See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/305774723

Commande non linéaire à modèle prédictif pour une machine asynchrone

Thesis · May 2007

DOI: 10.13140/RG.2.1.3406.6161

CITATIONS READS
5 976

1 author:

Adel Merabet
Saint Mary's University
104 PUBLICATIONS   910 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Grid Connected Photovoltaic-Wind Hybrid Power System with Low Voltage Ride Through View project

Research in the university of sharjah View project

All content following this page was uploaded by Adel Merabet on 02 August 2016.

The user has requested enhancement of the downloaded file.

 UNIVERSITÉ DU QUÉBEC

THÈSE PRÉSENTÉE À

L’UNIVERSITÉ DU QUÉBEC À CHICOUTIMI

COMME EXIGENCE PARTIELLE

DU DOCTORAT EN INGÉNIERIE

Par

Adel Merabet

Commande non linéaire à modèle prédictif pour une

machine asynchrone

Mai 2007
 RÉSUMÉ

La machine asynchrone est un système multivariable, non linéaire, fortement couplé, à

dynamique rapide et à paramètres variant dans le temps. Vu les avantages qu’elle a sur les

autres types de machines électriques, parmi lesquels nous pouvons citer : robustesse,

entretien moins fréquent et faible coût, la machine asynchrone est de loin la plus utilisée

dans les applications requérant la variation de vitesse. Cependant, sa nature non linéaire

rend sa commande compliquée. Le but de cette thèse est la mise en œuvre d’une loi de

commande non linéaire prédictive de haute performance pour un moteur asynchrone, avec

comme objectifs : améliorer la poursuite de trajectoires, garantir la stabilité, la robustesse

aux variations des paramètres et le rejet de perturbation. L’élément de base dans une

commande prédictive est le modèle pour prédire le comportement du système. Deux

méthodes sont utilisées pour la conception du modèle de prédiction ; l’une est une

conception à partir de réseaux de neurones pour une commande prédictive neuronale, et

l’autre utilise les outils mathématiques de la géométrie différentielle pour la commande non

linéaire prédictive.

Dans la commande prédictive neuronale, une modélisation multivariable de la machine

par un réseau de neurones de type multicouches est présentée pour la conception d’un

prédicteur non linéaire. La commande optimale est obtenue en minimisant un critère

quadratique. Un modèle de référence, calculé à partir de l’inversion du modèle de la

i
machine, est inclus dans le critère à optimiser. Ce modèle permet d’améliorer

l’optimisation.

Pour la commande non linéaire prédictive, deux variantes sont proposées dans ce

travail. Une commande multivariable pour le contrôle d’un système carré avec la vitesse

rotorique et la norme carré du flux rotorique comme sorties, et une commande en cascade

pour le contrôle du couple électromagnétique, de la norme carré du flux et de la vitesse. Le

choix de ces sorties est pris pour contrôler la vitesse et simplifier le calcul différentiel lors

du développement de ces lois de commande. Le modèle de prédiction est obtenu en

utilisant une expansion en série de Taylor. La perturbation (couple de charge) est estimée

par un observateur. L’intégration de la commande prédictive dans la structure de

l’observateur de perturbation lui permet de se comporter comme un contrôleur PID ou PI de

vitesse selon le degré relatif de la sortie vitesse par rapport à la commande. Cette

combinaison aboutit à une commande non linéaire PID (ou PI) prédictive. La commande

non linéaire prédictive est détaillée, d’abord dans le cas où l’état est supposé entièrement

mesurable, puis lorsqu’un observateur doit être utilisé. Le problème de la stabilité globale

est alors pris en compte. La méthode de Lyapunov est utilisée pour prouver la stabilité

globale du schéma complet de commande (procédé + commande + observateur d’état).

Les performances de poursuite de trajectoires, de robustesse aux variations de

paramètres et de rejet de perturbation, sont améliorées par ce contrôleur non linéaire

prédictif. Nous croyons que ce que nous avons réalisé avec la commande prédictive non

linéaire constitue une contribution majeure au domaine des entraînements à vitesse variable

par machines asynchrones.

ii
 ABSTRACT

Induction machines are widely used in industry because they are more rugged, reliable,

compact, efficient and less expensive compared to other machines used in similar

applications. They however, represent highly nonlinear, coupled, multivariable, complex

control plant with unknown disturbances and time varying parameters requiring complex

control algorithms. This PhD thesis deals with the development of a high performance

nonlinear predictive control induction motor drive. The research work is directed towards

improving trajectory tracking capability, stability guarantee, robustness to parameters

variations and disturbance rejection. The main part of nonlinear predictive control is the

system behavior prediction model. Two methods are used for the design of the prediction

model. First, the design is based on neural networks modeling. The control law in this case

is called neural predictive control. The other prediction model is obtained using

mathematical tools of differential geometry for nonlinear predictive control.

In the neural predictive control, a multivariable modeling of the machine is done using

a multi-layer neural network in order to design a nonlinear predictor. Optimal control is

obtained by minimization of a quadratic criterion. A reference model, obtained from the

inversion of the machine model, is included in the optimization criterion, which helps to

improve the optimization.

In nonlinear predictive control, two types of control algorithms are proposed in this

work. First, a multivariable controller is used for the system control, with the rotor speed

iii
and the rotor flux norm as outputs. Then, a cascaded controller is used for electromagnetic

torque, rotor flux norm and rotor speed control. The prediction model is obtained by using

the Taylor series expansion. The nonlinear predictive controller is enhanced by embedding

a disturbance observer, which behaves like a PID or PI speed controller according to the

relative degree of the speed output. This combination is called nonlinear PID (or PI)

predictive control. Initially, control action is carried out assuming that all the states are

known by measurement. Then, in the next step an observer is implemented instead of

measurement. Here, the Lyapunov method is used to prove the global stability of the

complete control scheme (process + control + state observer).

The trajectories tracking, robustness to parameters variations and disturbance rejection

are successfully achieved using this nonlinear predictive controller. Therefore, we believe

that this work constitutes a major contribution to the domain of variable speed induction

motor drive.

iv
 AVANT PROPOS

Les travaux présentés dans ce mémoire ont été effectués au Laboratoire d’Identification

et Commande des Machines Electriques (LICOME) de l’université du Québec à Chicoutimi

(UQAC). Cette unité de recherche est accréditée par l’UQAC en vertu de sa politique de

financement de la recherche.

Au terme d’un travail de trois ans de recherche, je tiens à remercier tous ceux qui m’ont

aidé en contribuant à l’aboutissement de cette thèse, tout particulièrement :

- Monsieur Mohand Ouhrouche, professeur à l’UQAC et directeur du LICOME, qui a

dirigé ces travaux de recherche. Qu’il soit assuré de ma profonde reconnaissance pour ses

conseils précieux et la confiance dont il a témoigné à mon égard tout au long de ce

parcours.

- Monsieur Rung-Tien Bui, professeur émérite à l’UQAC, qui a co-dirigé ce travail. Ses

conseils judicieux ont été pour moi une aide précieuse.

- Monsieur Hassan Ezzaidi, professeur à l’UQAC, pour sa collaboration dans le domaine

des réseaux de neurones.

- La compagnie ALCAN (Saguenay) pour m’avoir honoré par la bourse d’excellence

2006/2007.

Mes remerciements vont aussi à madame Nicole Bouchard, doyenne des études de

cycles supérieurs et de la recherche, pour son assistance à ma soutenance, monsieur Daniel

Audet, président du jury, et les membres, en plus de mes encadreurs, messieurs Hichem

Arioui et Issouf Fofana pour leur évaluation de mon travail de recherche.

v
 Je tiens à remercier également tous les membres du LICOME, qui ont contribué à

rendre ce cadre de travail agréable, tant d’un point de vue technique que humain.

Enfin, un remerciement particulier à mes parents, à mon épouse, et à mes frères et

sœurs.

vi
 SOMMAIRE

LISTE DES FIGURES ………………………………………….……..…...………..…... xii

LISTE DES TABLES ………………………………..…………………………………... xv

LISTE DES SYMBOLES ………………………………..…………………………….... xvi

ABRÉVIATIONS ………………………………………………………………….…..... xxi

INTRODUCTION GÉNÉRALE ……………………..………………..………………..… 2

CHAPITRE I

MODÉLISATION DE LA MACHINE ASYNCHRONE EN VUE DE LA

COMMANDE

1.1 Introduction ……………………………………………………………..……….…… 11

1.2 Description ………………..…….……….…………………………….……..………. 12

1.3 Modélisation électrique de la machine asynchrone ………..….….………………..…. 13

1.4 Modélisation en représentation d’état de la machine asynchrone en vue de

commande ……………………………………………………………….…………..…… 20

vii
 1.4.1 Modèle d’état dans un référentiel tournant ………….……...…………….……… 21

1.4.2 Modèle d’état dans un référentiel fixe au stator …….………...……………...…... 22

1.5. Modélisation en représentation d’état de la machine asynchrone en vue

d’observation …………………………………….……………….….……..…..….…....... 22

1.6 Modélisation inverse de la machine asynchrone ……………………………………... 23

1.7 Modélisation de l’alimentation avec onduleur à MLI ………………………….…..… 27

1.7.1 MLI sinus-triangle …….…...…..….…...………..……………………..…….….... 28

1.7.2 MLI vectorielle …….…..………..…………..……………………………….…… 29

1.8 Observation d’état ………..………………….…………………………..…...………. 30

1.9 Conclusion …………..…………………………………….……….…………..…...… 33

CHAPITRE II

DIFFÉRENTES STRATÉGIES DE COMMANDE POUR LA MACHINE

ASYNCHRONE

2.1 Introduction …...………………….…..…………………………….……………….... 35

2.2 Commande vectorielle …...……….………..………………….…………...….……… 36

2.3 Commande par linéarisation entrée-sortie ………………..….….…………...…..…… 39

2.4 Commande directe de couple ……………..……….…..………..………………….… 45

2.5 Résultats de simulation ………..……………………………………………………… 47

2.5.1 Commande vectorielle …..….………………………….………………..………... 48

viii
 2.5.2 Commande par linéarisation entrée-sortie ….…..……….…….…......…………… 52

2.6 Conclusion ……………….……………………………………………...……………. 56

CHAPITRE III

COMMANDE PRÉDICTIVE NEURONALE

3.1 Introduction ……………………………………………………………………….….. 58

3.2 Réseaux de neurones artificiels ……..…………………………………………….…. 60

3.2.1 Modélisation d’un système dynamique non linéaire par réseaux de neurones ...... 61

3.2.2 Application de la modélisation par réseaux de neurones au moteur

asynchrone ………………………….……………………………………………..…….... 64

3.3 Prédicteur neuronal …………………………….………………………………..…… 66

3.4 Commande prédictive neuronale ……..…….……………….………………...……... 67

3.5 Résultats de simulation …..……..…………………………………………....………. 72

3.5.1 Modélisation de la machine par un réseau de neurones …..…..…….…….…..…. 72

3.5.2 Commande à partir d’un modèle de référence …………………………………... 76

3.5.3 Commande prédictive neuronale …..……………….………..…………....……... 80

3.6 Conclusion ……..…………………………………..……………………………..….. 86

ix
 CHAPITRE IV

COMMANDE PRÉDICTIVE NON LINÉAIRE

4.1 Introduction …………………………………………………….………….…..……... 89

4.2 Commande prédictive non linéaire multivariable …………………….…….………... 90

4.2.1 Application de la loi de commande prédictive non linéaire au moteur

asynchrone ………………………………………………………………..…………....… 90

4.2.2 Dynamique et stabilité du système en boucle fermée ………..….…………….…. 94

4.2.3 Conception de l’observateur de perturbation …..………………….…….……..… 96

4.2.4 Stabilité globale de la commande en boucle fermée avec observateur d’état …... 101

4.3 Commande prédictive non linéaire en cascade …………………….………….……. 106

4.3.1 Commande prédictive non linéaire multivariable (boucle interne) ..…..….….…. 106

4.3.2 Commande prédictive de vitesse (boucle externe) …………………......….……. 109

4.3.3 Dynamique du système non linéaire …………….……………………………… 110

4.3.4 Conception de l’observateur de perturbation ………………..……….…....…..... 112

4.3.5 Stabilité globale de la commande cascade en boucle fermée avec observateur

d’état ………………………….…………………………………………………………. 114

4.4 Résultats de simulation …………………………………………………..…….….… 119

4.4.1 Commande prédictive non linéaire multivariable ……..………….…….…....…. 119

4.4.2 Commande prédictive non linéaire en cascade ……..………………………..…. 124

4.5 Conclusion …………………………………….……………………………..……… 129

x
 CHAPITRE V

SIMULATION EN TEMPS RÉEL À L’AIDE DE LA PLATE-FORME RT-LAB

5.1 Introduction …………………………………………………….…..………....…….. 132

5.2 Système temps réel ……………………….…….………………………..…...……... 133

5.3 Concept de la simulation numérique en temps réel …………………………………. 134

5.4 Implantation de la simulation numérique en temps réel ……………………………. 137

5.5 Résultats de simulation en temps réel ………………………..………….………….. 142

5.5.1 Commande prédictive neuronale …….….......................…………………......…. 143

5.5.2 Commande non linéaire prédictive multivariable …….….......................…....…. 144

5.5.3 Commande non linéaire prédictive en cascade …….…..............…..…….…..…. 153

5.6 Conclusion …….……......................…............................................................…...…. 160

CONCLUSIONS ET PERSPECTIVES ……….……..……………………………...…. 163

PUBLICATIONS ………………………………………………………………………. 167

BIBLIOGRAPHIE ….…………..…………………………………………………….… 169

ANNEXES ………………..…………………………………………………………….. 182

xi
 LISTE DES FIGURES

Chapitre I

Figure 1.1 Modélisation de la machine asynchrone dans un repère triphasé …………..… 14

Figure 1.2 Transformation de repères ………………………………..………….….…..... 15

Figure 1.3 Schéma équivalent dynamique dans un référentiel tournant ……………....…. 16

Figure 1.4 Schéma équivalent dynamique dans un référentiel fixe ………..…….……..... 17

Figure 1.5 Schéma de l’onduleur de tension alimenté à partir du réseau triphasé …......… 27

Figure 1.6 Allure des courants et tensions ……..…………………….………………..…. 28

Figure 1.7 Principe de MLI vectorielle ………………………………...………………… 29

Chapitre II

Figure 2.1 Schéma bloc de la commande vectorielle pour un moteur asynchrone …......... 38

Figure 2.2 Schéma bloc de la commande par linéarisation entrée-sortie pour un moteur

asynchrone.…………………………………………………………………………..…..... 44

Figure 2.3 Représentation des secteurs …………………………………………………... 46

Figure 2.4 Schéma bloc de la commande directe de couple ……………………………... 47

Figures 2.5 et 2.6 Résultats de simulation pour la commande vectorielle sans variation

paramétrique ….…………………………………………………………………..….….... 48

xii
Figures 2.7 Variation des paramètres de la machine ……………...………...…….….…... 50

Figures 2.8 Couple de charge appliqué à la machine ….…..…...…………………….…... 50

Figures 2.9 et 2.10 Résultats de simulation pour la commande vectorielle avec variation de

la résistance rotorique .……………..……………………………………………..….….... 51

Figures 2.11 à 2.16 Résultats de simulation pour la commande par linéarisation E/S …... 52

Chapitre III

Figure 3. 1 Stratégie de la commande prédictive ……………..……………….............…. 59

Figure 3.2 Structure d’un réseau de neurones multicouches à propagation avant……....... 60

Figure 3.3 Structure du réseau de neurones pour la modélisation du moteur

asynchrone ……….…………………………………………………..….………….......… 65

Figure 3.4 Prédicteur neuronal avec pas multiples en avant ……….…………….…...….. 66

Figure 3.5 Schéma bloc de la commande prédictive neuronale pour un moteur

asynchrone ………………………………………………………………………….......… 71

Figures 3.6 à 3.11 Résultats de simulation pour la modélisation par réseau de

neurones ………………………………………………………………………………….. 73

Figures 3.12 à 3.17 Résultats de simulation pour la commande à partir d’un modèle de

référence ………………………………………………………………………………….. 76

Figures 3.18 et 3.19 Résultats de simulation pour la commande prédictive neuronale ….. 80

Chapitre IV

Figure 4.1 Schéma bloc de la commande non linéaire prédictive pour un moteur

xiii
asynchrone ………………………………………………………………………………. 100

Figure 4.2 Commande non linéaire prédictive en cascade pour un moteur asynchrone… 114

Figures 4.3 à 4.10 Résultats de simulation pour la commande prédictive multivariable... 120

Figures 4.11 à 4.18 Résultats de simulation pour la commande prédictive en cascade … 125

Chapitre V

Figure 5.1 Simulation en temps réel du système d’entraînement de la machine ……….. 135

Figure 5.2 Simulation avec matériel dans la boucle du système d’entraînement de la

machine …………………………………………………………………………………. 136

Figure 5.3 Schéma de l’implantation de la simulation en temps réel …….…………….. 137

Figure 5.4 Répartition des sous-systèmes de la structure d’entraînement du moteur …... 139

Figure 5.5 Illustration du module : ss_controleur ………………………………………. 140

Figure 5.6 Illustration du module : ss_moteur ………………………………………….. 141

Figure 5.7 Illustration du module : sm_acquisition_donnees …………………………... 141

Figure 5.8 Illustration du module : sc_interface ………………………………………... 142

Figures 5.9 et 5.10 Résultats de simulation en temps réel pour la commande prédictive

neuronale ………………..………………………………………………………….…… 143

Figures 5.11 à 5.24 Résultats de simulation en temps réel pour la commande prédictive

multivariable ………..…..………………………………………………………….…… 145

Figures 5.25 à 5.37 Résultats de simulation en temps réel pour la commande prédictive en

cascade ………….…………………………………………………………………..…... 154

xiv
 LISTE DES TABLES

Tableau de localisation pour le contrôle du couple et du flux ………………………….... 46

Comparaison entre la commande non linéaire prédictive et la commande neuronale

prédictive ………………………………………………………………………………... 166

xv
 LISTE DES SYMBOLES

A Matrice de découplage

b Vecteur de perturbation

b̂ Vecteur de l’estimation de perturbation

e Erreur

f Matrice d’état

f̂ Matrice d’état estimé

fr Coefficient de frottement

g Matrice de commande

h Fonction de la couche cachée du réseau de neurones

Im Partie imaginaire

i r ( a ,b , c ) Courant de phase rotorique

r
ir Vecteur spatial du courant rotorique

irα , i rβ Composantes (α, β) du courant rotorique dans le référentiel fixe

ird , irq Composantes (d, q) du courant rotorique dans le référentiel tournant

i s ( a ,b , c ) Courant de phase statorique

r
is Vecteur spatial du courant statorique

xvi
i sα , i sβ Composantes (α, β) du courant statorique dans le référentiel fixe

iˆsα , iˆsβ Composantes (α, β) du courant statorique estimé dans le référentiel fixe

~ ~
isα , isβ Erreur entre le courant statorique réel et celui estimé dans le référentiel fixe

i sd , i sq Composantes (d, q) du courant statorique dans le référentiel tournant

ℑ Fonction de coût pour la commande prédictive

J Fonction de coût pour l’apprentissage du réseau de neurones

J Inertie de la machine

j −1

Kp, Ki Gains du contrôleur PI

k1, k2 Gains de l’observateur d’état

K0, K1 Gains du contrôleur prédictif

Ls, Lr, Lm Inductances statorique, rotorique et mutuelle

Lg, Lf Dérivée de Lie

Nu Horizon de commande,

N1 Horizon d’initialisation

N2 Horizon de prédiction

Nh Nombre des neurones en couche cachée

p Nombre de paires de pôles

p0 Gain de l’observateur de perturbation

Rs , Rr Résistances statorique et rotorique

Tem Couple électromagnétique

xvii
TL Couple de charge

TˆL Couple de charge estimée

Tr Constante de temps rotorique

u Vecteur de commande

u r ( a ,b , c ) Tension de phase rotorique

r
ur Vecteur spatial de la tension rotorique

u rα , u rβ Composantes (α, β) de la tension rotorique dans le référentiel fixe

u rd , u rq Composantes (d, q) de la tension rotorique dans le référentiel tournant

u s ( a ,b , c ) Tension de phase statorique

r
us Vecteur spatial de la tension statorique

u sα , u sβ Composantes (α, β) de la tension statorique dans le référentiel fixe

u sd , u sq Composantes (d, q) de la tension statorique dans le référentiel tournant

V Vecteur de consigne externe

V Fonction de Lyapunov
r r
V0 à V7 Vecteurs de tension de commutation

w Vecteur des poids et biais du réseau de neurones

w Poids du réseau de neurones

r
X Vecteur tournant
r
X* Vecteur conjugué

x Vecteur d’état

xviii
x̂ Vecteur d’état estimé
~
x Erreur entre le vecteur d’état réel et celui estimé

y Vecteur de sortie

yr Vecteur de référence

yRN Vecteur de sortie du réseau de neurones

z Vecteur d’état du système linéarisé

(α r , β r ) Repère lié au rotor

(α s , β s ) Repère lié au stator (α, β)

θ Position angulaire du rotor par rapport au stator

θs Position angulaire du repère (d, q) par rapport au stator

θr Position angulaire du repère (d, q) par rapport au rotor

φ Vecteur de régression

φ r ( a ,b , c ) Flux de phase rotorique

r
φr Vecteur spatial du flux rotorique

φ rα , φ rβ Composantes (α, β) du flux rotorique dans le référentiel fixe

φˆrα , φˆrβ Composantes (α, β) du flux rotorique estimé dans le référentiel fixe

~ ~
φ rα , φ rβ Erreur entre le flux rotorique réel et celui estimé dans le référentiel fixe

φ RN Sortie flux du réseau de neurones

φ s ( a ,b , c ) Flux de phase statorique

r
φs Vecteur spatial du flux statorique

xix
φ sα , φ sβ Composantes (α, β) du flux statorique dans le référentiel fixe

φ sd , φ sq Composantes (d, q) du flux statorique dans le référentiel tournant

φ rd , φ rq Composantes (d, q) du flux rotorique dans le référentiel tournant

Ω Vitesse mécanique

Ωs Vitesse synchrone

ω = dθ / dt Vitesse rotorique

ω s = dθ s / dt Vitesse de rotation du repère (d, q) par rapport au stator

ω RN Sortie vitesse du réseau de neurones

σ Coefficient de dispersion magnétique

λ Facteur de pondération de la commande,

∆ Opérateur de différence

τr Horizon de prédiction

ρ Position angulaire

xx
 ABRÉVIATIONS

CL E/S Commande par linéarisation entrée-sortie

CMR Commande par modèle de référence

CNP Commande non linéaire prédictive

CNP PID Commande non linéaire PID prédictive

CPG Commande prédictive généralisée

CPN Commande prédictive neuronale

DTC Acronyme de Direct torque control

FOC Acronyme de Field oriented control

MLI Modulation par largeur d’impulsion

MPC Acronyme de Model predictive control

NARX Acronyme de Nonlinear autoregressive external input

NNARX Acronyme de Neural network autoregressive external input

PID Commande proportionnelle, intégrale, dérivée

PN Prédicteur neuronal

RN Réseau de neurones

xxi
INTRODUCTION GÉNÉRALE

1
 INTRODUCTION GÉNÉRALE

La machine (moteur) asynchrone (ou à induction), très appréciée dans les applications

industrielles pour sa grande robustesse électromécanique et son faible coût, requiert des

structures de contrôle spécifiques et complexes, qui sont utilisées dans des systèmes

d’entraînement à vitesse variable performants.

Le développement de différentes méthodes de commande du moteur asynchrone est

justifié par le besoin de prendre en compte sa structure non linéaire. C’est d’ailleurs pour

cette raison, et en dépit de son plus faible coût et de son encombrement moindre, que

l’industrie avait préféré, jusqu’aux années 1980, l’utilisation des moteurs à courant continu,

puis synchrones, car leur structure linéaire en facilitait la commande. Une méthode de

commande pour le moteur asynchrone, qui se ramenait à une structure de commande

linéaire par l’hypothèse dite d’orientation du flux, a été proposée par Blaschke en 1972 [5].

Si cette méthode est restée peu exploitée jusqu’au début des années 80, les progrès réalisés

dans la technologie des semi-conducteurs et dans la microélectronique ont permis son

utilisation dans les variateurs industriels actuels. Cependant, l’expérience a montré les

faiblesses de cette méthode face aux incertitudes de paramètres, qu’ils soient mesurés,

comme la vitesse des moteurs, ou qu’ils varient en cours de fonctionnement, comme les

résistances du stator et du rotor. Par ailleurs, la commande des moteurs électriques s’est

2
révélée être un champ d’application des méthodologies de l’automatique non linéaire,

développées depuis les années 70. En effet, la modélisation des moteurs à courant alternatif

est bien maîtrisée, et elle se traduit en des modèles non linéaires caractérisés par un nombre

limité de variables d’état. Dans un même temps, l’évolution rapide de l’électronique

numérique permet la réalisation de commandes de plus en plus sophistiquées telles que la

commande par linéarisation entrées-sorties, commande directe du couple, etc. [3, 4, 7, 9,

13, 20-23, 66, 67], et la commande prédictive qui représente le thème de notre travail.

La commande à modèle prédictif MPC1 est née vers les années 70 et s’est

considérablement développée depuis, à la fois dans la communauté de la recherche en

automatique et dans l’industrie [29, 37, 38, 82]. La philosophie de la commande prédictive

se résume à utiliser le modèle pour prédire le comportement du système et choisir la

meilleure décision au sens d’un certain coût tout en respectant les contraintes. La

formulation du MPC intègre des concepts tirés de la commande optimale, la commande

avec modèle interne, la commande multivariable et prend en compte les références futures.

Un avantage de la commande prédictive tient au fait que des contraintes, et même des

processus non linéaires et/ou variants dans le temps, peuvent être considérés en pratique et

cela, grâce aux horizons de prédiction et au modèle du système. Les premiers succès de

cette loi de commande ont été réalisés dans le domaine des systèmes à dynamique lente,

mais avec l’évolution de la technologie numérique du traitement de signal, elle a trouvé une

place privilégiée dans celui de la commande des procédés en raison de sa performance et de

sa fiabilité [8, 37, 82].

1
Model Predictive Control en anglais

3
 Le comportement du moteur asynchrone est celui d’un système non linéaire, sa

dynamique est rapide, ses paramètres varient pendant le fonctionnement et il est sujet à des

perturbations inconnues. Toutes ces caractéristiques rendent la commande de cette machine

complexe. Par conséquent, la conservation de la nature non linéaire de la machine, la

poursuite de trajectoires prédéterminées, la robustesse aux variations de paramètres et le

rejet de perturbations inconnues avec une réponse performante sont les objectifs à satisfaire

lors d’une mise en œuvre d’une stratégie de commande. La commande prédictive,

mentionnée auparavant, apparaît comme une alternative intéressante pour contrôler le

moteur asynchrone et satisfaire les exigences souhaitées. L’intérêt de cette commande par

rapport aux autres, par exemple à la commande par linéarisation entrée-sortie, est qu’elle

peut être réalisée à partir du modèle de la machine ou à partir d’une technique de

modélisation pour contourner les variations paramétriques. C’est la raison pour laquelle, la

communauté des chercheurs en commande des machines s’est intéressée à l’application de

la commande à modèle prédictif pour le contrôle du moteur asynchrone [2, 24, 34, 35, 45,

46, 48, 49, 54, 55, 60-63]. En [2, 24, 34, 35, 54, 55], où une commande prédictive

généralisée (CPG) monovariable [25, 26] est appliquée à un modèle linéarisé de la

machine. Le modèle de la machine peut être décomposé en une partie linéaire et une autre

non linéaire [60-63] ; par la suite, la commande CPG est appliquée à la partie linéaire. Une

commande non linéaire prédictive multivariable, basée sur l’optimisation d’une fonction de

coût définie sur un horizon, peut être appliquée à la commande de la machine [45, 46], la

performance de cette commande se détériore avec les variations des paramètres de la

machine et les perturbations inconnues. Par conséquent, une compensation de perturbation

4
doit être intégrée dans le schéma de commande, qui est le cas dans de différentes stratégies

de commande [50, 53, 76, 96]. Concernant notre stratégie de commande prédictive

multivariable pour améliorer le comportement du système d’entraînement, nous intégrons

dans la chaîne de commande un observateur de perturbation, réalisé à partir de la

commande prédictive, qui se comporte comme un contrôleur PID ou PI de vitesse selon le

degré relatif de la sortie à contrôler, permettant de garantir le rejet de perturbation et

d’améliorer la robustesse aux variations de paramètres et rendant le système plus

performant. Cette amélioration de la commande constitue une des contributions de ce

travail par rapport aux applications de la commande non linéaire prédictive à la machine

asynchrone mentionnées auparavant. En général, la conception d’une commande non

linéaire prédictive utilise les états du système, et dans le cas d’un moteur asynchrone, ce

contrôleur utilise les états (flux rotorique) issus d’un observateur. Dans la plupart des

travaux mentionnés précédemment, les problèmes de couplage (commande, observateur

d’état) ne sont pas pris en considération. Dans notre travail, la stabilité globale, pour le

système complet (procédé + commande + observateur d’état), est traitée en utilisant le

critère de stabilité de Lyapunov. Cette étude de stabilité globale est considérée comme une

contribution majeure pour la commande non linéaire prédictive du moteur asynchrone.

Concernant la commande prédictive neuronale, malgré la disponibilité d’outils pour son

implantation numérique [58, 89, 90], il existe peu de travaux sur ses applications aux

moteurs asynchrones. Dans [31, 74, 75], une commande prédictive neuronale monovariable

est appliquée au moteur pour le contrôle de la vitesse. Ce manque a rendu délicate la tâche

de concevoir et d’appliquer une commande prédictive neuronale multivariable au moteur

5
asynchrone dans le référentiel fixe (α, β). Une autre contribution de ce travail consiste à

étudier une combinaison de la commande prédictive neuronale et un modèle de référence.

En résumé, la recherche dans le domaine de la commande non linéaire demeure un

champ florissant. D’où l’intérêt et la motivation, pour la présente thèse, de prendre en

compte la non-linéarité du système et d’appliquer une commande prédictive non linéaire

multivariable plus performante pour la poursuite de trajectoires, la stabilité, la robustesse

paramétrique et le rejet de perturbations. L’amélioration de la performance de l’actionneur

électrique, vis-à-vis ces points, représente une contribution majeure de ce travail de

recherche.

Dans cette thèse, une commande prédictive neuronale multivariable et deux variantes de

la commande non linéaire prédictive ont été réalisées pour le contrôle de la vitesse de

rotation et la norme du flux rotorique, choisies comme sorties afin d’avoir un système

multivariable carré. L’objectif est de démontrer les avantages et les inconvénients de la

mise en œuvre d’une loi de commande non linéaire prédictive pour l’entraînement à vitesse

variable d’un moteur asynchrone.

L’élément de base, dans une commande prédictive neuronale, est le réseau de neurones.

Les réseaux de neurones appartiennent à la famille de méthodes d’intelligence artificielle.

Elles ont eu un succès considérable dans les domaines de commande et d’identification des

systèmes non linéaires et plusieurs applications ont été réalisées avec succès [10, 30, 33, 41,

83]. La popularité des réseaux de neurones est due à la capacité d’imiter le comportement

des systèmes non linéaires, non stationnaires, et la robustesse par rapport aux perturbations.

Pour le moteur asynchrone comme système non linéaire avec des paramètres variables, des

6
travaux ont été proposés pour l’identification (ou l’estimation) de la vitesse ou le flux par

les réseaux de neurones, par contre peu de travaux existe pour les deux simultanément [15,

27, 28, 42, 56, 68, 86, 94]. Cette procédure, qui est la conception d’un modèle neuronal

multivariable pour la prédiction à partir du modèle de la machine dans le référentiel (α, β),

est une étape essentielle dans la mise en œuvre de la commande prédictive neuronale. Elle

sera l’une des contributions de ce travail de recherche.

La seconde commande est la commande prédictive non linéaire multivariable, réalisée à

partir d’une fonction de coût plus simple par rapport au travaux mentionnés antérieurement,

seule l’erreur quadratique entre la sortie du procédé et la référence est incluse dans cette

fonction, ce qui diminue la charge de calcul pour l’optimisation. Cette commande fait appel

aux outils mathématiques de la géométrie différentielle. Un autre point, concernant le

couple de charge, est traité dans ce travail afin d’améliorer le contrôleur prédictif. Le

couple de charge est considéré comme une perturbation inconnue et il est estimé par un

observateur de perturbation dérivé de la commande prédictive. Cette estimation permet de

garantir le rejet de perturbation et d’améliorer les performances du suivi de trajectoires.

Une version en cascade de la commande prédictive non linéaire est réalisée pour les sorties

couple électromagnétique, norme du flux rotorique et vitesse rotorique. Ces deux versions

de la commande prédictive sont étudiées pour permettre de mettre en relief la relation entre

la structure de l’observateur de perturbation et le degré relatif de la sortie vitesse rotorique.

Ces lois de commande sont détaillées, d’abord dans le cas où l’état du système est supposé

entièrement mesurable, puis lorsqu’un observateur doit être utilisé pour l’estimation de flux

[12, 19]. Le problème de la stabilité globale est alors pris en compte. La méthode de

7
Lyapunov est utilisée pour prouver la stabilité globale du schéma complet de la commande.

Les résultats obtenus lors de ces travaux furent fructueux et ils ont permis la publication de

plusieurs articles scientifiques dans des revues et des conférences internationales

spécialisées dans le domaine de la commande des procédés.

Cette thèse est organisée comme suit :

Le chapitre 1 expose la description et la modélisation du moteur asynchrone, du point

de vue de l’automaticien, pour utilisation en commande et observation d’état. Le chapitre 2

présente quelques stratégies de commande pour le moteur asynchrone, telles que la

commande vectorielle, la commande par linéarisation entrée-sortie et la commande directe

de couple. Il est à noter que ce chapitre n’inclut pas toutes les stratégies, de commande de

la machine, qui existent, mais seulement quelques-unes qui font intervenir des concepts de

linéarisation et de non-linéarité et celles qui sont utilisées dans l’industrie. Le chapitre 3,

consacré à la commande prédictive neuronale, présente une modélisation multivariable de

la machine par un réseau de neurones pour la conception d’un prédicteur non linéaire. Ce

chapitre traite aussi de l’optimisation d’un critère quadratique, incluant une commande de

référence, qui permet de trouver la commande optimale. Le chapitre 4 traite une autre

stratégie de commande prédictive non linéaire; le prédicteur non linéaire est développé à

partir d’outils mathématiques de la géométrie différentielle. Un observateur de perturbation

(couple de charge) est dérivé de la commande prédictive. En plus, une étude de stabilité

globale est réalisée pour le système complet (moteur + commande + observateur). Des

simulations sur Simulink/Matlab pour les lois de commande, traitées dans cette thèse, sont

présentées à la fin de chaque chapitre afin de tester leur performance. Le chapitre 5 montre

8
un outil de simulation en temps réel (RT-LAB2), ainsi que la mise en œuvre de la

commande non linéaire prédictive du moteur sur ce système pour une implantation en

temps réel. La simulation en temps réel est une technique aujourd’hui largement utilisée

dans les technologies de pointe, telles que les industries d’automatisation et d’aéronautique.

Elle constitue un outil primordial pour le prototypage rapide des systèmes complexes sur

les plans économique et sécuritaire. Enfin, des conclusions et perspectives sont exposées.

Elles résument les avantages et les inconvénients des lois de commande non linéaires

proposées dans le cadre de ce travail.

En conclusion, nous pouvons résumer les contributions apportées par ce travail de

recherche par les points suivants :

• La mise en œuvre d’une commande prédictive neuronale avec modèle de référence,

pour l’entraînement d’un moteur asynchrone, à partir de la conception d’un modèle

neuronal multivariable pour la prédiction non linéaire.

• L’amélioration de la performance d’entraînement à vitesse variable de la machine

électrique par une loi de commande non linéaire prédictive, vis-à-vis la poursuite de

trajectoires, la robustesse paramétrique et le rejet de perturbations. Cette amélioration

est due à l’intégration d’un observateur de perturbation dans la structure de commande.

L’observateur se comporte comme un contrôleur PID ou PI de vitesse selon le degré

relatif de la vitesse, et il permet la conception d’une commande non linéaire PID (ou PI)

prédictive.

• L’étude de la stabilité globale du système complet (moteur + commande + observateur).

2
RT-LAB marque déposée de Opal-RT Technologies Inc.

9
 CHAPITRE I

MODÉLISATION DE LA MACHINE

ASYNCHRONE EN VUE DE LA COMMANDE

10
 CHAPITRE I

MODÉLISATION DE LA MACHINE ASYNCHRONE EN VUE DE LA

COMMANDE

1.1 Introduction

Le système d’entraînement de la machine asynchrone intègre l’alimentation, le

convertisseur statique, la machine et la commande indispensable au fonctionnement de

l’ensemble. De ce fait, une modélisation de la machine asynchrone, destinée aussi bien à

l’étude de son comportement qu’à la mise en place des fonctionnements de la commande,

est nécessaire pour le bon déroulement du processus d’entraînement.

L’objectif de ce chapitre est de présenter mathématiquement, d’un point de vue de

l’automaticien, une modélisation de la machine asynchrone sous forme de différents

modèles d’état selon le choix de repère, le vecteur d’état et les entrées-sorties possibles du

moteur. Généralement, ces modèles sont définis dans un référentiel diphasé, soit tournant

(d, q), soit fixe au stator (α, β). Ces référentiels sont définis à partir du référentiel triphasé

naturel de la machine asynchrone à l’aide de transformations mathématiques adaptées. En

plus, un modèle inverse de la machine est étudié afin de l’utiliser dans la stratégie de

commande neuronale prédictive développée dans cette thèse.

11
 Le chapitre est organisé comme suit : après une brève description de la machine

asynchrone, une modélisation vectorielle, selon le choix du référentiel, et une autre, sous

forme de représentation d’état dans des référentiels biphasés, sont exprimées. Un modèle

inverse est exprimé à partir des équations de la machine. Ensuite, un bref aperçu de

l’alimentation et de l’onduleur MLI est donné. Enfin, une description d’un observateur

d’état, intégré dans le schéma de commande, est donnée pour tester la stabilité globale du

système complet (procédé + commande + observateur) dans le chapitre sur la commande

non linéaire prédictive.

1.2 Description

Un moteur asynchrone se présente sous la forme d’un carter entourant le circuit

magnétique, ferromagnétique, statorique et qui accueille dans des encoches l’enroulement

statorique polyphasé (généralement triphasé) bobiné en fil de cuivre isolé. À l’intérieur de

ce circuit magnétique, qui se présente comme un cylindre creux, séparé par un entrefer,

tourne le circuit magnétique rotorique qui accueille dans ses encoches les barreaux de la

cage rotorique, en aluminium coulé ou en cuivre, court-circuités à chaque extrémité par des

anneaux réalisés dans le même matériau. Le circuit magnétique rotorique est traversé par

l’arbre qui repose sur des paliers montés dans les flasques fixés au carter.

Le moteur asynchrone est donc caractérisé par la présence d’un seul bobinage

polyphasé au stator, alimenté par une source extérieure, et d’un bobinage massif en court-

circuit au rotor [11].

12
 Pour établir des relations simples entre les tensions d’alimentation du moteur et ses

courants, il faut s’appuyer sur un certain nombre d’hypothèses :

• parfaite symétrie de construction;

• assimilation de la cage à un bobinage en court-circuit de même nombre de phases

que le bobinage statorique;

• répartition sinusoïdale, le long de l’entrefer, des champs magnétiques de chaque

bobinage ;

• absence de saturation dans le circuit magnétique.

1.3 Modélisation électrique de la machine asynchrone

La machine asynchrone est un système dynamique non linéaire. Par conséquent, sa

commande nécessite la disponibilité d’un modèle représentant fidèlement son

comportement au niveau de ses modes électrique, électromagnétique et mécanique.

La machine asynchrone est de nature triphasée et, à partir des hypothèses mentionnées

auparavant, les équations des circuits électriques font intervenir des inductances propres et

mutuelles permettant de définir les flux en fonction des courants.

Pour un observateur lié au stator, les équations en grandeurs de phase sont :

dφ s ( a ,b , c )
u s ( a , b , c ) = R s i s ( a ,b , c ) + (1.1)
dt

13
Pour un observateur lié au rotor, les équations en grandeurs de phase sont :

dφ r ( a ,b , c )
u r ( a , b , c ) = 0 = R r i r ( a ,b , c ) + (1.2)
dt

Les équations des flux en fonction des courants s’obtiennent à partir des différentes

inductances, dont certaines dépendent du temps par l’intermédiaire de l’angle électrique θ,

position de la phase (a) du rotor par rapport à la phase (a) du stator (figure 1.1).

Figure 1.1 Modélisation de la machine asynchrone dans un repère triphasé

L’introduction du vecteur spatial permet de simplifier grandement le modèle décrit par

les équations (1.1) et (1.2).

14
 La représentation vectorielle d’une grandeur triphasée peut s’exprimer dans différents

référentiels liés à la machine asynchrone. Ces référentiels sont de type biphasé, ce qui

réduit considérablement la complexité du modèle en vue de commande. La structure

symétrique et équilibrée de la machine permet le passage d’une représentation triphasée à

une autre biphasée équivalente (transformations de Park et Concordia). Toutes les

grandeurs électromagnétiques de la machine, statoriques ou rotoriques, sont ramenées à un

seul référentiel.

r
X
βr βs
q

ωs d

ω α (Rotor)
r
θr
θs θ α s (Stator)

Figure 1.2 Transformation de repères

15
 Les deux référentiels les plus utilisés dans la commande de la machine asynchrone sont

[11] :

• le référentiel tournant à la vitesse du champ statorique appelé (d, q) ;

• le référentiel fixe par rapport au stator (αs, βs), par convention appelé (α, β).

Les équations des tensions et des flux du stator et du rotor du modèle vectoriel de la

machine dans un référentiel (d, q) tournant à une vitesse ω s par rapport au stator sont :

r
r r dφ s r
u s = Rs is + + jω s φ s
 dt
 r (1.3.a)
ur = 0r = R ir + dφ r + j (ω − ω )φr
 r r r
dt
s r

r r r
φ s = Ls is + Lm ir
r r r (1.3.b)
φ r = Lr ir + Lm ir

r r
Rs Ls is Lr Rr
ir
r r r
dφ m im dφ r
r r dt dt −
us dφ s dθ r
Lm j r φr
dt dt +
− +

dθ s r
j φs
dt

Figure 1.3 Schéma équivalent dynamique dans un référentiel tournant

16
 Les équations des tensions et des flux du stator et du rotor du modèle vectoriel de la

machine dans un référentiel fixe lié au stator (α, β) sont :

r
r r dφ s
u s = Rs is +
 dt
 r (1.4.a)
ur = 0r = R ir + dφ r − jωφr
 r r r
dt
r

r r r
φ s = Ls is + Lm ir
r r r (1.4.b)
φ r = Lr ir + Lm ir

r r
is ir
r r r
dφ m im dφ r
r r dt +
us dt dθ r
dφ s j φr
dt −
dt

Figure 1.4 Schéma équivalent dynamique dans un référentiel fixe

Les projections des équations du modèle vectoriel dans le référentiel tournant, sur les

deux axes (d, q), permettent d’obtenir les équations de Park de la machine asynchrone :

 dφ sd  dφ rd
u sd = Rs i sd + dt − ω sφ sq u rd = 0 = Rr ird + dt − (ω s − ω )φ rq
  (1.5.a)
u = R i + dφ sq + ω φ u = 0 = R i + dφ rq + (ω − ω )φ
 sq s sq
dt
s sd  rq r rq
dt
s rd

17
 φ sd = Ls i sd + Lm ird φ rd = Lr ird + Lm i sd
  (1.5.b)
φ sq = Ls i sq + Lm i rq φ rq = Lr i rq + Lm i sq

Le changement de repères triphasé/biphasé (a, b, c)→(d, q) peut être réalisé par la

transformation de Park.

  2π   2π   x
cos ρ cos ρ −  cos ρ +   a
X d  2  3   3   
X  =   x (1.6)
 q 3  2π   2π   b 
− sin ρ − sin  ρ −  − sin  ρ −  x 
  3   3   c 

L’angle ρ correspond à la position du repère choisi pour la transformation.

La transformation inverse est donnée par :

 
 cos ρ − sin ρ 
 xa   
x  = 2  2π   2π   X d 
 b cos ρ −  − sin  ρ −    (1.7)
3   3   3  X q 
 xc   
2 2
cos ρ +   
π π
 − sin  ρ − 
  3   3 

avec ρ = θs pour le stator ou ρ = θr pour le rotor.

Les projections des équations du modèle dans le référentiel fixe lié au stator, sur les

deux axes (α, β) du référentiel, permettent d’obtenir les équations de Concordia de la

machine asynchrone :

 dφ s α  dφ r α
u sα = Rs i sα + dt u rα = 0 = Rr i rα + dt + ωφ rβ
  (1.8.a)
u = R i + dφ sβ u = 0 = R i + dφ rβ − ωφ
 sβ s sβ
dt  rβ r rβ
dt
rα

18
 φ sα = Ls isα + Lm irα φrα = Lr irα + Lm isα
  (1.8.b)
φ sβ = Ls isβ + Lm irβ φrβ = Lr irβ + Lm isβ

Le changement de repères triphasé/biphasé (a, b, c)→(α, β) peut être réalisé par la

transformation de Concordia.

 1 1 x 
 1 − −
Xα  2 x 
a
2 2
X  =   (1.9)
 β 3 3 3  b 
0 − x 
 2 2   c 

La transformation inverse est donnée par :

 
 1 0 
 xa 
x  = 2 1 3  X α 
−   (1.10)
 b 3 2 2 X β 
 xc   1 3
− − 
 2 2 

La transformation de Concordia (α, β) peut également être obtenue à partir des

composantes de Park (d, q), et en faisant une rotation de l’angle ρ. Le passage des

composantes de Park à celles de Concordia se fait par :

 X α  cos ρ − sin ρ   X d 
X  =    (1.11)
 β   sin ρ cos ρ   X q 

On définit également la transformation inverse :

 X d   cos ρ sin ρ   X α 
X  =    (1.12)
 q  − sin ρ cos ρ   X β 

Le modèle complet de la machine asynchrone comprend l’équation mécanique donnée par :

dω
Tem − TL = J + f rω (1.13)
dt

19
Le couple électromagnétique est donné par :

r r
T em = p
Lm
Lr
(
Im i s φ r* ) (1.14)

Dans le référentiel tournant (d, q), le couple est défini par :

Lm
Tem = p (φ rd isq − φ rq isd ) (1.15)
Lr

Dans le référentiel fixe (α, β), le couple est défini par :

Lm
Tem = p (φ rα isβ − φ rβ isα ) (1.16)
Lr

1.4 Modélisation en représentation d’état de la machine asynchrone en vue de

commande

La modélisation en représentation d’état en vue de commande est une approche

appréciée par tout automaticien, surtout pour l’étude d’un système multivariable. Le choix

des variables d’état, d’entrées et de sorties du système dépend des objectifs liés à la

commande ou à l’observation. Pour des applications de commande, un choix approprié

pour le vecteur d’état, selon le repère choisi, est le suivant :

x = [i sα ( d ) i sβ ( q ) φ rα ( d ) φ rβ ( q ) ω ]T (1.17)

Le choix des courants statoriques est justifié par le fait qu’ils sont accessibles par

mesure. Les entrées du modèle de la machine sont les deux composantes de la tension
r
statorique u s .

Le modèle d’état de la machine asynchrone est celui d’un système multivariable non

20
linéaire de la forme suivante :

x& (t ) = f (x) + g 1 (x)u(t )

 (1.18)
y (t ) = h(x)

Le vecteur x appartient à l’ensemble Ω = {x ∈ ℜ 5 : φ r2α ( d ) + φ r2β ( q ) ≠ 0}

Les matrices f(x), g1(x) et h(x) sont définies selon le choix du repère.

En disposant de deux entrées indépendantes, deux sorties doivent être choisies afin

d’obtenir un système carré, on peut choisir :

y = [ω φ r2α + φ r2β ]T (1.19)

1.4.1 Modèle d’état dans un référentiel tournant

Dans un référentiel (d, q) tournant à une vitesse ωs, le modèle du moteur asynchrone,

tiré des équations (1.5), (1.13) et (1.15), est défini par le système non linéaire, d’ordre 5,

suivant :

 K 
 − γ i sd + ω s i sq + T φ rd + pK ωφ rq 
 r
  1 
0 
 i sd   − ω s i sd − γ i sq − pK ωφ rd + K φ rq  σL
i   Tr   s 
 sq     0 1 
d L 1 u 
φ rd  =  m i sd − φ rd − (ω s − p ω )φ rq  +  σ L s   sd  (1.20)
dt    T r Tr   0 0   u sq 
φ
   Lm
rq 1   
 ω   T i sq − (ω s − p ω )φ rd − T φ rq   0 0 
 r r   0 0 
 pL m (φ i − φ i ) − f r ω − T L  
 JL r rd sq rq sd
J J 

L 2m Lm 1  L2 
avec σ =1− ; K = ; γ =  R s + R r m2 
Ls Lr σLs Lr σLs  Lr 

21
Le modèle de la machine dans le repère (d, q) est le modèle le plus général pour la

représentation du moteur asynchrone.

1.4.2 Modèle d’état dans un référentiel fixe au stator

Dans un référentiel (α, β) fixe au stator (ωs=0), le modèle du moteur asynchrone, tiré

des équations (1.8), (1.13) et (1.16), est défini par le système non linéaire, d’ordre 5,

suivant :

x& = f ( x ) + g 1 u ( t ) (1.21)

 K 
 − γ i sα + φ r α + pK ωφ rβ 
Tr  1 
  0 
 i sα   K  σL
− γ i sβ − pK ωφ r α + φ rβ
i   Tr   s 
 sβ     0 1 
Lm 1 u 
x = φ r α  ; f ( x ) =  i sα − φ r α − p ωφ r β ; g 1 =  σ L s  ; u =  sα 
   Tr Tr   0 0   u sβ 
 φ r β   Lm 1   
 ω   i s β + p ωφ r α − φ r β   0 0 
Tr Tr  0

pL f T

 0 
 m
(φ rα i sβ − φ rβ i sα ) − r ω − L 
 JL r J J 

1.5 Modélisation en représentation d’état de la machine asynchrone en vue

d’observation

Dans la plupart des applications industrielles de la machine asynchrone, l’information

sur le flux rotorique, nécessaire dans le système d’entraînement de la machine, n’est pas

disponible par mesure; l’observation est une option pour remédier à ce problème. Le

modèle de la machine utilisé pour l’observation peut être simplifié à un modèle linéaire

22
d’ordre 4 en prenant la vitesse, qu’on suppose la connaître par mesure, comme un

paramètre variable. Le vecteur d’état3 est le suivant :

x = [isα isβ φrα φrβ ]T (1.22)

Le modèle d’état est celui d’un système linéaire d’ordre 4 à paramètres variant dans le

temps.

 K 
− γ 0 pK ω ( t ) 
Tr  1 
 i sα   i   0 
K  sα σL
   0 −γ − pK ω (t ) i   s 
d  i sβ   T r   sβ   0 1   u sα 
=  φ  +  (1.23)
dt φ r α   L m 1 σ L s   u sβ 
0 − − p ω ( t )   rα  
 
 φ rβ   0 0 
φ r β   r
T Tr

 Lm 1   0 0 
 0 Tr
p ω (t ) −
T r 


En cas d’une étude de l’observation d’état, les sorties doivent être connues par mesure.

Pour le modèle de la machine, les courants statoriques mesurés sont les éléments du vecteur

de sortie.

y = [i sα i sβ ]T (1.24)

1.6 Modélisation inverse de la machine asynchrone

Le but de l’approche, proposée en [60], est d’exploiter les équations générales de la

représentation biphasée de la machine pour concevoir un modèle inverse de la machine,

qu’on peut utiliser comme modèle de référence dans la commande neuronale prédictive. Ce

3
Le modèle en (d, q) peut être exprimé par le changement de repères (α, β) ↔ (d, q).

23
modèle est exprimé à partir des sorties choisies, qui sont la vitesse rotorique et la norme du

flux rotorique, ainsi qu’un nombre fini de leurs dérivées et de leurs intégrales premières

[32, 60].

 y1 = ω 
y= 2 2  (1.25)
 y 2 = φ rα + φ rβ = φ r 

Le modèle inverse est développé à partir des équations électromécanique et électriques

de la machine.

L’équation électromécanique :

dω rr
J = p Im( φ r i r * ) − f r ω − T L (1.26)
dt
r
où φ r = φ r e jρ .

L’équation électrique du rotor :

r
dφ r r r
− jp ω φ r + R r i r = 0 (1.27)
dt

Le couple produit par le moteur est le suivant :

rr
( )
T em = p Im φ r i r * =
p 2
Rr
φ r (ρ& − p ω ) (1.28)

En remplaçant Tem de (1.28) dans (1.26), l’équation électromécanique devient :

dω p 2
J = φ r ( ρ& − p ω ) − f r ω − T L (1.29)
dt Rr

alors

R
t
 J ω& f rω TL p2 
ρ = r
p ∫0  φ r2 + φ r2 + φ r2 + R r ω d τ (1.30)

24
 En considérant le couple de charge TL nul, pour avoir des relations seulement en

fonction des sorties, le flux rotorique peut être déterminé en fonction des sorties

prédéterminées :

r  R t
 J y& 1 f r y1 p 2  
φ r = y 2 exp  j r ∫0  y 22 y 22 + R r y1 dτ 
 + (1.31)
 p 

À partir de (1.27) et (1.31), le courant rotorique peut être exprimé par :

r
r 1  dφr r 1  Rr  J y&1 f r y1 
ir = −  − jpωφ r  = −  y& 2 + j  +  exp( jρ ) (1.32)
Rr  dt  Rr  p  2y y 2 

À partir de (1.31), (1.32) et l’équation du flux rotorique :

r r r
φ r = Lm is + Lr ir (1.33)

on obtient le courant statorique :

r 1
is = [ y 2 + Tr ( y& 2 + j ( ρ& − py 1 ) y 2 )]exp( jρ ) (1.34)
Lm

À partir de (1.32), (1.34) et le flux statorique :

r r r
φ s = L s is + L m ir (1.35)

Le flux statorique est donné par :

r  Ls Ls Lr − L2m 
φ s =  y2 + ( y& 2 + j( ρ& − py1 ) y2 ) exp( jρ ) (1.36)
 Lm Lm Rr 

Finalement, la tension statorique peut être exprimée par :

r
r r dφs
us = usα + jusβ = Rsis +
dt
(1.37)
R d  L L L − L2  
= s ( y2 + Tr ( y&2 + j(ρ& − py1) y2 ))exp(jρ ) +  s y2 + s r m ( y&2 + j(ρ& − py1) y2 ) exp(jρ )
Lm dt  Lm LmRr  

25
 r
En décomposant la tension u s dans le référentiel (α, β), les expressions suivantes sont

obtenues :

 Rs L
usα =
Lm Lm
(
( y2 cosρ +Tr y& 2 cosρ −Tr y2 (ρ& − py1 ) sin ρ) + s y& 2 cosρ − y2δ& sin ρ + )

 Ls Lr − L2m
 (&y&2 cosρ − y2 (ρ& − py1 )ρ& cosρ − y2 (ρ&& − py&1 ) sin ρ − y& 2 ρ& sinρ − y& 2 (ρ& − py1 ) sinρ )
 Lm Rr (1.38)

u R L
= s ( y2 sin ρ +Tr y& 2 sin ρ + Tr y2 (ρ& − py1 ) cosρ ) + s ( y& 2 sin ρ + y2 ρ& cosρ ) +
 sβ Lm Lm

 Ls Lr − L2m
 (&y&2 sin ρ − y2 (ρ& − py1 )ρ& sin ρ + y2 (ρ&& − py&1 ) cosρ + y& 2 ρ& cosρ + y& 2 (ρ& − py1 ) cosρ)
 Lm Rr

Les variables d’état, ainsi que la tension d’entrée du stator du moteur, sont

complètement exprimées dans la formulation désirée. Il est ainsi possible de calculer

numériquement une commande de référence en boucle ouverte à partir de trajectoires

planifiées du vecteur de sortie (y1, y2) et leurs dérivées continues. Cependant, le manque

d’un retour de sortie pour la correction nécessite d’avoir une stratégie de stabilisation

autour des trajectoires [64]. En revanche, ce modèle de référence peut être utilisé dans la

commande prédictive neuronale, développée dans le cadre de notre travail pour

l’entraînement de la machine, afin d’améliorer l’optimisation de la fonction de coût.

La modélisation de la machine sous forme de représentation d’état, ainsi que la

modélisation inverse font apparaître les variables d’état nécessaires aux objectifs de

commande ou d’observation. Cependant, dans une application réelle, il serait essentiel de

prendre en considération les équations de l’onduleur, qui est un système à commutation, et

de les faire intervenir dans la mise au point du modèle de la machine. D’un point de vue

26
automatique, l’absence des équations de l’onduleur dans le modèle n’affecte pas l’étude de

la commande et l’observation, mais dans une implantation temps réel, il faut vérifier

l’influence de l’onduleur sur le comportement global du système d’entraînement.

1.7 Modélisation de l’alimentation avec onduleur à MLI

La figure 1.5 présente un schéma d’alimentation pour le moteur asynchrone avec un

onduleur de tension alimenté à partir d’un réseau triphasé.

Figure 1.5 Schéma de l’onduleur de tension alimenté à partir du réseau triphasé

Le filtre L-C, associé au pont redresseur à diodes constitue une source de tension non

réversible en courant. L'énergie ne peut donc transiter de la machine asynchrone au réseau.

L'ensemble de transistors constitue l'onduleur triphasé à modulation de largeur d'impulsion

(MLI), qui impose la fréquence du champ tournant et l'amplitude du courant dans la

machine. Le moteur, inductif par nature, lisse le courant. Ce dernier est pratiquement

sinusoïdal.

27
 La technique de commande MLI permet de définir les instants de commande des

interrupteurs. Deux types de MLI sont présentés dans le cadre de ce travail. Pour plus de

détails sur le calcul, le lecteur est invité à se reporter par exemple à la référence [11].

1.7.1 MLI sinus-triangle

Une onde modulatrice sinusoïdale u, de fréquence fu est comparée à une onde

triangulaire v de fréquence fv. La sortie du comparateur permet, par l’intermédiaire de

transistors de puissance, le pilotage d’une phase de la machine. Les autres phases sont

pilotées par des ensembles identiques, déphasés de 120°.

Figure 1.6 Allure des courants et tensions

28
1.7.2 MLI vectorielle

Un onduleur triphasé à deux niveaux de tension possède six cellules de commutation,

donnant huit configurations possibles. Ces huit états de commutation peuvent s’exprimer
r r
dans le plan (α, β) par huit vecteurs de tension notés de V0 à V7 ; parmi ces vecteurs, deux

sont nuls, les autres étant répartis régulièrement à tous les 60o. Le principe de MLI
r
vectorielle consiste à projeter le vecteur Vs de tension statorique désiré sur les deux

vecteurs de tension adjacents correspondant à deux états de commutation de l’onduleur. Les

valeurs de ces projections, assurant le calcul des temps de commutations désirées,

correspondent à deux états non nuls de commutation de l’onduleur. Si nous notons ti et ti+1

ces deux temps, leur somme doit être inférieure à la période Tcom de commutation de

l’onduleur. Pour maintenir la fréquence de commutation constante, un état nul de

l’onduleur est appliqué durant une durée complémentaire à Tcom.

β
r 2 r
V3 V2

010 110
t2 r
3 Tcom
V2
r 1r
r Vs
V4 ρ V1
t1 r α
011 V1 100
Tcom
4 6
Vecteur tension nul
r r
V0 V7 r r
V5 V6
000 111
001
5 101

Figure 1.7 Principe de MLI vectorielle

29
1.8 Observation d’état

Les algorithmes de certaines lois de commande, en particulier la commande non

linéaire prédictive, nécessitent la connaissance des états du système. Dans des applications

industrielles de machines asynchrones, les grandeurs d’état ou de sortie utilisées pour

l’élaboration de la commande des machines électriques sont souvent difficilement

accessibles pour des raisons techniques (flux, …) ou pour des problèmes de coût (vitesse,

position …). Il faut donc les déterminer sans utiliser de capteurs dédiés. En général, le flux

rotorique est la grandeur la plus difficile à mesurer, et dans presque tous les systèmes

d’entraînement de la machine, elle est évaluée par observation.

Cette thèse n’a pas comme objectif l’observation des grandeurs d’état. Cependant, dans

le cadre d’une application de commande avec une observation d’état, il est nécessaire de

prendre en considération les problèmes de couplage (commande, observateur). Pour

reconstruire les états manquants (flux rotorique), de nombreuses méthodes d’estimation

sont possibles, néanmoins des observateurs prenant en compte explicitement les erreurs

d’observation sont performants et améliorent notablement les résultats [12, 19, 39].

L’observateur présenté en [12] est utilisé pour reconstruire les états inconnus φˆrα et φˆrβ

et fournir des estimées des courants iˆsα et iˆsβ . Le choix de cet observateur est pris seulement

pour l’étude de la stabilité globale du système complet. Par contre, cette étude peut être

généralisée avec d’autres observateurs plus performants comme le filtre de Kalman.

30
 L’observateur est défini par :

 K 
− γ 0 pK ω 
Tr  1 
   σL 0 
 0 K 
−γ − pK ω  s 
 Tr   0 1 
x&ˆ =   xˆ + u
L 1  σLs 
 m 0 − − pω   0
 Tr Tr  0 
 
 Lm 1   0 0 
 0 Tr
pω −
T r 
(1.39)

 k1 0 
 0 k 1   f ia 
 ~
k  is α   f ib 
+ 2 
− pω k 2  ~  +  
 Tr   is β   0 
  
k2   
 pω k 2   0 
 T r 

Les termes fia et fib sont des termes supplémentaires ajoutés pour permettre d’établir la

stabilité globale du système complet (procédé + observateur + commande).

Les erreurs d’estimation sur les états sont définies par :

~ ~
isα = i sα − iˆsα φ rα = φ rα − φˆrα
~ ~ (1.40)
isβ = i sβ − iˆsβ φ rβ = φ rβ − φˆrβ

Les équations d’erreurs s’écrivent par différence avec les équations du modèle et ont

pour expression :

 K 
 − γ − k1 0 pK ω 
Tr
 
 K   f ia 
0 − γ − k1 − pK ω  
~  Tr  ~  f ib 
x& =  x -  0  (1.41)
L k 1
 m − 2 pω k 2 − − pω   
 Tr Tr Tr  0 
 Lm k 2 1 
 − pωk 2 −
Tr Tr
pω −
Tr 


31
 La fonction de Lyapunov candidate V1 (γ2 > 0) définie par :
~2 ~2 ~ ~
isα + isβ φ rα2 + φ rβ2
V1 = + (1.42)
2 2γ 2

a pour dérivée :

~ ~ 1 ~2 ~2  K L k ~ ~ ~ ~
V&1 = −(γ + k1 )[ isα2 + isβ2 ] − [φ rα + φ rβ ] +  + m − 2 [ isα φ rα + isβ φ rβ ]
Tr γ 2  Tr Tr γ 2 Tr γ 2 
(1.43)
 k ~ ~ ~ ~ ~ ~
+ pω  K − 2 [ isα φ rφ − isβ φ rα ] − [ f ia isα + f ib isβ ]
 γ2 

Le choix k2=Kγ2 permet d’obtenir :

~ ~ 1 ~ 2 ~ 2  Lm ~ ~ ~ ~ ~ ~
V&1 = −(γ + k1 )[ isα2 + isβ2 ] − [φ rα + φ rβ ] +  [ isα φ rα + isβ φ rβ ] − [ f ia isα + f ib isβ ] (1.44)
Tr γ 2  Tr γ 2 

Lorsque les termes fia et fib sont nuls, la condition suffisante de stabilité et de convergence

exponentielle est :

 L2m 
k1 >  − γ  (1.45)
 Tr γ 2 

En présence des termes fia et fib, la négativité de la dérivée de la fonction V1 n’est pas

garantie pour toutes les valeurs de l’état. La fonction V1 n’est donc pas une fonction de

Lyapunov. L’utilité de ces termes sera établie plus loin afin de garantir la stabilité globale

du système complet (procédé + commande + observateur) pour la structure de commande

non linéaire prédictive (chapitre 4).

32
1.9 Conclusion

Dans ce chapitre, différentes approches de modélisation de la machine asynchrone ont

été présentées brièvement, l’accent étant mis sur les modèles biphasés représentés dans des

repères tournant et fixe. Le choix de cette représentation permet de modéliser la machine

sous forme d’un modèle d’état qu’on peut utiliser pour la commande et l’observation. En

plus, un modèle inverse de la machine est présenté, où les états et les entrées du modèle de

la machine peuvent être définis en fonctions de ses sorties. Ce modèle peut être utilisé dans

des applications de commande telle que la stratégie de commande prédictive neuronale.

Le modèle d’état choisi dans ce travail pour décrire le moteur asynchrone est celui d’un

système non linéaire multivariable avec comme entrées les tensions statoriques. Le choix

des sorties est lié à la nature de l’étude effectuée sur la machine. Dans le cas de la

commande d’un système multivariable carré, les sorties sont la vitesse rotorique et la norme

du flux rotorique. Pour l’observation d’état, les sorties doivent être connues par mesure,

alors les courants statoriques sont pris comme sorties. Une synthèse d’observateur d’état est

présentée afin d’étudier le couplage de l’observateur d’état avec le contrôleur.

33
 CHAPITRE II

DIFFÉRENTES STRATÉGIES DE COMMANDE

POUR LA MACHINE ASYNCHRONE

34
 CHAPITRE II

DIFFÉRENTES STRATÉGIES DE COMMANDE POUR LA MACHINE

ASYNCHRONE

2.1 Introduction

Dans ce chapitre sont présentées quelques stratégies de commande pour le moteur

asynchrone. Une commande vectorielle en champ orienté est discutée dans un repère

tournant (d, q), ainsi que les limites associées, justifiant le choix d’une commande non

linéaire. De même, deux autres lois de commande sont discutées, une commande de

linéarisation entrée-sortie par bouclage en utilisant les outils mathématiques de la géométrie

différentielle et la commande directe de couple basée sur la détermination directe de la

séquence de commande. Le choix de ces lois de commande est motivé par le fait qu’elles

font intervenir les concepts de linéarité et de non-linéarité et elles sont des méthodes

validées industriellement, d’où l’intérêt de les aborder.

Les lois de commande par orientation de flux et par linéarisation entrée-sortie sont

simulées numériquement pour comparer leur performance avec celle de la commande non

linéaire prédictive qui est le sujet de notre travail de recherche.

35
2.2 Commande vectorielle

La commande par orientation de flux (FOC4), proposée par Blaschke en 1972 [5], est

une technique de commande classique pour l’entraînement des machines asynchrones.

L’idée fondamentale de cette méthode de commande est de ramener le comportement de la

machine asynchrone à celui d’une machine à courant continu. Cette méthode se base sur la

transformation des variables électriques de la machine vers un référentiel qui tourne avec le

vecteur du flux. Par conséquent, ceci permet de contrôler le flux de la machine avec la

composante isd du courant statorique qui est l’équivalent du courant inducteur de la machine

à courant continu. Tandis que, la composante isq permet de contrôler le couple

électromagnétique correspondant au courant induit de la machine à courant continu [11,

39].

Les dynamiques de composantes du courant statorique, flux rotorique et vitesse dans un

référentiel tournant (d, q), sont données dans le modèle d’état (1.20) de la machine.

Les grandeurs à contrôler sont le couple électromagnétique Tem et le module du flux

rotorique φ r et s’expriment par :

 Lm
Tem = p L (isqφ rd − isd φ rq )
 r (2.1)
φ = φ 2 + φ 2
 r rd rq

Pour une approche linéaire classique, la difficulté réside dans la non-linéarité en la

sortie. La commande vectorielle contourne cette difficulté par l’hypothèse d’orientation du

référentiel sur le flux rotorique, c’est-à-dire :

4
Acronyme de Field Oriented Control en anglais.

36
 φ rq = 0 ⇒ φ&rq = 0
 (2.2)
φ r = φ rd ⇒ φ&r = φ&rd

Les équations du modèle d’état (1.20) deviennent :

d K 1
 dt i sd = − γ i sd + ω s i sq + T φ rd + σ L u sd
 r s

d 1
 i sq = − γ i sq − ω s i sd − pK ωφ rd + u sq
 dt σ L s
d Lm 1
 φr = i sd − φr (2.3)
 dt Tr Tr
 Lm
0 = i sq − (ω s − ω )φ r
 Tr
d L f T
 ω = p m φ r i sq − r ω − L
 dt JL r J J

À partir de ces relations, les sorties sont obtenues par découplage comme suit :

Lm
Tem = p φ r i sq (2.4)
Lr

d 1 L
 + φ r = m i sd (2.5)
 dt Tr  Tr

Lm i sq
ωs = ω + (2.6)
Tr φ r

37
 Les relations (2.4) et (2.5) permettent le contrôle du flux rotorique et celui du couple

électromagnétique à partir des grandeurs des courants statoriques isd et isq respectivement.

Le contrôle de vitesse peut être réalisé par un contrôleur PI à partir de l’équation

électromécanique du système. Les composantes de la commande usa*, usb* et usc* peuvent

être déterminées par une structure de contrôleur de courant à base d’hystérésis (figure 2.1).

Pour une alimentation par un onduleur de tension, les composantes de la tension

statorique peuvent être déterminées à partir des deux premières équations du modèle (2.3).

Selon la façon d’évaluer la position du flux rotorique, il existe deux variantes de la

commande vectorielle. Dans le cas d’une commande directe, l’angle θs est mesuré ou

estimé. Dans le cas d’une commande indirecte, cet angle est calculé à partir de l’expression

de la vitesse de glissement (2.6) où θ&s = ω s .

ω ref * isa
VDC
+ Tem * usa*
Lr /( pLmφˆrd ) isq + isa*
− dq
− isb* usb*
ω φ rd* + isd* + isc
isc* usc*
− −
abc
θs
is, αβ abc is, abc
φˆrd Estimateur
us, αβ us, abc
flux
αβ

MAS
IM
IM

Figure 2.1 Schéma bloc de la commande vectorielle pour un moteur asynchrone

38
 Le schéma de commande du moteur asynchrone par orientation de flux permet un

découplage entre le contrôle du couple et celui du flux. Cependant, il présente des limites

dont certaines remettent en cause ce découplage. La pulsation angulaire ωs, est très sensible

au biais de la mesure de la vitesse ω. Par conséquent, une mauvaise information sur ω peut

nuire à la détermination de la position du flux dans la commande indirecte. En plus, un

autre point faible de cette commande est sa faible robustesse vis-à-vis des variations

paramétriques, et en particulier la variation de la constante de temps rotorique Tr, c’est-à-

dire de Rr, qui intervient, d’après l’équation (2.6), sur la définition de ωs. La mesure de ω et

l’estimation de Tr apparaissent comme des problèmes majeurs de la commande par

orientation de flux. Ces points apparaissent comme des difficultés liées à la modélisation en

(d, q). Par ailleurs, elles pourraient être possiblement éliminées par la conception d’une

commande par orientation de flux dans le référentiel (α, β). Cependant, l’évolution des

variables d’état dans ce référentiel étant sinusoïdale, la mise en œuvre d’une telle

commande impose à la boucle de régulation d’avoir une bande passante suffisante [11].

Une approche non linéaire, ne faisant a priori aucune hypothèse d’orientation de flux, se

présente comme une alternative intéressante.

2. 3 Commande par linéarisation entrée-sortie

Le but de cette section est de rappeler le principe de la commande du moteur

asynchrone par linéarisation entrée-sortie (E/S). Cette méthode généralise les commandes

de type vectoriel en assurant le découplage et la linéarisation des relations entre les entrées

et les sorties. Supposant que la totalité du vecteur d’état est mesurable, il est ainsi possible

39
de concevoir un retour d’état non linéaire qui assure la stabilité du système bouclé.

Plusieurs travaux [7, 9, 20-23, 52, 66, 67] ont démontré que cette technique de commande

non linéaire a fait apparaître des propriétés intéressantes quant au découplage couple/flux,

au temps de réponse en couple, et à la robustesse paramétrique. Cette structure de

commande apparaît ainsi comme une alternative intéressante à la commande par orientation

du flux. L’objectif de notre travail est un contrôle multivariable avec la vitesse et le flux

comme sorties. Par conséquent, la commande par linéarisation entrée-sortie est détaillée

pour ses sorties dans la suite de ce paragraphe.

Le modèle d’état de la machine asynchrone (1.25), dans un référentiel fixe lié au stator

(α, β), est une représentation non linéaire de la forme :

x& = f ( x ) + g 1 u ( t ) (2.7)

où

x = [isα isβ φrα φrβ ω]T , u = [usα usβ ]T

Le vecteur d’état x appartient à l’ensemble.

Ω = { x ∈ ℜ 5 : φ r2α + φ r2β ≠ 0} (2.8)

 K 
 − γi sα + φ r α + pK ωφ r β 
Tr
 
 K 
− γ i sβ + φ r β − pK ωφ rα  1 
T
 Tr  0 0 0 0
 Lm 1  σL
f(x) =  i sα − φ rα − p ωφ r β g
 1 = [g11 g12 ] =  s
1
 (2.9)
 Tr Tr   0 0 0 0
 Lm 1   σLs 
 i sβ − φ r β + p ωφ r α 
 Tr Tr 
 pL m 1
 JL r
(φ rα i sβ − φ rβ i sα ) − ( f r ω + T L )
J 

40
 Le système à contrôler, par une loi de commande par linéarisation, doit être de type

carré. Par conséquent, on peut choisir la vitesse rotorique et la norme du flux rotorique au

carré comme sorties du procédé. Le choix de la norme au carré est dû au fait que cette

forme permet de simplifier le calcul différentiel. Elles sont exprimées sous forme

vectorielle par :

y   y 1 = h1 ( x ) = ω
y = h ( x) =  1  avec  2 2 2 (2.10)
 y2   y 2 = h 2 ( x ) = φ rα + φ rβ = φ r

Les fonctions f, g et h sont analytiques.

La méthode de linéarisation par entrée-sortie est développée à partir de théories de la

géométrie différentielle. Elle consiste à utiliser les dérivées de Lie pour exprimer le modèle

de la machine en relation entrée-sortie.

Définition 1: (Dérivée de Lie) La dérivée directionnelle de h(x) suivant le champ du

vecteur f(x) est définie comme suit :

n ∂h j
Lf h j (x ) = ∑i =1 ∂ xi
fi (x ) (2.11)

Par itération, on a la relation suivante :

L if h j = L f ( L if− 1 h j ) (2.12)

La dérivation des sorties yj du système par rapport au temps s’exprime alors par la

relation suivante :

p
y& j = L f h j + ∑ (Li =1
gi h j )u i (2.13)

p : nombre des sorties.

41
Définition 2: (Degré relatif) On appelle vecteur de degré relatif du système non linéaire

affine en commande (2.7), le vecteur (r1 … rp) vérifiant l’existence d’au moins une dérivée

telle que :

r −1
L g i Lf j h j ( x ) ≠ 0 (2.14)

L’élément rj correspond à la première dérivée de yj faisant apparaître explicitement la

commande u dans l’expression :

p
= L h j + ∑ ( Lgi Lfj h j )ui
( rj ) rj r −1
y j f (2.15)
i =1

En appliquant la procédure dans le cas du moteur asynchrone, il est facile de vérifier

que les commandes apparaissent pour la première fois dans les dérivées secondes &y&1 et &y&2 .

 y& 1 = L f h 1
 y& 2 = L f h 2

 (2.16)
&y& 1 = L 2f h 1 + L L f h1u + L L f h1u
 g 11 sα g 12 sβ

 &y& 2 = L 2f h 2 + L L f h2u + L L f h2u

 g 11 sα g 12 sβ

Le calcul des dérivées de Lie est détaillé dans l’annexe 1.

On obtient ainsi :

 &y&1   L 2f h 1   L g 11 L f h 1 L g 12 L f h 1   u s α 
 &y&  =  2  +  L L h (2.17)
 2  L f h 2   g 11 f 2 L g 12 L f h 2   u s β 

C’est-à-dire une expression de la forme :

 &y&1  vα 
 &y&  = v  = B(x) + A(x)u (2.18)
 2  β 

42
A(x) est la matrice de découplage.

2 pL 2m
det[ A ( x )] = − 2
(φ r2α + φ r2β ) (2.19)
σ JL s L r Tr

On peut vérifier que la matrice de découplage n’est pas singulière sauf au point de départ,

ce qui peut être évité en choisissant des conditions initiales non nulles dans l’observation du

flux.

Le système possède un vecteur de degré relatif (2, 2), alors le retour d’état défini par :

u = A −1 (x)(V − B(x) ) (2.20)

découple et linéarise le système.

Par conséquent, le système en boucle fermée est équivalent à deux chaînes de deux

intégrateurs indépendants :

 &y&1   vα 
 &y&  =  v  (2.21)
 2  β 

Le vecteur V = [vα vβ ]T représente une consigne externe du système linéarisé.

2 T
Soit y r = [ωref φref ] une trajectoire de référence, V peut être calculé de la manière

suivante :

 vα = − k a1 (ω − ω ref ) − k a 2 (ω& − ω& ref ) + ω&&ref

 (2.22)
( 2 2
) ( 2 2
) 2
 v β = − k b1 φ r − φ ref − k b 2 φ&r − φ&ref + φ&&ref

43
 Ce choix conduit à la dynamique

 &e&1 + k a 2 e&1 + k a 1 e 1 = 0
 (2.23)
 &e&2 + k b 2 e& 2 + k b 1 e 2 = 0

2 2
sur les erreurs de poursuite e1 = ω − ω ref ; e2 = φr − φref . Si les kai et kbi sont

respectivement les coefficients des polynômes de Hurwitz, la convergence des erreurs de

poursuite est garantie.

En conclusion, la stratégie de commande par linéarisation entrée/sortie (figure 2.2) se

ramène à la linéarisation du système en chaînes d’intégrateurs découplées, suivie d’un

placement de pôles.

ω ref + Contrôleur de vα V DC
− vitesse usα* usa*
+ αβ
V usb*
A-1(x) usβ*
φ r2 − u *
ref + Contrôleur de vβ abc sc
− flux
B(x)
x is, αβ abc is, abc
φr2 Vecteur us, αβ us, abc
ω d’état αβ

ω
MAS
IM
IM

Figure 2.2 Schéma bloc de la commande par linéarisation E/S pour un moteur asynchrone

44
2. 4 Commande directe de couple

La commande directe de couple d’une machine asynchrone, proposée par Takahashi et

Noguichi en 1986 [91], est basée sur la détermination directe de la séquence de commande

appliquée aux interrupteurs de l’onduleur de tension, qui permet de sélectionner le vecteur

spatial de la tension statorique.

Le flux statorique peut être obtenu par l’équation suivante :

r t
r r
φ s (t ) = ∫ (u s (t ) − Rs is (t ) )dt (2.24)
0

Le couple électromagnétique est calculé à partir de l’équation :

rr
( )
Tem = p Im isφ s* (2.25)

La commande du flux statorique et du couple est réalisée à partir de deux contrôleurs à

bande d’hystérésis respectivement à deux (+1, -1) et à trois (+1, 0, -1) niveaux. L’erreur

entre le flux de référence et le flux estimé est injectée dans le contrôleur hystérésis à deux

niveaux qui génère à sa sortie la variable uφ*s . L’erreur entre le couple de référence et le

couple estimé est injectée dans le double contrôleur hystérésis à trois niveaux qui génère à

sa sortie la variable uT*em .

uφ*s = 1 → augmenter le flux; uφ*s = −1 → réduire le flux.

uT*em =1 → augmenter le couple; uT*em = −1 → réduire le couple; uT*em = 0 → maintenir le couple.

Le secteur angulaire (figure 2.3) dans lequel se trouve le flux statorique est choisi à

partir de l’angle :

θ s = arctan (φ sβ / φ sα ) (2.26)

45
 r r
V3 V2
010 110

π/6
r S3 S2
r
V4 V1
S4 S1
011 100

r r
V0 = V7 = 0 S5 S6 - π/6
r r
000 111 V5 V6
001 101

Figure 2.3 Représentation des secteurs

En utilisant les variables uφ*s , uT*em et le secteur angulaire, un choix de l’état de l’onduleur

r r
Les vecteurs ( V0 à V7 ) peuvent être effectués selon le tableau de localisation (2.1).

u φ* s u T*em S1 S2 S3 S4 S5 S6

+1 V2 V3 V4 V5 V6 V1
0 V1 V2 V3 V4 V5 V6
+1
-1 V6 V1 V2 V3 V4 V5
+1 V3 V4 V5 V6 V1 V2
0 V4 V5 V6 V1 V2 V3
-1
-1 V5 V6 V1 V2 V3 V4

Tableau 2.1 Tableau de localisation pour le contrôle du couple et du flux

Le contrôle de vitesse peut être réalisée par un contrôleur PI. La figure (2.4) représente

le schéma bloc de la commande directe de couple.

Ce type de commande se démarque dans son approche de ce qui avait été fait

auparavant et constitue une avancée méthodologique dans la commande des machines.

Cependant, cette commande conduit à des oscillations de couple.

46
ω ref + *
Tem + uT*em
usa* VDC
− h
Tem Table de usb*
−
ω φ s* + uφ*s sélection usc*

− 2h
φs θs is, abc
Estimation de
us, abc
Tem et φ s

MAS
IM
IM
Figure 2.4 Schéma bloc de la commande directe de couple

2.5 Résultats de simulation

Les lois de commande FOC et par linéarisation entrée-sortie, représentées

graphiquement sur les figures 2.1 et 2.2, ont été implantées numériquement sur

Simulink/Matlab. Le choix de ces algorithmes de commande est motivé par le fait qu’ils

sont développés à partir des équations de la machine comme celui de la commande non

linéaire prédictive. Les simulations permettent de comparer entre ces stratégies de

commande et celle prédictive. Dans la stratégie de la commande FOC, la résistance

rotorique est le paramètre le plus influent. Par conséquent, un test de variation de ce

paramètre est réalisé. Dans le cas de la commande par linéarisation entrée-sortie, le modèle

de la machine rentre dans le calcul du contrôleur. Alors, la robustesse de cette loi de

commande est testée pour voir l’influence des variations paramétriques de la machine. La

référence de vitesse est filtrée par un filtre de deuxième ordre. Le flux rotorique est estimé

par un observateur d’état. Un couple de charge arbitraire est appliqué au système comme

perturbation. Le pas d’échantillonnage pour l’exécution du modèle de la machine

asynchrone est Ts=1 µs.

47
2.5.1 Commande vectorielle

Les paramètres des contrôleurs sont comme suit : pour le contrôleur de vitesse Ts=10-4 s,

Kp=1.889, Ki=28.47, et celui de flux Ts=10-4 s, Kp=43.89, Ki=1796. Les résultats de

simulation sont présentés aux figures 2.5 et 2.6 pour les réponses de vitesse et de flux

rotorique respectivement ainsi que les erreurs entre la sortie et la référence.

Figure 2.5 Vitesse rotorique et erreur de vitesse du système piloté par une commande FOC

48
 Figure 2.6 Norme du flux rotorique et erreur de flux du système piloté par une commande FOC

Pour tester l’effet de la résistance rotorique sur la commande par orientation de flux, une

variation de celle-ci (figure 2.7) est injectée dans le modèle du moteur, tandis que sa valeur

nominale est utilisée dans le calcul du contrôleur. La figure 2.8 présente le couple de

charge appliqué à la machine.

Les figures (2.9) et (2.10) présentent les réponses du système contrôlé les réponses de

vitesse et de flux rotorique respectivement ainsi que les erreurs entre la sortie et la

référence.

49
Figure 2.7 Variations des paramètres de la machine

Figure 2.8 Couple de charge appliqué à la machine

50
 Figure 2.9 Vitesse rotorique et erreur de vitesse du système piloté par une FOC
(avec variations de Rr)

Figure 2.10 Norme du flux rotorique et erreur de flux du système piloté par une commande FOC
(avec variations de Rr)

51
 Les résultats obtenus montrent que les performances de poursuites de vitesse et de flux

sont satisfaisantes. L’erreur de vitesse tend à revenir vers une valeur proche de zéro après

chaque changement du couple de charge. La norme du flux rotorique est proche de la

référence et l’erreur de flux est due à l’influence de l’erreur de la vitesse sur le comportement

de l’observateur d’état. Cependant, on voit bien l’influence de la variation de la résistance

rotorique sur le comportement du système contrôlé.

2.5.2 Commande par linéarisation entrée-sortie

Les paramètres des contrôleurs sont comme suit: pour le contrôleur de vitesse : Ts=10-4 s,

Ka1=105, Ka2=1000, et pour le contrôleur de flux : Ts=10-4 s, Kb1=105, Kb2=1000. Les

résultats de simulation sont présentés aux figures 2.11, 2.12, 2.13 et 2.14 pour les réponses

de vitesse, flux rotorique, courant et tension statoriques respectivement.

Figure 2.11 Vitesse rotorique et erreur de vitesse du système piloté par une CL E/S

52
Figure 2.12 Norme du flux rotorique et erreur de flux du système piloté par une CL E/S

Figure 2.13 Composantes (α, β) de la tension statorique (CL E/S)

53
 Figure 2.14 Composantes (α, β) du courant statorique (CL E/S)

Pour le test de robustesse aux variations paramétriques. Ces dernières sont introduites au

modèle de la machine, tandis que les valeurs nominales de ces paramètres sont utilisées dans

le calcul des contrôleurs

Figure 2.15 Norme du flux rotorique et erreur de flux du système pilotée par une CL E/S
(avec variations paramétriques)

54
 Figure 2.16 Norme de flux rotorique et erreur de flux du système piloté par une CL E/S
(avec variations paramétriques)

Les résultats obtenus montrent que les performances de poursuites de vitesse et de flux

sont satisfaisantes. L’erreur de vitesse, qui a la même forme que la vitesse en inverse, tend à

revenir vers une valeur non nulle après chaque changement du couple de charge. La norme du

flux rotorique est proche de la référence et l’erreur est due à l’influence de l’erreur de la

vitesse sur le comportement de l’observateur d’état. Dans le cas des variations de paramètres,

la performance est détériorée mais elle reste acceptable. Il faut mentionner que le couple de

charge, qui est considéré comme perturbation dans le modèle de la machine, est appliqué

directement au contrôleur. Dans le cas où il est inconnu, il doit faire l’objet d’une estimation.

Les tensions et courants statoriques obtenus de cette loi de commande sont bornés, ce qui

satisfait la condition de limite de saturation.

55
2.6 Conclusion

Dans ce chapitre, quelques lois de commande du moteur asynchrone ont été présentées.

La commande vectorielle (ou à flux orienté), qui est considérée comme une référence, la

commande par linéarisation entrée/sortie, et la commande directe de couple. Le choix de

deux premières méthodes tient au fait qu’elles font appel à des outils de l’automatique

avancée non linéaire. Par conséquent, elles sont considérées comme des commandes de

référence pour la comparaison avec la commande non linéaire prédictive traitée dans le

cadre de ce travail. La performance de ces lois de commande est satisfaisante, avec une

détérioration dans le cas des variations paramétriques de la machine. Le couple de charge,

qui est une perturbation inconnue dans la plupart des applications industrielles, est injecté

directement dans les lois de commande, car ces valeurs sont connues par supposition. Dans

le cas inverse, le recours à l’estimation de perturbation est approprié pour garantir le rejet

de perturbations inconnues.

La commande à vitesse variable des entraînements électriques a bénéficié d’avancées

méthodologiques et technologiques significatives. En effet, les progrès de l’électronique

numérique et les développements des composants de puissance permettent la mise en œuvre

des algorithmes de contrôle avancés, tels que, par exemple, la commande prédictive et

l’intelligence artificielle, qui est l’objet de notre travail de recherche. Afin d’améliorer les

performances de poursuite de trajectoires et contourner les lacunes des méthodes

classiques, les chapitres suivants sont dédiés à l’élaboration de deux types de commande

prédictive non linéaire.

56
 CHAPITRE III

COMMANDE PRÉDICTIVE NEURONALE

57
 CHAPITRE III

COMMANDE PRÉDICTIVE NEURONALE

3. 1 Introduction

Le principe de base d’une loi de commande prédictive est présenté dans la figure 3.1.

Un modèle sert à prédire les futures sorties du système, grâce aux valeurs courantes et

passées de la commande et aux commandes optimales futures. Ces dernières sont calculées

par une méthode d’optimisation, qui prend en compte une fonction de coût, laquelle dépend

aussi des consignes futures, et éventuellement des contraintes.

Le modèle du système joue un rôle central dans la commande. Le modèle choisi doit

être capable de rendre compte de la dynamique du processus pour prédire précisément les

sorties futures et doit aussi être simple à implanter et à comprendre. Tous les algorithmes de

commande prédictive ne diffèrent entre eux que par le modèle utilisé pour représenter le

procédé et par la fonction de coût à minimiser.

L’objectif de ce chapitre est de développer une stratégie de commande prédictive non

linéaire multivariable, de type neuronal, pour des applications de contrôle de la machine

asynchrone. Elle est à base de réseaux de neurones, où le modèle de prédiction est estimé

par un réseau de neurones, dans le but de décrire le comportement de la machine par un

58
modèle non linéaire à régression. La modélisation neuronale est choisie pour contourner les

variations paramétriques du modèle mathématique du moteur. En premier lieu, le réseau de

neurones est entraîné hors ligne, c'est-à-dire les éléments du réseau sont pris à la fin de

l’application de toutes les données des couples d’apprentissage, pour avoir un réseau fixe.

Ensuite, l’entraînement de celui-ci se fait en ligne pour avoir une adaptation du modèle

neuronal à chaque instant de temps. Ce type d’entraînement permet de concevoir une

commande adaptative. La fonction de coût de la commande prédictive est optimisée en

ligne à chaque itération. Pour rendre la convergence de l’optimisation rapide, un modèle de

commande de référence, calculé en boucle ouverte (voir chapitre 2), est intégré à la

fonction de coût. Cette stratégie de commande est appelée commande non linéaire

prédictive neuronale avec modèle de référence [29, 51].

Passé Futur

u(k+j/k)
u(k)

Référencee

y(k)

k-1 k k+1 k+j k+N

Figure 3. 1 Stratégie de la commande prédictive. La séquence des commandes optimales futures

u(k+j/k) est calculée sur un horizon de taille N

59
3.2 Réseaux de neurones artificiels

Les réseaux de neurones forment une famille de fonctions non linéaires, permettant de

construire, par apprentissage, une très large classe de modèles et de contrôleurs. Un réseau

de neurones est un système d’opérateurs non linéaires interconnectés, recevant des signaux

de l’extérieur par ses entrées, et délivrant des signaux de sortie, qui sont en fait les activités

de certains neurones [44]. Pour les applications considérées dans cette thèse (modélisation

et commande à temps discret de processus), ces signaux d’entrée et de sortie sont constitués

de suites numériques. Un réseau de neurones est donc considéré comme un filtre non

linéaire à temps discret.

Un réseau de neurones, à propagation avant, multicouche et entièrement connecté, avec

seulement une couche cachée est le plus souvent utilisé dans les applications de commande

de systèmes non linéaires, à cause de sa fiabilité et de la possibilité de déterminer ses

équations pour les utiliser à des fins de commande [10, 89, 90].

Σ f(.)

Σ f(.)
Σ f(.)
Entrées

Sorties

Σ f(.)

Σ f(.)
Couche d’entrée Couche de sortie

Couche cachée

Figure 3.2 Structure d’un réseau de neurones multicouches à propagation avant

60
3.2.1 Modélisation d’un système dynamique non linéaire par réseaux de neurones

L’objectif de l’utilisation d’un réseau de neurones artificiels, pour modéliser un système

non linéaire, est de construire un modèle mathématique qui peut être utilisé dans la

conception d’un prédicteur non linéaire. À partir d’une connaissance préalable sur le

système et ses entrées/sorties, le réseau de neurones peut décrire le comportement d’un

système à dynamique non linéaire sans nécessité de connaître ses paramètres.

Un réseau de neurones de modèle autorégressif avec entrées exogènes (NNARX5) gRN[.]

est utilisé pour l’approximation du modèle entrée/sortie d’un système dynamique non

linéaire autorégressif avec entrées exogènes (NARX6) g[.] qui peut être utilisé comme un

prédicteur associé non bouclé. Dans cette structure de prédiction d’un pas en avant, les

valeurs passées des entrées et des sorties sont utilisées pour prédire la sortie actuelle du

système.

Le prédicteur associé non bouclé :

yp(k) = g[y (k - 1),…, y (k - na), u (k - nk),…, u (k - nb - nk + 1)] (3.1)

Le vecteur de régression du réseau de neurones s’écrit :

φ(k) = [y (k - 1),…, y (k - na), u (k - nk),…, u (k - nb - nk + 1)] (3.2)

La sortie prédite est paramétrée en fonction des poids et biais w du réseau

yRN (k) = gRN[φ(k), w] (3.3)

où yRN est la prédiction d’un pas en avant du vecteur de sortie; gRN la fonction du réseau; na ,

nb et nk sont respectivement les ordres du système et le retard.

5
NNARX est l’acronyme de neural network autoregressive external input
6
NARX est l’acronyme de nonlinear autoregressive external input

61
 Le réseau de neurones utilisé pour la prédiction possède une structure à propagation

avant et multicouche, avec une couche cachée activée par la fonction non linéaire tangente

hyperbolique : (f(x)= tanh(x)) et une couche de sortie activée par une fonction linéaire

identité (f(x)=x). Cette structure est la plus souvent utilisée pour résoudre les problèmes

d’identification, de prédiction et de commande. Elle permet de construire les équations du

modèle neuronal afin de les utiliser dans le calcul de la commande prédictive.

Le modèle non linéaire réalisé par un réseau de neurones dépend des valeurs des

coefficients de pondération (poids et biais des neurones) de ce réseau. Pour qu’un réseau

effectue une tâche donnée, il faut ajuster les valeurs de ses coefficients. La procédure

d’ajustement des coefficients, de telle sorte que les sorties du réseau soient proches des

sorties désirées, est appelée apprentissage. Un apprentissage supervisé a pour point de

départ un ensemble d'apprentissage, c’est-à-dire un ensemble d’exemples, ou couples

{valeurs des entrées- valeurs des sorties désirées correspondantes}, tels les couples

{commande- sortie mesurée du processus} en modélisation. Le principe général des

algorithmes d’apprentissage repose sur la minimisation d’une fonction de coût quadratique

des différences entre les sorties du réseau et celles désirées.

P  O 2
J (w ) = ∑  ∑ ( y dj ( k ) − y RNj ( k ) )  (3.4)
k =1  j =1 
où w représente le vecteur des paramètres (poids et biais) du réseau de neurones, ydj(k) la

valeur désirée de la jième sortie et le kième couple entrées-sorties, yRNj(k) la valeur de la sortie

du modèle neuronal de la jième sortie et le kième couple entrées-sorties, O le nombre des

sorties du réseau et P est le nombre de couples entrées-sorties.

62
L’équation (3.4) peut s’écrire comme suit :

J (w ) = ET E (3.5)

avec

E = [e1 (1) ... eO (1) e1 (2) ... eO (2) ... e1 ( P ) ... eO ( P )]T
e j (k ) = y ( d ) j (k ) − y ( RN ) j (k ); j = 1,..., O; k = 1,..., P

L’apprentissage du réseau de neurones consiste à modifier itérativement les coefficients

w (poids et biais) de w de manière à minimiser la fonction de coût J selon ∆w = µ D, où D

est une direction de descente, et µ un scalaire (le pas dans la direction de descente) qui est

aussi le pas d’apprentissage. En général, on calcule le gradient de la fonction de coût à

l’aide de l’algorithme dit de rétropropagation, et on la minimise par la méthode du gradient

simple.

Le vecteur des coefficients du réseau est modifié itérativement à partir de l’équation

suivante :

w (t + 1) = w (t ) + ∆ w (t ) (3.6)

La variation des coefficients est exprimée par la formule :

∂J (w )
∆ w (t ) = − µ (3.7)
∂w

Cette méthode d’apprentissage est la plus utilisée dans l’entraînement des réseaux de

neurones, à cause de sa simplicité. Cependant, elle présente l’inconvénient d’avoir une

convergence très lente. À cet algorithme nous avons préféré celui de Levenberg-Marquardt

car il est beaucoup plus rapide et plus robuste [44, 83, 97].

63
 Cet algorithme s’exprime comme suit :

w ( t + 1) = w ( t ) − ( F T F + µ I ) − 1 F T E (3.8)

∂E
où I est la matrice unité, µ le paramètre d’apprentissage et F = la matrice jacobienne
∂w

de l’erreur des sorties par rapport aux coefficients de w.

Le paramètre µ permet de rendre la matrice FTF inversible lorsque celle-ci est mal

conditionnée. Cet algorithme constitue un compromis entre l’algorithme de Gauss-Newton

lorsque (µ= 0) et celui de la descente du gradient au cas où (µ → ∞).

Le réseau de neurones est entraîné hors ligne en mode Batch7, c'est-à-dire que

l’adaptation des poids et biais du réseau se fait à la fin de l’application de l’ensemble des

données des couples d’apprentissage. Ceci permet d’avoir des valeurs fixes pour les

coefficients du réseau [44].

3.2.2 Application de la modélisation par réseaux de neurones au moteur asynchrone

Le but de la modélisation du moteur asynchrone par un réseau de neurones est de

construire un modèle non linéaire qui prédit les valeurs de sorties (vitesse rotorique et

norme du flux rotorique) à partir des informations antérieures sur la vitesse, la norme du

flux et les composantes (α, β) de la tension statorique. Par conséquent, le réseau de

neurones est de structure NNARX avec na = nb = 1 et nk = 1, il possède deux sorties et

quatre entrées (figure 3.3).

7
Terme en anglais

64
 ω(k − 1)
ωRN(k)
φr (k −1)

usα (k −1) φRN (k)

usβ (k −1)

Figure 3.3 Structure du réseau de neurones pour la modélisation du moteur asynchrone

Les équations de la vitesse et du flux obtenues à partir du réseau de neurones sont :

 Nh
ω
 RN

( k ) = ∑ i =1
wi f ( h ( k , i )) + b
 Nh
(3.9)
φ ( k ) =
 RN ∑
i =1
wi′ f ( h ( k , i )) + b ′

h(k , i) = w1i ω(k − 1) + w2iφr (k − 1) + w3i u sα (k − 1) + w4i u sβ (k − 1) + bi (3.10)

où (ω RN , φRN ), (ω , φr ) sont les sorties respectives du réseau de neurones et du moteur

asynchrone, f(x)=tanh(x) est la fonction d’activation de la couche cachée du réseau, Nh est

le nombre de neurones en couche cachée, wli, bi sont les poids et les biais entre la couche

d’entrée et celle cachée et wi , wi’ , b, b’ sont les poids et les biais entre la couche cachée et

celle de sortie. l = 1: 4, i = 1: Nh

65
3.3 Prédicteur neuronal

La structure du prédicteur neuronal, définie par les équations (3.2) et (3.3), correspond à

une prédiction avec un pas en avant. Pour concevoir un prédicteur de plusieurs pas en

avant, un ensemble de réseaux de neurones placés en cascade est utilisé; le nombre de

réseaux correspond au nombre de pas choisi pour la prédiction.

Les entrées du premier réseau sont données par le procédé, tandis que dans le reste, la

sortie de chaque réseau alimente l’entrée de celui qui le suit et les entrées de commande

sont données par la loi de commande appliquée au système (figure 3.4). La structure de

tous les réseaux de neurones est identique à celle décrite dans le paragraphe précédent pour

la modélisation du moteur asynchrone (figure 3.2).

La figure suivante montre le principe d’un prédicteur neuronal avec j pas en avant.

u(k-1) u(k) u(k+j-1)

yRN(k) yRN (k+1) yRN(k+j)
y(k-1) RN yRN(k) RN yRN(k+j-1) RN

Figure 3.4 Prédicteur neuronal (PN) avec pas multiples en avant

66
3.4 Commande prédictive neuronale

La commande prédictive généralisée (CPG) neuronale est un cas particulier de la

famille de la commande par modèle de prédiction. La particularité réside dans la nature du

prédicteur qui est de type neuronal. La stratégie de commande consiste à utiliser un

prédicteur neuronal pour prédire les sorties du procédé. Ensuite, l’algorithme de la

commande prédictive généralisée calcule les actions de commande au futur à partir de la

minimisation d’une fonction de coût à chaque instant k, et seule la première action de la

séquence de commande optimale est appliquée au procédé selon le principe d’horizon

fuyant, tandis que les autres actions alimentent le prédicteur neuronal. La procédure de

calcul est répétée à l’instant k+1 [58, 89, 90].

Comme la minimisation de la fonction de coût est calculée en ligne à chaque instant k,

un modèle de commande de référence est utilisé dans la stratégie de commande pour

augmenter la vitesse de convergence de l’optimisation. Ce modèle est celui étudié dans le

chapitre 2, dans la partie traitant la commande non linéaire de référence.

La prédiction j pas en avant de la sortie du système, à partir de la structure du prédicteur

neuronal (figure 3.4), est la suivante :

Nh
y RN (k + j ) = ∑ w i f (h(k + j , i ) ) + b (3.11)
i =1

La fonction de la couche cachée est exprimée par la formule :

h(k + j, i) = w1i y RN (k + j − 1) + w 2i u(k + j − 1) + b i (3.12)

Les entrées initiales pour le réseau de neurones sont données par le procédé (moteur).

67
 La fonction de coût, à minimiser sur un horizon de prédiction fini, est une fonction de

l’erreur quadratique entre les prédictions de sorties du système et les trajectoires de

référence, une pondération de l’erreur quadratique entre l’incrémentation de la commande

et le modèle de référence de commande :

N2 Nu
ℑ(w, u) = ∑[y
j = N1
ref (k + j) − y RN (k + j)] + λ ∑[∆u(k + j − 1) − ∆u ref (k + j − 1)]2 (3.13)
2

j =1

et la supposition suivante :
∆u(k +j) = ∆uref (k +j) for j ≥ Nu (3.14)
avec
y RN = [ω RN φ RN ]T ; y ref = [ω ref φref ]T ; u = [u sα u sβ ]T ; u ref = [u sαref u sβref ]T
w i = [ wi wi′ ]T ; w 1i = [ w1i w2i ]; w 2i = [ w3i w4i ]; b = [b b′]T ; b i = [bi bi ]T

Nu est l’horizon de commande,

N1 est l’horizon d’initialisation,

N2 est l’horizon de prédiction,

λ est le facteur de pondération de la commande,

∆ est l’opérateur de différence ∆u(k) = ∆u (k) - ∆u(k-1).

Les actions de la commande de référence (usαref, usβref) sont obtenues à partir du modèle

de référence (1.38) calculé avec les valeurs nominales des paramètres de la machine et les

trajectoires de référence ω ref , φ ref .

En utilisant la méthode d’optimisation Newton-Raphson, ℑ est minimisée itérativement

pour déterminer le meilleur vecteur de commande [89].

U(n) (k) = [u(k) u(k+1) … u(k+Nu-1)]T (3.15)

68
L’adaptation du vecteur de commande est calculée par l’équation suivante :

−1
 ∂ 2 ℑ( k )  ∂ℑ ( k )
U ( n +1 )
(k ) = U (n)
(k ) −   (3.16)
 ∂U ( k ) 2  ∂U ( k )
 U ( k )=U ( k ) 
(n)
U ( k )= U ( n ) ( k )

où n est le nombre d’itérations.

Les quantités ∂ℑ( k ) ∂U ( k ) et ∂ 2 ℑ(k ) ∂U(k ) 2 sont les matrices jacobienne et hessienne.

Elles sont calculées à partir de (3.13), du modèle NNARX du procédé (3.3) et des

propriétés de la fonction tanh :

f(x) = tanh(x) :  f& (x) = 1− ( f (x))

2
(3.17)
 &&
 f (x) = −2 f (x)[1 − ( f (x)) ]
2

Pour éviter le calcul de l’inverse de la matrice hessienne, l’équation (3.16) est réécrite
 2 
sous forme d’un système d’équations linéaires  ∂ ℑ( k 2) (U ( n +1) ( k ) − U ( n ) ( k ) ) = − ∂ℑ ( k ) qu’on
 ∂U ( k )  ∂U ( k )
(n+1) (n)
peut résoudre pour X=U (k)- U (k) par la décomposition LU.

Pour calculer X, on a besoin de calculer les matrices jacobienne et hessienne à chaque

itération.

 ∂ℑ 
 ∂u(k ) 
  
∂ℑ(k )  .  = − 2 ∂YRN (k ) E(k ) + 2λ ∂∆U(k ) (∆U(k ) − ∆Ur (k )) (3.18)
T T
=
∂U(k )  .   ∂U(k ) ∂U(k ) 
 ∂ℑ 
 
 ∂u(k + Nu −1) 
avec
YRN (k ) = [y RN (k + N1 ) ... y RN (k + N 2 )]
T

[
E(k ) = (y ref (k + N1 ) − y RN (k + N1 ) ) ... (y ref (k + N 2 ) − y RN (k + N 2 ) ) ]
T

∆U (k ) = [∆u(k ) ∆ u(k + 1) ... ∆u( k + N u − 1)]

T

∆U r (k ) = [∆u r (k ) ∆u r (k + 1) ... ∆u r (k + N u − 1)]

T

69
 La dérivée partielle ∂ ∆ U ( k ) ∂ U ( k ) est une matrice de dimension 2Nu×2Nu

 ∂∆ u ( k ) ∂∆u ( k ) 
 . . 
∂u ( k ) ∂u ( k + N u − 1) (3.19)
 
∂∆ U ( k )  . . . 
=
∂U ( k )  . . . 
 ∂∆u ( k + N − 1) ∂∆u ( k + N u − 1) 
 u
. . 
 ∂u ( k ) ∂u ( k + N u − 1) 

puisque ∆u(k) = u(k) – u(k-1), cette matrice de dérivées est indépendante du temps.

La dérivée partielle ∂YRN ( k ) ∂U ( k ) est une matrice de dimension (2Nu×2N2 –N1+1)

 ∂ y RN ( k + N 1 ) ∂ y RN ( k + N 1 ) 
 . .
∂u (k ) ∂ u ( k + N u − 1) 
 
∂ Y RN ( k )  . . . 
= (3.20)
∂U ( k )  . . . 
 ∂y ( k + N ) ∂ y RN ( k + N 2 ) 
 RN 2
. . 
 ∂u (k ) ∂ u ( k + N u − 1) 

la dérivée partielle pour la sortie

∂ y RN ( k + j ) N h
∂h (k + j, i)
∂u (k + l)
= ∑
i =1
W i f& (h ( k + j , i ) )
∂u (k + l)
(3.21)

la dérivée partielle pour la fonction de la couche cachée

∂h( k + j, i) ∂ y RN ( k + j − 1) ∂ u ( k + j − 1)
= W1i + W2 i (3.22)
∂u ( k + l ) ∂u ( k + l ) ∂u ( k + l )

Dans ces calculs, la supposition (3.13) est prise en considération.

70
 La même procédure est utilisée pour le calcul de la dérivée seconde.

 ∂ 2ℑ ∂ 2ℑ 
 . . 
 ∂u ( k ) 2 ∂ u ( k ) ∂ u ( k + N u − 1) 
∂ 2 ℑ( k )  . . . (3.23)

=
∂U ( k ) 2  . . . 
 2 2 
 ∂ ℑ ∂ ℑ 
. .
 ∂ u ( k + N u − 1) ∂ u ( k ) ∂ u ( k + N u − 1) 2 

Le vecteur de commande optimale est sous la forme suivante :

U(k) = [u(k) u(k+1) … u(k + Nu-1)]T (3.24)

Selon la stratégie de commande prédictive généralisée, la première commande u(k) est

appliquée au moteur, tandis que le vecteur U(k) est utilisé comme entrée pour le prédicteur.

VDC
useα usa*
U u(k) αβ
φ ref
Modèle de
usα ref min ( ℑ) u e
sβ
usb*
usc*
abc
ω ref commande usβ ref U
de référence

is, αβ abc is, abc

φr Estimateur
φ (k + j) Prédicteur
r us, αβ us, abc
Neuronal flux αβ
ω (k + j )
ω
MAS
IM
IM

Figure 3.5 Schéma bloc de la commande prédictive neuronale pour un moteur asynchrone

71
3. 5 Résultats de simulation

En premier lieu, avant d’appliquer la commande prédictive neuronale au procédé, il faut

réaliser le modèle neuronal utilisé pour la conception du prédicteur. Ce modèle est à base

de réseaux de neurones. Cette étape de prétraitement est essentielle, car elle permet

d’améliorer la réponse du système contrôlé par une commande de type neuronal.

3.5.1 Modélisation de la machine par un réseau de neurones

Le réseau de neurones utilisé dans ce travail est un multicouche avec une seule couche

cachée, le choix du nombre de neurones en couche cachée (Nh=20) est déterminé à partir

des essais jusqu’à aboutir à une erreur acceptable entre la sortie du réseau et celle attendue.

Le choix de cette erreur est lié à l’approximation désirée entre le réseau et le système.

En mode d’apprentissage supervisé, le réseau s’adapte par comparaison entre le résultat

qu’il a calculé en fonction des entrées fournies, et la réponse attendue en sortie. Ainsi, le

réseau va se modifier jusqu'à ce qu’il trouve la bonne sortie, c’est-à-dire celle attendue,

correspondant à une entrée donnée. À la fin de l’application de l’ensemble des données

d’apprentissage, les dernières valeurs, qui sont optimales, des poids et biais sont prises en

compte pour définir le réseau de neurones.

La figure 3.6 présente les données d’apprentissage. La figure 3.7 présente la

performance du réseau après 1000 époques d’apprentissage basées sur l’erreur quadratique

moyenne entre la sortie du réseau et celle souhaitée. Il est possible de continuer

l’apprentissage afin d’obtenir le but 10-4. Cependant, la convergence de la performance

après 1000 époques est lente. Donc, on peut accepter le résultat sans atteindre le but visé.

72
Figure 3.6 Ensemble d’apprentissage (E/S) pour le réseau de neurones

Figure 3.7 Performance d’apprentissage du réseau de neurones

73
 Pour valider le modèle neuronal, un test doit être effectué sur le réseau de neurones. En

premier lieu, le réseau est testé avec les données d’apprentissage. Les figures 3.8 et 3.9

présentent les réponses du réseau de neurones comparées avec celles du moteur collectées

dans l’ensemble de données de l’apprentissage. D’après les résultats, on peut constater que

le modèle neuronal imite bien le comportement de la machine.

Figure 3.8 Vitesse du moteur et la sortie du RN équivalente

Figure 3.9 Norme du flux de la machine et la sortie du RN équivalente

74
 Ensuite, pour mieux caractériser les capacités de la modélisation par ce réseau de

neurones, un autre test est effectué avec des données non utilisées lors de l’apprentissage.

Les figures 3.10 et 3.11 présentent les réponses du réseau de neurones comparées avec

celles du moteur. D’après les résultats, on peut voir que le comportement du réseau est

proche de celui du moteur.

Figure 3.10 Vitesse de la machine et la sortie du RN équivalente (données de test)

Figure 3.11 Norme du flux de la machine et la sortie du RN équivalente (données de test)

75
 Ces tests permettent de conclure que ce réseau de neurones peut être considéré comme

une approximation au modèle de la machine. Par conséquent, il peut être utilisé dans la

structure du prédicteur non linéaire de la figure 3.4.

3.5.2 Commande à partir d’un modèle de référence

Le modèle de référence (1.38) est inclus dans la formule de la fonction de coût (3.13)

pour obtenir une commande optimale. Cependant, ce modèle peut être utilisé pour

concevoir une commande par modèle de référence (CMR) en boucle ouverte à partir de

trajectoires planifiées pour les sorties. Les figures 3.12 et 2.13 présentent les réponses du

moteur pour la vitesse et le flux, tandis que, les figures 3.16 et 3.17 décrivent les mêmes

réponses avec des paramètres mal adaptés. Les figures 3.14 et 3.15 présentent les tensions

et les courants statoriques.

Figure 3.12 Vitesse rotorique et erreur de vitesse du système piloté par une CMR

76
Figure 3.13 Norme du flux rotorique et erreur de flux du système piloté par une CMR

Figure 3.14 Composantes (α, β) de la tension statorique (CMR)

77
 Figure 3.15 Composantes (α, β) du courant statorique (CMR)

Figure 3.16 Vitesse rotorique et erreur de vitesse du système piloté par une CMR
(avec variations paramétriques)

78
 Figure 3.17 Norme du flux rotorique et erreur de flux du système piloté par une CMR
(avec variations paramétriques)

Les résultats de simulation montrent que ce type de commande est moins performant.

La commande, décrite par le modèle (1.38), est en boucle ouverte, ce qui ne permet pas de

corriger l’erreur entre la sortie du système et la référence. Les variations des paramètres de

la machine détériorent les réponses du système; cette lacune est liée au manque du retour de

la sortie pour la correction de l’erreur. Par conséquent, il est nécessaire d’avoir une stratégie

de stabilisation autour de trajectoires en boucle fermée. Néanmoins, ce modèle peut être

utilisé comme modèle de référence dans la commande prédictive neuronale pour améliorer

la performance du système contrôlé en boucle fermée.

79
3.5.3 Commande prédictive neuronale

Les paramètres du contrôleur sont comme suit :

N1=1, N2 = 5, Nu = 2, λ = 2.107

Le choix des paramètres de la fonction de coût est effectué à partir des essais. Il est à

noter que l’augmentation des paramètres d’horizon N entraîne une augmentation du temps

de calcul pour l’optimisation. Ceci est dû à l’augmentation de la taille des matrices

jacobienne et hessienne (3.18) et (3.23). Les figures 3.18 et 3.19 présentent les réponses du

système pour la vitesse et la norme du flux respectivement. L’influence du couple de

charge est visible sur la réponse de vitesse. La réponse de flux est détériorée par l’erreur

entre la vitesse et la référence, qui affecte le comportement de l’observateur d’état. Les

figures 3.20 et 3.21 présentent les tensions et les courants statoriques.

Figure 3.18 Vitesse rotorique et erreur de vitesse du système piloté par une CPN

80
Figure 3.19 Norme du flux et erreur de flux du système piloté par une CPN

Figure 3.20 Composantes (α, β) de la tension statorique (CPN)

81
 Figure 3.21 Composantes (α, β) du courant statorique (CPN)

Les figures 3.22 et 3.23 présentent les réponses du système avec des paramètres mal

adaptés. On peut constater que les variations des paramètres de la machine détériorent les

réponses pour le suivi de trajectoires. Cependant, la comparaison de ces résultats avec ceux

de la commande avec le modèle de référence (1.38), figures 3.16 et 3.17, montre l’effet de

la boucle fermée; l’erreur de vitesse a diminué. Donc, cette commande est plus robuste que

celle en boucle ouverte (commande de référence).

82
 Figure 3.22 Vitesse rotorique et erreur de vitesse du système piloté par une CPN
(avec variations paramétriques)

Figure 3.23 Norme du flux rotorique et erreur de flux du système piloté par une CPN
(avec variations paramétriques)

83
 Une commande prédictive neuronale de type adaptatif peut être conçue par un

apprentissage en ligne du réseau de neurones. Dans ce cas, la méthode de rétropropagation

peut être utilisée, car elle est simple à implanter et la convergence est satisfaisante.

Cependant, ce type d’apprentissage augmente le temps d’exécution de la commande. Pour

remédier à ce problème, le nombre de neurones en couche cachée est limité (Nh=5) et un

seul pas en avant est choisi pour le prédicteur neuronal. En plus, pour diminuer les tailles

des matrices jacobienne et hessienne les valeurs des horizons et de pondération dans la

fonction de coût (3.13) sont ; N1=0, N2 = 1, Nu = 1, λ1 = 2.5 et λ2 = 103. Les figures 3.18 et

3.19 présentent les réponses du système pour la vitesse et le flux respectivement.

Figure 3.18 Vitesse rotorique et erreur de vitesse du système piloté par une CPN adaptative

84
 Figure 3.19 Norme du flux rotorique et erreur de flux du système piloté par une CPN adaptative

À partir de ces résultats, on peut constater que la performance du système, contrôlé par

cette stratégie de commande, est insatisfaisante en comparaison avec les résultats

précédents, malgré l’adaptation en ligne du réseau de neurones. Ce phénomène est dû au

fait qu’il n’y a pas une règle générale pour choisir les paramètres du réseau de neurones (le

taux d’apprentissage, le momentum et le nombre de neurones en couche cachée), ainsi que

les valeurs de pondération λ dans la fonction de coût. Il est généralement difficile de

déterminer ce choix seulement à partir de la méthode par essai et erreur.

85
3. 6 Conclusion

Ce chapitre présente les principes de la commande prédictive neuronale. Dans le cas de

la modélisation, l’intérêt de modèles neuronaux est dans le fait qu’ils forment une classe

très vaste pour la modélisation des processus non linéaires. Concernant le moteur

asynchrone, la conception d’un modèle neuronal multivariable pour la vitesse et le flux

permet la construction d’un prédicteur à pas multiples en avant. L’exactitude du modèle

neuronal dépend de la quantité d’informations disponible lors de l’apprentissage hors ligne.

Il est clair qu’un apprentissage en ligne est avantageux, car à tout instant du fonctionnement

du procédé, le réseau de neurones reçoit de l’information et adapte ses coefficients. Par

contre, ce type d’apprentissage augmente la charge de calcul lors de l’optimisation de la

commande prédictive.

Dans la partie commande prédictive neuronale, l’application de la CPG standard au

moteur asynchrone ne permet pas de résoudre le problème de suivi de trajectoire. Le

moteur asynchrone est un système dynamique rapide et les entrées en tension sont de type

sinusoïdal avec une large bande passante, ce qui rend la tâche difficile pour l’optimisation

en ligne de la fonction de coût. Pour résoudre ce problème, nous avons renforcé la partie

incrémentation de la commande dans cette fonction par une commande de référence

réalisée à partir de l’inversion du modèle de la machine et des trajectoires planifiées. Cette

modification a permis d’avoir une performance acceptable pour le suivi de trajectoires. Par

contre, en comparaison avec les méthodes classiques, elle est, et de loin, considérée comme

la meilleure. En plus, le temps de calcul pour l’optimisation en ligne de la fonction de coût

à partir de la formule (3.16) dépend du nombre d’itérations nécessaire pour trouver la

86
commande optimale à chaque instant de temps. Cependant, cette loi de commande est plus

robuste aux variations de paramètres que la commande de référence. Dans le cas d’une

adaptation en ligne du réseau de neurones, nous avons diminué le nombre de neurones en

couche cachée et les horizons de prédictions pour prendre en considération les contraintes

de temps de calcul pour ce système dynamique rapide. Le choix de ces paramètres est

difficile à faire pour obtenir la performance désirée.

Ce travail a permis d’aborder les différents problèmes rencontrés lors de l’application

de la commande prédictive neuronale au moteur asynchrone. Par conséquent, le champ de

recherche reste ouvert pour apporter des améliorations à cette loi de commande sur deux

points, le choix de la structure du réseau de neurones pour la conception du modèle

neuronal, et l’optimisation de la fonction de coût.

L’étude des réseaux de neurones pour des applications d’identification et de commande

est un domaine très vaste qui mérite à lui seul un sujet de recherche. Dans la nôtre, cette

étude constitue seulement une partie du travail sur la commande prédictive. Ainsi, nous

avons essayé de mettre en lumière les bénéfices et les problèmes de la commande

prédictive neuronale multivariable pour la machine asynchrone. Cet aspect du travail peut

être vu comme un début pour d’autres travaux à venir.

87
 CHAPITRE IV

COMMANDE PRÉDICTIVE NON LINÉAIRE

88
 CHAPITRE IV

COMMANDE PRÉDICTIVE NON LINÉAIRE

4. 1 Introduction

Ce chapitre présente la mise en œuvre d’une autre stratégie de commande prédictive

non linéaire (CPN) pour résoudre le problème de poursuite de trajectoires. Dans un premier

temps, une loi de commande prédictive est appliquée au moteur pour permettre aux sorties

(vitesse et norme de flux) de suivre les trajectoires désirées. La conception du modèle de

prédiction est réalisée à partir d’un développement mathématique sur le modèle de la

machine, en utilisant les notions de géométrie différentielle définies dans le paragraphe 2.3

sur la commande par linéarisation entrée-sortie. Ensuite, un observateur de perturbation,

pour estimer le couple de charge, est conçu à partir de la loi de commande prédictive.

L’intégration de cet observateur dans la structure de commande permet de réaliser une

commande non linéaire PID prédictive, ce qui va améliorer la robustesse du contrôleur et

garantir le rejet de perturbation. Dans le cas où on s’intéresse à la commande simultanée de

la vitesse rotorique, la norme du flux rotorique et le couple électromagnétique, une stratégie

de commande en cascade est adoptée, avec une loi de commande non linéaire prédictive

multivariable, qui représente la boucle interne, pour le contrôle du couple et du flux. La

boucle externe constitue la loi de commande prédictive monovariable pour le contrôle de la

89
vitesse. En plus, un observateur de perturbation est calculé pour cette stratégie, il se

comporte cette fois-ci comme un contrôleur PI de vitesse. Ces deux stratégies de

commande prédictive permettent de trouver la relation entre la structure de l’observateur de

perturbation et le degré relatif de la sortie à contrôler. Pour chaque stratégie de commande,

l’étude de la stabilité est réalisée, dans le cas où les états du système sont connus par

mesure. En revanche, lorsqu’on utilise un observateur d’état, la stabilité globale pour le

système complet (procédé + commande + observation) est étudiée théoriquement. L’étude

de la stabilité globale pour les deux cas nous permet de voir le rôle des degrés relatifs des

sorties à contrôler dans l’analyse de la stabilité.

4.2 Commande prédictive non linéaire multivariable

4.2.1 Application de la loi de commande prédictive non linéaire au moteur asynchrone

Le modèle du moteur asynchrone dans un référentiel fixe lié au stator (α, β) prend la

forme de la représentation non linéaire (1.21) :

x& ( t ) = f ( x ) + g 1 ( x ) u ( t ) (4.1)

Une loi de commande prédictive est appliquée à un système multivariable carré pour

résoudre le problème de poursuite optimale de trajectoires. La conception d’un tel

contrôleur doit garantir la stabilité du système en boucle fermée et poursuivre au futur les

trajectoires de référence. Dans le cas du moteur asynchrone, les sorties choisies sont la

vitesse rotorique et la norme du flux rotorique au carré du moteur :

y   y1 = h1 ( x ) = ω
y = h ( x ) =  1  avec  2 2 2 (4.2)
 y2   y 2 = h 2 ( x ) = φ r = φ r α + φ rβ

90
Le choix de la norme au carré est pris pour faciliter le calcul des dérivées de Lie.

La fonction de coût est définie sur un horizon futur :

τ
1 r

ℑ (x, u ) = ∫ (y ( t + τ ) − y (t + τ ) ) (y ( t + τ ) − y r ( t + τ ) )d τ
T
r (4.3)
2 0

où τr est le temps de prédiction, y(t+τ) la prédiction à τ pas en avant de la sortie du système

et yr(t+τ) la trajectoire de référence au futur. Le terme de pondération de la commande n’est

pas inclus dans la fonction de coût (4.3). Cependant, l’effort de commande peut être réalisé

en ajustant le temps de prédiction [17].

L’objectif d’une loi de commande prédictive est de calculer la commande u(t) telle que

la sortie au futur du procédé y(t+τ) est pilotée proche de yr(t+τ). Cette tâche est accomplie

par la minimisation de ℑ . Il est à noter que la fonction de coût est définie sur un horizon au

futur, d’où la nécessité de concevoir un modèle de prédiction pour le calcul des sorties au

futur.

Dans cette partie, la prédiction des sorties est calculée à partir de l’expansion en série de

Taylor, qui est exprimée par les dérivées de Lie [81]. La différentiation de la sortie par

rapport au temps est répétée ri fois, pour aboutir à cette équation :

τ2 τri
τri

y i ( t + τ ) = hi ( x ) + τL f hi ( x ) + L2f h i ( x ) + ... + Lrfi h i ( x ) + L g L(f ri −1) hi ( x )u (t ) (4.4)

2! ri ! ri !

avec i =1,…, m et ri est le degré relatif de chaque sortie i, qui est par définition le nombre

de fois de différentiation de la sortie jusqu’à ce que l’entrée de commande apparaisse.

Dans le cas du moteur asynchrone, pour les sorties choisies en (4.2), les degrés relatifs

de sorties sont r1=2 et r2=2 respectivement.

91
Pour la vitesse :

 y 1 ( t ) = h1 ( x )

 y& 1 ( t ) = L f h1 ( x ) (4.5)
 && 2
 y 1 ( t ) = L f h1 ( x ) + L g 11 L f h1 ( x ) u s α ( t ) + L g 12 L f h1 ( x ) u s β ( t )

Pour la norme du flux au carré :

 y 2 (t ) = h2 ( x )

 y& 2 ( t ) = L f h 2 ( x ) (4.6)
 && 2
 y 2 ( t ) = L f h 2 ( x ) + L g 11 L f h 2 ( x ) u s α ( t ) + L g 12 L f h 2 ( x ) u s β ( t )

Le détail pour le calcul des dérivées de Lie, utilisées pour la différentiation des sorties de la

machine, est donné dans l’annexe 1.

Dans une forme matricielle, on obtient :

 y (t )   h (x )   0 2 ×1 
   
Y ( t ) =  y& ( t )  =  L f h ( x )  +   0 2 ×1  (4.7)

 &y& ( t )   L 2f h ( x )   G 1 ( x ) u ( t ) 

avec

L if h ( x ) = [ L if h1 ( x ) L if h 2 ( x )] T ; i = 0, 1, 2

 Lg Lf h1 (x) Lg12 Lf h1 (x) 

G 1 (x) =  11  (4.8)
 Lg11 Lf h2 (x) Lg12 Lf h2 (x)

La sortie au futur y(t +τ) est calculée approximativement par :

y (t + τ ) = Τ (τ ) Y ( t ) (4.9)

Τ(τ ) = [ I 2×2 τ * I 2×2 (τ 2 2) * I 2× 2 ]

I2×2 : matrice identité.

92
 Si la référence au futur yr(t+τ) n’est pas prédéfinie, un calcul similaire est utilisé pour

trouver la prédiction approximativement.

y r ( t + τ ) = Τ (τ ) Yr ( t ) (4.10)

avec

2 T
Yr (t ) = [y r (t ) y& r (t ) &y&r (t )]T et y r (t ) = [ωref φref ]

En utilisant (4.9) et (4.10), la fonction de coût peut être simplifiée comme suit :

τr
1
∫ (y ( t + τ ) − y (t + τ ) ) (y ( t + τ ) − y r ( t + τ ) )d τ
T
ℑ = r
2 0
τr
1
∫ (Τ (τ ) Y ( t ) − Τ (τ ) Y r ( t ) ) (Τ (τ ) Y ( t ) − Τ (τ ) Y r ( t ) )d τ
T
= (4.11)
2 0

1
= (Y ( t ) − Y r ( t ) )T Π (Y ( t ) − Y r ( t ) )
2

où

τr
 τ r * I 2×2 (τ r 2) * I 2×2 (τ r 6) * I 2×2 
2 3

 2 3 4  Π Π2 
Π = ∫ Τ(τ )T Τ(τ )dτ = (τ r 2) * I 2×2 (τ r 3) * I 2×2 (τ r 8) * I 2×2  =  T1 
0 (τ r 3 6) * I 2×2 (τ r 4 8) * I 2×2 (τ r 5 20) * I 2×2  Π 2 Π3 
 

À partir de (4.7) et (4.10), on obtient :

 0 2 ×1 

Y (t ) − Yr (t ) = M +  0 2 ×1  (4.12)

 G 1 ( x ) u ( t ) 

avec

 h ( x )   y r (t ) 
M =  Lf h ( x )  −  y& r (t ) 
 L2f h ( x )   &y& r (t ) 

93
 La condition nécessaire à satisfaire pour trouver la commande optimale est la suivante :

∂ℑ
=0 (4.13)
∂u

À partir de (4.11) et (4.12), cette condition peut être représentée par la relation :

G 1 (x)T [ Π 2 Π 3 ]M + G 1 ( x ) T Π 3 G 1 ( x )u (t ) = 0
T
(4.14)

Par conséquent, la commande optimale est la suivante :

u ( t ) = − G 1 ( x ) − 1 [ Π 3− 1 Π T2 I 2× 2 ]M (4.15)

Les conditions {φrα (0),φrβ (0)} ≠ 0 et φr2α + φr2β ≠ 0 permettent à G1 d’être inversible.

4.2.2 Dynamique et stabilité du système en boucle fermée

La stabilité du système en boucle fermée est l’une des propriétés à satisfaire lors de

l’application d’une loi de commande. Pour l’étude de la stabilité, la commande optimale

(4.15) est développée comme :

 2 
(
u ( t ) = − G 1 ( x ) − 1  ∑ K i Lif h ( x ) − y [ri ] ( t )  ) (4.16)
 i=0 

avec

( 2
)
K 0 = 10 ( 3 * τ r ) * I 2× 2 ; K 1 = (5 ( 2 * τ r ) ) * I 2× 2 ; K 2 = I 2× 2

En substituant la loi de commande (4.16) dans les dernières équations de (4.5) et (4.6),

on trouve :

2
(
&y&(t ) = L2f h ( x ) − ∑ K i Lif h ( x ) − y [ri ] ) (4.17)
i=0

94
 Par définition, l’erreur de poursuite ey(t) est:

e y (t ) = y (t ) − y r (t ) (4.18)

En fonction de ey, l’équation du système en boucle fermée composé du modèle de la

machine et de la commande prédictive prend la forme :

&e&y (t ) + K 1e& y (t ) + K 0e y (t ) = 0 (4.19)

La dynamique de l’erreur est ainsi définie par une équation linéaire. On peut vérifier

facilement, que les éléments de Ki sont les coefficients des polynômes de Hurwitz. Donc, le

système bouclé est stable.

La somme des degrés relatifs (r1+r2 =2+2) est inférieure au degré du système (n = 5), le

bouclage ainsi conçu rend inobservable une partie de la dynamique, il est nécessaire de

vérifier la bornitude de son évolution interne. Dans ce cas, la dynamique inobservable du

système linéarisé est d’ordre 1.

La transformation linéaire est la suivante :



 z1 = h1 ( x ) = ω
 pL m f T
z2 = L f h1 ( x ) = (φ r α i s β − φ r β i s α ) − r ω − L
 JL r J J
 (4.20)
 z3 = h 2 ( x ) = φ r2α + φ r2β

z4 2 2 Lm
= Lf h2 (x ) = − (φ r2α + φ r2β ) + (φ r α i s α + φ r β i s β )
 Tr Tr

z φ 
= h 3 ( x ) = arctan  r β 
 5
  φ rα 

π π
− ≤ h3 (x) ≤ est choisie telle que Lg11h3(x) = 0 et Lg12h3(x) = 0, ce qui assure que la
2 2

dynamique de h3 ne dépend pas directement de la commande [67].

95
La dynamique de l’angle du flux est :



 z 5 = h3 ( x )
 dh 3 Rr Lm
 z& 5 = = pω + (φ α i β − φ β i α ) (4.21)
 dt L r (φ α2 + φ β2 )
 Rr
 = pz 1 + ( Jz 2 + T L )
 pz 3
Le système linéaire équivalent à la forme suivante :


 z& = z2
 1
 z& 2 = L 2f h1 + L g 11 L f h1 u s α + L g 12 L f h1 u s β

 z& 3 = z4 (4.22)
&
 z4 = L 2f h 2 + L g 11 L f h 2 u s α + L g 12 L f h 2 u s β
 Rr
 z& 5 = L f h 3 = pz 1 + ( Jz 2 + T L )
 pz 3
Puisque z5 est bornée, la dynamique des zéros du système est stable.

4.2.3 Conception de l’observateur de perturbation

Dans le développement de la commande prédictive non linéaire mentionné ci-dessus, le

couple de charge est considéré connu et ses valeurs sont utilisées dans le calcul de la loi de

commande. Au cas où le couple de charge est considéré comme une perturbation inconnue,

le modèle non linéaire du moteur avec la variable de perturbation est redéfini, à partir de la

représentation (1.21), par :

x& (t ) = f ( x ) + g 1 ( x )u (t ) + g 2 ( x )b (t ) (4.23)

avec

96
 1 T
g 2 = [ g 21 ] = [ 0 0 0 0 − ]
J

b = TL

Comme il n’y a pas d’information sur la perturbation, on suppose que :

T&L = 0 ⇒ b& (t ) = 0 (4.24)

À noter que la supposition (4.24) ne signifie pas nécessairement que le couple de charge est

constant, mais que le changement de la charge dans chaque intervalle d’échantillonnage est

suffisamment petit. Il est à mentionner, aussi, qu’une perturbation avec des changements

brusques dans sa variation peut être estimée avec ce type d’observateur.

En incluant le terme de la perturbation dans la loi de commande (4.15), la commande

optimale prend la forme suivante :

u(t ) = −G 1 (x) −1 {[ Π 3−1 Π 2T I 2× 2 ]M + [ Π 3−1 Π T2 I 2×2 ]G 2 (x)b(t )} (4.25)

avec

G 2 (x) = [0 0 L g 21 h1 (x) 0 L g 21 Lf h1 ( x) 0]T

La mise en œuvre de la commande prédictive non linéaire PID, proposée en [16], est

développée pour les mêmes valeurs de degrés relatifs pour la sortie et la perturbation

respectivement. Cependant, dans le cas du modèle de la machine (4.1) et (4.2), le degré

relatif de la perturbation est inférieur à celui de la sortie, on peut le constater dans les

formulations de G1(x) et G2(x). Les mêmes démarches pour la conception de cette loi de

commande sont suivies dans ce travail pour démontrer qu’on peut concevoir une

commande non linéaire PID prédictive pour l’entraînement du moteur asynchrone.

97
 À partir de (4.23), on obtient :

g 2 ( x ) b ( t ) = x& ( t ) − f ( x ) − g 1 ( x ) u ( t ) (4.26)

Un observateur initial de perturbation est donné par la relation :

&
bˆ (t ) = −l ( x )g 2 ( x )bˆ (t ) + l ( x )(x& (t ) − f ( x ) − g 1 ( x )u (t ) ) (4.27)

avec l(x)∈ ℜ5 est un vecteur de gain à déterminer.

L’erreur de l’observation est la suivante :

e ( t ) = b ( t ) − bˆ ( t ) (4.28)

alors, la dynamique de l’erreur est gouvernée par l’équation

&
e& ( t ) = b& ( t ) − bˆ ( t ) = − l ( x ) g 2 ( x )( b ( t ) − bˆ ( t )) (4.29)

e& (t ) + l(x)g 2 (x)e(t ) = 0 (4.30)

On peut démontrer que l’observateur est exponentiellement stable par le choix suivant :

l ( x )g 2 ( x ) = c (4.31)

avec

c>0

La perturbation b est remplacée par son estimé dans la loi de commande (4.25). Par

conséquent, la loi de commande est sous la forme :

u ( t ) = − G 1 ( x ) − 1 {[ Π 3− 1 Π T2 I 2 × 2 ]M + [ Π 3− 1 Π T2 I 2 × 2 ]G 2 ( x ) bˆ ( t )} (4.32)

La substitution de (4.32) dans (4.27) donne :

&
bˆ = l(x)(x& − f (x)) − l(x)g2 (x)bˆ − l(x)g1 (x)u
(4.33)
(
= l(x)(x& − f (x)) − l(x)g2 (x)bˆ + l(x)g1 (x) G1 (x)−1{[Π3−1Π2T I 2×2 ]M + [Π3−1Π2T I 2×2 ]G2 (x)bˆ ] )

98
l(x) peut être définie comme :

∂Lf h1 ( x)
l (x) = p 0 (4.34)
∂x

avec

p0 ≠ 0 est une constante.

En utilisant (4.34) avec les notations de Lie et les définitions dans (4.5) et (4.6), on obtient :

 ∂ L f h1 ( x ) 1
 L g 11 L f h1 ( x ) = ∂x
g 11 ( x ) =
p0
l ( x ) g 11 ( x )

 ∂ L f h1 ( x ) 1
 L g 12 L f h1 ( x ) = ∂x
g 12 ( x ) =
p0
l ( x ) g 12 ( x )

 ∂ L f h1 ( x ) 1
 L g 21 L f h1 ( x ) = g 21 ( x ) = l ( x ) g 21 ( x ) (4.35)
 ∂ x p 0
 2 ∂ L f h1 ( x ) 1
 L f h1 ( x ) = f (x) = l ( x )f ( x )
 ∂x p0
 ∂ L f h1 ( x )
x& = p 0  &y&1 ( t ) − L g 21 h1 ( x ) TˆL ( t ) 
&
 l ( x ) x& = p 0
 ∂x  
avec

i = 1, 2

Par substitution de toutes les définitions (4.35) dans (4.33), et après simplification, avec

Lg21h1(x) = -1/J, on aboutit à une forme simple pour la perturbation du couple de charge :

& p0
TˆL =
1 − p0 J
(
( &y&1 − &y&r1 ) + K 1 ( y& 1 − y& r1 ) + K 0 ( y 1 − y r1 ) ) (4.36)

avec

2
K 0 = 10 (3 * τ r ) ; K 1 = 5 ( 2 * τ r )

Dans la structure de l’observateur de perturbation, l’erreur de la vitesse est dérivée jusqu’au

deuxième ordre, qui représente le degré relatif de la sortie (vitesse) par rapport à l’entrée.

99
 L’intégration de (4.36) donne :

p0  t

TˆL =  e& y (t ) + K 1 e y (t ) + K 0 ∫ e y (τ ) d τ  (4.37)
1 − p 0 J  1 1
0
1 


L’observateur du couple de charge possède une structure PID pour l’erreur de la vitesse.

La loi de commande (4.32) prend la forme suivante :

 −1 T  p0  t

−1 −1 T
u(t) = −G1 (x) [Π3 Π2 I2×2 ]M + [Π3 Π2 I2×2 ]G2 (x)  &y1 (t) + K1ey1 (t) + K0 ∫ ey1 (τ )dτ  (38)
e
 
 1− p0 J  0 

La figure suivante présente le schéma bloc d’une application de la commande non

linéaire prédictive au moteur asynchrone.

Commande non linéaire PID prédictive V DC

usα* αβ usa*
φ r2 usb*
CPN usβ*
ref
u *
Observateur de couple de charge abc sc
ω ref +

− TˆL x̂
is, αβ abc is, abc
ω x̂ Observateur
us, αβ us, abc
d’état
αβ
ω
MAS
IM
IM

Figure 4.1 Schéma bloc de la commande non linéaire prédictive pour un moteur asynchrone

100
4.2.4 Stabilité globale de la commande en boucle fermée avec observateur d’état

La conception d’une commande non linéaire prédictive utilise les états du procédé, et

dans le cas d’un moteur asynchrone, ce contrôleur utilise les états (flux rotorique) issus

d’un observateur. Les sorties à contrôler sont décrites par les équations (4.2). Cependant,

l’intégration de l’observateur d’état (1.29) dans la chaîne de commande permet de redéfinir

la sortie mesurée (vitesse) et celle observée (flux) par :

 hˆ1 = ω
ˆ (4.39)
 h 2 = φˆr α + φˆr β
2 2

Les dérivées de hˆ1 et hˆ2 sont définies, comme en (4.5) et (4.6), par :

 h&ˆ = L hˆ
 1 fˆ 1
& (4.40)
h2 = Lfˆ hˆ2
ˆ

où :

L fˆ hˆ1 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , ω )

L fˆ hˆ2 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )

& &
Dans la mesure où hˆ1 et hˆ 2 ne sont pas des fonctions des entrées, la méthode classique

consiste à dériver de nouveau les équations de (4.40). Cependant, L fˆ ĥ 2 contient des termes

fonctions des courants mesurés; différencier cette dernière ferait apparaître les termes

∂i sα , β ∂φˆsα , β qui ne sont pas connus. La solution consiste à introduire des sorties

auxiliaires, où leurs premières dérivées sont des fonctions des entrées [12, 19, 92].

101
 À partir de (4.40), les sorties auxiliaires hˆ11 et hˆ 21 sont définies par :

 ˆ f r ˆ TˆL
 Lfˆ h1 = hˆ11 − h1 −
 J J
 (4.41)
 L ˆ hˆ2 = − 2 hˆ2 + hˆ21 + ∆
 f Tr

avec :

pLm ˆ ˆ
hˆ11 = (φ rα i sβ − φˆrβ iˆsα )
JLr
2L
hˆ21 = m (φˆrα iˆsα + φˆrβ iˆsβ )
Tr
k ~ k ~
∆ = 2 2 φˆrα + k 2 pωφˆrβ  isα + 2 2 φˆrβ − k 2 pωφˆrα  isβ
 Tr   Tr 

Les dérivées de hˆ11 et hˆ 21 sont:

hˆ& = L hˆ + L hˆ u + L hˆ u
 11 fˆ 11 g11 11 sα g12 11 sβ
& (4.42)
hˆ21 = Lfˆ hˆ21 + Lg11 hˆ21u sα + Lg12 hˆ21u sβ

avec (voir annexe 1) :

L f̂ hˆ11 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )

pL m ˆ
L g11 hˆ11 = − φ rβ
JσL s L r
pL m ˆ
L g12 hˆ11 = φ rα
Jσ L s L r
L f̂ hˆ21 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )
2 Lm ˆ
L g11 hˆ21 = φ
σ L s T r rα
2 Lm ˆ
L g12 hˆ21 = φ
σ L s Tr rβ

102
 Ces résultats se résument en quatre équations :

 f Tˆ 
 hˆ&   hˆ11 − r hˆ1 − L 
 &1   J J 
 hˆ11   Lf̂ hˆ11 + L g11 hˆ11u sα + L g12 hˆ11u sβ 
 ˆ&  =   (4.43)
2
 h2   − hˆ2 + hˆ21 + ∆ 
hˆ&   Tr 
 21   L hˆ + L hˆ u + L hˆ u 
 f̂ 21 g11 21 sα g12 21 sβ 

Les erreurs entre les trajectoires désirées des sorties et celles estimées sont définies par :

e1 = hˆ1 − h1r


e2 = hˆ11 − h11r
 (4.44)
e3 = hˆ2 − h2 r
 ˆ
e4 = h21 − h21r

À partir de la commande prédictive non linéaire (4.16). Les entrées usα et usβ peuvent

être reconstruites de la manière suivante :

−1
u sα   L g11 hˆ11 Lg12 hˆ11   − L ˆ hˆ11 − e1 − K 1e2 + h&11r 
u  =    fˆ (4.45)
ˆ L g12 hˆ21  & 
 sβ   L g11 h21 − Lfˆ h21 − e3 − K 1e4 + h21r 

les erreurs de poursuite deviennent :

 fr TˆL & 
 e&1   hˆ11 − hˆ1 − − h1r 
e&   J J 
 2 =  − K 1e2 − e1  (4.46)
e&3   2 ˆ ˆ & 
  − T h2 + h21 + ∆ − h2 r 
e&4   r 
 − K 1 e 4 − e3 

h1r et h2r sont des références connues, qu’on suppose continues et dérivables. Par contre, les

variables h11r et h21r doivent être définies.

103
 À partir de (4.46), les variables h11r et h21r peuvent être définies comme :

 fr TˆL
h11r = hˆ1 + h&1r − K 0 e1 +
 J J
 (4.47)
h = 2 hˆ + h& − K e
 21r Tr 2 2r 0 3

Pour aboutir au système d’erreurs :

 e&1   − K 0 e1 + e2 
e&   − K e − e 
 2 =  1 2 1  (4.48)
e&3  − K 0 e3 + e4 + ∆ 
   
e&4   − K 1e4 − e3 

Ki sont des paramètres à choisir à partir de la loi de commande prédictive et de

l’observateur d’état.

Une fonction de Lyapunov peut être choisie pour étudier la stabilité de la commande :

e12 + e22 + e32 + e42

V2 = (4.49)
2

Sa dérivée est :

V&2 = − K 0 e12 − K 1e22 − K 0 e32 − K 1e42 + ∆e3 (4.50)

Cette expression fait apparaître une forme non quadratique et n’induit pas, seule, la

stabilité de la commande. L’étude doit donc être menée de manière globale en considérant

la commande en boucle fermée et l’observateur.

Une fonction de Lyapunov candidate V, qui est une combinaison de V1 de l’observateur

(1.32) et de V2 de la commande, peut être choisie pour étudier la stabilité du système

complet :

V = V1 + V2 (4.51)

104
 Sa dérivée est donnée par :

~ ~ 1 ~2 ~2
V& = − K 0 e12 − K 1e22 − K 0 e32 − K 1e42 − (γ + k1 )[ isα2 + isβ2 ] − [φ rα + φ rβ ]
Tr γ 2
(4.52)
 L ~ ~ ~ ~ ~ ~
+  m [ isα φ rα + isβ φ rβ ] − [ f ia isα + f ib isβ ] + ∆e3
 Tr γ 2 

Une condition suffisante pour avoir V& < 0 est donnée par :

  L2m 
k1 >  − γ  cf. (1.45)
  Tr γ 2  (4.53)
 − [ f ~i + f ~i ] + ∆e = 0
 ia sα ib sβ 3

En remplaçant ∆ par sa valeur (4.41), la deuxième condition de (4.53) devient :

~ ~ k ~ k ~
[ f ia isα + f ib isβ ] = 2 2 φˆrα + k 2 pωφˆrβ  isα e3 + 2 2 φˆrβ − k 2 pωφˆrα  isβ e3 (4.54)
 Tr   Tr 

qui est satisfaite pour fia et fib choisis tels que :

  k2 
 f ia = 2 φˆrα + k 2 pωφˆrβ e3
  Tr 
 (4.55)
 f = 2 k 2 φˆ − k pωφˆ e
 ib  T rβ 2 rα  3
  r 

~ ~ ~ ~
Ceci conduit à V& < 0 lorsque le vecteur [e1 , e2 , e3 , e4 , isα , isβ , φ sα , φ sβ ] est différent du

vecteur nul. V est une fonction de Lyapunov pour le système globale. Par conséquent, le

procédé complet est stable et la convergence est exponentielle.

105
4. 3 Commande prédictive non linéaire en cascade

L’objectif de cette stratégie de commande est de contrôler simultanément le couple

électromagnétique, le flux rotorique et la vitesse rotorique à partir d’une structure cascade

de commande. Une loi de commande non linéaire multivariable est développée pour la

poursuite de trajectoires (couple et norme du flux). Ensuite, une loi de commande

prédictive simple, pour la poursuite de la vitesse rotorique, est conçue. Un observateur de

perturbation (couple de charge) est développé à partir de l’équation mécanique de la

machine et la commande prédictive. Enfin, la même étude de stabilité globale, que celle

discutée auparavant, est réalisée pour le système complet. L’objectif de refaire l’analyse est

de voir la relation entre le choix des sorties auxiliaires et le degré relatif des sorties à

contrôler.

4. 3.1 Commande prédictive non linéaire multivariable (boucle interne)

Les sorties à contrôler sont le couple électromagnétique et le carré de la norme du flux

rotorique.

 Lm
 y1   y1 = h1 ( x ) = p L (φ rα i sβ − φ rβ i sα )
y = h(x) =   avec  r (4.56)
 y2   y = h (x) = φ 2 = φ 2 + φ 2
 2 2 r rα rβ

La fonction du coût, définie sur un horizon, est sous la forme suivante :

τr
1
ℑ(x, u ) =
2 ∫ ( y (t + τ ) − y
0
r ( t + τ )) T (y ( t + τ ) − y r ( t + τ )) d τ (4.57)

Le même principe, que celui développé dans la première stratégie, est utilisé dans le

106
calcul de cette loi de commande.

Pour le couple électromagnétique, le degré relatif est r1=1

 y1 (t ) = h1 ( x)
& (4.58)
 y1 (t ) = Lf h1 (x) + L g1 h1 (x)u sα (t ) + L g 2 h1 ( x)u sβ (t )

Pour la norme du flux rotorique, le degré relatif est r2=2

 y 2 (t ) = h 2 ( x )

 y& 2 (t ) = Lf h2 (x ) (4.59)
 && 2
 y 2 (t ) = Lf h2 (x ) + L g1 Lf h2 ( x)u sα (t ) + L g 2 Lf h2 (x )u sβ (t )

L’expansion en série de Taylor pour les sorties du moteur y(t+τr) d’ordre ri, avec (r1=1

et r2=2), sous forme matricielle est la suivante :

y (t + τ r ) = ∏ (Y (t ) + G ( x )u (t ) ) (4.60)

avec

2
∏ = [ I 2× 2 τ r * I 2× 2 (τ r / 2) * I 2× 2 ]
Y ( t ) = [ h1 ( x ) h2 ( x ) L f h1 ( x ) Lf h2 ( x ) 0 L2f h 2 ( x ) ]T
T
0 0 L g1 h1 ( x ) 0 0 L g1 Lf h2 ( x ) 
G (x) = 
0 0 L g 2 h1 ( x ) 0 0 L g 2 Lf h2 ( x ) 

De la même façon, la prédiction de la référence yr(t+ τr) est calculée par l’expansion en

séries de Taylor, et est donnée par :

y r (t + τ r ) = ∏ Yr (t ) (4.61)

avec

Yr ( t ) = [ y r1 (t ) y r2 ( t ) y& r1 (t ) y& r2 (t ) 0 &y&r2 (t ) ]T

107
 La fonction de coût (4.57) peut être simplifiée comme suit :

1
ℑ(x, u) = [Y(t ) + G (x)u(t ) − Yr (t )]T ∏[Y(t ) + G (x)u(t ) − Yr (t )] (4.62)
2
τr
avec ∏ = ∫ ∏ T ∏ dτ
0

La commande optimale qui minimise la fonction de coût (4.62), en satisfaisant les

conditions {φrα (0),φrβ (0)} ≠ 0 et φr2α + φr2β ≠ 0 , est donnée par la relation suivante :

(
u (t ) = G T ( x ) ∏ G ( x ) )−1
G T ( x ) ∏ (Yr (t ) − Y (t ) ) (4.63)

En substituant la loi de commande (4.63) dans les deux dernières équations en (4.58) et

(4.59) pour y&1 et &y&2 , on peut définir le système en boucle fermée, qui représente la dynamique

de l’erreur de poursuite.

Pour le couple électromagnétique :

3
e& y1 (t ) + e y (t ) = 0 (4.64)
2τ r 1

avec

e y1 ( t ) = y1 (t ) − y r1 ( t )

Pour la norme du flux rotorique :

5 10
&e&y 2 (t ) + e& y 2 (t ) + 2
e y 2 (t ) = 0 (4.65)
2τ r 3τ r

avec

e y 2 ( t ) = y 2 (t ) − y r2 (t )

108
 La loi de commande prédictive satisfait la stabilité de la dynamique de l’erreur de

poursuite du système non linéaire de la machine. Cette structure de commande permet le

découplage couple-flux, comme celle de linéarisation entrée-sortie, sans besoin

d’orientation du flux.

4.3.2 Commande prédictive de vitesse (boucle externe)

La dynamique mécanique du moteur est décrite par l’équation suivante :

fr 1 1
ω& ( t ) = − ω (t ) + Tem ( t ) − T L (t ) (4.66)
J J J

Le couple de charge TL est considéré comme une perturbation inconnue. Le degré relatif de

la sortie (vitesse) par rapport à la commande (couple électromagnétique) r = 1.

La prédiction de la vitesse ω(t+τr) peut être approximativement évaluée par l’expansion

en série de Taylor.

ω ( t + τ r ) = ω ( t ) + τ r ω& (t )
 f 1 1  (4.67)
= ω ( t ) + τ r  − r ω (t ) + Tem ( t ) − T L ( t ) 
 J J J 

Un algorithme simple de commande prédictive est appliqué pour ce système. Il permet

à l’erreur de poursuite de la vitesse d’atteindre zéro au futur.

ω ( t + τ r ) − ω ref ( t + τ r ) = 0 (4.68)

La prédiction de la référence de la vitesse ωr(t+τr) est approximativement calculée par

l’expansion en série de Taylor :

ω ref (t + τ r ) = ω ref (t ) + τ r ω& ref (t ) (4.69)

109
 La commande optimale est obtenue à partir de (4.67), (4.68) et (4.69), elle est donnée

par la relation :

J
Tem (t ) = −
τr
(ω (t ) − ω ref ( t ) ) + f r ω (t ) + J ω& ref (t ) + T L (t ) (4.70)

En substituant la loi de commande (4.70) dans l’équation mécanique (4.66), la

dynamique de l’erreur de poursuite est donnée par la relation :

1
e&ω ( t ) + eω ( t ) = 0 (4.71)
τr

avec

eω ( t ) = ω ( t ) − ω ref ( t )

À partir de cette équation, on peut facilement vérifier la stabilité de la dynamique de

l’erreur de poursuite.

La structure de commande en cascade du système est obtenue en considérant le couple

électromagnétique, calculé à partir de la commande prédictive de la vitesse, comme un

couple de référence pour la commande non linéaire prédictive multivariable. Par

conséquent, le système initial peut être décomposé en deux sous-systèmes en cascade. La

boucle interne incorpore le modèle couple-flux et la boucle externe est la dynamique

mécanique du moteur.

4.3.3 Dynamique du système non linéaire

Les dynamiques du moteur asynchrone (4.58) et (4.59), avec r1=1 degré relatif pour le

couple électromagnétique et r2=2 degré relatif pour la norme carré du flux rotorique, sont

110
exprimées par les équations suivantes :

 y& 1 = L f h 1 + L g h 1 u

 y& 2 = L f h 2 (4.72)
 && 2
 y 2 = Lf h2 + Lg Lf h2u

La somme des degrés relatifs est trois et l’ordre du système est cinq. Donc, deux

dynamiques sont non observables.

Le changement des coordonnées est le suivant [67]:



 z1 = h1 (x),
 z = h (x),
2 2

 z 3 = Lf h2 (x), (4.73)

 z = arctan  φ rβ  π
; - ≤ z 4 ≤
π
 4 φ
 rα  2 2

 z 5 = ω

Ensuite, les dynamiques du système avec les nouvelles coordonnées sont données par

les équations suivantes :



 z& = L f h1 + L g h1 u
 1
 z& 2 = Lf h2 = z3
 (4.74)
 z& 3 = L 2f h 2 + L g L f h 2 u

 z& 4 R r z1
= pz 5 +
 p z2

 z& 5 1

= (z 1 − fr z5 − TL )
J

111
 Les dynamiques observables sont données par :

 z&1   Lf h1   L g1 h1 L g 2 h1 
&z&  =  L2 h  +  L L h u (4.75)
 2   f 2   g1 f 2 L g 2 Lf h2 

Il est démontré dans (4.64) et (4.65), qu’avec la commande non linéaire prédictive, les

 π π
dynamiques observables sont stables. Comme z 4 appartient à l’intervalle − et la
 2 2 

dynamique de z 5 , avec la commande prédictive (4.70), est donnée par (4.71). Donc, les

dynamiques non observables sont stables.

4.3.4 Conception de l’observateur de perturbation

L’exactitude de la commande de vitesse pour la poursuite de référence est liée à la

connaissance du couple de charge TL. Puisque TL est une variable inconnue, elle doit être

estimée dans la commande par T̂L afin d’éliminer les effets de la perturbation.

À partir de (4.66), on peut mettre le couple de charge sous la forme :

1 f 1
− T L ( t ) = ω& ( t ) + r ω ( t ) − T em ( t ) (4.76)
J J J

Un observateur de perturbation, de la même forme qu’en (4.27) avec la supposition

(4.24), est exprimé par l’équation :

& 1  f 1 
TˆL ( t ) = p 0 TˆL + p 0  ω& ( t ) + r ω ( t ) − T em (t )  (4.77)
J  J J 

p0 est un paramètre à choisir pour déterminer la vitesse de la convergence.

L’erreur d’observation est la suivante :

e(t ) = TL (t ) − TˆL (t ) (4.78)

112
La dynamique de l’erreur est donnée par l’équation :

1 1
&
( )
e&(t ) = T&L (t ) − TˆL (t ) = p 0 TL (t ) − TˆL (t ) = p 0 e(t )
J J
(4.79)

p0 doit être choisi négatif tel que le système de dynamique

1
e&(t ) − p 0 e(t ) = 0 (4.80)
J

est exponentiellement stable.

Le couple de charge TL est remplacé, par son estimation TˆL , dans la loi de commande (4.70)

J
Tem ( t ) = − (ω (t ) − ω r (t ) ) + f r ω (t ) + J ω& r (t ) + TˆL (t ) (4.81)
τr

Ensuite, la loi de commande (4.81) est imbriquée dans l’observateur de perturbation (4.77)

& p
TˆL ( t ) = p 0 (ω& ( t ) − ω& r ( t ) ) + 0 (ω ( t ) − ω r ( t ) ) (4.82)
τr

Dans la structure de l’observateur de perturbation, les termes de l’erreur de la vitesse sont

inclus jusqu'à la dérivée première, qui représente le degré relatif de la sortie (vitesse) par

rapport à l’entrée.

En intégrant (4.82), on trouve :

t
p
TˆL ( t ) = p 0 (ω ( t ) − ω r ( t ) ) + 0 ∫ (ω (τ ) − ω r (τ ) )d τ (4.83)
τr 0

L’observateur de la perturbation du couple de charge possède une structure simple et se

comporte comme une commande PI pour la vitesse. Cette structure compense la

perturbation inconnue et améliore la poursuite de vitesse.

113
 Commande prédictive + PI VDC
ω ref + Teref usα* αβ usa*
CP usb*
− φ r2 CPN usβ*
ref
usc*
abc
ω TˆL
Observateur de couple de charge x̂
is, αβ abc is, abc
x̂ Observateur
d’état us, αβ us, abc
αβ

ω
MAS
IM
IM

Figure 4.2 Schéma bloc de la commande non linéaire prédictive en cascade pour un moteur

asynchrone

4.3.5 Stabilité globale de la commande cascade en boucle fermée avec observateur

d’état

Les sorties à contrôler dans un schéma de commande en cascade sont le couple

électromagnétique, la norme du flux rotorique et la vitesse. Cependant, l’intégration de

l’observateur d’état dans la chaîne de commande permet de définir les sorties observées

(flux et courant) et la sortie mesurée (vitesse) par :

ˆ Lm ˆ ˆ ˆ ˆ
 h1 = p L (φ r α i s β − φ r β i s α )
 r
ˆ
 h 2 = φˆr α + φˆr β
2 2
(4.84)
ˆ
 h3 = ω


114
 Les dérivées de hˆ1 , hˆ2 et hˆ3 sont définies, comme en (4.58), (4.59) et (4.66), par :

&
hˆ1 = Lf̂ hˆ1 + L g11 u sα + L g12 u sβ
 &
hˆ2 = Lf̂ hˆ2 (4.85)

h&ˆ = − f r hˆ + 1 T − TˆL
 3 J
3
J
em
J

où (voir annexe 2) :

Lfˆ hˆ1 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )

Lfˆ hˆ2 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )

&
Dans la mesure où ĥ 2 n’est pas une fonction des entrées, la méthode classique consiste à

dériver de nouveau. Cependant, la même remarque citée précédemment en (4.40) est vraie

dans ce cas aussi. Par conséquent, l’utilisation de la même méthode que celle en (4.41)

permet de définir la sortie auxiliaire ĥ 21 à partir de :

2
Lfˆ hˆ2 = − hˆ2 + hˆ21 + ∆ (4.86)
Tr

avec :

2L
hˆ21 = m (φˆrα iˆsα + φˆrβ iˆsβ )
Tr

k ~ k ~
∆ = 2 2 φˆrα + k 2 pωφˆrβ  isα + 2 2 φˆrβ − k 2 pωφˆrα  isβ
 Tr   Tr 

Considérons maintenant la dérivée de ĥ 21 :

&
hˆ21 = Lfˆ hˆ21 + L g11 hˆ21u sα + L g12 hˆ21u sβ (4.87)

115
avec (voir annexe 2) :

Lfˆ hˆ21 = f (iˆsα , iˆsβ , φˆrα , φˆrβ , i sα , i sβ , ω )

2 Lm ˆ
L g11 hˆ21 = φ
σ L s Tr rα
2 Lm ˆ
L g12 hˆ21 = φ rβ
σ L s Tr

Ces résultats se résument en quatre équations :

 L hˆ + L g hˆ1u sα + L g hˆ1u sβ 
 hˆ&   f̂ 1 11 12

&  
1 2 ˆ ˆ 
− h2 + h21 + ∆
 hˆ2   Tr 
 ˆ&  =  ˆ  (4.88)
ˆ ˆ
h21   Lf̂ h21 + Lg11 h21u sα + L g12 h21u sβ 
 hˆ&   f Tˆ 1 
 3  − r hˆ3 − L + Tem 
 J J J 

Les erreurs entre les trajectoires désirées des sorties et les trajectoires estimées sont

définies par :

e1 = hˆ1 − h1r


e2 = hˆ2 − h2 r
 (4.89)
e3 = hˆ21 − h21r
 ˆ
e4 = h3 − h3r

À partir des commandes prédictives (4.63) et (4.70). Les entrées peuvent être

construites de la manière suivante :

u   L hˆ L h
−1
ˆ   − L hˆ − K e + h& 
  =  g11 1
sα g12 1
  fˆ 1 1 2 1r

u sβ   L g11 hˆ21 Lg12 hˆ21  − Lfˆ hˆ21 − e2 − K 21e3 + h&21r 
 (4.90)
 J ˆ & ˆ
Tem = − e4 + f r h3 + Jh3r + TL
 τ r

116
les erreurs de poursuite deviennent :

 e&1   − K 1e1 
e&   2 ˆ + hˆ + ∆ − h& 
 − h
 2  = Tr 2 21 2r
(4.91)
e&3   
   − K 3 e3 − e2 
e &
 4   − K 4 e4 


h1r, h2r et h3r sont des références connues, qu’on suppose continues et dérivables. Par contre,

la variable h21r doit être définie.

Soit la définition de la variable h21r :

2 ˆ
h21r = h2 + h&2 r − K 2 e2 (4.92)
Tr

qui conduit au système d’erreurs suivant :

 e&1   − K 1e1 
e&  − K e + e + ∆ 
 2 =  2 2 3  (4.93)
e&3   − K 3 e3 − e2 
   
e&4   − K 4 e4 

Ki sont des paramètres à choisir à partir de la loi de commande prédictive et de

l’observateur d’état.

Une fonction de Lyapunov peut être choisie pour étudier la stabilité de la commande :

e12 + e22 + e32 + e42

V2 = (4.94)
2

Sa dérivée est :

V&2 = − K 1e12 − K 2 e22 − K 3 e32 − K 4 e42 + ∆e2 (4.95)

117
 Cette expression fait apparaître une forme non quadratique et n’induit pas, seule, la

stabilité de la commande. L’étude doit donc être menée de manière globale en considérant

la commande cascade en boucle fermée et l’observateur.

La même fonction de Lyapunov candidate V, que celle choisie auparavant (4.51), peut

être considérée pour étudier la stabilité du système complet :

V = V1 + V2 (4.96)

Sa dérivée est donnée par :

~ ~ 1 ~2 ~2
V& = − K 1e12 − K 2 e22 − K 3 e32 − K 4 e42 − (γ + k1 )[ isα2 + isβ2 ] − [φ rα + φ rβ ]
Tr γ 2
(4.96)
 L ~ ~ ~ ~ ~ ~
+  m [ isα φ rα + isβ φ rβ ] − [ f ia isα + f ib isβ ] + ∆e2
 Tr γ 2 

Une condition suffisante pour avoir V& < 0 est donnée par :

  L2m 
 1 
k > − γ  cf. (1.45)
  Tr γ 2 
 ~ ~ (4.97)
− [ f ia isα + f ib isβ ] + ∆e2 = 0
 K > 0; K > 0; K > 0; K > 0
 1 2 3 4

En remplaçant ∆ par sa valeur (4.86), la deuxième condition de (4.97) devient :

~ ~ k ~ k ~
[ f ia isα + f ib isβ ] = 2 2 φˆrα + k 2 pωφˆrβ  isα e2 + 2 2 φˆrβ − k 2 pωφˆrα  isβ e2 (4.98)
 Tr   Tr 

qui est satisfaite pour fia et fib choisis tels que :

  k2 
 f ia = 2 φˆrα + k 2 pωφˆrβ e2
  Tr 
 (4.99)
 f = 2 k 2 φˆ − k pωφˆ e
 ib  T rβ 2 rα  2
  r 

118
 ~ ~ ~ ~
Ceci conduit à V& < 0 lorsque le vecteur [e1 , e2 , e3 , e4 , isα , isβ , φ sα , φ sβ ] est différent du

vecteur nul. V est une fonction de Lyapunov pour le système global. Par conséquent, le

système complet (procédé + commande en cascade + observateur) est stable et la

convergence est exponentielle.

4.4 Résultats de simulation

Les lois de commande proposées dans ce chapitre, représentées graphiquement sur les

figures 4.1 et 4.2, ont été implantées numériquement sur Simulink/Matlab. Le couple de

charge, considéré comme une perturbation inconnue, est estimé par un observateur de

perturbation, et les états du système sont estimés par un observateur d’état.

4.4.1 Commande prédictive non linéaire multivariable

Les paramètres du contrôleur sont : Ts=10-4s, τr=1ms, p0= -0.001.

Les figures 4.3, 4.4, 4.5, 4.6 et 4.7 présentent les résultats de simulation pour la

poursuite de trajectoires de vitesse et de flux, les composantes de la tension et du courant

statoriques et l’estimation de la perturbation (couple de charge) respectivement. Tandis que,

les figures 4.8, 4.9 et 4.10 présentent les réponses du système, vitesse, flux et estimation de

couple de charge, respectivement dans le cas où le modèle de la machine est affecté par des

variations paramétriques.

119
 Figure 4.3 Vitesse rotorique et erreur de vitesse du système piloté par une CNP PID

Figure 4.4 Norme du flux rotorique et erreur de flux du système piloté par une CNP PID

120
Figure 4.5 Composantes (α, β) de la tension statorique (CNP PID)

Figure 4.6 Composantes (α, β) du courant statorique (CNP PID)

121
 Figure 4.7 Estimation du couple de charge (CNP PID)

Figure 4.8 Vitesse rotorique et erreur de vitesse du système piloté par une CNP PID
(avec variations paramétriques)

122
Figure 4.9 Norme du flux rotorique et erreur de flux du système piloté par une CNP PID
(avec variations paramétriques)

Figure 4.10 Estimation du couple de charge (CNP PID avec variations paramétriques)

123
 Les résultats obtenus montrent que les performances de poursuites de vitesse et de flux

sont très satisfaisantes en comparant avec les autres lois de commande (chapitre 2 et 3).

L’erreur de vitesse tend rapidement vers le zéro après chaque changement brusque du

couple de charge. Ceci est dû à la compensation de perturbation par l’observateur de

perturbation qui se comporte comme un contrôleur PID de la vitesse. Ce contrôleur, intégré

dans la loi de commande non linéaire prédictive, améliore la performance de poursuite de la

vitesse. La norme du flux rotorique est plus proche de la référence comparée aux lois de

commande précédentes, car l’erreur de vitesse, qui influence le comportement de

l’observateur d’état, est diminuée. L’observateur de perturbation donne une estimation

satisfaisante pour le couple de charge. Dans le cas des variations de paramètres, la

performance de poursuite de trajectoires reste satisfaisante. Un choix judicieux des

paramètres du contrôleur prédictif permet aux tensions et courants statoriques d’être dans la

zone de limite de saturation.

4.4.2 Commande prédictive non linéaire en cascade

L’horizon dans le contrôleur prédictif multivariable est τr=1ms, et celui du contrôleur de

vitesse τr=5ms avec p0=5. Les figures 4.11, 4.12, 4.13, 4.14 et 4.15 présentent les réponses

du système pour la poursuite de trajectoires de vitesse et de flux, les composantes de la

tension et du courant statoriques et l’estimation de la perturbation (couple de charge)

respectivement. Tandis que, les figures 4.16, 4.17 et 4.18 présentent les réponses pour la

vitesse, le flux et l’estimation du couple de charge, respectivement dans le cas avec des

variations paramétriques.

124
 Figure 4.11 Vitesse rotorique et erreur de vitesse du système piloté par une CNP en cascade

Figure 4.12 Norme du flux rotorique et erreur de flux du système piloté par une CNP en cascade

125
Figure 4.13 Composantes (α, β) de la tension statorique
(CNP en cascade)

Figure 4.14 Composantes (α, β) du courant statorique

(CNP en cascade)

126
 Figure 4.15 Estimation du couple de charge (CNP en cascade)

Figure 4.16 Vitesse rotorique et erreur de vitesse du système piloté par une CNP en cascade
(avec variations paramétriques)

127
Figure 4.17 Norme du flux rotorique et erreur de flux du système piloté par une CNP en cascade
(avec variations paramétriques)

Figure 4.18 Estimation du couple de charge (CNP en cascade avec variations paramétriques)

128
 Les mêmes remarques faites précédemment pour la commande prédictive s’appliquent

pour la commande non linéaire prédictive en cascade. Seule la performance de

l’observateur de couple de charge est moins bonne que celle de la première commande

prédictive; ceci peut être expliqué par le fait que cette fois-ci l’observateur est de type PI,

tandis que l’autre est de type PID, donc, moins d’informations sont disponibles pour

l’estimation.

4.5 Conclusion

Dans le cadre de ce chapitre, qui présente une partie majeure du thème de cette thèse de

recherche, deux variantes de la commande prédictive non linéaire ont été élaborées. La

première, de type multivariable, permet la poursuite de trajectoires prédéfinies pour la

vitesse rotorique et la norme du flux rotorique. La seconde est de type cascade, avec une

commande multivariable pour les sorties couple électromagnétique et norme du flux

rotorique, ce qui constitue la boucle interne, alors qu’une autre externe est pour la

commande de la vitesse. L’application de ces stratégies de commande au moteur

asynchrone rend le système en boucle fermée linéaire et stable, et permet en plus un

placement de pôles en fonction des paramètres du contrôleur. L’estimation du couple de

charge joue un rôle très important dans ces stratégies de commande, car en plus d’un rejet

rapide de la perturbation, elle permet d’améliorer les performances de la poursuite des

trajectoires. Cette amélioration est liée à la structure de l’estimateur, qui est un contrôleur

PID de vitesse pour la commande non linéaire prédictive multivariable, car le degré relatif

de la sortie vitesse est deux, et PI pour celle en cascade, où le degré relatif de la sortie

129
vitesse est un. Cette structure d’estimation de la perturbation permet d’aboutir à une

combinaison de deux lois de commande appelée commande non linéaire PID (ou PI)

prédictive. L’étude de ces deux variantes de la commande prédictive nous permet de

constater que la structure de l’observateur de perturbation dépend du degré relatif de la

sortie à contrôler. L’erreur de la vitesse rotorique a une influence significative sur le

comportement de l’observateur, sa structure permet un rejet de perturbation mieux qu’une

estimation. Le couplage commande et observateur d’état est réalisé parfaitement tout en

garantissant une stabilité globale du système complet (procédé + commande + observateur).

Le choix des variables auxiliaires dans l’analyse de stabilité est lié aux degrés relatifs des

sorties à contrôler. Cette propriété de stabilité globale peut être généralisée pour d’autres

observateurs plus sophistiqués comme le filtre de Kalman.

130
 CHAPITRE V

SIMULATION EN TEMPS RÉEL À L’AIDE DE

LA PLATE-FORME RT-LAB

131
 CHAPITRE V

SIMULATION EN TEMPS RÉEL À L’AIDE DE LA PLATE-FORME RT-LAB

5.1 Introduction

La simulation en temps réel est une technique aujourd’hui largement utilisée par les

secteurs de l’industrie de haute technologie tels que l’automatique et l’aéronautique (avion,

satellite, commande haute performance, etc.). Pour ces industries, la simulation en temps

réel avec intégration de matériel dans la boucle permet de faire le prototypage rapide des

systèmes de contrôle de façon économique, sécuritaire et rapide. La simulation en temps

réel est un outil d’analyse puissant, permettant de prévoir le comportement d’un système

sous l’action d’un évènement particulier et de voir son évolution en temps réel. Cette

méthode de conception permet de déceler les problèmes potentiels du système, de réduire le

facteur d’erreur humaine et les risques d’interruption du système. L’utilisation du temps

réel est donc un outil idéal pour concevoir des systèmes de toute sorte comparativement aux

méthodes de conception traditionnelles.

Le but de ce chapitre est de tester dans un environnement de simulation en temps réel

les stratégies de commande non linéaire prédictive développées dans le cadre de cette thèse

pour le contrôle d’une machine asynchrone. L’outil utilisé dans ce travail pour la simulation

132
en temps réel est la plate-forme RT-LAB. Ce chapitre est organisée comme suit : après une

définition du concept de système temps réel, une description de la plate-forme RT-LAB

avec son principe de fonctionnement est donnée. Ensuite, l’implantation des lois de

commande prédictive pour l’entraînement du moteur asynchrone dans cet environnement

est présentée avec les résultats de simulation.

5.2 Système temps réel

Un système temps réel est un système qui interagit avec un environnement qui a des

propriétés temporelles variables, qui affiche un comportement dépendant du temps et

prévisible, et ce par l’exploitation de ressources limitées.

La validité d’un système temps réel dépend du résultat logique du traitement et du

temps auquel le résultat est produit. Ainsi, un système temps réel doit satisfaire deux

contraintes importantes :

• Exactitude logique: sorties adéquates en fonction des entrées, assurant le

comportement désiré suite à des événements et aux données communiquées;

• Exactitude temporelle: rencontre des contraintes temporelles pour permettre de

présenter les sorties au bon moment.

Les contraintes temporelles peuvent être classées en trois niveaux:

- Souple : système dont la performance est dégradée mais sans engendrer des

conséquences dramatiques si les contraintes temporelles ne sont pas rencontrées

(résultat avec un retard occasionnel, avec une limite maximale habituellement;

exemple : multimédia, jeux vidéo);

133
 - Sévère : système dont l’incapacité de rencontrer les contraintes temporelles cause la

faute du système (exemple : système de contrôle d’un avion);

- Ferme : contrainte sévère mais où une faible probabilité de manquer les limites

temporelles peut être tolérée.

La caractéristique principale permettant de qualifier un système temps réel n’est pas

l’échelle de temps d’opération, mais l’emphase sur les contraintes temporelles requises

pour son comportement (on cherche en fait à garantir la réponse temporelle du système à

des événements externes).

Le réglage du pas d’échantillonnage très petit, dans un système numérisé, permet de

rendre le comportement du système très proche de son environnement réel (analogique).

Cependant, l’implantation numérique du système est limitée par les technologies du

traitement des signaux numériques. Par conséquent, le pas d’échantillonnage peut être

augmenté jusqu'à un niveau où les résultats ne sont pas affectés par cette augmentation.

Dans le cadre de ce travail, le moteur asynchrone, comme un système dynamique

rapide, nécessite de prendre en considération un niveau sévère de contrainte temporelle

avec un pas d’échantillonnage très petit afin de garantir son bon fonctionnement.

5.3 Concept de la simulation numérique en temps réel

La simulation numérique en temps réel est réalisée à partir de la plate-forme RT-LAB,

qui est un système distribué sur plusieurs ordinateurs. Le système est optimisé pour

exécuter plusieurs sous-systèmes en temps réel sur ces ordinateurs, avec un résolveur à pas

134
fixe performant. La figure 5.1 présente le concept de simulation en temps réel pour

l’entraînement d’une machine asynchrone. Le système contrôlé est séparé en trois sous-

systèmes (modules), afin de l’exécuter sur trois processeurs (cibles) en parallèle. Le

premier est destiné au modèle de la machine, l’alimentation et l’observateur d’état, le

deuxième à l’exécution du contrôleur, et le dernier, qui est une interface d’utilisateur, à

l’acquisition des données. Un générateur automatique de code permet d’obtenir un code C

de chaque module pour une exécution en temps réel.

QNX

QNX
MAS

QNX

Figure 5.1 Simulation en temps réel du système d’entraînement de la machine asynchrone

135
 Pour la liaison entre les processeurs, un bloc de communication est ajouté à chaque

modèle de sous-système afin de synchroniser le transfert des données. Par conséquent, ces

données doivent être de type variable d’état pour permettre une exécution simultanée des

sous-systèmes en parallèle. Dans le cas contraire, ils doivent être suivis par des opérateurs

de retard. Il faut être attentif lors de l’ajout de ces opérateurs, afin de ne pas détériorer le

comportement du système à contrôler.

La simulation en temps réel est une étape essentielle dans la procédure de prototypage

rapide. Dès que les exigences de conception du système contrôlé sont satisfaites en mode

de simulation, le système physique (la machine) est intégré dans la chaîne de commande à

partir d’une interface entrée-sortie rapide pour remplacer le modèle de simulation réel. Le

concept est présenté dans la figure 5.2.

Lorsque la simulation avec matériel dans la boucle est réalisée avec bonne performance,

le code C généré automatiquement du modèle temps réel du contrôleur peut être utilisé

comme un système de commande en le transférant dans la mémoire d'un contrôleur

incorporé dans le système physique (le moteur). Ce procédé est connu sous le nom de

prototypage rapide de commande [1, 79].

Modèle temps réel de la

machine asynchrone et le
convertisseur de puissance
Modèle temps réel
de la commande
N A
MAS
A N

Figure 5.2 Simulation avec matériel dans la boucle du système d’entraînement de la machine

136
5.4 Implantation de la simulation numérique en temps réel

La performance de la loi de commande non linéaire prédictive pour l’entraînement de la

machine asynchrone, pour les différentes stratégies de commande (figures 3.5, 4.1 et 4.2),

est testée numériquement en temps réel par le système RT-LAB.

La figure 5.3 montre le principe de fonctionnement du système RT-LAB. Il utilise le

logiciel Simulink/Matlab pour modéliser le système d’entraînement de la machine. Le

simulateur RT-LAB divise le système global en sous-systèmes. Chacun de ces derniers est

affecté à un processeur cible fonctionnant sous QNX. Le code C est généré

automatiquement pour chaque sous-système pour une exécution en temps réel [98].

Simulink

Séparation du Génération de
modèle
Simulateur RT-LAB code

Séparation en sous- Génération du code

systèmes pour C pour une exécution
exécution sur des en temps réel
processeurs Simulation temps réel avec
individuels interface d’entrée-sortie

Processeur Processeur Processeur Les processeurs cibles des

cible 1 cible 2 cible n cartes externes fonctionnent
sous QNX - RTOS

Figure 5.3 Schéma de l’implantation de la simulation en temps réel

137
 La machine asynchrone entraînée par une loi de commande non linéaire prédictive est

implantée dans la plate-forme RT-LAB, qui est composé de trois processeurs cibles, pour

vérifier la performance. La figure (5.4) présente la répartition des différents sous-systèmes

de la structure de commande du moteur. Le premier processeur Esclave#1 : ss_controleur,

figure (5.5), calcule la commande non linéaire prédictive. Le deuxième, Esclave#2 :

ss_moteur, figure (5.6), contient l’alimentation de la machine, le modèle du moteur

asynchrone et l’observateur d’état. Ces deux processeurs sont des Pentium III (480 MHz)

installés sur une carte mère dual-CPU avec une mémoire partagée de 512 MB. Le troisième

processeur, Maître : sm_acquisition_donnees, figure (5.7), est dédié à l’acquisition des

données pour les transmettre à la console et contient aussi les signaux de référence pour la

commande, c’est un Pentium III (400 MHz) avec une mémoire de 128 MB. La console :

sc_interface, figure (5.8), est dédiée à la visualisation et à la sauvegarde des données.

Ensuite, des blocs de communication sont insérés dans les sous-systèmes. Ils interceptent

les signaux entrants avant de les envoyer aux blocs de calcul, et fournir des informations au

système RT-LAB sur le type et la taille de ces signaux. L’ajout de ces blocs est dû au fait

que les connexions entre les sous-systèmes dans l’environnement RT-LAB sont réalisées

par des liaisons de communication matériel. Ces blocs permettent aussi le contrôle de la

vitesse du flux des données entre les sous-systèmes, ainsi que le choix du pas

d’échantillonnage pour chaque sous-système.

138
Figure 5.4 Répartition des sous-systèmes de la structure d’entraînement du moteur

139
Figure 5.5 Illustration du module : ss_controleur.

140
 Figure 5.6 Illustration du module : ss_moteur.

Figure 5.7 Illustration du module : sm_acquisition_donnees.

141
 Figure 5.8 Illustration du module : sc_interface

5.5 Résultats de simulation en temps réel

Le choix du pas d’échantillonnage est primordial pour une simulation temps réel. Le

système RT-LAB, dont les caractéristiques sont décrites dans la section précédente, permet

d’utiliser un pas Ts= 100µs pour la cible (Esclave#1), Ts= 50µs pour l’exécution de la cible

(Esclave#2) et Ts= 1ms pour la cible (Maître) qui est destinée seulement à l’acquisition des

données.

142
 Les lois de commande non linéaire prédictive, étudiées dans le cadre de cette thèse, sont

testées pour différentes formes de référence de la vitesse.

5.5.1 Commande prédictive neuronale

Les paramètres du contrôleur sont : Ts=10-4s, Nh=5, N1=0, N2 = 1, Nu = 1, λ1 = 2.5, λ2 = 103.

Les figures 5.9 et 5.10 montrent les réponses de vitesse et de la norme de flux, ainsi que

les comparaisons avec les références. Le réseau de neurones est entraîné en ligne dans la

structure de commande. Il est clair que la performance de la réponse du système est

insuffisante. Respecter les contraintes temporelles de la simulation en temps réel ne permet

pas d’augmenter les horizons de prédiction et le nombre de neurones en couche cachée pour

améliorer la réponse.

Figure 5.9 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CPN

143
Figure 5.10 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CPN

5.5.2 Commande non linéaire prédictive multivariable

Les paramètres du contrôleur sont : Ts=10-4s, τr=2ms, p0= -0.005.

Les figures 5.11 et 5.12 présentent les réponses de vitesse et de la norme de flux, ainsi

que les comparaisons avec les références pour les basses vitesses. L’estimation du couple

de charge est montrée dans la figure 5.13.

Pour tester la robustesse du contrôleur, les paramètres de la machine sont variés dans le

modèle du moteur, tandis que les valeurs nominales sont prises dans le calcul du contrôleur.

Les figures 5.14 et 5.15 présentent les réponses de la vitesse et de la norme de flux, ainsi

que les comparaisons avec les références. La figure 5.16 présente l’estimation du couple de

charge.

144
 Pour une référence de vitesse inversée, les figures 5.17 et 5.18 présentent les réponses

de vitesse et de la norme de flux, ainsi que les erreurs correspondantes. Les figures 5.19 et

5.20 montrent les tensions et les courants statoriques qui en résultent. L’estimation du

couple de charge est présentée dans la figure 5.21.

Pour des paramètres de machine mal adaptés, les figures 5.22, 5.23 et 5.24 présentent

les réponses du système pour la vitesse, la norme de flux et l’estimation du couple de

charge respectivement.

Figure 5.11 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP PID
(basses vitesses)

145
Figure 5.12 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
PID (basses vitesses)

Figure 5.13 Estimation du couple de charge (CNP PID)

146
Figure 5.14 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP PID
(basses vitesses avec variations paramétriques)

Figure 5.15 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
PID (basses vitesses avec variations paramétriques)

147
 Figure 5.16 Estimation du couple de charge (CNP PID avec variations paramétriques)

Figure 5.17 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP PID
(vitesses inversées)

148
Figure 5.18 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
PID (vitesses inversées)

Figure 5.19 Composantes (α, β) de la tension statorique (CNP PID)

149
 Figure 5.20 Composantes (α, β) du courant statorique (CNP PID)

Figure 5.21 Estimation du couple de charge (CNP PID vitesses inversées)

150
Figure 5.22 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP PID
(vitesses inversées avec variations paramétriques)

Figure 5.23 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
PID (vitesses inversées avec variations paramétriques)

151
 Figure 5.24 Estimation du couple de charge
(CNP PID, vitesses inversées avec variations paramétriques)

Les résultats obtenus montrent que les performances de poursuite de vitesse et de flux

sont satisfaisantes pour différentes formes de référence de vitesse (basse vitesse et vitesse

inversée). L’erreur de vitesse tend rapidement vers zéro après chaque changement du

couple de charge. L’estimation du couple de charge est moins bonne que celle réalisée au

chapitre 4, mais elle demeure satisfaisante. La diminution de l’estimation est liée à

l’augmentation du pas d’échantillonnage et au temps de communication entre les sous-

systèmes, ce qui influence sur l’erreur de la vitesse et la réponse de l’observateur d’état. Le

changement de vitesse pour des grandes valeurs provoque une variation légère dans l’erreur

entre la réponse du système et la référence, qui est bien observée pour les grandes valeurs

de vitesse. Cette variation, qui n’existe pas dans les résultats de simulations du chapitre 4,

152
est due au phénomène du retard du signal de référence par rapport à la réponse du système

lié au pas d’échantillonnage de chaque sous-système, le signal de référence appartient au

sous-système (Maître) avec un pas de 1ms, tandis que celui de la réponse provient du sous-

système (Esclave#2) avec un pas de 50µs.

Dans le cas de variations paramétriques, la performance du système contrôlé reste

satisfaisante malgré la détérioration de l’estimation du couple de charge. La structure PID

de l’observateur de perturbation améliore la performance de la poursuite des trajectoires, le

rejet de perturbation et la robustesse aux variations de paramètres.

5.5.3 Commande non linéaire prédictive en cascade

Les paramètres du contrôleur multivariable sont: τr=1ms, et les paramètres du contrôleur de

vitesse sont τr=5ms, p0=-5.

Les figures 5.25 et 5.26 présentent les réponses de la vitesse et de la norme de flux,

ainsi que les comparaisons avec les références pour de basses vitesses. L’estimation du

couple de charge est montrée dans la figure 5.27. Pour tester la robustesse du contrôleur, les

paramètres de la machine sont variés dans le modèle du moteur, tandis que les valeurs

nominales sont prises dans le calcul du contrôleur. Les figures 5.28 et 5.29 présentent les

réponses de la vitesse et de la norme de flux, ainsi que les comparaisons avec les

références. La figure 5.30 présente l’estimation du couple de charge.

Les figures 5.31 à 5.37 présentent les mêmes réponses que celles décrites

précédemment, ainsi que les tensions et les courants statoriques, mais cette fois-ci pour une

référence de vitesse inversée.

153
Figure 5.25 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP en
cascade (basses vitesses)

Figure 5.26 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
en cascade (basses vitesses)

154
 Figure 5.27 Estimation du couple de charge (CNP en cascade, basses vitesses)

Figure 5.28 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP en
cascade (vitesses inversées avec variations paramétriques)

155
Figure 5.29 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
en cascade (vitesses inversées avec variations paramétriques)

Figure 5.30 Estimation du couple de charge

(CNP en cascade, vitesses inversées avec variations paramétriques)

156
Figure 5.31 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP en
cascade (vitesses inversées)

Figure 5.32 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
en cascade (vitesses inversées)

157
Figure 5.33 Composantes (α, β) de la tension statorique
(CNP en cascade)

Figure 5.34 Composantes (α, β) du courant statorique

(CNP en cascade)

158
 Figure 5.35 Estimation du couple de charge (CNP en cascade)

Figure 5.36 Vitesse rotorique et erreur de vitesse du système piloté en temps réel par une CNP en
cascade (vitesses inversées avec variations paramétriques)

159
Figure 5.37 Norme du flux rotorique et erreur de flux du système piloté en temps réel par une CNP
en cascade (vitesses inversées avec variations paramétriques)

Que l’évaluation porte sur la performance de la commande non linéaire prédictive en

cascade ou sur celle de la commande non linéaire prédictive multivariable, nous arrivons

aux mêmes remarques. Dans le cas de variations des paramètres, malgré la détérioration de

l’estimation du couple de charge, le rejet de perturbation reste satisfait.

5.6 Conclusion

RT-LAB est un logiciel de développement avec du matériel dans la boucle. Il permet de

distribuer le calcul d'un modèle complexe de système ou de régulateur sur plusieurs noeuds

de calcul de type PC. Il est utilisé dans cette thèse pour tester la performance de la loi de

commande prédictive, pour le suivi de trajectoires d’un moteur asynchrone en temps réel.

160
Cette simulation est proche d’une implantation expérimentale, car elle met en évidence

toutes les contraintes, comme le pas d’échantillonnage, le temps d’exécution, etc., liées à

une expérimentation dans un environnement réel. Les résultats montrent l’efficacité de la

commande non linéaire prédictive pour résoudre le problème de suivi de trajectoires dans le

domaine des entraînements à vitesse variable par machines asynchrones.

161
CONCLUSIONS ET PERSPECTIVES

162
 CONCLUSIONS ET PERSPECTIVES

Cette thèse est le résultat d’un travail consacré à la commande non linéaire prédictive

pour la mise en œuvre d’un actionneur asynchrone. Le travail s’inscrit dans le cadre d’une

activité de recherche multidisciplinaire. Il permet d’aborder plusieurs domaines tels que

l’automatique (système, commande), l’électrotechnique (machine électrique) et

l’informatique industrielle (temps réel). L’étude théorique de la commande non linéaire

prédictive a montré la possibilité de résoudre le problème de poursuite de trajectoires

prédéterminées pour un moteur asynchrone avec de bonnes performances.

Le moteur asynchrone est un système non linéaire, multivariable, soumis à des

variations paramétriques et à des perturbations inconnues. L’étude réalisée dans ce travail

concerne la commande à vitesse variable d’un moteur asynchrone. Divers algorithmes de

commande ont été abordés, soit la commande vectorielle, la commande par linéarisation

entrée-sortie et la commande directe de couple. Cette étude révèle les motivations à

entreprendre une thèse de recherche dans le domaine de la commande prédictive pour

l’entraînement d’un moteur asynchrone.

Deux types de commande non linéaire prédictive multivariable, selon la conception du

modèle de prédiction, ont été réalisés.

Une commande prédictive neuronale a été étudiée, où le modèle de prédiction est conçu

163
à partir d’un réseau de neurones avec des paramètres fixes après un apprentissage hors

ligne. Cette modélisation non linéaire ne nécessite pas une connaissance du modèle de la

machine, elle a seulement besoin d’informations sur les entrées/sorties du procédé. La

fonction de coût, à minimiser, est une relation quadratique de l’erreur entre la sortie et la

référence prédéterminée, ainsi qu’une pondération de la commande renforcée par un

modèle de commande de référence calculé à partir de l’inversion du modèle de la machine.

Cette fonction est optimisée en ligne, la charge de calcul pour la tâche d’optimisation

dépend du nombre d’itérations nécessaire pour trouver la commande optimale à chaque

instant de temps et aux valeurs des horizons. Comme le système est à dynamique rapide,

nous avons proposé d’intégrer un modèle de référence de la commande dans la fonction de

coût afin d’accélérer l’optimisation. Un apprentissage en ligne du réseau de neurones peut

être pris en considération pour avoir une commande adaptative. Cependant, cette procédure

entraîne une augmentation de la charge de calcul de la commande et ne donne pas

nécessairement les performances souhaitées. Par conséquent, l’outil pour une implantation

en temps réel doit satisfaire les contraintes de la charge de calcul. Il est clair que notre

étude, sur l’application de la commande prédictive neuronale au moteur asynchrone,

n’aboutit pas à des résultats très satisfaisants. Cet état de chose n’affaiblit pas notre travail,

elle permet de mettre en lumière les différents problèmes à prendre en considération dans la

poursuite du travail. Comme perspective, il sera intéressant de voir d’autres structures de

réseaux de neurones et d’autres méthodes d’optimisation pour résoudre les problèmes

rencontrés dans ce travail.

D’autre part, la commande non linéaire prédictive fait appel aux outils mathématiques

164
de la géométrie différentielle. Le modèle de prédiction est calculé à partir d’une expansion

en série de Taylor; donc, le système non linéaire doit être bien déterminé, ce qui est le cas

pour le moteur asynchrone. La fonction de coût est une relation quadratique de l’erreur

entre les sorties du système et les références, sans nécessité de renforcer la commande.

L’optimisation de cette fonction est réalisée en ligne et le temps d’exécution est minimal,

car à chaque instant de temps, la commande calculée est optimale. L’intégration dans la

boucle de commande d’un observateur de perturbation (couple de charge), réalisé à partir

de la commande prédictive, permet d’améliorer le comportement du système contrôlé, car il

réagit comme un contrôleur PID ou PI de vitesse. La structure de cet observateur dépend du

degré relatif de la sortie (vitesse) à contrôler. Cette combinaison de commande non linéaire

PID (ou PI) prédictive augmente les performances de suivi de trajectoires, le rejet de

perturbation et la robustesse aux variations paramétriques. La stabilité du système en

boucle fermée est garantie, car la commande linéarise le système bouclé et permet un

placement de pôles. Le couplage de la commande non linéaire prédictive avec un

observateur d’état est réalisé avec de bonnes performances tout en garantissant une stabilité

globale du système complet (procédé + commande + observation). Le choix des variables

auxiliaires pour l’analyse de la stabilité globale est lié aux degrés relatifs des sorties à

contrôler.

Le comportement de l’observateur d’état pour l’estimation du flux est lié à la réponse

du système en vitesse. Il sera donc intéressant de recourir à l’utilisation d’observateurs plus

évolués pour reconstruire l’état du rotor et garantir la stabilité globale du système complet.

La simulation numérique en temps réel a permis la mise en œuvre de la commande non

165
linéaire prédictive avec de bonnes performances dans un environnement proche de la

réalité.

Le tableau suivant donne une comparaison entre la commande non linéaire prédictive et la

commande prédictive neuronale.

Commande non linéaire prédictive Commande neuronale prédictive

Outil de base Le modèle non linéaire de prédiction Le modèle non linéaire de prédiction
est à base d’outil de géométrie est à base d’outil d’intelligence
différentielle (expansion en série de artificielle (réseau de neurones).
Taylor).
Caractéristique Le modèle de prédiction nécessite la Le modèle de prédiction nécessite
connaissance des états du système. seulement de connaître les
entrées/sorties du système.
Fonction de La fonction de coût est une relation La fonction de coût est une relation
coût quadratique de l’erreur entre les quadratique de l’erreur et une
sorties du système et les références pondération de la commande
sans nécessité de renforcer la renforcée par un modèle de
commande. référence.
Optimisation La fonction de coût est optimisée par La fonction de coût est optimisée en
un calcul direct à chaque instant de ligne par plusieurs itérations à
temps. chaque instant de temps.
Temps Le temps d’exécution pour Le temps d’exécution pour
d’exécution l’optimisation est minimal car à l’optimisation dépend du nombre
chaque instant de temps la d’itérations nécessaire pour trouver
commande calculée est optimale. la commande calculée est optimale à
chaque instant de temps.
Rejet de L’observateur de perturbation est L’adaptation est réalisée par un
perturbation intégré dans la loi de commande et entraînement en ligne du réseau de
se comporte comme un contrôleur neurones. Cependant, le rejet de
PID ou PI. Le rejet de perturbation perturbation n’est pas réalisé
est satisfait par la nouvelle loi de parfaitement.
commande.
Ajustement des Les paramètres du contrôleur sont Les paramètres du contrôleur sont
paramètres simples à ajuster, par exemple à difficiles à ajuster, il n’existe pas
partir d’une étude théorique de une règle générale pour le choix de
placement de pôles. ces paramètres

Tableau de comparaison entre la commande non linéaire prédictive

et la commande neuronale prédictive

166
 PUBLICATIONS

Le travail de recherche réalisé dans cette thèse a donné lieu à un certain nombre de

publications dans le domaine de la commande des machines électriques.

Publications dans des revues internationales avec comité de lecture

1. Merabet A., M. Ouhrouche and R.T. Bui, Globally stable nonlinear PID predictive

control with state observer for induction motor drives, submitted to International

Journal of Robust and Nonlinear Control, 2007.

2. Merabet A., M. Ouhrouche and R.T. Bui, Neural generalized predictive control for

induction motor, International Journal of Theoretical and Applied Computer Sciences,

vol. 1, no. 1, pp. 83-100, 2006.

3. Ouhrouche M., A. Merabet and R.T. Bui, Predictive control based on neural networks

with reference model for an induction motor sensorless drive, WSEAS Transactions on

Systems, vol. 4, no. 5, pp. 593-600, 2005.

Publications dans les actes de conférences internationales avec comité de lecture

1. Merabet A., M. Ouhrouche, R.T. Bui and H. Ezzaidi, Nonlinear PID predictive control

of induction motor drives, Proceedings of the IFAC Workshop on Nonlinear Model

167
 Predictive Control for Fast Systems NMPC06, Grenoble, France, October 9-11, pp. 53-

58, 2006.

2. Merabet A., M. Ouhrouche and R.T. Bui, Nonlinear predictive control with

disturbance observer for induction motor drive, IEEE International Symposium on

Industrial Electronics ISIE06, Montreal, Canada, July 9-13, pp. 86-91, 2006.

3. Merabet A., M. Ouhrouche, R.T. Bui and J.S. Thongam, Nonlinear multivariable

control of induction motor based on generalized predictive control, Proceedings of the

8th IASTED International Conference on Control and Applications CA06, Montreal,

Canada, May 24-26, pp. 7-12, 2006.

4. Merabet A., M. Ouhrouche, R.T. Bui and J.S. Thongam, Neural network based input-

output modeling for an induction motor drive, Proceedings of the 5th IASTED

International Conference on Modelling, Simulation and Optimization MSO05,

Oranjestad, Aruba, August 29-31, pp. 108-113, 2005.

5. Ouhrouche M., A. Merabet and R.T. Bui, Model reference neural predictive controller

for induction motor drive, Proceedings of the 9th WSEAS International Conference on

Systems, Vouliagmeni, Athens, Greece, July 11-13, 2005.

6. Merabet A., M. Ouhrouche, R.T. Bui and H. Ezzaidi, Neural predictive control based

speed and flux tracking in induction motor drives, Proceedings of the 7th IASTED

International Conference on Control and Applications CA05, Cancun, Mexico, May 18-

20, pp. 24-29, 2005.

168
 BIBLIOGRAPHIE

[1] Baraços P., G. Murere, CA. Rabbath and W. Jin, Enabling PC-based HIL simulation

for automotive applications, Proceedings of the IEEE International Electric Machines

and Drives Conference (IEMDC'01), Cambridge, MA, USA, 2001.

[2] Barra K. and K. Benmahammed, A new extended cascaded predictive control ECGPC

of an induction motor drive with energy saving, IEEE Mediterranean Electrotechnical

Conference, Benalmaden, Spain, pp. 1150-1153, 2006.

[3] Barut M., S. Bogosyan and M. Gokasan, Speed sensorless direct torque control of

IMs with rotor resistance estimation, Energy Conversion and Management, 46, pp.

335-349, 2005.

[4] Benchaib A., A. Rachid and E. Audrezet, Sliding mode input-output linearization and

field oriented control for real-time control of induction motors, IEEE Transactions on

Power Electronics, vol.14, no.1, pp. 3-13, 1999.

[5] Blaschke F. The Principle of Field Orientation as Applied to the New Transvector

Closed-Loop Control System for Rotating Field Machines, Siemens Review, vol. 39,

pp-217-220, 1972.

[6] Bleile T., D. Dumer and P. Boucher. Delta-operator generalized predictive control

with multiple reference models. Proceedings of the 33 rd Conference on Decision and

169
 Control, Lake Buena Vista, USA, pp. 3030-3031, 1994.

[7] Bodson M., J. Chiasson and R. Novotnak. High performance induction motor via

input-output linearization, IEEE Control Systems, pp. 25-33, 1994.

[8] Bordons C, Camacho E.F. A generalized predictive controller for a wide class of

industrial processes. IEEE Transactions on Control Systems Technology; 6 (3): pp.

372-387,1998.

[9] Boukas T.K. and T.G. Habetler, High-performance induction motor speed control

using exact feedback linearization with state and state derivative feedback, IEEE

Transactions on Power Electronics, vol.19, no.4, pp. 1022-1028, 2004.

[10] Boullart L., A. Krijgsman and R.A. Vingerhoeds. Application of Artificial

Intelligence in Process Control, Pergamon Press Ltd, Oxford, UK, 2002.

[11] Canudas de Wit, C. Commande des moteurs asynchrones 1– Modélisation, contrôle

vectoriel et DTC, Hermès Science Publication, France, 2000.

[12] Canudas de Wit, C. Commande des moteurs asynchrones 2– Optimisation,

discrétisation et observateurs, Hermès Science Publication, France, 2000.

[13] Chen F. and M.W. Dunnigan, Feedback linearization sliding-mode torque control of

an induction machine, IEE Conference Power Electronics, Machines and Drives, no.

487, pp. 110-115, 2002.

[14] Chen F. and M.W. Dunnigan, A new non-linear sliding-mode torque and flux control

method for an induction machine incorporating a sliding-mode flux observer,

International Journal of Robust and Nonlinear Control, 14, pp. 463-486, 2004.

[15] Chen T-C. and T-T. Sheu, Model reference robust speed control for induction motor

170
 drive with time delay based on neural network, IEEE Transactions on Systems, Man,

and Cybernetics- Part A: Systems and Humans, vol. 31, no. 6, pp. 746-753, 2001.

[16] Chen W.-H., D.J. Balance, P.J. Gawthrop, J.J. Gribble and J. O’Reilly, Nonlinear PID

predictive controller, IEE Proceedings Control Theory application, vol. 146, no. 6, pp.

603-611, 1999.

[17] Chen W.-H., Optimal control of nonlinear systems: a predictive control approach,

Automatica, vol. 39, no. 4, pp. 633-641, 2003.

[18] Chen W.-H., D.J. Balance, P.J. Gawthrop and J. O’Reilly, A nonlinear disturbance

observer for robotics manipulators, IEEE Transactions on Industrial Electronics, vol.

47, no. 4, pp. 932-938, 2000.

[19] Chenafa M., Mansouri A., Bouhenna A., Etien E., Belaidi A., Denai M.A. Global

stability of linearizing control with a new robust nonlinear observer of the induction

motor. International Journal of Applied Mathematics and Computer Sciences, vol. 15,

no. 2, pp. 235-243, 2005.

[20] Chiasson J. Dynamic Feedback Linearization of the Induction Motor, IEEE

Transactions on Automatic Control, vol. 38, no. 10, pp 1588-1594, 1993.

[21] Chiasson J. A New Approach to Dynamic Feedback Linearization Control of an

Induction Motor, IEEE Transactions on Automatic Control, vol. 43, no. 3, pp.391-

397, 1998.

[22] Chiasson J. Nonlinear Controllers for an Induction Motor, Control Engineering.

Practice, vol. 4, no.7, pp 977-990, 1996.

[23] Chiasson J. Dynamic feedback linearization of the induction motor, IEEE

171
 Transactions on Automatic Control, vol.38, no.10, pp. 1588-1594, 1993.

[24] Cipolla Ficarra M., G.Griva, F.Profumo, Adaptive predictive speed controller for

induction motor drives, Conf.Rec.IECON'99, San José (USA), pp. 630-635. 1999.

[25] Clarke D.W., C. Mohtadi and P.S. Tuffs. Generalized predictive control – part I. the

basic algorithm, Automatica, 23-2, pp. 137-160, 1987.

[26] Clarke D.W., C. Mohtadi and P.S. Tuffs. Generalized predictive control – part II

extensions and interpretations, Automatica, 23-2, pp. 137-160, 1987.

[27] Constant L., R. Ruelland, B. Dagues, I. Rivals and L. Personnaz, Identification and

validation of a neural network estimating the fluxes of an Induction Machine, 6th

International Conference on Modelling and Simulation of Electric Machines,

Converters and Systems ELECTRIMACS'99, 1999.

[28] Constant, L., P. Lagarrigues, B. Dagues, I. Rivals and L. Personnaz Modeling of

electromechanical systems using neural networks. Computational Intelligence and

Applications, (P. S. Szczepaniak ed.), Physica-Verlag, c/o Springer-Verlag. 1999.

[29] Corriou J-P. Commande des procédés, Editions TEC & DOC, France, 2003.

[30] Corriou J-P. (coordonnateur). Les réseaux de neurones pour la modélisation et la

conduite des procédés, Lavoisier Technique et documentation, Paris, France.

[31] Dan H., C. Chang, X. Jian. Neural network predictive control for induction motor

drive control drive using sliding-mode design technique. IEEE International

Conference on Industrial Technology, 14-17 Dec, Hong Kong, pp.829-833 2005.

[32] Delaleau E., J-P. Louis and R. Ortega, Modeling and control of inductions motors,

International Journal of Applied Mathematics and Computer Sciences, vol. 11, no 1,

172
 pp 105-129, 2001.

[33] Dreyfus G., J-M. Martinez, M. Samuelides, M.B. Gordon, F. Badran, S. Thiria, L.

Hérault, Réseaux de neurones: Méthodologie et applications, Eyrolles, 2002.

[34] Dumer D., P. Boucher and T. Kolb. Application of Cascaded Constrained Receding

Horizon Predictive Control to an Induction Machine. Proceedings of the IEEE

International Conference on Control Applications, Dearborn, IM, pp. 888-893, 1996.

[35] Dumer D., P. Boucher and J. Röder. Design of an Open Architecture Structure for

Implementation of Predictive Controllers for Motors Drives. Proc. of the IEEE Int.

Conference on Control Applications, Trieste, Italy, pp. 1307-1311, 1998.

[36] Feng W., J. O’Reilly and D.J. Balance, MIMO nonlinear PID predictive controller,

IEE Proceedings Control Theory application, vol. 149, no. 3, pp. 203-208, 2002.

[37] Garcia E., D.M. Prett and M. Morari. Model Predictive Control: Theory and Practice -

a Survey. International Federation of Automatic Control, 25 (3), pp. 335-348, 1989.

[38] Ginhoux R., Compensation des mouvements physiologiques en chirurgie robotisée

par commande prédictive. Thèse de doctorat, Université Louis Pasteur Strasbourg I,

France, 2003.

[39] Grellet G. et G. Clerc, Actionneurs électriques, Eyrolles, France, 1996.

[40] Grewal M.S. and P. Andrews, Kalman filtering: theory and practice, Prentice Hall

Information and System Sciences Series, 1993.

[41] Hagan M. T., H. B. Demuth and O. De Jesús. An introduction to the use of neural

networks in control systems. International Journal of Robust and Nonlinear Control,

12, pp. 959-985, 2002.

173
[42] Haider A., A.F. Mohamed and S.Yaacob. Identification and control of an induction

motor using artificial neural networks. Proceedings of the 8th IASTED International

Conference Control and Applications, Montreal, Qc, Canada, pp. 30-35, 2006.

[43] Hasse, K. On the Dynamics of Speed Control of a Static AC Drive with a Squirrel-

Cage Induction Machine, PhD dissertation, Tech. Hochsch. Darmstadt, 1969.

[44] Hassoun M. H. Fundamentals of Artificial Neural Networks. The MIT Press,

Cambridge, Massachusetts, 1995.

[45] Hedjar, R., R. Toumi, P. Boucher and D. Dumur. Cascaded nonlinear predictive

control of induction motor. Proceedings of the IEEE Conference on Control

Applications, Anchorage, Alaska, USA, pp. 698-703, 2000.

[46] Hedjar R., R. Toumi, P. Boucher and D. Dumur, Two cascaded nonlinear predictive

controls of induction motor, IEEE Conference on Control Applications, vol. 1,

Istanbul, Turkey, pp. 458-463, 2003.

[47] Hedjar, R., R. Toumi, P. Boucher and D. Dumur .Finite horizon nonlinear predictive

control by the Taylor approximation: application to robot tracking trajectory.

International Journal of Applied Mathematics and Computer Sciences, 15, no. 4, pp.

527-540, 2005.

[48] Hentabli K., M. E. H Benbouzid and D. Pinchon. CGPC with Internal Model

Structure: application to Induction Motor Control. Proceedings of the IEEE

International Conference on Control Applications, Hartford, CT, 1997, pp. 235-237.

[49] Hentabli K. State-Space Local Model Networks based Continuous-Time GPC

Application to Induction Motor. Proceedings of the American Control Conference,

174
 Philadelphia, USA, pp. 3435-3439, 1998.

[50] Hong K and Nam K. A load torque compensation scheme under the speed

measurement delay, IEEE Transactions. on Industrial Electronics, 45 (2), pp. 283-

290, 1998.

[51] Irving E., C.M. Falinower and C. Fonte. Adaptive Generalized Predictive Control

with Multiple Reference Models. 2nd IFAC Workshop on Adaptive Systems in

Control and Signal Processing, Lund, Sweden, 1986.

[52] Ismail M.M., H.A. Abdel Fattah and A. Bahgat, Adaptive input-output of induction

motors with magnetic saturation, Proceedings of the 29th IEEE Conference of

Industrial Electronics Society, IECON03, vol. 1, pp. 168-173, 2003.

[53] Iwasaki M. and N. Nobuyuki. Robust speed control of IM with torque feedforward

control. IEEE Transactions on Industrial Electronics, vol.40, no. 6, pp. 553-560, 1993.

[54] Kennel R. And A. Linder. Predictive Control of Inverter Supplied Electrical Drives.

Wuppertal University. Germany.

[55] Kennel R, A. Linder and M. Linke. Generalized Predictive Control (GPC) - Ready for

Use in Drive Applications?. University of Wuppertal, Germany.

[56] Krüger L., D. Naunin and C. Garbrecht. Stochastic and Neural Models of an

Induction Motor. Mathematics and Computers in Simulation, 46, pp. 313-324. 1998.

[57] Kubota H. and M. Kouki. Speed sensorless field oriented control of induction

machines using flux observer. Proceedings of the 20th International Conference on

Industrial Electronics Control and Instrumentation, Bologna, Italy, pp.1611-1615,

1994.

175
[58] Lazar M. and O. Pastravanu. A Neural Predictive Controller for Non Linear Systems,

Mathematics and Computers in Simulation, 60, pp. 315-324, 2002.

[59] Lu P., Nonlinear predictive controllers for continuous systems, Journal of Guidance,

control and Dynamics, vol. 17, no.3, pp. 553-560, 1994.

[60] Maaziz, M. Commande prédictive de systèmes non linéaires : Application à la

commande de machines asynchrones, Thèse de doctorat, École Supérieure

d’Électricité, France, 2000.

[61] Maaziz M.K., E. Mendes, P. Boucher et D. Dumur, Validation expérimentale de

commande prédictives non linéaires, Journal Européen des Systèmes Automatisés,

vol.36, no.5, pp. 723-735, 2002.

[62] Maaziz M.K., P. Boucher and D. Dumur, A new control strategy for induction motor

based on nonlinear predictive control and feedback linearization, International Journal

of adaptive control and Signal Processing, 14, pp. 313-329, 2000.

[63] Maaziz M.K., P. Boucher and D. Dumur, A new RST cascaded predictive control

scheme for inductions machines, Proceedings of IEEE International Conference on

Control Applications, Hawaii, USA, pp. 927-932, 1999.

[64] Maaziz M.K., E. Mendes and P. Boucher, A new nonlinear multivariable control

strategy of induction motors, Control Engineering Practice, 10, pp. 605-613, 2002.

[65] Makouf A., M.E.H. Benbouzid, D. Diallo and N.E. Bouguechal, Induction motor

robust control: a H∞ control approach with field orientation and input-output

linearizing. The 27th Annual Conference of the IEEE Industrial electronics Society

IECON’01, pp. 1406-1411, 2001.

176
[66] Marino R., S. Peresada and P. Valigi, Adaptive partial feedback linearization of

induction motors, Proceedings of the 29th IEEE Conference on Decision and Control,

Honolulu, Hawaii, USA, pp. 3313-3318, 1990.

[67] Marino R., S. Peresada and P. Valigi, Adaptive input-output linearizing control of

induction motors, IEEE Transactions on Automatic Control, vol.38, no. 2, pp. 208-

221, 1993.

[68] Martins, J.F., A. J. Pires, and J. A Dente. Automatic Input/Output Modeling of a

Squirrel-Cage Induction Motor Drive System Using Neural Network. EPE’97, 4,

Trondheim, Norway, pp. 632-637. 1997.

[69] Merabet A., M. Ouhrouche, R.T. Bui and H. Ezzaidi, Nonlinear PID predictive

control of induction motor drives, Proceedings of the IFAC Workshop on Nonlinear

Model Predictive Control for Fast Systems, Grenoble, France, October 9-11, pp. 53-

58, 2006.

[70] Merabet A., M. Ouhrouche and R.T. Bui, Nonlinear predictive control with

disturbance observer for induction motor drive, IEEE International Symposium on

Industrial Electronics ISIE06, Montreal, Canada, July 9-13, pp. 86-91, 2006.

[71] Merabet A., M. Ouhrouche, R.T. Bui and J.S. Thongam, Nonlinear multivariable

control of induction motor based on generalized predictive control, Proceedings of the

8th IASTED International Conference on Control and Applications CA06, Montreal,

Canada, May 24-26, pp. 7-12, 2006.

[72] Merabet A., M. Ouhrouche, R.T. Bui and J.S. Thongam, Neural network based input-

output modeling for an induction motor drive, Proceedings of the 5th IASTED

177
 International Conference on Modelling, Simulation and Optimization MSO05,

Oranjestad, Aruba, August 29-31, pp. 108-113, 2005.

[73] Merabet A., M. Ouhrouche, R.T. Bui and H. Ezzaidi, Neural predictive control based

speed and flux tracking in induction motor drives, Proceedings of the 7th IASTED

International Conference on Control and Applications CA05, Cancun, Mexico, May

18-20, pp. 24-29, 2005.

[74] Negm M.M, A.H. Mantawy and M.H. Shwehdi. A global ANN algorithm for

induction motor based on optimal preview control theory. IEEE Power Tech

Conference Proceedings, June 23-26, Bologna, Italy, 2003.

[75] Neumerkel D., J. Franz, L. Krüger, and A. Hidiroglu. Real time application of neural

model predictive control for an induction servo drive. Proceedings of the 3rd IEEE

conference on Control Applications, Glasgow, UK, pp. 433-438. 1994.

[76] Ortega R, Canudas C and Seleme S.I. Nonlinear control of induction motors: torque

tracking with unknown load disturbance. IEEE Transactions on Automatic Control,

38(11): pp. 1675-1680, 1993.

[77] Ouhrouche M., A. Merabet and R.T. Bui, Model reference neural predictive controller for

induction motor drive. Proceedings of the 9th WSEAS International Conference on

Systems, Vouliagmeni, Athens, Greece, July 11-13, 2005.

[78] Ouhrouche M., A. Merabet and R.T. Bui, Predictive control based on neural networks

with reference model for an induction motor sensorless drive, WSEAS Transactions on

Systems, vol. 4, no. 5, pp. 593-600, 2005.

[79] Ouhrouche M., M, Beguenane R, Trzynadlowski A.M, Thongam J.S, Dube-Dallaire

178
 M. A PC-cluster based fully digital real-time simulation of a field oriented speed

controller for an induction motor. International Journal of Modeling and Simulation;

26 (3): pp. 219-228, 2006.

[80] Ourth, T. Commande vectorielle d’un moteur asynchrone sans capteur, Journal de

Physique III, France 3, no. 6, pp. 1123-1133, 1993.

[81] Ping L., Optimal predictive control of continuous nonlinear systems, International

Journal of Control, vol. 63, no. 1, pp. 633-649, 1996.

[82] Richalet J. Industrial applications of model based predictive control. Automatica; 29

(5): pp. 1251-1274,1993.

[83] Rivals I. Modélisation et commande de processus par réseaux de neurones;

application au pilotage d'un véhicule autonome. Thèse de Doctorat de l'Université

Pierre et Marie Curie, Paris VI, Janvier 1995.

[84] Sastry S.S and A. Isidori, Adaptive Control of Linearizable Systems, IEEE

Transactions on Automatic Control, vol. 34, no. 11, pp. 1123-1131, 1989.

[85] Seguier G. et F. Notelet, Électrotechnique industrielle, Technique et Documentation,

France, 1977.

[86] Sheu T-T. and T-C. Chen, Self-tuning control of induction motor drive using neural

network identifier, IEEE Transactions on Energy Conversion, vol. 14, no. 4, pp. 881-

886, 1999.

[87] Siller-Alcalá I.I., Generalized predictive control for nonlinear systems with unstable

zero dynamics, Journal of the Mexican Society of Instrumentation and Development,

vol. 5, no. 3, pp. 146-151, 2001.

179
[88] Sobczuk D.L, Feedback linearization control of inverter fed induction motor-DSP

implementation, Proceedings of the IEEE International Symposium on Industrial

Electronics, ISIE02, vol.2, pp. 678-682, 2002.

[89] Soloway D. and P. J. Haley Neural Generalized Predictive Control: A Newton-

Raphson Implementation. Proceedings of the 11th IEEE International Symposium on

Intelligent Control, Dearborn, MI, pp. 277-282, 1996.

[90] Sørensen, P.H., M. Nørgaard, O. Ravn, and N.K. Poulsen. Implementation of Neural

Network Based Non-linear Predictive Control. Neurocomputing, 28, pp. 37-51, 1999.

[91] Takahashi I., T. Noguchi. A new quick-response and high-efficiency control strategy

of an induction motor. IEEE Transactions on Industry Applications, vol. IA-22, no.5,

pp. 820-827, 1986.

[92] Van Raumer T. Commande adaptative non linéaire de machine asynchrone. Thèse de

doctorat, Laboratoire d’Automatique de Grenoble, France, 1994.

[93] Van Raumer T., J. M. Dion, L. Dugard and J. L. Thomas, Applied Nonlinear Control

of an Induction Motor Using Digital Signal Processing, IEEE Transactions on Control

Systems Technology, vol. 2, no. 4, pp. 327-335, 1994.

[94] Vas, P. Artificial-Intelligence-Based Electrical Machines and Drives: Application of

Fuzzy, Neural, Fuzzy Neural and Genetic Algorithm-Based Techniques. Oxford

University Press Inc., New York, USA, 1999.

[95] Waller J.B Concepts and methodologies in non-linear Model predictive control. Abo

Akademi University, Finland, 2000.

[96] Wang W. J. and J. Y. Chen, A new sliding mode position controller with adaptive

180
 load torque estimator for an induction motor. IEEE Transactions on Energy

Conversion, vol. 14, no. 3, pp. 413-418, 1999.

[97] Wilamowski B.M. and S. Iplikci. An algorithm for fast convergence in training neural

networks, Proceedings of the International Joint Conference on Neural Networks,

Washington DC, USA, pp. 1778-1782, 2001.

[98] Opal RT Technologies, RT Lab 8 User’s Manual

181
 ANNEXES

1. Calcul des dérivées de Lie pour les sorties vitesse rotorique et norme du flux rotorique.

h1 = ω
pLm f 1
Lf h1 = (φ rα isβ − φ rβ isα ) − r ω − TL
JLr J J
pLm 1 f p 2 Lm K 2 p 2 Lm f2 f
L2f h1 = (γ + + r )(φ rβ i sα − φ rβ i sα ) − (φ rα + φ r2β ) − ω (φ rα isα + φ rβ isβ ) + r2 ω + r2 TL
JLr Tr J JLr JLr J J
pL m pL m
L g11 Lf h1 = − φ rβ ; L g12 Lf h1 = φ rα
Jσ L s L r Jσ L s L r
1 f 2
L g 21 h1 = − ; L g 21 L f h1 = r2
J J

h2 = φr2α + φr2β
2 Lm 2
Lf h2 = (φrα isα + φrβ isβ ) − (φr2α + φr2β )
Tr Tr
2Lm 3 2 pLm 4 + 2Lm K 2 2 L2m 2
L2f h2 = − (γ + )(φrα isα + φrβ isβ ) − ω(φrβ isα − φrβ isα ) + (φ rα + φ 2
rβ ) + (irα + ir2β )
Tr Tr Tr Tr2 Tr2
2 Lm 2 Lm
L g11 L f h 2 = φ r α ; L g12 L f h 2 = φ
σ L sTr σ L s T r rβ

pL
hˆ11 = m (φˆrα iˆsβ − φˆrβ iˆsα )
JLr
pLm 1
Lfˆ hˆ11 = [(γ + + k1 )(iˆsα φˆrβ − iˆsβ φˆrα ) − pω (iˆsα φˆrα + iˆsβ φˆrβ ) − pKω (φˆr2α + φˆr2β ) − k1 (i sα φˆrβ − isβ φˆrα )
JLr Tr
k2
+ (isα iˆsβ − i sβ iˆsα ) − pk 2ω (isα iˆsα − isβ iˆsβ ) + pk 2ω (iˆs2α + iˆs2β ) − φˆrβ f ia + φˆrα f ib ]
Tr

2L
(
hˆ21 = m φˆrα iˆsα + φˆrβ iˆsβ
Tr
)
2L L k 1 k
Lfˆ hˆ21 = m [( m − 2 )(iˆs2α + iˆs2β ) − (γ + + k1 )(iˆsα φˆrβ + iˆsβ φˆrα ) − pω (iˆsα φˆrα − iˆsβ φˆrβ ) + 2 (i sα iˆsα + i sβ iˆsβ )
Tr T r Tr Tr Tr
K ˆ2 ˆ2
+ pKω (i sα iˆsβ − i sβ iˆsα ) + (φ rα + φ rβ ) + k1 (i sα φˆrα + i sβ φˆrβ ) + φˆrα f ia + φˆrβ f ib ]
Tr

182
2. Calcul des dérivées de Lie pour les sorties couple électromagnétique et norme du flux

rotorique.

pLm
h1 = (φ rα isβ − φ rβ isα )
Lr
pLm 1
Lf h1 = [(γ + )(isα φ rβ − isβ φ rα ) − pω (i sα φ rα + isβ φ rβ ) − pKω (φ r2α + φ r2β )]
Lr Tr
pLm pLm
Lg1 h1 = − φ rβ ; Lg h1 = φ rα
σLs Lr 2
σLs Lr

h2 = φ r2α + φ r2β
2 Lm 2
Lf h2 = (φ rα i sα + φ rβ i sβ ) − (φ r2α + φ r2β )
Tr Tr
2 Lm 3 2 pLm 4 + 2 Lm K 2 2 L2m 2
L2f h2 = − (γ + )(φ rα i sα + φ rβ i sβ ) − ω (φ rβ isα − φ rβ isα ) + (φ rα + φ 2
rβ ) + (irα + ir2β )
Tr Tr Tr Tr2 Tr2
2 Lm 2 Lm
L g1 L f h 2 = φ rα ; L g 2 L f h 2 = φ
σ LsTr σ L s T r rβ

pLm ˆ ˆ
hˆ1 = (φ rα isβ − φˆrβ iˆsα )
Lr
pLm 1
Lfˆ hˆ11 = [(γ + + k1 )(iˆsα φˆrβ − iˆsβ φˆrα ) − pω (iˆsα φˆrα + iˆsβ φˆrβ ) − pKω (φˆr2α + φˆr2β ) − k1 (i sα φˆrβ − isβ φˆrα )
Lr Tr
k2
+ (isα iˆsβ − i sβ iˆsα ) − pk 2ω (isα iˆsα − isβ iˆsβ ) + pk 2ω (iˆs2α + iˆs2β ) − φˆrβ f ia + φˆrα f ib ]
Tr

2L
hˆ21 = m (φˆrα iˆsα + φˆrβ iˆsβ )
Tr
2L L k 1 k
Lfˆ hˆ21 = m [( m − 2 )(iˆs2α + iˆs2β ) − (γ + + k1 )(iˆsα φˆrβ + iˆsβ φˆrα ) − pω (iˆsα φˆrα − iˆsβ φˆrβ ) + 2 (i sα iˆsα + i sβ iˆsβ )
Tr T r Tr Tr Tr
K ˆ2 ˆ2
+ pKω (i sα iˆsβ − i sβ iˆsα ) + (φ rα + φ rβ ) + k1 (i sα φˆrα + i sβ φˆrβ ) + φˆrα f ia + φˆrβ f ib ]
Tr

183
 3. Stabilité au sens de Lyapunov [29].

Une fonction de Lyapunov est un candidat de Lyapunov, à savoir une fonction continue

V(x) telle que

V ( x) > 0 ∀x ≠ 0, V ( x) = 0 x = 0,

ayant en plus la propriété

V& (x) ≤ 0 ∀x ≠ 0, V& (x) = 0 x = 0.

Le théorème de stabilité fondamental de la théorie de Lyapunov peut être énoncé

comme suit :

Théorème :

Si une fonction de Lyapunov V(x) existe pour un système donné dans une région autour

de l’origine alors ce système est stable pour tout x dans cette région, et si en plus la

fonction de Lyapunov est strictement décroissante, c’est-à-dire V& (x) < 0, ∀x ≠ 0, le long

d’une trajectoire, alors la stabilité est asymptotique.

4. Caractéristiques du moteur.

ωnom = 73.3 rad/sec φ rαβ = 1.14 Wb Tnom = 7 Nm

Rs = 8.0 Ω Rr = 3.6 Ω

Ls = 0.47 H Lr = 0.47 H Lm = 0.44 H

p=2 fr = 0.04 Nms J = 0.06 kgm2

184

View publication stats