

5 : (2, 1, 1) µ
e12 (θ1 (t)) × µ
e21 (θ2 (t)) × µ
e31 (θ3 (t)) Ai + θ12 Ai1 + θ21 Ai2 + θ31 Ai3

6 : (2, 1, 2) µ
e12 (θ1 (t)) × µ
e21 (θ2 (t)) × µ
e32 (θ3 (t)) Ai + θ12 Ai1 + θ21 Ai2 + θ32 Ai3

7 : (2, 2, 1) µ
e12 (θ1 (t)) × µ
e22 (θ2 (t)) × µ
e31 (θ3 (t)) Ai + θ12 Ai1 + θ22 Ai2 + θ31 Ai3

8 : (2, 2, 2) µ
e12 (θ1 (t)) × µ
e22 (θ2 (t)) × µ
e32 (θ3 (t)) Ai + θ12 Ai1 + θ22 Ai2 + θ32 Ai3

Tableau 3.1 – Transformation par secteurs non linéaires : exemple à trois paramètres

Comme pour le cas linéaire, la présence de variables de décision non mesurables ne permet pas de déduire
directement la dynamique des erreurs de reconstruction. La solution est encore une fois, la ré-écriture
sous la forme d’un système incertain :
r 2n
ẋ(t) = ∑ ∑ µi (x̂(t))µ
e j (θ̂ (t))(Ai j x(t) + Bi j u(t))+
i=1 j=1



µi (x(t))µ
e j (θ (t)) − µi (x̂(t))µ
e j (θ̂ (t)) (Ai j x(t) + Bi j u(t)) (3.70)

En effet, cette forme permet une meilleure comparaison entre x(t) et x̂(t), puisque le terme µi (x̂(t))µ
e j (θ̂ (t))
apparaît non seulement dans (3.68), mais également dans (3.70). Soient :
r 2n  
∆A(t) = ∑∑ µi (x(t))µ
e j (θ (t)) − µi (x̂(t))µ
e j (θ̂ (t)) Ai j
(3.71)
i=1 j=1
= AΣA (t)EA
r 2n  
∆B(t) = ∑∑ µi (x(t))µ
e j (θ (t)) − µi (x̂(t))µ
e j (θ̂ (t)) Bi j
(3.72)
i=1 j=1
= BΣB (t)EB
avec  
A =  A11 . . . Ar2n  , ΣA (t) = diag(δ11 (t)Inx , . . . , δr2n (t)Inx ),
B = B11 . . . Br2n , ΣB (t) = diag(δ11 (t)Inu , . . . , δr2n (t)Inu ),
 T  T (3.73)
EA = Inx . . . Inx , EB = Inu . . . Inu
δi j (t) = µi (x(t))µ
e j (θ (t)) − µi (x̂(t))µ
e j (θ̂ (t))
Puisque µi (x(t)) et µej (θ (t)) satisfont (3.5), de la définition (3.73), on déduit que les matrices ΣA (t) et
ΣB (t) sont bornées et que :
ΣTA (t)ΣA (t) ≤ I, ΣTB (t)ΣB (t) ≤ I (3.74)
3.3. Systèmes non linéaires à paramètres variant dans le temps 39

A partir de (3.71) et (3.72), le système (3.70) est alors écrit sous la forme suivante :
r 2n
ẋ(t) = ∑ ∑ µi (x̂(t))µ
e j (θ̂ (t))((Ai j + ∆A(t))x(t) + (Bi j + ∆B(t))u(t)) (3.75)
i=1 j=1

Soit eθ (t) le vecteur d’erreur d’estimation paramétrique :

eθ (t) = θ (t) − θ̂ (t) (3.76)

De (3.68), (3.75), (3.69) et (3.76) la dynamique des erreurs d’estimation d’état et des paramètres s’expli-
cite : nr 2
ėa (t) = ∑ ∑ µi (x̂(t))µ
e j (θ̂ (t)) (Φi j ea (t) + Ψi j (t)ω (t)) (3.77)
i=1 j=1
avec  
ex (t)
T
ea (t) = , ω (t) = xT (t) θ T (t) θ̇ T (t) uT (t) (3.78)
eθ (t)
et    
A i j − Li j C 0 ∆A(t) 0 0 ∆B(t)
Φi j = , Ψi j (t) = (3.79)
−Ki jC − αi j 0 αi j I 0
Compte tenu de (3.77), l’objectif à atteindre est la synthèse d’un observateur simultané pour l’état et les
paramètres minimisant le transfert L2 de ω (t) à ea (t). Le calcul des gains de l’observateur Ki j , Li j et αi j
est détaillé au théorème 5 suivant.
Théorème 5. L’observateur (3.68) pour un système T-S non linéaire variant dans le temps (3.57) géné-
rant l’erreur d’estimation ea (t) (3.77) permet une atténuation L2 du transfert de ω (t) vers ea (t) bornée
par β (β > 0), si l’on peut résoudre le problème d’optimisation (3.80) sous les contraintes LMI (3.81) et
(3.82) pour des matrices symétriques définies positives P0 ∈ Rnx ×nx , P1 ∈ Rn×n , des matrices Γ02 ∈ Rnx ×nx ,
Γ12 ∈ Rn×n , Γ22 ∈ Rn×n , Γ32 ∈ Rnu ×nu et des scalaires positifs β , λ1 , λ2 > 0 (avec i = 1, . . . , r et j = 1, 2n ,)

min β (3.80)
P0 ,P1 ,Ri j ,Fi j ,α i j ,λ1 ,λ2 ,Γk2

avec :
Γk2 < β I pour k = 0, 1, 2, 3 (3.81)
 
Q11
ij −CT FiTj 0 0 0 0 P0 A P0 B
 ∗ Q22 0 αi j P1 0 0 0 
 ij 
 ∗ ∗ Q33 0 0 0 0 0 
 ij 
 1 
 ∗ ∗ ∗ −Γ2 0 0 0 0 
 <0 (3.82)
 ∗ ∗ ∗ ∗ −Γ22 0 0 0 
 
 ∗ ∗ ∗ ∗ ∗ Q66
ij 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ −λ1 I 0 
∗ ∗ ∗ ∗ ∗ ∗ 0 −λ2 I
et
i j = P0 Ai j + Ai j P0 − Ri jC −C Ri j + Inx , Qi j = −α i j − α i j + In
T
Q11 T T T 22
(3.83)
i j = −Γ2 + λ1 EA EA , Qi j = −Γ2 + λ2 EB EB
Q33 0 T 66 3 T

Les gains de l’observateur sont alors donnés par :

 −1
 Li j = P0 Ri j
K = P1−1 Fi j (3.84)
 ij
αi j = P1−1 α i j
40 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Démonstration. Soit la fonction de Lyapunov :

V (ea (t)) = eTa (t)Pea (t), P = PT > 0 (3.85)

Compte tenu de (3.77), sa dérivée par rapport au temps est donnée par :
r 2n 
V̇ (ea (t)) = ∑ ∑ µi (x̂(t))µe j (θ̂ (t)) eTa (t)(ΦTij P + PΦi j )ea (t)
i=1 j=1 i (3.86)
+ea (t)PΨi j (t)ω (t) + ω T (t)ΨTij (t)Pea (t)
T

L’atténuation L2 du transfert de ω (t) à ea (t) est bornée par β si la condition suivante est vérifiée :

V̇ (ea (t)) + eTa (t)ea (t) − ω T (t)Γ2 ω (t) < 0 (3.87)

où la matrice de pondération Γ2 est définie par :

Γ2 = diag(Γk2 ), Γk2 < β I, for k = 0, 1, 2, 3 (3.88)

En utilisant (3.86), (3.87) devient :

2n  T   
r
ea (t) ΦTij P + PΦi j + Inx +n PΨi j (t) ea (t)
∑ ∑ µi (x̂(t))µ j (θ̂ (t)) ω (t) ΨTij (t)P −Γ2 ω (t)
<0 (3.89)
i=1 j=1

Pour simplifier la résolution de (3.89), la matrice de Lyapunov P est choisie bloc diagonale :

P = diag(P0 , P1 ) (3.90)

De (3.76), (3.79), (3.88) et (3.90), (3.89) est vraie si

r 2n

∑ ∑ µi (x̂(t))µe j (θ̂ (t)) Qi j + Q(t) + QT (t) < 0 (3.91)
i=1 j=1

avec les définitions :

 11 
Qi j −CT KiTj P1 0 0 0 0
 
 ∗ −P1 αi j − αiTj P1 + In 0 P1 αi j P1 0 
 

Qi j =  ∗ ∗ −Γ02 0 0 0  (3.92)

 ∗
 ∗ ∗ −Γ12 0 0 
 ∗ ∗ ∗ ∗ −Γ22 0 
∗ ∗ ∗ ∗ ∗ −Γ32

11
Qi j = P0 Ai j + ATij P0 − P0 Li jC −CT LiTj P0 + Inx (3.93)
 
0 0 P0 ∆A(t) 0 0 P0 ∆B(t)
 0 0 0 0 0 0 
 
 0 0 0 0 0 0 
Q(t) = 
 0 0

 (3.94)
 0 0 0 0 
 0 0 0 0 0 0 
0 0 0 0 0 0
3.3. Systèmes non linéaires à paramètres variant dans le temps 41

Avec (3.71) et (3.72), le terme dépendant du temps (3.94) se met sous la forme :
   T    T
P0 A 0 P0 B 0
 0   0   0   0 
       
 0   EA   0   0 
Q(t) =   ΣA (t)   +  ΣB (t)   (3.95)
 0   0   0   0 
       
 0   0   0   0 
0 0 0 EB

En utilisant le lemme 1 et la propriété (3.74), pour tous scalaires positifs λ1 et λ2 , on a :

Q(t) + QT (t) < diag(Q1 , 0, λ1 EAT EA , 0, 0, λ2 EBT EB ) (3.96)

avec :
Q1 = λ1−1 P0 AAT P0 + λ2−1 P0 BB T P0 (3.97)
pour i = 1, . . . , r et j = 1, . . . , 2n .
De l’inégalité (3.96) et de la propriété de somme convexe des fonctions µi (x̂(t)) et µ
e j (θ̂ (t)), la condition
(3.91) devient :
 11 
Qi j + Q1 −CT KiTj P1 0 0 0 0
 
 ∗ −P1 αi j − αiTj P1 + In 0 P1 αi j P1 0 
 

Qi j =  ∗ ∗ −Γ2 + λ1 EA EA
0 T 0 0 0 
1  (3.98)
 ∗ ∗ ∗ −Γ2 0 0 
 
 ∗ ∗ ∗ ∗ −Γ22 0 
∗ ∗ ∗ ∗ ∗ −Γ2 + λ2 EB EB
3 T

En considérant le changement de variables (3.84) et un complément de Schur appliqué sur Q1 , (3.98)

implique (3.82) et par conséquent, le gain L2 de ω (t) vers ea (t) est borné par β , ce qui achève la
démonstration.

3.3.2 Application à une station d’épuration d’eau

Description du procédé
Le traitement des eaux usées par le procédé à boues activées représente un processus biochimique
complexe. Les variations du débit d’eaux usées et de leur composition, combinées avec des réactions
variant dans le temps dans une culture mélangée de micro-organismes, font que ce processus a un com-
portement non linéaire. Afin de mettre en évidence les résultats d’estimation et de diagnostic proposés
précédemment, une application sur des données issues du benchmark du programme européen Cost 624
sur une station d’épuration d’eaux usées est considérée. Pour cela, un modèle non linéaire réduit, inspiré
de (Weijers [2000]) à six variables d’état est utilisé. Le modèle se présente sous la forme d’un ensemble
d’équations différentielles non linéaires obtenues à partir des équations dynamiques de bilan du bioréac-
teur. L’écriture d’un bilan pour chaque composé conduit au modèle du procédé.
Les variables d’état sont : les concentrations des matières organiques (Demandes Chimique en Oxygène
DCO) XDCO , de l’oxygène dissous SO , de la matière organique XBH , de l’ammoniac SNH , du nitrate SNO
et de la biomasse autotrophe XBA . Le vecteur d’état est ainsi défini par :

x(t) = [XDCO (t) SO (t) XBH (t) SNH (t) SNO (t) XBA (t)]T (3.99)
42 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Les vecteurs réunissant les entrées et les sorties du processus sont :

y(t) = [XDCO (t), SO (t), SNH (t), SNO (t)]T (3.100)

T
u(t) = [XDCO,in (t), qa (t), qin (t)] (3.101)

où les variables qin (t) et qa (t) représentent respectivement les débits d’entrée et le débit d’air dans le
bioréacteur et XDCO,in (t) la concentration de la matière organique à l’entrée du récateur.
Les équations dynamiques décrivant le système sont les suivantes :



 ẊDCO (t) = − Y1 [ϕ1 (t) + ϕ2 (t)] + (1 − f p )(ϕ4 (t) + ϕ5 (t)) + D1 (t)

 h



 Yh −1
Yh ϕ1 (t) + ϕ3 (t) + D2 (t)
 Ya −4.57

 ṠO (t) = Ya



 h i



 Ṡ (t) = −ixb [ϕ1 (t) + ϕ2 (t)] − ixb + Y1a ϕ3 (t)

 NH
+(ixb − f p ixp )[ϕ4 (t) + ϕ5 (t)] + D3 (t) (3.102)




 Yh −1
2.86Yh ϕ2 (t) + Ya ϕ3 (t) + D4 (t)
 1

 ṠNO (t) =







 ẊBH (t) = ϕ1 (t) + ϕ2 (t) − ϕ4 (t) + D5 (t)





ẊBA (t) = ϕ3 (t) − ϕ5 (t) + D6 (t)

où Ya , Yh , f p ,ixb , ixp sont des coefficients constants et ϕ1 (t), · · · , ϕ5 (t) sont donnés par :


XDCO (t) SO (t)


 ϕ1 (t) = µh K KOH +SO (t) XBH (t)
 DCO +XDCO (t)




 XDCO (t) SNO (t)


 ϕ2 (t) = µh ηNOg K KOH
KNO +SNO (t) KOH +SO (t) XBH (t)
 DCO +XDCO (t)


SNH (t) SO (t) (3.103)
 ϕ3 (t) = µa K KO,A +SO (t) XBA (t)
 NH,A +SNH (t)







 ϕ4 (t) = bH XBH (t)





ϕ5 (t) = bA XBA (t)

En se basant sur les hypothèses simplificatrices proposées par (Weijers [2000]) et sur le benchmark
considéré (Alex et al. [1999]), la concentration de l’oxygène dissout à l’entrée du réacteur (SO,in (t)) est
= 0 et XBA,in (t) ∼
considérée comme nulle, ainsi SNO,in (t) ∼ = 0. Le bilan entrée/sortie est alors exprimé par
3.3. Systèmes non linéaires à paramètres variant dans le temps 43

le vecteur D(t) :
D1 (t) = Din (t) [XDCO,in (t) − XDCO (t)]

D2 (t) = Din (t) [−SO (t)] + Kqa (t) [SO,sat − SO (t)]

D3 (t) = Din (t) [SNH,in (t) − SNH (t)]

D4 (t) = Din (t) [−SNO (t)]

h i
D5 (t) = Din (t) XBH,in (t) − XBH (t) + fr (1− fw ) (3.104)
fr + fw XBH (t)

h i
fr (1− fw )
D6 (t) = Din (t) −XBA (t) + fr + fw XBA (t)

h i
fw (1+ fr )
D5 (t) = Din (t) XBH,in (t) − fr + fw XBH (t)

h i
fw (1+ fr )
D6 (t) = Din (t) −XBA (t) − fr + fw XBA (t)
qin (t)
avec Din (t) = V (V étant le volume du réacteur).

Représentation T-S polytopique

Puisque la ré-écriture du modèle non linéaire (3.102) sous forme d’un modèle T-S n’est pas l’objet
principal de ce travail, ne seront considérés que les points principaux du développement. Pour de plus
amples détails, le lecteur peut consulter les références suivantes : (Nagy et al. [2011], Nagy et al. [2010]).
L’examen des équations (3.102) avec les définitions (3.103) et (3.104), incite à considérer les variables
de prémisse suivantes :
ξ1 (t) = qinV(t)
(t) SO (t)
ξ2 (t) = KDCOXDCO+XDCO (t) KOH +SO (t)
(t) SNO (t) (3.105)
ξ3 (t) = KDCOXDCO KOH
+XDCO (t) KNO +SNO (t) KOH +SO (t)
SNH (t)
ξ4 (t) = 1
KOA +SO (t) KNH,A +SNH (t) XBA (t)
ce qui permet de ré-écrire le système (3.102) sous la forme quasi-LPV suivante :
ẋ(t) = A(ξ )x(t) + B(ξ )u(t) (3.106)
où les matrices A(ξ ) et B(ξ ) sont fonctions des variables de prémisse définies précédemment :
 
a1,1 (ξ1 ) 0 0 0 a1,5 (ξ2 , ξ3 ) a1,6

 0 a2,2 (ξ1 , ξ4 ) 0 0 a2,5 (ξ2 ) 0 

 0 a3,2 (ξ4 ) a3,3 (ξ1 ) 0 a3,5 (ξ2 , ξ3 ) a3,6 
A(ξ ) =  
 0 a4,2 ( ξ 4 ) 0 a4,4 ( ξ 1 ) a 4,5 ( ξ 3 ) 0 

 0 0 0 0 a5,5 (ξ1 , ξ2 , ξ3 ) 0 
0 a6,2 (ξ4 ) 0 0 0 a6,6 (ξ1 )
  (3.107)
b1,1 (ξ1 ) 0
 0 K SO,sat 
 
 0 0 
B(ξ ) =  


 0 0 
 0 0 
0 0
44 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

où a1,1 (ξ1 ) = a3,3 (ξ1 ) = a4,4 (ξ1 ) = −b1,1 (ξ1 ) = −ξ1 (t) et :
µ η
a1,5 (ξ2 , ξ3 ) = − Yµhh ξ2 (t) + (1 − f p ) bH − h YhNOg ξ3 (t)
a1,6 = (1 − f p ) ba
a2,2 (ξ1 , ξ4 ) = −ξ1 (t) − K qa − 4.57−Y Ya
a
µa ξ4 (t)
a2,5 (ξ2 ) = Yh −1
Yh µ ξ
h 2 (t)
a3,2 (ξ4 ) = −(ixb + Y1a )µa ξ4 (t)
a3,5 (ξ2 , ξ3 ) = (ixb − f p ixp )bH − ixb µh ξ2 (t) − ixb µh ηNOg ξ3 (t)
a3,6 = (ixb − f p ixp ) bA
a4,2 (ξ4 ) = Ya µA ξ4 (t)
1

a4,5 (ξ3 ) = 2.86Yh µh ηNOg ξ3 (t)

Yh −1
h i
fw (1+ fr )
a5,5 (ξ1 , ξ2 , ξ3 ) = µh ξ2 (t) − bH + ξ1 (t) fr + fw − 1 + µh ηNOg ξ3 (t)
a6,2 (ξ4 ) = µa ξ4 (t)
h i
fw (1+ fr )
a6,6 (ξ1 ) = ξ1 (t) fr + fw − 1 − bA

Les variables de prémisse ξ j (t) ( j = 1, . . . , 4) sont ré-écrites grâce à la transformation par secteurs non
linéaires :

ξ j (t) = Fj,1 (ξ j (t)) ξ j,1 + Fj,2 (ξ j (t)) ξ j,2 (3.108)

où les scalaires ξ j,2 , ξ j,1 et les fonctions Fj,1 (ξ j ), Fj,2 (ξ j ) sont définis par :
 
ξ j,1 = max ξ j (t) , ξ j,2 = min ξ j (t) (3.109)
x,u x,u
ξ j (t) − ξ j,2 ξ j,1 − ξ j (t)
Fj,1 (ξ j (t)) = , Fj,2 (ξ j (t)) = (3.110)
ξ j,1 − ξ j,2 ξ j,1 − ξ j,2

Afin d’obtenir la structure T-S du système quasi-LPV (3.106), chaque variable ξ j (t) est décomposée se-
4
lon (3.108) puis multipliée par ∏ (Fj,1 + Fj,2 ) = 1. Les fonctions poids obtenues sont données par :
k=1, k6= j

µi (ξ (t)) = F1,σi1 (ξ1 (t))F2,σi2 (ξ2 (t))F3,σi3 (ξ3 (t))F4,σi4 (ξ4 (t)) (3.111)

Les matrices Ai (θ (t)) et Bi (θ (t)) sont obtenues en posant ξ j (t) = ξ j,σ j dans A(ξ ) et B(ξ ), ce qui conduit
i
au résultat suivant :
 
a1,1 (ξ1,σ 1 ) 0 0 0 a1,5 (ξ2,σ 2 , ξ3,σ 3 ) a1,6
i i i
 0 a2,2 (ξ1,σ 1 , ξ4,σ 4 ) 0 0 a2,5 (ξ2,σ 2 ) 0 
 
 i i i 
 0 a3,2 (ξ4,σ 4 ) a3,3 (ξ1,σ 1 ) 0 a3,5 (ξ2,σ 2 , ξ3,σ 3 ) a3,6 
Ai= i i i i 

 0 a4,2 (ξ4,σ 4 ) 0 a4,4 (ξ1,σ 1 ) a4,5 (ξ3,σ 3 ) 0 

i i i
 0 0 0 0 a5,5 (ξ1,σ 1 , ξ2,σ 2 , ξ3,σ 3 ) 0 
 i i i

0 a6,2 (ξ4,σ 4 ) 0 0 0 a6,6 (ξ1,σ 1 )
i   i
b1,1 (ξ1,σ 1 ) 0
i
 0 K SO,sat 
 
 0 0 

Bi =  
0 0 
 
 0 0 
0 0
(3.112)
3.3. Systèmes non linéaires à paramètres variant dans le temps 45

Ainsi, le système non linéaire (3.106) est de façon équivalente représenté sous la forme T-S suivante :
16
ẋ(t) = ∑ µi (x, u) (Ai x(t) + Bi u(t)) (3.113a)
i=1
y(t) = Cx(t) (3.113b)
avec la matrice de sortie :  
1 0 0 0 0 0
 0 1 0 0 0 0 
C=
 0
 (3.114)
0 0 1 0 0 
0 0 0 0 1 0

Paramètre variant dans le temps pour le modèle T-S de la station d’épuration

Le modèle T-S (3.113) a été obtenu sous l’hypothèse que la biomasse hétérotrophe est homogène et
que le coefficient de mortalité bH est constant et égal à une valeur nominale bHn = 0.3.
En réalité, à cause de changements dans les conditions de fonctionnement, le coefficient bH est sujet à
des variations. Afin de prendre ces dernières en considération, un paramètre θ1 (t) variant dans le temps,
borné, est utilisé :
bH (θ1 (t)) = bH n + 0.2 θ1 (t), θ1 (t) ∈ [0, 1] (3.115)
Ceci permet de considérer une variation maximale de 66% de la valeur nominale. Puisque bH (θ1 (t))
apparaît dans a1,5 , a3,5 et a5,5 , les matrices Ai sont maintenant variables au cours du temps et sont ré-
écrites sous la forme Ai (θ (t)) = Ai + θ1 (t)Ai1 avec :
 
0 0 0 0 0.2 0
 0 0 0 0 0 0 
 
 0 0 0 0 0.2 0 

Ai1 =   (3.116)

 0 0 0 0 0 0 
 0 0 0 0 0.2 0 
0 0 0 0 0 0
Ai est obtenu à partir de Ai (θ (t)) pour θ1 (t) = 0 (cas nominal).
L’évolution du coefficient bH (t) est représentée dans la figure 3.7.
Afin d’illustrer l’effet du paramètre variant dans le temps sur les états du système, la figure 3.5 représente
les états dans le cas nominal (avec bH = 0.3 constant) et dans le cas d’une variation du coefficient bH .
La figure 3.5 montre bien que la variation de bH a un effet significatif sur la plupart des variables du
système. A noter que dans le cas considéré, la régulation n’a pas pour but de compenser l’effet de la
variation paramétrique.

Résultats et discussions
Afin de représenter un comportement robuste de la station d’épuration, les données entrées/sorties
ont été générées par la simulation du modèle ASM1 complet à 13 variables d’état (Henze et al. [1987]).
Bien que l’observateur soit synthétisé sur la base du modèle T-S simplifié (nx = 6 variables d’état) et que
les données soient issues du modèle complet, les résultats d’estimation sont satisfaisants.
En appliquant le théorème 5, l’observateur simultané de l’état et du paramètre (3.68) est synthétisé en
calculant tous les gains Ki j , Li j et αi j .
Les comparaisons entre les états du système, le paramètre bH (t) et leurs valeurs estimées respectives sont
représentées par les figures 3.6 et 3.7.
46 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Concentration en oxygène
15 10

dissous (mg O /L)

Oxygène (mg O2/L)

X (b ) S (b )
dco Hn O Hn

2
Demande en

Xdco(bH(t)) 8 S (b (t))
O H
10
6
5
4

0 2
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)
nitrates−nitrites(mg O /L)

25 6
S (b ) Sno(bHn)
2

nh Hn
Concentration en

Concentration en
azote (mgN/L)

Snh(bH(t)) S (b (t))
no H
20 4

15 2

10 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)
Concentration en biomasse

Concentration en biomasse

900 15
hétérotrophe(mg O2/L)

Xba(bHn)
autotrophe(mg O /L)

X (b (t))
2

ba H
800 10

700 5
X (b )
bh Hn
Xbh(bH(t))
600 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)

Figure 3.5 – Effet du paramètre variable dans le temps

3.3. Systèmes non linéaires à paramètres variant dans le temps 47

Concentration en oxygène
Oxygène (mg O2/L)
15 10

dissous (mg O2/L)

Demande en Xdco S
O
X estimate 8 S estimate
dco O
10
6
5
4

0 2
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)

nitrates−nitrites(mg O2/L)
25 6
S S

Concentration en
nh no
Concentration en
azote (mg /L)

Snh estimate S estimate

no
20 4
N

15 2

10 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)
Concentration en biomasse

Concentration en biomasse

900 15
hétérotrophe(mg O2/L)

autotrophe(mg O2/L)

X Xba
bh
X estimate Xba estimate
bh
800 10

700 5

600 0
0 1 2 3 4 5 6 0 1 2 3 4 5 6
temps (jours) temps (jours)

Figure 3.6 – Etats du système et leurs valeurs estimées

0.55
bH(t)
Coefficient de mortalité de la biomasse (j −1)

bH(t) estimate

0.5

0.45

0.4

0.35

0.3

0.25

0.2
0 1 2 3 4 5 6
temps (jours)

Figure 3.7 – Biomasse hétérotrophe bH (t) = bH n + 0.2θ1 (t) et son estimée

48 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

Des résultats obtenus, on peut conclure sur l’efficacité de l’observateur proposé, puisque les six
variables d’état ainsi que le paramètre bH (t) sont correctement estimés. La légère imperfection d’estima-
tion en début de simulation est due à l’initialisation, le système et l’observateur ayant été respectivement
initialisés aux valeurs :

T
x0 = 30 3.5 20 1.5 650 11

T
x̂0 = 27 4.2 21 1.4 652 11 , θ̂0 = 0

3.3.3 Diagnostic de défauts multiplicatifs de capteurs

Dans cette partie du chapitre, nous nous intéressons aux défauts multiplicatifs de capteurs. Comme
souligné en introduction, le cas de défauts de capteurs le plus répandu dans la littérature existante est
celui des défauts additifs, dont l’étude est plus facile à mettre en oeuvre. Le diagnostic dans ce cas se
fait principalement au moyen de bancs d’observateurs qui permettent une détection et une isolation des
défauts.
Dans ce qui suit, nous appliquons le principe de ré-écriture polytopique introduit ci-dessus pour la dé-
tection et l’estimation de défauts multiplicatifs de capteurs.
Considérons le système non linéaire T-S avec défauts multiplicatifs de capteurs représenté par (3.117)
 r
 ẋ(t) =
∑ µi (x(t))(Aix(t) + Bi u(t)) (3.117)
 i=1
y(t) = C(t)x(t)
avec
C(t) = (Im + F(t))C (3.118)
où F(t) ∈ Rm×m est définie par :
F(t) = diag( f (t)) (3.119)
avec diag( f (t)) une matrice diagonale d’éléments f j (t) (défauts de capteurs). F(t) peut également être
mise sous la forme :
m
F(t) = ∑ f j (t)Fj (3.120)
j=1

où Fj est une matrice de dimension m × m dont toutes les composantes sont nulles sauf le terme ( j, j)
qui est égal à 1. Les termes f j sont des paramètres inconnus, variants dans le temps et représentant des
défauts de capteur multiplicatifs. Chaque composante est inconnue, mais bornée telle que f j (t) ∈ [ f j2 , f j1 ],
où les valeurs minimale et maximale sont connues. Alors, f j (t) peut se ré-écrire :

f j (t) = µ
e 1j ( f j (t)) f j1 + µ
e 2j ( f j (t)) f j2 , f j (t) ∈ [ f j2 , f j1 ] (3.121)

avec
f j (t) − f j2 f j1 − f j (t)
µ
e 1j ( f j (t)) = , µ
e 2j ( f j (t)) = (3.122)
f j1 − f j2 f j1 − f j2

µ
e 1j ( f j (t)) + µ
e 2j ( f j (t)) = 1, 0≤µ
e 1j ( f j (t)) ≤ 1, i = 1, 2, ∀t (3.123)
Le report de (3.121) dans (3.120) permet d’écrire :
m 2
F(t) = ∑ ∑ µe kj ( f j (t)) f jk Fj (3.124)
j=1 k=1
3.3. Systèmes non linéaires à paramètres variant dans le temps 49

Comme précédemment, une forme polytopique de C(t) est obtenue, où la variable de décision est le
vecteur de faute f (t) non mesurable. Le système (3.117) s’écrit alors :
 r


 ẋ(t) =
 ∑ µi (x(t))(Aix(t) + Bi u(t))
i=1
2nx (3.125)


 y(t) =
 ∑ µej ( f (t))Cej x(t)
j=1

avec 

 Cej = C + F jC

 m
 σ kj
 µ
e j ( f (t)) = ∏ µek ( fk (t))
(3.126)
 k=1

 m
σk


 Fj = ∑ f k j Fj
k=1

Synthèse d’observateur
Un observateur simultané de l’état et des défauts multiplicatifs de capteur est proposé pour le système
T-S obtenu. Une approche par atténuation L2 est alors considérée.
L’observateur état-paramètres est choisi comme suit :
 r


 ˙ = ∑ µi (x̂(t)) (Ai x̂(t) + Bi u(t) + Li (ŷ(t) − y(t)))
x̂(t)



 i=1
 ˙ r
ˆf (t) = ∑ µi (x̂(t))(Ki (y(t) − ŷ(t)) − αi fˆ(t)) (3.127)

 i=1

 2m

 ŷ(t) = ∑ µ

 e j ( fˆ(t))Cej x̂(t)
j=1

où Li ∈ R nx ×m , Ki ∈ R m×m et αi ∈ R m×m représentent les gains à calculer.

Soient ex (t) et e f (t) les erreurs d’estimation définies comme suit :

ex (t) = x(t) − x̂(t), e f (t) = f (t) − fˆ(t) (3.128)

Comme précédemment, (3.125) se ré-écrit sous forme incertaine :

 r



 ẋ(t) = ∑ µi (x̂(t))((Ai + ∆A(t))x(t) + (Bi + ∆B(t))u(t))
i=1
2m (3.129)


 y(t) =
 ∑ µe j ( fˆ(t))(Cej + ∆C(t))x(t)
j=1

avec
r
∆A(t) = ∑ [µi (x(t)) − µi (x̂(t))]Ai (3.130)
i=1
= AΣA (t)EA
r
∆B(t) = ∑ [µi (x(t)) − µi (x̂(t))]Bi (3.131)
i=1
= BΣB (t)EB
50 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

2m
∆C(t) = ∑ (µe j ( f (t)) − µe j ( fˆ(t)))Cej (3.132)
j=1
= CΣC (t)EC
et    T
A = A1 . . . Ar , ΣA (t) = diag(δ1 (t), . . . , δr (t)), EA = Inx . . . Inx
   T
B = B1 . . . Br , ΣB (t) = diag(δ1 (t), . . . , δr (t)), EB = Inu . . . Inu
   T (3.133)
C = C1 . . . C2m , ΣC (t) = diag(δe1 (t), . . . , δe2m (t)), EC = I2m . . . I2m
δi (t) = µi (x(t)) − µi (x̂(t)), δej (t) = µ
e j ( f (t)) − µ
e j ( fˆ(t))
De la propriété (3.123), nous déduisons les inégalités :

− 1 ≤ δi (t) ≤ 1, −1 ≤ δej (t) ≤ 1 (3.134)

qui permettent de déduire de (3.133) :
ΣTA (t)ΣA (t) ≤ I, ΣTB (t)ΣB (t) ≤ I, ΣCT (t)ΣC (t) ≤ I (3.135)
De (3.129), (3.127) et (3.128), la dynamique de l’erreur d’estimation d’état est donnée par :
r
ėx (t) = ∑ µi (x̂(t)) (Ai ex (t) + ∆A(t)x(t) − Li (y(t) − ŷ(t)) + ∆B(t)u(t)) (3.136)
i=1

L’erreur de sortie y(t) − ŷ(t) s’explicite alors :

2m
y(t) − ŷ(t) = ∑ µe j ( fˆ(t))(Cej ex (t) + ∆C(t)x(t)) (3.137)
j=1

En remplaçant (3.137) dans (3.136), la dynamique de l’erreur d’estimation d’état est alors donnée par :
r 2m  
ėx (t) = ∑ ∑ µi (x̂(t))µ
e j ( fˆ(t)) (Ai − LiCej )ex (t) + (∆A(t) − Li ∆C(t))x(t) + ∆B(t)u(t) (3.138)
i=1 j=1

On déduit des équations (3.137) et (3.127) la dynamique de l’erreur d’estimation du défaut :

r 2m
ė f (t) = ∑ ∑ µi (x̂(t))µ
e j ( fˆ(t))(−KiCej ex (t) − αi e f (t) + f˙(t) − Ki ∆C(t)x(t) + αi f (t)) (3.139)
i=1 j=1

En définissant les vecteurs augmentés ea (t) et ω (t)

 
ex (t)
T
ea (t) = , ω (t) = xT (t) f T (t) f˙T (t) u(t) (3.140)
e f (t)
on déduit de (3.138), (3.139) et (3.140) :
r 2m
ėa (t) = ∑ ∑ µi (x̂(t))µ
e j ( fˆ(t)) (Φi j ea (t) + Ψi (t)ω (t)) (3.141)
i=1 j=1

avec !  
Ai − LiCej 0 ∆A(t) − Li ∆C(t) 0 0 ∆B(t)
Φi j = , Ψi (t) = (3.142)
e
−KiC j − αi −Ki ∆C(t) αi I 0
Compte tenu de (3.141), l’objectif est la synthèse d’un observateur simultané pour l’état et le vecteur de
défauts capteur avec gain L2 minimum du transfert de ω (t) vers ea (t). Les gains de l’observateur sont
donnés par le théorème qui suit.
3.3. Systèmes non linéaires à paramètres variant dans le temps 51

Théorème 6. L’observateur (3.127), pour le système non linéaire avec défauts multiplicatifs de capteurs
(3.117) garantit que le gain L2 du transfert de ω (t) vers ea (t) est borné par β (β > 0) s’il existe des
matrices P1 = P1T > 0, P2 = P2T > 0, Γ1 , Γ2 , Γ3 , Γ4 > 0, α i , K i , Ri ainsi que des scalaires β , λ1 , λ1C > 0,
λ2C > 0 et λB > 0 solutions du problème d’optimisation (3.143) sous les contraintes LMIs (3.144) et
(3.145) (avec i = 1, . . . , r et j = 1, . . . , 2m )

min β (3.143)
P1 ,P2 ,Ri ,K i ,α i ,λ1 ,λ1C ,λ2C ,λB

Γk < β I pour k = 1, 2, 3, 4 (3.144)

 T

Q11
ij −CeTj K i 0 0 0 0 P1 A P1 B Ri C 0
 
 ∗ Q22i 0 αi P2 0 0 0 0 KiC 
 
 ∗ ∗ Q33 0 0 0 0 0 0 0 
 
 ∗ ∗ ∗ −Γ2 0 0 0 0 0 0 
 
 ∗ ∗ ∗ ∗ −Γ3 0 0 0 0 0 
 <0 (3.145)
 ∗ ∗ ∗ ∗ ∗ Q6 0 0 0 0 
 

 ∗ ∗ ∗ ∗ ∗ ∗ −λ1 I 0 0 0 


 ∗ ∗ ∗ ∗ ∗ ∗ 0 −λB I 0 0 

 ∗ ∗ ∗ ∗ ∗ ∗ 0 0 −λ1C I 0 
∗ ∗ ∗ ∗ ∗ ∗ 0 0 0 −λ2C I
avec
i j = P1 Ai + Ai P1 − RiC j − C j Ri + Inx , Qi = −α i − α i + Im
Q11 T e eT T 22 T

(3.146)
Q33 = −Γ1 + λ1 EAT EA + λ1C ECT EC + λ2C ECT EC , Q6 = −Γ4 + λB EBT EB
Les gains de l’observateur sont donnés par
 −1
 Li = P1 Ri
K = P2−1 K i (3.147)
 i
αi = P2−1 α i

Démonstration. Soit la fonction de Lyapunov

V (ea (t)) = eTa (t)Pea (t), P = PT > 0 (3.148)

Utilisant (3.141), sa dérivée par rapport au temps est donnée par

r 2m  
V̇ (ea (t)) = ∑ ∑ µi (x̂(t))µ
e j ( fˆ(t)) eTa (t)((Φi j )T P + PΦi j )ea (t) + eTa (t)PΨi (t)ω (t) + ω T (t)ΨTi (t)Pea (t)
i=1 j=1
(3.149)
L’erreur ea (t) converge asymptotiquement vers zéro quand ω (t) = 0 et le gain L2 du transfert de ω (t)
vers ea (t) est borné par β si la condition suivante est vérifiée

V̇ (ea (t)) + eTa (t)ea (t) − ω T (t)Γω (t) < 0 (3.150)

avec
Γ = diag(Γk ), Γk < β I, pour k = 1, 2, 3, 4 (3.151)
Compte tenu de (3.149), (3.150) devient :
r 2m  T  T  
e (t) Φ P + PΦ + I PΨ (t) e (t)
∑ ∑ µi (x̂(t))µ j ( fˆ(t)) ω (t)
a i j i j
ΨTi (t)P
n x +m
−Γ
i a
ω (t)
<0 (3.152)
i=1 j=1
52 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

La fonction de Lyapunov considérée est choisie avec :

P = diag(P1 , P2 ) (3.153)

Avec les définitions (3.128), (3.142), (3.151) et (3.153), (3.152) est vraie si
r 2m

∑ ∑ µi (x̂(t))µe j ( fˆ(t)) Qi j + Q(t) + QT (t) < 0 (3.154)
i=1 j=1

avec :  11 
Qi j −CeTj KiT P2 0 0 0 0
 ∗ −P2 αi − α T P2 + Im 0 αi P2 0 
 i 
 ∗ ∗ −Γ1 0 0 0 

Qi j =   (3.155)
 ∗ ∗ ∗ −Γ2 0 0 

 ∗ ∗ ∗ ∗ −Γ3 0 
∗ ∗ ∗ ∗ ∗ −Γ4
Q11 T e eT T
i j = P1 Ai + Ai P1 − P1 LiC j − C j Li P1 + Inx (3.156)
Avec les définitions (3.130), (3.131) et (3.132), le terme variant dans le temps de (3.154) peut s’exprimer :

T

Q(t) = AT P1T 0 0 0 0 0 ΣA (t) 0 0 EA 0 0 0

T

+ B T P1T 0 0 0 0 0 ΣB (t)
0 0 0 0 0 EB

(3.157)
+ C Li P1 C Ki P2 0 0 0 0 ΣC (t) 0 0 −Ec 0 0 0
T T T T T T

En utilisant le lemme 1 et la propriété (3.134), pour tous scalaires positifs λ1 , λB , λ1C et λ2C , on a :
 1 
Q 0 0 0 0 0
 0 Q2 0 0 0 0 
 
 0 0 Q 3 0 0 0 
Q(t) + Q (t) < 
T
0
 (3.158)
 0 0 0 0 0  
0 0 0 0 0 0 
0 0 0 0 0 λB EBT EB
avec :
Q1 = λ1−1 P1 AAT P1 + λB−1 P1 BB T P1 + (λ1C )−1 P1 Li CC T LiT P1
(3.159)
Q2 = λ2C
−1
P2 Ki CC T KiT P2 , Q3 = λ1 EAT EA + (λ1C + λ2C )ECT EC
pour i = 1, . . . , r et j = 1, . . . , 2m .
De l’inégalité (3.158), puisque µi (x̂(t)) et µ e j ( fˆ(t)) satisfont la propriété de somme convexe, la condition
(3.154) est vraie si la suivante est vérifiée :
 11 
Qi j + Q1 −CeTj KiT P2 0 0 0 0

 ∗ −P2 αi − αiT P2 + Inx + Q2 0 αi P2 0 

 ∗ ∗ Q +Q33 3 0 0 0 
 <0 (3.160)
 ∗ ∗ ∗ −Γ2 0 0 
 
 ∗ ∗ ∗ ∗ −Γ3 0 
∗ ∗ ∗ ∗ ∗ −Γ4 + λB EB EB
T

En considérant le changement de variables (3.147), ainsi qu’un complément de Schur sur Q1 et Q2 , la

condition (3.160) implique (3.145). Par conséquent, le gain L2 du transfert de ω (t) vers ea (t) est borné
par β , ce qui achève la démonstration.
3.3. Systèmes non linéaires à paramètres variant dans le temps 53

Exemple numérique
Dans cette section, la conception d’un observateur robuste est réalisée afin d’estimer simultanément
l’état d’un bioréacteur et un défaut multiplicatif sur un capteur. Le bioréacteur considéré est réduit à deux
équations d’état non linéaires (Bezzaoucha et al. [2013f]) :
ax1 (t)x2 (t)
ẋ1 (t) = x2 (t)+b − x1 (t)u(t)
(t)x2 (t)
(3.161)
ẋ2 (t) = − caxx21(t)+b + (d − x2 (t))u(t)
où x1 (t) représente la concentration en biomasse et x2 (t) la concentration en substrat. La commande u(t)
est le taux de dilution. Les paramètres a, b et d sont connus. La sortie mesurée est la concentration en
biomasse (y(t) = x1 (t)).
Considérons un défaut multiplicatif de capteur borné f1 (t) qui affecte la sortie y(t) tel que :
y(t) = (1 + f1 (t))x1 (t) (3.162)
Comme montré précédemment, f1 (t) peut s’écrire sous la forme suivante :
f1 (t) = µ
e11 ( f1 (t)) f11 + µ
e12 ( f1 (t)) f12 , f1 (t) ∈ [ f12 , f11 ] (3.163)
avec f12 = 0.125, f11 = 0.625, µ
e11 ( f1 (t)) et µ
e12 ( f1 (t)) définis par (3.122). Les paramètres b, c, d sont
respectivement égaux à b = 0.07, c = 0.7 et d = 2.5.
L’examen des non-linéarités du système (3.161), incite à considérer les variables de prémisse suivantes :
ax1 (t)
z1 (t) = −u(t), z2 (t) = (3.164)
x2 (t) + b
De (3.161) et (3.164), la forme quasi-LPV suivante est obtenue :
   
z1 (t) z2 (t) 0
ẋ(t) = x(t) + u(t) (3.165)
0 −cz2 (t) + z1 (t) d
Un modèle T-S est obtenu sur un compact de l’espace d’état en définissant les intervalles de variation
de z1 (t) et z2 (t) par z1 (t) ∈ [−1, −0.2] et z2 (t) ∈ [0.004, 15]. Utilisant la transformation en secteurs non
linéaires, deux partitions pour chaque variable de prémisse sont construites :
(
z1 (t) = F11 (z1 )z21 + F12 (z1 )z11
(3.166)
z2 (t) = F21 (z2 )z22 + F22 (z2 )z12
z1 (t) − z21 z11 − z1 (t)
avec F11 (z1 ) = , F12 (z 1 ) =
z11 − z21 z11 − z21
2 1 (3.167)
z2 (t) − z z − z2 (t)
F21 (z2 ) = 1 2 2 , F22 (z2 ) = 2 1 2
z2 − z2 z2 − z2
où les scalaires z11 , z21 , z12 et z22 sont définis par :
z11 = max z1 (t), z21 = min z1 (t), z12 = max z2 (t), z22 = min z2 (t) (3.168)
u u x x

Les sous-modèles sont définis par les paires (Ai , Bi ) avec i = 1, .. . , 4. Les variables de prémisse ont
été choisies de façon à avoir toutes les matrices Bi égales à BT = 0 d . Compte tenu de (3.164) et
(3.165), les matrices Ai sont données par :
 1   1 
z1 z12 z1 z22
A1 = 1 1 , A2 = 2 1 ,
 02 −cz21+ z1   02 −cz22+ z1 
z1 z2 z1 z2
A3 = 1 2 , A4 =
0 −cz2 + z1 0 −cz22 + z21
54 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps

6
avec défaut
sans défaut

Concentration en biomasse (m g /L)

5

2
O
4

0
0 50 100 150 200 250 300 350 400
temps (s)

Figure 3.8 – Sortie nominale (sans défaut) et sortie avec défaut f1 (t)

0.55

0.5
Taux de dilution

0.45

0.4

0.35

0.3

0.25

0.2
0 50 100 150 200 250 300 350 400
temps (s)

Figure 3.9 – Entrée du système

Le modèle T-S du système avec les défauts multiplicatifs de capteur est obtenu par interpolation des
quatre sous-modèles du système et des deux sous-modèles de la sortie :

 4



 ẋ(t) = ∑ µi (z(t))(Ai x(t) + Bu(t))
i=1
2 (3.169)



 y(t) = ∑ µe j ( f1 (t))Cej x(t)
j=1

avec Ce1 = 1 + f12 0 , Ce2 = 1 + f11 0 .
Les fonctions poids µ j ( f (t)) sont calculées à partir de (3.122). Les µi (z(t)) sont données par :

µ1 (z(t)) = F11 (z1 (t)) F21 (z2 (t))

µ2 (z(t)) = F11 (z1 (t)) F22 (z2 (t))
(3.170)
µ3 (z(t)) = F12 (z1 (t)) F21 (z2 (t))
µ4 (z(t)) = F12 (z1 (t)) F22 (z2 (t))

Afin d’illustrer l’effet du défaut sur la sortie du système, la figure 3.8 représente la sortie avec et sans
défaut. L’entrée du système, les états et leurs valeurs estimées ainsi que le défaut considéré et son es-
timé sont représentés
respectivement par les figures 3.9 , 3.10 et 3.11.
Les conditions initiales sont fixées
à x(0) = 0.1 1.5 pour le système et x̂a (0) = 0.09 2.3 0 pour l’observateur des états et du
défaut. A noter qu’avec la méthode proposée, l’observateur synthétisé a été obtenu avec un taux d’atté-
nuation β = 1.98 10−2 .
3.4. Conclusion 55

3.5

Concentrations (m b / L)
3
x (t)
1

2
O
2.5 x2(t)
x (t) estimée
1
2 x (t) estimée
2

1.5

0.5

0
0 50 100 150 200 250 300 350 400
temps (s)

Figure 3.10 – Etats du système et leurs valeurs estimées

0.7
Concentration en biomasse (m gO /L)

0.6
2

0.5

0.4

0.3

0.2

0.1

0
0 50 100 150 200 250 300 350 400
temps (s)

Figure 3.11 – Défaut f1 (t) et son estimé

3.4 Conclusion
Dans ce chapitre, nous avons abordé l’estimation d’état robuste (reconstruction d’état avec un certain
degré de précision malgré la présence d’erreurs de modélisation et/ou de défauts actionneurs/capteurs)
des systèmes non linéaires sous forme de modèles T-S à variables de décision non mesurables ainsi que
le diagnostic (estimation des défauts).
Dans un premier temps, les systèmes linéaires à paramètres variants dans le temps avec une sortie bruitée
ont été considérés en proposant des conditions de convergence relaxées.
Dans un second temps, l’approche a été généralisée aux systèmes non linéaires sous forme T-S avec
une première partie dédiée aux erreurs de modélisation, de défauts systèmes et de défauts d’actionneurs
et une seconde partie pour les défauts multiplicatifs de capteurs. Dans chaque partie, l’exemple d’un
bioréacteur ayant un comportement non linéaire a été considéré. Cette approche a été structurée en trois
étapes :
• Ré-écriture des équations non linéaires du système en modèle T-S par l’approche de transformation
en secteurs non linéaires
• Ré-écriture polytopique des défauts
• Synthèse d’observateur et diagnostic par estimation des défauts ou paramètres variants.
56 Chapitre 3. Estimation et diagnostic de systèmes non linéaires à paramètres variants dans le temps
 Commande sous contrainte de saturation
4
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.2 Motivations et position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3 Représentation T-S de la saturation . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.4 Commande saturée par retour d’état de systèmes linéaires . . . . . . . . . . . . . 62
4.4.1 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.2 Représentation T-S du système . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4.3 Synthèse de la commande . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.5 Commande saturée par retour d’état de systèmes non linéaires . . . . . . . . . . . 65
4.5.1 Positionnement du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.5.2 Représentation T-S du système soumis à une commande saturée . . . . . . . . 65
4.5.3 Commande de systèmes non linéaires saturés . . . . . . . . . . . . . . . . . . 65
4.5.4 Commande de systèmes non linéaires incertains saturés . . . . . . . . . . . . . 71
4.5.5 Commande de systèmes non linéaires incertains saturés, approche descripteur . 74
4.6 Commande par retour de sortie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.6.1 Commande par retour de sortie statique . . . . . . . . . . . . . . . . . . . . . 80
4.6.2 Commande par retour de sortie dynamique . . . . . . . . . . . . . . . . . . . 83
4.6.3 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

4.1 Introduction
Les contraintes de saturation affectant les variables d’un système représentent probablement les non-
linéarités les plus répandues en pratique. En effet, que ce soit pour des raisons physiques, technologiques,
ou de sécurité, tout système physique est soumis à des limitations de fonctionnement qui se modélisent
par des contraintes d’amplitude sur les actionneurs et les capteurs. En présence de saturation de com-
mande, les performances d’un contrôleur synthétisé pour le cas nominal, c’est-à-dire en l’absence de
saturation, peuvent se dégrader de manière significative. Ces dégradations peuvent se manifester comme

57
58 Chapitre 4. Commande sous contrainte de saturation

des dépassements, des oscillations de fortes amplitudes, des temps de réponse ou des régimes tran-
sitoires assez longs, et même dans certains cas conduire à une instabilité (Syaichu-Rohman [2005],
Kapasouris et Athans [1988], Walgama et Sternby [1993], Park et Choi [1995], Kapoor et al. [1998]).
Un exemple classique des effets catastrophiques pouvant être engendrés en négligeant ces contraintes est
celui de la centrale nucléaire de Tchernobyl en 1986, mentionné dans (Stein [1989]). Une des causes du
désastre fut attribuée aux limitations sur la vitesse à laquelle les barres de contrôle pouvaient être placées
et retirées du noyau du réacteur nucléaire. Quand la réaction s’accéléra, la loi de commande essaya de
placer les barres dans le noyau aussi vite que possible pour ralentir la réaction. Cependant, à cause de la
limitation de vitesse sur le mouvement des barres de contrôle, l’action de la loi de commande ne fut pas
assez rapide, ce qui amena à une réaction en chaîne incontrôlée [Henrion [1999]]. Il est maintenant lar-
gement admis que les saturations doivent être prises en compte lors de la synthèse de lois de commande.
De façon résumée, deux approches principales permettent d’aborder cette problématique :
1. la synthèse de lois de commande dans le cas nominal, sans tenir compte de la saturation ; cette
dernière est considérée a posteriori en rajoutant un bloc fonctionnel dédié à contrer son effet lors
de son apparition. L’exemple le plus illustratif est l’anti-windup (Syaichu-Rohman et Middleton
[2004], Zaccarian et Teel [2002], Mulder et al. [2001], Grimm et al. [2003]). C’est une approche
en deux temps et qui consiste typiquement à ajouter au contrôleur nominal un compensateur basé
sur la différence entre les signaux de commande non saturés et saturés du système (Syaichu-Rohman
[2005]). Une généralisation du problème de synthèse anti-windup en se basant sur une caractéri-
sation de la fonction saturation à l’aide d’une condition de secteur a également fait l’objet de
plusieurs travaux, dont (Gomes da Silva Jr et Tarbouriech [2005]). Cependant, concernant les sys-
tèmes LPV saturés, la littérature n’est pas très abondante à ce sujet, mais nous pouvons notam-
ment citer (Scorletti et El Ghaoui [1998]), (Wu et al. [2000]) et (Do et al. [2011]) où la condition
de secteur modifiée introduite par (Gomes da Silva Jr et Tarbouriech [2005]) a été généralisée aux
systèmes LPV soumis à une saturation d’entrée et à des contraintes sur l’état.
2. la synthèse de lois de commande en tenant compte de la saturation. Des méthodes efficaces ont lar-
gement été traitées dans la littérature comme la construction d’ensembles invariants et le calcul du
domaine d’attraction. L’idée fondamentale est de s’assurer qu’aucun dépassement de commande
n’apparaisse, ou plutôt que le système n’atteigne jamais la saturation en cherchant le plus grand
ensemble de conditions initiales pour lesquelles la stabilité en boucle fermée est garantie et que les
états restent invariants dans un certain sous-ensemble de l’ensemble d’état admissible qui prend
en compte des valeurs admissibles d’entrée. Toutefois, cet ensemble doit être suffisamment grand
pour être satisfaisant. L’un des critères qui peuvent être pris en compte pour la conception des
commandes est celui de la « maximisation » de la taille du sous-ensemble invariant. C’est un pro-
blème fondamental, cependant particulièrement difficile, et qui reste irrésolu dans le cas général
(Henrion et Tarbouriech [1999]). Plusieurs méthodes ont été proposées pour approximer ces en-
sembles invariants (Hu et Lin [2003], De Dona et al. [1999], Gilbert et Tan [1991]).
La première approche est plus adaptée aux saturations qui relèvent d’une optimisation locale des perfor-
mances et où les contraintes jouent un rôle minime, contrairement à la seconde approche plus appropriée
au cas où l’effet des contraintes est critique (Blanchini et Miani [2008]). En effet, en l’absence d’hypo-
thèse de stabilité, il est bien connu qu’en présence de saturation, certaines trajectoires du système peuvent
être instables.

4.2 Motivations et position du problème

Par opposition aux méthodes citées ci-dessus, généralement conçues pour éviter la saturation des ac-
tionneurs afin de préserver les performances en boucle fermée du système, l’approche proposée dans ce
4.3. Représentation T-S de la saturation 59

chapitre traite explicitement des saturations de commande. En effet, la ré-écriture sous forme de modèle
T-S des saturations affectant les commandes du système permet d’intégrer ces contraintes dans le modèle
du système et de synthétiser les lois de commande en fonction des bornes imposées.
Un autre avantage de la méthode proposée est que la ré-écriture T-S des saturations permet non seule-
ment de traiter le cas des systèmes linéaires, mais aussi celui des systèmes non linéaires, ce qui n’est pas
le cas des méthodes citées précédemment qui traitent essentiellement le cas des systèmes linéaires.
Comme nous allons le voir par la suite, l’écriture générique et systématique de la saturation permet non
seulement la conception d’une commande stabilisante des systèmes (linéaires et non linéaires), mais as-
sure également la robustesse par rapport aux incertitudes. Les cas traités concernent la commande par
retour d’état, par retour de sortie, l’utilisation de contrôleurs statique ou dynamique, en utilisant la mé-
thode de Lyapunov classique ainsi que l’approche descripteur pour représenter le système à étudier.
La section 4.3 présente l’écriture T-S des saturations d’actionneurs. La section 4.4 porte sur la synthèse
de commande par retour d’état des systèmes linéaires saturés (Bezzaoucha et al. [2012]). Une extension
aux systèmes non linéaires sous forme T-S est proposée à la section 4.5 (Bezzaoucha et al. [2013d]).
Un exemple de stabilisation d’un chariot-pendule soumis à des saturations de commande est traité. Dans
l’exemple proposé, l’effet déstabilisant de la saturation est mis en évidence, ainsi que l’apport de l’ap-
proche T-S.
Pour améliorer les résultats obtenus, nous nous sommes également intéressés dans ce chapitre à la ré-
solution par approche descripteur. Cette dernière a été appliquée dans le cas de systèmes non linéaires
incertains (Bezzaoucha et al. [2013e]) ainsi que pour la commande par retour de sortie (Bezzaoucha et al.
[2013a]). A noter que les stratégies de commande par retour d’état proposées sont basées sur l’hypothèse
que le vecteur d’état soit mesurable ; cette condition n’étant pas forcément satisfaite pour tous les sys-
tèmes, deux solutions peuvent être envisagées : soit l’introduction d’un observateur, soit la synthèse de
stratégies de commande avec retour de sortie. C’est cette dernière solution qui est retenue et présentée
dans la section 4.6. Ce choix est motivé par la remarque 3 du chapitre 2 selon laquelle le retour dyna-
mique de sortie inclut le cas du retour d’état observé par un multi-observateur de type Luenberger. Deux
cas de figure sont traités : la synthèse d’un contrôleur statique, puis celle d’un contrôleur dynamique. Afin
d’illustrer l’efficacité des approches proposées, des exemples de simulation sont également présentés.

4.3 Représentation T-S de la saturation

L’effet de la saturation sur un système peut se modéliser de plusieurs manières. Une possibilité
consiste à représenter le système saturé à l’aide d’un modèle polytopique. Cette représentation est basée
sur la décomposition par secteurs non linéaires et aboutit à un modèle de type Takagi-Sugeno. Pour cela,
nous proposons de ré-écrire chaque composante du vecteur d’entrée sous une forme particulière avec
trois sous-modèles.
La fonction non linéaire saturation pour un signal u(t) est définie comme suit :

usat (t)

 umax
 u(t) si umin ≤ u(t) ≤ umax
usat (t) := umax si u(t) > umax
 u(t)
umin si u(t) < umin
(4.1) umin
où umax et umin sont les limites de saturation.
60 Chapitre 4. Commande sous contrainte de saturation

Considérons à présent le vecteur d’entrées u(t) ∈ Rnu , tel que :

T
u(t) = u1 (t) . . . unu (t) (4.2)

L’entrée de commande sous contrainte de saturation est définie comme :

T
usat (t) = usat,1 (t) . . . usat,nu (t) (4.3)

Dans ce qui suit, nous établissons une relation entre usat (t) et u(t). Compte tenu de (4.1), chaque com-
posante du vecteur peut se ré-écrire sous la forme :

3
usat, j (t) = ∑ µij (u j (t)) (λij u j (t) + γij ), j = 1, . . . , nu (4.4)
i=1

avec

 λ1 = 0
 j

λ2j = 1 (4.5)

 λj = 0
3


 γ1 = umin, j
 j

γ2j = 0 (4.6)

 γj = u
3 max, j

et les fonctions d’activation suivantes :

 1−sign(u j (t)−umin, j )
 µ1 (u j (t)) =
j
 2
sign(u j (t)−umin, j )−sign(u j (t)−umax, j )
µ2j (u j (t)) = (4.7)

 j
2
1+sign(u j (t)−umax, j )
µ3 (u j (t)) = 2

où sign désigne la fonction signe et où umin, j et umax, j représentent respectivement les bornes inférieures
et supérieures de la commande u j .
A partir de (4.3) et (4.4), on ré-écrit alors le vecteur d’entrées u(t) ∈ Rnu soumis aux contraintes saturation
sous la forme
 
3

 ∑ µi1 (u1 (t))(λi1 u1 (t) + γi1 ) 

 i=1 
 .. 
 . 
 
 3 
usat (t) = 
 ∑ µiℓ (uℓ (t))(λiℓ uℓ (t) + γiℓ ) 
 (4.8)
 i=1 
 .. 
 . 
 
 3 
 
∑ µin (un (t))(λin un (t) + γin )
u
u
u
u
u

i=1

Pour simplifier et alléger les notations, les fonctions d’activation µij (u(t)) seront désormais notées µij (t).
En se basant sur la propriété de somme convexe des fonctions d’activation, on peut ré-écrire (4.8) afin de
4.3. Représentation T-S de la saturation 61

faire apparaître des fonctions d’activation communes à toutes les composantes du vecteur d’entrées :
 ! 
3 nu 3
 ∑ µi1 (t)(λi1 u1 (t) + γi1 ) × ∏ ∑ µ kj (t) 
 i=1 k=2 j=1

 
 .. 
 . 
 !
3 nu 3 
usat (t) =∑ µiℓ (uℓ (t))(λiℓ uℓ (t) + γiℓ ) × ∏ ∑ j 
 
µ k
(t) (4.9)
i=1 k=1k6=ℓ j=1 
 
 .. 
 . 
 ! 
 3 nu −1 3 

∑ µinu (t)(λinu unu (t) + γinu ) × ∏∑ j µ k
(t) 
i=1 k=1 j=1

Ainsi, pour nu entrées de commande, 3nu sous-modèles sont obtenus. Il est aussi important de souligner
que nous obtenons une expression analytique de la commande saturée usat (t), exprimée en fonction du
signal d’entrée u(t). Finalement, l’équation (4.9) peut s’exprimer sous la forme :
3nu
usat (t) = ∑ µisat (t)(Λi u(t) + Γi ) (4.10)
i=1

où les fonctions d’activation globales µisat (t) ainsi que les matrices Λi ∈ Rnu ×nu et les vecteurs Γi ∈ Rnu ×1
sont définis comme suit :
 nu





µ sat (t) =
i ∏ µ j j (u j (t))
σi

 j=1


 Λi = diag(λσ1 1 , . . . , λσnunu ) (4.11)

 i i



 h iT

 Γ
i = γ 1 1 γ 2 2 . . . γ nunu
σi σi σi

les indices σij (i = 1, . . . , 3nu et j = 1, . . . , nu ), égaux à 1, 2 ou 3, indiquant quelle partition de la j ième

entrée (µ1j , µ2j ou µ3j ) est considérée dans le i ième sous-modèle.
La relation entre le i ième sous-modèle et les indices σij est donnée par l’expression suivante :

i = 3nu −1 σi1 + 3nu −2 σi2 + . . . + 30 σinu − (31 + 32 + . . . + 3nu −1 ) (4.12)

Inversement, on peut également retrouver les indices σij en fonction du numéro i du sous-modèle, les
quantités ((σi1 − 1), . . . , (σinu − 1)) correspondent à (i − 1) exprimé en base 3.
Un exemple illustratif est donné pour deux entrées (nu = 2), où :

T
usat (t) = u1sat (t) u2sat (t) (4.13)

Puisque nous avons trois partitions pour chaque entrée, le modèle T-S global pour usat (t) se compose
alors de 32 sous-modèles :
9
usat (t) = ∑ µisat (t)(Λi u(t) + Γi ) (4.14)
i=1

avec les paramètres µisat , Λi et Γi donnés par le tableau 1 dans lequel les quantités µ j j (t), γ j j et λ j j
σi σi σi
(σij = 1, 2, 3 et j = 1, 2) sont respectivement données par (4.7), (4.6) et (4.5).
62 Chapitre 4. Commande sous contrainte de saturation

sous-modèle i (σi1 , σi2 ) µisat (t) Λi Γi

 T
1 (1, 1) µ11 (t)µ12 (t) diag(λ11 , λ12 ) γ11 γ12
 T
2 (1, 2) µ11 (t)µ22 (t) diag(λ11 , λ22 ) γ11 γ22
 T
3 (1, 3) µ11 (t)µ32 (t) diag(λ11 , λ32 ) γ11 γ32
 T
4 (2, 1) µ21 (t)µ12 (t) diag(λ21 , λ12 ) γ21 γ12
 T
5 (2, 2) µ21 (t)µ22 (t) diag(λ21 , λ22 ) γ21 γ22
 T
6 (2, 3) µ21 (t)µ32 (t) diag(λ21 , λ32 ) γ21 γ32
 T
7 (3, 1) µ31 (t)µ12 (t) diag(λ31 , λ12 ) γ31 γ12
 T
8 (3, 2) µ31 (t)µ22 (t) diag(λ31 , λ22 ) γ31 γ22
 T
9 (3, 3) µ31 (t)µ32 (t) diag(λ31 , λ32 ) γ31 γ32

Tableau 4.1 – Exemple à deux entrées

4.4 Commande saturée par retour d’état de systèmes linéaires

4.4.1 Positionnement du problème
Nous nous intéressons dans cette partie du chapitre à la synthèse d’une loi de commande par retour
d’état statique pour un système linéaire soumis à une contrainte de saturation. L’objectif est d’assurer
la stabilité du système bouclé malgré la contrainte de saturation, mais également de trouver le gain de
commande en fonction des bornes de saturation.
La solution proposée est le passage par la représentation T-S. En effet, la ré-écriture de la saturation avec
des modèles de Takagi-Sugeno permet d’exprimer la contrainte de saturation sous la forme (4.10) en
fonction des bornes de saturation et d’utiliser l’écriture T-S globale (système + contrôleur) par la suite
pour la synthèse de la commande.

4.4.2 Représentation T-S du système

Soit le modèle linéaire suivant :
ẋ(t) = Ax(t) + Bu(t) (4.15)
Comme l’entrée de commande u(t) est soumise à une contrainte de saturation, le système décrit par
(4.15) devient :
ẋ(t) = Ax(t) + Busat (t) (4.16)
A partir du résultat (4.10), le système (4.16) est équivalent à :
3nu
ẋ(t) = ∑ µisat (t)(Ax(t) + B(Λi u(t) + Γi )) (4.17)
i=1
4.4. Commande saturée par retour d’état de systèmes linéaires 63

4.4.3 Synthèse de la commande

On considère à présent la commande par retour d’état donnée par :

u(t) = −Kx(t) (4.18)

Le report de (4.18) dans le modèle T-S (4.17) conduit à :

3nu
ẋ(t) = ∑ µisat (t)((A − BΛi K)x(t) + BΓi ) (4.19)
i=1

La synthèse de la loi de commande est obtenue en résolvant un problème d’optimisation sous contraintes
LMI. Le calcul du gain de commande K est précisé grâce au théorème suivant.

Théorème 7. Il existe une commande par retour d’état pour le système linéaire saturé (4.16) tel que
l’état du système converge vers une boule centrée à l’origine et dont le rayon est borné par β , s’il existe
des matrices P1 = P1T > 0, R, Σ = ΣT > 0 solutions du problème d’optimisation suivant :

min β (4.20)
P1 , R, Σ

t.q.  
Qi I
< 0, i = 1, . . . , 3nu (4.21)
I −β I
avec  
P1 AT + AP1 − RT ΛTi BT − BΛi R I
Qi = (4.22)
I −Σ
et
ΓTi BT ΣBΓi < β (4.23)
pour i = 1, . . . , 3nu .
Le gain du contrôleur est alors donné par :

K = RP1−1 (4.24)

Démonstration. Considérons la fonction de Lyapunov suivante :

V (x(t)) = xT (t)Px(t) (4.25)

avec P ∈ Rnx ×nx matrice symétrique définie positive.

A partir des équations (4.19) et (4.25), la dérivée par rapport au temps de V (x(t)) est donnée par :
3nu
V̇ (x(t)) = ∑ µisat (t)(xT (t)((A − BΛi K)T P + P(A − BΛi K))x(t) + ΓTi BT Px(t) + xT (t)PBΓi ) (4.26)
i=1

En appliquant le lemme 5 du "Carré Matriciel", on utilise la majoration suivante avec Σ = ΣT > 0 :

ΓTi BT Px(t) + xT (t)PBΓi ≤ ΓTi BT ΣBΓi + xT (t)PΣ−1 Px(t) (4.27)

avec Σ > 0, ceci conduit à borner (4.26) par :

3nu
V̇ (x(t)) ≤ ∑ µisat (t)(xT (t)((A − BΛi K)T P + P(A − BΛi K) + PΣ−1 P)x(t) + ΓTi BT ΣBΓi ) (4.28)
i=1
64 Chapitre 4. Commande sous contrainte de saturation

Définissons maintenant :

Qi = (A − BΛi K)T P + P(A − BΛi K) + PΣ−1 P (4.29)

ε = minn λmin (−Qi ) (4.30)

i=1:3 u

δ = maxn ΓTi BT ΣBΓi (4.31)

i=1:3 u

L’inégalité (4.28) se ré-écrit :

3nu
V̇ (x(t)) ≤ ∑ µisat (t)(xT (t)Qi x(t) + δ ) (4.32)
i=1

Puisque Σ > 0, de l’équation (4.32) avec la propriété de somme convexe des fonctions d’activation (B.2)
ainsi qu’en se basant sur le lemme de congruence (lemme 1), V̇ (x(t)) < −ε k x(t) k2 +δ . Il en découle
que V̇ (x(t)) < 0 pour 
Qi < 0
(4.33)
k x(t) k2 > δε
Ceci implique, suivant
q la théorie de stabilité de Lyapunov, que x(t) converge vers la boule centrée à
l’origine de rayon δε .
En appliquant le principe de congruence (Lemme 2), un complément de Schur, ainsi que les changements
de variables suivants : 
P1 = P−1
(4.34)
R = KP1
l’inégalité Qi < 0 avec Qi définie en (4.29) est linéarisée et mise sous la forme de la LMI Qi < 0 avec Qi
donnée par (4.22). La condition Qi q < 0 avec Qi donnée par (4.22) assure la convergence de l’état vers
δ
une boule centrée en zéro de rayon ε.
q
L’objectif est à présent d’optimiser le résultat obtenu en minimisant le rayon de la boule δε . Une
des solutions possibles consiste à minimiser d’une part δ et d’autre part à maximiser ε . Pour cela,
introduisons un scalaire positif β . Si β vérifie :

δ <β
(4.35)
ε > 1/β
q
alors le rayon de la boule δε est borné par β .
Les deux conditions (4.35) se traduisent comme suit :
1. Si (4.23) est vraie pour (i = 1, . . . , 3nu ), d’après (4.31), alors δ < β .
2. Si (4.22) est vraie, un complément de Schur donne

− Qi > (1/β ) I, i = 1, . . . , 3nu (4.36)

alors toutes les valeurs propres de −Qi sont supérieures à 1/β , en particulier ε définie en (4.30).
Les conditions (4.33) sont donc impliquées par (4.21) et (4.23), ce qui achève la démonstration.

Remarque 7. Il est important de noter qu’à partir du théorème 7 et de la définition des matrices Qi
(4.22), l’approche proposée stabilise le système saturé à condition que le système nominal (sans satura-
tion) soit initialement stable (valeurs propres de la matrice A négatives).
4.5. Commande saturée par retour d’état de systèmes non linéaires 65

En effet, il est évident à partir du bloc (1, 1) de la matrice Qi et de la définition des matrices Λi , que
lorsque Λi = 0 si la quantité P1 AT + AP1 n’est pas définie négative, alors la condition de stabilité Qi < 0
ne sera jamais assurée.
Pour résumer, l’approche proposée ne peut pas stabiliser un système nominal instable sous une contrainte
de saturation de commande, mais en revanche, assure parfaitement la stabilité des systèmes initialement
stables mais déstabilisés par la saturation de commande.

4.5 Commande saturée par retour d’état de systèmes non linéaires

4.5.1 Positionnement du problème
Comme pour la section précédente, nous nous intéressons dans cette partie à la synthèse d’une loi
de commande par retour d’état assurant un recalage de l’état à l’origine, mais cette fois-ci appliquée à
un système non linéaire sous forme de modèle T-S soumis à une contrainte de saturation. L’objectif est
toujours d’assurer la stabilité du système bouclé malgré la contrainte non linéaire, mais également de
trouver les gains de commande dépendants des bornes de la saturation.
L’intérêt de l’approche proposée est qu’elle se généralise de manière immédiate du cas linéaire au cas des
systèmes non linéaires sous forme T-S, les non-linéarités du système et les saturations étant représentées
de manière similaire.

4.5.2 Représentation T-S du système soumis à une commande saturée

Considérons le modèle non linéaire (sous forme T-S) suivant :
n
ẋ(t) = ∑ µi (ξ (t))(Ai x(t) + Bi u(t)) (4.37)
i=1

avec ξ (t) les variables de prémisse supposées connues et mesurables.

Comme l’entrée de commande u(t) est soumise à une contrainte de saturation, le système T-S décrit par
(4.37) devient alors :
n
ẋ(t) = ∑ µi (ξ (t))(Ai x(t) + Bi usat (t)) (4.38)
i=1
A partir du résultat (4.10) explicitant la commande saturée, le système non linéaire (4.38) s’écrit aussi :
n 3nu
ẋ(t) = ∑ ∑ µi (ξ (t))µksat (u(t))(Ai x(t) + Bi (Λk u(t) + Γk )) (4.39)
i=1 k=1

4.5.3 Commande de systèmes non linéaires saturés

On considère à présent la commande de type PDC (Parallel Distributed Compensation) suivante :
n
u(t) = − ∑ µ j (ξ (t))K j x(t) (4.40)
j=1

En reportant (4.40) dans le modèle T-S (4.39), on obtient :

n n 3nu
ẋ(t) = ∑ ∑ ∑ µi (ξ (t))µ j (ξ (t))µksat (t)((Ai − Bi Λk K j )x(t) + BiΓk ) (4.41)
i=1 j=1 k=1

Le réglage des gains de la loi de commande se ramène à résoudre un problème d’optimisation sous
contraintes LMI. Les gains Ki sont donnés par le théorème suivant.
66 Chapitre 4. Commande sous contrainte de saturation

Théorème 8. Il existe une commande par retour d’état pour le système non linéaire saturé (4.38) telle
que l’état du système converge vers une boule centrée à l’origine dont le rayon est borné par β , s’il
existe des matrices P = PT > 0, R j , Σk = ΣTk > 0 (pour i = 1, . . . , n, j = 1, . . . , n, k = 1, . . . , 3nu ), solutions
du problème d’optimisation suivant :
min β (4.42)
P, R j , Σk

sous les contraintes :  

Qi jk I
<0 (4.43)
I −β I
ΓTk BTi Σk Bi Γk < β (4.44)
avec  
S(Ai P − Bi Λk R j ) I
Qi jk = (4.45)
I −Σk
Les gains du contrôleur (4.40) sont donnés par

K j = R j P−1 (4.46)

Démonstration. La preuve du théorème 8 découle du même raisonnement que celui utilisé pour le
théorème 7. En effet, considérons la même fonction de Lyapunov que celle utilisée précédemment :

V (x(t)) = xT (t)P−1 x(t) (4.47)

avec P ∈ Rnx ×nx matrice symétrique définie positive. A partir de (4.41), sa dérivée par rapport au temps
est donnée par :
n n 3nu  
V̇ (x(t)) = ∑ ∑ ∑ µi (ξ (t))µ j (ξ (t))µk (t) S(xT (t)P−1 Bi Γk + xT (t)P−1 (Ai − Bi Λk K j )x(t)) (4.48)
i=1 j=1 k=1

Du lemme 5 "Carré matriciel" avec Σ = ΣT > 0, nous déduisons :

n n 3nu  
V̇ (x(t)) ≤ ∑ ∑ ∑ µi (ξ )µ j (ξ )µk (t) xT (t)(S(P−1 (Ai − Bi Λk K j ) + P−1 Σ−1
k P −1
)x(t) + Γ T T
k B i Σ k B i Γ k
i=1 j=1 k=1
(4.49)
Notons :
Qi jk = S(P−1 (Ai − Bi Λk K j )) + P−1 Σ−1
k P
−1
(4.50)
ε= min λmin (−Qi jk ) (4.51)
i=1:n, j=1:n,k=1:3nu

δ= max ΓTk BTi Σk Bi Γk (4.52)

i=1:n,k=1:3nu

L’inégalité (4.49) est ré-écrite sous la forme V̇ (x(t)) < −ε k x k22 +δ , ainsi V̇ (x(t)) est négative pour :

δ
Qi jk < 0 and k x k22 > (4.53)
ε
q
δ
ce qui implique que x(t) converge vers une boule centrée à l’origine dont le rayon est égal à ε
(Zhang et al. [2009]).
Analysons à présent la condition Qi jk < 0, i.e.

S(P−1 (Ai − Bi Λk K j )) + P−1 Σ−1

k P
−1
<0 (4.54)
4.5. Commande saturée par retour d’état de systèmes non linéaires 67

De la propriété de congruence (6), l’inégalité (4.54) devient :

S((Ai − Bi Λk K j )P) + Σ−1
k <0 (4.55)
Avec le changement de variables (4.46) et l’utilisation d’un complément de Schur, les inégalités (4.55)
sont équivalentes au bloc (1, 1) de (4.43), i.e. Qi jk < 0. Comme les fonctions d’activation satisfont la
propriété de somme convexe (B.2) et comme Σk > 0, si Qi jk < 0 est vérifiée pour i = 1, . . . , n, j = 1, . . . , n,
k = 1, . . . , 3nu et k x k22 > δε , alors V̇ (x(t)) < 0, implique que x(t) converge vers une boule centrée à
q
l’orogine de rayon δε .
q
L’objectif à présent est de minimiser le rayon δε . Ainsi, de (4.52) et des LMIs (4.44), δ est borné par
β . De (4.43), avec un complément de Schur, nous en déduisons que :
(1/β ) I < −Qi jk , i, j = 1, . . . , n, k = 1, . . . , 3nu (4.56)
impliquant que toutes les valeurs propres de (−Qi jk ) sont supérieures à 1/β . Par conséquent, 1/β < ε
est vraie et finalement le rayon est borné par β .
Remarque 8. Afin d’améliorer le résultat du théorème (8), les conditions de relaxation présentées dans
(Tuan et al. [2001]) peuvent être appliquées car les sommes sur i et j sont pondérées par les mêmes
fonctions d’activation. D’après (Tuan et al. [2001] et (4.43)), le problème d’optimisation relaxé devient :
min β (4.57)
P, R j , Σk

sous les contraintes

  

 Qiik I
 < 0, i = 1, . . . , n; k = 1, . . . , 3nu
I −β I

 2 2n (4.58)

 Qiik + Q i jk + Q jik I n−1

 n−1 < 0, i 6= j = 1, . . . , n; k = 1, . . . , 3nu
∗ −β I n−1
2n

Remarque 9. Les résultats précédents sont basés sur le lemme 5 du "Carré Matriciel", ce qui conduit à
l’apparition du terme δ (ΓTk BTi Σk Bi Γk ) et de ce fait, la convergence vers une boule centrée à l’origine de
rayon inférieur à β .
Afin de réduire le conservatisme induit par le lemme 5 du "Carré matriciel" (les termes Σk et Σ−1 k ) une
solution consisterait à considérer le changement de variable suivant x = x + τi jk dans l’équation (4.48),
avec τi jk = −(ΞTijk + Ξi jk )−1 P−1 Bi Γk et Ξi jk = Ai − Bi Λk K j . L’équation (4.48) devient alors :
n n 3nu
V̇ (x(t)) = ∑ ∑ ∑ hi (ξ (t))h j (ξ (t))µk (t)(xT (t)(ΞTijk + Ξi jk )x(t) − ΓTk BTi P−1 (ΞTijk + Ξi jk )−1 P−1 Bi Γk )
i=1 j=1 k=1
(4.59)
Pour chaque
r triplet (i, j, k), il apparaît dans l’expression de V̇ (x(t)) une boule de centre τi jk et de rayon
ΓTk BTi P−1 (ΞTijk +Ξi jk )−1 P−1 Bi Γk
ri jk = λmax (ΞTijk +Ξi jk )
. Ainsi, d’après la théorie de Lyapunov, si les conditions ΞTijk + Ξi jk < 0
sont vraies (pour i, j = 1, . . . , n et k = 1, . . . , 3nu ), le vecteur d’état converge vers la boule qui englobe
toutes les boules de caractéristiques {τi jk , ri jk }.

Exemple applicatif
Afin d’illustrer l’approche proposée, nous considérons l’exemple d’un chariot-pendule représenté par
la figure 4.1.
Sur ce schéma apparaissent les grandeurs physiques dont le sens est donné dans le tableau 4.2.
68 Chapitre 4. Commande sous contrainte de saturation

Figure 4.1 – Schéma de l’ensemble chariot-pendule

z(t) Position horizontale du chariot (en m)

θ (t) Position angulaire du pendule (en rad)
F(t) Force d’entraînement transmise par la courroie et due au moteur (en N)
M Masse du chariot = 5 kg
m Masse du pendule = 1 kg
g Accélération de la pesanteur = 9, 81ms−2
l Longueur du pendule = 0,1 m
I Moment d’inertie du pendule par rapport au centre de masse (510kgm2 )
f Coefficient de frottement visqueux entre le chariot et le rail et s’opposant à l’action F(t)
( f = 100N/m/s)
ks Coefficient de frottement sec du chariot (ks = 0.001N/m/s)
k Coefficient de frottement visqueux du pendule sur son axe (k = 0.045N/rad/s)

Tableau 4.2 – Paramètres de l’ensemble chariot-pendule

Sous certaines hypothèses, le comportement dynamique de ce système non linéaire est décrit par les
équations suivantes :

 (m + M)z̈(t) + f ż(t) + ks z(t) − ml θ̈ (t)cos(θ (t)) + ml θ̇ 2 (t)sin(θ (t)) = F(t)
(4.60)

−ml z̈(t)cos(θ (t)) + (ml 2 + I)θ̈ (t) + kθ̇ (t) + mglsin(θ (t)) = 0
Afin d’alléger le volume de calculs, nous ne considérons dans ce qui suit que le cas des petits angles. Le
modèle simplifié s’écrit alors :

(m + M)z̈(t) + ks z(t) + f ż(t) − ml θ̈ (t) + ml θ̇ 2 (t)θ (t) = F(t)
(4.61)
−ml z̈(t) + (ml 2 + I)θ̈ (t) + kθ̇ (t) + mgl θ (t) = 0
Comme il sera montré ultérieurement, la saturation de la commande nominale a un effet déstabilisant
sur le système dynamique non linéaire. Afin de contrer cet effet, nous proposons d’appliquer l’approche
4.5. Commande saturée par retour d’état de systèmes non linéaires 69

proposée dans cette section, qui consiste en un premier temps à modéliser le système non linéaire sous
forme d’un modèle T-S, puis à prendre en compte la saturation dans la synthèse de commande en la
représentant également sous forme T-S. Finalement, les gains de retour d’état seront calculés à partir des
conditions relaxées du théorème 8 sachant que la commande est saturée par 0 ≤ F(t) ≤ 3.

Passage du système non linéaire à sa représentation T-S

Considérons le vecteur d’état x(t) et l’entrée de commande u(t) définis par :
x(t) = ( z(t) ż(t) θ (t) θ̇ (t) )T , u(t) = F(t) (4.62)
De (4.61) et (4.62), on en déduit les équations suivantes :


 ẋ1 (t) = x2 (t)

 (ml 2 + I)ẋ4 (t) + kx4 (t) + mglx3 (t)


 ẋ2 (t) =
ml
ẋ3 (t) = x4 (t) (4.63)



 − m+M 2

 ml kx4 (t) − ((m + M)g + mlx4 (t))x3 (t) − ks x1 (t) − f x2 (t) + u(t)
 ẋ4 (t) = m+M 2
ml (ml + I) − ml
La factorisation de x permet de déduire la forme quasi-LPV suivante :
ẋ(t) = A(x(t))x(t) + Bu(t) (4.64)
avec :    
0 1 0 0 0
 a1 a2 a3 (t) a4   b1 
A(x(t)) =  0 0
, B=  (4.65)
0 1   0 
a5 a6 a7 (t) a8 b2
et où les paramètres ai et bi sont définis par :
1 b1 ml
b1 = (ml)2
b2 = 2 a1 = −ks b1 a2 = − f b1 a3 (t) = −b1 ml(g + x42 (t))
(m + M) ml 2 +I ml + I
b1 mlk a1 ml a2 ml a3 (t)ml a4 ml − k
a4 = − 2 a5 = 2 a6 = 2 a7 (t) = 2
− g a8 =
ml + I ml + I ml + I ml + I ml 2 + I
(4.66)
L’examen de (4.65) et (4.66) suggère de choisir la non-linéarité z(t) = x42 (t) comme variable de prémisse.
Du fait des limitations d’angle et de vitesse, z(t) est bornée et la transformation polytopique convexe est
appliquée, ce qui permet d’avoir :
z(t) = h1 (t)z1 + h2 (t)z2 (4.67)
avec 
 z1 = max z(t)



 z = min z(t)
 2
z(t) − z2
h1 (t) = (4.68)

 z1 − z2

 z1 − z(t)

 h2 (t) =
z1 − z2
où h1 (t) et h2 (t) représentent les fonctions d’activation du modèle T-S défini par l’équation :
2
ẋ(t) = ∑ hi (t)(Ai x(t) + Bu(t)) (4.69)
i=1
Les matrices Ai (i = 1, 2) sont obtenues en remplaçant a3 (t) respectivement par (−b1 ml(g + z1 )) et
(−b1 ml(g + z2 )) dans A(x(t)) (4.65).
70 Chapitre 4. Commande sous contrainte de saturation

Synthèse de la commande
Comme mentionné précédemment trois lois de commande sont synthétisées et traitées. La première
utilise un retour d’état et est appliquée dans le cas nominal (sans saturation), la deuxième utilise le
même correcteur nominal mais est saturée, la troisième utilise également un retour d’état mais prend en
compte la saturation lors de la synthèse de la loi de commande sachant que les niveaux de saturation
correspondent à umin = 0 et umax = 3 (méthode T-S proposée). Les lois de commande considérées sont
ainsi données par :
2
uN (t) = − ∑ hi (t)Ki,N x(t)
i=1
uNsat (t) = sat(uN (t)) (4.70)
2
uT S (t) = − ∑ hi (t)Ki,T S x(t)
i=1
Le calcul de la commande nominale uN (t) est basée sur le développement donné dans la section 2.7.1.
Quant à celui de uT S (t), il est donné par le théorème 8 avec les conditions relaxées de la remarque 8, les
gains suivants ont été obtenus :

K1,N = ( 11.53 −79.84 14.34 6.48 ), K2,N = ( 9.95 −82.17 11.78 5.51 ) (4.71)

K1,T S = ( 0.43 2.14 1.17 0.05 ), K2,T S = ( 0.37 −9.19 −0.10 0.53 ) (4.72)
Les commandes nominale, nominale saturée et T-S sont ainsi représentées par la figure 4.2.
Pour la condition initiale x0 = ( 0 0 15π /180 0 )T , la figure 4.3 représente l’évolution au cours du

un
12
u
TS
uTS
10

6
Force (N)

−2

−4

−6

0 0.5 1 1.5 2 2.5 3

temps (s)

Figure 4.2 – Commandes nominale, nominale saturée et T-S

temps de :
– xN , l’état obtenu en appliquant la commande nominale (sans saturation), i.e.
2
ẋN (t) = ∑ hi (t)(Ai xN (t) + BuN (t))
i=1

– xN,sat , l’état pour la commande nominale saturée (saturation subie), i.e.

2
ẋN,sat (t) = ∑ hi (t)(Ai xN,sat (t) + BuN,sat (t))
i=1

t.q. uN,sat (t) = sat(uN (t)).

4.5. Commande saturée par retour d’état de systèmes non linéaires 71

– et xsat,T S l’état pour l’approche T-S proposée, i.e.

2
ẋsat,T S (t) = ∑ hi (t)(Ai xsat,T S (t) + BuT S (t))
i=1

2
avec uT S (t) = − ∑ hi (t)Ki,T S xsat,T S (t).
i=1

0.2 0.4
x x
1n 2n
x1nsat 0.35 x2nsat
x1satTS x2satTS

Vitesse chariot (m/s)

Position chariot (m)

0.15 0.3

0.25

0.1 0.2

0.15

0.05 0.1

0.05

0 0

−0.05

−0.05 −0.1
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
temps (s) temps (s)

0.3 2
x3n x4n
x x
3nsat 4nsat
Vitesse pendule (rad/s)

0.2
Position pendule (rad)

x3satTS 1 x4satTS

0.1
0

0
−1
−0.1

−2
−0.2

−3
−0.3

−0.4 −4
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
temps (s) temps (s)

Figure 4.3 – Etats du système avec commande par retour d’état

L’examen de la figure obtenue montre bien la non convergence vers zéro de l’état. Il apparaît clairement
que l’approche T-S proposée assure la convergence de l’état vers une boule centrée à l’origine.

4.5.4 Commande de systèmes non linéaires incertains saturés

En pratique, il existe plusieurs sources d’incertitudes affectant les systèmes physiques et donc leurs
modèles. Un cas d’étude intéressant consiste à prendre en compte simultanément l’incertitude des sys-
tèmes non linéaires et la saturation de la commande. En effet, dans ce cas, la représentation utilisée
par modèles T-S présente l’intérêt d’apporter une écriture uniforme et commune des non-linéarités du
modèle du système et de celles affectant les entrées (saturation de commande), ce qui permet de facile-
ment transposer les techniques de commande robuste utilisées pour l’étude des systèmes linéaires aux
systèmes non linéaires incertains.
72 Chapitre 4. Commande sous contrainte de saturation

Restructuration du modèle
La solution proposée est donc d’exprimer la saturation de la commande sous forme de modèle T-S
et d’utiliser cette écriture pour la synthèse d’une loi de commande par retour d’état robuste pour les
systèmes non linéaires incertains sous forme de modèles T-S. Considérons le système T-S non linéaire
incertain avec entrée saturée suivant :
n
ẋ(t) = ∑ µi (ξ (t))((Ai + ∆A(t))x(t) + (Bi + ∆B(t))usat (t)) (4.73)
i=1

où les incertitudes affectant les matrices d’état sont communes à tous les sous-systèmes et sont structurées
sous la forme :
∆A(t) = AΣA (t)EA (4.74)
∆B(t) = BΣB (t)EB (4.75)
les variations ΣA (t) et ΣB (t) étant inconnues mais bornées :

ΣTA (t)ΣA (t) ≤ I, ∀t (4.76)

ΣTB (t)ΣB (t) ≤ I, ∀t (4.77)

La matrice identité I ainsi que les matrices connues A, B, EA et EB sont de dimensions appropriées. A
partir de la définition (4.10) de la saturation, le système non linéaire incertain (4.73) se ré-écrit sous la
forme : n
n 3 u

ẋ(t) = ∑ ∑ µi (ξ (t))µksat (t)((Ai + ∆A(t))x(t) + (Bi + ∆B(t))(Λk u(t) + Γk )) (4.78)

i=1 k=1

Synthèse de la commande
Comme énoncé précédemment, l’objectif à présent est la synthèse d’une commande par retour d’état
(4.79) pour stabiliser le système T-S non linéaire incertain en présence de saturation de commande (4.73).
La commande est choisie sous la forme suivante :
n
u(t) = − ∑ µ j (ξ (t))K j x(t) (4.79)
j=1

où les gains K j ∈ Rnu ×nx sont à déterminer.

En remplaçant (4.79) dans (4.78), on obtient :
n n 3nu
ẋ(t) = ∑ ∑ ∑ µi (ξ (t))µ j (ξ (t))µksat (t)((Ai −Bi Λk K j )x(t)+(∆A(t)−∆B(t)Λk K j )x(t)+BiΓk +∆B(t)Γk )
i=1 j=1 k=1
(4.80)
Les gains K j du contrôleur sont donnés par le théorème suivant.

Théorème 9. Il existe un contrôleur par retour d’état (4.79) pour un système T-S non linéaire incertain
en présence de saturation de commande (4.73) assurant la convergence de l’état du système vers une
boule centrée à l’origine dont le rayon est borné par β , s’il existe des matrices P = PT > 0, R j , Σk =
ΣTk > 0 et des scalaires positifs σk , ω1 , ω2k solutions du problème d’optimisation :

min β (4.81)
P,R j ,Σk ,σk ,ω1 ,ω2k
4.5. Commande saturée par retour d’état de systèmes non linéaires 73

sous les contraintes  

Qi jk I
<0 (4.82)
I −β I
ΓTk BTi Σk Bi Γk + σk ΓTk EBT EB Γk < β (4.83)
où les matrices Qi jk sont définies de la façon suivante :
 
Q1i jk I B PEAT RTj ΛTk EBT
 ∗ −Σk 0 0 0 
 
Qi jk = 
 ∗ ∗ − σk I 0 0 
 (4.84)
 ∗ ∗ ∗ − ω1 I 0 
∗ ∗ ∗ ∗ −ω2k I

Q1i jk = PATi + Ai P − RTj ΛTk BTi − Bi Λk R j + ω1 AAT + ω2k BBT (4.85)

pour i = 1, . . . , n, j = 1, . . . , n et k = 1, . . . , 3nu .
Les gains du contrôleur sont alors donnés par

K j = R j P−1 (4.86)

Démonstration. On considère la même fonction de Lyapunov que celle donnée en (4.47). Sa dérivée par
rapport au temps s’explicite :

n n 3nu
V̇ (x(t)) = ∑ ∑ ∑ µi (ξ )µ j (ξ )µksat (t) S(xT (t)P−1Bi Γk + xT (t)P−1 ∆B(t)Γk )
i=1 j=1 k=1

+ xT (t)(P−1 (Ai − Bi Λk K j ) + P−1 (∆A(t) − ∆B(t)Λk K j ))x(t)) (4.87)

A partir du Lemme 1, pour Σk = ΣTk > 0, on utilise la majoration :

S(ΓTk BTi P−1 x(t)) ≤ ΓTk BTi Σk Bi Γk + xT (t)P−1 Σ−1 −1

k P x(t) (4.88)

A partir du lemme 7, de la définition (4.75) et de la contrainte (4.77), pour un scalaire positif σk , on

utilise la majoration :

S(xT (t)P−1 ∆B(t)Γk ) ≤ σk ΓTk EBT EB Γk + σk−1 xT (t)P−1 BBT P−1 x(t) (4.89)

En considérant les majorations (4.88) et (4.89), la dérivée de la fonction de Lyapunov (4.87) est elle-
même majorée sous la forme :
n n 3nu
V̇ (x(t)) ≤ ∑ ∑ ∑ µi (ξ )µ j (ξ )µksat (t) (ΓTk BTi Σk Bi Γk + σk ΓTk EBT EB Γk + xT (t)Qi jk x(t)) (4.90)
i=1 j=1 k=1

avec

Qi jk = S(P−1 (Ai − Bi Λk K j ) + P−1 (∆A(t) − ∆B(t)Λk K j )) + σk−1 P−1 BBT P−1 + P−1 Σ−1
k P
−1
(4.91)

Afin d’étudier le signe de V̇ (x(t)) (4.90), définissons :

ε= min λmin (−Qi jk ) (4.92)

i=1:n, j=1:n,k=1:3nu

δ= max ΓTk BTi Σk Bi Γk + σk ΓTk EBT EB Γk (4.93)

i=1:n,k=1:3nu
74 Chapitre 4. Commande sous contrainte de saturation

De (4.90), nous déduisons que V̇ (x(t)) < −ε k x(t) k2 +δ . Ceci conduit à V̇ (x(t)) < 0 si

 Qi jk < 0
et (4.94)

k x(t) k2 > δε

Cela implique, suivant la théorie de stabilité de Lyapunov

q (Zhang et al. [2009]), que x(t) est borné et
δ
converge vers la boule centrée à l’origine de rayon ε .
En appliquant le principe de congruence (lemme 6) et les changements de variables :

R j = K jP (4.95)

et compte tenu de la définition (4.91), l’inégalité Qi jk < 0 devient :

S(Ai P − Bi Λk R j + ∆A(t)P − ∆B(t)Λk R j ) + σk−1 BBT + Σ−1

k <0 (4.96)

Des relations (4.74-4.76), en appliquant le lemme 7, nous déduisons :

S(∆A(t)P) ≤ ω1−1 PEAT EA P + ω1 AAT (4.97)

ainsi que :
S(−∆B(t)Λk R j ) ≤ ω2k R j Λk EB EB Λk R j + ω2k BBT
−1 T T T
(4.98)
où ω1 et ω2k sont des scalaires positifs.
En utilisant (4.97) et (4.98), (4.96) est satisfaite si :

k + σk BB + ω1 PEA EA P + ω1 AA + ω2k R j Λk EB EB Λk R j + ω2k BB < 0

S(Ai P − Bi Λk R j ) + Σ−1 −1 T −1 T T −1 T T T T

(4.99)
A partir du complément de Schur appliqué à (4.99), l’inégalité Qi jk < 0 avec Qi jk définie en (4.91) est
impliquée par la LMI Qi jk < 0 avec Qi jk donnée par (4.84).
La condition Qi jk < 0, avec Qi jk donnée par (4.84), assure la convergence
q de l’état du système non
δ
linéaire incertain saturé (4.73) vers la boule centrée en zéro de rayon ε.
Comme pour les cas précé-
q
dents, l’objectif est à présent d’optimiser le résultat obtenu en minimisant le rayon de la boule δε .
q
Comme montré dans la démonstration du théorème 8, le rayon δε est majoré par β si les conditions
(4.82) et (4.83) sont satisfaites, ce qui achève la démonstration.

4.5.5 Commande de systèmes non linéaires incertains saturés, approche descripteur

Dans cette section, on utilise l’approche descripteur pour représenter le système en boucle fermée.
Cette représentation appliquée à la synthèse de la commande consiste à introduire une dynamique vir-
tuelle sur l’entrée et se base sur une ré-écriture matricielle du modèle descripteur conduisant à une ex-
pression de la dérivée de la fonction candidate de Lyapunov facile à analyser. Cette approche permet non
seulement de réduire le nombre de LMIs à résoudre, mais également de supprimer certains couplages
entre les gains de retour d’état et les éléments de la matrice de Lyapunov sources de conservatisme
(Lin et al. [1999], Taniguchi et al. [2001] et Guelton et al. [2009]).

La dynamique virtuelle de la commande déduite de (4.79) est la suivante :

n
0.u̇(t) = − ∑ µ j (ξ (t))Ki x(t) − u(t) (4.100)
i=1
4.5. Commande saturée par retour d’état de systèmes non linéaires 75

T
Considérons le vecteur d’état augmenté xaT (t) = xT (t) uT (t) , le regroupement des équations (4.80)
et (4.112) conduit à la forme descripteur :

n 3nu
E ẋa (t) = ∑ ∑ µi (ξ (t))µksat (t) [Aik (t)xa (t) + Bik (t)] (4.101)
i=1 k=1

avec :
E = diag(I, 0) (4.102)
 
Ai + ∆A(t) Bi Λk + ∆B(t)Λk
Aik (t) = (4.103)
−Ki −I

Bik (t) = Bik1 + Bik2 (t) (4.104)

   
1 B i Γk 2 ∆B(t)Γk
Bik = , Bik (t) = (4.105)
0 0

Théorème 10. Il existe un contrôleur par retour d’état (4.79) pour un système T-S non linéaire incertain,
en présence de saturation de commande (4.73), assurant la convergence de l’état du système vers une
boule centrée à l’origine dont le rayon est borné par β , s’il existe des matrices P1 = P1T > 0, P4 >
0, Ri , Σ1k = (Σ1k )T > 0 et des scalaires positifs σk2 , ω1 , ω2 solutions du problème d’optimisation :

min β (4.106)
P1 ,P4 ,Ri ,Σ1k ,σk2 ,ω1 ,ω2

sous les contraintes  

Ξik I
<0 (4.107)
I −β I

ΓTk Σ1k Γk + σk2 ΓTk EBT EB Γk < β (4.108)

avec Ξik définie par :
 
Ξ1ik −Ri + P1 Bi Λk P1 A P1 B P1 B P1 B

 ∗ Ξ2ik 0 0 0 0 

 ∗ ∗ − ω1 I 0 0 0 
Ξik =   (4.109)

 ∗ ∗ ∗ −σk2 I 0 0 

 ∗ ∗ ∗ ∗ −Σ1k 0 
∗ ∗ ∗ ∗ ∗ − ω2 I

Ξ1ik = ATi P1 + P1 Ai + ω1 EAT EA (4.110)

Ξ2ik = −P4 − P4T + ω2 ΛTk EBT EB Λk (4.111)

pour i = 1, . . . , n et k = 1, . . . , 3nu .
Les gains K j du contrôleur (4.112) sont donnés par :

Ki = P4−1 Ri (4.112)

Démonstration. Considérons la fonction de Lyapunov :

V (xa (t)) = xaT (t)E T Pxa (t) (4.113)

76 Chapitre 4. Commande sous contrainte de saturation

avec la condition de symétrie : E T P = PT E ≥ 0.  

P1 P2
Cette condition, compte tenu de la structure de la matrice E (4.102) et avec P = se traduit
P3 P4
par :    
P1T 0 P1 P2
= ≥0 (4.114)
P2T 0 0 0
De ce fait, la forme de la matrice de Lyapunov (4.113) est donnée par P1 = P1T > 0, P2 = 0, P3 et
P4 étant des matrices de décision libres de choix. Nous choisissons ainsi P matrice bloc diagonale
P = diag(P1 , P4 ), avec P1 = P1T > 0.
Compte tenu de (4.101) et (4.113), la dérivée de V (xa (t)) par rapport au temps est donnée par l’expres-
sion suivante :
n 3nu
V̇ (xa (t)) = ∑ ∑ µi (ξ (t))µksat (t)S(BikT (t)Pxa (t) + xaT (t)ATik (t)Pxa (t))) (4.115)
i=1 k=1

où les matrices Aik (t) et Bik (t) sont définies en (4.103) et (4.104).
Pour étudier le signe de V̇ (xa (t)), il convient de s’affranchir des variations temporelles inconnues mais
bornées des matrices Aik (t) et Bik (t). Pour cela, à partir de l’équation (4.104), nous avons :
S((BikT (t)Pxa (t)) = S((Bik1 )T Pxa (t) + (Bik2 )T (t)Pxa (t)) (4.116)
Des lemmes 5 et 7, compte tenu des définitions (4.105) et de la structure de la matrice P, avec Σ1k matrice
symétrique positive et σk2 scalaire positif, on déduit les majorations :
S((Bik1 )T Pxa (t)) ≤ ΓTk Σ1k Γk + xT (t)P1 Bi (Σ1k )−1 BTi P1 x(t) (4.117)
S((Bik2 )T (t)Pxa (t)) ≤ σk2 ΓTk EBT EB Γk + (σk2 )−1 xT (t)P1 BBT P1 x(t) (4.118)
A partir de la définition des matrices Aik (t) en (4.103), la forme décomposée du terme ATik (t)P +
PT Aik (t) est donnée par :
 
S(P1 Ai + P1 ∆A(t)) −KiT P4 + P1 Bi Λk + P1 ∆B(t)Λk
S(PAik (t)) = (4.119)
∗ −P4 + P4T
Pour majorer les termes variants dans le temps, du lemme 7, nous déduisons pour des scalaires positifs
ω1 et ω2 que :
S(xT (t)P1 ∆A(t)x(t)) ≤ ω1 xT (t)EAT EA x(t) + ω1−1 xT (t)P1 AAT P1 x(t) (4.120)
S(xT (t)P1 ∆B(t)Λk u(t)) ≤ ω2−1 xT (t)P1 BBT P1 x(t) + ω2 uT (t)ΛTk EBT EB Λk u(t) (4.121)
En utilisant les majorations (4.117-4.118) et (4.120-4.121), la dérivée de la fonction de Lyapunov (4.115)
est elle même bornée par :
n 3nu
V̇ (xa (t)) ≤ ∑ ∑ µi (ξ (t))µksat (t)(xaT (t)Mik xa (t) + ΓTk Σ1k Γk + σk2 ΓTk EBT EB Γk ) (4.122)
i=1 k=1
avec  
M1ik −KiT P4 + P1 Bi Λk
Mik = (4.123)
∗ −P4 − P4T + ω2 ΛTk EBT EB Λk
M1ik = S(P1 Ai )+ ω1 EAT EA + ω1−1 P1 AAT P1 +(σk2 )−1 P1 BBT P1 +P1 B(Σ1k )−1 BT P1 + ω2−1 P1 BBT P1 (4.124)
En appliquant le complément de Schur à (4.123), la condition de stabilité V̇ (xa (t)) < 0 est vraie si Ξik < 0
et k x(t) k2 > δε . La matrice Ξik étant donnée par (4.109). La minimisation du majorant du rayon de la
boule de convergence β résulte du raisonnement utilisé dans les cas précédents.
4.5. Commande saturée par retour d’état de systèmes non linéaires 77

Exemple numérique
Afin d’illustrer l’approche proposée, nous considérons un exemple académique de faible dimension.
Soit le système T-S incertain, soumis à des saturations d’actionneurs, avec deux entrées et deux états
mesurables :    
−1 1 −0.80 0.02
A1 = , A2 =
 0 −0.75   0.20 −1.40

0.1 1 0.2 1
A = , EA =
 1 0.1   1 0.5  (4.125)
2 2 0.75 0
B1 = , B2 =
 2 2   −0.5 0.75
0 0.1 0.1 0.1
B = , EB =
0.1 0 0.1 0.1
Les incertitudes ΣA (t) = ΣB (t) = σ (t)I sont représentées au cours du temps par la figure 4.4.
Le vecteur d’entrées est soumis aux saturations d’actionneurs avec les caractéristiques u1max = u2max = 2,

0.8

0.6

0.4

0.2

0
0 5 10 15

Figure 4.4 – Incertitudes σ (t)

u1min = u2min = −2.

Les fonctions d’activation sont définies comme suit :

 1 − tanh(x1 (t) + x2 (t))
µ1 (x(t)) = (4.126)
 µ (x(t)) = 1 − µ (x(t)) 2
2 1

Afin d’illustrer l’efficacité de l’approche proposée ainsi que l’effet de la saturation sur l’état du système,
un contrôleur nominal est tout d’abord synthétisé sans tenir compte de la saturation de commande. Puis,
une comparaison est établie entre la réponse en boucle fermée du système avec correcteur nominal sans
saturation, celle du système en boucle fermée avec le correcteur nominal saturé, et finalement celle
obtenue avec l’approche T-S proposée où le gain du contrôleur dépend des bornes de saturation.
Pour l’exemple numérique considéré, les gains nominaux sont calculés de la manière présentée dans la
section 2.7.1 du chapitre 2.
   
1.10 1.11 1.64 1.64
Kn1 = , Kn2 = (4.127)
0.93 0.94 1.39 1.39

Les gains K1 , K2 calculés grâce au théorème 9 sont les suivants :

   
9.73 8.97 9.73 8.97
K1 = , K2 = (4.128)
11.52 10.72 11.52 10.72
78 Chapitre 4. Commande sous contrainte de saturation

1
x1
x
1sat
0.5 x1TS
x1TSD

−0.5
0 1 2 3 4 5 6 7 8 9 10

2
x
2
1.5 x
2sat
x2TS
1
x2TSD

0.5

−0.5
0 1 2 3 4 5 6 7 8 9 10

Figure 4.5 – Etats du système incertain

Et finalement, les gains obtenus avec l’approche descripteur (10) sont :

   
0.28 0.02 0.58 0.36
K1d = , K2d = (4.129)
0.062 0.42 0.37 0.61

Les figures 4.5 et 4.6 représentent les états du système ainsi que les entrées pour le cas nominal sans
saturation (respectivement notés x1 , x2 , u1 et u2 ), ceux du cas nominal avec saturation subie (respective-
ment notés x1sat , x2sat , u1sat et u2sat ), ceux de l’approche T-S proposée en section 4.5.4 (respectivement
notés x1T S , x2T S , u1T S et u2T S ) et finalement ceux de la saturation T-S avec approche descripteur (respec-
tivement notés x1T SD , x2T SD , u1T SD et u2T SD ).

A partir des figures obtenues, on peut observer que la saturation de commande a un effet déstabilisant
sur l’état du système si cette dernière n’est pas prise en considération dans la synthèse de la commande.
En revanche, avec l’approche proposée, la convergence de l’état vers une boule centrée à l’origine est
assuré malgré la présence d’incertitudes.
Concernant l’approche descripteur énoncée dans le théorème 10, le nombre de conditions à résoudre est
(n × 3nu = 18), qui est moindre que le nombre de LMIs du théorème 9 (n2 × 3nu = 36). On note également
que la réponse obtenue est légèrement meilleure. Le temps de descente est quasiment le même (2s), mais
le rayon de la boule centrée à l’origine est égal à 4.20 pour la première approche et à 3.24 pour la seconde
(approche descripteur).
4.6. Commande par retour de sortie 79

1
u1
0 u1sat
−1 u1TS
u1TD
−2

−3

−4

−5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

0
u2
−1 u
2sat
u2TS
−2
u
2TSD
−3

−4

−5
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Figure 4.6 – Entrées de commande

4.6 Commande par retour de sortie

Les méthodes de synthèse auxquelles nous nous sommes intéressés jusqu’à présent permettent de
générer un retour d’état (statique pour le cas linéaire et de type PDC pour le cas non linéaire). Des
conditions de stabilisation et de recalage à l’origine des états du système ont été établies. Cependant,
ces résultats ne sont valables que dans le cas où les états du système sont mesurables. Une solution pour
contrer cette restriction consiste en l’ajout d’un observateur permettant l’estimation du vecteur d’état sur
la base des mesures des signaux d’entrée et de sortie. Une autre solution est de considérer une commande
par retour de sortie comme cela est proposé dans différents travaux. Un contrôleur dynamique permet
notamment d’améliorer les performances en boucle fermée d’un système dynamique et a souvent été uti-
lisé dans le cadre de la commande robuste (Li et al. [2000], Yoneyama et al. [2001], Yoneyama [2006]).
Le contrôleur statique quant à lui s’avère particulièrement intéressant dans le cadre d’applications né-
cessitant un faible coût de calcul puisque, contrairement aux lois de commande à base d’observateurs
ou par retour de sortie dynamique, sa conception ne nécessite pas la résolution d’équations différen-
tielles en ligne (Chadli et al. [2002], Huang et Nguang [2006]). Notons cependant que ce type de lois de
commande par retour de sortie fait apparaître de nombreux termes croisés (couplage entrées-sorties) et
conduit donc à des conditions de stabilisation LMI assez conservatives (Bouarar [2009]).
Comme citée dans la section précédente, l’approche descripteur présente l’intérêt de non seulement ré-
duire le nombre de LMIs à résoudre, mais également d’éliminer certains couplages entre les gains de
retour d’état et les matrices de Lyapunov, ces couplages pouvant constituer des sources importantes de
conservatisme (Tanaka et al. [2007] et Guelton et al. [2009]). Dans la suite du chapitre, nous proposons
la formulation de conditions de stabilisation et de recalage à l’origine de systèmes non linéaires, sous
forme de modèles T-S, soumis à des saturations de commande, par retour de sortie et basées sur l’ap-
80 Chapitre 4. Commande sous contrainte de saturation

proche descripteur.

4.6.1 Commande par retour de sortie statique

Cette section est dédiée à la synthèse de commande par retour de sortie statique avec l’approche
descripteur, l’objectif étant de synthétiser une loi de commande fonction des niveaux de saturation des
actionneurs.
Soit le système non linéaire T-S sous contrainte de saturation
 n



 ẋ(t) = ∑ µ j (ξ (t))(A j x(t) + B j usat (t))
j=1
n (4.130)


 y(t) =
 ∑ µ j (ξ (t))(C j x(t) + D j usat (t))
j=1

A partir du résultat donné par (4.10) explicitant la commande saturée usat (t), le système (4.130) s’écrit
comme : 
 3nu n



 ẋ(t) = ∑ ∑ µisat (t)µ j (ξ (t))(A j x(t) + B j (Λi u(t) + Γi ))
i=1 j=1
3nu n (4.131)

 y(t) = ∑ ∑ µi (t)µ j (ξ (t))(C j x(t) + D j (Λi u(t) + Γi ))

 sat

i=1 j=1

où la commande par retour de sortie statique est donnée par :

n
u(t) = ∑ µ j (ξ (t))K sjy(t) (4.132)
j=1

En se basant sur l’approche descripteur et en introduisant une dynamique virtuelle sur l’entrée et la sortie
du système, nous pouvons écrire :
 n



 0. u̇(t) = ∑ µ j (ξ (t))K j y(t) − u(t)
j=1
n (4.133)


 0.ẏ(t) =
 ∑ µ j (ξ (t))(C j x(t) + D j u(t)) − y(t)
j=1

Considérons le vecteur augmenté :

xa (t) = ( xT (t) uT (t) yT (t) )T (4.134)

Par simple agrégation de (4.130) et (4.133), le système saturé en boucle fermée s’écrit sous la forme
descripteur suivante :
3nu n
E ẋa (t) = ∑ ∑ µisat (t)µ j (ξ (t))(Asij xa (t) + Bisj )
s
(4.135)
i=1 j=1

avec    
A j B j Λi 0 B j Γi
E s = diag(Inx , 0nu +m ), Asij =  0 −Inu K sj  , Bisj =  0  (4.136)
C j D j Λi −Im D j Γi
Les gains du contrôleur assurant la stabilité du système (4.135) sont ainsi donnés par le théorème suivant.
4.6. Commande par retour de sortie 81

Théorème 11. Il existe un contrôleur par retour de sortie statique (4.132) pour le système non linéaire
saturé (4.130) tel que les états du système en boucle fermée convergent vers une boule centrée à l’origine
d’un rayon borné par βs , s’il existe des matrices P1s = (P1s )T > 0, P2s > 0, P31
s , Ps , Ps , Rs , Σ1s = (Σ1s )T > 0,
32 33 j ij ij
Σ3s
ij = (Σ 3s )T > 0, solutions du problème d’optimisation suivant (pour i = 1, . . . , 3nu et j = 1, . . . , n)
ij

min βs (4.137)
s , Ps , Ps , Rs , Σ1s , Σ3s
P1s , P2s , P31 32 33 j ij ij

sous les contraintes

 s1 
Qi j Qs12
ij
s − PsT
CTj P33 31 P1s sT
P31 Inx 0 0
 ∗ Qs2 Rsj + Λi DTj P33
s − PsT 0 sT
P32 0 Inu 0 
 ij 32 
 ∗ ∗ s − (Ps )T
−P33 0 sT
P33 0 0 Im 
 33 
 1s 
 ∗ ∗ ∗ −Σi j 0 0 0 0 
 <0 (4.138)
 ∗ ∗ ∗ ∗ −Σ3s
ij 0 0 0 
 
 ∗
 ∗ ∗ ∗ ∗ −βs Inx 0 0 

 ∗ ∗ ∗ ∗ ∗ ∗ −βs Inu 0 
∗ ∗ ∗ ∗ ∗ ∗ ∗ −βs Im

i j D j Γi + Γi B j Σi j B j Γi < βs
ΓTi DTj Σ3s T T 1s
(4.139)
avec
Qs1
ij
s )
= S(P1s A j +CTj P31
s12 s T s sT D ΛT
Qi j = P1 B j Λi +C j P32 + P31 j i (4.140)
Qs2 = S(−P s + PsT D Λ )
ij 2 32 j i

Les gains du contrôleur sont obtenus par K sj = ((P2s )T )−1 Rsj , j = 1, . . . , n.

Démonstration. Considérons la fonction de Lyapunov quadratique suivante :

V (xa (t)) = xaT (t)(E s )T Ps xa (t) (4.141)

sous les conditions

(E s )T Ps = (Ps )T E s ≥ 0 (4.142)
Des définitions (4.136), pour respecter les contraintes (4.142), la matrice Ps est choisie sous la forme
(4.143), avec P1s = (P1s )T > 0 et P2s > 0
 s 
P1 0 0
Ps =  0 P2s 0 (4.143)
s s
P31 P32 P33s

A partir des équations (4.135), la dérivée par rapport au temps de la fonction de Lyapunov (4.141)
s’explicite :
3nu n
V̇ (xa (t)) = ∑ ∑ µisat (t))µ j (ξ (t))S(xaT (t)(Ps )T Bisj + xaT (t)(Asij )T Ps xa (t)) (4.144)
i=1 j=1

Du lemme 5, compte tenu des définitions (4.143) et (4.136), V̇ (xa (t)) est bornée par la quantité suivante :
3nu n
V̇ (xa (t)) ≤ ∑ ∑ µisat (t)µ j (ξ (t))(ΓTi BTj Σ1s
i j B j Γi + Γi D j Σi j D j Γi + xa (t)Qi j xa (t))
T T 3s T s
(4.145)
i=1 j=1
82 Chapitre 4. Commande sous contrainte de saturation

avec
−1 s 3s −1
Qsij = (Asij )T Ps + (Ps )T Asij + diag(P1s (Σ1s s s s T s s s
i j ) P1 , 0, 0) + ( P31 P32 P33 ) (Σi j ) ( P31 P32 P33 )
(4.146)
Notons :
εs = min
n
λmin (−Qsij ) (4.147)
i=1:3 u , j=1:n

δs = max (ΓTi BTj Σ1s

i j B j Γ i + Γ i D j Σ i j D j Γi )
T T 3s
(4.148)
i=1:3nu , j=1:n

Ainsi, de (4.145) avec la propriété de somme convexe (B.2), V̇ (xa (t)) < −ε s k xa k22 +δ s . Il en découle
que V̇ (xa (t)) < 0 pour
Qsij < 0 et k xa k22 > δε s
s
(4.149)
impliquant, selon la théorie de Lyapunov
q (Zhang et al. [2009]), que xa (t) est borné et converge vers une
boule centrée à l’origine de rayon δε s .
s

En appliquant la technique du complément de Schur à l’inégalité Qsij < 0 et avec le changement de

variables
Rsj = (P2s )T K sj (4.150)

il apparait que (4.138) implique V̇ (t) < 0 pour k xa k22 > δε s .

s

q
L’objectif à présent est de minimiser le rayon δε s . De la définition (4.148) et de la condition (4.139),
s

δ s est borné par βs . Nous pouvons également montrer que 1/ε s < βs . De (4.147), on déduit :

− Qsij > (1/βs ) I, i = 1, . . . , 3nu , j = 1, . . . , n (4.151)

Toutes les valeurs propres de (−Qsij ), incluant ε s , sont plus grandes que 1/βs . Ainsi, 1/ε s < βs et le
q
rayon δε s est borné par βs .
s

Remarque 10. Comme pour le retour d’état, la remarque 7 concernant la stabilité des sous-modèles est
également vraie pour le retour de sortie statique. Cependant, afin d’améliorer les résultats obtenus et de
relaxer cette contrainte de stabilité, un contrôleur par retour de sortie dynamique est proposé dans la
section suivante.

Remarque 11. L’approche classique par Lyapunov peut également être considérée pour la synthèse
du correcteur par retour de sortie statique. Cependant, en comparaison avec l’approche descripteur, le
nombre de contraintes à satisfaire est plus élevé et leur linéarisation sous forme de LMI plus délicate.
En effet, en considérant le système non linéaire T-S sous contrainte de saturation suivant :

 3nu n

 ẋ(t) = ∑ ∑ µi (t)µ j (ξ (t))(A j x(t) + B j (Λi u(t) + Γi ))

 sat
i=1 j=1
3nu n (4.152)

 y(t) = ∑ ∑ µi (t)µ j (ξ (t))C j x(t)

 sat

i=1 j=1

où la commande par retour de sortie statique est donnée par :

n
u(t) = ∑ µ j (ξ (t))K sjy(t) (4.153)
j=1
4.6. Commande par retour de sortie 83

avec la fonction de Lyapunov V (x(t)) = xT (t)Px(t), P = PT > 0. La dérivée de cette dernière est alors
bornée par la quantité :
3nu n n n
V̇ (x(t)) ≤ ∑ ∑ ∑ ∑ µisat (t)µ j (ξ (t)µk (ξ (t)µl (ξ (t))(ΓTi BTj Σ1sij B j Γi
i=1 j=1 k=1 l=1 (4.154)
+xT (t)(ATj P + PA j +ClT Kk Λi BTj P + PB j Λi KkCl + P(Σ1s −1
i j ) P)x(t))

Etant donné la triple somme, le nombre de contraintes LMI à satisfaire évolue en n3 avec le nombre de
sous modèles. De plus, les termes PB j Λi KkCl sont difficiles à linéariser sans introduire un conservatisme
important. La condition V̇ (t) < 0 est donc plus difficile à exploiter qu’avec l’approche descripteur où
V̇ (t) < 0 est bornée par la quantité (4.145), ce qui illustre bien l’avantage de l’approche adoptée.

4.6.2 Commande par retour de sortie dynamique

L’objectif est de synthétiser un contrôleur stabilisant par retour de sortie dynamique malgré la pré-
sence de contraintes de saturation sur la commande. Comme précédemment, la solution est obtenue en
représentant le système saturé sous forme T-S et en résolvant un problème d’optimisation sous contraintes
LMI.
Considérons le contrôleur par retour de sortie dynamique d’ordre nc défini par les équations suivantes :
 n



 ẋc (t) = ∑ µ j (ξ (t))(Acj xc (t) + Bcj y(t))
j=1
n (4.155)



 u(t) = ∑ µ j (ξ (t))(Ccjxc (t) + Dcj y(t))
j=1

Les matrices Acj ∈ Rnc ×nc , Bcj ∈ Rnc ×m , Ccj ∈ Rnu ×nc et Dcj ∈ Rnu ×m sont à déterminer. L’ordre nc du
contrôleur peut être adapté en fonction des objectifs de la commande et de la dynamique du système.
Considérons le vecteur d’état augmenté xa (t) :
xa (t) = ( xT (t) xcT (t) uT (t) yT (t) )T (4.156)
La concaténation des équations (4.130) et (4.155) conduit au système descripteur :
3nu n
E ẋa (t) = ∑ ∑ µisat (t)µ j (ξ (t))(Adij xa (t) + Bidj )
d
(4.157)
i=1 j=1

avec
   
A j 0 B j Λi 0 B j Γi
 0 Acj 0 Bcj   0 
E d = diag(Inx +nc , 0nu +m ), Adij = 
 0 Cc −Inu Dc 
 et Bidj = 
 0 
 (4.158)
j j
C j 0 D j Λi −Im D j Γi
La détermination des gains Acj , Bcj , Ccj et Dcj du correcteur (4.155) est détaillée dans le théorème suivant.
Théorème 12. Il existe un contrôleur par retour de sortie dynamique (4.155) pour le système non linéaire
saturé (4.130) tel que l’état du système en boucle fermée converge vers une boule centrée à l’origine dont
le rayon est borné par βd , s’il existe des matrices P11 d = (Pd )T > 0, Pd = (Pd )T > 0, Pd > 0, Pd , Pd ,
11 22 22 33 41 42
c c c c
d , Pd , A , B , C , D , Σ1d = (Σ1d )T > 0 et Σ2d = (Σ2d )T > 0, solutions du problème d’optimisation
P43 44 j j j j ij ij ij ij
suivant (pour i = 1, . . . , 3nu et j = 1, . . . , n)
min c c c c
βd (4.159)
d ,Pd ,Pd ,Pd ,Pd ,Pd ,Pd ,A ,B ,C ,D ,Σ1d ,Σ2d
P11 22 33 41 42 43 44 j j j j ij ij
84 Chapitre 4. Commande sous contrainte de saturation

sous les contraintes

 1 
Qi j CTj P42
d Q13
ij
d − (Pd )T
CTj P44 41
d
P11 d )T
(P41 I 0 0 0
 
 ∗ Acj + (Acj )T Q23
c d )T
B j − (P42 0 d )T
(P42 0 I 0 0 
 ij 
 
 ∗ ∗ Q3i j Q34
ij 0 d )T
(P43 0 0 I 0 
 
 d − (Pd )T d )T 
 ∗ ∗ ∗ −P44 44 0 (P44 0 0 0 I 
 
 ∗ ∗ ∗ ∗ −Σ1d
ij 0 0 0 0 0 
 < 0
 ∗ ∗ ∗ ∗ ∗ −Σ2d 0 0 0 0 
 ij 
 
 ∗ ∗ ∗ ∗ ∗ ∗ −βd I 0 0 0 
 
 
 ∗ ∗ ∗ ∗ ∗ ∗ ∗ −βd I 0 0 
 
 ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ −βd I 0 
 
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ −βd I
(4.160)
ΓTi BTj Σ1d
i j B j Γi + Γ i D j Σ i j D j Γi
T T 2d
< βd (4.161)

avec
Q1i j d + Pd A +CT Pd + (Pd )T C
= ATj P11 11 j j 41 41 j

Q13 d B Λ +CT Pd + (Pd )T D Λ

= P11
ij j i j 43 41 j i
c
d )T D Λ
Q23
ij = (C j )T + (P42 j i

Q3i j d − (Pd )T + (Pd )T D Λ + Λ DT Pd

= −P33 33 43 j i i j 43
c
d )T + Λ DT Pd
Q34
ij = D j − (P43 i j 44

Les matrices définissant le contrôleur (4.155) sont données par

( d )−1 A c d )−1 B c
Acj = (P22 j Bcj = (P22 j
d )−1 )T C c d −1 T c (4.162)
Ccj = ((P33 c
j D j = ((P33 ) ) D j

Démonstration. La démonstration est similaire à la preuve du théorème 11. La seule modification est
la structure de la fonction de Lyapunov adaptée au système descripteur (4.157)-(4.158). La fonction de
Lyapunov est :
V (xa (t)) = xaT (t)(E d )T Pd xa (t) (4.163)

avec E d définie comme en (4.158) et les conditions

(E d )T Pd = (Pd )T E d ≥ 0 (4.164)

Compte tenu de (4.164), la matrice Pd est choisie sous la forme :

d
 
P11 0 0 0
 0 Pd 0 0 
Pd = 
 0
22  (4.165)
0 P33 0 
d
d
P41 d
P42 d
P43 d
P44

d = (Pd )T > 0, Pd = (Pd )T > 0 et P > 0.

avec P11 11 22 22 33
La suite de la démonstration est identique à celle du théorème 11 et est donc omise.
4.6. Commande par retour de sortie 85

4.6.3 Exemple numérique

Considérons à nouveau l’exemple du chariot-pendule donné dans la section 4.5.3 et représenté par le
modèle T-S (4.69). Les deux contrôleurs statique et dynamique sont synthétisés, puis leurs performances
comparées. Nous supposons que seules les positions horizontales et angulaires sont mesurées, donc les
matrices de sortie sont données par :
   
1 0 0 0 0
C= ,D= (4.166)
0 0 1 0 0

La saturation de commande est définie par les limites umin = 0 et umax = 3.

En résolvant le problème d’optimisation LMI énoncé au théorème 11, les gains du contrôleur statique
sont donnés par :
K1s = ( −0.002 −10.86 )
(4.167)
K2s = ( −0.002 −11.13 )
Le théorème 12 permet d’obtenir les gains du contrôleur dynamique suivants :
   
−0.67 −0.13 −0.15 −0.15 −0.0194 −0.262
 −0.13 −0.80 −0.16 −0.16   −0.0194 −0.280 
Ac1 =   c 
 −0.15 −0.16 −0.75 −0.16  , B1 =  −0.0194 −0.274


 −0.15 −0.16 −0.16 −0.77   −0.0194 −0.279 
−0.77 −0.15 −0.18 −0.17 −0.0035 −0.283
    (4.168)
−0.15 −0.79 −0.17 −0.17  c  −0.0035 −0.240
Ac2 = 
 −0.17 −0.17 −0.73 −0.16  , B2 =  −0.0035 −0.236


−0.17 −0.17 −0.16 −0.74
−0.0035 −0.236


C1c = 0.41 −1.17 −0.10 −0.11
, Dc1 = −0.004 −0.25

C2c = 0.46 −1.18 −0.09 −0.08 , Dc2 = −0.004 −0.22

La condition initiale est x0 = ( 0 0 15π /180 0 )T . La figure 4.7 représente les variables suivantes :
– xN , les états du système avec commande nominale non saturée (même commande appliquée pour
le retour d’état de l’exemple précédent)
– xN,sat , les états du système avec commande nominale saturée (même commande appliquée pour le
retour d’état de l’exemple précédent)
– xsat,T Ss , les états du système pour l’approche T-S proposée avec le contrôleur statique
– xsat,T Sd , les états du système pour l’approche T-S proposée avec le contrôleur dynamique.
L’effet de la saturation est bien mis en évidence sur les figures obtenues. Il est clair qu’avec l’approche
T-S proposée, la convergence de l’état du système en boucle fermée vers une boule centrée à l’origine
est assurée. Il apparaît également que les résultats obtenus avec le contrôleur dynamique sont légèrement
meilleurs que ceux obtenus avec le contrôleur statique, puisque pour le premier état, la convergence est
assurée avec des amplitudes d’oscillations plus faibles.
Afin de comparer les deux contrôleurs, leurs diagrammes de phase respectifs des états x2 et x1 sont
tracés dans la figure 4.8 (rappelons que la valeur initiale de (x1 , x2 ) est (0, 0)). On remarque que pour le
cas dynamique, l’état converge vers une boule centrée à l’origine de rayon β d = 1.5 × 10−5 , quant à la
réponse pour le cas statique, le rayon calculé est β s = 4.9 × 10−3 , valeur très largement supérieure à la
précédente.
86 Chapitre 4. Commande sous contrainte de saturation

0.04 x1n x2n

0.1
0.035 x1nsat x2nsat
Position chariot (m)

Vitesse chariot (m/s)

0.08
0.03 x1satTSs x2satTSs
0.06 x1satTSd
x
0.025 1satTSd
0.04
0.02
0.02
0.015 0
0.01 −0.02
0.005 −0.04
0 −0.06
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
temps (s) temps (s)

0.25 x3n x4n

x 0.5 x
Position pendule (rad)

Vitesse pendule (rad/s)

0.2 3nsat 4nsat
x3satTSs x4satTSs
0.15
x1satTSd 0 x1satTSd
0.1
0.05 −0.5
0
−0.05 −1

−0.1
−1.5
−0.15
0 0.5 1 1.5 2 2.5 3 0 0.5 1 1.5 2 2.5 3
temps (s) temps (s)

Figure 4.7 – Etats du système par retour de sortie

0.025
xatTSs

0.02 x
satTSd

0.015

0.01
x2 (vitesse)

0.005

−0.005

−0.01

−0.015
−2 −1 0 1 2 3 4 5
−3
x (position) x 10
1

Figure 4.8 – Diagrammes de phase en BF avec correcteurs par retour de sortie statique et dynamique

4.7 Conclusion
Dans ce chapitre, la stabilisation des systèmes soumis à des contraintes de saturation de commande
a été abordée. Sur la base de la ré-écriture de la fonction non linéaire saturation sous forme de modèle
4.7. Conclusion 87

T-S, plusieurs lois de commande ont été proposées. Le cas de systèmes linéaires avec une commande
par retour d’état statique a été traité, puis le cas des systèmes non linéaires sous forme T-S avec des
commandes de type PDC par retour d’état. Les résultats obtenus ont été étendus au cas des systèmes non
linéaires incertains sous forme T-S. Finalement, des lois de commande par retour de sortie statique et
dynamique ont été mises au point.
Afin d’illustrer l’apport des méthodes proposées, le cas d’un système non linéaire chariot-pendule a
été traité. Pour cet exemple numérique, il a clairement été montré que la non-prise en compte de la
saturation entraîne une instabilité du système, alors qu’avec la méthode proposée, la stabilité du système
non linéaire est assurée et l’on notera que les gains de commande dépendent directement des limites de
saturation.
88 Chapitre 4. Commande sous contrainte de saturation
 Poursuite de consigne générée par un modèle de
5
référence

Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5.2 Etude bibliographique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
5.2.1 Poursuite de modèle de référence des systèmes linéaires . . . . . . . . . . . . 90
5.2.2 Poursuite d’un modèle de référence par un système non linéaire . . . . . . . . 93
5.2.3 Poursuite de modèle de référence des systèmes T-S : contribution du chapitre . 94
5.3 Conditions structurelles de poursuite . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.1 Modèle et objectif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.2 Loi de commande prédéfinie . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.3.3 Loi de commande à structure non prédéfinie . . . . . . . . . . . . . . . . . . . 98
5.4 Choix du critère de poursuite . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4.1 Variables de décision indépendantes de la commande . . . . . . . . . . . . . . 99
5.4.2 Variables de décision fonction de la commande . . . . . . . . . . . . . . . . . 100
5.4.3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.5 Commande prédictive non linéaire d’un système sous forme T-S . . . . . . . . . . 106
5.5.1 Variables de décision indépendantes de la commande . . . . . . . . . . . . . . 107
5.5.2 Variables de décision fonction de la commande . . . . . . . . . . . . . . . . . 107
5.6 Poursuite de modèle de référence tolérante aux défauts . . . . . . . . . . . . . . . 110
5.6.1 Poursuite de modèle de référence tolérante aux défauts de capteurs . . . . . . . 110
5.6.2 Poursuite de modèle de référence sous contrainte de saturation : cas discret . . 122
5.6.3 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

5.1 Introduction
Dans ce chapitre, nous nous intéressons au problème de la poursuite d’une consigne générée par un
modèle de référence pour un système non linéaire représenté par un modèle de Takagi-Sugeno. Tout

89
90 Chapitre 5. Poursuite de consigne générée par un modèle de référence

au long du chapitre, l’accent est mis sur les difficultés rencontrées pour assurer l’objectif de poursuite
ainsi que les solutions proposées. Nous étudions les propriétés des systèmes de commande en matière de
stabilité et de performance en poursuite ainsi que la dynamique des systèmes considérés (système et son
modèle de référence). Nous montrons également l’influence du choix du critère de contrôle relatif aux
objectifs et aux conditions structurelles.
Pour commencer, une étude bibliographique sur les méthodes de poursuite existantes dans la littérature
pour les systèmes linéaires et non linéaires est présentée. Nous nous intéressons par la suite aux systèmes
non linéaires représentés par les modèles T-S. Les conditions structurelles de poursuite ainsi que des
stratégies de contrôle sont proposées afin de mettre en évidence les liens entre l’objectif de poursuite
désiré, le choix du critère de commande approprié et les conditions structurelles qui en découlent.
Nous nous intéressons également à la commande tolérante aux défauts avec optimisation de critère de
performance pour les modèles T-S. Dans un premier temps, la commande optimale pour les systèmes
continus affectés par des bruits de mesure, avec synthèse d’observateurs et variables de décision non
mesurables est considérée. Puis, dans un second temps, nous étudions les systèmes discrets. Pour ce
dernier point, des algorithmes de calcul itératif sont proposés et mis en oeuvre et, grâce à des exemples
numériques, l’effet d’anticipation et de compensation de la saturation est mis en évidence.
Remarque 12. A noter que le choix des systèmes discrets est motivé par la nature des lois de commande
considérées (commandes prédictives). En effet, pour cette famille de lois de commandes, le cas des
systèmes discrets est plus facile à traiter que le cas des systèmes continus.

5.2 Etude bibliographique

5.2.1 Poursuite de modèle de référence des systèmes linéaires
Considérons le système linéaire représenté par le modèle :

ẋ(t) = Ax(t) + Bu(t)
(5.1)
y(t) = Cx(t)
où x ∈ Rnx , u ∈ Rnu et y ∈ Rny .
Le modèle de référence donnant la dynamique désirée est donné par :

ẋr (t) = Ar xr (t) + Br ur (t)
(5.2)
yr (t) = Cxr (t)
avec ur (t) choisie en fonction de la dynamique de référence recherchée.
La synthèse de la loi de commande consiste à déterminer u(t) assurant la poursuite entre le système
à commander et le modèle de référence désiré. L’objectif recherché est de faire correspondre l’état du
système x(t) (ou la sortie y(t)) avec celui du modèle de référence xr (t) (ou yr (t)).
Trois approches peuvent être distinguées, chacune ayant ses avantages et ses inconvénients pour le suivi
de modèle de référence.
La première approche, l’approche classique, a été introduite dans (Erzberger [1967]). Elle a pour ob-
jectif d’assurer une erreur de poursuite nulle sous réserve de satisfaire aux conditions proposées par cet
auteur (Erzberger’s perfect model matching conditions). Cette approche utilise une commande par retour
d’état assurant le "matching" entre le système et le modèle de référence, sous réserve qu’un ensemble de
conditions structurelles, pouvant s’avérer restrictives, soient vérifiées. Ces conditions imposent des simi-
litudes structurelles entre le système et le modèle de référence, par exemple entre leurs représentations
sous forme canonique (Guo et al. [2009]). A noter que l’un des problèmes principaux de cette approche
est le choix de la structure du contrôleur. Sur ce point, nous distinguons deux procédures différentes.
5.2. Etude bibliographique 91

• Première procédure
La structure de la loi de commande est préalablement fixée et les conditions structurelles de poursuite
ainsi que les gains du contrôleur sont alors déduits. Dans (Curran [1971], Sastry et Bodson [1989], Khalil
[1992] et Tao [2003]) par exemple, la commande par retour d’état est donnée sous la forme :

u(t) = Kx(t) + Kr ur (t), K ∈ Rnu ×nx , Kr ∈ Rnu ×nu (5.3)

où K et Kr sont des matrices constantes à déterminer pour que l’état du système x(t) suive celui du
modèle de référence xr (t) donnés respectivement par (5.1) et (5.2). Pour cette commande, en reportant
(5.3) dans (5.1), nous obtenons :

ẋ(t) = (A + BK)x(t) + BKr ur (t)
(5.4)
y(t) = Cx(t)

En comparant ce système d’équations avec (5.2), on aboutit aux conditions de matching suivantes pour
le régime permanent :
(A + BK)−1 BKr = A−1 r Br (5.5)
Le système (5.5) peut ainsi s’écrire :
 
I
B( Kr K ) = AA−1
r Br (5.6)
−A−1
r Br

Dans ce cas, les gains K et Kr sont donnés par :

( Kr K ) = B+C0 B+
0 (5.7)

avec :  
I
C0 = AA−1
r Br , B0 = (5.8)
−A−1
r Br
et la condition :
BB+C0 B+
0 B0 = C0 (5.9)
De la même façon, en régime dynamique, les conditions de matching sont :

A + BK = Ar
(5.10)
BKr = Br

Bien évidemment, les conditions (5.10) impliquent (5.5).

A noter que pour satisfaire les conditions de matching (5.10), les matrices du système A et B, mais éga-
lement celles du modèle de référence Ar et Br doivent être sous une certaine forme canonique restrictive.
Ainsi, si les conditions de rang

rang[B|Ar − A] = rang[B]
(5.11)
rang[B|Br ] = rang[B]

sont vérifiées, alors les gains K et Kr sont donnés par :


Kr = B+ Br
(5.12)
K = B+ (Ar − A)

avec B+ la matrice pseudo-inverse de la matrice B.

Il est également important de souligner le fait que fixer la structure de la loi de commande n’assure pas
92 Chapitre 5. Poursuite de consigne générée par un modèle de référence

l’existence d’une solution. En effet, le choix d’une structure a priori peut conduire au non-respect des
conditions de rang.
Le fait d’imposer des gains constants peut également être sujet à critique. Pour cette raison, une forme
plus générale, avec des gains dynamiques K(t) et Kr (t) peut être considérée (Guo et al. [2009] et Yang et al.
[2006]). Dans (Joshi et al. [2011]), la synthèse d’une loi de commande adaptative en présence d’incerti-
tudes est considérée.

• Seconde procédure
Cette procédure tend à assurer une erreur de poursuite nulle sans aucune structure de commande pré-
requise. Dans (Nie et Patton [2011]), la loi de commande est déduite de l’erreur de poursuite sur l’état
e(t) = x(t) − xr (t). Compte tenu de (5.1) et (5.2) la dynamique de cette erreur s’explicite :

ė(t) = Ar e(t) + (A − Ar )x(t) + Bu(t) − Br ur (t) (5.13)

Afin de réduire cette équation à ė(t) = Ar e(t) pour garantir la convergence de l’erreur vers zéro, le signal
de commande est choisi de façon à rendre la quantité (A − Ar )x(t) + Bu(t) − Br ur (t) nulle ou à défaut,
aussi petite que possible, ou/et avec une atténuation minimale sur la dynamique de l’erreur.
Une autre approche est basée sur la théorie de la commande optimale. Cette technique, à l’inverse des
procédures classiques abordées ci-dessus, peut être appliquée à n’importe quel système et assure toujours
l’existence d’une commande minimisant une fonction (quadratique par exemple) de l’erreur de poursuite
entre le système et son modèle de référence (Erzberger [1967], Tseng et al. [2001], Tong et al. [2002]).

Bien que la commande optimale quadratique tende à proposer une procédure générale pour la pour-
suite de modèle de référence, on trouve pour certaines combinaisons système/modèle de référence une
erreur de suivi importante qui ne peut pas être réduite au delà d’une certaine valeur en jouant simple-
ment sur les matrices poids du critère d’optimisation choisi (Erzberger [1967]). Pour cette approche, à
l’inverse de la première, au lieu de chercher un matching parfait, il est plus efficace de décrire l’objectif
de poursuite en terme de proximité du système et de son modèle de référence.
A cet effet, le critère de poursuite suivant peut être considéré :
Z tf Z tf
eT (t)Qe(t)dt ≤ η 2 uTr (t)ur (t)dt (5.14)
0 0

où Q est une matrice poids, définie positive et η le niveau d’atténuation considéré. La matrice Q peut
être choisie de façon à privilégier le suivi de certains états par rapport à d’autres. Dans (5.14), la limite
supérieure de l’atténuation L2 de ur (t) vers er (t) notée √ η quantifie l’effet de l’entrée de référence
λ (Q)
sur l’erreur de poursuite. Il est évident que l’un des objectifs est de minimiser l’atténuation η . Un autre
point de la commande optimale pouvant être soumis aux critiques est le fait que les gains de la commande
sont constants pour tous les états.
Un point majeur à considérer dans cette approche est l’horizon de temps, qui peut être infini ou fini et
glissant, ce dernier cas étant adapté à une optimisation en ligne. Cette dernière procédure est fréquem-
ment appelée commande prédictive (ou Model Predictive Control MPC) et est basée sur l’optimisation
dans un temps fini et glissant. Autrement dit, à chaque instant, un problème de commande optimale est
traité sur un horizon futur de N pas. L’approche consiste à calculer une commande, à un instant t, assu-
rant un coût minimal en terme de poursuite et d’énergie sur un horizon de taille N (Maciejowski et Jones
[2003], Kerrigan et Maciejowski [1999], Nikolaou [2001]) :
t+N−1

Φt = ∑ kxi+1 − xr,i+1 k2 Q + ρ kui k2 (5.15)
i=t
5.2. Etude bibliographique 93

avec xt = x(t) et xr,t = xr (t).

A chaque instant d’échantillonnage, on résout un problème de commande optimale sur horizon fini. Seul
le premier élément ut de la séquence de commandes calculées sur cet horizon est appliqué au système. A
l’instant suivant, l’horizon d’optimisation est translaté d’un pas d’échantillonnage et un nouveau critère
Φt+1 est considéré. Le problème de contrôle optimal est à nouveau résolu pour les nouvelles valeurs
d’état mesurées (Balandat [2010]).
Dans les deux précédentes stratégies de commande, la longueur N de l’horizon de temps considéré peut
affecter le comportement du système en régime transitoire et, de ce fait, ce point mérite une attention par-
ticulière. En effet, pour toutes les méthodes de poursuite listées ci-dessus, le comportement asymptotique
est bien assuré et l’erreur de suivi tend vers zéro en régime permanent. Un point intéressant pour amélio-
rer les performances du contrôleur serait de considérer aussi bien le régime permanent que le transitoire.
Dans (Stepanyan et al. [2009]), le contrôleur est basé non seulement sur l’erreur de poursuite, mais égale-
ment sur son intégrale afin d’améliorer les performances du système en régime transitoire. L’algorithme
de commande génère un filtre passe bas, ce qui permet de prévenir les oscillations en hautes fréquences
pour une classe de systèmes incertains. Il est également important de souligner qu’il existe des travaux
portant sur la commande prédictive dans le domaine fréquentiel comme (Stepanyan et Krinshnakumar
[2010]).

L’approche par apprentissage itératif à base d’un modèle de référence (connue également sous le
nom d’Iterative Learning Control (ILC)) peut également être considérée. Cette approche est basée sur un
calcul itératif de la commande et peut être résumée de la façon suivante.
A la k ième itération, la commande uk (t) est appliquée au système :

ẋk (t) = Axk (t) + Buk (t), t ∈ [0, T ] (5.16)

où [0, T ] est l’horizon d’optimisation. L’état qui en résulte est comparé à l’état du modèle de référence :

ek (t) = xr (t) − xk (t) (5.17)

A l’itération suivante (k + 1), la loi de commande est calculée à partir de l’erreur de l’itération précé-
dente :
uk+1 (t) = uk (t) + Lėk (t) (5.18)
La commande ILC mémorise donc les informations de commande précédentes et les exploitent pour
calculer la prochaine commande afin d’améliorer les résultats. Par un choix judicieux du gain L, les
résultats de la poursuite sont progressivement améliorés d’itération en itération (voir (Yu et al. [2002])
et les références associées pour plus de détails).
Malgré son efficacité, l’inconvenient de cette méthode en comparaison avec celles listées ci-dessus,
est que la loi de commande se fait généralement off-line, sur un intervalle de temps fini et en supposant
que tous les états sont disponibles. Cependant, quelques travaux récents tentent de présenter une loi de
commande par ILC, prédictive, pouvant garantir une implémentation on-line (Bouakrif [2012]).

5.2.2 Poursuite d’un modèle de référence par un système non linéaire

Nous nous intéressons dans cette section aux stratégies de commande les plus répandues pour la
poursuite de modèle de référence des systèmes non linéaires, en particulier, la linéarisation exacte par
retour d’état, les techniques de commande par modes glissants et le contrôle adaptatif.
Introduite pour l’étude des systèmes non linéaires, la technique de linéarisation par retour d’état présente
un algorithme de contrôle relativement compliqué. De plus, la stabilité du contrôleur n’est pas assurée
pour les systèmes à non minimum de phase et son application à des systèmes non linéaires reste complexe
94 Chapitre 5. Poursuite de consigne générée par un modèle de référence

et fastidieuse (Chen et al. [1998]). Dans (Isidori et Byrnes [1990]), le problème de régulation de sortie de
systèmes non linéaires a été abordé, l’objectif étant la synthèse d’un contrôleur dynamique stabilisant et
dont l’erreur de poursuite tend asymptotiquement vers zéro. Bien que la théorie d’Isidori-Byrnes utilisée
soit efficace, elle requiert cependant pour la synthèse du régulateur, la résolution d’équations aux dérivées
partielles non linéaires, souvent plus difficiles à résoudre que les équations d’Hamilton-Jacobi-Bellman
(Shimizu et al. [2005]).
La commande par modes glissants présente l’avantage d’être robuste par rapport aux incertitudes du
modèle (Wang et Lin [1999]). Dans (Yan et Xu [2004]) par exemple, une commande par modes glissants
utilisant un retour de sortie pour la poursuite de systèmes non linéaires incertains a été proposée. Cette
méthode est une extension du travail proposé dans (Yan et al. [2003]), basée sur l’erreur de poursuite en
sortie. Dans (Yan et al. [2003]) et (Yan et Xu [2004]) seuls les systèmes de degré relatif égal à un ont été
considérés. Dans ce cas, malgré l’efficacité prouvée de la commande par modes glissants, ce contrôleur
peut être trop sensible au phénomène de chattering. Une solution proposée est de considérer un ordre plus
élevé pour le contrôle des systèmes non linéaires (Edwards et Spurgeon [1994], Edwards et al. [2000],
Tan et Edwards [2003], Fridman et Levant [2002]), mais à cause de la complexité engendrée et la non-
applicabilité de la méthode directe de Lyapunov, peu de résultats sont disponibles à ce sujet (Hsu et al.
[2006]).
La commande prédictive non linéaire (NMPC) est une extension de la commande linéaire introduite
dans la section précédente. Elle est caractérisée par l’utilisation du modèle non linéaire dans la synthèse
de la commande (Alamir [2006], Alessio et Bempord [2008]). A l’instar de la commande prédictive
linéaire, la NMPC requiert la résolution itérative d’un problème de commande optimale sur un intervalle
de prédiction fini. Ces problèmes convexes dans le cas linéaire, ne le sont plus dans le cas non linéaire
ce qui entraîne certaines difficultés pour la stabilisation et la résolution numérique (Allgöwer et Zhen
[2000], Findeisen et al. [2007]).
Il est également important de rappeler que la liste des approches citées n’est pas exhaustive. Parmi une
littérature abondante, nous nous sommes seulement intéressés aux méthodes les plus répandues.

5.2.3 Poursuite de modèle de référence des systèmes T-S : contribution du chapitre

L’étude bibliographique présentée ci-dessus a pour objectif d’introduire le point principal de ce cha-
pitre : la commande pour la poursuite de modèle de référence des systèmes non linéaires représentés par
des modèles de Takagi-Sugeno. Malgré une littérature abondante sur l’étude de la stabilité de ces mo-
dèles, peu de travaux se sont intéressés au problème de poursuite de modèle de référence. On peut citer
par exemple quelques travaux sur le retour d’état ou de sortie avec la commande H∞ (Taniguchi et al.
[1999], Tseng et Chen [2001] et Mansouri et al. [2009]). Dans ce cas, la solution du problème de pour-
suite non linéaire est exprimée en termes d’inégalités matricielles linéaires et de structure de commande
de type PDC (Mansouri et al. [2009], Tseng et al. [2001]) par exemple). Cependant, dans ces références,
on se réfère simplement à un choix "adéquat" pour justifier la structure du modèle de référence à suivre
mais sans toujours légitimer ce choix.
Cette dernière remarque a motivé le présent travail. En effet, que ce soit pour le cas linéaire ou non
linéaire, peu de travaux détaillent l’importance du choix du modèle de référence, alors que la structure
de ce dernier et les valeurs numériques de ses paramètres conditionnent de façon forte la faisabilité de
la poursuite. Dans (Nie et Patton [2011]) par exemple, les auteurs ont cité les conditions d’Erzberger
sans expliquer ou motiver ce choix. Pour cette raison, dans le présent travail, nous nous intéressons non
seulement à la synthèse de la loi de commande, mais également aux conditions de poursuite (matching).
Comme il a été mentionné au début du chapitre, nous commençons par aborder l’aspect structurel et les
conditions à satisfaire pour assurer la poursuite du modèle de référence par des systèmes non linéaires
représentés par des modèles T-S. Le point suivant concerne le choix du critère de poursuite en fonction
5.3. Conditions structurelles de poursuite 95

des performances désirées (poursuite exacte ou issue d’une recherche d’optimum). Puis, nous nous inté-
ressons à la commande prédictive et finalement à la commande tolérante aux défauts (cas continu avec
bruit de mesure, cas discret avec saturation de commande).

5.3 Conditions structurelles de poursuite

5.3.1 Modèle et objectif
Considérons le système sous forme T-S suivant (xk ∈ Rnx et uk ∈ Rnu ) :

xk+1 = Ak xk + Bk uk (5.19)

avec :
r r
Ak = ∑ µi,k Ai , Bk = ∑ µi,k Bi (5.20)
i=1 i=1

où les fonctions poids µi,k (µi,k = µi (ξk ) avec ξk connu) vérifient la propriété de somme convexe :
r
0 ≤ µi,k ≤ 1, ∑ µi,k = 1 (5.21)
i=1

Le modèle de référence à suivre est défini par l’équation suivante (xr,k ∈ Rnx et ur,k ∈ Rnu ) :

xr,k+1 = Ar xr,k + Br ur,k (5.22)

avec l’entrée de référence ur,k choisie pour avoir la dynamique désirée du modèle de référence.
L’objectif de poursuite idéale consiste à ajuster, à chaque instant k, la commande uk de sorte que l’état
du système xk suive l’état du modèle de référence xr,k avec une erreur de poursuite nulle. Pour cela, deux
procédures peuvent être considérées. La première tend à fixer la structure de la loi de commande, puis
en fonction de cette dernière, trouver les conditions de poursuite et les valeurs des gains de commande
qui lui sont attachées. La seconde stratégie n’utilise pas de structure a priori fixée de la loi de commande
mais, tend à trouver l’expression analytique de cette dernière à appliquer sous des conditions structurelles
adéquates.
Dans les deux cas de figure, si les conditions structurelles assurant la poursuite s’avèrent impossibles à
satisfaire, il faut alors faire des compromis comme restreindre la poursuite à une partie des états (sorties)
seulement ou accepter une poursuite approchée des états.

5.3.2 Loi de commande prédéfinie

Dans le but de satisfaire l’objectif de poursuite, la loi de commande suivante est considérée :

uk = Kk xk + Kr,k ur,k (5.23)

où les gains Kk et Kr,k dépendent du temps.

En reportant (5.23) dans (5.19), le système devient :

xk+1 = (Ak + Bk Kk ) xk + Bk Kr,k ur,k (5.24)

Les conditions de matching en régime dynamique sont alors obtenues en comparant (5.24) et (5.22).
Elles sont données par : 
Ak + Bk Kk = Ar
(5.25)
Bk Kr,k = Br
96 Chapitre 5. Poursuite de consigne générée par un modèle de référence

Afin d’avoir une solution de (5.25) en Kk et Kr,k , les conditions de rang suivantes doivent être vérifiées :

rang[Bk ] = rang[Bk |Ar − Ak ]
(5.26)
rang[Bk ] = rang[Bk |Br ]
Compte tenu des définitions (5.20), ces conditions s’écrivent aussi :
 " # " #
 r r r

 rang ∑ µi,k Bi

 = rang ∑ µi,k Bi | ∑ µi,k (Ar − Ai )

 i=1 i=1 i=1

" # " # (5.27)




 r r
 rang ∑ µi,k Bi ∑ µi,k Bi | Br

 = rang
i=1 i=1

Si les conditions (5.26) sont vérifiées, alors les gains Kk et Kr,k sont donnés à chaque instant par :

Kr,k = B+
k Br
+ (5.28)
Kk = Bk (Ar − Ak )

avec B+k la pseudo-inverse de la matrice plein rang colonne Bk et où il faut rappeler que les matrices Ak
et Bk varient au cours du temps selon les expressions (5.20).
A noter que pour satisfaire les conditions de matching (5.26), puisque les matrices du système Ak et Bk
sont fonctions du temps (5.20), une condition suffisante consiste à partitionner les matrices Ai , Bi et Ar ,
Br sous la forme :    
A0 A0
Ai = ,A =
 Ai  r  Ar  (5.29)
0nx −nu 0nx −nu
Bi = , Br =
bi br
avec A0 est une matrice de dimension (nx − nu ) × nx . Ai et Ar (des matrices de dimensions nu × nx ), bi et
br (de dimensions nu × nu ) sont des matrices quelconques (degrés de liberté). La structure (5.29) impose
donc les contraintes suivantes :
1. les (nx − nu ) premières lignes des matrices Ai sont égales aux (nx − nu ) premières lignes de la
matrice Ar
2. les (nx − nu ) premières lignes des matrices Bi et Br sont nulles
ce qui permet de satisfaire les conditions de rang (5.26). Ces contraintes de rang montrent donc que la
poursuite parfaite exige un choix particulier du modèle de référence. Le modèle de référence conserve
néanmoins quelques degrés de liberté apparaissant dans Ar et br dont les coefficients peuvent être ajustés
en fonction de spécifications sur le modèle de référence.
Afin d’illustrer l’utilisation des conditions ci-dessus, considérons l’exemple académique suivant :
     
0.2 0.5 0 0 0.2 0.5 0
Ar =  −0.2 0.99 −0.1  , Br =  0  , A1 =  −0.2 0.99 −0.1 
0 0  0.2  1  0  0 0.1
(5.30)
0 0.2 0.5 0 0
B1 =  0  , A2 =  −0.2 0.99 −0.1  , B2 =  0 
1.5 0 0 1.1 −0.5
avec comme fonctions d’activation :
2 − sin(x1,k ) − tanh(x2,k )
µ1,k = , µ2,k = 1 − µ1,k (5.31)
4
5.3. Conditions structurelles de poursuite 97

En appliquant la loi de commande (5.23) avec les définitions (5.28) des gains de la commande, les états
du système et ceux du modèle de référence sont représentés à la figure 5.1 (respectivement notés xi et xir ,
i = 1, . . . , 3). Les commandes ur,k et uk sont représentées à la la figure 5.2.

1
x1r
x
1
0

−1
0 10 20 30 40 50 60 70 80 90 100

2
x
2r
1 x
2

−1
0 10 20 30 40 50 60 70 80 90 100

2
x
3r
0 x
3

−2

−4
0 10 20 30 40 50 60 70 80 90 100

Figure 5.1 – Etats du système et du modèle de référence

20 u

−20

0 10 20 30 40 50 60 70 80 90

1
u
r
0

−1

−2

−3
0 10 20 30 40 50 60 70 80 90

Figure 5.2 – Commandes ur,k et uk calculée

On constate sur les figures obtenues que la loi de commande proposée (5.23) est efficace, la poursuite
des trois états étant parfaite abstraction faite de l’influence des conditions initiales, sous réserve que les
conditions structurelles (5.27) soient vérifiées ce qui est le cas dans l’exemple présenté.
98 Chapitre 5. Poursuite de consigne générée par un modèle de référence

0.6 µ
1

0.4

0.2

0 10 20 30 40 50 60 70 80 90

µ2
0.8

0.6

0.4

0 10 20 30 40 50 60 70 80 90

Figure 5.3 – Fonctions d’activation µ1,k et µ2,k

5.3.3 Loi de commande à structure non prédéfinie

Dans cette section, la structure de la loi de commande, utilisée pour la poursuite d’un modèle de
référence par un système non linéaire T-S, n’est pas prédéfinie.
Ainsi, à chaque instant k, afin d’assurer la poursuite du modèle de référence à l’instant k + 1 avec une
erreur de suivi nulle, c’est-à-dire :
Ak xk + Bk uk = xr,k+1 (5.32)
la loi de commande uk doit vérifier :
Bk uk = xr,k+1 − Ak xk (5.33)
A noter que, dans ce cas de figure, la poursuite parfaite de l’état de référence est assurée si les conditions
de matching suivantes sont vérifiées :
rang [Bk ] = rang [Bk |xr,k+1 − Ak xk ] (5.34)
La loi de commande est alors déduite et donnée par les équations suivantes :
uk = (BTk Bk )−1 BTk (xr,k+1 − Ak xk ) (5.35)
On retrouve donc une loi de commande qui dépend de l’état du système et de celui du modèle de réfé-
rence, avec ici un phénomène d’anticipation sur l’état de référence, mais sans faire appel explicitement à
la commande du modèle de référence comme en (5.32).
Remarque 13. Si les variables de décision des fonctions d’activation µk sont fonction de la commande
uk , les matrices Ak et Bk (5.20) dépendent elles-mêmes de uk . La loi de commande (5.35) sera alors sous
une forme implicite uk = F(uk ) :
!+ ! !+
r r r
uk = ∑ µi,k (uk )Bi Ar − ∑ µi,k (uk )Ai xk + ∑ µi,k (uk )Bi Br ur,k (5.36)
i=1 i=1 i=1

La résolution de cette équation par rapport à uk ne permet pas d’exhiber une forme explicite de la
commande. Pour contourner cette difficulté, un algorithme itératif est alors proposé :
( j+1) ( j) ( j) ( j) ( j)
uk = ((Bk )T Bk )−1 (Bk )T (xr,k+1 − Ak xk )
( j) ( j) ( j) ( j) (5.37)
= ((Bk )T Bk )−1 Bk )(xr,k+1 − Ak xk )
5.4. Choix du critère de poursuite 99

r r
avec Bk = ∑ µi (uk )Bi , Ak = ∑ µi (uk )Ai , j = 0, . . . , N avec N le nombre d’itérations et u0k l’initia-
( j) ( j) ( j) ( j)

i=1 i=1
lisation de la commande qui peut être prise égale à ur,k par exemple.
La convergence de cet algorithme peut être démontrée localement, mais comme cela n’est pas l’objet de
notre étude, le lecteur peut se référer aux travaux (Allgöwer et Georg [1980], Axelsson [1994], Kelley
[1995]) pour plus d’explications.

5.4 Choix du critère de poursuite

En fonction des objectifs de commande à assurer et de la tolérance acceptée pour la qualité de la
poursuite des états du système, deux critères peuvent être considérés :
1. La poursuite exacte où chaque composante du vecteur d’état du système doit suivre une référence
donnée. Pour répondre à cet objectif, le système et le modèle de référence doivent être mis sous
une certaine forme canonique issue de conditions structurelles et de rangs.
2. La poursuite optimale vis-à-vis d’un critère de distance entre l’état du système et l’état du modèle
de référence. Cette distance peut être traduite par la norme de l’erreur de poursuite. Ce critère
concerne la commande quadratique optimale comme introduction de la commande prédictive MPC
pour les modèles non linéaires T-S.
Comme le premier critère a été traité dans la section précédente, seul le deuxième point sera développé
dans cette partie.
Comme indiqué précédemment, en raison du conservatisme imposé par les conditions structurelles né-
cessaires à la poursuite exacte de modèle de référence, nous nous sommes intéressés à d’autres approches
pouvant relaxer ces conditions. La solution retenue est la commande quadratique optimale pour les mo-
dèles T-S. En effet, les conditions de poursuite exacte étant difficiles à assurer, il est possible de considérer
le problème de poursuite en minimisant l’erreur de poursuite entre le système et son modèle de référence.
Cette approche admet toujours une solution, mais bien évidemment la qualité de la poursuite ne peut être
imposée a priori.

5.4.1 Variables de décision indépendantes de la commande

L’objectif est alors de minimiser la fonction coût pondérée suivante :

Φ =k Bk uk − xr,k+1 + Ak xk kW
2
(5.38)

sachant la définition

Definition 1. Pour un signal à temps discret νk , on défini la norme 2 pondérée par W comme :
∞
k νk kW
2
= ∑ νkT W νk (5.39)
k=0

où W est une matrice poids définie positive choisie en fonction de spécifications (privilégier la poursuite
d’un état par rapport à un autre par exemple).
La loi de commande est alors donnée par :

uk = (BTk W Bk )−1 BTk W (xr,k+1 − Ak xk ) (5.40)

où les matrices Ak et Bk définies en (5.20) dépendent des variables de décision ξk connues.

100 Chapitre 5. Poursuite de consigne générée par un modèle de référence

5.4.2 Variables de décision fonction de la commande

La remarque 8 est valable pour la loi de commande (5.40). En effet, dans le cas où les fonctions
d’activation dépendent de la commande, une solution itérative pour la recherche de la commande est à
considérer.
Dans ce cas, à l’étape j + 1 de la procédure itérative, la fonction coût à minimiser est choisie sous la
forme :
( j) ( j+1) ( j)
Φ( j+1) =k Bk uk 2
− xr,k+1 + Ak xk kW (5.41)
avec :
r
∑ µi,k (uk
( j) ( j)
Ak = )Ai
i=1 (5.42)
r
∑
( j) ( j)
Bk = µi,k (uk )Bi
i=1
( j)
et où uk est la commande calculée à l’étape j. La solution est alors donnée par l’algorithme itératif
( j+1) ( j)
uk = f (uk ) suivant (pour j = 0, . . . , N) :
( j+1) ( j) ( j) ( j) ( j)
uk = ((Bk )T W Bk )−1 (Bk )T W (xr,k+1 − Ak xk ) (5.43)

Le test de convergence pour décider de l’arrêt des itérations à l’étape N peut être réalisé en analysant
( j+1) ( j+1)
l’amplitude du résidu uk − f (uk ).

5.4.3
Considérons à présent les exemples illustratifs suivants. Le modèle de référence et le système sont
donnés par :
     
0.2 0.5 0 −0.3 0 0 0.5 0
Ar =  −0.2 0.99 −0.1  , Br =  1 0.11  , A1 =  −0.2 1.19 −0.1 
0 0 0.2
  0 1   0 0 0.1

0.2 0.5 0.6 0.5 0 −0.8 −0.5
B1 =  1.5 0.61  , A2 =  −0.2 1.09 −0.1  , B2 =  0.5 −0.39 
0.5 1.5 0 0 1.1 −0.5 0.5
(5.44)
On se place dans le cas où les fonctions d’activation dépendent de la commande et sont données par :
1 + 2 tanh(u1,k )
µ1,k = , µ2,k = 1 − µ1,k (5.45)
2
Les matrices définies en (5.44) ne vérifiant pas les conditions de poursuite exacte (5.27), on applique
une commande quadratique optimale. Comme les fonctions d’activation dépendent de la commande, la
procédure itérative (5.43) est mise en oeuvre.
Dans un premier temps, l’objectif est d’assurer la poursuite pour les états x2 et x3 . La matrice de pondé-
ration est donc donnée par W = diag(0.01, 1, 1) de façon à favoriser la poursuite de ces deux états. Les
états du système et du modèle de référence respectivement notés xi et xir , i = 1, . . . , 3 sont représentés à
la figure 5.4. Les commandes ur,k (commandes choisies) et uk (commandes calculées) sont représentées
à la figure 5.5.
A l’examen des figures, on constate bien que les états x2 et x3 suivent de façon optimale au sens du
critère (5.38) les états de référence x2r et x3r bien que les conditions structurelles de poursuite ne soient
pas vérifiées.
5.4. Choix du critère de poursuite 101

5 x1r
x
1
0

−5
0 20 40 60 80 100 120 140 160 180 200

5 x
2r
x
0 2

−5

0 20 40 60 80 100 120 140 160 180 200

x
1 3r
x
3
0

−1
0 20 40 60 80 100 120 140 160 180 200

Figure 5.4 – Etats du système et du modèle de référence avec W = diag(0.01, 1, 1)

1
u
r1
u
r2
0

−1

−2
0 20 40 60 80 100 120 140 160 180 200

u1
1
u
2
0

−1

−2

−3
0 20 40 60 80 100 120 140 160 180 200

Figure 5.5 – Commandes ur,k et uk

102 Chapitre 5. Poursuite de consigne générée par un modèle de référence

Afin d’illustrer l’influence de la fonction poids W et son rôle dans la poursuite des états, W est mainte-
nant choisie égale à diag(0.01, 0.1, 1). Les états du système et du modèle de référence sont représentés à
la figure 5.6, les commandes ur,k et uk à la figure 5.7.
On observe que la loi de commande proposée est efficace et que la poursuite est assurée. La poursuite

5
x1r
x
1
0

−5
0 20 40 60 80 100 120 140 160 180 200

5 x
2r
x
0 2

−5

0 20 40 60 80 100 120 140 160 180 200

x
1 3r
x
3
0

−1
0 20 40 60 80 100 120 140 160 180 200

Figure 5.6 – Etats du système et du modèle de référence avec W = diag(0.01, 0.1, 1)

pour les premier et troisième états a été améliorée, au détriment du deuxième grâce à ce nouveau choix
de W .
Le tableau 5.1 quantifie ces constats. Nous avons calculé les quantités
N
φi = ∑ |xr,k,i − xk,i |, i = 1, 2, 3
k=0

pour les deux situations proposées. L’indice i désigne la i ième composante d’un vecteur et N est l’horizon
d’optimisation.

φ1 φ2 φ3

W = diag(0.01, 1, 1) 189.26 13.23 12.36

W = diag(0.01, 0.1, 1) 176.18 128.16 10.95

Tableau 5.1 – Influence du poids W

Lorsque les modèles du système à contrôler et de référence, non seulement ne vérifient pas les conditions
de matching parfait, mais sont de plus très différents, la poursuite de trajectoire pour tous les états ne peut
5.4. Choix du critère de poursuite 103

1
ur1
u
r2
0

−1

−2
0 20 40 60 80 100 120 140 160 180 200

1.5
u
1
1 u2
0.5
0
−0.5
−1
−1.5
0 20 40 60 80 100 120 140 160 180 200

Figure 5.7 – Commandes ur,k et uk avec W = diag(0.01, 0.1, 1)

être précise. Relâcher la qualité de cette poursuite (par le choix de la matrice W ) sur un (ou plusieurs)
état(s) peut permettre d’améliorer la poursuite des autres.
Une illustration de ce constat est donnée par l’exemple suivant. Le système et le modèle de référence
sont donnés par :
     
0.8 0.4 0 0.1 0.4
Ar = , Br = , A1 =
 −0.2 0.4  0.2   −0.3 0.9 (5.46)
0.1 0.4 0.4 0.2
B1 = , A2 = , B2 =
0.17 0.2 0.7 0.23

Les fonctions d’activation dépendent de l’entrée de commande et sont données par (5.45).
Dans un premier temps, les spécifications de poursuite sont les mêmes pour les deux états du système.
La matrice W est donc donnée par W = diag(1, 1). Les états du système et du modèle de référence
(respectivement notés xi et xir , i = 1, 2) sont représentés à la figure 5.8. Les commandes ur,k et uk sont
données à la figure 5.9.
104 Chapitre 5. Poursuite de consigne générée par un modèle de référence

0.5
x1r
x
1

−0.5
0 50 100 150

0.5
x
2r
x
2

−0.5
0 50 100 150

Figure 5.8 – Etats du système et du modèle de référence avec W = I2

u
r
1 u

0.5

−0.5

−1

0 50 100 150

Figure 5.9 – Commandes ur,k et uk avec W = I2

5.4. Choix du critère de poursuite 105

On observe sur ces figures que la poursuite des deux états n’est pas très performante (cela provient
du modèle de référence assez éloigné du système à contrôler et du non respect des conditions de "mat-
ching").
Sachant que la poursuite des deux états est délicate, on considère pour la deuxième simulation une ma-
trice poids W égale à diag(0.1, 1), ce qui permet de favoriser a priori la poursuite du deuxième état au
détriment de la poursuite du premier. Les états du système et du modèle de référence sont alors représen-
tés à la figure 5.10 et les commandes ur,k et uk à la figure 5.11.

0.5
x1r
x
1

−0.5
0 50 100 150

0.5
x
2r
x2

−0.5
0 50 100 150

Figure 5.10 – Etats du système et du modèle de référence

u
r
1.5 u

0.5

−0.5

−1

−1.5

0 50 100 150

Figure 5.11 – Commandes ur,k et uk

On remarque que la poursuite a été sensiblement améliorée pour le deuxième état. En effet, puisque
les conditions de poursuite ne sont pas vérifiées, donc la commande ne peut être totalement efficace pour
les deux états avec la même pondération. Par contre la poursuite est précise lorsque l’exigence porte sur
un seul état.
106 Chapitre 5. Poursuite de consigne générée par un modèle de référence

Afin de justifier cette constatation, considérons l’exemple d’un système T-S de dimension nx = 2 avec
une commande
 nu = 1. Les matrices W et Bk sont choisies respectivement sous les formes suivantes
w 0
T
W = et Bk = b1k b2k . Nous rappelons que la commande est donnée par (5.43). En
0 1
remplaçant W et Bk par leurs expressions, nous avons :

1

uk = b1k w b2k (xr,k+1 − Ak xk ) (5.47)
b21,k w + b22k

En reportant maintenant la commande obtenue dans le système d’équation (5.32), il s’ensuit :

 
1 b21k w b1k b2k
xk+1 = Ak xk + 2 (xr,k+1 − Ak xk ) (5.48)
b1,k w + b22k b2k b1k w b22k

La condition de poursuite à atteindre est xk+1 = xr,k+1 , ∀k. Elle est satisfaite si

   
1 b21k w b1k b2k 1 0
= (5.49)
b1,k w + b22k
2 b2k b1k w b22k 0 1

ce qui ne peut être réalisé. Etant donné que b1k et b2k varient dans le temps, une solution serait d’avoir w
petit (w → 0), ce qui assurerait au moins la poursuite du deuxième état (comme nous pouvons le constater
pour l’exemple précédent).

Remarque 14. La méthode d’optimisation quadratique proposée est basée sur la minimisation, sur
un horizon fini à chaque étape d’une procédure itérative, du critère entre le système et son modèle de
référence. L’erreur de poursuite est calculée et minimisée étape par étape en se basant sur le résultat de
l’étape précédente. Une alternative serait de minimiser la norme de l’erreur de poursuite sur un horizon
de temps infini (Bezzaoucha et al. [2013b]) (voir la section suivante 5.6.1).

5.5 Commande prédictive non linéaire d’un système sous forme T-S

Comme pour les cas linéaire et non linéaire, la commande prédictive pour la poursuite de modèle
de référence, tend à assurer une erreur de poursuite minimale sur un horizon fini glissant. La procédure
proposée pour les modèles T-S est inspirée de la commande prédictive classique, autrement dit, en consi-
dérant un horizon d’optimisation fini de p + 1 pas [k, k + p]. Les états du système au cours du temps
peuvent s’exprimer en fonction d’un état initial xk de la façon suivante :

xk+1 = Ak xk + Bk uk
xk+p+1 = Ak+p xk+p!+ Bk+p uk+p !
p p p (5.50)
= ∏ Ak+i xk + ∑ ∏Ak+ j Bk+i uk+i
i=0 i=0 j=i+1
5.5. Commande prédictive non linéaire d’un système sous forme T-S 107

où les matrices Ak et Bk sont définies en (5.20).

Notons :  
  Ak  
xk+1  Ak+1 Ak  uk
 xk+2     uk+1 
   ..   
xk+p =  ..  , Ak+p =  .  , uk+p =  .. 
 .   p   . 
 
xk+p+1 ∏ Ak+p−i uk+p
 i=0  (5.51)
Bk 0 ... 0
 Ak+1 Bk Bk+1 ... 0 
 
 . . . . 
Bk+p =  .
. .
. . . .
. 
 
 p−1 p−2 
 
∏ k+p−i k ∏ k+p−i k+1
A B A B . . . B k+p
i=0 i=0

Compte tenu de (5.50), l’état du système sur l’horizon considéré s’explicite en fonction de l’état initial
xk et des commandes successives appliquées u :

xk+p = Ak+p xk + Bk+p uk+p , xk+p ∈ Rn(p+1) (5.52)

5.5.1 Variables de décision indépendantes de la commande

Pour assurer la poursuite du modèle de référence, la commande u est ajustée afin de minimiser le
critère :
Φk =k xr,k+p − Ak+p xk − Bk+p uk+p kW 2
(5.53)
 
xr,k+1
 xr,k+2 
 
avec xr,k+p =  ..  ∈ Rn(p+1) , ce qui conduit à l’expression explicite de la commande :
 . 
xr,k+p+1
T
uk+p = (Bk+pW Bk+p )−1 Bk+p
T
W (xr,k+p − Ak+p xk ) (5.54)

Seule la première composante uk de u est appliquée, ce qui génère l’état xk+1 . Le processus d’optimisation
est ensuite repris sur l’horizon [k + 1, k + p + 1].

5.5.2 Variables de décision fonction de la commande

Les matrices Ak+p et Bk+p peuvent dépendre de la commande uk dans les fonctions d’activation,
l’équation (5.54) est donc implicite en la commande. Ceci implique de définir un algorithme itératif de
calcul de la commande minimisant le critère :
( j) ( j) ( j+1)
Φk+1 =k xr,k+p − Ak+p xk − Bk+p uk+p kW
2
(5.55)

( j) ( j) ( j)
où les matrices Ak et Bk sont données par (5.42) en fonction de la commande uk .
Définissons à l’étape j la quantité F ( j) dépendent de l’état initial sur l’horizon [k, k + p] et de la com-
mande calculée à l’étape j :
( j) ( j) ( j) ( j)
F ( j) = ((Bk+p )T W Bk+p )−1 × (Bk+p )T W (xr,k+p − Ak+p xk ) (5.56)

Sur l’horizon temporel [k, k + p], l’algorithme itératif considéré est ainsi décrit par les étapes suivantes :
108 Chapitre 5. Poursuite de consigne générée par un modèle de référence

( j)
1. Initialisation : j = 0, définir uk+p (on peut choisir par exemple la commande calculée sur l’horizon
précédent [k − 1, k + p − 1]).
( j) ( j)
2. Calculer Ak+p et Bk+p (5.57).
( j+1) ( j)
3. Mettre à jour la commande en utilisant l’algorithme à itération directe : uk+p = F ( j) uk+p
4. Test de convergence :
( j+1) ( j)
si kuk+p − uk+p k > δ , j = j + 1, aller à l’étape 2 sinon, fin de l’algorithme.
avec :   
( j)

 Ak

  ( j) ( j) 

  Ak+1 Ak 

  

 ( j)
Ak+p =  .. 

  . 

  p 

  
∏
 ( j)

 A k+p−i



 i=0



  

 Bk
( j)
0 ... 0


  ( j) ( j) ( j) 
 Ak+1 Bk Bk+1 ... 0  (5.57)
 ( j)  .. .. .. .. 

 Bk+p=  . . . .



  

  p−1 p−2 


∏ Ak+p−i Bk ∏ Ak+p−i Bk+1
( j) ( j) ( j) ( j) ( j)

 . . . Bk+p



 i=0 i=0





 r
Ak = ∑ µi (u( j) (k))Ai
 ( j)





 i=1
r


 B = ∑ µi (u( j) (k))Bi
 ( j)
k
i=1

Après convergence de l’algorithme, la commande

 
uk = Inu 0 . . . 0 uk+p (5.58)

est appliquée au système. Lors de l’étape suivante, l’horizon est décalé d’un pas d’échantillonnage et le
critère Φk+1 est optimisé pour obtenir uk+1 .

Exemples
Considérons à présent l’exemple décrit en (5.44) avec la matrice poids W = diag(0.01, 1, 1). La com-
mande MPC est synthétisée pour trois pas (horizon prédictif p = 2). L’algorithme itératif proposé est
implémenté et les résultats obtenus sont illustrés par les figures 5.12 et 5.13 pour les trajectoires d’état et
les commandes respectivement.

Si l’on compare les résultats de la poursuite des états avec la commande sans action prédictive (fi-
gures 5.4 et 5.5), il est clair que l’objectif de poursuite a été amélioré.
Afin de quantifier cette amélioration pour chaque état, considérons l’indicateur suivant caractérisant l’er-
reur de poursuite :
N
φi = ∑ |xr,k,i − xk,i |
k=0
5.5. Commande prédictive non linéaire d’un système sous forme T-S 109

5 x
1r
x1
0

−5
0 20 40 60 80 100 120 140 160 180 200

5 x
2r
x
2
0

−5
0 20 40 60 80 100 120 140 160 180 200

1 x
3r
x3
0

−1
0 20 40 60 80 100 120 140 160 180 200

Figure 5.12 – Etats du système obtenus par la commande prédictive et ceux du modèle de référence

1 u1r
0 u
1

−1
−2
−3
−4

0 20 40 60 80 100 120 140 160 180 200

1
u
2r
0 u
2

−1

−2

−3

−4
0 20 40 60 80 100 120 140 160 180 200

Figure 5.13 – Commande du modèle de référence ur (k) et commande MPC u(k)

110 Chapitre 5. Poursuite de consigne générée par un modèle de référence

où i désigne le numéro de la composante d’un vecteur, N est l’horizon d’optimisation et xk,i l’état obtenu
avec la commande non prédictive (5.43). Le critère φip est défini de manière analogue à celui de la
commande MPC mais pour l’état obtenu par la commande prédictive. Finalement, l’amélioration relative
de l’erreur de poursuite τi est définie par
φi − φip
τi = 100
φi
Pour l’exemple considéré avec p = 2, nous obtenons grâce à la commande prédictive, l’amélioration
suivante, pour chaque état : τ1 = 12.34%, τ2 = 31.24%, et τ3 = 30.06%.

Afin de souligner l’influence de la taille de l’horizon d’optimisation N (N = p + 1), les taux τi d’amé-
lioration ou dégradation dûs à la commande MPC, sont calculés pour N ∈ {2, 3, 4, 5} pour le même
exemple et les résultats sont rassemblés dans le tableau 5.2.
On observe ainsi que, pour l’exemple considéré, la taille de l’horizon N = 3 est celle qui donne le meilleur

N=2 N=3 N=4 N=5

τ1 10.22% 12.34% 11.51% 12.53%

τ2 27.44% 31.24% 27.37% 28.51%

τ3 25.40% 30.06% 25.42% 27.55%

Tableau 5.2 – Influence de la taille de l’horizon

résultat. De ces observations, mais aussi des nombreux essais que nous avons effectués, il est important
de souligner l’influence importante de la taille de l’horizon sur la qualité de la commande prédictive
en terme de poursuite. Un horizon trop court, tout comme un horizon trop long peuvent ne pas donner
de bons résultats. Un compromis est alors nécessaire. Pour choisir la taille de l’horizon adapté pour le
système considéré, une étude comparative comme celle proposée ci-dessus peut s’avérer utile et simple
à mettre en oeuvre.
Les différents essais effectués mais non rapportés ici, montrent également que le choix de la taille de
l’horizon est lié à la dynamique des états de référence à suivre. Cette dépendance serait intéressante à
étudier dans des travaux futurs.

5.6 Poursuite de modèle de référence tolérante aux défauts

Dans cette section, nous nous intéressons à la commande tolérante aux défauts pour la poursuite de
modèle de référence. Deux cas de figure sont considérés selon la nature des défauts :
1. Défauts de capteurs additifs.
2. Commande saturée.
Le premier cas est présenté pour les systèmes continus et le second pour les systèmes discrets.

5.6.1 Poursuite de modèle de référence tolérante aux défauts de capteurs

Le calcul d’une loi de commande pour la poursuite de modèle de référence de systèmes non linéaires
exprimés sous forme de modèle T-S est traité ici sous forme de problème d’optimisation LMI. Basé sur
5.6. Poursuite de modèle de référence tolérante aux défauts 111

les structures T-S et PDC, avec un choix judicieux du modèle de référence, une atténuation L2 des va-
riables exogènes sur l’erreur de poursuite est considérée. Un observateur T-S à variables de décision non
mesurables est également synthétisé pour la minimisation de cette erreur.
La contribution majeure du travail proposé par rapport aux travaux existants est, d’une part, la consi-
dération de VDNM, ce qui complique la synthèse de l’observateur et du contrôleur mais en étend la
portée (d’autres travaux considèrent uniquement les VDM ou le retour de sortie (Mansouri et al. [2009],
Tseng et al. [2001])) et, d’autre part, l’utilisation du formalisme descripteur qui permet de réduire le coût
calculatoire et évite l’apparition de termes croisés entre les éléments de la matrice de Lyapunov et les
gains (observateur et contrôleur) dans la formalisation des relations exprimant la stabilité des erreurs de
poursuite.
Dans un premier temps, on étudiera la poursuite de trajectoire d’état dans le cas sans défaut. On considé-
rera ensuite un défaut capteur et on cherchera une loi de commande assurant le suivi de trajectoire malgré
la présence de défaut. La stratégie adoptée est de minimiser son influence sur les erreurs d’estimation et
de poursuite. Un exemple numérique est proposé pour illustrer les résultats obtenus.

Critère de poursuite
Pour la synthèse de la commande de systèmes non linéaires assurant la poursuite d’un modèle de
référence, une représentation T-S du système est considérée :
 n
 ẋ(t) =
∑ µi (ξ (t))(Aix(t) + Bi u(t)) (5.59)
 i=1
y(t) = Cx(t)

où x(t) ∈ Rnx représente l’état du système, u(t) ∈ Rnu l’entrée de commande et y(t) ∈ Rm la sortie du
système. Dans la suite, nous considérons les modèles à VDNM (ξ (t) ∈ Rq dépendent de l’état x(t)).
Compte tenu de cette dépendance, notons

µi (ξ (t)) = hi (x(t)) (5.60)

Ces fonctions d’activation satisfont, bien entendu, la propriété de somme convexe :

 n

∑ hi (x(t)) = 1 (5.61)
 i=1
0 ≤ hi (x(t)) ≤ 1, i = 1, . . . , n

Considérons à présent le modèle de référence stable suivant :

ẋr (t) = Ar xr (t) + Br ur (t) (5.62)

où xr (t) est l’état de référence que doit suivre x(t) et ur (t) une entrée de référence bornée. Les matrices
Ar et Br sont choisies de manière à améliorer les performances du système en boucle fermée (améliora-
tion du régime transitoire par exemple) et répondent aux conditions de suivi abordées dans les sections
précédentes.
L’objectif étant le suivi de l’état du système (5.62) par celui de (5.59), la grandeur à réguler est l’erreur
de poursuite er (t) :
er (t) = x(t) − xr (t) (5.63)
L’état du système n’étant pas disponible, le correcteur PDC est construit à partir de l’estimation de
l’erreur de poursuite. Les fonctions d’activation dépendent de x(t) non mesurable, son estimée est alors
112 Chapitre 5. Poursuite de consigne générée par un modèle de référence

utilisée. Le correcteur compte donc, outre le modèle de référence (5.62), un observateur d’état
 n
˙ = ∑ hi (x̂(t))(Ai x̂(t) + Bi u(t) + Li (y(t) − ŷ(t)))
 x̂(t)
i=1 (5.64)

ŷ(t) = Cx̂(t)

où x̂(t) ∈ Rnx est l’état estimé, Li ∈ Rnx ×m les gains à déterminer. Le contrôleur PDC est défini par la
commande
n
u(t) = − ∑ hi (x̂(t))Ki (xr (t) − x̂(t)) (5.65)
i=1

où Ki ∈ Rnu ×nx sont les gains du contrôleur.

Sa structure est représentée à la figure 5.14. L’objectif est à présent de synthétiser ce contrôleur PDC,

Figure 5.14 – Structure du contrôleur

stabilisant le système non linéaire (5.59) et vérifiant le critère de performance L2 (Tseng et al. [2001],
Chen et al. [1996], Tong et al. [2002]) :
Z tf Z tf
eTr (t)Qer (t)dt ≤η 2
uTr (t)ur (t)dt (5.66)
0 0

où Q est une matrice poids définie positive permettant de privilégier certaines composantes de l’erreur
de poursuite, η est le niveau d’atténuation désiré. Dans (5.66), la limite supérieure du gain du transfert
η
L2 de ur (t) vers er (t) notée λ (Q) quantifie l’effet de l’entrée de référence sur l’erreur de poursuite. Il
apparaît clairement qu’un des objectifs de la poursuite est de minimiser η .

Synthèse d’observateur

L’observateur choisi (5.64) est un multi-observateur proportionnel classique. La synthèse proposée

peut également être généralisée à des observateurs plus sophistiqués de type proportionnel intégral ou
multi-intégral [Duan et al. [2001], Busawon et Kabore [2001], Marx et al. [2003]].
Définissons l’erreur d’estimation d’état ex (t) :

ex (t) = x(t) − x̂(t) (5.67)

Sa dynamique ne peut pas être calculée directement à partir de (5.67) puisque dans l’équation (5.59)
les fonctions d’activation dépendent des variables non mesurables x(t) et celles de l’équation (5.64)
5.6. Poursuite de modèle de référence tolérante aux défauts 113

dépendent de leurs estimées x̂(t). Pour cette raison, en se basant sur la propriété de somme convexe des
fonctions d’activation, l’équation d’état (5.59) se ré-écrit sous la forme :
n
ẋ(t) = ∑ [hi (x̂(t))(Ai x(t) + Bi u(t)) + (hi (x(t)) − hi (x̂(t))(Ai x(t) + Bi u(t))] (5.68)
i=1

Cette forme permet une comparaison plus aisée entre x(t) et x̂(t), puisque hi (x̂(t)) apparaît non seulement
dans (5.64), mais également dans (5.68). Définissons à présent :
n
∆A(t) = ∑ [hi (x(t)) − hi(x̂(t)]Ai (5.69)
i=1
= AΣA (t)EA
et
n
∆B(t) = ∑ [hi (x(t)) − hi(x̂(t)]Bi (5.70)
i=1
= BΣB (t)EB
avec    
A = A1 . . . An B = B1 . . . Bn ,
 T  T
EA = Inx . . . Inx , EB = Inu . . . Inu
(5.71)
ΣA (t) = diag(δ1 (t)Inx , . . . , δn (t)Inx ), ΣB (t) = diag(δ1 (t)Inu , . . . , δn (t)Inu )
δi (t) = hi (x(t)) − hi (x̂(t))
De (5.61) et (5.71), nous avons :
− 1 ≤ δi (t) ≤ 1 (5.72)
ce qui implique :
ΣTA (t)ΣA (t) ≤ I, ΣTB (t)ΣB (t) ≤ I (5.73)
Se basant sur (5.69) et (5.70), le système (5.68) est représenté sous la forme du système incertain suivant :
n
ẋ(t) = ∑ hi (x̂(t))(Ai + ∆A(t))x(t) + (Bi + ∆B(t))u(t)) (5.74)
i=1

Des équations (5.74), (5.67) et (5.64), la dynamique de l’erreur d’estimation d’état est donnée par :
n
ėx (t) = ∑ hi (x̂(t)) ((Ai − LiC)ex (t) + ∆A(t)x(t) + ∆B(t)u(t)) (5.75)
i=1

Synthèse de la commande PDC par retour d’état

L’objectif est à présent de trouver les gains du contrôleur Ki (5.65) et ceux de l’observateur Li (5.64)
assurant la stabilité asymptotique du modèle en boucle fermée (5.77) et garantissant une performance de
poursuite L2 (5.66).
Pour cela, l’approche descripteur est considérée. La commande (5.65) est alors ré-écrite comme suit :
n
0.u̇(t) = − ∑ hi (x̂(t))Ki (xr (t) − x̂(t)) − u(t) (5.76)
j=1

A l’aide des définitions (5.63), (5.75), (5.62) et (5.76), définissons le vecteur d’état augmenté

T
xa (t) = eTr (t) eTx (t) xrT (t) uT (t)
114 Chapitre 5. Poursuite de consigne générée par un modèle de référence

dont la dynamique s’écrit :

n
E ẋa (t) = ∑ hi (x̂(t))(Ai (t)xa (t) + Bur (t)) (5.77)
i=1

avec  
Ai + ∆A(t) 0 Ai − Ar + ∆A(t) Bi + ∆B(t)
 ∆A(t) Ai − LiC ∆A(t) ∆B(t) 
Ai (t)=



0 0 Ar 0
 Ki −K
i  0  −Inu
(5.78)
Inx 0 0 0 −Br
 0 Inx 0 0   0 
E =  
 0 0 Inx 0  , B =  Br 


0 0 0 0 0
A noter que pour le vecteur augmenté xa (t), le critère de suivi (5.66) devient :
Z tf Z tf
xaT (t)Qa xa (t)dt ≤ η 2 uTr (t)ur (t)dt (5.79)
0 0

avec Qa = diag(Q, 0, 0, 0). La solution du problème de suivi (calcul des gains Ki et Li sous la contrainte
(5.79)) est donnée par le théorème suivant :

Théorème 13. Il existe un contrôleur PDC par retour d’état (5.65) et un observateur (5.64) pour le
système non linéaire décrit sous forme d’un modèle T-S à VDNM (5.59) garantissant la poursuite avec
l’atténuation L2 (5.66) pour une valeur donnée de η 2 , s’il existe des matrices P1 = P1T > 0, P2 = P2T > 0,
P3 = P3T > 0, P4 > 0, Fi , Ri , des scalaires positifs λ11 , λ31 , λ51 , λ12 , λ32 et λ42 satisfaisant les LMIs (5.80)
pour i = 1, . . . , n,
 
Mi1 0 P1 (Ai − Ar ) RTi + P1 Bi −P1 Br P1 A P1 A P1 B 0 0 0
 ∗ M2 0 −RTi 0 0 0 0 P2 A P2 A P2 B 
 i 
∗ ∗ M 3 0 P3 Br 0 0 0 0 0 0 
 
∗ ∗ ∗ M4 0 0 0 0 0 0 0 
 
 
∗ ∗ ∗ ∗ −η 2 Inu 0 0 0 0 0 0 
 
∗ ∗ ∗ ∗ ∗ −λ11 Innx 0 0 0 0 0 <0
 
∗ ∗ ∗ ∗ ∗ ∗ −λ31 Innx 0 0 0 0 
 
∗ ∗ ∗ ∗ ∗ ∗ ∗ −λ41 Innu 0 0 0 
 
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ −λ12 Innx 0 0 
 
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ −λ32 Innx 0 
∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ −λ12 Innu
(5.80)
avec
Mi1 = ATi P1 + P1 Ai + Q + (λ11 + λ12 )EAT EA
Mi2 = P2 Ai + ATi P2 −CT FiT − FiC
M 3 = ATr P3 + P3 Ar + (λ31 + λ32 )EAT EA
M 4 = −P4 − P4T + (λ41 + λ42 )EBT EB
Les gains de l’observateur et du contrôleur sont donnés par (pour i = 1, . . . , n) :

Ki = (P4T )−1 Ri
(5.81)
Li = P2−1 Fi
5.6. Poursuite de modèle de référence tolérante aux défauts 115

Remarque 15. La solution du problème de poursuite proposée est basée sur une atténuation L2 avec
une valeur η 2 fixée. On peut également assurer la poursuite et rechercher la plus petite valeur admissible
de η en résolvant le problème d’optimisation (5.82)
min η (5.82)
{P1 , P2 , P3 ,P4 , Fi , Ri , λ11 , λ31 , λ51 , λ12 , λ32 , λ42 }

telle que la condition (5.80) soit garantie avec η = η 2 .

Démonstration. Considérons la fonction de Lyapunov :
V (xa (t)) = xaT (t)E T Pxa (t) (5.83)
avec la condition :
E T P = PT E ≥ 0 (5.84)
Compte tenu de la structure de E (5.78) et de la contrainte (5.84), la matrice P est choisie sous forme
bloc diagonale P = diag(P1 , P2 , P3 , P4 ) avec :
P1 = P1T > 0, P2 = P2T > 0, P3 = P3T > 0
En utilisant (5.77), la dérivée par rapport au temps de V (xa (t)) est donnée par :
V̇ (xa (t)) = ẋaT (t)E T Pxa (t) + xaT (t)PT E ẋa (t)
n
∑ hi (x̂(t))(xaT (t)(Ai (t)P + PT Ai (t))xa (t) + xaT (t)PT Bur (t) + uTr (t)B
T T (5.85)
= Pxa (t))
i=1

Pour assurer la stabilité du système en boucle fermée (5.77) ainsi que l’atténuation L2 (5.79), avec la
fonction de Lyapunov (5.83), la condition à vérifier est :
V̇ (xa (t)) + xaT (t)Qa xa (t) − η 2 uTr (t)ur (t) < 0 (5.86)
Grâce aux relations (5.85), (5.78) et (5.79), (5.86) se ré-écrit :
! 
n T

Ai (t)P + PT Ai (t) + Qa PT B xa (t)
∑ hi (x̂(t)) xaT (t) uTr (t) T
B P −η 2 I ur (t)
<0 (5.87)
i=1

qui est vérifiée si : !

T
Ai (t)P + PT Ai (t) + Qa PT B
T <0 (5.88)
B P −η 2 I
Pour résoudre l’inégalité matricielle (5.88), une solution consiste à faire apparaître deux termes dis-
tincts : un terme constant et un terme dépendant du temps. De plus, en considérant les définitions (5.69)
et (5.70) avec la propriété (5.73), le terme variant dans le temps va être borné.
Des définitions (5.78) reportées dans (5.88) et compte tenu de la structure de la matrice P, la BMI
(inégalité matricielle bilinéaire) à résoudre par rapport à P, Ri et Fi est donc :
Ai + Q(t) + QT (t) < 0 (5.89)
avec les définitions :
 1

Mi 0 P1 (Ai − Ar ) RTi + P1 Bi −P1 Br
 
 0 Mi2 0 −RTi 0 
 3 
Ai =  ∗ ∗ Mi 0 P3 Br  (5.90)
 
 ∗ ∗ ∗ −P4 − P4T 0 
∗ ∗ ∗ ∗ −η 2 Inu
116 Chapitre 5. Poursuite de consigne générée par un modèle de référence

1
M i = ATi P1 + P1 Ai + Q
Mi2 = P2 Ai + ATi P2 −CT FiT − FiC
3
M i = ATr P3 + P3 Ar (5.91)
Ri = P4T Ki
Fi = P2 Li
 
P1 ∆A(t) 0 P1 ∆A(t) P1 ∆B(t) 0
 P2 ∆A(t) 0 P2 ∆A(t) P2 ∆B(t) 0 
 
Q(t) = 
 0 0 0 0 0 
 (5.92)
 0 0 0 0 0 
0 0 0 0 0
En utilisant la structure des termes variants dans le temps définie en (5.69) et (5.70), Q(t) se ré-écrit :

Q(t) = XA ΣA (t)YAT + XB ΣB (t)YBT (5.93)

avec        
P1 A P1 B EAT 0
 P2 A   P2 B   0   0 
       
XA = 
 0 ,
 XB = 
 0 ,
 YA = 
 EAT ,
 YB = 
 0 

 0   0   0   EBT 
0 0 0 0
En appliquant le lemme 5 du "Carré matriciel", le terme Q(t) + QT (t) peut être borné comme suit :
 
Q1 0 0 0 0
 0 Q2 0 0 0 
 
T 
Q(t) + Q (t) <  0 0 Q3 0 0  (5.94)

 0 0 0 Q4 0 
0 0 0 0 0
avec
Q1 = (λ11 + λ12 )EAT EA + ((λ11 )−1 + (λ31 )−1 )P1 AAT P1 + (λ41 )−1 P1 BB T P1
Q2 = ((λ12 )−1 + (λ32 )−1 )P2 AAT P2 + (λ42 )−1 P2 BB T P2
Q3 = (λ31 + λ32 )EAT EA
Q4 = (λ41 + λ42 )EBT EB
Ainsi, en remplaçant (5.90) et (5.94) dans (5.89) et en appliquant un complément de Schur, la condition
(5.86) assurant la poursuite avec une atténuation L2 et une estimation des états du système est impliquée
par la LMI (5.80), ce qui achève la preuve.

Simulation numérique
La commande proposée ainsi que la synthèse de l’observateur assurant la poursuite du modèle de
référence est illustrée par l’exemple d’un système non linéaire T-S (5.59) avec n = 2 et
   
−1 1 0 −1 1 0
A1 =  −6 −5 −1  , A2 =  −3 −5 −1 
 3 0 −1  −1 −1  −2 (5.95)
0 0 0 0

B1 =  0.4 0.1  , B2 =  −0.2 −1  , C = 1 0 0
0 0.2 1 0.5
5.6. Poursuite de modèle de référence tolérante aux défauts 117

Les fonctions d’activation dépendent de l’état du système et sont définies par :

2 − sin(x1 (t)) − tanh(x2 (t))

h1 (x(t)) = , h2 (x(t)) = 1 − h1 (x(t)) (5.96)
4

Le modèle de référence (5.62) est défini par les matrices suivantes :

   
−1 1 0 0 0
Ar =  −2 −8 −1  , Br =  1 1  (5.97)
−1 −2 −5 1 2

L’observateur et le contrôleur sont respectivement définis par les équations (5.64) et (5.65), leurs gains
sont calculés en résolvant les LMIs (5.80). Les résultats obtenus sont les suivants :
   
20.6280 −381.3725 −47.2350 13.4233 −320.8239 −858.9901
K1 = , K2 =
10.0786 −90.8162 −137.3001 −56.9571 863.5566 66.2848

T
T
L1 = −0.6914 −3.2299 3.1567 , L2 = −0.6954 −0.1777 −0.8158
(5.98)
Les figures 5.15 et 5.16 représentent les états du système et ceux de l’observateur respectivement notés x
et x̂, ainsi que les états du système et ceux du modèle de référence respectivement notés x et xr . La figure
5.17 représente l’entrée du système et du modèle de référence respectivement notées ur et u.

T
Les trajectoires d’état ont été obtenues avec la condition initiale x(0) = 0.1 0.1 0 pour le

0.2 x
0.1 x̂

−0.1

−0.2

−0.3
0 5 10 15 20 25 30 35 40 45 50

0.4 x
x̂
0.2

−0.2

−0.4
0 5 10 15 20 25 30 35 40 45 50

1 x
0.5 x̂

−0.5

−1

−1.5
0 5 10 15 20 25 30 35 40 45 50

Figure 5.15 – Etats du système et de l’observateur

T
T
système, x̂(0) = −0.1 −0.1 −1 pour l’observateur et xr (0) = 0.2 0 0 pour le modèle
de référence. La poursuite est assurée en fixant Q = 10 I3 et en optimisant le niveau d’atténuation η 2 .
−3

Les figures obtenues montrent bien que la trajectoire d’état du système suit celle du modèle de référence
avec une bonne précision bien que le système à contrôler soit à VDNM.
118 Chapitre 5. Poursuite de consigne générée par un modèle de référence

0.2 xr
0.1 x

−0.1

−0.2

0 5 10 15 20 25 30 35 40 45 50

0.1 xr

0 x

−0.1
−0.2
−0.3
−0.4
0 5 10 15 20 25 30 35 40 45 50

0.5 xr
x
0

−0.5

−1

−1.5
0 5 10 15 20 25 30 35 40 45 50

Figure 5.16 – Etats du système et du modèle de référence

u
ur
0

−5

−10

0 5 10 15 20 25 30 35 40 45 50

u
ur
5

−5
0 5 10 15 20 25 30 35 40 45 50

Figure 5.17 – Entrées du système et du modèle de référence

5.6. Poursuite de modèle de référence tolérante aux défauts 119

Présence de défauts capteur

Afin d’étendre les performances de l’approche proposée, nous considérons le même système que
précédemment, mais en présence de défaut additif de capteur. Le système est alors décrit par les équations
suivantes :  n
 ẋ(t) =
∑ hi (x(t))(Aix(t) + Bi u(t)) (5.99)
 i=1
y(t) = Cx(t) + G f (t)
où f (t) est le défaut de capteur, les matrices Ai , Bi et C sont les mêmes que précédemment définies en
(5.59) et où la matrice G indique la direction d’influence des défauts.
Le modèle de référence ainsi que l’observateur sont donnés par (5.62) et (5.64). La commande avec une
structure dynamique virtuelle est toujours prise sous la forme :
n
0.u̇(t) = − ∑ hi (x̂(t))Ki (xr (t) − x̂(t)) − u(t) (5.100)
j=1

Considérons à présent le vecteur augmenté xa (t)

T
xa (t) = eTr (t) eTx (t) xrT (t) uT (t) (5.101)

et l’entrée augmentée ua (t), qui prend en compte le défaut f (t)

T
ua (t) = uTr (t) f T (t) (5.102)

Se basant sur l’approche descripteur, nous avons :

n
E ẋa (t) = ∑ hi (x̂(t))(Ai (t)xa (t) + Bi ua (t)) (5.103)
i=1

avec  
Ai + ∆A(t) 0 Ai − Ar + ∆A(t) Bi + ∆B(t)
 ∆A(t) Ai − LiC ∆A(t) ∆B(t) 
Ai (t)=



0 0 Ar 0
 Ki −K
i  0 −Inu (5.104)
Inx 0 0 0 −Br 0
 0 Inx 0 0   0 −L 
iG 
E =  0 0 Inx 0 
 , Bi = 
 Br 0 
0 0 0 0 0 0
Ces équations généralisent celles obtenues en (5.78) afin de prendre en compte le présence de défauts de
capteurs. L’objectif est à présent de synthétiser une loi de commande tolérante aux défauts et atténuant
leurs effets sur l’estimation d’état et la poursuite, telle que l’état du système soit aussi proche que possible
de l’état de référence. La synthèse de l’observateur et du contrôleur est donnée par le théorème suivant.
Théorème 14. Il existe un contrôleur de type PDC par retour d’état (5.100) muni d’un observateur
non linéaire (5.64), appliqué à un système non linéaire représenté sous forme d’un modèle T-S à VDNM
(5.99) et affecté par un défaut de capteur f (t), garantissant une atténuation L2 (5.66) de valeur η 2 , s’il
existe des matrices P1 = P1T > 0, P2 = P2T > 0, P3 = P3T > 0, P4 > 0, Fi , Ri , des scalaires positifs λ11 , λ31 ,
λ41 , λ12 , λ32 et λ12 satisfaisant les LMIs (5.105) pour i = 1, . . . , n
 1 
Ci C2
<0 (5.105)
∗ C3
120 Chapitre 5. Poursuite de consigne générée par un modèle de référence

où les matrice Ci1 , C2 et C3 sont définies par :

 
Mi1 0 P1 (Ai − Ar ) RTi + P1 Bi −P1 Br 0
 ∗ Mi2 0 −RTi 0 −Fi G 
 
 ∗ ∗ M 3 0 P3 Br 0 
Ci = 
1


 (5.106)
 ∗ ∗ ∗ M4 0 0 
 ∗ ∗ ∗ ∗ −η 2 Inu 0 
∗ ∗ ∗ ∗ ∗ −η 2 Iny
 
P1 A P1 A P1 B 0 0 0
 0 0 0 P2 A P2 A P2 B 
 
 0 0 0 0 0 0 
C2 = 


 (5.107)
 0 0 0 0 0 0 
 0 0 0 0 0 0 
0 0 0 0 0 0

C3 = diag(−λ11 Innx , −λ31 Innx , −λ41 Innu , −λ12 Innx , −λ32 Innx , −λ12 Innu ) (5.108)
avec
Mi1 = ATi P1 + P1 Ai + Q + (λ11 + λ12 )EAT EA
Mi2 = P2 Ai + ATi P2 −CT FiT − FiC
M 3 = ATr P3 + P3 Ar + (λ31 + λ32 )EAT EA
M 4 = −P4 − P4T + (λ41 + λ42 )EBT EB
Les gains du contrôleur et de l’observateur sont donnés par (pour i = 1, . . . , n) :

Ki = (P4T )−1 Ri
(5.109)
Li = P2−1 Fi

Remarque 16. On peut formuler la même remarque que pour le théorème précédent à propos de l’opti-
misation de η 2 .

Démonstration. La comparaison des LMIs (5.80) et (5.105) met en évidence la façon dont le défaut
de capteur intervient. La différence avec le résultat précédent étant la définition de la matrice Bi . La
démonstration du théorème 14, identique à celle du théorème 13, est donc omise.

Simulation numérique
Considérons à présent le même exemple que précédemment, avec un défaut capteur (bruit de mesure
issu d’une distribution normale à moyenne nulle et de variance de l’ordre de 20% de l’amplitude de la
sortie) affectant le système (5.95) avec G = 1.
En appliquant le théorème 14, les gains d’observateur et du contrôleur sont donnés par :
   
6.5964 −661.8742 −153.4759 −31.6748 −61.0740 −1338.78
K1 = , K2 =
50.6975 −183.0979 −236.4476 −41.4662 1519.11 214.5846

T
T
L1 = −0.3159 −0.9728 1.2097 , L2 = −0.3331 0.2301 −1.0032
(5.110)
Afin de montrer l’efficacité de la commande FTC proposée, les gains de l’observateur (5.64) et ceux du
contrôleur (5.65) ont été d’abord calculés sans prendre en compte le défaut capteur (théorème 13) alors
que le défaut intervient dans la mesure y(t). Les résultats obtenus sont donnés à la figure 5.18.
5.6. Poursuite de modèle de référence tolérante aux défauts 121

0.4
xr
x
0.2 x̂

−0.2

−0.4
0 5 10 15 20 25 30 35 40 45 50

0.4 xr
x
0.2 x̂

−0.2

−0.4
0 5 10 15 20 25 30 35 40 45 50

1 xr
0.5 x
x̂
0

−0.5

−1

−1.5
0 5 10 15 20 25 30 35 40 45 50

Figure 5.18 – Etats du système, de l’observateur et du modèle de référence

0.4 xr
x
0.2 x̂

−0.2

−0.4
0 5 10 15 20 25 30 35 40 45 50

0.4 xr
x
0.2 x̂

−0.2

−0.4
0 5 10 15 20 25 30 35 40 45 50

1 xr
0.5 x
x̂
0

−0.5

−1

−1.5
0 5 10 15 20 25 30 35 40 45 50

Figure 5.19 – Etats du système, de l’observateur et du modèle de référence

122 Chapitre 5. Poursuite de consigne générée par un modèle de référence

Les états du système, de l’observateur et du modèle de référence obtenus grâce au théorème 14 avec prise
en compte du défaut dans la procédure de synthèse du contrôle sont représentés à la figure 5.19.

Il apparaît donc clairement une amélioration de la poursuite et de l’estimation dans le second cas. En
effet, si le défaut n’est pas pris en compte dans la synthèse du régulateur et de l’observateur, cela affecte
clairement les performances de poursuite. Alors que dans le second cas, même si les mesures sont en
défaut, la poursuite et l’estimation des états sont tout à fait satisfaisantes.
Pour l’exemple considéré, afin de quantifier les améliorations constatées sur l’erreur de poursuite, les
critères suivants sont considérés :
Φi = ∑ | xri (t) − x̂i (t) | (5.111)
t
pour les états estimés obtenus du théorème 14 (figure 5.19) et
Φi = ∑(xri (t) − x̂i (t)) (5.112)
t
pour les résultats représentés à la figure 5.18 et obtenus avec le théorème 13.
Le critère de comparaison τi pour chaque état est alors défini par :
Φi − Φi
τi = 100% (5.113)
Φi
Pour l’exemple précédent, nous avons obtenu τ1 = 33.97%, τ2 = 58.05% et τ3 = 28.62% respectivement
pour chaque état.
Ainsi, compte tenu des résultats présentés, nous constatons l’efficacité de la commande proposée dans
cette section pour les systèmes non linéaires représentés sous forme de modèles T-S assurant la poursuite
de modèle de référence malgré la présence de défaut.

5.6.2 Poursuite de modèle de référence sous contrainte de saturation : cas discret

Dans cette section, nous nous intéressons à l’établissement de lois de commande assurant la poursuite
de modèle de référence en présence de saturation d’actionneurs. La solution retenue est une extension de
la commande prédictive pour les modèles non linéaires T-S introduite précédemment.
Chaque entrée de commande présente une saturation (de bornes umin,i et umax,i ). L’objectif est de montrer
que l’aspect prédictif de la commande permet de mieux compenser l’effet de la saturation. La prédiction
introduisant un effet d’anticipation, nous montrerons par des exemples que la saturation est mieux prise
en compte, ce qui permet ainsi d’améliorer la poursuite de trajectoire.
La stratégie adoptée est la suivante :
1. Synthèse sur un horizon de taille p de la commande nominale assurant la poursuite sans tenir
compte des contraintes de saturation (équation (5.54) ou l’algorithme itératif si les fonctions d’ac-
tivation dépendent de l’entrée de commande)
2. Détection et localisation des composantes du vecteur de commande dépassant les limites de satu-
ration au nombre de ncM pour la limite supérieure et ncm pour la limite inférieure. Construction des
matrices de contrainte notées F1 ∈ Rnu (p+1)×ncM et F2 ∈ Rnu (p+1)×ncm localisant les composantes à
saturer.
Ces dernières sont définies comme suit (pour i = 1, . . . , nu et j = 0, . . . , p) :

1 si ui,k+ j ≥ umax,i
F1,i+ jnu =
0 sinon
 (5.114)
1 si ui,k+ j ≤ umin,i
F2,i+ jnu =
0 sinon
5.6. Poursuite de modèle de référence tolérante aux défauts 123

3. Mise à jour de la commande compte tenu des contraintes F1,i+ jnu et F2,i+ jnu , le critère à minimiser
étant maintenant pris sous la forme :

Φ =k xr,k+p+1 − Ak+p xk − Bk+p uk+p kW

2
+λ T (F T uk+p −U) (5.115)

où les matrices Ak+p , 

Bk+p et uk+p ont déjà été définies en (5.51),
  Umax
F = F1 F2 , U = ,
Umin
Umax ∈ RncM ×1 est le vecteur dont chaque composante est égale à umax
Umin ∈ Rncm ×1 est le vecteur dont chaque composante est égale à umin
W est une matrice de pondération
et λ le vecteur des paramètres de Lagrange associé aux contraintes.
4. Analyse de l’amplitude de la nouvelle commande et reprise à l’étape (3) si des commandes dé-
passent le niveau de saturation.
Comme précédemment, seule la première composante uk de uk+p est appliquée au système et la procédure
d’optimisation est reprise après translation d’un pas de l’horizon d’optimisation.

Remarque 17. Le nombre de vérifications à faire sur l’amplitude de la commande dépend des objectifs
de poursuite à atteindre, du système et du niveau de saturation considéré.

En dérivant Φ, l’équation d’optimalité pour uk+p et λ s’explicite :


k+p uk+p + Ak+p xk − xr,k+p+1 ) + F λ = 0
T W (B
Bk+p
T (5.116)
F uk+p −U = 0

dont la solution est :


 uk+p = (Bk+pW Bk+p ) × ((Bk+pW (xr,k+p+1 − Ak+p xk ) − F λ )
T −1 T

(5.117)

λ = (F T (Bk+p
T WB −1 −1 T T
k+p ) F) (F (Bk+pW Bk+p )
−1 × B T W (x
k+p r,k+p+1 − Ak+p xk ) −U)

Rappelons qu’en l’absence de saturation, l’entrée de commande est donnée par :

u0k+p = (Bk+p
T
W Bk+p )−1 Bk+p
T
W (xr,k+p+1 − Ak+p xk ) (5.118)

ce qui simplifie (5.117) sous la forme :


 uk+p = u − (Bk+pW Bk+p ) F λ
0 T −1

(5.119)

λ = (F T (Bk+p
T WB −1 −1 T 0
k+p ) F) (F uk+p −U)

dont la solution explicite s’exprime :

 −1 T −1 −1 T 0 −1 T −1 −1
 uk+p = (I − Qk+p F(F Qk+p F) F )uk+p + Qk+p F(F Qk+p F) U
(5.120)
 T WB
Qk+p = Bk+p k+p

Remarque 18. Comme pour la commande prédictive, si les fonctions d’activation dépendent de l’entrée,
les matrice A et B dépendent également de l’entrée et la loi de commande (5.120) est alors calculée de
manière itérative.
124 Chapitre 5. Poursuite de consigne générée par un modèle de référence

Exemple illustratif
Considérons l’exemple suivant :
     
0.8 0.4 0 0.8 0.4
Ar = , Br = , A1 =
 −0.2 0.4  0.2
  −0.3  0.9 (5.121)
0 0.8 0.4 0
B1 = , A2 = , B2 =
0.17 0.2 0.7 0.23

Les fonctions d’activation dépendent de l’entrée et sont données par :

1 + 2 tanh(uk )
µ1,k = , µ2,k = 1 − µ1,k (5.122)
2
La saturation est caractérisée par les bornes umin = −1 et umax = 0.5. Les simulations sont présentées
pour différentes tailles de l’horizon d’optimisation afin de souligner l’importance de ce paramètre dans
la qualité de poursuite du modèle de référence.
Définissons les deux critères de performance pour chaque composante i des états φs,i et φsc,i comme suit :

φs,i = ∑ |xr,k,i − xs,k,i |

k
(5.123)
φsc,i = ∑ |xr,k,i − xsc,k,i |
k

Le critère φs,i correspond au cas nominal saturé (sans prendre en compte la saturation dans la synthèse
de la commande), xr,k,i est l’état du modèle de référence et xs,k,i est l’état obtenu en appliquant la com-
mande prédictive (5.54) avec saturation subie (la saturation n’est pas prise en compte dans la synthèse
de la commande). Le second critère φsc,i concerne la loi de commande prenant en compte, dans son éla-
boration, la contrainte de saturation (i.e. l’approche proposée (5.120)), xsc,k,i est l’état correspondant. Le
critère de comparaison des performances des deux types de commande (avec et sans prise en compte de
la saturation dans sa synthèse) est donné par :

φs,i − φsc,i
τi = 100 (5.124)
φs,i

Pour l’exemple considéré, les résultats obtenus sont donnés dans le tableau 5.3. On observe que la taille
d’horizon N = 3 assure les meilleurs résultats en poursuite.
La figure 5.20 représente les états du système pour le cas nominal (poursuite sans saturation xn ), le

N=2 N=3 N=4 N=5

τ1 28.8% 36.4% 29.5% 24.6%

τ2 16.8% 21.2% 16.0% 13.7%

Tableau 5.3 – Comparaison des performances en poursuite pour différentes tailles d’horizon

cas nominal saturé xs (commande calculée sans prendre en compte la saturation, la saturation étant en-
suite appliquée à cette commande) et ceux de l’approche proposée (commande synthétisée en prenant en
5.6. Poursuite de modèle de référence tolérante aux défauts 125

0.4 xn
xsc
0.2
xs
0

−0.2

−0.4
0 20 40 60 80 100 120 140

0.4
xn
0.2 xsc
xs
0

−0.2

−0.4
0 20 40 60 80 100 120 140
Temps (pas d’échantillonnage)

Figure 5.20 – Etats du système pour le cas nominal avec commande non saturée, nominal avec saturation
subie et saturation prise en compte dans le calcul de la commande

0.5
un
1.5 usc
0

1
−0.5
0.5 40 42

−0.5

−1

−1.5

0 20 40 60 80 100 120 140

Temps (pas d’échantillonnage)

Figure 5.21 – Commandes avec et sans prise en compte de la saturation

126 Chapitre 5. Poursuite de consigne générée par un modèle de référence

compte la saturation) xsc . La figure 5.21 représente les entrées de commande avec et sans prise en compte
de la saturation.
Les résultats obtenus montrent que l’objectif de poursuite est amélioré grâce à l’action de prédiction qui
joue un rôle d’anticipation avant l’apparition de la saturation et de compensation après (36% d’amélio-
ration pour le premier état et 21% pour le second).

5.6.3 Conclusion
Le travail présenté dans ce chapitre porte sur la commande assurant la poursuite de modèle de réfé-
rence pour les systèmes non linéaires représentés par des modèles T-S. Après un bref état de l’art sur les
méthodes utilisées dans les contextes linéaire et non linéaire, le cas de la structure T-S a été introduit. Une
généralisation des méthodes existantes a été proposée en mettant l’accent sur les conditions structurelles
à respecter pour assurer une poursuite parfaite d’un modèle de référence.
La commande prédictive sur un horizon de temps fini a été développée en précisant l’influence de la taille
de l’horizon d’optimisation sur la qualité de la poursuite du modèle de référence.
Finalement, la commande tolérante aux défauts a été développée dans deux cas :
• les systèmes continus soumis à des défauts de capteur avec commande par atténuation L2 de l’effet
des défauts de capteurs sur l’estimation d’état et la poursuite du modèle de référence.
• les systèmes discrets soumis à des contraintes de saturation de commande.
Pour chaque cas, des exemples ont été présentés pour illustrer l’apport des approches proposées. Ces
dernières se sont avérées efficaces en termes de performance en poursuite et simple d’implémentation en
utilisant des algorithmes classiques d’optimisation LMI ou itératifs.
 Perspectives et conclusions
6
Sommaire
6.1 Perspectives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.1.1 Estimation paramétrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
6.1.2 Saturation T-S de la commande . . . . . . . . . . . . . . . . . . . . . . . . . 128
6.1.3 Poursuite de modèle de référence . . . . . . . . . . . . . . . . . . . . . . . . 132
6.2 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133

6.1 Perspectives
A l’issue de ce travail, même si de nombreux résultats ont été présentés, des pistes restent ouvertes
et peuvent être explorées afin d’améliorer les approches proposées dans ce manuscrit concernant l’es-
timation de défauts et la synthèse de commandes tolérantes à ces défauts. Dans ce qui suit, quelques
directions de recherche sont formalisées en matière d’estimation paramétrique, d’analyse de saturation
de commande et de poursuite de modèle de référence.

6.1.1 Estimation paramétrique

Résumé. Une nouvelle approche basée sur la ré-écritre par secteurs non linéaires et la décomposition
polytopique a été proposée pour assurer l’estimation d’état et de paramètres de systèmes non linéaires
variants dans le temps et représentés sous forme de modèles T-S. Cette représentation s’est révélée
efficace pour la détection et l’estimation de défauts multiplicatifs affectant aussi bien le système, ses
actionneurs, que ses capteurs.

Dans la continuité du travail sur l’estimation paramétrique, nous cherchons à présent à améliorer les
résultats obtenus, notamment concernant le système non linéaire considéré. En effet, dans l’approche
proposée, le système non linéaire est initialement considéré sous forme de modèle T-S à paramètres
variants, ceci n’est bien évidemment pas le cas en réalité. En effet, comme nous l’avons constaté dans
l’exemple de la station d’épuration présentée, le modèle du système de départ se présente sous la forme

127
128 Chapitre 6. Perspectives et conclusions

d’équations d’état non linéaires ; c’est à partir de cette représentation qu’il faudrait considérer le pro-
blème d’estimation.
Le but de l’extension envisagée est de présenter une généralisation de la méthode proposée, en partant
d’un système non linéaire de structure quelconque. Considérons à cet effet le système non linéaire à
paramètres variants dans le temps représenté par les équations suivantes :

ẋ(t) = f (x(t), θ (t), u(t))
(6.1)
y(t) = g(x(t), u(t))

où x(t) ∈ Rnx est l’état du système, u(t) ∈ Rnu l’entrée de commande et y(t) ∈ Rm la sortie. θ (t) ∈ Rn
sont les paramètres variant dans le temps, f (x(.), θ (.), u(.)) ∈ Rnx et g(x(.), u(.)) ∈ Rm des fonctions non
linéaires.
Sous l’hypothèse que f (x(t), θ (t), u(t)) et g(x(t), u(t)) soient continues et bornées, le système (6.1) peut
être représenté sous la forme quasi-LPV (6.2) :
    
ẋ(t) A(φ (x(t), u(t))) + Aθ (ψ (x(t), u(t), θ (t))) B(φ (x(t), u(t))) + Bθ (ψ (x(t), u(t), θ (t))) x(t)
=
y(t) C(φ (x(t), u(t))) D(φ (x(t), u(t))) u(t)
(6.2)
avec :

A(φ (x(t), u(t))), Aθ (ψ (x(t), u(t), θ (t))) ∈ Rnx ×nx , B(φ (x(t), u(t))), Bθ (ψ (x(t), u(t), θ (t))) ∈ Rnx ×nu
C(φ (x(t), u(t))) ∈ Rm×nx et D(φ (x(t), u(t))) ∈ Rm×nu

où φ (x(t), u(t)) ∈ C1 (Rnx +nu , Rnx1 +nu1 ) et ψ (x(t), u(t)) ∈ C1 (Rnx +nu +n , Rnx1 +nu1+n ) avec nx1 + nu1 < nx +
nu contiennent une partie ou la totalité des composantes des vecteurs d’état et d’entrée.
En supposant que les matrices Aθ (ψ (x, u, θ )) et Bθ (ψ (x, u, θ )) sont affines en θ , elles peuvent alors être
mises sous la forme :
 n


 θ A ( ψ (x, u, θ )) = ∑ θi (t)Ai (ψ (x(t), u(t), θ (t)))
i=1 (6.3)
n


 θ B ( ψ (x, u, θ )) = ∑ i i
θ (t)B ( ψ (x(t), u(t), θ (t)))
i=1

L’idée à développer serait de ré-écrire le système quasi-LPV (6.2) sous forme T-S en appliquant une
succession de transformations polytopiques convexes grâce à la SNT. Ainsi, nous devrions être capables
de mettre, de façon systématique, le système non linéaire à paramètres variants dans le temps sous la
forme suivante :
r n 2
ẋ(t) = ∑ ∑ ∑ µi (z(t))µe kj (θ j (t))(Akij x(t) + Bikj u(t)) (6.4)
i=1 j=1 k=1

en rejetant les paramètres θ j (t) ainsi que les non-linéarités dans les fonctions d’activation à définir.

6.1.2 Saturation T-S de la commande

Résumé. Une représentation de la saturation sous forme de modèle de Takagi-Sugeno (T-S) à trois
sous-modèles affines en u(t) est proposée. Cette nouvelle écriture permet d’intégrer les contraintes de
saturation d’un signal dans la synthèse d’une loi de commande et de ce fait, d’assurer non seulement la
stabilité du système bouclé, mais également de calculer les gains du contrôleur en fonction des limites
de saturation.
6.1. Perspectives 129

Dans la continuité du travail sur la synthèse de commande sous contrainte de saturation présenté
précédemment, nous cherchons à améliorer les résultats obtenus, notamment concernant le nombre de
conditions LMIs à résoudre, le recalage à zéro de l’état du système et la convergence vers une boule
centrée à l’origine. Le but de l’amélioration envisagée est de diminuer le volume calculatoire pour les
systèmes de grande dimension et d’assurer une convergence vers ou autour de zéro de l’état du système.
Pour cela, une modification de la précédente représentation T-S de la saturation peut être envisagée.
Une première solution consisterait à choisir une représentation de la saturation en deux sous-modèles
au lieu de trois. Une deuxième solution consisterait à représenter la saturation grâce à une fonction
tangente hyperbolique ce qui éliminerait le terme constant de la représentation actuelle. La nouvelle
forme obtenue peut être ainsi utilisée pour la synthèse de commande par retour d’état ou de sortie des
systèmes non linéaires saturés.

Représentation T-S avec deux sous-modèles

Comme pour la représentation à trois sous-modèles, il est possible de proposer une représentation T-
S de la saturation mais cette fois-ci limitée à deux sous-modèles. Pour les composantes u j (t) du vecteur
u(t), elle est donnée par l’équation suivante :

2
usat, j (t) = ∑ νij (u j (t)) ωij , j = 1, . . . , nu (6.5)
i=1

avec (
ω1j = umin, j
(6.6)
ω2j = umax, j
et les fonctions d’activation :
 j
 umax −min(umax, j , max(u j (t), umin, j ))
 ν j (u j (t)) =
1 umax, j −umin, j
(6.7)
 min(umax, j , max(u j (t), umin, j ))−umin, j
 ν j (u j (t)) =
2 umax, j −umin, j

Ainsi, plus généralement, le vecteur de commande u(t) ∈ Rnu soumis aux contraintes de saturation est
modélisé sous la forme :
!T
2 2
usat (t) = ∑ νi1 (u1 (t)) ωi1 , . . . , ∑ νin (un (t)) ωin
u
u
u
(6.8)
i=1 i=1

En suivant les étapes établies pour le cas à trois sous-modèles et en se basant sur la propriété de somme
convexe, (6.8) se ré-écrit afin de faire apparaître les mêmes fonctions d’activation pour les nu compo-
santes du vecteur de commande conduisant à la génération de 2nu sous modèles :
2nu
usat (t) = ∑ νsat,i (t)Ωi (6.9)
i=1

Les fonctions d’activation globales νsat,i (t) ainsi que les vecteurs Ωi ∈ Rnu ×1 sont définis comme suit :

 νsat,i (t) = ∏nj=1
u
ν j j (u j (t))
τi
 T (6.10)
 Ωi = ωτ 1 . . . ωτnnuu
1
i i
130 Chapitre 6. Perspectives et conclusions

où les indices τij (i = 1, . . . , 2nu et j = 1, . . . , nu ), égaux à 1 ou 2, indiquent quelle partition (ν1j ou ν2j ) de
la j ième entrée est considérée dans le i ième sous-modèle.
La relation liant le i ième sous-modèle et les indices τij est donnée par l’expression suivante :

i = 2nu −1 τi1 + 2nu −1 τi2 + . . . + 20 τinu − (21 + 22 + . . . + 2nu −1 ) (6.11)

Inversement, on peut également retrouver les τij en fonction du i ième sous modèle, les quantités ((τi1 −
1), . . . , (τinu − 1)) correspondent à l’écriture de (i − 1) en base 2.

Remarque 19. Les deux représentations proposées pour la contrainte de saturation (deux ou trois sous-
modèles) sont équivalentes et identiques à la définition initiale de la saturation (6.12). Cela témoigne de
l’intérêt majeur des modèles T-S qui proposent une représentation exacte des non-linéarités sans perte
d’information.
Cependant, entre les deux formules (4.10) et (6.9), deux différences peuvent être soulignées, dont les
effets doivent être soigneusement analysés.
1. la réduction du nombre de sous-modèles : on passe ainsi de 3nu pour le cas à trois partitions à 2nu
pour le cas à deux partitions.
2. l’intervention explicite de la commande u(t) dans l’équation du modèle : en effet, pour le cas à trois
3nu
sous-modèle, la commande intervient explicitement dans le modèle (usat (t) = ∑ µsat,i (t)(Λi u(t) +
i=1
Γi )). Par contre, dans la seconde représentation (6.9), la commande est rejetée dans les fonc-
tions d’activation, ce qui nous obligerait à considérer une dynamique virtuelle de l’entrée pour la
synthèse de la commande (approche descripteur par exemple).

A noter également que les stratégies de commande proposée dans le chapitre 4 peuvent être déduites
pour le cas deux sous-modèles.

Représentation de la saturation avec la fonction tangente hyperbolique

La fonction non linéaire saturation pour un signal u(t) s’explicite :

 u(t) si |u(t)| ≤ u
usat (t) := u si u(t) > u (6.12)

−u si u(t) < −u

où u est la limite de saturation.

Nous pouvons également considérer une autre forme de la fonction saturation (pour ε > 0 et petit) :
  
tanh(u(t))
usat (t) = u tanh(u(t)) = u − ε u(t) + ε u(t) (6.13)
u(t)

Soit z(t) la fonction non linéaire suivante :

tanh(u(t))
z(t) = −ε (6.14)
u(t)

que l’on exprime sous forme T-S :

z(t) − zmin zmax − z(t)

z(t) = zmax + zmin (6.15)
zmax − zmin zmax − zmin
6.1. Perspectives 131

avec zmax = maxu(t) {z(t)} = 1 − ε et zmin = minu(t) {z(t)} = −ε .

Nous pouvons ainsi écrire la fonction de saturation sous la forme :
2
usat (t) = ∑ µi (u(t))(αi + ε u)u(t) (6.16)
i=1

avec :
z(t) − zmin zmax − z(t)
µ1 (u(t)) = , µ2 (u(t)) = (6.17)
zmax − zmin zmax − zmin
α1 = uzmax , α2 = −uzmin (6.18)
La propriété de somme convexe des fonctions d’activation est bien vérifiée :

µ1 (u(t)) + µ2 (u(t)) = 1, 0 ≤ µi (u(t)) ≤ 1, i = 1, 2 (6.19)

Ainsi, pour nu entrées de commande, 2nu sous modèles sont obtenus. Il est aussi important de souligner
que nous obtenons une expression analytique de la commande saturée usat (t), exprimée en fonction du
signal d’entrée u(t). L’équation (6.13) peut ainsi s’exprimer sous la forme :
2nu
usat (t) = ∑ µsat,i (t)Λi u(t) (6.20)
i=1

où les fonctions d’activation globales µsat,i (t) ainsi que les matrices Λi ∈ Rnu ×nu sont définies comme
suit :  nu



 µsat,i (t) = ∏ µ j j (u j (t))
σi
j=1
(6.21)



 Λ
i = diag(ασ1 1 + ε , . . . , ασnunu + ε u)
i i

A partir de la nouvelle ré-écriture de la saturation proposée (6.20), comparée à la version précédente, il

est important de noter qu’à présent, nous avons un nombre moindre de sous-modèles (2nu contre 3nu ).
De plus, avec la nouvelle forme, le recalage à l’origine de l’état du système est possible, ce qui n’était
pas le cas précédemment (convergence vers une boule centrée en zéro puisque l’expression polytopique
de la commande saturée ne fait plus apparaître de terme constant Γi ). L’inconvénient de la seconde ré-
écriture est que les bornes de saturation doivent être symétriques ±u, alors que pour la première, elles
sont quelconques.

Relaxation des bornes

L’écriture proposée de la saturation avec la fonction tangente hyperbolique fixe les bornes de satura-
tion à ±u. Si nous cherchons à avoir des bornes non symétriques u et u, une solution serait d’ajouter une
translation et une homothétie = u+u2 . La nouvelle fonction de saturation est donnée par :
!
u+u u+u
u+u u+u 2 tanh(u(t)) + 2
usat (t) = tanh(u(t)) + = u(t) (6.22)
2 2 u(t)

Ainsi, la représentation T-S de sat(u(t)) se ré-écrit :

2
usat (t) = ∑ µi (u(t))αi u(t) (6.23)
i=1
132 Chapitre 6. Perspectives et conclusions

avec :
u+u
2 tanh(u(t)) + u+u
2
z(t) = (6.24)
u(t)

z(t) − zmin zmax − z(t)

µ1 (u(t)) = , µ2 (u(t)) = (6.25)
zmax − zmin zmax − zmin

α1 = zmax , α2 = zmin (6.26)

La propriété de somme convexe des fonctions d’activation est bien vérifiée :

µ1 (u(t)) + µ2 (u(t)) = 1, 0 ≤ µi (u(t)) ≤ 1, i = 1, 2 (6.27)

Pour un vecteur de commande de dimension nu , (6.22) peut ainsi s’exprimer sous la forme :

2nu
usat (t) = ∑ µsat,i (t)Λi u(t) (6.28)
i=1

où les fonctions d’activation globales µsat,i (t) ainsi que les matrices Λi ∈ Rnu ×nu sont définies comme
suit :  nu



 µ sat,i (t) = ∏ µσj ij (u j (t))
j=1
(6.29)



 Λ
i = diag(ασ1 1 , . . . , ασnunu )
i i

Ainsi, avec l’expression (6.28) nous réduirions non seulement le nombre de sous-modèles (de 3nu à 2nu ),
mais nous serions également capables d’assurer la convergence de l’état du système vers l’origine.

6.1.3 Poursuite de modèle de référence

Résumé. Pour la poursuite de modèle de référence, plusieurs points ont été abordés, notamment les
conditions structurelles de suivi, le choix du critère de commande ainsi que la synthèse de commande
(poursuite exacte, poursuite optimale et prédictive). La commande a également été considérée en pré-
sence de bruits de mesure et de saturation.

Dans la continuité du travail proposé, il serait intéressant d’approfondir l’étude sur les conditions de
poursuite pour les systèmes non linéaires et tout particulièrement pour les modèles T-S. En effet, comme
souligné dans le chapitre précédent, peu de travaux publiés traitent de ce point précis. Une étude compa-
rative entre les différentes conditions de poursuite et les résultats obtenus selon qu’elles sont vérifiées ou
non serait un bon point de départ.
Pour la commande tolérante aux fautes, il serait également intéressant de combiner les résultats des trois
chapitres, c’est-à-dire la synthèse d’une commande pour la poursuite de trajectoire pour des systèmes
non linéaires sous forme de modèles T-S à paramètres variants dans le temps et soumis à des contraintes
de saturation (elles mêmes représentées sous forme T-S). En effet, en prenant avantage de la remarque
3 portant sur l’équivalence entre la stabilisation par retour d’état à base d’observateurs et la stabilisa-
tion par retour de sortie dynamique ainsi que la commande tolérante aux fautes proposée en 5.6.1, la
combinaison de tous ces résultats est à envisager.
6.2. Conclusions 133

6.2 Conclusions
Les résultats proposés à l’issue de la rédaction de ce mémoire de thèse apportent une contribution
aux problèmes de représentation (modélisation) des non-linéarités, d’estimation d’état, de diagnostic et
de commande tolérante aux défauts des systèmes non linéaires représentés sous la forme de modèles de
Takagi-Sugeno.

• Dans le contexte de la modélisation, l’approche T-S a été choisie pour les nombreux avantages
qu’elle présente, notamment pour la simplicité d’utilisation de ce modèle pour l’étude de la sta-
bilité et la synthèse d’observateurs/contrôleurs. De ce fait, les systèmes non linéaires considérés
ont tous été représentés sous forme T-S (station d’épuration d’eaux usées, bioréacteur, chariot-
pendule). Cette représentation a également été appliquée à certaines non-linéarités, à des systèmes
à paramètres variants dans le temps (avec défauts affectant les systèmes, leurs actionneurs et leurs
capteurs) et à la saturation de commande.
• Dans le contexte de l’estimation et de la détection de défauts, une nouvelle approche pour l’esti-
mation simultanée de l’état et de paramètres variants dans le temps a été proposée. Cette dernière
repose sur la décomposition polytopique de chaque paramètre, puis en se basant sur la trans-
formation par secteurs non linéaires, une représentation T-S du système est proposée. De là, en
appliquant des résultats connus sur la synthèse d’observateurs à variables de décision non mesu-
rables, un observateur simultané de l’état et des paramètres est synthétisé. Cette approche présente
également une application intéressante dans le domaine de la détection de défauts.
• Dans le contexte de la commande, la stabilisation sous contrainte de saturation de commande a
été développée. Cette approche nouvelle présente l’intérêt d’intégrer la saturation dans la synthèse
de la commande. En effet, les gains calculés (pour différentes structures de lois de commande)
s’ajustent en fonction des limites de commande et assurent la stabilité des systèmes non linéaires,
même incertains et pour lesquels la saturation de commande peut apporter dans certains cas un
effet déstabilisant.
• Dans le contexte de la poursuite de modèle de référence, la nouveauté apportée est l’intérêt porté
aux conditions structurelles de poursuite. En effet, jusqu’à présent peu de travaux s’y sont inté-
ressés, et tout particulièrement pour les systèmes non linéaires sous forme de modèles T-S. La
contribution de nos travaux de recherche portent sur la commande optimale, la commande prédic-
tive (en proposant un algorithme itératif simple et efficace) ainsi que la commande tolérante aux
défauts (prenant en compte des défauts de capteur et la saturation de commande).
134 Chapitre 6. Perspectives et conclusions
 Annexes

135
136 Annexes
 Outils pour l’analyse des systèmes T-S
A
L’objectif de cette annexe est de présenter quelques définitions et lemmes utiles à l’analyse des
modèles T-S.
Le lemme suivant permet de transformer certaines inégalités matricielles non linéaires en LMI. Ainsi :
Lemme 4. Complément de Schur (Golub et Van Loan [1983]).
 
Q(x) S(x)
>0 (A.1)
ST (x) R(x)
est équivalente à : 
R(x) > 0
(A.2)
Q(x) − S(x)R−1 (x)ST (x) > 0
Lemme 5. Carré matriciel (Zhou et Khargonekar [1988]). Soient X et Y deux matrices de dimensions
appropriées, l’inégalité suivante est vérifiée pour toutes matrices G et Σ définies positives :
− X T ΣX −Y T Σ−1Y ≤ X T Y +Y T X ≤ X T GX +Y T G−1Y (A.3)
Lemme 6. (Propriété de congruence). Soit X une matrice symétrique et Y une matrice non singulière
de dimensions compatibles avec celle de X. Si X est définie positive (resp. négative) et si Y est de plein
rang colonne, alors le produit Y XY T est défini positif (resp. défini négatif).
Lemme 7. (Zhou et Khargonekar [1988]). Soient deux matrices X et Y de dimensions appropriées, une
matrice ∆(t) fonction du temps et un scalaire positif ε . La propriété suivante est vraie :
X T ∆T (t)Y +Y T ∆(t)X ≤ ε X T X + ε −1Y T Y (A.4)
pour ∆T (t)∆(t) ≤ I.
Definition 2. Stabilité quadratique (Rotea et al. [1993], Gérard [2008]). Considérons le système LTV
(linéaire à temps variant) décrit par
ẋ(t) = A(t)x(t) (A.5)
où x(t) ∈ Rnx est un vecteur d’état. Le système est quadratiquement stable s’il existe une matrice P
symétrique positive P = PT > 0 ∈ Rnx ×nx telle que, pour tout x(t) 6= 0 :
PA(t) + AT (t)P < 0 (A.6)

137
138 Annexe A. Outils pour l’analyse des systèmes T-S

Definition 3. Norme H∞ (Francis [1987]) Considérons le système :


ẋ(t) = Ax(t) + Bu(t)
G := (A.7)
y(t) = Cx(t) + Du(t)

où x(t) ∈ Rnx est le vecteur d’état, y(t) ∈ Rm le vecteur de sortie et u(t) ∈ Rnu le vecteur d’entrée.
La norme H∞ du système (A.7) est définie par :
 Z +∞ 1/2

 kyk2 T

 maxu , kuk2 6= 0 avec kyk2 = y (t)y(t)dt
 kuk2 −∞
kGk∞ := (A.8)

 q≡ 


 sup λ
ω ∈R max G( jω )GT (− jω )

dans le cas où le système (A.7) n’a pas de pôle sur l’axe imaginaire.
Definition 4. Gain L2 (Green et Limebeer [1995]) Si le système (A.7) est asymptotiquement stable, alors,
pour x(0) = 0, le gain L2 du système est donné par les définitions équivalentes suivantes :

 kyk2

 supu , kuk2 6= 0

 kuk2
kGk2 := ≡ (A.9)

  Z +∞ 1/2

 1
 tr(G( jω )GT (− jω ))d ω
2π −∞
Le gain L2 sert à mesurer la quantité d’énergie transmise par le système. Ainsi, la notion de gain L2
est utile pour quantifier la façon dont le système rejette les perturbations externes.
Pour un système linéaire stable, la norme H∞ de la fonction de transfert est la norme induite L2 de
l’opérateur d’entrée-sortie associé au système, c’est donc le gain L2 du système.
Le lemme borné réel, qui fournit une majoration du gain L2 entre l’entrée et la sortie d’un système, peut
être utilisé pour quantifier l’atténuation des perturbations sur le système.
Lemme 8. Lemme réel borné ou lemme de Kalman-Yakubovich-Popov (Yakubovich [1962], Popov [1962],
Kalman [1963]). Les trois propositions suivantes sont équivalentes :
• la matrice A est stable et ||G||∞ < γ .
• il existe pour une matrice X = X T > 0 (Willems [1971]) :

R = γ 2 Inu − DT D > 0,
(A.10)
AT X + XA +CT C + (XB +CT D)R−1 (XB +CT D)T < 0

• il existe pour une matrice X = X T > 0 (Boyd et al. [1994]) :

 T 
A X + XA XB CT
 ∗ −γ 2 Inu DT  < 0 (A.11)
∗ ∗ −Im

Dans le cas où les matrices (A, B,C, D) du système (A.7) dépendent du temps, nous ne pouvons pas
parler de norme H∞ , mais nous pouvons considérer le gain L2 induit suivant :
kyk2
J = supu , kuk2 6= 0 (A.12)
kuk2
Le lemme borné réel pour ces systèmes LTV (linéaires variants dans le temps) est alors le suivant :
 139

Lemme 9. (Lemme borné réel pour les systèmes LTV) Sous l’hypothèse x(0) = 0, le système (A.7) avec
les matrices (A, B,C, D) variant dans le temps vérifie J < γ dans le cas continu, avec γ > 0 donné, s’il
existe une matrice symétrique définie positive (P = PT > 0) telle que l’inégalité suivante soit vérifiée :
 
Ṗ(t) + AT (t)P(t) + P(t)A(t) P(t)B(t) CT (t)
 ∗ −γ 2 Inu DT (t)  < 0, ∀t (A.13)
∗ ∗ −Im
140 Annexe A. Outils pour l’analyse des systèmes T-S
 Comparaison entre différentes structures non linéaires
B
et la représentation T-S

Considérons la formulation suivante des modèles T-S :

 n
 ẋ(t) = ∑ µi (ξ (t))(Ai x(t) + Bi u(t))


i=1 (B.1)
n


 y(t) = ∑ µi (ξ (t))(Cix(t) + Di u(t))
i=1

où x(t) ∈ Rnx est le vecteur d’état, u(t) ∈ Rnu l’entrée du système et y(t) ∈ Rm sa sortie. Les paramètres
ξ (t) ∈ Rq représentent les variables de décision qui peuvent être mesurables (entrée ou sortie du système)
ou non mesurables (états du système). Les fonctions d’activation µi (ξ (t)) des n sous modèles satisfont
la propriété de somme convexe
 n

∑ µi (ξ (t)) = 1, ∀t (B.2)
 i=1
0 ≤ µi (ξ (t)) ≤ 1, i = 1, . . . , n

De nombreuses techniques de modélisation de systèmes non linéaires partagent la même structure (B.1).
Il est donc possible de mettre en évidence des relations entre la représentation T-S et quelques autres.
En effet, nous illustrerons par le biais d’exemples simples que les modèles T-S peuvent être considérés
comme une représentation générale, englobant d’autres représentations comme les modèles ARX et les
systèmes LPV.

B.1 Les modèles ARX

Il est possible d’établir une relation entre la représentation d’état d’un système T-S et un modèle
ARX à paramètres variants (Auto Regressive model with eXternal Inputs). En effet, si nous considérons
le modèle ARX suivant :
ÿ(t) + a1 (t)ẏ(t) + a0 (t)y(t) = bu(t) (B.3)

141
142 Annexe B. Comparaison entre différentes structures non linéaires et la représentation T-S

Pour a1 (t) et a0 (t) bornés on peut trouver des constantes a01 , a02 , a11 et a12 ainsi que des fonctions µ01 ,
µ02 , µ11 et µ12 vérifiant (B.2) telles que :
 2


 a
 1 (t) = ∑ µ1i (t)a1i
i=1 (B.4)
 2
 a0 (t) = ∑ µ0i (t)a0i


i=1

La représentation T-S de ce système est donnée par :

       
 2 2
ẋ (t) 0 1 x1 (t) 0



1
ẋ2 (t)
= ∑ ∑ µ1i (t)µ0 j (t) −a0i −a1 j x2 (t)
+
b
u(t)
i=1 j=1 (B.5)





y(t) = 1 0 x(t)

pour x1 (t) = y(t) et x2 (t) = ẏ(t).

Après quelques développements, il est possible de regrouper les fonctions d’activation en une seule
somme de fonctions (avec 22 sous-modèles) vérifiant la propriété de somme convexe (B.2).
Ainsi, nous pouvons considérer que la représentation d’état (B.5) est bien sous forme T-S (B.1) et que
les systèmes à paramètres variants sous forme ARX peuvent être traités comme une famille des modèles
T-S (à condition bien évidement que les fonctions d’activation µ1i (t), µ0i (t) et µbi (t) soient convexes). Il
est important de noter que la transformation inverse, c-à-d, le passage d’un modèle T-S (B.1) à une forme
ARX n’est pas toujours possible, la structure T-S étant plus générale que la forme ARX.

B.2 Les modèles LPV

La structure LPV peut être utilisée pour représenter le comportement de plusieurs systèmes dyna-
miques, mais également des défauts et des erreurs de modélisation. Un système LPV peut généralement
s’écrire de manière équivalente, au moins sur un compact de l’espace d’état, sous forme T-S. Inverse-
ment, un système T-S peut être vu comme un système LPV. En effet, si les paramètres varient dans un
ensemble compact, il est possible de manière directe et systématique (comme il est démontré dans le
chapitre 3), de ré-écrire ces modèles sous forme T-S. Cette idée est exploitée dans le chapitre 3 (estima-
tion paramétrique) et y est largement détaillée.
Considérons la matrice d’état d’un système sous la forme LPV suivante :

M(θ (t)) = M0 + θ1 (t)M1 + θ2 (t)M2 (B.6)

T
avec θ (t) = θ1 (t) θ2 (t) un vecteur de paramètres bornés et M0 , M1 et M2 des matrices constantes.
Après quelques transformations élémentaires (voir chapitre 3), cette équation se met sous la forme :

22
M(θ (t)) = ∑ µi (θi (t))M i (B.7)
i=1

où µi (θi (t)) et M i s’obtiennent à partir de F1,i , F2, j , M0 , M1 et M2 .

L’équation (B.7) correspond bien à une écriture T-S. Ceci permet bien de montrer le lien existant entre
les modèles LPV et les modèles T-S.
B.3. Les réseaux de fonctions à base radiale 143

B.3 Les réseaux de fonctions à base radiale

Il a été montré que, sous certaines restrictions, les réseaux de fonctions à base radiale (Radial basis
function networks) sont équivalents aux modèles T-S. (Jang et Sun [1993], Hunt et al. [1996]). L’équi-
valence entre les modèles est assurée si les fonctions de pondération utilisées sont de type gaussien et si
chaque sous-modèle se réduit à une constante wi (sous-modèle d’ordre 0). Ce type de modèle possède en
outre la propriété d’approximation universelle, c’est-à-dire que n’importe quel système non linéaire peut
être représenté par cette structure. Cette approche présente néanmoins deux inconvénients principaux, à
savoir le nombre important de sous-modèles nécessaires à l’obtention d’une approximation satisfaisante
du système non linéaire et l’exploitation délicate du modèle obtenu (Orjuela [2008]).

B.4 Exemples illustratifs

Afin d’illustrer l’avantage (simplicité et généralité) du formalisme T-S pour le traitement des sys-
tèmes non linéaires, nous proposons de montrer à partir d’exemples simples des alternatives basées sur
l’approche T-S pour la représentation et la synthèse d’observateur robuste.

B.4.1 Représentation des systèmes

Dans cette section, nous montrons en nous basant sur un exemple physique simple que le formalisme
T-S est bien adapté au traitement des systèmes incertains et peut être considéré comme une alternative
intéressante à la représentation LFT (Transformation Linéaire Fractionnaire).
Considérons l’exemple du mouvement d’une masse m soumise à une force F(t) dont l’équation dyna-
mique est donnée par :
mẍ(t) + c(t)ẋ(t) + k(t)x(t) = F(t) (B.8)
où c(t) et k(t) correspondent respectivement aux frottement visqueux et sec de la masse sur le support
de translation. Considérons le cas où les coefficients c et k sont variants dans le temps, ce qui correspond
à un modèle soumis à des incertitudes, c’est-à-dire :

c(t) = c(1 + 0.2δc (t)) et k(t) = k(1 + 0.1δk (t)) (B.9)

où c et k sont des constantes et représentent les valeurs nominales des coefficients c(t) et k(t), δc (t) et
δk (t) des incertitudes bornées telles que :

|δc (t)| < 1 et |δk (t)| < 1

≡   (B.10)
c(t) ∈ [0.8c, 1.2c] et k(t) ∈ 0.9k, 1.1k

Représentation LFT
Nous proposons de représenter le système (B.8) affecté par les incertitudes (B.10) en nous basant sur
la transformation LFT. Cette dernière permet de séparer les parties certaines et incertaines du modèle en
écrivant le modèle global G(s) comme un système certain P(s) bouclé par des incertitudes ∆(s) bornées.

Le système (B.8) est ainsi représenté par le diagramme bloc de la figure (B.2) dans lequel les variables
auxiliaires dc , ec , dk et ek vont permettre d’isoler les termes incertains dans la représentation du système.
 P
144 Annexe B. Comparaison entre différentes structures non linéaires et la représentation T-S

∆
u y
G(s, ∆) ≡ ω z
u P(s) y

Figure B.1 – Représentation linéaire fractionnaire haute des incertitudes

F + ẍ R ẋ R x
1/m
−
+ +
+ − c
0.2 δc
ω1 z1
+
− k
0.1 δk
ω2 z2

Figure B.2 – Représentation LFT du système

Une représentation LFT du système est :

         
ẋ(t) 0 1 x 0 0 0 ω1 (t)
= + F(t) +
ẍ(t) −k/m c/m ẋ 1/m   −0.2/m −0.1/m ω2 (t)

x(t)
y(t) = 1 0
ẋ(t)
          (B.11)
ω1 (t) δc (t) 0 z1 (t) z1 (t) 0 c x(t)
= , = (B.12)
ω2 (t) 0 δk (t) z2 (t) z2 (t) k 0 ẋ(t)
Ainsi, les outils développés pour les systèmes LFT peuvent maintenant être appliqués pour l’analyse du
système non linéaire incertain (B.8) (Henry et al. [2001], Henry et Zolghari [2006]).

Représentation T-S
Nous cherchons à présent à représenter le système (B.8) sous les contraintes (B.10) sous la forme
d’un modèle T-S. En effet, à partir des équations (B.9) et (B.10) et de la transformation par secteurs non
linéaires, les paramètres c(t) et k(t) se mettent sous la forme :

c(t) = Fc,1 (c(t)) cM + Fc,2 (c(t)) cm

(B.13)
k(t) = Fk,1 (k(t)) kM + Fk,2 (k(t)) km
avec : 
cM = max {c(t)} = 1.2c, cm = min {c(t)} = 0.8c
(B.14)
kM = max {k(t)} = 1.1k, km = min {k(t)} = 0.9k

 c(t) − cm cM − c(t)

 Fc,1 (c(t)) = c − c , Fc,2 (c(t)) =
 M m cM − cm
(B.15)

 k(t) − km kM − k(t)

 Fk,1 (k(t)) = , Fk,2 (k(t)) =
kM − km kM − km
B.4. Exemples illustratifs 145

Cette décomposition nous permet d’écrire, de manière systématique, le système non linéaire incertain
(B.8)-(B.9) sous la forme T-S suivante :
   
0 1 0
Ẋ(t) = k(t) X(t) + u(t)
 − m − c(t)
m
1/m
  
0 1 0 1
= kM cM X(t) + kM cm X(t)
−Fk,1 (k(t)) m −Fc,1 (c(t)) m  −Fk,1 (k(t)) m −Fc,2 (c(t)) m 
0 1 0 1
+ km cM X(t) + km cm X(t)
 −F (k(t))
k,2 m −F c,1 (c(t)) m −F k,2 (k(t)) m −Fc,2 (c(t)) m
0
+ u(t)
1/m
4
= ∑ µi (t)(Ai X(t) + Bu(t))
i=1
(B.16)

T
où X(t) = x(t) ẋ(t) est le vecteur d’état et u(t) = F(t) l’entrée de commande. Les fonctions
d’activation µi (t) s’explicitent :

µ1 (t) = Fk,1 (t)Fc,1 (t), µ2 (t) = Fk,1 (t)Fc,2 (t), µ3 (t) = Fk,2 (t)Fc,1 (t), µ4 (t) = Fk,2 (t)Fc,2 (t) (B.17)

Les matrices constantes Ai sont données par

! !
0 1 0 1
A1 = kM cM , A2 = kM cm
− − − −
m m ! m m ! (B.18)
0 1 0 1
A3 = km cM , A4 = km cm
− − − −
m m m m

T
La matrice B est définie par B = 0 1/m .
Les outils développés pour les systèmes T-S peuvent maintenant être appliqués pour l’analyse du système
non linéaire incertain (B.8). Ainsi, la représentation T-S peut constituer une alternative intéressante à la
transformation LFT pour le traitement des systèmes incertains.

B.4.2 Synthèse d’observateur

Nous nous limitons à la comparaison entre deux approches pour la synthèse d’observateur d’état
des systèmes bilinéaires. La première approche est la méthode du grand gain, la seconde consiste à
représenter le même système (bilinéaire) sous forme T-S, puis à synthétiser l’observateur correspondant
en utilisant les outils présentés dans la section précédente. Considérons le modèle bilinéaire suivant :
 nu
0 ∑ ii
 ẋ(t) = A x(t) + A u (t)x(t) + Ru(t) + Bw(t)
(B.19)
 i=1
y(t) = Cx(t) + Dw(t)

où x(t) ∈ Rnx est le vecteur d’état, u(t) ∈ Rnu le vecteur des entrées de commande et y(t) ∈ Rm le vecteur
des sorties mesurées. Le vecteur w(t) ∈ Rq représente le vecteur des perturbations à énergie bornée et
valeur moyenne nulle. Sans perte de généralité, la commande u(t) est supposée continue et bornée.
146 Annexe B. Comparaison entre différentes structures non linéaires et la représentation T-S

Observateur à grand gain bilinéaire

Pour la classe des systèmes bilinéaires soumis à des perturbations à énergie bornée, l’observateur à
grand gain fait partie des approches les plus couramment utilisées pour l’estimation d’état. Cette classe
d’observateurs et de système ne représentant pas le sujet principal de ce mémoire, nous nous contenterons
de présenter le cas le plus simple, qui est celui à un degré de liberté. Cela consiste, pour un système donné,
à synthétiser l’observateur à partir du choix d’un réel positif généralement noté θ .
La stratégie adoptée a pour objectif d’assurer la stabilité exponentielle de l’erreur d’estimation avec
un niveau d’atténuation au sens L2 du gain entre les perturbations et cette erreur. Les conditions ainsi
obtenues sont données sous forme LMI.
L’observateur d’état pour le système (B.19) est ainsi défini par le lemme 10 :
Lemme 10. (Gérard [2008], Deza et Gauthier [1991], Deza et al. [1992]) Le système
 −1CT (Cx̂(t) − y(t))
˙ = A(u)x̂(t) + Ru(t) − S∞
 x̂(t)
nu
(B.20)
 A(u) = A0 + ∑ Ai ui (t)
i=1

est un observateur exponentiel pour le système (B.19) avec S∞ (θ ) = Q−1 S∞ (θ )QT où la matrice S∞ (θ ) =
T
S∞ (θ ) ∈ Rnx ×nx est solution de l’équation de Riccati :
T
− θ S∞ (θ ) − A S∞ (θ ) − S∞ (θ )A +CT C = 0 (B.21)
 
0 Inx −1
avec A = ∈ Rnx ×nx et θ ∈ R∗+ suffisament grand. La matrice Q est une matrice de chan-
0 0
gement de base (xh = Qx) qui permet de mettre le système (B.19) sous une forme canonique.
La procédure de synthèse d’observateur consiste ainsi à trouver un paramètre positif θ assurant si-
multanément la stabilité de l’erreur d’estimation e(t) = x(t) − x̂(t) et une atténuation de perturation
inférieure à un scalaire γ donné (ou à optimiser).
Une solution proposée ramène la synthèse de l’observateur à une résolution de LMI en minimisant γ
conjointement avec le calcul de S∞ (θ ) pour un paramètre θ donné. Le théorème 11 résume la procédure.
Lemme 11. (Gérard [2008], Gérard et al. [2010]) Pour un paramètre θ donné, le système (B.20) est un
observateur quadratique pour le système (B.19) et présente une atténuation de perturbation inférieure à
un réel donné γ s’il existe des matrices Pi = PiT ∈ Rnx ×nx (pour i = 0, . . . , nu ) et une matrice F ∈ Rnx ×nx ,
telles que pour j = i = 1, . . . , 2nu
 i 
L (θ , β ) P(
e β ) − F + ÂT∞ (θ , β )F T FB(θ )
 ∗ −F − F T FB(θ ) < 0 (B.22)
∗ ∗ −γ Inx
2

e β) > 0
P( (B.23)
avec
nu
Li (θ , β ) = ∑ β Pi + F Â∞ (θ , β ) + ÂT∞ (θ , β )F T + Inx
i=1
nu
e β ) = ∑ β Pi
P(
i=0 (B.24)
nu
Â∞ (θ , β ) = ∑ β Ai − S∞
−1 T
C C
i=0
B(θ ) = B − S∞
−1 (θ )CT D
B.4. Exemples illustratifs 147

pour β ∈ S et S l’ensemble défini par :

n  T
β = α1 . . . α2nu ∈ R2nu |∀i ∈ [1, nu ], αi ∈ {uimin , uimax }
S= (B.25)
et ∀i ∈ [nu + 1, 2nu ], αi ∈ {µimin , µimax }}

où uimin , µimin , uimax et µimax correspondent respectivement aux bornes min et max des entrées de com-
mande ui (t) et de leurs dérivées u̇i (t).

Des résultats présentés ci-dessus (10 et 11), nous constatons que la synthèse d’un observateur pour
le système bilinéaire (B.19) reste assez complexe dans certains cas.

Observateur T-S
La procédure proposée consiste à ré-écrire le système (B.19) sous forme T-S, puis d’appliquer de
manière systématique et simple les résultats disponibles pour les observateurs des systèmes linéaires.
Ainsi, nous pouvons écrire le système (B.19) sous la forme quasi-LPV suivante :

ẋ(t) = A(u(t))x(t) + Ru(t) + Bw(t)
(B.26)
y(t) = Cx(t) + Dw(t)
!
avec A(u(t)) = A0 + ∑ Ai ui (t) . Afin d’obtenir les modèle T-S correspondant, il suffit d’appliquer la
nu

i=1
transformation par secteurs non linéaires détaillée plus haut. En effet, puisque les entrées de commande
sont bornées, il est possible de les considérer comme variables de prémisse connues, leur nombre étant
égal au nombre de commandes nu . Le système T-S à 2nu sous-modèles obtenu est sous la forme suivante

 2nu
ẋ(t) = ∑ µi (u(t)) (Ai x(t)) + Ru(t) + Bw(t)
i=1 (B.27)

y(t) = Cx(t) + Dw(t)

L’observateur assurant la convergence asymptotique de l’erreur d’estimation e(t) = x(t) − x̂(t) ainsi que
l’atténuation L2 du transfert de w(t) vers e(t) est donné sous la forme :

 ˙ 2nu
x̂(t) = ∑ µi (u(t)) (Ai x̂(t) + Ru(t) + Li (y(t) − ŷ(t)))
i=1 (B.28)

ŷ(t) = Cx̂(t)

Les gains Li sont donnés par la solution du problème d’optimisation LMI suivant :
 T 
Ai P + PAi − KiC −CT Ki + Inx PB − Ki D
<0
∗ −γ 2 Iq (B.29)
P = PT > 0

avec Li = P−1 Ki , i = 1, . . . , 2nu .

Comme pour l’exemple précédent, nous constatons que l’approche T-S peut être considérée comme une
alternative intéressante pour l’étude des systèmes bilinéaires.
148 Annexe B. Comparaison entre différentes structures non linéaires et la représentation T-S
 Bibliographie

A KHENAK, A. (2004). Conception d’observateurs non linéaires par approche multi-modèles : applica-
tion au diagnostic. Thèse de doctorat, Institut National Polytechnique de Lorraine, Nancy, France.

A KHENAK, A., C HADLI, M., R AGOT, J. et M AQUIN, D. (2007). Design of sliding mode unknown
input observer for uncertain Takagi-Sugeno model. In 15th Mediterranean Conference on Control and
Automation, Athens, Greece.

A LAMIR, M. (2006). La commande prédictive non linéaire. La commande Prédictive, Hermes-Lavoisier.

A LCORTA G ARCIA, E. et F RANK, P. (1997). Deterministic nonlinear observer-based approaches to fault

diagnosis : a survey. Control Engineering Practice, 5(5):663–670.

A LESSIO, A. et B EMPORD, A. (2008). A survey on explicit model predictive control. assessment and
future directions of nonlinear model predictive control. In International Workshop on Assessment and
Future Directions of Nonlinear Model Predictive Control, Pavia, Italy.

A LEX, J., B ETEAU, J. F., C OPP, J. B., H ELLINGA, C., J EPPSSON, U., M ARSILI -L IBELLI, S., P ONS,
M. N., S PANJERS, H. et VANHOOREN, H. (1999). Benchmark for evaluating control strategies in
wastewater treatment plants. In European Control Conference, Karlsruhe, Germany.

A LLGÖWER, E. L. et G EORG, K. (1980). Simplicial and continuation methods for approximating fixed
points and solutions to systems of equations. Society for Industrial and Applied Mathematics Revue,
22:28–85.

A LLGÖWER, F. et Z HEN, A. (2000). Nonlinear Model Predictive Control. Birkhäuser Verlag, Boston,
Massachusetts, USA.

A NGELIS, G. (2001). System analysis, modeling and control with Polytopic Linear Models. Thèse de
doctorat, Technische Universiteit Eindhoven, Netherland.

A XELSSON, O. (1994). Iterative Solution Methods. Cambridge UniversityPress, Cambridge, Australia.

BACCIOTTI, A. et B OIERI, P. (1991). A characterization of single input planar nonlinear systems. Sys-
tems and Control letters, 16(2):139–143.

BALANDAT, M. (2010). Constrained Robust Optimal Trajectory Tracking : Model Predictive Control
Approaches. Thèse de doctorat, Technische Universität Darmstadt, Institute of Flight Systems and
Automatic Control, Darmstadt, Germany.

BANKS, S. (1986). Stabilizability of finite and infinite-dimensional bilinear systems. IMA Journal of
Mathematical Control and Information, 3(4):255–271.

BASILE, G. et M ARRO, J. (1969). On the observability of linear, time-invariant systems with unknown
inputs. Journal of optimization theory and applications, 3:410–415.

149
150 Bibliographie

B ERGSTEN, P. et PALM, R. (2000). Thau-Luenberger observers for TS fuzzy systems. In 9th IEEE
International Conference on Fuzzy Systems, San Antonio, Texas, USA.

B ESANÇON, G. (2000). Remarks on nonlinear adaptive observer design. Systems and Control Letters,
41(4):271–280.

B ESANÇON, G. (2007). Nonlinear Observers ans Applications. Springer.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2011a). On the unknown input observer
design : a decoupling class approach with application to sensor fault diagnosis. In 1st International
Conference on Automation and Mechatronics, Oran, Algeria.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2011b). On the unknown input observer de-
sign : a decoupling class approach. In 9th IEEE International Conference on Control and Automation,
Santiago, Chile.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2012). Linear feedback control input under
actuator saturation : A Takagi-Sugeno approach. In 2nd International Conference on Systems and
Control, Marrakech, Morocco.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013a). Contribution to the constrained output
feedback control. In American Control Conference, Washington, DC, USA.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013b). Model reference tracking control for
nonlinear systems described by Takagi-Sugeno structure. In IEEE International Conference on Fuzzy
Systems, Hyderabad, India.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013c). Nonlinear joint state and parame-
ter estimation. Application to a wastewater treatment plant. Control Engineering Practice. Accepted
paper in May 2013, 21(10):1377–1385.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013d). Stabilization of nonlinear systems
subject to actuator saturation. In IEEE International Conference on Fuzzy Systems, Hyderabad, India.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013e). Stabilization of nonlinear systems
subject to uncertainties and actuator saturation. In American Control Conference, Washington, DC,
USA.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013f). State and multiplicative sensor fault
estimation for nonlinear systems. In 2nd International Conference on Control and Fault-Tolerant
Systems, Nice, France.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013g). State and parameter estimation for
nonlinear systems : a Takagi-Sugeno approach. In American Control Conference, Washington, DC,
USA.

B EZZAOUCHA, S., M ARX, B., M AQUIN, D. et R AGOT, J. (2013h). State and parameter estimation
for time-varying systems : a Takagi-Sugeno approach. In IFAC Joint Conference. 5th Symposium on
System Structure and Control, Grenoble, France.

B LANCHINI, F. et M IANI, S. (2008). Set-Theoretic Methods in Control. Birkhauser Boston, Massachu-

setts, USA.
 151

B LANKE, M., K INNAERT, M., L UNZE, J. et S TAROSWIECKI, M. (2003). Diagnosis and Fault-Tolerant
Control. Springer-Verlag, Berlin, Germany.

B OUAKRIF, F. (2012). Commande par apprentissage itératif des robots manipulateurs. Editions univer-
sitaires europeennes, Sarrebrûck, Germany.

B OUARAR, T. (2009). Contribution à la synthèse de lois de commande pour les descripteurs de type
Takagi-Sugeno incertains et perturbés. Thèse de doctorat, Université de Reims Champagne Ardenne,
France.

B OYD, S., E L G HAOUI, L., F ERON, E. et BALAKRISHNAN, V. (1994). Linear Matrix Inequalities in
System and Control Theory. SIAM, Ed., Philadelphia, USA.

B USAWON, K. et K ABORE, P. (2001). Disturbance attention using proportional integral observers. In-
ternational Journal of control, 74(6):618– 627.

C ARLOS -H ERNANDEZ, S., S ANCHEZ, E. et B ÉTEAU, J. (2009). Fuzzy observers for anaerobic WWTP :
development and implementation. Control Engineering Practice, 17(6):690–702.

C ELIKOVSKY, S. (1993). On the stabilization of homogeneous bilinear systems. Systems and Control
Letters, 21(6):503–510.

C HABOUR, R., S ALLET, G. et V IVALDA, J. (1993). Stabilization of nonlinear two dimensional systems :
a bilinear approach. Mathematics of Control, Signals and Systems, 6(3):224–246.

C HADLI, M., M AQUIN, D. et R AGOT, J. (2002). Static output feedback for Takagi-Sugeno systems : an
LMI approach. In 10th Mediterranean Conference on Control and Automation, Lisbon, Portugal.

C HAMILOTHORIS, G. (1987). Techniques Adaptatives pour le suivi et la Conduite des Processus de

Fermentation. Thèse de doctorat, Université Paul Sabatier de Toulouse, France.

C HANG, S. (1997). Design of general structured observers for linear systems with unknown inputs.
Journal of the Franklin Institute, 334(2):213–232.

C HEN, B., L EE, C. et C HANG, Y. (1996). H∞ tracking design for uncertain nonlinear SISO systems :
Adaptive fuzzy approach. IEEE Transactions on Fuzzy Systems, 4(1):32–43.

C HEN, B., UANG, H. et T SENG, C. (1998). Robust tracking enhancement of robot systems including
motor dynamics : a fuzzy-based dynamic game approach. IEEE Transactions on Fuzzy Systems,
6(4):538–552.

C HEN, J. et PATTON, R. (1999). Robust model based fault diagnosis for dynamic systems. Kluwer
Academic Publishers, Boston, Dordrecht, London.

C HEN, M. et C HEN, C. (2010). Unknown input observer for linear non-minimum phase systems. Journal
of the Franklin Institute, 347(2):577–588.

C HO, Y. et R AJAMANI (1997). A systematic approach to adaptive synthesis for nonlinear systems. IEEE
Transactions on Automatic Control, 42(4):534–537.

C URRAN, R. (1971). Equicontrollability and the model-following problem. Rapport technique, Stanford
University, California, USA.
152 Bibliographie

DAAFOUZ, J. (1997). Robustesse en performance des systèmes linéaires incertains. Placement de pôles
et coût garanti. Thèse de doctorat, Institut National des Sciences Appliquées, Toulouse, France.

DAROUACH, M., Z ASADZINSKI, M. et X U, S. (1994). Full-order observers for linear systems with
unknown inputs. IEEE Transactions on Automatic Control, 39(3):606–609.

D E D ONA, J. A., M OHEIMANI, S. O. R., G OODWIN, G. C. et F EUER, A. (1999). Robust hybrid control
incorporating over-saturation. Systems and Control Letters, 38(3):179–185.

de O LIVEIRA, M., B ERNUSSOU, J. et G EROMEL, J. (1999). A new discrete-time robust stability condi-
tion. Systems and Control Letters, 37(4):261–265.

D EZA, F., B USVELLE, E., G AUTHIER, J. et R AKOTOPARA, D. (1992). High gain estimation for nonlinear
systems. Systems and Control Letters, 18(4):295–299.

D EZA, F. et G AUTHIER, J. (1991). A simple and robust nonlinear estimator. In 30th IEEE Conference
on Decision and Control, Brighton, UK.

D IMITRATOS, J., G EORGAKIS, C., E L - AASSER, M. et K LEIN, A. (1991). An experimental study of adap-
tive Kalman filtering in emulsion copolymerization. Chemical Engineering Science, 46(12):3203–
3218.

D ING, S. (2008). Model-Based Fault Diagnosis Techniques Design Schemes, Algorithms and tools.
Springer-Verlag, Berlin, Germany.

D IOP, S. et F LIESS, M. (1991). On nonlinear observability. In 1st European Control Conference, Gre-
noble, France.

D O, A. L., Gomes da S ILVA J R ., J. M., S ENAME, O. et D UGARD, L. (2011). Control design for LPV
systems with input saturation and state constraints : an application to a semi-active suspension. In 50th
IEEE Conference on Decision and Control, Orlando, Florida, USA.

D OCHAIN, D. (1986). On line parameters estimation, adaptive state estimation and adaptive control of
fermentation processes. Thèse de doctorat, Université Catholique de Louvain, Belgique.

D UAN, G., L IU, G. et S., T. (2001). Eigenstructure assignment design for proportional-integral obser-
vers : continuous time case. IEE Proceedings Control Theory and Applications, 148(3):263(267.

E BENBAUER, C. et A LLGÖWER, F. (2006). Analysis and design of polynomial control systems using
dissipation inequalities and sum of squares. Computers and Chemical Engineering, 30(10):1590–
1602.

E DWARDS, C. et S PURGEON, S. (1994). On the development of discontinuous observers. International

Journal of Control, 59(1):1211–1229.

E DWARDS, C., S PURGEON, S. et PATTON, R. (2000). Sliding mode observers for fault detection and
isolation. Automatica, 36(4):541–553.

E RZBERGER, H. (1967). Analysis and design of model following control systems by state space tech-
niques. NASA techdocs.

F ILEV, D. (1991). Fuzzy modeling of complex systems. International Journal of Approximate Reaso-
ning, 5(3):281–290.
 153

F INDEISEN, R., A LLGÖWER, F. et B IEGLER, L. (2007). Assessment and Future Directions of Nonlinear
Model Predictive Control. Springer, Berlin, Germany.

F OSSARD, A. et N ORMAND -C YROT, D. (1993). Systèmes non linéaires : Modélisation - Estimation

(Tome I). Masson.

F RANCIS, B. (1987). A course in H∞ Control Theory, volume 88 of Lecture Notes in Control and Infor-
mation Sciences. Springer-Verlag, New York, USA.

F RIDMAN, L. et L EVANT, A. (2002.). Higher Order Sliding Modes. in Sliding Mode Control in Engi-
neering (W. Perruquetti and J.B. Barbot, eds.), ch. 3, Marcel Dekker.

G ASSO, G. (2000). Identification de systèmes dynamiques non linéaires : approche multi-modèles. Thèse
de doctorat, Institut National Polytechique de Lorraine, Nancy, France.

G AUTHIER, J. P., H AMMOURI, H. et OTHMANN, S. (1992). A simple observer for nonlinear systems :
Application to bioreactors. IEEE Transactions on Automatic Control, 37(6):875–880.

G ÉRARD, B. (2008). Observateurs et commande basée sur un observateur pour les systèmes bilinéaires.
Thèse de doctorat, Université Henri Poincaré- Nancy 1, France.

G ÉRARD, B., S OULEY A LI, H., Z ASADZINSKI, M. et DAROUACH, M. (2010). H∞ filter for bilinear
systems using LPV approach. IEEE Transactions on Automatic Control, 55(7):1688–1674.

G ERTLER, J. (1988). Survey of model-based failure detection and isolation in complex plants. IEEE
Control Systems Magazine, 8(6):3–11.

G ERTLER, J. (1991). Analytical redundancy methods in fault detection and isolation. In 1st Interna-
tional Symposium on Fault Detection, Supervision and Safety for Technical Processes, Baden-Baden,
Germany.

G ERTLER, J. (1998). Fault detection and diagnosis in engineering systems. Marcel Dekker.

G ILBERT, E. G. et TAN, K. T. (1991). Linear systems with state and control constraints : The theory and
application of maximal output admissible sets. IEEE Transactions on Automatic Control, 36:1008–
1020.

G OLUB, G. et VAN L OAN, C. (1983). Matrix Computations. The Johns Hopkins university press,
Baltimore, Maryland, USA.

Gomes da S ILVA J R, J. M. et TARBOURIECH, S. (2005). Antiwindup design with guaranteed regions of

stability : An LMI-based approach. IEEE Transactions on Automatic Control, 50(1):106–111.

G REEN, M. et L IMEBEER, D. (1995). Robust Linear Control. Prentice Hall, Englewood Cliffs, New
Jersey, USA.

G RIMM, G., H ATFIELD, J., P OSTLETHWAITE, I., T EEL, A., T URNER, M. et Z ACCARIAN, L. (2003). An-
tiwindup for stable linear systems with input saturation : an LMI-based synthesis. IEEE Transactions
on Automatic Control, 48(9):1509–1525.

G UELTON, K., B OUARAR, T. et M ANAMANNI, N. (2009). Robust dynamic output feedback fuzzy Lya-
punov stabilization of Takagi-Sugeno systems- a descriptor redundancy approach. Fuzzy Sets and
Systems, 160(19):2796–2811.
154 Bibliographie

G UERRA, T., K RUSZEWSKI, A., V ERMEIREN, L. et T IRMANT, H. (2006). Conditions of output sta-
bilization for nonlinear models in the Takagi-Sugeno’s form. Fuzzy Sets and Systems, 157(9):1248
–1259.
G UO, J., L IU, Y. et TAO, G. (2009). Multivariable MRAC with state feedback for output tracking. In
American Control Conference, St. Louis, USA.
H AMMOURI, H. et T MAR, Z. (2010). Unknown input observer for state affine systems : A necessary and
sufficient condition. Automatica, 46:271–278.
H ENRION, D. (1999). Stabilité des systèmes linéaires incertains à commande contrainte. Thèse de
doctorat, Institut National des Sciences Appliquées de Toulouse, Toulouse, France.
H ENRION, D. et TARBOURIECH, S. (1999). Relaxations LMI pour la stabilité robuste des systèmes
linéaires à commande saturée. In Journées Doctorales d’Automatique, Nancy, France.
H ENRY, D. et Z OLGHARI, A. (2006). Norm-based design of robust FDI schemes for uncertain systems
under feedback control : comparison of two approaches. Control Engineering Practice, 14(9):1081–
1097.
H ENRY, D., Z OLGHARI, A., G ASTANG, F. et M ONSION, M. (2001). A new multi-objective filter design
for garanteed robust FDI performance. In 40th IEEE Conference on Decision and Control, Orlando,
Florida USA.
H ENZE, M., L ESLIE G RADY J R, C. P., G UJER, W., M ARAIS, G. V. R. et M ATSUO, T. (1987). Activated
sludge model. Rapport technique, no.1. I.A.W.Q. Scientific and Technical Report, London, UK.
H OU, M. et M ULLER, P. (1992). Design of observers for linear systems with unknown inputs. IEEE
Transactions on Automatic Control, 37(6):871–875.
H SU, L., O LIVEIRA, M. et P EIXOTO, A. (2006). Sliding mode control of uncertain nonlinear systems
with arbitrary relative degree and unknown control direction. In International Workshop on Variable
Structure Systems, Alghero, Sardinia, Italy.
H U, T. et L IN, Z. (2003). Composite quadratic Lyapunov functions for constrained control systems.
IEEE Transactions on Automatic Control, 48(3):440–450.
H UANG, D. et N GUANG, S. K. (2006). Robust H∞ static output feedback control of fuzzy systems : An
ILMI approach. IEEE Transactions on Systems, Man and Cybernetics, 36(1):216–222.
H UNT, K., H AAS, R. et M URRAY-S MITH, R. (1996). Extending the functional equivalence of radial basis
function networks and fuzzy inference systems. IEEE Transactions on Neural Networks, 7(3):776–
781.
I CHALAL, D. (2009). Estimation et diagnostic de systèmes non linéaires décrits par un modèle de
Takagi-Sugeno. Thèse de doctorat, Institut National Polytechnique de Lorraine.
I CHALAL, D., M ARX, B., R AGOT, J. et M AQUIN, D. (2009a). Simultaneous state and unknown inputs
estimation with PI and PMI observers for Takagi-Sugeno model with unmeasurable premise variables.
In 17th Mediterranean Conference on Control and Automation, Thessaloniki, Greece.
I CHALAL, D., M ARX, B., R AGOT, J. et M AQUIN, D. (2009b). State and unknown input estimation for
nonlinear systems described by Takagi-Sugeno models with unmeasurable premise variables. In 17th
Mediterranean Conference on Control and Automation, Thessaloniki, Greece.
 155

I CHALAL, D., M ARX, B., R AGOT, J. et M AQUIN, D. (2010). State estimation of Takagi-Sugeno systems
with unmeasurable premise variables. IET Control Theory & Applications, 4(5):897–908.

I CHALAL, D., M ARX, B., R AGOT, J. et M AQUIN, D. (2012). Advances in observer design for Takagi-
Sugeno systems with unmeasurable premise variables. In 20th Mediterranean Conference on Control
and Automation, Barcelona, Spain.

I SERMANN, R. (1997). Supervision, fault detection et fault diagnosis methods : an introduction. Control
Engineering Practice, 5(5):639–652.

I SERMANN, R. (2006). Fault-Diagnosis Systems : An Introduction from Fault Detection to Fault Tole-
rance. Springer, Berlin, Germany.

I SIDORI, A. et B YRNES, C. (1990). Output regulation of nonlinear systems. IEEE Transactions on

Automatic Control, 35(2):131–140.

JANG, J.-S. et S UN, C.-T. (1993). Functional equivalence between radial basis function networks and
fuzzy inference systems. IEEE Transactions on Neural Networks, 4(1):156–159.

J OSHI, S., TAO, G. et PATRE, P. (2011). Direct adaptive control using an adaptive reference model.
International Journal of Control, 84(1):180–196.

K ALMAN, R. (1963). Lyapunov functions for the problem of Lur’e in automatic control. Proceeding of
the National Academy of Science of the USA, 49(2):201–205.

K AMIDI, R. (2000). Controllability and observability of polytopic linear models. Mémoire de D.E.A.,
Eindhoven University of Technology, The Netherlands.

K APASOURIS, P. et ATHANS, M. (1988). Design of feedback control systems for stable plants with
saturating actuator. In 27th Conference on Decision and Control, Austin, Texas, USA.

K APOOR, N., T EEL, A. R. et DAOUTIDIS, P. (1998). An anti-windup design for linear systems with
input saturation. Automatica, 34(5):559–574.

K AWAMOTO, S., TADA, K., I SHIGAME, A. et TANIGUCHI, T. (1992). An approach to stability analysis
of second order fuzzy systems. In IEEE International Conference on Fuzzy Systems, San Diego,
California, USA.

K ELLEY, C. T. (1995). Iterative Methods for Linear and Nonlinear Equations. Society for Industrial
and Applied Mathematics, Philadelphia, Pennsylvanie, USA.

K ENNE, G., A HMED -A LI, T., L AMNABHI -L AGARRIGUE, F. et A RZANDE, A. (2008). Nonlinear sys-
tems time-varying parameter estimation : Application to induction motors. Electric Power Systems
Research, 78(11):1881–1888.

K ERRIGAN, E. et M ACIEJOWSKI, J. (1999). Fault-tolerant control of a ship propulsion system using

model predictive control. In Proceedings of European Control Conference, Karlsruhe, Germany.

K HALIL, H. (1992). Nonlinear Systems. Prentice Hall, New Jersey, USA.

K RUSZEWSKI, A. (2006). Lois de commande pour une classe de modèles non linéaires sous la forme
Takagi-Sugeno : Mise sous forme LMI. Thèse de doctorat, Université de Valenciennes et du Hainaut-
Cambresis, France.
156 Bibliographie

L ENDEK, Z., L AUBER, J., G UERRA, T., BABUSKA, R. et D E S CHUTTER, B. (2010). Adaptive observers
for T-S fuzzy systems with unknown polynomial inputs. Fuzzy Sets and Systems, 161(15):2043–2065.

L I, J., WANG, H. O., N EWMANN, D. et TANAKA, K. (2000). Dynamic parallel distributed compensation
for Takagi-Sugeno systems : An LMI approach. Information Sciences, 123(4):201–221.

L I, X., Z HANG, Q. et S U, H. (2011). An adaptive observer for joint estimation of states and parameters
in both state and output equations. International Journal of Adaptive Control and Signal Processing,
25(9):765–854.

L IN, C., WANG, Q. G. et L EE, T. H. (1999). H∞ -control for Takagi-Sugeno fuzzy descriptor systems. In
International Conference on Systems, Man and Cybernetics, Tokyo, Japan.

L JUNG, L. (1979). Asymptotic behavior of the extended Kalman filter as a parameter estimator for linear
systems. IEEE Transactions on Automatic Control, 24(1):36–50.

L JUNG, L. et S ODESTRÖM, T. (1983). Theory and Practice of Recursive Identification. MIT Press.

L UBENOVA, V. (1999). Stable adaptive algorithm for simultaneous estimation of time-varying parame-
ters and state variables in aerobic bioprocesses. Bioprocess Engineering, 21:219–226.

L UENBERGER, D. (1971). An introduction to observers. IEEE Transactions on Automatic Control,

16(6):596–602.

M ACIEJOWSKI, J. et J ONES, C. (2003). MPC fault-tolerant flight control case study : flight 1862. In
Proceedings of SAFEPROCESS’2003, Washington D.C., USA.

M ANSOURI, B., M ANAMANNI, N., G UELTON, K., K RUSZEWSKI, A. et G UERRA, T. (2009). Output
feedback LMI tracking control conditions with H∞ criterion for uncertain and disturbed T-S models.
Information Sciences, 179(4):446–457.

M AQUIN, D. et R AGOT, J. (2000). Diagnostic des Systèmes Linéaires. Hermes Science Publications,
France.

M ARX, B., KOENIG, D. et G EORGES, D. (2003). Robust fault diagnosis for linear derscriptor systems
using proportional integral observers. In 42nd IEEE Conference on Decision and Control, Maui,
Hawaii, USA.

M ARX, B., KOENIG, D. et R AGOT, J. (2007). Design of observers for Takagi-Sugeno descriptor systems
with unknown inputs and application to fault diagnosis. IET Control Theory and Applications, 1(5):
1487–1495.

M OHAMMADPOUR, J. et S CHERER, C. (2012). Control of Linear Parameter Varying Systems with

Applications. Springer, New York, USA.

M ORÈRE, Y. (2001). Mise en oeuvre de lois de commande pour les modèles flous de type Takagi-Sugeno.
Thèse de doctorat, Université de Valenciennes et du Hainaut-Cambrésis, France.

M ULDER, E., KOTHARE, M. et M ORARI, M. (2001). Multivariable antiwindup controller synthesis

using linear matrix inequalities. Automatica, 37(9):1407–1416.

M URRAY-S MITH, R. et J OHANSEN, T. (1997). Multiple model approaches to modeling and control.
Taylor & Francis, London, UK.
 157

NAGY, A., M ARX, B., M OUROT, G.and Schutz, G. et R AGOT, J. (2011). Observers design for uncertain
Takagi-Sugeno systems with unmeasurable premise variables and unknown inputs. Application to a
wastewater treatment plant. Journal of Process Control, 21(7):1105–1114.

NAGY, A., M OUROT, G., M ARX, B., R AGOT, J. et S CHUTZ, G. (2010). Systematic multimodeling
methodology applied to an activated sludge reactor model. Industrial Engineering Chemical Research,
49(6):2790–2799.

N IE, C. et PATTON, R. (2011). Fault estimation and MRC-based active FTC. In 18th IFAC World
Congress, Milano, Italy.

N IKOLAOU, M. (2001). Model predictive controllers : A critical synthesis of theory and industrial needs.
Advances in Chemical Engineering, 26(34):131–204.

N OURA, H., S AUTER, D., H AMELON, F. et T HEILLIOL, D. (2000). Fault-tolerant control in dynamic
systems : Application to a winding machine. IEEE Control Systems Magazine, 20(1):33–49.

O RJUELA, R. (2008). Contribution à l’estimation d’état et au diagnostic des systèmes représentés par
des multimodèles. Thèse de doctorat, Institut National Polytechnique de Lorraine, Nancy, France.

O RJUELA, R., M ARX, B., R AGOT, J. et M AQUIN, D. (2013). Nonlinear system identification using
heterogeneous multiple models. Applied Mathematics and Computer Science, 23(1):103–115.

PARK, J.-K. et C HOI, C.-H. (1995). Dynamic compensation method for multivariable control systems
with saturating actuators. IEEE Transactions on Automatic Control, 40(9):1635–1640.

PATTON, R., C HEN, J. et L OPEZ -T ORIBIO, C. (1998). Fuzzy observers for nonlinear dynamic systems
fault diagnosis. In 37th IEEE Conference on Decision and Control, Tampa, Florida, USA.

P OPOV, V. (1962). Absolute stability of nonlinear systems of automatic control. Automation and Remote
Control, 22(8):857–875.

R AGOT, J., DAROUACH, M., M AQUIN, D. et B LOCH, G. (1990). Validation de données et diagnostic.
Hermes Science Publications, France.

R AJAMANI, R. et H EDRICH, J. (1995). Adaptive observer for active automotive suspensions- theory and
experiment. IEEE Transactions on Control Systems Technology, 3(1):86–93.

RODRIGUES, M. (2005). Diagnostic et commande active tolérante aux défauts appliqués aux systèmes
décrits par des multi-modèles linéaires. Thèse de doctorat, Université Henri Poincaré, Nancy, France.

ROTEA, M., C ORLESS, M., DA, D. et P ETERSEN, I. (1993). Systems with structured uncertainty :
relations between quadratic and robust stability. IEEE Transactions on Automatic Control, 38(5):799–
803.

S ALA, A. et A RINO, C. (2007). Asymptotically necessary and sufficient conditions for stability and
performance in fuzzy control : Applications of Polya’s theorem. Fuzzy Sets and Systems, 158(24):
2671–2686.

S ASTRY, S. et B ODSON, M. (1989). Adaptive control : Stability, Convergence and Robustness. Prentice
Hall, New Jersey, USA.

S CORLETTI, G. et E L G HAOUI, L. (1998). Improved lmi conditions for gain scheduling and related
control problems. International Journal of Robust and Nonlinear Control, 8(10):845–877.
158 Bibliographie

S ENAME, O. et D UGARD, L. (2012). Quelques développements sur le contrôle de la dynamique de vehi-

cule : une approche LPV du problème. In 7me Conférence Internationale Francophone d’Automatique,
CIFA 2012, Grenoble, France.

S HIMIZU, K., I TO, S. et S UZUKI, S. (2005). Tracking control of general nonlinear systems by a direct
gradient descent method. Nonlinear Dynamics and Systems Theory, 5(1):91–105.

S HUMSKY, A. (2008). Algebraic approach to the problem of fault accommodation in nonlinear systems.
In 17th World Congress, Seoul, South Korea.

S TAROSWIECKI, M. et G EHIN, A.-L. (2001). From control to supervision. Annual Reviews in Control,
25:1–11.

S TEIN, G. (1989). Respect the unstable. Bode lecture. In 28th Conference on Decision and Control,
Tampa, Floride, USA.

S TEPANYAN, V. et K RINSHNAKUMAR, K. (2010). MRAC revisited : guaranteed performance with

reference model modification. In American Control Conference, Maryland, Baltimore, USA.

S TEPANYAN, V., K RISHNAKUMAR, K. et N GUYEN, N. (2009). Transient performance and asymptotic

tracking with filtering robust adaptive control. In IEEE Aerospace Conference, Bigsky, Montana,
USA.

S YAICHU -ROHMAN, A. (2005). Optimisation Based Feedback Control of Input Constrained Linear
Systems. Thèse de doctorat, The University of Newcastle Callaghan, Australia.

S YAICHU -ROHMAN, A. et M IDDLETON, R. (2004). Anti-windup schemes for discrete time systems :
An LMI-based design. In 5th Asian Control Conference, Melbourne, Victoria, Australia.

TAKAGI, T. et S UGENO, M. (1985). Fuzzy identification of systems and its applications to modeling and
control. IEEE Transactions on Systems, Man and Cybernetics, 15(1):116–132.

TAN, C. et E DWARDS, C. (2003). Sliding mode observers for robust detection and reconstruction of
actuator and sensor faults. International Journal of Robust and Nonlinear Control, 13(5):443–446.

TANAKA, K., H ORI, T. et WANG, H. (2003). A multiple Lyapunov function approach to stabilization of
fuzzy control systems. IEEE Transactions on Fuzzy Systems, 11:582–589.

TANAKA, K., I KEDA, T. et WANG, H. (1998). Fuzzy regulators and fuzzy observers : Relaxed stability
conditions and LMI-based design. IEEE Transactions on Fuzzy Systems, 6(2):250–265.

TANAKA, K., O HTAKE, H. et WANG, H. (2007). A descriptor system approach to fuzzy control system
design via fuzzy Lyapunov functions. IEEE Transactions on Fuzzy Systems, 15(3):333–341.

TANAKA, K. et WANG, H. (2001). Fuzzy Control Systems Design and Analysis : A Linear Matrix
Inequality Approach. John Wiley & Sons, Inc.

TANIGUCHI, T., TANAKA, K., OTHAKE, H. et WANG, H. O. (2001). Model construction, rule reduction,
and robust compensation for generalized form of Takagi-Sugeno fuzzy systems. Transactions on
Fuzzy Systems, 9(4):525–537.

TANIGUCHI, T., TANAKA, K., Y UMAFUJI, K. et WANG, H. (1999). A new PDC fuzzy reference models.
In IEEE International Fuzzy Systems Conference, Seoul, South Korea.
 159

TAO, G. (2003). Adaptive Control Design and Analysis. John Wiley and Sons, New York, USA.

T ONG, S., WANG, T. et L I, H.-X. (2002). Fuzzy robust tracking control for uncertain nonlinear systems.
International Journal of Approximate Reasoning, 30(2):73–90.

T SENG, C. et C HEN, B. (2001). H∞ decentralized fuzzy model reference tracking control design for
nonlinear interconnected systems. IEEE Transactions on Fuzzy Systems, 9(6):795–809.

T SENG, C.-S., C HEN, B.-S. et UANG, H. (2001). Fuzzy tracking control design for nonlinear dynamic
systems via T-S fuzzy model. IEEE Transactions on Fuzzy Systems, 9(3):381–392.

T UAN, H. D., A PKARIAN, P., NARIKIYO, T. et YAMAMOTO, Y. (2001). Parameterized Linear Matrix
Inequality techniques in fuzzy control system design. IEEE Transactions on Fuzzy Systems, 9(2):324–
332.

VALDES -G ONZALEZ, H.-M. (2002). Contribution à l’Estimation d’Etat à Horizon Glissant par Mé-
thodes Ensemblistes : Applications à la Surveillance et Détection des Dysfonctionnements sur des
Bioprocédés. Thèse de doctorat, Université Joseph Fourier - Grenoble I, France.

WALGAMA, K. S. et S TERNBY, J. (1993). Conditioning technique for multiinput multioutput processes

with input saturation. IEE Proceedings on Control Theory and Applications, 140(4):231–241.

WANG, H. O., TANAKA, K. et G RIFFIN, M. (1996). An approach to fuzzy control of non linear systems :
Stability and design issues. IEEE Transactions on Fuzzy Systems, 4(1):14–23.

WANG, W. et L IN, H. (1999). Fuzzy control design for the trajectory tracking on uncertain nonlinear
system. IEEE Transactions on Fuzzy Systems, 7(1):53–62.

W EIJERS, S. (2000). Modelling, identification and control of activated sludge plants for nitrogen remo-
val. Thèse de doctorat, Technische Universiteit Eindhoven, Eindhoven, The Netherlands.

W ILLEMS, J. (1971). Least squares stationary optimal control and the algebraic Riccati equations. IEEE
Transactions on Automatic Control, 16(6):621–634.

W U, F., G RIGORIADIS, K. M. et PACKARD, A. (2000). Anti-windup controller design using linear

parameter-varying control methods. International Journal of Control, 73(12):1104–1114.

YAKUBOVICH, V. (1962). Solution of certain matrix inequalities in the stability theory of nonlinear
control systems. Soviet Mathematics-Doklady, 3:620–623.

YAN, L., H SU, L., C OSTA, R. R. et L IZARRALDE, F. (2003). Variable structure model reference adaptive
control for systems with unknown high frequency gain. In 42th Conference on Decision and Control,
Hawaii, USA.

YAN, L. et X U, J. (2004). A model reference robust control with unknown high frequency gain. In 43th
Conference on Decision and Control, Atlantis, Bahamas, USA.

YANG, F. et W ILDE, R. (1988). Observers for linear systems with unknown inputs. IEEE Transactions
on Automatic Control, 33(7):677–681.

YANG, L., N EILD, S., WAGG, D. et V IRDEN, D. (2006). Model reference adaptive control of a nons-
mooth dynamical system. Nonlinear Dynamics, 46(3):323–335.
160 Bibliographie

YONEYAMA, J., N ISHIKAWA, M., K ATAYAMA, H. et I CHIKAWA, A. (2001). Design of output feedback
controllers for Takagi-Sugeno fuzzy systems. Fuzzy Sets and Systems, 121(1):127–148.

YONEYAMA, Y. (2006). Output feedback stabilization of fuzzy systems with unobservable premise
variables. In International Conference on System of Systems Engineering, Los Angeles, CA, USA.

YONEYAMA, Y. (2008). H∞ filtering for fuzzy systems with immeasurable premise variables : An uncer-
tain system approach. Fuzzy Sets and Systems, 39(10):1033–1040.

Y U, H., D ENG, M., YANG, T. C. et OWENS, D. H. (2002). Model reference parametric adaptive iterative
learning control. In 15th IFAC World Congress, Barcelona, Spain.

Z ACCARIAN, L. et T EEL, A. (2002). A common framework for anti-windup, bumpless transfer and
reliable design. Automatica, 38(10):1735–1744.

Z HANG, K., J IANG, B. et S HI, P. (2009). A new approach to observer-based fault-tolerant controller
design for Takagi-Sugeno fuzzy systems with state delay. Circuits, Systems and Signal Processing,
28(5):679–697.

Z HANG, Q. (2002). Adaptive observer for multiple-input-multiple-output (MIMO) linear time-varying

systems. IEEE Transactions on Automatic Control, 47(3):525–529.

Z HANG, Q. et X U, A. (2001). Implicit adaptive observers for a class of nonlinear systems. In American
Control Conference, ACC, Arlington, Virginia, USA.

Z HOU, K., D OYLE, J. et G LOVER, K. (1996). Robust and Optimal Control. Prentice Hall, Englenwood
Cliffs, New Jersey, USA.

Z HOU, K. et K HARGONEKAR, P. (1988). Robust stabilization of linear systems with norm-bounded

time-varying uncertainty. Systems and Control Letters, 10(1):17–20.
 Commande tolérante aux défauts de systèmes non linéaires représentés par des modèles de
Takagi-Sugeno

Résumé : Cette thèse porte sur la représentation T-S des systèmes non linéaires et les non-linéarités qui
leur sont associées (saturation et paramètres variants dans le temps) pour la commande et le diagnostic.
Ainsi, une nouvelle approche utilisant la transformation par secteurs non linéaires permet de ré-écrire le
système sous forme polytopique en prenant en compte la présence de paramètres variants dans le temps.
Cette forme polytopique est ensuite utile pour la synthèse d’observateurs assurant l’estimation simulta-
née de l’état et des paramètres du système. Une application au diagnostic est également considérée en
comparant les valeurs des paramètres estimés en ligne avec leurs valeurs nominales supposées connues
et représentatives du mode de fonctionnement non défaillant. Concernant la commande, la contrainte de
saturation est représentée sous forme de modèle T-S et est intégrée au modèle du système. La synthèse
de plusieurs lois de commande assurant la stabilité du système bouclé, en prenant en compte les limites
de saturation est proposée. La poursuite de modèle de référence est également traitée avec la mise en évi-
dence des conditions structurelles de poursuite pour les modèles non linéaires sous forme T-S. L’accent
est mis sur les différents critères de choix de commande en fonction des buts recherchés.

Mots-clés : Systèmes non linéaires, modèle de Takagi-Sugeno, estimation d’état et de paramètres, diag-
nostic, saturation et commande tolérante aux défauts, poursuite de modèle de référence.

Abstract:

Fault tolerant control for Takagi-Sugeno nonlinear systems

A first contribution of this thesis is to propose a systematic procedure to deal with the state and parameter
estimation for nonlinear time-varying systems. It consists in transforming the original system into a T-S
model with unmeasurable premise variables using the sector nonlinearity transformation. Then a joint
state and parameter observer is designed and the convergence conditions of the joint state and parameter
estimation errors are established. The second contribution of this thesis is the stabilization problem under
saturation constraints. In fact, we aim to present a new approach for the saturation nonlinearity study,
where the sector nonlinearity transformation is used to represent the nonlinear behaviour of a saturated
actuator under a T-S form. The T-S representation of the saturation is used to integrate the limitation
constraints into the control synthesis, such that the system stability is ensured and the controller gains
are calculated according to the saturation level. The model reference tracking control problem is also ad-
dressed. It aims to highlight the encoutered difficulties and the proposed solutions to achieve the tracking
objective. Through analytical studies, by presenting clear structural conditions and control strategies, we
try to point and answer some major interogations, that are : "how the model reference is to be chosen ?
" and "which tracking criterion to consider to achieve a certain objective ? ". The case of constrained
control input is also considered with a special focus on the anticipation for the saturated control.

Keywords: Nonlinear systems, Takagi-Sugeno model, joint state and parameter estimation, faults diag-
nosis, saturation and fault tolerant control, model reference tracking.