Upload
alphonsine-pujol
View
108
Download
2
Embed Size (px)
Citation preview
1
Intégration numérique garantie de systèmes décrits par des équations différentielles non-linéaires
Application à l'estimation garantie d'état et de paramètres dans un contexte à erreur bornée.
T. RAISSI, N. RAMDANI et Y.CANDAU
Centre d’Etude et de Recherche en Thermique, Energétique et Systèmes Université Paris XII-Val de Marne, Créteil.
Centre d’Etudeset de Recherche en T hermique
Energétique et S ystèmes
C E R T E S
Groupe identification 26 Septembre 2002
2
Plan
- Introduction- Rappel sur le développement de Taylor (pour les intervalles)- Application à l’estimation d’état pour les systèmes continus- Estimation de paramètres
- Conclusions et perspectives
3
Estimation d’état : cas discret
x(k+1) = )(),( kukxf y(k) = g(x(k), u(k)) x(0) = x0
x IRn : vecteur d’état à estimer
y IRm : vecteur des mesures (sortie)
Deux types d’estimateur :
Estimateur causal (on n’a que les mesures des instants précédents)
Estimateur non causal ( on a toutes les mesures)
4
Estimateur causal (Jaulin et al. 2001)
fx(0
)x(1)
x(n)
y(1)
g
y(n)
g
On attribue un domaine a priori pour l’état à chaque instant, puis on fait une propagation dans le sens direct
on trouve l’ensemble des valeurs de l’état qui sont cohérentes avec les mesures
5
Algorithme State_estimation(Jaulin et al., 2001)
Entrée : [x(0)]
Pour k = 1 à N,
la mesure [y(k)] est disponible
[x](k) = f([x(k-1)]) g-1([y(k)])
Sortie : [x(1)], [x(2)] … [x(N)]
C’est un estimateur à deux étapes: prédiction et correction
6
Systèmes continus
=x )(),( tutxf y = g(x(t), u(t)) x(t0) = x0
Calcul Symbolique Solution explicite
Inversion ensembliste
(SIVIA, CSP,…)
Généralement, PAS de solution EXPLICITE pour les systèmes non-linéaires
7
=x )(txf y = g(x(t)) x(t0) = x0
Intégration de fx(0
)x(1)
x(n)
y(1)
g
y(n)
g
Pour estimer l’état à des instants définis, il faut intégrer numériquement l’équation d’état
Systèmes continus : suite
8
Outils Mathématiques(Développement de Taylor: Rappel)
1
1
K
i
Si : IRn IRm CK dans un voisinage D d’un vecteur de réels a
Alors x D,
(x) = (a) + (i)(a) + rK(x)!
)(
p
ax p
9
Application à l’intégration de l’équation d’état
=x )(txf
x(t0) = x0
Avec : h = tj+1 - tj
x(tj+1) = x(tj) +
1
0
k
ihi x[i](x(tj)) + hk x[k]( )jx~Taylor
x[i] : le ième coefficient de Taylor
x[i] = i
i
t
x
i
!
1
Si f : IRn IRm est de classe Ck
10
t
x
x[1] = = f(x) = f[1]
t
x
x[2] = 2
2
2
1
t
x
= ( ) = (f(x)) = = J(f[1])f = f[2]
t
2
1
t
x
x
f
]1[
2
1
t
2
1
2
1
Calcul explicite des coefficients de Taylor
Méthode récursive pour calculer les coefficients de Taylor
t
x
i
)!1(
1x[i] = i
i
t
x
i
!
1= ( ) = (f[i-1]) =
ti 1
t
x
x
f
i
i
]1[1
ti 1
= = f[i]ffJi
i )(1 ]1[ f[i]
A chaque pas, calcul du jacobien du coefficient précédent
11
Développement de Taylor(version Intervalles)
=x )(txf
x(t0) = [x0]
Ce calcul se fait en 2 étapes :
1) Trouver un encadrement a priori de la solution qui garantit que: t [tj, tj+1], xt [ ]
2) Utiliser un développement de Taylor pour réduire cet encadrement
Améliorer la qualité de la solution
jx~
12
Intégration des équations d’état
Calcul d’une solution a priori contenant de manière garantie la solution exacte: Théorème du point fixe + l’opérateur de Picard Lindelöf (Nedialkov, 1997)
Tel que : [xj] + f([w])[0,h] [w]
Pour faire le développement de Taylor (intervalle) on remplace chaque occurrence de x par un intervalle [x] :
[x(tj+1)] = [x(tj)] +
1
0
k
i hi f[i] ([x(tj)]) + hk f[k]([ ])jx~
Trouver [w]
Problème de surestimation
w([xj+1])=w([xj])+ hi w(f[i] ([x(tj)])) +w( f[k]([ ])) ≥ w([xj])jx~
1
0
k
i
13
Valeur Moyenne
x, y [a],
(y) (x) + ’([a])([a] – x) : forme moyenne
: IRn IR, une fonction dérivable dans un domaine [a]
i-ème coefficient de Taylor avec la forme moyenne :
jx̂ [xj] qui peut être le milieu de [xj]
jx̂ jx̂f[i] ([xj]) f[i]( ) + J(f[i], )([xj] - ), jx̂ i = 1,…,k
14
Taylor + forme moyenne(Nedialkov et Al. 1997)
Développement de Taylor pour l’état x avec la forme moyenne pour les coefficients de Taylor :
jx̂
+
jx̂ jx~
jx̂
[xj+1] = +
1
0
k
ihi f[i] ( ) + hkf[k]( )
I + hjJ(f[i],[xj])([xj] - )
1
0
k
i
= [Vj+1] + [Sj]([xj] - ) jx̂
jx̂jx~hi f[i] ( ) + hkf[k]( ) [Vj+1] = +
1
0
k
ijx̂
[Sj] = I + hjJ(f[i],[xj])
1
0
k
i
C’est une méthode directe pour intégrer une équation différentielle
15
Algorithme de la méthode directe
[xj+1] = [Vj+1] + [Sj]([xj] - ) jx̂
Entrées : [x0], h
pour j = 1 à N, calculer :
Sorties : [x1], [x2],…, [xN]
jx̂
1
0
k
i
hi f[i] ( ) + hkf[k]([ ] ) [Vj+1] = +
1
0
k
ijx̂
[Sj] = I + hjJ(f[i],[xj])
jx~
16
Inconvénient : surestimation
[x1] = [V1] + [S0]([x0] - ) 0x̂
[x2] = [V2] + [S1]([x1] - ) 1x̂
[x2] = [V2] + [S1]([V1] - ) + 1x̂ [S1]([S0]([x0] - ) 0x̂
[xj+1] = [Vj+1] + [Sj]([Vj] - ) + jx̂ [Sj]([Sj-1]([Vj-1] - ) 1ˆ jx
+ + [Sj]([Sj-1]([Sj-2](…([S0]([x0] - ) 0x̂w([Sj]([Sj-1]([Sj-2](…([S0]([x0] - )) >>0x̂ w(([Sj][Sj-1][Sj-2]…[S0])([x0] - ) )0x̂
Une grande surestimation introduite à chaque pas
17
Méthode de la valeur moyenne étendue
(Rihm, 1994)Initialisation : [x0], [p0], A0 = I
Pour j = 1 à N, calculer :
1) Un encadrement à priori [ ] pour la solution
2)
jx~
jx̂jx~hi f[i] ( ) + hkf[k]( ) [Vj+1] = +
1
0
k
ijx̂
[Sj] = I + hjJ(f[i],[xj])
[qj+1] = ([Sj]Aj)[pj] + [Sj]([Vj] - )
1
0
k
i
jx̂
[xj+1] = [Vj+1] + [qj+1]
jx̂
Sorties : x1, x2, …, xN
[pj+1] = ( ([Sj]Aj)[pj] + ( [Sj])([Vj] - )11
jA 1
1jA
18
Application à l’estimation d’état
Deux étapes à chaque pas : Prédiction et Correction
Algorithme
Entrées : [x0] , [p0], A = I
Pour j = 1 à N
1) Etape de prédiction : calculer [xj+1] par Intégration de f avec la Méthode de la valeur moyenne étendue
2) Etape de correction :
[xj+1] = [xj+1] g-1([yj+1])
Sorties : [x1], [x2], … , [xN]
19
Exemple (Lotka-Volterra)
2x
= (1 – 0.01 x2)x1
= (-1 + 0.002x1)x2
1x
y = x1(t) + x(t0) = [x0]
[x(t0)] = [49, 51][49, 51]
h = 0.005
Bruit numérique de 5% de la mesure
Modèle de Taylor d’ordre 4
Nombre de pas N = 1400
20
Résultats
Sans mesures Avec mesure
Les mesures permettent de réduire le phénomène d’enveloppement
Prédiction assez bonne
21
Estimation de paramètres
=x ptxf ),( y = g(x(t), p) x(t0) = x0
Estimation des paramètres p : trouver l’ensemble des paramètres tel que le système précédent possède une solution
IP = {p IRnp | t IR, g(x(t,p)) [y(t)] }
Trouver l’ensemble des paramètres qui sont cohérents avec les mesures et avec l’état prédit
Soit param_estimation_test un test qui peut prendre trois valeurs { vrai, faux, indéterminé}
Vrai : Si g(x,p) [y]
Faux : Si g(x,p) [y] =
Indéterminé sinon
param_estimation_test
22
Algorithme Parameter estimation( SIVIA, Jaulin et al. 1993)
Entrées : f, g, [p], , [x0], [y1], [y2], …,[yN]
1) Si param_estimation_test (p) = faux; fin // [p] n’est pas une
solution
2) Si param_estimation_test (p) = vrai
IPin [p] ;
3) Si w(p) <
IPind [p]
4) bissecter ([p] en [p1] et [p2]) et aller à 1)
Sorties : IPin , IPout = IPin IPind
23
2x
= (1 – p1 x2)x1
= (-1 + p2x1)x2
1x
y = x1(t)) + x(t0) = [x0]
[x(t0)] = [49, 51][49, 51]
h = 0.005
[p0] = [-1,1][-1,1]
Exemple
Erreur maximale de 5%
24
Conclusions
Résolution des équations différentielles à l’aide du développement
de Taylor
Application à l’estimation d’état dans le cas des systèmes continus :
des résultats relativement corrects si on fait attention au phénomène
de surestimation.
Faisabilité de l’estimation de paramètres sans discrétisation de
l’équation d’état grâce à une intégration numérique garantie de
l’équation d’état
25
Perspectives
On propose de réaliser un estimateur non causal pour réduire l’effet
de surestimation en utilisant des techniques de propagation de
contraintes
Appliquer ces algorithmes pour l’estimation de paramètres
thermiques