Thèse soutenue

Identification de systèmes dynamiques non-linéaires à l'aide de représentations multi-modèles
FR
Accès à la thèse
Auteur / Autrice : Corinne Loverini
Direction : José Ragot
Type : Thèse de doctorat
Discipline(s) : Géosciences
Date : Soutenance en 1999
Etablissement(s) : Vandoeuvre-les-Nancy, INPL
Ecole(s) doctorale(s) : RP2E - Ecole Doctorale Sciences et Ingénierie des Ressources, Procédés, Produits, Environnement
Jury : Président / Présidente : Alain Richard
Examinateurs / Examinatrices : Didier Maquin, Gilles Mourot
Rapporteurs / Rapporteuses : Daniel Jaume, Georges Delaunay

Mots clés

FR

Mots clés contrôlés

Résumé

FR  |  
EN

La modélisation de systèmes est un problème classique en automatique. Elle a pour objectif de représenter, avec une précision satisfaisante, le comportement d'un processus. Généralement, les processus réels sont non-linéaires, multi-variables et variant dans le temps. Il est donc difficile d'obtenir une représentation globale de tels systèmes qui soit valide pour l'ensemble de ses points de fonctionnement. L'approche multi-modèles repose sur l'établissement de plusieurs modèles simples, encore appelés modèles locaux. Chaque modèle local est valable autour d'un point de fonctionnement, dont la zone d'influence est définie au moyen d'une fonction poids. Ces modèles locaux sont ensuite agrégés au moyen d'une expression barycentrique, afin de fournir une forme algébrique permettant de lier les entrées du processus à ses sorties et d'obtenir ainsi une représentation globale. Différentes architectures multi-modèles sont envisageables en vue de représenter le comportement réel de processus complexes. Néanmoins, le problème commun à l'ensemble de ces structures est lié au nombre important de paramètres qu'il est nécessaire d'identifier. C'est pourquoi, nous avons développé une structure multi-modèles de type« Hammerstein généralisé», qui permet d'obtenir une représentation plus « parcimonieuse » du système considéré. Les paramètres caractéristiques d'une structure multi-modèles interviennent de manière non linéaire. Nous avons donc proposé différents algorithmes permettant d'obtenir une estimation de ces paramètres. En particulier, nous avons développé une méthode itérative globale basée sur le calcul de fonctions de sensibilité, qui permet d'estimer l'ensemble des paramètres caractéristiques du modèle, c'est-à-dire les paramètres des fonctions poids. Ces modèles locaux et de la partie dynamique. Nous avons comparé les performances et la robustesse de ces algorithmes d'identification sur un exemple de simulation. Nous nous sommes également intéressés à la recherche de la structure optimale multi-modèles. Pour cela, nous avons cherché à déterminer les entrées les plus représentatives du comportement du système, le nombre de modèles locaux, ainsi que l'ordre de la partie dynamique du modèle, en étendant les outils statistiques disponibles en linéaire