Bibliothèque de L'IMIST/CNRST

PH.D Université Mohammed V 2017

Les travaux de cette thèse portent sur l‟identification des systèmes dynamiques non linéaires par deux approches : l‟approche multimodèle basée sur les techniques de classification et de clustering et celle des systèmes structurés en blocs. La première consiste à former une base d‟apprentissage assez riche en informations sur les sous domaines de fonctionnement du système. Et en se servant d‟une métrique de similarité appropriée entre les vecteurs regresseurs, on procède à un clustering flou pour atteindre deux objectifs essentiels à l‟algorithme de classification et qui sont : (i) la détermination du nombre de clusters (ou de sous-domaines de fonctionnement) susceptibles d‟exister dans l‟ensemble d‟apprentissage (ii) la localisation de leurs centres initiaux. On utilise l‟algorithme de classification flou FCM qui optimise la classification des vecteurs de régression en sous ensembles flous et caractérise chaque sous domaine par son prototype (centre), son étendue et sa fonction d‟appartenance, de préférence une gaussienne. L‟estimation des paramètres de chaque sous modèle est réalisée par la technique des moindres carrés (LS). Le résultat de ce partitionnement de l‟espace de fonctionnement est validé par l‟utilisation de critères d‟identification tels que le PFE et le RMSE. L‟approche d‟identification proposée est testée sur un ensemble de systèmes dynamiques non linéaires et multivariables, les résultats confirment son efficacité par rapport aux autres approches existantes. Dans la seconde approche, l‟accent est mis sur les systèmes structurés en blocs de type Hammerstein et de type Wiener comprenant des non-linéarités à mémoire. L‟originalité de nos travaux réside dans le fait que ces dernières sont de type hystérésis, là où les travaux antérieurs se sont limités à des non-linéarités de type jeu (backlash). Le modèle d‟hystérésis considéré ici, dit de Bouc-Wen, est une équation différentielle ordinaire non-linéaire. Pour identifier les modèles hystérétiques de Hammerstein, nous concevons une expérience qui génère un cycle d‟hystérésis que l‟on peut parfaitement modéliser par des fonctions polynomiales. Cette expérience nécessite la synthèse d‟un type de signaux d‟excitation persistants périodiques dits à « Chargement- Déchargement ». Nous développons alors un observateur adaptatif permettant l‟estimation en ligne des paramètres du sous-système linéaire et des polynômes représentant les cycles d‟hystérésis. Nous proposons ensuite un estimateur des signaux internes non accessibles à la mesure. Enfin, nous synthétisons un estimateur des paramètres du modèle d‟hystérésis. Les résultats de simulation montrent l‟efficacité de l‟approche proposée. Quant au modèle de type Wiener, nous concevons une méthode d‟identification en combinant des techniques fréquentielles et prédictives. La méthode permet une estimation consistante des paramètres du sous-système linéaire et du sous-système non linéaire, là aussi de type hystérésis décrit par le modèle de Bouc-Wen.