⚡ electrical engineering

Nonlinear System Identification of Variable-Pitch Propellers Using a Wiener Model

Cet article présente une identification de système d'une hélice à pas variable basée sur un modèle de Wiener, qui combine des dynamiques linéaires et une relation non linéaire statique pour générer un modèle compact, précis et interprétable adapté au jumeau numérique et au contrôle en temps réel.

Auteurs originaux : David Grasev, Miguel A. Mendez

Publié 2026-04-06

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : David Grasev, Miguel A. Mendez

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayez de piloter un drone. Habituellement, pour accélérer ou freiner, vous ne faites qu'une seule chose : vous changez la vitesse de rotation de ses hélices, un peu comme si vous appuyiez sur l'accélérateur d'une voiture. C'est simple, mais cela a ses limites.

Dans cet article, les chercheurs s'intéressent à une technologie plus avancée : les hélices à pas variable. Imaginez que ces hélices sont comme des ailes d'avion qui peuvent changer d'angle en plein vol. Avec ce système, vous avez deux commandes :

La vitesse de rotation (comme l'accélérateur).
L'angle des pales (comme le gouvernail d'un bateau ou l'inclinaison d'une aile).

Le but de l'article est de créer un "jumeau numérique" (une copie virtuelle très précise) de ce système complexe pour pouvoir le contrôler intelligemment en temps réel, par exemple pour des drones qui doivent être très agiles ou très économes en énergie.

Voici comment ils y sont arrivés, expliqué simplement :

1. Le problème : Trop compliqué pour un cerveau humain

Le système réel est un mélange de physique complexe : l'électricité qui tourne le moteur, la mécanique qui bouge les pales, et l'air qui résiste. Tout cela interagit de manière non linéaire (si vous doublez la vitesse, la poussée ne double pas forcément de la même façon selon l'angle). Faire un modèle mathématique parfait de tout cela prendrait des heures de calcul, ce qui est trop lent pour un drone en vol.

2. La solution : Le modèle "Wiener" (La recette en deux étapes)

Les chercheurs ont inventé une astuce intelligente, qu'ils appellent un modèle de Wiener. Imaginez que vous cuisinez un gâteau :

Étape 1 (La partie linéaire) : Vous mélangez les ingrédients (les commandes électriques). C'est une étape simple et rapide, comme suivre une recette de base. Ici, cela représente comment le moteur tourne et comment les pales bougent physiquement. C'est prévisible.
Étape 2 (La partie non-linéaire) : Vous mettez le gâteau au four et il gonfle de manière surprenante. C'est là que la magie opère. Le modèle prend les résultats de l'étape 1 et les transforme en poussée réelle (la force qui soulève le drone) grâce à une "boîte noire" mathématique apprise par l'expérience.

En gros, ils disent : "On va simuler la mécanique simple, puis on va utiliser des données réelles pour corriger le résultat final et deviner exactement quelle force on va obtenir."

3. L'expérience : Le banc d'essai

Pour apprendre à ce modèle, ils ont construit un banc d'essai avec une hélice spéciale.

Ils ont fait bouger l'hélice de haut en bas (en changeant la vitesse) et ont tourné les pales (en changeant l'angle).
Ils ont mesuré la poussée générée à chaque fois.
C'était un peu comme essayer de deviner la relation entre la pression sur une pédale de vélo et la vitesse, mais en ajoutant la difficulté de pencher le vélo sur le côté en même temps.

Ils ont remarqué que le mécanisme pour bouger les pales était un peu lent et "paresseux" (il mettait du temps à réagir), ce qui rendait le tout difficile à modéliser.

4. Le résultat : Un pilote virtuel efficace

Après avoir collecté des milliers de données, ils ont affiné leur modèle. Le résultat est un modèle très léger (il ne prend pas beaucoup de place dans l'ordinateur du drone) mais très précis.

Ils l'ont ensuite testé avec un contrôleur intelligent (un petit cerveau artificiel).

Sans hélice variable : Si vous voulez freiner un drone, vous devez ralentir les moteurs, ce qui prend du temps.
Avec hélice variable : Le contrôleur utilise les deux commandes à la fois. Il peut ralentir les moteurs ET incliner les pales pour freiner instantanément, comme si vous utilisiez à la fois les freins et le moteur d'une voiture pour arrêter net.

En résumé

Ces chercheurs ont réussi à créer une carte routière simplifiée mais ultra-précise d'un système complexe. Au lieu de dessiner chaque virage de la route (la physique complexe), ils ont appris à la machine à reconnaître les motifs globaux.

Ce travail est une première étape vers des drones du futur capables de s'adapter en temps réel, d'éviter des obstacles avec une agilité de chat, et de voler plus longtemps en économisant leur batterie, le tout grâce à un "jumeau numérique" qui comprend parfaitement comment fonctionne leur hélice spéciale.

1. Problématique et Contexte

L'article s'inscrit dans le cadre du projet Re-Twist (REinforcement TWInning SysTems) au sein de l'Institut von Karman, visant à développer des jumeaux numériques physiques basés sur l'intégration de l'identification de systèmes, de l'assimilation de données et de l'apprentissage par renforcement (Reinforcement Twinning - RT).

Le problème central est l'identification et la modélisation de la chaîne de puissance d'une hélice à pas variable (VPP - Variable-Pitch Propeller) pour des UAVs. Contrairement aux hélices à pas fixe où la poussée est contrôlée uniquement par la vitesse de rotation ( $\omega$ ), les VPP offrent un second degré de liberté via l'angle de pas ( $\beta$ ).

Défi : La modélisation des VPP est complexe en raison du couplage non linéaire entre les actions de vitesse et de pas, ainsi que des effets aérodynamiques non stationnaires (traînée, décrochage retardé).
Objectif : Développer un modèle compact, interprétable et léger en calcul, capable de reproduire la dynamique du système avec précision pour des applications de contrôle en temps réel et de jumeaux numériques.

2. Méthodologie

A. Approche de Modélisation : Architecture de Wiener

Les auteurs proposent une architecture de type Wiener (une dynamique linéaire suivie d'une non-linéarité statique), justifiée par l'hypothèse que l'actuation électronique est beaucoup plus rapide que la réponse mécanique et que le couple aérodynamique induit est négligeable dans le régime testé.

Le modèle se décompose en deux parties :

Dynamique d'entrée (Linéaire) : Les signaux de commande (PWM pour la vitesse et le pas) sont traités par des dynamiques linéaires du premier ordre (ou des lags d'ordre supérieur simplifiés) décrivant la réponse du moteur et de l'actuateur de pas.
- Le modèle réduit l'état du système à quatre constantes de temps effectives ( $\tau_{\omega,1}, \tau_{\omega,2}, \tau_{\beta,1}, \tau_{\beta,2}$ ).
- Les équations d'état linéarisées décrivent l'évolution de la vitesse de rotation ( $\Delta\omega$ ) et de l'angle de pas ( $\Delta\beta$ ) en réponse aux références.
Cartographie de sortie (Non-linéaire) : Les états dynamiques sont ensuite mappés vers la poussée générée ( $T$ $T$ ) via une relation statique non linéaire.
- La fonction de poussée $\hat{T}(\omega, \beta)$ est modélisée par un polynôme d'ordre 3 incluant des termes croisés ( $\omega^2, \omega\beta, \omega^2\beta, \omega\beta^2, \omega^3$ ).
- Contrairement aux modèles physiques rigides, les coefficients de cette fonction sont identifiés et affinés à partir de données expérimentales dynamiques, permettant de compenser les simplifications du modèle physique.

B. Protocole Expérimental

Banc d'essai : Un prototype d'hélice à pas variable personnalisé (développé à l'Institut von Karman) avec un moteur BLDC (T-Motors AT3520) et un actionneur linéaire pour le pas.
Instrumentation :
- Mesure de poussée : Cellule de charge uniaxiale (10 kg) avec filtrage analogique et numérisation 16 bits.
- Mesure de RPM : Capteur infrarouge (LED IR + ruban réfléchissant).
- Contrôle : Boucles de rétroaction PI pour la vitesse et PD pour le pas.
Procédure d'identification :
1. Cartographie statique : Mesure de la poussée sur une grille de 10x10 points (vitesse et pas) pour établir la relation de base.
2. Caractérisation dynamique : Application de signaux en échelon (montées et descentes) sur la vitesse et le pas à partir de différents états stationnaires.
3. Affinement (Fine-tuning) : Utilisation d'une méthode de descente de gradient basée sur la sensibilité directe (forward sensitivity) pour minimiser l'erreur quadratique entre la poussée prédite et mesurée sur des séquences temporelles dynamiques.

C. Validation et Contrôle

Des tests préliminaires de contrôle ont été réalisés en utilisant le modèle identifié pour concevoir un contrôleur PID multivariable (gérant à la fois $\omega$ et $\beta$ ) afin de suivre une consigne de poussée.

3. Résultats Clés

Précision du Modèle :
- La cartographie statique initiale a obtenu un $R^2$ ajusté de 0,996.
- Après l'affinement dynamique (350 itérations), l'erreur du coût a diminué de 38,3 % (passant de $5,19 \times 10^{-4}$ à $3,2 \times 10^{-4}$ ).
- Le modèle capture avec succès les dynamiques transitoires, y compris les effets aérodynamiques non stationnaires que les modèles quasi-stationnaires classiques négligent.
Paramètres Identifiés :
- Les constantes de temps effectives ont été identifiées (ex: $T_{\omega,1} \approx 0,172$ s, $T_{\beta,2} \approx 0,374$ s).
- Une limitation a été observée : la réponse de l'actionneur de pas (LAC) présentait un retard excessif et une sensibilité réduite pour les petits changements, ce qui a nécessité l'ajustement des constantes de temps dans le modèle de contrôle pour compenser.
Performance du Contrôle :
- Le contrôleur basé sur le modèle Wiener utilisant les deux entrées ( $\omega$ et $\beta$ ) a démontré une réponse supérieure à celle d'un système à pas fixe contrôlé uniquement par la vitesse.
- Pour un échelon de poussée, la consigne a été atteinte en environ 0,5 seconde sans dépassement (overshoot), prouvant l'efficacité de la modulation combinée du pas et de la vitesse.

4. Contributions et Signification

Modélisation Hybride : L'article démontre qu'une architecture de Wiener, combinant une structure dynamique linéaire simple et une non-linéarité statique apprise par les données, est une approche efficace pour modéliser les VPP. Elle offre un compromis idéal entre complexité physique et précision prédictive.
Base pour le Jumeau Numérique : Le modèle obtenu est suffisamment compact et rapide pour être intégré dans des cadres de contrôle avancés comme le Reinforcement Twinning, où un jumeau numérique doit être mis à jour en temps réel.
Validation Expérimentale : C'est l'une des premières études à valider expérimentalement une telle approche sur une hélice à pas variable réelle, en passant de la caractérisation statique à l'identification dynamique et au contrôle en boucle fermée.
Perspectives : Bien que les résultats soient préliminaires, ils ouvrent la voie à l'optimisation de l'agilité et de l'efficacité des UAVs. Les auteurs prévoient d'améliorer le banc d'essai (capteurs plus précis, meilleur actionneur de pas) pour affiner davantage le modèle et l'intégrer pleinement dans des boucles d'apprentissage par renforcement.

En résumé, ce travail fournit une méthodologie robuste pour identifier et contrôler les systèmes de propulsion complexes des UAVs, validant l'approche de modèles réduits guidés par les données pour des applications de jumeaux numériques en temps réel.