Existence and Design of Functional Observers for Time-Delay Systems with Delayed Output Measurements

Cet article propose de nouvelles conditions d'existence et des procédures de synthèse pour la conception d'observateurs fonctionnels capables d'estimer des états dans des systèmes linéaires à retard, en tenant compte spécifiquement de la distinction entre le retard d'état et le retard de mesure.

L'essentiel

🕵️‍♂️ Le Détective et le Message Tardif : Comprendre les "Observateurs Fonctionnels"

Imaginez que vous êtes le capitaine d'un grand navire (le système). Votre objectif est de savoir exactement où se trouve votre bateau à chaque seconde pour éviter les récifs. C'est ce qu'on appelle connaître l'état du système.

Mais il y a un problème : vos yeux (les capteurs) sont aveuglés par un brouillard épais, et vos oreilles (les mesures) ne vous parviennent qu'avec un retard. De plus, le bateau lui-même réagit lentement à vos commandes à cause de l'inertie de l'eau.

C'est le cœur du problème traité par ce papier : Comment deviner la position exacte de votre bateau en temps réel, alors que vous ne recevez des informations que avec du retard, et que le bateau lui-même a un délai de réaction ?

1. Le Problème : Deux Retards Différents 🐢🐇

Dans la plupart des livres de physique, on suppose que tout arrive instantanément. Mais dans la vraie vie (comme dans les réseaux de communication ou les usines chimiques), il y a deux types de délais distincts :

1. Le délai du bateau (τ - tau) : C'est le temps que met le bateau pour réagir à une action. Si vous tournez le gouvernail, le bateau ne vire pas tout de suite.
2. Le délai du messager (h - h) : C'est le temps que met l'information à vous parvenir. Vous recevez le rapport de position de votre capitaine d'antenne avec un retard.

Le défi de ce papier est que ces deux délais ne sont pas forcément les mêmes. Parfois, le messager est plus lent que le bateau, parfois c'est l'inverse. C'est comme essayer de deviner la vitesse d'une voiture en regardant une vidéo en streaming qui a un décalage, alors que la voiture elle-même accélère avec un retard mécanique.

2. La Solution : Le Détective "Observateur" 🕵️‍♀️

Au lieu de reconstruire tout le tableau de bord (toutes les variables du bateau), les auteurs proposent de construire un détective spécial appelé Observateur Fonctionnel.

• L'ancien méthode (Observateur d'état) : C'est comme si le détective devait dessiner tout le bateau, chaque boulon, chaque roue, pour ensuite calculer la vitesse. C'est lourd, lent et compliqué.
• La nouvelle méthode (Observateur fonctionnel) : Le détective ne s'intéresse qu'à une seule chose : la vitesse (ou la position). Il ignore le reste. C'est comme un détective qui ne regarde que la trace des pneus pour deviner la vitesse, sans se soucier de la couleur de la voiture. C'est beaucoup plus rapide et efficace.

3. Les Trois Types de Détectifs (Structures) 🛠️

Les auteurs ont conçu trois "modèles" de détectifs pour s'adapter à différentes situations de retard :

• Structure A (Le Détective Rapide) : Il est simple et rapide. Il utilise les messages reçus avec retard pour deviner la position actuelle. Il fonctionne bien si les délais sont "alignés" (le messager arrive au même moment que la réaction du bateau).
• Structure B (Le Détective Mémoire) : Parfois, le message est si vieux que le détective simple échoue. Ce détective a une mémoire interne. Il se souvient de ce qu'il a vu il y a un instant pour corriger son estimation. C'est comme si le détective disait : "J'ai vu le bateau ici il y a 2 secondes, et je sais qu'il va à telle vitesse, donc il doit être là maintenant."
• Structure C (Le Détective Super-Mémoire) : C'est le plus complexe. Il est conçu pour les situations où le retard du messager est très long et différent du délai du bateau. Il utilise une mémoire très étendue, gardant en tête plusieurs versions passées du message pour reconstruire la réalité présente.

4. L'Idée Géniale : Les "Fonctionnels Généralisés" 🧩

C'est ici que la magie opère. Parfois, le détective ne peut pas deviner la position exacte directement. Alors, les auteurs disent : "Et si on ne cherchait pas juste la position, mais une combinaison de la position et de sa position d'il y a 10 secondes ?"

Imaginez que vous essayez de deviner la température actuelle d'une pièce, mais que votre thermomètre est cassé et ne donne que la température d'hier.

• Au lieu de dire "Je ne peux pas", le détective dit : "Je vais estimer la température d'aujourd'hui ET celle d'hier ensemble."
• En estimant ce "paquet" d'informations (appelé fonctionnel généralisé), il devient beaucoup plus facile de déduire la température d'aujourd'hui seule.

C'est comme si le détective regardait non seulement la photo du crime, mais aussi la photo du suspect il y a 5 minutes, pour mieux comprendre ce qui se passe maintenant.

5. Pourquoi c'est important ? 🌍

Ce papier est crucial pour les systèmes modernes :

• Réseaux de voitures autonomes : Une voiture reçoit les données des autres voitures avec un délai internet. Elle doit prédire où elles seront maintenant pour éviter un accident.
• Usines intelligentes : Les capteurs dans une usine chimique envoient des données avec retard. Le système de contrôle doit ajuster la température en temps réel, même avec ces données vieilles de quelques secondes.

En Résumé 🎯

Ce papier dit essentiellement :

"Ne vous inquiétez pas si vos informations arrivent en retard ou si le système réagit lentement. Nous avons créé trois types de 'détectifs' intelligents capables de combler ces trous temporels. En utilisant des astuces mathématiques (comme regarder le passé pour comprendre le présent), nous pouvons reconstruire la réalité en temps réel, même avec des données imparfaites."

C'est un guide pour transformer des informations confuses et retardées en une image claire et précise, permettant aux machines de prendre de meilleures décisions, plus vite et plus sûrement.

Résumé technique

Voici un résumé technique détaillé de l'article de prépublication « Existence and Design of Functional Observers for Time-Delay Systems with Delayed Output Measurements » (Existence et conception d'observateurs fonctionnels pour les systèmes à retards avec mesures de sortie retardées).

1. Problématique

L'article aborde le problème de l'estimation d'état fonctionnel pour les systèmes linéaires à retards. La particularité centrale de ce travail réside dans la distinction explicite entre deux types de retards, souvent confondus ou supposés identiques dans la littérature existante :

• $\tau$ (Retard d'état) : Le retard affectant l'évolution dynamique du système (dans l'équation d'état).
• $h$ (Retard de mesure) : Le retard affectant l'acquisition des mesures de sortie.

Dans de nombreuses applications pratiques (systèmes de contrôle en réseau, processus chimiques, etc.), les mesures de sortie $y(t)$ sont disponibles avec un retard $h$ qui peut différer du retard intrinsèque du système $\tau$. De plus, les mesures peuvent être retardées par rapport à l'état instantané, rendant impossible l'utilisation directe des observateurs classiques qui supposent des mesures instantanées.

L'objectif est de concevoir un observateur fonctionnel capable d'estimer asymptotiquement une fonctionnelle désirée $z(t) = Fx(t)$ (où $F$ est une matrice de rang plein) sans nécessairement reconstruire l'état complet $x(t)$, tout en tenant compte de la dynamique retardée et de la non-coïncidence des délais ($h \neq \tau$).

2. Méthodologie et Approche

Les auteurs développent un cadre unifié basé sur l'augmentation de l'espace d'état et la notion de fonctionnelles généralisées.

A. Structures d'observateurs proposées

Trois structures d'observateurs sont introduites pour gérer différentes configurations de retards et de complexité :

1. Structure A : Un observateur dynamique interne sans retard interne, piloté par les mesures retardées. C'est la structure de base.
2. Structure B : Une extension de la Structure A qui intègre des dynamiques de retard internes dans l'état de l'observateur (termes $w(t-\tau)$).
3. Structure C : Une généralisation supplémentaire intégrant des canaux de retard internes multiples ($w(t-\tau), w(t-h)$, etc.) pour une flexibilité accrue.

B. Augmentation fonctionnelle et Fonctionnelles Généralisées

Le papier souligne que pour les systèmes à retards, l'état du système ne réside pas uniquement dans $\mathbb{R}^n$ mais dans un espace augmenté dépendant des états passés.

• Cas $h = \tau$ : L'état augmenté est $\xi(t) = [x(t)^T, x(t-\tau)^T]^T \in \mathbb{R}^{2n}$.
• Cas $h > \tau$ : L'état augmenté est $\xi(t) = [x(t)^T, x(t-\tau)^T, x(t-h)^T]^T \in \mathbb{R}^{3n}$.

Pour garantir l'existence de l'observateur lorsque la fonctionnelle minimale $z(t)$ ne suffit pas, les auteurs proposent d'augmenter l'espace des fonctionnelles. Au lieu d'estimer uniquement $z(t)$, on estime une fonctionnelle augmentée incluant des termes dépendant du retard (ex: $z(t)$ et $x(t-\tau)$). Cela permet de satisfaire les conditions d'existence même si l'observateur d'ordre minimal n'existe pas.

C. Conditions d'existence et Synthèse

Pour chaque structure, les auteurs établissent des conditions nécessaires et suffisantes basées sur :

1. Conditions algébriques de rang : Elles garantissent que les équations matricielles liant les paramètres de l'observateur aux matrices du système sont solvables (découplage de l'erreur d'estimation par rapport à l'état du système).
2. Stabilité : Une fois les paramètres découplés, la dynamique de l'erreur d'estimation doit être asymptotiquement stable.
   • Pour les systèmes sans retard interne (Structure A), la stabilité repose sur la matrice de l'observateur étant de Hurwitz.
   • Pour les structures avec retard interne (B et C), la stabilité est garantie via des inégalités matricielles linéaires (LMI) dépendantes du retard, dérivées de fonctionnelles de Lyapunov-Krasovskii.

3. Contributions Clés

• Distinction explicite des retards : Le cadre théorique traite séparément le retard d'état $\tau$ et le retard de mesure $h$, comblant un vide dans la littérature où l'on suppose souvent $h=0$ ou $h=\tau$.
• Flexibilité de l'ordre de l'observateur : Reconnaissance du fait qu'un observateur fonctionnel d'ordre minimal (égal au nombre de fonctionnelles à estimer) n'existe pas toujours. La méthode propose systématiquement d'augmenter l'ordre de l'observateur en élargissant l'espace des fonctionnelles estimées.
• Introduction de fonctionnelles généralisées : Définition de fonctionnelles agissant sur des vecteurs d'état augmentés (incluant $x(t-\tau)$ et $x(t-h)$), offrant une liberté de conception supplémentaire pour satisfaire les conditions d'existence.
• Procédures constructives : Pour chaque structure, des algorithmes de synthèse sont fournis permettant de calculer les gains de l'observateur à partir des conditions de rang et de la résolution de LMIs.

4. Résultats

Les résultats sont validés par des exemples numériques illustrant les différents cas :

• Cas $h = \tau$ :
  • Démonstration de la conception d'observateurs d'ordre 1, 2 et 3 selon la faisabilité des conditions de rang.
  • Cas où l'observateur d'ordre minimal échoue (conditions de rang non satisfaites) : la méthode permet de trouver un observateur d'ordre supérieur en augmentant la fonctionnelle.
  • Cas où la matrice de l'observateur est instable : utilisation de la Structure B (avec retard interne) pour stabiliser la dynamique d'erreur.
• Cas $h > \tau$ :
  • Démonstration que la Structure C permet d'estimer des fonctionnelles lorsque les retards sont désalignés, là où les structures plus simples échouent.
  • Un exemple montre qu'avec un retard de mesure $h=1s$ et un retard d'état $\tau=0.56s$, la Structure C permet de stabiliser l'erreur d'estimation, alors que la Structure B ne le permettrait pas pour certaines configurations.

5. Signification et Impact

Ce travail est significatif pour plusieurs raisons :

• Réalisme des modèles : Il adresse une contrainte pratique majeure (retards de communication et de capteurs) souvent ignorée dans la théorie classique des observateurs.
• Généralité : En proposant trois structures et une méthode d'augmentation, le papier offre une boîte à outils complète pour concevoir des observateurs fonctionnels dans des scénarios complexes où les solutions minimales échouent.
• Applications potentielles : La méthodologie est particulièrement pertinente pour les systèmes de contrôle en réseau (NCS), les systèmes de puissance et les processus industriels où les délais de transmission et de traitement des données sont inévitables et distincts de la dynamique physique du système.

En résumé, l'article fournit une théorie rigoureuse et des outils de conception pratiques pour l'estimation d'état fonctionnel dans des systèmes à retards avec des mesures retardées, en surmontant les limitations des approches précédentes par l'augmentation de l'espace d'état et des fonctionnelles.