⚡ electrical engineering

A note on input signal generators: A relaxation of Willems' fundamental lemma in the SISO case

Cet article propose une relaxation pratique du lemme fondamental de Willems pour les systèmes linéaires invariants dans le temps mono-entrée mono-sortie, en reformulant le problème via des générateurs de signaux pour identifier des conditions nécessaires et suffisantes permettant de générer des données informatives, y compris avec des entrées comme des séquences sinusoïdales à moins de fréquences.

Auteurs originaux : Yun Jeong Yang, Jin Gyu Lee

Publié 2026-04-08

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Yun Jeong Yang, Jin Gyu Lee

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

🎵 Le Secret pour "Écouter" une Machine : Une Nouvelle Façon de la Comprendre

Imaginez que vous avez une boîte noire mystérieuse. C'est une machine (un système) dont vous ne connaissez pas les rouages internes. Vous voulez comprendre comment elle fonctionne, mais vous ne pouvez pas la démonter. Vous ne pouvez que lui donner des ordres (des signaux d'entrée) et observer ce qu'elle répond (les signaux de sortie).

C'est le problème central de la commande sans modèle : comment apprendre à connaître une machine uniquement en la testant ?

1. L'Ancienne Règle : Le "Martèlement" (Willems)

Pendant longtemps, la règle d'or (appelée le Lemme fondamental de Willems) disait : "Pour comprendre la machine, il faut lui crier dessus avec un bruit très complexe et très long."

En termes techniques, on parlait de "persistance de l'excitation". C'était comme essayer de deviner la forme d'une statue en la touchant avec un marteau géant qui frappe partout, très fort, et pendant très longtemps.

Le problème : Cette méthode est sûre, mais elle est lourde. Elle exige des signaux très longs et très complexes (comme des milliers de notes de musique différentes) pour être certain de tout comprendre, peu importe la machine ou son état de départ. C'est un peu comme vouloir apprendre à nager en sautant dans l'océan pendant une tempête : ça marche, mais c'est épuisant et inutilement violent.

2. La Nouvelle Idée : Le "Générateur de Chansons"

Les auteurs de ce papier, Yun Jeong Yang et Jin Gyu Lee, ont eu une idée brillante : au lieu de regarder le bruit que l'on fait, regardons la machine qui produit le bruit.

Ils proposent de voir le signal d'entrée non pas comme un chaos aléatoire, mais comme la sortie d'un petit générateur de signaux (un "petit moteur" mathématique).

L'analogie : Imaginez que vous voulez tester l'acoustique d'une salle de concert. Au lieu de faire du bruit n'importe comment, vous utilisez un orchestre virtuel (le générateur) qui joue une partition précise.
Le changement de perspective : Au lieu de se demander "Est-ce que ce bruit est assez fort ?", ils se demandent "Quelle est la taille de l'orchestre nécessaire pour jouer la partition ?".

3. La Révolution : Moins de Notes, Même Résultat

C'est ici que la magie opère. Les auteurs montrent que l'on n'a pas besoin d'un orchestre géant (un signal très long et complexe) pour comprendre la machine.

L'ancienne règle disait : "Il te faut un signal capable de jouer 2n + 1 notes différentes" (où n est la complexité de la machine).
La nouvelle règle dit : "En réalité, pour presque toutes les machines et presque tous les états de départ, un signal capable de jouer n + 1 notes suffit !"

L'analogie du Puzzle :
Imaginez que vous essayez de reconstruire un puzzle de 1000 pièces (la machine).

La vieille méthode disait : "Il faut avoir toutes les pièces du puzzle (ou presque) pour être sûr de l'assembler."
La nouvelle méthode dit : "Si vous choisissez bien les pièces (en utilisant un générateur de signal intelligent), vous pouvez reconstruire le puzzle avec seulement la moitié des pièces, et ce, pour 99,9% des puzzles existants."

4. Pourquoi c'est génial ?

Cette découverte permet de :

Économiser du temps et de l'énergie : On peut utiliser des signaux plus courts (moins de temps d'essai).
Utiliser des signaux plus simples : On peut utiliser des ondes sinusoïdales (des courbes douces) avec moins de fréquences, au lieu de bruits blancs complexes.
S'adapter au monde réel : La méthode fonctionne aussi bien pour les systèmes qui évoluent dans le temps discret (comme un ordinateur qui prend des mesures chaque seconde) que dans le temps continu (comme une voiture qui roule en continu).

En Résumé

Les auteurs disent : "Arrêtez de chercher le signal parfait et compliqué. Utilisez un 'générateur' simple et bien conçu. Vous obtiendrez les mêmes résultats, mais avec beaucoup moins d'effort, et cela fonctionnera pour presque toutes les machines que vous rencontrerez."

C'est un passage d'une approche "brute de force" (frapper fort et longtemps) à une approche "intelligente et élégante" (choisir la bonne source de signal). C'est comme passer de l'utilisation d'un marteau-piqueur pour ouvrir une noix, à l'utilisation d'un casse-noix parfaitement adapté : plus efficace, plus rapide, et moins destructeur.

1. Problématique

L'article aborde le problème de l'identification et du contrôle de systèmes linéaires invariants dans le temps (LTI) discrets et continus à partir de données entrée-sortie. Le fondement théorique de cette approche est le Lemme fondamental de Willems, qui stipule que si l'entrée est « persistamment excitante » (PE) d'un ordre suffisamment élevé, les données collectées permettent de caractériser complètement le comportement entrée-sortie du système.

Cependant, la condition de persistance d'excitation (PE) présente plusieurs limitations pratiques :

C'est une condition suffisante mais non nécessaire.
Elle est formulée en termes de rang de matrices de Hankel construites a posteriori, ce qui ne fournit pas de règle constructive directe pour concevoir l'entrée.
Elle impose souvent des longueurs de séquences d'entrée ou des dimensions de générateurs d'entrée plus grandes que nécessaire (par exemple, une dimension de $2n+1$ pour un système d'ordre $n$ ).
Elle est principalement formulée pour les systèmes discrets, rendant l'extension aux systèmes continus moins naturelle.

La question centrale est de savoir s'il existe des entrées qui ne satisfont pas strictement la condition de Willems (ordre PE élevé) mais qui génèrent néanmoins des données informatives pour presque tous les systèmes et conditions initiales.

2. Méthodologie

Les auteurs proposent un changement de paradigme : passer de la théorie comportementale (basée sur les propriétés des matrices de données) à la théorie des systèmes dynamiques (basée sur la structure du générateur d'entrée).

Approche principale :

Modélisation par Générateur de Signal : Au lieu de considérer l'entrée $u(t)$ comme une séquence arbitraire, ils la modélisent comme la sortie d'un système dynamique autonome (le générateur de signal) :
$w(t+1) = S_g w(t), \quad u(t) = L_g w(t)$
où $w(t) \in \mathbb{R}^{N_g}$ est l'état du générateur, $S_g$ la matrice dynamique et $L_g$ la matrice de sortie.
Hypothèses : Le couple $(L_g, S_g)$ est supposé observable et le couple $(S_g, w_0)$ contrôlable. De plus, les spectres du système ( $A$ ) et du générateur ( $S_g$ ) sont disjoints ( $\sigma(A) \cap \sigma(S_g) = \emptyset$ ).
Analyse Structurelle : En interconnectant le générateur de signal au système LTI, les auteurs décomposent la matrice de Hankel entrée-sortie. Ils montrent que le rang de cette matrice dépend de la dimension du générateur $N_g$ et de la structure des variétés invariantes du système interconnecté.
Extension Continue : La méthodologie est ensuite étendue aux systèmes continus en utilisant des jets (dérivées successives) au lieu de fenêtres temporelles discrètes.

3. Contributions Clés

Relaxation de la condition de Willems : Les auteurs démontrent que pour obtenir des données informatives pour presque toutes les conditions initiales (au sens de la mesure de Lebesgue), il n'est pas nécessaire que la dimension du générateur soit $N_g \ge L + n$ (où $L$ est l'ordre de la fenêtre et $n$ l'ordre du système). Il suffit que $N_g \ge L$ .
Condition Nécessaire et Suffisante : Ils établissent une condition nécessaire et suffisante sur la dimension du générateur de signal pour garantir l'informativité des données pour presque tous les systèmes et conditions initiales.
Guides de Conception Directs : En passant par la structure du générateur, ils fournissent une règle constructive pour concevoir les entrées (par exemple, choisir la dimension $N_g$ et les pôles de $S_g$ ), contrairement à la vérification a posteriori de la condition PE.
Extension Naturelle au Temps Continu : La formulation basée sur le générateur permet une extension fluide et rigoureuse du lemme fondamental aux systèmes LTI continus.
Élargissement de la Classe d'Entrées : Cette approche valide l'utilisation d'entrées qui échouent à la condition de Willems stricte, telles que des séquences multi-sinus avec moins de fréquences ou des signaux aléatoires de longueur réduite.

4. Résultats Principaux

Théorème 1 (Cas Discret) :
Pour un système LTI SISO d'ordre $n$ et une fenêtre de données de longueur $L$ :

Si $N_g < L$ : Les données ne sont jamais informatives.
Si $L \le N_g < L + n$ : Les données sont informatives pour presque toutes les conditions initiales $x(0)$ (l'ensemble des conditions initiales échouant est de mesure nulle), à condition que la longueur des données $T$ soit suffisante ( $T \ge N_g + n + L - 1$ ).
Si $N_g \ge L + n$ : Les données sont informatives pour toutes les conditions initiales.

Corollaire 2 (Application Pratique) :
Pour identifier un système d'ordre $n$ ( $L=n+1$ ), le Lemme de Willems classique exige une entrée d'ordre PE $\ge 2n+1$ , nécessitant souvent une longueur de séquence $T \ge 4n+1$ .
Grâce à la relaxation proposée, un générateur de dimension $N_g = n+1$ suffit pour obtenir un rang de matrice de Hankel maximal ( $2n+1$ ) avec une longueur de séquence minimale de $T = 3n+1$ .

Théorème 2 (Cas Continu) :
Un résultat analogue est établi pour les systèmes continus, où l'informativité des données (basée sur les jets d'ordre $L-1$ ) est garantie pour presque toutes les conditions initiales si la dimension du générateur continu $N_g \ge L$ .

5. Signification et Impact

Ce travail est significatif car il offre une relaxation pratique d'un résultat théorique fondamental en contrôle basé sur les données.

Efficacité des données : Il permet de réduire la longueur des expériences d'identification ou de contrôle, ce qui est crucial dans les applications où la collecte de données est coûteuse ou lente.
Flexibilité de conception : Il libère les ingénieurs de la contrainte rigide de générer des signaux à large bande (comme le bruit blanc ou les multi-sinus très denses) pour satisfaire la condition PE. Des signaux plus simples, générés par des systèmes dynamiques de dimension réduite, sont désormais théoriquement justifiés.
Unification : Il unifie la théorie des systèmes discrets et continus sous un même cadre de générateurs de signaux, facilitant l'application des méthodes de contrôle basé sur les données dans des contextes hybrides ou continus.

En résumé, l'article démontre que la contrainte de persistance d'excitation peut être assouplie en se concentrant sur la dimension du générateur d'entrée, permettant ainsi d'obtenir des données informatives avec des signaux plus courts et plus simples pour la grande majorité des cas pratiques.