Comparaison de deux méthodes d’identification non

entière
Stéphane Victor, Rachid R. Malti, Alain Oustaloup

To cite this version:

Stéphane Victor, Rachid R. Malti, Alain Oustaloup. Comparaison de deux méthodes d’identification
non entière. Journées Doctorales - Journées Nationales MACS, Jul 2007, France. pp.1-6. �hal-
00182383�

HAL Id: hal-00182383

https://hal.science/hal-00182383
Submitted on 25 Oct 2007

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Comparaison de deux méthodes d'identication non
entière
Stéphane Victor, Rachid Malti et Alain Oustaloup
IMS UMR 5218 CNRS, Département LAPS  Université Bordeaux I  ENSEIRB  ENSCPB
351, cours de la Libération  F 33405 Talence cedex  France
Tél : +33 (0)5 4000 3709  Fax : +33 (0)5 4000 6644
{stephane.victor, rachid.malti, alain.oustaloup}@laps.ims-bordeaux.fr
http ://www.ims-bordeaux.fr

sur
Résumé
la Deux méthodes
dénition de Grünwaldd'identication
de la dérivée nonnonentière, basées
entière, sont (coecients al et bm ) sont calculés à partir de l'inversion
comparées dans
deLa prédiction cet article.
à unpluspas,facile La première,
est plus minimisant
délicateen à÷uvre l'erreur
mettrecarenelle
÷uvre.
du changement de variables.

baséeseconde
sur la est
diérenciation à mettre
directe des signaux d'entrée estet A. Modèle discret

dediérence
sortie. entre
D'un lespointdeuxdeméthodes
vue miseréside
en ÷uvre, la principale
en compte ou non du dernier échantillon de la sortie.la prise
donc dans La discrétisation de l'équation (2) s'eectue en rempla-
çant les dérivées continues par une approximation discrète

Grünwald, Identication, système non entier, dénition de issue de la dénition de Grünwald :

Mots-clés
modèle ARX, ARX généralisé.
D f (Kh) ≈ h1
K µ ¶
n
(3)
X
n
n
(−1)k f ((K − k)h),
I. Introduction k
k=0
Sous la forme la plus générale, un modèle non entier mo-
novariable peut être déni par une équation diérentielle où h correspond à la période d'échantillonnage.
caractérisée par des ordres de dérivation réels, entiers ou Le modèle discret ainsi obtenu s'écrit sous la forme :
non entiers, soit :

D D D
L K µ ¶
a0 na0
y(t) + a1 na1
y(t) + . . . + aL naL y(t) =
X al X k nal
y(Kh) + (−1) y((K − k)h) =
b0 D nb0
D
u(t) + . . . + bM nbM u(t). (1) l=1
hnal
k=0
k
M K µ ¶
bm X k n bl
Pour des raisons évidentes d'identiabilité et sans aucune (4)
X
(−1) u((K − k)h).
perte de généralité, a0 est xé à 1 et na0 à 0, tout au long de m=0
hnbm k
k=0
l'article. Par ailleurs, les ordres de dérivation sont supposés
connus ou xés selon une connaissance a priori et seuls les Ce modèle est de dimension croissante avec le temps t =
coecients al et bm de l'équation diérentielle : Kh, car la dérivée non entière d'un signal dépend de tout
son passé (d'où la somme sur k). Lorsque le nombre de
y(t) + a1 D na1
D
y(t) + . . . + aL naL y(t) = données est important, la somme est souvent tronquée et
D
b0 nb0 u(t) + . . . + bM D nbM
u(t) (2) les paramètres estimés sur une fenêtre réduite.
La sortie du modèle à l'instant Kh (prédicteur à un pas)
sont estimés. s'exprime en fonction des entrées et des sorties passées en
isolant tous les termes y(Kh), correspondant à k = 0 de
II. Méthode Indirecte de Le Lay
(3), ce qui permet d'obtenir :
La méthode d'estimation indirecte de L. Le Lay et de
B. Mathieu [1], [2], [3] a été initialement développée à par- L K
tir de l'équation diérentielle (1), tout en imposant une al
¡na ¢
(−1)k
P P
h
na
l k
l y((K − k)h)
contrainte sur les coecients al , rendant l'identiabilité des y(Kh) = − l=1 k=1
+
al et bm possible. La présentation de cette méthode est sim-
L
P aj
1+ na
pliée dans cet article, en xant d'emblée a0 à 1 et na0 à 0 j=1
h j

sans aucune perte de généralité. M K ¡nb ¢

Conformément à la méthode indirecte de Le Lay, l'esti- bm
(−1)k
P P
nb l u((K − k)h)
h m k
mation paramétrique se décompose en quatre parties bien m=0 k=0
L
, (5)
distinctes : dans un premier temps, l'équation (2) est dis- 1+
P aj
na
crétisée ; puis un changement de variables du modèle dis- h j
j=1
cret est eectué ; les nouveaux paramètres sont estimés par
moindres carrés linéaires ; et enn, les paramètres initiaux équation qui peut aussi s'écrire, en rajoutant et en retran-
chant le terme y(Kh)
n
h al
: représente le nouveau terme de bruit.
Compte tenu de (15), l'estimée de la sortie du modèle
¶ linéaire s'exprime en fonction du vecteur de paramètres
D
L µ
al y(Kh)
modiés θ̂ = [â′1 ... â′L b̂′0 ... b̂′M ]T :
X
nal
y(Kh) = − y(t)|t=Kh − na
L
P aj l h
l=1 1+ h
na
j
j=1 L M
b̂′m Um (Kh). (17)
X X
ŷ(Kh, θ̂) = − â′l Yl ((K − 1)h) +
D
M
bm
u(t)|t=Kh ) . (6)
X
nbm
+ L
( l=1 m=0
P aj
m=0 1+ na
h j L'écriture de l'équation (17) pour N + 1 points de mesures
j=1
entre Kh et (K + N )h conduit à la regression linéaire sui-
B. Changement de variable vante :
Les changements de variable : Ŷ (θ̂) = Φθ̂ T , (18)
al avec
a′l = L
où 1 ≤ l ≤ L, (7) Ŷ = [ŷ(Kh) ... ŷ((K + N )h)]T (19)
P aj
1+ na
et
h j
j=1

bm
où (8) −Y1 ((K − 1)h) −YL ((K − 1)h)

b′m = L
0 ≤ m ≤ M, ···
. . .
aj Φ=

. . .
P
1+ h
na
j
. . .
−Y1 ((K + N − 1)h) · · · −YL ((K + N − 1)h)
j=1
U0 (Kh) UM (Kh)
 (20)
D
···
y(Kh)
Yl ((K − 1)h) = nal
y(t)|t=Kh − na , (9) .
.
.
.
.
.
.
.
.
.

h l
U0 ((K + N )h) UM ((K + N )h)
et
···

Um (Kh) = D (10)
nbm
u(t)|t=Kh , L'erreur de prédiction s'écrit :
permettent de réécrire (6) sous une forme linéaire par rap-
port aux coecients a′l et b′m : ε(kh) = y(kh) − ŷ(kh). (21)
L M L'estimée optimale du vecteur des paramètres,
(11)
X X
y(Kh) = − a′l Yl ((K − 1)h) + b′m Um (Kh),
l=1 m=0 θˆ′ opt = argmin(JN (θ̂)), (22)
soit sous la forme matricielle : minimisant le critère quadratique de l'erreur de prédiction,
y(Kh, θ ) = ϕ(Kh)θ ,′ ′T
(12) JN (θ̂) = EN T EN (23)
avec θ′ = [a′1 ... a′L b′0 ... b′M ] et ϕ(Kh) le vecteur de régres-
où ENT
= ε(Kh) . . . ε((K + N h)) , est donnée par les
£ ¤
sion déni par :
moindres carrés :
ϕ(Kh) = [−Y1 ((K − 1)h) · · · − YL ((K − 1)h) θˆ′ opt = (ΦT Φ)−1 ΦT Y . (24)
U0 (Kh) · · · UM (Kh)]. (13)
D. Retour aux coecients de l'équation diérentielle
C. Estimation paramétrique du modèle discret
Le retour aux coecients al du modèle continu se fait
Le modèle typique considéré est de type ARX généralisé par la résolution du système linéaire suivant :
donné par l'équation diérentielle suivante :

D D
L M  
(14) (a′1 h−na1 − 1) a′1 h−na2 ... a′1 h−naL
X X
nal nbm
y(t) + al y(t) = bm u(t) + e(t),
l=1 m=0
 ′ −na1
a2 h ′ −na2
(a2 h − 1) ... a′2 h−naL 
. . ..
 
 .
. .
. .

avec nal , nbm ∈ R et e(t) représentant un bruit stochas-  ... 
tique. a′L h−na1 a′L h−na2 . . . (a′L h−naL − 1)
Compte tenu de (6) ou (11), la sortie discrétisée du mo-
   
a1 −a′1
dèle ARX généralisé s'écrit :  a2   −a′2 
× .  =  ..  , (25)
   
L
X M
X  ..   . 
y(Kh) = − a′l Yl ((K − 1)h) + b′m Um (Kh) + e′ (Kh), aL −a′L
l=1 m=0
(15) les coecients bm s'exprimant alors directement par :
où
e(Kh)
(16)
à L
!
e′ (Kh) =
(26)
X
PL
al bm = b′m 1+ al h −nal
.
1+ n
h al l=1
l=1
E. Estimateur de la variable instrumentale Le vecteur de régression est déni par :
L'estimateur de la variable instrumentale, variante clas-
ϕ(Kh) = [−Y1 (Kh) · · · − YL (Kh)
sique de la méthode des moindres carrés, consiste à intro-
duire un vecteur ϕiv (Kh), tel que ses composantes soient U0 (Kh) · · · UM (Kh)]. (34)
susamment corrélées avec les composantes du vecteur de Là aussi, le modèle typique considéré est de type ARX
régression ϕ(Kh) et totalement décorrélées du bruit. Il en généralisé donné par l'équation diérentielle (14) que l'on
découle [4] : peut écrire sous la forme discrétisée :
E{ϕiv (Kh)ϕT (Kh)} est non singulière
½
L M
(27) X X
E{ϕiv (Kh)e(Kh)} = 0, y(Kh) = − al Yl (Kh) + bm Um (Kh) + e(Kh). (35)
l=1 m=0
où E{.} représente l'espérance mathématique.
L'écriture de l'équation (35) pour N + 1 points de me-
Les variables instrumentales sont généralement issues
sures entre Kh et (K + N )h conduit à la regression linéaire
du modèle auxiliaire, H(p, θ0 ), obtenu lors d'une première
suivante :
identication par moindres carrés linéaires :
Ŷ (θ̂) = Φθ̂ T , (36)
i
yiv (t, θi ) = H(p, θi )u(t) i = 0, . . . , Niter (28) avec
Ŷ = [ŷ(Kh) ... ŷ((K + N )h)]T (37)
Ainsi, le vecteur est formé conformément à (13) où les
ϕiiv
et
Yl sont remplacés par des Yl−iv
i
, calculés à partir de (9) où
la sortie bruitée du système y est remplacée par la sortie −Y1 (Kh) −YL (Kh)

···
du modèle auxiliaire yiv
i
. Le vecteur des paramètres, θ′i , est Φ=
 .
.
.
.
.
.
. . .
ensuite estimé à partir de : −Y1 ((K + N )h) · · · −YL ((K + N )h)
U0 (Kh) ··· UM (Kh)
 (38)
θˆ′i opt = (Φiv T Φ)−1 Φiv T Y . (29) .
.
.
.
.
. .

. . .
U0 ((K + N )h) ··· UM ((K + N )h)
L'estimation paramétrique est ensuite améliorée en cal-
culant de nouvelles variables instrumentales yiv i
pour i = Le critère quadratique à minimiser se formulant tou-
1, . . . Niter , à partir du nouveau modèle H(p, θi ) et en ité- jours de la même façon (voir (21) et (23)), la solution des
rant sur la variable i, jusqu'à convergence des coecients moindres carrés correspond à (29), où la nouvelle matrice
θi [5]. de régression s'écrit conformément à (38).

Estimateur de la variable instrumentale

III. Méthode Directe

La méthode d'identication directe, basée sur les tra- An d'améliorer l'estimateur des moindres carrés de la
vaux de Cois [2], consiste à estimer les coecients al et méthode directe, en présence de bruit de sortie, là aussi la
bm de l'équation diérentielle (2), à partir des dérivées non variable instrumentale est utilisée conformément à la des-
entières de y(t) et de u(t), calculées directement par la for- cription du paragraphe II-E. La seule modication consiste
mule de Grünwald : à calculer Yl−iv
i
conformément à la méthode directe et à
l'équation (31).
L
X M
X
y(Kh) = − al Yl (Kh) + bm Um (Kh), (30) IV. Comparaison des Méthodes d'Identification

l=1 m=0 Indirecte et Directe

avec On constate facilement que l'implantation de la méthode

directe est beaucoup plus simple et intuitive comparée à la
Yl (Kh) = D nal
y(t)|t=Kh =
méthode indirecte : on raisonne ainsi sur les signaux d'en-
trée/sortie et leurs dérivées directes. Cependant, compte-
K
tenu de la dépendance de la dérivée d'un signal évaluée à
µ ¶
1 X nal
(−1)k y((K − k)h) (31) l'instant Kh de l'échantillon Kh de ce même signal, les
hnal k
k=0
deux méthodes dièrent dans la manière de prendre en
et compte l'échantillon Kh :
 dans la méthode indirecte, les échantillons Kh de
Um (Kh) = D nbm
u(t)|t=Kh = toutes les dérivées de la sortie sont rassemblés an
d'exprimer le prédicteur à un pas ; ainsi le prédic-
K
teur à un pas de la sortie évalué à l'instant Kh
µ ¶
1 X n bm
(−1)k
u((K − k)h) (32)
hnbm k dépend de la sortie évaluée aux instants précédents
k=0
(K − 1, K − 2, . . . , 1) ainsi que l'entrée évaluée aux
L'équation (30) présente une forme linéaire de la sortie instants précédents et présent (K, K − 1, . . . , 1) ;
du système par rapport au vecteur des paramètres θ =  dans la méthode directe, les échantillons Kh ne sont
[a1 ... aL b0 ... bM ] : pas isolés ; la sortie estimée à l'instant Kh dépend donc
de la sortie et de l'entrée évaluées à tous les instants
y(Kh, θ) = ϕ(Kh)θT . (33) passés et présent (K, K − 1, K − 2, . . . , 1).
 V. Exemple d'application B.1 Identication par moindre carrés linéaires
An de comparer les méthodes directe et indirecte, un Pour une réalisation du bruit, la méthode d'identication
exemple illustratif issu de la simulation de la fonction de indirecte conduit au modèle suivant :
transfert :
0.00576s0.6 + 0.48598
0.6 H(s) = . (43)
0.40384s + 0.2 0.00258s1.2 + 0.08836s0.6 + 1
H(s) = . (39)
0.09563s1.2 + 0.63192s0.6 + 1
On remarque que les estimés sont relativement éloignées
est traité dans un contexte non bruité, puis dans un des vrais paramètres du système (39), ce qui témoigne de
contexte bruité. L'entrée, signal binaire pseudo aléatoire, la présence d'un biais lors de l'estimation paramétrique.
ainsi que la sortie sont tracées sur la g.1. Les sorties du modèle et du système initial sont comparées
Tout au long de ce paragraphe, la structure du modèle sur la g. 2.
ainsi que les ordres de dérivation sont supposés connus.
Seuls les paramètres al et bm du modèle : Identification par MCL directe
1

b1 s0.6 + b0
H(s) = . (40) 0.8
a2 s1.2 + a1 s0.6 + 1
0.6

sont estimés. 0.4

0.2

0
0.5

−0.2
uid

0
−0.4
−0.5
−0.6
5 6 7 8 9 10
temps (s) −0.8 modèle indirect
système réel
−1
5 6 7 8 9 10
0.5 temps (s)
yid

0
Fig. 2. Comportement dynamique de yid par rapport à uid
−0.5

5 6 7 8 9 10 Pour la même réalisation du bruit, la méthode d'identi-

temps (s)
cation directe conduit au modèle suivant :
−0.02258s0.6 + 0.45990
Fig. 1. Signaux de sortie yid et d'entrée uid
H(s) = . (44)
−0.00240s1.2 + 0.01649s0.6 + 1
On remarque que les estimés sont relativement éloignées
A. Modèle sans bruit des vrais paramètres du système (39). Elles sont également
L'algorithme d'identication indirecte permet d'obtenir éloignées des estimées obtenues par la méthode indirecte
la fonction de transfert suivante : (43). La méthode présente clairement un biais. Les sorties
du modèle et du système initial sont comparées sur la g.
H(s) =
0.40338s0.6 + 0.20036
. (41) 3.
0.09552s1.2 + 0.63129s0.6 + 1 Eu égard des signaux de sortie des g.2 et 3, on remarque
une bien meilleure précision de la méthode indirecte com-
L'algorithme d'identication direct, permet quant à lui parée à la méthode directe. Les deux méthodes restent ce-
d'obtenir la fonction de transfert suivante : pendant sensibles au bruit, puisqu'une dérivation directe
0.40337s0.6 + 0.20036 des signaux d'entrée/sortie amplie le bruit.
H(s) = . (42) An de diminuer la sensibilité au bruit, il est plus judi-
0.09552s1.2 + 0.63128s0.6 + 1
cieux d'employer la méthode de la variable instrumentale.
Dans un contexte non bruité et si la structure du modèle
est connu, les deux méthodes d'identication conduisent B.2 Identication par la méthode de la Variable Instru-
aux vrais paramètres du système. Cependant, les mesures mentale
de sortie sont généralement bruitées, il est donc intéres- On s'intéresse maintenant à une identication par Va-
sant d'étudier l'inuence du bruit sur les deux méthodes riable Instrumentale (IV). Comme décrit dans les para-
d'identication. graphes II-E et III, les variables instrumentales sont cal-
culées de façon itérative an d'aner l'estimation paramé-
B. Modèle avec bruit
trique.
Un bruit additif Gaussien de moyenne nulle est rajouté Pour une meilleure comparaison, des simulations de
à la sortie. Le rapport signal sur bruit est xé à 20dB. Monté Carlo sont eectuées sur 100 réalisations de bruit
 Identification par MCL directe Réponse fréquentielle du modèle identifié par VI directe et du système réel
0.8
1
0.6
0.8

Gain dB
0.4
0.6
0.2

0.4 0
−2 −1 0 1 2 3 4
10 10 10 10 10 10 10
0.2 fréquence (rd/sec)

50
0

Phase (deg)
0
−0.2

−0.4 −50
système réel
modèles directs
−0.6 −100
−2 −1 0 1 2 3 4
10 10 10 10 10 10 10
fréquence (rd/sec)
−0.8 modèle direct
système réel
−1
5 6 7 8 9 10
Fig. 5. Simulation par Méthodes Variables Instrumentales Directes
temps (s) par Monte Carlo

Fig. 3. Comportement dynamique de yid par rapport à uid Paramètres Estimateur IV direct Estimateur IV indirect
vrais VM ET VM ET
a1 0.63192 0.6599 0.1262 0.6599 0.1175
diérentes de rapport signal sur bruit de 20dB. Les 100 a2 0.09563 0.0993 0.0166 0.0990 0.0155
modèles estimés sont comparés au vrai système (39) sur les b0 0.20000 0.1924 0.0326 0.1947 0.0312
diagrammes de Bode des g 4 et 5. b1 0.40384 0.4213 0.0784 0.4205 0.0730
Réponse fréquentielle du modèle identifié par VI indirecte et du système réel TABLE I
0.8
Tableau de synthèse après simulations par Monte Carlo ;
0.6 VM=Valeur moyenne ; ET=Ecart-type
Gain dB

0.4

0.2

0
10
−2
10
−1
10
0
10être établie à travers les équations (6) et (30). La méthode
1

fréquence (rd/sec)
2
10 10
3
10
4

50
indirecte minimise l'erreur de prédiction à un pas ; elle est
plus délicate à mettre en ÷uvre ; et ne prend pas en compte
le dernier échantillon de la sortie lors de l'estimation para-
Phase (deg)

métrique. La méthode directe quant à elle minimise l'erreur

d'approximation qui tient compte du dernier échantillon de
−50
système réel

la sortie ; elle est plus facile à mettre en ÷uvre.

modèles indirects
−100

La prise en compte ou non du dernier échantillon de

−2 −1 0 1 2 3 4
10 10 10 10 10 10 10
fréquence (rd/sec)
la sortie inuence peu l'estimation paramétrique dans un
Fig. 4. Simulation par Méthode Variables Instrumentales Indirectes contexte non bruité, comme le montre l'exemple traité. En
par Monte Carlo revanche en présence du bruit, les résultats obtenus par les
méthodes directe et indirecte sont complètement diérents.
Ainsi, les modèles obtenus par l'approche indirecte sont A de faibles niveaux du bruit, l'utilisation de la variable
très proches des modèles obtenus par l'approche directe. instrumentale permet de s'aranchir du biais. Cependant
On constate cependant une moins bonne identication des à de plus fort niveau de bruit, la dérivation, même non en-
basses fréquences. tière, de signaux bruités amplie le bruit. L'estimation pa-
Les valeurs présentées sur la table I sont représentatives ramétrique se trouve alors fortement biaisée. Il serait alors
de l'ensemble des résultats de simulation par Monté Carlo. nécessaire d'appliquer des méthodes de type ltres à va-
En utilisant une identication par variable instrumentale riables d'état combinées aux variables instrumentales [2].
directe ou indirecte, la convergence des paramètres est bien Références
plus nette et signicative pour de faibles niveaux de bruit.
[1] L. Le Lay : Identication fréquentielle et temporelle par modèle
On remarque une valeur moyenne quasi-similaire pour les non entier. Thèse de doctorat, Université Bordeaux I, Talence,
deux approches qui tend vers les vrais paramètres. Cepen- France, Octobre 1998.
dant, il est à noter la simplicité de l'approche directe par [2] O. Cois : Systèmes linéaires non entiers et identication par
modèle non entier : application en thermique. Thèse de doctorat,
rapport à l'approche indirecte. Université Bordeaux 1, Talence, France, 2002.
[3] A. Oustaloup, O. Cois et Lelay L. : Représentation et identi-
VI. Conclusion cation par modèle non-entier. 04 2005.
Deux méthodes d'identication non entière utilisant la [4] L. Ljung : System identication  Theory for the user. Prentice-
Hall, 2 édition, January 1999.
dénition de Grünwald ont été comparées dans cet article. [5] H. Garnier, M. Gilson et T. Bastogne : Identication de mo-
La diérence de formulation entre les deux méthodes a pu dèles paramétriques à temps continu. méthodes, outil logiciel et
avantages.In Journées Identication et Modélisation Expérimen-
tale JIME, Poitiers, France, 2006.