République Algérienne Démocratique et Populaire

M i n i s t è r e de l’E n s e i g n e m e n t S u p é r i e u r et de la R e c h e r c h e Sc i e n t i f i q u e
______________________________________________________________________________________________________

T H E S E
Présentée à

L’ U N I V E R S I T É B A T N A 2

En vue de l’obtention du diplôme de

DOCTORAT EN SCIENCES
EN ELECTROTECHNIQUE

Option Automatique

par

BEDDIAF YASSINE
Magister en Electrotechnique - Option commande – Université de Batna
Ingénieur d'Etat en Electrotechnique - Option Machines électriques - Université de Batna

__________________________◊__________________________

VALIDATION EXPERIMENTALE D’ESTIMATEURS ET

D’OBSERVATEURS ROBUSTES DE FLUX ET DE VITESSE
POUR UNE MACHINE ASYNCHRONE
________◊__________________________

Thèse soutenue le :……………......2016 devant le jury :

[Link] Président Professeur Univ. Batna

F. ZIDANI Rapporteur Professeur Univ. Batna

S. DRID Co-rapporteur Professeur Univ. Batna

[Link] ALAOUI Examinateur MCA-HDR Univ. Picardie Jules Verne

[Link] Examinateur Professeur Univ. Constantine

[Link] TOUFIK Examinateur Professeur Univ. Biskra

S. CHAOUCH Invitée MCA Univ. Batna

LISTE DS PUBLICATIONS

Revues internationales

[Link], [Link], [Link] and [Link] « Modified Speed Sensorless

Indirect Field-Oriented Control of Induction Motor Drive, » International Journal ,
Identification and control, Vol 25, No 4, 2016.
[Link], [Link], [Link] and [Link] « Novel speed Sensorless Indirect
Field-Oriented Control of Induction Motor using PLL and EKF, » Journal of Electrical
Engineering, [Link],
[Link], [Link] and [Link] « Robust Speed Sensorless Indirect Field-
Oriented Control of Induction Motor Drive using LQR Controller, » International
Journal of Sciences and Techniques of atomatic control & computer engineering, Vol
9, No1, pp 2013-2019, December 2015.

Conferences internationals

[Link], [Link], [Link] and [Link], « Modified speed Sensorless

Indirect field-Oriented Control of Induction Motor using PLL, » 15th international
conference on Sciences and Techniques of Automatic control & computer engineering
- STA'2014, Hammamet, Tunisia, December 21-23, 2014.
[Link], [Link] and [Link], « LQR-PI controller dedicated to the
Indirect vector control without speed sensor for an asynchronous motor, » 16th
international conference on Sciences and Techniques of Automatic control &
computer engineering - STA'2015, Monastir, Tunisia, December 21-23, 2015.
 A la mémoire de mon frère ammar ce que je pleure et que je pleurerai à tout
jamais, et c’est rien de le dire, la vie sans toi est fade. Difficile de prononcer ton
prénom, parce que la blessure est encore béante et elle sera jusqu’au jour ou je te
rejoindrai.

A Ma mère , A Mon père

A Ma femme Rachida
A mes enfants Aya, Amina et Mohamed anes
A mes frères et sœurs
Et à tous ceux qui ont me sont chers
REMERCIEMENTS

Nous voici donc au moment des remerciements qui constituent la touche finale de ce rapport,
bien que cette partie apparaisse paradoxalement au début. Au travers de ces quelques lignes il
s’agit de souligner qu’une thèse n’est certainement pas un travail qui se mène seul et de se
rappeler les bons moments forcément nombreux sur 6 ans.
Le travail présenté dans cette thèse a été effectué au sein de l’équipe Electrotechnique du
laboratoire LSP-IE de l’université de Batna et du laboratoire des technologies innovantes LTI
EA 3899-IUT de l’Aisne – France.

En premier lieu, j’adresse mes remerciements aux encadrants de cette thèse, et

particulièrement à Madame Zidani Fatiha , Professeur au Département de Génie Electrique
( Electrotechnique) à l’université de Batna, d’avoir su diriger ce travail, ainsi que pour ces
excellentes compétences scientifiques et remarques judicieuses. Ce manuscrit doit beaucoup
à ses nombreuses et nécessaires précisions et corrections et ces conseils constructifs pour
mener à bien un travail de recherche. Cela va avec la manière de mettre tout les avantages
pour aboutir et réussir. Ces orientations m’ont profondément marquées et j’espère pouvoir
continuer à en tirer les profits pendant la carrière à venir. Je lui suis particulièrement
reconnaissant d’avoir toujours répondu présente, surtout pendant les moments cruciaux où des
ambigüités semblaient difficiles à surmonter. Enfin, je dois lui reconnaitre sa vue perspicace
sur les axes de recherche à suivre et sa détermination à mener les travaux de recherche
jusqu’au bout.

Je tiens également à exprimer ma reconnaissance à Monsieur Drid Said , Co-encadreur de

cette thèse qui a contribué plus ou moins directement à ce travail durant ces années de thèse,
Je tiens ensuite à remercier Monsieur Larbi - Chrifi Alaoui d’avoir accepté d’être à la
disposition durant les moments des stages que j’ai effectués au sein du laboratoire qu’il dirige
(laboratoire des technologies innovantes LTI EA 3899-IUT de l’Aisne – France), et je le
remercie aussi d’avoir accepté d’être membre de jury. Je remercie également les autres
membres de jury : Monsieur Abed elmalek. Khezzar, Professeur à l’université de
Constantine et Monsieur [Link] Toufik, Professeur à l’université de Biskra.
Je pense aussi à Monsieur Mohamed-Said Nait-Said à qui je dois une partie de ce travail.
Avant le clore de ces remerciements, je tiens beaucoup à remercier mes parents pour leur
soutien moral et ma femme pour son inestimable soutien et son encouragement que j’ai
toujours reçu de sa part, sans oublier son sacrifice envers moi pour aboutir à la finalisation de
cette thèse.

[Link]

[Link], 2016
VALIDATION EXPERIMENTALE D’ESTIMATEURS
ET D’OBSERVATEURS ROBUSTES DE FLUX ET DE
VITESSE POUR UNE MACHINE ASYNCHRONE

Mots Clés Machine Asynchrone (MAS), Estimateurs et Observateurs

Robustes, Indirect Field Oriented Control, (IFOC), Commande Sans
Capteur ,Phased Looked Loop (PLL), Linear Quadratic Regulator (LQR),
Platitude,Superviseur à Logique Floue,

Résumé- Dans le domaine de commande des machines asynchrones , la suppression du

capteur mécanique de vitesse peut présenter un intérêt économique et améliorer la sûreté
de fonctionnement. Nous présentons Différentes techniques qui permettent de
reconstituer cette grandeur de vitesse rotorique. Ces techniques reconstituent la vitesse
à partir d’estimateurs et d’observateurs de flux et de vitesse. Nous avons ainsi avec
cette démarche mis en œuvre et validé expérimentalement des observateurs (Filtre de
Kalman, observateur à modes glissants, observateur de Kubota, observateur d’état
d’ordre réduit, MRAS).
Cette thèse traite les différentes contributions apportées par l’exploitation des
techniques ( PLL , LQR, Platitude et la logique floue) quant à l’amélioration des
performances de la commande sans capteur , dans ce même contexte et pour
perfectionner l’MRAS classique, on a proposer une nouvelle approche de la technique
MRAS. Les propositions exposées dans la thèse ont été validées expérimentalement en
exploitant DSP 1104 ( au sein du laboratoire des technologies innovantes LTI EA
3899-IUT de l’Aisne – France).

i
.
Abstract - The removal of the mechanical speed sensors offers an economic interest and
may improve the reliability in the fields of control applications. We present several
kinds of methods for the reconstitution of the rotor speed of induction machines. The
speed is reconstitute by estimators and flux observers, we have implemented this
methods and validated experimentally the observers (Kalman filter, sliding mode
observer, Kubota observer, state observer and a classic MRAS).
This thesis is devoted to present the different contribution using (PLL , LQR,
Flatness theory and fuzzy logic) to improve the performances of sensorless control.
The different contribution are implemented on a digital signal processor dSPACE-
1104. Within The laboratory IUT of Soissons (French)).

Keywords- Induction Machine (IM), Estimator and Observer, Indirect Field Oriented
Control, (IFOC), Sensorless Control ,Phased Looked Loop (PLL), Linear Quadratic
Regulator (LQR), Flatness, Fuzzy Logic Supervisor,

ii
SOMMAIRE

RESUME ET MOTS CLES i

SOMMAIRE iii
NOTATIONS ET SYMBOLES vii

INTRODUCTION GENERALE 1

Chapitre. I
MODELISATION ET COMMANDE VECTORIELLE DE LA MAS
I.1 Introduction 4

I .2 Modélisation de la machine asynchrone 4

I.2.1 Hypothèses simplificatrices 4
I.2.2 Modèle de la machine asynchrone dans le repère de Park 7
I.2.3 Modèle de la machine asynchrone dans le référentiel lié au stator 8
I.2.4 Modèle de la machine asynchrone dans le référentiel lié au champ tournant 8
I.2.5 Modèle d’observation de la machine asynchrone 8
I.3 Commande vectorielle indirecte par orientation de flux de la machine 9
asynchrone
I.3.1 Commande vectorielle pour une machine alimentée en courant 10
I.3.5 Résultats de simulation 15
I.3.6 Conclusion 17

iii
Chapitre II
APPLICATION DES ESTIMATEURS ET OBSERVATEURS DE VITESSE ET DE
FLUX A LA MACHINE ASYNCHRONE
II.1 Introduction 19
II.2 Observateurs déterministes 20
II.2.1 Observateur d’état d’ordre réduit 20
II.2.1.2 Résultats de simulation 22
II.2.2 Observateur de Kubota 24
II.2.2.1 Résultats de simulation 26
II.2.3 Observateur par mode glissant 28
II.2.3.1 Résultats de simulation 35
II.2.4 Observateur MRAS classique 37
II.2.4.1 Résultats de simulation 40
II.2.5 Observateur de flux par la technique MRAS – améliorée (nouvelle approche) 42
II.2.5.1 Résultats de simulation 46
II.3 Observateurs stochastiques 49
II.3.1 Filtre de Kalman 49
II.3.1.1 Principe de base 49
II.3.1.2 Discrétisation du modèle 49
II.3.1.3 Modèle stochastique non linéaire de la machine asynchrone 51
II.3.1.9 Résultats d simulation 55
II.4 Conclusion 57
Chapitre III
COMMANDE SANS CAPTEUR
III.1 Introduction 58
III.2 Commande vectorielle sans capteur 59
III.2.1 Commande vectorielle sans capteur à base d’observateur d’état 59
III.2.1.1 Résultats expérimentaux 59
III.2.2 Commande vectorielle sans capteur avec la MRAS-améliorée 61
(nouvelle approche)
III.2.3 Commande vectorielle sans capteur avec observateur stochastique 63
(filtre de Kalman)
III.2.4 Commande vectorielle sans capteur : Estimation de l’angle de Park 65
en utilisant l’approche PLL

iv
III.2.4.1 Théorie de la PLL 66
III.2.4.2 Résultats expérimentaux 70
III.2.5 Amélioration des performances de la commande vectorielle sans capteur 73
Avec régulation hybride LQR-PI
III.2.5.1 Théorie de la commande linéaire quadratique LQR 73
III.2.5.2 Résultats expérimentaux 78
III.2.6 Commande sans capteur par Platitude 80
III.2.6.1 Théorie de la Platitude 80
III.2.6.2 Commande par Platitude de la machine asynchrone 83
III.2.6.3 Résultats expérimentaux 89
III.2.7 Etude comparative entre les trois applications 91
III.2.8 Conclusion 92
Chapitre IV
LOGIQUE FLOUE ET SON APPORT A LA COMMANDE SANS CAPTEUR
IV.1 Introduction 93
IV.2 Logique floue Type-1 94
IV.2.1 Principe et définition 94
IV.2.2 Configuration d’un contrôleur flou 99
IV.2.3 Superviseur flou destiné à l’adaptation des paramètres du contrôleur PI 102
IV.2.3.1 Fonctionnement du superviseur flou 102
IV.2.4 Résultats de simulation 105
IV.2.5 Résultats expérimentaux 107
IV.3 Logique floue Type-2 108
IV.3.1 Conception 108
IV.3.2 Ensemble flou type-2 108
IV.3.3 Classification des ensembles flous type-2 109
IV.3.4 Création d’une fonction d’appartenance 110
IV.3.5 Centre de gravité d’une fonction d’appartenance floue type-2 intervalle 111
IV.3.6 Structure d’un système flou type-2 114
IV.3.7 Traitement de sortie 118
IV.3.8 Réduction de type 118
IV.3.9 Defuzzification 120
IV.3.10 Superviseur flou type-2 des paramètres du correcteur PI 121

v
IV.3.11 Structure du superviseur flou type-2 122
IV.3.12 Résultats 122
IV.4 Conclusion 125

CONCLUSION GENERALE 126

ANNEXE 129

REFERENCES BIBLIOGRAPHIQUES 130

vi
NOTATIONS ET SYMBOLES

Ce Couple électromagnétique [Nm]

Cl Couple de charge [Nm]
F
F Coefficient de frottement [Nmsrad-1]
I
, , Courants instantanés des phases de la machine [A]
Courants statorique suivant l’axe direct [A]
Courants statorique suivant l’axe en quadrature [A]
Courants statorique suivant l’axe α [A]
Courants statorique suivant l’axe β [A]
J
J Moment d’inertie du rotor [Nms2rad-1]
L
Inductance de fuite cyclique statorique [H]
Inductance de fuite cyclique rotorique [H]
M
Inductance mutuelle entre deux phases du stator [H]
Inductance mutuelle entre deux phases du rotor [H]
Inductance mutuelle cyclique stator/rotor [H]
Inductance mutuelle cyclique rotor/stator [H]
P
P Nombre de paires de pôles [-]
R
Résistance d’une phase rotorique [Ω]
Résistance d’une phase statorique [Ω]
T
Te Période d’échantillonnage [s]

Tr Constante de temps rotorique [s]

Ts Constante de temps statorique [s]

vii
 V
Va , b , c Tension instantanées des phases de la machine [V]

Vsd Tension statorique suivant l’axe direct [V]

V sq Tension statorique suivant l’axe en quadrature [V]

V sα Tension statorique suivant l’axe α [V]

V sβ Tension statorique suivant l’axe β [V]

LETTRES GRECQUES
α, β Axes correspondant au référentiel fixe par rapport au stator [-]
σ Coefficient de dispersion de Blondel [-]
θs Angle de Park [degré]

ωa Vitesse angulaire de rotation du système d’axe dq [rads-1]

Vitesse rotorique [rads-1]

Pulsation statorique [rads-1]
Vitesse de glissement [rads-1]
= = Flux rotorique suivant l’axe direct [Wb]
Flux rotorique suivant l’axe en quadrature [Wb]
Flux statorique suivant l’axe [Wb]
Flux statorique suivant l’axe [Wb]
Flux rotorique suivant l’axe α [Wb]
Flux rotorique suivant l’axe β [Wb]
Ω Vitesse mécanique du rotor [rads-1]
NOTATIONS
⃰ Grandeur de référence
^ Grandeur estimée
s, r Indices des axes statorique et rotorique
ACRONIMES
MAS Machine asynchrone
IRFOC Indirect Rotor Field Oriented Control (Commande vectorielle indirecte par
orientation de flux)
DSP Digital Signal Processor
LQR Linear quadratic regulator ( régulateur linéaire quadratique)
PLL Phased looked loop ( Boucle à verrouillage de phase)

viii
 INTRODUCTION GENERALE

La machine asynchrone, de par sa construction, est la machine la plus robuste et la

moins chère. Les progrès réalisés en commande et les avancées technologiques
considérables, tant dans le domaine de l’électronique de puissance que dans celui de la
micro-électronique, ont rendu possible l’implantation des commandes performantes de
cette machine faisant d’elle un concurrent redoutable dans les secteurs de la vitesse
variable.
Cependant de nombreux problèmes demeurent. Comme la variation des paramètres de la
machine, la présence du capteur mécanique et le fonctionnement dégradé sont autant de
difficultés qui ont émoulu l’empressement des chercheurs, comme en témoigne le
nombre sans cesse grandissant des publications qui étudient le sujet.

1
 Introduction générale

En général, la commande de la machine asynchrone se divise en deux classes.

• Commande de faible coût et faible performance (par exemple la commande V/f).
• Commande à haute performance, exemple la commande vectorielle indirecte par
orientation
de flux rotorique (IRFOC : indirect rotor field oriented control) qui assure une
dynamique élevée. La commande (IRFOC) requiert l'installation d'un codeur
incrémental afin de mesurer la vitesse et/ou la position rotorique. L'association de ce
codeur entraîne un surcoût qui peut être plus important que celui de la machine et
surtout dans le cas des faibles puissances. Il faut de plus prévoir une place
supplémentaire pour l'installation du codeur, chose qui n'est pas toujours souhaitable ou
possible. Enfin, la fiabilité du système diminue à cause de ce dispositif fragile qui
nécessite à son tour un Entretien particulier.
C'est à partir de cette constatation que l'idée d'éliminer le codeur incrémental est née et
que les recherches sur la commande sans capteur de la machine asynchrone ont
commencé et ne cesse de s’élargir.

Plusieurs stratégies ont été proposées dans la littérature pour atteindre ce but.
Une grande partie des méthodes proposées est basée sur des observateurs dépendant du
modèle de la machine asynchrone et des f.c.e.m. Malheureusement ces techniques
échouent à se substituer au codeur incrémental dans le domaine des basses vitesses et
aussi pendant la présence des perturbations comme l’application de la charge, cela
consiste la problématique essentielle de ces techniques. D'autres recherches reposent sur
l’apport de l’intelligence artificielle pour améliorer la commande de la machine et
aboutir à une commande sans capteur.

Le premier objectif de cette thèse est l’investigation de plusieurs techniques

d’estimation de la vitesse et d’observation de flux rotorique dans le but d’élaborer une
commande sans capteur. Le deuxième objectif est de proposer une solution pour rendre
la commande sans capteur plus performante en exploitant la théorie de la platitude, la
technique Pll (Phase Locked Loop) et la régulation LQR. (Linear Quadratic Regulator).

Afin de répondre aux objectifs cités ci-dessus, le manuscrit de la thèse sera organisé
autour de quatre chapitres :

-2-
 Introduction générale

Le chapitre 1 sera destiné en premier lieu à la modélisation de la machine

asynchrone, puis on présentera sa commande vectorielle par orientation de flux
rotorique à savoir la validation par simulation numérique et expérimentale.

Le chapitre 2 sera dédié à la présentation et la simulation numérique en boucle

ouverte de plusieurs techniques d’observateurs déterministes et stochastiques ; des tests
de robustesse seront effectués afin d’attester la convergence et la robustesse de ces
différents observateurs de vitesse. Dans ce contexte une nouvelle approche permettant
l’estimation de la vitesse basée sur la technique MRAS est proposée et validée par
simulation numérique.

Le chapitre 3 abordera la validation expérimentale de certaines techniques

d’observation de vitesse déjà présentées dans le chapitre 2. Ces techniques seront
exploitées dans la commande vectorielle sans capteur. Afin d’améliorer la robustesse de
cette commande sans capteur, on exploitera trois techniques permettant l’amélioration
des performances de la commande sans capteur. La première technique sera consacrée à
utiliser la théorie de la PLL ( phased looked loop) pour estimer l’angle de Park ; la
deuxième se basera sur la combinaison du contrôleur PI de vitesse avec un régulateur de
type LQR. Quand à la troisième approche, on exploitera la théorie de la commande par
platitude. Ces différentes approches seront validées par simulation numérique et
expérimentalement en exploitant DSP 1104 ( au sein du laboratoire des technologies
innovantes LTI EA 3899-IUT de l’Aisne – France)

Le chapitre 4 sera destiné à mettre en exergue l’apport de la logique floue type-

1 et type-2 à la réalisation d’un superviseur flou dédié à l’optimisation des paramètres
du mécanisme d’adaptation de l’observateur de vitesse basée sur la technique MRAS.
Ces approches flous seront validées expérimentalement sous également le DSP 1104
(au sein du laboratoire des technologies innovantes LTI EA 3899-IUT de l’Aisne –
France)

Une conclusion générale clôturera le manuscrit afin de mettre en relief les

différentes remarques concernant les résultats présentés dans cette thèse. Plusieurs
perspectives seront également présentées.

-3-
Chapitre I
MODELISATION ET COMMANDE VECTORIELLE DE
LA MAS

I.1 Introduction
La machine asynchrone à cage dont le rotor ne tourne pas à la vitesse du champ
tournant dont la seule entrée électrique est au stator, pose des problèmes difficiles pour
sa commande. La communauté scientifique et industrielle a imaginé bien des méthodes
de commande afin de pouvoir la contrôler en couple, en vitesse ou en position. Dans
notre cas on a choisi la commande vectorielle puisque elle garantie le couple à l’arrêt
avec une dynamique et une précision mieux que la commande scalaire. La commande
vectorielle est apparue avec les travaux de Blaschke [1]. Elle n’a cependant pas eu en
tout de suite un grand essor car les régulations, à l’époque, reposaient sur des
composants analogiques, l’implantation de la commande était alors difficile. Avec
l’avènement des microcontrôleurs et des dispositifs permettant le traitement du signal
(DSP), il est devenu possible de réaliser une telle commande à un coût raisonnable. Cela
a conduit à une explosion des recherches et des applications relatives à la commande
vectorielle de la machine asynchrone. Le nombre des publications et des brevets en
témoigne [2-9].
Si beaucoup de problèmes sont résolus, certains autres font encore l’objet de recherche.
Quand on ne cherche pas à obtenir des performances élevées, même si les régulateurs
du schéma de contrôle vectoriel ne sont pas réglés à l’optimum, le comportement global
du système commande- convertisseur- machine parait satisfaisant. Dans ce chapitre on
Chapitre I Modélisation et commande vectorielle de la MAS

va présenter en premier lieu la modélisation de la machine asynchrone puis la

commande vectorielle par orientation du flux rotorique.

I.2 Modélisation de la machine asynchrone

Dans cette section on s’intéresse aux différents modèles de la machine asynchrone
qui permettent de faire l’étude et la conception des différents estimateurs et
observateurs, que ce soit déterministes ou stochastiques.
I.2.1 Hypothèses simplificatrices

La machine asynchrone triphasée comporte un stator fixe et un rotor mobile autour

de l’axe de symétrie de la machine. L’étude de cette machine traduit les lois de
l’électromagnétisme dans le contexte habituel d’hypothèses simplificatrices suivantes :
• Entrefer constant ;
• Effet des encoches négligé ;
• Distribution spatiale sinusoïdale des forces magnétomotrices d’entrefer ;
• Circuit magnétique non saturé et à perméabilité constante ;
• Pertes ferromagnétiques négligeables ;
• L’influence de l’effet de peau et de l’échauffement sur les caractéristiques ne sont
pas pris en compte.
La machine est représentée à la figure (I.1) par ses six enroulements dans l’espace

électrique, l’angle α repère l’axe fixe de la phase du rotor de référence '' a, b, c '' par

rapport à l’axe fixe de la phase du stator de référence '' A, B, C ''.

Figure (I.1) : Représentation schématique de la machine asynchrone triphasée.

5
Chapitre I Modélisation et commande vectorielle de la MAS

En tenant compte des hypothèses simplificatrices et en appliquant la loi de

faraday, nous pouvons écrire les équations électriques du stator et du rotor :

Pour le stator :

= . + (I.1)

avec :

= (I.2)

= (I.3)

= (I.4)

Pour le rotor :

= . + (I.5)

= (I.6)

= (I.7)

= (I.8)

Les flux totalisés couplés avec les phases statoriques et rotoriques s’écrivent :

= . + . (I.9)

= . + . (I.10)

avec :

6
Chapitre I Modélisation et commande vectorielle de la MAS

2% 2%
cos (∝) cos (∝ + ) cos (∝ − )*
3 3 )
2% 2% )
= = . cos (∝ − cos (∝) cos (∝ + )
3 3 )
2% 2% )
cos (∝ + ) cos (∝ − cos (∝) (
3 3

On obtient finalement le modèle de la machine asynchrone triphasée :

= . + . + . (I.11)

0 = . + . + . (I.12)

On remarque que les équations (I.11) et (I.12) sont très difficiles à résoudre donc l’étude
et la conception des estimateurs et observateurs deviennent ainsi très compliquées, pour
surmonter ce problème on fait appel à la transformation du système triphasé au système
diphasé.
I.2.2 Transformation de Park
Le principe de la transformation de Park repose sur le passage du système triphasé
au système diphasé. La condition de cette transformation est la création d’un champ
électromagnétique tournant avec des forces magnétomotrices égales [11].
La matrice initiale de Park est définie par :
 2π 2π 
 cos(θ s ) cos(θ s −
3
) cos(θ s + )
3 
 
[Po ] = 2 − sin(θ s ) − sin(θ s − 2π ) − sin(θ s + 2π )
3 3 3 
 1 1 1 
 2 2 2 

I.2.3 Transformation de Park modifiée

Cette seconde transformation repose sur l'invariance de la puissance instantanée dans
les deux systèmes de représentation, ce qui, de toute évidence, conduit à leur
équivalence physique, on obtient finalement les matrices de passage direct et inverse
suivantes [10] :
 2π 2π 
 cos(θ s ) cos(θ s −
3
) cos(θ s +
3
)
2 2π 2π 
[P] = − sin(θ s ) − sin(θ s − ) − sin(θ s + )
3 3 3 
 1 1 1 
 
 2 2 2 

7
Chapitre I Modélisation et commande vectorielle de la MAS

 1 
 cos(θ s ) − sin(θ s ) 
 2
2π 2π
[P]−1 = 2

cos(θ s − ) − sin(θ s − )
1 
(I.14)
3 3 3 2
 2π 2π 1 
cos(θ s + ) − sin(θ s + ) 
 3 3 2

I.2.4 Modèle de la machine asynchrone dans le repère de Park

A partir de la figure(I.2), on peut déduire les équations de Park des grandeurs

statoriques et rotoriques dans le référentiel (d, q). Pour plus de détail, on pourra se
référer à [10], [11], [12], [13], [14].

Figure (I.2) : Représentation des enroulements de la machine asynchrone dans le

référentiel biphasé

Les équations de tensions statoriques et rotoriques s’écrivent :

= + −3
012
/ 4
-
- = + +3
015
4 4
7
. =0= + − (3 − 3)
062 (I.15)
4
-
-
=0= + + (3 − 3)
065
, 4 4

Les flux s’écrivent :

= +
/ = +
4 7
. = +
= +
(I.16)
, 4 4

8
Chapitre I Modélisation et commande vectorielle de la MAS

En utilisant les équations du système (I.16) et après arrangement les équations du

système (I.15) peuvent êtres écrites sous la forme suivante :

=− +3 + < +3 4> +
8 ; = =
/
12
9:1 4 9:1 :6 9:1
-
6

- 15
=−
8
−3 +
;
<
=
−3 >+
=
9:1 4 7
9:1 :6 4 9:1 4
6

. 062
=
;
−
=
+ (3 − 3)
(I.17)
4
-
-
6 6

= − − (3 − 3)
065 ; =
, 6
4
6
4

= +
;?
:6
avec :

Le couple électromagnétique s’écrit :

@A = C E − F
B D;
:6 4 4 (I.18)

Et la vitesse rotorique est donnée par :

= H (@A − @I + J3)
G =
(I.19)

I.2.5 Modèle de la machine asynchrone dans le référentiel lié au stator

Dans ce référentiel, ωa est nulle, les équations du système (I.17) deviennent :

= − 9: + 9: < +3 M > + 9:
8 ; = =
/
1K
L L L
1 :6
-
1 6 1

- 1N
= − 9:
8
+ 9:
;
<
=
−3 L > + 9:
=
7
M M M
1 1 :6 6 1

. 06K
=
;
L −
=
L−3
(I.20)
M
-
-
6 6

= − +3
06N ; =
, 6
M
6
M L

I.2.6 Modèle de la machine asynchrone dans le référentiel lié au champ tournant

En remplaçant ωa par ωs dans le système d’équations (I.15), il vient que :

/ OR = − TUQ PQO + VQ PQW + TUQUY <[Y \YO + V\YW > + TUQ ]QO
OP
QO S X Z Z

-
-OPQW = − S PQW − VQ PQO + X < Z \YW − V\YO > + Z ]QW
OR TU TU U [
Q TU Q Y Y Q 7
. O\YO
= [ iQO − [ \YO + (VQ − V)\YW
X Z
(I.21)
-
OR
-
Y Y

= P − \YW − (VQ − V)\YO

O\YW X Z
, OR [Y QW [Y

9
Chapitre I Modélisation et commande vectorielle de la MAS

I.2.7 Modèle d’observation de la machine asynchrone

L’étude du comportement de la machine et sa commande exigent une
modélisation adéquate, afin de pouvoir estimer et observer les grandeurs telle que le
flux, la vitesse et mêmes les résistances statorique et rotorique. Le modèle de la machine
asynchrone décrite par le système d’équation (I.17) peut être représenté sous la forme
d’état suivante :
•
X = AX + BU (I.22)
Y = CX
On définie le vecteur d’état ( X ) par les composantes des courants statorique et flux
rotorique, le vecteur d’entrée ( U ) par les composantes de tension statorique et le
vecteur de sortie ( Y ) par les composantes du courant statorique.
Il vient que :

_=
Vsd  isd 
4 4 ; U =  ; Y = 
Vsq  i sq 

Les matrices A , B et C sont définies par :

− a1 − ωa a2 a3ω 
ω − a1 − a3ω a 2 
A= a (I.23)
 a4 0 − a5 (ω a − ω )
 
 0 a4 − (ω a − ω ) − a5 

b 0
0 b 
B= (I.24)
0 0
 
0 0

1 0 0 0
C=  (I.25)
0 1 0 0 

avec :
1 M M M 1 C f
a1 = R ; a2 = ; a3 = ; a4 = ; a5 = ; a6 = cst ; a 7 = ;
σL s σLs Lr Tr σL s L r Tr Tr J J

pM 1
a8 = ; b= .
JLr σL s

10
Chapitre I Modélisation et commande vectorielle de la MAS

I.3 Commande vectorielle indirecte par orientation de flux de la machine

asynchrone
Le but de la commande vectorielle est d’arriver à commander la machine
asynchrone comme une machine à courant continu à excitation indépendante où il y a
un découplage naturel entre la grandeur commandant le flux, le courant d’excitation, et
celle liée au couple, le courant d’induit. Ce découplage permet d’obtenir une réponse
très rapide du couple. En parlant d’orientation du flux rotorique, c’est plutôt le système

= = 0.
d’axe ( d-q ) que l’on oriente de manière à ce que l’axe «d » soit en phase avec le flux
comme le montre la figure (I.3), c'est-à-dire : et 4

Figure I.3 : Représentation de l’orientation de repère (d, q).

I.3.1 Commande vectorielle pour une machine alimentée en courant

Pour une machine alimentée en tension, ]QO et ]QW représentent les variables de
commande. Dans ce contexte, et pour 4 = 0, les équations (I.21) de la machine
asynchrone dans le référentiel lié au champ tournant deviennent :

]QO = TUQ + S. PQO − VQ TUQ PQW + U <[ \YO >

OPQO X Z
OR Y Y
(I.26)

]QW = TUQ + R. PQW + VQ TUQ PQO + U (V\YO )

OPQW X
OR Y
(I.27)

P = (VQ − V)\YO
X
[Y QW
(I.28)

[Y + \YO = X. PQO
O\YO
OR
(I.29)

ab = d E\YO PQW F
c eX
UY
(I.30)

11
Chapitre I Modélisation et commande vectorielle de la MAS

L’expression (I.29) montre que l’évolution du flux rotorique suit celle du

courant statorique. On remarque que l’expression du couple (I.30) est analogue à celle
d’un moteur à courant continu à excitation indépendante car isd et i sq sont des

composantes continues ; on peut dire qu’avec l’orientation du flux, le contrôle du couple

devient linéaire, et réglable par action sur i sq lorsque le flux est maintenu constant

comme le montre l’équation (I.30) avec le flux est remplacé par le flux de référence
∗
:

ab = d E PQW F
c eX ∗
UY
(I.31)

I.3.2 Détermination de l’angle de Park

Pour que la vitesse ωs du référentiel d’axe (d, q) soit effectivement celle du champ
tournant, il est nécessaire d’assurer à tout instant la relation angulaire d’autopilotage
issue de l’équation (I.28) :.

VQ = [ + V = VQh + V
X gQW
Y \YO
(I.32)

On intégrant (I.32), nous obtenons l’angle de park i .

i = j 3 kl (I.33)

Pour une commande indirecte, nous fixons le flux rotorique direct \YO à une valeur
I.3.3 Découplage par compensation

de référence \∗Y , les équations de la machine asynchrone (I.26-I.30) devient :

]QO = TUQ + S. PQO − VQ TUQ PQW + U <[ >

OPQO X Z ∗
OR Y Y
(I.34)

]QW = TUQ + R. PQW + VQ TUQ PQO + U (V ∗)

OPQW X
OR Y
(I.35)

P = (VQ − V)\∗Y
X
[Y QW
(I.36)

\∗Y = X. PQO (I.37)

ab = d E\∗Y PQW F
c eX
UY
(I.38)

On peut définir une loi de découplage en introduisant de nouvelles variables de

commande.

12
Chapitre I Modélisation et commande vectorielle de la MAS

∗
= +m (I.39)
∗
4 = 4 +m 4 (I.40)

Par identification avec les équations (I.34-I.35), on obtient :

m =3 n −
;
4
6 :6
(I.41)

m = −3 n −3
; ∗
4 :6
(I.42)

∗
=n 12
+ (I.43)

∗
=n +
15
4 4 (I.44)

Les composantes de commande et 4 sont reconstituées à partir des nouvelles

∗ ∗
composantes et 4 comme le montre la Figure(I.4).

Figure(I.4) : Reconstitution des composantes de commande.

∗ ∗
En boucle fermée, les composantes et 4 sont issues à partir des boucles de
régulation successivement des courants et 4 . le courant est obtenu à son tour à
partir de la boucle d’asservissement de la vitesse rotorique, la figure (I.5) montre le
schéma bloc de la commande vectorielle indirecte à flux orienté.

13
Chapitre I Modélisation et commande vectorielle de la MAS

Figure(I.5) : Schéma bloc de la commande vectorielle indirecte par orientation du flux

rotorique.
I.3.4 Boucles de commande

Régulateur de vitesse

montre que la grandeur PQW

Le correcteur Cv fixera la dynamique désirée sur la vitesse de rotation, l’équation (I.38)
∗
constitue la consigne de la boucle de courant interne. La
figure (I.6) illustre le schéma bloc de la régulation de vitesse.

Figure(I.6) : Schéma bloc de régulation de vitesse.

À partir de la figure(I.6), on peut écrire :

@A = o ∗
4 (I.45)

= BD;0
∗ C:
6 p
4 ∗
6
(I.46)

∗
= ∗
(I.47)

avec : o = < >

BD;? ∗
C:6

14
Chapitre I Modélisation et commande vectorielle de la MAS

La fonction de transfert de la boucle de régulation de la vitesse rotorique est :

=
G qr q
G∗ H ? sEtsq qF
u sqr q
(I.48)

La fonction de transfert (I.48) est de la forme :

=
G Gv
?

G∗ ? sCwG
v sGv
? (I.49)

Par identification :

x=C 3z = {
tsqu q qr q
yHqr q H
et

Pour un échelon unitaire, la réponse est

3 = 3∗ = =
Gv
? = Gv
? = Gv ?
? sCwG
v sGv
? ? sCwG
v sGv
? ( sD| )( sD? )
(I.50)

façon critique, c'est-à-dire. x = 1 Et ~= = ~C = −3z puis, l’équation (I.50) devient :

Afin d'obtenir une réponse rapide sans dépassement, le système devrait être amorti de

3= = −( −
= Gv
? = Gv =
( sGv )? sGv )? sGv
(I.51)

Donc la réponse transitoire du système est donnée par :

3(l) = 1 − 3z lm •Gv − m •Gv (I.52)

Le temps de réponse est obtenu lorsque la variable contrôlée atteint les 90% de la valeur
désirée.

0.9 = 1 − 3z lm •Gv − m •Gv (I.53)

La solution de l’équation non linéaire ci-dessus donne les valeurs de la fréquence propre
du système. Et enfin les paramètres du contrôleur peuvent êtres calculés par les
équations ci-dessous :

=1
tsqu q

7
CyHqr q
•
3z = {
qr q
(I.54)
H

Dans ce contexte, et pour assurer la rapidité sans dépassement ni oscillations, la

fréquence propre du système doit être très faible.
15
Chapitre I Modélisation et commande vectorielle de la MAS

Régulateur de courant PQO

∗
La composante de référence et obtenue à partir de la boucle de régulation du
courant direct i‚ƒ , ce pendant, l’équation (I.43) constitue le système à réguler ; Figure
(I.7)

Figure(I.7) : Schéma bloc de la boucle de régulation du courant .

|
La fonction de transfert en boucle ouverte est :

„… = oD †‡ + ˆ
qrr2 = ‰Š1
qur2 ‹
s
(I.55)
‰Š1
Pour assurer la stabilité du système, on utilise la méthode de compensation de pôles .
Ce qui conduit à :

=
qrr2 8
qur 9:1
(I.56)

Par conséquent, la fonction de transfert en boucle fermée est :

„t =
=
Πs=
(I.57)

Avec : • =
9:1
qur

Les valeurs des paramètres du régulateur sont calculées selon la constante de temps .

Régulateur de courant PQW

La régulation du courant PQW se fait de la même façon que celle du courant PQO

Figure(I.8) : Schéma bloc de la boucle de régulation du courant 4 .

16
Chapitre I Modélisation et commande vectorielle de la MAS

I.3.5 Résultats de simulation et expérimentaux

La figure (I.9) montre les résultats de simulation de la commande vectorielle
indirecte par orientation de flux rotorique. On remarque bien que la vitesse suit le profil
de la référence, et que la commande semble ne pas être influée par l’application de la
charge. La courbe illustrant le flux 4 confirme le découplage entre les deux
composants flux et couple. Enfin, d’après les résultats obtenues, on peut dire que la
commande répond bien aux exigences de la machine vis-à-vis à l’appel de courant et à
la vitesse de référence. La figure (I.10) montre les résultats expérimentaux de la
commande vectorielle, on remarque bien que le rejet de la charge se fait parfaitement,
avec un appel de courant peut important ( I=2.5 A) vis-à-vis la valeur du couple de
charge appliqué ( Cr=7.2 Nm)

Figure(I.9.a) : résultats de simulation de la commande vectorielle indirecte par

orientation de flux rotorique.

17
Chapitre I Modélisation et commande vectorielle de la MAS

Figure(I.9.b) : résultats de simulation de la commande vectorielle indirecte par

orientation de flux rotorique.

Figure(I.10) : résultats expérimentaux de l

a commande vectorielle indirecte par orientation de flux rotorique

I.4 Conclusion
Les résultats obtenus dans ce chapitre montrent clairement que l’on peut réaliser le
découplage entre le flux et le couple en utilisant la technique de la commande
vectorielle par orientation du flux rotorique. Dans ce contexte, le calcul des paramètres
des régulateurs devient plus au moins simple. Mais la robustesse de cette commande
nécessite la connaissance du flux rotorique, ce dernier doit donc être évalué en
introduisant un capteur de flux qui très couteux et assez compliqué, et d’autre part pour
éliminer le capteur de vitesse qui constitue la pièce la plus chère du système, cela de
point de vue coût et encombrement, on a recours à l’exploitation des observateurs et
estimateurs de flux et de vitesse, l’étude de ces derniers feront l’objet du chapitre qui
suit.
18
 Chapitre II
APPLICATION DES ESTIMATEURS ET OBSERVATEURS
DE VITESSE ET DE FLUX A LA MACHINE
ASYNCHRONE

II.1 Introduction
Les différentes applications industrielles des variateurs asynchrones du couple, de la
vitesse et/ou de la position exigent des cahiers des charges extrêmement sévères. Par
conséquent leurs performances statique et dynamique doivent êtres élevées. Pour assurer
le bon fonctionnement de la commande il faut se disposer d’une excellente information
provenant de la machine à contrôler. Cette information peut exiger des capteurs
électriques directs ou mécaniques qui sont des éléments coûteux et fragiles et qui
demandent un traitement spécifique des signaux captés. Dans ces conditions et dans le
cas où certaines grandeurs internes de la machine ne sont ni accessibles ni mesurables
directement ces capteurs doivent êtres supprimés. Pour remédier la technique
d’automatique telle que l’application des estimateurs et des observateurs des états
(vitesse, flux) sont utilisées pour la reconstitution des variables dans les différentes
structures de commandes dite performantes.
Ce chapitre présente le développement théorique des plusieurs observateurs
déterministes et stochastiques. Puis ces observateurs seront validés par simulation
numérique sous Matlab.

19
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone
II.2 Observateurs déterministes
Ce sont les observateurs qui ne prennent pas en compte les bruits de mesures et les
fluctuations aléatoires des variables d’état donc l’environnement est déterministe.

II.2.1 Observateur d’état d’ordre réduit

En se basant sur les travaux de la référence [15], l’observation utilisant le modèle

(I.20) dont les courants magnétisants i mrα et i mrβ sont utilisés comme variable d’état, les

courants statoriques i sα et i sβ étant les variables d’entrée. La correction de l’observateur

se fait à partir des variables Y et Yˆ qui dépendent des vecteurs d’entrée et de sa dérivée.

= + + −
= + +
(II.1)

avec :

− 0 #$% 0
! 0
= = = = "; =
0 − 0 ! 0 #$%
; ; ;

− )̂+,- /%- 0%- 0%-

= = = / = 0 ; =1 2
&'
( )̂+,. %. %. 0%.
; ; ;

Dans le cas où la vitesse ω n’est pas mesurable. Elle est remplacée par sa valeur
estimée ω̂ , comme dans notre cas, elle est issue d’un estimateur de vitesse qu’on va
élaborer par la suite.

L’équation d’état du système (I.20) est donnée par :

= + (II.2)

= + + (II.3)

De l’équation (II.3) on a :

= − − (II.4)

Posons : 3 =

L’équation (II.1) devient :

=( − ) + + 3
Posons : − =
(II.5)
67%

20
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Il vient que:

= 67% + + 3 (II.6)

Aobs Définit la dynamique de l’observateur qui est choisie en fonction de la vitesse

de convergence de l’erreur d’observation vers la valeur nulle.
La matrice gain G est déterminée en utilisant la méthode de d’imposition des pôles.
[16]

Figure (II.1) Schéma fonctionnel d’un observateur d’état d’ordre réduit.

II.2.1.1 Estimation de la vitesse

Nous pouvons utiliser l’équation du couple électromagnétique (I.18) pour modéliser
un estimateur de vitesse à partir des flux rotoriques estimés par l’observateur comme le
montre la figure (II.2).

Figure (II.2): Estimation de la vitesse de la machine asynchrone à l’aide d’un modèle

Mécanique et l’observateur du flux rotorique.

21
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone
II.2.1.2 Résultats de sémulation

La simulation numérique de l’observateurs est effectuée en boucle ouverte. La vitesse de

référence suit le profil ci-dessous qui permet le fonctionnement dans les deux quadrants.
Notons que le présent test est effectué afin d’attester la fonction de poursuite ainsi que la
robustesse de l’observateur en question. Comme il est illustré par la figure (II.3), la
vitesse réelle suit parfaitement la vitesse imposée, une bonne poursuite est acquise
indépendamment de la variation de la résistance rotorique.
La figure (II.6) montre l’allure du flux rotorique estimé, on constate que les flux
89,- et 89,. sont bien en quadrature et parfaitement sinusoïdaux, la robustesse est bien
acquise.

Figure (II.3) : Courbe de la vitesse réelle mesurée, de la vitesse estimée.

Figure (II.4) : Erreur d’estimation de la vitesse.

22
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.5) : Courant quadratique /%: .

Figure (II.6) : Flux rotoriques observés 89,- 89,. .

Figure (II.7) : Flux rotoriques estimés 89,- 89,. . (Zoom).

23
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.8) : Profil de variation de la résistance rotorique Rr.

II.2.2 Observateur de Kubota

L’auteur de cette méthode propose une estimation de la vitesse rotorique de la

machine asynchrone basée sur la théorie de la commande adaptative figure (II.9). Pour se
faire, considérons seulement les quatre équations du modèle de la machine données par le
système d’équations (I.20), et supposons que seuls les courants statoriques i sα et i sβ sont

mesurés.
L’observateur n’est qu’une image du système original auquel on ajoute des gains
correcteurs. L’observateur est donné par le système suivant [17- 18] :

= ; + + <% (II.7)

avec:

=)̂%- , )̂%. , 89,- , 89,. ? = @A9 , A9 , A9B , A9C D

a 0 a −aB P −P
aB a P P Q%-
F = G0
A
a 1 0
aC 0 aI −aJ L ; = M(
1 1
"; = PB −PC ; = Q
%.
aJ aI PC PB
N
0 aC

R = − SM(N + U ; R = M( ; RB = M( V W = X ; RC = ; RI = ; RJ = V W
T M & & &
N M N( N(

L’erreur d’estimation sur le courant statorique et le flux rotorique qui n’est autre que
la différence entre le vecteur d’état issu de l’observateur et celui issu du modèle du
moteur et elle est donnée par :

− = ; − + <% (II.8)

24
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine

Les deux matrices ; et

asynchrone

peuvent êtres décomposées de la manière suivante :

;= + W
= +

avec :

a 0 a 0 0 0 0 −aB
0 a 0 a 0 0 aB 0
A =G L A =G L
aC 0 aI 0 0 0 0 −aJ
;
0 aC 0 aI 0 0 aJ 0

Posons : < = − ;<= − ;∆ = W− ;∆ =∆

On obtient :

<=( + )< − ∆ (II.9)

0 0 0 −X∆
0 0 X∆ 0 1 0 0 0"
Avec : ∆ =G 0 L , =
0 0 −V 0 1 0 0
0 0 V 0

Considérons la fonction de Lyapunov suivante: [1], [2]

0=< <+
(Z
W Z)'
[
Avec \ une constante positive
(II.10)

La dérivée par-rapport au temps de (0) est donnée par :

0 = < ]( + ) <+( + )^< − 2R ∆ (< A9C − < A9B ) + [ ∆ (II.11)

Avec : < = /%- − )̂%- ; < = /%. − )̂%.

A partir de l’équation (II.11) on peut déduire la loi d’adaptation pour l’estimation de la

vitesse rotorique en égalisant le deuxième terme et le troisième terme. On obtient :

W = `\ M( a b(< 89,. − < 89,- )cd

&
N(
(II.12)

Pour améliorer la stabilité de l’observateur et faciliter l’implantation du mécanisme, on

a utilisé la forme suivante :

W = `Xe + g a (< 89,. − < 89,- )

f
%
(II.13)

25
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Les éléments de la matrice sont choisis de façon à ce que le premier terme de

l’équation (II.11) soit semi- défini négatif [17].

P = ( − 1)R

P = −( − 1) W

PB = ( − 1) ` R + RC a − ( − 1)(R + RI )
M M
M& M&

PC = − ( − 1)V W
M
M&

Figure (II.9) : Schéma en bloc de l’observateur de Kubota.

II.2.2.1 Résultats de simulation

Les résultats de simulation de l’association (MAS_ observateur Kubota) attestent

une bonne poursuite comme il est indiqué par la figure (II.10) une bonne robustesse est

remarque sur la figure (II.11) que les flux rotorique estimés 89,- et 8
9 ,. et sont bien
réalisée en dépit de la variation de la résistance rotorique illustrée par la figure (I.12). on

sinusoïdaux et en quadratiques.

Figure (II.10.a) : Courbe de la vitesse réelle mesurée et de la vitesse estimée.

26
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.10.b) : Courbe de la vitesse réelle mesurée et de la vitesse estimée (Zoom).

Figure (II.10.c) : Erreur d’estimation de la vitesse.

Figure (II.11.a) : Flux rotorique observé.

Figure (II.11.b) : Flux rotorique observé (Zoom).

27
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.12) : Profil de variation de la résistance rotorique Rr

II.3 Observateur par mode glissant

L’observateur par mode glissant connait des évolutions importantes, plusieurs auteurs
ont traités ce type d’observateurs dont on peut citer par exemple [19-29]. La synthèse de
cet observateur repose sur le modèle d’observation de la machine asynchrone comme le
montre la figure (II.13), une simple fonction signe est utilisée pour déterminer si le
vecteur d’état et de mesure sont proches. Donc l’objectif est de stabiliser les dynamiques
d'erreur, ceci en respectant une certaine méthodologie.
• Définir une surface (S) sur la quelle l'erreur d'estimation de la sortie est stable et
nulle.
• Etablir les conditions de glissement c'est-à-dire le calcul des gains à fin que toutes
les trajectoires du système tendent vers une surface dite d’attraction, et restent
stables (invariance).
Le modèle de la machine peut être représenté sous la forme d'état suivante :

= i( , )
h
== j( )
(II.14)

Ou ∈ ! l est le vecteur d’état, ∈ ! l est le vecteur commande, ∈ ! , est le

vecteur de sortie, on suppose que le système (II.14) est commandable est observable.
Définissons l’observateur par mode glissant suivant :

=i , + m n%m (II.15)

avec :

28
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

∈ ! l est l’estimation de .
m ∈ ! l × ! , est la matrice gain de l’observateur, elle doit être synthétisée de façon à
stabiliser l’erreur p = −
n%m est le vecteur de dimension q × 1

n%m = r/Ps(t) = @r/Ps(r ), r/Ps(r ), … … … . r/Ps(r, )D (II.16)

avec

t = Γ. = − ( )? = @r , r , … … . . r, D (II.17)
Où
Γ : est une matrice n × r
Définissons maintenant la surface (S ′) de dimension n − r telle que :

t x = y p ∈ ! l /{(|p)}~ • (II.18)

On note que Γ(s ′) peut être interprété comme étant l'intersection des ( r ) surfaces de
glissement S i , i ∈ {1,…, r }; la procédure de base de la synthèse d'un observateur par
mode de glissement consiste en deux étapes:
• Synthétiser la surface S ′ telle que les trajectoires d'erreurs, convergent vers des
dynamiques d'estimations désirées stables.
~
• Déterminer la matrice gain (G g ) de l'observateur pour ramener X vers S ′

(attractivité) et le maintenir sur cette surface pour le glisser vers l'origine

(invariance).
La surface (S ′) est attractive si et seulement si t . t < 0 // ∈ ]1, … … . q^; cette condition
définit la région dans laquelle le mode de glissement existe. Pendant le glissement, les
dynamiques de l'erreur d'estimation sont réduites de l'ordre n à l'ordre ( n − r ) (système
équivalant d'ordre réduit [28-29].
Supposons que :

Y = H ( X ) = C. X (II.19)

29
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Il vient que:

S = Γ ⋅ [CX − CXˆ ] (II.20)

~
I sg = (ΓCG g ) −1 ΓC.[ f ( X , U ) − f ( Xˆ , U )] (II.21)

avec ΓCG ∈ R r ×r
La dynamique équivalente est donnée par :
~•
X = ( II − G g (ΓCG g ) −1 ΓC )[ f ( X , U ) − f ( Xˆ , U )] (II.22)

avec : ΓCXˆ = 0

A. Synthèse de l'observateur de flux par mode de glissement

Considérons la vitesse ω (t ) une fonction bornée et dont sa dérivée par rapport au temps
•
ω (t ) et aussi bornée, et soit η1 et η 2 paramètres positifs telle que :

 ω (t ) ≤ η1

• (II.23)
 ω (t ) ≤ η 2

 •
xˆ1 = γxˆ1 + TK xˆ 3 + Kω (t ) xˆ 4 + αVsα + g1 .I sg
 r
 •
xˆ2 = γxˆ 2 + TK xˆ 4 − Kω (t ) xˆ 3 + αVsβ + g 2 .I sg
 r
 • (II.24)

xˆ3 = TM xˆ1 − T1 xˆ 3 − ω (t ) xˆ 4 + g 3 .I sg
 r r
•

xˆ4 = TM xˆ 2 − T1 xˆ 4 + ω (t ) xˆ 3 + g 4 .I sg
 r r

avec :

g 1 , g 2 , g 3 , g 4 Les gains de l'observateur

30
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

α=
1
, γ =−
R
, K=
M
[x1 , x 2 , x3 , x 4 ] = I sα , I sβ , ϕ rα , ϕ rβ "
σLs σL s σL s L r ,


 [
 g j = g j1 g j 2 ]
  sign( S 3 ) 
 I sg =   (II.25)
  sign( S 4 )
 S   x − xˆ 
s ob =  3  = Γ  1 1 
 S 4   x 2 − xˆ 2 

avec j ∈ {1,2,3,4}

et
 K 
 T − ω (t ) K 
1 (II.26)
Γ=  r

β (t ) ω ( t ) K K 
 Tr 

avec :

2
K 
β (t ) =   + K 2ω (t ) 2 (II.27)
 Tr 

Le choix de Γ est fait pour faciliter le calcul des gains de l'observateur, Les dynamiques
de l'erreur d'estimation sont données par :
• • •
ei = x j − xˆ j (II.28)

donc

 • K
 e1 = + pK ω ( t ) e 4 − g 1 I sg
 Tr e3
 • K
e = − pK ω ( t ) e 3 − g 2 I sg
 2 Tr e 4 (II.29)
 •
 −1
 e3 = T e 3 − p ω ( t ) e 4 − g 3 I sg
 r
•
 −1
e 4 = + p ω ( t ) e 3 − g 4 I sg
 Tr e 4

Pour avoir l'attractivité de la surface de glissement, il faut déterminer g 1 et g 2 assurant

S ob = 0

31
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Alors g 3 et g 4 sont déterminés telle que le système d'ordre réduit obtenu quant
•
S ob = S ob est localement stable. On obtient le résultat suivant:

Supposons que les variables d'état x3 (t ) et x4 (t ) sont bornés, considérons le système

(II.29) avec les gains suivants [27] :




 [g g g 12 
g 2 ] =  11 = Γ −1 ∆
 1  g 21 g 22  (II.30)

 et

 1 
 (q − )δ − ω ( t )δ 2
 g g 32   1 T r 1 
 [g 3 g 4 ] =  31 = 
g 42   ω ( t ) δ 1

  g 41 (q 2 − )δ 2 
  1
Tr 

où

δ 1 〉 ρ 3 + xˆ 3 + a max e1 + bmax e2

 (II.31)
δ 2 〉 ρ 4 + xˆ 4 + bmax e1 + a max e2

avec :

a max = 2Tr Kη1η 2


 1 (II.32)
bmax = Tr η 2 ( K + 2η1 )
2 2

δ 0
x3 (t ) ≤ ρ 3 ; x4 (t ) ≤ ρ 4 ; q1 , q2 > 0 ; ∆ =  1 
 0 δ2

• La surface de glissement est attractive et les erreurs e1 (t ) et e2 (t ) convergent vers

zéro.
•
• La dynamique d’ordre réduit obtenue quant S ob ≡ S ob ≡ 0 est donnée par [28] :

•
e3 = − q1e3
• (II.33)
e4 = − q 2 e4

Où q1, q2 > 0, ce qui correspond à une stabilité exponentielle de e3 et e4, l’annexe illustre
la preuve de ces deux résultats.

32
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

B. Estimateur de vitesse par mode de glissement

Considérons les dynamiques d’erreur de l’observateur de flux donné par l’équation
(II.29) ce système peut être réécrit sous la forme suivante :

•
e(ω ) = A(ω ).e + G g (ω ).I sg (ω ) (II.34)

avec

 K 
0 0 Kω   a1 .δ 1 a 2 .ω.δ 2 
• Tr
     − a .ω.δ 
 e•1  K   a 2 .δ 2 
0 0 − Kω
2 1
• e   Tr   1 
e(ω ) =  •2  ; A(ω ) = 
−1  ; G g (ω ) =  q1 − T .δ 1 − .ω.δ 2 
 e3  0 0 − ω  r 

•  Tr    1 
e4   −1   .ω.δ 1  q 2 − .δ 2 
0 0 ω   Tr  
 Tr 

Supposons maintenant que la vitesse rotorique ω est remplacée par son estimée
ωˆ = ω − ∆ω , le système (II.34) devient [27] :

•
e(ωˆ ) = A(ωˆ ).e + G g (ωˆ ).I sg (ωˆ ) (II.35)

Avec

A(ωˆ ) = A(ω ) + ∆A (II.36)

G g (ωˆ ) = G g (ω ) + ∆G g (II.37)

 a 2 .e2 .∆ω 
S 3 + β 
I sg = sign   (II.38)
 S + a 2 .e1 .∆ω 
 β 
4

et

0 0 − K .∆ω 
0
0 0 K .∆ω 0 
∆A =  (II.39)
0 0 0 .∆ω 
 
0 0 − .∆ω 0 

33
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

 0 − .K .∆ω.δ 2 
.K .∆ω.δ 0 
∆G g =  1  (II.40)
 0 ∆ω.δ 2 
 
 − .∆ω.δ 1 0 

L’idée c’est d’appliquer le critère de stabilité de lyapunov pour voir la convergence

de l’erreur vers zéro, pour cela on choisit la fonction de lyapunov de la forme suivante
[27] :

1 T 1
v= e.e + ( ∆ω ) 2 (II.41)
2 2λ

La dérivée de l’équation (II.41) par- rapport au temps est :

• • 1 •
v = e T .e(ωˆ ) + ∆ω ωˆ (II.42)
λ
•
Remplaçons e(ωˆ ) par sa valeur, alors l’équation (II.42) devient :

v = e T {( A(ω ) + ∆A).e − (G g + ∆G g ).I sg (ω )}+ e T .G g .I sg − e T .G g .I sg +

• 1 •
∆ω .ωˆ
λ

Finalement on obtient :

v = e T (A(ω ).e − G g .I sg ) + e T (G g .I sg − (G g + ∆G g ).I sg (ω ) ) +

• 1 •
.∆ω.ωˆ + e T .∆A.e (II.43)
λ

avec

e T .∆A.e = ∆ω.{p.K .(e1 .xˆ 4 − e2 .xˆ 3 )} + .K .∆ω (e2 .x3 − e1 .x 4 ) (II.44)

On pose l’égalité suivante :

•
∆ω.ωˆ + ∆ω.{K (e1 .xˆ 4 − e 2 .xˆ 3 )} = 0
1
(II.45)
λ

A partir de l’équation (II.45) et si ∆ω ≠ 0 une loi d’adaptation pour la vitesse rotorique

est déduite

•
ωˆ = −λ .K ..(e1 .xˆ 4 − e2 .xˆ 3 ) (II.46)

Pratiquement, et pour éviter l’intégration pure, on utilise la forme suivante :

34
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone
•
 Ki 
ωˆ =  K p + ..(e1 .xˆ 4 − e2 .xˆ 3 ) (II.47)
 s 

Figure (II.13) : Schéma bloc d’un observateur par mode glissant.

II.2.3.1 Résultats de simulation

La figure (II.15.a) illustre les deux composantes du flux rotorique ( Φ̂ rα , Φ̂ rβ ) ,ainsi

que le module du flux rotorique estimé et son erreur d’estimation, on remarque une bonne
estimation du flux rotorique même avec l’application de la charge à t= 1s. Les résultats
représentés sont satisfaisants. La figure (II.14) montre l’évolution de la vitesse rotorique
estimée et son erreur d’estimation par rapport à la vitesse de simulation réelle issue du
modèle, les surfaces de glissement convergent vers zéros figure (II.15.c), ce qui prouve la
convergence de l’observateur du flux.

Figure(II.14.a) : Courbe de la vitesse réelle mesurée et de la vitesse estimée.

35
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure(II.14.b) : Courbe de la vitesse réelle mesurée et estimée (Zoom).

Figure (II.14.c) : Erreur d’estimation de vitesse.

Figure(II.15.a) : Flux rotorique observé.

Figure (II.15.b) : Flux rotorique observé (Zoom).

36
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.15.c) : Surfaces de glissement

Figure(II.16) : Profil de variation de la résistance rotorique Rr.

II.2.4 Observateur à système adaptatif par modèle de référence (MRAS classique)

Comme il est indiqué par le schéma de la figure (II.17), la technique MRAS est
basée sur le modèle de référence (généralement c’est un modèle de tension) qui ne
dépend pas de la vitesse rotorique et qui fournit un certain flux de référence, le modèle
ajustable qui dépend directement de la vitesse (généralement c’est un modèle de courant),
fournit un certain flux estimé. L’erreur entre ces deux modèles, injectée dans un
mécanisme d’adaptation, permet l’estimation de la vitesse rotorique.

Figure (II.17) : Structure de la technique MRAS pour l’estimation de la vitesse

rotorique.

37
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

A partir des équations (I.19), on peut déduire deux modèles [2], [27], [30],[31] :

Equation du modèle de référence

d L  d 
ϕ rα _ ref = r .Vsα − Rs .I sα − σ .Ls I sα 
dt M  dt 
(II.48)
d L  d 
ϕ rβ _ ref = r .V sβ − Rs .I sβ − σ .Ls I sβ 
dt M  dt 
Equation du modèle ajustable
d M 1
ϕ rα _ aj = I sα − .ϕ rα _ aj − ω.ϕ rβ _ aj
dt Tr Tr
(II.49)
d M 1
ϕ rβ _ aj = I sβ − .ϕ rβ _ aj + ω.ϕ rα _ aj
dt Tr Tr
On suppose que la vitesse rotorique ( ω ) est constante, en la remplaçant par sa valeur
estimée ( ω̂ ) dans le modèle ajustable, on obtient :
d M 1
ϕˆ rα _ aj = I sα − .ϕˆ rα _ aj − ωˆ .ϕˆ rβ _ aj
dt Tr Tr
(II.50)
d M 1
ϕˆ rβ _ aj = I sβ − .ϕˆ rβ _ aj + ωˆ .ϕˆ rα _ aj
dt Tr Tr

La dynamique d’erreur entre les deux systèmes (II.49) et (II.50) est donc obtenue par :
dε α − 1
= ε α − ω.ε β − (ω − ωˆ ).ϕˆ rβ _ aj
dt Tr
(II.51)
dε β −1
= ε β + ω.ε α + (ω − ωˆ ).ϕˆ rα _ aj
dt Tr

ε α 
Avec : ε α = (ϕ rα _ aj − ϕˆ rα _ aj ) ; ε β = (ϕ rβ _ aj − ϕˆ rβ _ aj ) ; ε αβ =  
ε β 

Le système (II.51) peut être écrit comme suit :

dε αβ
= Aω .ε αβ − Cω (II.52)
dt

Avec

38
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

−1 
 T − ω  0 (ω − ωˆ ).ϕˆ rβ _ aj 
Aω =  r  ; Cω =  
 ω −1   − (ω − ωˆ ).ϕˆ rα _ aj 0 
 Tr 

En appliquant le critère de popov de l’hyperstabilité, la loi d’adaptation proposée par [2]

est :
t
ωˆ = f 2 (ε ) + ∫ f1 (ε )dτ (II.53)
0

Or le critère de popov exige la satisfaction de l’inégalité suivante :

t1

∫ε Cω dt ≥ −γ 0 ; ∀t1 ≥ 0
T 2
(II.54)
0

Où γ 0 constante positive. En utilisant la définition de ω̂ , remplaçant ε et C ω par leur

2

valeurs, on obtient :

  
[ ]
t1 t

∫0  ε α .ϕˆ rβ _ aj − ε β .ϕˆ rα _ aj .ω − f 2 (ε ) − ∫ f1 (ε )dτ  dt ≥ −γ 0

2
(II.55)

  0 

Pour résoudre cette équation on peut utiliser la relation suivante [27] :

−1
t
d 
∫ K  dt f (t )  f (t )dt ≥
0
2
K m f (o ) 2 (II.56)

Km>0; f (0) représente la condition initiale.

En utilisant cette relation on peut montrer que l’inégalité de popov est satisfaite par les
fonctions suivantes :

f1 = K i (ε β .ϕˆ rα _ aj − ε α .ϕˆ rβ _ aj ) = K i (ϕ rβ _ aj .ϕˆ rα _ aj −ϕ rα _ aj .ϕˆ rβ _ aj )

(II.57)
f 2 = K p (ε β .ϕˆ rα _ aj − ε α .ϕˆ rβ _ aj ) = K p (ϕ rβ _ aj .ϕˆ rα _ aj −ϕ rα _ aj .ϕˆ rβ _ aj )

39
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Finalement la vitesse estimée (ωˆ ) est donc donnée par :

t
ωˆ (t ) = K p (Φ rβ _ ref .Φ
ˆ rα _ aj − Φ rα _ ref .Φ
∫
ˆ rβ _ aj ) + K i (Φ rβ _ ref .Φ ˆ rβ _ aj )dτ
ˆ rα _ aj − Φ rα _ ref .Φ
0

Où K p et K i sont des constantes positives.

Pour améliorer la dynamique d’estimation de la vitesse rotorique, les auteurs de [18] ont
proposé une nouvelle configuration de l’estimateur de vitesse représenté sur la figure
(II.18) suivante :

Figure (II. 17) : Structure modifiée de la technique MRAS pour l’estimation de la

vitesse rotorique.
II.2.4.1 Résultats de simulation

L’application de cette méthode suppose que la vitesse rotorique est constante. La

figure (II.18) illustre la vitesse et l’erreur d’estimation de la vitesse. Les deux
composantes du flux rotorique sont illustrés dans la figure (II.19), elles sont biens
sinusoïdales et en quadrature. On constate que cet algorithme fonctionne convenablement
en boucle ouverte.

40
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure(II.18.a) : Courbe de la vitesse réelle mesurée et la valeur estimée.

Figure(II.18.b) : Courbe de la vitesse réelle mesurée et estimée (Zoom).

Figure (II.18.c) : Erreur d’estimation de vitesse.

Figure(II.19.a) : Flux rotorique observé.

41
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure(II.19.b) : Flux rotorique observé (Zoom).

Figure(II.20) : Profil de variation de la résistance rotorique Rr.

II.2.5 Observateur de flux par la technique MRAS – améliorée (nouvelle approche)

L’observation et l’estimation de la vitesse par la technique MRAS conventionnelle, se

confronte à certains problèmes liés à la présence de l’intégrateur pur au niveau du
mécanisme d’adaptation causant des offsets en basses vitesses. Des nouvelles techniques
de la MRAS ont étés présentées pour remédier à ces problèmes, comme (emf-MRAS)
proposée par [32], MRAC basée sur la puissance réactive proposée par [33-35], MRAC
basée sur le flux ( F-MRAC) par [30], Back-emf-MRAC par [34], les auteurs [36] ont
proposé un observateur mode glissant (MRAS-SM). Mais le problème de perte de
performance en basse vitesse persiste toujours.
On présente dans cette partie une nouvelle approche de la MRAS basée uniquement
sur le modèle de courant comme il est indiqué dans la figure(II.21).

42
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure(II.21) : Schéma bloc de la nouvelle approche de la MRAS.

Les équations rotoriques sont données par :

∅,- + ∅,- + ∅,. = /%-

‚ &

•…
‚ƒ

∅ + Š ∅‡ˆ − ∅,- = /%.

‰ & (II.59)
…† ‡ˆ ‡

avec : =V ,

/%- et /%. sont les variables d’entrées mesurées.

Si on pose = ,‹Œ alors les flux ∅,- et ∅,. sont considérés comme références, le
système (II.59) s’écrit :

∅ + ∅,- + ,‹Œ ∅,. = /%-

‚ &
‚ƒ ,-
•…
∅ + Š ∅‡ˆ − ,‹Œ ∅,- = /%.
‰ & (II.60)
…† ‡ˆ ‡

De même, si on pose = W , alors les flux ∅,- et ∅,. sont considérés comme des
variables estimées. Le système (59) devient :

‚
F ,- +
∅ F ,- + W∅
∅ F ,. = &
/%-
•‚
‚ƒ
F +
∅ F ,. − W∅
∅ F ,- = &
/%.
(II.61)
‚ƒ ,.

43
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

On définit l’erreur entre les systèmes (60) et (61) comme suit :

<,- 8,- − 89,-

<= < "=
,. 8,. − 89,.
(II.62)

Ou sous la forme complexe suivante :

<̅ = <,- + Ž<,. (II.63)

Alors les systèmes d’équations (59), (60) et (61) peuvent êtres écrits sous forme
complexe suivante:

)̅, = + − Ž 8‘,
& •
‚• •
‚ƒ
(II.64)

)̅, = + −Ž ,‹Œ 8
‘,
& •
‚• •
‚ƒ
(II.65)

)̅, = + − Ž W8‘,
& W
‚• W
•
‚ƒ
(II.66)

La soustraction entre (65) et (66) donne :

0 = <̅ + <̅ − Ž ,‹Œ 8

‘, + Ž W8‘,

= <̅ + <̅ − Ž ,‹Œ 8

‘, + Ž W8‘, + Ž ,‹Œ 8
‘, −Ž ,‹Œ 8
‘,

Donc :

<̅ = − ` − Ž ,‹Œ a <̅ +Ž W− ,‹Œ 8‘, (II.67)

Ou bien, l’équation (II.67) peut être écrite sous la forme d’état suivante :

44
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine

<̅ = ̅<̅ + ’
•
asynchrone

(II.68)

−
̅ = −` −Ž
,‹Œ
,‹Œ a =
− −
Avec: ;
,‹Œ

• =Ž
’ ,‹Œ − W 8‘, ;

1 0 89,-
’=∆ "
0 1 89,.
(II.69)

L’équation (II.69), montre que l’erreur dynamique (II.68) présente un système non
linéaire, donc on peut utiliser le théorème de lyapunov pour étudier la stabilité de ce
système.
On définit la fonction candidate de lyapunov suivante:

'
0=< <+ ≥0
Z “” ZW
[
(II.70)

avec : \ est une constante positive.

La dérivée temporelle de (II.70) donne :

0 = (< < + < <) + [ ∆

‚(∆Z)
‚ƒ

Remplaçons <̅ par sa valeur, on obtient:

0= •) .< + < ( < + ’

( <+’ • ) + ∆Z ‚(∆Z)
[ ‚ƒ
= (< • <+<
<+’ • ) + ∆Z ‚(∆Z)
<+< ’
[ ‚ƒ

Ce qui donne :

0 = (< ( • ) + ∆Z ‚(∆Z)
+ )< + 2< ’
[ ‚ƒ
(II.71)

D’autre part, nous avons :

1 1
š − ,‹Œ žš− − ,‹Œ ž
1 1 ›, −1 1 0
( + ) = —™ • + ™ ›, • = "<0
2 2 ™ 1• ™ 1 • ›, 0 1
− − −
–˜ ,‹Œ ›, œ ˜ ,‹Œ ›, œŸ

Donc le premier terme de l’équation (II.71) est négatif.

45
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Si on annule le deuxième terme de l’équation (II.71), on obtient :

‘‘‘ = −
¡Š ¢
∆£ …(∆£)
¤ …†
(II.72)

avec:

¥W ‡ˆ
‘‘‘ = ∆£@¥‡¦ − ¥
¡Š ¢ W ‡¦ W ‡ˆ D.
¥‡ˆ − ¥
−¥W ‡¦
W ‡ˆ − ¥‡ˆ ¥
= ∆£ ¥‡¦ ¥ W ‡¦ (II.73)

On remplace (II.73) dans (II.72), nous obtenons:

W ‡ˆ − ¥‡ˆ ¥
= ¤ ¥‡¦ ¥ W ‡¦
W
…£
…†
(II.74)

Ce qui donne finalement :

W = ¤ b ¥‡¦ ¥
£ W ‡ˆ − ¥‡ˆ ¥
W ‡¦ …† (II.75)

En pratique, et pour augmenter la précision de l’estimation de la vitesse rotorique

(II.75), nous proposons d’ajouter un gain proportionnel à l’équation (II.75).

W = §¨ ¥‡¦ ¥
£ W ‡ˆ − ¥‡ˆ ¥
W ‡¦ + §© b ¥‡¦ ¥
W ‡ˆ − ¥‡ˆ ¥
W ‡¦ …† (II.76)

II.2.5.1 Résultats de simulation

Le profil de la vitesse de référence appliqué permet de tester la dynamique de

l’observateur, a toute première vue, nous pouvons considérer la réponse en vitesse
(figure(II.22)) comme très bonne, de point de vue dynamique, comme de point de vue de
la précision obtenue en région établi. Le fonctionnement à vide ou en charge semble ne
pas influencer l’observateur. On remarque que même dans la zone sensible (vitesse nulle)
l’observateur fonctionne normalement, les flux estimés sont bien sinusoïdaux et leur
amplitude égale à la valeur de référence (Figure(II.23)).
Une comparaison des résultats issus de l’observateur MRAS ordinaire et ceux issus
de l’observateur MRAS proposé (MRAS améliorée) est montés sur la figure (II.24) ,
dans le cas de l’MRAS ordinaire on remarque une erreur statique sur le front montant et
descendant. Mais dans le cas de l’MRAS proposée, on constate que cette erreur et
presque nulle. On note aussi qu’a l’instant de l’application de la charge on a un faible
pique de vitesse dans le cas de l’MRAS proposée par-rapport à l’MRAS ordinaire.

46
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.22.a) : Courbe de la vitesse réelle mesurée et la vitesse estimée.

Figure (II.22.b) : Courbe de la vitesse réelle mesurée et estimée (zoom).

Figure(II.22.c) : Erreur d’estimation de vitesse.

Figure(II.23.a) : Flux rotorique observé.

47
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure(II.23.b) : Flux rotorique observé (zoom).

Figure(II.24.a) : Comparaison des vitesses issues de l’MRAS classique et l’MRAS

proposée.

Figure(II.24.b) : Comparaison des vitesses issues de l’MRAS classique et l’MRAS

proposée

Figure(II.24.c) : Comparaison des vitesses issues de l’MRAS classique et l’MRAS

proposée
48
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

III.3 Observateurs stochastiques

Ces observateurs donnent une estimation optimale des états en se basant sur des
critères stochastiques. Leurs observations se basent sur la présence de bruit dans le
système ce qui est souvent le cas. L’algorithme du filtre de Kalman illustre bien cette
application.

II.3.1 Filtre de Kalman

II.3.1.1 Principe de base

Dans la famille des observateurs, le filtre de Kalman présuppose la présence de
bruits sur l’état et sur la sortie. La présence naturelle de bruits lorsqu’une machine
asynchrone est pilotée par un onduleur représente un argument pour ce choix. Nous
présenterons ici une structure du filtre de Kalman classique [16],[27]. Ses caractéristiques
porteront sur l’observation du flux et de la vitesse rotorique [1], [36], [37], [38], [39]. Les
seules grandeurs de mesures sont les courants statoriques. Dans l’approche stochastique,
il y a un lien très précis entre le placement des pôles de l’estimateur et les paramètres
statistiques des bruits. En effet, étant donné la description des bruits, le choix de la
matrice K f est optimal au sens de la variance minimale des valeurs estimées, ainsi dans

le stochastique on peut prendre en compte les bruits du système et les bruits de mesure.
La structure de base d’un observateur stochastique est semblable à celle d’un
observateur d’état déterministe.
Le modèle en vue de cette observation est celui défini dans le référentiel lié au stator
et décrit par les équations (I.22), (I.23), (I.24) avec ω a = 0 .

II.3.1.2 Discrétisation du modèle

Le filtre de Kalman est un algorithme récursif de traitement des données qui
génère, à partir d’un ensemble de mesures bruitées, l’estimation des variables d’états d’un
système dynamique. Etant donné que ce filtre doit être utilisé en temps réel, nous
utilisons l’algorithme discret.
Pour cela on suppose que l’entrée de commande est constante entre les instants
(k − 1)Te et kTe . Cette hypothèse fait introduire un échantillonnage / blocage de l’entrée
dans le cas où la période d’échantillonnage est régulière [16]. Donc le modèle discret est
exprimé par [16], [27] :

49
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

 X ((k + 1)Te ) = F . X (kTe ) + H .U (kTe )

 (II.77)
Y (kTe ) = C. X (kTe )

Pour simplifier la notation on remplace (kTe ) par (k ) , le système (II.77) devient :

 X (k + 1) = F . X (k ) + H .U (k )
 (II.78)
Y (k ) = C. X (k )

Où la matrice F est déduite de la matrice de transition d’état φ (t ) dans laquelle on

remplace le temps t par la période d’échantillonnage Te , on obtient ainsi :

 F = φ (Te )
 (II.79)
 H = ψ (Te ).B

Or la matrice de transition d’état est calculée par la transformée inverse de la Laplace

φ (t ) = L−1 (( SI − A) −1 ) (II.80)

Tel que la matrice A est définie par l’équation (II.82)

La matrice ψ (t ) est donnée par :

Te

ψ (t ) = ∫ φ (τ )dτ (II.81)
0

En utilisant les équations (II.78), (II.79), (II.80) et (II.81) on obtient le modèle discret
de la machine asynchrone suivant :

 Isα (k +1)  (1+ a1Te ) 0 a2Te a3Teω(k)  Isα (k)  bTe 0 

 I (k +1)    
 sβ  = 0 (1+ a1Te ) − a3Teω(k) a2Te   Isβ (k)   0 bTe  Vsα 
. + .  ( II.82)
Φrα (k +1)  a4Te 0 (1+ a5Te ) −Teω(k)  Φrα (k)  0 0  Vsβ 
      
Φrβ (k +1)  0 a4Te Teω (1+ a5Te ) Φrβ (k)  0 0 

 I sα (k + 1) 1 0 0 0
 I (k + 1)  =  .[I sα (k ) I sβ (k ) Φ rα (k ) Φ rβ (k )]
T
(II.83)
 sβ   0 1 0 0 

50
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Les équations (II.82) et (II.83) donnent la forme suivante :

 X (k + 1) = Ad X (k ) + Bd U (k )
 (II.84)
Y (k + 1) = C d X (k )

II.3.1.3 Modèle stochastique non linéaire de la machine asynchrone

Pour tenir compte des bruits du système ainsi que les bruits de mesures, on considère
le modèle stochastique suivant [16], [27] :

 X (k + 1) = f ( X (k ),U (k ), k ) + brs (k )
 (II.85)
Y (k + 1) = C d X (k ) + brm (k )

Où f ( X (k ),U (k ), k ) est définie par (II.82) et brs , brm sont respectivement les
vecteurs de bruit sur le système (bruit d’état) et le bruit sur les mesures caractérisés
par les propriétés suivantes :
• Leurs valeurs moyennes sont nulles :
E[brs (t )] = 0
(II.86)
E[brm (t )] = 0

• Leurs auto corrélation s’expriment par :

ª brs (t ).brs (t )T " = Q (t ).δ (t − τ ) (II.87)

ª brm (t ).brm (t )T " = ℜ(t ).δ (t − τ ) (II.88)

δ est une fonction impulsion de Dirac , les matrices Q(t ) et ℜ(t ) , définies non
négatives , sont symétriques et présentent les densité spectrales de puissance moyenne
brs (t ) et brm (t ) .

• Absence de corrélation entre brs (t ) et brm (t ) :

ª brm (t ).brs (t )T " = 0 (II.89)

51
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

• Absence de corrélation entre les bruits et l’état initial :

ª brs (t ). X 0 (t )T " = ª brm (t ). X 0 (t )T " (II.90)

II.3.1.4 Détermination des matrices de covariances des bruits et d’état

Les matrices de covariances des bruits de système et de mesure sont données

comme suit :
{ }
cov brs ( k ) = E brs ( k ).brs ( k ) T = Q ( k ) (II.91)

{ }
cov brm ( k ) = E brm ( k ).brm ( k ) T = ℜ( k ) (II.92)

II.3.1.5 Algorithme de Kalman

Le filtre de Kalman peut être exécuté en utilisant le modèle stochastique non
linéaire de la machine asynchrone décrit par l’équation (II.85). On distingue deux
étapes principales pour la réalisation d’un filtre de Kalman, une phase de prédiction,
et une phase de correction [1], [36], [37], [39]. Ces deux étapes sont introduites par
une initialisation du vecteur d’état et des matrices de covariances. La figure (II.25)
illustre le schéma de principe de la structure du filtre de Kalman.

Figure (II.25) Schéma de principe du filtre de Kalman.

52
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone
II.3.1.6 Initialisation du vecteur d’état et des matrices de covariances
L’état initial du système est une variable aléatoire d’espérance ou de (moyenne

nulle) X̂ 0 / 0 , de matrice de covariance P0 / 0 connue, indépendante du bruit d’état et de

mesure. Ces hypothèses peuvent êtres résumées en écrivons:

 X 0    Xˆ 0 / 0   X 0   X 0  T   P0 / 0 0 0 
     
E  brs 0   =  0  , E  brs 0 . brs 0   =  0 Q0 .δ 0  (II.93)
b    0  b  b    0 0 ℜ 0 .δ 
 rm 0      rm 0   rm 0   
Où :
P0 / 0 > 0 , Q0 > 0 , ℜ 0 > 0

δ Est l’impulsion de Dirac

II.3.1.7 Phase de prédiction

Le bruit brs est une variable aléatoire indépendante. Les observations passées

n’apportent donc aucune information sur sa valeur présente. En remplaçant brs par sa
valeur moyenne nulle, on obtient le prédicateur :

Xˆ ( k + 1 / k ) = A( k ). Xˆ ( k / k ) + B (k )U ( k ) (II.94)

Cette prédiction correspond à l’évolution qu’aurait l’état du système en l’absence de

bruit. L’erreur de prédiction est alors :

( )
X (k + 1) − Xˆ (k + 1 / k ) = A(k ) X (k ) − Xˆ (k / k ) + brs (k ) (II.95)

Si la prédiction est non biaisée, l’erreur de prédiction a pour covariance :

{( )(
P ( k + 1 / k ) = E X ( k + 1) − Xˆ ( k + 1 / k ) . X ( k + 1) − Xˆ (k + 1 / k ))}
T
(II.96)

P(k + 1 / k ) = A(k ).P(k / k ). A(k ) T + Q(k ) (II.97)

Grâce à Xˆ (k + 1 / k ) on peut déduire Yˆ ( k + 1 / k ) par :

53
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Yˆ ( k + 1 / k ) = C ( k + 1). Xˆ ( k + 1 / k ) (II.98)

II.3.1.9 Phase de correction

Notre objectif est d’avoir une estimation récursive du vecteur d’état qui, à partir
de l’estimation Yˆ ( k + 1 / k ) nous fournit, si une mesure est disponible à l’instant k + 1
noté Y ( k + 1) , une nouvelle estimation, compte tenu de cette dernière mesure. Il s’agit

donc d’améliorer l’estimation de l’état en tenant compte de l’écart Y (k + 1) − Yˆ ( k + 1 / k )

par l’intermédiaire d’un gain K f ( k + 1) , objet de la phase de correction.

Au cours de cette phase, on améliore la connaissance de X ( k + 1) et P ( k + 1) en

remplaçant Yˆ ( k + 1 / k ) par Yˆ ( k + 1 / k + 1) et P ( k + 1 / k ) par P ( k + 1 / k + 1) pour tenir

compte de la nouvelle mesure à l’instant k + 1 . Pour cela, on introduit un terme de
correction sur la prédiction suivant l’équation récursive :

(
Xˆ (k + 1 / k + 1) = Xˆ (k + 1 / k ) + K f (k + 1). Y (k + 1) − Yˆ (k + 1 / k ) ) (II.99)

On choisit K f ( k + 1) de manière à minimiser la variance des erreurs d’estimation à

posteriori. Cela revient à minimiser la trace de la matrice de covariance P ( k + 1 / k + 1) .

Après calcul on obtient :

(
K f (k + 1) = P(k + 1 / k ).C T C.P(k + 1 / k ).C T + ℜ(k + 1) )−1

(II.100)

On actualise alors l’estimée de la covariance :

P ( k + 1 / k + 1) = (I − K f ( k + 1).C ).P ( k + 1 / k ) (II.101)

Le filtre est initialisé par la variance des bruits d’état Q (k ) et de mesures ℜ(k ) , par
l’état initial estimé. Ce filtre fournit une estimation optimale de l’état.

54
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone
II.3.1.9 Résultats de simulation
Les résultats de simulation obtenus, lors de l’essai en boucle ouverte du filtre de
Kalman, sont présentés par les figures (II.26-28). On montre les formes des deux
composantes du flux rotorique ainsi que les courants statoriques estimé , la vitesse
estimée et son erreur d’estimation. On constate l’installation correcte du flux rotorique,
les allures des deux composantes du flux restent parfaitement en quadrature, et leurs
amplitudes sont identiques. L’estimation de la vitesse rotorique se fait également d’une
manière correcte. On note aussi une bonne estimation des courants statoriques et une
bonne estimation de la vitesse.

Figure (II.26.a) :Courbe de la vitesse réelle mesurée et la vitesse estimée.

Figure (II.26.b) : Courbe de la vitesse réelle mesurée et la vitesse estimée (zoom).

Figure( II.26.c) : Erreur d’estimation de vitesse.

55
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

Figure (II.27.a) : Résultats de simulation des flux ( Φ̂ rα , Φ̂ rβ ).

Figure (II.27.c) : Résultats de simulation des flux ( Φ̂ rα , Φ̂ rβ ) (zoom).

Figure (II.28.a) : Résultats de simulation des courants ( iˆsα , iˆsβ ).

Figure (II.28.b) : Résultats de simulation des courants ( iˆsα , iˆsβ ) (zoom).

56
 Chapitre II : Application des estimateurs et observateurs de vitesse et de flux à la machine
asynchrone

II.4 Conclusion
Dans ce chapitre, plusieurs techniques d’observation du flux rotorique et de la
vitesse ont été étudiées et simulées. Les résultats de simulation sont satisfaisants, la
convergence est acquise, la stabilité est garantie également. Les observateurs présentés
dans ce chapitre seront exploités par la suite dans la commande vectorielle de la machine
asynchrone pour aboutir à une commande sans capteur.

57
 Chapitre III
COMMANDE SANS CAPTEUR

III.1 Introduction
Des commandes à rendement élevé pour la machine asynchrone peuvent être mises
en application au moyen de contrôleurs de vitesse/flux qui se basent sur des concepts
d'orientation de flux. La commande vectorielle par orientation de flux est une
Commande basée sur les courants, les flux et la vitesse mécanique. Des capteurs
mécaniques employés pour mesurer la vitesse mécanique, réduisent la robustesse et la
fiabilité d'entraînement de la machine asynchrone et augmentent son coût ainsi que la
complexité des montages. Par conséquent, durant cette dernière décennie, les
commandes sans capteur mécanique de la machine asynchrone (sans mesure de vitesse),
sont devenues un sujet important et un attrayant champ de la perspective industrielle.
Dans cette partie on va présenter la validation expérimentale de deux observateurs
déterministe et stochastique (filtre de Kalman) incorporés au sein de la commande
vectorielle par orientation du flux rotorique, ceci nous permettra de réaliser une
commande sans capteur de vitesse. Dans le même contexte la robustesse de la
commande sans capteur sera prise en considération ; trois théories de contrôle seront
exploitées à savoir : la première technique PLL ( phased looked loop) pour estimer
l’angle de Park, la deuxième consistera à combiner le contrôleur PI avec un régulateur
de type LQR, la troisième sera consacré à la commande par platitude,Le recours à la
commande améliorée par l’utilisation de la PLL permettra d'assurer le suivi de la
vitesse, de flux et de courant en assurant à chaque fois le maintien de l’autopilotage. En
ce qui concerne la technique LQR-PI, l’apport consistera à améliorer les performances

58
 Chapitre III Commande sans capteur
de la régulation de vitesse dans une commande vectorielle sans capteur. Quand à la
commande par platitude cela permettra d’assurer des dynamiques stables pour les
erreurs d'estimation de vitesse, des flux et des courants.

III.2 Commande vectorielle sans capteur

III.2.1 Commande vectorielle sans capteur à base d’observateur d’état
Les résultats expérimentaux de la commande vectorielle sans capteur mécanique
associée à l'observateur d’état d’ordre réduit présenté au chapitre 2, sont présentés sur la
figure (III.2). Le schéma Simulink utilisé sur la plate forme d'essai pour expérimenter
cette commande est donné par la figure (III .1).
La machine asynchrone utilisée pour les tests expérimentaux est une machine à cage
dont les caractéristiques sont citées en annexe.

III.2.1.1 Résultats expérimentaux

Dans la figure (III.2.a-b), on remarque que la poursuite de vitesse s’effectue

d’une manière très acceptable. On note que la vitesse estimée coïncide avec la vitesse
réelle et la vitesse de référence en particulier en régime établi.
Les flux estimés, figure (III.2.c-d), sont bien sinusoïdaux et en quadratures, on remarque
bien sur la figure (III.2.e) que l’appel du courant durant l’application de la charge n’est
très important.

Figure (III.1) : Schéma de la commande sans capteur mécanique à base d’observateur

d’état.

59
Chapitre III Commande sans capteur

Figure (III.2.a) : Courbes de vitesse rotorique (Expérimentale et simulée).

Figure (III.2.a) : Courbes de vitesse rotorique (Expérimentale et simulée), Zoom.

Figure (III.2.c) : Courbes des flux rotorique estimés et .

60
 Chapitre III Commande sans capteur

Figure (III.2.d) : Courbes des flux rotorique estimés et , Zoom .

Figure (III.2.e) : Courbes du module de flux rotorique estimés .

III.2.2 Commande vectorielle sans capteur avec la MRAS-améliorée (nouvelle

approche)
Les résultats expérimentaux obtenus pour cette nouvelle approche basée sur la
technique MRAS sont montrés sur les Figure (III.4a-c). Nous remarquons que lorsqu’on
applique un offset durant le passage par la vitesse nulle, la vitesse estimée Figure
(III.4a) est stable, et l’observateur semble ne pas être influencé par l’application de cette
offset, il apparaît uniquement un petit écart statique, cela pendent l’application de la
charge. Les flux estimés (Figure III.4c) sont parfaitement établis.

61
Chapitre III Commande sans capteur

Figure (III.3) : schéma de la commande sans capteur mécanique par nouvelle MRAS.

Figure (III.4a) : Courbes de vitesse rotorique (Expérimentale et simulée).

Figure (III.4a) : Courbes de vitesse rotorique (Expérimentale et simulée) Zoom.

62
 Chapitre III Commande sans capteur

Figure (III.4b) : Courbes des courants statoriques et .

Figure (III.4c) : Courbes des flux rotorique estimés et .

Figure (III.4c) : Courbes des flux rotorique estimés et (Zoom).

III.2.3 Commande vectorielle sans capteur avec observateur stochastique (filtre de

Kalman)
L’observateur stockastique, filtre de kalman est associé à la commande vectorielle
afin de permettre l’estimation des grandeurs non mesurables ainsi que la vitesse
mécanique. Les figures (III.5a-d) montrent respectivement l’allure des vitesses, des flux
et des courants estimés et réels. Le profil qu’on a choisi nous permet de vérifier le bon
comportement du filtre de Kalman. On note cependant un problème dans la zone des

63
 Chapitre III Commande sans capteur
faibles vitesses et au moment de l’arrêt, on constate que la réponse du filtre de Kalman
est très peu différente en transitoire de celle de référence.
De même, sur le plan expérimental le rejet de perturbation (application de la charge)
n’est pas parfait comparé aux résultats obtenus par simulation numérique [65].
Probablement ces anomalies sont dues principalement au pas d’échantillonnage choisi
(k=100 ) jugé insuffisant pour obtenir des performances meilleures que celles obtenues
avec le DSP disponible au sein du laboratoire. Par contre, les flux et les courants
statoriques s’établies correctement.

Figure (III.5a) : Courbes de vitesse rotorique (Expérimentale et simulée).

Figure (III.5a) : Courbes de vitesse rotorique (Expérimentale et simulée), Zoom.

Figure (III.5c) : Courbes des flux rotorique estimés et .

64
 Chapitre III Commande sans capteur

Figure (III.5c) : Courbes des flux rotoriques estimés et Zoom.

Figure (III.5c) : Courbes des flux rotoriques estimés et .

Figure (III.5d) : Courbes des courants statoriques estimés ̂ et ̂ .

Figure (III.5d) : Courbes des courants statoriques estimés ̂ et ̂ Zoom.

III.2.4 Commande vectorielle sans capteur : Estimation de l’angle de Park en utilisant
l’approche PLL
Les technique d’observation citée dans plusieurs références, à savoir [41],
[42],[43],[44],[45],[46],[47],[48,] dont la fréquence statorique est estimée à partir de la
dérivée de la fonction Arctg de l'angle du flux statorique ou via une boucle à
verrouillage de phase (PLL). A partir du modèle de la machine asynchrone exprimé

65
 Chapitre III Commande sans capteur
dans le référentiel lié au rotor, nous pouvons estimer la fréquence de glissement en
calculant la dérivée de la fonction Arctg de l'angle du flux rotorique. Dans les références
citées ci-dessus, la vitesse rotorique est estimée à partir des équations en régime
permanent de la machine asynchrone, ce qui limite le domaine d'application de cette
technique. Dans la plupart des cas, le problème principal posé par ces techniques est
l'utilisation de l'intégration pour obtenir soit le flux statorique où le flux rotorique.
D’autant plus que le gain de la fonction intégrale à basse fréquence est très grand voir
infini à la fréquence zéro, ces techniques ne sont pas efficaces en basses vitesses ce qui
influent sur la robustesse de la commande.
Dans cette partie, la technique PLL est exploitée pour l’estimation directe de
l’ange de Park [64]. L’objectif est d’aboutir à une commande vectorielle sans capteur
avec un degré de robustesse acceptable et ceci en garantissant le maintien de
l’autopilotage.

III.2.4.1 Théorie de la PLL

Les boucles à verrouillage de phase PLL (Phased Locked Loop) sont
généralement utilisées dans le domaine de télécommunications, pour le traitement de
l’information et de transmission des données. C’est un système qui permet de
synchroniser la phase instantanée de deux signaux .
• Schéma fonctionnel d’une PLL
Une boucle à verrouillage de phase utilisée en télécommunications comporte trois
éléments: un comparateur de phase (CP), un oscillateur contrôlé en tension (VCO) et un
filtre de boucle (correcteur). Le schéma fonctionnel de la PLL est représenté ci-dessous:

Figure (III.6) : Schéma fonctionnel de la PLL.

• Principe de fonctionnement
On suppose que la PLL fonctionne correctement: les signaux Ve(t) et Vs(t) ont donc
même fréquence ( = = ). Cette égalité de fréquence est obtenue par
l'intermédiaire de la comparaison des phases des deux signaux Φ ( ) − Φ ( ) = ∆Φ ,
elle est fournie par le comparateur de phase. Si la fréquence du signal de référence

66
 Chapitre III Commande sans capteur
augmente (ou diminue) alors le point A du vecteur représentant Ve(t) va se décaler vers
la gauche (ou vers la droite) comme le montre la figure (III.7). Le comparateur de phase
va alors détecter une augmentation (ou diminution) du déphasage qui provoque une
variation de la tension de commande Vd(t). Cette variation de la tension agit alors sur le
VCO en rendant de nouveau la fréquence de Vs(t) identique à celle du signal Vd(t) donc
= = ., qui correspond à une valeur de déphasage ∆Φ ).
Le principe de fonctionnement est le même dans le cas où c'est la fréquence du
signal issu du VCO qui s'écarte de celle du signal de référence Ve(t) (à la suite d'une
perturbation par exemple). L'erreur de phase qui en résulte provoque une variation de la
tension de commande Vd(t) qui entraine de nouveau l'égalité entre les deux fréquences,
le VCO est de nouveau synchronisé sur l'oscillateur de référence.

Figure ( III.7 ) : représentation vectorielle de Φ ( ), Φ ( ).

•
( )=
Mise en équation de la PLL
Un signal de la forme : Φ( )

( )=
( )
La pulsation instantanée est donnée par :

Et la fréquence instantanée est donnée par : !( ) =

( )
"

Soit deux signaux :

( )= Φ (t) (III.1)

( )= Φ (t) (III.2)

67
 Chapitre III Commande sans capteur
avec : Φ (t) = w t + Ψ et Φ (t) = w t + Ψ

Le déphasage ΔΦ( ) de ( ) par rapport à ( ) correspond à la différence des deux

phases instantanées :

ΔΦ( ) = ( − ) +Ψ −Ψ (III.3)

Dans le domaine de Laplace, on peut écrire :

( ) = . Φ( ) (III.4)

!( ) =
( )
)
(III.5)

•
"
Schéma bloc en grandeurs fréquence
Le passage de la fréquence à la phase se fait en multipliant par ( ), figure(III.8).

Le schéma bloc reste le même pour la fréquence et la phase, ce qui montre que la boucle
permet également un asservissement en fréquence. Il faut noter que le système sera
asservi (! = ! ) pour un écart de phase ΔΦ = 0.

Figure (III.8) : Schéma bloc d’une PLL.

La fonction de transfert de la boucle fermée de la PLL s’écrit donc :

+( ) =
(,- ,. )/0
1 23 25- 5.
(III.6)
4 4

6 : est la constante de temps du filtre de premier ordre.

La fonction de transfert en boucle fermée de la PLL pour un filtre (correcteur) de

premier ordre est donc caractéristique d'un système du deuxième ordre bien connu en
asservissement. Les notions de bande passante, stabilité, précision et temps de réponse

68
 Chapitre III Commande sans capteur
sont donc présentes dans l'étude d'une PLL et dépendent étroitement du coefficient
d'amortissement du système, donc du choix du filtre.
Partant du principe de la PLL utilisée dans le domaine de télécommunication, une PLL
est utilisée comme estimateur de l’angle de Park et incorporée dans la commande
vectorielle. Pour le signal d’entrée, on a introduit l'angle de Park de référence défini par
l’équation (III.7). La figure (III.9) montre le schéma bloc de la PLL qu’on a proposée.

Figure(III.9) : schéma bloc de la PLL proposée

Dans notre cas le VCO est représenté par la fonction de transfert suivante : +( ) =
,.

Avec : 78 est constante positive.

= ;< + FGHI J K
=>3?@ABC
9 : DA ∅ABC
(III.7)

La fonction de transfert de la boucle fermée est donnée par:

L( ) =
M,N . 2,O P.,.
1 2, , . 2, ,
. N O .
(III.8)

7Q et 7> , sont les coefficients du correcteur, calculés à partir de l’étude de la stabilité et

la précision du système.
La figure (III.10) illustre le schéma bloc de la commande vectorielle sans capteur avec
estimateur de l’angle de Park basé sur la technique de la PLL et l’association de la
technique MRAS améliorée vue au chapitre précédent.

69
 Chapitre III Commande sans capteur

Figure (III.10) : Schéma bloc de la commande vectorielle sans capteur associée à la

technique PLL.

III.2.4.2 Résultats expérimentaux

Les résultats expérimentaux sont présentés par les figure (III.11-15), on remarque,
figure (III.11), que la vitesse rotorique s’établie d’une manière très convenable, et que la
vitesse réelle mesurée et estimée suivent bien la référence. La poursuite de vitesse
semble ne pas être influencée par l’application de la charge. Il est à signaler que la
vitesse estimée en simulation est presque analogue à celle obtenue en expérimental.
D’après la figure (III.12), la composante du flux quadratique estimé est nulle
(conservation du découplage), ce qui atteste l’apport de la technique PLL en ce qui
concerne l’amélioration de la robustesse de la commande sans capteur vis-à-vis la
variation de la charge. Les flux rotoriques estimés sont bien sinusoïdaux, figure(III.13).
A travers la figure (III.15) que l’évolution des courants statoriques est acceptable.
Finalement l’estimation de l’angle de Park n’est pas influencée par l’application de la
charge, l’estimation de cet angle issue des résultats expérimentaux coïncide avec celle
obtenue par simulation numérique.

70
Chapitre III Commande sans capteur

Figure(III.11a) : Vitesse rotorique (réelle et estimée).

Figure(III.11b) : Vitesse rotorique (réelle et estimée).

Figure (III.12a) : Courbe de flux et .

Figure (III.12b) : courbe de flux et .

71
Chapitre III Commande sans capteur

Figure (III.12) : Courbe de flux et , Zoom.

Figure (III.13) : Courbe de flux et .

Figure ( III.14) : courbe de flux et Zoom.

72
 Chapitre III Commande sans capteur

Figure (III.15) : Courbe de flux R .

III.2.5 Amélioration des performances de la commande vectorielle sans capteur avec

régulation hybride LQR-PI
III.2.5.1 Théorie de la commande linéaire quadratique LQR
La commande LQR (Linear Quadratic Regulator) minimise classiquement une
fonction de coût quadratique, sous contraintes d’évolution du système considéré. On
s’intéresse à la commande LQ à horizon infini. Le problème de cette technique réside
dans la minimisation du critère de coût définie par [52], [53]:

S = ;Y (T D UT + V D WV)K
X
(III.9)

avec :

[
ZT = \T + ]V `
^ = _T
(III.10)

Le critère est fini si le système (III.10) est stabilisable à tout moment t, c'est-à-dire à
tout instant il existe un gain K(t) tel que les valeurs propres de (A-BK) soient à partie
réelle négative, dans le cas d’un système linéaire à temps invariant (LTI), la commande
optimale est à retour d’état statique [49] donnée par :

V ∗ = −7T (III.11)

73
 Chapitre III Commande sans capteur

K est donné par:

7 = W9 ]D L (III.12)

La matrice P vérifie l’équation algébrique de Riccati :

\D L + L\ − L]W 9 ]D L + U = 0 (III.13)

Appliquons maintenant cette théorie LQR pour élaborer un control optimal afin
d’améliorer la poursuite en vitesse de la commande vectorielle sans capteur. Pour se
faire, on considère la boucle de régulation de vitesse présentée au premier chapitre.

Figure(III.16) : Schéma bloc de régulation de vitesse.

La fonction de transfert en boucle ouverte avec ( _b = 0) est donnée par :

=e
c ,O 7d
c∗ 1 2M:2, 7 P 2,O 7d
N d
(III.14)

avec : 7D = fgQ= i
1
∗
h A

A partir de l’équation (III.14), on peut écrire :

j = k− j+ j∗ + (j∗ − j)m
(:2,N ,l ) ,O ,l ,O ,l
e e e
(III.15)

on pose :

T = (j∗ − j)
,O ,l
e
(III.16)

T = k− j+ j∗ + T m
(:2,N ,l ) ,O ,l
e e
(III.17)

74
 Chapitre III Commande sans capteur
Les équations (III.16) et (III.17) peuvent êtres écrites sous la forme d’état suivante :

T[ 0 −1 T 1
n o = n1 − (:2,N ,l )o q r + Oe l j∗ k m
,,
T[ T 1
(III.18)
e

Par analogie les matrices A et B sont données par :

0 −1 1
\ = n1 (:2,N ,l )o ]= j∗ k m
,O ,l
− e
et
e 1

La figure(III.17), montre le schéma bloc de régulation de la vitesse par le la technique

LQR-PI, [66] .

Figure(III.17) : Schéma bloc de régulation de vitesse par LQR-PI.

• Robustesse de la commande LQR

Pour déterminer les paramètres du PI et le gain K, on va analyser la robustesse de la
commande LQR associée à un correcteur PI. A partir de l’équation de Riccati (III.13),
faisons apparaitre les termes ( s − \) en ajoutant L s − Ls où I est la matrice unité :

\D L + L\ − L]W 9 ]D L + U + Lts − tLs = 0 (III.19)

d’où :

L(ts − \) + (−ts − \D )L + L]W 9 ] D L = U (III.20)

On multiplie à droite par ( s − \)9 ] et à gauche par ] D (− s − \D )9 , on obtient :

] D (−ts − \D )9 L] + ] D L(ts − \)9 ] + ] D (−ts − \D )9 L]W 9 ]D L(ts − \)9 ]

75
 Chapitre III Commande sans capteur
= ] D (−ts − \D )9 U(ts − \)9 ] (III.21)

Cependant, d’après l’équation (III.12) on a, ] D L = W7 et L] = 7 D W, l’équation

(III.21) devient :

] D (−ts − \D )9 7 D W + W7(ts − \)9 ] + ] D (−ts − \D )9 L]W 9 ] D L(ts − \)9 ]

= ] D (−ts − \D )9 U(ts − \)9 ] (III.22)

On obtient finalement l’équation de la différence de retour :

(s + ] D (−ts − \D )9 7 D )W(s + 7(ts − \)9 ])

= W + ] D (−ts − \D )9 U(ts − \)9 ] (III.23)

Faisons une analyse fréquentielle de l’équation (III.23), en remplaçant par u , et

posant +(u ) = (u s − \)9 ]. Il vient que :

(s + 7+(u ))v W(s + 7+(u )) = W + + v (u )U+(u ) (III.24)

avec : (s + 7+(u ))v est le hermitien de (s + 7+(u )) , c'est-à-dire le conjugué

transposé, on en déduit l’inégalité de Kalman [48] :

(s + 7+(u ))v W(s + 7+(u )) ≥ W (III.25)

D’après [48], en considérant le cas où W = xs et en factorisant U = yD y. L’équation

(III.24) s’écrit :

(s + 7+(u ))v (s + 7+(u )) = s + My+(u )P My+(u )P

v
z
(III.26)

On déduit les valeurs singulières de s + 7+(u ) :

{> Ms + 7+(u )P = |}> <Ms + 7+(u )P Ms + 7+(u )PJ

v

= |}> s + z My+(u )P My+(u )P

v

76
 Chapitre III Commande sans capteur

= |1 + {> (y+(u )) ≥ 1
z
III.27)

avec : (x , {> ) sont des constantes positives.

Le résultat (III.27) est vérifié par le lieu de Nyquist de la boucle fermée de régulation
de la vitesse illustré par la figure (III.17). On déduit que la commande LQ présente la
propriété de robustesse suivante : sa marge de Gain est unitaire.

Figure(III.17) : Diagramme de Nyquist du système en boucle fermée.

Le test de la technique LQR-PI proposée est effectué sur la commande vectorielle avec
et sans capteur. Pour la commande sans capteur, on a utilisé le schéma de la commande
vectorielle associé à un observateur d’état d’ordre réduit, le schéma Simulink utilisé par
la plate forme d’essai expérimentale est donné par la figure(III.18).

Figure (III.18) : Schéma bloc de CV sans capteur avec le régulateur LQR-PI.

77
 Chapitre III Commande sans capteur
III.2.5.2 Résultats expérimentaux
• Commande vectorielle avec capteur mécanique

L’analyse les résultats expérimentaux de la commande avec capteur associé au

régulateur LQR-PI, on proposée la commande vectorielle avec capteur mécanique
montre la faisabilité de la méthode. On remarque sur la figure (III.19.a), que la vitesse
réelle « mesurée » suit bien la réfé[Link] que la poursuite de vitesse semble ne pas être
influencée ni par l’application de la charge à t = 6s ni par l’inversion du sens de
rotation. Les courants d’appel et sont sinusoïdaux et ne présentent pas de pic de
fortes valeurs au régime transitoire, figure (III.19.b), le rejet de perturbation s’effectue
d’une manière douce.

Figure (III.19.a) : Courbes de vitesse, courants et et les courants et .

Figure ( III.19.b) : Courbe des courants statoriques et en Zoom.

78
 Chapitre III Commande sans capteur
• Commande vectorielle sans capteur mécanique

Les résultats expérimentaux de l’application du correcteur LQR-PI avec la

commande vectorielle dotée d’un observateur d’état d’ordre réduit sont illustrées les
figures (III.20-21-22-23). La figure (III.20) montre les courbes de la vitesse et les
courants statorique absorbés. La vitesse estimée est globalement bien reconstruite. On
note que la vitesse estimée reste stable présentant quelques oscillations uniquement lors
de l’application de la charge. La figure(III.21), montre l’allure des flux rotoriques
estimés et ils sont bien sinusoïdaux et en quadrature, la valeur efficace du flux
∗
rotorique coïncide avec celle de la valeur de référence .

Figure (III.20) : Courbes de vitesse et des courants et .

Figure (III.21) : Courbes des courants ( et ),les flux ( , , , et ).

79
 Chapitre III Commande sans capteur
III.2.6 Commande sans capteur par platitude
La notion de platitude d’un système est une notion plus ou moins récente en
automatique qui a été proposée à partir de 1992 par J. Lévine, P. Martin, et P. Rouchon
[50-52]. Ce concept permet de contrôler le comportement dynamique d’un système, en
utilisant un formalisme d’algèbre différentiel. La notion de platitude est basée sur la
mise en évidence des sorties plates. La première étape de la commande par platitude
consiste à générer une trajectoire désirée adéquate qui tient compte du modèle du
système. Dans la deuxième étape, cette commande nécessite la conception d’un contrôle
par bouclage permettant la poursuite de cette trajectoire.

III.2.6.1 Théorie de Platitude

• Définition
Considérons un système dynamique défini par l’équation d’état suivante :

T[ = !(T, V) (III.28)

avec : T est le vecteur d’état et V est le vecteur d’entrée.

Le système (III.28) est dit plat si et seulement si il existe un vecteur ~( ) ∈ ℛ • tel que :

~( ) = ‚MT( ), V( ), V[( ), … … , V ( )P (III.29)

Où ~( ) est appelée sortie plate du système.

T( ) ∈ ℛ „ et V( ) ∈ ℛ • peuvent êtres exprimés en fonction du vecteur ~( ) et ces
dérivés de telle sorte :

T( ) = ℬ(~( ), ~[ ( ), … … , ~ ( )) (III.30)

V( ) = †(~( )~[ ( ), … … , ~ 2
( )) (III.31)

Les applications (!, ‚, ℬ, †) sont des fonctions régulières.

Comme les composantes de ~( ) sont différentiellement indépendantes, la sortie plate
regroupe toutes les variables libres du système. Mais on peut dire également, à travers
l’équation (III.29), qu’elle ne dépend que de l’état et de la commande, ce qui en fait une
variable endogène du système, contrairement par exemple à l’état d’un observateur qui
est une variable exogène du système observé. Par ailleurs, la notion d’équivalence
différentielle au sens de Lie-Bäcklund le montre bien [52], le nombre de composantes

80
 Chapitre III Commande sans capteur
de ~( ) est donné par celui de la commande c’est à dire dim ~( )= dim V( ). Cette
propriété permet de connaître a priori le nombre de variable libres que l’on doit trouver
sur un modèle pour mettre en évidence sa platitude. Pour mieux éclaircir la notion de
platitude, on a appliqué cette notion sur un exemple simple.
Soit un système dynamique décrit par :

T[ ( ) = T ( )`
‡
T[ ( ) = V( )
(III.32)

Si on définit les variables :

~( ) = T ( ) (III.33)

et V( ) = ~[ ( ) (III.34)

A partir de l’équation (III.33), on déduit :

T ( ) = T ( Y ) + ; ~(6)K6
.
(III.35)

Donc ~( ) ne peut être considérée comme sortie plate car la relation (III.29) n’est pas
vérifiée.
Si maintenant, on définit, ~( ) = T ( ) alors :

T ( ) = ~[ ( ) (III.36)

et

V( ) = ~ˆ ( ) (III.37)

Dans ce cas, on peut dire que T ( ) est une sortie plate, en conséquence ce système est
plat de sortie plate ~( ) = T ( ).

• Méthodologie de synthèse de loi de commande pour les systèmes plats

La synthèse d'une loi de commande pour un système plat nécessite une stratégie
basée sur les démarches suivantes:

Génération des trajectoires de la sortie plate de référence yref possibles.

81
 Chapitre III Commande sans capteur
Génération des trajectoires de l'entrée de référence uref correspondantes
(commandes).

Synthèse d’une stratégie de stabilisation de la commande autour des trajectoires de

références planifiées.
• Planification de trajectoire
A partir de la relation (III.31), si l’on désire obtenir, pour le système plat (III.28), la
trajectoire : ‰ ( ) pour un temps t de Y à :, il suffit d’imposer, sur le même segment
temporel, la commande en boucle ouverte suivante :

V ( ) = ] f‰ ( ), ‰[ ( ), … … … … ‰ ( )i
( )
(III.38)

Dans l’hypothèse d’un modèle parfait, on aura alors, pour t de Y à : , ~( ) = ~ ( ),

par conséquent :

T( ) = T ( ) = \f‰ ( ), ‰[ ( ), … … … … ‰ ( )i
( )
(III.39)

~( ) = ~ ( ) = _ f‰ ( ), ‰[ ( ), … … … … ‰ ( )i
(Š)
(III.40)

• Stabilisation autour des trajectoires de références

Une commande développée à partir du concept de platitude est établie et définie
pour une poursuite de trajectoire en boucle ouverte. La poursuite parfaite est assurée
lorsque le système n’est pas perturbé. Or les systèmes physiques non linéaires sont
soumis d'une part à des perturbations inhérentes à leurs contexte de travail, et d'autre
part à des incertitudes sur les paramètres. Il est donc nécessaire d'apporter une solution
pour stabiliser le système autour des trajectoires si celles-ci sont perturbées. La figure
(III.24) illustre le principe de stabilisation de la commande par insertion de la boucle
rétroaction ‘feedback’.

82
 Chapitre III Commande sans capteur

Figure (III.24) : Schéma de principe de stabilisation autour des trajectoires de

référence.
III.2.6.2 Commande par platitude de la machine asynchrone
À partir de la notion de platitude présentée ci-dessus, on présente une méthode de
commande basée sur la platitude. Pour se faire, on doit d’abord analyser la platitude du
modèle de la machine asynchrone ensuite la conception de la commande.
• Analyse de la platitude du modèle de la machine asynchrone

Les équations de la machine asynchrone présentées en premier chapitre peuvent être

écrites sous la forme complexe suivante :

‹ =W ̅ + ‹ (III.41)

0=W ̃ + Ž (III.42)

‹ =y ̅ +• ̃ •Q‘’
(III.43)

Ž =y ̃ +• ̅ •Q‘’
(III.44)

_ = “• ( ̅ . ‹ ∗ )
Q=
hA
(III.45)

Les notations ”Ž et ” ∗ représentent successivement les variables dans le référentiel lié au

rotor et les variables complexes conjugués.
À partir de l’équation (III.45), on peut écrire :

S = “• ( ̅ . ‹ ∗ ) − _ − ! [
1‘ Q=
’
1 hA
(III.46)

83
 Chapitre III Commande sans capteur
Si on pose x le module du flux rotorique et • sa position dans le référentiel lie au rotor
(–, —), on exprimer le flux rotorique par : ‹ = x •˜
, figure(III.25).

Figure (III.25) : Repérage des angles.

L’expression complexe du flux rotorique est: Ž = ‹ 9•Q‘’

=x • ’

Combinons les équations (III.42) et (III.44), il vient que :

̃ = fŽ + i
›A
hA š
= ™A
(III.47)

d’où :

œ = ™ x –[
Q
A
(III.48)

Sous l’hypothèse que le couple de charge Cr ne dépend que de la vitesse du rotor, de sa

position, et du temps, on peut exprimer le module x du flux rotorique en fonction des
sorties – et et d’un nombre fini de leurs dérivées.

Remplaçons (III.48) dans l’équation (III.46), on obtient finalement le module du flux

rotorique en fonction de la position.

e.™M:‘[’ 2‘ˆ’ 2•A P

x=|
Q [’
(III.49)

Par conséquent :

84
 Chapitre III Commande sans capteur

Ž =x • ’
= ℬM ˆ , [ , – , –[ , _ P (III.50)

Si on choisi ~ = M– , , ,P comme sortie plate, on obtient :

Ž = ℬ(~, ~[ , ~ˆ ) (III.51)

Utilisons maintenant les équations (III.41) et (III.42) on obtient :

̃ = −™ Ž = ∁f [ , ˆ , , –[ , –ˆ , _ , _[ i
(g)
A
(III.52)

̅ = ( Ž − y ̃ ) = ℂf [ , ˆ , , –[ , –ˆ , _ , _[ i
ŸN ’
(g)
=
(III.53)

‹ =y ̅ +• ̃ = Εf [ , ˆ , , –[ , –ˆ , _ , _[ i
•Q‘’ (g)
(III.54)

‹ =W ̅ ‹ = Ϝf [ , ˆ , , , –[ , –ˆ , – , _ , _[ , _ˆ i
(g) (¤) (g)
(III.55)

On remarque que les équations (III.50-55) vérifient les conditions de platitude

(III.29,30,31), donc le modèle de la machine asynchrone est un modèle plat.

• Conception de la commande par platitude

Le but est de réaliser une commande sans capteur en boucle fermée qui garantie un
suivi de trajectoire en vitesse avec flux rotorique de référence constant.
Considérons le modèle réduit de la machine asynchrone dans le référentiel (d, q) :

= e™ x D s − ªω −
c Q = © ¬-
¨
¦ A A ª
z
=
9
x+D s
= `
§ DA
¦
A
(III.56)

=j
‘’
¥

avec x = et = 0 (condition de découplage)

85
 Chapitre III Commande sans capteur

Pour le modèle réduit (III.56), on considère ~ = Mx, ,P comme sortie plate.

Remplaçons ( s , s , x, _ ) par (s ∗ , s ∗ , x∗ , _® ) dans l’équation (III.56), on obtient :

s ∗ = = (d x[ ∗ + x∗ ) (III.57)

hA e‘ˆ’∗ 2:‘[’∗ 2•®A

s∗ =
Q= z∗
(III.58)

avec : s ∗ , s ∗ sont les courants statoriques considérés comme des entrées, ‰ ∗ =

( x∗ , ∗)
_® représente l’estimation du couple de charge.
L’estimation du couple de charge est réalisée à partir du flux rotorique de référence x∗
et les composantes mesurées s et j selon un observateur proposé par [54].

•®A
= −° (j
± − j)
¯ `
•®A
= eh x∗ s − e j
±− + ° (j
± − j)
±
c Q= :
(III.59)
A e

L’erreur dynamique est donnée par :

² 0 −° ²
f² i = ³ ´ f² i
−e −e +°
: (III.60)

avec: ² = _® − _ et ² = j
±−j
Les gains de l’observateur (III.59), sont choisis de tel sorte que l’erreur dynamique
converge vers zéro.
Note : pour le flux et la vitesse estimée, on a utilisé un observateur d’état d’ordre réduit
• Planification des trajectoires de références
Compte tenu de l’approche de la platitude, les trajectoires de références sont définies
par ( x∗ , ∗
), la position ∗
de référence est calculée par une intégration simple de la
vitesse de référence j∗ . L’objectif de planification des trajectoires de référence est :

86
 Chapitre III Commande sans capteur
Respecter les contraintes électromécaniques de la machine.

Garantir l'existence de dérivées bornées jusqu’à 1'ordre deux.

D’une manière générale, la méthodologie choisie est d'appliquer aux consignes de

vitesse et de flux un filtre du second ordre permettant d'obtenir les trajectoires de
référence finales qui soient dérivables deux fois, figure (III.26).

Figure (III.26) : Filtrage des consignes.

µ et j„ sont choisis selon la dynamique de la machine asynchrone.

• Contrôle du modèle réduit :
Le contrôle des courants statoriques est conçu à partir du modèle réduit. les courants
nominaux régulés s ∗∗ et s ∗∗ sont la somme de leurs valeurs de référence s ∗ s ∗ et la
sortie des correcteurs PI [54].

s ∗∗ = s ∗ + ¶Qz (x − x∗ ) + ¶>z ;Y (x − x∗ )K6 (III.61)

s ∗∗ = s ∗ + ¶Qc (x − x∗ ) + ¶>c ;Y (j
± − j∗ )K6 (III.62)

• Contrôle du modèle complet :

Pour réaliser le contrôle du modèle complet, on a utilisé une structure en cascade
combinant la commande vectorielle par orientation de flux rotorique et l’approche de
platitude, figure (27). Les tensions de commande représentent la somme entre les
tensions planifiées et celles issues à la sortie des contrôleurs PI.
Les équations (III.41-42) peuvent êtres écrites de la manière suivante [54] :

= ‹ − W s ̅ − h Mx[ + u•[ xP
·3̅
y{
= •˜
A
(III.63)

87
 Chapitre III Commande sans capteur

d (x[ + u–[ x) = −x + • 9•˜

s̅ (III.64)

On définit les tensions nominales de contrôle (planifiées) comme suit :

V ∗ = {y f¸s ∗∗ − s ∗∗ + − x∗ i
∗∗
˜∗ ·3¹ =
ºh3 hA DA
(III.65)

V ∗ = {y f¸s ∗∗ + s ∗∗ + + »j∗ x∗ i
˜∗ ·3?
∗∗
=
ºh3 hA
(III.66)

avec :

•∗ = » ∗
+ ;Y –[ ∗ K6 ⇒ •[ ∗ = »j∗ + –[ ∗

On pose –[ ∗ = j∗ , vitesse de glissement

A partir des équations (III.61-62) et (III.56), on peut écrire :

= + =A ³¶>z (x − x∗ ) + ¶Qz f D + D s − x[ ∗ i´
∗∗ ∗
·3¹ ·3¹ D ±
9z =
A A
(III.67)

•®A
= + ³¶>c (j
± − j∗ ) + ¶Qc f xs ∗∗ − j − − j[ ∗ i´
·3?
∗∗ ·3?
∗
DA Q= :
= ehA e e
III.68)

Finalement les tensions de commande dans le repère dq sont données par:

V = V ∗ + {y f¶Q· (s − s ∗∗ ) + ¶>· ;Y (s − s ∗∗ )K6i (III.69)

V = V ∗ + {y f¶Q· Ms − s ∗∗ P + ¶>· ;Y Ms − s ∗∗ PK6i (III.70)

88
 Chapitre III Commande sans capteur

Figure (III.27) : Schéma bloc de la commande par platitude.

III.2.6.3 Résultats expérimentaux :

Les résultats présentés dans cette section sont réalisés pour une commande par
platitude à flux rotorique orienté ( = =x = 0) d’une machine asynchrone
associée à un onduleur de tension à modulation de largeur d’impulsions, figure( III.27).
Dans ce cas on a simulé la réponse de la machine pour un démarrage à vide suivi d’un
couple de charge appliqué à t = 4,2s puis à t= 16.2s. La figure (III.28-29-30) montre les
résultats obtenus.
Nous remarquons que lorsque la machine est dans les conditions d’un
fonctionnement normal, la vitesse estimée, figure (III.28) est stable et elle suit
parfaitement la référence. On note un petit écart statique. La même conclusion est
donnée pour le couple de charge estimée avec des oscillations plus ou moins amorties,
figure (III.30). On signale aussi que la composante du flux rotorique est
pratiquement nulle, ce qui confirme la conservation du découplage, la figure(III.29).

89
Chapitre III Commande sans capteur

Figure(III.28) : Courbe de vitesse et courants statoriques.

Figure(III.29) : Courbes des composantes du courant( direct et quadratique) et

composantes du flux rotorique.

90
 Chapitre III Commande sans capteur

Figure(III.30) : Estimation du couple de charge _® .

III.2.7 Etude comparative entre les trois applications

Dans cette section on va présenter une étude comparative des techniques de

commande sans capteur déjà introduites, le tableau ci-dessous récapitule les remarques
concernant la réponse en vitesse.

Erreur Erreur de Rejet de

statique poursuite perturbation
Observateur/estimateur Rapidité Stabilité
(trainage)
(charge)

Etat d’ordre réduit Très bonne nulle Acceptable Stable Excellent

MRAS ( nouvelle approche) Bonne nulle Acceptable Stable Bon

MRAS ( nouvelle approche) avec Bonne Nulle Très bonne Stable Bon
PLL

Filtre de kalman Bonne Moyen Acceptable Instable Oscillations

ne pendent pendent
l’applicati l’applicatio
on de la n de la
charge charge

LQR-PI Acceptable Bonne Acceptable Stable Bon

Platitude Bonne Bonne Très bonne Stable Bon

91
 Chapitre III Commande sans capteur
III.3 Conclusion
Dans ce chapitre, on a examiné en premier lieu la commande sans capteur en
appliquant trois types d’observateurs (Observateur d’état d’ordre réduit, MRAS
améliorée et filtre de Kalman). Les résultats obtenues révèlent la faisabilité des ces
techniques. En deuxième lieu on a introduit trois techniques de commande sans capteur
( PLL, LQR et Platitude) A partir de L’analyse des résultats obtenus on peut conclure
que la technique PLL à un impact très positif sur la l’amélioration de l’erreur de
poursuite de vitesse. On peut conclure aussi que la technique MRAS améliorée
(nouvelle approche) est la plus performante surtout à basses vitesses.

92
Chapitre IV
LOGIQUE FLOUE ET SON APPORT A LA COMMANDE SANS
CAPTEUR

IV.1 Introduction
Issue de la théorie des sous-ensembles flous établie par Lotfi Zadeh (1965), la logique
floue ou de l’anglais ″Fuzzy Logic″ est de nos jours un sujet attirant, parce que faisant trait à
une question d’actualité qui est le traitement de l’incertain dans la connaissance. Il permet
d’affirmer que presque toute la logique du raisonnement humain n’est pas la logique classique
à deux valeurs de vérité, ou à deux tranches nettement séparables. Dans les mécanismes de
notre pensée, les propositions enchaînées et implications sont vagues, imprécis et floues. De
même, les données, informations et sensations reçues sont loin d’être des événements précis,
sauf exception [54]. La logique floue offre un modèle mathématique très adéquat pour la
résolution des problèmes où l’on fait appel à des expressions du langage naturel. Sa
caractéristique fondamentale est l’utilisation des variables linguistiques au lieu des variables
numériques dans des situations conditionnelles floues. Par ceci, elle se veut un pas vers un
rapprochement entre la précision de la logique classique et la subtile imprécision du monde
réel [55],[56],[57],[58],[59],[60]
La commande de la machine asynchrone associée au convertisseur statique présente plusieurs
difficultés de point de vu robustesse, détection de défauts dans les capteurs, etc….Dans le
chapitre précédent plusieurs techniques de la commande sans capteur ont été développées et
validées. Dans e ce contexte le recours à la logique floue constitue une alternative intéressante
pour l’amélioration des performances de la commande sans capteur. L’approche proposée
dans ce chapitre vise l’adaptation des paramètres du régulateur PI utilisée dans la commande

93
Chapitre IV Logique floue et son apport à la commande sans capteur

MRAS-améliorée présentée dans la chapitre trois. Cette adaptation sera basée sur un
superviseur flou type 1 puis on présentera la conception d’un superviseur flou type2.

IV.2 Logique floue type 1

IV.2.1 Principe et définition
La logique floue repose sur la théorie des ensembles flous développée par Zadeh [55].
La logique floue devient de plus en plus appliquée dans la commande des processus
industriels. Les algorithmes de réglage conventionnels sont alors remplacés par une série de
règles linguistiques de la forme "Si ...Alors...". On obtient un algorithme heuristique en
prenant en considération l'expérience des opérateurs pour la conduite du processus [56-57].
Un ensemble flou est une classe d'objets dans laquelle la transition de l'appartenance aux non-
appartenance est graduelle au lieu d'être brusque .
Prenons un exemple simple : soit E, l’ensemble des tailles possibles et A le sous ensemble
grand. En logique bivalente, on est soit petit soit grand, (x< 170cm : pas grand ; x≥170cm :
grand).

Une définition plus mathématique peut être établie comme suit:

Si U est une collection d'objets ou de valeurs notés par " x ", alors un ensemble flou A dans
U est défini par l'ensemble des paires ordonnées:

A = {( x, µ A ( x) ) / x ∈ U } (IV.1)

Où µ A ( x) est une fonction qui prend des valeurs comprises entre 0 et 1 et est appelée fonction
d'appartenance. Elle caractérise l'ensemble flou A et fournit une mesure du degré
d'appartenance d'un objet x de U dans l'ensemble flou A . Elle peut être formulée comme suit:

94
Chapitre IV Logique floue et son apport à la commande sans capteur

µ A : U → [0, 1]
u → µ A (u )
U peut contenir des valeurs continues ou discrètes.
Généralement, A s'écrit sous la forme:

A = ∫ µ A ( x) / x Si U est continu (IV.2)

A= ∑µ
xi ∈U
A ( xi ) / xi Si U est discret (IV.3)

Dans ces deux équations les signes d'intégral et de sommation ne désignent pas une
intégration ou une addition arithmétique, respectivement, mais une collection de tous les
points x ∈U avec leur fonction d'appartenance µ A ( x) .

Un fait incertain tel que x à peu prés égal à x0 aura une fonction d’appartenance en

forme de triangle. L’affirmation x à peu prés comprise entre x1 et x2 correspond à une

fonction d’appartenance trapézoïdale..
• La fonction triangulaire, A = ( x1 , x0 , x2 )

0 si x < x1
 x −x
 1 si x1 ≤ x ≤ x0
x − x
µ A ( x) =  1 0 (IV.4)
 x − x2 si x0 ≤ x ≤ x2
 x0 − x2

0 si x > x2

95
Chapitre IV Logique floue et son apport à la commande sans capteur

• La fonction trapézoïdale, A = ( x1 , x2 , x3 , x4 )


0 si x < x1

1 si x2 ≤ x ≤ x3

 x − x1
µ A ( x) =  si x1 ≤ x ≤ x2 (IV .5)
 x2 − x1
 x − x4
 si x3 ≤ x ≤ x4
 x3 − x4
0 si x > x4


B. Propriétés des ensembles flous

• Support
Le support d’un ensemble flou A , noté Supp ( A) tel que :

Supp( A) = { x ∈U , µA ( x) > 0} (IV.6)

L'ensemble flou dont le support est un ensemble singleton est appelé "singleton flou".

• Hauteur
La hauteur d’un ensemble flou A , noté h( A) est la valeur maximale atteinte sur le support
de A, elle est défini de la manière suivante:
h( A) = max x∈U µ A ( x ) (IV.7)

• Noyau
Le noyau d’un ensemble flou A , noté Noy ( A) est l’ensemble de tous les éléments qui lui
appartiennent, tel que :
Noy ( A) = { x ∈U , µ A ( x) = 1} (IV.8)

S'il y a un seul point avec un degré d'appartenance égale à 1, alors ce point est appelé la
valeur modale de A .

96
Chapitre IV Logique floue et son apport à la commande sans capteur

C. Opérateurs sur les ensembles flous

Il s'agit de la généralisation des opérateurs égalité, inclusion, intersection et union de la

théorie des ensembles ordinaires, voir (figure IV1) :

• Egalité

Deux ensembles flous A et B sont dits égaux s’ils ont des fonctions d’appartenance égales
en tout point de U tel que :

A= B si ssi

∀ x ∈ U , µ A ( x) = µ B ( x) (IV.10)

• Inclusion

Soit deux ensembles flous (A et B), si pour n’importe quel élement x de U , x appartient
toujours moins à A qu’à B, alors on dit que A est inclus dans B ( A ⊆ B ) et l’on a :

A⊆ B si ssi

∀ x ∈ U , µ A ( x ) ≤ µ B ( x) (IV.11)

• Union

L’union des deux ensembles flous (A et B), est dénotée comme ( A ∪ B ) , est donnée par :

∀ x ∈ U , µ A∪ B ( x) = max( µ A ( x), µ B ( x)) (IV.12)

• Intersection

L’intersection des deux ensembles floue (A et B), dénotée ( A ∩ B ) , est donnée par:

∀ x ∈ U , µ A∩ B ( x) = min( µ A ( x), µ B ( x)) (IV.13)

97
Chapitre IV Logique floue et son apport à la commande sans capteur

C Variables linguistiques

Une variable linguistique représente un état dans le système à régler ou une variable de
réglage dans un contrôleur flou. Sa valeur est définie dans des termes linguistiques qui
peuvent être des mots ou des phrases d’un langage naturel ou artificiel.

Chaque variable linguistique est caractérisée par un triplet { x, U , T ( x)} tel que :

x est le nom de la variable,

U est l’univers de discours associé avec la valeur de base,

T ( x ) est l’ensemble des valeurs linguistiques que peut prendre x .

Exemple:
La variable linguistique x = température ambiante peut être définie avec un ensemble des
termes :
T ( x) = {extremement froide, trés froide, froide, chaude, trés chaude, extremement chaude}
qui forment son univers du discours U =  −20° C , 40° C  . La variable de base est

température. Le terme froid représente une valeur linguistique. On peut l’interpréter, par
exemple comme « les températures plus petites que 15° C ».

D. Règle floue :
Une règle floue s’écrit : ″Si x est A Alors y est B″
Et peut être notée :

″ (x, y) est A→B ″ (IV.14)

L’ensemble flou A→B n’est qu’une relation floue R entre U et V et sa fonction d’appartenance
(valeur de vérité de l’implication) est donnée par :

µ A→ B ( x , y) = Φ ( µ A ( x ), µ B ( y )) (IV.15)

où Φ est un opérateur d’implication floue spécifique. Il existe différents types d’opérations

proposées par divers auteurs. L’opérateur de Mamdani et le plus utilisé en commande floue:

Φ ( µ A ( x ), µ B ( y )) = min( µ A ( x ), µ B ( y )) (IV.16)
98
Chapitre IV Logique floue et son apport à la commande sans capteur

Si x1 est A1 et x 2 est A 2 et ...............et xn est A n alors y est B

µ A( x ) = min ( µ A ( x1 ),................, µ A ( xn ))
1 n (IV.17)

IV.2.2 Configuration d’un contrôleur flou

Par opposition à un régulateur classique, le régulateur par logique floue ne traite pas
une relation mathématique bien définie (algorithme de réglage), mais utilise des inférences
avec plusieurs règles se basant sur des variables linguistiques [57]. Ces inférences sont
traitées par des opérateurs de la logique floue. La configuration de base bloc par logique floue
(BLF) est donnée par la figure (V-2).

A. Module de Fuzzification :
Dans ce module, on distingue:
• L'organe de normalisation qui permet de passer d'un domaine physique donné à un
domaine normalisé, [-1,1] par exemple. Cet organe est optionnel.
• L'organe de fuzzification qui associé à une valeur numérique un degré d'appartenance à
une valeur linguistique.

Entrées Physiques Sorties Physiques

Normalisation Dénormalisation

OPTIONNEL

Moteur d'Inférence
Fuzzification Défuzzification
Base de Règles

Base de données

Figure (IV-2) : Configuration générale d'un bloc flou

99
Chapitre IV Logique floue et son apport à la commande sans capteur

B. Base de données
Elle contient les définitions des termes utilisés dans la commande et les règles
caractérisant la cible de la commande et décrivant la conduite de l'expert. Elle consiste en une
base de données et une base de règles.
• La base de données fournit les informations nécessaires pour le fonctionnement du
module Fuzzification. Ces informations sont:
Les ensembles flous (fonction d'appartenance) donnant la signification des valeurs
linguistiques. Les domaines physiques et normalisés et les facteurs de réduction
correspondants.
• La base de règles a pour but de structurer, la connaissance que l'on a sur le contrôle du
processus en produisant des règles de la forme:
Si < état du processus> Alors < action en sortie >.
La partie ″Si″ est appelée antécédent de la règle, la partie ″Alors″ est appelée conséquence de
la règle. Les paramètres auxquels on a recours pour construire la base des règles sont:
• Le choix de "l'état du processus" et de la variable de sortie.
• Le choix du contour de l'antécédent et de la conséquence des règles.
• Le choix des valeurs linguistiques pour l'état du processus et la variable de sortie.

C. Moteur d'inférence
C'est le noyau d'un BLF, il a l'aptitude de simuler la prise de décision humaine en se
basant sur des concepts flous. La formulation concrète des inférences dépend évidemment du
comportement statique et dynamique du système à régler et de l’organe de commande, ainsi
que des buts de réglages envisagés. L’expérience joue un rôle important pour indiquer les
règles. Pour le réglage par logique floue, on utilise en général une des méthodes suivantes
[57]:
• Méthode d'inférence Max-Min.
• Méthode d'inférence Max-Produit.
• Méthode d'inférence Somme-Produit.

La méthode la plus utilisée est celle de Max-Min [54]. On traitera un cas particulier avec
deux variables d'entrée x1 ∈ U et x 2 ∈ V et une variable de sortie y ∈ W . L'inférence est
composée de deux règles:
Règle 1 ( R1 ): Si x1 est A1 et x2 est B1 alors y est C1 , OU (IV.18)

100
Chapitre IV Logique floue et son apport à la commande sans capteur

Règle 2 ( R 2 ): Si x1 est A2 et x2 est B2 alors y est C 2 . (IV.19)

La figure (IV.3) représente graphiquement le principe de la méthode d'inférence Max-Min

R1 OU R2
R1 OU R2

x1 x2

Figure(IV.3): Représentation graphique de la méthode max-min pour deux variables

d'entrées et deux règles.

Figure (IV.3) : Représentation graphique du principe de la méthode d'inférence Max-Min

D. Module de défuzzification
Pour pouvoir définir la loi de commande, le contrôleur flou doit être accompagné d’une
procédure de défuzzication jouant le rôle de convertisseur de la commande floue en valeur
physique nécessaire pour un tel état du processus. Une stratégie de défuzzification est alors
nécessaire. Plusieurs stratégies de défuzzification existent [57]. Les plus utilisées actuellement
sont :
• Méthode du Maximum.
• Méthode de la moyenne des Maximas.
• Méthode du centre de gravité.

101
Chapitre IV Logique floue et son apport à la commande sans capteur

IV.2.3 Superviseur flou destiné à l’adaptation des paramètres du contrôleur PI

Après avoir énoncer les concepts de base et les termes linguistiques utilisés en logique
floue, nous présentons la structure d’un superviseur flou des paramètres Kp et Ki d’un
régulateur PI appliqué à la nouvelle approche MRAS.
Le superviseur flou doit remplir la tâche suivante :
• adapter les paramètres du mécanisme d’adaptation de la vitesse de l’observateur vis-à-
vis les changements des paramètres de la machine et vis-à-vis d’autres perturbations.

Pour atteindre cet objectif, nous allons introduire un formalisme flou au mécanisme, qui
apporte une plus grande flexibilité à la base de règles en codant les actions de réglage des
paramètres du régulateur PI [57].

IV.2.3.1 Fonctionnement du Superviseur flou

Les entrées du superviseur sont l’erreur de vitesse sortie du régulateur PI et sa
variation. Les adaptations faites sur les paramètres du régulateur PI visent à corriger au fur et
à mesure l’évolution du système en agissant sur la loi de régulation. Lors du fonctionnement
en ligne du régulateur, une matrice floue permet d’adapter les gains de façon à optimiser les
caractéristiques de la réponse temporelle. Une base de règles est concue admettant comme
variables entrées (erreur de vitesse) et ∆ . : Variation de l’erreur et comme variables de
sortie les taux de variation ( ) que l’on doit ajouter à chaque instant aux paramètres
nominaux , voir équations (IV.22) et (IV.23). La table de décision est extraite à
partir d’une expertise obtenue suite à plusieurs tests de simulation. Ces derniers sont effectués
en faisant varier les paramètres des régulateur PI tout en prenant en considération leur
influence sur les performances de la commande sans capteur. L’algorithme d’adaptation des
paramètres du régulateur PI est illustré par la figure la figure(IV.4).

= − (IV.20)

∆ = (IV.21)

= + (IV.22)

= + (IV.23)

102
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.4) : Schéma bloc d’un superviseur flou des paramètres du régulateur PI
• Conception de la table de décision:
Pour pouvoir déterminer le contenu de la base des règles, il est nécessaire de s’appuyer sur
des considérations concernant les liens entre l’évolution des paramètres du PI et les
performances désirées :
• le gain intégral est augmenté, pour améliorer le temps de montée pendant le régime
transitoire ; il est diminué dès que la consigne de vitesse dépasse la zone tolérée afin de
minimiser le dépassement.
• le gain proportionnel est augmenté, pour réduire le temps de montée, sauf que cette
action augmente les oscillations.
• Les variations sur les gains proportionnel et intégral ont des influences sur la dynamique
du système qui varient dans le même sens. En fonction de la position dans le plan de
phase de et ∆ , il s’agit de reconnaître le positionnement sur la courbe temporelle,
puis de mener une action fondée sur les tendances citées précédemment et sur les
objectifs fixés en terme de performances. Ainsi nous obtenons la table de décision
suivante, tableau (IV. 1).
∆ NG NM NP Z PP PM PG

NG NG NG NG NG NM NP Z
NM NG NG NM NM NP Z PP
NP NG NM NM NP Z PP PM
Z NM NM NP Z PP PM PM
PP NM NP Z PP PM PM PG
PM NP Z PP PM PM PG PG
PG Z PP PM PG PG PG PG
Tableau (IV.1) : Table des règles.

103
Chapitre IV Logique floue et son apport à la commande sans capteur

La structure générale du superviseur flou est montrée sur la figure(IV.5), les entrées sont
normalisées par les gains de normalisation et ∆ . On distingue trois parties :

Defuzzification
Fuzzification
Moteur
1 ∆ D’inférence
∆

Matrice
D’inférence

Figure(IV.5) : Structure d’un superviseur flou.

Les ensembles flous des variables d’entrée et leurs fonctions d’appartenance sont à définir en
premier lieu.
• Fuzzification, mécanisme d’inférence et défuzzification:
Concernant des variables entrées/sortie, notre politique vise toujours à obtenir une table de
décision optimale de point de vue temps de calcul et redondance des régles. Notre choix est
porté sur les une table de règle de 49 règles dont la fuzzification des ces variables est illustrée
par la figure ci-dessous. Le mécanisme d’inférence utilisé est SIF Max-Min de Mamdani,
pour l’étape de défuzzification on a opté pour la méthode du centre de gravité.

104
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.6) : Forme des fonctions d’appartenances des variables entrées/sortie.

IV.2.4 Résultats de simulation

Dans cette partie, nous allons présenter les résultats de simulation et expérimentaux de
la commande sans capteur mécanique, l’observateur utilisé est basé sur la MRAS–améliorée
présentée au chapitre précédent. Un superviseur flou est associé au Régulateur PI incorporé
dans le mécanisme d’estimation de la vitesse à partir de la technique MRAS. La figure (IV.7-
17), montre clairement l’efficacité du superviseur flou, un temps de montée très rapide, un
excellent rejet de perturbation (charge), une nette amélioration des performances.
Le flux quadratique est pratiquement nul et le flux direct est maintenu constant.
Dans la zone des vitesses faibles ou quasiment nulles (5 rad/sec) la vitesse suit fidèlement la
consigne. On note que les résultats de simulation coïncident bel et bien avec les résultats
expérimentaux.

105
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.7) : Courbe de vitesse, courants , flux et .

Figure (IV.8) : Courbe des courants .

Figure (IV.9) : Courbe des courants Zoom.

106
Chapitre IV Logique floue et son apport à la commande sans capteur

IV.2.5 Résultats expérimentaux

Figure (IV.10) : Courbe de vitesse, courants ( , ) , flux ( , ) et ( , ).

Figure (IV.11) : Courbe des courants .

Figure (IV.12) : Courbe des courants Zoom.

107
Chapitre IV Logique floue et son apport à la commande sans capteur

IV.3 Logique floue type-2

Comme il est connu dans la littérature, les systèmes flous sont construits à partir d’un
ensemble de règles basées sur des connaissances généralement incertaines ou issues d’une
certaine expertise de l’utilisateur. Cette imprécision mène alors à obtenir des règles dont les
prémisses et/ou les conséquences sont incertaines, ce qui va bruiter les fonctions
d’appartenance. Le système flou de type-1 ne peut prendre en charge de telles éventualités de
règles. Nous introduisons dans cette partie du chapitre une nouvelle classe de systèmes flous
appelée système flou type-2 dans laquelle les valeurs d’appartenance des prémisses sont elles-
mêmes des ensembles flous. Les ensembles flous type-2 sont très efficaces dans le cas où il
nous est difficile de déterminer exactement les fonctions d’appartenance pour les ensembles
flous, par conséquent ils sont pratiques pour l’incorporation des incertitudes.
IV.3.1 Conception
Initialement, le concept de l’ensemble flou type-2 a été introduit par le père fondateur
de la logique floue Zadeh comme extension du concept de l’ensemble flou type-1. Un
ensemble flou type-2 est caractérisé par une fonction d’appartenance floue, c’est-à-dire, le
degré d’appartenance de chaque élément de l’ensemble est lui-même un ensemble flou dans
[0, 1]. De tels ensembles sont conseillés dans le cas où nous avons une incertitude au niveau
de la valeur de l’appartenance elle même. L’incertitude peut être soit au niveau de la forme de
la fonction d’appartenance soit dans l’un de ses paramètres.
La transition d’un ensemble ordinaire à un ensemble flou est la conséquence directe de
l’indéterminisme de la valeur de l’appartenance d’un élément à un ensemble par 0 ou 1.
Similairement, lorsque nous ne pouvons pas déterminer les fonctions d’appartenance floues
par des nombres réels dans [0, 1], on utilise alors les ensembles flous type-2. Pour cela, on
peut considérer que les ensembles flous type-1 comme une approximation du premier ordre de
l’incertitude et que les ensembles flous type-2 comme une approximation du deuxième ordre
[60].
IV.3.2 Ensemble flou type-2
Une fonction d’appartenance de type-2 est représentée par une fonction à deux
variables. Chaque valeur de l’univers de discours procède un degré d’appartenance primaire
" , la deuxième variable représente une fonction d’appartenance secondaire " qui est un
nombre réel dans l’intervalle [0 1], cette fonction peut être définie par :
Il existe quatre types d’ensembles flous type-2 :

108
Chapitre IV Logique floue et son apport à la commande sans capteur

• Ensemble flou singleton, c'est-à-dire le degré d’appartenance " = 0 sauf pour une seule
valeur de x dont " = 1.
• Ensemble flou type-1 intervalle, c'est-à-dire le degré d’appartenance " = 0 sauf sur un
intervalle défini par les deux points limites gauche et droite [%& , '& ] ,
Avec " = 1 ( %& < * < '&
• Ensemble flou type-1, si le degré d’appartenance " varie entre 0 et 1.
• Ensemble flou type-2, si le degré d’appartenance " est représenté par un ensemble flou
de deuxième ordre "+, .

"+, (*, "): . × 00 11 → 00 11 (IV.24)

IV.3.3 Classification des ensembles flous type-2

On distingue deux classes d’ensembles flous type-2 :
• Ensemble type-2 intervalle si "+, (*, ")est un ensemble flou type-1 intervalle
• Ensemble type-2 général si "+, (*, ")est un ensemble flou type-1

Les figures (IV.13) illustrent respectivement les ensembles floues singleton, intervalle, type-
1, type-2 intervalle et l’ensemble flou général.
singleton Type-1intervalle Ensemble type-1

Type-2 intervalle Type-2 général

Figure(IV.13) : les classes des ensembles flous.

109
Chapitre IV Logique floue et son apport à la commande sans capteur

L’ensemble flou type-2 intervalle peut être crée par deus ensembles flous type-1. Une
fonction d’appartenance supérieure (FAS) qui représente la valeur maximum et une fonction
d’appartenance inferieur (FAI) qui représente la valeur minimum de "(*) pour chaque valeur
de *. La région (U) représentée par le secteur borné entre (FAS) et (FAI) est appelée
l’incertitude est montrée par la figure (IV.14). le système flou type-1 est un cas particulier
d’un système flou type-2 dont la région d’incertitude est nulle.

incertitude

FAS
FAI

Z1 Z2

Figure (IV.14) : Fonction d’appartenance primaire et secondaire d’un système type-2

IV.3.4 Création d’une fonction d’appartenance

Les figures (IV.15-16) illustrent les fonctions d’appartenance trapézoïdales et
triangulaires, ces derniers sont définies par les cinq points ( a, b, c, d et e) et définies par les
équations (IV.25-27),
x−a
y1 ( x , a , b , c ) = , pour a ≤ x ≤ b (IV.25)
b−a
d−x
y 2 ( x , c , d , e) = , pour c≤ x≤d (IV.26)
d −c
Ttrap = max(0, min((y 1 , y 2 ), e) (IV.27)

Figure (IV.15) : Fonction d’appartenance trapézoïdale (exemple : a=-0.9 ,b=-0.4, c=0.2,

d=0.7 et e=1).

110
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.16) : Fonction d’appartenance triangulaire (exemple : a=-0.5,b=c=0,d=0.7 et e=1).

IV.3.5 Centre de gravité d’une fonction d’appartenance floue type-2 intervalle

Une fonction d’appartenance type-2 intervalle peut être représentée
approximativement par p fonctions d’appartenances type-1 intervalle situées au point * et
bornées entre les limites supérieures et inferieures "3+4( ) et "3+5( ) comme le montre la figure
(IV.17). Le centre de gravité de la fonction type-2 intervalle est calculé comme centre de p
fonction intervalle type1. L’exactitude du calcul dépend de la valeur p, le centre exacte est
trouvé si p tend vers l’infinie.

Figure (IV.17) : Fonction d’appartenance type-2 intervalle discrétisée en p fonction

d’appartenance type-1 intervalle.

Le centre de gravite (c) de la fonction d’appartenance type-1 discrétisée en (p) points est
calculé par :
p

∑ µ(x )x i i
c= i =1
p
(IV.28)
∑ µ(x )
i =1
i

111
Chapitre IV Logique floue et son apport à la commande sans capteur

C’est similaire pour le centre de gravité de la fonction d’appartenance type-2 intervalle

discrétisée en p intervalles, il est défini sur un intervalle [Cl Cr] .

; µ * (x )x ( xi ) xi >
p p

:∑ ∑µ **
i i
=
67& , 7 8 = : i =1p , i =1
p = (IV.29)
: ∑ µ ( xi )
*
∑ µ ( xi ) =
**

9 i =1 i =1 <
Avec µ * ( xi ) et µ ** ( xi ) représentent respectivement "3+4( ) et "3+5( ) , la figure (IV.18) illustre

un exemple de fonction d’appartenance type-2 discrétisée en quatre fonctions d’appartenance

type-1 intervalle.
On a :
1- I1= [0, 0.4] pour x= -0.6
2- I2= [0.39, 0.6] pour x= -0.4
3- I3 = [0.39 , 0.6] pour x = 0.4
4- I4 = [0 , 0.4] pour x= 0.6

Figure (IV.18) : Fonction d’appartenance type-2 discrétisée en quatre fonctions

d’appartenance type-1 intervalle.

Le tableau ci-dessous récapitule toutes les possibilités des valeurs du centre de gravité défini
par l’équation (IV.28) pour p=4.

112
Chapitre IV Logique floue et son apport à la commande sans capteur

∑ µ ( x i ) x i

"(* ) "(* ) "(*? ) "(*@ ) = i = 1

X1 X2 X3 X4 c p

∑ i = 1
µ ( x i )

-0.6 -0.4 0.4 0.6. 0 0.39 0.39 0 0

-0.6 -0.4 0.4 0.6 0 0.39 0.39 0.4 0.2034
-0.6 -0.4 0.4 0.6 0 0.39 0.6 0 0.0848
-0.6 -0.4 0.4 0.6 0 0.39 0.6 0.4 0.2331
-0.6 -0.4 0.4 0.6 0 0.6 0.39 0 -0.0848
-0.6 -0.4 0.4 0.6 0 0.6 0.39 0.4 0.1122
-0.6 -0.4 0.4 0.6 0 0.6 0.6 0 0
-0.6 -0.4 0.4 0.6 0 0.6 0.6 0.4 0.1500
-0.6 -0.4 0.4 0.6 0.4 0.39 0.39 0 -0.2034
-0.6 -0.4 0.4 0.6 0.4 0.39 0.39 0.4 0
-0.6 -0.4 0.4 0.6 0.4 0.39 0.6 0 -0.1122
-0.6 -0.4 0.4 0.6 0.4 0.39 0.6 0.4 0.0469
-0.6 -0.4 0.4 0.6 0.4 0.6 0.39 0 -0.2331
-0.6 -0.4 0.4 0.6 0.4 0.6 0.39 0.4 -0.0469
-0.6 -0.4 0.4 0.6 0.4 0.6 0.6 0 -0.1500
-0.6 -0.4 0.4 0.6 0.4 0.6 0.6 0.4 0

On peut noter que les valeur limites max et min [Cl Cr] sont [-0.2331 , 0.2331], c’est
l’approximation du centre de gravité d’une fonction d’appartenance type-2 intervalle. Lorsque
la valeur de p est incrémenté, le calcul du centre de gravité devient difficile à calculer . Pour
se faire on utilise un algorithme proposé par Karnik-Mendel [60-61] (figure (IV.19)). Le
tableau (IV.2) présente les résultats de calcul du centre de gravité pour différentes valeur de p.

Discrétisation (p) Centre de gravité Nombre d’itérations ( KMA) 2p itérations

4 [-0.1111 0.1111] 04 16

8 [-0. 1596 0.1596] 08 256

16 [-0.1662 0.1662] 16 65536

64 [-0.1676 0.1676] 64 1.84*1019

256 [-0.1677 0.1677] 256 1.158*1077

Tableau (IV.2) : Calcul du centre de gravité pour différentes valeur de p

113
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.19) : Algorithme de Karnik – Mendel (KMA) pour le calcul de [Cl Cr] .

IV.3.6 Structure d’un système flou type-2

La figure(IV.20) montre la structure de base d’un système flou de type-2, elle est
analogue à celle d’un système flou de type-1, Pour ce dernier le bloc traitement de sortie se
réduit seulement à la défuzzification. Mais dans le cas d’un FLS de type-2 on voit
l’apparition d’un nouveau bloc, celui de la réduction de type.

Figure (IV.20) : Structure d’un système flou type-2.

114
Chapitre IV Logique floue et son apport à la commande sans capteur

A. Fuzzification
Le système de Fuzzification transforme les entrées ( x1 , x 2 ,........x n ) à des ensembles flous
type-2 intervalle à partir des ensembles flous type-1. Le nombre des ensembles dépend du
nombre d’entrées et le nombre des fonctions d’appartenances.

• Exemple de fuzzification :
NG NM Z PM PG
1
0.9

0.5

0.142
0.020 0
-5 -4.645 -4 -3 -2 -1 0 1 2 3 4 5
X1
NG NM Z PM PG
1

0.611

0.5
0.388
0.308

0
-5 -4 -3 -2 -1.529 -1 0 1 2 3 4 5
X2

Figure(IV.21) : Exemple de fonctions d’appartenances des entrées X1 et X2.

La première étape consiste à fuzzifier les entrées X1 et X2 sous forme d’ensembles flous
comme le montre la figure (IV.21). la première entrée est fuzzifiée par deux ensembles flous
(NG et NM) et la seconde entrée est fuzzifiée elle aussi par deux ensembles flous (NM et Z).
les résultats sont récapitulés sur la figure (IV.22).

Figure (IV.22) : Fuzzification type-2 des entrées.

B. Les Règles
La différence entres les règles d’un système flou de type-1 et celles de type-2 résidera
seulement dans la nature des fonctions d’appartenance, donc, la structure des règles dans le
cas du type-2 va rester exactement la même que celle du type-1. La seule différence étant que

115
Chapitre IV Logique floue et son apport à la commande sans capteur

ème
quelques fonctions d’appartenance seront de type-2, alors, la l règle d’un système flou
type-2 aura la forme suivante [60-61] :

AB * ( B, & CDE * ( B, & CDE *? ( B,?& … … … . * ( B, & GHIJ K ( , & (IV.30)

Quant une entrée singleton par exemple x ′ = {x1′ , x 2′ ......x ′p } se présente le mécanisme

d’inférence calcule le degré d’activation de chaque règle en utilisant l’opération d’intersection

entre les degrés d’appartenance de l’antécédent de chaque règle. Le degré d’activation
correspondant à la l ème règle est :
p
µ F~ ( x1′ ) ∩ µ F~ ( x2′ )....... ∩ µ F~ ( x′p ) = ∏ µ F~ ( xi′ )
1
l
2
l l
p i
l (IV.31)
i =1

C. Moteur d’inférence
Comme en la logique floue de type-1, l’inférence est l’opération logique par laquelle
on admet une proposition en vertu de sa liaison avec d’autres propositions tenues pour vraies.
Seulement en logique flou type-2 on utilise la base de règles floues type-2 (IV.29). Pour
effectuer une relation entre un vecteur d’entrée x = {x1 , x 2 ......x p } et la sortie y. On calcul en
ème
premier lieu l’intervalle d’activation associé au l ensemble flou de sortie par la relation
suivante:

∏µ
i =1
~l
fi
( xi ) (IV.32)

µ ~f ( x) est l’intervalle d’activation associé à la variable x .

l
i
i

L’ensemble flou de sortie correspondant à la % éM règle N & par O, & . Lorsqu’une entrée
singleton x' est appliquée, qui veut dire que l’ensemble ., P auquel appartient x' possède un
degré d’appartenance unitaire à x = x' et zéro ailleurs, par conséquent l’ensemble de sortie
correspondant à la % éM règle est calculé à l'aide de l’opérateur t-norme choisie ∩ comme suit

 p 
µ B~l ( y ) = µ G~l ( y ) ∩ ∏ µ F~l ( xi ) (IV.33)
 i =1 i 

116
Chapitre IV Logique floue et son apport à la commande sans capteur

Où ∩ dénote l’opération meet basée sur la T-norme choisie.

Comme seulement les ensembles flous type-2 intervalle sont utilisés et l'opération t-norme-
produit est mise en œuvre, alors l’intervalle d’activation associé au % éM ensemble flou de
sortie est l’ensemble flou type-1 intervalle défini par :

F l ( x) = [ f inf ( x), f sup

l l
( x)] (IV.34)

f inf ( x) = µ F~ l inf ( x1 ) ∗ µ F~ l inf ( x2 ) ∗ ..... ∗ µ F~ l inf ( x p )

l
1 2 p
(IV.35)

l
f sup ( x ) = µ F~ l sup ( x1 ) ∗ µ F~ l sup ( x2 ) ∗ ..... ∗ µ F~ l sup ( x p ) (IV.36)
1 2 p

Les termes µ F~ l
inf
( xi ) et µ F~ sup ( xi )
l sont respectivement la valeur inférieure et
i i

supérieure de l’intervalle d’activation correspondant à µ F~ ( xi ) .

l
i

• Exemple de moteur d’inférence

Si on reprend l’exemple précédant, ici quatre règles sont activées ( deux pour l’entrée X1
et deux pour l’entrée X2 ), la figure(IV.23) illustre un moteur d’inférence avec une t-norm
produit, dans ce cas Z= ( Z1 , Z2) représente la règle activée et W son degré d’appartenance.

Figure (IV.23) : Moteur d’inférence avec t-norm produit.

117
Chapitre IV Logique floue et son apport à la commande sans capteur

Dans ce cas on a :

f inf ( x ) = W1 = f 1linf ∗ f 2linf

l
(IV.37)

f sup ( x) = W2 = f 1lsup ∗ f 2lsup

l
(IV.38)

IV.3.7 Traitement de Sortie

Le traitement de sortie consiste à combiné les ensembles floue type-2 ( une pour une règle
activée) pour obtenir un point critique de sortie ( valeur numérique). Le système de traitement
de sortie est composé de deux parties, la première partie consiste à réduire le type-2 en type-
1, la deuxième partie est consacrée à la défuzzification de la sortie du réducteur.

IV.3.8 Réduction de type

Pour un système flou de type-1, la partie traitement de sortie de la figure (IV.23) on trouve
seulement la Defuzzification dont la sortie est un nombre réel.
Pour un système flou type-2, chaque ensemble de sortie d’une règle est de type-2
Figure(IV.24a). Dans ce contexte, il existe des méthodes de traitement qui peuvent nous
fournir un ensemble de type-1 à partir des ensembles de sorties de type-2. On appelle cette
opération «Réduction de type » [61], et on appelle l’ensemble résultant de type-1 « Ensemble
réduit » Figure(IV.24b). Le défuzzificateur dans un système flou type-2 peut alors défuzzifier
l’ensemble réduit pour obtenir une sortie ordinaire non floue Figure(IV.24c) pour le système
flou type-2.

Figure (IV.24) : Opérations du traitement de sortie d’un système flou type-2.

118
Chapitre IV Logique floue et son apport à la commande sans capteur

Pour transformer la sortie floue type-2 en un ensemble flou type-1, la méthode des centres de
gravité des ensembles est utilisée [61], dont la formule générale de calcul est donnée par la
relation suivante :
k

∑w z l l
Y ( Z1 , Z 2 ,......, Z M ,W1 ,...., WM ) = ∫ .... ∫ .... ∫ ..... ∫ 1 / l =1
k
(IV.39)
z1 zM w1 wk
∑w
l =1
l

Etant donné que chaque ensemble dans l’équation (IV.39) est un ensemble type-1 intervalle,
alors Y ( Z1 , Z 2 ,......, Z M , W1 ,...., WM ) est aussi un ensemble flou type-1 intervalle dont le
domaine est situé sur l’axe des réels :

Y ( Z1 , Z 2 ,......, Z M ,W1 ,....,WM ) = [ yl , y r ] (IV.40)

∑w z
l =1
l l
Dans ce cas il suffit d calculer seulement l’expression k
, puisque tous les degrés
∑w
l =1
l

d’appartenance dans un ensemble type-1 intervalle sont ordinaires, alors nous allons dans la
suite représenter un intervalle seulement par ses limites gauche et droite [l, r] ou par son
C + Cr C − Cr
centre et largeur c = l et s = l respectivement.
2 2
Dans un système flou type-2, chaque z l dans (IV.39) est un ensemble type-1 intervalle et

chaque Wl est un ensemble type-1 intervalle borné entre deux valeurs critiques gauche et
droite , Y est aussi un ensemble type-1 intervalle, donc nous avons seulement besoin de
calculer les deux points extrêmes yl ( point gauche) et y r ( point droite) issus du réducteur
de type. Pour calculer ces deux points , nous allons utilisé l’algorithme de Karnik-Mendel
illustré sur la figure (IV.25)

119
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure ( IV.25) : Algorithme de Karnik-Mendel pour la détermination de yr ou yl

IV.3.9 Defuzzification
La deffuzzification consiste à transformer l’ensemble flou de type réduit en un point critique
de sortie. Cette dernière représente la valeur moyenne des limites de l’ensemble type-réduit .
yl + y r
Y= (IV.41)
2
Pour mieux comprendre le système de traitement de la sortie, on prend un exemple où six
règles sont activées, la figure (IV.26) montre le système de traitement de sortie et la figure
(IV.27) illustre l’allure de la sortie numérique.

Ensembles flous type-2 d’entrées ensemble flou type-1 de sortie sortie critique

Règle 1 [-0.78 14-0.6971] [0.1896 -0.5355]

Règle 2 [-0.6904 -0.6090] [0.4202 -0.7727] 0.5501
Réducteur Defuzz
Règle 3 [-0.5387 -0.4622] [0.0000 -0.0190] [0.5516 -0.5487]
Règle 4 [-0.5691 -0.4915] [0.0959 -0.3046] de type
Règle 5 [-0.4833 -0.4100] [0.2126 -0.4395]
Règle 6 [-0.4080 -0.3416] [0.0000 -0.0108]

Figure(IV.26) : Résultats de combinaison des ensembles flous type-2 pour aboutir au point
de sortie critique.

120
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure ( IV.27) : Allure de la sortie après traitement.

IV.3.10 Superviseur flou type-2 des paramètres du correcteur PI

On applique la théorie de la logique floue type-2 sur le même superviseur présenté
précédemment. Il faut signaler qu’on a conservé les mêmes univers de discours des entrées et
des sorties et la même table des règles, sauf que les fonctions d’appartenances sont de type-2.
Figure (IV.28) illustre la forme des fonctions d’appartenances des variables entrées. Les
figures (IV.29-30) montrent les résultats de simulation superviseur flou type 2.

Figure (IV.28) : Forme des fonctions d’appartenances de variables entrées

Figure (IV.29) : Résultats de simulation du mécanisme d’inférence de la sortie f(u) donnant

K1.

121
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.30) : Résultats de simulation du mécanisme d’inférence de la sortie f(u) donnant

K2.
IV.3.11 Structure du Superviseur flou type-2
La figure (IV.31) montre la structure générale d’un superviseur flou type-2, la seule différence
avec ceux de type-1 se situe au niveau du système de traitement des sorties.

Figure (IV.31) : Structure d’un superviseur flou Type-2.

IV.3.12 Résultats
Caractéristiques obtenues par simulation

Figure (IV.32) : Courbe de vitesse, courants ( , ) , flux ( , ) et ( , ).

122
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.33) : Courbe des courants .

Figure (IV.34) : Courbe des courants (Zoom).

• Résultats de la validation expérimentale

Figure (IV.35) : Courbe de vitesse, courants( , ) , flux ( , ) et ( , ).

123
Chapitre IV Logique floue et son apport à la commande sans capteur

Figure (IV.36) : Courbe des courants .

Figure (IV.37) : Courbe des courants (Zoom).

Figure (IV.38) : Courbe de vitesses obtenues par le superviseur Type-1 et par le

superviseur Type2.

124
Chapitre IV Logique floue et son apport à la commande sans capteur

En examinant les résultats des figures (IV.34-43), on remarque bien que ces résultats sont très
semblables à ceux du superviseur flou type-1, sauf qu’à basse vitesse, l’erreur d’estimation de
vitesse est pratiquement nulle dans le cas du superviseur type-2 comme le montre la figure
(IV.38). La poursuite de la vitesse de référence se fait normalement avec quelques
oscillations. D’après les figures (IV.32-34) et les figures (IV.35-37) on peut dire que les
résultats de simulation et expérimentaux sont concordants.

IV.4 Conclusion
Dans ce chapitre, un outil d’aide à la supervision est étudié, simulé et validé
expérimentalement. Un superviseur à logique floue est incorporé dans la commande
vectorielle sans capteur Le superviseur flou permet l’adaptation des paramètres du régulateur
PI utilisé dans le mécanisme d’estimation de la vitesse (MRAS-modifiée). Les résultats
obtenus attestent l’efficacité du bloc flou type 1 et type 2. L’apport de la logique type 2 est
bien ressenti en analysant les différents résultats. Les résultats de simulation et expérimentaux
sont bel et bien en concordance.

125
 CONCLUSION GENERALE

Dans cette thèse, nous avons pu mettre en évidence les performances et les
limites de quelques méthodes d’estimation/observation des grandeurs non mesurables
de la machine asynchrone ainsi que la vitesse mécanique et ce, en vu d’aboutir à une
commande sans capteur.
La variation de vitesse des moteurs à induction dans le domaine des basses vitesses
et en présence des perturbations (charge, etc..) est un problème crucial. En effet dans la
zone des basses vitesses de nombreuses difficultés peuvent surgir :
• Onduleur : les imperfections de l'étage de puissance se font particulièrement
ressentir avec des faibles tensions (les chutes de tension dans les composants
électroniques représentent quelques dizaines de pourcents de la tension envoyée
au moteur),
• Moteur : une zone de non-observabilité (droite de glissement) est présente dans ce
domaine du plan couple-vitesse. De plus, une partie de cette zone de non-
observabilité apparaît dans une zone où le moteur est naturellement instable.
Généralement dans le cas où l'information sur la vitesse mécanique est disponible, la
machine asynchrone est localement observable. Si on est en présence d’un
défaut/défaillance dans le capteur de vitesse, on avait recours à l’exploitation des
techniques d'observation et d’estimation : observateur d’état, filtre de Kalman, Kubota,
mode de glissement, MRAS classique. L’usage de ces techniques est généralement
problématique. Notre objectif était de proposer des solutions pour résoudre les
problèmes liés à la commande sans capteur.

26
 Conclusion générale

La première solution concerne la synthèse d’un observateur MRAS basée sur une
nouvelle approche. Cette dernière a été conçue pour reconstruire la variable mécanique
(vitesse) de la machine asynchrone tout en ayant comme informations disponibles
uniquement les grandeurs mesurables, en l’occurrence les courants statoriques de la
machine. Nous avons testé et validé expérimentalement tout les observateurs en boucle
ouverte. Les résultats obtenus ont montré que ces observateurs ont un comportement
oscillatoire lorsque la machine est proche des conditions d’inobservabilité (basse
vitesse). Par contre nous avons constaté que l’observateur MRAS proposé n’étant pas
influé par la sensibilité de cette zone. Dans le même contexte, et afin d’optimiser les
paramètres mécaniques d’adaptation de la vitesse (technique MRAS –proposé), nous
avons fais appel à la logique floue. Les résultats obtenus témoignent de l’efficacité de
cette technique intelligente. En effet une amélioration au niveau des performances est
obtenue avec succès.

Une deuxième technique (approche PLL) a été exploitée afin d’estimer l’angle de
Park utilisé dans la commande vectorielle, les résultats obtenus montre la faisabilité de
cette technique, l’autopilotage est bien conservé en dépit des variations paramétriques.
D’un autre côté, nous avons pu remarquer qu’à basse vitesse les oscillations persistent
toujours (particulièrement au niveau de la validation expérimentale).

Afin d’améliorer les performances de la commande sans capteur, un régulateur

hybride LQR-PI a été introduit pour la régulation de la vitesse. L’analyse des résultats
obtenus a mis en exergue une nette amélioration au niveau des oscillations de la vitesse
mécanique.

La commande par platitude a été également introduite dans la commande sans

capteur. On a pu observer les avantages de cette technique telle que la robustesse vis-à-
vis des variations brusques des grandeurs de consignes. Une bonne poursuite est acquise
avec une minimisation des oscillations, ainsi qu’un bon rejet de perturbations. Il est à
signaler aussi que cette technique a permis l’estimation du couple de charge.

Afin de mettre en évidence l’apport de la logique floue à la commande sans

capteur de la machine asynchrone, deux types de régulateur flou ont été implantés
expérimentalement et validés avec succès. L’élaboration d’un superviseur flou type-1 et

127
 Conclusion générale

type -2 a permis le réglage en ligne des paramètres du régulateur PI du bloc du

mécanisme d’adaptation de la vitesse (observateur MRAS-proposé). Les résultats ainsi
obtenus illustrent bien la faisabilité de cette technique pour l’amélioration des
performances de la commande sans capteur.

Au regard de l'ensemble des travaux effectués, les suites envisageables à donner

à ces travaux sont :
• Démonstration formelle des variables de la machine qui deviennent
inobservables.
• Proposition d’observateurs interconnectés.
• Exploitation profonde des techniques heuristiques d’intelligence artificielle

D’un point de vue de la commande, la conception de nouvelles méthodes de commande

robustes sans capteur mécanique reste un sujet d’investigation ouvert et ce, pour obtenir
de très bonnes performances en basse fréquence.

128
Annexe
PARAMETRES ET DATA DE LA MACHINE
ASYNCHRONE UTILISEE

PARAMETRES ELECTRIQUES
= 5.72 Ω Résistance Statorique

= 4.2 Ω Résistance Rotorique

= 0.462 Inductance Statorique

= 0.462 Inductance rotorique

= 0.44 Inductance Mutuelle

= 1.5 Puissance nominale

= 220/380 Tension nominale

= 6.10/3.5 Courant nominal

PARAMETRES MECANIQUES

= 0.0049 Moment d’inertie

! = 0.003 " #$%&'( coefficient de frottement

Ω) = 1430 *$/ +, vitesse nominale

p=2 Nombre de paire de pôles

C) = 10" Couple nominal

29
REFERENCES BIBLIOGRAPHIES

[1] Franck Morand, « Techniques d’observation sans capteur de vitesse en

vue de la Commande des machines asynchrones », Thèse de doctorat, soutenue à
l’université de Lyon, France, le 07 janvier 2005.
[2] Imad Al-Rouh « Contribution à la commande sans capteur de la machine
asynchrone » thèse de doctorat soutenue 12 Juillet 2004 Faculté des Sciences &
Techniques - 54506 Vandœuvre-lès-Nancy.
[3] PAUL A. S. De Wit,Romeo Ortega and Iven Mareels, « Indirect Field-
oriented Control of Induction Motors is Robustly Globally Stable » Automatica,
Vol. 32, No. 10, pp. 1393-1402, October 1996.
[4] Gi-Won Chang, Gerardo Espinosa-Pérez, Eduardo Mendes, and Romeo
Ortega, « Tuning Rules for the PI Gains of Field-Oriented Controllers of
Induction Motors » IEEE transactions on Industrial Electronics, Vol. 47, No.
3,pp.592-602, June 2000.
[5] R. D. Lorenz, T. A. Lipo, and D. W, « Novotny. Motion control with
induction motors », Proceeding of IEEE, Power electronics and motion control,
Vol. 82, No.8, pp.1215-1240, August 1994.
[6] R. W. de Doncker and D. W. Novotny, « The Universal Field Oriented
Controller, » IEEE Transactions on Industry Applications, Vol. 30, No.1, pp. 92-
100, January - February. 1994.
[7] H. Kubota and K. Matsuse, « Speed sensorless field oriented Control of
induction motor with rotor resistance adaptation, » IEEE Transactions on
Industry Applications, Vol.30, No.5, pp.1219-1224, September - October 1994.
[8] S. Peresada, A. Tilli, and A. Tonielli, « Indirect field oriented Control of
induction motor: New design leads to improved performance and efficiency, »
Industrial Electronics Society, IECON’98, pp. 1609-1614. August 2002.
[9] T. M. Rowan, R. J. Kerkman, and D. Leggate, « A Simple On-Line Adaption
for Indirect Field Orientation of an Induction Machine, » IEEE Transactions on
Industry Applications, Vol.27, No.4, pp.720-727, July - August 1991.
[10] Jean pierre caron, « Modélisation et commande de la machine asynchrone
, » Edition Technip, Paris, 1995.
[11] [Link], [Link], « Modélisation des Machines Electriques, » Presses
de l’université de Batna, 1997.
[12] Lesenne. J, Notelet. F , Seguier. G « Introduction à l’électrotechnique
approfondie, » Technique et documentation , 1981, 247p.
[13] Bimal.K Bose, « Power electronics and AC drive, » Prentice Hall, 1986,
402p.
[14] Vas. P, « Vector control of AC machines, » Ed. oxford University Press,
1990, 332p.
 Références Bibliographies

[15] Leonard.W, « Control of electrical drives, » 2nd ed. Springer-Verlag, 1996,

420p.
[16] Canudas Carlos de wit, « Commande des moteurs asynchrones 2,
optimisation Discrétisation et observateur », Edition Hermes science, Europe Ltd,
Paris, 2000.
[17] Hisao Kubota, Kouki Matsuse,, Takayoshi Nakno « DSP-Based Speed
Adaptive Flux Observer of Induction Motor», IEEE Transactions on industry
Applications, vol.29, No.2, pp.344-348, March-April 1993.
[18] Hirokazu Tajima, Yoichi Hori, « Speed sensorless field oriented
control of the induction machine », IEEE Transactions on Industrial
Electronics, vol.29, N°1, pp.1611-1655, 1993.
[19] Jingchuan Li, Longya Xu and Zheng Zhang, « An Adaptive Sliding-Mode
Observer for Induction Motor Sensorless Speed Control, » IEEE Transactions on
Industry Applications, Vol. 41, No. 4, pp.1039- 1046,July - August 2005.
[20] Adnan Derdiyok, Mustafa K. Güven, Habib-ur Rehman, Nihat Inanc,and
Longya Xu « Design and Implementation of a New Sliding-Mode Observer for
Speed-Sensorless Control of Induction Machine, » IEEE Transactions on
Industrial Electronics, Vol. 49, No. 5,pp. 1177- 1182, October 2002
[21] Zhang Yan, Changxi Jin, and Vadim I. Utkin, « Sensorless Sliding-Mode
Control of Induction Motors, » IEEE Transactions on Industrial Electronics, Vol.
47, No. 6,pp.344-348, December 2000.
[22] Marco Tursini, Roberto Petrella and Francesco Parasiliti, « Adaptive Sliding-
Mode Observer for Speed-Sensorless Control of Induction Motors, » IEEE
Transactions on Industry Applications, Vol. 36, No. 5, pp. 1380 – 1387,
September - October 2000.
[23] Phuc Thinh Doan, Thanh Luan Bui, Hak Kyeong Kim and Sang Bong Kim, «
Sliding-mode Observer Design for Sensorless Vector Control of AC Induction
Motor, » control Conference ( ASCC), 9th asian,September 2013.
[24] Stefano Di Gennaro, Jorge Rivera Domínguez, and Marco Antonio Meza, «
Sensorless High Order Sliding Mode Control of Induction Motors With Core
Loss, » IEEE Transactions on Industrial Electronics, VOL. 61, No. 6, pp. 2678-
2689, JUNE 2014.
[25] Amuliu Bogdan Proca, Member, IEEE, and Ali Keyhani, « Sliding-Mode
Flux Observer With Online Rotor Parameter Estimation for Induction Motors , »
IEEE Transactions on Industrial Electronics, vol. 54, no. 2, pp. 716- 723, April
2007.
[26] Zhang Yan, Changxi Jin, and Vadim I. Utkin, « Sensorless Sliding-Mode
Control of Induction Motors, » IEEE Transactions on Industrial Electronics, Vol.
47, No. 6, pp. 1286 – 1297, December 2000.
[27] Abdelkrim Benchaib, « Application des modes de glissement pour la
commande en Temps réel de la machine asynchrone », Thèse de doctorat,
soutenue à l’université de Picardie jules vernes d’Amiens, France, le 14
décembre 1998.

131
 Références Bibliographies

[28] V. I. Utkin, « Sliding mode control design principles and application

to electric Drive », IEEE Transactions. On Industrial. Electronics, Vol 40,
N°1, pp 23- 36, 1993.
[29] S. Drakunov et V. Utkin, « Sliding mode observers tutorial », Proc. Of
34th IEEE , CDC, New Orleans, LA, USA, pp.3376-3378, 1995.
[30] C. Schauder, « Adaptive speed identification for vector control of induction
motor without rotational transducers, » IEEE Transactions Industry Applications,
Vol. 28, No. 5, pp. 1054–1061, September – October 1992.
[31] K. Suman and V. Aditya, « Sensorless Control of Induction Motor Drive
Using SVPWM - MRAS Speed Observer , » Journal of Emerging Trends in
Engineering and Applied Sciences (JETEAS) 2 (3): 509-513 © Scholarlink
Research Institute Journals, 2011 (ISSN: 2141-7016)
[Link].
[32] A.V. Ravi Teja, Chandan Chakraborty, Suman Maiti, and Yoichi Hori,« A
New Model Reference Adaptive Controller for Four Quadrant Vector Controlled
Induction Motor Drives,» IEEE Transactions on Industrial Electronics, Vol. 59,
No. 10, pp. 3757 – 3767, October 2012.
[33] F. J. Peng and T. Fukao, « Robust speed identification for speed sensorless
vector control of induction motors, » IEEE Transactions Industry Applications,
Vol. 30, No. 5, pp. 1234–1240, September - October 1994.
[34] S. Maiti and C. Chakraborty, « A new instantaneous reactive power based
MRAS for sensorless induction motor drive, » Simul. Modell. [Link], Vol.
18, No. 9, pp. 1314–1326, October 2010.
[35] S. Maiti, C. Chakraborty, Y. Hori, and M. C. Ta, « Model reference adaptive
controller-based rotor resistance and speed estimation techniques for vector
controlled induction motor drive utilizing reactive power, » IEEE Transactions
Industry Electronics, Vol. 55, No. 2, pp. 594–601, February. 2008.
[36 ] S. M. Gadoue, D. Giaouris, and J.W. Finch, « MRAS Sensorless Vector
Control of an Induction Motor Using New Sliding Mode and Fuzzy Logic
Adaptation Mechanisms, » IEEE Transactions on Energy Conversion, Vol.25,
No.2, pp 394 -402, june 2010.
[37] Tarek Boumegoura, « Recherche de signature électromagnétique des
défauts dans une machine asynchrone et synthèse d’observateurs en vue du
diagnostic », Thèse de doctorat, soutenue à l’Ecole Doctorale de Lyon, France,
Mars 2001.
[38] Jogenda. Singh. thongam, « Commande de haute performance sans
capteur d’une machine asynchrone », Thèse de doctorat, soutenue à
l’université de Québec, Juin 2006.
[39] David aguglia, « Identification des paramètres du moteur à induction
triphasé en vue De sa commande vectorielle », Thèse de doctorat,
soutenue à l’université Laval, Canada, Décembre 2004.
[40] Ismail Elhassan, « Commande haute performance d’un moteur
asynchrone sans Capteur de vitesse par contrôle direct du couple, » Thèse
de doctorat, soutenue àl’université de Toulouse, France, Mars 1999.

132
 Références Bibliographies

[41] Nakano, H.; Takahashi, I., « Sensor less field oriented control of an
induction motor using an instantaneous slip frequency estimation method, »
Proceeding of IEEE Power Electronics Specialists Conference, PESC 88, Vol. 2,
pp. 847 - 854, 11 - 14 April 1988.
[42] Ben-Brahim, L. Kawamura . A, « Fully digitized field-oriented controlled
induction motor drive using only current sensors, » IEEE Transactions on
Industrial Electronics, Vol.39, No 3, pp. 241 – 249, June 1992.
[43] Bonanno, C. J. Zhen, Xu. L, « A direct field oriented induction machine drive
with robust flux estimator for position sensorless control, » Proceeding of IEEE-
IAS 1995 Annual Meeting, Vol. 1, pp. 166 – 173, Orlando, 8 - 12 October 1995.
[44] Ju-Suk Lee, Takeshita, T, Matsui. N, « Optimized stator-flux-oriented
sensorless drives of IM in low-speed performance, » Proceeding of IEEE-IAS
1996 Annual Meeting Vol. 1, pp. 250 - 256, 6 - 10 October 1996.
[45] Zhang. J, « Speed sensorless AC drive fed by three-level inverter with full
dimensional spiral vector control for improved low-speed performance, »
Proceeding of IEEE-IAS 1996 Annual Meeting, Vol. 1, pp. 243 – 249, 6 – 10
October 1996.
[46] Ju-Suk Lee, Takeshita. T, Matsui. N, « Stator-flux-oriented sensorless
induction motor drive for optimum low-speed performance, » IEEE Transactions
on Industry Applications, Vol. 33, No. 5, pp. 1170 – 1176, September - October
1997.
[47] Wang; C. C.; Fang; C. H., « Sensorless scalar-controlled induction motor
drives with modified flux observer, » IEEE Transactions on Energy Conversion,
vol. 18, no. 2, pp. 181 – 186, June, 2003.
[48] Mihai Comanescu, Longya Xu, « An Improved Flux Observer Based on PLL
Frequency Estimator for Sensorless Vector Control of Induction Motors , » IEEE
Transactions on Industrial Electronics, Vol. 53, No. 1, pp. 50 – 56, February 2006.
[49] E. Ostertag, « Filtrage Optimal et Commande Optimale, » Ecole Supérieure
de Physique de Strasbourg, 2002.
[50] M. Fliess, J. Lévine, P. Martin, and P. Rouchon, «Flatness and defect of non-
linear systems , Introductory theory and examples, » International Journal of
Control, Vol. 61, No. 6, pp.1327–1361, February 2007.
[51] J. Dannehl and F. W. Fuchs, « Flatness-Based Control of anInduction
Machine Fed via Voltage Source Inverter - Concept,Control Design and
Performance Analysis», Proceeding.32nd Annual. IEEE Industrial Electronics
Conference, pp.5125,5130, 6-10 Nov. 2006.
[52] M. Fliess , J. Lévine , P. Martin , P. Rouchon , «A Lie-Bäcklund approach to
equivalence and flatness of nonlinear systems, » IEEE Transactions Automatics
Control, Vol. 44, pp. 922-937,1999.
[53] Emmanuel Delaleau, Jean-Paul Louis, Romeo Ortega, « Modeling and
Control of Induction Motors, » Int. J. Appl. Math. Comput. Sci., 2001, Vol.11,
No.1, pp.105-129

133
 Références Bibliographies

[54] Malik MANCEUR , thèse de doctorat, « Commande robuste des systèmes

non linéaires complexes » présentée et soutenue publiquement le 12 juin 2012,
université de Reims Champagne-Ardenne.
[55] Cours Magister et Doctorat , « Logique Floue et son application »: dispensé
par Prof. F. Fidani, Département Electrotechnique, Université Batna2.
[56] [Link] ET M.E.H Benbouzid, « Fuzzy IFOC for saturation induction
machine, », EERR (Electrical Engineering research reports), No.9, pp.34-44, July
2000.
[57] [Link], « Contribution au Contrôle et Diagnostic de la Machine
Asynchrone par la Logique Floue, » Thèse d’état, Université de Batna,
département d’électrotechnique , 2003.
[58] T. Takagi et N. Sugeno, « Fuzzy identification of systems and its applications
to modeling and control, » IEEE Transactions on Systems Man and Cybernetics,
[Link]-15, pp.116-132, January- February 1985.
[59 ] J. J. Saade et H. B. Diab, « Deffuzification techniques for fuzzy controllers,
» IEEE Transactions on Systems MA.C-Part B., Vol.30, No.1, pp.223-229,
February 2000.
[60] J.M. Mendel, « Fuzzy logic systems for engineering, » a tutorial.
Proceedings of the IEEE, Vol.83,No.3 ,pp.345–377, 1995.
[61] N. N. Karnik, et J. M. Mendel, « An introduction to type-2 fuzzy logic
systems, » University Southern California, Rep, October 1998.
[62] Q. Liang, N. N. Karnik and J. M. Mendel, « Connection admission control
in ATM networks using survey-based type-2 fuzzy logic systems, » IEEE
Transactions Systems, vol.30,No. 3, pp. 329-339, August. 2000.
[63] Malek Ghanes, « Observation Et Commande De La Machine Asynchrone
Sans Capteur Mécanique, » Thèse de doctorat, soutenue à l’université de Nantes,
France, le 03 Novembre 2005.
[64] [Link],[Link],[Link] and [Link] « Modified Speed
Sensorless Indirect Field-Oriented Control of Induction Motor Drive,»
International Journal , Identification and control, Vol 25, No 4, pp.273- 286, 2016
[65] [Link],[Link],[Link] and [Link] « Novel speed Sensorless
Indirect Field-Oriented Control of Induction Motor using PLL and EKF,»Journal
of Electrical Engineering, Vol.15, No.1,, 2015
[66] [Link],[Link] and [Link]« Robust Speed
SensorlessIndirect Field-Oriented Control of Induction Motor Drive using LQR
Controller, » International Journal of Sciences and Techniques of Atomatic
control & computer engineering, Vol 9, No1, pp 2013-2019, December 2015.

134