Cours M2 ASTR - module FRS - Commande Robuste

Toulouse Janvier-Février 2012

Dimitri PEAUCELLE - LAAS-CNRS - Université de Toulouse

 Renseignements pratiques

n Enseignant : Dimitri Peaucelle, chargé de recherche au LAAS-CNRS

l Contacts : 05 61 33 63 09 - peaucelle@laas.fr
l Page web : homepages.laas.fr/peaucell
n Organisation du cours
l Cours magistral avec supports de cours sur planches : 12h
s 10, 11, 18, 25, 31 janvier et 7 février
l Exercices avec support MATLAB : 8h
s 17, 24 janvier et 1, 8 février
l TP avec support MATLAB : 6h
s 9, 17 février
l Examen, tous documents autorisés et avec support MATLAB : 2h
s x février

Cours M2 UPS - Commande robuste 1 Jan-Fév 2012, Toulouse

 Introduction

n Commande robuste
l Automatique / Théorie de la commande
l Commande de systèmes dynamiques
s Représentés par des équations différentielles (systèmes à temps continu)
s ou par des équations récurrentes (systèmes à temps discret)
l Modèles non-linéaires dans l’espace d’état
 
 ẋ(t) = f (x, u, t)  x
k+1 = f (x, u, k)
ou
 y(t) = g(x, u, t)  yk = g(x, u, k)

s x : état du système
s u : commandes du système (actionneurs)
s y : mesures du système (capteurs)
l Modèles linéaires dans l’espace d’état et matrices de transfert (MIMO)
8 8
< ẋ(t) = Ax(t) + Bu(t) < xk+1 = Axk + Buk
Σ(s) ∼ ou Σ(z) ∼
: y(t) = Cx(t) + Du(t) : yk = Cxk + Duk

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Introduction

n Systèmes dynamiques, exemples

c AIRBUS S.A.S. - H. Goussé
c ProMinent

c CNES - ill. D. Ducos HRP-2 Promet @ Astrium - Ariane 5 @ Quanser - 3DOF hélico

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Introduction

n Modélisation pour la commande

l Isoler un comportement dynamique
s Découplage par axes - mouvement longitudinaux/latéraux d’un avion
s Découplage temporel - incidence/remplissage réservoir d’un lanceur
s Découplage par modes - rejoindre destination / positionnement précis
s Découplage fréquentiel - échantillonnage, dynamiques composants
l Définir trajectoire/position de référence
s Termes non-linéaires négligés, simplifiés ou linéarisés
s Enoncé de performances à atteindre
s Enoncé de contraintes à satisfaire
l Tenir compte de méconnaissances
s Tous les phénomènes physiques n’ont pas de description concise
s Paramètres varient d’un produit manufacturé à l’autre
s Identification de paramètres est toujours entachée d’erreur

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Introduction

n Les modèles obtenus

l dépendent de paramètres θ
s (mode, état d’une dynamique lente, trajectoire de référence...)
s connus, choisis ou mesurables (avec une certaine précision)
l dépendent d’incertitudes δ
s (dynamiques négligées, approximations, méconaissances...)
s inconnus mais bornés, à dynamiques nulles, lentes ou bornées
l sont influencés par des perturbations w
s (phénomènes, couplages, fréquences négligées... et trajectoire)
s inconnus, avec caractéristiques fréquentielles, temporelles, énergétiques...
l doivent satisfaire des contraintes sur certaines composantes z
s (performances, validité des hypothèses de modélisation...)
s caractéristiques fréquentielles, temporelles, énergétiques...

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Introduction

n Modèles non-linéaires dans l’espace d’état


 ẋ(t) = f (x, u, t, w, θ, δ)


Σ(θ, δ) : y(t) = g(x, u, t, w, θ, δ)


z(t) = h(x, u, t, w, θ, δ)


l Etapes de modélisation permettent simplifications

s Découplage temporel f (x, u, t) −→ f (x, u, θ)
s Linéarisation f (x, u, θ) −→ A(δ, θ)x + B(δ, θ)u
avec δ bornée sous contraintes sur certaines composantes z de l’état
s ...
l Exemples
s cos(t)x(t) −→ θ(t)x(t) avec θ ∈ [−1 1]
s x1 (t)x2 (t) −→ δ(t)x2 (t) avec δ ∈ [−1 1] si z = x1 ∈ [−1 1]

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Introduction

n Typologie de modèles :
l Système physique réel - parfois accessible pour expérimentation
l Modèle physique idéal - pour modélisation mathématique
(Agrégat de systèmes élémentaires)
l Modèle mathématique idéal - pour simulation sur calculateurs
(Modèle de connaissance obtenu par application des lois de la physique)
l Modèle mathématique réduit - pour simulations rapides
(Modèle de comportement obtenu par découplage, linéarisation, réduction...)
l Modèle réduit incertain - pour analyse robuste, pessimiste
(Modèle mathématique réduit, simplifié, souvent LTI)
(erreurs contenues dans incertitudes et spécifications de performance)
l Modèle réduit nominal - pour la synthèse de lois de commande
(Modèle sans incertitudes avec un seul critère de performance)

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Introduction

n Commande classique : synthèse pour θ = θ0 fixé, sans incertitudes δ = 0




 ẋ(t) = f (x, u, t, w, θ 0 , 0) 
 η̇(t) = f (η, y, t)
c
Σ(θ0 , 0) : y(t) = g(x, u, t, w, θ0 , 0) Σc :

  u(t) = gc (η, y, t)
z(t) = h(x, u, t, w, θ0 , 0)


l Exemple : synthèse LQG - min kzk2 sous w bruit blanc gaussien




 ẋ(t) = Aθ0 (t)x(t) + Bθ0 (t)u(t) + w1 (t)

 y(t) = C (t)x(t) + w (t)

θ0 2
1/2


 z1 (t) = Q (t)x(t)

 z (t) = R1/2 (t)u(t)

2


 η̇(t) = (A (t) − L(t)C (t) − B (t)K(t))η(t) + L(t)y(t)
θ0 θ0 θ0
 u(t) = −K(t)η(t)

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Introduction

n Commande classique : synthèse pour θ = θ0 fixé, sans incertitudes δ = 0

l Commande en boucle fermée est intrinsèquement robuste, mais ...
s Stabilité préservée en réponse à des perturbations non-modélisées, faibles
s Comportement inchangé pour petits écarts de θ et δ
s Performances fortement dégradées pour écarts moyens
s Risque d’instabilité pour grands écarts
n Système de commande robuste :
Un système de commande est dit robuste s’il conserve ses propriétés malgré les incertitudes et
les perturbations affectant le système

l Tenir compte des écarts lors de la conception : Synthèse robuste

l Valider robustesse d’une loi de commande : Analyse robuste

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Plan du cours

n 10 janvier : Introduction + rappels - cours

n 11 janvier : Modèles incertains - cours
l 17 janvier : Modèles incertains - exercices
n 18 janvier : Stabilité robuste par fonctions de Lyapunov - cours
l 24 janvier : Stabilité robuste - exercices - salle TP
n 25 janvier : Théorème du petit gain - cours
n 31 janvier : µ-analyse - cours
l 1 février : µ-analyse - exercices - salle TP
n 7 février : Synthèse robuste - cours
l 8 février : Synthèse robuste - exercices - salle TP
s 9 février : Modélisation d’un problème de performance robuste - TP
s 17 février : Synthèse robuste et analyse robuste de la boucle fermée - TP

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

RÉFÉRENCES Quelques références RÉFÉRENCES

Références

[Apkarian(2012)] P. Apkarian. Elements de la théorie de la commande robuste, 2012. URL

pierre.apkarian.free.fr/COURS/polysae.pdf.
[Arzelier()] D. Arzelier. Commande robuste. URL http://homepages.laas.fr/
arzelier/cours.html.
[Barmish(1985)] B. Barmish. Necessary and sufficient conditiond for quadratic stabilizability of
an uncertain system. J. Optimization Theory and Applications, 46(4), Aug. 1985.
[Chesi(2010)] G. Chesi. LMI techniques for optimization over polynomials in control : a survey.
IEEE Trans. Aut. Control, 55(11) :2500–2510, 2010.
[Duc and Font(1999)] G. Duc and S. Font. Commande H∞ et µ-analyse : des outils pour la
robustesse. Hermes Science, Paris, 1999.
[Laroche()] E. Laroche. Commande robuste. URL http://eavr.u-strasbg.fr/
˜laroche/student/#MIRIV.
[McFarlane and K.(1990)] D. McFarlane and G. K. Robust Controller Design Using Normalized
Coprime Factor Plant Descriptions. Lecture Notes in Control and Information Sciences.
Springer Verlag, 1990.

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

RÉFÉRENCES Quelques références RÉFÉRENCES

[Peaucelle et al.(2000)Peaucelle, Arzelier, Bachelier, and Bernussou] D. Peaucelle, D. Arzelier,

O. Bachelier, and J. Bernussou. A new robust D-stability condition for real convex polytopic
uncertainty. Systems & Control Letters, 40(1) :21–30, May 2000.

[Scherer()] C. Scherer. http://www.ist.

Theory of robust control. URL
uni-stuttgart.de/education/courses/robust/overview.
shtml.
[Skogestad and Postlethwaite(2005)] S. Skogestad and I. Postlethwaite. Multivariable Feedback
Control. Wiley, 2nd ed. edition, 2005.

[Tempo et al.(2005)Tempo, Calafiore, and Dabbene] R. Tempo, G. Calafiore, and F. Dabbene.

Randomized Algorithms for Analysis and Control of Uncertain Systems. Springer-Verlag,
2005.

[Tits and Fan(1995)] A. Tits and M. Fan. On the small µ theorem. Automatica, 31 :1199–1201,
1995.

[Zhou et al.(1996)Zhou, Doyle, and Glover] K. Zhou, J. Doyle, and K. Glover. Robust and Opimal
Control. Prentice Hall, Englewood Cliffs, New Jersey, 1996.

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

Cours M2 ASTR - module FRS - Commande Robuste

Annexe - Normes des systèmes

 Normes des systèmes

n Les normes spatiales et temporelles

l Motivation : afin d’évaluer à l’aide d’un nombre unique une mesure globale de la “taille” d’un
vecteur, d’une matrice, d’un signal ou d’un système

l Définition
Une norme est une fonction k.k définie sur un espace vectoriel E , ||e|| : E → R+ vérifiant
les propriétés axiomatiques :
1- ∀ e ∈ E : ||e|| ≥ 0
2- ||e|| = 0 ⇔ e = 0
3- ∀ α ∈ R, ∀ e ∈ E, ||αe|| = |α|.||e||
4- ∀ e1 , e2 ∈ E, ||e1 + e2 || ≤ ||e1 || + ||e2 ||

s Nota : E espace de vecteurs, matrices, signaux temporels, systèmes linéaires

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Normes des vecteurs : E = Cn


n
!1/p
 X
p
|e | pour 1 ≤ p < ∞

i




i=1
||e||p =




 max |ei | pour p = ∞

1≤i≤n

h i0
s Exemple : e = 1 0 −3

||e||1 = 4 (taxi cab norm)

√
||e||2 = 10 (norme Euclidienne)
||e||∞ = 3

>> norm(e, p)

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Normes des matrices : E = Cn×m

l Condition de consistence
||A|| est une norme matricielle si elle vérifie en plus des propriétés élémentaires la propriété de
sous-multiplicativité :
||AB|| ≤ ||A||.||B||
 
1 −2
s Exemples norme matricielles : A =  
0 6
X sX
2
p √
||A||sum = |aij | = 9 , ||A||F = ∗
|aij | = trace(A A) = 41
i,j i,j

s Exemple norme généralisée : ||A||max = max |aij | = 6

i,j
 
1 1
B=C=  , kBCkmax = 2 > kBkmax .kCkmax = 1
1 1

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Normes induites de matrices : E = Cn×m

||Ae||p
||A||ip = max = max ||Ae||p = max ||Ae||p
e6=0 ||e||p ||e||p ≤1 ||e||p =1

s Exemples : >> A = [1 − 2; 0 6]; norm(A, p)

!
X
||A||i1 = max |aij | = 8
j
i 
X
||A||i∞ = max  |aij | = 6
i
j
q
||A||i2 = σ(A) = max |λi (A∗ A)| = 6.3326 val. singulière max. ou norme spectrale
i

kAekp kAekp
s Nota : sup = max car {x : kxkp ≤ 1} est compact et k • kp continue.
e6=0 kek p e6 = 0 kek p
kAekp kAλf kp
s Nota : De plus max = max = max kAf kp .
e6=0 kekp kf kp =1,λ6=0 kλf kp kf kp =1

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Les valeurs singulières d’une matrice

A ∈ Cl×m peut être factorisée à l’aide d’une décomposition en valeurs singulières :

A = U ΣV ∗ U ∈ Cl×l U ∗ = U −1 V ∈ Cm×m V ∗ = V −1

Σ est formée par une matrice diagonale des valeurs singulières σi dans l’ordre décroissant
- l ≥m:
 
diag(σ1 , · · · , σq ) p p
Σ=  σi (A) = λi (AA ) = λi (A∗ A)
∗
0l−m×m

- l ≤m: h i
Σ= diag(σ1 , · · · , σq ) 0l×m−l
avec σ = σ1 ≥ · · · ≥ σq = σ > 0 et min(l, m) ≥ rang(A) = q ,

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Normes des systèmes

s Valeurs singulières : exemple

>>A=[-1 0 2;1 0 -2;0 1 -1;0 0 1];[U,S,V] = SVD(A)
U =
-0.6485 0.2324 -0.1594 0.7071
0.6485 -0.2324 0.1594 0.7071
0.2941 0.9398 0.1739 0
-0.2690 -0.0932 0.9586 0.0000
S =
3.4259 0 0
0 1.0536 0
0 0 0.3918
0 0 0
V =
0.3786 -0.4412 0.8137
0.0858 0.8920 0.4437
-0.9216 -0.0982 0.3756

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Propriétés des valeurs singulières

- σ(A−1 ) = 1/σ(A)
- σ(A) ≤ |λi (A)| ≤ σ(A)
- σ(AB) ≤ σ(A)σ(B)
- σ(A)σ(B) ≤ σ(AB)
- σi (A) − σ(A) ≤ σ(A + B) ≤ σi (A) + σ(B)
- σ(A) − 1 ≤ σ(A + 1) ≤ σ(A) + 1
- AA∗ ≤ σ(A)2 1 et A∗ A ≤ σ(A)2 1 (inégalités matricielles)

s Rayon spectral : ρ(A) = max |λi (A)|

i
- ρ(A) ≤ σ(A)

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Propriétés entre les normes de matrices A ∈ Cn×m

p
- σ(A) ≤ ||A||F ≤ min(n, m)σ(A)
p
- σ(A) ≤ ||A||i1 ||A||i∞
1 √
- m ||A||i∞ ≤ σ(A) ≤ n||A||i∞
√
1 √
- n ||A||i1 ≤ σ(A) ≤ m||A||i1
√

- max{σ(A) , ||A||F , ||A||i1 , ||A||i∞ } ≤ ||A||sum

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Normes des signaux

: [0 , +∞) → Rn
Un signal f (t) est une fonction du temps, continue par morceaux, f
n
Z ∞X n
X Z ∞
1- Norme 1 (L1 [0 , +∞)) : ||f ||1 = |fi (t)|dt = ||fi ||1 = kf (t)k1 dt
0 i=1 i=1 0
Interprétation : représente la consommation d’une ressource
Z n
∞X n
X Z ∞
2- Norme 2 (L2 [0 , +∞)) : ||f ||22 = fi (t)2 dt = ||fi ||22 = kfi (t)k22 dt
0 i=1 i=1 0
Interprétation : son carré représente l’énergie du signal
 
3- Norme ∞ (L∞ [0 , +∞)) : ||f ||∞ = sup max |fi (t)| = max ||fi ||∞ = sup kf (t)k∞
t 1≤i≤n 1≤i≤n t
Interprétation : pire des cas

f (t) = 1 − e−t , ||f ||∞ = 1

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Normes des systèmes

s Norme des signaux : exemple

2.5

2
T

= (T − t)e−t ,
Soit le signal f (t) 1.5

T > Lambert W (1/e)

f(t)
1
La fonction de Lambert :
W = h−1 0.5

h : x → xex sur [−1/e , +∞[

0

−0.5
0 2 4 6 8 10 12 14 16 18 20
t

- ||f (t)||1 = 2e−T + T − 1

T2 1 T
- ||f (t)||2 = + −
2 4 2
- ||f (t)||∞ = T

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Espaces de fonctions - Espaces de Hardy

l H2 : espace des fonctions s ∈ C 7→ fˆ(s) ∈ Cn×m telles que
 Z +∞ 1/2
1 h i
||fˆ||2 = trace fˆ∗ (jω)fˆ(jω) dω <∞
2π −∞

l Théorème de Paley-Wiener sur la transformée de Laplace

L2 [0 , +∞) → H2
Z +∞
f 7→ fˆ(s) = f (t)e−st dt
−∞

l Théorème de Parseval : ||f ||2 = ||fˆ||2

l RH2 : sous-ensemble des fonctions rationnelles strictement propres et stables
s Exemples :

s+1 s+1 (s − 1)
∈ RH2 6∈ RH2 6∈ RH2
(s + 2)(s + 3) (s + 2)(s − 3) (s + 1)

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Espaces de fonctions - Espaces de Hardy

l H∞ : espace des fonctions s ∈ C 7→ fˆ(s) ∈ Cn×m
||fˆ||∞ = sup σ(fˆ(jω)) < ∞
ω∈R

s Nota : H∞ est un espace de Banach et n’est pas un espace de Hilbert.

(On ne peut pas définir de notion de produit scalaire)

s RH∞ : sous-ensemble des fonctions rationnelles propres et stables

||fˆ||∞ = sup σ(fˆ(jω)) = sup σ(fˆ(s))
ω∈R Re(s)>0

s Exemples :
s+1 (s − 1)
6∈ RH∞ ∈ RH∞
(s + 2)(s − 3) (s + 1)
 
s/(s + 3) h i
  6∈ RH∞ 1 (s − 1)/(s + 1) 1/(s + 2) ∈ RH∞
1/(s − 1)

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Motivation : Afin d’évaluer la performance d’un système, étant donnée l’information sur les
signaux d’entrée w , quelle grandeur peut prendre le vecteur de sortie z ?

Quels sont les signaux d’entrée w considérés ? et qu’entend-on par taille ?

Quelques ensembles de signaux : w G z

- w est constitué d’impulsions δ(t − τi )

- w(t) = sin(ωt) pour ω fixée
- w est d’énergie finie ||w||2 ≤ 1
- w est borné en amplitude ||w||∞ ≤ 1
- w est un bruit blanc de moyenne nulle
La taille d’un signal (système) est précisée par l’utilisation de normes des signaux (systèmes)

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Norme H2 des systèmes :

Soit G(s) = L(g(t)) fonction de transfert stable, strictement propre, causale
s Monovariable :
 Z +∞ 1/2
1
||G||2 = |G(jω)|2 dω = ||g||2
2π −∞
s Multivariable :
Z +∞
1 X
||G||22 = ∗
trace [G (jω)G(jω)] dω = ||gi ||22
2π −∞ i

l Interprétations :
- L’énergie du signal de sortie en réponse à un bruit blanc gaussien de moyenne nulle et de
variance 1
- La norme L2 de la réponse impulsionnelle du système à une entrée impulsionnelle sur chaque
entrée

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Calcul de la norme H2
La norme H2 d’un système stable est finie ssi il est strictement propre et n’a pas de pôles sur
l’axe imaginaire
 
A B AWc + Wc A0 + BB 0 = 0
G(s) '   Equations de Lyapunov :
C 0 A0 W o + W o A + C 0 C = 0
Z ∞
At 0 A0 t
Wc = e BB e dt grammien de commandabilité
0

Z ∞
A0 t
Wo = e C 0 CeAt dt grammien d0 observabilité
0

||G||22 = trace [CWc C 0 ] = trace [B 0 Wo B]

Cours M2 UPS - Commande robuste 16 Jan-Fév 2012, Toulouse

 Normes des systèmes

s Exemple de calcul de la norme H2

>> A=[-1 2 0;0 -2 1;0 0 -3];B=[0 1;1 0; 1 1];C=[1 0 -1];D=[0 0
>> sys=ss(A,B,C,D);
>> h2=norm(sys,2)
h2 =
0.9129
>> A=[-1 2 0;0 -2 1;0 0 -3];B=[0 1;1 0; 1 1];C=[1 0 -1];
>> Wc=lyap(A,B*B’)
Wc =
1.2667 0.3833 0.3833
0.3833 0.3833 0.2667
0.3833 0.2667 0.3333
>> h2=sqrt(trace(C*Wc*C’))
h2 =
0.9129

Cours M2 UPS - Commande robuste 17 Jan-Fév 2012, Toulouse

 Normes des systèmes

n Norme H∞ des systèmes :

Soit G(s) = L(g(t)) fonction de transfert stable, propre, causale
s Monovariable :

||Gw||2
||G||∞ = sup |G(jω)| = sup
ω w6=0,w∈L2 ||w||2
s Multivariable :
||Gw||2
||G||∞ = sup σ(G(jω)) = sup
ω w6=0,w∈L2 ||w||2

l Interprétations :
- La valeur maximale de l’amplitude dans Bode ou la distance de l’origine au point le plus éloigné
du lieu de transfert dans Nyquist (monovariable)
- La norme induite L2

Cours M2 UPS - Commande robuste 18 Jan-Fév 2012, Toulouse

 Normes des systèmes

Cours M2 UPS - Commande robuste 19 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Calcul de la norme H∞
 
A B
Soit G(s) '   , R(γ) = D0 D − γ 2 1
C D
s Lemme : La norme H∞ d’un système stable est finie ssi il n’a pas de pôles sur l’axe imagi-
naire

Matrice Hamiltonienne :
 
A − BR−1 (γ)D0 C −BR−1 (γ)B 0
Hγ =  
−C 0 (1 − DR−1 (γ)D0 )C −A0 + C 0 DR−1 (γ)B 0

s Thm : Pour γ > σ(D), ||G||∞ < γ ssi Hγ n’a pas de valeur propre sur l’axe imaginaire
Λ(Hγ ) ∩ C0 = ∅

Cours M2 UPS - Commande robuste 20 Jan-Fév 2012, Toulouse

 Normes des systèmes

l Calcul de la norme H∞
s γ -itérations :
- On choisit [γmin , γmax ] tel que
γmin > σ(D)
- Pour γ = 1/2(γmin + γmax ), on forme Hγ et on calcule ses valeurs propres.
- Si les valeurs propres ne sont pas sur l’axe imaginaire :

On diminue γ en choisissant un nouvel intervalle [γmin , γ]

- Si les valeurs propres sont sur l’axe imaginaire :

On augmente γ en choisissant un nouvel intervalle [γ, γmax ]

- On répète ce processus jusqu’à obtenir une approximation de

γ∞ = ||G||∞

Cours M2 UPS - Commande robuste 21 Jan-Fév 2012, Toulouse

 Normes des systèmes

s Exemple de calcul de la norme H2

1
G(s) = a>0
s+a
Une réalisation minimale d’état est donnée par :

ẋ = −ax + u
y=x

Les équations de Lyapunov sont :

−2aWc + 1 = 0 −2aWo + 1 = 0

d’où les grammiens et la norme H2 :

1 1
Wc = Wo = ||G||2 = √
2a 2a

Cours M2 UPS - Commande robuste 22 Jan-Fév 2012, Toulouse

 Normes des systèmes

1
s Exemple de calcul de la norme H∞ de G(s) =
s+a
La matrice Hamiltonnienne :  
−a γ −2
Hγ =  
−1 a
Le polynôme caractéristique de Hγ :

P (λ) = λ2 + (1/γ 2 − a2 )

Les valeurs propres de Hγ :

1 p 1 p
γ> λ = ± 1/γ 2 − a2 γ< λ = ±j 1/a2 − γ 2
a a
La norme H∞ :
1
||G||∞ =
a

Cours M2 UPS - Commande robuste 23 Jan-Fév 2012, Toulouse

 Normes des systèmes

>> A=[-1 0 -2;0 -1 1;0 0 -4];B=[0;0;1];C=[1 1 0];D=2;

>> sys=ss(A,B,C,D);
>> [hinf,fpeak]=norm(sys,inf,1e-4)
hinf =
2.0225
fpeak =
3.9441
Bode Diagrams

5.8

5.6

5.4
Phase (deg); Magnitude (dB)

5.2

0
−1 0 1 2
10 10 10 10

Frequency (rad/sec)

Cours M2 UPS - Commande robuste 24 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

= G(s)d où y ∈ Rr et d ∈ Rm .
Soit le modèle entrée-sortie multivariable y
- On applique une sinusoı̈de dj (t) = dj0 sin(ωt+αj ) sur l’entrée j alors yi (t) = yi0 sin(ωt+
βi )
yi0
= |gij (jω)| βi − αj = arg [gij (jω)]
dj0
- On applique simultanément sur chaque entrée des signaux sinusoı̈daux de même fréquence
ω + principe de superposition
m
X
yi (ω) = gij (jω)dj (ω) y(ω) = G(jω)d(ω)
j=1

Nota : dj (ω) = d0j ejαj

Cours M2 UPS - Commande robuste 25 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

- Gain des systèmes SISO :

|y(ω)| |G(jω)d(ω)|
= = f (ω) = |G(jω)|
|d(ω)| |d(ω)|
- Gain des systèmes MIMO :

||y(ω)||2 ||G(jω)d(ω)||2
= = f (ω, d)
||d(ω)||2 ||d(ω)||2
Nota :
- f (ω) est indépendante de ||d(ω)|| mais dépend de la direction d’entrée d
- La notion de phase pour les systèmes multivariables est complexe à définir et ne sera pas
abordée dans ce cours

Cours M2 UPS - Commande robuste 26 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

 
3 2
Exemple : G =  
−1 1

 
4
1 √
d1 =   ||y1 ||2 = 10 Valeur singulière max. = 3.618

0 3.5

3
 

!y! 2 /!d! 2
0 √ 2.5
d2 =   ||y2 ||2 = 5
1 2

  1.5
Valeur singulière min. = 1.382
0.707
d3 =   ||y3 ||2 = 2.9150 1

−0.707 −5 −4 −3 −2 −1 0
d20 /d10
1 2 3 4

Cours M2 UPS - Commande robuste 27 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

Definition 1 :
- La valeur maximale du gain quand l’entrée varie est la valeur singulière maximale de G :

||Gd||2
max = max ||Gd||2 = σ(G)
d6=0 ||d||2 ||d||2 =1

- La valeur minimale du gain quand l’entrée varie est la valeur singulière minimale de G :

||Gd||2
min = min ||Gd||2 = σ(G)
d6=0 ||d||2 ||d||2 =1

Nota : le gain est indépendant de l’amplitude d’entrée

Cours M2 UPS - Commande robuste 28 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

Soit G(jω) ∈ Cr×m une matrice de réponse fréquentielle telle que sa SVD pour ω fixée est
 
σ(ω)
..
 
 . 0 
G(jω) = U (ω)Σ(ω)V ∗ (ω) Σ(ω) = 
 


 σ(ω) 

0 0

Definition 2 :

Les valeurs singulières sont appelées valeurs principales ou gains principaux. De plus, on définit
les directions d’entrée vj et de sortie ui :

V = [vj ]j=1,···,m U = [ui ]i=1,···r G(jω)V = U Σ(ω) Gvi = σi ui σi = ||Gvj ||2

Nota : la ième valeur singulière donne le gain dans la direction i.

Cours M2 UPS - Commande robuste 29 Jan-Fév 2012, Toulouse

 Analyse fréquentielle multivariable

Exemple : modèle deux entrées - deux sorties

Singular Values

30

20
 A=[-0.1+j 1 -1 ;0 -0.1-j 2 ;0 0 -6] ;
10
 B=[0 1 ; 1 0 ; 1 1] ;
Singular Values (dB)

0
 C=[3 1 0 ;-1 0 1] ;
−10  D=[0 0 ;0 0] ;

−20  sys=ss(A,B,C,D) ;

−30  sigma(sys,0.1,100)

−40
−1 0 1 2
10 10 10 10
Frequency (rad/sec)

Cours M2 UPS - Commande robuste 30 Jan-Fév 2012, Toulouse

Cours M2 ASTR - module FRS - Commande Robuste

Annexe - LMI et Outils d’optimisation

 Linear Matrix Inequalities & Optimization tools

n Convex cones
l A set K is a cone if for every x ∈ K and λ ≥ 0 we have λx ∈ K.
l A set is a convex cone if it is convex and a cone.

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Convex cones  
s Convex cone of positive reals : x = x1 . . . xn ∈ Rn+
n   o
n
s Second order (Lorentz) cone : Ksoc = x = x1 . . . x n , x21 + . . . x2n−1 ≤ x2n

3
Ksoc :

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Convex cones
s Convex cone of positive reals : x ∈ R+n   o
n
s Second order (Lorentz) cone : Ksoc = x= x1 ... xn , x21 + . . . x2n−1 ≤ x2n
s Positive
 semi-definite matrices :   

 x1 xn+1 ··· xn(n−1)+1 

x =

mat(x)   

n  . ..
Kpsd = , =  .. ≥0

.
 

 x 1 · · · x n2 = mat(x)T   

xn x2n ··· x n2

 


 
2
x1 x2
Kpsd :  ≥0
x2 x3

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Convex cones
s Convex cone of positive reals : x ∈ R+n   o
n
s Second order (Lorentz) cone : Ksoc = x = x1 . . . x n , x21 + . . . x2n−1 ≤ x2n
n   o
n
s Positive semi-definite matrices : Kpsd = x = x 1 · · · x n2 , mat(x) ≥ 0
n1 nq
s Unions of such : K = R+ × · · · × Ksoc × . . . × Kpsd × ···

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Optimization over convex cones

p? = min cx : Ax = b , x ∈ K

s Linear programming : K = R+ × · · · R+ .
n1 nq
s Semi-definite programming : K = Kpsd × · · · Kpsd
l Dual problem
d? = max bT y : AT y − cT = z , z ∈ K
s Primal feasible → Dual infeasible
s Dual feasible → Primal infeasible
s If primal and dual strictly feasible p? = d?
l Polynomial-time algorithms (O(n6.5 log(1/)))

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Optimization over convex cones

p? = min cx : Ax = b , x ∈ K

l Dual problem
d? = max bT y : AT y − cT = z , z ∈ K
l Possibility to perform convex optimization, primal/dual, interior-point methods, etc.
s Interior-point methods [Nesterov, Nemirovski 1988] - Matlab Control Toolbox [Gahinet et al.]
s Primal-dual path-following predictor-corrector algorithms :
SeDuMi (Sturm), SDPT3 (Toh, Tütüncü, Todd), CSDP (Borchers), SDPA (Kojima et al.)
s Primal-dual potential reduction : MAXDET (Wu, Vandenberghe, Boyd)
s Dual-scaling path-following algorithms : DSDP (Benson, Ye, Zhang)
s Barrier method and augmented Lagrangian : PENSDP (Kocvara, Stingl)
s Cutting plane algorithms ...

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Semi-Definite Programming and LMIs


 p? = min cx : Ax = b , x ∈ K
l SDP formulation
 d? = max bT y : AT y − cT = z , z ∈ K

 d? = min P g y : F + P F y ≥ 0
i i 0 i i
l LMI formalism
 p? = max Tr(F0 X) : Tr(Fi X) + gi = 0 , X ≥ 0

l In control problems : variables are matrices

s The H∞ norm computation example for G(s) ∼ (A, B, C, D) :
 
2 AT P + P A + C T C BP + C T D
kG(s)k∞ = min γ : P > 0 ,  <0
P B T + DT C −γ1 + DT D
| {z }
2 32 3T 2 32 3T
6 CT 76 CT 7 6 0 76 0 7
6 76 7 −γ 6 76 7 +p11 ...
DT DT
4 54 5 4 54 5
1 1

n Need for a nice parser

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n Parsers : LMIlab, tklmitool, sdpsol, SeDuMiInterface...

l YALMIP
s Convert LMIs to SDP solver format (all available solvers !)
s Simple to use
>> P = sdpvar( 3, 3, ’symmetric’);
>> lmiprob = lmi ( A’*P+P*A<0 ) + lmi ( P>0 );
>> solvesdp( lmiprob );

s Works in Matlab - free !

http ://users.isy.liu.se/johanl/yalmip
s Extends to other non-SDP optimization problems (BMI...)
s SDP dedicated version in Scilab [S. Solovyev]
http ://www.laas.fr/OLOCEP/SciYalmip

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n SDP-LMI issues and prospectives

l Any SDP representable problem is ”solved” (numerical problems due to size and structure)
s Find ”SDP-ables” problems
(linear systems, performances, robustness, LPV, saturations, delays, singular systems...)
s Equivalent SDP formulations þ distinguish which are numerically efficient
s New SDP solvers : faster, precise, robust (need for benchmark examples)

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n SDP-LMI issues and prospectives

l Any SDP representable problem is ”solved” (numerical problems due to size and structure)
s Find ”SDP-ables” problems
(linear systems, performances, robustness, LPV, saturations, delays, singular systems...)
s Equivalent SDP formulations þ distinguish which are numerically efficient
s New SDP solvers : faster, precise, robust (need for benchmark examples)
l Any ”SDP-able” problem has a dual interpretation
s New theoretical results (worst case)
s New proofs (Lyapunov functions = Lagrange multipliers ; related to SOS)
s SDP formulas numerically stable (KYP-lemma)

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n SDP-LMI issues and prospectives

l Any SDP representable problem is ”solved” (numerical problems due to size and structure)
s Find ”SDP-ables” problems
(linear systems, performances, robustness, LPV, saturations, delays, singular systems...)
s Equivalent SDP formulations þ distinguish which are numerically efficient
s New SDP solvers : faster, precise, robust (need for benchmark examples)
l Any ”SDP-able” problem has a dual interpretation
s New theoretical results (worst case)
s New proofs (Lyapunov functions = Lagrange multipliers ; related to SOS)
s SDP formulas numerically stable (KYP-lemma)
l Non ”SDP-able” : Robustness & Multi-objective & Relaxation of NP-hard problems
s Optimistic / Pessimistic (conservative) results
s Reduce the gap (upper/lower bounds) while handling numerical complexity growth.

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Linear Matrix Inequalities & Optimization tools

n SDP-LMI issues and prospectives

l Any SDP representable problem is ”solved” (numerical problems due to size and structure)
s Find ”SDP-ables” problems
(linear systems, performances, robustness, LPV, saturations, delays, singular systems...)
s Equivalent SDP formulations þ distinguish which are numerically efficient
s New SDP solvers : faster, precise, robust (need for benchmark examples)
l Any ”SDP-able” problem has a dual interpretation
s New theoretical results (worst case)
s New proofs (Lyapunov functions = Lagrange multipliers ; related to SOS)
s SDP formulas numerically stable (KYP-lemma)
l Non ”SDP-able” : Robustesse & Multi-objective & Relaxation of NP-hard problems
s Optimistic / Pessimistic (conservative) results
s Reduce the gap (upper/lower bounds) while handling numerical complexity growth.
l Develop software for ”industrial” application / adapted to the application field
þ RoMulOC toolbox

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Congruence
l A > 0 ⇔ for any non zero vector x : xT Ax > 0.
l A > 0 ⇒ for any full column rank matrix B : B T AB > 0.
l A > 0 ⇒ for any matrix B : B T AB ≥ 0.
l A > 0 ⇔ exists a square non-singular matrix B : B T AB > 0.

s Most LMI results are formulated as (sufficiency)

If ∃P . . . : L(P . . .) > 0 then the system ẋ = f (x, w . . .) is such that...

To prove these results : perform congruence with vectors x, w . . .

s Example (Lyapunov) :
If ∃P : P > 0 , AT P + P A < 0 then the system ẋ = Ax is stable.

Proof : V (x) = xT P x > 0, V̇ (x) = xT (AT P + P A)x = 2ẋT P x < 0 for all x 6= 0.

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Examples of nominal performance analysis : (P > 0)

l Stability (discrete-time) AT P A − P < 0

  
h i r P r P 1
∗ 11 12
l Regional pole placement 1 A    <0
∗
r12 P r22 P A
 
AT P + P A + CzT Cz P Bw + CzT Dzw
l H∞ norm  <0
BwT T
P + Dzw Cz −γ 2 1 + Dzw
T
Dzw

AT P + P A + CzT Cz < 0
l H2 norm
T
trace(Bw P Bw ) < γ2

AT P + P A < 0 T
Bw P Bw < γ 2 1
l Impulse-to-peak
CzT Cz < P T
Dzw Dzw < γ 2 1

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l Schur complement
  
 A > BC −1 B T A B
⇔ >0
 C>0 BT C

s Example :

 (AX + BS)X −1 (XAT + S T B T ) − X < 0
 X>0
 
−X AX + BS
⇔  <0
XAT + S T B T −X

Cours M2 UPS - Commande robuste 16 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l Finsler lemma - Elimination lemma - Creation lemma

xT Ax < 0 ∀x : Bx = 0 ⇔ ∃τ ∈ R : A < τ B T B
⇔ ∃X = X T : A < B T XB
⇔ ∃G : A < B T GT + GB
⇔ B ⊥T AB ⊥ < 0

s where B ⊥ columns generate the null space of B :

B ∈ Rp×m , rank(B) = r < m , BB ⊥ = 0 , B ⊥ ∈ Rm×(m−r) , B ⊥T B ⊥ > 0

s G is a ’Slack variable’ (Lagrange multiplier)

Cours M2 UPS - Commande robuste 17 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l Finsler lemma - Elimination lemma - Creation lemma

xT Ax < 0 ∀x : Bx = 0 ⇔ ∃τ ∈ R : A < τ B T B
⇔ ∃X = X T : A < B T XB
⇔ ∃G : A < B T GT + GB
⇔ B ⊥T AB ⊥ < 0

s Example :
 T     
ẋ 0 P ẋ h i ẋ
V̇ (x) =     <0 , ∀ 1 −A  =0
x P 0 x x
   
0 P −1 h i
⇔ ∃G :  +  GT + G −1 A <0
T
P 0 A

Cours M2 UPS - Commande robuste 18 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l Finsler lemma - Elimination lemma - Creation lemma

 C ⊥T AC ⊥ < 0
⇔ ∃H : A < B T H T C + C T HB
 B ⊥T AB ⊥ < 0

s Example
   

 h i P 0 0
−P = 0 1 <0

  

0 −P 1


  

 h i P 0 A
T
A PA − P = A 1  <0

 

0 −P 1



     
P 0 −1 h i 1 h i
⇔ ∃H :  <  HT 1 0 + H −1 A
T
0 −P A 0

Cours M2 UPS - Commande robuste 19 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l S-procedure [Yakubovich]

xT M x < 0 ∀x : xT N x ≤ 0 ⇔ ∃τ > 0 : M < τ N

s Example :
 T  
1 1
  M  < 0, ∀∆T ∆ ≤ 1
∆ ∆
 T    T   
z∆ z∆ z∆ −1 0 z∆
⇔   M   < 0, ∀      ≤0
w∆ w∆ w∆ 0 1 w∆
 
−1 0
⇔ ∃τ > 0 : M < τ  
0 1

Cours M2 UPS - Commande robuste 20 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l S-procedure [Yakubovich]

xT M x < 0 ∀x : xT N x ≤ 0 ⇔ ∃τ > 0 : M < τ N

s Example :
 T  
1 1
  M  < 0, ∀∆T ∆ ≤ 1
∆(1 − D∆)−1 C ∆(1 − D∆)−1 C
 T    T   
x x z∆ −1 0 z∆
⇔   M   < 0, ∀      ≤0
w∆ w∆ w∆ 0 1 w∆
z∆ = Cx + Dw∆
 T   
C D −1 0 C D
⇔ ∃τ > 0 : M < τ     
0 1 0 1 0 1

s Special case :
X + C T ∆T B T + B∆C < 0, ∀∆T ∆ ≤ 1 ⇔ ∃τ > 0 : X + τ C T C + τ −1 BB T < 0

Cours M2 UPS - Commande robuste 21 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l D and DG-scalling
 T  
1 1
  M  < 0, ∀∆ = δ1 : δ ∈ C , |δ| ≤ 1
∆(1 − D∆)−1 C ∆(1 − D∆)−1 C
 T   
C D −Q 0 C D
⇔ ∃Q > 0 : M <     
0 1 0 Q 0 1
 T  
1 1
  M  < 0, ∀∆ = δ1 : δ ∈ R , |δ| ≤ 1
∆(1 − D∆)−1 C ∆(1 − D∆)−1 C
 T   
T
C D −Q T C D
⇔ ∃Q > 0, T = −T : M<     
0 1 TT Q 0 1

Cours M2 UPS - Commande robuste 22 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l Kalman-Yakubovich-Popov KYP lemma
 ∗  
1 1
  M  < 0, ∀ω ∈ R
(jω1 − A)−1 B (jω1 − A)−1 B
 T   
A B 0 Q A B
⇔ ∃Q : M <     
0 1 Q 0 0 1

l And so on... Full-Block S-procedure [Scherer], Quadratic Separation [Iwasaki]

 ∗  
1 1
  M  < 0, ∀∆ ∈ ∆ ∆
−1 −1
∆(1 − D∆) C ∆(1 − D∆) C
 T    ∗  
C D C D 1 1
⇔ M<   Θ   ,   Θ   < 0 ∀∆ ∈ ∆
∆
0 1 0 1 ∆ ∆

s Difficulty : build the ‘separator’ Θ, losslessly...

Cours M2 UPS - Commande robuste 23 Jan-Fév 2012, Toulouse

 Manipulating inequalities to obtain LMI results

n Tools to ‘build’ LMI results

l S-procedure [Yakubovich]

xT M x < 0 ∀x : xT N x ≤ 0 ⇔ ∃τ > 0 : M < τ N



 x T N1 x ≤ 0
∃τ1 > 0, . . . τp > 0 :


T ..
x M x < 0 ∀x : . ⇐

 M < τ1 N1 + · · · τp Np
 xT N x ≤ 0

p

s Not lossless except in few special cases : ∆ composed of

• mr scalar real repeated,
• mc scalar complex repeated,
• mF full complex non-repeated blocks
[Meinsma et al.] DG-scalling lossless if 2(mr + mc ) + mF ≤ 3 !

Cours M2 UPS - Commande robuste 24 Jan-Fév 2012, Toulouse

Cours M2 ASTR - module FRS - Commande Robuste

Cours 1 - Modèles linéaires incertains

 Modèles linéaires incertains

Bruits Perturbations
Perturbations
Bruits

Entrées Modèle Sorties

Modélisation Mathématique
Système Incertain

Signaux controlés
Commandes
Mesures

n Le cours se limite aux systèmes linéaires

l Modèles par fonctions et matrices de transfert incertaines
l Modèles dans l’espace d’état

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Exemple de modélisation incertaine

l Système physique réel :
Lanceur constitué de deux étages reliés par une liaison visco-élastique et soumis à des pertur-
bations dues au vent et à la poussée du moteur

l Modèle physique idéal :

Deux masses couplées par un amortisseur et un ressort et soumises à des forces

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle mathématique idéal : Modèle variant dans le temps et non linéaire

M1 (t)ẍ1 + f (ẋ1 − ẋ2 ) + k(x1 − x2 ) = u + w1

M2 ẍ2 + f (ẋ2 − ẋ1 ) + k(x2 − x1 ) = w2

où M1 (t) : fonction du temps et f et k fonctions non linéaires

M1 (t), M2 , f , k connues de façon approchée (car système idéalisé)
l Modèle mathématique réduit : linéarisé autour de zéro
2 3 2 3 2 3
0 0 1 0 0 0 0
!
0 0 0 1 0 0 0
6 7 6 7 6 7
6 7 6 7 w1 6 7
ẋ = 6 7x + 6 7 +6 7u
6 − k
M1 (t)
k
M1 (t)
− M f(t) f
M1 (t)
7 6 1
M1 (t)
0 7
w2
6 1
M1 (t)
7
1
4 5 4 5 4 5
f
k
M2 − Mk M2 − Mf 0 1
M2 0
2 2
h i
y= 0 1 0 0 x

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle incertain :
s Incertitude paramétrique : M 2 ≤ M2 ≤ M 2
s Incertitude temps variant : M 1 ≤ M1 (t) ≤ M 1 ∀t ∈ [0 t̄]
(avec éventuellement bornes sur dérivées, tq Ṁ1 (t) ≤0)

s non-linéarités de gain borné : k ≤ k ≤ k , f ≤ f ≤ f

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle incertain affine :

A(α) Bw (α) Bu (α)
z }| { z }| { z }| {
2 3 2 3 2 3
0 0 1 0 0 0 0
6 7 6 7 ! 6 7
6 0 0 0 1 7 6 0 0 7 w1 6 0 7
ẋ = 6 7x + 6 7 +6 7u
4 −αk1 αk1 −αf 1 αf 1 4 αM 1 0 w2 4 αM 1
6 7 6 7 6 7
5 5 5
αk2 −αk2 αf 2 −αf 2 0 αM 1 0
h i
y= 0 1 0 0 x

s Incertitudes découplées
k k f f 1 1
≤ αki ≤ , ≤ αf i ≤ , ≤ αM i ≤
Mi Mi Mi Mi Mi Mi
s Représentation englobante avec 6 paramètres incertains au lieu de 4
s Les réalisations du premier modèle incertain sont incluses dans celui-ci

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle incertain affine parallélotopique :

s Incertitudes normalisées : αj = cj + rj δj , δj ∈ [−1 1]
“ ” “ ” “ ”
1 k k 1 f f 1 1 1
cki = 2
+ Mi
, cf i = 2
+ Mi
, cM i = 2
+ Mi
“ Mi ” “ Mi ” “ Mi ”
1 k k 1 f f 1 1 1
rki = 2 Mi
− Mi
, rf i = 2 Mi
− Mi
, rM i = 2 Mi
− Mi

s Modèle affine parallélotopique

h i h i
A(α) Bw (α) Bu (α) = A(c) Bw (c) Bu (c)
P6 h i
+ j=1 δj A(r̂j ) Bw (r̂j ) Bu (r̂j )
 
s Modèle nominal (central) : A(c) Bw (c) Bu (c)
 
s Déviations selon les ”axes” A(r̂j ) Bw (r̂j ) Bu (r̂j ) :
2 3
0 0 0 0 0 0 0
6 7
h i 6 0 0 0 0 0 0 0 7
A(r̂k1 ) Bw (r̂k1 ) Bu (r̂k1 ) =6
6 7
7
6 −rk1 rk1 0 0 0 0 0 7
4 5
0 0 0 0 0 0 0

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle incertain affine polytopique :

6
h i
2
A(c) Bw (c) Bu (c) X h
[v] [v]
i
P6 h i = ζv A[v] Bw Bu
+ j=1 δj A(r̂j ) Bw (r̂j ) Bu (r̂j ) v=1

s ζ appartient au simplex
X
ζv = 1 , ζv ≥ 0
h i
[v] [v]
s A[v] Bw Bu sont les sommets du polytope
calculés en prenant les 26 combinaisons extrêmes des δj ∈ [−1 1].
s Le modèle incertain = combinaison convexe des sommets
h i nh i o
[v] [v] 6
A(α) Bw (α) Bu (α) ∈ CO A[v] Bw Bu , v = 1...v = 2

s Complexité combinatoire v.s. nombre de paramètres incertains

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle incertain affine polytopique :

s Peuvent être construits à la données de familles de modèles identifiés
s Example : Modélisation des dynamiques longitudinales d’un avion civil.
Profondeur
Stabilisateur horizontal Mach MAX

Distance (L)
Centre de gravité

Force (F )

Mach
AX
eM
ud
tit

in
Al

Vc m
Mouvement résultant

Vc MAX
in
em
tud
Alti
Vc (kts)

Modèles non-linéaires sur un point de vol i, approximés par modèles linéaires incertains définis
comme l’enveloppe convexe des modèles voisins dans l’espace des paramètres :

Mθi (ζ) = CO Mθj : ||θj − θi || ≤ α

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle LFT :
M1 ẍ1 + f (ẋ1 − ẋ2 ) + k(x1 − x2 ) = u + w1
M2 ẍ2 + f (ẋ2 − ẋ1 ) + k(x2 − x1 ) = w2
s Réécriture avec incertitudes normalisées

(c1 + r1 δ1 )ẍ1 + (cf + rf δf )(ẋ1 − ẋ2 ) + (ck + rk δk )(x1 − x2 ) = u + w1

(c2 + r2 δ2 )ẍ2 + (cf + rf δf )(ẋ2 − ẋ1 ) + (ck + rk δk )(x2 − x1 ) = w2

s On remplace tous les termes ”non-linéaires” par des signaux exogènes

c1 ẍ1 + r1 w∆1 + cf (ẋ1 − ẋ2 ) + rf w∆f + ck (x1 − x2 ) + rk w∆k = u + w1

c2 ẍ2 + r2 w∆2 + cf (ẋ2 − ẋ1 ) − rf w∆f + ck (x2 − x1 ) − rk w∆k = w2

s Signaux exogènes exprimés en fct des incertitudes et de combinaisons linéaires des états

w∆1 = δ1 z∆1 , w∆2 = δ2 z∆2 , w∆f = δf z∆f , w∆k = δk z∆k

z∆1 = ẍ1 , z∆2 = ẍ2 , z∆f = ẋ1 − ẋ2 , z∆k = x1 − x2

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle LFT : forme descripteur

E
z }| {
2 30 1
c1 0 0 0 0 0 0 0 ẍ1
6 7B C
6
6 0 c2 0 0 0 0 0 0 7
7B
B ẍ2 C
C
6 7B C
6
6 0 0 1 0 0 0 0 0 7
7B
B ẋ1 C
C
ẋ2 C
6 7B C
6 0 0 0 1 0 0 0 0 7B
6 7B C
−1 0 0 0 1 0 0 0 7B z∆1 C
6 7B C
6
6 7B C
0 −1 0 0 0 1 0 0 7B z∆2 C
6 7B C
6
6 7B C
6
4 0 0 0 0 0 0 1 0 7
5@
B z∆f CA
0 0 0 0 0 0 0 1 z∆k
0 1
ẋ1
ẋ2
B C
2 3B C
−cf cf −ck ck −r1 0 −rf −rk 1 0 1 B C
x1
B C
6 7B C
6 cf −cf ck −ck 0 −r2 rf rk 0 1 0 7B C
6
6
7B
7B x2 C
C
6 0 0 1 0 0 0 0 0 0 0 0 7B C
6
6
7B
7B w∆1 C
C
6 0 0 0 1 0 0 0 0 0 0 0 7B C
= 6
6
7B
7B w∆2 C
C
6 0 0 0 0 0 0 0 0 0 0 0 7B C
6 7B w∆f C
0 0 0 0 0 0 0 0 0 0 0
6 7B C
6 7B C
6 7B w∆k C
6
4 1 −1 0 0 0 0 0 0 0 0 0 7B
5B
C
C
B w1 C
0 0 1 −1 0 0 0 0 0 0 0 B C
w2
B C
| {z }@ A
A u

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

l Modèle LFT : En multipliant par E −1 on trouve

 ẋ1

cf cf c ck r rf r 1 1 ẋ2
− k − 1 − k
2 3
 ẍ1
 − 0 − 0
c c1 c1 c1 c1 c c1 c1 c1
cf1 cf rf1 x1
6 ck c r rk 1
7  
ẍ2 − − k 0 − 2 0 0
6 7  
  6
6 c2 c2 c2 c2 c2 c2 c2 c2 7
7  x2 
ẋ1 6
6 0 0 1 0 0 0 0 0 0 0 0
7
7
  6 7  w∆1 
ẋ2 6
0 0 0 1 0 0 0 0 0 0 0
7
=
  6 7  w∆2

 z∆1
6 cf cf c ck r rf r 1 1
7  
− k − 1 − k
6 7
6 − 0 − 0 7
w∆f
  c c1 c1 c1 c1 c c1 c1 c1  
cf1 rf1
6 7
z∆2 6 cf ck c r rk 1
7
− k − 2
  6 − 0 0 0 7  w∆k

z∆f
6
6 c2 c2 c2 c2 c2 c2 c2 c2 7
7  
6
1 −1 0 0 0 0 0 0 0 0 0
7  w1 
z∆k
4 5
0 0 1 −1 0 0 0 0 0 0 0 w2
| {z } u
» –
A B∆ Bw Bu
C∆ D∆∆ D∆w D∆u

s Modèle linéaire sans incertitudes, bouclé par matrice diagonale incertaine

 
δ1
δ2
w∆ =   z∆ = ∆z∆
 
δf
δk

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Théorème
Tout modèle linéaire dont les coefficients sont rationnels en les paramètres
    
ẋ A(δ) B(δ) x
 =  
y C(δ) D(δ) u

admet une représentation sous la forme d’un bouclage entre un modèle nominal et une matrice
diagonale des paramètres
    
ẋ A0 B∆ B0 x
    
 z∆  =  C∆ D∆∆ D∆u   w∆  , w∆ = ∆z∆
    
y C0 Dy∆ D0 u

s On parle de transformation fractionnaire ↔ linéaire (LFT en anglais)

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l Les paramètres peuvent être répétés sur la diagonale
s Exemple y = δ(x1 + δx2 ) donne
 
    x1
y 0 0 1 0    
    x2  δ
 z  =  1 0 0 1   , w∆ =  z∆
 
 ∆1  

 w∆1  δ
 
z∆2 0 1 0 0
w∆2

l Les paramètres sont répétés au minimum autant que le degré des polynômes

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l Les représentations ne sont pas unique
δ
s y = 1+δ x ⇔ y + δy = δx avec w∆1 = δy , w∆2 = δx on a
    
y 0 −1 1 x  
     δ
 z
∆1
= 0 −1 1   w∆1  , w∆ =
     z∆
δ
  
z∆2 1 0 0 w∆2

s avec w∆ = δ(x − y) on a une forme plus simple

    
y 0 1 x
 =   , w∆ = δz∆
z∆ 1 −1 w∆

l PB : comment trouver une forme minimale ?

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l LFT ”hautes” et ”basses” (”upper” and ”lower”)
    
ẋ A0 B∆ B0 x
     w∆ = ∆z∆
 z∆  =  C∆ D∆∆ D∆u   w∆  ,
u = Ky
    
y C0 Dy∆ D0 u

w∆
∆ z∆
Ll (Lu (Σ, ∆), K) = Lu (Ll (Σ, K), ∆)

Σ
w∆ ,z∆ u,y w∆ ,z∆ u,y
(∆ ? Σ) ? K = ∆ ? (Σ ? K)
 
u y ∆ 0
=Σ?  
K 0 K

Cours M2 UPS - Commande robuste 16 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l Représentations rationnelles
    
ẋ A B∆ x
 = 0   , w∆ = ∆z∆
z∆ C∆ D∆∆ w∆

s z∆ = C∆ x + D∆∆ ∆z∆ conduit à la représentation :

ẋ = (A0 + B∆ ∆(1 − D∆∆ ∆)−1 C∆ )x

s w∆ = ∆C∆ x + ∆D∆∆ w∆ conduit à la représentation équivalente :

ẋ = (A0 + B∆ (1 − ∆D∆∆ )−1 ∆C∆ )x

Cours M2 UPS - Commande robuste 17 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l s−1 intégrateur avec conditions initiales nulles
Σ
  z }| {  
ẋ A B x
 =   , x = s−1 ẋ
y C D u

s Matrices de transfert : LFT “haute”

y = (D + Cs−1 (1 − As−1 )−1 B) u = (D + C(s1 − A)−1 B) u

| {z } | {z }
x,ẋ G(s)
Σ ? (s−1 1)

Cours M2 UPS - Commande robuste 18 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l Algèbre des LFT
Δ1 Δ2
w∆
∆ z∆
Σ1 Σ2 F1
⇔ w Σ z
Δ3 u y
K K
 
∆1
 
∆=
 ∆2 

∆3

Cours M2 UPS - Commande robuste 19 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n “Star product” de matrices - propriétés

2 3
M11 M12
∆? 4 5 = M22 +M21 ∆(1−M11 ∆)−1 M12 = M22 +M21 (1−∆M11 )−1 ∆M12
M21 M22
2 3
M11 M12
4 5 ?K = M11 +M12 K(1−M22 K)−1 M21 = M11 +M12 (1−KM22 )−1 KM21
M21 M22
2 3 2 3
M11 M12 M22 M21
∆?4 5=4 5?∆
M21 M22 M12 M11

Cours M2 UPS - Commande robuste 20 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n “Star product” de matrices - propriétés (suite)

2 3
2 3 2 3 2 3 M11 0 M12
M11 M12 N11 N12 ∆M 0 6 7
∆ M ?4 5+∆N ?4 5=4 5 ?6 0 N11 N12 7
M21 M22 N21 N22 0 ∆N
4 5
M21 N21 M22 + N22
0 2 31 0 2 31
M11 M12 N11 N12
@∆M ? 4 5A @∆N ? 4 5A
M21 M22 N21 N22
2 3
2 3 M11 M12 N21 M12 N22
∆M 0 6 7
=4 5?6 0 N11 N12 7
0 ∆N
4 5
M21 M22 N21 M22 N22
0 2 31−1 0 2 31
−1 −1
M11 M12 M11 − M12 M22 M21 −M12 M22
@∆ ? 4 5A = @∆ ? 4 5A
−1 −1
M21 M22 M22 M21 M22

Cours M2 UPS - Commande robuste 21 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n “Star product” de matrices - formule générale

M N
z
 }| { z  }| {
M11 M12 N11 N12
 ? 
M21 M22 N21 N22
 
M ? N11 M12 (1 − N11 M22 )−1 N12
= 
N21 (1 − M22 N11 )−1 M21 M22 ? N

Cours M2 UPS - Commande robuste 22 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Propriétés des représentations LFT

l Toolbox dans Matlab pour manipuler des LFT
s LFRT - gratuite - très complète
par JF Magni + extention Simulink par JM Biannic et C Doll
www.onera.fr/staff-en/jean-marc-biannic/docs/lfrtv20s.zip

s Robust Control toolbox - Matlab

c
s RoMulOC - gratuite (manipulations LFT limitées)
www.laas.fr/OLOCEP/romuloc/

Cours M2 UPS - Commande robuste 23 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Types d’incertitudes ∆ = diag(· · · ∆i · · ·) , ∆i ∈ ∆

∆i
l Scalaires réelles constantes répétées : ∆i = δi 1ri δi ∈ [δ i , δ i ] δ̇i = 0
l Scalaires réelles variant dans le temps répétées : ∆i = δi 1ri δi ∈ [δ i , δ i ] δ̇i 6= 0
l Scalaires complexes répétées : ∆i = δi 1ri xi + δi∗ yi∗ + yi δi + zi δi∗ δi ≤ 0
s Exemple : ∆∆i = demi-plan droit si (xi , yi , zi ) = (0, −1, 0)
s Exemple : ∆∆i = disque unité si (xi , yi , zi ) = (−1, 0, 1)
s Exemple : ∆∆i = disque de diamètre [δ i , δ i ] si (xi , yi , zi ) = (2δ i δ i , −(δ i + δ i ), 2)
l Opérateurs matriciels dissipatifs (matrices complexes, temps-variant ou non-linéarités)
Z ∞
∗ ∗ ∗ ∗ ∗
w∆i = ∆i z∆i ⇒ (z∆i Xi z∆i + z∆ i
Yi w∆i + w ∆ i
Yi z∆i + w ∆i Zi w∆i )dt ≤ 0
0
s Exemple : Opérateur borné en norme si (Xi , Yi , Zi ) = (−γ 2 1, 0, 1)
kw∆i k2 ≤ γkz∆i k2 , k∆i k∞ ≤ γ
s Exemple : Opérateur passif si (Xi , Yi , Zi ) = (0, −1, 0)
s Exemple : Non-linéarité de secteur si (xi , yi , zi ) = (2δ i δ i , −(δ i + δ i ), 2)

Cours M2 UPS - Commande robuste 24 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Systèmes incertains et matrices de transfert

Σ
  z }| {  
ẋ A0 B∆ B0 x
    
 z∆  =  C∆ D∆∆ D∆u   w∆  , w∆ = ∆z∆
    
y C0 Dy∆ D0 u

l Bouclages avec matrices de transfert

    
z Σ (s) Σ∆u (s) w
 ∆  =  ∆∆  ∆  , w∆ = ∆z∆
y Σy∆ (s) Σyu (s) u
  " # " #
Σ∆∆ (s) Σ∆u (s) D∆∆ D∆u C∆ −1
h i
= + (s1 − A0 ) B∆ B0
Σy∆ (s) Σyu (s) Dy∆ D0 C0
| {z }
x,ẋ
Σ ? (s−1 1)
    
Σ∆∆ (s) Σ∆u (s) w∆ ,z∆ Σyu (s)
y= ? ∆ u= u
Σy∆ (s) Σyu (s) +Σy∆ (s)∆(1 − Σ∆∆ (s)∆)−1 Σ∆y (s)

Cours M2 UPS - Commande robuste 25 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Systèmes incertains et matrices de transfert (suite)

    
ẋ A0 B∆ B0 x
    
 z∆  =  C∆ D∆∆ D∆u   w∆  , w∆ = ∆z∆
    
y C0 Dy∆ D0 u

l Si ∆ est composée uniquement d’incertitudes constantes (réelles ou complexes)

0 2 30 2 32 31−1 2 31
s−1 s−1
y = @D0 + 0 A0 B∆ 0 B0
u
h i
C0 Dy∆ 4 5 @1 − 4 54 5A 4 5A
0 ∆ C∆ D∆∆ 0 ∆ D∆u
| {z }
G(s,∆)

s G(s, ∆) : Matrice de transfert dont les coefficients sont rationnels en les incertitudes
s Sauf cas particulier, les coefficients sont inter-dépendants

Cours M2 UPS - Commande robuste 26 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Systèmes SISO définis par une fonction de transfert incertaine

bm sm + . . . + b1 s + b0
G(s) =
an sn + . . . + a1 s + a0
l Incertitudes intervalles

bj ≤ bj ≤ bj ∀j = 1 . . . m , ai ≤ ai ≤ ai ∀i = 1 . . . n

s Modèle très simple

s Suppose tous les coefficients indépendants
 
b0 ∈ [−1 1] 
  
s+δ s + b0
2
, δ ∈ [−1 1] ⊂ 2
,
s + δs + 1  s + a1 s + 1 a1 ∈ [−1 1] 

s Fonction de transfert : suppose tous les coefficients constants

Cours M2 UPS - Commande robuste 27 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Systèmes MIMO et factorisation copremières à droite et à gauche

G(s) = Ml−1 (s)Nl (s) = Nr (s)Mr−1 (s)

s Ml (s), Nl (s), Mr (s), Nr (s) : matrices polynomiales (existent d’autres factorisations)

Ml (s) = Mnl sn + . . . + M1l s + M0l

s Ml (s)y = Nl (s)u : modélisation polynomiale des systèmes LTI

l Factorisations copremières incertaines

G(s) = Ml −1 (s)Nl (s) = Nr (s)Mr −1 (s)

l Analogie avec les modèles SISO :

facteurs copremiers aux coefficients indépendants dans des intervalles

Ml (s) = [mlij (s)]1≤i≤p,1≤j≤m = Mnl sn + · · · + M1l s + M0l

mlij (s) = mnlij sn + . . . + m1lij s + m0lij
mklij ≤ mklij ≤ mklij

Cours M2 UPS - Commande robuste 28 Jan-Fév 2012, Toulouse

 Modèles linéaires incertains

n Résumé des modèles incertains considérés dans la suite

[2]
Σ
Σ(∆)
l Affines polytopiques w
[1]
z
Σ Σ
[v]
<γ
u y
K

   
ẋ x n o
 z  = Σ(ζ)  w  , Σ(ζ) ∈ co Σ[1] . . . Σ[v]
y u

∆
   
w∆ z∆ ẋ x
w∆ = ∆z∆ :
 z∆   w∆ 
l LFT w Σ z  z  = Σ  w  , ∆ = diag(. . . ∆i . . .)
u y ∆i ∈ ∆
∆i ,
K y u

l Polynomiaux (surtout SISO) M (s)y = N (s)u

Cours M2 UPS - Commande robuste 29 Jan-Fév 2012, Toulouse

 Cours M2 ASTR - module FRS - Commande Robuste

Cours 2 - Stabilité robuste et théorie de Lyapunov

 Stabilité robuste et théorie de Lyapunov

n Dans cette partie on s’intéresse à la stabilité d’une boucle fermée décrite dans l’espace d’état
     w∆ = ∆z∆
ẋ0 A0 B∆ B0 x0 ! " # !
η̇ AK BK η
 z∆  =  C∆ D∆∆ D∆u   w∆  , =
u CK DK y
y C0 Dy∆ D0 u | {z }
K

l Exercice de manipulation des LFT : montrer que la boucle fermée avec le correcteur s’écrit
    
ẋ A(K) B∆ (K) x
= , w∆ = ∆z∆
z∆ C∆ (K) D∆∆ (K) w∆

   
A(K) B∆ (K)
s avec xT = xT0 ηT et =
C∆ (K) D∆∆ (K)
   
A0 0 B∆ 0 B0    −1  
0 0 0 1 0
 0 0 0 + 1 0 K 1 − K
0 D0 C0 0 Dy∆
C∆ 0 D∆∆ 0 B∆u

s Rq : K doit être telle que (1 − D0 DK ) est inversible pour que la LFT ait un sens
s Dans la suite de cette partie K est supposée connue

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Stabilité robuste

l Exercice de manipulation des LFT suite

    
ẋ A B∆ x
 =   , w∆ = ∆z∆
z∆ C∆ D∆∆ w∆

s On trouve au choix

ẋ = (A + B∆ ∆(1 − D∆∆ ∆)−1 C∆ )x = A(∆)x

ẋ = (A + B∆ (1 − ∆D∆∆ )−1 ∆C∆ )x = A(∆)x

s La LFT a un sens si (1 − ∆D∆∆ ) et (1 − D∆∆ ∆) sont inversibles ∀∆ ∈ ∆
∆.

l On voit sur ces deux exemples que écrire des LFT suppose des hypothèse sur les inverses
(1 − D0 DK ), (1 − D∆∆ ∆) etc.
s On parle de bien-posé de la LFT ou bien posé de la boucle d’interconnexion.

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Bien posé d’une boucle - Définition

l Une boucle ∆ ? M avec ∆ ∈ ∆ ∆ est dite bien posée si

s∆ ∆ est non vide
s Pour tout ∆ ∈ ∆ ∆ et toute paire (ŵ, ẑ), il existe une unique paire (w, z) solution de

z = M w + ẑ , w = ∆z + ŵ

s Il existe un γ tel que la solution (w, z) est bornée

w ŵ

≤γ , ∀(ŵ, ẑ), ∀∆ ∈ ∆
∆
z ẑ

l Le bien posé implique que quand (ŵ, ẑ) = 0 la seule solution aux équations est (w, z) = 0
s z = w bouclé avec w = δz et δ ∈ [0 , 2], n’est pas bien posé
en effet ∃δ = 1 ∈ [0 , 2] telle que w = z ∈ R est un ensemble (infini) de solutions

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Unicité des signaux internes à l’équilibre

l Point d’équilibre x = ẋ = 0

z∆ = D∆∆ w∆ , w∆ = ∆z∆

l (z∆ , w∆ ) unique pour toute perturbation (ẑ, ŵ) bornée

z∆ = D∆∆ w∆ + ẑ , w∆ = ∆z∆ + ŵ

s Unicité de la solution à
    
1 −D∆∆ z∆ ẑ
  = 
−∆ 1 w∆ ŵ
   
1 −D∆∆ 1 D∆∆
s  de rang plein et donc   de rang plein
−∆ 1 ∆ 1
    
1 −D∆∆ 1 D∆∆ 1 − ∆D∆∆ 0
s  =  inversible
−∆ 1 ∆ 1 0 1 − D∆∆ ∆

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale du point d’équilibre x = ẋ = 0

l Etat borné pour toute condition initiale bornée et toute perturbation bornée :
Z t
ẋ = Ax + ẑ , x(t) = ẋ(τ )dτ + x(0)
0

s x(s) = L[x] est définie pour Re[s] > α si ∃M : ||x(t)|| ≤ M eαt

s Convergence asymptotique si α < 0 ⇒ Re[s] ≥ 0
l Bien posé de la boucle

ẋ = Ax + ẑ , x = s−1 ẋ + x(0) : s−1 ∈ {Re[s] ≥ 0}

s Unicité de la solution à
    
1 −A z∆ ẑ
  = 
−s−1 1 w∆ ŵ

s ⇒ (s1 − A) inversible pour tout s ∈ {Re[s] ≥ 0}

s ⇒ det(s1 − A) 6= 0 pour tout s ∈ {Re[s] ≥ 0}

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale robuste du point d’équilibre x = ẋ = 0

l Etat borné pour toute condition initiale bornée, toute perturbation bornée et toute incertitude :
         
ẋ A B∆ x x s−1 1 ẋ
 =  +ẑ ,  =  +ŵ
z∆ C∆ D∆ w∆ w∆ ∆ z∆

s Obtenu si la matrice suivante est de rang plein ∀Re[s] ≥ 0 et ∀∆ ∈ ∆

∆
 
1 0 −A −B∆
 

 0 1 −C∆ −D∆  
 
 −s−1 1 0 1 0 
 
0 −∆ 0 1

s ⇒ det(s1 − A(∆)) 6= 0 ∀Re[s] ≥ 0 et ∀∆ ∈ ∆

∆

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité robuste des systèmes LTI incertains

l det(s1 − A(∆)) 6= 0 pour tout s ∈ {Re[s] ≥ 0} et tout ∆ ∈ ∆
∆
l Approche aléatoire [Tempo et al.(2005)Tempo, Calafiore, and Dabbene] :
s Calculer v.p. A(∆) sur un grand nombre de valeurs aléatoires de ∆
s Résultats probabilistes :
Probabilité de stabilité, pour N tirages, a condition d’avoir un tirage uniforme

s Approche optimiste : pas de garantie de stabilité robuste

s Approche optimiste : peut trouver un certificat d’instabilité
s Exemple : polytope avec 4 sommets stables
2 3 2 3
−8 3 1 −12 1 6
A[1] A[2]
6 7 6 7
=6
4 5 −9 8 7 ,
5 =6
4 4 −5 1 7
5
5 4 −14 1 10 −12
2 3 2 3
−9 10 6 −7 6 2
A[3] A[4]
6 7 6 7
=6
4 2 −12 2 7 ,
5 =6
4 9 −11 0 7
5
9 9 −15 9 2 −11

Tirage aléatoire de 100 combinaisons linéaires de ces sommets : 3 instables.

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité robuste des systèmes LTI incertains

l det(s1 − A(∆)) 6= 0 pour tout s ∈ {Re[s] ≥ 0} et tout ∆ ∈ ∆
∆
l Critère de Routh (peu de paramètres, faible degré de dépendance)
s Exemple det(s1 − A(∆))

= s4 + 10s3 + 10(10 − δ1 2 )s2 + (10 − δ2 2 )s + 10(1 − δ1 3 + 5δ2 2 )

s Stable ssi

100(10 − δ1 2 ) > 10 − δ2 2 > 0 , δ1 3 − 5δ2 − 1 < 0 ,

100δ1 2 δ2 2 − δ2 4 + 1000δ1 3 − 1000δ1 − 5980δ2 2 > 0

s Inégalités satisfaites pour

(δ1 , δ2 ) = (−1, 1) , (−1, −1) , (1.8, −1) , (1.8, 1)

s Mais pas satisfaites pour (δ1 , δ2 ) = (1.8, 0) , (1, 0)

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Stabilité robuste

s Exemple det(s1 − A(∆))

= s4 + 10s3 + 10(10 − δ1 2 )s2 + (10 − δ2 2 )s + 10(1 − δ1 3 + 5δ2 2 )

s Valeurs stabilisantes de (δ1 , δ2 )

2.5

1.5

0.5

−0.5

−1

−1.5

−2

−2.5
−2 −1 0 1 2 3 4

s Il ne suffit pas de tester la stabilité des valeurs extrèmes !

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité robuste des systèmes LTI incertains

l Théorème de Kharitonov , ai ≤ ai ≤ ai indépendants les uns des autres

det(s1 − A(∆)) = a0 + a1 s + a2 s2 + . . . + an sn

le polynôme est stable ssi les quatre polynômes suivants sont stables

a0 + a1 s + a2 s2 + a3 s3 + a4 s4 + . . .
a0 + a1 s + a2 s2 + a3 s3 + a4 s4 + . . .
a0 + a1 s + a2 s2 + a3 s3 + a4 s4 + . . .
a0 + a1 s + a2 s2 + a3 s3 + a4 s4 + . . .

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Stabilité robuste

s Exemple s4 + 10s3 + [100 91.9]s2 + [10 9]s + [2.71 67.29]

(i.e. |δ1 | ≤ 0.9 et |δ2 | ≤ 1 dans ex précédent)
 
2 3 4
−4.96 ± j8.63
racines(2.71 + 9s + 100s + 10s + s ) =  
−0.044 ± j0.16
 
2 3 4
−4.95 ± j8.63
racines(2.71 + 10s + 100s + 10s + s ) =  
−0.049 ± j0.16
 
2 3 4
−4.98 ± j8.12
racines(67.29 + 10s + 91.9s + 10s + s ) =  
−0.014 ± j0.86
 
2 3 4
−4.99 ± j8.13
racines(67.29 + 9s + 91.9s + 10s + s ) =  
−0.009 ± j0.86

s Kharitonov ne permet pas de prouver stabilité de −1 ≤ δ1 ≤ 0.9, |δ2 | ≤ 1

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale - Théorème de Lyapunov

∃V (x) > 0 : V̇ (x) < 0 ∀x ∈ {ẋ = f (x)}

l Systèmes linéaires ẋ = Ax, fct de Lyapunov quadratique V (x) = xT P x

P > 0 , AT P + P A < 0

s C’est un problème LMI

s Preuve par congruence
l Systèmes linéaires incertains ẋ = A(∆)x,
s Fonction de Lyapunov quadratique dépendant des paramètres

P (∆) > 0 , AT (∆)P (∆) + P (∆)A(∆) < 0 , ∀∆ ∈ ∆

∆

s LMI mais avec infinité de contraintes et de variables

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale - Théorème de Lyapunov

l Systèmes linéaires incertains ẋ = A(∆)x,
s Fonction de Lyapunov quadratique dépendant des paramètres

P (∆) > 0 , AT (∆)P (∆) + P (∆)A(∆) < 0 , ∀∆ ∈ ∆

∆

l “Stabilité quadratique” Barmish [Barmish(1985)] :

s Fonction de Lyapunov unique pour toutes les incertitudes

P > 0 , AT (∆)P + P A(∆) < 0 , ∀∆ ∈ ∆

∆

s Test sur les sommets pour un système polytopique :

P > 0 , A[v]T P + P A[v] < 0 , ∀v = 1 . . . v

 [v]
A(∆) ∈ CO A , v = 1 . . . v

s Preuve (ssi) : convexité des contraintes LMI

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale - Théorème de Lyapunov

l Systèmes linéaires incertains ẋ = A(∆)x,
s Fonction de Lyapunov quadratique dépendant des paramètres

P (∆) > 0 , AT (∆)P (∆) + P (∆)A(∆) < 0 , ∀∆ ∈ ∆

∆

l Variables de relaxation [Peaucelle et al.(2000)Peaucelle, Arzelier, Bachelier, and Bernussou] :

s Fonction de Lyapunov polytopique P (∆) = ζv P pour A(∆) = ζv A[v]
[v]
P P
   
[v] 0 P [v] A[v] h i
P >0 ,  <F  + A[v]T −1 F T , ∀v = 1 . . . v
P [v] 0 −1

s Preuve (suffisance) : convexité des contraintes + congruence

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Stabilité asymptotique globale - Théorème de Lyapunov

l Systèmes linéaires incertains ẋ = A(∆)x,
s Fonction de Lyapunov quadratique dépendant des paramètres

P (∆) > 0 , AT (∆)P (∆) + P (∆)A(∆) < 0 , ∀∆ ∈ ∆

∆

l Théorème de Polya [Chesi(2010)] :

s Fonction de Lyapunov polytopique P (∆) = ζv P pour A(∆) = ζv A[v]
[v]
P P

P [v] > 0 , A[v]T P [v] + P [v] A[v] < 0 , ∀v = 1 . . . v

A[v1 ]T P [v2 ] + P [v2 ] A[v1 ] + A[v2 ]T P [v1 ] + P [v1 ] A[v2 ] < 0 , ∀v1 6= v2 ∈ {1 . . . v}

s Preuve (suffisance) : positivité des coefficients des polynômes homogènes

s Théorème de Polya : construction de résultats LMI asymptotiquement non pessimistes

Cours M2 UPS - Commande robuste 16 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Localisation robuste des pôles des systèmes LTI incertains

l Localisation des v.p. de A(∆) pour tout ∆ ∈ ∆
∆
s Exemple : polytope avec 3 sommets
2 3 2 3 2 3
−1 1 1 −1 0 1 −2 1 0
A[1] A[2] A[3]
6 7 6 7 6 7
=6
4 1 −2 0 7 ,
5 =6
4 1 −1 0 7 ,
5 =6
4 0 −2 1 7
5
0 0 −1 0 1 −2 1 1 −1

Tirage aléatoire de 1000 combinaisons linéaires de ces sommets

%"# s Re(eig(A(∆))) ≤ −0.16 ⇒ τmin ≤ 6.25s

%
s Re(eig(A(∆))) ≥ −2.62 ⇒ τmax ≥ 0.39s
s |eig(A(∆))| ≤ 2.62 ⇒ ωn max ≤ 2.62rad/s
!%"#
s ∠([0, jω], eig(A(∆))) ≥ 66◦ ⇒ ζmin ≥ 0.92
!$

!!"# !! !$"# !$ !%"# %

Cours M2 UPS - Commande robuste 17 Jan-Fév 2012, Toulouse

 Stabilité robuste

n Localisation robuste des pôles des systèmes LTI incertains

l Localisation dans des régions quadratiques de C tq r1 λλ∗ + r2∗ λ + r2 λ∗ + r3 > 0
s −λ − λ∗ + 2α > 0 ⇔ Re(λ) < α
s λ + λ∗ − 2α > 0 ⇔ Re(λ) > α
s −λλ∗ + α∗ λ + αλ∗ + r2 − α∗ α > 0 ⇔ |α − λ| < r
s −ejψ λ − e−jψ λ∗ + αe−jψ + α∗ ejψ > 0 ⇔ ∠([α, α + jω], λ) > ψ

l Condition LMI

P > 0 , r1 A∗ P A + r2 P A + r2∗ A∗ P + r3 P > 0

s Preuve : congruence avec vecteur propre de A

s Exemple : Condition de stabilité de xk+1 = Ax P > 0 , −A∗ P A + P > 0
s Exercice : Construire conditions LMI de localisation de pôles robuste

Cours M2 UPS - Commande robuste 18 Jan-Fév 2012, Toulouse

 Cours M2 ASTR - module FRS - Commande Robuste

Cours 3 - Stabilité robuste et théorème du petit-gain

 Stabilité robuste et théorème du petit-gain

w∆
∆ z∆
n Stabilité robuste - Problème de Lur’e
Σ

s ∆ ∈ [ −k1 , −k2 ] gain TV,NL borné dans un secteur

s Σ = T (jω) fonction de transfert

l Critère du cercle :
s Pour une valeur k ∈ [ −k1 , −k2 ] la boucle fermée est stable
s Le tracé de Nichols ne coupe pas le cercle de diamètre [ −1/k1 , −1/k2 ]

−1/k2
−1/k1

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Stabilité robuste - Conséquence du critère du cercle pour les systèmes SISO

+ − K Σ

l Plus le lieu de Nyquist de ΣK est distant du point −1 plus on peut attendre de robustesse
s Marge de gain : de combien augmenter/diminuer le gain de ΣK sans couper −1
s Marge de phase : de combien augmenter/diminuer la phase de ΣK sans couper −1
s Marge de module : rayon maximal du cercle autour de −1 qui ne coupe pas ΣK
s Marge de module : rayon des cercles en tout point de ΣK qui ne coupent pas −1.

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Stabilité robuste - Marge de module SISO

s Marge de module : rayon maximal du cercle autour de −1 qui ne coupe pas ΣK
1
r = min |1 + Σ(jω)K(jω)| =
ω maxω |1 + Σ(jω)K(jω)|−1
s Marge de module : rayon des cercles en tout point de ΣK qui ne coupent pas −1.
n Stabilité robuste - Marge de module MIMO
s Marge de module : inverse de la norme H∞ de la fonction de sensibilité S = (1 + ΣK)−1
1
r = min σ(1 + Σ(jω)K(jω)) = = ||S||−1
∞
ω maxω σ(S(jω))
s Marge de module : norme maximale des incertitudes additives sur ΣK : ||∆||∞ ≤ r
∆
+ +
−
K Σ −
K Σ

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Stabilité robuste - Théorème du petit gain - [Zhou et al.(1996)Zhou, Doyle, and Glover]

Σ est stable et ||Σ||∞ < µ ssi

w∆
∆ z∆ 1
la boucle fermée est stable pour toute incertitude ||∆||∞ ≤ µ
Σ
l Stabilité (interne) de la boucle ∆ ? Σ où Σ et ∆ sont des matrices de transfert :
 ⇔ bien posé de la boucle pour tout s ∈ C+
1 −Σ(s)
⇔  propre et inversible pour tout s ∈ C+
−∆(s) 1

 ? Σ où Σ et ∆ sont des matrices de transfert :

l Stabilitérobuste de la boucle ∆
1 −Σ(s)
⇔  propre et inversible pour tout s ∈ C+ et tout ∆ ∈ ∆
∆
−∆(s) 1

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

l Preuve suffisance :
s Pour tout τ ∈ [0 1] on a τ k∆k∞ kΣk∞ < 1
1
On en déduit kΣ[τ ∆]k∞ < 1 ∀τ ∈ [0 1] ∀||∆||∞ ≤ µ
1
C’est à dire σ̄(Σ(jω)[τ ∆(jω)]) < 1 ∀τ ∈ [0 1] ∀||∆||∞ ≤ µ ∀ω
[1 − Σ(jω)[τ ∆(jω)]] est inversible ∀τ ∈ [0 1] ∀||∆||∞ ≤ µ1 ∀ω
 
1 −Σ(jω)
  est inversible ∀τ ∈ [0 1] ∀||∆||∞ ≤ 1 ∀ω
µ
−τ ∆(jω) 1
∈ [0 , 1] et s = jω sur l’axe imaginaire = frontière de C+
(A) La propriété est vraie ∀τ
 
1 −Σ(s)
s Σ est stable donc   propre et inversible ∀||∆||∞ ≤ 1 ∀s ∈ C+
µ
−0∆(s) 1
(B) La propriété est vraie pour τ = 0 et s ∈ C+
s Argument de continuité : Pour que la propriété soit fausse pour τ = 1 et un s ∈ C+ il faut
qu’elle soit à la limite entre validité et non-validité pour un certain τ ∈]0 , 1[. C’est à dire qu’il
existe τ ∈]0 , 1[ et s = jω qui contredise (A).

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

l Preuve de la nécessité - Supposons kΣk∞ = µ + 

⇒ ∃ω0 , ∃y (y ∗ y = (µ + )2 ), ∃u (u∗ u = 1) : y = Σ(jω0 )u
1 ∗
En prenant ∆ = (µ+) 2 uy on a (1 − ∆Σ(jω0 ))u = 0
i.e. ∆ rend la boucle mal posée, donc instable, et on a

1 1 1 1
k∆k2∞ = ∗ ∗
σmax (yu uy ) = ∗
σmax (yy ) = < 2
(µ + )4 (µ + )4 (µ + )2 µ

s Ici ∆ est une matrice a valeurs complexes

On peut aussi construire ∆(s) modèle LTI à coefficient réels qui coı̈ncide pour s = jω0
[Scherer()]

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple d’emploi du théorème du petit gain

l Capteurs : dispositifs conçus pour mesurer des grandeurs physiques - ils sont imparfaits
s erreur de mesure et bruits en haute fréquence : ym = (1 + ∆m Wm (s))y
Wm : gabarit fréquentiel (passe haut) , k∆m k∞ ≤ γ1m
s Système Σ en boucle fermée avec un correcteur K , tenant compte de capteurs incertains :

((1 + ∆m Wm )ΣK) ? (−1) = ∆m ? (−Wm ΣK(1 + ΣK)−1 )

s Stabilité robuste garantie si kWm ΣK(1 + ΣK)−1 k∞ < γm

−1
s SISO : γm Wm = gabarit sur la sensibilité complémentaire ΣK(1 + ΣK)−1
−1
s MIMO et Wm = wm 1 alors γm wm = gabarit sur σ̄ de la sensibilité complémentaire

l Exercice : Condition de stabilité robuste vis-à-vis d’incertitudes sur les actionneurs

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple d’emploi du théorème du petit gain

l Précision de la boucle fermée à des perturbations basse fréquence sur l’entrée du système
s Peut être évaluée par
  

0 1
 ? (−1) Wp = k(1 + ΣK)−1 ΣWp k∞ ≤ γp


Σ ΣK


∞

Wp : gabarit fréquentiel (passe bas)

s Equivalent à la stabilité robuste vis-à-vis d’incertitudes k∆p k∞ ≤ γ1p de
  
0 1
∆p ? (    ? (−1) Wp ) = (Σ(K + Wp ∆p )) ? (−1)
Σ ΣK

s Le rejet de perturbation ⇔ robustesse vis-à-vis d’incertitudes additives BF sur le contrôleur

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple de performance H∞ robuste

l Comment évaluer la précision robuste pour toutes les incertitudes sur les capteurs ?
  
0 1 1
? (−1) Wp ≤ γp , ∀k∆m k∞ ≤

((1 + ∆m Wm )Σ ((1 + ∆m Wm )ΣK
∞ γm
s Stabilité robuste de ((1 + ∆m Wm )Σ(K + Wp ∆p )) ? (−1) =
 
  0 Wm ΣWp Wm ΣK 1
∆m w∆ ,z∆ u,y k∆m k∞ ≤
?  0 0 1  ? (−1) , k∆p k∞ ≤
γm
1
∆p γp
1 ΣWp ΣK

s Stabilité robuste
2 3
1 1
" # 0 γm γp Wm ΣWp γm Wm Σ
ˆ m k∞ ≤ 1
ˆm
∆ w∆ ,z∆ 6 7 u,y k∆
ˆp
? 6 6 −1 − γ1p ΣWp −Σ 7 ?
7
K, ˆ p k∞ ≤ 1
∆ 4 5 k∆
| {z } −1 − γ1p ΣWp −Σ
ˆ
∆
| {z }
Σ̂

s Condition suffisante : kΣ̂ ? Kk∞ < 1.

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple de robustesse paramétrique

   
α1 12 w∆ ,z∆ Σ∆∆ Σ∆u u,y α1 ∈ [α1 , α1 ]
  ?   ? K ,
α2 Σy∆ Σyu α2 ∗ + α2 ≥ 0
l Incertitudes normalisées :
c1 r1  
1
z }| { z
1
}| { 0 1
α1 = 2 (α1 + α1 ) + 2 (α1 − α1 ) δ1 = δ1 ?   : δ1 ∈ [−1 , 1]
r1 c1
 
1−δ2 −1 −2
α2 = 1+δ2 = δ2 ?   : |δ2 | ≤ 1
1 1

l En utilisant les propriétés des LFT on se ramène à stabilité robuste de

   
δ 1 ŵ ,ẑ Σ̂ Σ̂∆u u,y
 1 2  ∆? ∆  ∆∆  ? K
δ2 Σ̂y∆ Σ̂yu

s Condition suffisante : kΣ̂ ? Kk∞ < 1.

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

s Condition suffisante : kΣ̂ ? Kk∞ < 1.

s Illustration du pessimisme
Zones bleues = possibles valeurs de Σ̂ ? K pour une fréquence donnée
Cercles = incertitudes non structurées incluant le cas strcturé
1
Im(s)

0.5
2.2

0.01 Re(s)
0

1.2 0.05l
−0.5

0.2
−1

0.5l

−1.5

−2
−1.5 −1 −0.5 0 0.5 1 1.5 2

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple de multi-performance H∞
l Précision de la boucle fermée à des perturbations basse fréquence sur l’entrée du système
  

0 1
 ? (−1) Wp = k(1 + ΣK)−1 ΣWp k∞ ≤ γp


Σ ΣK


∞

l Minimisation de l’effort des actionneurs en réponse à des bruits de mesure

  
0 K

 ? (−1) Wb = kK(1 + ΣK)−1 Wb k∞ ≤ γb


1 ΣK


∞

s Condition suffisante : stabilité robuste vis à vis de 2 incertitudes

0 1
Σ̂
Bz2 }| 3{ C
# B − γ1p ΣWp − γ1 Wb −Σ
B C
" C
ˆp
∆ B6 b 7 C ˆ p k∞ ≤ 1
k∆
1
? B6 Wp 0 1 7 ?K C ,
B6 7 C
ˆb γ p ˆ b k∞ ≤ 1
∆ B4 5 C k∆
B − γ1p ΣWp − γ1 Wb −Σ
B C
C
@ b A

s Condition suffisante de la condition suffisante : kΣ̂ ? Kk∞ ≤ 1

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Loop-shaping SISO
– Suivi de référence et réjection de perturbations :

σ(Ly ) grand 0 ≤ ω ≤ ωB

– Réduction d’énergie de commande :

σ(K) faible 0 ≤ ωB ≤ ω

– Filtrage des bruits de mesure :

σ(Ly ) faible 0 ≤ ωB ≤ ω

l Généralisation MIMO grâce aux filtres et H∞

- Wu : restriction sur u
- We , Wp : spécif. sur des transferts en BF
- Wi , Wo , Wn : contenu fréq. de d et de n
- Wr : modelage de la consigne

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Stabilité robuste et théorème du petit-gain

n Exemple : système à retard

ẋ(t) = Ax(t) + Ad x(t − τ )

l Factorisation de Ad = Bd Cd

 ẋ(t) = Ax(t) + B w (t)
d d
, w(t) = z(t − τ )
 z(t) = Cd x(t)

l Opérateur retard e−sτ = opérateur borné dans disque unité quand s ∈ C+

ke−jωτ k∞ = 1

l Condition suffisante de stabilité indépendante du retard :

kCd (s1 − A)−1 Bd k∞ < 1

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

Cours M2 ASTR - module FRS - Commande Robuste

Cours 4 - Stabilité robuste, µ-analyse

 Stabilité robuste, µ-analyse

n Problème générique d’analyse de stabilité robuste (pouvant inclure performance H∞ )

l Stabilité de la “boucle M − ∆” : stabilité de ∆ ? M où M = Σ̂ ? K
l∆∈∆
∆γ incertitude structurée

∆(s) = diag δ1 1, · · · , δnr 1, q1 (s)1, · · · , qnc (s)1, ∆1 (s), · · · , ∆nf (s)
- nr blocs réels répétés avec δj ∈ R , |δj | ≤ γ
- nc blocs LTI scalaires répétés avec qj ∈ RH∞ , kqj k∞ ≤ γ
p ×l
- nf blocs LTI matriciels stables ∆j ∈ RH∞j j , k∆j k∞ ≤ γ
(incertitudes normalisée : γ = 1)
l Pour chaque fréquence ω on a σ̄(∆(jω)) ≤ γ et ∆(jω) ∈ ∇ ∇ défini par :

∇ = diag δ1 1, · · · , δnr 1, q1 1, · · · , qnc 1, ∆1 , · · · , ∆nf
- nr blocs réels répétés avec δj ∈ R
- nc blocs complexes répétés avec qj ∈ C
- nf blocs matriciels complexes ∆j ∈ Cpj ×lj

l∇
∇ définit la “structure” de l’incertitude, γ sa “taille”

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Problème générique d’analyse de stabilité robuste (suite)

l Pour M stable, trouver le plus grand γ tel que ∆ ? M stable pour tout ∆ ∈ ∆
∆γ
s Argument de continuité (voir preuve Théorème du petit gain), il suffit de montrer que
[1 − M (jω)τ ∆(jω)] inversible pour tout ω ∈ R, τ ∈ [0 , 1], ∆ ∈ ∆ ∆γ
s Par construction de ∇
∇ la propriété est vraie si
[1 − M (jω)∆] inversible pour tout ∆ ∈ ∇
∇ tel que σ̄(∆) ≤ γ

l Définition : Marge de non singularité d’une matrice complexe = k∇ (M0 ) = max γ0

Plus grande valeur de γ0 telle que [1 − M0 ∆] inversible pour tout ∆ ∈ ∇ ∇ tq σ̄(∆) ≤ γ0
s Cette valeur dépend de M0 et de la structure de l’incertitude ∇
∇

l Définition : Valeur singulière structurée d’une matrice complexe :

1
µ∇ (M0 ) =
k∇ (M0 )

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Théorème
l µ-analyse (borne supérieure) :
si µ∇ (M (jω)) < µu pour toutes des fréquences ω ∈ R+
alors ∆ ? M stable pour tout ∆ ∈ ∆
∆γu avec γu = 1/µu
l µ-analyse (borne inférieure) : [Tits and Fan(1995)]
si µ∇ (M (jω)) > µl pour une fréquence ω ∈ R+
alors il existe ∆ ∈∆
∆γl avec γl = 1/µl qui rend ∆ ? M instable

s Stabilité robuste évaluée par bornes supérieures/inférieures de µ∇ (M (jω))

s Mais... le calcul de µ∇ (M ) est difficile en général
s Il faut le faire pour toutes les fréquences (ou un quadrillage suffisamment fin)

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Propriétés de µ∇ :
l µ∇ croı̂t avec la taille de l’ensemble d’incertitude

∇
∇1 ⊂ ∇
∇2 ⇒ µ∇1 (M0 ) ≤ µ∇2 (M0 )

l µ∇ (αM0 ) = |α|µ∇ (M0 ) , ∀ α ∈ C

∇ = Cp×q alors µ∇ (M0 ) = σ̄(M0 )
l Si ∇ et donc kM k∞ = supω µ∇ (M (jω))
(Résultat de µ-analyse se confond alors avec le théorème du petit gain)

l Si ∇
∇ = {∇ = δ1, δ ∈ C} alors µ∇ (M0 ) = ρ(M0 )

et donc pour tout ∇

∇ avec que des blocs complexes on a ρ(M0 ) ≤ µ∇ (M0 ) ≤ σ̄(M0 )
l Si ∇
∇ = {∇ = δ1, δ ∈ R} alors µ∇ (M0 ) = ρR (M0 )
(plus grand module de v.p. réelle)

et donc pour tout ∇

∇ on a ρR (M0 ) ≤ µ∇ (M0 ) ≤ σ̄(M0 )

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

s Exemple : [Skogestad 96]


 ρ(M ) = |a + b| pour ∇ = δ1
  
a a

M =  µ∇ (M ) = |a| + |b| pour ∇ = diag{δ1 , δ2 }
b b 
 p
σ(M ) = 2|a|2 + 2|b|2 pour ∇ pleine


s Exemple : [Zhou96]
   
−0.5 0.5 δ1 0 ρ(M ) = 0
M=   ∇= 
−0.5 0.5 0 δ2 σ(M ) = µ∇ = 1

Nota : l’écart entre les bornes inférieure et supérieure peut être grand

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Propriétés de µ∇ :
∇ avec uniquement blocs complexes alors µ∇ (M0 ) : Cn×n → R est continue
l Si ∇
l Si il existe des blocs réels µ∇ (M0 ) : Cn×n → R peut être discontinue
 
1 m
s Exemple avec ∇ = δ12 , δ ∈ R et M0 =  
−m 1

 0 si m 6= 0
µ∇ (M0 ) = ρR (M0 ) =
 1 si m = 0

s ! ! La fonction ω 7→ µ∇ (M (jω)) peut contenir des sauts

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Calcul d’une meilleure borne inférieure de µ

l Tirage aléatoire :
s Prendre aléatoirement ∇ ∈ ∇∇ et normaliser ∇ˆ = 1 ∇
σ̄(∇)
s alors ρR (M0 ∇) ˆ ≤ µ∇ (M0 )
h i
s Preuve : (1 − M0 ρ (M 1 ˆ ) n’est pas inversible et σ̄(
∇ 1 ˆ
∇) = 1
R
ˆ
∇) 0 ρ ˆ
R (M0 ∇)
ˆ
ρR (M0 ∇)

l Problème d’optimisation :

sup ˆ ≤ µ∇ (M0 )
ρR (M0 ∇)
ˆ ∇,σ̄(∇)=1
∇∈∇ ˆ

ˆ = 1 est une contrainte non-convexe)

s Optimisation non convexe (σ̄(∇)
l Cas où ∇
∇ contient uniquement des blocs complexes, alors

max ˆ = µ∇ (M0 )
ρ(M0 ∇)
ˆ ∇,σ̄(∇)=1
∇∈∇ ˆ

l Rappel : calcul de bornes inférieures donne des valeurs d’incertitudes (“petites”) qui déstabilisent

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Calcul d’une meilleure borne supérieure de µ (pour garantir stabilité robuste)

l Pour la suite du cours on suppose que tous les blocs ∆j ∈ Cpj ×pj sont carrés
l Soit l’ensemble de matrices inversibles suivant (de structure “opposée” à ∇
∇)
 
 D = diag(P , · · · , P , D , · · · , D , d 1 , · · · , d 1 ) 
1 nr 1 nc 1 p1 nf pnf
D∇ =
 Pj = Pj ∗ > 0, Dj = Dj ∗ > 0, dj ∈ R+∗ 

s Pour tout D ∈ D∇ et tout ∆ ∈ ∇

∇ on a D∆ = ∆D et donc
det(D)
det(1−M0 ∆) = det(1−M0 ∆) = det(D−1 (1−M0 ∆)D) = det(1−D−1 M0 D∆)
det(D)
s Ainsi pour tout D ∈ D∇ on a µ∇ (M0 ) = µ∇ (D−1 M0 D)
s Interprétation en terme de boucle

∆ ? M0 = (D−1 ∆D) ? (D−1 M0 D) = ∆ ? (D−1 M0 D)

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

s Pour tout D ∈ D∇ on a µ∇ (M0 ) = µ∇ (D−1 M0 D) ≤ σ̄(D−1 M0 D) d’où

l Le problème d’optimisation suivant donne une borne supérieur de µ :

µ∇ (M0 ) ≤ inf σ̄(D−1 M0 D) ≤ σ̄(M0 )

D∈D∇
∇

s L’écart entre la borne et la valeur réelle peut être grand

(mais en général bien moins grand que avec σ̄(M0 ))

s Si 2(nr + nc ) + nf ≤ 3 alors il y a égalité

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

l Le problème d’optimisation de la borne supérieur de µ est convexe

µ∇ (M0 ) ≤ inf σ̄(D−1 M0 D)

D∈D∇
∇

s Preuve :
Par définition σ̄(D −1 M0 D)< κ ssi D∗ M0∗ D−∗ D−1 M0 D < κ2 1
Par congruence on trouve la contrainte M0∗ D −∗ D −1 M0 < κ2 D −∗ D −1
On remarque que Q = D −∗ D −1 ∈ D∇ ssi D ∈ D∇ et donc

µ∇ (M0 ) ≤ κ s’il existe une solution aux LMI suivantes M0∗ QM0 < κ2 Q , Q ∈ D∇

s La minimisation de κ est un ”problème LMI de v.p. généralisé”,

convexe, avec solutions en temps polynomial

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

µ∇ (M0 ) < κ s’il existe une solution aux LMI suivantes M0 QM0∗ < κ2 Q , Q ∈ D∇
l Preuve alternative de la condition LMI
s La contrainte M0∗ QM0 < κ2 Q s’écrit également
2 32 3
2
h i −κ Q 0 1
1 M0∗ 4 54 5<0
0 Q M0

D’après le lemme de Finsler on en déduit l’existence τ > 0 tel que

2 3 2 3
−κ Q2
0 M0∗ h i
4 5<τ4 5 M0 −1
0 Q −1

Par congruence on a pour tout ∆ ∈∇

∇
2 32 3
h i −κ2 Q 0 ∆ h ih i
∆∗ 1 4 54 5<τ ∆∗ M0∗ − 1 M0 ∆ − 1
0 Q 1

≤ κ1
Par construction, la partie gauche est déinie-positive si σ̄(∆)
∇ tq σ̄(∆) ≤ κ1 .
donc 1 − M0 ∆ est non singulière pour toute incertitude ∆ ∈ ∇

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Condition LMI moins pessimiste (DG-scalings)

l Soit l’ensemble suivant
n o
G∇ = G = diag(G1 , · · · , Gnr , 0, · · · , 0, 0, · · · , 0) , Gj = −Gj ∗

∇ on a G∆ = −∆∗ G∗ donc
s Pour tout G ∈ G∇ et tout ∆ ∈ ∇
     
h i −κ2 Q G∗ ∆ h i −κ2 Q 0 ∆
∗ = ∆ 1∗
∆ 1        
G Q 1 0 Q 1

le preuve précédente tient donc de la même façon si on définit le problème suivant

µ∇ (M0 ) < κ s’il existe une solution aux LMI suivantes

  
h i −κ2 Q G∗ 1 Q ∈ D∇
∗ <0 ,
1 M0    
G Q M0 G ∈ G∇

s Condition longtemps considérée comme, pessimiste, mais la meilleure possible

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Théorème
l µ-analyse (borne supérieure) :
si µ∇ (M (jω)) < µu pour toutes des fréquences ω ∈ R+
alors ∆ ? M stable pour tout ∆ ∈ ∆
∆γu avec γu = 1/µu
s Pour chaque fréquence les DG-scalings donnent une valeur µu (ω)
l µ-analyse (borne inférieure) : [Tits and Fan(1995)]
si µ∇ (M (jω)) > µl pour une fréquence ω ∈ R+
alors il existe ∆ ∈∆
∆γl avec γl = 1/µl qui rend ∆ ? M instable
s Pour chaque fréquence des algorithmes (aléatoires/non-convexes) donnent une valeur µl (ω)
s Il faut le faire pour toutes les fréquences (ou un quadrillage suffisamment fin)

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite

- Ecriture des équations d’Euler du satellite en spin Ω constante autour de l’axe z et des
équations de la cinématique
- Linéarisation des équations d’Euler et de la cinématique
- Ixx = Iyy = I1 et Izz = I3

- Découplage du mouvement autour de z / axes x et y

- Equations d’Euler linéarisées et découplées :

I1 ω̇1 − ω2 Ω(I1 − I3 ) = T1
I1 ω̇2 − ω1 Ω(I3 − I1 ) = T2
h i0 h i0
- On pose a = (1 − I3 /I1 )Ω et u1 u2 = T1 /I1 T2 /I1

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

l Modèle d’état :
      
ω̇1 0 a ω1 u1
 =  + 
ω̇2 −a 0 ω2 u2

    
y1 1 a ω1
 =  
y2 −a 1 ω2

l Matrice de transfert :
 
−1 1 s − a2 a(s + 1)
Σ(s) = C(s1 − A) B= 2 2
 
s +a −a(s + 1) s − a2

Cours M2 UPS - Commande robuste 16 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

l Stabilisation interne nominale : K = 12
s Test entrée - sortie (fonctions de sensibilité et de sensibilité complémentaire)
 
−1 1  s −a 
Sy (s) = Su (s) = (1 + Σ(s)K) =
s+1 a s
 
−1 1  1 a 
Ty (s) = Tu (s) = Σ(s)K(1 + Σ(s)K) =
s + 1 −a 1

s Test d’état :  
−1 0
à = A − BKC =  
0 −1

Cours M2 UPS - Commande robuste 17 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

l On suppose que des dynamiques liées aux modes souples ont été négligées ou non modélisées
s Modèle incertain multiplicatif :
 
1 s − a2 a(s + 1)
Σ(s, ∆) = Σ(s)(1 + ∆) = 2   [1 + ∆]
s + a2 −a(s + 1) s − a2

s Modèle ∆ ? M pour K = 1
   
1 a
0 1 − − s+1
M =  ? K = −K(1 + ΣK)−1 Σ =  s+1 
a 1
−Σ −Σ s+1 − s+1

Cours M2 UPS - Commande robuste 18 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

l Cas où ∆ est pleine, LTI, bornée en norme (cas des dynamiques couplées négligées)
∇1 = C2×2
s Calcul de µ∇1 (M (jω)) avec ∇
 
−1 −a
 
 1  1 p
µ∇1 (M (jω)) = σ̄(M (jω)) = 
  σ̄  = √ 1 + a2
1 + jω 
a −1 1 + ω2
p
Donc max µ∇ (M (jω)) = 1 + a2 : la boucle est stable si k∆k∞ < √ 1 .
ω 1+a2

s Théorème du petit gain : ∆ ? M stable ssi k∆k∞ < γ1F où

 
−1 −a

1 p
γF = kM k∞ =   = 1 + a2
s + 1
a −1


∞

Cours M2 UPS - Commande robuste 19 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

2×2

l Cas où ∇
∇2 = diag(δ, δ) ∈ C à valeurs complexes

s Le calcul exact de µ∇2 (M (jω)) est dans ce cas possible :

  
1
−1 −a
µ∇2 (M (jω)) = ρ(M (jω)) = ρ  1+jω  
a −1
 
 1   −1 −a
 
=  1+ω2  ρ 
a −1
= √ 1 | − 1 ± ja|
1+ω 2
√
= √ 1 1 + a2
1+ω 2

1
√
s ∆ ? M stable si k∆k∞ < γF où γF = 1 + a2

Cours M2 UPS - Commande robuste 20 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

2×2

l Cas où ∇
∇2 = diag(δ, δ) ∈ C
2×2 2×2 2×2
  
∆ = diag(δ, δ) ∈ C ⊂ ∆ = diag(δ1 , δ2 ) ∈ C ⊂ ∆∈C
| {z } | {z } | {z }
∇2 ∇3 ∇1

s On en déduit µ∇2 (M (jω)) ≤ µ∇3 (M (jω)) ≤ µ∇1 (M (jω)).

s Les deux bornes sont égales, donc là encore

1
√
∆ ? M stable si k∆k∞ < γF où γF = 1 + a2

Cours M2 UPS - Commande robuste 21 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

2×2

l Cas où ∇
∇4 = diag(δ1 , δ2 ) ∈ R est à valeurs réelles

s Calcul à l’aide du critère de Routh-Hurwitz

2 3 0 1
δ1 aδ2 2
1 + s+1 s+1 1
s + (2 + δ1 + δ2 )s
det(1 − M ∆) = det 4 5=
(s+1)2
@ A
−aδ1 δ2 2
s+1
1 + s+1 +1 + δ1 + δ2 + (a + 1)δ1 δ2
1

0.8

0.6

s La boucle ∆ ? M est stable si

0.4

0.2

2 + δ1 + δ2 > 0 et 0

−0.2

2
1 + δ1 + δ2 + (a + 1)δ1 δ2 −0.4

−0.6

−0.8

−1
−1 −0.8 −0.6 −0.4 −0.2 0 0.2 0.4 0.6 0.8 1

1
√
s ∆ ? M stable si k∆k∞ < γF où γF = 1 + a2

Cours M2 UPS - Commande robuste 22 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Exemple : stabilité robuste d’un satellite (suite)

2×2

l Cas où∇
∇5 = diag(δ, δ) ∈ R est à valeurs réelles

s Calcul à l’aide du critère de Routh-Hurwitz conduit à : ∆ ? M est stable si

2 + 2δ > 0 , 1 + 2δ + (a2 + 1)δ 2 > 0

s ∆ ? M stable si δ > −1 c’est à dire k∆k ≤ 1

s Calcul de µ∇5 (M (jω)) est possible et exact :
  
1
−1 −a
µ∇2 (M (jω)) = ρR (M (jω)) = ρR  1+jω  
a −1
 
 −1±ja 
= max R  1+jω 

s donc µ∇5 (M (jω)) = 1 si ω = a et µ∇5 (M (jω)) = 0 sinon

Discontinue ! Très difficile à calculer par quadrillage sur ω !
1
s ∆ ? M stable si k∆k∞ < γF où γF = 1

Cours M2 UPS - Commande robuste 23 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Test LMI (pessimiste) sur toutes les fréquences

l Calcul de borne supérieure pour une fréquence donnée M0 = M (jω)
µ∇ (M0 ) < κ s’il existe une solution aux LMI suivantes
  
h i −κ2 Q G∗ 1 Q ∈ D∇
∗ <0 ,
1 M0    
G Q M0 G ∈ G∇

l Condition suffisante pour le calcul d’une borne supérieure pour toutes les fréquences
µ∇ (M (jω)) < κ , ∀ω ∈ R+ s’il existe une solution aux LMI suivantes
  
h i −κ2 Q G∗ 1 Q ∈ D∇
1 ∗
M (jω)     <0 , , ∀ω ∈ R+
G Q M (jω) G ∈ G∇

s CNS si Q et G dépendent de ω , mais ...

Cours M2 UPS - Commande robuste 24 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

n Test LMI (pessimiste) sur toutes les fréquences (suite)

l Condition suffisante pour le calcul d’une borne supérieure pour toutes les fréquences
µ∇ (M (jω)) < κ , ∀ω ∈ R+ s’il existe une solution aux LMI suivantes
  
h i −κ2 Q G∗ 1 Q ∈ D∇
1 ∗
M (jω)     <0 , , ∀ω ∈ R+
G Q M (jω) G ∈ G∇

l Lemme de Kalman-Yakubovitch-Popov avec M (s) = D + C(s1 − A)−1 B

µ∇ (M (jω)) < κ , ∀ω ∈ R+ s’il existe une solution aux LMI suivantes
2 3∗ 2 32 3 2 3∗ 2 32 3
0 1 −κ2 Q G∗ 0 1 1 0 0 P 1 0
4 5 4 54 5+4 5 4 54 5<0
C D G Q C D A B P 0 A B
Q ∈ D∇ , G ∈ G∇ , P = P ∗

s Les deux conditions ci-dessus sont équivalentes (on ne montre que la suffisance)

Cours M2 UPS - Commande robuste 25 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

l Preuve de la suffisance du lemme K-Y-P

s Remarquons que
2 32 3 2 3
0 1 (s1 − A)−1 B 1
4 54 5=4 5
C D 1M (s)
2 32 3 3 2
1 0 (s1 − A)−1 B 1
4 54 5=4 5 (s1 − A)−1 B
A B 1 s1

s Donc par congruence et en posant L(jω) = (jω1 − A)−1 B on conclue

2 32 3
2 ∗
h
∗
i −κ Q G 1
1 M (jω) 4 54 5
G Q M (jω)
2 32 3
∗
h i 0 P 1
+L(jω) 1 −jω1 4 54 5 L(jω) < 0
P 0 jω1
| {z }
=0

Cours M2 UPS - Commande robuste 26 Jan-Fév 2012, Toulouse

 Stabilité robuste, µ-analyse

l Condition issue du lemme K-Y-P et Lyapunov

s Remarquons que
2 32 3 2 3
0 1 1 ∆
4 54 5=4 5 (1 − D∆)−1 C
C D ∆(1 − D∆)−1 C 1
2 32 3 2 3 2 3
1 0 1 1 1
4 54 5=4 5=4 5
A B ∆(1 − D∆)−1 C A + B∆(1 − D∆)−1 C A(∆)

où ẋ
= A(∆)x est la représentation d’état de ∆ ? M .
s Donc par congruence et en posant Ca (∆) = (1 − D∆)−1 C on trouve
≥0
z 2 }| 32 3{
∗
h
∗
i −κ2 Q G∗ ∆
Ca (∆) ∆ 1 4 54 5 Ca (∆)
G Q 1
2 32 3
h
∗
i 0 P 1
+ 1 A (∆) 4 54 5<0
P 0 A(∆)
| {z }
=A∗ (∆)P +P A(∆)

s Inégalité de Lyapunov pour V (x) = xT P x (on montre P > 0 par A(0) supposée stable)
Cours M2 UPS - Commande robuste 27 Jan-Fév 2012, Toulouse
 Cours M2 ASTR - module FRS - Commande Robuste

Cours 5 - Synthèse de commandes par retour d’état robustes

 Synthèse de commandes par retour d’état robustes

n Systèmes mécaniques (équation du mouvement) conduisent à des modèles du second ordre

M q̈ + C q̇ + Kq = N u , q ∈ Rd , d : degrés de liberté

s C’est aussi le cas d’autres systèmes (électriques etc.)

l q est mesurée et comparée à une consigne  = qc − q
l q̇ est mesurée ou estimée
n Pour ces systèmes le PID est une loi de commande par retour d’état
Z t h i
u(t) = Kp (t) + KI (τ )dτ + KD q̇(t) = KD KP KI y
0
0 1 2 30 1 2 3 2 3
−1 −1 −1
q̈ −M C M K 0 q̇ M B 0
B C 6 7B C 6 7 6 7
B −q̇ C = 6
5 @ −q A + 4
−1 0 0 7 B C 6 0 7u + 6 0 7 qc
@ A 4 5 4 5
R
 0 1 0  0 1
0 1 2 3
q̇ 0
B C 6 7
y= B −q C
@ A +64 1
7 qc
5
R
 0

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Synthèse de commandes par retour d’état robustes

n Problème de synthèse par retour d’état

8
< ẋ = Ax + Bw w + Bu
> 8
> < ẋ = A(K)x + Bw w A(K) = A + BK
z = Cz + Dzw w + Dzu u → ,
>
> : z = Cz (K)x + Dzw w Cz (K) = Cz + Dzu K
u = Kx
:

l Stabilisation : trouver K tel que A(K) est stable

l Localisation de pôles : trouver K tel que les v.p. de A(K) sont dans une région de C
l Performance H∞ : trouver K qui minimise la norme H∞ de la boucle fermée
l Performance H2 : trouver K qui minimise la norme H2 de la boucle fermée
l Problème multi-objectif : trouver K qui satisfait plusieurs de ces problèmes
n Problème de synthèse par retour d’état robuste
8 A(K, ∆)
< ẋ = A(∆)x + Bw (∆)w + B(∆)u
>
> (
ẋ = A(K, ∆)x + Bw (∆)w = A(∆) + B(∆)K
z = Cz (∆) + Dzw (∆)w + Dzu (∆)u → ,
>
> z = Cz (K, ∆)x + Dzw (∆)w Cz (K, ∆)
: u = Kx
= Cz (∆) + Dzu (∆)K

l Problème multi-objectif robuste : trouver K qui satisfait plusieurs objectifs, ∀∆ ∈ ∆

∆

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Synthèse de commandes par retour d’état robustes

n Cas des systèmes incertains affines polytopiques

M (∆)
z }| 0 1
0 1 2 3{ x
ẋ A(∆) Bw (∆) B(∆) B C
@ A=4 5B w C
z Cz (∆) Dzw (∆) Dzu (∆)
@ A
u
82 3 9
< A[v] [v]
Bw B [v] =
M (∆) ∈ CO 4 5, v = 1...v
: Cz[v] [v]
Dzw Dzu
[v] ;

l Le système en boucle fermée est aussi affine polytopique

M (K,∆)
0 1 z2 }| 3{ 0 1
ẋ A(K, ∆) Bw (∆) x
@ A=4 5@ A
z C (K, ∆) Dzw (∆) w
82 z 3 9
[v]
< A[v] + B [v] K Bw =
M (K, ∆) ∈ CO 4 [v] [v] [v]
5, v = 1...v
: Cz + Dzu K Dzw ;

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Synthèse de commandes par retour d’état robustes

l Les tests LMI d’analyse élaborés dans le cours 3 s’appliquent

s Par exemple : “stabilité quadratique” - trouver P telle que

P > 0 , (A[v] + B [v] K)T P + P (A[v] + B [v] K) < 0 , ∀v = 1 . . . v

s Ce n’est pas une LMI : pas linéaire en les variables P et K

l “Astuce” essentielle pour le calcul LMI d’un retour d’état
A(K, ∆) et AT (K, ∆) ont les mêmes valeurs propres
s ẋ = A(K, ∆)x stable ssi ẋd = AT (K, ∆)xd stable :

Q > 0 , (A[v] + B [v] K)Q + Q(A[v] + B [v] K)T < 0 , ∀v = 1 . . . v

s En posant S = KQ on trouve la condition LMI

Q > 0 , A[v] Q + B [v] S + QA[v]T + S T B [v]T < 0 , ∀v = 1 . . . v

s Si le problème LMI a une solution alors K = SQ−1 stabilise robustement le système

s ẋ = A(K, ∆)x et ẋd = AT (K, ∆)xd sont dits duaux l’un de l’autre, de plus Q = P −1

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Synthèse de commandes par retour d’état robustes

n Retour d’état H∞ robuste pour les systèmes affines polytopiques

l Condition LMI pour kDzw + Cz (s1 − A)−1 Bw k∞ ≤ γ :
 
AT P + P A + CzT Cz P Bw + CzT Dzw
P >0 ,  <0
T
Bw P + Dzw T
Cz −γ 2 1 + DzwT
Dzw

l Sachant que kΣ(s)k∞ = kΣ∗ (s)k∞ on trouve la condition LMI

 
AQ + QAT + Bw Bw T
QCzT + Bw Dzw T
Q>0 ,  <0
Cz Q + Dzw Bw T
−γ 2 1 + Dzw Dzw
T


 ẋ = AT x + C T w
d d z d
pour le système dual
 zd = B T xd + DT wd
w zw

l On en déduit la condition de synthèse LMI : Q > 0 et ∀v = 1 . . . v

2 3
[v] [v] [v]T T [v]T [v] [v]T [v]T [v] [v]T
A Q+B S + QA +S B + Bw Bw QCzT +S T
Dzu + Bw Dzw
4 5<0
[v] [v] [v] [v]T 2 [v] [v]T
Cz Q + Dzu S + Dzw Bw −γ 1 + Dzw Dzw

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Synthèse de commandes par retour d’état robustes

n Exercices : faire la même démarche pour obtenir des conditions LMI

l de localisation des pôles par retour d’état
l pour la performance H2

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Cours M2 ASTR - module FRS - Commande Robuste

Cours 6 - Synthèse H∞ de correcteurs dynamiques

 Synthèse H∞ de correcteurs dynamiques

n Conclusions du cours 3 - Stabilité robuste et théorème du petit gain

l Un grand nombre problèmes de robustesse et de performance (dont loop-shaping)
sont satisfaits si kΣ ? Kk∞ ≤ γ

n Synthèse H∞ : trouver K qui satisfait kΣ ? Kk∞ ≤ γ

l Pour Σ donné par

 ẋ = Ax + Bw w + Bu u


Σ : z = Cz x + Dzw w + Dzu u


y = Cy x + Dyw w + Dyu u


l On cherche K décrit dans l’espace d’état


 ẋ = A x + B y
K K K K
K :
 u = CK xK + DK y

Cours M2 UPS - Commande robuste 2 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati

l Hypothèses sur le système pour l’existence d’une solution
 Bw ) et (A, Bu ) stabilisables,
s (A,   (A, Cz ) et (A,
 Cy ) détectables
A − jω1 Bw A − jω1 Bu
s  et   sont de rang plein ∀ ω
Cy Dyw Cz Dzu

l Hypothèses simplificatrices (pour avoir des équations simples) dites de “normalisation”

s Dzw = 0 et Dyu = 0    
T
h i h i Bw T
0
s Dzu Cz Dzu = 0 1 et   D yw =  
Dyw 1

Cours M2 UPS - Commande robuste 3 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l La boucle fermée s’écrit :
  2 3 
ẋ A + Bu DK Cy Bu CK Bw + Bu DK Dyw x
  6 7 
Σ ? K :  ẋK 

=4
6 BK Cy AK BK Dyw 7  xK 
5 
z Cz + Dzu DK Cy Dzu CK Dzu DK Dyw w
| {z }
2 3
A(K) Bw (K)
=4
6 7
5
Cz (K) Dzw (K)

T
s On définit R(K, γ) = Dzw (K)Dzw (K)−γ 2 1 et l’Hamiltonienne (voir annexe ”normes”) :
Hγ,K =
" #
A(K) − Bw (K)R−1 (K, γ)Dzw
T
(K)Cz (K) −Bw (K)R−1 (K, γ)Bw
T
(K)
−CzT (K)(1 − Dzw (K)R−1 (K, γ)Dzw
T
(K)Cz (K) −AT (K) + CzT (K)Dzw (K)R−1 (K, γ)Bw
T
(K)

s kΣ ? Kk∞ ≤ γ ssi Hγ,K n’a pas de pôle sur l’axe imaginaire.

Cours M2 UPS - Commande robuste 4 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Grâce aux hypothèses, la condition sur l’Hamiltonienne se simplifie. Elle est vraie si
s Il existe X ≥ 0 et Y ≥ 0 telles que ρ(XY ) < γ 2 et solutions des équations de Riccati :

AT X + XA + X(γ −2 Bw Bw
T
− Bu BuT )X + CzT Cz = 0
AY + Y AT + Y (γ −2 CzT Cz − CyT Cy )Y + Bw Bw
T
=0

s La solution aux équations de Riccati permet de construire

ÂK = A + γ −2 Bw Bw
T
X + Bu F + ZLCy
L = −Y CyT , F = −BuT X , Z = (1 − γ −2 Y X)−1

s L’ensemble des correcteurs vérifiant kΣ ? Kk∞ ≤ γ est tel que K = K̂ ? Ω où

    
ẋK ÂK −ZL ZBu xK
    
K̂ :  u  =  F 0 1  y   , kΩk∞ < γ
    

zΩ −Cy 1 0 wΩ

Cours M2 UPS - Commande robuste 5 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Le correcteur K0 = K̂ ? 0 est appelé correcteur central
l Le correcteur central s’écrit aussi

x̂˙ = Ax̂ + Bw ŵ + Bu u + ZL(Cy x̂ − y)

s où x̂ est une estimée de l’état ;

s u = F x̂ est un retour d’état ;
s ZL est un gain d’observateur ;
s et ŵ = γ −2 Bw T
X x̂ une “perturbation” spécifique.

Cours M2 UPS - Commande robuste 6 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Exemple - trouver contrôleur tel que kΣ ? Kk ≤ 1.7
 
  1 1 1 0 0
A Bw Bu  
    0 −1 0 0 3 
 Cz 0 Dzu  = 
 

  0 0 0 0 1 
Cy Dyw 0  
1 0 0 1 0

Cours M2 UPS - Commande robuste 7 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Exemple - trouver contrôleur tel que kΣ ? Kk ≤ 1.7
s Equation de Riccati AT X + XA +2X(γ −2 Bw Bw
T
− Bu BuT )X + CzT3Cz = 0
A γ −2 Bw Bw
T
− Bu BuT
(Hamiltonienne associée = 4 5)
−CzT Cz −A T

>> HamX = [ A , gˆ-2*Bw*Bw’-Bu*Bu’ ; -Cz’*Cz -A’];

>> [x1,x2] = ric_schr( HamX );
>> X=x2/x1
1.0504 0.5252
0.5252 0.2626
>> eig(X)
1.3130
0

Cours M2 UPS - Commande robuste 8 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Exemple - trouver contrôleur tel que kΣ ? Kk ≤ 1.7
s Equation de Riccati AY + Y AT + Y (γ −2 CzT Cz − CyT Cy )Y + Bw Bw
T
=0
2 3
AT γ −2 CzT Cz − CyT Cy
(Hamiltonienne associée = 4 5)
T
−Bw Bw −A

>> HamY = [ A’ , gˆ-2*Cz’*Cz-Cy’*Cy ; -Bw*Bw’ -A];

>> [y1,y2] = ric_schr( HamY );
>> Y=y2/y1
2.4142 0
0 0

Cours M2 UPS - Commande robuste 9 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Exemple - trouver contrôleur tel que kΣ ? Kk ≤ 1.7
s Construction du contrôleur central
>> L = -Y*Cy’ ;
>> F = -Bu’*X ;
>> Z = inv( eye(2) - gˆ-2*Y*X ) ;
>> Ak = A + gˆ-2*Bw*Bw’*X + Bu*F + Z*L*Cy ;
>> Bk = -Z*L ;
>> Ck = F ;
>> K = ss( Ak, Bk, Ck, 0)
>> tf( K )
Transfer function:
-31.05 s - 31.05
---------------------
sˆ2 + 21.71 s + 67.29

Cours M2 UPS - Commande robuste 10 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Exemple - trouver contrôleur tel que kΣ ? Kk ≤ 1.7
s Calcul de la norme H∞ de la boucle fermée
>> sys = ss( A, [Bw,Bu] , [Cz;Cy] , [Dzw,Dzu;Dyw,Dyu] );
>> sysbf = feedback( sys, -K, 3, 2);
>> norm (sysbf (1, 1:2) , Inf)
1.6975

Cours M2 UPS - Commande robuste 11 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Fonction hinfsyn de la Robust Control Toolbox
>> [kopt,N,g]=hinfsyn(P,1,1,’GMIN’,1.6,’GMAX’,1.7,’TOLGAM’,0.001,...
’METHOD’,’ric’,’DISPLAY’,’on’)

Test bounds: 1.6000 < gamma <= 1.7850

gamma hamx_eig xinf_eig hamy_eig yinf_eig nrho_xy p/f
1.785 1.0e+000 1.1e-016 1.0e+000 0.0e+000 0.7827 p
1.692 1.0e+000 0.0e+000 1.0e+000 0.0e+000 0.8867 p
1.646 1.0e+000 0.0e+000 1.0e+000 0.0e+000 0.9472 p
1.623 1.0e+000 1.1e-016 1.0e+000 0.0e+000 0.9799 p
1.612 1.0e+000 0.0e+000 1.0e+000 0.0e+000 0.9969 p
1.606 1.0e+000 0.0e+000 1.0e+000 0.0e+000 1.0056# f
1.609 1.0e+000 0.0e+000 1.0e+000 0.0e+000 1.0012# f
1.610 1.0e+000 1.1e-016 1.0e+000 0.0e+000 0.9990 p
1.609 1.0e+000 0.0e+000 1.0e+000 0.0e+000 1.0001# f

Gamma value achieved: 1.6101

Cours M2 UPS - Commande robuste 12 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par les équations de Riccati - suite

l Correcteur presque optimal

>> tf(kopt)
Transfer function:
-4041 s - 4041
-------------------
sˆ2 + 2513 s + 8573

Le correcteur presque optimal a comme fonction de transfert

−(s + 1) −(s + 1)
∼
2.47 · 10−4 s2 + 0.62s + 2.12 0.62s + 2.12
l On montre théoriquement que c’est toujours le cas : le contrôleur optimal est d’ordre réduit.

Cours M2 UPS - Commande robuste 13 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n Synthèse - Par LMI

l La synthèse de correcteurs du même ordre que le système
l Il existe 2 versions LMI
s Une version où les variables de K sont éliminées.
Les LMIs permettent de trouver X et Y (analogues aux solutions des équations de Riccati)
Une seconde LMI construite avec X et Y fixées permet de trouver K
s Une autre version où les LMI impliquent X et Y et des variables K̃ .
La solution permet de construire K grâce à une formule sur X , Y , K̃ et Σ.

Cours M2 UPS - Commande robuste 14 Jan-Fév 2012, Toulouse

 Synthèse H∞ de correcteurs dynamiques

n µ-Synthèse
l Synthèse H∞ (K0 = arg minK kΣ ? Kk∞ ) permet de trouver K0 telle que
1
∆ ? Σ ? K0 stable ∀∆ : k∆k ≤
γ0
s Mais le résultat est pessimiste si ∆ est structurée

max µ∇ (Σ(jω) ? K0 (jω)) ≤ kΣ ? K0 k∞ = γ0

ω

l D-scaling unique sur toutes les fréquences donne (étape d’analyse de la boucle fermée)

max µ∇ (Σ(jω) ? K0 (jω)) ≤ min kD1 −1 (Σ ? K0 )D1 k∞ = γ1 ≤ γ0

ω D1 ∈D∇
∇

l Pour D1 fixée on peut refaire une synthèse H∞

   
D1 −1 0 D1

0
K1 = arg min    Σ   ? K
K 0 1 0 1


∞

l Et ainsi de suite par D-K itérations (une étape d’analyse, une étape de synthèse)

Cours M2 UPS - Commande robuste 15 Jan-Fév 2012, Toulouse