Table of Contents

En théorie du contrôle, un observateur d'État est un système qui fournit une estimation de l'état interne d'un système réel donné, à partir des mesures de l'entrée et de la sortie du système réel. Il est généralement mis en œuvre par ordinateur, et fournit la base de nombreuses applications pratiques.Les observateurs jouent un rôle fondamental dans l'ingénierie de contrôle moderne, permettant des stratégies de contrôle sophistiquées qui seraient autrement impossibles lorsque l'information complète de l'état est indisponible.

Comprendre les observateurs d'État: concepts fondamentaux

La connaissance de l'état du système est nécessaire pour résoudre de nombreux problèmes de théorie de contrôle; par exemple, stabiliser un système en utilisant la rétroaction de l'état. Dans la plupart des cas, l'état physique du système ne peut pas être déterminé par une observation directe.

Un exemple simple est celui des véhicules dans un tunnel: les vitesses et les vitesses auxquelles les véhicules entrent et sortent du tunnel peuvent être observées directement, mais l'état exact à l'intérieur du tunnel ne peut être estimé que. Cette analogie illustre le défi fondamental que les observateurs doivent relever: reconstruire l'information complète du système à partir de mesures partielles.

La condition d'observation

Si un système est observable, il est possible de reconstruire complètement l'état du système à partir de ses mesures de sortie à l'aide de l'observateur d'état. Le système est observable, ce qui est vrai si l'état du système peut être déterminé à partir de l'entrée et de la sortie dans un temps fini.

La matrice d'observation est un outil fondamental pour déterminer si les états d'un système peuvent être estimés. Pour un système linéaire invariant dans le temps avec la matrice d'état A et la matrice de sortie C, la matrice d'observation O est construite à partir de puissances successives des matrices de système. Un système est complètement observable lorsque cette matrice a un rang complet, ce qui signifie que tous les états peuvent être déterminés à partir des mesures de sortie.

Pourquoi les observateurs sont essentiels

Dans l'approche de la conception des systèmes de commande par poleplacement, nous avons supposé que toutes les variables d'état étaient disponibles pour la rétroaction. Cependant, dans la pratique, toutes les variables d'état ne sont pas disponibles pour la rétroaction, par exemple si le composant est dans un endroit inaccessible, ou si les capteurs sont coûteux.

Plusieurs contraintes pratiques exigent le recours à des observateurs :

  • Limitations physiques:[ Certains états peuvent être physiquement impossibles ou impossibles à mesurer directement
  • Contraintes du coût:[ Des capteurs de haute qualité pour toutes les variables d'état peuvent être prohibitifs coûteux
  • Limitations spatiales:[ L'installation de capteurs pour chaque variable d'état peut ne pas être possible dans les systèmes compacts
  • La fiabilité concerne:[ Réduire le nombre de capteurs peut améliorer la fiabilité globale du système
  • Réduction du bruit:[ Les observateurs peuvent fournir des estimations filtrées moins bruyantes que les mesures directes

Le but et les avantages des observateurs dans les systèmes de contrôle

Les observateurs d'État sont des éléments essentiels de nombreux systèmes de contrôle, en particulier lorsque le vecteur d'état complet est nécessaire pour le contrôle des retours mais ne peut pas être mesuré directement, ce qui permet la mise en œuvre de stratégies de contrôle avancées qui reposent sur des informations complètes sur l'état, même lorsque des mesures partielles sont disponibles.

Contrôle de la rétroaction de l ' État

Un contrôleur basé sur un observateur est un contrôleur dynamique de rétroaction avec une structure en deux étapes. Premièrement, le contrôleur génère une estimation de la variable d'état du système à contrôler, en utilisant la sortie mesurée et l'entrée connue du système. L'estimation d'état est traitée comme si elle était égale à l'état exact du système, et elle est utilisée par un contrôleur statique de rétroaction.

Cette architecture en deux étapes sépare le problème d'estimation du problème de contrôle, permettant aux ingénieurs de concevoir chaque composant indépendamment. Ce principe de séparation est un résultat puissant dans la théorie de contrôle linéaire qui simplifie significativement le processus de conception globale.

Améliorer la performance et la robustesse du système

Les observateurs contribuent à améliorer les performances du système de plusieurs façons : ils filtrent le bruit de mesure, fournissent des estimations de l'état plus propres que les données brutes des capteurs, et ils estiment que les états changent trop rapidement pour que les capteurs puissent suivre avec précision, ou qu'ils soient difficiles à mesurer en raison des conditions environnementales.

Un observateur robuste devrait être en mesure de maintenir des performances et une stabilité satisfaisantes, même lorsque le système réel s'écarte du modèle supposé ou est soumis à des perturbations externes. Cette robustesse est critique dans les applications réelles où les incertitudes et les perturbations du modèle sont inévitables.

Compensation pour les limites de capteur

Les capteurs du monde réel ont des limites inhérentes, y compris les contraintes de bande passante, les retards de mesure, le bruit et la dérive. Les observateurs peuvent compenser ces limites en combinant des prédictions basées sur des modèles avec des mesures de capteurs. L'observateur utilise le modèle dynamique du système pour prédire l'évolution de l'état entre les mesures, puis corrige ces prédictions lorsque de nouvelles mesures sont disponibles.

Types d ' observateurs d ' État

Mode linéaire, retardé, coulissant, gain élevé, Tau, homogénéité, observateurs étendus et cubiques sont parmi plusieurs structures d'observateurs utilisées pour l'estimation de l'état des systèmes linéaires et non linéaires. Chaque type d'observateur a des caractéristiques spécifiques qui le rendent adapté pour des applications particulières et des types de systèmes.

Observateurs de l'État à la demande de l'État

Si l'observateur d'État observe toutes les variables d'état du système, que certaines variables d'état soient disponibles pour la mesure directe, il est appelé observateur d'État en ordre complet. Les observateurs en ordre complet estiment tous les états du système, y compris ceux qui pourraient être directement mesurables.

Un observateur de pleine commande a la même dimension que l'usine observée. Il reconstitue l'ensemble du vecteur d'état en traitant toutes les mesures d'entrée et de sortie disponibles. La conception des observateurs de pleine commande est bien établie, avec des procédures systématiques basées sur le positionnement de pôles ou des techniques de contrôle optimales.

Observateurs de l'État à ordre réduit

Si une ou plusieurs variables d'état peuvent être mesurées ou observées directement, le système ne nécessite qu'un observateur à ordre réduit, c'est-à-dire un observateur à ordre inférieur à celui de l'usine. L'observateur à ordre réduit peut estimer les états non mesurables et un chemin de rétroaction direct peut être utilisé pour obtenir les valeurs d'état mesurées.

Les observateurs à ordre réduit sont plus efficaces sur le plan informatique que les observateurs à ordre complet parce qu'ils n'estiment que les états non mesurés. Cette efficacité peut être cruciale dans les systèmes embarqués à ressources limitées ou lorsque des taux d'échantillonnage élevés sont requis.

Open-Loop vs. Close-Loop Observateurs

Si A n'est pas stable, l'erreur diverge. Les observateurs en boucle ouverte semblent simples mais ne fonctionnent pas dans la pratique. Un observateur en boucle ouverte reproduit simplement la dynamique du système sans mécanisme de correction. Toute erreur d'estimation initiale ou tout défaut de concordance du modèle persistera ou grandira au fil du temps.

Les observateurs en boucle fermée, par contre, intègrent les commentaires de la différence entre les sorties mesurées et estimées. Ce mécanisme de rétroaction conduit l'erreur d'estimation vers zéro, rendant les observateurs en boucle fermée pratique pour les applications réelles. L'observateur Luenberger est le type le plus commun d'observateur en boucle fermée pour les systèmes linéaires.

L'observateur de Luenberger : conception et théorie

Le bloc Luenberger Observer met en œuvre un observateur de temps discret Luenberger. Utilisez ce bloc pour estimer les états d'un système observable en utilisant : Les entrées et sorties discrètes du système. Une représentation discrète de l'espace d'état du système. Nommé d'après David Luenberger qui a introduit le concept dans les années 1960, l'observateur Luenberger est devenu l'approche standard pour l'estimation d'état dans les systèmes linéaires.

Fondation mathématique

Nous connaissons les matrices A, B, C et D de notre usine, afin de pouvoir utiliser ces valeurs exactes dans notre estimateur. Nous connaissons l'entrée du système, nous connaissons la sortie du système, et nous avons les matrices du système. Ce que nous ne savons pas, nécessairement, sont les conditions initiales de l'usine.

Ce que l'estimateur essaie de faire est de faire l'estimation vectorielle d'état approcher le vecteur d'état réel rapidement, puis de refléter le vecteur d'état réel. Nous le faisons en prenant la différence entre la sortie de l'usine et la sortie de l'estimateur.

L'observateur de Luenberger pour un système linéaire à temps continu prend la forme d'un système dynamique qui fonctionne en parallèle avec l'usine actuelle. Il utilise les mêmes matrices de système (A, B, C) que l'usine, mais comprend un terme de correction supplémentaire proportionnel à l'erreur d'estimation de sortie. Ce terme de correction, pondéré par la matrice de gain d'observateur L, fournit le mécanisme de rétroaction qui assure la convergence des états estimés aux états réels.

Dynamique d'erreur d'observateur

La clé pour comprendre la conception des observateurs est d'analyser la dynamique des erreurs, comment la différence entre les états réels et estimés évolue au fil du temps. En soustrayant les équations des observateurs des équations des plantes, nous obtenons une équation différentielle décrivant l'évolution des erreurs. Les valeurs propres de la matrice de dynamique des erreurs (A - CL) déterminent la vitesse à laquelle l'erreur d'estimation converge à zéro.

La dynamique des erreurs sera dictée par les valeurs propres de A + LC. Généralement une bonne idée pour l'observateur de converger plus rapidement que l'usine. Cette convergence plus rapide garantit que l'observateur fournit rapidement des estimations précises de l'état, même en partant de conditions initiales incorrectes.

Placement du pôle pour le design d'observateur

Les valeurs propres de A + LC sont librement assimilables par L si et seulement si (C, A) est observable. Ce résultat est le double théorème de placement des pôles pour le contrôle de la rétroaction d'état. Tout comme nous pouvons placer arbitrairement des pôles en boucle fermée pour des systèmes contrôlables, nous pouvons placer arbitrairement des pôles d'observateurs pour des systèmes observables.

Il est crucial de choisir judicieusement la matrice de gain L, car elle influence de façon critique la réponse dynamique de l'observateur. En général, cela se fait par des techniques de positionnement de pôles ou par une approche de contrôle optimale.

La procédure de placement des pôles pour la conception des observateurs comprend:

  • Sélection des emplacements souhaités des pôles d'observation en fonction des exigences de performance
  • Former le polynôme caractéristique désiré à partir de ces pôles
  • Résoudre pour l'observateur gain matrice L qui atteint cette caractéristique polynôme
  • Vérifier que l'observateur résultant satisfait aux spécifications de stabilité et de performance

La réponse transitoire de l'estimateur, c'est-à-dire la durée de l'erreur à atteindre approximativement zéro, devrait être significativement plus courte que la réponse transitoire de l'usine. Les pôles de l'estimateur devraient être, par règle du pouce, au moins 2-6 fois plus rapides que les pôles de votre usine. Cette ligne directrice garantit que l'observateur converge rapidement par rapport à la dynamique de la plante, minimisant l'impact des erreurs d'estimation initiale sur la performance du contrôle.

Dualité entre contrôle et observabilité

En concevant l'observateur d'état en ordre complet, nous pouvons résoudre le double problème, c'est-à-dire résoudre le problème de positionnement des pôles pour le système double. Ce principe de dualité est l'un des résultats les plus élégants en théorie de contrôle. Le problème de concevoir un observateur d'un système (A, C) est mathématiquement équivalent à la conception d'un contrôleur de rétroaction d'état pour le système double (AT, CT.

Cette dualité signifie que tous les outils et techniques développés pour la conception de contrôleurs peuvent être directement appliqués à la conception d'observateurs en transposant simplement les matrices pertinentes. Les outils logiciels pour la conception de systèmes de contrôle exploitent généralement cette dualité, en utilisant les mêmes algorithmes pour la conception de contrôleurs et d'observateurs.

Le filtre Kalman : estimation optimale de l'état

Alors que l'observateur de Luenberger est conçu sur la base de la position déterministe du pôle, le filtre Kalman adopte une approche stochastique pour l'estimation de l'état. Le filtre Kalman est optimal dans le sens qu'il minimise l'erreur moyenne d'estimation carrée lorsque le système est soumis au bruit blanc gaussien dans la dynamique du processus et les mesures.

Modèle de système stochastique

Le filtre Kalman est conçu pour les systèmes où le bruit de procédé et le bruit de mesure sont présents. Le bruit de procédé représente des incertitudes dans le modèle du système, des perturbations et une dynamique non modélisée. Le bruit de mesure représente des inexactitudes de capteur et des interférences environnementales.

Le filtre fonctionne en deux étapes : la prédiction et la correction. Au stade de la prédiction, le filtre utilise le modèle système pour prédire l'état à l'étape suivante. Au stade de la correction, lorsqu'une nouvelle mesure est disponible, le filtre met à jour sa prédiction en pesant de façon optimale l'état prédit par rapport à la mesure en fonction de leurs incertitudes relatives.

Calcul optimal du gain

Contrairement à l'observateur de Luenberger où le gain est choisi par placement de pôles, le gain de filtre Kalman est calculé en résolvant une équation de Riccati qui équilibre l'incertitude de prédiction avec l'incertitude de mesure.

Le gain de filtre Kalman varie au fil du temps à mesure que la covariance d'erreur évolue. Pour les systèmes invariants dans le temps avec des statistiques de bruit constantes, le gain de filtre Kalman converge vers une valeur d'état stable, ce qui donne un filtre Kalman à état stable. Ce filtre à état stable a des gains constants et est calculablement plus simple à mettre en œuvre que le filtre à temps variable.

Filtre Kalman étendu pour systèmes non linéaires

Parmi les techniques communes de conception des observateurs non linéaires, on peut citer : les filtres Kalman élargis (EKF), qui linéarisent le système non linéaire autour de l'estimation de l'état courant. L'EKF étend le cadre du filtre Kalman aux systèmes non linéaires en linéarisant à plusieurs reprises la dynamique du système et les équations de mesure autour de l'estimation de l'état courant.

A chaque étape, les matrices Jacobian de l'EKF représentent l'approximation linéaire locale des fonctions non linéaires. Ces Jacobians sont utilisés dans les équations de prédiction et de correction, comme le filtre Kalman linéaire. Bien que l'EKF ne soit pas optimal pour les systèmes non linéaires, il offre souvent de bonnes performances et a été appliqué avec succès dans de nombreuses applications, y compris la navigation, la robotique et les systèmes aérospatiaux.

Structures d'observateurs avancées

Observateurs en mode coulissant

Certains types d'observateurs commutés sont les observateurs en mode coulissant, les observateurs non linéaires étendus, les observateurs à temps fixe, les observateurs à gain élevé commutés et les observateurs à un seul tour. L'observateur en mode coulissant utilise des retours non linéaires à gain élevé pour conduire des états estimés vers une hypersurface où il n'y a pas de différence entre la sortie estimée et la sortie mesurée.

Les observateurs en mode coulissant possèdent également des propriétés de résistance au bruit attrayantes qui sont semblables à un filtre Kalman. La nature discontinue du retour en mode coulissant fournit une robustesse inhérente aux incertitudes et aux perturbations du modèle.

Observateurs à haut niveau

Lorsque le gain d'observateur est élevé, l'observateur linéaire de Luenberger converge très rapidement vers les états du système. Cependant, le gain d'observateur élevé conduit à un phénomène de pointe dans lequel l'erreur initiale d'estimateur peut être prohibitivement grande (c.-à-d., peu pratique ou dangereuse à utiliser).

Par conséquent, des méthodes non linéaires d'observation à haut gain sont disponibles qui convergent rapidement sans le phénomène de pointe. Ces observateurs avancés à haut gain utilisent des fonctions de gain non linéaires qui fournissent un gain élevé lorsque les erreurs d'estimation sont importantes, mais réduisent le gain à mesure que les erreurs diminuent, évitant le problème de pointe tout en maintenant une convergence rapide.

Observateurs intervales et de liaison

Les observateurs de l'état sont une classe d'observateurs qui fournissent simultanément deux estimations de l'état : l'une des estimations fournit une limite supérieure à la valeur réelle de l'état, tandis que la seconde fournit une limite inférieure. La valeur réelle de l'état est alors connue pour être toujours dans ces deux estimations. Ces limites sont très importantes dans les applications pratiques, car elles permettent de connaître à chaque fois la précision de l'estimation.

Les observateurs intervals sont particulièrement utiles dans les applications critiques pour la sécurité, où des limites garanties sur les estimations de l'état sont nécessaires, et ils sont également utiles pour la détection des défauts, car les mesures qui tombent en dehors des limites prédites indiquent des défaillances potentielles de capteurs ou des erreurs de modèles.

Stratégies et méthodologies de conception

Sélection du type d'observateur approprié

Le choix du type d'observateur dépend de plusieurs facteurs, dont les caractéristiques du système, les conditions sonores, les ressources informatiques et les exigences de performance. Pour les systèmes linéaires avec des modèles bien connus et un bruit minimal, un observateur Luenberger conçu par positionnement de poteau est souvent suffisant.

Pour les systèmes non linéaires, le choix devient plus complexe. Les filtres Kalman étendus fonctionnent bien pour les systèmes légèrement non linéaires, tandis que les observateurs en mode coulissant ou les observateurs à haut gain peuvent être plus appropriés pour les systèmes hautement non linéaires ou les systèmes avec des incertitudes importantes.

Exigences du modèle en matière d'exactitude

La performance des observateurs dépend de la précision du modèle. L'observateur utilise le modèle système pour prédire l'évolution de l'état, de sorte que les erreurs de modèle se traduisent directement par des erreurs d'estimation.

Les filtres Kalman sont un peu plus robustes pour les erreurs de modèle car ils mettent à jour leurs estimations en continu sur la base de mesures. Cependant, des erreurs importantes de modèle vont encore dégrader les performances.

Caractérisation du bruit

Pour la conception de filtres Kalman, il faut une connaissance précise des statistiques de processus et de mesure du bruit pour calculer les gains optimaux. Même pour les observateurs Luenberger, la compréhension des caractéristiques du bruit aide à choisir les emplacements appropriés des pôles d'observation.

Le bruit de mesure provient généralement des limites des capteurs, des interférences électromagnétiques et des effets de quantification dans les convertisseurs analogiques à numériques. Le bruit de processus représente des perturbations, une dynamique non modélisée et des variations de paramètres.

Spécifications de performance

La conception des observateurs doit être fondée sur des spécifications de performance claires, notamment:

  • Temps de convergence:[ Quelle est la rapidité avec laquelle les erreurs d'estimation devraient se décomposer pour atteindre des niveaux acceptables?
  • Précision de l'état de stabilité:[ Quel niveau d'erreur d'estimation est acceptable à l'état d'équilibre?
  • Sensibilité au bruit: Combien doit mesurer le bruit du filtre d'observateur?
  • Robustness:[ Combien d'incertitudes de modèle l'observateur peut-il tolérer?
  • Coûts informatiques:[ Quelles sont les contraintes sur le temps et la mémoire de traitement?

Ces spécifications guident le choix du type d'observateur et l'accord des paramètres d'observateur.Il existe souvent des compromis entre des objectifs concurrents – par exemple, une convergence plus rapide exige généralement des gains plus élevés de l'observateur, ce qui augmente la sensibilité au bruit.

Considérations relatives à la mise en œuvre

Discrétisation pour l'implémentation numérique

Le bloc implémente un observateur de temps discret Luenberger en utilisant la méthode d'Euler en arrière en raison de sa simplicité et de sa stabilité. La plupart des systèmes de contrôle modernes sont mis en œuvre numériquement, nécessitant une discrétisation des conceptions d'observateurs en continu.

Le choix du temps d'échantillonnage est critique. La fréquence d'échantillonnage doit être suffisamment élevée pour saisir la dynamique du système et fournir des estimations en temps opportun, mais pas si élevées que des limites de calcul deviennent problématiques ou des problèmes numériques.

Efficacité informatique

L'implémentation d'observateurs nécessite des multiplications et des ajouts matricielles à chaque étape. Pour les systèmes à haute commande ou avec des taux d'échantillonnage rapides, l'efficacité computationnelle devient importante.

  • N'estimer que les états non mesurés pour réduire le calcul
  • Méthodes de matrice de séparation: Exploiter la structure dans les matrices du système pour réduire les opérations
  • Arithmétique en point fixe: Utiliser l'arithmétique en entier au lieu du point flottant pour un calcul plus rapide
  • Traitement paralléliste:[ Distribuer les calculs entre plusieurs processeurs lorsque disponibles

Les processeurs intégrés modernes et les processeurs numériques de signaux fournissent une puissance de calcul suffisante pour la plupart des applications d'observateurs. Cependant, une attention particulière à l'efficacité de calcul demeure importante pour les systèmes ou applications à ressources limitées nécessitant des taux d'échantillonnage très élevés.

Stabilité numérique

Des problèmes numériques peuvent survenir dans la mise en œuvre des observateurs, notamment pour les systèmes à échelles de temps très séparées ou les matrices mal conditionnées. L'arithmétique de précision finite peut entraîner une accumulation d'erreurs arrondies au fil du temps.

  • Utiliser des algorithmes numériques robustes pour les opérations de matrice
  • Variables d'état de l'échelle ayant des grandeurs similaires
  • Nombres de matrices utilisées dans les calculs
  • Mettre en œuvre une réinitialisation périodique si nécessaire
  • Utiliser un arithmétique de précision plus élevée pour les calculs critiques

Réglage et validation des paramètres

La conception du gain en observation est un aspect central de la mise en œuvre de l'observateur de Luenberger dans les systèmes de contrôle. La matrice de gain en observation, généralement représentée comme (L), est essentielle pour assurer l'efficacité de l'estimation de l'état, la stabilité et la convergence des états estimés aux états réels.

Les premiers plans basés sur l'analyse théorique exigent souvent des améliorations par simulation et par essais expérimentaux. Le processus d'accordage comprend généralement :

  • Simulation de l'observateur avec un bruit et des perturbations réalistes
  • Réglage des gains d'observation pour obtenir les performances souhaitées
  • Tester la robustesse pour modéliser les incertitudes et les variations de paramètres
  • Validation des performances avec les données expérimentales du système réel
  • La conception est itérative sur la base des résultats des essais

Vérification de la stabilité et de la convergence

Pour les observateurs linéaires, la stabilité peut être vérifiée en vérifiant que toutes les valeurs propres de la matrice dynamique des erreurs ont des parties réelles négatives (temps continu) ou une magnitude inférieure à un (temps discret). Pour les observateurs non linéaires, une analyse de stabilité de Lyapunov peut être nécessaire.

Les propriétés de convergence devraient être vérifiées par simulation dans diverses conditions initiales et scénarios d'exploitation. L'observateur devrait converger de façon fiable même en partant de mauvaises estimations initiales.

Principe de séparation et contrôle par les observateurs

Le principe de séparation, qui s'applique aux systèmes linéaires selon certaines hypothèses, permet la conception indépendante du contrôleur de retour d'information et de l'observateur de l'État. Ce résultat fondamental simplifie grandement la conception des systèmes de contrôle basés sur les observateurs.

Le principe de séparation stipule que pour les systèmes linéaires invariants du temps, le contrôleur et l'observateur peuvent être conçus indépendamment sans affecter les propriétés de stabilité de l'autre. Les pôles à boucle fermée du système combiné sont l'union des pôles de contrôle et des pôles d'observation. Cela signifie que nous pouvons d'abord concevoir un contrôleur de rétroaction d'état en supposant que tous les états sont disponibles, puis concevoir un observateur pour estimer les états, et le système combiné sera stable si les deux composants sont individuellement stables.

Toutefois, le principe de séparation comporte d'importantes limites, qui ne s'appliquent qu'aux systèmes linéaires, car la conception des systèmes non linéaires, des contrôleurs et des observateurs est généralement couplée. Même pour les systèmes linéaires, bien que la stabilité soit préservée, les performances peuvent être affectées par l'interaction entre les contrôleurs et les observateurs.

Applications pratiques des observateurs

Systèmes de commande de moteurs

Le vecteur d'état comprend la vitesse du rotor mesurée et le courant moteur de courant courant courant courant courant courant, estimé à l'aide d'un observateur. L'observateur et le contrôleur d'état-feedback sont synthétisés par position de pôle à l'aide du modèle d'espace d'état du système.

Dans les moteurs électriques, les observateurs évaluent les variables telles que le flux du rotor, le couple de charge et la position du rotor. Ces estimations permettent des stratégies de contrôle à haute performance comme le contrôle sur le terrain pour les moteurs AC. La commande sans sens, où les capteurs mécaniques sont éliminés et leurs mesures estimées par les observateurs, réduit les coûts et améliore la fiabilité tout en maintenant de bonnes performances.

Systèmes aérospatial et de navigation

Les filtres Kalman sont largement utilisés dans les applications aérospatiales pour la navigation, le guidage et le contrôle. Les aéronefs et les engins spatiaux utilisent des observateurs pour estimer la position, la vitesse et l'assiette du GPS, des capteurs d'inertie et d'autres mesures.

Les systèmes de pilotage automatique modernes comptent sur les observateurs pour estimer la vitesse du vent, la densité de l'air et d'autres variables environnementales qui ne peuvent être mesurées directement.

Systèmes automobiles

Le système de commande active de la bobine (ARC) offre une solution prometteuse pour améliorer la stabilité de la bobine de camion. Cette étude permet de concevoir un contrôleur pour le système ARC adapté aux opérations de la camionnette à grande vitesse. Il implique la formulation d'une fonction de coût pour le régulateur quadrimatique linéaire (LQR) de contrôleur optimal, intégrant des variables directement pertinentes à la stabilité de la bobine de camion.

Les systèmes d'assistance avancés aux conducteurs utilisent des observateurs pour estimer les variables de dynamique du véhicule qui éclairent les décisions concernant le freinage, la direction et l'évitement des collisions.

Contrôle des procédés et génie chimique

Les détails du système CSTR et de son modèle mathématique sont illustrés. L'observateur Luenberger élargi de l'ordre réduit est conçu et appliqué pour l'estimation de l'état dans le CSTR non linéaire. Les processus chimiques ont souvent des états qui sont difficiles ou coûteux à mesurer, comme les concentrations, les températures à des endroits inaccessibles et les taux de réaction.

Dans les réacteurs à cuves à agitation continue (CSTR), les observateurs estiment les concentrations et les températures des réactifs qui ne peuvent pas être mesurées en continu, ce qui permet de mettre au point des stratégies de contrôle perfectionnées qui optimisent la qualité du produit et l'efficacité énergétique tout en maintenant un fonctionnement sûr.

Systèmes d'énergies renouvelables

L'observateur de Luenberger permet l'observation du comportement des tensions d'activation et de concentration à l'anode et à la cathode, qui sont difficiles à mesurer dans des conditions réelles de fonctionnement. Ce travail propose une méthode d'estimation simple à mettre en œuvre des paramètres basée sur l'observateur de Luenberger. De plus, l'observateur de Luenberger permet l'observation du comportement des tensions d'activation et de concentration à l'anode et à la cathode, qui sont difficiles à mesurer dans des conditions réelles de fonctionnement du PEMFC.

Les piles à combustible et les électrolyseurs bénéficient d'observateurs qui évaluent les états internes tels que la teneur en eau membranaire, les concentrations de réactifs et la distribution de température. Ces estimations permettent des stratégies de contrôle qui maximisent l'efficacité et prolongent la durée de vie des composants.

Robotique et mécatronique

Les systèmes robotiques utilisent largement les observateurs pour estimer l'état dans les tâches de manipulation, de locomotion et de navigation.Les observateurs estiment les vitesses des articulations à partir des mesures de position, des forces de contact à partir des courants moteurs et des perturbations externes à partir des erreurs de suivi.

Dans les robots humanoïdes et les robots à pattes, les observateurs estiment le centre de la position et de la vitesse de masse, les forces de réaction au sol et les propriétés du terrain.

Défis et limites

Incertitude et hésitation des modèles

Les incertitudes du modèle découlent des variations de paramètres, de la dynamique non modélisée, des non-linéarités et des changements environnementaux. Les techniques de conception d'observateurs robustes tentent de maintenir des performances acceptables malgré ces incertitudes, mais il existe des limites fondamentales à ce qui peut être réalisé.

Les observateurs adaptatifs qui mettent à jour les paramètres du modèle en ligne peuvent aider à résoudre les incertitudes des paramètres. Cependant, les schémas adaptatifs ajoutent de la complexité et peuvent introduire des préoccupations supplémentaires en matière de stabilité.

Bruit de mesure et perturbations

Un autre défi associé à Luenberger Observer est sa performance en matière de mesures de sortie bruyantes. Les systèmes du monde réel supportent souvent le bruit de mesure, ce qui peut dégrader encore la précision de l'estimation de l'état de l'observateur.

Les gains élevés d'observation améliorent la vitesse de convergence mais amplifient le bruit de mesure. Les gains faibles réduisent la sensibilité au bruit mais la convergence lente. Trouver le bon équilibre nécessite un réglage attentif ou des méthodes de conception optimales comme le filtre Kalman.

Défis non linéaires du système

La conception des gains d'observation pose un autre défi, en particulier dans les systèmes non linéaires.L'observateur de Luenberger est fondamentalement linéaire; par conséquent, son application aux systèmes non linéaires nécessite une linéarisation autour d'un point d'exploitation.

Les observateurs non linéaires, comme les filtres Kalman étendus, les observateurs en mode coulissant et les observateurs à haut gain, peuvent relever ces défis mais présenter leurs propres complexités. Les observateurs élargis peuvent diverger si la linéarisation est mauvaise. Les observateurs en mode glissant peuvent faire preuve de bavardage.

Contraintes informatiques

Pour les systèmes rapides ou les observateurs de haut niveau, le fardeau de calcul peut être important. Les processeurs embarqués ont une mémoire et une puissance de traitement limitées, ce qui limite la complexité des observateurs qui peuvent être mis en œuvre.

Il faut envisager des compromis entre complexité et performance des observateurs. Des observateurs simplifiés et avec une précision réduite peuvent être nécessaires lorsque les ressources de calcul sont limitées.

Initialisation et comportement transitoire

Les observateurs ont besoin d'estimations initiales pour commencer à fonctionner. Les estimations initiales insuffisantes peuvent entraîner de grandes erreurs transitoires qui affectent les performances de contrôle ou même causer l'instabilité.

Les stratégies pour résoudre les problèmes d'initialisation comprennent l'utilisation d'estimations initiales prudentes, la limitation de l'autorité de contrôle pendant le transitoire initial, ou l'utilisation d'observateurs commutés qui utilisent différents gains pendant le démarrage et l'exploitation en état d'équilibre.

Sujets avancés et recherche actuelle

Observateurs répartis et en réseau

Cet article présente un schéma de conception distribué de l'observateur d'état de type Luenberger pour les systèmes dynamiques linéaires continus. L'observateur proposé est composé d'observateurs locaux en réseau, et chaque observateur local calcule l'estimation par les mesures locales, qui ne peuvent pas être suffisantes pour récupérer l'état complet. Par conséquent, en communiquant avec les observateurs voisins, l'observateur proposé compense l'insuffisance d'informations.

Les réseaux d'observateurs distribués sont pertinents pour les systèmes à grande échelle tels que les réseaux électriques, les réseaux de transport et les réseaux de capteurs. Chaque observateur local n'a accès qu'à des mesures partielles et doit communiquer avec les observateurs voisins pour reconstruire l'état complet.

Détection et diagnostic des défaillances

L'idée de base de l'approche de Luenberger est d'approximativement les états réels du système sur la base des données mesurées disponibles. Le signal résiduel est généré pour comparer les états estimés de l'observateur avec les états observés du système réel.

En comparant les estimations des observateurs avec les mesures réelles, on peut produire des signaux résiduels qui indiquent la présence de failles. Les écarts systématiques entre les estimations et les mesures suggèrent des défaillances de capteurs, des défaillances de vérins ou des changements dans la dynamique du système.

Systèmes de relais temporels

Cet article présente quelques résultats récents sur la conception des observateurs des systèmes de temps-relais. Il est axé sur les méthodes qui peuvent conduire à la conception de quelques observateurs utiles dans des situations pratiques. De nombreux systèmes physiques présentent des retards de temps en raison de phénomènes de transport, de retards de communication, ou de retards de traitement.

Les techniques d'affectation du spectre finite placent le spectre du système de retard pour obtenir la performance souhaitée. Ces méthodes avancées étendent la théorie des observateurs pour traiter la complexité supplémentaire introduite par les retards.

Systèmes de paramètres distribués

La conception d'un observateur Luenberger étendu est considérée comme une solution au problème d'observation de l'état pour les systèmes semi-linéaires à paramètres répartis. Pour cela, une technique basée sur le rétro-étape est proposée pour la conception des poids d'injection en utilisant la linéarisation (étendue) du système d'erreur d'observation semi-linéaire par rapport à l'état observateur.

Les systèmes décrits par des équations différentielles partielles, comme le transfert de chaleur, le flux de fluide et les structures flexibles, nécessitent une théorie des observateurs à dimension infinie. Les implémentations pratiques utilisent la discrétisation spatiale pour obtenir des approximations à dimension finie, mais la conception doit tenir compte de la nature distribuée du système.

Outils logiciels et plateformes de mise en œuvre

Les outils logiciels les plus populaires pour simuler un Luenberger Observer comprennent MATLAB/Simulink, qui fournit un environnement solide pour le développement et l'essai de systèmes de contrôle. Dans MATLAB, le concepteur peut tirer parti des fonctions intégrées telles que le lieu et lqr pour calculer la matrice de gain d'observateur.

La boîte à outils de MATLAB pour système de contrôle offre des fonctions complètes pour la conception des observateurs, y compris le positionnement des pôles, la conception basée sur LQR et la conception de filtres Kalman. Simulink offre la modélisation de diagrammes de blocs qui facilite la simulation et les essais des systèmes de contrôle basés sur les observateurs.

Plateformes intégrées de mise en œuvre

Pour ce qui est de la mise en œuvre en temps réel, le choix du matériel est crucial. Les processeurs de signaux numériques (DSP), les microcontrôleurs ou les FPGA peuvent être utilisés selon les exigences du système et la complexité.

Les processeurs numériques de signaux offrent des architectures optimisées pour les opérations de matrice et de traitement de signaux, ce qui les rend bien adaptés aux applications exigeantes des observateurs. Les tableaux de portes programmables sur le terrain (FPGA) offrent les meilleures performances grâce au traitement parallèle et peuvent mettre en place plusieurs observateurs simultanément.

Systèmes d'exploitation en temps réel

Pour les systèmes complexes avec plusieurs boucles de contrôle et observateurs, les systèmes d'exploitation en temps réel (RTOS) fournissent des garanties de planification des tâches, de communication intertâches et de synchronisation. Un RTOS garantit que les calculs d'observateurs sont effectués dans les délais, même lorsque plusieurs tâches sont en concurrence pour le temps de traitement.

Meilleures pratiques pour la conception et la mise en œuvre des observateurs

Méthodologie systématique de conception

Une approche systématique de la conception des observateurs comprend les étapes suivantes:

  • Modèle du système:[ Élaborer un modèle mathématique précis par le biais de premiers principes ou de l'identification du système
  • Analyse de l'observabilité:[ Vérifier que le système est observable à partir des mesures disponibles
  • Choix du type d'observateur:[ Choisir une structure d'observateur appropriée en fonction des caractéristiques et des exigences du système
  • Conception du paramètre: Améliorations de l'observateur de conception grâce à la mise en place de pôles, à un contrôle optimal ou à d'autres méthodes
  • Validation de simulation:[ Tester la conception de l'observateur au moyen d'une simulation complète
  • Validation expérimentale: Valider la performance avec les données expérimentales du système actuel
  • Refinement:[ itérer la conception en se basant sur la simulation et les résultats expérimentaux

Documentation et essais

Une documentation approfondie des décisions, hypothèses et résultats de la conception des observateurs est essentielle pour la maintenance et les modifications futures. Documenter le modèle du système, l'analyse de l'observabilité, les calculs de conception, les résultats de simulation et la validation expérimentale.

Les essais complets devraient porter sur le fonctionnement normal, les scénarios les plus défavorables et les modes de défaillance. Les essais effectués par l'observateur dans diverses conditions initiales, les perturbations et les variations de paramètres doivent être effectués.

Surveillance et diagnostic

Mettre en place des capacités de surveillance pour suivre les performances des observateurs pendant l'exploitation. Surveiller les erreurs d'estimation, les séquences d'innovation et les résidus pour détecter les performances ou les défaillances dégradées. Mettre en place des algorithmes de diagnostic qui permettent d'identifier la source de problèmes tels que la dérive des capteurs, les erreurs de modélisation ou les erreurs logicielles.

Orientations futures et tendances émergentes

Apprentissage automatique et observateurs data-drived

Les réseaux neuraux peuvent apprendre des cartes non linéaires complexes qui sont difficiles à modéliser analytiquement. Les approches hybrides utilisent des modèles basés sur la physique pour la dynamique nominale et les réseaux neuraux pour compenser les incertitudes du modèle et les effets non modélisés. Ces observateurs fondés sur les données montrent des promesses pour des systèmes complexes où des modèles analytiques précis sont difficiles à obtenir.

Systèmes cyberphysiques et sécurité

Les attaques malveillantes peuvent corrompre les mesures de capteurs ou injecter de fausses données dans le système. Les observateurs sécurisés qui peuvent détecter et atténuer de telles attaques sont un domaine de recherche actif. Ces observateurs utilisent des techniques de redondance, de cryptographie et de détection d'anomalies pour maintenir une estimation fiable de l'état même en cours d'attaque.

Observateurs grégaires et apériodiques

Les observateurs traditionnels opèrent à des taux d'échantillonnage fixes, mais les approches déclenchées par des événements ne mettent à jour les estimations que si nécessaire, en fonction de seuils d'erreur ou d'autres critères, ce qui réduit la charge de calcul et la largeur de bande de communication dans les systèmes en réseau.

Systèmes quantiques et applications émergentes

Le but de cet article est d'étudier l'extension de l'approche de conception d'observateur de Luenberger aux systèmes stochastiques quantiques linéaires pour obtenir des observateurs quantiques cohérents. Nous montrons comment un observateur quantique réalisable physiquement peut être conçu, conformément aux lois de la mécanique quantique. L'observateur quantique a la propriété que les valeurs moyennes des variables observatrices suivent asymptotiquement les valeurs moyennes correspondantes de la plante.

Au fur et à mesure que se développent les systèmes de calcul quantique et de contrôle quantique, la théorie des observateurs est étendue aux systèmes quantiques. Ces observateurs quantiques doivent respecter les principes fondamentaux de la mécanique quantique, y compris le principe d'incertitude et le théorème sans fermeture.

Conclusion

Les observateurs sont des outils indispensables dans les systèmes de contrôle modernes, permettant des stratégies de contrôle sophistiquées lorsque l'information complète de l'état est indisponible. De l'observateur fondamental Luenberger aux systèmes avancés non linéaires et adaptatifs, la théorie des observateurs fournit un cadre riche pour l'estimation de l'état.

La clé du succès de la mise en oeuvre des observateurs réside dans la modélisation prudente des systèmes, la sélection appropriée des observateurs, la conception systématique et la validation approfondie. Bien que des défis tels que l'incertitude du modèle, le bruit de mesure et les contraintes de calcul doivent être abordés, des observateurs bien conçus fournissent des estimations fiables de l'état qui permettent un contrôle de haute performance dans diverses applications, depuis les moteurs jusqu'aux systèmes aérospatiaux.

À mesure que la technologie progresse, la théorie des observateurs continue d'évoluer avec de nouvelles applications dans les systèmes en réseau, les systèmes cyberphysiques et les domaines émergents comme le contrôle quantique.Les principes fondamentaux demeurent constants : utiliser les mesures disponibles et les connaissances du système pour reconstruire des états non mesurés, permettant des stratégies de contrôle qui seraient autrement impossibles.

Pour les ingénieurs et les chercheurs travaillant avec des systèmes de contrôle, maîtriser la conception et la mise en œuvre d'observateurs est une compétence précieuse qui ouvre la possibilité de solutions de contrôle avancées. La combinaison d'une solide compréhension théorique, d'une expérience pratique de conception et de la sensibilisation aux tendances actuelles de la recherche positionne les praticiens pour résoudre les problèmes d'estimation d'état difficiles dans des systèmes de plus en plus complexes.

Pour plus de renseignements sur les systèmes de contrôle et l'estimation de l'état, explorez les ressources de la IEEE Control Systems Society, MathWorks Control System Toolbox documentation[, et les manuels universitaires sur la théorie moderne du contrôle.