Commande en Mode Glissant avec Observateur Robuste Associée
Transcription
Commande en Mode Glissant avec Observateur Robuste Associée
REPUBLIQUE ALGERIENNE DÉMOCRATIQUE ET POPULAIRE MINISTERE DE L'ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D'ORAN MOHAMED BOUDIAF FACULTÉ DE GÉNIE ÉLECTRIQUE DÉPARTEMENT D'ÉLECTROTECHNIQUE THESE EN VUE DE L'OBTENTION DU TITRE DE DOCTORAT EN SCIENCE SPÉCIALITÉ: Eléctrotechnique OPTION : Automatique Présenté par Mme KEBBATI Ymene Sujet de Thése Commande en Mode Glissant avec Observateur Robuste Associée à un Estimateur pour le Diagnostic du Moteur Asynchrone Soutenue le 04 - 07- 2013 Mr MAZARI Benyounés Devant le jury composé de: Président Professeur, USTOran Mr MANSOURI Abdellah Rapporteur Professeur, ENP d'Oran Mr.BOURAHLA Mohamed Co Rapporteur Professeur, USTOran Mr MILOUD Yahia Examinateur Professeur, Université de Saida Mr BOUHENNA Abdelrahman Mr BENDIABDELLAH Azeddine Examinateur Examinateur Maître de conférences A, ENP d'Oran Maître de conférences A, USTOran Remerciement Je tiens a exprimer mes chaleureux remerciements et ma profonde reconnaissance pour mon encadreur Monsieur A. Mensouri, Professeur à L’école Normale Supérieur d’enseignement Technologique d’Oran ENP qui a consacré à l’encadrement de ma thèse un temps et une disponibilité d’esprit considérable, je lui suis redevable d’avoir pu faire une thèse dans des conditions exceptionnelles. Je remercie chaleureusement Monsieur M. Bourahla, Professeur à l’Université des sciences et de Technologie d’Oran, co-encadreur de thèse pour m’avoir accueilli au sein de son équipe et pour m’avoir encadré et encouragé tous au long de ces années de recherches. Je tiens à adresser ma sincère et profonde reconnaissance à M. Mazari, Professeur à l’université des Sciences et de Technologies d’Oran, d’avoir accepté de présider mon jury de thèse. J’exprime mes vifs remerciements à Monsieur A. Bouhanna Maître de Conférence à L’école Normale Supérieur d’enseignement Technologique d’Oran ENP d’avoir accepté d’examiner mon sujet de thèse. Je souhaite remercier Monsieur M. Miloud, Professeur à l’université de Saida, d’avoir accepté de participer au jury et d’examiner mon sujet de thèse. Je remercie également Monsieur, B. Bendiabdellah maître de conférences à l’université des Sciences et de Technologies d’Oran, d’avoir accepté d’examiner mon sujet de thèse. J’exprime toute ma reconnaissance et mes plus sincères remerciements à Madame Y. Hammou maître assistante à l’université des Sciences et de Technologies d’Oran pour son aide grâce à sa grande compétence scientifique, son dévouement, et ses sacrifices pendant toutes ces années de travail sur ce sujet de thèse. J’exprime mes remerciements les plus sincères a mon mari qui a été patient tous aux long de ces années d’études. Je ne pourrais clore ces remerciements sans exprimer ma reconnaissance à mes parent qui m’ont encouragé pendant ces longues années d’études. 1 Dédicace " Le vieil homme et la mer " de Ernest Hemingway Dans un premier temps, il y a l’obstination du vieux Monsieur contre sa malchance, Quatre vingt quatre jours sans pouvoir pêcher un seul poisson. Un jour, après une forte lutte face à face et en pleine mer avec un énorme poisson, il a réussi à le pêcher. Finalement, le triomphe et la défaite de l’homme : En retournant à terre avec le gros poisson, les requins dévorent l’animal et le vieux pêcheur se trouve seulement avec l’énorme épine dorsale décharnée. Dans ce cas, il n’y a ni échec, ni destruction. Le vieil homme s’est battu avec courage jusqu’au limites de ses forces et l’adversité du destin est quelque chose avec laquelle il n’y peut rien. Telle est la vie de beaucoup d’hommes, dont leur considération morale se trouve au-dessus des victoires et des défaites, pourvu qu’ils se soient battus jusqu’à la fin. A mon père, ma mère et mes deux enfants Rania et Mehdi. 2 Résumé L’objectif de ce travail est de donner une synthèse de la commande et l’observation non linéaire robuste du moteur asynchrone et d’exploiter une technique d’identification paramétrique en vue du diagnostic. Ainsi Notre travail s’est axé dans cette direction dans le but de proposer une loi de commande qui réponde au questions posées. La commande vectorielle et populaire parmi les deux communautés académiques et industrielles et elle est utilisée. La commande en mode glissant est une commande à structure variable, elle se distingue par sa simplicité et sa robustesse et elle est utilisée aussi et pour surmonté la difficulté de la mesure du flux rotorique nous avons introduit un observateur non linéaire robuste. Les méthode qui utilisent le calcul soft sont à la portée de cette thèse. nous avons appliquer les réseaux de neurones pour l’identification de certains paramètres de la machine asynchrone en vue de diagnostic des défauts. 3 Introduction genérale Grâce à ses avantages, la machine asynchrone demeure la plus pratique dans les entraînements électriques, car elle ne nécessite pas un entretien fréquent comme celui exigé par la machine à courant continu. Ainsi, elle procure un bon rendement face à un faible coût, ajoutant à cela sa robustesse et sa fiabilité. En outre, elle peut être utilisée dans les environnements explosifs parce qu’elle ne produit pas d’étincelles. Cependant, ces nombreux avantages ne sont pas sans inconvénients. La machine asynchrone est caractérisée par un couplage non linéaire entre le flux magnétique et le couple moteur, ce qui rend sa commande plus complexe par rapport à celle de la machine à courant continu. Pour atteindre des performances dynamiques, il faut donc élaborer des lois de commande robustes. La commande vectorielle à flux orienté, introduite par Blaschke en 1972 [17], est une technique de commande classique pour l’entraînement des machines asynchrones. Le principe de la La commande vectorielle est de ramener le comportement de la machine asynchrone à celui d’une machine à courant continu , elle accomplit une linéarisation asymptotique et un découplage [73]. De façon générale on peut dire que deux types de commandes vectorielles sont possible d’une part, la commande vectorielle indirecte ou seul la position du flux est estimée et directe ou l’on estime la norme et la position du flux pour plus de détails se reporter aux ouvrages suivants [49] [26], [66]. D’autre part Un type de lois de commande robuste simple à calculer et à mettre en oeuvre, même pour des systèmes non linéaires, est la commande par modes glissants. Elle est apparue en Union soviétique pendant les années 60 à partir des travaux sur les commandes à structure variable, la commande par modes glissants se distingue par sa simplicité : le critère de commutation est une surface de glissement divisant l’espace d’état en deux (pour une commande monovariable, ou pour chaque composante d’une commande multivariable), et les lois de commande dans chaque demi espace sont des constantes. Cette loi de commande est définit de manière à forcer le système à atteindre un voisinage de la surface de glissement et à y rester, pour tous les modèles de la classe d’incertitudes considérée. Cette commande a deux principaux avantages. Premièrement, le comportement dynamique du système une fois atteint le voisinage de la surface de glissement est essentiellement conditionné par cette dernière. On dit que le système est en régime glissant. Deuxièmement, ce comportement est non seulement robuste, mais même insensible à la classe d’incertitudes pour laquelle la commande a été réglée. Compte tenu de tous les enjeux économiques, le diagnostic des machines asynchrones s’est fortement développé dans le monde industriels car la volonté d’obtenir une chaîne de production doit être dotées de systèmes de protection fiable car une quelconque défaillance, même la plus anodine, peut mener à un dommage matériel ou corporel grave. Le diagnostic de la machine asynchrone à été sujet de recherche de plusieurs auteurs,[88], [7], [29], ,[14], [19], [12]. Les réseaux de neurones ont connus une utilisation large en ce qui concerne la modélisation, la commande et la surveillance des systèmes industriels. 4 Introduction genérle dans ce contexte le travail présenté dans ce mémoire est porté sur la réalisation d’algorithmes d’identification de commande et d’observation pour la machine asynchrone, depuis la phase d’étude théorique jusqu’a la mise en oeuvre de la simulation. Nous avons orienté notre travail dans plusieurs directions qui ont abouti au contributions suivantes : – nous nous somme concentré sur l’application de l’approche neuronale erreur de sortie ("out put error") pour identifier la variation de la résistance rotorique, statorique et le courant statorique de la machine asynchrone en vue de diagnostic. – Nous avons étudié un observateur de flux a grand gain susceptible de fournir des estimés de flux. – La commande par mode glissant à été expérimentée par différent auteurs qui ont montré la faisabilité d’une tel approche [2], [15], [46], [69]. Il nous a semblé important d’évaluer ce type d’algorithmes par comparaison à la loi de type commande vectorielle dans le cadre d’exemple de test("Benchmark") sur la machine asynchrone. Ce rapport de mémoire est organisé de la façon suivante : le premier chapitre consiste à présenté brièvement la modélisation de la machine asynchrone à l’aide du modèle de Park. Nous donnons le modèle non linéaire sous forme de modèle d’état : deux modèles sont présentés : Le modèle de Park à cinq paramètres et le modèle de Park à quatre paramètres dans les différents repères utilisés. Ensuite nous nous intéressons plus spécifiquement à la commande vectorielle directe appliquée à la machine asynchrone, un test de robustesse de la commande est donné en fin du chapitre dans le but de comparer cette loi de commande avec la commande en mode glissant utilisée au dernier chapitre. Dans Le deuxième chapitre nous présentons les différentes Techniques d’identification paramétrique en vue de diagnostic par la suite un estimateur par réseau de neurones est présenté pour estimer la résistance rotorique, statorique et le courant statorique de la machine asynchrone mais avant cela nous présentons le principe de fonctionnement des réseau de neurones et les différent modèles utilisé dans la littérature. Le chapitre trois est consacré aux rappels des notions de bases d’observabilité des systèmes linéaires et non linéaires, ainsi qu’à la présentation, en particulier, de synthèses d’observateurs quand le problème des entrées pour les systèmes non linéaires est posé (observabilité non uniforme) et la notion d’observabilité uniforme quand ce problème ne se pose pas. Différentes notions d’observabilité sont abordées : locale, globale, uniforme, générique. Ces éléments de base sur l’observabilité et la synthèse d’observateurs des systèmes linéaires et non linéaires. Nous nous intéressons plus spécifiquement au problème de l’observation de la machine asynchrone. Dans le cas où la vitesse est mesurée, il n’y a pas de difficulté théorique à établir l’observabilité des grandeurs électriques (flux et courant) et mécaniques (vitesse et couple de charge). La suite du chapitre est dédiée a la synthèse de l’observateur non linéaire à grand gain utilisé pour l’observation de la norme du flux de la machine asynchrone. Le chapitre quatre se concentre sur l’étude théorique d’une loi de commande non linéaire en mode glissant appliquée à la machine asynchrone. Nous présentons des résultats de simulations à l’aide de l’environnement Matlab Simulink pour le test "commande en boucle ouverte" et "commande + observateur ". le reste du chapitre est consacré à une comparaison entre les deux lois de commandes utilisées. Enfin, le travail entrepris sera achevé par une conclusion générale et une proposition pour les futurs travaux de recherches. Nous ajoutons quelques annexes afin que le lecteur 5 Introduction genérle étranger au domaine, puisse assimiler notre travail. 6 Table des matières 1 La machine asynchrone : modélisation et commande vectorielle 1.1 1.2 1.3 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Modélisation de la machine asynchrone . . . . . . . . . . . . . . . . . . . 1.2.1 Présentation de la machine asynchrone . . . . . . . . . . . . . . . 1.2.2 Transformation de Park-Blondel . . . . . . . . . . . . . . . . . . . 1.2.3 Équations électriques généralisées de la machine asynchrone dans le repère de Park . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2.4 Modèle d’état dans le repère tournant généralisé (d, q) . . . . . . 1.2.5 Modèle d’état dans le repère fixe (α, β) lié au stator . . . . . . . . 1.2.6 Modèle de la machine asynchrone à quatre paramètres . . . . . . Commande vectorielle basée sur la structure des régulateurs Proportionnels Intégraux (PI) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3.1 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . 1.3.2 conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 . . . . 2 3 3 3 . . . . 6 8 9 9 . 11 . 13 . 19 2 Identification paramétrique pour le diagnostic des défauts. 2.1 2.2 2.3 2.4 2.5 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.1.1 Discrimination des défauts . . . . . . . . . . . . . . . . . . . . . . . Diagnostic par modélisation paramétrique du système (connaissance à priori) 2.2.1 Techniques d’identification paramétrique en vue de diagnostic . . . 2.2.2 Techniques d’estimation d’état . . . . . . . . . . . . . . . . . . . . . 2.2.3 Techniques des résidus . . . . . . . . . . . . . . . . . . . . . . . . . Diagnostic par modélisation paramétrique du système(sans connaissance à priori) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3.1 Détection de défauts par analyse du flux . . . . . . . . . . . . . . . 2.3.2 Détection de défauts par analyse du couple électromagnétique . . . 2.3.3 Détection de défauts par analyse du courant statorique . . . . . . . Les réseaux de neurones pour l’estimation paramétrique de la machine asynchrone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.4.1 Théorie des réseaux de neurones . . . . . . . . . . . . . . . . . . . . 2.4.2 L’identification par réseaux de neurones . . . . . . . . . . . . . . . Estimateur neuronal et suivi des paramètres de la machine asynchrone . . 2.5.1 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . i 20 20 21 22 23 24 24 25 25 26 27 28 28 30 34 35 Table des matières 2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43 3 Observateurs et Observabilité 3.1 3.2 3.3 3.4 3.5 3.6 44 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Types d’observateurs et observabilité . . . . . . . . . . . . . . . . . . . . 3.3.1 Observabilité des systèmes linéaires . . . . . . . . . . . . . . . . . 3.3.2 Observateurs linéaires . . . . . . . . . . . . . . . . . . . . . . . . 3.3.3 Observabilité des systèmes non linéaires . . . . . . . . . . . . . . 3.3.4 Observabilité de la machine avec mesure de vitesse . . . . . . . . 3.3.5 Observabilité de la machine sans mesure de vitesse . . . . . . . . 3.3.6 Cas 1 : Ω̇ = 0 : . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3.7 Cas 2 :ϕ˙rα = ϕ˙rβ = 0 : . . . . . . . . . . . . . . . . . . . . . . . . 3.3.8 Cas 3 : ϕ˙rα = ϕ˙rβ = 0 et Ω̇ = 0 : . . . . . . . . . . . . . . . . . . 3.3.9 Droite d’inobservabilité . . . . . . . . . . . . . . . . . . . . . . . . 3.3.10 Observateurs non linéaires . . . . . . . . . . . . . . . . . . . . . . Application de l’observateur Grand Gain à la machine asynchrone . . . . 3.4.1 Application au modèle cinq paramètres . . . . . . . . . . . . . . . 3.4.2 Application au modèle quatre paramètres . . . . . . . . . . . . . . Résultats de simulations . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.1 Résultats de simulation de l’observateur appliqué au modèle de Park à cinq paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.5.2 Résultats de simulation de l’observateur appliqué au modèle de Park à quatre paramètres . . . . . . . . . . . . . . . . . . . . . . . . . Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 Synthèse de la commande en modes glissants 4.1 4.2 4.3 4.4 4.5 . . . . . . . . . . . . . . . . . 44 44 45 46 47 47 52 53 55 58 60 62 63 66 66 68 68 . 68 . 74 . 76 78 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78 Théorie de la commande en mode glissant . . . . . . . . . . . . . . . . . . 79 4.2.1 Système à strucure variable . . . . . . . . . . . . . . . . . . . . . . 80 4.2.2 Concept de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81 4.2.3 Conception de la commande en mode glissant . . . . . . . . . . . . 83 4.2.4 Phénomène de réticence ou broutement ’Chattering’. . . . . . . . . 86 Application a la machine asynchrone . . . . . . . . . . . . . . . . . . . . . 89 4.3.1 Modèle cinq paramètres . . . . . . . . . . . . . . . . . . . . . . . . 89 4.3.2 Résultats de simulation . . . . . . . . . . . . . . . . . . . . . . . . . 92 Comparaison entre la commande en mode glissant et la commande vectorielle.108 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108 A Rappel de la stabilité de Lyapunov 122 A.1 Théorie de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 ii Table des matières A.1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122 A.1.2 Systèmes autonomes . . . . . . . . . . . . . . . . . . . . . . . . . . 123 A.1.3 Systèmes non-autonomes . . . . . . . . . . . . . . . . . . . . . . . . 128 B Schémas de simulation de l’identification, l’observation et la commande.132 B.1 B.2 B.3 B.4 B.5 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . Commande vectorielle . . . . . . . . . . . . . . . . . . . . L’identification par Réseaux de Neurone . . . . . . . . . . L’observateur à grand gain pour la machine asynchrone . La commande en mode glissant + observateur à grand gain iii . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 133 136 138 139 Table des figures 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 1.10 1.11 2.1 2.2 2.3 2.4 2.5 2.6 2.7 2.8 2.9 2.10 2.11 2.12 2.13 2.14 2.15 2.16 2.17 2.18 2.19 2.20 Transformation triphasée à diphasé (Transformation de Concordia). . . . Transformation de Park . . . . . . . . . . . . . . . . . . . . . . . . . . . Trajectoire du benchmark commande : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. . . . . . . . . . . . . . . . . . . . . . . . La vitesse commandée dans le cas nominal. . . . . . . . . . . . . . . . . . L’erreur de vitesse dans le cas nominal. . . . . . . . . . . . . . . . . . . . Le flux simulé dans le cas nominal. . . . . . . . . . . . . . . . . . . . . . L’erreur du flux dans le cas nominal. . . . . . . . . . . . . . . . . . . . . L’erreur de vitesse lors de la variation de Rr. . . . . . . . . . . . . . . . . L’erreur du flux lors de la variation de Rr. . . . . . . . . . . . . . . . . . L’erreur de vitesse lors de la variation de Rs. . . . . . . . . . . . . . . . . L’erreur du flux lors de la variation de Rs. . . . . . . . . . . . . . . . . . Les résistances rotoriques et les inductances imposées et observées. . . . . Principe du diagnostic par modélisation paramétrique. . . . . . . . . . . Le neurone biologique. . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le neurone Formel. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . les fonctions d’activation du neurone formel. . . . . . . . . . . . . . . . . Principe d’identification du processus par réseau de neurone. . . . . . . . Réalisation d’un NNARX. . . . . . . . . . . . . . . . . . . . . . . . . . . Réalisation d’un NNOE . . . . . . . . . . . . . . . . . . . . . . . . . . . Réalisation d’un NNARMAX. . . . . . . . . . . . . . . . . . . . . . . . . Trajectoire imposée à la résistance rotorique. . . . . . . . . . . . . . . . . La résistance rotorique estimée et l’erreur d’estimation. . . . . . . . . . . Le comportement de la vitesse et son Erreur lors de la variation de Rr. . Le comportement de la norme du flux et son erreur lors de la variation de Rr. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le comportement de la norme du courant lors de la variation de Rr . . . Trajectoire imposé de la résistance rotorique. . . . . . . . . . . . . . . . . La Résistance rotorique estimée et l’erreur d’estimation. . . . . . . . . . . Le comportement de la vitesse et son Erreur lors de la variation de Rr. . Le comportement de la norme du flux lors de la variation de Rr. . . . . . Le Comportement de la norme du courant lors de la variation de Rr. . . Trajectoire imposé de la résistance statorique. . . . . . . . . . . . . . . . iv . . 4 5 . . . . . . . . . 14 15 16 16 17 17 17 18 18 . . . . . . . . . . . . 22 23 28 29 31 32 32 33 34 35 36 36 . . . . . . . . 37 37 38 39 39 39 40 40 Table des matières 2.21 2.22 2.23 2.24 2.25 Estimation de Rs et l’erreur d’estimation. . . . . . . . . . . . . . . . . . Le comportement de la vitesse et son Erreur lors de la variation de Rs. Le comportement de la norme du flux lors de la variation de Rs. . . . . Le Comportement de la norme du courant lors de la variation de Rs. . Estimation de la norme du courant statorique. . . . . . . . . . . . . . . 3.1 3.2 Schéma de principe d’un observateur. . . . . . . . . . . . . . . . . . . . . . Schéma fonctionnel d’un observateur linéaire. . . . . . . . . . . . . . . . . P 2 ϕ2rα + fυ . . . . . . Droite d’inobservabilité dans la plan(Tl , Ω) avec M = Rr Schéma fonctionnel d’un observateur non linéaire. . . . . . . . . . . . . . . La normes de flux observée à haute vitesse dans le cas nominal. . . . . . . L’erreur d’observation du flux dans le cas nominal. . . . . . . . . . . . . . Zoom sur La normes du flux observée lors de la variation de Rr à haute vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zoom sur l’erreur d’estimation de la norme du flux. . . . . . . . . . . . . . Zoom sur la normes du flux observée lors de la variation de Rs à haute vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zoom sur l’erreur d’observation de la norme du flux. . . . . . . . . . . . . . La normes de flux observée à basse vitesse dans le cas nominal. . . . . . . . L’erreur d’observation du flux à basse vitesse dans le cas nominal. . . . . . Zoom sur la normes du flux observée lors de la variation de Rr à basse vitesse. Zoom sur l’erreur d’observation de la norme du flux lors de la variation de Rr à basse vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zoom sur La normes du flux observée lors de la variation de Rs à basse vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Zoom sur l’erreur d’observation de la norme du flux lors de la variation de Rs en basse vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . le Flux observé et l’erreur d’observation dans le cas nominal. . . . . . . . . Zoom sur le flux observé lors de la variation de RR et RS (modèle quatre paramètres) en basse vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . le flux Obsérvé lors de la variation de RR et RS (modèle quatre paramètres) en haute vitesse. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.3 3.4 3.5 3.6 3.7 3.8 3.9 3.10 3.11 3.12 3.13 3.14 3.15 3.16 3.17 3.18 3.19 4.1 4.2 4.3 4.4 4.5 4.6 . . . . . Différents modes pour la trajectoire dans le plan de phase . . . . . . . . . Différents comportements en dehors de la surface de discontinuité. . . . . Les deux phases de la commande en mode glissant. . . . . . . . . . . . . Représentation de la commande discontinue. . . . . . . . . . . . . . . . . Trajectoire de la commande : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le comportement de la vitesse lors de la variation de Rr :(a, c, e)- Comportement de la vitesse,(b, d, f)- L’erreur de sur la vitesse . . . . . . . . . v . . . . . . . . . 41 41 42 42 43 46 47 63 63 69 70 70 70 71 71 72 72 73 73 74 74 75 76 76 81 82 83 87 . 93 . 94 Table des matières 4.7 4.25 Le comportement de la norme du flux lors de la variation de Rr :(a, c, e)Zoom sur le comportement de la norme du flux,(b, d, f)- Zoom sur l’erreur du le flux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . Le comportement de la vitesse lors de la variation de Rs. . . . . . . . . . . Le comportement de la norme du flux lors de la variation de Rs. . . . . . . Trajectoire de l’ensemble " commande+observateur" : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. . . . . . . . . . . . . . . . Résultat de simulation dans le cas nominal : a- Vitesse commandée , bCouple de charge, c- Norme du flux observée . . . . . . . . . . . . . . . . . L’erreur de vitesse dans le cas nominal. . . . . . . . . . . . . . . . . . . . . L’erreur sur la norme du flux dans le cas nominal. . . . . . . . . . . . . . . Comportement de la vitesse lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- Couple de charge, c- Vitesse commandée. . . . . . . . . Erreur de la vitesse lors de la variation de Rr. . . . . . . . . . . . . . . . . La Norme de flux observée lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- Couple de charge, c- Norme du flux observée. . . . . . . Erreur de la norme du flux lors de la variation de Rr. . . . . . . . . . . . . Zoom sur le comportement des courants statoriques lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- courant statorique suivant l’axe a, c- courant statorique suivant l’axe b, d- courant statorique suivant l’axe d La norme du courant statorique lors de la variation de Rr :a- Trajectoire de la variation de Rr, b- Norme du courant statorique simulé. . . . . . . . Comportement de la vitesse lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- Couple de charge, c- Vitesse commandée . . . . . . . . Erreur de la vitesse lors de la variation de Rs . . . . . . . . . . . . . . . . . La Norme de flux observée lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- Couple de charge, c- Norme du flux observée . . . . . . Erreur de la norme du flux lors de la variation de Rs . . . . . . . . . . . . Zoom sur le comportement des courants statoriques lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- courant statorique suivant l’axe a, c- courant statorique suivant l’axe b, d- courant statorique suivant l’axe d La norme du courant statorique lors de la variation de Rs. . . . . . . . . . B.1 B.2 B.3 B.4 B.5 B.6 B.7 B.8 B.9 B.10 Schéma de principe de la machine asynchrone. . . Bloc de la Commande vectorielle. . . . . . . . . . Bloc du FOC. . . . . . . . . . . . . . . . . . . . . Bloc de Compensation. . . . . . . . . . . . . . . . Bloc du PI. . . . . . . . . . . . . . . . . . . . . . Bloc simulink utilisé pour l’identification. . . . . . La couche cachée de l’estimateur neuronal. . . . . Bloc Simulink de l’observateur en boucle ouverte. Bloc Simulink de la commande en boucle ouverte. Bloc Commande + Observateur. . . . . . . . . . . 4.8 4.9 4.10 4.11 4.12 4.13 4.14 4.15 4.16 4.17 4.18 4.19 4.20 4.21 4.22 4.23 4.24 vi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95 96 96 97 98 99 99 101 101 102 102 103 104 105 105 106 106 107 107 133 134 135 135 136 136 137 138 139 140 Table des matières B.11 Variation de la résistance rotorique. . . . . . . . . . . . . . . . . . . . . . . 140 B.12 Bloc commande + estimateur + observateur. . . . . . . . . . . . . . . . . . 141 vii Liste des tableaux 2.1 2.2 2.3 Evolution des paramètres en présence de défauts. . . . . . . . . . . . . . . 21 Fréquence caratéristique du flux axial. . . . . . . . . . . . . . . . . . . . . 26 Constitution du neurone biologique. . . . . . . . . . . . . . . . . . . . . . . 29 B.1 paramètre de la machine asynchrone. . . . . . . . . . . . . . . . . . . . . . 132 1 Chapitre 1 La machine asynchrone : modélisation et commande vectorielle 1.1 Introduction Ce premier chapitre permet de rappeler la constitution de la machine asynchrone, sa modélisation et sa commande vectorielle. Nous nous attardons en particulier sur la commande à flux rotorique orienté. Nous rappelons aussi certaines notions importantes (champ tournant et repère de Park) ; ces notions sont utilisées dans la présentation du modèle de simulation et des modèles de comportement dédiés à l’identification et au diagnostic. Les machines électriques tournantes occupent une place prépondérante dans tous les secteurs industriels. Les machines asynchrones triphasées à cage d’écureuil sont les plus fréquemment utilisées en raison de leur robustesse, de leur simplicité de construction et de leur bas coût [97]. Néanmoins, celles-ci subissent au cours de leur durée de vie un certain nombre de sollicitations externes ou internes qui peuvent les rendre défaillantes. Les contraintes industrielles en fiabilité, maintenabilité, disponibilité et sécurité des équipements sont par ailleurs très fortes. C’est pourquoi il est intéressant d’estimer l’état de santé de ces machines. 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, une commande par flux orienté, (la commande vectorielle directe)est appliquée à la machine asynchrone, puis un test de robustesse de la commande est effectué en haute vitesse comme en basse vitesse. Chapitre 1 1.2 La machine asynchrone : modélisation et commande vectorielle Modélisation de la machine asynchrone 1.2.1 Présentation de la machine asynchrone La machine asynchrone, connue également sous le terme "anglo-saxon" moteur à induction, est constituée des principaux éléments suivants : Le stator, le rotor et les organes mécaniques permettant la rotation et le maintien des différents sous ensembles. Le stator de forme cylindrique représente la partie statique de la machine. Il est constitué d’un bobinage, le plus souvent triphasé, logé dans des encoches et relié à la source d’alimentation. Le rotor est la partie tournante. Il peut prendre plusieurs aspects permettant de distinguer les différents types de machine asynchrone : – Rotor bobiné, de forme cylindrique portant un enroulement bobiné à l’intérieur d’un circuit magnétique constitué de disques en tôles empilés sur l’arbre de la machine. Les enroulements bobinés sont généralement identiques à ceux du stator ; – Rotor à cage d’écureuil, composé de barres métalliques en cuivre, en bronze ou en aluminium formant un cylindre et reliées entre elles à leurs extrémités par des anneaux. Dans ce chapitre, nous allons considérer le cas d’une machine asynchrone à cage d’écureuil. Nous admettons par contre que sa structure rotorique est électriquement équivalente à celle d’un rotor bobiné. Le champ tournant induit des courants rotoriques dans les barres de la cage d’écureuil (ou bobinage) : ces courants induits provoquent un couple permettant au rotor de tourner à une vitesse Ω, voisine de celle du champ tournant, mais nécessairement inférieure. La mise en équation de la machine asynchrone avec les hypothèses retenues étant classique, nous ne mentionnerons que les points qui nous semblent essentiels et les choix qui nous sont propres par rapport à ce qui se fait habituellement. 1.2.2 Transformation de Park-Blondel Il est présenté dans cette première partie les modèles mathématiques de la machine asynchrone qui seront utilisés par la suite pour l’étude de l’observabilité et la synthèse d’observation et de commandes développées tout au long de cette thèse. Classiquement et de façon systématique tous les modèles sont obtenus suivant la théorie de Park [49] qui consiste à écrire ces modèles dans des repères particuliers. Cette méthode se décompose en deux étapes 1. Transformation Triphasé-Diphasé dans un repère fixe concordia 3 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 2. Transformation Repère fixe - Repère tournant Park Avant d’établir le modèle de la machine asynchrone en vue de sa commande, nous rappelons brièvement les hypothèses, désormais classiques, retenues : – les circuits magnétiques sont non saturés. – les pertes fer sont négligées. – Il n’y a pas d’effet de peau. – L’effet des encoches est négligé. – La répartition de la force magnétomotrice est sinusoïdale. Les transformations de Concordia et de Park permettent de remplacer les équations électriques d’un moteur triphasé par ceux d’un moteur biphasé équivalent. l’avantage de ce modèle équivalent par phase est avant tout une simplification de la représentation électrique de la machine. D’un système triphasé fixe de coordonnées abc, on passe à un système de coordonnées (0 α β) figure 2.1. Cette transformation non linéaire se fait à l’aide de la matrice de Park [97]. sb rb sb rb ra ra q sa sa sc rc Figure 1.1 – Transformation triphasée à diphasé (Transformation de Concordia). La transformation est basée sur la mise sous forme normale des équations électriques par la diagonalisation des matrices d’inductances [67]. Elle est réalisée à l’aide de la matrice de transformation T3 . xa x0 xα = T3 T xb xc xβ où T3 = λ1 , λ2 , λ3 = r 4 2 3 √1 2 √1 2 √1 2 (1.1) 1 − 12 0 √ − 12 − 3 2√ 3 2 . La machine asynchrone : modélisation et commande vectorielle Chapitre 1 . Les composantes de T3 sont les valeurs propres λi i=1,2,3 de la matrice inductance. Ces valeurs propres sont définies de manière à normaliser la matrice de transformation T3 , c’est-à-dire λi = 1, ce qui correspond à l’invariance de la puissance lors de transforP mation. Si l’alimentation est triphasée équilibrée alors i = 0 . L’équation (1.1) permet de vérifier facilement que i0 = √1 (ia 3 + ib + ic ) = 0. Le courant et donc le flux s’an- nulent sur l’axe homopolaire 0. Dans la suite, nous ne tenons plus compte de cet axe. La transformation triphasé en biphasé devient : où T32 xα xβ = T32 T xa xb xc (1.2) r 1 0 √ 2 1 3 −2 = . 2√ 3 3 1 −2 − 2 La transformation inverse s’écrit directement xabc = T32 xαβ car T3 est une matrice orthogonale. Après cette première transformation, il existe un décalage entre l’axe statorique et rotorique par l’angle mécanique θ figure 2.1. Afin d’exprimer toutes les grandeurs dans un seul repère d’axes, on utilise la transformation de Park. Cette transformation consiste à passer d’un repère biphasé fixe (α, β) (grandeurs sinusoïdales) à un repère tournant par rapport au stator. Ainsi, les grandeurs statoriques et rotoriques sont projetées dans un repère tournant généralisé (d, q) qui est décalé d’un angle θs par rapport au repère fixe (α, β), figure 2.2. Sur cette figure l’indice ”r” désigne les grandeurs rotoriques et l’indice ”s” ceux du stator. Cette transformation non linéaire se fait à l’aide de la matrice de Park P. rb sq sb sd rd rq qr qs q ra sa Figure 1.2 – Transformation de Park cos(θ) − sin(θ) P (θ) = sin(θ) cos(θ) (1.3) avec θ = θs − θr . La transformation inverse est donnée par xαβ = P θxdq et P (−θ) = P (θ)−1 = P (θ)T 5 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 1.2.3 Équations électriques généralisées de la machine asynchrone dans le repère de Park Soit Λ la matrice d’inductance de la machine asynchrone. Λ= Avec Ls Lsr LTsr Ls , , ls Ms Ls = Ms ls Ms Ms lr Mr Lr = Mr lr Mr Mr (1.4) Ms Ms ls Mr Mr lr 2π ) M cos(θ − ) M cos θ M cos(θ + 2π 3 3 ) M cos θ M cos(θ + 2π ) Lsr = M cos(θ − 2π 3 3 2π 2π M cos(θ + 3 ) M cos(θ − 3 ) M cos θ . Les matrices d’inductances vérifient les expressions suivantes : ls + 2Ms 0 −1 T3 Ls T3 = 0 (ls − Ms )Id lr + 2Mr 0 −1 T3 Lr T3 = 0 (lr − Mr )Id T Lsr = M T32 P (θ)T32 Avec Id = 1 0 0 1 (1.5) et M = 32 Msr Les flux magnétiques sont donnés par l’équation matricielle suivante : ϕs = Ls is + Lsr ir ϕr = Lsr is + Lr ir On substituant l’équation (1.5) avec l’équation du flux (1.6), on obtient : ϕsαβ = Ls isαβ + M P (θ)irαβ ϕrαβ = Lr irαβ + M P (θ)isαβ 6 (1.6) (1.7) Chapitre 1 La machine asynchrone : modélisation et commande vectorielle Avec Ls = ls − Ms et Lr = lr − Mr . Les équations de tension de la machine asynchrone dans le repère diphasé sont : usαβ = Rs isαβ + ϕ̇sαβ urαβ = Rr irαβ + ϕ̇rαβ (1.8) En appliquant transformation de park de l’équation (1.3) aux équations (1.6) et (1.7), on obtient les équations d’une machine asynchrone à cage d’écureuil dans un repère (d, q) généralisé. et ϕsd ϕsq ϕrd ϕrq usd usq u rd urq = = = = = = = = Ls isd + M ird Ls isq + M irq Ls ird + M isd Ls isq + M irq (1.9) Rs isd + ϕ˙sd − θ˙s ϕsq Rs isq + ϕ˙sq + θ˙s ϕsq 0 = Rr ird + ϕ˙rd − θ˙r ϕrq 0 = Rr irq + ϕ˙rq − θ˙r ϕrd (1.10) Pour simplifier les expressions, on note : θ̇s θ̇ θ̇r σ = ωs = pΩ = ωr = ωs − pΩ M2 ) = 1−( Ls Lr Les relations entre le flux et les courants sont : 1−σ 1 ϕsd − ϕrd isd = σLs σM 1 1−σ isq = ϕsq − ϕrq σLs σM 1−σ 1 ϕsd ϕrd − ird = σLr σM 1 1−σ irq = ϕsq ϕrq − σLr σM Le couple électromagnétique est : Te = pM (ϕrd isq − ϕrq isd ) Lr 7 (1.11) (1.12) La machine asynchrone : modélisation et commande vectorielle Chapitre 1 L’équation (1.12) montre que le couple est proportionnel à un produit vectoriel représentant une expression non linéaire. Pour obtenir le modèle complet de la machine asynchrone il faut ajouter l’équation mécanique : Ω̇ = 1.2.4 Te Tl fv − − Ω J J J (1.13) Modèle d’état dans le repère tournant généralisé (d, q) Dans ce repère les vecteurs x, u et y sont donnés par : xdq = isd isq ϕrd ϕrq Ω u sd , u = , y = usq d i dt sd d i dt sq d ϕ dt rd d ϕ dt rq d Ω dt . k 1 ϕrd + pΩkϕrq + usd Tr σLs k 1 −ωs isd − γisq − pΩkϕrd + ϕrq + usq Tr σLs M 1 isd − ϕrd + (ωs − pΩ)ϕrq Tr Tr M 1 isq − (ωs − pΩ)ϕrd − ϕrq Tr Tr pM fv 1 (ϕrd isq − ϕrq isd ) − Ω − Tl Jlr J J d i dt sd = −γisd + ωs isq + d i dt sq = d ϕ dt rd = d ϕ dt rq = d Ω dt = (1.14) les paramètres k, Tr , σ, γ sont définis par : Lr M2 Rs Rr M 2 M , Tr = , σ =1− , γ= + k= σls lr Rr Ls Lr σLs σLs L2r le modèle non linéaire d’état de la machine asynchrone dans le repère tournant généralisé (d, q) est : d i dt sd d i dt sq d ϕ dt rd d ϕ dt rq d Ω dt Avec xdq = = k −γisd + ωs isq + ϕrd + pΩkϕrq Tr k −ωs isd − γisq − pΩkϕrd + ϕrq Tr 1 M isd − ϕrd + (ωs − pΩ)ϕrq Tr Tr 1 M isq − ϕrq − (ωs − pΩ)ϕrd Tr Tr pM Tl fv (ϕrd isq − ϕrq isd ) − Ω − Jlr J J isd isq ϕrd ϕrq Ω T . 8 + 1 σLs 0 0 0 0 0 1 σLs usd 0 usq 0 0 (1.15) La machine asynchrone : modélisation et commande vectorielle Chapitre 1 1.2.5 Modèle d’état dans le repère fixe (α, β) lié au stator Le modèle d’état non linéaire dans le repère fixe (α, β) se déduit directement du modèle (d, q), équation (1.14). En imposant l’angle de projection θs ainsi que sa dérivée égaux à zéro θs = 0 et θ̇s = ωs = 0. Les vecteurs d’état x, d’entrée u et de sortie y pour ce repère sont : x= isα isβ ϕrα ϕrβ Ω u sα , u = , y= usβ d i dt sα d i dt sβ d ϕ dt rα d ϕ dt rβ d Ω dt . Le modèle d’état est : d i dt sα d i dt sβ d ϕ dt rα d ϕ dt rβ d Ω dt = k −γisα + ϕrα + pΩkϕrβ Tr k −pΩkϕrα + ϕrβ Tr 1 M isα − ϕrβ − pΩϕrβ Tr Tr 1 M isβ − ϕrβ − pΩϕrα Tr Tr pM Tl fv (ϕrα isβ − ϕrβ isα ) − Ω − Jlr J J + 1 σLs 0 0 0 0 0 1 σLs u sα 0 usβ 0 0 (1.16) Remarque 1.1 Dans le modèle de l’équation (1.12), nous avons exprimé les grandeurs statoriques et rotoriques dans le même système d’axes α, β (correspondant aux axes sα et sβ sur la figure 2.1 parce ce que ce modèle est développé à partir du modèle généralisé (d, q) de l’équation (1.11). 1.2.6 Modèle de la machine asynchrone à quatre paramètres 1.2.6.1 Le modèle Γ - inverse : Comme montré par slemon (1989), le nombre de paramètres du modèle peut être diminué de cinq à quatre en réduisant le flux de couplage et le courant rotorique par : ϕR = Kr ϕr 9 (1.17) Chapitre 1 La machine asynchrone : modélisation et commande vectorielle ir Kr Ou le facteur de couplage magnétique du rotor est définit par : (1.18) iR = Kr = Lm Lr (1.19) De plus l’inductance magnétisante réduite est : (1.20) LM = K r Lm La résistance électrique rotorique réduite est : RR = Kr2 Rr (1.21) Ls = Lsσ + Kr Lrσ (1.22) L’inductance transitoire statorique : ′ En introduisant ces nouveaux paramètres, les équations de tensions deviennent : ϕ̇ ϕ i Rα Rα Rα + = Rr +Ω 0 ϕ̇Rβ ϕRβ iRβ ϕ̇sα usα i +0 = Rs sα + ϕ̇sβ usβ isβ Les équations du flux correspondant au modèle réduit deviennent : i i ϕ ′ sα Rα sα + Lm = (Ls + Lm ) isβ ϕsβ iRβ ϕRα i = Lm isα isβ + Lm Rα ϕRβ iRβ Soit le modèle final de la machine asynchrone à quatre pΩ 1 1 ϕRα + ϕRβ − isα Ls Tr Ls τσ d 1 1 pΩ i ϕ − ϕ − i dt sα Rα Rβ sβ d isβ L′s Tr L′s τσ ddt 1 ϕRα = ϕ − pΩϕ + R i Rα Rβ R sα dt d Tr ϕRβ dt 1 d ϕ + pΩϕ + R i − Ω Rβ Rα R sβ dt T r p fv Tl (ϕRα isβ − ϕRβ isα ) − Ω − J J J 10 (1.23) (1.24) paramètres : 1 L′ s 0 0 0 0 0 1 L′ s 0 0 0 usα usβ (1.25) La machine asynchrone : modélisation et commande vectorielle Chapitre 1 1.3 Commande vectorielle basée sur la structure des régulateurs Proportionnels Intégraux (PI) La commande vectorielle à flux orienté, introduite par Blaschke en 1972 à été un pas important vers une commande de la machine asynchrone à haute performances dans les applications industrielles. Le principe de la commande vectorielle est de ramener le comportement de la machine asynchrone à celui d’une machine à courant continu. cette méthode est basée sur la transformation des variables électriques vers un référentiel qui tourne avec le vecteur du flux rotorique. Dans ce nouveau repère, les dynamiques du flux rotorique sont asymptotiquement linéaires est découplées. Et si la norme du flux rotorique est maintenue constante, la dynamique de la vitesse devient linéaire et découplée. la commande vectorielle accomplit donc une linéarisation asymptotique et un découplage. deux types de commandes vectorielles sont possibles : D’une part la commande vectorielle directe ou l’on estime la norme et la position du flux rotorique et d’autre part, la commande vectorielle indirecte ou seule la position du flux rotorique est estimée. Dans le paragraphe suivant, on rappelle les principes de la commande vectorielle directe . La commande vectorielle est basée sur un repère (d, q) orienté suivant le flux rotorique, figure 2.2. si le repère est parfaitement orienté, on peut supposer que la composante ϕrq est nulle. En outre, l’annulation de ϕrq entraîne l’annulation de ϕ˙rq . à partir de là, le modèle de l’équation (1.12) est simplifié de la façon suivante : d i dt sd d i dt sq d ϕ dt rd d Ω dt k 1 ϕrd + usd Tr σLs 1 = −ωs isd − γisq − pΩkϕrd + usq σLs M 1 = isd − ϕrd Tr Tr pM Tl fv = ϕrd isq − Ω − Jlr J J M isq ωs = ω + Tr ϕrd = −γisd + ωs isq + (1.26) (1.27) En utilisant la transformée de Laplace on peut écrire l’équation (1.15) : ϕrd = M isd Tr s + 1 D’autre part, le couple éléctromagnétique délivré par la machine est : 11 (1.28) La machine asynchrone : modélisation et commande vectorielle Chapitre 1 Te = pM ϕrd isq JLr (1.29) La composante isd peut commander, de façon découplée, le flux rotorique et la composante isq commandera le couple si le flux ϕrd est constant. On peut aussi voir qu’a un terme de compensation prés, il y a également un transfert du premier ordre entre isd et la tension usd équation (1.14). La consigne en flux impose donc un courant isd qui lui même impose une tension usd . De même, une régulation en cascade permet de déterminer une tension usq par une consigne de vitesse, via le courant isq figure 2.3. La réalisation de correcteurs est donc aisée à partir des équations (1.14) et (1.25). Pour se faire, les dynamiques des courants sont linéarisées et découplées avec le retour d’état non linéaire suivant : k ϕrd − vsd ) Tr u = σL (ω i + pωKϕ sq s s sd rd − vsq ) usd = −σLs (ωs isq + En conséquence, le modèle de l’équation (1.14) disd = −γisd + υsd dt disq = −γisq + υsq dt dϕrd 1 M = isd − ϕrd dt Tr Tr dΩ pM Tl fv = ϕrd isq − Ω − dt JLr J J (1.30) (1.31) Les nouvelles entrées υsd et υsq sont calculées de la façon suivante : υsd = kpd (i∗sd − isd ) + kid υsq = kpq (i∗sq − isq ) + kiq Rt 0 Rt 0 (i∗sd − isd )dt (1.32) (i∗sq − isq )dt (1.33) où kid , kpd , kpq sont les gains des correcteurs, i∗sd et i∗sq sont les courants de référence pour isd et isq respectivement. Lorsque l’amplitude du flux rotorique ϕrd = kϕr k atteint sa référence constante ϕ∗r , la dynamique de la vitesse rotorique devient aussi linéaire. Il est donc possible de faire une commande en flux et en vitesse via des correcteurs PI comme suit : Z t ∗ ∗ isd = kpd (ϕr − ϕrd ) + kid (ϕ∗r − ϕrd )dt (1.34) 0 i∗sq Lr = [kpq (Ω∗ − Ω) + kiΩ pM Z t (Ω∗ − Ω)dt]/ϕrd (1.35) 0 Où les gains kid , kpq , kiΩ , kpΩ sont calculés de façon à imposer les dynamiques voulues aux erreurs ϕ∗r − ϕrd et Ω∗ − Ω. On note que l’on peut réaliser directement une boucle de 12 Chapitre 1 La machine asynchrone : modélisation et commande vectorielle flux sans bouclage interne sur isd . Il est à remarquer que la faiblesse de la commande se présente en régime de survitesse, car le découplage entre le couple est le flux disparaît. En effet pour les régimes à grande vitesse, il faut diminuer le flux afin de réduire la norme de la tension. Le flux n’étant plus constant, le contrôle du couple est donc plus difficile à assurer. En outre la difficulté dans l’implantation de la commande vectorielle est la connaissance de la position du flux qui détermine la position du repère (d, q). En général l’approche de base est d’utiliser le modèle de la machine pour construire un estimateur de flux : M 1 ϕ̂˙ rd = îsd − ϕ̂rd Tr Tr ω̂s = pΩ + (1.36) M îsq Tr ϕ̂rd (1.37) Avec îsd = isα cos(θ̂s ) + isβ sin(θ̂s ) îsq = −isα sin(θ̂s ) + isβ cos(θ̂s ) Où isα et isβ sont les courants statoriques dans le repère (α, β) et ωˆs = 1.3.1 dθˆs . dt Résultats de simulation Afin d’évaluer le comportement dynamique de la machine asynchrone munie de sa commande vectorielle directe, nous avons testé les performances de la régulation de la vitesse et le flux, nous avons utilisé le logiciel Matlab Simulink Pour la résolution des systèmes d’équations différentielles, le programme ode 45(Ormand-Prince) fournit par Matlab de Mathworks a été utilisé. Cette résolution se fait par variable avec une tolérance absolue de divergence de l’ordre de 10−3 . suivi de trajectoire La motivation principale de ce teste et d’analyser la commande vectorielle directe en boucle ouverte plus précisément, la valeur initiale de la vitesse mécanique est maintenu à 0. A t = 1s la vitesse de la machine est portée à 150rad/s et reste constante jusqu’a t = 3.5s puis le couple de charge est appliqué entre 1.5s et 2.5s cette première phase permet de tester et d’évaluer les performances de la loi de commande en haute vitesse avec charge. On décélère ensuite la machine jusqu’a atteindre −150rad/s à t = 5.5s et reste constante jusqu’a t = 8s tout en appliquant un nouveau couple de charge à t = 6s. Cette deuxième phase a pour but de tester le comportement de la loi de commande durant un grand transitoire de vitesse, ainsi que la robustesse de la commande en basse vitesse (figure 1.3). 13 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 Cas nominal : 200 100 Rad/s a 0 −100 −200 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 5 6 7 8 9 10 N.m 5 b 0 −5 −10 0 1 2 3 4 2 Wb 1.5 c 1 0.5 0 0 1 2 3 4 Temps(s) Figure 1.3 – Trajectoire du benchmark commande : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. La figure 1.4 montre les résultats de simulation de la commande de vitesse dans le cas dit "nominal" c’est à dire en utilisant les paramètres nominaux de la machine. Nous pouvons remarquer que la vitesse commandée suit sa référence avec une erreur de poursuite égale à 0.2rad/s (figure 1.5), cette erreur augmente au moment de l’application du couple, elle atteint 0.861rad/s. La fiqure 1.6 montre bien que le flux suit sa trajectoire et rejette le couple. L’erreur atteint 0.1839W eb au moment de l’application du couple (figure 1.7). 14 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 200 Vit ref Vit 150 100 Vitesse(Ra/s 50 0 −50 −100 −150 −200 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 1.4 – La vitesse commandée dans le cas nominal. variation de Rr : La figure 1.8 montre l’erreur entre la vitesse de référence et celle commandée. Nous pouvons remarquer que pour une variation de 50% sur la résistance rotorique l’erreur de vitesse tend vers 0 jusqu’a t = 1s. A 1s seconde elle est égale à 0.1rad/s et au moment de l’application du couple à 1.5s et 2.5 elle atteint ±0, 2rad/s) et 0.13rad/s. Pour la deuxième variation de Rr qui est égale à 110% sur la résistance rotorique, la figure (b)1.8 montre que l’erreur de vitesse est ±0, 22rad/s au instants ou le couple est appliqué. D’aprés la figure (a)1.9 l’erreur du Flux atteint 0.3W b au moment de l’application du couple lors de la variation de -50% sur Rr et 0.195W b lors de la variation de +10% sur Rr, (figure et (b)1.9). 15 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 0.3 Cas nominal 0.2 Erreur de vitesse(Wb) 0.1 0 −0.1 −0.2 −0.3 −0.4 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 1.5 – L’erreur de vitesse dans le cas nominal. 1.4 Flux ref Flux estimé 1.2 La norme du flux(wb) 1 0.8 0.6 0.4 0.2 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 1.6 – Le flux simulé dans le cas nominal. 16 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 1.2 1 Erreur du flux(Wb) 0.8 0.6 0.4 0.2 0 −0.2 0 1 2 3 4 5 6 7 8 9 Temps(Wb) Figure 1.7 – L’erreur du flux dans le cas nominal. 0.4 0.3 50%Rr 0.2 +10%Rr 0.2 0.1 Erreur de vitesse(rad/s) Erreur de vitesse(rad/s) 0.3 0.1 0 0 −0.1 −0.1 −0.2 −0.2 −0.3 −0.3 −0.4 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 Temps(s) Temps(s) (a)Lors de la variation de (50%) sur Rr (b)Lors de la variation de (110%) sur Rr Figure 1.8 – L’erreur de vitesse lors de la variation de Rr. 0.4 0.28 −50%Rr 0.35 0.26 +10%Rr 0.3 Erreur du flux(Wb) Erreur du Flux(Web) 0.24 0.25 0.2 0.15 0.22 0.2 0.18 0.16 0.1 0.14 0.05 0.12 0 0 1 2 3 4 5 6 7 8 0.1 9 Temps(s) 0 1 2 3 4 5 6 7 8 9 Temps(s) (a)Lors de la variation de (-50%) sur Rr (b)Lors de la variation de (+10%) sur Rr Figure 1.9 – L’erreur du flux lors de la variation de Rr. 17 La machine asynchrone : modélisation et commande vectorielle Chapitre 1 variation de Rs Les figures 1.10 et 1.11 montrent qu’une variation de 50% sur la résistance statorique donne une erreur de vitesse égale à 0.82rad/s (figure (a)1.10). Cette erreur diminue quand la résistance statorique varie de 110% sur sa valeur nominale puisqu’elle est de et 0.22rad/s (figure(b)1.10). La variation sur la résistance statorique engendre une erreur de flux égale à environs 0.184W b et 0.183W b pour les variations respectives de 50% et 110% sur Rs (figures (a)1.11 et (b)1.11). 0.25 1 0.2 0.8 0.15 0.4 0.1 Erreur de vitesse(rad/s) Erreur de vitesse(rad/s) −50%Rs 0.6 0.2 0 −0.2 0.05 0 −0.05 −0.4 −0.1 −0.6 −0.15 −0.8 −0.2 −1 0 1 2 3 4 5 6 7 8 −0.25 9 110%Rs 0 1 2 3 4 Temps(s) 5 6 7 8 9 Temps(s) (a)Lors de la variation de (50%) sur Rs (b)Lors de la variation de (110%) sur Rs Figure 1.10 – L’erreur de vitesse lors de la variation de Rs. 0.1846 0.192 0.1844 0.19 +10%Rs 0.1842 −50%Rs 0.188 Erreur du flux(Wb) Erreur du flux(Wb) 0.184 0.186 0.184 0.1838 0.1836 0.1834 0.182 0.1832 0.18 0.183 0.178 0.1828 0.176 0 1 2 3 4 5 6 7 8 9 0 Temps(s) 1 2 3 4 5 6 7 8 9 Temps(s) (a)Lors de la variation de (50%)sur Rs (b)Lors de la variation de (110%) sur Rs Figure 1.11 – L’erreur du flux lors de la variation de Rs. 18 Chapitre 1 1.3.2 La machine asynchrone : modélisation et commande vectorielle conclusion Dans ce chapitre, la modélisation de la machine asynchrone a été présentée. La commande vectorielle (ou à flux orienté) plus précisément la commande directe de la vitesse à été appliquée à la machine asynchrone. Le choix de la méthode tient au fait qu’elle fait appel à des outils de l’automatique avancée non linéaire. Par conséquent, elle est considérée comme une commande de référence pour la comparaison avec la commande non linéaire en mode glissant traitée dans le cadre de ce travail. Le chapitre suivant est dédié à l’élaboration d’une technique d’estimation paramétrique en vue de diagnostic de défauts. 19 Chapitre 2 Identification paramétrique pour le diagnostic des défauts. 2.1 Introduction Un système de surveillance doit fournir des informations fiables sur le fonctionnement de l’unité aux opérateurs qui l’exploitent. Il doit être capable de provoquer dans les cas graves un arrêt de l’unité ou de permettre au système de production de continuer de fonctionner en mode dégradé en cas de problème ne nécessitant pas un arrêt immédiat. Tout cela en évitant bien sûr des erreurs de type fausses alarmes qui provoquent l’arrêt inutile de l’installation. Les tâches de détection et de localisation des défaillances trouvent ainsi tout naturellement leur place dans un tel système de surveillance. La détection de défauts dans les machines électriques a fait l’objet de recherches et de réalisations industrielles depuis de nombreuses années. L’analyse vibratoire, en particulier, est utilisée pour la détection de problèmes mécaniques, des ruptures de barres au rotor et des courts-circuits au stator des machines asynchrone [8]. Les exigences industrielles en terme de maintenance orientent la recherche vers un diagnostic fin des défauts et surtout leur diagnostic précoce [12]. Depuis environ deux décennies, de nombreuses recherches en génie électrique et en identification paramétrique ont permis l’élaboration de stratégies de diagnostic hors-ligne et en-ligne des entraînements électriques. Les Moteurs asynchrones sont soumis pendant leurs fonctionnement à plusieurs contraintes de différentes natures. l’accumulation de ces contraintes provoque des défauts dans leurs différentes parties. l’apparition d’un défaut au niveau d’un moteur modifie son fonctionnement et affecte ses performances. La recherche de signatures ou indicateurs de ces défauts a pour but de caractériser le fonctionnement du système, le type et l’origine de chacun de ces défauts. Ceci permet d’assurer une bonne Identification paramétrique pour le diagnostic des défauts. Chapitre 2 discrimination des pannes ou anomalies survenant au différents niveaux du processus. Par ailleurs et vu la diversité de ces défauts, de nombreuse méthodes permettent de réaliser une démarche de diagnostic et de prévenir au mieux la dégradation du système surveillé, ont été développées [19]. Ainsi lorsque les observations issues du système sont du type numériques, et que l’on dispose d’un modèle mathématique, l’approche par modèle mathématique (méthode interne) est privilégiée pour le diagnostic de systèmes dynamiques [55], [36]. En revanche lorsqu’on ne peut pas construire un modèle analytique ou si sa complexité le rend inexploitable, une alternative est l’approche sans modèle (aucune connaissance à priori). dans ce chapitre, nous allons présenter les différentes approches et méthodes de diagnostic ainsi que les signatures qui en découlent. Nous optons dans la suite de notre travail pour une technique d’estimation d’état ou d’estimation paramétrique qui peut être un indice signalant le défaut. 2.1.1 Discrimination des défauts Il est important de préciser que la représentation biphasée de la machine n’est valide physiquement que si les alimentations sont équilibrées et si la machine est saine et équilibrée. Lors de l’apparition d’un défaut, un déséquilibre s’instaure dans la machine. Les paramètres du modèle vont dériver. Dans son étude, [75] utilise l’identification des paramètres issus du circuit équivalent de la machine asynchrone pour détecter l’occurrence d’un défaut. Ces études portent sur les défauts tels que les barres cassées et la réduction de spires ou les courts-circuits dans les enroulements statoriques. Les paramètres estimés sont les suivants [81] : θ= Ses résultats montrent que : R s R r Ls Lr – Lors d’une rupture de barres au rotor, la résistance rotorique augmente et les autres paramètres, c’est à dire la résistance statorique et les inductances de fuite statorique et rotorique, diminuent. – Lors d’un court circuit entre spires du bobinage statorique, la résistance statorique augmente et les autres paramètres diminuent (Table2.1). Désignation Défaut rotorique Défaut de court circuit au bobinage statorique Rs ց ր Rr ր ց Lr ց ց Lf ց ց Table 2.1 – Evolution des paramètres en présence de défauts. 21 Chapitre 2 Identification paramétrique pour le diagnostic des défauts. Ainsi, pour déterminer la présence d’un défaut, il est nécessaire de suivre un ensemble de paramètres constitués d’une variable résistive et l’autre inductive. Sur le même principe, [21] propose un observateur de Kalman étendu aux paramètres Rr et M pour détecter les défauts au rotor. Les figures suivantes montrent la convergence de la résistance et de l’inductance vers les variables imposées [81]. Au final, ce ou ces couples de paramètres donnent une signature du défaut. Ils ne donnent Figure 2.1 – Les résistances rotoriques et les inductances imposées et observées. plus une représentation physique de la machine détériorée mais un indicateur de panne basé sur une évolution distincte de ces paramètres pour une machine saine ou défectueuse. 2.2 Diagnostic par modélisation paramétrique du système (connaissance à priori) Cette approche appelée aussi "approche avec modèle", est issus de l’automatique et repose sur une connaissance a priori du système. Elle s’appuie sur la connaissance des paramètres caractéristiques du système étudié ou de variables représentatives développées à partir des acquisitions. Une comparaison entre les paramètres identifiés a un état de fonctionnement normal(sain) et ceux identifiés à un état de fonctionnement anormal prouve la présence d’un défaut. L’utilisation de cette approche nécessite la connaissance au préalable des variations de ces paramètres dans les conditions de fonctionnement normales et lors de la présence de défauts. La figure 2.2 traduit cette approche. On part d’un modèle du processus à surveiller sain. si le modèle Sm (t) correspond à la sortie du processus Sp (t), alors le modèle fournit une estimation des grandeurs caractéristiques du fonctionnement sans défauts. La détection de défaillance est réalisée par le suivi de l’erreur de sortie ǫ(t) (technique des résidus) ou par la mise en évidence d’un 22 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 Processus yp (k) + u(k) ym(k) Modèle e(k)=yp(k)-ym(k) - d'identification Figure 2.2 – Principe du diagnostic par modélisation paramétrique. écart entre le modèle (qui s’éloigne alors de la physique du phénomène) et le processus réel. Dans le second cas, l’erreur de sortie peut être minimisée en modifiant les paramètres structuraux du modèle. De cette manière les paramètres inhérents au système sont identifiés même en cas de défaillance. Le modèle adapté donne alors une signature du mode de fonctionnement. Les paramètres électriques et mécaniques de ces modèles sensibles aux défauts peuvent être identifiés et/ou observés [88], [6] par des algorithmes spécifiques. En présence de défauts, ces paramètres dérivent et le modèle s’écarte alors de la physique du phénomène. l’évolution de ces paramètres permet donc de caractériser les défauts recherchés [19]. Pour cela des modèles très fins du moteur ont été envisagés, tout en gardant la possibilité d’identifier les paramètres souhaités. Ces modèles peuvent être des modèles triphasés, qui s’affranchissent de l’hypothèse d’un moteur magnétiquement équilibré, ou encore des modèles à n phases capables de refléter le fonctionnement sur une large bande de fréquence [7]. 2.2.1 Techniques d’identification paramétrique en vue de diagnostic L’identification est la détermination, à partir de la connaissance des signaux d’entrées et de sorties, d’un modèle mathématique appartenant à une classe donnée pour lequel les comportements dynamiques ou statiques sont équivalents à ceux du processus au sens d’un critère donné. donc le processus de diagnostic peut se faire selon les étapes suivantes [21]. – Le choix d’un modèle mathématique. – Le choix des signaux d’entrées et de sorties. – Un critère de similitude entre le modèle et le processus. 23 Chapitre 2 Identification paramétrique pour le diagnostic des défauts. Il s’agit donc de détecter un écart entre l’évolution des paramètres au cours d’un fonctionnement sain et celle suivie par le système en présence de défauts. l’identification des paramètres peut se faire hors ligne. elle se base alors sur un algorithme d’optimisation de l’erreur entre les paramètres du modèle et ceux du système étudié [106]. les paramètres peuvent aussi être identifiés en cours de fonctionnement à l’aide d’observateur étendu. le plus couramment utilisé est le filtre de Kalman [57], [33], [78]. Ce filtre apparaît comme le plus adéquat de tous mais aussi le plus délicat à mettre en oeuvre. Tout d’abord, en tant qu’algorithme d’identification en temps réel, le filtre de Kalman étendu délivre un modèle adaptatif, capable de prendre en compte les évolutions normales des paramètres du moteur telles que la variation des résistance (en fonction de la température) ou encore la variation des inductances (en fonction du niveau de saturation). Par ailleurs, les paramètres estimés eux mêmes, permettent une première analyse des conditions de fonctionnement du moteur. Par exemple : une variation anormale de la valeur des résistances peut signifier un échauffement excessif et donc une dégradation progressive des enroulements [30]. 2.2.2 Techniques d’estimation d’état L’estimation des variables internes d’un système en se basant sur sur un modèle approché, comme par exemple l’estimation des flux ou des courants rotoriques dans le moteur asynchrone sur la base du modèle de Park, peuvent donner dans certains cas des informations sur la présence de défauts [20]. l’observation effectue la correction des variables estimées sur la base des mesures. Ces techniques permettent le suivi de grandeurs utilisées en commande ou en diagnostic. dans la suite de notre travail nous avons touché à l’estimation du courant statorique par l’identificateur en vue de diagnostic de défauts. 2.2.3 Techniques des résidus Un résidu est un signal indicateur de défauts. Il reflète la cohérence des données vis à vis du modèle comportemental du système (panne+Perturbation+incertitude+......). Ce modèle est de manière générale , constitué d’un ensemble de relations de contraintes dynamiques liant deux types de variables : des variables inconnues (variables internes, perturbations, entrées inconnues,...) et des variables connues (consignes, variables mesurées). Les résidus sont théoriquement nuls en fonctionnement normal et différents de zéro lorsqu’une défaillance survient [21]. Plusieurs méthodes sont utilisées pour faire ressortir un résidus significatif de la présence de défauts [Gradient, Newton-Raphson, Levenbert- 24 Chapitre 2 Identification paramétrique pour le diagnostic des défauts. Marquedt). La difficulté majeure consiste à faire la liaison entre le résidu établi et un défaut particulier. Cette technique présente l’avantage d’observer des grandeurs difficiles à diagnostiquer, voire même parfois non mesurable. Si les estimations sont correctement réalisées, alors les résistances, inductances, mutuelles peuvent servir de bon indicateur de défauts. 2.3 Diagnostic par modélisation paramétrique du système(sans connaissance à priori) Nous avons vu que la première famille de méthodes nécessite la connaissance du comportement dynamique de la machine asynchrone. Dans cette deuxième partie, nous nous intéressons aux résultats obtenus à partir du suivi direct des grandeurs telles que les courants, le couple estimé ou mesuré, les flux ou encore les vibrations. Ces méthodes dites "sans modèles" se basent sur l’analyse des signaux d’acquisitions. Elles ont l’avantage de l’indépendance de l’analyse par rapport aux fluctuations internes du système. D’autre part, l’information contenue dans les signaux, n’étant pas filtrée par la modélisation, elle reste intacte. Dans ce travail nous nous intéressons aux grandeurs mesurables ou observables les plus utilisées, à savoir : la vitesse, le courant statorique et le flux magnétique. 2.3.1 Détection de défauts par analyse du flux Tout déséquilibre quel qu’il soit, magnétique, mécanique, électrique ou bien encore électromagnétique, situé au rotor ou au stator, peut affecter la conversion électromécanique et la répartition de champ dans et hors de la machine. Des études ont donc été menées pour extraire de la mesure des flux d’entrefer, axial ou de fuite des signatures caractéristiques de certains défauts. Pour cela, des bobines exploratrices sont placées à l’extérieur de la machine, parallèlement et perpendiculairement à l’axe du rotor. Dans [51], l’auteur met en évidence les composantes fréquentielles du flux de fuite dans l’axe du rotor, qui permettent de détecter et d’identifier des courts-circuits dans les enroulements statoriques. Il en déduit les fréquences caractéristiques suivantes : ff f (HZ) = k.fa ± n.frot (2.1) Avec n et k des nombres entiers et k impaire. Ces composantes présentent dans le spectre du flux pour une machine saine, vont augmenter avec l’apparition d’un défaut [?]. 25 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 Certaines composantes du flux axial permettent de détecter d’éventuels défauts liés aux barres rotoriques et aux paliers (roulements). 2.3.2 Détection de défauts par analyse du couple électromagnétique Certains défauts mécaniques peuvent être détectés par la recherche d’harmoniques dans le spectre du couple électromagnétique mesuré, résultant d’une interaction entre le flux et le courant [104]. Ce couple peut être reconstruit, soit à partir de deux des trois courants statoriques, soit en utilisant un modèle physique de la machine. L’utilisation de ce signal peut s’avérer un bon choix pour la détection des défauts de charge. En effet, les variations du couple de charge vont induire des variations du flux et du courant dans la machine. De même la torsion de l’arbre, entraîne l’apparition d’harmoniques dans le spectre du couple. Les oscillations de couple, provoquées par certains défauts rotoriques, peuvent servir à détecter ceux-ci. [105] montre par une analyse théorique et des essais, comment le spectre du couple se trouve modifié lorsqu’un des deux anneaux d’une cage est cassé. [95] analyse le couple électromagnétique d’une machine asynchrone présentant des portions d’anneaux cassées. Dans le tableau 2.3.2 sont présentés les résultats obtenus concernant les variations des harmoniques du couple en présence de défaut pour une alimentation 50HZ. 50HZ ց 100HZ ց 200HZ ր 300HZ ց 700HZ ր 800HZ ր Table 2.2 – Fréquence caratéristique du flux axial. A partir d’un modèle de la machine, [105] procède à l’estimation des composantes du flux rotorique dans un repère (dq) lié au stator dans le but d’observer le couple électromagnétique Cem. Il constate qu’une dissymétrie électrique du rotor fait apparaître des harmoniques de dentures rotoriques, ce qui modifie le champ d’entrefer. Le problème peut alors être détecté en analysant les fréquences d’encoches présentes dans le spectre du couple estimé Cem : fsb = fa . Avec fsb Nr fs n g : : : = : Nr .(1 − g) p ± 2.g.fs fréquence d’encoche au rotor nombre d’encoche au rotor fréquence d’alimentation(fréquence des courants statoriques) 1, 2, 3, 4, ... le glissement 26 (2.2) Chapitre 2 Identification paramétrique pour le diagnostic des défauts. Pour une alimentation à 50HZ [104] porte l’attention sur la variation d’amplitude des raies à 600 et 900HZ en présence de barres cassées et des deux premiers harmoniques du couple qui augmentent en présence d’excentricité. [63] utilise le modèle triphasé pour estimer le flux statorique, ce qui permet d’estimer le couple utile Cu. Or, en présence d’excentricité, le spectre du couple Cu présente des informations aux fréquences : 1−g fcu (Hz) = 1. ± n .fa p (2.3) Cependant, cette technique reste moins efficace et moins utilisée du faite que le spectre du couple électromagnétique est moins riche en information que ceux obtenus par analyse vibratoire ou par courant statorique. De plus l’acquisition de cette grandeur nécessite un équipement d’acquisition assez coûteux. Passant maintenant à la dernière grandeur physique qui est de loin la plus utilisée, celle du courant statorique. 2.3.3 Détection de défauts par analyse du courant statorique Parmi tous les signaux mesurables que nous venons de voir, le courant statorique s’est avéré être, et de loin le plus intéressant, et ceux pour deux raison : 1. La surveillance du courant statorique permet de détecter voir de diagnostiquer aussi bien des défauts électromagnétiques (déséquilibre de phase, court circuit entre spires, excentricités d’entrefer, rupture de barres,...) que des défauts purement mécaniques (dégradation de roulements à bille, désalignement,...). 2. L’accès au courant statorique reste très facile, puisqu’en général il est déjà utilisé pour la commande du moteur et qu’il peut être mesuré directement au poste d’alimentation. Par contre les autres grandeurs physiques nécessitent la mise en place d’un grand nombre de capteurs (flux, couplemètres, transducteurs) souvent onéreux, sensible et délicats à placer dans des environnements contraignant. Pour toutes ces raisons, cette approche de surveillance des entraînements électrique a été largement utilisée depuis ces dernière années [13],[79], [96] ; elle est connue comme l’analyse spectrale du courant statorique MCSA (Motor Curent Signature Analysis). 27 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 2.4 Les réseaux de neurones pour l’estimation paramétrique de la machine asynchrone Les réseaux de neurones sont des êtres mathématiques, capables de générer des modèles comportementaux à partir des données entrées-sorties des systèmes dynamiques. Dernièrement, les réseaux de neurones ont connus une utilisation large en ce qui concerne la modélisation, la commande et la surveillance des systèmes industriels. En diagnostic la phase de modélisation est très importante. En effet, le diagnostic est un aspect qui utilise le modèle représentatif du processus afin d’extraire le mode de fonctionnement dans lequel doit se trouver le processus. L’utilisation des modèles neuronaux pour les mesures, l’observation et le diagnostic vient mettre fin à beaucoup de problèmes rencontrés lors de la modélisation classique. A l’aide de ces algorithmes, nous pouvons surveiller d’une manière complète les systèmes complexes, c’est-à-dire que les réseaux de neurones offrent la possibilité d’isoler les défauts détectés et de prendre les décisions nécessaires [65], [107], [32], [72], [84] et [50]. 2.4.1 Théorie des réseaux de neurones 2.4.1.1 Le neurone biologique Le neurone biologique est constitué de quatre parties essentielles : Le corps cellulaire, l’axone, les synapses et les dendrites [59], [47]. Figure2.3. Dendrites Noyau Synapses Axone Corps Cellulaire Figure 2.3 – Le neurone biologique. 28 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 partie Corps cellulaire axones synapses dendrites fonction Réception du flux nerveux (Traîtement activation) Transmission Transformation éléctrique chimique Transmission du signal provenant de l’axone Réception électrique chimique Acheminement des signaux d’autres corps cellulaires Table 2.3 – Constitution du neurone biologique. 2.4.1.2 Le neurone formel Le neurone formel peut être représenté par une cellule possédant plusieurs entrées et une sortie, et Peut être modélisé par deux opérateurs figure 2.4, il calcule la somme des diverses entrées à travers la fonction d’activation pour produire la sortie principale selon les deux étapes suivantes : – Un opérateur de sommation qui élabore un potentiel post-synaptique netj égal à la P somme pondérée des entrées de la cellule : netj = Wij Xi avec ωi le poids et Xi l’entrée (état du neurone connecté en entrée). – Un opérateur de décision qui calcul l’état de la sortie s du neurone en fonction de son potentiel netj : cet opérateur est appelé fonction d’activation. Oj = ϕ(netj + θj ) Le calcul de l’état du neurone est obtenu en calculant le potentiel post-synaptique puis en appliquant l’opérateur de décision. Le calcul est appelé : mise à jour du neurone. x1 w1j x2 w2j x3 ... xn w3j ... wnj Fonction de combinaison Fonction d'activation net j j Oj Activation Somme pondérée qj Seuil Figure 2.4 – Le neurone Formel. 29 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 2.4.1.3 Les fonctions d’activation du neurone formel La fonction d’activation ou fonction de seuillage, ou encore fonction de transfert, sert à introduire une non linéarité dans le fonctionnement du neurone. Les fonctions de seuillage illustrées dans la figure 2.5, présente généralement trois intervalles : 1. En dessous du seuil, le neurone est non actif (souvent dans ce cas, la sortie vaut 0 ou 1). 2. Aux alentours du seuil, une phase de transition. 3. Aux dessus du seuil, le neurone est actif (souvent dans ce cas, sa sortie vaut 1), c’est une sortie binaire seuil. 2.4.2 L’identification par réseaux de neurones Le principe de l’identification par réseaux de neurones consiste à substituer aux modèles paramétriques classiques des modèles neuronaux [106]. Comme dans le cas de l’identification classique illustrée par la figure 2.6 : 2.4.2.1 Modèles d’identification non linéaire par réseaux de neurone 1. NNARX :modèle neuronal équation erreur C’est le modèle non linéaire utilisant le réseau de neurone le plus simple figure 2.7. Dans le cas linéaire il est appelé ARX (équation erreur), il s’écrit : y(k) = g(y(k − 1), ..., y(k − n), u(k − 1), ..., u(k − n) + e(k)) e(k) : (2.4) c’est une séquence de variable aléatoire indépendantes à la valeur moyenne nulle Le prédicteur neuronal s’écrit : ŷ(k) = g(y(k − 1), ..., y(k − n), u(k − 1), ..., u(k − n), θ) (2.5) d’ou ŷ(k) = g(ϕ(k), θ) : désigne un réseau prédicteur non bouclé . Le vecteur de régression ϕ(k) est donnée par : ϕ(k) = y(k − 1), ..., y(k − n), u(k − 1), ..., u(k − n) 30 T (2.6) Identification paramétrique pour le diagnostic des défauts. Chapitre 2 sign Hev +1 +1 x x 0 0 -1 (a) Fonction Heaviside (b) Fonction sign sign +V x x 0 -V (c) Fonction à deux seuils (d) Fonction multi-seuils +a +a x 0 -a 0 (e) Fonction non linéaire (f) Fonction sigmoide Figure 2.5 – les fonctions d’activation du neurone formel. 31 x Identification paramétrique pour le diagnostic des défauts. Chapitre 2 Processus yp(k) + u(k) Réseaux de neurone ym(k) e(k)=yp(k)-ym (k) - Figure 2.6 – Principe d’identification du processus par réseau de neurone. u(k-1) .. .. .. .. u(k-n) y(k) Figure 2.7 – Réalisation d’un NNARX. 2. Modèle neuronal d’erreur de sortie NNOE C’est un modèle non linéaire utilisant un réseau de neurone ; il peut représenté un processus affecté d’un bruit de mesure additif figure 2.8. Dans le cas linéaire ; ce modèle est appelé (Output Error), il s’écrit de la manière suivante [59] : z(k) = g(z(k − 1), ..., z(k − n), z(k − 1), ..., z(k − n)) (2.7) y(k) = z(k − 1) + e(k) (2.8) Le prédicteur neuronal s’écrit suivant l’équation (2.9) ŷ(k) = g(ŷ(k − 1), ..., ŷ(k − n), u(k − 1), ..., u(k − n), θ) (2.9) Le vecteur de régression est donc : ϕ(k) = ŷ(k − 1), ..., ŷ(k − n), u(k − 1), ..., u(k − n) T (2.10) ŷ(k) = g(ϕ(k), θ) : désigne un réseau prédicteur bouclé . C’est le modèle utiliser dans la suite de notre travail 32 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 u(k-1) y(k-1) .. .. y(k-2) . .. y(k-n) y(k) Z -1 Z -1 Z -1 Figure 2.8 – Réalisation d’un NNOE 3. Modèle neuronal Auto régressif à Moyenne Ajustée et variables exogène NNRMAX C’est une extension au non linéaire du modèle linéaire ARMAX (Auto Régressive à Moyenne Ajusté et variable exogène) c’est un modèle qui modélise le procédé plus la perturbation figure 2.9. Il est de la forme : y(k) = g(y(k−1), ..., y(k−n), u(k−1), ..., u(k−n), w(k−1), w(k−n))+w(k) (2.11) Le prédicteur neuronal associé s’écrit : ŷ(k) = g(y(k − 1), ..., y(k − n), u(k − 1), ..., u(k − n), ǫ(k − 1), ǫ(k − n), θ) (2.12) ǫ(k) = y(k) − ŷ(k) : est l’erreur de prédiction. Le vecteur de régression est alors : ϕ(k) = y(k − 1), ..., y(k − n), u(k − 1), ..., u(k − n), ǫ(k − 1), ǫ(k − n) T (2.13) ŷ(k) = g(ϕ(k), θ) ǫ(k) = y(k) − ŷ(k) : désigne un réseau prédicteur bouclé. . 33 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 u(k-1) u(k-n) y(k-1) y(k-n) e(k-1) e(k-n) y(k) .. .. y(k) e(k) Z -1 Z -1 Z -1 Figure 2.9 – Réalisation d’un NNARMAX. 2.5 Estimateur neuronal et suivi des paramètres de la machine asynchrone Dans cette partie il est présenté le suivi des paramètres de la machine asynchrone. Pour cette raison nous allons présenter d’abord le modèle de la machine asynchrones de la manière suivante : Rs Lr Rr M 2 M Rr P ΩM Lr i̇ = −( − )isα + ϕrα + ϕrβ + sα 2 2 2 2 Ls Lr − M Ls L − r − M Ls Lr − M Ls Lr − M Ls Lr − M 2 2 Rs Lr Rr M P ΩM M Rr Lr i̇sβ = −( − )isβ − ϕrα + ϕrβ + usβ 2 2 2 2 Ls Lr − M Ls L − r − M Ls Lr − M Ls Lr − M Ls Lr − M 2 Rr M Rr isα − ϕrα − P Ωϕrβ ϕ̇rα = Lr Lr Rr M Rr i + P Ωϕ − ϕrβ ϕ̇r = sβ rα β Lr Lr Ω̇ = P M (ϕrα isβ − ϕrβ isα ) − fv Ω JLr J (2.14) Une approche de surveillance sera présentée dans les paragraphes suivants, elle consiste à suivre en premier la résistance rotorique en utilisant un identificateur neuronale et voir l’évolution de la vitesse, le flux et le courant statorique. Nous pensons que cette approche est nécessaire à la surveillance des machines électriques mais elle n’est pas suffisante pour un diagnostic. Le modèle neuronale à apprentissage utilisé pour l’identification des paramètres de la machine est un modèle multicouches du type Perceptron "NNOE" qui veut dire "narxnet". Après avoir choisi le nombre de couches cachées (dans notre cas une seule couche cachée), décidé du nombre de neurones ainsi que de la fonction de transfert dans la couche 34 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 cachée ("Sigmoïde" Fig2.5(f)) et celle de la couche de sortie ("fonction à deux seuils" Fig2.5(c)), nous sommes passé au choix de la fonction d’entraînement ("LevenbergMarquardt"). Une fois le réseau entraîné vient l’étape de la généralisation c’est à dire connecter le réseau obtenu au modèle de Park présenté dans la figure 2.14. Après plusieurs jeux de test ou de validation, les résultats de simulations suivants viennent justifiés notre choix. 2.5.1 Résultats de simulation Dans un premier temps, le réseau de neurone ainsi que son apprentissage ont été réalisés sous Matlab Simulink. Le bloc simulink utilisé pour l’identification des paramètres de la machine est illustré dans l’annexe B. Estimation de la résistance rotorique Rr Test1 : Le but de cette simulation est d’analyser les performances de l’estimateur sur les trajectoires présentées par la figure 2.10. Les variations sur la résistance rotorique imposées sont : A 1 seconde nous avons fait une variation de +20% sur Rr, à 2 secondes -25% sur Rr, à 3 secondes nous somme revenus à la valeur nominale de la résistance rotorique, à t = 4s seconde nous avons fait une augmentation de +50% sur Rr et à 5 secondes c’est le retour vers la valeur nominale de la résistance rotorique. La figure 2.11 montre la convergence de la résistance estimée vers celle imposée, figure 7 Variation de Rr (Ohms) 6 5 +20%Rr +50%Rr Rr Rr 4 −25%Rr 3 2 1 0 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 Figure 2.10 – Trajectoire imposée à la résistance rotorique. 35 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 2.10. Au moment de changement de consigne ( t = 1s) l’erreur est au voisinage de 0.52Ω puis s’annule. A t = 2s elle est égale à 0.7Ω puis elle s’annule entre t = 2s et t = 3s (c’est l’estimation de la valeur nominale), à t = 3s elle augmente à 0.4Ω et à t = 4s elle est au environs de 1.2Ω(changement de consigne). La figure fig (a)2.12 montre qu’il apparaît un écart statique entre la vitesse de la machine est celle perturbée d’ou l’erreur su la vitesse à l’instant t = 1s est égale à 2.4 × 10−3 rad/s (fig (b)2.12). A t = 2s l’erreur est égale à 0.9 × 10−3 rad/s et entre les intervalles de temps 2s et 3s elle est de l’ordre de 0.7 × 10−3 rad/s. Entre les instants t = 3s et t = 4s l’erreur tend vers 0 car la résistance rotorique estimée est à sa valeur nominale . A t = 4s l’erreur augmente jusqu’a 1.7 × 10−3 rad/s puis se stabilise à −0.910−3 rad/s, en se moment la résistance imposée est à +50% sur sa valeur nominale. La figure (a)2.13 montre qu’il existe un écart entre le flux simulé est le flux perturbé aux 2 7 6.5 1.5 6 Rr−estimée 0.5 5 Erreur Rr Variation de Rr (Ohms) 1 5.5 4.5 4 0 −0.5 3.5 −1 3 −1.5 2.5 2 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 −2 0.5 5 1 1.5 2 2.5 3 3.5 4 4.5 5 Temps (s) (a)Estimation de Rr (b) L’erreur d’estimation de Rr Figure 2.11 – La résistance rotorique estimée et l’erreur d’estimation. −3 2.5 x 10 157.08 2 157.07 Erreur de vitesse (rad/s) 1.5 Vitesse (rad/s) 157.06 157.05 Rr nominal 157.04 Rr imposée 157.03 1 0.5 0 −0.5 −1 157.02 157.01 −1.5 1 1.5 2 2.5 3 Temps (s) 3.5 4 −2 1 4.5 (a)Zoom sur le comportement de la vitesse 1.5 2 2.5 3 Temps (s) 3.5 4 4.5 (b) Zoom sur l’erreur de la vitesse Figure 2.12 – Le comportement de la vitesse et son Erreur lors de la variation de Rr. 36 5 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 instants ou la résistance rotorique est supérieur ou inférieur a sa valeur nominale. L’erreur à t = 1s et de l’ordre de −.08 × 10−5 . Entre t = 1s et t = 2s l’erreur est de l’ordre de −0.2×10−3 W b et s’annule entre les instants t = 3s et t = 4s car la résistance imposé est à sa valeur nominale. Entre les instants t = 4s et t = 5 l’erreur est égale à −4.78 × 10−3 W b. (figure 2.13). x 10 0.8118 −5 6 4 0.8117 2 0 −2 Erreur du flux Norme du flux (Wb) 0.8116 0.8115 0.8114 −4 −6 −8 0.8113 −10 −12 0.8112 Rr nominal Rr imposée 0.8111 1 1.5 2 2.5 3 Temps (s) 3.5 4 4.5 −14 1 5 1.5 (a) Zoom sur le comportement du flux 2 2.5 3 Temps (s) 3.5 4 4.5 5 (b) Zoom sur l’erreur du flux Figure 2.13 – Le comportement de la norme du flux et son erreur lors de la variation de Rr. La conclusion est la même pour le courant statorique. La figure (a)2.14 indique qu’il existe un écart statique entre les deux courants (Rr imposé et Rr nominale), cela est du à l’augmentation de la valeur de la résistance rotorique ou a sa diminution. La figure (b)2.14 montre l’erreur sur les deux courants, elle tend vers zéro quand Rr imposée est la valeur nominale. A l’instant t = 4s l’erreur est égale à 1.8 × 10−3 . −3 1.821 5 Rr nominal Rr imposée x 10 4 1.82 2 Erreur de courant Norme du courant (A) 3 1.819 1.818 1.817 1 0 −1 −2 1.816 −3 1.815 −4 1.814 1 1.5 2 2.5 3 Temps (s) 3.5 4 4.5 −5 1 5 (a) Zoom sur le comportement de la norme du courant 1.5 2 2.5 3 Temps (s) 3.5 4 4.5 (b) Zoom sur l’erreur de courant Figure 2.14 – Le comportement de la norme du courant lors de la variation de Rr . 37 5 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 Test2 : les nouvelles variations de la résistance rotorique imposées sont : A 1 seconde nous avons fait une variation de +20% sur Rr, à 2 secondes -40% sur Rr, à 3 secondes nous somme revenus à la valeur nominale de Rr, à 4 secondes +80% de Rr et à 5 secondes c’est le retour vers la valeur nominale de Rr. La figure2.15 illustre la nouvelle trajectoire de la résistance rotorique. La figure (a)2.16 montre la convergence de la résistance éstimée vers celle imposée. La figure (b)2.16 donne l’erreur d’estmation. Nous constatons qu’il apparait un écart statique entre la vitesse de la machine et celle avec Rr pérturbée (fig (a)2.17 à partitr de 1s cet écart est plus apparant sur les suivantes variations de la résistance rotorique. la figure (b)2.17 illustre cet écart. La figure 2.18 montre bien que l’écart entre le flux simulé et celui pertubé par la variation de la résistance est amplifié par rapport au test précédent. La conclusion est la même pour le courant statorique (figures : (a)2.19 et (b)2.19). 10 9 +80%Rr Variation de Rr (Ohms) 8 7 +20%Rr 6 Rr Rr 5 −40%Rr 4 3 2 1 0 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 Temps (s) Figure 2.15 – Trajectoire imposé de la résistance rotorique. 38 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 2 12 Rr imposée Rr estimée 10 1.5 Erreur de Rr (Ohms) 1 Rr (Ohms) 8 6 4 0.5 0 −0.5 −1 2 −1.5 0 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 −2 5 Temps (s) 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 Temps (s) (a) Estimation de Rr (b) l’erreur d’estimation Figure 2.16 – La Résistance rotorique estimée et l’erreur d’estimation. −3 3 157.08 Rr nominal Rr imposée x 10 2.5 Erreur de vitesse (rad/s) 157.075 Vitesse (rad/s) 157.07 157.065 157.06 2 1.5 1 0.5 0 −0.5 157.055 −1 157.05 1 1.5 2 2.5 3 3.5 4 4.5 −1.5 5 Temps (s) 1 1.5 2 2.5 3 3.5 4 4.5 5 Temps (s) (a) Zoom sur le comportement de la vitesse (b) Zoom sur l’erreur de vitesse Figure 2.17 – Le comportement de la vitesse et son Erreur lors de la variation de Rr. −5 0.8118 8 x 10 6 0.8117 4 2 Erreur du flux (Wb) Norme du flux (Wb) 0.8116 0.8115 0.8114 0 −2 −4 0.8113 −6 0.8112 −8 Rr nominal Rr imposée 0.8111 −10 1 1.5 2 2.5 3 3.5 4 4.5 5 1 1.5 2 2.5 3 3.5 4 4.5 Temps (s) Temps (s) (a) Zoom sur le comportement du flux (b) Zoom sur l’erreur du flux Figure 2.18 – Le comportement de la norme du flux lors de la variation de Rr. 39 5 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 −3 1.821 2.5 Rr nominal Rr imposée x 10 2 1.82 Erreur du courant (A) Norme du courant(A) 1.5 1.819 1.818 1.817 1 0.5 0 −0.5 1.816 −1 1.815 −1.5 1.814 1 1.5 2 2.5 3 3.5 4 4.5 −2 5 1 1.5 2 2.5 3 Temps (s) 3.5 4 4.5 5 Temps (s) (a) Zoom sur le comportement de la norme du courant (b) Zoom sur l’erreur de courant Figure 2.19 – Le Comportement de la norme du courant lors de la variation de Rr. Estimation de la résistance statorique Nous avons imposés les mêmes variations que ceux imposés précédemment à la résistance rotorique (fig 2.20). La figure 2.21 montre la convergence de la résistance estimée vers toute les valeurs imposées (+20%, -40% et +50%) sur la résistance statorique. l’erreur d’estimation est prèsque nulle dans les intervalles [0, 1s], [1, 2s], [2, 3s], [3, 4s] et [4, 5s]. Cette erreur augmente quand il y a un changement brusque de consigne, elle est égale à 0.1rad/s pour une variation de +20% sur Rs et elle atteint 0.4rad/s quand on applique une variation de +50% sur la résistance statorique. 22 +80%Rs 20 18 Variation de Rs (Ohms) 16 +20%Rs 14 12 Rs Rs 10 −40%Rs 8 6 4 2 0 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 Figure 2.20 – Trajectoire imposé de la résistance statorique. La figure (a)2.22 montre qu’il existe un écart statique entre la vitesse perturbée par Rs et 40 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 celle de la machine est réduit par rapport au test précédent (celui de la variation de Rr). L’erreur de vitesse atteint 0.34rad/s à t = 2s, c’est l’instant ou Rs diminue de -40% sur Rs nominale. 25 4 3 20 Rs estimée Erreur de Rs (Ohms) Rs estimée (Ohms) 2 15 10 1 0 −1 5 −2 0 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 −3 0.5 5 1 1.5 2 2.5 3 3.5 4 4.5 5 Temps (s) (a)Rs estimée (b)L’erreur d’estimation Figure 2.21 – Estimation de Rs et l’erreur d’estimation. Il existe un écart statique entre les deux flux (moins important que le test sur Rr) et l’erreur augmente ou diminue selon la variation de la résistance statorique et tend vers 0 à la valeur nominale de Rs (figures (a)2.23 et (b)2.23). Le courant est sensible à la variation de la résistance statorique, nous obtenons un 0.4 Erreur de vitesse (rad/s) 157.5 Vitesse (rad/s) 157 156.5 156 Rs imposée Rs estimée 0.2 0 −0.2 −0.4 155.5 1 1.5 2 2.5 3 Temps (s) 3.5 4 −0.6 0 4.5 (a) Zoom sur le comportement de la vitesse 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 (b) Zoom sur l’erreur de vitesse Figure 2.22 – Le comportement de la vitesse et son Erreur lors de la variation de Rs. comportement similaire à celui du flux tel que l’erreur entre le courant de la machine et celui perturbé par la variation de Rs atteint 0.49A quand la résistance statorique augmente de +50% sur la résistance statorique nominale( figures (a)2.24 et (b)2.24). 41 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 0.025 0.835 0.02 0.83 0.825 0.015 Erreur du flux (Wb) Norme du flux (Wb) 0.82 0.815 0.81 0.805 0.8 0.01 0.005 0 −0.005 0.795 0.79 −0.01 Rs nominal Rs imposée 0.785 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 −0.015 0 5 0.5 (a) Zoom sur le comportement du flux 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 (b)L’erreur du flux Figure 2.23 – Le comportement de la norme du flux lors de la variation de Rs. Rs nominale Rs imposée 1.5 0.5 0.4 1 0.3 Erreur du courant (A) 0.2 courant(A) 0.5 0 −0.5 0.1 0 −0.1 −0.2 −0.3 −1 −0.4 −1.5 −0.5 2.2 2.3 2.4 2.5 2.6 2.7 2.8 0 Temps (s) (a)le comportement de la norme du courant 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 (b)L’erreur du courant Figure 2.24 – Le Comportement de la norme du courant lors de la variation de Rs. Estimation du courant statorique La figure (a)2.25 montre que le courant estimé converge vers sa référence, l’erreur d’estimation est au voisinage de zéro, elle est égale à 0.1A à 4s seconde au moment du changement de consigne. 42 Identification paramétrique pour le diagnostic des défauts. Chapitre 2 15 4 3 Erreur de courant (A) Variation du courant (A) Is réel Is estimée 10 5 2 1 0 0 0 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 −1 0 5 0.5 1 1.5 2 2.5 Temps (s) 3 3.5 4 4.5 5 Figure 2.25 – Estimation de la norme du courant statorique. Remarque 2.2 L’estimation de la résistance rotorique et la résitance statorique effectuée avec l’estimateur neuronale peut constituer une alarme indicatrice de dysfonctionnement de la machine. Cependant, le déséquilibre sur les résistances permet de tracer le défaut (nous n’avons pas touché ce point dans notre travail). 2.6 Conclusion Nous avons présenté dans ce chapitre un panorama non exhaustif des méthodes d’obtention des signaux de détection de défauts dans le but du diagnostic des systèmes. Le choix de la méthode ou de la technique dépend de la nature et du comportement du système surveillé ainsi que du défaut recherché. Le travail présenté est axé vers un moyen du diagnostic interne de la machine asynchrone et spécialement vers l’identification de ses paramètres électriques. Nous avons proposé dans le cadre de l’estimation paramétrique, un estimateur neuronal. En utilisant comme information les variations de la résistance rotorique ou de la résistance statorique ou bien du courant statorique de la machine. Cette technique d’identification a été testé par le logiciel Matlab. Les résultats de simulation ont montrés que la vitesse, le flux et le courant deviennent instables lorsque la machine est aux voisinage d’un défaut ou d’un déséquilibre. dans le chapitre 3, nous proposerons une technique d’observation du flux de la machine asynchrone. 43 Chapitre 3 Observateurs et Observabilité 3.1 Introduction La mise en oeuvre de lois des commandes basées sur le modèle non linéaire du système, nécessite la connaissance du vecteur d’état complet du système à chaque instant. Mais, dans La plupart des cas, les seules grandeurs accessibles du système sont les variables d’entrées et de sorties, il est nécessaire qu’à partir de ces informations de reconstruire l’état du modèle choisi pour élaborer la commande. De ce fait, l’idée repose sur l’utilisation d’un observateur. Un observateur est un système dynamique que l’on peut appeler capteur informatique, puisqu’il est souvent implanté sur calculateur afin de reconstituer ou d’estimer en temps réel l’état courant d’un système, à partir des mesures disponibles, des entrées du système et une connaissance à priori du modèle. Il nous permet alors de suivre l’évolution de l’état en tant qu’information sur le système. Dans ce chapitre, nous présentons dans un premier temps les différentes définitions de l’observabilité des systèmes linéaires et non linéaires, ensuite, nous rappelons l’étude de l’observabilité de la machine asynchrone, puis nous présentons une synthèse de l’observateur appliqué à notre machine. 3.2 Définition Un observateur est un développement mathématique qui permet de reconstituer les états internes d’un système à partir uniquement des données accessibles, c’est-à-dire, des entrées imposées et des sorties mesurées. L’observation se fait en deux parties ; la première est une étape d’estimation et la seconde est une étape de correction. L’estimation se fait par le calcul des grandeurs d’état à l’aide de modèle proche du système (modèle Observateurs et Observabilité Chapitre 3 mathématique du système). Ensuite, la correction se fait par l’addition ou la soustraction de la différence entre les états estimés et ceux mesurés (erreur d’estimation) que l’on multiplie par un gain G. Ce gain régit la dynamique et la robustesse de l’observateur. Donc, son choix est important et doit être adapté aux propriétés et dynamiques du système dont on veut effectuer l’observation des états suivant la nature du modèle du système, nous rencontrons deux types d’observateurs ; linéaires et non-linéaires. D’autre part, et suivant la technique utilisée, nous distinguons des observateurs déterministes et stochastiques. Dans la suite, nous allons brièvement présenter les différentes catégories d’observateurs tout en citant les observateurs les plus utilisés. 3.3 Types d’observateurs et observabilité L’observabilité d’un processus est un concept très important en automatique. En effet, pour reconstruire l’état et la sortie d’un système, il faut savoir, a priori, si les variables d’état sont observables ou non. En général, pour des raisons de réalisation technique, de coût, etc..., la dimension du vecteur de sortie est inférieure à celle de l’état. Ceci entraîne qu’à l’instant donné t, l’état x(t) ne peut pas être déduit algébriquement de la sortie y(t) à cet instant. Par contre, sous des conditions d’observabilité qui seront explicitées plus loin, cet état peut être déduit de la connaissance des entrées et sorties sur un intervalle de temps passé : u([0, t]), y([0, t]). Le but d’un observateur est de fournir avec une précision garantie une estimation de la valeur courante de l’état en fonction des entrées et sorties passées. Cette estimation devant être obtenue en temps réel, l’observateur revêt usuellement la forme d’un système dynamique. Définition 3.1 On appelle observateur (ou reconstructeur d’état) d’un système dynamique : ẋ(t) = f (x(t), u(t)) (3.1) y(t) = h(x(t)) Un système dynamique auxiliaire O dont les entrées sont constituées des vecteurs d’entrée (S) : et de sortie du système à observer et dont le vecteur de sortie x̂(t) est l’état estimé : ż(t) = fˆ(z(t), u(t), y(t)) (3.2) (O) : y(t) = ĥ(z(t), u(t), y(t)) Telle que l’erreur entre le vecteur d’état x(t) et x̂(t) tende asymptotiquement vers zéro. t→0 ke(t)k = kx(t) − x̂(t)k −→ 0 (3.3) Le schéma d’un tel observateur est donné sur la figure 3.1. L’existence d’un tel observateur est liée à la notion d’observabilité de (S). 45 Observateurs et Observabilité Chapitre 3 L’observabilité caractérise la propriété de pouvoir récupérer (de façon statique ou dynamique) par une combinaison des mesures et de leurs dérivées toutes les grandeurs d’un système. u(t) y(t) S O x(t) Figure 3.1 – Schéma de principe d’un observateur. 3.3.1 Observabilité des systèmes linéaires Considérons le système dynamique linéaire ẋ(t) = Ax(t) + Bu(t) y(t) = Cx(t) (3.4) x(t) ∈ IRn , u(t) ∈ IRm et y(t) ∈ IRp . Les matrices A, B et C ont des dimensions appropriées. La matrice d’observabilité du système (3.4) est définie [37] par : C CA . O= . . n−1 CA (3.5) L’observabilité du système (3.4) est garantie si le rang de la matrice d’observabilité O est égal à n [56]. [83] a présenté un deuxième critère ; le système (3.4) est complètement observable si : rang sI − A C =n (3.6) Pour tout s complexe. Si un système linéaire est complètement observable, il est globalement observable, c’est-à-dire que toutes les composantes du vecteur d’état du système sont observables, et donc peuvent être reconstruites par un observateur. Si le système est non linéaire, nous devons distinguer l’observabilité globale de l’observabilité locale. 46 Observateurs et Observabilité Chapitre 3 3.3.2 Observateurs linéaires La structure d’un observateur linéaire peut être présentée selon la figure 3.2. Elle comprend un estimateur fonctionnant en boucle ouverte, décrit par l’équation caractéristique du système à observer avec la matrice dynamique A (c’est-à-dire, qu’il est caractérisé par la même dynamique que celle du système). L’introduction de la boucle de correction agissant sur l’erreur d’observation ∆y = y − ŷ permet d’imposer à l’observateur sa dynamique propre. Ainsi, en choisissant de façon judicieuse les gains de la matrice G, on peut modifier la vitesse de convergence de y vers zéro. u B x x y C A Processus G B x x C y A Estimateur Observateur Figure 3.2 – Schéma fonctionnel d’un observateur linéaire. L’équation de l’observateur figure3.2 peut être exprimée par : x̂˙ = Ax̂ + Bu + G∆y Σ ŷ = C x̂ En remplaçant l’erreur d’observation ∆y, par (y − ŷ), il vient : x̂˙ = A0 x̂ + Bu + Gy Σ ŷ = C x̂ (3.7) (3.8) A0 = A − Gŷ Donc, la dynamique de l’observateur est gouvernée par la matrice d’état A0 qui dépend de la matrice de gains G 3.3.3 Observabilité des systèmes non linéaires Pour mieux cerner le cadre au sein duquel se sont effectués les travaux sur l’observation et la synthèse d’observateurs pour des classes de systèmes non-linéaires, on propose 47 Observateurs et Observabilité Chapitre 3 d’introduire quelques définitions relatives à l’observabilité et la synthèse d’observateurs pour les systèmes non-linéaires. La classe des systèmes considérés concerne les procédés qui admettent un modèle dynamique écrit sous la forme suivante : x̂ = f (x(t), u(t)) Σ y(t) = h(x(t)) (3.9) Où l’état x(t) ∈ V est un ouvert de IRn L’entrée u(t) ∈ U ensemble mesurable de IRm Les sorties y(t) ∈ IRp . La variable t représente le temps. Pour une entrée donnée, les trajectoires au cours du temps des variables d’états dépendent de leurs conditions initiales. Étant donné t0 un instant initial, T > 0 un horizon temporel (éventuellement infini) et u(t; t0 ) une entrée, x(t; x(t0 ); u(t)) désigne la trajectoire du système lorsqu’elle existe de manière unique pour tout temps t ∈ [t0; t0 + T [ (Problème de Cauchy). Etant donné le système Σ, l’espace de l’état V et l’ensemble U des entrées, la notion d’observabilité est basée sur la possibilité de différencier deux conditions initiales distinctes. On parlera ainsi de la distinguabilité d’un couple de conditions initiales. Dans ce qui suit, nous allons rappeler certaines définitions inhérentes à l’observabilité des systèmes non linéaires, que l’on peut retrouver dans [52] et [23]. 3.3.3.1 Quelques définitions La notion d’observabilité est basée sur la possibilité de différencier deux conditions initiales distinctes. On parlera ainsi de la distinguabilité d’un couple de conditions initiales. Définition 3.2 (Distinguabilité- Indistinguabilité) : Deux états initiaux x0 , x1 ∈ V tel que x0 6= x1 sont dits distinguables dans V si ∃t ≥ 0 et ∃u : [0, t] → U une entrée admissible telle que les trajectoires des sorties issues respectivement de x0 et x1 restent dans V pendant la durée [0, t] et vérifient y(t, x0 , u(t)) 6= y(t, x1 , u(t)). Dans ce cas, on dira que u distingue x0 et x1 dans V. Réciproquement, deux états initiaux x0 , x1 ∈ V tel que x0 6= x1 sont dits indistinguables si ∀t ≥ 0 et ∀u : [0, t] → U pour lesquels les trajectoires issues de x0 , x1 restent dans V on a : y(t, x0 , u(t)) = y(t, x1 , u(t)). Il est maintenant possible de donner une définition de l’observabilité d’un système en un point, et par extension, de définir un système observable. Définition 3.3 (Observabilité) : Un système est observable en x0 ∈ V si tout autre état 48 Observateurs et Observabilité Chapitre 3 x1 6= x0 est distinguable de x0 dans V. Un système est observable s’il est observable en tout point x0 ∈ V. La distinguabilté est un concept global. Il arrive souvent que pour engendrer deux trajectoires à partir de x0 et x1 , on ait besoin de s’éloigner suffisamment de x0 et x1 . Les deux définitions qui suivent sont de nature locale. Définition 3.4 (observabilité locale) : On dit que le système Σ est localement observable en x0 si pour tout voisinage ouvert Vx0 de x0 , l’ensemble des points qui sont indistinguables de x0 dans Vx0 via les trajectoires dans Vx0 est le point x0 lui-même. Lorsqu’il s’agit de distinguer x0 de ses voisins, on peut affaiblir la notion d’observabilité locale. Dans cette optique, on a : Définition 3.5 (observabilité locale faible) : On dit que le système Σ est localement faiblement observable en x0 s’il existe un voisinage ouvert Vx0 de x0 tel que pour tout voisinage ′ ′ ouvert Vx0 ⊂ Vx0 , l’ensemble des points qui sont indistinguables de x0 dans Vx0 via les ′ trajectoires dans Vx0 est le point x0 lui-même. Un système est donc localement faiblement observable si tout état x0 peut être instantanément distingué de ses voisins en utilisant les trajectoires qui restent dans un voisinage de x0 . Dans le but de traduire cette propriété d’observabilité par une condition de rang comme dans le cas des systèmes linéaires, nous sommes amenés à définir l’espace d’observation. Définition 3.6 (Espace d’observation) : L’espace d’observation du système Σ est le plus petit sous-espace vectoriel, O, de fonctions de V à valeurs dans l’espace de sortie qui contienne h1 , ..., hp , et qui soit fermé pour la dérivation de Lie par rapport à tous les champs de vecteurs du type fu (x) = f (u, x), u ∈ U , fixé. Définition 3.7 (Observabilité au sens du rang) : Soit dO l’espace des différentielles des éléments de O. Désignons par dO(x0 ) l’évaluation de dO en x0 . Le système Σ est localement faiblement observable en x0 si : dim dO(x0 ) = n 49 Observateurs et Observabilité Chapitre 3 La condition précédente est appelée condition du rang. Si cette condition est satisfaite pour tout x0 ∈ V, on dit que le système Σ est observable au sens du rang. La définition précédente donne une condition suffisante d’observabilité locale faible. Le théorème suivant donne une condition nécessaire : Théorème 3.1 Supposons que le système Σ est localement faiblement observable. Alors la précédente est vérifiée presque partout dans V, c’est-à-dire, dimdO(x) = n en tout point x appartenant à un ouvert V ′ dense dans V. Les définitions d’observabilité données précédemment n’impliquent pas que toute entrée distingue des couples de points de V. En pratique, on aimerait se placer dans le cas où l’entrée u étant fixée, tout couple d’états distincts donne lieu à des sorties différentes. En effet, ce n’est que dans ce cas que l’on peut reconnaître l’état initial du système à partir des informations antérieures sur l’entrée et la sortie. Ceci nous conduit au concept des entrées universelles et des systèmes qui sont observables au sens du rang pour toutes les entrées appliquées. 3.3.3.2 U-uniforme observabilité Lorsqu’une entrée distingue tous les couples d’état initiaux sur V, celle-ci est dite universelle. Définition 3.8 (Entrée universelle) : Une entrée u : [0, T ] → U admissible est dite universelle pour le système Σ sur [0, T ] si, pour tout couple d’états initiaux distincts x0 et x1 , il existe au moins un temps t ∈ [0, T ] tel que y(t, x0 , u(t)) 6= y(t, x1 , u(t)). Une entrée non universelle est dite singulière. Lorsqu’il n’existe pas d’entrée singulière parmi l’ensemble des entrées admissibles U , alors tout couple d’états initiaux sont distinguables. Cette propriété est appelée la U -uniforme observabilité. Définition 3.9 (U-uniforme observabilité) : Un système dont toutes les entrées admissibles à valeur dans U sont universelles est dit U-uniformément observable. Dans le cas où l’ensemble de toutes les entrées à valeurs bornées dans IRm sont universelles, ce système sera dit IRm -uniformément observable (et l’on dira par la suite seulement uniformément observable). 50 Observateurs et Observabilité Chapitre 3 L’uniforme observabilité sur un espace V permet de caractériser un ensemble d’entrées U tel que pour toute entrée u(t) ∈ U , le système est observable sur V. Ainsi, les systèmes linéaires observables sont uniformément observables. Le problème de la caractérisation des systèmes uniformément observables dans le cas mono-sortie a été abordé par [103] pour les systèmes bilinéaires et par [39] pour les systèmes affines en la commande. 3.3.3.3 Observabilité de la machine asynchrone La notion d’observabilité des systèmes non linéaires est complexe. Les critères généraux permettant d’affirmer qu’un système est ou n’est pas observable sont délicats à mettre en oeuvre. soit la définition suivante donnée par [28] [43] et [97] : Définition 3.10 (Espace d’observabilité générique) : soit le système (3.1). L’espace d’observabilité générique est défini par O = x ∩(y + u) x = Spank dx u = Spank duυ , υ ≥ 0 y = Spank dy ω , ω ≥ 0 (3.10) Où K est l’ensemble des fonctions méromorphes. Le système 3.1 est génériquement observable si et seulement si : dim O = n (3.11) Supposons que la condition de rang d’observabilité générique (3.11) soit satisfaite. On peut alors vérifier : rangk dy dẏ .. . dy (n−1) Un critère seulement suffisant est : Le jacobien de = n. (3.12) δ(y, . . . , y (n−1) ) est le gain plein. δ(x1 , . . . , xn ) Nous verrons pour la machine asynchrone que lorsque la mesure de vitesse est effectuée, le système est localement observable. Par contre, lorsque la mesure n’est pas autorisée, 51 Observateurs et Observabilité Chapitre 3 l’observation de la vitesse mécanique se heurte à des problèmes d’observabilité à basse vitesse. Nous donnons ici quelques éléments sur ce sujet et nous montrons dans le cas ou la vitesse est non mesurée [43]. 3.3.4 Observabilité de la machine avec mesure de vitesse L’observabilité est un préalable nécessaire à la synthèse d’observateurs pour le flux. Prenons le cas non linéaire sous l’hypothèse de vitesse variable. La même étude dans le cas linéaire (lorsque la vitesse est considérée constante) aboutit aux mêmes résultats. Le modèle utilisé est celui donné par l’équation du modèle de la machine asynchrone dan le plan (α, β) réécrit sous la forme suivante : ẋ = f (x) + g(x)u y = h(x) (3.13) Où Tl est supposé constant, Avec : x1 x2 x3 x= x4 x5 x6 = isα isβ ϕrα ϕrβ Ω Tl , u = usα usα b(ax3 + px5 x4 ) − γx1 b(ax4 + px5 x3 ) − γx2 f (x) = −ax3 − px5 x4 + Msr x2 m(x3 x2 − x4 x1 ) − cx5 − xJ6 m1 0 0 m1 0 0 g(x) = 0 0 0 0 0 0 x1 h1 h(x) = h2 = x2 x5 h5 Soit l’ensemble des fonctions de classe C ∞ P1 (x) concernant les sorties (les mesures) et leurs dérivées respectives suivant : 52 Observateurs et Observabilité Chapitre 3 h1 P1 (x) = h2 = h5 h1 h2 h5 ḣ1 ḣ2 ḣ5 = x1 x2 x5 ẋ1 ẋ2 ẋ5 A l’espace d’observabilité de système est associé le jacobien de P1 (x) par rapport à l’état x. Le jacobien de P1 (x) par rapport à l’état x permet donc de caractériser l’observabilité au sens du rang : J1 (x) = = ∂(P1 (x)) ∂(x) 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 −γ 0 ba bpx5 bpx4 0 −γ −bpx5 ba −bpx3 −mx4 mx3 mx2 −mx1 −c Le déterminant de cette matrice est : 0 0 0 0 0 −1 J D1 = det(J1 (x)) b2 2 b2 a − (px5 )2 J J Le rang de la matrice J1 (x) est égal à l’ordre du système et ceci indépendamment de la =− vitesse, ce qui est une condition suffisante d’observabilité. La machine asynchrone avec mesures de vitesse et de courants est donc localement observable. Dans ce cas, il est donc inutile d’introduire de dérivées d’ordres supérieurs des mesures. 3.3.5 Observabilité de la machine sans mesure de vitesse Le thème de la commande sans capteur mécanique de la machine asynchrone (sans mesure de vitesse et de charge) est devenu un sujet important et un champ attrayant de la perspective industrielle car les capteurs de vitesse réduisent la robustesse et la fiabilité dans le pilotage de la machine asynchrone et augmentent son coût ainsi que la complexité des montages. Il est difficile à résoudre car alors l’observabilité de la machine asynchrone pose problème dans certains domaines de fonctionnement. Nous allons ici montrer ces difficultés et que le problème admet des solutions. 53 Observateurs et Observabilité Chapitre 3 Considérons le modèle de la machine asynchrone où la vitesse n’est pas mesurée et de plus le coup de charge est supposé constant alors : ẋ = f (x) + g(x)u y = h(x) Avec : Et : x= x1 x2 x3 x4 x5 x6 = isα isβ ϕrα ϕrβ Ω Ti (3.14) , u = [usα usα ] b(ax3 + px5 x4 ) − γx1 b(ax4 + px5 x3 ) − γx2 −ax3 − px5 x4 + aMsr x1 f (x) = −ax4 − px5 x3 + aMsr x2 m(x3 x2 − x4 x1 ) − cx5 − Ti J 0 m1 0 0 m1 0 0 g(x) = 0 0 0 0 0 0 h1 x1 h(x) = = h2 x2 Soit l’ensemble des fonctions C ∞ P2 (x) obtenu de la manière suivante : h1 h2 h˙1 h˙2 P2 (x) = (2) h1 (2) h2 = x1 x2 x˙1 x˙2 (2) x1 (2) x2 Le jacobien de P2 (x) par rapport à l’état x permet de caractériser l’observabilité au sens du rang : J2 (x) = ∂(P2 (x)) ∂(x) 54 Observateurs et Observabilité Chapitre 3 = Où 1 0 0 0 0 0 0 1 0 0 0 0 −γ 0 ba bpx5 bpx4 0 0 −γ −bpx5 ba −bpx3 0 a1 a2 a3 a4 a5 a6 b1 b2 b3 b4 b5 b6 = = = = = = ba2 Msr − bpx24 m + γ 2 bpx4 mx3 + bpx5 aM sr −ba2 + bpx4 mx2 + bp2 x25 − γba −2bapx5 + bp(mx3 x2 − mx4 x1 − cx5 − xJ6 ) − bpx4 mx1 − γbpx5 2 b apx4 − bpx4 c + bp(−ax4 + px5 x3 + aMsr x2 ) + bp x5 x3 − γbpx4 b1 = b2 = a3 = b4 = b5 = b6 = Le déterminant bpx4 mx3 − bpx5 aMsr ba2 Msr − bpx23 + γ 2 2bapx5 − bp(mx3 x2 − mx4 x1 − cx5 − xJ6 ) − bpx3 mx2 + γbpx5 −ba2 + bpx3 mx1 + bp2 x25 − γbba 2 b apx3 + bpx3 c − bp(−ax3 − px5 x4 + aMsr x1 ) + bp x5 x4 + γbpx3 a1 a2 a3 a4 a5 a6 Et −bpx4 J bpx3 J de cette matrice est : D2 = det(J2 (x)) = −b4 p2 (−p24 a2 Jx5 − p3 x24 Jx35 − px35 − px33 amx2 J + px23 ax6 + px23 ax4 mx1 J + px23 acx5 J + p2 x25 x4 aJMsr x1 − a3 x3 JMsr x2 − a2 px23 Jx5 − apx3 x24 Jmx2 + a3 x4 JMsr x1 2 + apx4 cx5 J + apx24 x6 + apx34 mx1 J − p2 x25 x3 aJMsr x2 − p3 x35 x23 J)/J 2 L’expression littérale du déterminant D2 de la matrice J2 est très difficile à évaluer. Afin de rendre l’expression du déterminant exploitable, nous allons étudier l’observabilité de la machine asynchrone dans les deux cas particuliers suivants : 3.3.6 Cas 1 : Ω̇ = 0 : Dans le cas où la vitesse de la machine asynchrone est constante, le modèle de la machine asynchrone est donné par les équations suivantes : ẋ = f (x) + g(x)u y = h(x) Avec : x= x1 x2 x3 x4 x5 = isα isβ ϕrα ϕrβ Ω 55 , u = usα usα (3.15) (3.16) Observateurs et Observabilité Chapitre 3 Et : (ax3 + px5 x4 ) − γx1 b(ax4 + px5 x3 ) − γx2 f (x) = −ax3 − px5 x3 + aMsr x2 m(x3 x2 − x4 x1 ) − cx5 − m1 0 0 m1 0 0 g(x) = 0 0 0 0 h1 x1 h(x) = = h2 x2 x6 J On peut associer à l’espace d’observabilité du système le jacobien par rapport à l’état x. La vérification de l’observabilité du système (3.15) est alors obtenue à partir du calcul du déterminant de la matrice d’observabilité (le jacobien) associée (critère du rang). Soit les deux ensembles de fonctions C ∞ P3 (x) et P4 (x) générés à partir des mesures et de leurs dérivées respectives de la façon suivante : P3 (x) = h1 h˙1 (2) h1 h2 h˙2 = x1 x˙1 (2) x1 x2 x˙2 , P4 (x) = h1 h˙1 h2 h˙2 (2) h2 = x1 x˙1 x2 x˙2 (2) x2 Les jacobiens J3 et J4 respectivement de P3 (x) et P4 (x) par rapport à l’état x permettent de caractériser l’observabilité du système (11) au sens du rang : J3 (x) = Et = 1 0 0 0 0 −γ 0 ba bpx5 bpx4 2 2 ba Msr + γ bpx5 aMsr b7 b8 b9 0 1 0 0 0 0 −γ −bpx5 ba −bpx3 J4 (x) = = ∂(P3 (x)) ∂(x) ∂(P4 (x)) ∂(x) 1 0 0 0 0 −γ 0 ba bpx5 bpx4 0 1 0 0 0 0 −γ −bpx5 ba −bpx3 −bpx5 aMsr ba2 Msr + γ 2 b10 b11 b12 56 Observateurs et Observabilité Chapitre 3 Où b7 b8 b9 b10 b11 b12 = = = = = = −ba2 + bp2 x25 − γba −2apx5 − γbpx5 −bapx4 + bp(−ax4 + px5 x3 + aMsr x2 )bp2 x5 x3 − γbpx4 2bapx5 + γbpx5 −ba2 + bp2 x25 − γba bapx3 − bp(−ax3 − px5 x4 + aMsr x1 ) + bp2 x5 x4 + γbpx3 Les déterminants respectifs sont alors : D3 = b3 a3 px4 − b3 a3 pMsr x2 − b3 a2 p2x5 x3 − b3 p4 x35 x3 + b3 p3 x25 x4 a − b3 p3 x25 aMsr x2 Et D4 = −b3 a3 px3 − b3 a2 p2 x5 x4 + b3 a3 pMsr x1 − b3 ap3 x25 x3 − b3 p4 x35 x4 + b3 p3 x25 aMsr x1 Ou bien : D3 = −b3 p3 [−ax3 − px5 x4 + aMsr x1 ]( a2 + x25 ) p2 x˙3 = −ax3 − px5 x4 + aMsr x1 Et D4 = −b3 p3 [−ax4 − px5 x3 + aMsr x2 ]( a2 + x25 ) p2 x˙4 = −ax4 − px5 x3 + aMsr x2 L’expression des deux déterminants D3 etD4 montre que le point x˙3 = x˙4 = 0(ϕ˙rα = ϕ˙rβ = 0) apparaît clairement comme une singularité d’observabilité (physique) du système. La condition suffisante d’observabilité n’est pas satisfaite. On remarque en outre que le rang de D3 et D4 est indépendant de l’entrée, ce qui se traduit par le fait que toute entrée rend le système localement observable sur un ensemble E = (x : x˙3 = x˙4 6= 0, x˙5 = 0). Dans le cas stationnaire (vitesse constante et pulsations des signaux constants), il est possible de proposer une interprétation physique de la condition énoncée ci-dessus. Considérons l’expression de l’équation de la pulsation statorique [43] : ωs = pΩ + aMsr isq . pϕrd Le couple électromagnétique pouvant également s’exprimer sous la forme : Cem = pMsr pϕrd isq Lr On obtient : ωs = pΩ + 57 Rr Cem pϕ2rd (3.17) Observateurs et Observabilité Chapitre 3 Dans le cas présent, les relations x˙3 = x˙4 = 0(ϕ˙rα = ϕ˙rβ = 0) se traduisent par ωs = 0. De plus la pulsation statorique ωs = 0 est la dérivée de l’angle du repère tournant (d−q)ρ. Ce qui implique que ρ est constant. ωs = 0 signifie que le couple électromagnétique et la vitesse mécanique sont de signes opposés. C’est le cas du fonctionnement en génératrice avec circulation du courant continu au stator. Il est clair que dans ce cas qu’aucune information ne peut être obtenue sur le champ rotorique. Rτ Rr Cem Msr ϕrd isq = étant généralement faible, ce genre Lτ pϕ2rd de problème ne se rencontrera qu’à basse vitesse avec le cas échéant un couple non nul. La vitesse de glissement : ωr = Remarque 3.3 L’interprétation donnée auparavant ne doit pas sous entendre que le défaut d’observabilité est obtenue pour une vitesse nulle Ω = 0 qui n’est qu’un cas particulier de l’étude, ni même pour une vitesse constante Ω̇ = 0, qui n’est également qu’un cas particulier. 3.3.7 Cas 2 :ϕ˙rα = ϕ˙rβ = 0 : Le modèle utilisé est celui donné par le modèle de la machine présenté au chapitre 1 dans lequel on considère les composantes des flux rotoriques suivant l’axe α,β constantes et qui est donné par les équations suivantes : ẋ = f (x) + g(x)u y = h(x) (3.18) Où Tl est considéré constant, Avec : Et : x1 x2 x3 x4 x5 x6 b(ax3 + px5 x4 ) − γx1 b(ax4 + px5 x3 ) − γx2 0 0 m(x3 x2 − x4 x1 ) − cx5 − 0 x= f (x) = = isα isβ ϕrα ϕrβ Ω Tl 58 , u usα usα x6 J (3.19) (3.20) Observateurs et Observabilité Chapitre 3 m1 0 0 m1 0 0 g(x) = 0 0 0 0 0 0 x1 h1 = h(x) = x2 h2 (3.21) (3.22) Soit l’ensemble de fonctions C ∞ P5 (x) généré à partir des mesures et de leurs dérivées respectives de la façon suivante : P5 (x) = h1 h2 h˙1 h˙2 (2) h1 (2) h2 = x1 x2 x˙1 x˙2 (2) x1 (2) x2 (3.23) Soit le jacobien de P5 (x) par rapport à l’état x permettant de caractériser l’observabilité au sens du rang : J5 (x) = Où = a7 a8 a9 a10 a12 a13 a14 = = = = = = = ∂(P5 (x)) ∂(x) 1 0 0 0 0 0 0 1 0 0 0 0 −γ 0 ba bpx5 bpx4 0 0 −γ −bpx5 ba −bpx3 0 a7 bpx4 mx3 a8 a9 a10 −bpx4 /J −bpx24 m + γ 2 bpx4 mx2 − γab bp(mx3 x2 − mx4 x1 − cx5 − x6 /J) − bpx3 mx2 + γbpx5 −bpx23 m + γ 2 −bp(mx3 x2 − mx4 x1 − cx5 − x6 /J) − bpx3 mx2 + γbpx5 bpx3 mx1 − γba bpx3 c + γbpx3 Le déterminant de cette matrice est donné par : D5 = det(J5 (x)) = −b4 p3 a(−x33 mx2 J + x23 x6 + x23 x4 mx1 J + x23 cx5J −x3 x24 Jmx2 + x24 cx5 J + x24 x6 + x34 mx1 J)/J 2 59 Observateurs et Observabilité Chapitre 3 Ou bien : D5 = 2b4 p3 a 2 (x + x2 ) [mx3 x2 − mx4 x1 − cx5 − x6 /J] {z } J | 3 {z 4} | x˙5 ϕ2rd On remarque que cette expression s’annule pour ϕrd = 0 ou pour x˙5 = 0 présente peu d’intérêt du fait que cela reviendrait à avoir un flux nul dans le rotor. Par contre, le cas où x˙5 = 0 signifie que si la vitesse est constante, le déterminant s’annule. Cela se traduit par le fait que l’observabilité du système (3.18) ne peut être établie en toute circonstance, en particulier les régimes permanents à vitesse constante et pulsation statorique nulle restent singuliers. ˙ 0 et (ϕ˙rα = ϕ˙rβ = 0), Remarque 3.4 Jusqu’ici, nous avons vu que dans le cas où (Ω = il n’est pas possible de déduire tout l’état de la machine asynchrone en utilisant seulement les mesures et leurs dérivées supérieures jusqu’à l’ordre 2. 3.3.8 Cas 3 : ϕ˙rα = ϕ˙rβ = 0 et Ω̇ = 0 : Dans ce cas, nous utilisons le modèle de la machine asynchrone suivant : ẋ = f (x) + g(x)u y = h(x) Avec : Et : x= x1 x2 x3 x4 x5 = isα isβ ϕrα ϕrβ Ω u = usα usα b(ax3 + px5 x4 ) − γx1 b(ax2 + px5 x3 ) − γx2 0 f (x) = 0 0 m1 0 0 m1 0 g(x) = 0 0 0 0 0 h1 x1 h(x) = = h2 x2 60 (3.24) (3.25) (3.26) (3.27) (3.28) Observateurs et Observabilité Chapitre 3 Considérons l’ensemble de fonctions C ∞ P6 (x) généré à partir des mesures et de leurs dérivées supérieures jusqu’à l’ordre 4 de la façon suivante : P6 (x) = h1 h2 h˙1 h˙2 (2) h1 (2) h2 (3) h1 (3) h2 (4) h1 (4) h2 = x1 x2 x˙1 x˙2 (2) x1 (2) x2 (3) x1 (3) x2 (4) x1 (4) x2 A l’espace d’observabilité du système on peut associer le jacobien de P6 (x) par rapport à l’état x. Question : Est-il possible d’extraire cinq vecteurs de cet espace qui soient linéairement indépendants en exploitant les dérivées supérieures jusqu’à l’ordre 4 de la machine ? Pour répondre à cette question, considérons alors le jacobien de P6 (x) par rapport à l’état x permettant de caractériser l’observabilité au sens du rang : J6 (x) = = ∂(P6 (x)) ∂(x) 1 0 0 0 0 0 1 0 0 0 −γ 0 ba bpx5 bpx4 0 −γ −bpx5 ba −bpx3 γ2 0 −γba −γbpx5 −γbpx4 0 γ 2 γbpx5 −γba γbpx3 0 −γ 3 0 γ 2 ba −γ 2 bpx3 γ4 0 −γ 3 ba −γ 3 bpx5 −γ 3 bpx4 0 γ 4 γ 3 pbx5 −γ 3 ba γ 3 bpx3 0 0 0 0 0 0 0 0 0 On remarque que les vecteurs lignes de l’espace d’observabilité générés par le jacobien des dérivées d’ordre 2 des mesures par rapport à l’état x sont respectivement une combinaison linéaires des vecteurs lignes générés par le jacobien des dérivées d’ordre 1 des mesures par (2) (2) ∂ h˙2 ∂h2 ∂ h˙2 ∂h1 = −γ et = −γ . La conclusion est la même rapport à l’état x. On a ∂x ∂x ∂x ∂x pour les vecteurs lignes générés par le jacobien des dérivées d’ordre 3 et 4 des mesures par rapport à l’état x qui sont aussi une combinaison linéaire des vecteurs lignes générés par (3) ∂h1 ∂ h˙1 le jacobien des dérivées d’ordre 1 des mesures par rapport à l’état x. Soit = γ2 , ∂x ∂x (3) (4) (4) ∂ h˙1 ∂h2 ∂ h˙2 ∂h2 ∂ h˙2 ∂h1 = −γ 3 et = γ2 , = −γ 3 . ∂x ∂x ∂x ∂x ∂x ∂x 61 Observateurs et Observabilité Chapitre 3 Cela se traduit par le fait que l’observabilité du système (3.24) ne peut être établie dans le cas particulier de fonctionnement de la machine où la vitesse est constante et la pulsation statorique est nulle (ϕ˙rα = ϕ˙rβ = 0) même si l’on utilise les dérivées d’ordre supérieurs des mesures de la machine. C’est une condition suffisante et nécessaire de perte d’observabilité pour le cas 3. 3.3.9 Droite d’inobservabilité Quand la pulsation statorique est nulle, ce qui revient à avoir les deux composantes du flux rotorique constantes, l’équation (3.17) devient : Cem = −KΩ (3.29) Avec P 2 ϕ2rα . Rr Quand la vitesse est constante, l’équation de la dynamique de la vitesse devient : K= Cem = (fυ Ω + Tl ). (3.30) En utilisant 3.29 dans 3.30, on obtient une droite dans le plan couple de charge-vitesse mécanique donné par l’expression suivante : Tl = −M Ω (3.31) Avec P 2 ϕ2rα + fυ . Rr Cette droite est appelée droite d’inobservabilité. Elle se situe dans le deuxième et quaM= trième quadrant du plan (Tl , Ω) : ceci correspond au fonctionnement en génératrice (le couple de charge et la vitesse mécanique sont de signes opposés) comme le montre la figure 3.3 Elle est utilisée dans le cahier des charges des variateurs industriels pour caractériser le comportement des régulateurs à basse vitesse. 62 Observateurs et Observabilité Chapitre 3 Tl W -M Figure 3.3 – Droite d’inobservabilité dans la plan(Tl , Ω) avec M = 3.3.10 P 2 ϕ2rα + fυ . Rr Observateurs non linéaires Les systèmes peuvent être non-linéaires. Dans ce cas, des Observateurs non-linéaires ont été développés pour palier cette difficulté. La figure 3.4 montre le schéma de principe d’un observateur non-linéaire. Il est à noter que deux approches se généralisent [21] : y Processus + u Observateur x C y Figure 3.4 – Schéma fonctionnel d’un observateur non linéaire. – La linéarisation autour du point de fonctionnement : pour chaque instant de fonctionnement, le système est considéré linéaire et une réactualisation se fait à chaque pas de temps. Ceci implique une réactualisation des matrices de gain. L’observateur de Kalman à état retardé est un filtre a structure particulière qui prend en compte la réactualisation de la matrice A. – La structure du gain sur la base de la non-linéarité du système : c’est le cas de l’observateur à Grand Gain. Cet observateur est synthétisé en prenant en compte la modélisation non linéaire du système. 63 Observateurs et Observabilité Chapitre 3 Dans les paragraphes qui vont suivre nous présenterons l’observateur à grand gain choisi pour être appliquer à la machine asynchrone. 3.3.10.1 Présentation de l’observateur à grand gain La simplicité de l’implémentation est le principal avantage de l’observateur à grand gain, cependant, ce type d’observateurs souffre d’un inconvénient résidant dans le bon choix du son unique paramètre de synthèse. Ce dernier choix s’effectue généralement suite à plusieurs essais afin de satisfaire le compromis entre la rapidité ou la précision de l’observateur et sa sensibilité vis-à-vis des bruits de mesure. Généralement, on doit choisir le paramètre de synthèse relativement important lors de la convergence. Une fois, on a obtenu l’estimation des différentes variables d’état, on peut diminuer le paramètre de synthèse afin de garantir une robustesse aux bruits de mesure [82]. l’observateur à Grand Gain est un observateur exponentiel pour une classe de systèmes non-linéaires multi-sorties qui peuvent se mettre sous la forme de l’equation suivante [68] : x̂ = Ax + ϕ(u, x) y = Cx (3.32) Ou l’état x = (x1 x2 ...xq )T ∈ ℜn , avec xk = (xk1 xk2 ...xkλk )T ∈ ℜnk , xki ∈ ℜpk , i = 1, ..., λk , k = 1...., q, et Pq k=1 nk = n ; la sortie du système P pk y = (y1y2...yq)T ∈ ℜp avec yk ∈ k = 1...., q, et qk=1 pk = p, ℜ , k = 1, ..., qk , 0 Ipk 0 . . .. . A = diag A1 ... Aq , Ak = . , C = diag C1 · · · Cq Ck = 0 . . . 0 Ipk 0 ... 0 0 Ipk o · · · 0 Et La fonction non linéaire ϕ(u, x) = ( ϕ1 (u, x)T ϕ2 (u, x)T · · · ϕq (u, x)T ϕk (u, x) = ( ϕ1 k (u, x)T ϕk2 (u, x)T · · · ϕkλk (u, x)T ∈ ℜnk , ∈ ℜn Ou chaque fonction ϕk1 (u, x) ∈ ℜpk , k = 1, · · · , q, posède la structure suivante : Pour 1 ≤ i ≤ λk − 1 : q k+2 ϕi k (u, x) = ϕki ( u; x1 , x2 , . . . , xk−1 ; xk1 , . . . , xki , xk+1 1 , x1 , . . . , x 1 64 Observateurs et Observabilité Chapitre 3 Pour i = λk : ϕλk k (u, x) = ϕkλk ( u; x1 , x2 , . . . , xq 3.3.10.2 Synthèse de l’observateur Comme dans tous les travaux traitant de la synthèse d’observateurs à grand gain [35], [40], [48],[24], nous avons besoin de l’hypothèse suivante : Hypothèse 3.1 ϕ(u, x) est une fonction globalement Lipschitzienne en x, uniformément en u. Avant de donner les équations de l’observateur, nous allons introduire quelques notations et résultats préliminaires : Soit ∆k (θ) est une matrice diagonale définie par : 1 1 ∆k (θ) = diag Ipk , δ Ipk , . . . δ (λ ) Ipk θk θ k k−1 Ou θ ≻ 0 est un réel et les δk sont des réels positifs définis comme suit : Qq δk = i=k+1 (λi−1 ) pour 1 ≤ k ≤ q − 1; δk = 1 (3.33) (3.34) Soit Sθδk la solution unique de l’équation algébrique de Lyapunov suivante : θδk Sθδk + ATk Sθδk + Sθδk Ak = CkT Ck (3.35) Ou les Ak et Ck sont définies dans le système 3.32. Il a été démonté par [40] que la solution de l’équation (3.35) est SDP (symétrique Définie Positive) pou θ ≻ 0 et que l’on a : (i+j)C j−1 i+j −2 n (−1) Ipk pour 1 ≤ i, j ≤ nk , ou Cnp = θδk (i, j) = δ θ k (i + j − 1 (n − p)p De plus, on a : Sθδk = 1 ∆k (θ)S1k ∆k (θ) θδk Ou S1k = Sθδk |θ = 1 En particulier T δk 1 2 nk Sθ−1 Cnk Ipk , θ2δk Cnk Ipk , . . . , θnk δk Cnk Ipk )T δk Ck = (θ 65 (3.36) (3.37) Observateurs et Observabilité Chapitre 3 Soit maintenant le système dynamique suivant : ẋ = Ax̂ + ϕ(u, x̂) − SΘ−1 C T (C x̂ − y) (3.38) Ou x̂ = (x̂1 x̂2 . . . x̂q )T ∈ ℜn , etx̂k = (x̂k1 x̂k2 . . . x̂kλk )T ∈ ℜnk , Avec x̂ki ∈ ℜpk Pour i = 1, . . . , λk , k = 1, . . . , q, x̂k1 = xk1 Pq k=1 nk =n pour k = 1, . . . , q (injection de sortie). u et y sont respectivement les entrées du système et les sorties du système 3.38 [22]. SΘ = diag Sθδ1 . . . Sθδq Nous énonçons le théorème suivant : Théorème 3.2 supposons que le système 3.32 satisfait 3.1, alors : ∃θ0 ≻ 0 ; ∀ ≥ θ0 ; ∃λµ θ ≻ 0 ; ∃µθ ≻ 0, e− ||x̂(t) − x(t)|| ≤ λθ Pour toute entrée bornée. De plus, limθ →∞ θt 2 ||x̂(0) − x(0)|| µθ = +∞. Autrement dit le système 3.38 est un observateur exponentiel pour le système 3.32 pour les entrées bornées. 3.4 Application de l’observateur Grand Gain à la machine asynchrone Dans cette partie il est présenté le suivi des paramètres de la machine Asynchrone , nous avons choisi le modèle de Park dans le plan (α, β).Le schéma Simulink utilisé en modélisation est présenté en Annexe B 3.4.1 Application au modèle cinq paramètres Le modèle de la machine asynchrone présenté dans le chapitre I montre clairement qu’il est non linéaire à cause de la présence de la vitesse et de résistance rotorique dans ses équations, Ce ci nous à conduit à utiliser l’observateur à grand gain. Rappelons que pour un système non linéaire ce lui ci est de la forme suivante : ż = F (Ω, y)z + G(u, Ω, z) ŷ = Cz 66 (3.39) Observateurs et Observabilité Chapitre 3 Ou z1 isα ϕsα g1 0 F z= , z1 = , z2 = ,G= , F (Ω, y) = 0 0 z1 isβ ϕsβ g2 Sachant que : Nous aurons z˙1 = F1 (Ω)z2 + g1 (u, Ω, z1 ) z˙2 = g2 (u, Ω, z) y = z1 k pΩk −γisα + i̇ ϕ sα sα T r = + k −γisβ + ϕsβ −pΩk Tr i̇sα 1 M isα − ϕrα − pΩϕrβ ϕ ˙ rα Tr Tr = M 1 ϕ˙rβ isβ + pΩϕrα − ϕrβ Tr Tr La dynamique de l’observateur est : (3.40) 1 u σLs sα 1 u σLs sβ ẑ˙ = F (Ω)ẑ˙ + G(u, Ω, ẑ) − Λ−1 (Ω)Sθ−1 C T (C ẑ − y) (3.41) (3.42) Λ−1 (Ω)Sθ−1 C T (C ẑ − y) est la correction de l’observateur . Cette correction est fonction de l’erreur d’estimation entre les courants mesurés et leurs estimés multipliés par les gains del’observateur. Avec : 1 0 I2 0 Iq 0 C . , avec I2 = = ; C = Iq , o ; Λ(Ω) = Λ(Ω) = 0 1 0 1 0 Iq F1 CF 2θ I2 −1 T Sθ C = (3.43) θ 2 I2 (C ẑ − y) = Après calculs, nous aurons : iˆsα − isα iˆsβ − isβ 1 0 0 0 0 1 0 0 k Λ(Ω) = 0 0 pΩk Tr k 0 0 −pΩk Tr Et enfin nous aurons la matrice de correction : 67 (3.44) (3.45) Observateurs et Observabilité Chapitre 3 2θ 0 2 k θ Tr −1 T −1 Λ (Ω)Sθ C (C ẑ − y) = k 2 ( Tr ) + p2 Ω2 k 2 θ2 pΩk ( Tkr )2 + p2 Ω2 k 2 3.4.2 0 2θ −θ2 pΩk ( Tkr )2 + p2 Ω2 k 2 θ2 Tkr ( Tkr )2 + p2 Ω2 k 2 îsα − isα îsβ − isβ (3.46) Application au modèle quatre paramètres L’observateur garde la même forme (équation 3.42) mais la réduction des paramètres à quatre fait que la matrice de correction devienne : 2θ 0 θ2 Λ−1 (Ω)Sθ−1 C T (C ẑ − y) = L′s Tr D 2 θ pΩ 0 2θ −θ2 pΩ ′ Ls D Avec D= 3.5 ′ Ls D 2 θ ′ Ls Tr D îsα − isα îsβ − isβ (3.47) 1 + p2 Tr2 Ω2 L′s2 Tr2 Résultats de simulations Dans cette partie sont présentés les résultats de simulation de l’observateur à grand gain connecté à la machine asynchrone. 3.5.1 Résultats de simulation de l’observateur appliqué au modèle de Park à cinq paramètres Afin de valider la méthodologie présentée précédemment nous avons simulé dans un premier temps le Modèle de Park à cinq paramètres associé à l’observateur grand gain sous le logiciel Matlab-Simulink, avec un temps de simulation égal t = 9s secondes. Après plusieurs tests avons opté pour θ = 450. Le schéma simulink de l’observateur "en boucle ouverte" utilisé est présenté en détail dans l’annex B. Le suivi du flux se base sur la différence entre le flux mesuré et celui observé. Deux tests de 68 Observateurs et Observabilité Chapitre 3 robustesse on été effectués, le premier à haute vitesse et le second à basse vitesse tous en faisant varier les paramètres électriques (résistance rotorique et statorique) de la machine. 3.5.1.1 Test 1 : Observation du flux à haute vitesse (150rad/s) 1. Test avec les paramètres nominaux : Les figures : 3.5 et 3.6 montrent les courbes du flux observé est son erreur dans le cas "‘nominal." c’est à dire avec les paramètres nominaux de la machine. Nous pouvons constater que le flux observé suit sa référence et l’erreur d’observation est nulle. 0.8 Flux Désiré Flux−observé 0.7 Nrme de flux(Wb) 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 3.5 – La normes de flux observée à haute vitesse dans le cas nominal. 2. Test avec variation de la résistance rotorique : La figure 3.7 montre qu’une variation de -50%, +50% et +80% sur la résistance rotorique influe peu sur les performances de l’observateur (fig (a)3.7 et(b)3.7) puisque le flux estimé est bien reconstruit. La sensibilité de l’observateur est plus importante dans le cas de la variation -50% sur Rr puisque l’écart statique est engendré et l’erreur d’estimation maximale est de 1, 8 × 10−15 tandis qu’il est diminué dans le cas de la variation de 150% et 180% sur Rr ou l’erreur d’estimation ne dépasse pas 1, 3 × 10−15 (figure 3.8). 69 Observateurs et Observabilité Chapitre 3 0.35 0.3 Norme de flux(Wb) 0.25 0.2 0.15 0.1 0.05 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 3.6 – L’erreur d’observation du flux dans le cas nominal. 1.4 0.659 1.2 0.6589 0.6588 Norme de flux(wb) 1 Norme de flux(wb) 180%Rr Rref 0.8 180%Rr 0.6 0.4 0.6587 150%Rr 0.6586 0.6585 0.6584 150%Rr 50%Rr 50%Rr 0.2 Rref 0.6583 0 0 0.5 1 1.5 Temps(s) 2 2.5 0.6582 3 3 4 5 6 Temps(s) 7 8 9 Figure 3.7 – Zoom sur La normes du flux observée lors de la variation de Rr à haute vitesse. −15 −15 x 10 2 1.5 1.5 1 1 Erreur de flux(wb) Erreur de flux(wb) 2 0.5 0 −0.5 −1 0.5 0 −0.5 −1 50% Rr 150% Rr 180% Rr −1.5 −2 1 x 10 1.2 1.4 1.6 1.8 2 Temps(s) 2.2 2.4 2.6 2.8 50% Rr 150% Rr 180% Rr −1.5 −2 3 3 4 5 6 Temps(s) 7 Figure 3.8 – Zoom sur l’erreur d’estimation de la norme du flux. 70 8 9 Observateurs et Observabilité Chapitre 3 3. Test avec variation de la résistance statorique : Les figures (a)3.9 et (b)3.9 montrent respectivement qu’une variation 150% et 180% sur la résistance statorique influe peu ou pas sur les performances de l’observateur, nous remarquons une légère diminution de l’écart statique par rapport à la variation de la résistance rotorique dans le test précédent, soit une erreur d’estimation des deux variations citées ne dépassant pas 1.22 × 10−15 W b (figure 3.10). 0.8 0.8 0.7 0.7 0.6 150%Rs Norme de flux(wb) Norme de flux(wb) 0.6 180%Rs 0.5 0.4 0.3 0.5 0.3 0.2 0.1 0.1 1.2 1.4 1.6 1.8 2 Temps(s) 2.2 2.4 2.6 2.8 0 3 3 180%Rs 0.4 0.2 0 1 150%Rs 4 5 6 Temps(s) 7 8 9 Figure 3.9 – Zoom sur la normes du flux observée lors de la variation de Rs à haute vitesse. −15 −15 x 10 2 1.5 1.5 1 1 Erreur de flux(wb) Erreur de flux(wb) 2 0.5 0 0.5 0 −0.5 −0.5 −1 −1 −1.5 1 1.2 1.4 1.6 1.8 2 Temps(s) 2.2 2.4 2.6 2.8 x 10 −1.5 3 3 4 5 6 Temps(s) 7 8 9 Figure 3.10 – Zoom sur l’erreur d’observation de la norme du flux. 3.5.1.2 Test 2 : Observation du flux à basse vitesse (39rad/s) 1. Test avec les paramètres nominaux : Nous avons simulé d’abord l’observateur en boucle ouverte utilisant les paramètres nominaux de la machine, les résultats de simulation sont illustrés par les figures 71 Observateurs et Observabilité Chapitre 3 suivante : Les figures : 3.11 et 3.12 montrent les courbes du flux observé est son erreur dans le cas "‘nominal." ( les paramètres nominaux de la machine). Nous pouvons constater que le flux observé suit sa référence et l’erreur d’observation est nulle. 0.8 Flux Désiré Flux−observé 0.7 Nrme de flux(Wb) 0.6 0.5 0.4 0.3 0.2 0.1 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 3.11 – La normes de flux observée à basse vitesse dans le cas nominal. 0.35 0.3 Erreur du flux(Wb) 0.25 0.2 0.15 0.1 0.05 0 −0.05 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 3.12 – L’erreur d’observation du flux à basse vitesse dans le cas nominal. 2. Test avec variation de la résistance rotorique : Les figures (a)3.13 et(b)3.13 montrent que les performances de l’observateur sont 72 Observateurs et Observabilité Chapitre 3 acceptable aussi bien en basse vitesse qu’en haute vitesse, on peut remarquer que dans le cas des variations 50%, 150% et 180% sur la résistance rotorique l’écart statique sur le flux observé est diminué par rapport au test en haute vitesse et l’erreur d’estimation est presque nulle (figures (a)3.14 et(b)3.14). 0.9 0.9 0.8 0.8 180%Rr 180%Rr 50%Rr 50%Rr 0.7 0.7 0.6 0.6 150%Rr 0.5 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0 1 1.2 1.4 150%Rr 0.5 1.6 1.8 2 2.2 2.4 2.6 2.8 0 3 3 4 5 Temps(s) 6 7 8 9 Temps(s) 0.3 0.3 0.2 0.2 Erreur du flux(Wb) Erreur du flux(Wb) Figure 3.13 – Zoom sur la normes du flux observée lors de la variation de Rr à basse vitesse. 0.1 150%Rr 50%Rr 180%Rr 0 0.1 50%Rr 0 −0.1 −0.1 −0.2 −0.2 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 3 180%Rr 150%Rr 3 4 Temps(s) 5 6 7 8 9 Temps(s) Figure 3.14 – Zoom sur l’erreur d’observation de la norme du flux lors de la variation de Rr à basse vitesse. 3. Test avec variation de la résistance statorique : La variation de 50% 150% et 180% sur la résistance statorique engendre un écart statique sur le flux observé entre t = os et t = 3s (figure (a)3.15) cet écart est réduit dans le deuxième intervalle du temps : entre t = 3s t = 9s (figure (b)3.15) par rapport au test de la haute vitesse précédent. 73 Observateurs et Observabilité Chapitre 3 1.4 0.9 0.8 180%Rr 1.2 50%Rr 0.7 Norme du flux(Wb) 1 0.6 50%Rr 0.8 0.5 0.6 0.4 150%Rr 0.3 0.4 180%Rr 150%Rr 0.2 0.2 0.1 0 0 0.5 1 1.5 2 2.5 0 3 3 4 5 6 7 8 9 Temps(s) Temps(s) Figure 3.15 – Zoom sur La normes du flux observée lors de la variation de Rs à basse vitesse. −3 2.5 −3 x 10 2.5 50% 150% 180% 2 x 10 50% 150% 180% 2 1.5 1.5 Erreur du flux(Wb) 1 1 0.5 0.5 0 0 −0.5 −0.5 −1 −1 −1.5 −1.5 −2 −2 1 1.2 1.4 1.6 1.8 2 2.2 2.4 2.6 2.8 −2.5 3 Temps(s) 3 4 5 6 7 8 9 Temps(s) Figure 3.16 – Zoom sur l’erreur d’observation de la norme du flux lors de la variation de Rs en basse vitesse. 3.5.2 Résultats de simulation de l’observateur appliqué au modèle de Park à quatre paramètres Dans le chapitre 1 nous avons effectué des calculs de réduction de l’ordre des paramètres de la machine asynchrone de cinq à quatre. Nous avons conçu un observateur à gang gain quatre paramètres pour l’estimation des paramètres de la machine. Dans cette partie nous allons présenter les résultats de simulation afin de tester cette technique d’observation. 74 Observateurs et Observabilité Chapitre 3 3.5.2.1 Test 1 avec les paramètres nominaux : Les figure (a)3.17 et (b) 3.17 montrent les courbes du flux estimé et l’erreur d’estimation dans le cas "nominal". 1 0.8 Flux Désiré Flux−observé 0.5 0.7 0 0.6 Erreur du flux(Wb) Nrme de flux(Wb) −0.5 0.5 0.4 0.3 −1 −1.5 −2 0.2 −2.5 0.1 0 −3 0 1 2 3 4 5 6 7 8 −3.5 0 9 Temps(s) 1 2 3 4 5 6 7 8 9 Temps(s) (a)le flux observé (b)L’erreur d’observation Figure 3.17 – le Flux observé et l’erreur d’observation dans le cas nominal. 3.5.2.2 Test 2 avec variation des paramètres de la machine : Remarque 3.5 Le test avec les variations de la résistance rotorique puis la résistance statorique la machine à donné des courbes identiques au test précédent (modèle cinq paramètres) en haute vitesse comme en basse vitesse. Ceci abouti aux mêmes conclusions données dans les paragraphes précédents. Les figures 3.18 et 3.19 montrent le flux estimé de la machine dans le modèle de Park à 4 paramètres. 75 Observateurs et Observabilité Chapitre 3 0.7 0.7 0.6 0.6 50%RS 180%RR 0.5 Norme de flux(wb) Norme de flux(wb) 0.5 50%RR 0.4 0.3 0.2 150%RS 0.4 180%RS 0.3 0.2 150%RR 0.1 0 0 1 0.1 2 3 4 5 Temps(s) 6 7 8 9 0 0 10 1 2 3 4 5 Temps(s) 6 7 8 9 10 Figure 3.18 – Zoom sur le flux observé lors de la variation de RR et RS (modèle quatre paramètres) en basse vitesse. 0.7 0.7 50%RR 50%RS Norme de flux éstimée(Wb) 0.6 0.6 150%RS 180%RR 0.5 0.5 150%RR 0.4 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0 0 1 2 3 4 5 6 7 8 9 0 10 180%Rs 0 1 2 3 4 5 6 7 8 9 10 Temps(s) Figure 3.19 – le flux Obsérvé lors de la variation de RR et RS (modèle quatre paramètres) en haute vitesse. 3.6 Conclusion A travers ce chapitre, nous avons donné dans un premier temps les différentes définitions de l’observabilité des systèmes linéaires et non linéaires, ensuite, nous avons mené l’étude de l’observabilité de la machine. Cette étude a été faite en utilisant le critère de rang d’observabilité générique. Cet espace est généré par les sorties et leurs dérivées successives des états non linéaires de la machine asynchrone. Nous avons pu dégager deux conclusions : – La machine asynchrone est observable lorsque la vitesse est mesurée, – Lorsque la vitesse n’est pas mesurée, l’observabilité de la machine ne peut être (Ω̇ = 0) établie dans le cas où la vitesse est constante et la pulsation statorique est nulle (ws = 0). 76 Observateurs et Observabilité Chapitre 3 La suite du chapitre à été dédiée à la synthèse de l’observateur à grand gain proposé afin de résoudre le dilemme de rapidité de la convergence et la sensibilité aux variations paramétriques de la machine. Des tests de simulation ont confirmés notre choix. Les bons résultats obtenus en terme d’observation nous ont incités à les exploiter dans le chapitre suivant pour la synthèse de la de commande par mode glissant appliquée à la machine asynchrone. 77 Chapitre 4 Synthèse de la commande en modes glissants 4.1 Introduction La commande non linéaire a connu une expansion ainsi q’une diversification importante depuis les années 50, due à la manipulation des procédés industriels et des applications robotiques. L’étude du contrôle non linéaire est d’un grand intérêt, puisque la majorité des systèmes réels sont essentiellement non linéaires. Les méthodes linéaires conventionnelles sont satisfaisantes mais pour des plages de fonctionnement restreintes. Dès que le système sort de ce domaine de fonctionnement, le contrôleur linéaire n’est plus valable et ne garantie plus la stabilité du système. D’où l’intérêt d’étudier plus profondément les méthodes d’études non linéaire. Depuis quelque décennies, il a été prouvé que la théorie de la géométrie différentielle est un outil efficace pour l’analyse et l’implémentation de commande de systèmes non linéaires. L’une des méthodes de commande non linéaire les plus connues, utilisant la géométrie différentielle, est la commande par linéarisation exacte. Cette commande consiste à linéariser le système par compensation et à appliquer à ce nouveau système une commande linéaire classique telle que la commande par retour d’état [85], [5]. De plus, la poursuite avec la plupart de ces méthodes ne peut pas être garantie en présence de perturbation externes ou des variations structurelles élevées. D’où, la nécessitée de prendre en compte dans notre commande la notion de robustesse. La commande par mode glissant (CMG), en raison de sa robustesse vis-à-vis des incertitudes et des perturbations externes, peut être appliquée aux systèmes non linéaires incertains et perturbés [94], [98]. Il s’agit de définir une surface dite de glissement en fonction des états du système de façon qu’elle soit attractive. La commande globale synthétisée se compose de deux Synthèse de la commande par modes glissants Chapitre 4 termes : le premier permet d’approcher jusqu’à cette surface, le second permet le maintien et le glissement le long de celle-ci. Cependant, la présence de la fonction signe, dans la commande par mode glissant, provoque un phénomène de broutement qui consiste en des variations brusques et rapides du signal de commande, ce qui peut exciter les hautes fréquences du processus et l’endommager. Plusieurs solutions ont été présentées dans la littérature. Slotine et Lie [94] ont introduit une bande de transition autour de la surface de glissement permettant de transformer la fonction signe en saturation, et ainsi éliminer le broutement. Ce chapitre est consacré à la présentation générale de la commande par mode glissant et de ses performances associées. Dans un souci de clarté, le système considéré ici est un système non linéaire multi-variables. De plus ce chapitre se restreint à la commande par mode glissant d’ordre 1, telle qu’elle a été introduite par [98]. Le but est de permettre à un lecteur de comprendre les concepts de base de la commande par mode glissants. Une première partie présente les concepts de bases de la commande par mode glissants : la surface de glissement et la loi de commande discontinue traditionnellement utilisée pour forcer le système à rester sur cette surface. La deuxième partie est consacrée à la théorie qui dégage les notions de commandes équivalente et nominale, la dernière partie est consacré à définir l’algorithme de cette loi de commande ; appliqué à la machine asynchrone. 4.2 Théorie de la commande en mode glissant Le principe de la commande par modes glissants est de pousser l’état du système à atteindre en temps fini une hyper surface (dans l’espace d’état) donnée pour ensuite y rester. Cette hyper surface étant une relation entre les variables d’état du système, elle définit une équation différentielle, et donc détermine totalement la dynamique du système, pourvu qu’il reste sur cette hyper surface. L’évolution d’un système soumis à une loi de commande qui le fait rester sur une hyper surface donnée ne dépend donc plus du tout du système lui même ou des perturbations auxquelles il peut être soumis, mais uniquement des propriétés de cette hyper surface. Le système bouclé n’est donc pas seulement robuste vis à vis des incertitudes (propres au système) et perturbations (extérieures au système), mais totalement insensible à ces incertitudes et perturbations, moyennant qu’elles puissent effectivement être rejetées par la commande. La synthèse d’une loi de commande par modes glissants consiste donc à déterminer : une hyper surface en fonction des objectifs de commande et des propriétés statiques et dynamiques désirées 79 Synthèse de la commande par modes glissants Chapitre 4 pour le système bouclé. La dynamique exigée par l’hyper surface doit être compatible avec l’amplitude de commande ’utile’ disponible et la dynamique du système en boucle ouverte. Dans le cas contraire, le système ne pourra pas rester sur cette surface, et la propriété d’insensibilité aux perturbations sera perdue. Une loi de commande discontinue de manière à obliger les trajectoires du système à atteindre cette hyper surface en temps fini puis à y rester en dépit des Incertitudes et des perturbations. 4.2.1 Système à strucure variable Les systèmes à structure variable est un système dont la structure change pendant son fonctionnement. il est caractérisé par le choix d’une fonction et d’une logique de commutation. Ce choix permet au système de commuter d’une structure à une autre a tout instant [38]. De plus, un tel système peut avoir de nouvelles propriétés qui n’existent pas dans chaque structure. Dans la commande des systèmes à structure variable par mode glissement, la trajectoire d’état est amenée vers une surface. Puis à l’aide de la loi de commutation, elle est obligée de rester au voisinage de cette surface. Cette dernière est appelée surface de glissement et le mouvement le long lequel se produit est appelé mouvement de glissement [90]. La trajectoire dans le plan de phase est constituée de trois parties distinctes (figure 4.1) [38] : – Le mode de convergence (MC) : c’est le mode durant lequel la variable à régler se déplace à partir de n’importe quel point initial dans le plan de phase, et tend vers la surface de commutation S(x, y) = 0. Ce mode est caractérisé par la loi de commande et le critère de convergence. – Le mode de glissement (MG) : c’est le mode durant lequel la variable d’état a atteint la surface de glissement et tend vers l’origine du plan de phase. La dynamique de ce mode est caractérisée par le choix de la surface de glissement S(x, y) = 0. – Le mode du régime permanent (MRP) : Ce mode est ajouté pour l’étude de la réponse du système autour de son point d’équilibre (origine du plan de phase), il est caractérisé par la qualité et les performances de la commande [38]. 80 Synthèse de la commande par modes glissants Chapitre 4 Figure 4.1 – Différents modes pour la trajectoire dans le plan de phase 4.2.2 Concept de base Considérons le système non linéaire suivant : ẋ = f (x, t, u) avec x(t0 ) = x0 y = h(x) (4.1) et l’hypersurface : S(x) = 0 f un champ de vecteur suffisamment différentiable. u(x, t) = u+ si S(t, x) > 0 u− si S(t, x) < 0 u(x, t) ∈ [−1, 1] si S(x) = 0 (4.2) u ∈ Ω ⊂ ℜ est la commande du système. Où x est l’état du système de dimension n évoluant dans une variété θ isomorphe à ℜn , caractérisant le domaine physique de fonctionnement du système. Le système (4.1) avec la loi de commande (4.2) est intrinsèquement à structure variable [99]. En revanche, le système rendu discontinu par le choix d’une commande discontinue, u est dit à discontinuité artificielle. Le système variable (4.1) avec la loi de commande (4.2) peut se ramener à l’écriture suivante. ẋ = f (x, t, u) = f + (x, t) si S(t, x) > 0 f − (x, t) si S(t, x) < 0 (4.3) Où f + (x, t) et f − (x, t) sont des champs de vecteurs complets dans ℜn S(x, t) : est une surface dans ℜn qui divise l’espace en deux parties disjointes S(x, t) > 0 et S(x, t) < 0 qu’on notera respectivement ǫ+ et ǫ− . Remarque 4.6 D’autres systèmes sont de conception naturellement discontinus, à titre 81 Synthèse de la commande par modes glissants Chapitre 4 d’exemples les circuits électroniques contenant des commutateurs et les systèmes mécaniques contenant un frottement sec [99], [100]. Qu’ils soient à discontinuité artificielle ou naturelle, les systèmes à structure variable de type (4.1) peuvent tous se ramener à la forme (4.3). En dehors de la surface de discontinuité les vecteurs vitesse f + et f − peuvent avoir différents comportements : – Les vecteurs vitesse f + et f − traversent la surface d’un côté vers l’autre (Figures 4.2(a), 4.2(b)). – Les vecteurs f + et f − sont pointés chacun vers la surface (Figure 4.2(c)). f+ S=0 f+ S=0 f+ f- f+ f- f f+ - f f+ - f- f(a) (b) f+ S=0 f+ ff+ ff(c) Figure 4.2 – Différents comportements en dehors de la surface de discontinuité. Le cas qui nous intéresse est celui où les deux vecteurs vitesses f + et f − sont pointés chacun vers la surface, on dit alors que la surface est attractive, figure 4.2(c). Définition 4.11 Une surface S = 0 est attractive pour un domaine de convergence donné si toute trajectoire évoluant dans le domaine d’attraction est dirigée vers cette surface. Définition 4.12 Une surface S = 0 est invariante si toute trajectoire débutant dans cette surface ou atteignant cette surface, ne peut en sortir et évolue donc sur cette surface. 82 Synthèse de la commande par modes glissants Chapitre 4 4.2.3 Conception de la commande en mode glissant Etant un cas particulier de la commande à structure variable, la commande en modes glissants (CMG) a été largement utilisée dans la littérature. Ce succès est dû à sa simplicité de mise en oeuvre et à sa robustesse vis-à-vis des variations paramétriques et des perturbations externes. Ceci lui permet d’être particulièrement adapté pour les systèmes ayant un modèle imprécis. [94] Dans ce cas la structure d’un contrôleur comporte deux parties : une partie continue représentant la dynamique du système durant le mode glissant et une autre discontinue représentant la dynamique du système durant le mode de convergence. Cette dernière est importante dans la commande non linéaire car elle a pour rôle d’éliminer les effets d’imprécisions et des perturbations sur le modèle [38]. La conception de la commande peut être effectuée en trois étapes principales très dépendantes l’une de l’autre, – Choix de surface, – L’établissement des conditions d’existence, – Détermination de la loi de commande. Il s’agit de définir d’abord la surface de glissement dite l’hypersurface qui représente la dynamique désirée, puis synthétiser une loi de commande qui doit agir sur le système en deux phases. Dans la première, on force le système à rejoindre cette surface, et dans la seconde phase on doit assurer le maintien et le glissement le long de cette surface pour atteindre l’origine du plan de phase comme montré sur la figure 4.3. Figure 4.3 – Les deux phases de la commande en mode glissant. 83 Synthèse de la commande par modes glissants Chapitre 4 4.2.3.1 Choix de la surface de glissement Le choix de la surface de glissement concerne le nombre et la forme des fonctions nécessaires. Ces deux facteurs dépendent de l’application et de l’objectif visé. Si l’on considère le système donné par l’équation (4.4), le vecteur de surface S à la même dimension que le vecteur de commande u ẋ = A(x, t) + B(x, t) u (4.4) La surface de glissement est une fonction scalaire telle que la variable à régler glisse sur cette surface et tend vers l’origine du plan de phase. La forme non linéaire est une fonction de l’erreur sur la variable à régler x, elle donnée par [90] : r−1 ∂ S(x) = +λ e(x) (4.5) ∂t e(x) est l’écart entre la variable à régler et sa référence. λ est une constante positive. Il est a noter qu’en général, on donne une grande valeur a λ pour assurer l’attractivité ainsi que le maintien du système sur cette surface. r est un degré relatif, il présente le nombre de fois qu’il faut dériver la surface pour faire apparaître la commande [70], [60]. L’objectif de la commande est de maintenir la surface à zéro. Cette dernière est une équation différentielle linéaire dont l’unique solution est e(x) = 0 pour un choix convenable du paramètre, ceci revient à un problème de poursuite de trajectoire qui est équivalent à une linéarisation exacte de l’écart tout en respectant la condition de convergence. 4.2.3.2 Condition de convergence et d’existence Les conditions de convergence et d’existence sont les critères qui permettent aux différentes dynamiques du système de converger vers la surface de glissement et d’y rester indépendamment de la perturbation. Il existe deux considérations pour assurer le mode de convergence. 1. La fonction discrète de commutation C’est la première condition de convergence, elle est proposée et étudiée par Emillyapunov et Utkin. Il s’agit de donner à la surface une dynamique convergente vers zéro. Elle est donnée par : Ṡ(x) > 0 si S(x) < 0 Ṡ(x) < 0 si S(x) > 0 (4.6) Cette condition peut être formullée comme suit : Ṡ(x).S(x) < 0 84 (4.7) Synthèse de la commande par modes glissants Chapitre 4 2. La fonction de Lyapunov La fonction de Lyapunov est une fonction scalaire positive (V (x) > 0) pour les variables d’état du système. L’idée est de choisir une fonction scalaire S(x) pour garantir l’attraction de la variable à contrôler vers sa valeur de référence et de concevoir une commande u tel que le carré de surface correspond à une fonction de Lyapunov. Nous définissons la fonction de Lyapunov comme suit : 1 V (x) = S 2 (x) 2 (4.8) V̇ (x) = S(x)Ṡ(x) (4.9) La dérivée de cette fonction est : Pour que la fonction V (x) puisse décroître, il suffit d’assurer que sa dérivée soit négative. Ceci n’est vérifiée que si la condition (4.7) est vérifiée. L’équation (4.8) explique que le carré de la distance entre un point donné du plan de phase et la surface de glissement exprimé par S 2 (x) diminue tout le temps, contraignant la trajectoire du système à se diriger vers la surface à partir des deux cotés de cette dernière. Cette condition suppose un régime glissant idéal ou la fréquence de commutation est infinie [98] 3. Calcul de la commande Lorsque le régime glissant est atteint, la dynamique du système est indépendante de la loi de commande qui n’a pour but de maintenir les conditions de glissement (l’attractivité de la surface), c’est pour cette raison que la surface est déterminée indépendamment de la commande. Maintenant il reste à déterminer la commande nécessaire pour attirer la trajectoire d’état vers la surface et vers son point d’équilibre en maintenant les conditions d’existence du mode de glissement. L’obtention d’un régime de glissement suppose une commande discontinue. La surface de glissement devrait être attractive des deux cotés. De ce fait, si cette commande discontinue est indispensable, il n’empêche nullement qu’une partie continue lui soit ajoutée, cette partie est amener à réduire l’amplitude de la partie discontinue. En présence de perturbation, la partie discontinue a pour but de de vérifier les conditions d’attractivité. La structure d’un contrôleur par mode glissant est constituée de deux parties, une concernant la linéarisation exacte (Ueq ) et l’autre stabilisante (Un ) : U = Ueq + Un (4.10) Ueq est la commande équivalente proposée par Filipov, elle sert à maintenir la variable contrôler sur la surface de glissement S(x) = 0. 85 Synthèse de la commande par modes glissants Chapitre 4 Un est déterminée pour vérifier la condition de convergence. La commande équivalente est déduite en considérant que la dérivée de la surface demeure nulle. Supposons que le comportement en mode glissant existe sur la surface de glissement S(x, t) et essayons de trouver la commande continue telle que, à partir de la position initiale du vecteur d’état sur la région (S(x(t0 ), t0 ), la dérivée du vecteur S(x, t) demeure nulle : Ṡ(x, t) = ∂S ∂S ẋ + ∂x ∂t (4.11) En remplaçant (4.4) et (4.10) dans (4.11) nous trouvons Ṡ(x, t) = ∂S ∂S ∂S (A(x, t) + B(x, t)Ueq ) + B(x, t)Un + ∂x ∂x ∂t (4.12) Durant le mode de glissement et le régime permanent, la surface est nulle, et par conséquent, sa dérivée et la partie discontinue sont aussi nulles. D’ou nous déduisons l’expression de la commande équivalente : −1 ∂S ∂S ∂S Ueq = − B(x, t) A(x, t) + ∂x ∂x ∂t (4.13) Pour que la commande équivalente puisse prendre une valeur finie, il faut que ∂S B(x, t) 6= 0. Durant le mode de convergence, et en remplaçant la commande ∂x équivalente par son expression dans (4.13), nous trouvons la nouvelle expression de la dérivée de la surface : ∂S B(x, t) Un ∂x Et la condition d’attractivité exprimée par (4.7) devient Ṡ(x, t) = S(x, t) ∂S B(x, t)Un < 0 ∂x (4.14) (4.15) ∂S B(x, t), ∂x la forme la plus simple que peut prendre la commande discrète est celle d’un relais Afin de satisfaire cette condition, le signe de Un doit être opposé a celui de S(x, t) de la figure 4.4 : Un = K Sign(S(x, t)) ∂S le signe de K doit être différent de celui de B(x, t), ∂x 4.2.4 (4.16) Phénomène de réticence ou broutement ’Chattering’. Un régime glissant idéal requiert une commande pouvant commuter à une fréquence infinie. Évidemment, pour une utilisation pratique, seule une commutation à une fréquence finie est possible, ce qui cause un retard entre la mesure de la sortie et le calcul 86 Synthèse de la commande par modes glissants Chapitre 4 u k S(x,t) -k Figure 4.4 – Représentation de la commande discontinue. de la commande, qui peut être amplifié si le système présente naturellement des retards ou des dynamiques négligées. Cela conduit le système à quitter la surface de glissement sans que la commande ne puisse réagir, puis, une fois le signe de la commande inversé, à revenir sur cette surface et passer de l’autre côté, et ainsi de suite. Ainsi, durant le régime glissant, les discontinuités appliquées à la commande peuvent entraîner des oscillations à haute fréquence de la trajectoire du système autour de la surface de glissement, un phénomène appelé broutement ou chattering en anglais. Les principales raisons à l’origine de ce phénomène sont : Les retards purs en série avec le système en boucle ouverte (retards inhérents au Système, échantillonnage,...). les dynamiques non modélisées des capteurs et observateurs, qui retardent le moment où le régulateur prend conscience qu’il faut inverser la commande, les dynamiques non modélisées des actionneurs et autres dynamiques rapides du système, qui retardent le moment où la commande est suffisamment forte pour Rapprocher le système de la surface de glissement. Tous ces phénomènes ont globalement l’effet de retarder l’application effective de la commande, car cette dernière croit à tort que le système se trouve de l’autre côté de la Surface. Ce phénomène est amplifié par la nécessité d’avoir des observateurs ou dérivateurs rapides, donc filtrant peu la mesure. Les phénomènes de chattering peuvent être si pénalisant que l’utilisation d’une loi de commande par modes glissants peut, dans certaines applications, être à proscrire, vu que son utilisation peut dégrader les performances, voire conduire à l’instabilité à cause du chattering sur la sortie. Le chattering de la commande, quant à lui, peut entraîner une usure prématurée des actionneurs ou de certaines parties du système à cause de trop fortes sollicitations. En excitant les modes propres des dynamiques non modélisées ou des fréquences de résonance du système correspondant aux retards de commutation, cette commande peut provoquer sur les systèmes mécaniques un bruit haute fréquence 10 et des oscillations préjudiciables à leur structure. Sur des systèmes autres que mécaniques, les oscillations engendrées peuvent poser d’autres problèmes (réduction de 87 Synthèse de la commande par modes glissants Chapitre 4 précision, créations d’ondes électromagnétiques néfastes, ou autres ondes amplifiées par le système,...). Remplacement de la fonction sign par une fonction continue De nombreuses solutions ont été proposées dans le but de réduire ou d’éliminer ce phénomène. Il existe des méthodes comme celle de la couche limite (boundary layer ) qui consiste à remplacer la fonction ’sign’ de la loi de commande par une approximation continue à gain élevé dans un proche voisinage de δ [100], et saturée en dehors de ce voisinage. Le régime glissant qui en résulte n’est plus confiné dans S, mais dans un proche voisinage de celui-ci. Dans ce cas, le système est dit en régime pseudo-glissant. Ces méthodes réduisent la robustesse de la commande. Elles sont paramétrées par une constante positive δ réglée pour avoir un bon compromis entre réduction du chattering et conservation de la robustesse. Dans les méthodes présentées ici, plus δ est petit, plus l’approximation tend vers la fonction ’sign’, et donc meilleure est la robustesse, au détriment de la réduction du chattering. Les 2 fonctions les plus utilisées sont : 1. La fonction saturation. Cela consiste à remplacer la fonction sign(σ) par la droite de pente 1 δ à l’intérieur d’une bande de largeur 2δ située de part et d’autre de la surface de glissement, la discontinuité étant conservée à l’extérieur de cette bande. Son expression est donnée par : sat(σ, δ) = ( sign(σ) si |σ| > δ σ si |σ| ≤ δ δ (4.17) 2. La fonction sign + saturation. On peut combiner fonction saturation précédente avec la fonction sign. sat(σ, δ) = ( (a + b)sign(σ) si |σ| > δ σ a +b si |σ| ≤ δ δ (4.18) Avec a > 0,b > 0 et a + b ne dépassant pas l’amplitude maximale de la commande. Elle est représentée avec δ = 1, a + b = 1 et b = 0 : 3 sur la figure ci contre. Cela permet de conserver toute la robustesse des modes glissants pour des perturbations d’amplitude inférieure à b tout en diminuant le chattering par rapport à une commande d’amplitude a + b. Si l’amplitude de la perturbation est supérieure à b, la robustesse alors est dégradée comme dans le cas précédent. Cette solution est appropriée si l’on s’attend à des perturbations généralement faibles, mais pouvant être ponctuellement très fortes. Il existe d’autres approximations moins utilisées, car plus coûteuses en temps de calcul. 88 Synthèse de la commande par modes glissants Chapitre 4 4.3 Application a la machine asynchrone 4.3.1 Modèle cinq paramètres Pour un cas plus général, considérons le système décrit par l’équation suivante : ẋ = f (x, u) y = h(x) où x ∈ IRn est le vecteur d’état, u ∈ IRm la commande, y ∈ IRr le vecteur de sortie. Supposons que notre système est commandable et observable. L’objectif de la commande par mode glissement est de, premièrement, synthétiser une variété (surface) S(x, t) ∈ IRm telle que toutes les trajectoires du système obéissent à un comportement désiré de poursuite, régulation et stabilité. Deuxièmement, déterminer une loi de commande (commutation), u(x, t), qui est capable d’attirer toutes les trajectoires d’état vers la surface de glissement et les maintenir sur cette surface. On étudiera l’applicabilité de cette méthode dans le cas du moteur asynchrone. Les avantages de cette approche sont : – Le processus de glissement est d’ordre réduit en comparaison au système original. – Le mode de glissement présente des propriétés de robustesse vis à vis de la variation de certains types de paramètres. Cependant, une question se pose : comment synthétiser des surfaces de glissement pour différentes classes de système ? On suppose que tous les états sont mesurés. Notre objectif est de construire une loi de T pour forcer les états du moteur, qui sont la vitesse et le flux commande U = ua ub T rotorique, à rejoindre la surface de glissement S = S1 S2 . Cette surface est calculée par application de la formule (4.5) donnée par [90] : calcul de S1 (Ω) : S1 (Ω) = ( d + k1 )(Ω − Ωref ) dt (4.19) dΩ − dtref + k1 (Ω − Ωref ) S1 (Ω) = dΩ dt = µ(ϕrα isβ − ϕrβ isα ) + fJv Ω − τJl − Ω̇ref + k1 (Ω − Ωref ) (4.20) Ce qui donne après calculs : S1 (Ω) = µ[ kµ1 (Ω − Ωref ) + (ϕrα isβ − ϕrβ isα ) − − Ω̇ref ] µ + fv JΩ τL µJm (4.21) Calcul de S2 (Ω) : S2 (ϕ) = ( d + k2 )(ϕ − ϕref ) dt 89 (4.22) Synthèse de la commande par modes glissants Chapitre 4 dϕ S2 (ϕ) = dϕ − dtref + k1 (ϕ − ϕref ) dt = 2ϕrα [ TMr isα − T1r ϕrα − P Ωϕrβ ] + 2ϕrβ [ TMr isβ + P Ωϕrα − T1r ϕrβ ] − ϕ̇ref + k(ϕ − ϕref ) (4.23) Nous aurons après les calculs : S2 (ϕ) = 2M (ϕrα isα + ϕrβ isβ ) − T2r (ϕ2rα + ϕ2rβ ) Tr − 2pΩϕrα ϕrβ + 2pΩϕrβ ϕrα − ϕref + k2 (ϕ − ϕref ) (4.24) les deux surfaces seront définit de la sorte : S1 = k1 (Ω − Ωref ) + (isβ ϕrα − isα ϕrβ ) − τL − Ω̇ref µ Dm µ µ S = Tr k (ϕ − ϕ ) + [L (i ϕ + i ϕ ) − ϕ] − ϕ̇ Tr 2 ref m sα rα sβ rβ ref 2 2 2 (4.25) pLm , k1 , k2 > 0, Ω̇ref et ϕ̇ref les dérivées par rapport au temps de Ωref et ϕref Dm L r (norme du flux désiré), respectivement. Ou µ = Proposition 1 Considérons la surface de glissement S = [ S1 S2 ]T définie dans (4.25) et la loi de commande par mode de glissement U = Ui + Ue , avec sign(S1 ) u01 0 −1 Ui = −D sign(S2 ) 0 u02 −1 Ue = −D F (4.26) et où F = A B , u01 > |A| u02 > |B| D= −αϕrβ αϕrα αLm ϕrα αLm ϕrβ (4.27) 1 . σLs Calcul de la matrice F et la matrice D 1 Soit la fonction de Lyapunov suivante V = S T S ; alors, sa dérivée par rapport au temps 2 Ṡ 1 est V̇ = S T Ṡ avec Ṡ = = F + DUi , où Ṡ2 Sign(S1 ) u01 0 Ui1 −1 Ui = = −D Sign(S2 ) 0 u02 Ui2 avec α = On peut reécrire Ṡ sous la forme suivante : u01 0 Sign(S) Ṡ = F − 0 u02 90 Synthèse de la commande par modes glissants Chapitre 4 La variété S est attractive si S T Ṡ < 0 c’est à dire u01 0 T Sign(S) < 0 F− S 0 u02 alors u01 > |A| u02 > |B| Calcul de Ṡ(Ω) : Dérivons d’abord l’équation (4.21) : 1 ˙ S (Ω) µ 1 = k1 [(Ω̇ µ ˙ ) + ϕ˙rα isβ + ϕrα isβ ˙ − Ωref − ϕ˙rβ isβ − ϕrβ isβ − fv ]Ω̇ + [ µJ ˙ Ωref ] µJ (4.28) Après les calculs nous aurons : 1 ˙ S µ 1 k1 = (k1 − Ω − T1r )f2 − µJ τ − P Ω(f1 + kϕ) Ω̇ref fv k1 ˙ + [k1 Ω + µf2 + ϕm τ ] Ωref − − + D’ou µ µ 1 (µ ϕ − sβ rβ τ Ls µJ J J (4.29) µsα ϕrβ ) f2 = ϕrα isβ − ϕrβ isα f1 = ϕrα isα − ϕrβ isβ La dérivé de l’équation (4.24) est la suivante : Tr Ṡ 2 2 = k22Tr (ϕ̇ − ϕ̇ref ) + M (ϕ̇rα isα + ϕrα i̇sα + ϕ̇rβ isβ + ϕrβ i̇sβ ) − ϕ̇ − (4.30) Tr ϕ̇ 2 ref Après les calculs on obtient : Ṡ2 = ( k22Tr − 1)ϕ̇ − k22Tr ϕ̇ref − T2r ϕ̇ref + M [ TMr mi − (γ + T1r )f1 + pΩf2 + M + JL (µsα ϕrα + µsβ ϕrβ ) s k ϕ] Tr (4.31) d’ou mi = i2sα + i2sβ Nous aurons alors : 1 k1 τL 1 A = k1 − − γ f2 − k1 − pΩ (f1 + Kϕ) − Ω̇ref − Ω̈ref Tr µ µ µDm Tr K Tr 1 M Tr k2 − 1 ϕ̇ + Lm mi − + γ f1 + ϕ + pΩf2 − k2 ϕ̇ref − ϕ̈ref B = 2 Tr Tr Tr 2 2 Alors, S est attractive et invariante. 91 Synthèse de la commande par modes glissants Chapitre 4 On peut choisir u01 = Ā, telle que 1 τL k1 1 Ā = k1 − − γ f2 − k1 − pΩ (f1 + Kϕ) − Ω̇ref − Ω̈ref + k1 max Tr µDm µ µ µDm où τLmax = max(Tl ). Alors, la condition d’existence du glissement ne nécessite que la connaissance de la valeur maximum du couple de charge que le moteur peut supporter. Cependant, S = 0 est invariante si Ṡ = 0, c’est à dire 0 = F + DUe , 0 ou bien Ue = −D−1 F Il faut noter que cette loi de commande est différente de celle proposée par [101], dans cette dernière l’auteur donne les concepts de base pour la synthèse d’une commande à structure variable pour les actionneurs électriques. Par ailleurs, la force du mode de glissement est sa robustesse vis à vis de la variation de paramètres. Il est facile de montrer que cette loi de commande est robuste par rapport aux erreurs de modélisation et à la variation de certains paramètres. Ceci est possible en prenant les gains du régulateur u01 et u02 suffisamment grands. Il est aussi très connu que la technique du mode de glissement pose le problème indésirable du broutement, mais on peut remédier à cela en remplaçant la fonction Sign par une fonction continue au voisinage de l’origine. 1 si Si > λi −1 si Si < −λi Sign(Si ) = Si si |Si | < λi λi (4.32) où λi > 0. Dans la conception de la commande, nous avons supposé que tous les états étaient mesurés ; étant donné que seuls les mesures du courant et de la vitesse sont disponibles, nous aurons besoin d’estimer le flux rotorique en vue d’une application en temps réel. 4.3.2 Résultats de simulation 4.3.2.1 Résultats de simulation de la commande en boucle ouverte Dans le but juger la commande en mode glissant, on propose la poursuite de la trajectoire présentée par la figure (figure4.5). Le bloc Simulink de la commande en boucle ouverte est donné en Annex B. Afin de tester la robustesse de cette lois de commande nous avons varier la résistance rotorique et statorique de la machine. 92 Synthèse de la commande par modes glissants Chapitre 4 200 100 Rad/s a 0 −100 −200 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 5 6 7 8 9 10 N.m 5 b 0 −5 −10 0 1 2 3 4 2 Wb 1.5 c 1 0.5 0 0 1 2 3 4 Temps(s) Figure 4.5 – Trajectoire de la commande : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. test 1 : variation de Rr les figures 4.6 et 4.7 montrent les résultats de simulation de la commande en boucle ouverte pour les variations de 50%, 150% et 180% sur la résistance rotorique. En terme de suivi de trajectoire la vitesse suit sa trajecoire et le rejet du couple est bon . En analysant la courbe de l’erreur de poursuite (figure (b)4.6), nous puvons constater que celle ci tend vers zero pour les trois variations sur Rr et elle est égale à 0.2rad/s au moment de l’application du couple. La conclussion est la même pour le flux de la machine (figure (a)4.7), l’application du couple et le changement de consigne engendre des erreurs de poursuite ne dépassant pas 0.015W b quand il ya une variation de 150% sur Rr. L’ereur de 0.02W b à la variation de 180% sur Rr (figure (b)4.7) Remarque 4.7 Nous notons que la vitesse réelle c’est la vitesse simulée et le flux réel c’est le flux simulé. 93 Synthèse de la commande par modes glissants Chapitre 4 0.05 200 0.04 50%Rs 150 0.03 50%Rr Erreur de vitesse(rad/s) Vitesse(rad/s) 100 50 0 a −50 0.02 0.01 0 −0.01 −0.02 −100 −0.03 −150 −200 −0.04 b 0 1 2 3 4 5 6 7 8 −0.05 9 0 1 2 3 4 Temp (s) 5 6 7 8 9 6 7 8 9 6 7 8 9 Temps(s) (a) (b) 0.05 200 réele Vitesse de référence 150%Rr 0.04 150 150%Rr 0.03 Erreur de vitesse(rad/s) Vitesse(rad/s) 100 50 0 −50 0.02 0.01 0 −0.01 −0.02 −100 −0.03 −150 −200 −0.04 0 1 2 3 4 5 6 7 8 −0.05 9 0 1 2 3 4 Temps(s) 5 Temps(s) (c) (d) 0.05 200 réele Vitesse de référence 0.04 150 180%Rr 0.03 100 Erreur de vitesse(rad/s) 180%Rr Vitesse(rad/s) 50 0 −50 0.02 0.01 0 −0.01 −0.02 −100 −0.03 −150 −200 −0.04 0 1 2 3 4 5 6 7 8 −0.05 9 Temps(s) 0 1 2 3 4 5 Temps(s) (e) (f) Figure 4.6 – Le comportement de la vitesse lors de la variation de Rr :(a, c, e)- Comportement de la vitesse,(b, d, f)- L’erreur de sur la vitesse . 94 Synthèse de la commande par modes glissants Chapitre 4 −3 x 10 1.05 Flux réel Flux de référence 50%Rr 5 1.04 50%Rr 4 Erreur du flux(Wb) Norme du flux(Wb) 1.03 1.02 1.01 1 0.99 0.98 3 2 1 0 −1 0.97 −2 1 2 3 4 5 6 7 3.5 8 4 4.5 5 5.5 6 6.5 7 7.5 Temps(s) Temps(s) (a) (b) −3 x 10 6 Flux réel flux de référence 150%Rr 1.004 150%Rr 4 1.003 Erreur du flux(Wb) 1.002 1.001 1 0.999 2 0 −2 0.998 0.997 −4 0.996 0 1 2 3 4 5 6 7 8 3 9 3.5 4 4.5 Temps(s) (c) 5.5 6 (d) 1.005 Flux réel Flux de référence 180%Rr 1.004 5 Temps(s) 0.02 180%Rr 0.015 1.003 0.01 Erreur du flux(Wb) 1.002 1.001 1 0.999 0.998 0.997 0.005 0 −0.005 −0.01 0.996 −0.015 0.995 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 Temps(s) Temps(s) (e) (f) Figure 4.7 – Le comportement de la norme du flux lors de la variation de Rr :(a, c, e)Zoom sur le comportement de la norme du flux,(b, d, f)- Zoom sur l’erreur du le flux . 95 Synthèse de la commande par modes glissants Chapitre 4 test 2 : variation de Rs Les figures 4.8 et 4.9 montrent respectivement qu’une variation de 50%, 150% et 180% sur la résistance statorique influe peu ou pas sur les performances du controleur aussi bien en haute vitesse qu’en basse vitesse. Il apparaît un écart statique au moment de l’application du couple de charge et l’erreur de poursuite est de 0.21rad/s quand il ya la variation de 180% sur Rs. La conclusion est la même pour le flux simulé(reél) que l’essais précédent (figure ((a)4.9), l’erreur d’estimation est de 7 × 10−3 rad/s à la variation de 50% sur la résistance statorique (figure (b)4.9). 200 0.3 Ref 50% Rs 150% Rs 180% Rs 150 Erreur de vitesse(rad/s) Vitesse(rad/s) 100 50% Rs 150% Rs 180% Rs 0.25 50 0 −50 −100 0.2 0.15 0.1 0.05 0 −0.05 −150 −0.1 −200 0 1 2 3 4 5 6 7 8 9 5 5.2 5.4 Temps(s) (a)La vitesse lors de la variation de Rs 5.6 Temps(s) 5.8 6 (b)Zoom sur l’erreur de vitesse Figure 4.8 – Le comportement de la vitesse lors de la variation de Rs. x 10 6 50% Rs 150% Rs 180% Rs 10 8 Erreur de flux(wb) Norme de flux(wb) 5 −3 12 Ref 100% Rs 150% Rs 180% Rs 4 3 2 6 4 2 0 −2 1 0 0 −4 −6 1 2 3 4 5 6 7 8 9 4 Temps(s) (a)La norme du flux lors de la variation de Rs 4.5 5 5.5 6 6.5 7 7.5 (b) Zoom sur l’erreur du flux Figure 4.9 – Le comportement de la norme du flux lors de la variation de Rs. 4.3.2.2 Résultats de simulation de la commande associée à l’observateur grand gain Les résultats de simulation de la commande par modes glissant associée à l’observateur à grand gain sont présentés ci-dessous. Ces résultats ont été obtenus suivant le schémas 96 Synthèse de la commande par modes glissants Chapitre 4 Simulink représenter dans l’Annexe 2. La motivation principale de cette simulation est d’analyser les performances de l’ensemble "commande+observateur" sur les trajectoires présentées par la figure 4.11. Plus précisément, les valeurs initiales de la vitesse mécanique du couple de charge sont à zéro. A t = 1s la vitesse de la machine est portée à 150rad/s est reste constants jusqu’a t = 3s. Puis le couple de charge est appliqué entre 1.5s et 2.5s. Cette première phase permet de tester les performances de la lois de commande en haute vitesse avec charge. On décélère ensuite rapidement la machine pour atteindre t = 5.5s une vitesse faible négative qui reste constante jus’a 9s. Nous appliquons un nouveau couple de charge entre 6s et 7s. Cette dernière phase permet de tester la machine à vitesse faible. 200 100 Rad/s a 0 −100 −200 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 5 6 7 8 9 10 N.m 5 b 0 −5 −10 0 1 2 3 4 2 Wb 1.5 c 1 0.5 0 0 1 2 3 4 Temps(s) Figure 4.10 – Trajectoire de l’ensemble " commande+observateur" : a- Vitesse de référence, b- Couple de charge, c- Flux de référence. Test 1 : Cas nominal La figure 4.11 donne les résultats de simulation dans le cas dit "nominal" c’est à dire en utilisant les paramètres nominaux de la machine. Nous pouvant remarquer la bonne performance de l’ensemble "commande + observateur " en boucle fermée en terme de suivi de trajectoire et rejet de perturbation. En terme de suivi de trajectoire la vitesse de la machine (réelle) converge presque parfaitement vers la vitesse de référence (figure 4.11) puisque l’erreur d’observation ne dépasse pas 0.24rad/s au moment de l’application de la charge (figure 4.12) même ou la machine subi un changement de consigne à t = 3.5s, 97 Synthèse de la commande par modes glissants Chapitre 4 t = 5.5s et à t = 9s. La conclusion est la même pour le flux observé et le flux de référence (figure 4.11) en terme de rejet de perturbation nous remarquons que le couple est bien rejeté en haute vitesse comme en basse vitesse. Néanmoins il existe un petit écart aux instants d’application du couple, l’erreur entre les deux flux (de référence et observé) est maximum de 2 × 10−3 W b (figure 4.13). Remarque 4.8 Nous considérons ici les paramètre nominaux sont ceux que nous avons identifiés avec l’estimateur neuronale. 200 100 Rad/s a 0 −100 −200 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 5 6 7 8 9 10 N.m 5 b 0 −5 −10 0 1 2 3 4 2 Wb 1.5 c 1 0.5 0 0 1 2 3 4 Temps(s) Figure 4.11 – Résultat de simulation dans le cas nominal : a- Vitesse commandée , bCouple de charge, c- Norme du flux observée . 98 Synthèse de la commande par modes glissants Chapitre 4 0.25 0.2 Erreur de vitesse (s) 0.15 0.1 0.05 0 −0.05 −0.1 −0.15 −0.2 −0.25 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.12 – L’erreur de vitesse dans le cas nominal. Erreur de la norme du flux(Wb) 1 0.5 0 −0.5 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.13 – L’erreur sur la norme du flux dans le cas nominal. 99 Synthèse de la commande par modes glissants Chapitre 4 Test2 : Variation de Rr Un test de robustesse est effectuer avec une variation de la résistance rotorique dans les paramètres de la commande suivant la trajectoire montrée dans la figure (a)4.14. Plus précisément de t = 0s à t = 1s la résistance rotorique est à sa valeur nominale, à t = 1s nous avons effectué une variation de +80% sur Rr et elle est maintenue jusqu’a t = 2s ou elle est réduite à -80% sur sa valeur nominale. puis le couple de charge est appliqué entre t = 1.5s et t = 2.5s, à t = 3s il ya une variation de +20% sur Rr qui est maintenue jusqu’a t = 4s. Cette première partie permet de tester la robustesse de l’ensemble "commande+observateur" en haute vitesse. Ensuite en décélère la vitesse de la machine rapidement tout en reprenant la valeur nominale de la résistance rotorique à t = 4s. A t = 5s Rr varie de +50% sur sa valeur nominale, à t = 6s Rr est réduite à -70% sur sa valeur nominal tout en appliquant le couple de charge dans l’intervalle 6s et 7s, entre t = 7s ett = 8sRr est de -70% sur sa valeur nominale et entre 8s et 9s la résistance rotorique est à sa valeur nominale. Cette dernière phase permet de tester l’ensemble "commande+observateur" en basse vitesse. En analysants la figure 4.14, nous pouvons constater que la vitesse simulée suit sa référence, mais il apparaît une légère oscillation quand on décélère la machine. l’erreur entre la vitesse simulée et sa référence portée à la variation de la résistance rotorique est de 0.252rad/s (figure 4.15). La variation de la résistance rotorique influe peu ou pas sur le flux observé (figure (d)4.16. Néanmoins Il existe un petit écart statique aux instants d’application du couple. L’erreur entre les deux flux (de référence et observé) ne dépasse pas 0.03W b (figure 4.17). Nous remarquons sur Les figures 4.18 qu’il ya des modulations d’emplitude des trois courants statoriques augmentées quand la résitance rotorique est augmentée de sa valeur nominale ( cela reflète l’état de la machine ainsi nous pouvant distinguer le défaut physique qui modifi le fonctionnement de la machine)(figure 4.19). 100 Synthèse de la commande par modes glissants Chapitre 4 Ohms 10 a 5 0 0 1 2 3 4 5 6 7 8 9 4 5 6 7 8 9 6 7 8 9 10 N.m b 0 −10 0 1 2 3 Rad/s 200 c 0 −200 0 1 2 3 4 5 Temps(s) Figure 4.14 – Comportement de la vitesse lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- Couple de charge, c- Vitesse commandée. 1 Erreur de vitesse (rad/s) 0.8 0.6 0.4 0.2 0 −0.2 −0.4 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.15 – Erreur de la vitesse lors de la variation de Rr. 101 Synthèse de la commande par modes glissants Chapitre 4 8 a Ohms 6 4 2 0 0 1 2 3 4 5 6 7 8 9 4 5 6 7 8 9 10 b N.M 5 0 −5 −10 0 1 2 3 1.5 d Wb 1 flux−ref Flux−observé 0.5 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.16 – La Norme de flux observée lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- Couple de charge, c- Norme du flux observée. 1.2 1 Erreur de flux(Wb) 0.8 0.6 0.4 0.2 0 −0.2 −0.4 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.17 – Erreur de la norme du flux lors de la variation de Rr. 102 Synthèse de la commande par modes glissants Chapitre 4 Ohms 10 5 0 isa(A) a 0 1 2 3 4 5 6 7 8 9 2 2.5 3 3.5 4 4.5 b 4 2 0 −2 −4 isb(A) isc(A) 0 4 2 0 −2 −4 4 2 0 −2 −4 −6 −8 0.5 1 1.5 c 2.5 3 3.5 4 4.5 5 5.5 6 6.5 d 0.5 1 1.5 2 2.5 3 Temps(s) Figure 4.18 – Zoom sur le comportement des courants statoriques lors de la variation de Rr : a- Trajectoire de la variation de Rr, b- courant statorique suivant l’axe a, c- courant statorique suivant l’axe b, d- courant statorique suivant l’axe d 103 Synthèse de la commande par modes glissants Chapitre 4 8 Rr(Ohms) a 6 4 2 Norme du courant(A) 0 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 10 8 b 6 4 2 0 1 2 3 4 Temps(s) Figure 4.19 – La norme du courant statorique lors de la variation de Rr :a- Trajectoire de la variation de Rr, b- Norme du courant statorique simulé. Test : variation de Rs : Pour ce qui est de la variation de la résistance statorique nous avons adopté la même trajectoire que celle utilisée lors de la variation de la résistance rotorique (figure (a)??. La figure (e)4.20 montre que la variation sur la résistance statorique influe peu ou pas sur la performance de l’ensemble "commande+observateur". En terme de suivi de trajectoire la vitesse simulée converge correctement vers la vitesse de référence, l’erreur entre les deux vitesses portées à la variation de la résistance statorique est de 0.277rad/s au moment de l’application de charge (figure 4.21). Il existe un écart statique entre le flux observé et celui de référence à l’application du couple de charge ou l’erreur ne dépasse pas 0.19W b (figure 4.23). 104 Synthèse de la commande par modes glissants Chapitre 4 Ohms 20 a 10 0 0 1 2 3 4 5 6 7 8 9 4 5 6 7 8 9 10 N.m b 0 −10 0 1 2 3 200 Rad/s e Vitesse de référence Vitesse réele 0 −200 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.20 – Comportement de la vitesse lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- Couple de charge, c- Vitesse commandée 1 Erreur de vitesse(rad/s) 0.8 0.6 0.4 0.2 0 −0.2 −0.4 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.21 – Erreur de la vitesse lors de la variation de Rs 105 Synthèse de la commande par modes glissants Chapitre 4 Ohms 20 a 15 10 5 0 0 1 2 3 4 5 6 7 8 9 4 5 6 7 8 9 10 b N.m 5 0 −5 −10 0 1 2 3 Wb 1.5 d 1 Flux−ref Flux−observé 0.5 0 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.22 – La Norme de flux observée lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- Couple de charge, c- Norme du flux observée 1.2 1 Erreur de flux(Wb) 0.8 0.6 0.4 0.2 0 −0.2 −0.4 0 1 2 3 4 5 6 7 8 9 Temps(s) Figure 4.23 – Erreur de la norme du flux lors de la variation de Rs 106 Synthèse de la commande par modes glissants Chapitre 4 Ohms 10 5 0 isa(A) a 0 1 2 3 4 5 6 7 8 9 2 2.5 3 3.5 4 4.5 b 4 2 0 −2 −4 isb(A) isc(A) 0 4 2 0 −2 −4 4 2 0 −2 −4 −6 −8 0.5 1 1.5 c 2.5 3 3.5 4 4.5 5 5.5 6 6.5 d 0.5 1 1.5 2 2.5 3 Temps(s) Figure 4.24 – Zoom sur le comportement des courants statoriques lors de la variation de Rs : a- Trajectoire de la variation de Rs, b- courant statorique suivant l’axe a, c- courant statorique suivant l’axe b, d- courant statorique suivant l’axe d 8 Rr(Ohms) a 6 4 2 Norme du courant(A) 0 0 1 2 3 4 5 6 7 8 9 5 6 7 8 9 10 8 b 6 4 2 0 1 2 3 4 Temps(s) Figure 4.25 – La norme du courant statorique lors de la variation de Rs. 107 Synthèse de la commande par modes glissants Chapitre 4 4.4 Comparaison entre la commande en mode glissant et la commande vectorielle. La commande en mode glissant : – c’est une commande non linéaire, – elle est très simple à mettre en oeuvre, – très bonne dynamique de la vitesse est du couple, – le temps de calcule très réduit, – robuste à la variation des paramètres dans le rotor et le stator. La commande vectorielle : – commande linéaire entrée /sortie – imposeϕrd constant et ϕrq nul – bonne dynamique de la vitesse est du couple, – plus de temps de calcul,(transformations des repères et découplage), – Sensible aux variations paramétriques du rotor ( nous n’avons pas pu accéder à une variation plus de 110% sur la résistance rotorique. 4.5 Conclusion Dans ce chapitre nous nous sommes intéressés à la commande en modes glissants. notre première démarche à été d’en donner les fondement théoriques sans essayer d’en couvrir tout le domaine. Nous nous somme donc attaché à exposé leurs notions essentielles telle que l’attractivité des surfaces, la commande équivalente, la dynamique en régime de glissement ou encore le chattering . Après avoir présenté l’état d’art de la théorie de la commande en mode glissant modes glissants, nous avons d’abord défini la lois de commande appliquée à la machine asynchrone afin assurer l’asservissement de la vitesse et du flux. Ensuite nous avons proposé d’associer à la lois de commande l’observateur de flux (a grand gain ) pour réaliser une commande non linéaire à structure variable. Des simulations sur deux trajectoires proposées, le premier celui de la vitesse et le deuxième celui de la variation des résistances : rotorique et statorique. les résultats de simulation obtenus avec des tests significatifs vis à vis des variations paramétriques de la machine on montré la qualité de la lois de commande associé à l’observateur tant en basse vitesse qu’en haute vitesse. 108 Conclusion générale La machine asynchrone est un actionneur électrique d’un grand intérêt industriel à cause de sa robustesse et de ses coûts d’investissements et de maintenance réduits. Cependant, cette machine fonctionne sous diverses contraintes de différentes natures qui risquent de provoquer certaines défaillances qui peuvent aller jusqu’à l’endommagement total du moteur paralysant ainsi le processus industriel ce qui se répercute sur sur la production. Pour toutes ces raisons il nous a semblé judicieux dans un premier temps de définir les techniques d’identification paramétrique de la machine asynchrone, utilisables pour le diagnostic Après avoir présenté quelques rappels sur la constitution de la machine asynchrone ainsi que sur sa commande vectorielle directe. Nous nous somme attardé volontairement sur le modèle triphasé et le modèle de Park dédié à l’identification et la commande de la machine asynchrone. Il nous a semblé judicieux de définir des étapes intermédiaires pour la mise au point d’une méthodologie générale d’identification en boucle fermée de la machine asynchrone utilisable pour le diagnostic. Notre choix à été porté sur les réseaux de neurones qui ont connu ces dernières années une large utilisation en commande et surveillance de systèmes industriels. Le suivi de la résistance rotorique, statorique et du courant statorique à été effectué en simulation sous le logiciel Matlab Simulink par l’estimateur neuronal il peut ainsi constituer une alarme indicatrice de dysfonctionnement, mais ne permet pas d’établir un diagnostic de l’état de la machine. Toutefois Les résultats obtenus par cette technique d’identification paramétrique de la machine asynchrone ont satisfaits les considérations théoriques imposées et les estimations pratiques souhaitées. L’estimation de la résistance rotorique et statorique effectuée avec l’estimateur neuronale peut constituer une alarme indicatrice de dysfonctionnement de la machine. Ce travail à été porté aussi sur l’observation et la commande de la machine asynchrone, nous avons commencé par balayer les différentes définitions de l’observabilité des systèmes linéaires et non linéaires, ensuite, nous avons abordé dans le détail les problèmes d’observabilité auxquels la machine asynchrone est confrontée. Nous avons vu que dans le cas ou l’information sur la vitesse mécanique est disponible, la machine asynchrone est localement observable. Dans le cas où la mesure de la vitesse n’est pas disponible (commande sans capteur mécanique) l’étude de l’observabilité a montré que la machine Conclusion générale asynchrone est inobservable à très basse vitesse en particulier lorsque la pulsation statorique est nulle et la vitesse est constante. La conception d’une technique d’observation du flux de la machine asynchrone à été notre suivante problématique abordée. Notre objectif été ici de proposer une synthèse d’observateur à grand gain. Les résultats que nous avons obtenus ont montré que l’observateur à grand gain est robustesse vis-à-vis des variations paramétriques (résistance rotorique et résistance statorique) et ont montré les performances de l’observateur en boucle ouverte en haute vitesse et en basse vitesse. Dans la suite, nous avons proposé une loi de commande basée sur les modes glissants d’ordre un. L’association de cette commande avec l’observateur à grand gain nous a permis d’obtenir les performances souhaitées vis-à-vis des variations paramétriques de la machine comparativement à la commande vectorielle directe du type PI. Nous avons testé et simulé ces lois de commande associées à l’observateur et l’estimateur neuronale sur la trajectoire défini au chapitre 4. Les résultats obtenus avec des tests de robustesse significatifs vis avis de variations paramétriques de la machine ont montré la qualité de la loi de commande tant en basse vitesse qu’en haute vitesse. les suites envisageable à donner à ces travaux que soit du point de vue synthèse des observateurs ou des lois de commande non linéaire sont : – l’implantation des lois de commande et observateur dans un variateur industriel – modification des observateurs de la commande pour inclure le diagnostic en ligne. Cette technique permettra donc de prendre en compte les défauts possibles de la machine lors de sa commande, – La preuve de stabilité globale de la loi de commande proposée à l’observateur grand gain pour la machine asynchrone reste encore une question ouverte. 110 Bibliographie 111 Bibliographie [1] D. Adnan. Speed-Sensorless Control of Induction Motors Using a Continuous Control Approach of Sliding-Mode and flux Observer, IEEE Transactions on Industry Electronics, Vol.52, No.4, pp : 1170-1176, August 2005. [2] B. Aloliwi, H .K Khalil, and EG. Strangas. Robust speed control of induction motor : Application to a benchmark exemple. International Journal of control and signal processing, 14 :157-170, March 2000. [3] R.Alvarez.Slas, J. M. Dion, L. Dugard, and D. Roye. Commande non linéaire avec observateur de machine asynchrone. JSEA.2002. [4] R.Alvarez.Slas. Dévelloppement de lois de commandes avec Observateurs pour Machine Asynchrone. Thèse de doctorat. Ecole doctorale de Grenoble. France 2002. [5] K.J. Aström et B. Witnemark. Adaptative control, Addisony Wisley, 1989. [6] S. Bachir, S. Tnani, J. C. Trigeassou, and G. Champenois. Diagnosis by parameter estimation of stator and rotor faults occuring in induction machines. European power electronics , pp : 243-246, 2001. [7] S. Bachir. Contribution au diagnostic de la machine asynchrone par estimation paramétrique. Thèse de doctorat. Université de Poitier, France. Décembre 2002. [8] L. Bagli, D. Hein, H. Razik, and, A. Rezzoug. Modélling rotor cage induction motors for default detection. IN IEEE International SDEMPED, France 1997. [9] L. Bagli. Contribution à la commande de la machine asynchrone et des algorithmes génétiques.thèse de doctorat,université de poitier, France 1999. [10] L. Bagli. Modélisation et commande de la machine asynchrone. Note de cours, IUFM de Loraine. France. 2002 [11] I. B. Bazine, J. C. Trigeassou, T. Poinot, and K. Jellassi. Identification non biaisée en boucle fermée par erreur de sortie.4me conférence Internationnale JTEA, Hammamet, Tunisie 2006. 112 Bibliographie [12] I.Bazine. Identification en boucle férmée de la machine asynchrone : Application à la détection de défauts. thèse de doctorat, Université de Poitiers, école doctorale des science pour l’ingénieur. France 2006. [13] R. Beguenane, M. E. H. Benbouzid. Détection de défauts dans les machines asynchrones en utilisant la signature spectrale du courant statorique. Journée vibrations et bruit acoustique des machines électriques. LESIR, ENS-Cachan, Avril 1997. [14] N. Bennouza. Approche des vecteurs de Park appliquée à la détection des défauts dans les moteurs asynchrones à cage d’écureuil. Thèse de doctorat. Université des Science et de la Technologie d’Oran, Algerie. décembre 2006. [15] A. benchaib, A. Rachid, E. Audrezet, and. Tadine. Real-time sliding-mode observer and control of induction motor. IEEE Transactio on Industrial Electronics, 46(1) pp : 128-138, February 1999. [16] A. Bellini, T. Blanc, and G. Ulivi. Analysis and design of a microcomputer- based observer for induction machine. Automatica, 24(4) pp : 549-555, 1988. [17] F. Blaschke. The principle of field orientation applied to the new transvector closed-loop control system for rotating field machine, Siemens-Rev. 93, pp, 217220, 1972. [18] Bodson, M., J. Chiasson and R. Novotnak High performance induction motor control via input-output linearization, IEEE Control Systems Magazins, vol (14), N˚4, pp : 25-33,1994. [19] A-H. Boudinar. Etude de développement d’un turbo identificateur à haute résolution, application au diagnostic des machine asynchrone à cage d’écureuil. Thèse de doctorat. Unversité des Science et de la Tecnologie d’Oran, Algérie. 2007. [20] T. Boumegoura, H.Yahoui, G. Clerc, G. Grellet. Observation des paramètres du moteur asynchrone à cage d’écureuil avec un observateur non linéaire.Colloque,EE99, pp : 375-379. Lille ,France. Mars 1999. [21] T. Boumegoura. Recherche de signatures électromagnétique des défauts dans une machine asynchrone et synthèse d’observateurs en vue du diagnostic. thèse de doctorat. Ecole centrale de Lyon, France 2001. [22] G. Bornard and H. Hammouri. A high gain observer for a class of uniformly observable systems. In Proc. 30th IEEE Conference on Decision and Control, volume 122, Brighton, England, 1991. [23] G. Bornard, F. Celle, G. Dauphin-Tanguy, G. Gilles, J. Lottin, L. Pronzato, S. Scavarda, D. Thomasset, and E. Walter. Systèmes non linéaires. 1. modélisation 113 Bibliographie - estimation, chapter Observabilité et observateurs, pages 177-221. Automatique. Masson, 1993. [24] G. Bornard and H. Hammouri. A graph approach to uniform observability of nonlinear multi output systems. In Proc. of the 41st IEEE Conference on Decision and Control, Las Vegas, Nevada, USA, December 2002. [25] K. Busawon, M. Farza, and H. Hammouri. Observer design for a spacial class of nonlinear systems. International Journal of control, 71(3) : 405-418, 1998. [26] C. Canudas (Coordonnateur). Commande des moteurs asynchrones, volume 1 et 2. Hermes, 2000. [27] J. Chatelain. Machine électriques. Dunod, USA, 1983. [28] G. Conte, C.H Moog and A.M. Perdon. Nonlinear Control System-An Algebraic Setting, Springer-Verlag, London, 1999. [29] G. Didier, H. Razik, A. Rezzoug. On the experiment detection of incipient rotor fault of an induction motor. Electric Machine and drive Conference, IEMDC 03, vol 2, 1-4, pp : 913-913. june 2003. [30] G. Didier. Modélisation et diagnostic de la machine asynchrone en présence de défaillances. Thèse de doctorat. Université Henrie Poincare, Nancy-I, France. Octobre 2004. [31] M. Djemai, J. Hernadez, And, J. P. Barbot. Non linear control with flux observer of a singularly perturbed induction motor. 32nd IEEE coference on decision and control. San Antonio, Texas USA, Pages 3391-3396, december 1993. [32] B. Dubuisson and all. Diagnostic, intelligence artificielle et reconnaissance des formes, Hermès science publication, Paris, 2001. [33] A. Eykhoff. System Identification, Parameter and State Estimation, WileyInterscience. 1974. [34] C. EL Moucary. Contribution à l’étude de commandes directes du couple et du flux de la machine à induction. Thèse de doctorat. Universté Paris XI, September 2000. [35] M. Farza, M. M’Saad, and L. Rossignol. Observer design based on triangular form generated by injective map. Automatica, 40 : 135-143, 2004. [36] P. M. Frank. Principales of Model-based fault detection. Proc. IF AC/IF IP/IM ACS. International symposium of Articial Inntelligence in real-time control, Delft, NL, 1992. [37] O. Follinger. Regelungstechnik-Einführung in die methoden und ihre anwendungen, Dr. Alfred Huhig Verlag, Heidelberg, 1985. 114 Bibliographie [38] W.Gao et J.C. Hung. variable structure control system. IEEE Trans. Indust.Applica. vol 40N˚1 pp 45-55, 1993. [39] J.P. Gauthier and G. Bornard. Observability for any u(t) of a class of non linear systems. IEEE Trans. on Aut. Control, 26 pp : 922-926, 1981. [40] J.P. Gauthier, H. Hammouri, and S. Othman. A simple observer for nonlinear systems - application to bioreactors. IEEE Trans. on Aut. Control, 37 pp : 875880, 1992. [41] G. Garcia-Soto, E. Mendes, and A. Razek. Adaptative variable structure rotor flux observer for induction motor. Power Electronics and variable speed drives conference (PEVD). London, U. K., pages 318-323, september 1998. [42] G. Garcia-Soto, E. Mendes, and A. Razek. Reduce-order observers for rotoe flux, rotor resistance and speed estimation for vector controlled induction motor using extented Kalman filter technique. IEEE Pro. Power appl., 146()3 : 282-288, May 1999. [43] M. Ghanes. Observation et Commande de la Machine Asynchrone sans Capteur Mécanique, thèse de doctorat, IRCCyN, Ecole Centrale de Nantes, Novembre 2005. [44] M. Ghanes, J. De Leon and A. Glumineau. Observability Study and ObserverBased Interconnected From for sensorless Induction Motor, CDC, San Diego, pp.1240-1244, December 13-15, 2006. [45] G. Giuseppe and U. Hidetoshi. Novel Stator Resistance Estimation Method for Speed-Sensorless Induction Motor Drives IEEE Transactions on Industry Applications, Vol.36, No.6, pp.1619-1627, November-December 2000. [46] A. Glumineau, L. C. De souza, and R. Boisliveau. Sliding modes control of the induction motor : A benchmark experimental test. Internationnal scool in automatic control of lille. Lille, France, pages 349-371, September 1999. [47] Y. Hammou. Application des réseaux de Neurones à la modélisation des phénomènes physiques. mémoire de magistère. Ecole Nationale d’enseignement Technique d’Oran, Algerie. 1998. [48] H Hammouri and M. Farza. Nonlinear observers for locally uniformly observable systems. ESAIM J. on Control, Optimisation and Calculus of Variations, 9 pp : 353-370, 2003. [49] Hautier,J-P and Caron,J-P. modélisation et commande de la machine asynchrone. Edition Technip 1995. 115 Bibliographie [50] M.F. Harkat. Détection et localisation de défauts par analyse en composantes principales, Thèse doctorale, Institut National Polytechnique de Loraine, 22 juillet 2003. [51] H. Henao, M. Garcia-Melero. Méthodes de détection de défauts dans les machines à induction par utilisation de la mesure du flux axial. Collogue EF99, mars 1999 pp : 106-111,Lille, France 99. [52] Hermann and A.J. Krener. Nonlinear controllability and observability. IEEE Trans. on Automatic Control, pp 22 : 728-740, 1977. [53] J. Holtz. Sensorless control induction motor drives Proceedings of the IEEE 90(8) pp.1359-1394, Aug 2002. [54] A. Idir, A. Belmehdi, and D. Chikouche. Recherche de signature de Défaut de la Machine à Induction en Vue de diagnostic. International Conference on Computer Integrated Manufacturing CIP’2007, 03-04 November 2007. [55] R. Iserman. Process fault detection based on modelling and estimetion methodes. Automatica, 30, pp : 387-404,1984. [56] R. E. Kalman et J. E. Betram. Control system analysis and design via the "second method" of Lyapunov-I : Continuous-time system, ASME journal of Basic Engineering, Vol. 82, pp : 71-393, 1960. [57] Kalman R.E, et Bucy R., New results in linear filtering and prediction theory. Trans. ASME, J. Basic Engineerig, vol 83, pp : 95-108, 1961. [58] I. Kebbati, M. Zerikat, Y. Hammou. Observateur Neuronal appliqué au Moteur Asynchrone. Jounées Nationales sur l’électrotechnique et l’automatic, JNEA 2006, l’Ecole Nationale d’enseignement Technique d’Oran, Algerie.décembre 2006. [59] I. Kebbati. Identifcation et Commande Adaptative du Moteur Asynchrone par Réseaux de neurone. Memoire de magistère. Ecole Nationale d’enseignement Technique d’Oran, Algerie. 2007. [60] A. Kerboua. Commandes et observateurs par mode glissemennt : Application à une machine asynchrone alimenté en tension. Thèse de Magister, ENP 1999. [61] Khallil W. Contribution à la Commande Automatique des Manipulateurs avec l’aide d’un modèle Mathématique des Mécanismes. Thèse de doctorat. Montpellier, France 1978. [62] H.K. Khallil. Nonlinear system, Mac Millan publishing company, ISBN0-02363541-X, 1992. [63] C. Kral, F. Pirker. Rotor eccentricity detection of induction machines by torque estimation. Proc. IEEE SDEMPED99. Symposium on Diagnostics for Electric 116 Bibliographie Machines, Power Electronics and Drives. pp : 283-287, September 1-3, Gijon, Spain. [64] H. Kubota. Speed sensorless filed-oriented control of induction motor with rotor resistance adaptation, IEEE Transactions on Industry Applications, Vol.30, No.5, pp : 1219-1224, Sep-Oct. 1994. [65] T. M. Layadi, L. Abed, N. Khenfer. Structure Neuronale Hybride pour le diagnostic des défauts statoriques de la Machine Asynchrone. International Conference on Computer Integrated Manufacturing CIP’2007, 03-04 November 2007. [66] W. Leonhard. Control of electical drives. Springer Verlag, 2nd edition, 1996. [67] J. Lesenne, F. Notelet and G. Séguier. Introduction à l’électrotechnique approfondie Technique et Documentation, Paris, 1981. [68] F. Liu, M. Farza, M. M’saad. Observateur à grand gain pour des systèmes non linéaires avec couplage non complètement triangulaire. Prépublication N 0 40, Fascicule N 0 2, p :275-278,Schedae,2007. [69] N. Madani, M. F. Benkhoris, S. Siala, and M. O. Mahmoudi. Sliding mode control of asyunchronous motor drive. Power electronics and variable speed drives conference (PEVD). London, U. K., 1 : 341-346, September 1998 [70] O Mahmoudi, N. Madani, M. Benkhoris et F. Boudjema. Cascade sliding mode control of a field oriented induction machine drive. The European physical journal, April 1999. [71] A. Mansouri, M. Chnafa, A. Bouhanna. A power ful non linear observer associated with field oriented control of an induction motor. 2004. [72] D. Maquin. Diagnostic des systèmes linéaires, Hermès, Paris, 2001. [73] R. Marino, S. Peresada, and P. Valigi. Adaptative imput-output feedback linearizing control of induction motors. IEEE Transations on Automatic control, 38(2) : 208-221, February 1993. [74] P. Martin and P. Rouchan. Two ramark on induction motors. IMACS Multiconference. Lille, France, pages 76-79, 1996. [75] S. Moreau, J. C. Trigeassou, G. Champenois. Diagnosis of electrical machines : A procedure for electrical fault detection and localization. Proc. IEEE SDEMPED1999-Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, pp : 225-229, September 1-3, Gijon, Spain. 1999. [76] M. Montanari, S. Peresada and A. Tilli. Sensorless Indirect Field Oriented Control of induction Motor Via Adaptative speed Observer, IEEE, Proceedings of American Control conference Denver, colorado June 4-6,2003. 117 Bibliographie [77] A. Mrabet. Commande non linéaire à modèle prédictif pour une machine asynchrone. Thèse de doctorat. Université du Québéc à Chicoutimi. Québéc. 2007. [78] M. S. Nait Said, M. E. H. Benbouzid et A. Benchaib. Detection of broken bars in induction motors using an extended kalman filter for rotor resistance sensorless estimation. IEEE Transactions on Energy Conversion, vol 15, pp : 66-70. Mars 2000. [79] S. Nandi, H. A. Toliyat Condition monitoring and fault diagnosis of electrical machines - a review. IEEE Industry Applications Conference. Thirty-Fourth IAS Annual Meeting, Vol. pp : 197-204, Phoenix, USA, 1999. [80] O. Ondel, E. Boutleux, G. Clerc. Adaptive Diagnosis by Pattern Recognition : Application on an Induction Machine. SDEMPED2005-Symposium on Diagnostics for Electric Machines, Power Electronics and Drives, pp : 367 − 373, Vienna, Austria, 7 − 9 September 2005. [81] O. Ondel. Diagnostic et reconnaissance de formes : Application à un ensemble convertisseur - Machine Asynchrone. Thèse de doctorat. Ecole centrale de Lyon, France. 2006. [82] M. Oueder. Synthèse d’observateurs pour les systèmes non linéaires. Thèse de doctorat.Université de CAEN/BASSE. Normandie. Juillet 2012. [83] J. O’Reilly. Observer for linear system, Richard Bellman, Mathematics in Science and Engineering, Vol. 140, Academic Press, New York, 1983. [84] L. Personnaz et I. Rivals. Réseaux de neurones formels pour la modélisation la commande et la classification, CNRS éditions, 2003. [85] S.S. Sastri et M. Bodson. Adaptive Control, stability, convergence and robustness, Prentice, Hall Englewood Cliffs, Nj, 1989. [86] E. Schaeffer. Diagnostic des machines asynchrones : modèles et outils paramétriques dédiés à la simulation et à la détection de défauts. Thèse de doctorat. Ecole Centrale de Nantes. 1999. [87] E. Schaeffer. Diagnostic des machines asynchrones : modèles et outils paramétriques dédiés à la simulation et à la détection de défauts.Thèse de doctorat. Ecole Centrale de Nantes 1999. [88] E. Schaeffer, E. Le Carpentier, E. H. Zaïm, L. Loron. Diagnostic des entraînements électriques : détection de courts-circuits statoriques dans la machines asynchrone par identification paramétrique 17me colloque GRETSI sur le traitement du signal et des images. Vol 4, pp : 1037-1040 Vannes, France, 13-17 Septembre 1999. 118 Bibliographie [89] Slotine J.J.E. and Sastry S.S Tracking Control of Non linear Systems using Sliding Surfaces with Application to Robot Manipulators, Int. J. of Control, vol (38) N˚2, pp : 465-492,1983. [90] Slotine J.J.E. Sliding Controller design for non linear system, Int. J. of Control, vol (4) N˚2, pp : 421-434, 1984. [91] Slotine J.J.E. The Robust Control of Robot Manipulators, Int. J. of Robotics Research, vol (4) N˚2, pp : 49-64, 1985. [92] Slotine J.J.E., Li W. On Adaptive Control of Robot Manipulators, Int. J. of Robotics Research, vol (6) N˚3, pp :49-59, 1987. [93] Slotine J.J.E., Li W. Composite Adaptive Control of Robot Manipulators, Automatica, vol (25) N˚4, 1989. [94] Slotine J.J.E., Li W. Applied non linear control, Prentice, Hall N.J., 1991. [95] F. Thollon, G. Grellet, A. Jammal. Asynchronous motor cage fault detection through electromagnetic torque measuremen. Proc ETEP Vol, 3N 03 . September/October 1993. [96] W. T. Thomson, M. Fenger. Current signature analysis to detect induction motor faults. IEEE Industry Applications Magazine, Juillet-Août 2001. [97] D. Traore. Commande non linéaire sans capteur de la machine asynchrone. thèse de doctorat, Ecole centrale de Nantes, France, Avril 2011. [98] Utkin, V. I. Variable structure systems with sliding mode, IEEE Transaction on Automatic Control, vol(26), N˚2, pp : 212-222, 1977. [99] Utkin, V. I. Sliding mode and their application in variable structure systems, Mir, 1978. [100] Utkin, V. I. Sliding modes in optimization and control, Springer Verlag, 1992. [101] Utkin, V. I. Sliding mode control design principles,IEEE, Transactions on Industrial Electronics, vol(40), pp : 23-36, 1999. [102] G ; Verghess and S. Sanders. Observer for flux estimation in induction machines. IEEE Transactions on industrial Electronics, 35(1)pp : 85-94, February 1988. [103] D. Williamson. Observation of bilinear systems with application to bilogical control. Automatica, 13 pp : 243-254, 1977. [104] H. Yahoui. Contribution à la surveillance et au diagnostic des machines électriques. Application aux machines triphasées asynchrones à cage. Thèse de doctorat. Université Claude Bernard, Lyon 1995. 119 Bibliographie [105] H. Yahoui, J. Seetohul, G. Grellet. Detection of broken bar or ring in asynchronous machines by the spectrum analysis of the observed electromagnetic torque. Electricmacs 96, Saint Nazaire, France. septembre 1996. [106] L. A. Zadeh. Fuzzy sets, Information and Control 8, PP : 338-353. 1965 [107] G. Zwingelstein. Diagnostic des défaillances - Théorie et pratique pour les systèmes industriels, Hermès, Paris, 1995. 120 Bibliographie 121 Annexe A Rappel de la stabilité de Lyapunov A.1 Théorie de Lyapunov A.1.1 Introduction Dans cette partie nous allons voir quelques définitions et théorèmes nécessaires pour l’étude de la stabilité des systèmes dynamiques. Nous donnons des résultats de la seconde méthode où méthode directe développée par Lyapunov. Cette méthode est parmi les techniques les plus utilisées pour étudier la stabilité des systèmes non linéaires. Elle est utilisée pour la méthode du petit gain, la passivité des systèmes dynamiques, la positivité où l’hyperstabilité. L’idée de la méthode directe de Lyapunov est basée sur l’énergie totale du système à étudier. Ainsi l’idée suivante est retenue : Si l’énergie totale d’un système physique est continûment dissipée, alors le système, qu’il soit linéaire où non, doit éventuellement atteindre un point d’équilibre. Donc les propriétés de la stabilité d’un système physique peuvent être étudiées à partir des variations de son énergie totale. Dans ce qui suit nous allons utiliser la notation et la terminologie unifiées suivante : – IR+ désigne l’ensemble des nombres réels non négatifs. – IRn désigne l’espace des vecteurs de dimensions n sur IR dotés de la norme Euclidéenne : kxk = n X j=1 |xj |2 ! 21 – Le domaine sphérique de rayon R et de centre O est noté par : ∆ BR = {x ∈ tel quekxk < R} – La sphère de rayon R et de centre O est notée par : ∆ SR = {x ∈ IRn tel quekxk = R} (A.1) Annexe On considère un système dynamique non linéaire représenté par : ẋ = f (x, t) (A.2) où f est un vecteur de fonctions non linéaires et x ∈ IRn est le vecteur d’état. A.1.2 Systèmes autonomes Le système non linéaire donné par la relation (A.2) est dit autonome (où à temps invariant) si f ne dépend pas explicitement du temps, c’est à dire : ẋ = f (x) (A.3) autrement le système est appelé non-autonome (où à temps variant). Dans cette partie, nous allons examiner brièvement les résultats de la théorie de Lyapunov pour les systèmes autonomes. A.1.2.1 Définitions Définition A.13 Équilibre : Un état x∗ est un point d’équilibre du système autonome (A.3) si f (x∗ ) = 0. Définition A.14 Stabilité :Le point d’équilibre x = 0 est stable au sens de Lyapunov, si pour tout R > 0, il existe r(R) > 0 tel que si kx(0)k < r(R) alors kx(t)| < R ∀t > 0, autrement le point d’équilibre est instable. On peut aussi reformuler cette définition comme suit : ∀R > 0 ∃r(R) > 0 tel que x(0) ∈ Br =⇒ x(t) ∈ BR ∀t ∈ IR Définition A.15 Stabilité asymptotique :Le point d’équilibre x = 0 est asymptotiquement stable au sens de Lyapunov si : 1. Il est stable au sens de Lyapunov. 2. Il existe r > 0 tel que x(0) ∈ Br implique x(t) → 0 quand t → ∞. Le domaine Br est dit domaine d’attraction de l’état d’équilibre. Il faut remarquer que la deuxième condition précédente n’implique pas la stabilité du point d’équilibre. 123 Annexe Définition A.16 Stabilité marginale :Un point d’équilibre qui est stable au sens de Lyapunov mais qui n’est pas asymptotiquement stable est dit marginalement stable. Définition A.17 Stabilité exponentielle : Un point d’équilibre est dit exponentiellement stable s’il existe deux nombres strictement positifs α et λ indépendants du temps et les conditions initiales tel que : kx(t)k ≤ αkx(0)ke−λt , ∀t ∈ IR (A.4) pour x(0) ∈ Br . Le scalaire λ représente le taux de convergence de la solution x(t). Remarque A.9 La stabilité exponentielle implique la stabilité asymptotique, l’inverse n’est pas vraie ; mais pour les systèmes invariants donnés sous la forme ẋ = Ax, alors la stabilité asymptotique implique la stabilité exponentielle. Définition A.18 Stabilité globale : Le point d’équilibre est asymptotiquement (exponentiellement) globalement stable s’il est asymptotiquement (exponentiellement) stable pour tout état initial, soit : limt→∞ x(t) → 0 kx(t)k ≤ αkx(0)e−λt ∀x(0) ∈ IRn (c’est ce type de stabilité qui intéresse les ingénieurs) A.1.2.2 Méthode de linéarisation de Lyapunov On suppose que f (x) du système autonome donné par la relation (A.3) est continuellement différentiable, et que x = 0 est un point d’équilibre. Alors, en utilisant le développement de Taylor autour du point d’équilibre, le système dynamique peut se mettre sous la forme : δf ẋ = x + fs (x) δx x=0 (A.5) où fs (x) représente les termes d’ordre supérieurs en x. Donc la linéarisation du système non linéaire original au point d’équilibre est donnée par : ẋ = Ax (A.6) où A désigne la matrice Jacobienne de la fonction f par rapport à x au point d’équilibre x = 0 c’est à dire : δf A= δx x=0 124 (A.7) Annexe qui est appelée approximation linéaire du système autonome donné par la relation (A.3) autour de l’origine. Le système linéaire à temps invariant de la forme (A.6) est (asymptotiquement) stable si A est une matrice (strictement) stable, c’est à dire, si toutes les valeurs propres de A ont des parties réelles (négatives) non positives. Résultats déduits de la Méthode indirecte de Lyapunov : 1. Si le système linéarisé donné par la relation (A.6) est asymptotiquement stable alors le point d’équilibre du système original donné par la relation (A.3) est asymptotiquement stable. 2. Si le système donné par la relation (A.6) n’est pas stable alors le point d’équilibre du système original donné par la relation (A.3) est instable. 3. Notons aussi, que si le système linéarisé donné par la relation (A.6) est marginalement stable, alors le point d’équilibre du système original donné par la relation (A.3) peut être stable comme il peut être instable. Les résultats ci-dessus forment la légitimité de la théorie de la commande linéaire qui est généralement utilisée dans la pratique. En conséquence des résultaats ci-dessus, la stabilité des systèmes linéaires à temps invariants peut être déterminée par le théorème suivant : Théorème A.3 Le point d’équilibre x = 0 du système linéarisé donné pa la relation (A.6) est asymptotiquement stable si et seulement si, pour toute matrice symétrique définie positive Q , il existe une matrice P symétrique définie positive unique telle que : AT P + P A = −Q (A.8) Si Q est seulement semi-définie positive (Q ≥ 0), alors seulement la stabilité est conclue et non pas la stabilité asymptotique. La stabilité locale du système non linéaire original donné par la relation (A.3) peut être déduite de la stabilité du système linéarisé donné par la relation (A.6) comme on le précise dans le théorème suivant : Théorème A.4 Si le système linéarisé (A.6) est strictement stable (parties réelles des valeurs propres de la matrice A sont strictement négatives), alors le point d’équilibre du système non linéaire (A.3) est localement asymptotiquement stable. Autrement si le système linéarisé est instable alors le système non linéaire est aussi instable. 125 Annexe Remarque A.10 Ce théorème ne nous permet de rien conclure quant à la stabilité marginale du système linéarisé. A.1.2.3 Méthode directe de Lyapunov On considère les définitions suivantes : Définition A.19 Fonction définie et semi définie : Une fonction scalaire continue V (x) : IRn → IR est dite localement définie positive si : 1. V (0) = 0 2. V (x) > 0 pour x 6= 0 et elle est localement semi-définie si : 1’. V (0) = 0 2’. V (x) ≥ 0 pour x 6= 0 Similairement, V (x) est dite localement définie négative (semi-définie négative) si : 1”. V (0) = 0 2”. −V (x) > 0, (−V (x) ≥ 0) Définition A.20 Fonction de Lyapunov : V (x) est appelée fonction de Lyapunov pour le système autonome donné par la relation A.3 si dans une boule B on a : 1. V (x) définie positive (V (0) = 0, x 6= 0 =⇒ V (x) > 0) δV 2. V (x) a les dérivées partielles continues est continue δx 3. Ladérivée par au temps de V (x) est semi-définie négative rapport δV δV f (x) ≤ 0 ẋ = V̇ (x) = δx δx Les théorèmes suivants, peuvent être utilisés pour l’analyse de la stabilité locale et globale. Théorème A.5 Stabilité locale : Le point d’équilibre O du système autonome donné par la relation (A.3) est (asymptotiquement) stable dans une boule B s’il existe une fonction scalaire V (x) avec les dérivées continues tel que V (x) est définie positive et V̇ (x) est (définie négative) semi définie négative dans la boucle B. 126 Annexe Théorème A.6 Stabilité globale : Le point d’équilibre du système autonome donné par la relation (A.3) est globalement asymptotiquement stable s’il existe une fonction scalaire V (x) avec les dérivées du premier ordre continues tel que V (x) est définie positive, V̇ (x) est définie négative et V (x) → ∞ quand kxk → ∞ (BR = IRn ). Remarque A.11 Un système peut admettre plusieurs fonctions de Lyapunov ; par exemple, soit V (x) est une fonction de Lyapunov pour un système donné, alors la fonction Vαρ (x) = ρV α pour ρ > 0 et α > 1 est aussi une fonction de Lyapunov pour le système original. Remarque A.12 Les conditions de la stabilité sont suffisantes. On peut toutefois dire que le point d’équilibre est instable s’il existe une fonction définie positive V (x) pour laquelle V̇ (x) > 0 au moins le long d’une trajectoire d’état. A.1.2.4 Théorèmes des ensembles invariants On peut se poser la question suivante : Le système est-il asymptotiquement stable lorsque V̇ (x) ≤ 0 ? Les résultats de La’Salle étend l’analyse de la stabilité des théorèmes précédents quand V̇ (x) est seulement semi-définie négative, alors on parle de la généralisation du concept du point d’équilibre. Définition A.21 Ensemble invariant : Un ensemble S est un ensemble invariant pour un système dynamique, si toute trajectoire partante de S reste en S, c’est à dire : x(0) ∈ S =⇒ x(t) ∈ S ∀t > 0 Exemples : S1 = {0}, S2 = Br , S3 = IRn Les ensembles invariants incluent les points d’équilibres, les cycles limites, en plus de n’importe quelle trajectoire d’un système autonome. Théorème A.7 Théorème de LaSalle : On considère le système autonome donné par la relation (A.3) avec f (x) continue, et soit V (x) est une fonction scalaire avec les premières dérivées partielles continues. On considère une région Γl définie par V (x) < l pour certain l > 0, on suppose que la région Γl est bornée et V̇ (x) ≤ 0 ∀x ∈ Γl c’est à dire : ∆ Γ = {x ∈ IRn tel que V (x) < l, V̇ (x) ≤ 0 pour l > 0} Soit Z est l’ensemble de tous les points dans Γl où V̇ (x) = 0. ∆ Z = {x ∈ Γl tel que V̇ (x) = 0}. Soit M est le plus grand ensemble invariant dans Z. 127 Annexe Alors toute solution x(t) provenant de Γl tend vers M quand t → ∞. De l’autre côté, si V̇ (x) ≤ 0∀x ∈ Γl et V (x) → ∞ quand kxk → ∞, alors toutes les solutions convergent globalement asymptotiquement vers M quand t → ∞ A.1.3 Systèmes non-autonomes Dans cette partie on considère les systèmes non linéaires non autonomes représentés par la relation (A.2). Les concepts de la stabilité sont caracterisés par les définitions suivantes : A.1.3.1 Définitions Définition A.22 Équilibre : Un état x∗ est un point d’équilibre de l’équation ẋ = f (x, t) si : f (x∗ , t) = 0 ∀t ≥ t0 . Définition A.23 Stabilité : Le point d’équilibre x = 0 est stable à t = t0 si pour tout R > 0 il existe r(R, t0 ) tel que kx(t0 )k < R ∀t ≥ t0 . Autrement, le point d’équilibre x = 0 est instable. Définition A.24 Stabilité asymptotique : Le point d’équilibre x = 0 est asymptotiquement stable à t = t0 , s’il est stable et s’il existe r(t0 ) > 0 tel que : kx(t0 )k < r(t0 ) =⇒ x(t) → 0 quand t → ∞. Définition A.25 Stabilité exponentielle : Le point d’équilibre x = 0 est exponentiellement stable s’ils existent deux nombres positifs α et λ tel que kx(t)k ≤ αkx(t0 )ke−λ(t−t0 ) ∀t ≥ t0 , pour x(t0 ) suffisamment petit. Définition A.26 Stabilité asymptotique globale : Le point d’équilibre x = 0 est globalement asymptotiquement stable s’il est stable et x(t) → 0 quand t → ∞ ∀x(t0 ). Définition A.27 Stabilité uniforme : Le point d’équilibre x = 0 est uniformément stable s’il est stable avec r = r(R) choisi indépendement du temps t0 . Définition A.28 Stabilité asymptotique uniforme : Le point d’équilibre x = 0 est uniformément asymptotiquement stable s’il est uniformément stable et il existe une boule d’attraction B, indépendante de t0 , tel que x(t0 ) ∈ B implique x(t) → 0 quand t → ∞. 128 Annexe A.1.3.2 Méthode de linéarisation de Lyapunov En utilisant le développement de Taylor le système non autonome donné par la relation (A.2) peut être réécrit sous la forme : (A.9) ẋ = A(t)x + fsn (x, t) δf . où : A(t) = δx x=0 Une approximation linéaire de la relation (A.2) est donnée par : (A.10) ẋ = A(t)x Théorème A.8 Une condition nécéssaire est suffisante pour la stabilité asymptotique uniforme de l’origine du système (A.9) est que la matrice P existe telle que : V = Z (t) t xT P (t)x > 0 et V̇ = xT (AT P + P A + Ṗ )x ≤ k(t)V où lim k(τ )dτ = −∞ uniformét→∞ ment à t0 . t0 Maintenant, on peut énnoncer le résultat suivant : Théorème A.9 Si le système linéarisé donné par la relation (A.9) est uniformément asymptotiquement stable, alors le point d’équilibre x = 0 du système non autonome original donné par la relation (A.2) est aussi uniformément asymptotiquement stable. A.1.3.3 Méthode directe de Lyapunov On présente maintenant les théorèmes de la stabilité au sens de Lyapunov pour les systèmes non autonomes. Pour cela, les définitions suivantes sont nécéssaires : Définition A.29 Fonction de classe K : Une fonction K : [0, k] → IR+ est dite de classe K si : (i) K(0) = 0 (ii) K(x) > 0 ∀x > 0 (iii) K est non décroissante. Les déclarations (ii) et (iii) peuvent être remplacées par : (ii)’ K est strictement croissante. La fonction est dite de classe K∞ si k = ∞ et K(x) → ∞ quand x → ∞. 129 Annexe En se basant sur la définition de la fonction de classe K, une définition modifiée de la stabilité exponentielle peut être donnée. Définition A.30 Stabilité K exponentielle : Le point d’équilibre x = 0 est K-exponentiellement stable s’il existe une fonction K(·) de classe K et un nombre positif λ tel que kx(t)k ≤ K (kx(t0 )k) e−λ(t−t0 ) ∀t ≥ t0 pour x(t0 ) suffisamment petit. Définition A.31 Fonction définie positive : Une fonction V (x, t) est dite localement (globalement) définie positive si et seulement si il existe une fonction α de classe K telle que V (0, t) = 0 et V (x, t) ≥ α (kxk) ∀t ≥ 0 et ∀x ∈ B. Définition A.32 Fonction décroissante : Une fonction V (x, t) est localement (globalement) décroissante si et seulement si il existe une fonction β de classe K telle que V (0, t) = 0 et V (x, t) ≤ β (kxk) ∀t > 0 et x ∈ B. Le théorème principal de la stabilité au sens de Lyapunov peut être maintenant énnoncé comme suit : Théorème A.10 On suppose que V (x, t) a les premières dérivées continues autour du point d’équilibre x = 0. On considère les conditions suivantes sur V et V̇ où α, β et γ désignent des fonctions de classe K : (i) V (x, t) ≥ α (kxk) > 0 (ii) V̇ (x, t) ≤ 0 (iii) V (x, t) ≤ β (kxk) (iv) V̇ ≤ −γ (kxk) < 0 (v) limx→∞ α (kxk) = ∞ Alors le point d’équilibre x = 0 est : • Stable si les conditions (i) et (ii) sont vérifiées. • Uniformément stable si les conditions (i) − (iii) sont vérifiées. • Uniformément asymptotiquement stable si les conditions (i) − (iv) sont vérifiées. • Globalement uniformément asymptotiquement stable si les conditions (i) − (v) sont vérifiées. 130 Annexe A.1.3.4 Théorème de Lyapunov inverse Il existe un théorème inverse pour chaque théorème de la stabilité de Lyapunov. Soit on présente en particulier les théorèmes suivants : Théorème A.11 Si le point d’équilibre x = 0 du système non autonome donné par la relation (A.2) est stable (uniformément asymptotiquement stable), alors il existe une fonction définie positive (décroissante) V (x, t) avec une dérivée définie non positive (négative). Théorème A.12 On considère le système non autonome donné par la relation (A.2)avec δf δf et bornées dans une certaine boule B, ∀t > 0. Alors le point d’équilibre x = 0 est δx δt exponentiellement stable si et seulement si il existe une fonction V (x, t) et une certaine constante positive αi , tel que ∀x ∈ B et ∀t > 0 α1 kxk2 ≤ V (x, t) ≤ α2 kxk2 V̇ ≤ −α3 kxk2 δV ≤ α4 kxk δx A.1.3.5 Lemme de Barbalat Les résultats de LaSalle sont seulement applicable aux systèmes autonomes. D’un autre côté, le Lemme de Barbalat peut être utilisé pour obtenir les résultats de la stabilité quand la dérivée de la fonction de Lyapunov est semi définie négative. Lemme A.1 Lemme de Barbalat : Si la fonction f différentiable a une limite finie quand t → ∞, et si f˙ est uniformément continue, alors f˙ → 0 quand t → ∞. Ce lemme peut être appliqué pour l’étude de la stabilité des systèmes non autonomes avec la théorie de Lyapunov, comme énnoncé par le lemme suivant : Lemme A.2 Si une fonction scalaire V(x,t) est bornée inférieurement et V̇ (x, t) est semi définie négative, alors V̇ (x, t) → 0 quand t → 0 si V̇ (x, t) est uniformément continue en temps. 131 Annexe B Schémas de simulation de l’identification, l’observation et la commande. B.1 Introduction Le but de cet annexe et de fournir les fichiers Simulinks qui ont été utilisés pour les tests de simulation de notre travail. Tous d’abord nous présentons les paramètres nominaux de la machine utilisée dans le tableau suivant : Paramètres Résistance rotorique Résistance statorique L’inductance Mutuelle L’iductance Statorique L’iductance Rotorique L’inertie du rotor nombre de paire de pole coefficient de frottement Notation Rr Rs M Ls Lr J p fm Valeur 4.3047Ω 9.65Ω 0.4475H 0.4718 0.4718 0.0293kg/m2 2 0.0038N.M.s/rad Table B.1 – paramètre de la machine asynchrone. Annexe Figure B.1 – Schéma de principe de la machine asynchrone. B.2 Commande vectorielle Pour l’implantation du PI contrôleur nou avons choisi : Td = 0.03 · 10−3 et Tq = 5 · 10−3 pour la dynamique du courant isd et isq , réspectivement avec le gain unitaire statique, et par compensation de leurs pôles avec les zéros dans leurs respectifs régulateurs, ce qui donne : pour le courant isd on trouve kp3 = 1/Td , ki3 = γ/T d. La même procédure est appliquée pour le courant isq on trouve kp4 = 1/Tq , ki4 = γ/T q . Pour la synthèse des deux correcteurs du flux et de la vitesse , on remplace les deux dynamiques des composants des courants par leurs fonctions de transfert imposée. Finalement par compensation des deux systèmes ( flux et vitesse) par les zéro du contrôleur PI . On trouve pour le flux kp1 = Tr /(aM Td ), ki1 = Tr /(aM Td ). De la même façon on trouve pour la vitesse kp2 = J/(bTq ), ki2 = fm /(bTq ). On choisi a = 100 et b = 0.1 133 Annexe Figure B.2 – Bloc de la Commande vectorielle. 134 Annexe Figure B.3 – Bloc du FOC. Figure B.4 – Bloc de Compensation. 135 Annexe Figure B.5 – Bloc du PI. B.3 L’identification par Réseaux de Neurone La figure B.6 montre le bloc Simulink en boucle ouverte qui a été utilisé pour l’estimation de la résistance rotorique. La figure B.7 représente la couche cachée du bloc identRr , les blocs de l’estimation des autres paramètres sont faits de la même manière. Figure B.6 – Bloc simulink utilisé pour l’identification. 136 Annexe Figure B.7 – La couche cachée de l’estimateur neuronal. 137 Annexe B.4 L’observateur à grand gain pour la machine asynchrone La figure B.8 représente le schéma Similink de de l’observateur de flux en boucle ouverte. Figure B.8 – Bloc Simulink de l’observateur en boucle ouverte. 138 Annexe B.5 La commande en mode glissant + observateur à grand gain Figure B.9 – Bloc Simulink de la commande en boucle ouverte. 139 Annexe Figure B.10 – Bloc Commande + Observateur. Figure B.11 – Variation de la résistance rotorique. 140 Annexe Figure B.12 – Bloc commande + estimateur + observateur. 141