⚡ electrical engineering

Observer Design for a Class of Systems Described by Differential-Algebraic Equations and Parameter Identification of an Unmeasured Disturbance

Cet article propose une nouvelle conception d'observateur et une méthode d'identification de paramètres pour les systèmes décrits par des équations différentielles linéaires soumis à des perturbations non appariées, en utilisant des hypothèses structurelles et une nouvelle technique de paramétrage pour reconstruire les vecteurs d'état et estimer les paramètres de perturbation inconnus, comme le valident des simulations numériques.

Auteurs originaux : Olga Oskina, Alexey Bobtsov

Publié 2026-07-13

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Olga Oskina, Alexey Bobtsov

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 résoudre un puzzle géant et complexe où certaines pièces bougent, d'autres sont bloquées, et un fantôme malicieux secoue constamment la table. Ce document traite de la construction d'un détective super intelligent (appelé un « observateur ») capable de comprendre exactement où se trouve chaque pièce du puzzle, même quand le fantôme les cache, et de déterminer ensuite exactement quel genre de fantôme cause les problèmes.

Le Puzzle : Un mélange de pièces mobiles et bloquées
La plupart des systèmes que l'on apprend à l'école sont comme une voiture roulant sur une route : tout change de manière fluide au fil du temps. Mais ce document traite d'une classe spéciale de systèmes appelés « systèmes décrits » (ou équations différentielles-algébriques). Considérez ces systèmes comme un système avec deux types de variables :

Pièces dynamiques : Ce sont comme la vitesse d'une voiture ; elles changent et se déplacent au fil du temps.
Pièces algébriques : Ce sont comme une règle qui dit : « Si la voiture est au kilomètre 5, la jauge de carburant doit impérativement afficher 20 %. » Elles ne bougent pas d'elles-mêmes ; elles sont verrouillées dans une relation avec les pièces mobiles.

Les auteurs étudient un système où le « fantôme » (une perturbation inconnue) perturbe le puzzle. Le but est de construire un détective capable de deviner la position des pièces mobiles, de comprendre ce que fait le fantôme, et même d'identifier la carte d'identité secrète du fantôme (ses paramètres inconnus).

La Stratégie du Détective : Nettoyer le désordre
Les auteurs soutiennent qu'on ne peut pas simplement utiliser les outils de détective standards pour ces systèmes mixtes ; ils seraient confus par les règles algébriques « bloquées ». Les auteurs proposent un ensemble spécifique de règles pour rendre la tâche possible :

L'Output « Sans Fantôme » : Ils supposent que le fantôme ne touche pas directement le rapport final (le signal de sortie) d'une manière qui ne puisse être tracée. Si le fantôme pouvait magiquement modifier le rapport sans laisser de trace dans les règles du système, le détective serait bloqué. Le document exige explicitement que l'influence du fantôme puisse être mathématiquement séparée.
Résoudre le Verrou : Ils démontrent que si les règles « bloquées » sont résolubles (une condition mathématique spécifique appelée « rang »), on peut réécrire tout le puzzle. On peut exprimer les pièces bloquées en fonction des pièces mobiles et du fantôme. Cela transforme le puzzle mixte désordonné en un puzzle de mouvement standard plus propre.

Le Tour de Magie : Transformer un Fantôme en une Ligne
Voici le mouvement le plus créatif des auteurs. Habituellement, si le comportement d'un fantôme dépend de nombres inconnus de manière compliquée et courbe (non linéaire), c'est un cauchemar à trouver. Les auteurs suggèrent une astuce ingénieuse utilisant les « délais temporels ».

Imaginez que le fantôme crie un message. Si vous enregistrez le message, attendez une seconde, enregistrez-le à nouveau, attendez une seconde, et une troisième fois, vous avez trois versions différentes du même cri. Les auteurs utilisent ces versions retardées pour créer une procédure de « mélange ».

Ils prennent le signal du fantôme reconstruit et le mélangent avec ses copies retardées.
Grâce à une magie algébrique (en utilisant une méthode appelée DREM), ils transforment la relation compliquée et courbe en une ligne droite (une régression linéaire).
Soudain, les nombres inconnus que le fantôme cache deviennent faciles à repérer, tout comme trouver une ligne droite sur un graphique.

La Simulation : Cela a-t-il fonctionné ?
Les auteurs n'ont pas seulement imaginé cela ; ils ont construit un modèle informatique pour tester l'idée. Ils ont créé un système fictif avec 3 variables (deux mobiles, une bloquée) et un fantôme qui criait un mélange de deux signaux exponentiels (comme e élevé à une puissance).

La Configuration : Ils ont fixé les nombres secrets du fantôme à -0,1 et -0,3.
Le Test : Ils ont lancé une simulation où leur détective tentait de deviner les parties mobiles et l'identité du fantôme.
Le Résultat : La simulation a montré que le détective a réussi à deviner les parties mobiles, et l'erreur (la différence entre la supposition et la vérité) a diminué jusqu'à presque zéro. Les nombres secrets du fantôme ont également été identifiés correctement, mais seulement après une « période d'attente ».

Pourquoi une Période d'Attente ?
Le document note avec prudence qu'on ne peut pas commencer à deviner l'ID du fantôme immédiatement. Le détective a besoin de temps pour se stabiliser, et les filtres utilisés pour deviner la « vitesse » des signaux (puisqu'on ne peut pas mesurer la vitesse directement) ont besoin de temps pour arrêter de vaciller. Les auteurs ont calculé un temps spécifique, $T_{id}$ , qui est la somme du temps pour que l'observateur se stabilise, du temps pour que les filtres se stabilisent, et du temps pour le délai le plus long utilisé dans l'astuce de mélange. Ce n'est qu'après ce temps passé que l'on doit faire confiance au devin de l'ID.

L'Essentiel à Retenir
Ce document suggère une façon de construire un détective pour un type de système très spécifique et complexe. Il prouve (par des simulations informatiques) que si l'on suit leurs règles structurelles — en s'assurant spécifiquement que le fantôme ne contourne pas les verrous algébriques du système — on peut :

Reconstruire les parties mobiles cachées du système.
Reconstruire le signal du fantôme.
Transformer la personnalité compliquée et inconnue du fantôme en une simple liste de nombres calculables.

Les auteurs concluent qu'une fois que l'on connaît l'ID du fantôme, on pourrait théoriquement construire un contrôleur pour l'annuler, mais pour l'instant, ils ont seulement démontré que la partie identification fonctionne dans leurs simulations informatiques. La méthode est un nouvel outil prometteur pour gérer les systèmes où les règles sont aussi importantes que le mouvement.

Résumé technique : Observateur et identification de paramètres pour les systèmes décrits par des descripteurs avec perturbations non mesurées

Énoncé du problème
Cet article traite du défi que représentent l'estimation d'état et l'identification de paramètres pour une classe de systèmes décrits par des descripteurs linéaires invariants dans le temps (également appelés équations différentielles-algébriques) soumis à des perturbations inconnues et non appariées (unmatched). Dans de nombreuses applications pratiques — allant des circuits électriques aux processus chimiques — les systèmes sont régis à la fois par des équations différentielles dynamiques et des contraintes algébriques statiques. Une difficulté majeure réside dans le fait qu'une sous-partie des variables d'état n'est mesurable, et que le système est affecté par des perturbations externes qui ne sont pas directement mesurables et qui n'entrent pas dans le système par le même canal que l'entrée de commande (non appariées). L'objectif principal est de construire un observateur capable d'estimer les composantes dynamiques du vecteur d'état et de reconstruire par la suite le signal de perturbation afin d'identifier ses paramètres constants inconnus.

Méthodologie
La solution proposée suit une approche structurée en plusieurs étapes, basée sur des hypothèses structurelles spécifiques :

Réduction du système : Les auteurs supposent que la matrice singulière $E$ possède une structure en blocs spécifique, permettant de décomposer le système en composantes dynamiques ( $x_a$ ) et algébriques ( $x_b$ ). Sous l'hypothèse que le sous-système algébrique est soluble par rapport à $x_b$ , les auteurs dérivent une expression explicite pour $x_b$ en fonction de $x_a$ , de l'entrée connue $u$ et de la perturbation $\delta$ . La substitution de cette expression dans les équations dynamiques produit une équation différentielle ordinaire (ODE) d'ordre réduit pour $x_a$ .
Élimination de la perturbation et conception de l'observateur : Une hypothèse structurelle critique est introduite : l'équation de sortie réduite ne doit pas présenter de canal de transmission directe pour la perturbation (c'est-à-dire $C_2 A_{22}^{-1} B_{22} = 0$ ). Cela permet à l'équation de sortie de dépendre uniquement de $x_a$ et $u$ . En dérivant la sortie et en utilisant la condition que le canal de perturbation dans l'équation d'état est non nul ( $C_3 B_{2a} \neq 0$ ), la perturbation $\delta(t)$ est exprimée explicitement en fonction de l'état, de l'entrée et des dérivées de la sortie. La substitution de cette expression dans l'équation d'état élimine le terme de perturbation, produisant une ODE sans perturbation pour $x_a$ . Un observateur à entrées inconnues est ensuite construit pour ce système réduit. Pour éviter la difficulté pratique de la dérivation de signaux bruités, l'observateur est reformulé à l'aide d'une transformation de coordonnées qui élimine la nécessité de dériver directement la sortie, et des filtres du premier ordre stables sont employés pour estimer les dérivées nécessaires des signaux de sortie et d'entrée.
Reconstruction de la perturbation et identification de paramètres : Une fois l'estimation d'état $\hat{x}_a$ obtenue, le signal de perturbation $\hat{\delta}$ est reconstruit. L'article se concentre sur une classe spécifique de perturbations qui dépendent de manière non linéaire de paramètres constants inconnus, mais qui peuvent être paramétrées à l'aide de fonctions temporelles connues et de retards temporels. Pour identifier ces paramètres, les auteurs proposent une nouvelle méthode de paramétrage. En introduisant plusieurs retards temporels au signal de perturbation reconstruit, ils forment un système de régression étendu. Grâce à une procédure de « mélange » (utilisant la matrice adjointe et le déterminant de la matrice de régression), ils transforment la dépendance non linéaire originale vis-à-vis des paramètres en une équation de régression linéaire par rapport à de nouvelles combinaisons de paramètres constantes. Ces combinaisons sont ensuite estimées à l'aide d'algorithmes adaptatifs standards, tels que la méthode du gradient ou les moindres carrés récursifs. Enfin, les paramètres inconnus originaux sont récupérés algébriquement à partir de ces estimations.

Contributions clés

Conception d'observateurs pour les systèmes à descripteurs : L'article fournit une méthode systématique pour concevoir des observateurs pour les systèmes à descripteurs linéaires avec des perturbations non appariées, évitant la perte d'information souvent associée à la réduction des systèmes à descripteurs en ODE standards.
Conditions structurelles pour le découplage de la perturbation : Les auteurs identifient des conditions structurelles spécifiques (Hypothèses 4 et 5) sous lesquelles la perturbation peut être éliminée algébriquement de la dynamique d'estimation d'état, permettant la construction d'un observateur standard pour la partie dynamique du système.
Paramétrage non linéaire-vers-linéaire : Une contribution significative est la méthode proposée pour traiter les signaux de perturbation qui sont non linéaires par rapport à leurs paramètres inconnus. En exploitant les retards temporels et le concept de l'Extension et du Mélange de Régresseurs Dynamiques (DREM), les auteurs parviennent à convertir un problème d'identification non linéaire en un problème de régression linéaire, facilitant ainsi l'utilisation de techniques d'estimation robustes et standards.
Stratégie d'implémentation : Le travail détaille les questions d'implémentation pratique, notamment l'utilisation de filtres pour approximer les dérivées et le calcul d'un « temps de démarrage » spécifique ( $T_{id}$ ) pour l'algorithme d'identification, afin de garantir que les transitoires de l'observateur et du filtre se soient amortis avant que l'estimation des paramètres ne commence.

Résultats
L'efficacité des procédures proposées est démontrée par une simulation numérique d'un exemple académique impliquant un système à descripteur du troisième ordre. Les résultats de la simulation montrent que :

Estimation d'état : L'erreur d'estimation du vecteur d'état dynamique $x_a$ converge vers zéro.
Reconstruction de la perturbation : Le signal de perturbation reconstruit $\hat{\delta}$ suit précisément la perturbation réelle.
Identification de paramètres : Les paramètres inconnus de la perturbation ( $\theta_1, \theta_2$ ) convergent vers leurs valeurs réelles après la période transitoire initiale, validant le schéma de linéarisation et d'identification proposé.

Signification et affirmations
L'article affirme que la méthodologie proposée offre un cadre théoriquement fondé et pratiquement applicable pour observer et identifier les perturbations dans les systèmes à descripteurs. Les auteurs soulignent que leur approche permet la reconstruction du signal de perturbation et l'identification de ses paramètres, ce qui est un prérequis pour des tâches ultérieures telles que la compensation de la perturbation et la conception de contrôleurs stabilisants basés sur le principe du modèle interne. Le travail met en évidence qu'en analysant soigneusement la structure algébrique du système, on peut surmonter les limites des conceptions d'observateurs standards qui reposent sur la réduction en équations différentielles ordinaires, permettant ainsi de préserver toute l'information du système et d'améliorer la précision de l'estimation. L'article conclut modestement en indiquant que les simulations numériques confirment la convergence des erreurs d'estimation vers zéro (pour les états) ou vers un voisinage de zéro (pour la perturbation et les paramètres), sous les hypothèses introduites.

Articles similaires