AUTOMATIQUE
Modélisation
Modèles non linéaires
La modélisation est un problème épineux, car pour savoir modéliser des systèmes électriques, mécaniques, thermiques, hydrauliques et autres, il faudrait être tout à la fois électricien, mécanicien, thermicien, hydraulicien, etc. Aussi une bonne modélisation est-elle souvent le fruit d'une collaboration entre l'automaticien et un ou plusieurs spécialistes des disciplines que nous avons citées ; encore le premier doit-il avoir une culture scientifique suffisamment large pour pouvoir entretenir avec les seconds un dialogue fécond. Considérons un cas simple, celui du pendule inversé de la figure 1 (dont le comportement n'est pas sans rapport avec celui d'une fusée au moment du décollage).
Ce pendule est constitué d'un chariot de masse M sur lequel s'articule une tige de longueur l terminée par une masse m. Les frottements et la masse de la tige sont supposés négligeables et la masse m est supposée ponctuelle. On agit sur ce pendule inversé au moyen d'une force f s'appliquant au chariot qui se meut horizontalement. Il s'agit d'un système holonôme (cf. mécanique analytique) dont les coordonnées généralisées q1 et q2 sont respectivement y (l'abscisse du chariot) et θ (l'angle que fait la tige avec la verticale). L'énergie cinétique du chariot est T1 = (M/2)ẏ2 (où ẏ = dy/dt est la dérivée de y par rapport au temps t), tandis que celle de l'ensemble (tige+masse) est T2 = (m/2)(ẏ12 + ż12), où y1 et z1 désignent respectivement l'abscisse et l'ordonnée de la masse m, à savoir y1 = y + l sin θ et z1 = l cos θ.
L'énergie cinétique du pendule est T = T1 + T2 ; son énergie potentielle est celle de la masse m, c'est-à-dire U = mgl cos θ, où g est l'accélération de la pesanteur. Le Lagrangien est L = T — U et les équations de Lagrange qui régissent le mouvement s'écrivent
avec, dans le cas présent, i ∈ {1, 2} et où Qi est la force généralisée externe (c'est-à-dire ne dérivant pas du potentiel U) suivant qi. Ici, Q1 = f et Q2 = 0, et on obtient donc les équations du pendule :
(1)Le système d'équations (1) est de la forme générale
F(w, ẇ, ..., w(α)) = 0, (2) où w est le vecteur dont les composantes w1, ..., wk sont les variables du système considéré. La fonction F est généralement vectorielle, ayant r composantes si l'entier r désigne le nombre d'équations. Le système défini par (2) est dit stationnaire si les coefficients mis en jeu par la fonction F sont constants, et sinon instationnaire.
Modèles linéaires
Soit Σ le système défini par (2), et supposons-le stationnaire. Un point w* = [w1* ... wk*]est un point d'équilibre de Σ si F(w*, 0, ..., 0) = 0. Dans le cas du pendule inversé régi par (1), cette égalité entraîne f * = sin θ * = 0. Ce système admet donc une infinité de points d'équilibre : y* quelconque, θ * = 0 (modulo π) et f * = 0. Bien entendu, le pendule est en « position inversée » pour θ * = 0 (modulo 2π).
Le système Σ est dit linéarisable autour du point d'équilibre w* si F est différentiable dans un voisinage de (w*, 0, ..., 0). Soit alors Δw un « petit accroissement », dans le sens où Δw et ses dérivées jusqu'à l'ordre α sont « petits ». L' approximation linéaire de Σ autour de w* s'obtient en remplaçant dans (2) la fonction F par son développement de Taylor au premier ordre au voisinage de (w*, 0, ..., 0). On obtient alors le système linéaireΣl d'équation
.(3)Par exemple, en linéarisant (1) autour de (y* = 0, è * = 0, f * = 0), on obtient les équations du pendule inversé linéarisé :
(4)Revenons à la linéarisation du système (2) en[...]
La suite de cet article est accessible aux abonnés
- Des contenus variés, complets et fiables
- Accessible sur tous les écrans
- Pas de publicité
Déjà abonné ? Se connecter
Écrit par
- Hisham ABOU-KANDIL : professeur des Universités
- Henri BOURLÈS : professeur titulaire de chaire (Chaire d'automatisme industriel, Conservatoire national des arts et métiers)
Classification
Autres références
-
APPRENTISSAGE PROFOND ou DEEP LEARNING
- Écrit par Jean-Gabriel GANASCIA
- 2 645 mots
- 1 média
Apprentissage profond, deeplearning en anglais, ou encore « rétropropagation de gradient »… ces termes, quasi synonymes, désignent des techniques d’apprentissage machine (machine learning), une sous-branche de l’intelligence artificielle qui vise à construire automatiquement des connaissances...
-
AUTOMATISATION
- Écrit par Jean VAN DEN BROEK D'OBRENAN
- 11 882 mots
- 12 médias
Célébrer les bienfaits ou dénoncer les méfaits de l'automatisation sous ses formes les plus diverses est l'une des occupations favorites du monde des médias. Aussi « l'homme de la rue » ne manque-t-il pas de sources d'information ; mais lui est-il facile d'opérer la synthèse des connaissances qu'il a...
-
AUTO-ORGANISATION
- Écrit par Henri ATLAN
- 6 255 mots
- 1 média
On observe, dans des réseaux d'automates en partie aléatoires, des propriétés de classification et de reconnaissance de formes sur la base de critères auto-engendrés, non programmés. Il s'agit là de simulations d'auto-organisation fonctionnelle où ce qui émerge est non seulement une structure macroscopique... -
BIG DATA
- Écrit par François PÊCHEUX
- 6 148 mots
- 3 médias
L’expression « big data », d’origine américaine et apparue en 1997, désigne un volume très important de données numériques ainsi que les techniques et outils informatiques permettant de les manipuler efficacement afin de leur donner du sens. Traduite en français par « mégadonnées » ou encore « données...
- Afficher les 13 références