Upload
jawher-matmati
View
4
Download
0
Embed Size (px)
DESCRIPTION
Automatique non-linéaire
Citation preview
1
Commande Adaptative Ksouri Mekki 1
Estimation des paramètres dans les systèmes dynamiques linéaires
Commande Adaptative Ksouri Mekki 2
Plan
Références bibliographiquesEstimation des paramètres dans un modèle statiqueModèles dynamiquesEstimation des paramètres dans un modèle dynamiqueRelation E/S dans le cas d’une équation bruitéeMéthode de la matrice instrumentaleMéthode des moindres carrés généralisés
Commande Adaptative Ksouri Mekki 3
Références bibliographiquesde base
1. K. J. Aström; « Lectures on the identification problem: The least squares method ». Report 6806 Sept 68 Lund Institute of Technology.
2. D. W. Clarke « Generalized least squares estimation of the parameters of a dynamic model ». Paper 3-17 Preprints IFAC Symposium on Identification Prague 1967.
3. R. Hastings-James, M. W. Sage « recursive generalized least squares procedure for in line identification of process parameters ». Proc. IEE 116 pp.2057-2062, 1969
4. G. Banon « Etude d’algorithme d’estimation des paramètres pour l’identification adaptative en temps réel des processus linéaires perturbés par un bruit corrélé ». Thèse de Docteur Ingénieur, Toulouse 1971.
5. P. C. Young « An instrumental variable method for real time identification of a noisy process ». Automatica 6 pp.271-287 1970.
Commande Adaptative Ksouri Mekki 4
Y = H + e
avec Y : vecteur observations (N, 1)
: vecteur paramètres (p, 1)
e : vecteur aléatoire permettant de prendre en compte les erreurs d’observations observations (N, 1)
H: matrice de transformation connue (N,p)
1. Estimation des paramètres dans un modèle statique
Le modèle
2
Commande Adaptative Ksouri Mekki 5
1. Estimation des paramètres dans un modèle statique
e est un vecteur aléatoire gaussien de moyenne nulle et dont les éléments ont même variance et ne sont pas corrélés
entre eux : E[e]=0, E[eeT]=²IN.
peut être soit un vecteur déterministe connu, soit un vecteur aléatoire et dans ce
cas il est supposé indépendant de e.
Les hypothèses de calcul
Commande Adaptative Ksouri Mekki 6
1. Estimation des paramètres dans un modèle statique
Méthode du maximum de vraisemblance:
On définit la densité de probabilité conditionnelle p(Y/) comme étant la fonction de vraisemblance: c’est une fonction de dont le maximum indique la valeur la plus probable de l’ensemble d’observation Y que l’on obtiendrait à partir du paramètre supposé connu.
Calcul de
Propriétés statistiques de la variable Y/
•E[Y/] = H (Moyenne)
•E[(YH (Y-H)T /] = E[eeT /]= E[eeT]=²IN
=
HYIHYKYp
T 12
2
1exp/
Commande Adaptative Ksouri Mekki 7
Méthode du maximum de vraisemblance (suite)
=
HYIHYKYp
T 12
2
1exp/Max
0=
/YpLog 0
1=
HY
²HY
T
YHHHˆ TT 1=
Remarque : avec les hypothèses précédentes, l’estimateur du MV est confondu avec celui des MC.
Commande Adaptative Ksouri Mekki 8
Propriétés de l’estimateur des MC
EMC est un estimateur sans biais si E[e]=0,
déterministe, H et e indépendants:
=+==
eEHHHYHHHEˆE TTTT 11
La variance de l’erreur de l’estimation est donnée par :
1211 == HHHHHeeHHHEˆˆE TTTTTT
Pb : valeur de ²
3
Commande Adaptative Ksouri Mekki 9
Estimation de la variance du bruit
Si n’est pas connu, il faut l’estimer.
Pour cela il suffit d’étudier la statistique du terme résiduel
eHHHHHeHˆHY TT ++=
1
eHHHHIˆHY TT 1=
Matrice symétrique, idempotente
21 2
1
p-NN
==
=
eHHHHetraceE
eHHHHeEeeEˆHYˆHYE
TTT
TTTTT
ˆˆ1ˆ 2 HYHY
pN
T
=
Commande Adaptative Ksouri Mekki 10
AR
Autoregressive
X (eXogenous)
C (Control)
MA
Moving Average
Modèles dynamiquesmodèles entrée/sortie (suite)
Modèle ARMAX ou CARMA
)k(e)q(C)k(u)q(Bq)k(y)q(A d 111 +=
u(k)
e(k)
++
A
C
A
Bq d
y(k)
===
++=CBA n
ii
n
ii
n
ii )ik(ec)dik(ub)ik(ya)k(y
001
Commande Adaptative Ksouri Mekki 11
AR
Autoregressive
X ou C
Modèles dynamiquesmodèles entrée/sortie
Modèle ARIMAX ou CARIMA
1
111
1
+=
q
)k(e)q(C)k(u)q(Bq)k(y)q(A d
MA
===
++=CBA n
ii
n
ii
n
ii )ik(ec)dik(ub)ik(ya)k(y
001Commande Adaptative
Ksouri Mekki 12
Application de la méthode des MC à l’estimation des paramètres d’un modèle dynamique
)1()1()1()1(01
+++++=+ ==
keidkubikyakyBn
i
i
An
i
i
=
=
+
+
+
=
+
+
Nk
k
N
n
n
N
e
e
e
b
b
a
a
)Nk(y
)k(y
)k(y
Y
B
A
1
1
; 0
;2
1
: poseOn
eNYn
Hn
1
1
0
( 1) ( ) ( 1) ( 1 ) ( 1 )
( ) ( 1) ( ) ( 1 1) ( 1 1 )
A B k
nA
A B k N
nB
a
y k y k y k n u k d u k d n ea
by k N y k N y k N n u k d N u k d N n e
b
+
+
+ + + + = + + + + + + + + + +
4
Commande Adaptative Ksouri Mekki 13
Relation entrée-sortie dans le cas d’une équation dynamique bruitée
On considère le modèle d’état suivant dans lequel ek est un bruit blanc et pour simplifier on n’a pas représenté la commande uk
=
+F=+
kk
kkk
Hxy
exx 1
On écrit les sorties successives :
2123
33
12
22
11
++++
+++
++
+F+F+F==
+F+F==
+F==
kkkkkk
kkkkk
kkkk
eHeHeHxHHxy
eHeHxHHxy
eHxHHxy
Commande Adaptative Ksouri Mekki 14
ek+3
Relation entrée-sortie dans le cas d’une équation dynamique bruitée
(suite)
Considérons, pour se fixer les idées, que le système est d’ordre 3, on a alors d’après le Théorème de Cayley-
Hamilton : f3 = 3 f2 2 f 1I
d’où :
213
223112233
++
+++
+F+
+F++F+=
kk
kkkkk
eHeHH
eHHHyyyy
3112233 ++++ += kkkkk yyyy e
e est un bruit corrélé, la méthode des MC ne convient
plus dans ce cas car le vecteur estimé serait biaisé.
Commande Adaptative Ksouri Mekki 15
ek+3
Relation entrée-sortie dans le cas d’une équation d’observation bruitée
On considère le modèle d’état suivant dans lequel ek est un bruit blanc et pour simplifier on n’a pas représenté la commande uk
+=
F=+
kkk
kk
eHxy
xx 1
On écrit les sorties successives et tire (dans l’hypothèse de l’ordre 3 pour simplifier):
311223112233 ++++++ ++++= kkkkkkkk eeeeyyyy
Même conclusion que précédemment, la méthode des MC ne convient pour estimer les paramètres du système car elle est biaisée dans ces 2 cas. Commande Adaptative
Ksouri Mekki 16
Que peut-on faire?
Comme nous l’avons montré précédemment, si la bruit est coloré la méthode des moindres carrés et biaisée. Il s’agit de présenter maintenant quelques méthodes qui permettent de contourner ce problème.
Rappelons d’abord que les modèles du type AR, ARMA, ARMAX, ARIMAX font tous intervenir un polynôme C(q-1)devant le terme de bruit, ce qui lui donne une coloration et par suite la perte des propriétés importantes pour l’élimination du bais.
Nous allons dans la suite présenter deux méthodes:1. La méthode de la variable instrumentale2. La méthode des moindres carrés généralisés
5
Commande Adaptative Ksouri Mekki 17
Hypothèses de travail
)k(e)q(C)k(u)q(B)k(y)q(A 111 +=
On travaillera dans la suite sur un modèle ARMAX, avec les hypothèses :
e(k) sont de v. a. gaussiennes indépendantes de moyennes nulle E[e]=0 et de matrice de covariance unité E[eeT]=I, le coefficient permet de représenter le cas d’une variance non unitaire.
Le système est supposé stable ( A stable).
Les 3 polynôme A, B et C n’ont pas de zéro commun.
Le système est supposé observable et commandable.
Commande Adaptative Ksouri Mekki 18
Méthode de la matrice instrumentale
===
++=CBA n
ii
n
ii
n
ii )ik(ec)dik(ub)ik(ya)k(y
001
w(k)Si on effectue N mesures, on a l’équation : wHYN += avec w le vecteur de composantes wi(k)
Soit f une matrice de même dimension que H, appelée
matrice instrumentale,
1F HT
wHYH TTN
TT FFFF= 11
wΦHθΦYΦ TTN
T +=
on obtient :
Si existe
Commande Adaptative Ksouri Mekki 19
Méthode de la Matrice Instrumentale(suite)
On montre que si:
FTw/N tend en probabilité vers 0
FTH/N tend en probabilité vers une matrice non singulière
Alors l’estimateur suivant converge en probabilité vers .
NTT
N YHˆ FF=1
wHYH TTN
TT FFFF= 11
Commande Adaptative Ksouri Mekki 20
Méthode de la Matrice InstrumentaleExemple
+=
+=+
kkk
kkk
exy
buaxx 1
Pb. Estimer a et b
111 ++= kkkkk aeebuayy
=
kk
kk
uy
uy
H11
=F
kk
kk
uy
uy
1
12
On choisit :
6
Commande Adaptative Ksouri Mekki 21
Méthode des moindres carrés généralisés
)k(e)q(C)k(u)q(B)k(y)q(A 111 += )k(e)k(u
)q(C)q(B)k(y
)q(C)q(A +=
1
1
1
1 11
yF(k) uF(k)
)k(e)k(u)q(B)k(y)q(A FF += 11
On peut maintenant utiliser la MMC à condition d’estimer 1/C. C’est justement ce que permet l’algorithme de la MC
u(k)
A
B
e(k)
++
A
1
yF(k)
C
1C
y(k)uF(k)
Commande Adaptative Ksouri Mekki 22
1. Prendre un filtre a priori
2. Calculer les valeurs filtrées uF et yF
3. Estimer les paramètres par MMC
4. Calculer les résiduels w
5. Estimer les coefficients du filtre par MMC
6. Reprendre à l’étape 2
Méthode des moindres carrés généralisésAlgorithme
ninii qfqf)q(F +++= 1
11 1
)k(y)q(F)k(y
)k(u)q(F)k(u
iFi
iFi
1
1
=
=
i
)k(u)q(B)k(y)q(A)k(w iii11 =
)k(e)k(w)q(F ii =1
Commande Adaptative Ksouri Mekki 23
Cas des paramètres variablesLe gain d’adaptation (et par suite la norme de la matrice P) décroît en fonction du nombre d’itérations. Ceci a pour conséquence une ignorance progressive des nouvelles observations.
Il en résulte que les approches préconisées ne conviennent pas dans le cas de paramètres non stationnaires.
On présentera dans la suite deux solutions: la méthode du facteur d’oubli et la méthode de la trace constante.
Les 2 méthodes reposent sur l’écriture suivante :
Tkkkk hh)k(P)k(P 2
111
1 +=
Commande Adaptative Ksouri Mekki 24
Si la dynamique du procédé est lente:, on prend 1(k) = 1 (entre 0.95 et 0.99) et 2(k) = 1.
Si on veut ignorer les premières observations et accélérer la convergence, on prend 1(k) = 0 1(k-1) + (1- 0) et 2(k) = 1, avec 1(0) et 0 tous deux compris entre 0.95 et 0.99.
Si le procédé est non stationnaire, on choisit 1et 2 de façon à maintenir la trace de la matrice P constante.
Cas des paramètres variables (suite)Tkkkk hh)k(P)k(P 2
111
1 +=
+=
kkTk
kTkkk
kk
hPh)k(
)k(
PhhPP
)k(P
1
2
1
111
1
1