Observation et commande des systèmes singuliers non

linéaires
Mohamed Zerrougui

To cite this version:

Mohamed Zerrougui. Observation et commande des systèmes singuliers non linéaires. Automatique /
Robotique. Université Henri Poincaré - Nancy I, 2011. Français. <tel-00705339>

HAL Id: tel-00705339

[Link]
Submitted on 7 Jun 2012

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Département de formation doctorale en automatique École doctorale IAEM Lorraine
UFR Sciences et Technologies

Observation et commande des systèmes

singuliers non linéaires

THÈSE

présentée et soutenue publiquement le 14 Novembre 2011

pour l’obtention du

Doctorat de l’Université Henri Poincaré – Nancy 1

(spécialité automatique)

par

Mohamed ZERROUGUI

Composition du jury

Rapporteurs : Mohamed M’saad Professeur, GREYC, ENSICAEN, Caen

Holger Voos Professeur, Université de Luxembourg

Examinateurs : Jean François Lafay Professeur, IRCCyN, Ecole Centrale de Nantes

Didier Maquin Professeur, INPL-CRAN, Nancy-Université
Mohamed Darouach Professeur, UHP-CRAN, Nancy-Université, Directeur de thèse
Latifa Boutat-Baddas Maı̂tre de conférences, UHP-CRAN, Nancy-Université,
Co-directeur de thèse

Centre de Recherche en Automatique de Nancy — UMR 7039

Mis en page avec la classe thloria.
 À mes chers parents.
À mes frères et soeurs.

L’erreur n’annule pas la valeur de l’effort accompli.

Qui veut faire quelque chose trouve un moyen. Qui ne veut rien faire trouve une excuse.
Proverbes arabes (Traduction).

i
ii
 Remerciements
Ces travaux de recherche ont été effectués au Centre de Recherche en Automatique de
Nancy (CRAN, UMR 7039, CNRS), dirigé par Monsieur Alain RICHARD, plus particu-
lièrement au sein du groupe thématique ACOS, sous la direction de Monsieur Mohamed
DAROUACH, Professeur à l’université de de Henri Poincaré Nancy 1 et co-dirigée par
Madame Latifa BOUTAT-BADDAS, Maître de conférences à l’Université Henri Poincaré
Nancy I.

Je tiens d’abord à remercier Monsieur Mohamed DAROUACH Professeur à l’Univer-

sité Henri Poincaré - Nancy I pour m’avoir accueilli et intégré dès mon arrivée au sein de
son équipe entant que responsable de cette dernière. Qu’il trouve ici aussi l’expression de
ma profonde gratitude entant que directeur de ma thèse, pour sa disponibilité malgré ses
occupations multiples et pour son soutien permanent et indéfectible. Ses qualités, tant
humaines que scientifiques furent pour moi un apport inestimable. Je lui en suis très re-
connaissant.

Mes remerciements vont également à Madame Latifa BOUTAT-BADDAS, Maître de

Conférences à l’Université Henri Poincaré - Nancy I et membre de l’équipe de Longwy
du CRAN, pour avoir co-encadré mes travaux de recherche et pour ses conseils judicieux,
nos discussions fructueuses et son soutien de tous les instants.

Je suis très sensible à l’intérêt qu’ont bien voulu porter à ce travail Monsieur Mo-
hamed M’SAAD, Professeur de l’université de CEAN, Directeur adjoint du Groupe de
Recherche en Informatique, Image, Automatique et Instrumentation de Caen (GREYC
) et Monsieur Holgar VOOS, Professeur à l’Université de Luxembourg et directeur du
Laboratoire "Automatic Control Laboratory". Je tiens à les remercier pour m’avoir fait
l’honneur d’être rapporteurs de ce mémoire.

Je suis honoré par la présence de Monsieur Jean-François LAFAY, Professeur à l’Ecole

Centrale de Nantes Directeur Directeur de l’Institut de Recherche en Communications et
Cybernétique de Nantes (IRCCyN), ainsi que de Monsieur Didier MAQUIN, Professeur à
l’Institut national polytechnique de Lorraine etmembre du CRAN. Je tiens à les remercier
pour m’avoir fait l’honneur d’être membre de mon jury.

Je tiens à exprimer toute ma reconnaissance envers le personnel du Laboratoire de

Longwy. Je souhaite exprimer toute mon amitié à l’équipe de Longwy : Michel Zasad-
zinski, Mohamed Boutayeb, Harouna Souley-Ali, Ali Zemouche, Hugues Rafaralahy, Cé-
dric Delattre, Gaëtan Didier, Ibrahima N’Doye, Bertrand Grandvallet, Arnaud Koehl,
Lama Hassan, Mohamed Ghattassi et Adrien Drouot sans oublier les anciens thésards
Benjamin Gérard et Boulaid Boulkroune. Merci également aux "post-docs" de passage au
laboratoire Faruque Ali et Mohamed Benallouch. Je tiens à exprimer toute ma gratitude
ainsi que ma sympathie à Joëlle Pinelli et Marie-Pascale Saint-Michel et Allison Bordier
pour m’avoir toujours aidé dans mes démarches administratives. Mes remerciement vont
aussi

iii
 Comme on ne passe pas toute sa vie au travail, merci à tous mes amis à l’exterieur
du laboratoire. Merci à Reda, Nabil, Abd el halim, Fethi (couscous), Khereddine, Ha-
zem, Fouzi, Nadia et Asma, merci pour les discussions sympathiques et l’encouragement.
Une pensée à Saoussane, à qui je souhaite bon courage dans le reste de ses études. Merci
à tous ceux et celles qui ont contribué, de près ou de loin au bon déroulement de ce travail.

Enfin, je profite de cette occasion pour exprimer ma profonde gratitude à mon père, ma
mère, ainsi que mes frères et soeurs pour leur amour, leur encouragement et leur soutien
indéfectible, de façon permanente tout au long de ces années d’études. Qu’ils trouvent ici
toute ma reconnaissance.

iv
 Table des matières

Symboles et abbréviations 3

Introduction 1

Chapitre 1
Présentation de l’état de l’art sur les systèmes singuliers 5

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Présentation des systèmes singuliers . . . . . . . . . . . . . . . . . . . . . . 6
[Link] Exemple 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
[Link] Exemple 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Propriétés structurelles des système singuliers . . . . . . . . . . . . . . . . 9
1.3.1 Régularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Equivalence entre systèmes singuliers . . . . . . . . . . . . . . . . . 10
[Link] La forme de Kronecker-Weierstrass . . . . . . . . . . . . . 10
[Link] La forme par décomposition en valeurs singulières . . . . 11
1.3.3 Réponse temporelle et causalité . . . . . . . . . . . . . . . . . . . . 11
1.3.4 Commandabilité, R−commandabilité et Imp−commandabilité . . . 13
[Link] Commandabilité . . . . . . . . . . . . . . . . . . . . . . . 13
[Link] R−commandabilité . . . . . . . . . . . . . . . . . . . . . . 14
[Link] Imp−commandabilité . . . . . . . . . . . . . . . . . . . . 15
1.3.5 Obsevabilité, R−observabilité, Imp−Observabilité et détectabilité . 16
[Link] Observabilité . . . . . . . . . . . . . . . . . . . . . . . . . 16
[Link] R−observabilité . . . . . . . . . . . . . . . . . . . . . . . 17
[Link] Imp−observabilité . . . . . . . . . . . . . . . . . . . . . . 18
[Link] Détectabilité . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4 Outils pour l’analyse des systèmes dynamiques . . . . . . . . . . . . . . . . 18
1.4.1 Stabilité au sens de Lyapunov . . . . . . . . . . . . . . . . . . . . . 18

1
Table des matières

[Link] Première méthode de Lyapunov (méthode indirecte) . . . 20

[Link] Seconde méthode de Lyapunov (méthode directe) . . . . . 20
1.4.2 Norme H∞ , gain L2 . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5 Observateurs d’état . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Observateurs d’ordre réduit . . . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Observateurs d’état des systèmes singuliers linéaires . . . . . . . . . 24
[Link] Observateur d’état singulier . . . . . . . . . . . . . . . . . 24
[Link] Observateur d’état usuel . . . . . . . . . . . . . . . . . . . 25
1.5.3 Observateurs d’état des systèmes non linéaires . . . . . . . . . . . . 27
[Link] Observabilité des systèmes non linéaires . . . . . . . . . . 27
[Link] Les différents types d’observateurs pour les systèmes non
linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
[Link] Méthodes de transformations non linéaires . . . . . . . . . 29
[Link] Observateurs étendus . . . . . . . . . . . . . . . . . . . . . 32
[Link] Observateur à grand gain : Approche de Thau et ses gé-
néralisations . . . . . . . . . . . . . . . . . . . . . . . . . . 34
[Link] Observateurs de Luenberger Généralisés (OLG) . . . . . . 37
1.5.4 Observateurs d’état des systèmes singuliers non linéaires . . . . . . 39
1.6 Stabilisation par retour d’état statique et par commande basée observateur 40
1.6.1 Stabilisation par retour d’état statique . . . . . . . . . . . . . . . . 40
1.6.2 Stabilisation par commande basée observateur . . . . . . . . . . . 41
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

Chapitre 2
Systèmes singuliers bilinéaires 43

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Préliminaires et formulation du problème . . . . . . . . . . . . . . . . . . . 44
2.2.1 Généralités sur les systèmes bilinéaires . . . . . . . . . . . . . . . . 44
[Link] Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.2.2 Systèmes avec des incertitudes vérifiant des contraintes quadra-
tiques intégrales IQC . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.3 Systèmes auxiliaires et performances robustes . . . . . . . . . . . . 48
[Link] Performances robustes H∞ . . . . . . . . . . . . . . . . . 49
2.2.4 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . 50
2.2.5 Conditions de non biais de l’observateur . . . . . . . . . . . . . . . 52

2
 2.3 Procédure de synthèse de l’observateur . . . . . . . . . . . . . . . . . . . . 53
2.3.1 La résolution des contraintes de Sylvester . . . . . . . . . . . . . . . 53
2.3.2 Etude de la stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3.3 Extension au filtrage H∞ . . . . . . . . . . . . . . . . . . . . . . . . 58
2.4 Exemple Numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

Chapitre 3
Observation des systèmes singuliers non linéaires 69

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Classe de systèmes singuliers non linéaires traitée . . . . . . . . . . . . . . 70
3.3 Extension au cas des systèmes à entrées inconnues . . . . . . . . . . . . . . 70
3.4 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
3.5 Procédure de synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . 75
3.5.1 Résolution des équations de Sylvester . . . . . . . . . . . . . . . . . 75
3.5.2 Etude de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5.3 Les conditions de stabilité sous forme d’une inégalité matricielle stricte 80
3.6 L’extension au filtrage H∞ . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.6.1 Procédure de synthèse du filtre H∞ . . . . . . . . . . . . . . . . . . 81
3.6.2 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7 Extension aux systèmes à sorties non linéaires . . . . . . . . . . . . . . . . 87
3.7.1 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
3.8 Synthèse de filtre H∞ des systèmes à temps discret . . . . . . . . . . . . . 99
3.8.1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . . . 99
3.8.2 Procédure de synthèse d’observateur . . . . . . . . . . . . . . . . . 100
3.9 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

Chapitre 4
Stabilisation et commande basée observateur des systèmes singuliers non
linéaires 111

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111

4.2 Préliminaires et formulation du problème . . . . . . . . . . . . . . . . . . . 111
4.2.1 Rappels et généralités . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.2.2 Classe de systèmes considérés . . . . . . . . . . . . . . . . . . . . . 114

3
Table des matières

4.3 Stabilisation des systèmes singuliers non linéaires par retour d’état statique 114
4.3.1 Stabilisation dans le cas sans perturbations . . . . . . . . . . . . . . 115
4.3.2 Stabilisation H∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.3.3 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4.4 Stabilisation des systèmes singuliers non linéaires par commande basée ob-
servateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.4.1 Synthèse d’observateur . . . . . . . . . . . . . . . . . . . . . . . . . 124
4.4.2 Commande basée observateur . . . . . . . . . . . . . . . . . . . . . 126
4.4.3 Synthèse de la commande dans le cas sans perturbations . . . . . . 128
4.4.4 Synthèse de la commande H∞ . . . . . . . . . . . . . . . . . . . . . 131
4.4.5 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138

Conclusion générale 139

Annexe A
Lemme de Hadamard 141

Annexe B
143

B.1 Décomposition en valeurs singulières . . . . . . . . . . . . . . . . . . . . . 143

B.2 Lemme de Schur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
B.3 Lemme Borné Réel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144

Bibliographie 149

Résumé 155

Abstract 155

4
 Symboles et abbréviations

Ensembles
IR, C l’ensemble des nombres réels (resp. complexes)
IR+ l’ensemble des nombres réels non négatifs IR+ = [0, ∞)
n n
IR , C espace réel (resp. complexe) euclidien de dimension n
n×m n×m
IR , C ensemble des matrices réelles (resp. complexes) de dimension n × m

Sous-espaces de fonctions
f (�) > 0 la fonction f (�) est définie positive
f (�) � 0 la fonction f (�) est définie non positive
f (�) < 0 la fonction f (�) est définie négative
f (�) � 0 la fonction f (�) est définie non négative
�X, Y � = X T Y est le produit scalaire des vecteurs X et Y
C k (IR; IR) ensemble des fonctions f (x) de IR dans IR qui sont continûment
dérivables k fois

Normes
��� norme euclidienne d’un vecteur ou norme spectrale d’une matrice
par rapport à (Ft )t∈[0,∞)
�x�∞ norme L∞ du signal x ∈ L∞ [0, ∞)
�x�2 norme L2 du signal x ∈ L2 [0, ∞)
�G�∞ norme H∞ du système continu G(s)

Matrices, opérations et relations matricielles

5
Symboles et abbréviations

P > 0, P � 0 matrice P symétrique définie (resp. semi-définie) positive

P > Q, P � Q P − Q > 0 (resp. P − Q � 0) pour P, Q symétriques ∈ IRn×n
tr(A) trace de A ∈ IRn×n
rang(A) rang de A ∈ IRn×m
det(A) déterminant de A ∈ IRn×n
Im(A) espace image de A : {y tel que y = Ax}
Re(A) partie réelle de A
(A)ik (i, k)th élément de A
A⊥ matrice Z telle que AZ = 0 et [AT Z] de rang maximal
ker(A) noyau de A : {x tel que Ax = 0}
λ(A) valeurs propres de A ∈ IRn×n
λmax (A), λmin (A) valeur propre de module maximal (resp. minimal) de A ∈ IRn×n
AT , A−T transposée de A (resp. de l’inverse de A) ∈ IRn×m
A−1 inverse de A ∈ Cn×n , det(A) �= 0
A† pseudo-inverse de A ∈ IRn×m vérifiant AA† A = A
I, 0 matrice identité (resp. nulle) de dimension appropriée
In , 0n×m matrice identité (resp. nulle) de dimension n × n (resp. n × m)
diag(A1 , . . . , Ap ) matrice diagonale constituée avec les éléménts de la diagonale des
matrices Ai ∈ IRn×n , i = 1, . . . , p
bdiag(A1 , . . . , Ap ) matrice bloc-diagonale constituée avec A1 , . . . , Ap (Ai ∈ Cn×m )
matrices Ai ∈ Cn×n , i = 1, . . . , p
� �
A11 A12
T
matrice partitionnée telle que le symbole (1, 2)T représente le
(1, 2) A22
transposé du bloc (1,2), soit AT12

6
 Introduction

Les systèmes algébro-différentiels ou systèmes singuliers peuvent être considérés comme

une généralisation des systèmes dynamiques. Ils constituent un puissant outil de modéli-
sation dans la mesure où ils peuvent décrire des processus régis à la fois par des équations
différentielles (dynamiques) et des équations algébriques (statiques). Ce formalisme repré-
sente les phénomènes physiques dont le modèle ne peut pas être décrit par des équations
différentielles ordinaires. On les rencontre dans des domaines aussi variés que les industries
chimiques et minérales, la robotique et le domaine électrique.
Au cours des dernières décennies, une partie importante des activités de recherche en
automatique s’est focalisée sur le problème de l’observation de l’état des systèmes dyna-
miques non linéaires. Ceci est motivé par le fait que l’estimation de l’état est une étape
importante voire indispensable pour la synthèse de lois de commande, pour le diagnostic
ou la supervision des systèmes industriels. Les premières approches utilisées pour l’esti-
mation de l’état des systèmes dynamiques non linéaires sont basées sur des techniques
d’approximation. Citons le Filtre de Kalman Etendu. Le gain de l’estimateur est cal-
culé, à chaque instant, par rapport à une approximation au premier ordre de l’équation
de l’état et de l’équation de mesure. Dans de nombreux cas pratiques, cette approche
donne des résultats relativement satisfaisants. La deuxième approche concerne la classe
des systèmes non linéaires composés d’une partie non linéaire remplissant la condition de
Lipschitz et une partie linéaire supposée observable. Cette technique a l’avantage d’être
simple à implanter car le gain de l’observateur, s’il existe, est constant. Cependant, les
conditions de convergence sont fortement restrictives et ne concernent que les systèmes
avec des constantes de Lipschitz très faibles. La dernière approche consiste à se ramener
à un système linéaire ou bilinéaire modulo une injection de sortie par un changement de
coordonnées non linéaire. Ces approches s’appliquent sous des conditions restrictives de
linéarisation ou de bi-linéarisation, d’autant plus que la robustesse aux perturbations et
aux incertitudes a été peu étudiée.
D’autre part, le problème de la synthèse d’observateur pour les systèmes singuliers li-
néaires a été traité par de nombreux chercheurs. Les approches proposées considèrent des
observateurs singuliers ou standards en utilisant le concept de la décomposition en valeurs
singulières et de la matrice inverse généralisées. Néanmoins, si les problèmes d’analyse et
de commande des systèmes linéaires singuliers ont été bien étudiés dans la littérature, le
domaine des systèmes singuliers non linéaires est très peu abordé par la communauté au-
tomaticienne, malgré son intérêt pratique. Nous avons constaté quelques extensions éten-
dues des approches développées dans le cas des systèmes standards tels que l’utilisation du
filtre de Kalman, des observateurs asymptotiques locaux en utilisant une transformation

1
Introduction

de coordonnée. De plus, une approche de conception d’observateur d’ordre réduit est déve-
loppée en se basant sur la résolution des équations de Sylvester généralisée. Une extension
a été proposée par [Link] et [Link] pour une classe de systèmes singuliers non linéaires
Lipschitziens, dont l’observateur proposé a une forme de système singulier. Récemment,
une nouvelle méthode a été proposée par Darouach et al, pour une classe de systèmes
singuliers non linéaires Lipschitziens, l’observateur proposé a une forme standard.
Dans ce contexte, nous avons mené des travaux de recherche sur l’estimation de l’état
pour une classe de systèmes singuliers bilinéaires et pour une classe de systèmes singuliers
non linéaires. Pour la classe des systèmes singuliers bilinéaires nous proposons un obser-
vateur d’ordre réduit standard. L’approche est basée sur la considération des bi-linéarités
comme des incertitudes structurées bornées en normes. Cette formulation nous permet
de réécrire la dynamique de l”erreur d’observation sous forme d’inclusion différentielle li-
néaire indépendante de l’état du système, ce qui nous permet d’appliquer les différentes
techniques de convergence exponentielle et de l’atténuation du gain H∞ . La deuxième
contribution de ce mémoire concerne la synthèse d’observateur d’ordre réduit pour une
classe de systèmes singuliers non linéaire Lipschitziens. L’observateur proposé est un ob-
servateur standard. La synthèse repose sur la paramétrisation des solutions des équations
de Sylvester pour éliminer le biais entre l’erreur d’observation et l’état du système. Notre
dernière contribution concerne la stabilisation des systèmes singuliers non linéaires. Nous
avons proposé une loi de commande stabilisante par retour d’état statique et une loi de
commande basée observateur pour les systèmes singuliers non linéaires dont l’état ou une
partie de l’état n’est plus accessible.

Objectifs du travail de thèse

Les principaux objectifs de cette thèse sont :
1. Développement d’une nouvelle méthode de synthèse d’observateurs pour la classe
des systèmes singuliers bi-linéaires.
2. Développement de nouvelles méthodes de synthèse d’observateurs pour la classe des
systèmes singuliers non linéaires, notamment les systèmes lipschitziens. L’objectif
est d’établir des conditions de synthèse non restrictives du point de vue de faisabilité
par rapport à des résultats existants dans la littérature.
3. Proposition de nouvelles structures d’observateurs en se basant sur celles dévelop-
pées récemment dans la littérature. Le but est d’étendre les méthodes développées
dans le cas des systèmes non linéaires standards au cas des systèmes singuliers non
linéaires.
4. L’utilisation de l’observateur développé pour synthétiser une commande basée ob-
servateur.

Structure du mémoire
Les développements résumés ci-dessus constituent les quatre chapitres de ce mémoire.
Nous allons en décrire les principaux aspects

2
Chapitre 1 :
Dans ce chapitre nous présentons quelques rappels et définitions des méthodes et des
techniques utilisées dans ce mémoire, ainsi que quelques travaux qui permettent de se
positionner vis-à-vis de ce qui se fait dans le domaine de l’observation et la commande
des systèmes non linéaires.
Ce chapitre est organisé de la façon suivante. D’abord, nous commençons par une
introduction aux systèmes singuliers. Après nous nous intéressons aux propriétés structu-
relles des systèmes singuliers telles que, la régularité, l’équivalence, la réponse temporelle,
la causalité, l’observabilité et la commandabilité. Ensuite, nous présentons quelques ou-
tils utilisés dans l’analyse de la stabilité et de la robustesse des systèmes dynamiques.
La troisième partie est consacrée à un état de l’art sur l’observation et la synthèse des
observateurs pour les différents types de systèmes ; les systèmes linéaires ordinaires, les
systèmes singuliers linéaires, les systèmes non linéaires et les systèmes singuliers non li-
néaires. Enfin, nous allons présenter le principe de base de la commande par retour d’état
statique et la commande basée observateur dans la dernière partie.

Chapitre 2 :
Ce chapitre propose une méthode de synthèse d’observateur H∞ pour une classe de
systèmes singuliers bilinéaires. Ces derniers sont introduits lorsque le comportement dy-
namique d’un système ne permet pas de le modéliser par une représentation linéaire. La
dynamique et les équations des mesures des systèmes singuliers bilinéaires considérés sont
soumis à des perturbations à énergie finie non mesurées et à des entrées bornées. Les
entrées sont traitées comme des incertitudes structurées bornées en normes.
L’observateur proposé pour cette classe de systèmes est un observateur non biaisé,
i.e. la dynamique de l’erreur d’estimation est indépendante de l’état du système. Les
conditions nécessaires et suffisantes de non-biais de l’observateur sont données sous une
forme d’équations de Sylvester.
Dans la première partie de ce chapitre nous présentons la classe des systèmes singuliers
bilinéaire à laquelle nous nous s’intéressons plus particulièrement, un exemple de la litté-
rature décrivant un processus réel (un robot avec joint flexible) pouvant être modélisé par
une dynamique bilinéaire est présenté. Ensuite, nous faisons un petit rappel sur les sys-
tèmes incertains et l’étude de stabilité des systèmes soumis à des incertitudes structurées.
Après, nous allons abordé la formulation du problème de synthèse de l’observateur d’ordre
réduit que nous proposons. Ensuite, la procédure de synthèse d’observateur sera présentée
en détail, en commençant par la méthode de résolution des équations de Sylvester, par la
suite l’étude de stabilité dans le cas sans perturbations, et enfin la méthode de synthèse
de l’observateur H∞ . Les conditions d’existence et de stabilité robuste de l’observateur
sont données sous forme d’inégalités matricielles linéaires (LMI). Un exemple numérique
de simulation est donné à la fin de ce chapitre pour illustrer la méthode.

3
Introduction

Chapitre 3 :
Dans ce chapitre nous présentons une méthode de synthèse d’observateur pour une
classe de systèmes singuliers non linéaires. L’approche proposée repose sur la paramé-
trisation des solutions des équations de Sylvester pour éliminer le biais entre l’erreur
d’observation et la paire (entrée/ état).
Ce chapitre est organisé de la façon suivante. Dans un premier temps nous allons
définir la classe de systèmes considérée et quelques extensions qu’elle peut englober. En-
suite, nous commençons par la formulation du problème de construction de l’observateur
d’ordre réduit que nous proposons. Par la suite, nous présentons la procédure de synthèse
d’observateur, tout en exposant en détail la méthode de résolution des équation de Syl-
vester et l’étude de stabilité. Deux extensions seront par la suite présentées. Il s’agit du
filtrage H∞ pour le cas des systèmes qui présentent des perturbations sur l’équation de
la dynamique et les équations de mesure, la deuxième extension concerne les systèmes
à dynamique et sortie non linéaires. La dernière partie de ce chapitre est consacrée à la
synthèse d’observateur pour les systèmes singuliers non linéaires à temps discret. A la fin
de chaque section un exemple d’illustration est donné pour valider les différents résultats
théoriques.

Chapitre 4 :
Dans ce chapitre nous présentons une méthode de synthèse de commande stabilisante
par retour d’état statique et une commande basée observateur pour une classe de systèmes
singuliers non linéaires. La non-linéarité considérée est supposée continue et différentiable,
cette non-linéarité est transformée par le lemme de Hadamard en une forme bien adaptée
à la synthèse d’une loi de commande par retour statique et par l’utilisation de la stabilité
au sens de Lyapunov.
Ce chapitre est organisé de la façon suivante. Après avoir donné quelques rappels
concernant les problèmes de stabilisation des systèmes singuliers linéaires, nous allons
définir la classe de systèmes singuliers non linéaires considérée. Ensuite, la synthèse de la
commande H∞ par retour d’état statique sera étudiée. Ces résultats supposent que l’état
du système est entièrement accessible. Par la suite, cette hypothèse est levée et le cas où
l’état est inaccessible à la mesure est traité à l’aide d’une commande basée observateur.
Un exemple académique est donné afin de valider les résultats de ce chapitre.

4
 Chapitre 1

Présentation de l’état de l’art sur les

systèmes singuliers

Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Présentation des systèmes singuliers . . . . . . . . . . . . . . . 6
1.3 Propriétés structurelles des système singuliers . . . . . . . . 9
1.3.1 Régularité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Equivalence entre systèmes singuliers . . . . . . . . . . . . . . . 10
1.3.3 Réponse temporelle et causalité . . . . . . . . . . . . . . . . . . 11
1.3.4 Commandabilité, R−commandabilité et Imp−commandabilité 13
1.3.5 Obsevabilité, R−observabilité, Imp−Observabilité et détectabilité 16
1.4 Outils pour l’analyse des systèmes dynamiques . . . . . . . . 18
1.4.1 Stabilité au sens de Lyapunov . . . . . . . . . . . . . . . . . . . 18
1.4.2 Norme H∞ , gain L2 . . . . . . . . . . . . . . . . . . . . . . . . 21
1.5 Observateurs d’état . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.5.1 Observateurs d’ordre réduit . . . . . . . . . . . . . . . . . . . . 22
1.5.2 Observateurs d’état des systèmes singuliers linéaires . . . . . . 24
1.5.3 Observateurs d’état des systèmes non linéaires . . . . . . . . . . 27
1.5.4 Observateurs d’état des systèmes singuliers non linéaires . . . . 39
1.6 Stabilisation par retour d’état statique et par commande ba-
sée observateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.6.1 Stabilisation par retour d’état statique . . . . . . . . . . . . . . 40
1.6.2 Stabilisation par commande basée observateur . . . . . . . . . 41
1.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

1.1 Introduction
Dans ce chapitre nous présentons quelques rappels et définitions des méthodes et des
techniques utilisées dans ce mémoire, ainsi que quelques travaux qui permettent de se

5
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

positionner vis-à-vis de ce qui se fait dans le domaine de l’observation et de la commande

des systèmes non linéaires.
Ce chapitre est organisé de la façon suivante. D’abord, nous commençons par une
introduction aux systèmes singuliers. Après nous nous intéressons aux propriétés structu-
relles des systèmes singuliers telles que, la régularité, l’équivalence, la réponse temporelle,
la causalité, l’observabilité et la commandabilité. En suite, nous présentons quelques ou-
tils utilisés dans l’analyse de la stabilité et de la robustesse des systèmes dynamiques.
La troisième partie est consacrée à un état de l’art sur l’observation et la synthèse des
observateurs pour les différents types de systèmes ; les systèmes linéaires ordinaires, les
systèmes singuliers linéaires, les systèmes non linéaires et les systèmes singuliers non li-
néaires. Enfin, nous allons présenter le principe de base de la commande par retour d’état
statique et la commande basée observateur dans la dernière partie.

1.2 Présentation des systèmes singuliers

La modélisation d’état d’un processus est obtenue en appliquant la méthode dite de va-
riables d’états. Cette méthode offre une meilleure compréhension du système et s’avère très
intéressante pour l’analyse et la synthèse des systèmes. Pour obtenir un modèle d’espace
d’état, nous devons choisir quelques variables qui ont une signification physique comme
la vitesse, le poids, la température, l’accélération, etc. Ces variables doivent contenir suf-
fisamment d’informations pour caractériser le processus étudié. Puis, plusieurs équations
seront établies à partir des relations entre ces variables. Généralement, ce sont des équa-
tions différentielles et algébriques qui décrivent le modèle mathématique d’un processus
physique. Nous arrivons naturellement à une mise en équation de la forme suivante :

f (ẋ(t), x(t), u(t)) = 0 (1.1a)

g(x(t), u(t), y(t)) = 0 (1.1b)

où x(t) ∈ IRn est le vecteur d’état regroupant les variables d’état, ẋ(t) est sa dérivée
par rapport au temps, u(t) ∈ IRm désigne le vecteur de commande et y(t) ∈ IRp est le
vecteur des sorties mesurées. Un cas particulier des systèmes de la forme (1.1) qui est
utilisé pour décrire certains types de processus est le suivant :

E(t)ẋ(t) = H(x(t), u(t)) (1.2a)

y(t) = J(x(t), u(t)) (1.2b)

avec H et J des fonctions de x(t), u(t) et t. La matrice E(t) peut être singulière. Le système
(1.2) est appelé système singulier. Si maintenant H et J sont des fonctions linéaires de
l’état x(t) et u(t), on obtient le système singulier linéaire suivant :

E ẋ(t) = Ax(t) + Bu(t) (1.3a)

6
 1.2. Présentation des systèmes singuliers

y(t) = Cx(t) (1.3b)

où E, A, B et C sont des matrices réelles, constantes et de dimensions compatibles avec

les dimensions de x(t), u(t) et y(t). Si la matrice E est non singulière, on peut dans ce cas
se ramener à un système standard (usuel) qui aura la forme suivante :

ẋ(t) = E −1 Ax(t) + E −1 Bu(t) (1.4a)

y(t) = Cx(t) (1.4b)
Dans ce mémoire on s’intéresse plus particulièrement aux systèmes singuliers. Donc,
dans notre cas la matrice E est toujours considérée singulière c-à-d rangE = q < n, où n
représente l’ordre du système.
De nombreux processus peuvent être décrits par la forme d’état dans (1.3), nous don-
nons ci-dessous quelques exemples

[Link] Exemple 1
Considérons le circuit électrique représenté par la figure (1.1)
� �
e1 (t)
Le circuit est commandé par la tension v(t) = et on mesure les courants
e2 (t)
i1 (t) et i2 (t) traversant respectivement les deux résistances de valeur R1 et R2 . La charge
aux bornes du condensateur de capacité C est notée q(t) et L désigne une inductance pure.
!! "! "&

#$)%* "# ##)%* &!)%*

"(

""

#()%* #&)%*
&&)%* "$ "'

"% !&

Figure 1.1: Un circuit électrique

En appliquant la loi des mailles, nous obtenons les équations suivantes :

di1 (t)
L1 = −(R1 + R3 + R5 )i1 (t) + R3 i3 (t) + R5 i4 (t) (1.5a)
dt
di2 (t)
L2 = −(R4 + R6 + R7 )i2 (t) + R4 i3 (t) + R7 i4 (t) (1.5b)
dt

7
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

0 = R3 i1 (t) + R4 i2 (t) − (R2 + R3 + R4 )i3 (t) + e1 (t) (1.5c)

0 = R5 i1 (t) + R7 i2 (t) − (R5 + R7 + R8 )i4 (t) + e2 (t) (1.5d)

On choisit comme variables d’état i1 (t), i2 (t) et i3 (t), i4 (t). Nous obtenons alors la
représentation sous forme d’état généralisée suivante :
       
L1 0 0 0 i̇1 (t) −R11 0 R13 R14 i1 (t) 0 0
       
 0 L2 0 0    −R22 R23 R24     
  i̇2 (t) =  0 i2 (t)+0 0v(t) (1.6a)
0 0 0 0    R32 −R33 0     
  i̇3 (t)  R31 i3 (t) 1 0
0 0 0 0 i̇4 (t) R41 R42 0 R44 i4 (t) 0 1
  
1 0 0 0 i1 (t)
  
0 1 0 0i2 (t)
y(t) =  
0 0 1 0i (t)
 (1.6b)
  3 
0 0 0 1 i4 (t)

avec R11 = R1 + R3 + R5 , R13 = R31 = R3 , R14 = R41 = R5 , R22 = R4 + R6 + R7 ,

R23 = R32 = R4 , R24 = R42 = R7 , R33 = R2 + R3 + R4 , R44 = R5 + R7 + R8

[Link] Exemple 2
Soit le processus de la figure (1.2). Un disque roulant sur une surface sans glissement,
relié à un mur fixe par l’intermédiaire d’un ressort non linéaire et un amortisseur linéaire.
Le ressort a deux coefficients de raideur positifs K1 , K2 . Le coefficient d’amortissement
est donné par b qui est aussi positif. Le rayon du disque est noté r, son inertie est J et sa
masse est m.

!!""#$#%!""

#(!""

#&!""$%#'!""

Figure 1.2: Un disque roulant

Le choix des variables d’état pour ce modèle est le suivant :
x1 (t) : La position du centre du disque.
x2 (t) : La vitesse de translation du disque.
x3 (t) : La vitesse angulaire du disque.
x4 (t) : La force de contact entre le disque et la surface.

8
 1.3. Propriétés structurelles des système singuliers

Ainsi, ce processus peut être modélisé par les équations suivantes :

ẋ1 (t) = x2 (t) (1.7a)

−K1 −K2 3 b 1
ẋ2 (t) = x1 (t) − x1 (t) − x2 (t) + x4 (t) (1.7b)
m m m m
r 1
ẋ3 (t) = − x4 (t) + u(t) (1.7c)
J J
0 = x2 (t) − rx3 (t) (1.7d)

de (1.7d), (1.7c) et (1.7b) nous obtenons

ẋ1 (t) = x2 (t) (1.8a)

−K1 −K2 3 b 1
ẋ2 (t) = x1 (t) − x (t) − x2 (t) + x4 (t) (1.8b)
m m 1 m m
0 = x2 (t) − rx3 (t) (1.8c)
2
−K1 −K2 3 b r 1 r
0 = x1 (t) − x (t) − x2 (t) + ( + )x4 (t) − u(t) (1.8d)
m m 1 m J m J
ce qui donne sous forme matricielle le système

     
1 0 0 0 0 1 0 0 0
   −K1 −K2 2   
 0 1 0 0  b 1   
  ẋ(t)=  ( m − m x1 ) − m 0 m  x(t)+  0  u(t)(1.9a)
 0 0 0 0  0 1 −r 0   0 
     
b r2 1
0 0 0 0 −K1 −K2 2
(− m − m x1 ) − m 0 ( J + m
) − Jr
 
1 0 1 0
 
y(t) = 
 0 0 1 0  x(t)
 (1.9b)
0 1 0 1

1.3 Propriétés structurelles des système singuliers

1.3.1 Régularité
Définition 1.3.1. Le système singulier linéaire (1.3) a une réponse unique pour une entrée
suffisamment différentiable et une condition initiale donnée, si et seulement si le faisceau
matriciel (E, A) est régulier.
Définition 1.3.2. Le faisceau matriciel (E, A) est dit régulier, si et seulement si det(sE −
A) �≡ 0, c-à-d s’il existe un scalaire α ∈ C tel que det(αE − A) �= 0.
Lemme 1.3.1. [Dai88] Les différentes propositions suivantes sont équivalentes
1. Le système (1.3) est régulier.
2. La paire (E, A) est régulière.
3. Pour X0 = KerA, Xi = {x|Axi−1 }, nous avons KerE ∩ Xi = 0 pour i = 0, 1, 2, · · · ;

9
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

4. Soit les matrices G(k) ∈ R(k+1)n×nk , et F (k) ∈ Rnk×(k+1)n , telles que ;

   
E E A
   
A E   E A 
   
 .   
G(k) =  A ..  et F (k) =  E A 
   .. .. 
 ..   . . 
 . E  
A E A

rangG(k) = rangF (k) = nk pour k = 0, 1, 2, · · · ;

5. Pour chaque paire (E, A), il existe deux matrices non singulières Q et P telles que
� � � �
In2 0 A1 0
QEP = et QAP =
0 N 0 In2

où n1 + n2 = n, la matrice A1 ∈ Rn1 ×n1 et la matrice N ∈ Rn2 ×n2 est nilpotente

d’indice de nilpotence h, c-à-d N h = 0.

1.3.2 Equivalence entre systèmes singuliers

Considérons le système de la forme (1.3) et le système suivant :

˙
Ẽ x̃(t) = Ãx̃(t) + B̃u(t) (1.10a)
y(t) = C̃ x̃(t) (1.10b)

les deux systèmes (1.3) et (1.10) sont dits équivalents s’il existe deux matrices non singu-
lières P et Q telles que

x = P x̃ tel que; QEP = Ẽ, QAP = Ã, QB = B̃, et CP = C̃.

Il est facile de démontrer que les propriétés de la relation d’équivalence sont vérifiées.
Ainsi, la réflexivité est vérifiée par Q = P = In , en multipliant les matrices de passage on
peut vérifier la transitivité, et la symétrie est assurée par l’inversibilité des matrices de
passage.

[Link] La forme de Kronecker-Weierstrass

Considérons le système (1.3), il existe toujours deux matrices non singulières telles que
(1.3) est équivalent à

x̄˙ 1 (t) = A1 x̄1 (t) + B1 u(t) (1.11a)

N x̄˙ 2 (t) = x̄2 (t) + B2 u(t) (1.11b)

10
 1.3. Propriétés structurelles des système singuliers

y(t) = C1 x̄1 (t) + C2 x̄2 (t) (1.11c)

où x̄1 (t) ∈ Rn1 , x̄2 (t) ∈ Rn2 , n1 + n2 = n, y(t) ∈ Rr , u(t) ∈ Rm , N est nilpotente
d’indice� de�nilpotence h, c-à-d N h = 0, et QEP = diag(In1 , N ), QAP = diag(A1 , In2 ),
B1 � �
QB = , CP = C1 C2 .
B2
Le système (1.11a) est dit sous-système lent et le système (1.11b) est dit sous-système
rapide.

[Link] La forme par décomposition en valeurs singulières

Pour toute matrice E de rang q, il existe toujours deux matrices non singulières Q̄�et �P̄
x1
telles que Q̄E P̄ = diag(Iq , 0). En considérant le changement de coordonnées P̄ −1 x = ,
x2
avec x1 ∈ Rq et x2 ∈ Rn−q , le système (1.3) devient équivalent à

ẋ1 (t) = A11 x1 (t) + A12 x2 (t) + B1 u(t) (1.12a)

0 = A21 x1 (t) + A22 x2 (t) + B2 u(t) (1.12b)
y(t) = C1 x1 (t) + C2 x2 (t)

� � � �
A11 A12 B1 � �
où Q̄AP̄ = , Q̄B = , C P̄ = C1 C2 .
A21 A22 B2

Dans cette transformation, les matrices Q̄ et P̄ ne sont pas uniques, donc on peut
trouver plusieurs systèmes équivalents selon le choix de ces deux matrices. Le système
(1.12a) est une équation différentielle qui traduit la partie dynamique du système (1.3),
tandis que l’équation (1.12b) est une équation algébrique qui représente les connections
entre les sous-systèmes de (1.3).

1.3.3 Réponse temporelle et causalité

Considérons la forme équivalente de Kronecker-Weierstrass (1.11) avec

y(t) = y1 (t) + y2 (t), y1 (t) = C1 x̄1 et y2 (t) = C2 x̄2

Ainsi, le sous-système lent (1.11a) est une équation différentielle ordinaire. Il possède
une solution unique pour toute entrée continue par morceaux u(t) et une condition initiale
x̄(0), donnée par
� t
x̄1 (t) = e A1 t
x̄(0) + eA1 (t−τ ) B1 u(τ )dτ (1.13)
0

11
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

Et en dérivant le sous-système rapide (1.11a), et par la pré-multiplication par la ma-

trice N , nous obtenons :

N x̄˙ 2 (t) = x̄2 (t) + B2 u(t)

(2)
N 2 x̄ (t)
2 = N x̄(2) (t) + N B2 ū(t)
(1.14)
······
N h x̄(h)
2 (t) = N h−1 x̄(h−1)
2 (t) + N h−1 B2 u(h−1) (t)

Nous avons N h = 0, donc la dernière équation devient

0 = N h−1 x̄(h−1)
2 (t) + N h−1 B2 u(h−1) (t) (1.15)

En additionnant ces équations, nous pouvons déduire la solution de x̄2 comme suit :
�h−1
x̄2 = − i=0
N i B2 u(i) (t) (1.16)
x̄2 est une combinaison linéaire des dérivés de u(t) par rapport au temps.
Les deux solutions (1.13) et (1.16) constituent la solution entière x(t) et la réponse y(t),
elles sont données par :

� � � �
I �t 0 �h−1
x(t) = P (eA1 t x̄(0) + 0 eA1 (t−τ ) B1 u(τ )dτ ) − P i=0
N i B2 u(i) (t)
0 I
� � � � (1.17)
I � t 0 �h−1 i
y(t) = CP (eA1 t x̄(0) + 0 eA1 (t−τ ) B1 u(τ )dτ ) − CP i=0
N B2 u(i) (t)
0 I

Pour t −→ 0+ la solution (1.17) impose la condition initiale suivante

� � � �
I 0 �h−1 i
x(0+ ) = P x̄(0) − P i=0
N B2 u(i) (0+ ) (1.18)
0 I

Les conditions initiales vérifiant cette contrainte sont dites admissibles. L’équation
(1.17) implique la connaissance des entrées et des états futurs pour connaître l’état à
l’instant t, d’où le problème de causalité.

Définition 1.3.3. (Causalité)

(1) le système (1.3) est causal si et seulement s’il n’y a pas de pôles infinis.
(2) Le système linéaire singulier (1.3) est causal si la relation suivante

degré|sE − A| = rangE, ∀s ∈ C et s fini.

est satisfaite.

Les pôles infinis sont générés par la matrice N , dans ce cas, le système (1.3) est causal
si la matrice N est nulle.

12
 1.3. Propriétés structurelles des système singuliers

Remarque 1.3.1.
(1) Si la matrice E n’est pas carrée et de rang plein ligne, alors le système (1.3) est
causal.
(2) Si la matrice E n’est pas carrée et n’est pas de rang plein ligne, alors il existe deux
matrices non singulières P et Q, telles que
� � � �
A11 A12 Ir 0
QAP = , et QEP =
A21 A22 0 0

le système (1.3) est causal si et seulement si la matrice A22 est de rang plein colonne.
Avant aborder les problèmes d’observabilité et de commandabilité, d’abord nous com-
mençons par caractériser l’ensemble d’états atteignable.

Définition 1.3.4. (Etat atteignable) Un état xa est dit atteignable, s’il existe une condition
h−i
initiale x0 , une commande u(t) ∈ Cm et tf > 0 telles que x(tf ) = xa . En utilisant
l’expression de l’état donné par (1.13) et (1.16), on en déduit l’espace atteignable.

Théorème 1.3.1. [Dai89] Soit R(0) l’ensemble des états atteignables depuis une condition
initiale nulle x0 = 0, R(0) est défini par
� � � �
n1 −1
R(0) = Im B1 A1 B1 · · · A1 B1 ⊕ B2 N B2 · · · N B2 h−1
(1.19)

où ⊕ désigne la somme directe d’espaces vectoriels. Notons R l’ensemble des états

atteignables depuis toutes les conditions initiales x0 ∈ IRn1 , R est défini par

R = ∪x0 (R(0) + H(x0 )) (1.20)

où H(x0 ) représente la réponse libre à la condition initiale x0 définie par
� �
x1 (t)
H(x0 ) = {x(t) = | x1 (t) = eA1 t x0 ∈ IRn1 , x2 (t) = 0 ∈ IRn2 } (1.21)
x2 (t)

1.3.4 Commandabilité, R−commandabilité et Imp−commandabilité

[Link] Commandabilité
Définition 1.3.5. (Commandabilité) Le système (1.3) est dit commandable, si pour tout
t1 > 0, x0 ∈ Rn et tout état xf ∈ Rn , il existe une commande u(t) ∈ Ch−1
p telle que
x(t1 ) = xf .

Il est facile de remarquer que cette définition est une généralisation naturelle du concept
de la commandabilité pour le cas standard.

Considérons le système (1.3) sous sa forme de Kronecker-Weierstrass (1.11) alors nous

pouvons donner le théorème suivant :

Théorème 1.3.2. [Dai89]

13
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers
� �
(1) Le sous-système lent (1.11a) est commandable si et seulement si rang sE − A B =
n, ∀s ∈ C et s fini.

(2) Les propositions suivantes sont équivalentes

(a) le système
� rapide (1.11b) est commandable.
�
(b) rang B2 N B2 · · · N h−1 B2 = n2
� �
(c) rang N B2 = n2
� �
(d) rang E B = n.
(e) Pour toutes matrices
� non� singulières Q1 et P1 satisfaisant E = Q1 diag(I, 0)P1 ,
on pose Q1 B = B1 B2 ; donc, B2 est de rang plein ligne c-à-d rangB2 =
n − rangE.
(3) Les propositions suivantes sont équivalentes
(a) Le système (1.3) est commandable.
(b) Les sous-systèmes lent (1.11a) et rapide (1.11b) sont tous les deux comman-
dables. � � � �
n1 −1
(c) rang B1 A1 B1 · A1 B1 = n1 et rang B2 N B2 · N B2 = n2 h−1
� � � �
(d) rang sE − A B = n ∀s ∈ C et s fini, et rang E B = n
2
(e) La matrice D1 ∈ Rn ×(n+m−1)n telle que
 
−A B
 
 E −A B 
 
 ... 
D1 =  E B 
 
 .. 
 . −A B 
E B
où d’une manière équivalente
� � 
−A B
 
 E 0 
 � � 
 −A B 
 
 
D1 =  E 0 

 . . 
 . 
 � �
 
 −A B 
E 0
est de rang plein ligne.

[Link] R−commandabilité
Un système singulier est dit R−commandable s’il est commandable sur l’espace attei-
gnable.

14
 1.3. Propriétés structurelles des système singuliers

Définition 1.3.6. (R-commandabilité) Le système (1.3) est dit R − commandable si pour

tout instant t1 > 0, tout état initial xt0 IRn et tout état xt1 ∈ IRn , il existe toujours une
commande admissible u(t) ∈ Ch−1p telles que x(t1 ) = xt1 .
Théorème 1.3.3. [Dai89] Soit le système (1.3) dans sa forme équivalente de Kronecker-
Weierstrass. Les propositions suivantes sont équivalentes :
(a) Le système (1.3) est R − commandable.
(b) Le sous-système
� � (1.11a) est commandable.
lent
(c) rang sE − A B = n, ∀s ∈ C et s fini.
� �
(d) rang B1 A1 B1 . . . An1 1 −1 B1 = n1
(e) La matrice D2 ∈ Rkn×(n+m)k , avec k ≥ n1 telle que
 
−A B
 
 E −A B 
 
 .. 
D2 =  E . B 
 
 .. 
 . −A B 
E B

est de rang plein ligne.

La commandabilité et la R−commandabilité ne concernent pas les termes impulsifs
qui peuvent apparaître à cause de l’entrée et de ses dérivées. Il est donc nécessaire d’ana-
lyser l’effet de la commande sur les termes impulsifs qui peuvent apparaître dans la ré-
ponse temporelle du système singulier. D’où l’introduction de la commandabilité impulsive
(Imp−commandable).

[Link] Imp−commandabilité
Définition 1.3.7. Le système (1.3) est dit Imp-commandable si pour toute condition initiale
xt0 IRn , τ ∈ IR et xts IRn2 , il existe toujours une commande admissible u(t) ∈ Ch−1 p telle que
t t
xτ (t) = Iτ (xs , t). avec Iτ (xs , t) contenant tous les termes impulsifs possibles dans x(t) à
l’instant τ où
� �
0 �
h−1
t
Iτ (xs , t) = , et I2τ (xs , t) = δ i−1 (t − τ )N i xs .
I2τ (xs , t) i=1

Théorème 1.3.4. [Dai89] Soit le système (1.3) dans sa forme équivalente de Kronecker-
Weierstrass. Les propositions suivantes sont équivalentes :
(a) Le système (1.3) est Imp−commandable.
(b) Le sous-systèmes
� rapide (1.11b) est Imp−commandable.
�
(c) KerN ⊕ Im B2 N B2 · · · N h−1 B2 = IRn2 .
� �
(d) ImN = Im B2 N B2 · · · N B2 .. h−1

(d) ImN ⊕ ImB2 = IRn2 .

15
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers
� �
A E B
(d) rang = n + r.
E 0 0

1.3.5 Obsevabilité, R−observabilité, Imp−Observabilité et détec-

tabilité
[Link] Observabilité
Définition 1.3.8. (Observabilité) Le système (1.3) est dit observable si la condition initiale
x0 peut être déterminée de manière unique à partir de u(t) et y(t), pour tout t ≥ 0.

Cette définition de l’observabilité est générale et correspond à celle des systèmes stan-
dards.

Considérons le système (1.11), et soit

   
C1 C
   2 
 C 1 A1   C2 N 
   
Rs = Ker  .  et Rf = Ker  . 
 ..   .. 
   
C1 A1n1 −1 C2 h−1
N

Théorème 1.3.5. [Dai89]

(1) Soit u(t) ≡ 0, donc y(t) ≡ 0, t ≥ 0 si et seulement si x(0) ∈ Rs ⊕ R�f. �
sE − A
(2) Le sous-système lent (1.11a) est observable si et seulement si rang = n,
C
∀s ∈ C et s fini.
(3) Les propositions suivantes sont équivalentes
(a) Le système
  (1.11b) est observable .
rapide
C2
 
 CN 
 
(b) rang  .  = n2
 .  .
 
h−1
C2 N
� �
N
(c) Ker =0
C2
� �
N
(d) rang = n2
C2
� �
E
(e) rang = n.
C
(f ) Pour �toutes matrices
� non singulières Q1 et P1 satisfaisant Q1 EP1 = diag(Iq , 0),
CP1 = C1 C2 ; C2 est de rang plein colonne et rangC2 = n − rangE.

16
 1.3. Propriétés structurelles des système singuliers

(4) Les propositions suivantes sont équivalentes

(a) Le système (1.3) est observable.
� � lent (1.11a) et rapide (1.11b)
(b) Les sous-systèmes � sont
� observables.
sE − A E
(c) rang = n, ∀s ∈ C et s fini, et rang =n
C C
2
(d) La matrice Θ1 ∈ R(n+r−1)n×n telle que
 
−A E
 
 −A E 
 
 ... ... 
 
 
 −A E 
 
Θ1 =  
C 
 
 
 C 
 
 .. 
 . 
C
est de rang plein colonne.

[Link] R−observabilité
Un système singulier est dit R − observable s’il est observable sur l’espace atteignable.
Définition 1.3.9. (R-observabilité) Le système (1.3) est dit R − observable si tout état de
l’espace atteignable peut être déterminé de manière unique à partir de la sortie y(t) et de
l’entrée u(τ ) pour 0 < τ < t.
Théorème 1.3.6. Soit le système (1.3) dans sa forme équivalente de Kronecker-Weierstrass.
Les propositions suivantes sont équivalentes
(a) Le système (1.3) est R − observable.
(b) Le sous-système
� � lent (1.11a) est observable.
sE − A
(c) rang = n, ∀s ∈ C et s fini.
C
(d) La matrice Θ2 ∈ R(n+r)k×nk , avec k ≥ n1 telle que
 
−A E
 
 −A E 
 
 ... ... 
 
 
 −A E 
 
Θ2 =  
 −AC 
 
 
 C 
 
 .. 
 . 
C

17
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

est de rang plein colonne nk.

La R−observabilité ne concerne que les états atteignables, donc ne reflète pas l’ob-
servabilité des termes impulsifs, cette dernière est assurée par l’observabilité impulsive
(Imp−observabilité).

[Link] Imp−observabilité
Le système (1.3) est dit Imp-observable si les termes impulsifs de l’état xτ (t) peuvent
être déterminés de manière unique à partir de la sortie implusive yτ (t) et de ∆τ u(t), avec
∆τ u(t) représente les sauts de l’entrée.
Cette défnition n’est valable que pour xτ (τ ) et yτ (τ ) différents de zéro.
Théorème 1.3.7. Soit le système (1.3) dans sa forme équivalente de Kronecker-Weierstrass.
Les propositions suivantes sont équivalentes
(a) Le système (1.3) est Imp−observable.
(b) Le sous-systèmes rapide (1.11b) est Imp-observable.
� �T �
(c) Ker C2 C2 N · · · C2 (N )
T T T T h−1 T
ImN = 0.
� �T
(d) N Ker C2T C2T N T · · · C2T (N h−1 )T = KerN .
(d) KerN = KerC  2 = ImN = 0.
E A
 
(d) rang  0 E 

 = n + rankE.
0 C

[Link] Détectabilité
Définition 1.3.10. (Détectabilité) Un système singulier de la forme (1.3) est dit détec-
table s’il existe une matrice G ∈ IRn×m telle que le faisceau matriciel (sE − A − GC) soit
stable.
Théorème 1.3.8. Le système (1.3) est détectable si et seulement si
� �T
rang sE − A C
T T T
= n, ∀s ∈ C+ et s fini.

1.4 Outils pour l’analyse des systèmes dynamiques

1.4.1 Stabilité au sens de Lyapunov
Dans cette section, nous rappelerons quelques concepts sur la stabilité des systèmes
dynamiques à temps continu. La notion de stabilité d’un système dynamique caractérise
le comportement de ses trajectoires autour des points d’équilibre. L’analyse de la stabilité
d’un système dynamique permet donc d’étudier l’évolution de sa trajectoire lorsque l’état
initial est proche d’un point d’équilibre.
La stabilité au sens de Lyapunov est une théorie générale valable pour toute équation
différentielle. Cette notion signifie que la solution d’une équation différentielle initialisée

18
 1.4. Outils pour l’analyse des systèmes dynamiques

au voisinage d’un point d’équilibre en reste suffisamment proche.

On considère un système non linéaire décrit par son modèle d’état

ẋ(t) = f (x, u, t) (1.22)

Avec x ∈ Rn , f : Rn × Rm × R+ −→ Rn et la condition initiale x(t0 ) = x0 , on suppose que
le système possède un point d’équilibre x̄

Définition 1.4.1. (Equilibre stable) Le point x̄ est un point d’équilibre stable du système
(1.22) si

∀ε > 0, ∃ δ>0 tel que; ||x0 − x̄|| < δ =⇒ ||x(t, x0 , u) − x̄|| < ε, ∀t ≥ t0

avec x(t, x0 , u) désigne la solution à l’instant t ≥ t0 du système (1.22). Si cette condition

n’est pas satisfaite, le point d’équilibre est instable.

Définition 1.4.2. (Equilibre attracteur)

Le point x̄ est un point d’équilibre attracteur du système (1.22) si

∃ δ>0 tel que; ||x0 − x̄|| < δ =⇒ lim ||x(t, x0 , u) − x̄|| = 0, ∀t ≥ t0

t→∞

x̄ est un équilibre attracteur veut dire que x̄ est un point vers lequel convergent les
solutions x(t) si elles démarrent suffisamment près de x̄. Lorsque δ = +∞ , on dit que x̄
est globalement attractif.

Définition 1.4.3. (Equilibre asymptotiquement stable) Le point x̄ est un point d’équilibre

asymptotiquement (resp. globalement asymptotiquement) stable pour le système (1.22) s’il
est stable et attractif (resp. globalement attracteur).
Un ensemble d’états initiaux x0 à partir desquels les trajectoires convergent vers un
équilibre asymptotiquement stable est appelé bassin d’attraction.
La stabilité asymptotique est la propriété qui est généralement recherchée en pratique.
Cette définition ne nous dit rien sur la vitesse avec laquelle la trajectoire x(t) converge
vers son équilibre. C’est pourquoi, on introduit la notion suivante de stabilité exponentielle.

Définition 1.4.4. (Stabilité exponentielle)

Le point x̄ est un point d’équilibre exponentiel stable si

∀ε > 0, ∃α > 0, β > 0 et δ > 0 tel que;

||x0 − x̄|| < δ =⇒ ||x(t, x0 , u) − x̄|| ≤ α||x0 − x̄||exp(−βt), ∀t ≤ t0

Il est évident que la stabilité exponentielle implique la stabilité asymptotique mais

l’inverse n’est pas nécessairement vrai.

Par la suite, nous nous intéresserons à la stabilité autour de l’origine c-à-d quand
x̄ = 0.

19
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

[Link] Première méthode de Lyapunov (méthode indirecte)

La première méthode de Lyapunov est basée sur l’examen de la linéarisation du sys-
tème (1.22) autour de l’équilibre x̄. Donc elle équivaut à examiner les valeurs propres
λi (A), où A est la matrice Jacobienne évaluée à l’équilibre, c-à-d
∂f
A=
(x̄)
∂x
Définition 1.4.5. (méthode indirecte de Lyapunov) Si toutes les valeurs propres de la
matrice Jacobienne sont à partie réelle négative c-à-d
∀ i tel que; Re(λi (A)) < 0
le point d’équilibre x̄ est exponentiellement stable. Sinon, si A possède au moins une valeur
propre à partie réelle positive c-à-d
∃ i tel que; Re(λi (A)) > 0
l’équilibre x̄ est instable.
Cette méthode est simple à mettre en oeuvre mais elle ne permet d’analyser que très
partiellement la stabilité, car elle ne donne aucune indication sur la taille des bassins
d’attraction.

[Link] Seconde méthode de Lyapunov (méthode directe)

Cette méthode est basée sur la définition d’une fonction particulière définie positive
(notée généralement V (x, t)), appelée fonction de Lyapunov, qui est décroissante le long
des trajectoires du système à l’intérieur du bassin d’attraction. Elle est plus difficile à
mettre en oeuvre par rapport à la méthode indirecte, mais, en contrepartie, elle est d’une
portée beaucoup plus générale.
Définition 1.4.6. (Stabilité locale et stabilité asymptotique)
L’origine est un point d’équilibre localement stable pour le système (1.22) s’il existe
une fonction V (x, t) continue et différentiable et s’il existe un voisinage V0 telles que

1. ∀x ∈ V0 , V (x, t) > 0
dV (x, t) ∂V (x, t)
2. ∀x ∈ V0 , V̇ (x, t) = = ẋ(t) ≤ 0
dt ∂x
Si V̇ (x, t) < 0, V (t, x) est appelée fonction de Lyapunov au sens strict. Dans ce cas
l’origine est un point d’équilibre asymptotiquement stable.
Définition 1.4.7. (Stabilité exponentielle)
L’origine est un point d’équilibre exponentiellement stable pour le système (1.22) s’il
existe une fonction V (x, t) continue et différentiable, des constantes α, β, γ > 0, p ≥ 0 et
s’il existe un voisinage V0 tel que

1. ∀x ∈ α||x||p ≤ V (x, t) < β||x||p

2. ∀x ∈ V0 , V̇ (x, t) < −γV (x, t).

20
 1.4. Outils pour l’analyse des systèmes dynamiques

1.4.2 Norme H∞ , gain L2

Considérons le système linéaire décrit par
�
ẋ(t) = Ax(t) + Bw(t)
G := (1.23)
z(t) = Cx(t) + Dw(t)
où x(t) ∈ IRn est le vecteur d’état, z(t) ∈ IRp set le vecteur de sortie et w(t) ∈ IRm est le
vecteur d’entrée.
Définition 1.4.8 (Norme H∞ ). [Fra87] La norme H∞ du système (1.23), stable ou in-
stable, est définie par
�G�∞ := sup λmax (G(jω)GT (−jω)) (1.24)
ω∈IR

dans le cas où le système (1.23) n’a pas de pôle, sur l’axe imaginaire.
Définition 1.4.9. On définit l’énergie E d’un signal w(t) comme l’intégrale de sa puis-
sance : � ∞
2
E= �w(t)� dt. (1.25)
0
En d’autres termes, la norme H∞ d’une fonction de transfert représente le maximum
sur toute la bande de fréquence de la valeur singulière maximale de la réponse fréquentielle
du système considéré. Elle permet de spécifier des conditions du pire cas. Cette propriété
en fait une norme très pertinente pour traiter les problèmes de robustesse.
La norme H∞ est définie par (1.24), que le système soit stable� ou �instable,
� 1 tant
� que
le système ne possède pas de pôles sur l’axe imaginaire. En effet, � s+1 1 �
= � � = 1,
� � ∞ s−1 ∞
tandis que � 1s �∞ = ∞. Toutefois, pour une entrée bornée, le système s+1 1
possède une
sortie bornée, ce qui n’est pas vrai pour le système s−11
. Il est donc nécessaire de définir
le gain L2 .
Définition 1.4.10 (Gain L2 ). [GL95] Si le système (1.23) est asymptotiquement stable,
alors, w(t) ∈ L2 implique z(t) ∈ L2 et, pour x(0) = 0, le gain L2 du système (1.23) est
donné par

�z�2
�G�∞ = sup , �w�2 �= 0. (1.26)
w∈L2 �w�2

Le gain L2 sert à mesurer la quantité d’énergie transmise par le système. Si ce gain est
inférieur à 1, on dit que le système est contractif ou non expansif. Ainsi, la notion de gain
L2 est utile pour quantifier la façon dont le système rejette les perturbations externes.
Remarque 1.4.1 (Norme H∞ et gain L2 ). L’utilisation du théorème de Parseval permet
d’interpréter (1.26) comme un gain fréquentiel ou temporel sur les signaux (la norme L2
d’un signal temporel est la même que la norme L2 de la transformée de Fourrier de ce
même signal). Ainsi, pour un système stable, la norme H∞ de la fonction de transfert est
la norme induite L2 de l’opérateur d’entrée-sortie associé au système, c’est donc le gain
L2 du système. De plus, les équations (1.24) et (1.26) permettent de considérer �G�∞
comme une généralisation de la norme spectrale des matrices constantes.
Le lemme borné réel, qui fournit une majoration du gain L2 entre l’entrée et la sortie
d’un système, peut être utilisé pour quantifier l’atténuation des perturbations.

21
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

1.5 Observateurs d’état

On appelle observateur d’état ou estimateur d’état pour le système (S) un système
dynamique auxiliaire (O) dont les entrées sont les vecteurs d’entrée et de sortie du système
(S), et la sortie est l’état estimé, la figure (1.3) donne un schéma qui décrit ce principe

&#+(('4$1,' !"#$%&'()!* '#+((#51$6'

"#+( ,$-$(.'()!*

/0#'12-$'31()$* ("#+ 78'#$6&,(.'(78,$-$("

%#+ ,$-$(.'()$*

Figure 1.3: Observateur d’état

Soient les deux systèmes suivants :

ẋ(t) = f (x, u, t) (1.27a)

y(t) = h(x, u, t) (1.27b)

ż(t) = f (z, u, y, t) (1.28a)

x̂(t) = h(z, u, y, t) (1.28b)
Le système (1.28) est un observateur asymptotique local pour le système (1.27) si les
deux conditions suivantes sont vérifiées :

1. x(0) = x̂(0) =⇒ x(t) = x̂(t), ∀t ≥ 0

2. ∃ un espace ouvert U ⊆ Rn ; x(0) − x̂(0) ∈ U =⇒ ||x(t) − x̂(t)|| −→ 0 quand
t −→ +∞

1.5.1 Observateurs d’ordre réduit

Selon les cas d’étude, parfois seule une partie de l’état du système a besoin d’être
estimée. En effet, certaines méthodes de commande ne nécessitent pas forcément de re-
construire tout l’état du système et nous remarquons également que généralement il est
possible de trouver une transformation d’état de façon à ce que les sorties forment une
partie du nouveau vecteur d’état, (voir [Sor97]). Dans cette section nous allons présenter
à titre d’exemple un observateur d’ordre réduit de type Luenberger pour les systèmes
linéaires à temps invariant LTI.
Soit le système linéaire suivant
ẋ(t) = Ax(t) + Bu(t) (1.29a)

22
 1.5. Observateurs d’état

y(t) = Cx(t) (1.29b)

où x(t) ∈ IRn est le vecteur d’état y(t) ∈ IRp est le vecteur de sortie et u(t) ∈ IRq est
l’entrée du système. Les matrice A, B et C sont constantes de dimensions appropriées
telles que
� � � �
A11 A12 B1
A= , B=
A21 A22 B2
� �
� � x1 (t)
C = C1 C2 , x(t) =
x2 (t)
où rangC1 = p, A11 ∈ IRp×p , C1 ∈ IRp×p , x1 ∈ IRp et B1 ∈ IRp×q .
Nous effectuons le changement de variable suivant :
� �
C1 C2
x̄(t) = x(t)
0 In−p
Le système (1.29) devient

x̄˙ = Āx̄(t) + B̄u(t) (1.30a)

y(t) = C̄ x̄(t) (1.30b)

où � � � �
Ā11 Ā12 B̄1
Ā = , B̄ =
Ā21 Ā22 B2
� �
� � x̄1 (t)
C̄ = Iq 0 , x̄(t) =
x̄2 (t)
les différentes matrices sont calculées de la façon suivante :
� �
Ā11 = C1 A11 + C2 A21 C1−1
� �
Ā12 = Ā11 C2 + C1 A12 + C2 A22
Ā21 = A21 C1−1
Ā22 = A22 − A21 C1−1 C2
B̄1 = C1 B1 + C2 B2

Nous pouvons donc réécrire le système (1.29) comme suit :

x̄˙ 1 (t) = Ā11 x̄1 (t) + Ā12 x̄2 (t) + B̄1 u(t) (1.32a)
x̄˙ 2 (t) = Ā21 x̄1 (t) + Ā22 x̄2 (t) + B2 u(t) (1.32b)

23
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

y(t) = x̄1 (t) (1.32c)

où la sortie y(t) correspond aux p premiers états, qu’on n’a pas besoin d’estimer. Donc,
il suffit de proposer un observateur uniquement pour estimer le vecteur x̄2 . La première
équation de (1.32) peut alors être considérée comme une mesure ȳ(t) dépendant de x̄2 , la
partie du vecteur d’état à estimer, et de l’entrée u(t) telle que

ȳ(t) = x̄˙ 1 (t) − A¯11 x1 (t) − A11 x̄1 (t) = A12 x̄2 (t) + B̄1 u(t)

Soit l’observateur de Luenberger suivant :

ż(t) = Ā21 ȳ1 (t) + Ā22 z(t) + B2 u(t) + L(ȳ − ȳˆ) (1.33a)
ȳˆ(t) = A12 z + B̄1 u(t) (1.33b)

où z(t) est l’estimé de x̄2 (t), et ȳˆ(t) est l’estimé de ȳ(t).

Ainsi, la dynamique de l’erreur d’estimation e(t) = z − x̄2 est donnée par

ė(t) = (Ā22 − LĀ12 )e(t) (1.34a)

Ainsi, lorsque la paire (Ā22 , Ā12 ) est observable, les valeurs propres de Ā22 − LĀ12
peuvent être fixées par un choix convenable du gain L.

1.5.2 Observateurs d’état des systèmes singuliers linéaires

Depuis les années 70, les systèmes singuliers ont suscité l’intérêt de la communauté
des automaticiens. Plusieurs méthodes de synthèse de commande et d’observation ont été
proposées pour les systèmes singuliers linéaires. Il s’agit généralement des extensions des
résultats obtenus dans le cas standard en tenant compte de la spécificité des systèmes
singuliers. De nombreux travaux sur la synthèse d’observateur d’ordre plein et d’ordre
réduit ont été introduits, [DB95] , [HM99], [PK92], [Dai88], [Dai89], [Dar00].
Considérons le système singulier linéaire suivant :

E ẋ(t) = Ax(t) + Bu(t) (1.35a)

y(t) = Cx(t) (1.35b)

où x(t) ∈ IRn est le vecteur d’état, y(t) ∈ IRp est le vecteur de sortie u(t) ∈ IRp est le
vecteur d’entrée. E est une matrice singulière, A, B,et C sont des matrices de dimensions
appropriées. Nous supposons que rangE = r < n et rangC = p.

[Link] Observateur d’état singulier

Supposons que le système (1.35) soit détectable, donc il admet un observateur singulier
de la forme
˙
E x̂(t) = Ax̂(t) + Bu(t) + G(y(t) − ŷ(t)) (1.36a)

24
 1.5. Observateurs d’état

ŷ(t) = C x̂(t) (1.36b)

où x̂(t) est l’état estimé de x(t) et

lim (x̂(t) − x(t)) = 0, ∀(x0 , x̂0 )

t→∞

Démonstration
Soit e(t) = x̂(t) − x(t) l’erreur d’observation, sa dynamique dans ce cas est donnée par

E ė(t) = (A − GC)e(t), avec e(t) = x̂(t) − x(t) (1.37a)

Sous l’hypothèse de détectabilité, il existe une matrice G ∈ IRn×r telle que les valeurs
propres généralisées de la paire (E, A − GC) sont à parties réelles négatives.

De (1.37) et sous l’hypothèse de la détectabilité, nous avons

lim e(t) = lim (x̂(t) − x(t)) = 0, , ∀x0 , x̂0

t→∞ t→∞

Par conséquent, le système (1.36) est un observateur asymptotique pour le système

(1.35).

[Link] Observateur d’état usuel

Dans [DB95] une méthodes simple et facile de synthèse d’observateurs standards (non
singuliers) pour les systèmes singuliers linéaires est proposée. La méthode est basée sur
la résolution des équations de Sylvester généralisées.

Soit le système singulier linéaire suivant :

E ẋ(t) = Ax(t) + Bu(t) (1.38a)

y(t) = Cx(t) (1.38b)

L’hypothèse suivante est considérée

� �
E
rang =n (1.39)
C
� �
a b
Sous cette hypothèse, il existe une matrice non singulière telle que
c d

aE + bC = In (1.40a)

25
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

cE + dC = 0 (1.40b)
L’observateur d’ordre plein proposé est de la forme suivante

ż(t) = N z(t) + L1 y(t) + L2 y(t) + Gu(t) (1.41a)

x̂(t) = z(t) + by(t) + Kdy(t) (1.41b)
N, L1 , L2 , G et K sont des matrices de dimensions appropriées à déterminer telles que
l’estimé x̂(t) converge vers x(t) .

De (1.38), (1.40) et (1.41), l’erreur d’estimation est donnée par

e(t) = (a + Kc)Ex(t) − z(t) (1.42)

sa dérivée est donnée par
ė(t) = N e(t) + [(a + Kc)A − N (a + Kc)E − L1 C − L2 C]x(t) + [(a + Kc)B − G]u(t) (1.43)
cette dynamique est indépendante de x(t) et u(t) si les conditions suivantes sont véri-
fiées :

(a + Kc)A − N (a + Kc)E − L1 C − L2 C = 0 (1.44)

et
(a + Kc)B = G (1.45)
dans ce cas, la dynamique de l’erreur devient
ė(t) = N e(t) (1.46)
L’erreur d’estimation e(t) converge vers 0 si et seulement si N est Hurwitz.

Donc, le problème de synthèse de l’observateur d’ordre plein de la forme (1.41) se

réduit à trouver les matrices L1 , L2 , K et une matrice Hurwitz N telles que (1.44) est
satisfaite.
de (1.40) et (1.44) nous avons :

N = (aA + Kc)A − L2 C + [N (b + Kd) − L1 ]C

prenons

L1 = N (b + Kd)
donc � �
� � cA
N = aA + KcA − L2 C = aA + K −L2 (1.47)
C
� �
cA
De (1.47), N est Hurwitz si et seulement si la paire (aA, ) est détectable. Dans ce
C
cas, les matrices L1 , L2 , et K peuvent être déterminées par les méthodes standards de
synthèse d’observateur (méthode de placement des pôles par exemple).

26
 1.5. Observateurs d’état

1.5.3 Observateurs d’état des systèmes non linéaires

[Link] Observabilité des systèmes non linéaires
Contrairement au cas linéaire, le problème de l’observabilité des systèmes non linéaires
est plus compliqué. Dans le cas général des systèmes non linéaires, l’observabilité peut
dépendre des entrées appliquées et des conditions initiales, et elle est définie à partir de
la notion de distinguabilité.
Considérons le système non linéaire suivant

ẋ(t) = f (x, u, t) (1.48a)

y(t) = h(x, u, t) (1.48b)

Nous donnons les définitions suivantes :

Définition 1.5.1. (Indistinguabilité) une paire d’états (x0 , x�0 ) est dite indistinguable si
pour toute entrée u(t) et pour tout t ≥ 0 nous avons

y(x0 , u, t) = y(x�0 , u, t)

Dans le cas contraire, on dit que x0 et x�0 sont distinguables.

Définition 1.5.2. (Observabilité) Le système non linéaire (1.48) est observable s’il n’ad-
met pas de paire indistinguable, c-à-d le système (1.48) est observable si ∀x0 ∈ Rn , x0 est
distinguable.

Supposons que u et y sont connus et leurs dérivés respectives peuvent être calculées,
Le concept d’observabilité peut être interprété de la manière suivante.
Pour un système mono-entrée/mono Sortie (SISO), nous définissons :
� �
y � = y ẏ ÿ · · · y (n−1)
� �
�
u = u u̇ ü · · · u (n−1)

Chaque dérivée y (i) est une fonction de x, u, u̇, ü, · · · , u(i)

Soit ψi une fonction définie par

y (i) = ψi (x, u� )

La dérivée de y (i) est alors donnée par

� ∂ψ (x, u� ) � � ∂ψ (x, u� ) � du�
i i
y (i+1) = f (x, u) +
∂x ∂u� dt
ce qui est, par définition, ψi+1 (x, u� ) si i + 1 ≤ n − 1. En définissant l’opérateur linéaire
Mf par :
� � � ∂ψ(x, u� ) � � ∂ψ(x, u� ) � du�
�
Mf ψ (x, u ) = f (x, u) +
∂x ∂u� dt
27
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

alors y � s’écrit :

y � = ω(x, u� ),
 
h(x, u)
 � � 
 Mf h (x, u) 
 
ω(x, u� ) =  .  (1.49)
 .
. 
� � 
Mn−1
f h (x, u)
est la matrice d’observabilité.

Si la matrice d’observabilité (1.49) est inversible, c-à-d il existe ω −1 telle que

x = ω −1 (y � , u� )

alors le système correspondant est observable. En outre, si la jacobienne de la matrice

d’observabilité,
∂ω(x, u� )
Ω(x, u� ) = ,
∂x
est inversible en x0 , alors il existe un voisinage Vx0 de x0 sur lequel ω est inversible.
Dans ce cas, le système correspondant est localement observable, ce qui signifie que x0 est
distinguable de tous les points de Vx0 .
Pour les systèmes multi-sorties, c’est-à-dire y ∈ Rp , p > 1, la notion d’observabilité peut
être donnée d’une manière similaire.
Soit � �T
N = n1 n2 · · · np
i=p
�
un vecteur d’entiers positifs, avec ni = n.
i=1
Définissons � �T
y = y1 y2 · · · yp ,
et � �T
h(x, u) = h1 (x, u) h2 (x, u) · · · hp (x, u) .
En posant  
hj (x, u)
 � � 
 Mf hj (x, u) 
 
ωj (x, u� ) =  .. ,
 . 
� � 
nj −1
Mf hj (x, u)
les dérivées de y j jusqu’à l’ordre nj sont
(nj ) T
[yj ẏj ... yj ] = ωj (x, u� ).

28
 1.5. Observateurs d’état

La matrice d’observabilité pour les systèmes multi-sorties est alors définie par :
 
�
ω (x, u )
 1 
ω2 (x, u� )
 
ωN (x, u� ) =  . .
 .. 
 
ωq (x, u� )

S’il existe N tel que ωN (x, u� ) soit inversible, alors l’état x peut être déterminé à partir de
u� , y, et les dérivées de chaque yj peuvent être déterminées jusqu’à l’ordre nj . De ce fait,
le système correspondant est observable.

Dans le domaine non linéaire, il existe plusieurs façons de définir la notion d’observa-
bilité. En lien avec le concept d’indistinguabilité des états, une définition très répandue
a été établie dans [HK77]. Des résultats importants ont été établis dans [GB81] pour une
classe spéciale de systèmes affines en la commande. Pour plus de détails sur les différents
types de définitions sur l’observabilité des systèmes non linéaires, nous disposons dans la
littérature de quelques références, à savoir [HK77], [Son84] et [BG97].

[Link] Les différents types d’observateurs pour les systèmes non linéaires
Initialement les systèmes abordés ont été les systèmes linéaires, pour lesquels les ob-
servateurs de Kalman et Luenberger ont donné de bons résultats. Le filtre de Kalman est
utilisé dans le cas des systèmes stochastiques en minimisant la matrice de covariance de
l’erreur d’estimation, et l’observateur de Luenberger est utilisé pour les systèmes linéaires
déterministes.

Dans le cas des systèmes non linéaires, l’observation d’état est un peu plus délicate et
il n’existe pas, à l’heure actuelle, de méthode universelle pour la synthèse d’observateurs.
Les approches existantes sont soit une extension des algorithmes linéaires, soit des al-
gorithmes non linéaires spécifiques. Dans le premier cas, l’extension est basée sur une
linéarisation du modèle autour d’un point de fonctionnement. Pour le cas d’algorithmes
non linéaires spécifiques, les nombreux travaux menés sur ce sujet (voir [WCŻ87], [MH89])
ont donné naissance à de nombreux algorithmes d’observation. Nous présenterons quelques
algorithmes dans la suite de ce chapitre.

[Link] Méthodes de transformations non linéaires

Cette technique consiste à transformer, à l’aide d’un changement de coordonnées, un
système non linéaire en un système linéaire modulo une injection de sortie. Une fois qu’un
tel changement de coordonnées est obtenu, l’utilisation d’un observateur de type Luen-
berger (corrigé par l’injection de sortie) suffira pour estimer l’état du système transformé,
et donc l’état du système non linéaire original en utilisant le changement de coordonnées
inverse.
L’un des premiers travaux réalisés dans ce domaine est proposé dans [KI83], où le système

29
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

autonome de la forme

ẋ = f (x) (1.50a)
y = h(x) (1.50b)

est transformé, par un changement de coordonnées non linéaire z = Φ(x), en un système

linéaire sous la forme canonique observable suivante :

ż = Ac z + λ(y) (1.51a)
y = Cc z (1.51b)

où Ac et Cc sont sous la forme duale de Brunovsky, c-à-d :

� �
0n−1 In−1 � �
Ac = , C c = 1 0n−1 .
T
0 0Tn−1

L’observateur de Luenberger correspondant à (1.51) est donné par :

ẑ˙ = Ac ẑ + λ(y) + K(y − Cc ẑ), (1.52)

dont la dynamique de l’erreur ε = z − ẑ est linéaire et s’écrit :

ε̇ = (Ac − KCc )ε. (1.53)

Le calcul du gain K se fait par un placement de pôles.

Ce travail a été étendu dans [KR85] au cas des systèmes à sorties multiples et la trans-
formation non linéaire a été généralisée comme suit :

z = Φ(x), (1.54)

v = Ψ(y). (1.55)
où v est la transformation de la sortie y à l’aide du changement de coordonnées non
linéaire Ψ(.). Les conditions sous lesquelles une telle transformation existe ont été établies.
Cependant, trois problèmes sont liés à cette approche :
1. La classe des systèmes pour lesquels une telle transformation existe est très res-
treinte ;
2. La procédure d’obtention d’une telle transformation est très compliquée ;
3. Dans le cas des systèmes avec entrées (systèmes commandés), le système transformé
contient toutes les dérivées des entrées.
Dans [Kel87], le système

ẋ = f (x, u) (1.56a)
y = h(x, u) (1.56b)

30
 1.5. Observateurs d’état

a été considéré. Dans ce cas, le système transformé sous forme canonique généralisée est
défini par :

ż = Ac z + λ(y, u� ) (1.57a)
v = Cc z (1.57b)
� �T
où u� = u u̇ ... u(n) . La transformation non linéaire utilisée est

z = Φ(x, u� ),

v = Ψ(x, u� )
et en supposant que les dérivées de l’entrée u sont disponibles, la structure de l’observateur
suggéré est :

ẑ˙ = Ac ẑ + λ(y, u� ) + K(v − v̂) (1.58a)

v̂ = Cc ẑ. (1.58b)

La dynamique de l’erreur est donnée par (1.53).

D’autres généralisations aux systèmes à sorties multiples ont été proposées dans [XG89],
[RZ94] et [HP99]. Un algorithme simplifié permettant de calculer la transformation conve-
nable, pour le cas des systèmes autonomes, a été conçu dans [Phe91]. Des conditions né-
cessaires et suffisantes d’existence de la transformation pour les systèmes mono-sortie ont
été données dans [GMP96]. Ces résultats ont été généralisés dans [PG97] aux systèmes à
sorties multiples, et un algorithme de calcul du changement de variables a été donné.

Une des raisons pour laquelle la classe des systèmes qui peuvent être transformés sous
forme linéaire observable est restreinte est due au fait que la sortie doit être linéaire
comme dans (1.51) et (1.57b). Cette condition est relaxée dans [KK98] pour la classe des
systèmes autonomes mono-sortie. L’idée est de transformer le système(1.50), en utilisant
le changement de variables z = Φ(x), en

ż = Az + Ly (1.59a)
y = η(z) (1.59b)

où η(z) = h(x)|x=Φ−1 (z) . L’observateur s’écrit :

ẑ˙ = Aẑ + Ly, (1.60)

et la dynamique de l’erreur ε = z − ẑ est

ε̇ = Aε. (1.61)

La transformation Φ est choisie de façon à obtenir une matrice A avec des propriétés
souhaitables.

31
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

Afin de surmonter la difficulté d’obtention de la transformation convenable, indépendam-

ment des travaux précédents, une nouvelle approche a été présentée dans [BZ83] pour la
classe des systèmes non linéaires autonomes et mono-sortie. Une méthode constructive
basée sur des techniques de synthése linéaires a été proposée. Les conditions nécessaires
et suffisantes d’existence de la forme canonique ont été énoncées dans [LT87]. Plusieurs
extensions de cette approche au cas des systèmes non linéaires commandés et multi-sorties
sont données dans [Zei87b], [Zei87a] et [BZ88].

[Link] Observateurs étendus

Il est possible d’étendre quelques techniques linéaires à des systèmes non linéaires, ceci
en calculant le gain de l’observateur à partir du modèle linéarisé autour d’un point de
fonctionnement. C’est par exemple le cas du filtre de Kalman étendu et l’observateur de
Luenberger étendu que nous présentons un peu plus en détail par la suite.

A) Filtre de Kalman étendu (EKF)

Le filtre de Kalman étendu est l’une des techniques d’estimation les plus populaires et les
plus largement étudiées dans le domaine d’estimation d’état des systèmes dynamiques non
linéaires. Ce filtre étendu consiste à utiliser les équations du filtre de Kalman standard au
modèle non linéaire linéarisé par la formule de Taylor au premier ordre.
Ce filtre étendu a été appliqué avec succès sur différents types de procédés non linéaires.
Malheureusement, les preuves de stabilité et de convergence établies dans le cas des sys-
tèmes linéaires, ne peuvent pas être étendues de manière générale au cas des systèmes non
linéaires. Dans un environnement déterministe, une preuve de la convergence du filtre de
Kalman étendu a été établie dans [BAD97] et [BA99] pour la classe des systèmes non
linéaires à temps discret. Cependant, cette convergence n’est que locale. L’analyse de
la convergence de cet estimateur reste, à l’heure actuelle, un problème ouvert. Les nom-
breuses recherches qui ont été menées sur ce sujet ont donné naissance à de nombreuses pu-
blications et ouvrages [Che93], [GA93], [BH97], [Bro98], [SG95], [BRD97], [BADF97], [BAD97],
[ABD98].

Avant d’introduire le filtre de Kalman étendu, nous avons besoin d’introduire l’estimateur
de Kalman standard pour les systèmes linéaires à temps variant (LTV). Nous abordons
les deux cas, systèmes à temps continu et systèmes à temps discret.

– Cas des systèmes LTV à temps continu :

Pour le système stochastique LTV de la forme

ẋ = A(t)x + B(t)u + v1 (t) (1.62a)

y = C(t)x + v2 (t) (1.62b)

l’estimateur de Kalman standard est donné par :

x̂˙ = A(t)x̂ + B(t)u + P C T (t)R−1 (y − C(t)x̂) (1.63)

32
 1.5. Observateurs d’état

où P est la solution symétrique et définie positive de l’équation de Riccati suivante :

Ṗ = AP + P AT + Q − P C T R−1 CP. (1.64)

– Cas des systèmes LTV à temps discret :

Pour le système stochastique LTV à temps discret de la forme

xk+1 = Ak xk + Bk uk + vk (1.65a)
yk = C k xk + w k (1.65b)

l’estimateur de Kalman standard est donné par :

� �
x̂k+1 = x̂k+1/k + Kk+1 yk+1 − Ck+1 x̂k+1/k (1.66a)
� �−1
−1 T −1
Pk+1 = Pk+1/k + Ck+1 Rk+1 Ck+1 (1.66b)
x̂k+1/k = Ak x̂k + Bk uk (1.66c)
Pk+1/k = Ak Pk ATk + Qk (1.66d)
� �−1
T
Kk+1 = Pk+1/k Ck+1 T
Ck+1 Pk+1/k Ck+1 + Rk+1 (1.66e)

où P0 = µIn > 0. x̂k+1 et x̂k+1/k sont l’estimation et la prédiction de l’état xk+1 . Les
matrices Pk+1 et Pk+1/k sont les covariances des erreurs d’estimation et de prédiction.
Qk et Rk+1 sont des matrices de covariances des bruits vk et wk respectivement.
Le filtre de Kalman étendu [Jaz70] est une extension directe du filtre de Kalman standard
en remplaçant les matrices d’état et de sortie, A, C du système linéaire (1.62) ou (1.65)
par les jacobiennes des non-linéarités du système en question.
Considérons le système non linéaire suivant :

ẋ = f (x, u) + v(t) (1.67a)

y = h(x, u) + w(t) (1.67b)

L’EKF s’exprime de la manière suivante :

x̂˙ = f (x̂, u) + P H(x̂, u)R−1 (y − h(x̂, u)) (1.68a)

Ṗ = F (x̂, u)P + P F (x̂, u)T + Q − P H(x̂, u)T R−1 H(x̂, u)P (1.68b)

où
∂f
F (x̂, u) = (x̂, u);
∂x
∂h
H(x̂, u) = (x̂, u).
∂x
Ce type d’estimateur a été utilisé dans [JS04]. Dans le cas des systèmes à temps discret
de la forme :

xk+1 = f (xk , uk ) + Gk vk (1.69a)

yk = h(xk , uk ) + Dk wk (1.69b)

33
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

l’EKF est donné par :

x̂k+1 = x̂k+1/k + Kk+1 ek+1 (1.70)
où
� �
Pk+1 = In − Kk+1 Hk+1 Pk+1/k (1.71a)
x̂k+1/k = f (x̂k , uk ) (1.71b)
Pk+1/k = Fk Pk FkT + Qk (1.71c)
� �−1
Kk+1 = Pk+1/k Hk+1 T T
Hk+1 Pk+1/k Hk+1 + Rk+1 (1.71d)
ek+1 = yk+1 − h(x̂k+1/k , uk+1 ) (1.71e)
∂f
Fk = F (x̂k , uk ) = (x̂k , uk ) (1.71f)
∂x
∂h
Hk = H(x̂k , uk ) = (x̂k , uk ) (1.71g)
∂x
où P0 = µIn > 0.
Il est courant (ceci n’a pas encore été démontré) de choisir en pratique, pour l’optimalité
du filtre de Kalman étendu, Qk et Rk+1 comme les matrices de covariance des bruits du
système et des mesures, c-à-d :
Qk = Gk GTk , Rk+1 = Dk+1 Dk+1
T
.
Ce choix est valable sous certaines conditions [ABD01]. Dans un contexte déterministe, la
synthèse de Qk et Rk+1 joue un rôle primordial dans l’amélioration des performances du
filtre de Kalman étendu. Pour plus de détails sur ce dernier point, nous invitons le lecteur
à consulter [DBGR92], [DBB+ 93], [BRD97], [RSU98] et [RSU99].

B) Observateur de Luenberger étendu

L’observateur de Luenberger étendu intervient, soit au niveau du système original avec un

gain constant, soit par le biais d’un changement de coordonnées avec un gain dépendant
de l’état à estimer. Dans le premier cas, un modèle linéarisé est nécessaire, et le gain de
l’observateur est calculé par placement de pôles. Ce type d’observateur ne peut être utilisé
que lorsque l’on est sûr que l’état restera au voisinage de l’état d’équilibre. Pour cette rai-
son, cette méthode n’est pas très utilisée, parce que son utilisation peut être compromise
par les instabilités qui peuvent se révéler si on s’éloigne du point de fonctionnement. Dans
le deuxième cas, comme nous l’avons mentionné précédemment, les méthodes de change-
ment de coordonnées ne concernent qu’une classe restreinte de systèmes non linéaires. En
effet, beaucoup d’approches utilisant les changements de coordonnées nécessitent l’inté-
gration d’un ensemble d’équations aux dérivées partielles non linéaires, ce qui est souvent
très délicat à réaliser. De ce fait, l’utilisation de solutions approchées est envisageable.

[Link] Observateur à grand gain : Approche de Thau et ses généralisations

Une méthode directe de conception d’observateurs est d’utiliser un retour de sortie
linéaire. Cette approche, introduite initialement dans [Tha73], s’applique à la classe des

34
 1.5. Observateurs d’état

systèmes non linéaires s’écrivant sous la forme suivante :

ẋ = Ax + φ(x, u) (1.72a)
y = Cx (1.72b)

où x ∈ Rn , u ∈ Rm et y ∈ Rp représentent respectivement les vecteurs d’état, des entrées

et des sorties du système. La paire (A, C) est détectable et la non-linéarité φ satisfait la
propriété de Lipschitz par rapport à x :

�φ(x, u) − φ(x̂, u)� ≤ γφ �x − x̂�, ∀ x, x̂ ∈ Rn et ∀ u ∈ Rm (1.73)

où γφ est la constante de Lipschitz de la fonction φ.

Ce type d’observateurs est relativement classique en observation des systèmes non li-
néaires. Son nom est dû au fait que le gain de l’observateur choisi est suffisamment grand
pour compenser la non linéarité du système.
L’observateur de type Luenberger correspondant à (1.72) est de la forme :

x̂˙ = Ax̂ + φ(x̂, u) + K(y − C x̂) (1.74)

La dynamique de l’erreur d’estimation ε = x − x̂ est donnée par l’équation :

ε̇ = (A − KC)ε + φ(x, u) − φ(x̂, u) (1.75)

L’objectif est de déterminer sous quelles conditions le gain K peut garantir la stabilité de
l’erreur d’estimation ε en zéro.
La méthode de Thau [Tha73] fournit une condition suffisante de stabilité asymptotique
de l’erreur d’estimation (1.75). Le résultat de cette méthode est donné par le théorème
suivant :

Théorème 1.5.1. ([Tha73]) Considérons le système (1.72) et l’observateur (1.74). Si le

gain d’observation K est choisi tel que

λmin (Q)
γφ < (1.76)
2λmax (P )

où λmin (S) et λmax (S) désignent respectivement les valeurs propres minimale et maximale
de la matrice carrée S, les matrices P = P T > 0 et Q = QT > 0 désignent les solutions
de l’équation de Lyapunov :

(A − KC)T P + P (A − KC) + Q = 0 (1.77)

alors l’erreur d’estimation (1.75) est exponentiellement stable.

La preuve de ce théorème est basée sur l’utilisation de la fonction de Lyapunov stan-

dard
V = V (ε) = εT P ε.

35
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

Pour plus de détails sur la preuve du théorème 1.5.1, nous invitons le lecteur à consul-
ter [Tha73].
λmin (Q)
Il a été démontré dans [PT80] que le rapport 2λ max (P )
est maximal si Q = In . Le pro-
blème donc est réduit à choisir un gain K qui satisfait
1
γφ < (1.78)
2λmax (P )
où
(A − KC)T P + P (A − KC) = −In .
L’approche de Thau n’est pas une méthode de synthèse systématique. Elle permet seule-
ment de vérifier la convergence de l’observateur (1.74), a posteriori. En effet, le choix
des matrices P , Q et K qui satisfait l’inégalité (1.76) n’est pas direct. Par exemple, le
placement des valeurs propres de (A − KC) dans le demi-plan gauche n’implique pas que
la condition (1.76) soit satisfaite. Il n’existe aucune relation spécifique entre les valeurs
propres de (A − KC) et λmax (P ), ceci a été prouvé dans [RH94] par un simple exemple
numérique.

Ce type d’observateurs a été largement étudié dans la littérature par de nombreux cher-
cheurs. Une méthode constructive a été proposée par Raghavan dans [RH94], où une
solution explicite et systématique du choix du gain de l’observateur est fournie. Cette
solution est illustrée dans le théorème suivant :
Théorème 1.5.2. ([RH94]) Considérons le système (1.72) et l’observateur (1.74). S’il
existe � > 0 tel que l’équation de Riccati
� 1 �
AP + P AT + P γφ2 In − C T C P + In + �In = 0 (1.79)
�
admet une solution P symétrique définie positive, alors le gain d’observateur donnée par
1
K= P CT (1.80)
2�
stabilise asymptotiquement la dynamique de l’erreur d’estimation (1.75).
Cependant, cet algorithme n’est pas efficace pour toutes les paires (A, C) observables
et malheureusement ne donne pas d’informations sur les conditions que doit vérifier la
matrice (A − KC) afin d’assurer la stabilité de l’erreur d’estimation. Nous avons vu que
le placement des valeurs propres de (A − KC) dans le demi-plan gauche est certainement
insuffisant.
Dans [Zak90], l’auteur a suggéré une procédure de conception liée directement à la matrice
(A − KC). Dans cette procédure, le choix du gain K tel que

σmin (A − KC) > γφ (1.81)

assure l’inégalité (1.78). Les valeurs singulières de (A−KC) jouent, en effet, un rôle sur la
convergence de l’observateur. Malheureusement, ce résultat est en général incorrect. Ceci

36
 1.5. Observateurs d’état

a été démontré par un contre exemple dans [Raj98].

L’inexactitude du résultat précédent est intuitivement compréhensible. En effet, les va-

leurs singulières d’une matrice déterminent si celle-ci est proche d’être singulière. Une
matrice pourrait être proche d’être singulière, mais ses valeurs propres restent proches
de l’axe imaginaire. Cette distinction a été clarifiée après la nouvelle méthode proposée
dans [Raj98]. En effet, dans [Raj98], Rajamani a établi un nouveau résultat permettant
de corriger le précédent. Ce résultat est résumé dans le théorème suivant qui fournit des
conditions nécessaires et suffisantes que doit vérifier la matrice (A−KC) afin de démontrer
la convergence de l’observateur.

Théorème 1.5.3. ([Raj98]) Considérons le système (1.72) et l’observateur (1.74), avec

(A, C) observable et φ satisfait (1.73). Alors, l’erreur d’estimation est asymptotiquement
stable si le gain K peut-être choisi tel que (A − KC) soit stable et
� �
min σmin (A − KC − jωIn ) > γφ (1.82)
ω≥0

où j est tel que j 2 = −1.

La démonstration complète de ce théorème est donnée en trois étapes dans [Raj98].

D’autres méthodes de synthèse d’observateurs ont été développées spécialement pour

la classe des systèmes uniformément observables [GHO92], [BH91] et [BCCG93]. Ces
méthodes utilisent un changement de variables pour se ramener à un système de la
forme (1.72). Une fois le système transformé, l’utilisation d’un observateur à grand gain est
systématique. Ce type d’observateurs a été appliqué à une classe de systèmes biologiques
et à des procédés biotechnologiques dans [GHO92], [FH93] et [OBS99].

[Link] Observateurs de Luenberger Généralisés (OLG)

Récemment, une nouvelle conception d’observateurs a été proposée dans [AK99],
[AK01b], [AK01a], [Arc02], [FA02] et [FA03]. La classe des systèmes concernés par cette
nouvelle conception consiste à ajouter à l’observateur de Luenberger un deuxième retour
de sortie linéaire à l’intérieur de la partie non linéaire du système. Cette approche concerne
les systèmes décrits par les équations suivantes :

ẋ = Ax + Gγ(Hx) + �(y, u) (1.83a)

y = Cx. (1.83b)

L’observateur d’état proposé a la structure suivante :

� �
˙x̂ = Ax̂ + Gγ H x̂ + K(y − C x̂) + �(y, u) + L(y − C x̂). (1.84)

Des conditions de convergence de l’observateur (1.84) ont été établies dans [AK99]
et [AK01a] . Ce résultat concerne les systèmes pour lesquels la fonction non linéaire
γ satisfait les hypothèses suivantes :

37
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

1. chaque composante γi est une fonction scalaire à variable scalaire, c-à-d :

��
j=n �
γi = γi Hij xj , i = 1, ..., r. (1.85)
j=1

2. Toutes les composantes de γ sont des fonctions non décroissantes, c-à-d :

γi (v) − γi (w)
0≤ , ∀ v �= w ∈ R. (1.86)
v−w
En utilisant (1.83) et (1.84), la dynamique de l’erreur d’estimation ε = x − x̂ s’écrit :
� �
ε̇ = (A − LC)ε + G γ(v) − γ(w) (1.87)

où
v = Hx et w = H x̂ + K(y − C x̂).
Ces conditions de convergence sont illustrées dans le théorème suivant :
Théorème 1.5.4. L’erreur d’estimation (1.87) est exponentiellement stable à l’origine
s’il existe une matrice P = P T > 0, une constante ν > 0 et une matrice diagonale Λ > 0
telles que l’inégalité
� �
(A − LC)T P + P (A − LC) + νIn P G + (H − KC)T Λ
≤0 (1.88)
GT P + Λ(H − KC) 0

soit faisable.
Cette technique a été étendue dans [FA02] et [FA03] au cas des systèmes monotones
multi-variables. Des conditions de convergence analogues ont étés obtenues. De nouvelles
conditions suffisantes de synthèse des gains K et L ont été proposées dans [AK01b] pour
une classe de systèmes dont la non linéarité est une fonction scalaire à variable scalaire. Ce
résultat est plus général que le précédent, puisqu’il prend en compte les bornes du terme
γ(v)−γ(w)
v−w
quand elles existent, c’est à dire quand la non-linéarité satisfait la condition

γ(v) − γ(w)
0≤ ≤ b, ∀ v �= w ∈ R. (1.89)
v−w
Dans ce cas, en exploitant la condition (1.89), les auteurs ont établi le théorème suivant :
Théorème 1.5.5. L’observateur d’état (1.84) converge exponentiellement s’il existe une
matrice P = P T > 0, une constante ν > 0 et une matrice diagonale Λ > 0 telles que
l’inégalité
� �
(A − LC)T P + P (A − LC) + νIn P G + (H − KC)T
≤0 (1.90)
GT P + (H − KC) − 2b

soit faisable.

38
 1.5. Observateurs d’état

Cette dernière inégalité est moins restrictive que (1.88). En effet, dans (1.88) il est né-
cessaire d’avoir P G + (H − KC)T Λ = 0 à cause de la présence d’un zéro sur la diagonale.
Ceci rend l’inégalité (1.88) contraignante. Cependant, dans (1.90), le zéro sur la diagonale
est remplacé par − 2b , ce qui n’impose pas à P G + (H − KC)T d’être nul. Notons qu’en
particulier, pour b = +∞, nous retrouvons l’inégalité (1.88).

Le seul inconvénient de cette technique se trouve dans le fait qu’elle est applicable aux
systèmes dont la jacobienne de chaque composante de la fonction non linéaire est une
matrice carrée.

1.5.4 Observateurs d’état des systèmes singuliers non linéaires

A l’inverse du cas linéaire, peu de travaux ont été réalisés autour de l’observation
des systèmes singuliers non linéaires. Récemment, quelques travaux intéressants ont été
proposés par [BADF97], [Shi96], [ZM97], [LH06] et [DBB08]. Dans [BADF97], un observa-
teur asymptotique local est proposé pour des systèmes singuliers non linéaires généraux.
L’approche est basée sur la résolution des équations de Sylvestre et la transformation des
coordonnées. Dans [Shi96], l’auteur a proposé un observateur implicite pour une classe de
systèmes singuliers non linéaires Lipschitz, l’approche est basée sur la décomposition du
système singulier en deux parties, une dynamique et l’autre statique.
Un des travaux intéressants et les plus récents qui traitent les systèmes singuliers non
linéaires est proposé dans [LH06], le type de système traité est le suivant

E ẋ(t) = Ax(t) + BΦ(t, x, u) (1.91a)

y(t) = Cx(t) (1.91b)

avec x(t) ∈ IRn le vecteur d’état, u(t) ∈ IRq l’entrée, et y ∈ IRp la sortie, la matrice
E ∈ IRn×n est carrée avec 0 < rankE < n les matrices A, B, C sont constantes et de
dimensions appropriées, avec rangC = p. La fonction Φ satisfait la condition Lipschitz
suivante

�Φ(t, x1 , u) − f (t, x2 , u)� ≤ λ(�F (x1 − x2 )�)

avec F une matrice constante de dimension appropriée.
L’observateur proposé est un observateur singulier de type Luenberger d’ordre plein

˙
E x̂(t) = Ax̂(t) + BΦ(t, x̂, u) − L(y − C x̂) (1.92a)

où x̂ est l’estimé de x, L ∈ IRn×p est le gain de l’observateur qu’on doit déterminer.

La dynamique de l’erreur d’observation e(t) = x − x̂ est donnée par

E ė(t) = (A − LC)e(t) + B[Φ(t, x̂, u) − Φ(t, x̂, u)] (1.93a)

Le théorème suivant donne les conditions d’existence de l’observateur (1.92)

39
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

Théorème 1.5.6. Il existe un observateur d’ordre plein de la forme (1.92) pour le système
(1.91) s’il existe deux matrices P ∈ IRnn et Q ∈ IRpn telles que les inégalités suivantes :

ET P = P T E ≥ 0
� �
AT P + P T A + C T Q + Q T C + F T F P T B
<0 (1.94)
BT P −I

soit satisfaites. La matrice P doit avoir la forme suivante :

� �
P 1 0
P = MT N −1
P2 P4

avec M et N deux matrices non singulières qui vérifient

� �
IE 0
M EN =
0 0

Pour trouver la condition (1.94), les auteurs ont introduit la fonction de Lyapunov
suivante :
V = e(t)E T P e(t) avec E T P = P T E ≥ 0
En dérivant cette fonction le long de la solution de (1.91) et en utilisant la propriété de
Lipschitz, on retrouve la condition (1.94).

1.6 Stabilisation par retour d’état statique et par com-

mande basée observateur
Le but de la stabilisation est de construire une loi de commande dite en boucle fermée,
par retour d’état statique u(t) = Kx(t), ou par commande basée observateur u = K x̂(t),
où x̂(t) est l’estimé de x(t), afin d’amener le système à l’origine, quel que soit le point
de départ. Le premier type de commande est basé sur l’utilisation à chaque instant de
l’état du système pour déterminer la commande, par conséquent l’état doit être accessible
pour tout t > 0. Dans le cas où l’état n’est pas accessible, la commande réellement mise
en oeuvre est celle par retour de sortie dynamique, qui est basée sur l’utilisation d’un
observateur asymptotique de l’état.

1.6.1 Stabilisation par retour d’état statique

Considérons le système linéaire suivant

ẋ(t) = Ax(t) + Bu(t) (1.95a)

y(t) = Cx(t) (1.95b)

40
 1.6. Stabilisation par retour d’état statique et par commande basée observateur

avec la condition initiale x(0) = x0 , x(t) ∈ IRn est le vecteur d’état, u(t) ∈ IRm le vec-
teur des commandes et y(t) ∈ IRp le vecteur des mesures. A, B, C des matrices constantes
de dimensions appropriées.

Théorème 1.6.1. Si on suppose que le système (1.95) est commandable et observable, il

existe un feedback de la forme u(t) = Kx(t) stabilisant le système (1.95), c-à-d il existe
une matrice K telle que la matrice A + BK soit Hurwitz.

1.6.2 Stabilisation par commande basée observateur

Considérons le système (1.95), soit l’observateur de Luenberger suivant
˙
x̂(t) = Ax̂(t) + Bu(t) + L(C x̂(t) − y(t)) (1.96a)
où x̂(t) ∈ IRn est l’estimée de x(t), L est une matrice de dimension appropriée qui
représente le gain de l’observateur
Introduisons l’erreur d’observation e(t) = x̂(t)−x(t), nous obtenons la dynamique suivante
ė(t) = (A + LC)e(t) (1.97a)
Si la matrice A + LC est Hurwitz, nous avons e(t) −→ 0
t→∞

Définition 1.6.1. On appelle commande basée observateur, la commande u(t) = K x̂(t)

Théorème 1.6.2. Si on suppose que le système (1.95) est stabilisable et détectable, il
existe une commande basée observateur u(t) = K x̂(t) stabilisant le système (1.95), c-à-d
il existe deux matrice K et L de dimensions appropriées telles que les matrices A + BK
et A + LC soient Hurwitz, alors le système en boucle fermé
ẋ = Ax(t) + BK x̂ (1.98a)
x̂˙ = (A + BK)x̂(t) + LC(x̂(t) − x(t)) (1.98b)
est asymptotiquement stable.

Démonstration :
En augmentant l’équation de la dynamique de (1.95) par la dynamique de l’erreur
(1.97) nous obtenons le système suisvant
� � � �� �
x A + BK BK x
= (1.99)
ė(t) 0 A + LC e(t)
Par l’application du principe de séparation, les dynamiques du système
� commandé en �
A + BK BK
boucle fermé (1.98)-(1.98), c-à-d les valeurs propres de la matrice
0 A + LC
sont à partie réelle négative. Ces valeurs propres sont constituées de la réunion de celles
de la commande par retour d’état statique et de celles de l’observateur, c-à-d les valeurs
propres de A + BK et A + LC.

41
Chapitre 1. Présentation de l’état de l’art sur les systèmes singuliers

1.7 Conclusion
Ce chapitre a été consacré à quelques rappels et informations nécessaires sur les sys-
tèmes singuliers. Aussi, nous avons mis le point sur quelques concepts relatifs à la stabilité
des systèmes dynamiques (stabilité au sens de Lyapunov), le filtrage H∞ . Ensuite, nous
avons présenté quelques rappels et définitions sur l’observabilité et le principe d’estima-
tion d’état dans le cas des systèmes singuliers linéaires ainsi que les systèmes non linéaires.
D’autres part, nous avons présenté des méthodes de synthèse d’observateur développées
dans la littérature, pour le cas des systèmes singuliers linéaires, les systèmes non linéaires,
et les systèmes singuliers non linéaires. Le dernier point abordé dans ce chapitre concerne
l’application du principe de séparation pour la synthèse de commande basée observateur
dans le cas des systèmes linéaires standards.

42
 Chapitre 2

Systèmes singuliers bilinéaires

Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2 Préliminaires et formulation du problème . . . . . . . . . . . . 44
2.2.1 Généralités sur les systèmes bilinéaires . . . . . . . . . . . . . . 44
2.2.2 Systèmes avec des incertitudes vérifiant des contraintes quadra-
tiques intégrales IQC . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.3 Systèmes auxiliaires et performances robustes . . . . . . . . . . 48
2.2.4 Formulation du problème . . . . . . . . . . . . . . . . . . . . . 50
2.2.5 Conditions de non biais de l’observateur . . . . . . . . . . . . . 52
2.3 Procédure de synthèse de l’observateur . . . . . . . . . . . . . 53
2.3.1 La résolution des contraintes de Sylvester . . . . . . . . . . . . 53
2.3.2 Etude de la stabilité . . . . . . . . . . . . . . . . . . . . . . . . 57
2.3.3 Extension au filtrage H∞ . . . . . . . . . . . . . . . . . . . . . 58
2.4 Exemple Numérique . . . . . . . . . . . . . . . . . . . . . . . . . 61
2.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

2.1 Introduction
Ce chapitre propose une méthode de synthèse d’observateur H∞ pour une classe de
systèmes singuliers bilinéaires. Ces derniers sont introduits lorsque le comportement dy-
namique d’un système ne permet pas de le modéliser par une représentation linéaire. La
dynamique et les équations des mesures des systèmes singuliers bilinéaires considérés sont
soumis à des perturbations à énergie finie non mesurées et à des entrées bornées. Les
entrées sont traitées comme des incertitudes structurées bornées en normes.
L’observateur proposé pour cette classe de systèmes est un observateur non biaisé,
c-à-d la dynamique de l’erreur d’estimation est indépendante de l’état du système. Les
conditions nécessaires et suffisantes de non biais de l’observateur sont données sous une
forme d’équations de Sylvester.

43
Chapitre 2. Systèmes singuliers bilinéaires

Dans la première partie de ce chapitre nous présentons la classe des systèmes singu-
liers bilinéaires à laquelle nous nous intéressons plus particulièrement, un exemple de la
littérature décrivant un processus réel (un robot avec joint flexible) pouvant être modélisé
par un modèle bilinéaire sera présenté afin de mettre en exergue cette classe. Ensuite,
nous faisons un rappel sur les systèmes incertains et l’étude de stabilité des systèmes
soumis à des incertitudes structurées. Après, nous abordons la formulation du problème
de synthèse de l’observateur d’ordre réduit que nous proposons. Ensuite, la procédure
de synthèse d’observateur sera présentée en détail, en commençant par la méthode de
résolution des équations de Sylvester, par la suite l’étude de stabilité dans le cas sans
perturbations, et enfin la méthode de synthèse de l’observateur H∞ seront présentées. Les
conditions d’existence et de stabilité robuste de l’observateur sont données sous forme
d’inégalité matricielle linéaire (LMI). Un exemple numérique de simulation est donné à la
fin de ce chapitre pour illustrer la méthode.

2.2 Préliminaires et formulation du problème

2.2.1 Généralités sur les systèmes bilinéaires
Considérons le système bilinéaire singulier suivant
�
m

E ẋ(t) = A0 x(t) + Bu(t) + ui (t)Ai x (t) + D1 w(t) (2.1a)

i=1

y(t) = Cx(t) + D2 w(t) (2.1b)

Où x(t) ∈ IR n est le semi-vecteur d’état, u(t) ∈ IR m l’entrée du sytème, w(t) ∈ IR nw

un signal de perturbation à énergie finie, et y(t) ∈ IR p la sortie du sytème. La matrice
E ∈ IR nE ×n est singulière pour nE = n. Les matrices Ai ∈ IR nE ×n pour i = 0, 1..., m, B ∈
IR nE ×m , C ∈ IR p×n , D1 ∈ IR nE ×nw et, D2 ∈ IR p×nw sont réelles. le signal de perturbation
w(t) ∈ L2 est continu . L’entrée u(t), est continue et bornée, c-à-d u(t) ∈ Γ ⊂ IR m , telle
que

Γ := {u(t) ∈ IR m /ui,min ≤ ui (t) ≤ ui,max , i = 1, ..., m}. (2.2)

Cette représentation englobe plusieurs types de systèmes bilinéaires.
Remarque 2.2.1. Durant ce chapitre, nous utilisons les notations suivantes : ui (t) est la iime
coordonnée du vecteur des commandes u(t) et Ai est la matrice associée à la coordonnée
ui (t) dans le système (2.1a). Ainsi la matrice A0 décrit la dynamique de la partie linéaire
du système bilinéaire.
De nombreux processus en biologie, en écologie et en économie [Moh73], [Moh91],
[Wil77] (modélisation d’un réacteur biologique ou d’échange commerciaux), ainsi qu’en
mécanique [Rug81], [Hać92], [ZRMD98] (modélisation d’une suspension active), et en chi-
mie (approximation du comportement d’une colonne à distiller [EL77]) peuvent être mo-
délisés par des systèmes bilinéaires. A titre d’exemple pris dans la littérature, considérons
le cas d’un robot à joint flexible décrit dans l’exemple suivant :

44
 2.2. Préliminaires et formulation du problème

[Link] Exemple
Soit le processus des figures (2.1) et (2.2). Il s’agit d’un robot à joint flexible muni d’un
moteur à courant continu (DC), permettant de fournir un couple à un axe de transmission
qui le transmet au pendule constituant la partie mobile principale du robot. Cette trans-
mission n’est pas rigide, mais elle est modélisée par un ressort de torsion de constante de
raideur k. La dynamique rapide peut être modélisée par des équations bilinéaires statiques.
Le modèle détaillé sous forme de système singulier bilinéaire est donné dans la littérature
[N97], [ZW07], [ZW06], on choisit comme variable d’état les grandeurs suivantes :

1) x1 (t) la rotation angulaire du moteur.

2) x2 (t) la vélocité angulaire du moteur.
3) x3 (t) la position angulaire de la liaison.
5) x4 (t) la vitesse angulaire de la liaison.
6) x5 (t) la perturbation du sous-système rapide.
7) f (t) la perturbation inconnue .
8) d(t) le défaut inconnu.
Ce processus peut être modélisé par les équations suivantes

ẋ1 (t) = x2 (t)

k k Kk
ẋ2 (t) = − x1 (t) + x2 (t) + x3 (t) + u(t)
Jm Jm Jm
ẋ3 (t) = x4 (t)
k k mghk mghk
ẋ4 (t) = x1 (t) + x3 (t) + γx5 (t) + (x3 (t) + x5 (t))u(t) + d(t)
Jl Jl Jl Jl
0 = x1 + x3 + x5 + d0 (x3 (t) + x5 (t))u(t) + d1 d(t)
y1 (t) = x1 , y2 (t) = x2 (t)

Figure 2.1: Robot à joint flexible

45
Chapitre 2. Systèmes singuliers bilinéaires

%
#$%&'(
)*
!! !"

"$ "#
Figure 2.2: Schéma d’un robot avec joint flexible

Ceci nous donne, sous forme matricielle, le système singulier bilinéaire suivant :

       
1 0 0 0 0 ẋ1 (t) 1 0 0 0 0 x1 (t) 0
    k    
0 1 0 0 0    k K    
 ẋ2 (t) − Jm Jm Jm 0 0 x2 (t)  0 
k

       
0 0 1 0 0 ẋ3 (t) =  0 0 0 1 0 x3 (t) +  0  x3 (t)u(t)
       
0 0 0 1 0    k k  x (t)  mghk 
  ẋ4 (t)  Jl Jl
γ 0 0   4   Jl 

0 0 0 0 0 ẋ5 (t) 1 0 1 0 1 x5 (t) d0

     
0 0 0
  K   
 0   k  0 
   Jl   
     
+  0  x5 (t)u(t) +  0  u(t) +  0  d(t) (2.3a)
     
 mghk  0  mghk 
 Jl     Jl 
d0 0 d1
 
x1 (t)
 
� � x2 (t)
1 0 0 0 0   

y(t) = x3 (t) (2.3b)
0 1 0 0 0  x (t)

 4 
x5 (t)

2.2.2 Systèmes avec des incertitudes vérifiant des contraintes qua-

dratiques intégrales IQC
Dans cette section nous considérons un type de système incertain défini par [MR97b],
[MR97a], [JM99] :
�
s

ẋ(t) = Ax(t) + D1 w(t) + H1i pi (t) (2.4a)

i=1

46
 2.2. Préliminaires et formulation du problème

�
s

y(t) = Cx(t) + D2 w(t) + H2i pi (t) (2.4b)

i=1

Où x(t) ∈ IR n est le vecteur d’état, w(t) ∈ IR nw le vecteur de perturbation à énergie

finie et y(t) ∈ IR p la sortie du sytème. Les variables pi (t) ∈ IRki , représentent les incerti-
tudes, avec ki le nombre de colonnes de H1i ou H2i , lesmatricesA, C, D1 et D2 sont des
matrices de dimensions appropriées et les matrices H1i , H2i expriment les poids respectifs
selon lesquels le système (2.4) est assujetti aux incertitudes. Elles sont constantes et de
dimensions appropriées. Nous considérons des sorties fictives qi (t) ∈ IRki données par

qi (t) = E1i x(t) + E2i w(t) + E3i p(t)

qui vérifient les contraintes IQC suivantes
� T � T
2
||pi (t)|| dt ≤ ||qi (t)||2 dt
0 0

avec E1i , E2i , E3i des matrices constantes de dimensions appropriées.

Le système (2.4) peut être représenté par la figure (2.3)
$!!" #!!"
!!"

&!!" %!!"
!""
Figure 2.3: Système incertain avec IQC
donc la fonction de transfert du système (2.4) est donnée par
� � � �
E1 � � E E
3 2
Σ(s) = (sIn − A)−1 H1 D1 +
C H2 D2
¯
où ∆(t) ∈ Υ représente les incertitudes, tel que Υ est l’ensemble des matrices bloc diago-
nales défini par
� s
�
�
¯
Υ= ∆(t)=bdiag(∆ 1 (t),∆2 (t),· · ·, ∆s (t)); ∆i (t) ∈ IR
ki ×k ¯ T ¯ ≤ I , ∀t ≥ 0, k̄ =
, ∆ (t)∆ ki (2.5)
k̄
i=1

En définissant
H1i = H1 bdiag(0, · · · , Iki , · · · , 0),
H2i = H2 bdiag(0, · · · , Iki , · · · , 0),
E1i = bdiag(0, · · · , Iki , · · · , 0)E1 ,
E2i = bdiag(0, · · · , Iki , · · · , 0)E2 .

47
Chapitre 2. Systèmes singuliers bilinéaires

Dans ce cas nous avons

�
¯
pi (t) = ∆(t)q i (t)
; i = 1, · · · , s.
qi (t) = E1i x(t) + E2i w(t) + E3i q(t),

2.2.3 Systèmes auxiliaires et performances robustes

Considérons le système incertain suivant :

ẋ(t) = (A + ∆A (t))x(t) + (D1 + ∆D1 (t))w(t) (2.6a)

y(t) = (C + ∆C (t))x(t) + (D2 + ∆D2 (t))w(t) (2.6b)

où x(t) ∈ IR n est le vecteur d’état, w(t) ∈ IR nw le vecteur de perturbation à énergie finie et

y(t) ∈ IR p la sortie du sytème. A, C, D1 et D2 sont des matrices constantes de dimension
appropriée, ∆A (t), ∆C (t), ∆D1 et ∆D2 sont les matrices des incertitudes telles que
� � � �
∆A (t) ∆D1 H1 ¯ � �
= ¯
∆(t)(Ik̄ − E3 ∆(t)) −1
E1 E2
∆C (t) ∆D2 H2 � �� �
∆(t)

¯
avec ∆(t) ∈ Υ représentant les incertitudes, Υ est l’ensemble définie par (2.5)
La fonction de transfert dans ce cas est donnée par
� � � � � �
Σpq (s) ∗ E1 � � E E
3 2
Σ(s) = = (sIn − A)−1 H1 D1 +
∗ ∗ C H 2 D2

Σpq (s) est la matrice de transfert de p(t) vers q(t).

Pour le cas des incertitudes structurées et bornées en norme, le critère de stabilité
robuste H∞ se réduit à la norme ||Σpq ||∞ = 1. Pour le cas des incertitudes non structurées,
la condition de stabilité H∞ est très conservatrice. Cette dernière peut être relaxée en
introduisant la norme ||M̄ Σpq M̄ || (appelée "scaled H∞ norm") [MTD] avec

M̄ = bdiag(M1 , M2 , · · · , Ms ); M̄i = M̄iT > 0, i = 1, ·, s.

Théorème 2.2.1. [FBL95],[LF97] Le système (2.6) est exponentiellement stable avec une
atténuation H∞ s’il existe une matrice symétrique S et des scalaires µ et γ tels que le
système suivant :
� �
� � p(t)
(2.7a)
1
ẋ(t) = Ax(t) + + H1 S − 2 γ −1 D1
w(t)
� � � 1 � � 1 1 1
�� �
q(t) µ− 2 E 1 S 2 E3 S − 2 γ −1 S 2 E2 p(t)
= x(t) + 1
(2.7b)
y(t) C H2 S − 2 γ −1 D2 w(t)

48
 2.2. Préliminaires et formulation du problème

est stable et vérifie

� � � � � � � �
∞ ∞
q(t) p(t) p(t)
|| ||2 dt < || ||2 dt, �= 0
0 y(t) 0 w(t) w(t)

avec
S = Bdiag(µ1 Ik1 , · · · , µm Ik ) > 0

[Link] Performances robustes H∞

Considérons le système avec des incertitudes paramaétriques structurées suivant

ẋ(t) = Ax(t) + Bp p(t) + Bw w(t) (2.8a)

q(t) = Cq x(t) + Dqp p(t) + Dqw w(t) (2.8b)
y(t) = Cy x(t) + Dyp p(t) + Dyw w(t) (2.8c)

avec x(t) ∈ IRn le vecteur d’état, y(t) ∈ IRp la sortie, q(t) ∈ IRp1 la sortie fictive, p(t) ∈ IRm1
et w(t) ∈ IRm2 les vecteurs des perturbations, avec

¯
p(t) = ∆(t)q(t) ¯ T (t)∆(t)
et ∆ ¯ ≤ I m1

¯
où ∆(t) ∈ IRm1 ×p1 est la matrice des incertitudes paramétriques qui affecte le système,
¯
telle que (Im − ∆(t)D qp ) est non singulière.

Théorème 2.2.2. [Sch01] Le système (2.8) est exponentiellement stable et vérifie la

norme H∞ si et seulement �si il existe
� une matrice symétrique et définie positive X et
P1 P 2
une matice symétrique P = et un scalaire γ tels que la LMI suivante :
P2T P3
  
0 X 0 0 0 0 In 0 0
  
  X 0 0 0 0 0   A Bp Bw 
  
In AT 0 CqT 0 CyT   
   0 0 P1 P2 0 
0   0 I m1 0 

 0 B T Im D T 0 D T   
 p 1 qp yp  
0 0 P T
P 0 0   C D D  < 0(2.9)
 2 3   q qp qw 
0 BwT 0 Dqw T T
Im2 Dyw   
 0 0 0 0 −γ −1 Im 0   0 0 Im 
 2  2 
0 0 0 0 0 Ip Cy Dyp Dyw
soit vérifiée
Maintenant, si on choisit � �
−S 0
P =
0 S
1 T
avec S = Bdiag(µ1 Ik1 , · · · , µm Ik ), S = S T > 0 et S 2 = S 2 > 0, dans ce cas la LMI (2.12)
devient

49
Chapitre 2. Systèmes singuliers bilinéaires


XA + AT X + CqT SCq + CyT Cy XBp + CqT SDqp + CyT Dyp

 BpT X + Dqp
T T
SCq + Dyp Cy T
−S + Dqp T
SDqp + Dyp Dyp

BwT X + Dqw
T T
SCq + Dyw Cy T
Dqw T
SDqp + Dyw Dyp
(2.10)

XBw + CqT SDqw + CyT Dyw

T
Dqp T
SDqw + Dyp Dyw <0

T
Dqw SDqw − γ 2 Im2 + Dyw
T
Dyw

Nous choisissons comme système auxiliaire au système (2.8) le système de la forme

(2.7) suivante :

1
ẋ(t) = Ax(t) + Bp S − 2 p(t) + γ −1 Bw w(t) (2.11a)
1 1 1 1
q(t) = S 2 Cq x(t) + S 2 Dqp S − 2 p(t) + γ −1 S 2 Dqw w(t) (2.11b)
1
y(t) = Cy x(t) + Dyp S − 2 p(t) + γ −1 Dyw w(t) (2.11c)

Par correspondance avec la LMI (2.10) nous obtenons l’inégalité suivante :


1 1 1
XA + AT X + CqT SCq + CyT Cy XBp S − 2 + CqT S 2 Dqp S − 2 + CyT Dyp S − 2

 S − 21 B T X + S − 21 DT S 2 Cq + S − 12 DT Cy −S + S − 21 DT S 2 Dqp S − 12 + S − 21 DT Dyp S − 12
 p qp yp qp yp
−1 T −1 T 2 −1 T T 2 − 12 T 1
γ Bw X + γ Dqw S Cq + γ Dyw Cy γ Dqw S Dqp S + γ Dyw Dyp S − 2
−1 −1


γ −1 XBw + γ −1 CqT S 2 Dqw + γ −1 CyT Dyw

Dyw 
1 1

<0
T
γ −1 S − 2 Dqp S 2 Dqw + γ −1 S − 2 Dyp
T

T
γ −2 Dqw S 2 Dqw − γ 2 Im2 + γ −2 DywT
Dyw
(2.12)

2.2.4 Formulation du problème

Soit le système singulier bilinéaire suivant :
�
m

E ẋ(t) = A0 x(t) + Bu(t) + ui (t)Ai x (t) + D1 w(t) (2.13a)

i=1

y(t) = Cx(t) + D2 w(t) (2.13b)

Par la suite, nous considérons chaque entrée ui (t) comme "une incertitude structurée"
(voir [BEFB94]). Notons que la définition du "domaine incertain" Υ dans la relation
(2.5) peut engendrer un certain conservatisme, parcequ’en général, nous avons | ui,min |�=|

50
 2.2. Préliminaires et formulation du problème

ui,max | avec | ui,min |�= 1 et | ui,max |�= 1. Pour diminuer ce conservatisme nous pouvons
réécrire ui (t) comme suit :

ui (t) = αi + σi δi (t) (2.14)

où αi ∈ IR et σi ∈ IR sont données, ∀i = 1, ..., m, par
ui,min + ui,max ui,max − ui,min
αi = et σi =
2 2

avec α0 = 1 et σ0 = 0.

La nouvelle variable incertaine sera δi (t) ∈ Γ̄ ⊂ IRm où le polytope Γ̄ est défini par

Ῡ := {δ (t) ∈ IR m /δi,min ≤ δi (t) ≤ δi,max }.

� �� �
pour i=1,...,m

où : δi,min = −1 et δi,max = +1.

Soit Φ ∈ IR r×n1 une matrice de rang plein ligne ([DBB08]), avec ΦE = 0, donc de
(2.13) nous obtenons
�
m

ΦA0 x(t) + ΦD1 w(t) + ui (t)ΦAi x(t) = −ΦBu(t).

i=1

Nous proposons pour le système (2.13) l’observateur d’ordre réduit suivant :

� � � �
�
m
�
m

ζ̇(t) = N0 + ui (t)Ni ζ(t) + Hu (t) + J0 + ui (t)Ji y(t) (2.15a)

i=1 i=1
� �
�
m

x̂(t) = P ζ(t) − QΦBu(t) + G0 + ui (t)Gi y(t) (2.15b)

i=1

Le vecteur ζ(t) ∈ IR q représente le vecteur d’état de l’observateur et x

�(t) ∈ IR n l’estimé
de x(t). Les matrices Ni , Ji , H, P , Q, et Gi sont des matrices de dimension appropriée
à déterminer pour que x �(t) converge asymptotiquement vers x(t) pour w (t) = 0, et pour
w (t) �= 0, �e (t)�2 < γ �w (t)�2 , où e(t) = x̂(t) − x(t).
Remarque 2.2.2. Nous pouvons remarquer que la dimension de l’observateur (2.15) est
q � n, donc la présente approche unifie la synthèse des observateurs d’ordre plein (q = n)
et d’ordre réduit (q = n − p).
Soit ε (t) = ζ(t) − T Ex (t) l’écart entre ζ(t) et T Ex (t), donc la dynamique de ε (t) est
donnée par l’équation suivante

� �
�
m

ε̇(t) = N0 + ui (t)Ni ε(t) + (J0 C + N0 T E − T A0 ) x (t)

i=1

51
Chapitre 2. Systèmes singuliers bilinéaires
� �
�
m

+ ui (t) (Ni T E + Ji C − T Ai ) x (t) (2.16a)

i=1
�
m

+ (H − T B)u(t) + (J0 D2 − T D1 + ui (t)Ji D2 )w(t)

i=1
�
m

e(t) = P ε(t) + ui (t) (Gi C + QΦAi ) x(t) + (P T E + QΦA0 + G0 C − In ) x(t)

i=1
� �
�
m

+ QΦD1 + G0 D2 + ui (t)Gi D2 w(t) (2.16b)

i=1

2.2.5 Conditions de non biais de l’observateur

Le système (2.16) est indépendant de x(t) et de u(t) si et seulement si les équations
suivantes sont vérifiées :

i) N0 T E − T A0 + J 0 C = 0
ii) N i T E − T Ai + J i C = 0 pour 1 ≤ i ≤ m
iii) H = TB
 
� �TE  (2.17)
iv) P Q G0  
ΦA0  = In
C
� �
� � ΦA
i
v) Q Gi =0 pour 1 ≤ i ≤ m
C

Les équations i) − v) ont la forme d’un système d’équation de Sylvester.

Sous les conditions (2.17), la dynamique de ε(t) et l’erreur e(t) dans (2.16) sont indé-
pendantes de u(t) et de x(t).
Dans ce cas nous obtenons :
� �
�
m

ε̇(t) = N0 + ui (t)Ni ε(t) + ϕ1 (t)w(t) (2.18a)

i=1

e(t) = P ε(t) + ϕ2 (t)w(t) (2.18b)

avec ϕ1 (t) et ϕ2 (t) définies par

�m
ϕ1 (t) = J0 D2 − T D1 + ( u (t)Ji ) D2
i=1 i
�m
ϕ2 (t) = QΦD1 + G0 D2 + ( i=1 ui (t)Gi ) D2

52
 2.3. Procédure de synthèse de l’observateur

2.3 Procédure de synthèse de l’observateur

Dans cette section, nous présentons une nouvelle méthode de synthèse de l’observateur
(2.15) pour le système (2.13), elle garantit que l’erreur e (t) converge asymptotiquement
vers zéro pour w (t) = 0 ainsi que pour w (t) �= 0, �e (t)�2 < γ �w (t)�2 où γ est un
scalaire qui correspond à la performance prescrite. La synthèse de l’observateur (2.15) de
dimension q revient à trouver les matrices T , Ni , Ji , H, P , Q et Gi .

2.3.1 La résolution des contraintes de Sylvester

Avant de donner la méthode de synthèse de l’observateur (2.15), nous procédons à
la résolution des équations i), ii), iv) et v). Définissons deux matrices T̃ et Ψ telles que
T̃ = T − ΨΦ ([DBB08]), donc les équations i), ii), iv) et v) peuvent être écrites comme
suit :

 
T̃ Ē
� �ΦĀ

i) N0 −Ψ J N̄  
 C̄  = T̃ Ā (2.19)
 
Θ
 
� � T̃ Ē 
ii) P Q G   ¯ (2.20)
ΦĀ = In
C̄
Où
� � � �
N̄ = N1 N2 · · · Nm , Ā = A0 Ā1 ,
� � � �
G = G0 Ḡ , Ḡ = G1 · · · Gm ,
� � � �
J¯ = J1 J2 · · · Jm , J = J0 J , ¯
� � � �
Ē = E 0 · · · 0 , I¯n = In 0 ,
 
0 T̃ E 0 ··· 0
� �  .. .. 
C 0  0 0 T̃ E . . 
 
C̄ = et Θ =  . .. .. .. .
0 C̄1  .. . . . 0 
 
0 0 ··· 0 T̃ E
Avec  
C
··· 0 0
 
� �  0 C . . . ... 
 
Ā1 = A1 · · · Am et C̄1 =  . . .
 .. .. ... 0 
 
0 ··· 0 C

53
Chapitre 2. Systèmes singuliers bilinéaires

Supposons que le système (2.13) satisfasse l’hypothèse suivante :

Hypothèse 2.3.1.  
Ē � �
  Φ Ā 1
rang  
ΦĀ = n + rang C̄ (2.21)
1
C̄
Remarque 2.3.1. Lorsque ui (t) = 0 pour i = 1, · · · , m, l’hypothèse 2.3.1 se réduit à celle
obtenue pour les systèmes singuliers linéaires (voir [DBB08]).
Les équations (2.19) et (2.20) admettent une solution si et seulement si
 
T̃ Ē  
 
ΦĀ T̃ Ē
   
 
rang  C̄  = rang 
ΦĀ
 (2.22)
 
Θ C̄
 
I¯n
Maintenant, de l’Hypothèse 2.3.1 et (2.22), nous obtenons
   
T̃ Ē Ē � �
    Φ Ā 1
rang    
ΦĀ = rang ΦĀ = n + rang C̄
1
C̄ C̄

Soit, R1 une matrice de rang plein ligne telle que

     
R1 Ē T̃ Ē � �
      Φ Ā 1
rang      
ΦĀ = rang ΦĀ = rang ΦĀ = n + rang C̄
1
C̄ C̄ C̄

alors, il existe toujours deux matrices paramétriques K1 et T̃ telles que

� �
ΦĀ
T̃ Ē = R1 − K1
C̄
Autrement écrit  
� �  Ē
T̃ K1  
ΦĀ = R1 (2.23)
C̄
Donc sous l’Hypothèse 2.3.1, une solution de (2.23) est
 +
� � Ē
 
T̃ K1 = R1  ΦĀ
 (2.24)
C̄

54
 2.3. Procédure de synthèse de l’observateur

Ce qui donne
 +
Ē � �
  I
T̃ = R1 
ΦĀ

0
C̄

et
 +
Ē � �
  0
K1 = R1 
ΦĀ

I
C̄

Donc, sous l’Hypothèse 2.3.1 la solution générale de (2.19) est donnée par
� � � �
N0 −Ψ J N̄ = T̃ ĀΩ+ +
2 − Z 1 I − Ω 2 Ω2 (2.25)

et la solution générale de (2.20) par

� � � �
P Q G = I¯n Ω+ +
1 − Z 2 I − Ω 1 Ω1 (2.26)
 
  T̃ Ē
T̃ Ē  
   Φ Ā 
où Ω1 =  Φ Ā  Ω2 = 


. Z1 et Z2 sont des matrices arbitraires et de dimension appro-
   C̄ 
C̄  
Θ
priée.

Afin de simplifier les notations, définissons les matrices suivantes :

   
I 0
   
ΛP = I¯n Ω+   ¯ + 
1  0  , Λ Q = I n Ω1  I 
0 0
   
0 I
  � � 
ΛG = I¯n Ω1 
+  +
 0  , ∆P = I − Ω1 Ω1  0 
 
I 0
   
0 0
� �   � �  
∆ Q = I − Ω1 Ω+   +  
1  I  , ∆ G = I − Ω1 Ω1  0 
0 I
   
I 0
   
 0   I 
   
ΛN0 = T̃ ĀΩ+2   , Λ = T̃ ĀΩ+
2  
 0  Ψ  0 
   
0 0

55
Chapitre 2. Systèmes singuliers bilinéaires
   
0 0
   
 0   
  + 0 
ΛJ = T̃ ĀΩ+ 
2   , Λ = T̃ ĀΩ 2  
 N̄  0 
 I   
0 I
   
I 0
   
 0   
  +  I 
∆N0 = (I − Ω2 Ω+ )
2    , ∆ Ψ = (I − Ω 2 Ω 2 ) 
  0 
 0   
0 0
   
0 0
   
 0   
  +  0 
∆J = (I − Ω2 Ω+ )
2    , ∆ = (I − Ω 2 Ω 2 ) 
 N̄  0 
 I   
0 I

Dans ce cas nous obtenons

N0 = ΛN0 − Z1 ∆N0 , N̄ = ΛN̄ − Z1 ∆N̄ ,

Ψ = −ΛΨ + Z1 ∆Ψ , J0 = ΛJ0 − Z1 ∆J0 ,
J¯ = ΛJ¯ − Z1 ∆J¯, P = ΛP − Z2 ∆P ,
Ḡ = ΛG − Z2 ∆G , Q = ΛQ − Z2 ∆Q

avec
� � � �
ΛG = ΛG 0 ΛḠ , ∆G = ∆G0 ∆Ḡ
�et � � �
ΛJ = ΛJ0 ΛJ¯ , ∆J = ∆J0 ∆J¯

A partir de ces valeurs nous pouvons en déduire ϕ1 (t)et ϕ2 (t) comme suit

ϕ1 (t) = Λϕ1 (t) − Z1 ∆ϕ1 (t)

ϕ2 (t) = Λϕ2 (t) − Z2 ∆ϕ2

où
m
�
Λϕ1 (t) = ΛJ0 D2 − T D1 + ui (t)ΛJi D2 ,
i=1
m
�
∆ϕ1 (t) = ∆J0 D2 + ui (t)∆Ji D2 ,
i=1
n
�
Λϕ2 (t) = ΛQ ΦD1 + ΛG0 D2 + uiΛGi D2 ,
i=1
m
�
∆ϕ2 (t) = ∆Q ΦD1 + ∆G0 D2 + ui (t)∆Gi D2 .
i=1

56
 2.3. Procédure de synthèse de l’observateur

2.3.2 Etude de la stabilité

Nous pouvons remarquer que la stabilité asymptotique de ε(t) est suffisante pour que limt→∞ e(t) =
0, puisque pour w (t) = 0 nous avons

e (t) = P ε(t).

Le lemme suivant donne les conditions de stabilité de (2.18).

Lemme 2.3.1. Pour w (t) = 0, la dynamique de l’erreur (2.18) est asymptotiquement stable, s’il
existe une matrice X > 0, telle que
� � �T �
N0 + N̄ ᾱ + N̄ σ̄∆ε (δ) H̄ε X+
� � <0 (2.27)
X N0 + N̄ ᾱ + N̄ σ̄∆ε (δ) H̄ε

où
� �T
ᾱε = α1 Iq ... αm Iq ,
� �T
ᾱw = α1 Ip ... αm Ip ,
� �
σ̄ε = bdiag σ1 Iq ... σm Iq ,
� �
D̄2 = bdiag σ1 D2 ... σm D2 ,
� �
∆ε(t) (δ) = bdiag( δ1 Iq ... δm Iq ),
� �
∆w (δ) = bdiag( δ1 Inw ... δm Inw ),
� �T
H̄ε = Iq ... Iq
� �T
H̄w = Inw ... Inw

Démonstration :
Pour w(t) = 0, l’équation (2.18) devient :
� m
�
�
ε̇(t) = N0 + ui (t)Ni ε(t) (2.28a)
i=1
e(t) = P ε(t) (2.28b)

Par la substitution de ui (t) = αi + σi δi (t) dans (2.28) nous obtenons

� m
�
�
ε̇(t) = N0 + (αi + σi δi (t)) Ni ε(t) (2.29a)
i=1
e(t) = P ε(t) (2.29b)

Ce que nous pouvons réécrire comme suit :

� �
ε̇(t) = N0 + N̄ ᾱε + N̄ σ̄ε ∆ε (δ) H̄ε ε(t) (2.30a)

57
Chapitre 2. Systèmes singuliers bilinéaires

e(t) = P ε(t) (2.30b)

Soit la fonction de Lyapunov candidate V (t) = εT (t)Xε(t), sa dérivée V̇ (t) le long de la solution
de (2.30) est donnée par
� �T � �
V̇ (t) = N0 + N̄ ᾱε + N̄ σ̄ε∆ε (δ) H̄ε X + X N0 + N̄ ᾱε + N̄ σ̄ε ∆ε (δ) H̄ε

si (2.27) est satisfaite, V̇ (t) < 0, et la stabilité de ε(t) est garantie, ce qui démontre le lemme
2.3.1.

2.3.3 Extension au filtrage H∞

La synthèse de l’observateur H∞ consiste à déterminer les matrices T , Ni , Ji , H, P , Q et Gi
(i = 0, · · · , m) telles que
– L’observateur (2.15) est non biaisé pour w(t) = 0 (c’est-à-dire les erreurs d’estimation ε(t)
et e(t) sont indépendantes de x(t) ).
– L’observateur (2.15) est asymptotiquement stable pour toutes les entrées ui (t) ∈ Γ.
– Le gain L2 du système entre les perturbations w(t) et l’erreur d’estimation e(t) est inférieur
à un scalaire positif donné γ pour toute entrée ui (t) ∈ Υ lorsque w(t) �= 0.
En utilisant le changement de variable (2.14), le système (2.18) peut être reformulé de la
manière suivante :
�
ε̇(t) = (N0 + m i=1 (αi + σi δi (t)) Ni ) ε(t) + (J0 D2 − T D1 ) w(t)
�m
+ i=1 (αi + σi δi (t)) Ji D2 w(t)

�m
e(t) = P ε(t) + (QΦD1 + G0 D2 )w(t) + i=1 (αi + σi δi (t)) Gi D2 w(t)

d’où

� � � �
ε̇(t) = N0 + N̄ ᾱε + N̄ σ̄ε ∆ε (δ) H̄ε ε(t) + J0 D2 + J¯ᾱw D2 − T̃ D1 − ΨΦD1 w(t)
+ J¯D̄2 ∆w (δ) H̄w w(t)
e(t) = P ε(t) + (QΦD1 + G0 D2 + Ḡᾱw D2 )w(t) + ḠD̄2 ∆w (δ) H̄w w(t)

Nous obtenons

� �
ε̇(t) = [(ΛN0 + ΛN̄ ᾱε ) − Z1 (∆N0 + ∆N̄ ᾱε )]ε(t) + (ΛN̄ σ̄ε − Z1 ∆N̄ σ̄ε )∆ε (δ) H̄ε ε(t)
� �
+ ΛJ0 D2 − T̃ D1 + ΛΨ ΦD1 + ΛJ¯ᾱw D2 w(t) − Z1 (∆J0 D2 + ∆Ψ ΦD1 + ∆J¯ᾱw D2 ) w(t)
� �
+ (ΛJ¯D̄2 − Z1 ∆J¯D̄2 )∆w (δ) H̄w w(t)

e(t) = (ΛP − Z2 ∆P )ε (t) + (ΛG0 D2 + ΛḠ ᾱw D2 + ΛQ ΦD1 ) w(t)

� �
− Z2 (∆G0 D2 + ∆Q ΦD1 + ∆Ḡ ᾱw D2 ) w(t) + (ΛḠ D̄2 − Z2 ∆Ḡ D̄2 )∆w (δ) H̄w w(t)

Donc

58
 2.3. Procédure de synthèse de l’observateur

� − Z1 C)∆
ε̇(t) = (A − Z1 C)ε(t) + ((A � ε (δ)H̄ε )ε(t)
� − Z1 G)∆
+ (B − Z1 G)w(t) + ((B � w (δ)H¯w )w(t)

� − Z2 H)∆
e(t) = (ΛP − Z2 ∆P )ε(t) + ((F � w (δ)H̄w )w(t) + (F − Z2 H)w(t)
où
A = ΛN0 + ΛN̄ ᾱε ,
� = Λ σ̄ε , C
C = ∆N0 + ∆N̄ ᾱε , A � = ∆ σ̄ε ,
N̄ N̄
B = ΛJ0 D2 − T̃ D1 + ΛJ¯ᾱw D2 + ΛΨ ΦD1 ,
G = ∆J D2 + ∆Ψ ΦD1 + ∆ ¯ᾱw D2 , B � = Λ ¯D̄2 , G
� = ∆ ¯ D̄2 ,
0 J J J
� = Λ D̄2 ,
F = ΛG0 D2 + ΛḠ ᾱw D2 + ΛQ ΦD1 , F Ḡ
H = ∆G0 D2 + ∆Q ΦD1 + ∆Ḡ ᾱw D2 , H� = ∆ D̄2
Ḡ

Finalement nous obtenons

 
� � � �  w

� B
ε̇(t) = (A − Z1 C)ε (t) + ( B A � − Z1 G C � )  pε 
� G
 
pw
et
      
e(t) ΛP − Z 2 ∆P � − Z2 H
F − Z2 H 0 F � w
      
 qε  =  H̄ε  ε (t) +  0 0 0   pε  (2.31)
      
qw 0 H̄w 0 0 pw
où � � � �� �
pε ∆ε (δ) 0 qε
= (2.32)
pw 0 ∆w (δ) qw
Nous pouvons donc énoncer le théorème relatif à la stabilité asymptotique de l’observateur
(2.15) et l’atténuation du gain L2 du transfert entre w(t) et e(t).
Théorème 2.3.1. Sous l’Hypothèse 2.3.1, il existe un observateur de la forme (2.15) tel que
l’erreur e (t) donnée par (2.18) est asymptotiquement stable pour w (t) = 0 et satisfait �e (t)�2 <
γ �w (t)�2 pour w(t) �= 0 s’il existe des matrices symétriques définies positives X, Sε , Sw , une
matrice Y1 et un scalaire γ tels que la LMI suivante soit satisfaite :
 
AT X − CT Y1 + XA − Y1T C ∗ ∗ ∗ ∗ ∗ ∗
 
 B T X − G T Y1 −γ 2 I ∗ ∗ ∗ ∗ ∗ 
 
 � T � T 
 A X − C Y1 0 −Sε ∗ ∗ ∗ ∗ 
 
 �T X − G � T Y1 
 B 0 0 −Sw ∗ ∗ ∗ 
 
 −Sw ∗ ∗ ∗  <0 (2.33)
 
 � − Z2 H� −I 
 Λ P − Z 2 ∆P F − Z2 H 0 F ∗ ∗ 
 
 
 S H̄
ε ε 0 0 0 0 −S ε ∗ 
 
 0 S H̄ 0 0 0 0 
 w w 
−Sw

59
Chapitre 2. Systèmes singuliers bilinéaires

avec

Sε = Bdiag(µ1,ε I, · · · , µm,ε I) > 0,

Sw = Bdiag(µ1,w I, · · · , µm,w I) > 0,
Y1 = Z1T X .

où, µi,ε et µi,w , i = 1, ..., m, sont des scalaires positifs,

� ∗� : est le transposé de la partie triangulaire inférieure de la matrice.

Démonstration :
Tout d’abord , définissons les matrices suivantes :

Ae = A − Z1 C, Be = B − Z1 G (2.34a)
� �
H1 = � − Z1 C
A � B � − Z1 G � , C e = Λp − Z 2 ∆ p (2.34b)
� � � � � �
H̄ε 0 0 0
E1 = , E2 = , E3 = . (2.34c)
0 H̄w 0 0
� �
De = F − Z2 H, H2 = 0 F � − Z2 H� (2.34d)
 
� � e(t)
pε  
p = , ê(t) =  p ε

 (2.34e)
pw
qw

Le système (2.31)-(2.32) peut être réécrit comme suit :

� �
� � w
ε̇(t) = Ae ε (t) + Be H1
p

et � � � �� �
Ce D e H2 w
ê(t) = ε (t) +
E1 E2 E3 p
Nous pouvons introduire le système auxiliaire suivant :

� �
� � w
γ −1 B
−1
ε̇(t) = Ae ε (t) + e H1 S 2 (2.35a)
p
� � � �� �
γ −1 De
−1
Ce H2 S 2 w
ê(t) = 1 ε (t) + 1 1 (2.35b)
γ −1 S 2 E2 S 2 E3 S
−1
S 2 E1 2 p
� �
Sε 0
où S = .
0 Sw
En utilisant le lemme borné réel (voir [BEFB94], [LF97], [FdX91]), le système (2.35) est
asymptotiquement stable pour w (t) = 0 et vérifie �e (t)�2 < γ �w (t)�2 pour w(t) �= 0 s’il existe

60
 2.4. Exemple Numérique

deux matrices symétriques et définies positives X, S, et un scalaire γ tels que l’inégalité suivante
soit satisfaite :

ATe X + XAe + CeT Ce + E1T SE1 γ −1 XBe + γ −1 CeT De + γ −1 E1T SE2

 γ −1 B T X + γ −1 DT Ce + γ −1 E T SE1 γ −2 DeT De + γ −2 E2T SE2 (2.36)
 e e 2
S 2 H1T + S 2 H2T Ce + S −1 E3T SE1 S 2 γ−1H2T De + γ−1S 2 E3T E2
−1 −1 −1 −1


+ CeT H2 S + E1T SE3 S
−1 −1 −1
XH1 S 2 2 2

γ −1 DeT H2 S −1 + γ −1 S
−1
2 E2 SE3 S
−1
2 <0 (2.37)
2 
γ −1 H2T H2 S 2 E3T SE3 S 2
−1 −1 −1 −1
+S 2 +S 2

En multipliant cette inégalité à gauche et à droite par :

1
bdiag(I, γI, S 2 )

et en appliquant le lemme de Schur (voir l’annexe B (B.2.1)), nous obtenons :

 
ATe X + XAe XBe XH1 CeT E1T S
 
 BeT X −γ 2 I 0 DeT E2T S 
 
 
 H1T X 0 −S H2T E3 S  < 0 (2.38)
 
 Ce De H2 −I 0 
 
SE1 SE2 SE3 0 −S

En remplaçant les matrices Ae , Be , H1 , Ce , E1 , De , H2 , E2 , E3 par leurs valeurs, et en faisant le

changement de variable Y1 = Z1T X, nous obtenons la LMI (2.33). Cela complète la démonstration
du théorème.

2.4 Exemple Numérique

Considérons le système singulier bilinéaire décrit par :
   
1 0 0 −5 0 0
   
E= 0 1 0  , A 0 =  0 −7 0 
 
0 0 0 0 −3 −7
   
−1 0 0 −2 0 0
   

A1 =  0 −1 0   
 , A2 =  0 −1 0 
0 0 −1 0 0 −1

     
0 1 2 1
     
B=
1 0    
 , D1 = 1 , D2 = 1 ,
−1 −1 1 1

61
Chapitre 2. Systèmes singuliers bilinéaires
 
1 1 1 � �
  3sin(2πt)
C= 
1 0 1 , u(t) = sin(2πt)
0 0 1
Pour cette exemple, l’Hypothèse 2.3.1 est vérifiée.

Ainsi, nous avons � �

� � � � � � 3 3 3 0 0 0
Φ = 0 0 1 , Ē = E 03×6 , Ā = A0 A1 A2 , D̄2 = .
0 0 0 1 1 1
On choisit de synthétiser un observateur d’ordre réduit q = 1, soit
� �
R1 = 0 1 0 0 0 0 0 0 0

En utilisant les résultats de la synthèse précédemment présentés, on obtient les matrices de

l’observateur suivantes :

N 0 = 1.2927 × 1013 , N 1 = 0.1371, N 2 = −0.099,

� �
J0 = 1012 −7.7 8.17 −0.475 ,
� � � �
J1 = −0.75 1.186 −0.586 , H = 0.584 −0.0486
 
� � 0.007
 
J2 = 0.221 1.8054 −0.0516 , P = 10−14   0.011,

0.9
   
0 0 1 −1
   
Q =  0  , G0 =  1
  −1 0 ,

−0.11 −0.324 0.324 0.2432
   
0 0 0 0 0 −0
   
G1 = 0 0 0  
 , G2 = 0 0 0 .
0 0 −0.11 0 0 −0.12

Les résultats de simulation sont présentés dans les figures (2.4)- (2.11). Les figures (2.4) et
(2.5), présentent les perturbations w1 (t) et w2 (t). Les figures (2.6), (2.7) et (2.8) présentent les
états x1 (t), x2 (t), x3 (t) et leurs estimés x̂1 (t),   x̂3 (t). Les figure (2.9), (2.10), et (2.11)
x̂2 (t),
1
 
présentent les erreurs d’estimation. Avec x(0) = 2 
 et ζ(0) = −5, comme conditions initiales.
1

62
 2.5. Conclusion

perturbation
4
w1
3

1
Perturbation

−1

−2

−3

−4

−5

−6
0 10 20 30 40 50
Temps

Figure 2.4: La perturbation w1 (t)

2.5 Conclusion
Dans ce chapitre nous avons proposé une méthode de synthèse d’un observateur H∞ pour
une classe de systèmes singuliers bilinéaires. Cette approche unifie la synthèse des observateurs
d’ordre réduit, d’ordre plein et d’ordre minimal. La méthode que nous avons proposé est basée
sur la résolution des équations de Sylvester sous contraintes. Les paramètres de l’observateur
sont obtenus via la résolution des inégalités matricielles linéaires LMI. Un exemple numérique
est donné afin de valider nos résultats.

63
Chapitre 2. Systèmes singuliers bilinéaires

perturbation

w2
0.3

0.2

0.1
w2

−0.1

−0.2

0 5 10 15 20
Time

Figure 2.5: La perturbation w2 (t)

2
x1
xo1
0

−2
x1, xo1

−4

−6

−8

−10

−12
0 10 20 30 40 50
Temps

Figure 2.6: L’état x1 (t) et son estimé xˆ1 (t)

64
 2.5. Conclusion

2
x2
xo2
0

−2
x2, xo2

−4

−6

−8

−10
0 10 20 30 40 50
Temps

Figure 2.7: L’état x2 (t) et son estimé xˆ2 (t)

6
x3
5 xo3

3
x3, xo3

−1

−2
0 10 20 30 40 50
Temps

Figure 2.8: L’état x3 (t) et son estimé xˆ3 (t)

65
Chapitre 2. Systèmes singuliers bilinéaires

12
e1
10

8
Erreur e1

−2
0 10 20 30 40 50
Temps

Figure 2.9: L’erreur e1 (t) = x1 (t) − x̂1 (t)

12
e2
10

8
Erreur e2

−2
0 10 20 30 40 50
Temps

Figure 2.10: L’erreur e2 (t) = x2 (t) − x̂2 (t)

66
 2.5. Conclusion

1
e3
0

−1

−2
Erreur e3

−3

−4

−5

−6

−7
0 10 20 30 40 50
Temps

Figure 2.11: L’erreur e3 (t) = x2 (t) − x̂3 (t)

67
Chapitre 2. Systèmes singuliers bilinéaires

68
 Chapitre 3

Observation des systèmes singuliers non

linéaires

Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.2 Classe de systèmes singuliers non linéaires traitée . . . . . . 70
3.3 Extension au cas des systèmes à entrées inconnues . . . . . . 70
3.4 Formulation du problème . . . . . . . . . . . . . . . . . . . . . . 72
3.5 Procédure de synthèse d’observateur . . . . . . . . . . . . . . 75
3.5.1 Résolution des équations de Sylvester . . . . . . . . . . . . . . 75
3.5.2 Etude de stabilité . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.5.3 Les conditions de stabilité sous forme d’une inégalité matricielle
stricte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3.6 L’extension au filtrage H∞ . . . . . . . . . . . . . . . . . . . . . 81
3.6.1 Procédure de synthèse du filtre H∞ . . . . . . . . . . . . . . . . 81
3.6.2 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . 85
3.7 Extension aux systèmes à sorties non linéaires . . . . . . . . . 87
3.7.1 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . 93
3.8 Synthèse de filtre H∞ des systèmes à temps discret . . . . . . 99
3.8.1 Formulation du problème . . . . . . . . . . . . . . . . . . . . . 99
3.8.2 Procédure de synthèse d’observateur . . . . . . . . . . . . . . . 100
3.9 Exemple numérique . . . . . . . . . . . . . . . . . . . . . . . . . 103
3.10 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110

3.1 Introduction
Dans ce chapitre nous présentons une méthode de synthèse d’observateur pour une classe de
systèmes singuliers non linéaires. L’approche proposée repose sur la paramétrisation des solutions
des équations de Sylvester pour éliminer la dépendance l’état des entrées et de la partie linéaire
de l’état.

69
Chapitre 3. Observation des systèmes singuliers non linéaires

Ce chapitre est organisé de la façon suivante. Dans un premier temps nous allons définir
la classe de systèmes considérée et quelques extensions qu’elle peut englober. Ensuite, nous
présentons la formulation du problème de construction de l’observateur d’ordre réduit. Par la
suite, nous présentons la procédure de synthèse d’observateur, tout en exposant en détail la
méthode de résolution des équation de Sylvester et l’étude de stabilité. Deux extensions seront
par la suite présentées. Il s’agit du filtrage H∞ pour le cas des systèmes qui présentent des
perturbations sur l’équation d’état et les équations de mesure, la deuxième extension concerne
les systèmes à dynamique et sortie non linéaires. La dernière partie de ce chapitre est consacrée
à la synthèse d’observateur pour les systèmes singuliers non linéaires à temps discret. A la fin de
chaque section un exemple d’illustration est donné pour valider les différents résultats théoriques.

3.2 Classe de systèmes singuliers non linéaires traitée

Considérons le système singulier non linéaire suivant :

E ẋ(t) = Ax(t) + Bu(t) + Df (t, FL x, u) (3.1a)

y(t) = Cx(t) (3.1b)

avec le semi état initial x(0) = x0 , x(t) ∈ IR n est le semi vecteur d’état, u(t) ∈ IR m est
la commande, et y(t) ∈ IR p est la sortie du système. La matrice E ∈ IR n1 ×n et pour n1 = n,
elle est singulière. Les matrices A ∈ IR n1 ×n , B ∈ IR n1 ×m , C ∈ IR p×n et D ∈ IR n1 ×nf sont des
matrices de dimension appropriée. La non-linéarité, f (t, FL x, u) satisfait la propriété de Lipschitz
par rapport à x :
�f (t, FL x1 , u) − f (t, FL x2 , u)� ≤ λ(�FL (x1 − x2 )�),
où λ représente la constante de Lipschitz, la matrice FL est réelle de dimension appropriée.

3.3 Extension au cas des systèmes à entrées inconnues

En effet le système (3.1) couvre une large classe de systèmes singuliers non linéaires comme
les systèmes singuliers non linéaires à entrées inconnues . Considérons le système suivant :

E ẋ(t) = Ax(t) + Bu(t) + ϕ(FL x, u) + D1 w(t) (3.2a)

y(t) = Cx(t) + D2 w(t) (3.2b)

avec
ϕ(t, FL x(t), u(t)) = Df (t, FL x, u) + Dd d(t)
et d(t) ∈ IR p×nd représente le vecteur des entrées inconnues, avec rangDd = nd . Le système
(3.2) peut être transformé en une forme équivalente à (3.1). Considérons l’annulateur ΠDd de
Dd , l’équation (3.2) peut être écrite comme suit :

ΠDd E ẋ(t) = ΠDd Ax(t) + ΠDd Bu(t) + ΠDd Df (FL x, u) + ΠDd D1 w(t) (3.3a)
Dd† E ẋ(t + 1) = Dd Ax(t) + Dd† Bu(t) + Dd† Df (FL x, u) + d(t) + Dd† D1 w (3.3b)
y(t) = Cx(t) + D2 w(t) (3.3c)

70
 3.3. Extension au cas des systèmes à entrées inconnues

avec Dd† l’inverse généralisée de Dd qui vérifie

Dd Dd† Dd = Dd .

De même le modèle (3.1) peut être utilisé pour le problème d’estimation simultanée de l’état
et des entrées inconnues. Considérons le système à entrées inconnues suivant :

Ex(t) = Ax + Bu + Fd d (t) + Df (t, x, u) + D1 w(t) (3.4a)

y(t) = Cx(t) + Gd d(t) + D2 w(t)

où d(t) est le vecteur des entrées inconnues, avec rangGd = nd .

Il existe toujours une décomposition en valeur singulière (SVD) de Gd telle que
� �
Σn d 0
U Gd V = .
0 0

Soit � � � �
Σ−1
nd 0 Ind 0
U Gd V = .
0 I 0 0
Posons
� � � � � �
Σ−1
nd 0 d1 (t) y1 (t)
U1 = U, = V −1 d (t) , = U1 y (t) = ȳ (t)
0 I d2 (t) y2 (t)

d’où
U1 y (t) = U1 Cx(t) + U1 Gd V V −1 d(t) + U1 D2 w(t)
nous obtenons alors

y1 (t) = C1 x(t) + d1 (t) + D21 w(t)

y2 (t) = C2 x(t) + D22 w(t)

et

E ẋ(t) = Ax(t) + Bu(t) + Fd V V −1 d (t) + Df (t, x, u) + D1 w(t)

ou encore

E ẋ(t) = Ax(t) + Bu(t) + Fd1 d1 (t) + Fd2 d2 (t) + Df (t, x, u) + D1 w(t)

soit

E ẋ(t) = Ax(t) + Bu(t) + Fd1 (y1 (t) − C1 x(t) − D21 w(t)) + Fd2 d2 (t)
+Df (t, x, u) + D1 w(t)

71
Chapitre 3. Observation des systèmes singuliers non linéaires

qui peut aussi s’écrire

E ẋ(t) = (A − Fd1 C1 ) x(t) + Bu(t) + Fd1 y1 ((t) + Fd2 d2 (t) + Df (t, x, u)

+ (D1 − Fd1 D21 ) w(t)

Donc le système (3.4) peut être réécrit en augmentant le semi-vecteur d’état x(t) par le
vecteur des entrées inconnues d(t), sous la forme suivante :

ĒẊ (t) = ĀX (t) + Bu(t) + Fd1 y1 (t) + Df (FL X , u) + D̄1 w (3.5a)
ȳ(t) = C̄X (t) + D̄2 w(t)

où
� � � �
x(t) � � � � C 1 Ind
X (t) = �t , Ē = E −Fd2 , Ā = A − Fd1 C1 0 , C̄ = ,
0 d2 (τ )dτ C2 0
� �
D21 � �
D̄1 = D1 − Fd1 D21 , D̄2 = , et F̄L = FL 0 .
D22

3.4 Formulation du problème

Considérons le système singulier non linéaire de la forme (3.1) suivante :

E ẋ(t) = Ax(t) + Bu(t) + Df (t, FL x, u) (3.6a)

y(t) = Cx(t) (3.6b)

Définition 3.4.1. Soit r le rang de la matrice E et soit E ⊥ ∈ IR r1 ×n1 , avec r1 = n1 − r une

matrice de plein rang ligne telle que
E⊥E = 0
E ⊥ est appelée la matrice orthogonale de E.
Pour E singulière, il existe toujours deux matrices non singulières M̄ et N̄ telles que
� �
I 0
E = M̄ N̄
0 0

Dans ce cas, l’expression de E ⊥ peut être comme suit

� �
E ⊥ = H̄ 0 I M̄ −1

avec H̄ une matrice non singulière de dimension appropriée.

En multipliant (3.6a) par E ⊥ nous obtenons

E ⊥ Ax(t) + E ⊥ Df (t, FL x, u) = −E ⊥ Bu(t) (3.7)

L’hypothèse suivante est nécessaire pour la suite de ce travail :
 
E
 
Hypothèse 3.4.1. rang  E ⊥ A = n.

C

72
 3.4. Formulation du problème

La relation entre cette hypothèse avec l’observabilité impulsionnelle est donnée par le lemme
suivant :

Lemme 3.4.1. Les conditions suivantes sont équivalentes :

 
E A
 
1) rang  
 0 C  = n + rangE
0 E
 
E
 
2) rang 
 E ⊥ A = n

C

Démonstration :
La démonstration de ce
� lemme
� peut être obtenue de la manière suivante :
E ⊥
Tout d’abord, la matrice est de rang plein colonne, où E + est ’inverse généralisée de E
EE +
qui vérifie EE + E = E, donc
    
E A E⊥ 0 E A
    
rang  
 0 C  = rang EE
 + 0  0 C 
  (3.8)
0 E 0 I 0 E
 
0 E⊥A
 
E EE + A
 
= rang   (3.9)
0 C 
 
0 E
 
0 E⊥A
 � �
E EE + A I −E + A
 
= rang   (3.10)
0 C 
  0 I
0 E
 
E
 

= rang E ⊥ A  + rangE (3.11)
C

Considérons pour le système (3.6) l’observateur d’ordre réduit suivant :

ζ̇(t) = N ζ(t) + Jy(t) + Hu(t) + T Df (t, FL x

�, u) (3.12a)
⊥ ⊥
�(t) = P ζ(t) − QE Bu(t) + F y(t) − QE Df (t, FL x
x �, u) (3.12b)

73
Chapitre 3. Observation des systèmes singuliers non linéaires

avec la condition initiale ζ(0) = ζ0 , où ζ(t) ∈ IR q est le vecteur d’état de l’observateur et

�(t) ∈ IR n est l’estimée de x(t). Les matrices N , J, T , H, P , Q, et F sont des matrices de dimen-
x
sion appropriée à déterminer telles que l’erreur e(t) = x �(t) − x(t) converge asymptotiquement
vers 0.
Soit ε(t) = ζ(t) − T Ex(t) l’écart entre ζ(t) et T Ex(t), la dynamique de ε(t) est donnée par

ε̇(t) = ζ̇ − T E ẋ
= N ζ(t)+Jy(t)+Hu(t)+T Df (t, FL x
�, u)−T Ax(t)−T Bu(t)−T Df (t, FL x, u)
= N (ζ(t) − T Ex(t)) + (N T E − T A + JC)x(t) + (H − T B)u(t)
+T D[f (t, FL x
�, u) − f (t, FL x, u)]
(3.13a)

soit

ε̇(t) = N ε + (N T E − T A + JC)x + (H − T B)u(t) + T D∆f (3.14a)

où ∆f = f (t, FL x
�(t), u) − f (t, FL x(t), u).

En substituant (3.7) dans (3.12b) nous obtenons

�(t) = P ζ(t)+Q(E ⊥ Ax(t)+E ⊥ Df (t, FL x, u))+F y(t)−QE ⊥ Df (t, FL x

x �, u)
= P (ζ(t) − (T Ex(t)) + P T E + QE ⊥ A + F C)x(t) + QE ⊥ D[f (t, FL x, u) − f (t, FL x
�, u)]
 
� � TE 
= Pε + P Q F  ⊥ 
E A x − QE D∆f
⊥
(3.15a)
C

Sous l’hypothèse 3.4.1, s’il existe une matrice T telle que

N T E − T A + JC = 0 (3.16a)
H = TB (3.16b)
 
� � TE 
P Q F  ⊥ 
 E A = I (3.16c)
C

la dynamique de l’erreurs d’estimations (3.14)-(3.15) devient

ε̇(t) = N ε(t) + T D∆f (3.17a)

⊥
e(t) = P ε(t) − QE D∆f (3.17b)

Le problème de synthèse d’observateur se ramène à trouver l’observateur de la forme (3.12a)-

(3.12b), pour le système singulier non linéaire (3.6) telle que l’erreur d’observation (3.17) est
stable.

74
 3.5. Procédure de synthèse d’observateur

3.5 Procédure de synthèse d’observateur

3.5.1 Résolution des équations de Sylvester
Les contraintes (3.16a) et (3.16c) sont présentées sous forme d’équation de Sylvester. Afin
de paramétrer les solutions de ces équations, nous devons réécrire ces équations sous forme de
système d’équation linéaire XA = B. Nous proposons de définir deux matrices arbitraires de
dimensions appropriées T̃ et Ψ telles que

T̃ = T + ΨE ⊥ (3.18)
donc
T = T̃ − ΨE ⊥ (3.19)
En remplaçant (3.19) dans l’équation (3.16a) nous obtenons

N (T̃ − ΨE ⊥ )E − (T̃ − ΨE ⊥ )A + JC = 0
ce qui donne
N T̃ E + ΨE ⊥ A + JC = T̃ A
Sous forme matricielle nous obtenons
 
� � T̃ E
 � �
N Ψ J E ⊥ A = T̃ A (3.20)
 
C

en remplaçant (3.19) dans (3.16c) nous obtenons

 
� � T̃ E

P Q F  ⊥ 
 E A = I n (3.21)
C

Définition 3.5.1. On définit l’inverse généralisée d’une matrice M , toute matrice notée M + qui
vérifie
M M +M = M
Cette inverse généralisée n’est pas unique. Soit M + une solution de M XM = M, alors la solution
générale de l’équation M XM = M est donnée par

X = M + + (I − M + M )U + V (I − M M + )
où U et V sont des matrices arbitraires de dimension appropriée.

Lemme 3.5.1. Soit le système d’équation non homogène suivant :

AX = B (3.22)

avec A ∈ IRm×n une matrice constante, B ∈ IRm vecteur constant de dimension m , X ∈ IRn le
vecteur à déterminer.
– L’équation (3.22) a une solution, si et seulement si tous les éléments de B sont des com-
binaisons linéaires de A

75
Chapitre 3. Observation des systèmes singuliers non linéaires

– L’équation (3.22) admet une solution si et seulement si Im(B) ⊂ Im(A) ou encore,

� �
rangA = rang A B

Dans ce cas la solution générale du système d’équation est donnée par

X = A+ B + (I − A+A)Z

avec Z, une matrice arbitraire de dimension appropriée.

De même, pour un système d’équations de la forme XA = B, la condition nécessaire et
suffisante d’existence d’une solution est :
� �
A
rangA = rang .
B

Dans ce cas, la solution générale est donnée par :

X = BA+ + Y (I − AA+ )
où Y est une matrice arbitraire de dimension appropriée.

Donc, les équations (3.20) et (3.21) ont une solution si et seulement si

 
T̃ E
 ⊥   
 E A T̃ E
   
 
rang  C  = rang 
 E ⊥ A
=n (3.23)
 
 T̃ A  C
 
In
De l’hypothèse 3.4.1 et de l’équation (3.23), nous obtenons
   
T̃ E E
   
rang  ⊥   ⊥ 
E A = rang E A = n
C C

Soit R une matrice de rang plein ligne telle que

     
R E T̃ E
     
rang  ⊥   ⊥   ⊥ 
E A = rang E A = rang E A = n
C C C

donc il existe toujours deux matrices K et T̃ telles que

 
� � E

T̃ K  ⊥ 
 E A = R (3.24)
C
Donc, sous l’hypothèse 3.4.1, il existe une solution pour (3.24) donnée par

76
 3.5. Procédure de synthèse d’observateur

 †
� � E
 
T̃ K = R ⊥ 
E A (3.25)
C

Dans ce cas les matrices T̃ et K sont données par

 †  †
E � � E � �
  I   0
T̃ = R  ⊥ 
 E A 0 et K = R 
 E ⊥ A
 I
C C
Toujours, sous l’hypothèse 3.4.1, la solution générale de (3.20) est donnée par :
� � � �
N Ψ J = T̃ AΩ† − Z I − ΩΩ† (3.26)
 
T̃ E
 
où Ω =  ⊥ 
E A et Z est une matrice arbitraire de dimension appropriée.
C
Toujours, sous l’hypothèse 3.4.1, (3.21) admet la solution suivante :
� �
P Q F = I n Ω† (3.27)

Maintenant, afin de simplifier les notations et de réécrire les différentes matrices N , Ψ, J, P ,

Q, F , T D, ϕ2 et ϕ2 en fonctions du paramètre Z, définissons les matrices suivantes :
     
I 0 0
     
ΛP = Ω  0  , ΛQ = Ω  I  , ΛF = Ω  0 
†  †  †
,
0 0 I
   
I I
   
ΛN = T̃ AΩ  0 
† †  
 , ∆N = (I − ΩΩ )  0 
0 0
   
0 0
   
ΛΨ = T̃ AΩ  I 
† †  
 , ∆Ψ = (I − ΩΩ )  I  ,
0 0
   
0 0
   
ΛJ = T̃ AΩ  0 
† †  
 , ∆J = (I − ΩΩ )  0  ,
I I
� � � �
Λϕ1 = ΛJ D2 − T̃ D1 + ΛΨ E ⊥ D1 , ∆ϕ1 = ∆J D2 + ∆Ψ E ⊥ D1 ,
Λ ϕ2 = (ΛQ E ⊥ D1 + ΛF D2 ),
ΛT D = T̃ D − ΛΨ E ⊥ D, ∆T D = ∆Ψ E ⊥ D.

77
Chapitre 3. Observation des systèmes singuliers non linéaires

Nous obtenons

N = ΛN − Z∆N , Ψ = ΛΨ − Z∆Ψ
J = ΛJ − Z∆J , P = ΛP , Q = ΛQ , F = ΛF
ϕ1 = Λϕ1 − Z∆ϕ1 , ϕ2 = Λϕ2 , T D = ΛT D − Z∆T D

3.5.2 Etude de stabilité

Afin d’étudier la stabilité du système (3.17a-3.17b), nous allons le réécrire sous forme d’un
système singulier non linéaire de la forme

˙
Eξ(t) = Aξ(t) + B∆f (3.28)

avec � � � � � � � �
ε I 0 N 0 TD
ξ= ,E = ,A = , et B =
e 0 0 P −I −QE ⊥ D
Dans la suite de ce chapitre nous utiliserons le lemme suivant :

Lemme 3.5.2. Soit u et v deux vecteurs de dimension appropriée. Pour tout scalaire µ > 0
l’inégalité suivante est vérifiée :
1 T
uT v + v T u � µuT u + v v (3.29)
µ
Le lemme suivant donne les conditions suffisantes de stabilité de (3.28).

Lemme 3.5.3. Le système (3.28) est asymptotiquement stable s’il existe une matrice Y , et un
scalaire µ > 0 tels que
ET Y = Y T E � 0 (3.30)
et � �
AT Y + Y T A + µρ Y T B
<0 (3.31)
BT Y −µI
� �
0 0
où ρ = .
0 λ2 FLT FL

Démonstration :
Considérons la fonction de Lyapunov suivante :

V (t) = ξ T (t)ET Y ξ(t) = ξ T (t)Y T Eξ(t)

avec ET Y = Y T E � 0

La dérivée de V (t) le long de la solution de (3.28) est donnée par

78
 3.5. Procédure de synthèse d’observateur

V̇ (t) = ξ˙T (t)ET Y ξ(t) + ξ T (t)Y T Eξ(t)

˙
= (Aξ(t) + B∆f )T Y ξ(t) + ξ T (t)Y T (Aξ(t) + B∆f )
= ξ T (t)(AT Y + Y T A)ξ(t) + ∆f T BT Y ξ(t) + ξ T Y T B∆f

En utilisant (3.29) nous obtenons l’inégalité suivante :

1 T T T
∆f T BT Y ξ + ξ T Y T B∆f � ξ Y BB Y ξ + µ∆f T ∆f (3.32)
µ

et pour V̇ (t) on obtient :

1 T
V̇ (t)�ξ T (t)(AT Y + Y T A)ξ(t) + µ∆f T ∆f + ξ (t)Y T BBT Y ξ(t)
µ
De la condition de Lipschitz, nous avons

∆f T ∆f � λ2 eT FLT FL e

et comme � �
e= 0 I ξ
nous obtenons � �
T T 0 0
∆f ∆f � ξ ξ
0 λ2 FLT FL
ce qui nous permet d’avoir
1 T T
V̇ (t) � ξ T (AT Y + Y T A + Y BB Y + µρ)ξ
µ

� �
0 0
avec ρ = .
0 λ2 FLT FL
Donc V̇ (t) < 0 si
1 T T
(AT Y + Y T A + Y BB Y + µρ) < 0
µ
et en appliquant le complément de Schur à cette inégalité nous obtenons
� �
AT Y + Y T A + µρ Y T B
<0
BT Y −µI
Ce qui complète la démonstration du théorème.
Remarque 3.5.1. Dans ce lemme, on peut voir que les conditions de stabilité (3.30) et (3.31)
sont des LMIs non-strictes, car elles contiennent des contraintes égalités, cela peut entraîner des
problèmes numériques lors de la résolution de ces équations. Par conséquent, des conditions sous
forme de LMIs strictes sont plus souhaitables du point de vue numérique.

79
Chapitre 3. Observation des systèmes singuliers non linéaires

3.5.3 Les conditions de stabilité sous forme d’une inégalité ma-

tricielle stricte
Le théorème qui suit présente les conditions de stabilité sous la forme d’une inégalité matri-
cielle linéaire stricte (LMI).

Théorème 3.5.1. Le système (3.28 ) est asymptotiquement stable s’il existe une matrice définie
positive X1 et des matrices X2 , Q1 , et Q2 , et un scalaire µ positif tels que la LMI suivante :

N T X1 + X1T N + X2 P + P T X2T + P T Q1 + QT1 P −X2 − QT1 + P T Q2

 ∗ −Q2 − QT2 + µλ2 FL FL

∗ ∗

X1 T D − QT1 QE ⊥ D − X2 QE ⊥ D

−QT2 QE ⊥ D <0 (3.33)

−µI
est satisfaite.

Démonstration :
Soit Y = XE + E⊥T�Q̄, où E⊥T �est la matrice orthogonale de ET qui satisfait E⊥T ET = 0 et
X1 X2 � �
E⊥T E⊥ > 0. Soit X = et Q̄ = Q1 Q2 . Il est facile de vérifier que
X2T X3

ET Y = Y T E�0

Dans ce cas les inégalités (3.30-3.31) sont réduites à

� �
AT XE + AT E⊥T Q̄ + ET X T A+Q̄T E⊥ A ET X T B+Q̄T E⊥ B
<0 (3.34)
BT XE + BT E⊥T Q̄ −µI

En remplaçant les matrices E, A, B et D par leurs valeurs dans (3.34), nous obtenons la LMI
(3.33), ce qui prouve le lemme 3.5.1.

Remarque 3.5.2. Pour E⊥ D = 0, l’inégalité (3.33) devient

 
N T X1 + X1T N + X2 P + P T X2T + P T Q1 + QT1 P −X2 − QT1 + P T Q2 X1T T D
 
 −X2T − Q1 + QT2 P −Q2 − QT2 + µλ21 FLT FL 0 <0
 
(T D)T X1 0 −µI
(3.35)

80
 3.6. L’extension au filtrage H∞
� �
I PT 0
En pré-multipliant le membre gauche de (3.35) par et en le post-multipliant
0 0 I
 
I 0
 
par 
 P 0 
 nous obtenons
0 I
� �
N T X1 + X1T N + µλ1 FLT FL X1T T D
<0 (3.36)
(T D)T X1 −µI

qui est exactement l’inégalité (15) de [DBB08].

3.6 L’extension au filtrage H∞

Dans cette section nous considérons le système ( 3.1) avec des perturbations sur l’équation
d’état et sur l’équation de mesure. Il peut être décrit par :

E ẋ(t) = Ax(t) + Bu(t) + Df (t, FL x, u) + D1 w(t) (3.37a)

y(t) = Cx(t) + D2 w(t) (3.37b)

avec w(t) ∈ IR nw le vecteur de perturbation à énergie finie, lesmatrices D1 ∈ IR n1 ×nw et

D2 ∈ IR p×nw sont réelles.

Remarque 3.6.1. Il n’y’a aucune perte de généralité dans l’introduction de la même perturbation
w(t) dans la dynamique du système et dans sa sortie. En effet, si on prend deux vecteurs différents
pour les perturbations w1 (t) pour la dynamique, et w2 (t) pour la sortie, et des matrices de
dimension appropriée Dw1 et Dw2 respectivement, on peut toujours
� �se ramener à la représentation
� � � � w1 (t)
(3.3) en posant D1 = Dw1 0 , D2 = 0 Dw2 et w(t) = .
w2 (t)

3.6.1 Procédure de synthèse du filtre H∞

En multipliant (3.37) par E ⊥ nous obtenons

E ⊥ Ax(t) + E ⊥ D1 w(t) + E ⊥ Df (t, FL x, u) = −E ⊥ Bu(t) (3.38)

L’objectif est de construire maintenant un observateur de la forme (3.12a)-(3.12b) pour le
système (3.3). C’est à dire, trouver les matrices N , J, T , H, P , Q, et F telles que les conditions
suivantes soient satisfaites

lim e(t) = x̂ − x = 0 pour w(t) = 0

t→∞

�e (t)�L2 < γ �w (t)�L2 pour w(t) �= 0

De la même façon que dans la section précédente, soit l’erreur ε(t) = ζ(t) − T Ex(t), la
dynamique de ε(t) dans ce cas sera donnée par

81
Chapitre 3. Observation des systèmes singuliers non linéaires

ε̇(t) = ζ̇ − T E ẋ
= N ε + (N T E − T A + JC)x + (H − T B)u(t) + T D∆f + (JD2 − T D1 )w(t)

et on a aussi
 
� � TE

�(t) = P ε + P
x Q F  ⊥  ⊥ ⊥
E A x − QE D∆f + (QE D1 + F D2 )w(t)
C

Si les contraintes (3.16), (3.16b) et (3.16c) sont vérifiées la dynamique de l’erreur ε(t) et
l’expression de e(t) deviennent :

ε̇(t) = N ε(t) + T D∆f + ϕ1 w(t) (3.39a)

⊥
e(t) = P ε(t) − QE D∆f + ϕ2 w(t) (3.39b)

avec
ϕ1 = JD2 − T D1
ϕ2 = QE ⊥ D1 + F D2
Toujours, de la même façon que dans les sections précédentes, on peut réécrire le système
(3.39)-(3.39) sous forme d’un système singulier non linéaire en présence de perturbation

˙
Eξ(t) = Aξ(t) + B∆f + Dw (3.40a)

avec
� � � � � � � � � �
ε I 0 N 0 TD ϕ1
ξ= ,E = ,A = ,B = et D = .
e 0 0 P −I −QE ⊥ D ϕ2

Dans ce cas, le problème de synthèse d’observateur H∞ revient à déterminer les matrices

N, T, J, P, Q et F telles que, le système (3.40) est asymptotiquement stable pour w(t) = 0 et
�e (t)�L2 < γ �w (t)�L2 pour w(t) �= 0.
Le théorème suivant donne les conditions d’existences de solution sous forme d’inégalité
matricielle linéaire stricte :

Théorème 3.6.1. Le système donné par (3.40) est asymptotiquement stable pour w (t) = 0 et
�e (t)�L2 < γ �w (t)�L2 pour w(t) �= 0 s’il existe une matrice définie positive X1 , des matrices
X2 , Q1 , Q2 et des scalaires µ, γ tels que la LMI suivante soit satisfaite


N T X1 + X1 N + X2 P + P T X2T + P T Q1 + QT1 P −X2 − QT1 + P T Q2

 ∗ −Q2 − QT2 + I + µλ2 FLT FL


 ∗ ∗

∗ ∗

82
 3.6. L’extension au filtrage H∞
� � � � 
X1 T D − QT1 QE ⊥ D X1T ϕ1 + X2T ϕ2

−X2 QE ⊥ D +QT1 ϕ2 


−QT2 QE ⊥ D QT2 ϕ2 <0 (3.41)

−µI 0 

∗ −γ 2 I

Démonstration :
Pour la même fonction de Lyapunov de la section précédente :

V (t) = ξ T ET Y ξ = ξ T Y T Eξ

avec ET Y = Y T E
nous obtenons sa dérivée V̇ (t) le long de la solution de (3.40)

V̇ (t) = ξ˙T (t)ET Y ξ(t) + ξ T (t)Y T Eξ(t)

˙
= ξ T (AT ξ + Y T A)ξ + ∆f T BT Y ξ + ξ T Y T B∆f + wT DT Y ξ + ξ T Y T Dw

En utilisant les propriétés (3.29), et la propriété de Lipschitz nous obtenons :

1 T T T
V̇ (t) � ξ T (AT Y + Y T A)ξ + µλ2 ξ T ρξ + ξ Y BB Y ξ + wT DT Y ξ + ξ T Y T Dw (3.42)
µ

De (3.42) et (3.40) nous obtenons l’inégalité suivante

� �T � �
ξ(t) ξ(t)
V̇ + eT e − γ 2 wT w � Σ
w (t) w (t)
avec � �
AT Y + Y T A + µ1 Y T BBT Y + µρ̄ Y TD
Σ=
DT Y −γ 2 I
où � � � �
0 0 0 0
ρ̄ = ρ + =
0 I 0 I + λ2 FLT F L
Si Σ < 0, nous obtenons
V̇ < γ 2 wT w − eT e
En intégrant les deux membres de cette inégalité nous obtenons
�∞ �∞ �∞
2 T
V̇ (τ ) dτ < γ w (τ )w(τ )dτ − eT (τ )e(τ )dτ
0 0 0
ce qui est équivalent à
V (∞) − V (0) < γ 2 �w (t)�22 − �e (t)�22

83
Chapitre 3. Observation des systèmes singuliers non linéaires

Sous la condition initiale nulle, nous obtenons

V (∞) < γ 2 �w (t)�22 − �e (t)�22

ce qui donne
�e (t)�22 < γ 2 �w (t)�22 .

En utilisant le complément de Schur nous obtenons

 
AT Y + Y T A + µρ̄ Y T B Y TD
 
Σ=
 BT Y −µI 0 <0
 (3.43)
DT Y 0 −γ 2 I

De la même manière pour obtenir des conditions LM I strictes nous posons

Y = XE + E⊥T Q̄
� �
� � X1 X2
avec Q̄ = Q1 Q2 et X = donc la relation
X2T X3

ET Y = Y T E�0 (3.44)

est toujours vérifiée, et par substitutions dans (3.43) nous obtenons :

 
AT XE + AT E⊥T Q̄ + ET X T A+Q̄T E⊥ A ET X T B + Q̄T E⊥ B ET X T D + Q̄T E⊥ D
 
 BT XE + BT E⊥T Q̄ −µI 0 <0
 
DT XE + DT E⊥T Q̄ 0 γ2
(3.45)

Finalement, en remplaçant les matrices E, A, B et D par leurs valeurs respectives nous obte-
nons (3.41), ce qui démontre le théorème 3.6.1 .

Remarque 3.6.2. Les résultats du théorème 3.6.1 sont indépendants

� � du choix de la matrice E⊥ .
Cela est dû au fait que la forme générale de E⊥ est E⊥ = 0 M , où M est une matrice arbitraire
� �
0 � �
non singulière. Dans ce cas l’expression E⊥T Q̄ = Q̄1 Q̄2 , où Q̄1 = M Q1 et Q̄2 = M Q2 .
I
� �
Ceci montre qu’il suffit de choisir E⊥ = 0 I .

Le théorème suivant donne les conditions d’existence de l’observateur (3.12a)-(3.12b) sous

forme d’inégalité matricielle linéaire et la valeur de la matrice Z.

Théorème 3.6.2. Sous l’hypothèse 3.4.1, il existe un observateur de la forme (3.12a-3.12b) tel
que l’erreur e (t) donnée par (3.39) est asymptotiquement stable pour w (t) = 0 et �e (t)�L2 <
γ �w (t)�L2 pour w (t) �= 0, s’il existe une matrice symétrique définie positive X1 et des matrices
X2 , Q1 , Q2 , ΩX1 et des scalaires µ et γ tels que la LMI suivante :

84
 3.6. L’extension au filtrage H∞

 
(1, 1) (1, 2) (1, 3) (1, 4)
 
 (2, 1) (2, 2) (2, 3) (2, 4) 
 
 <0 (3.46)
 (1, 3)T (2, 3)T −µI 0 
 
(1, 4)T (2, 4)T 0 −γ 2 I

soit satisfaite, avec

(1, 1) = ΛTN X1 − ∆TN ΩX1 + X1 ΛN − ΩTX1 ∆N

+X2 ΛP + ΛTP X2T + ΛTP Q1 + QT1 ΛP
(1, 2) = −X2 − QT1 + ΛTP Q2
(1, 3) = X1 ΛT D − ΩTX1 ∆T D − QT1 ΛQ E ⊥ D − X2 ΛQ E ⊥ D
(1, 4) = X1 Λϕ1 − ΩTX1 ∆ϕ1 + QT1 Λϕ1 + X2 Λϕ2
(2, 2) = −Q2 − QT2 + I + µλ2 FLT FL
(2, 3) = −QT2 ΛQ E ⊥ D
(2, 4) = QT2 Λϕ2

Dans ce cas le gain Z est donné par Z = X1−1 ΩTX1 .

Démonstration :
Soit ΩX1 = Z T X1 , en substituant N, P, Q, ϕ1 , et ϕ2 par leurs valeurs respectives dans (3.41)
nous obtenons la LMI (3.46).

3.6.2 Exemple numérique

Soit le système singulier
non linéaire de la forme (3.37) avec
       
0 10 1 0 0 1 1
       
E= 0 0 1      
 , A =  0 1 0 , B =  1  , D =  1  ,
0 00 1 0 1 1 1
 
� � 1 1 � �
 
 
C = 1 0 0 , D1 = 1 −1 , D2 = 1 1
1 1

u (t) = sin(2t) et f (x, u, t) = sin(x2 (t)).

Dans cet exemple,

� rangE
� = 2, donc E ⊥ de rang maximal = 1. Dans ce cas on peut
choisir E ⊥ = 0 0 1 . Il est facile de voir que la condition E ⊥ E = 0 est vérifiée et que
l’hypothèse 3.4.1 est vérifiée. Par ailleurs, nous avons rangC = 1, donc on peut proposer
un observateur d’ordre réduit de dimension q = 2.

85
Chapitre 3. Observation des systèmes singuliers non linéaires
 
� � R
0 1 0  
Soit R = , qui vérifie la condition rang  ⊥ 
E A = 3.
0 0 1
C
Pour γ = 9.762, et λ = 1, µ = 1.
2

La résolution de la LMI (3.46) nous donne les résultats suivants :

 
−4.183 0.5
  � �
 −0.331 −0.11  3.919 −2.628
ΩX 1 = 102  
−0.567 0.276  , X1 = −2.628 5.139
 
−0.045 0.627

 
� � −2.798 −11.094
1.536 −35.286 −5.232  
X2 = , Q1 = 
 11.263 2.965 
,
8.021 −4.039 −8.142
5.102 6.803
 
3.498 2.245 0.649
 

Q2 =  2.245 28.836 0.565
0.6498 0.565 2.113

Dans ce cas la matrice Z est donnée par

� �
−1.387 −0.151 −0.209 0.051
Z = 102
−0.351 −0.151 −0.132 0.128

et en calculant les différentes matrices nous obtenons le modèle de l’observateur H∞

suivant :
� � � � � � � �
0 −1.996 −0.331 −0.331 −0.331
ζ̇(t) = ζ(t) + y(t) + u(t) + sin(�
x2 (t))
0.666 −2.121 −1.414 −0.747 −0.747

       
0 −0.352 0.235 0.764 0.235
       
x 
�(t) = 1      
0  ζ(t) −  0  u(t) +  0  y(t) −  0   sin(�
x2 (t))
0 0.705 0.529 −0.529 0.529
(3.47)

86
 3.7. Extension aux systèmes à sorties non linéaires

perturbation
0.1
w1
0

−0.1

−0.2
w1

−0.3

−0.4

−0.5

0 5 10 15 20
Temps

Figure 3.1: La perturbation w1 (t)

Les figures
� (3.1),
� (3.2) représentent les deux composantes du vecteur de la perturbation
w1 (t)
w(t) = , les figures (3.3), (3.4) et (3.5) représentent les états x1 , x2 , x3 et leurs
w2 (t)
estimés x̂1 , x̂2 , et x̂3 respectivement. Les dernières figures (3.6), (3.7) et (3.8) représentent
les erreurs d’estimation e1 (t), e2 (t), e3 (t)

3.7 Extension aux systèmes à sorties non linéaires

Dans cette section, nous proposons une extension directe de la méthode de synthèse
du filtre H∞ à une classe plus générale de systèmes singuliers non linéaires avec des sorties
non linéaires.
Soit le système non linéaire suivant :
�
E ẋ(t) = Ax(t) + Bu(t) + Df (t, FL x, u) + D1 w(t)
(3.48)
y(t) = Cx(t) + g(t, GL x, u) + D2 w(t)
où les fonctions non linéaires f (t, FL x, u) et g(t, GL x, u) vérifient les conditions de
Lipschitz suivantes :

�f (t, FL x1 , u) − f (t, FL x2 , u)� ≤ λ1 �FL (x1 − x2 )�

�g(t, GL x1 , u) − g(t, GL x2 , u)� ≤ λ2 �GL (x1 − x2 )�

87
Chapitre 3. Observation des systèmes singuliers non linéaires

perturbation

w2
0.3

0.2

0.1
w2

−0.1

−0.2

0 5 10 15 20
Time

Figure 3.2: La perturbation w2 (t)

5
x1
4 xo1
3

1
x1 et xo1

−1

−2

−3

−4

−5
0 5 10 15 20
Temps

Figure 3.3: L’état x1 (t) et son estimé xˆ1 (t)

88
 3.7. Extension aux systèmes à sorties non linéaires

2.5
x2
2 xo2

1.5

1
x2 et xo2

0.5

−0.5

−1

−1.5

−2
0 5 10 15 20
Temps

Figure 3.4: L’état x2 (t) et son estimé xˆ2 (t)

4
x3
3 xo3

1
x3 et xo3

−1

−2

−3

−4
0 5 10 15 20
Temps

Figure 3.5: L’état x3 (t) et son estimé xˆ3 (t)

89
Chapitre 3. Observation des systèmes singuliers non linéaires

2
e1
1.5

0.5
e1

−0.5

−1

−1.5
0 5 10 15 20
Temps

Figure 3.6: L’erreur e1 (t) = x1 (t) − x̂1 (t)

1
e2

0.5
e2

−0.5
0 5 10 15 20
Temps

Figure 3.7: L’erreur e2 (t) = x2 (t) − x̂2 (t)

90
 3.7. Extension aux systèmes à sorties non linéaires

1
e3
0.8

0.6

0.4

0.2
e3

−0.2

−0.4

−0.6

−0.8

−1
0 5 10 15 20
Temps

Figure 3.8: L’erreur e3 (t) = x2 (t) − x̂3 (t)

où λ1 et λ2 représentent les deux constantes de Lipschitz.

Pour le système (3.48), nous proposons l’observateur suivant :
�
ζ̇(t) = N ζ(t) + Jy(t) + Hu(t) + T Df (t, FL x�, u) − Jg(t, GL x
�, u)
(3.49)
�(t) = P ζ(t) − QE ⊥ Bu(t) + F y(t) − QE ⊥ Df (t, FL x
x �, u) − F g(t, GL x
�, u)

avec la condition initiale ζ(0) = ζ0 ,

Soit l’erreur ε = ζ(t) − T Ex(t), en utilisant l’équation (3.38), et sous les contraintes
(3.16a), (3.16b) et (3.16c) nous obtenons :

˙
�(t) = N �(t) + T D∆f − J∆g + ϕ1 w(t) (3.50a)
e(t) = P �(t) − QE ⊥ D∆f − F ∆g + ϕ2 w(t) (3.50b)

où ∆f = f (t, FL x
�(t), u) − f (t, FL x(t), u) et ∆g = g(t, GL x�(t), u) − g(t, GL x(t), u).
� �
ε(t)
En utilisant le vecteur augmenté ξ(t) = , nous obtenons pour la variable ξ(t)
e(t)
le système singulier non linéaire de la forme (3.28) suivante :

˙
Eξ(t) = Aξ(t) + B∆F (3.51a)

91
Chapitre 3. Observation des systèmes singuliers non linéaires

avec
� � � � � � � � � �
I 0 N 0 TD −J ∆f ϕ1
E= ,A = ,B = , ∆F = , etD =
0 0 P −I −QE ⊥ D −F ∆g ϕ2

Le théorème suivant donne les condition d’existence de l’observateur sous forme d’in-
égalité matricielle linéaire (LM I).

Théorème 3.7.1. Sous l’hypothèse 3.4.1, il existe un observateur de la forme (3.49) tel
que l’erreur e (t) donnée par (3.50a)-(3.50b) est asymptotiquement stable pour w (t) = 0 et
�e (t)�L2 < γ �w (t)�L2 pour w (t) �= 0, s’il existe une matrice symétrique définie positive
X1 et des matrices X2 , Q1 , Q2 , ΩX1 et des scalaires µ et γ tels que la LMI suivante :

 
(1, 1) (1, 2) (1, 3) (1, 4) (1, 5)
 
 (2, 1) (2, 2) −QT2 ΛQ E ⊥ D −QT2 ΛF QT2 Λϕ2 
 
 
 (1, 3)T (−QT2 ΛQ E ⊥ D)T −µI 0 0 <0 (3.52)
 
 (1, 4)T T
(−Q2 ΛF ) T
0 −µI 0 
 
(1, 5)T (QT2 Λϕ2 )T 0 0 −γ 2 I

soit vérifiée, avec

(1, 1) = ΛTN X1 − ∆TN ΩX1 + X1 ΛN − ΩTX1 ∆N + X2 ΛP + ΛTP X2T + ΛTP Q1 + QT1 ΛP ,

(1, 2) = −X2 − QT1 + ΛTP Q2 ,
(1, 3) = X1T ΛT D − ΩTX1 ∆T D − QT1 ΛQ E ⊥ D − X2 ΛQ E ⊥ D,
(1, 4) = −X1T ΛJ + ΩTX1 ∆J − QT1 ΛF − X2 ΛF ,
(1, 5) = X1T Λϕ1 − ΩTX1 ∆ϕ1 + QT1 Λϕ2 + X2 Λϕ2 ,
(2, 2) = −Q2 − QT2 + I + µ (λ21 FLT FL + λ22 GTL GL ) ,

Dans ce cas la matrice Z1 est donnée par Z1 = X1−1 ΩTX1 .

Démonstration :
Les inégalités (3.43) et (3.44) donnent les conditions de stabilité pour le système (3.51).
En remplaçant les matrices E, A, B et D par leurs valeurs dans (3.43) et en appliquant le
changement de variable
Y = XE + E⊥T Q̄

92
 3.7. Extension aux systèmes à sorties non linéaires

nous obtenons l’inégalité suivante :


N T X1 + X1T N + X2 P + P T X2T + P T Q1 + QT1 P −X2 − QT1 + P T Q2
 � �
 ∗ −Q2 − QT2 + I + µ λ21 FLT FL + λ22 GTL GL


 ∗ ∗

 ∗ ∗

∗ ∗

X1 T D − QT1 QE ⊥ D − X2 QE ⊥ D −X1 J − QT1 F − X2 F X1T ϕ1 + X2 ϕ2 + QT1 ϕ2

−QT2 QE ⊥ D −QT2 F QT2 ϕ2 


−µI 0 0 <0

∗ −µI 0 

∗ ∗ −γ 2 I

En posant ΩX1 = Z1T X1 , et en substituant N, P, Q, ϕ1 , et ϕ2 par leurs valeurs respec-

tives, nous obtenons la LMI (3.52), ce qui démontre le théorème 3.7.1.

3.7.1 Exemple numérique

Considérons le système singulier non linéaire de la forme (3.48) avec
         
0 1 0 1 0 0 1 1 1 1 � �
         
E=
 0 0 1  , A = 0 1 0 , B = 1 , D1 = 1 −1 , D = 1 , C = 1 0 0
        
0 0 0 1 0 1 1 1 1 1
� �
D2 = 1 1 et u (t) = sin(2t). Les nonlinéarités sont f (x, u, t) = sin(x2 (t)) et g(x, u, t) =
� � � �
sin(x1 (t)). La matrice E ⊥ = 0 0 1 et la matrice E ⊥ A = 1 0 1 . On peut facilement
vérifier que l’hypothèse 3.4.1 est vérifiée. Nous allons synthétiser
 un observateur d’ordre

� � R
0 1 0  
réduit de dimension q = 2. Soit R = , donc rang 
 E ⊥ 
A  = 3.
0 0 1
C
Pour γ = 3.16, λ = 1, et µ = 1.

La résolution de la LMI (3.52) nous donne les résultats suivants :

 
−6.532 −1.453
  � �
 −0.211 −1.806  0.230 −0.325
ΩX 1 = 103  
 0.349 −2.902 , X1 = −0.325 0.553
 
0.666 −0.192

93
Chapitre 3. Observation des systèmes singuliers non linéaires
 
� �
−0.000024 −0.000100
0.000015 −3.702 
0.00057 
X2 = 10 4 
, Q1 = 10 −3.702232 −0.000004 ,
4

0.00012 0.000004 0.00037

−0.000585 0.000044
 
0.000217 −0.000005 0.000109
 
Q2 4
= 10 −0.000005 7.404586 −0.000002 
0.000109 −0.000002 0.000377

(3.54)

Dans ce cas la matrice Z1 est donnée par

� �
−189.4005 −32.6285 −34.7857 14.1849
Z1 = 102
−113.9388 −22.4417 −25.6914 7.9893

En calculant les différentes matrices nous obtenons de l’observateur H∞ suivant :

� � � � � �
0 −16.08 −9.723 −9.723
ζ̇(t) = ζ(t) + y(t) + u(t)
0.667 −10.656 −7.104 −6.437
� � � �
−9.723 −9.723
+ f (t, FL x
�, u) − g(t, GL x
�, u)
−6.437 −7.104
     
0 −0.353 0.235 0.765
     
�(t) = 
x  1 0  ζ(t) −  0  u(t) +  0  y(t)
    
0 0.706 0.529 −0.529
   
0.235 0.765
   
 
−  0  f (t, FL x 
�, u) −  0   g(t, GL x
�, u)
0.529 −0.529

Les résultats de simulation sont présentés dans les figures (3.9)-(3.16). Les figures (3.9)
et (3.10) présentent les perturbations w1 (t) et w2 (t). Les figures (3.11), (3.12) et (3.13)
présentent les états x1 (t), x2 (t), x3 (t) et leurs estimés x̂1 (t), x̂2 (t), x̂3 (t). Les figure (3.14),
(3.15) et (3.16) présentent les erreurs d’estimation. Ces résultats montrent l’efficacité de
la méthode proposée.

94
 3.7. Extension aux systèmes à sorties non linéaires

perturbation
0.1
w1
0

−0.1

−0.2
w1

−0.3

−0.4

−0.5

0 5 10 15 20
Temps

Figure 3.9: La perturbation w1 (t)

perturbation

w2
0.3

0.2

0.1
w2

−0.1

−0.2

0 5 10 15 20
Time

Figure 3.10: La perturbation w2 (t)

95
Chapitre 3. Observation des systèmes singuliers non linéaires

5
x1
4 xo1
3

1
x1 et xo1

−1

−2

−3

−4

−5
0 5 10 15 20
Temps

Figure 3.11: L’état x1 (t) et son estimé xˆ1 (t)

2.5
x2
2 xo2

1.5

1
x2 et xo2

0.5

−0.5

−1

−1.5

−2
0 5 10 15 20
Temps

Figure 3.12: L’état x2 (t) et son estimé xˆ2 (t)

96
 3.7. Extension aux systèmes à sorties non linéaires

4
x3
3 xo3

1
x3 et xo3

−1

−2

−3

−4
0 5 10 15 20
Temps

Figure 3.13: L’état x3 (t) et son estimé xˆ3 (t)

2
e1
1.5

0.5
e1

−0.5

−1

−1.5
0 5 10 15 20
Temps

Figure 3.14: L’erreur e1 (t) = x1 (t) − x̂1 (t)

97
Chapitre 3. Observation des systèmes singuliers non linéaires

1
e2

0.5
e2

−0.5
0 5 10 15 20
Temps

Figure 3.15: L’erreur e2 (t) = x2 (t) − x̂2 (t)

1
e3
0.8

0.6

0.4

0.2
e3

−0.2

−0.4

−0.6

−0.8

−1
0 5 10 15 20
Temps

Figure 3.16: L’erreur e3 (t) = x2 (t) − x̂3 (t)

98
 3.8. Synthèse de filtre H∞ des systèmes à temps discret

3.8 Synthèse de filtre H∞ des systèmes à temps discret

Dans cette section, nous allons proposer une extension de la méthode de synthèse
proposée dans les sections précédentes pour les systèmes singuliers non linéaires à temps
continu au cas des systèmes singuliers non linéaires à temps discret.

3.8.1 Formulation du problème

Considérons le système non linéaire à temps discret suivant

Ex(t + 1) = Ax(t) + Bu(t) + Df (FL x, u) + D1 w(t) (3.55a)

y(t) = Cx(t) + D2 w(t) (3.55b)

avec l’état initial x(0) = x0 , x(t) ∈ IR n est le semi vecteur d’état, u(t) ∈ IR m est
la commande, w(t) ∈ IR nw est le vecteur de perturbation, et y(t) ∈ IR p est la sortie du
système. La matrice E ∈ IR n1 ×n , et pour n1 = n, E est singulière. Les matrices A ∈ IR n1 ×n ,
B ∈ IR n1 ×m , C ∈ IR p×n et D ∈ IR n1 ×nf , la non-linéarité, f (t, FL x, u) satisfait la propriété
de Lipschitz par rapport à x :

�f (t, FL x1 , u) − f (t, FL x2 , u)� ≤ λ1 �FL (x1 − x2 )�

où λ1 représente la constante de Lipschitz, la matrice FL est une matrice réelle de dimen-

sion appropriée. � �
r1 ×n1
Soit ED ∈ IR
⊥
la matrice de rang plein ligne orthogonale de E D , c’est à dire
� �
ED⊥ E D = 0.
En multipliant (3.55a) par ED⊥ nous obtenons

ED⊥ Ax(t) + QED⊥ D1 w = −ED⊥ Bu(t). (3.56)

Nous supposons que l’hypothèse 3.4.1 est vérifiée.
Considérons pour le système (3.55a)-(3.55b) l’observateur d’ordre réduit suivant :

ζ(t + 1) = N ζ(t) + Jy(t) + Hu(t) + T Df (t, FL x

�, u) (3.57a)
x ⊥
�(t) = P ζ(t)−QEDBu(t)+F y(t) (3.57b)

avec la condition initiale ζ(0) = ζ0 , ζ(t) ∈ IR q est le vecteur d’état de l’observateur et

�(t) ∈ IR n est l’estimé de x(t). Les matrices N , J, T , H, P , Q, et F sont des matrices de
x
dimension appropriée à déterminer telles que :
(a) Pour w(t) = 0, l’erreur d’observation e(t) = x �(t)−x(t) converge asymptotiquement
vers 0.

99
Chapitre 3. Observation des systèmes singuliers non linéaires

�e�l2
(b) Pour w(t) �= 0, on résout min supω∈l2 −{0} .
�ω�l2
Soit ε(t) = ζ(t) − T Ex(t) l’écart entre ζ(t) et T Ex(t), la dynamique de ε(t) est donnée
par :

ε(t + 1) = ζ(t + 1) − T Ex(t + 1)

= N ε(t) + (N T E − T A + JC)x(t) + (H − T B)u + T D∆f (3.58)
+(JD2 − T D1 )w(t)

avec ∆f = f (t, FL x
�(t), u) − f (t, FL x(t), u)
En substituant (3.56) dans (3.57b) nous obtenons :

 
� � TE

�(t) = P ε + P Q F 
x ⊥  ⊥
 D  x + (QED D1 + F D2 )w
E A (3.59a)
C

Dans ce cas, sous les contraintes (3.16a), (3.16b) et (3.16c), l’erreur d’estimation de-
vient :

�(t + 1) = N �(t) + T D∆f − J∆g + ϕ1 w(t) (3.60a)

e(t) = P �(t) + ϕ2 w(t) (3.60b)

où ∆f = f (t, FL x
�(t), u) − f (t, FL x(t), u) et ϕ1 = JD2 − T D1 , ϕ2 = QED⊥ D1 + F D2

3.8.2 Procédure de synthèse d’observateur

Le lemme suivant donne les conditions d’existence de l’observateur (3.57).

Lemme 3.8.1. Le système donné par (3.60) est asymptotiquement stable pour w (t) = 0
et �e (t)�L2 < γ �w (t)�L2 pour w(t) �= 0 s’il existe une matrice symétrique définie positive
X, des matrices G, T , N , P , ϕ1 et ϕ2 telles que la LMI suivante est vérifiée :
 
−X + P T ρP 0 P T ρϕ2 NTG
 
 0 −I 0 (T D) T
G 
 <0 (3.61)
 ϕT2 ρP 0 −γ 2 I + ϕT2 ρϕ2 ϕT1 G 
 
GT N GT (T D) GT ϕ1 X − G − GT
avec ρ = I + λ2 FLT FL .

100
 3.8. Synthèse de filtre H∞ des systèmes à temps discret

Démonstration :
Supposons que (3.61) soit satisfaite, donc en pré-multipliant à gauche par :
 
I 0 0 NT
 
0 I 0 (T D)T 
 
0 0 I ϕT1
et en post-multipliant par :  
I 0 0
 
0 I 0
 
0 0 I
 
N (T D) ϕ1
nous obtenons
 
−X + P T ρP + N T XN N T X(T D) P T ρϕ2 + N T Xϕ1
 
Σ̄ = 

T
(T D) XN
T
−I + (T D) X(T D) N T Xϕ1 <0

ϕT2 ρP + ϕT1 XN ϕT1 X(T D) −γ 2 I + ϕT2 ρϕ2 + ϕT1 Xϕ1
(3.62)

D’autre part, nous avons w(t) �= 0,

∆V = [εT (t)N T + ∆f T (DT )T + wT (t)ϕT1 ]X[N ε(t) + (T D)∆f + ϕ1 w(t)] − εT (t)Xε(t)
Soit
δ = ∆V − ∆f T ∆f + λ2 eT (t)FLT FL e(t)
= ∆V − ∆f T ∆f + λ2 (P ε(t) + ϕ2 w(t))T FLT FL (P ε + ϕ2 w),
qui peut aussi s’écrire sous la forme matricielle suivante :
 
T
Σ11 N T XT D (Σ31 )
 
δ = η T (t) 
 (T D)
T
XN Σ 22 (T D) T
Xϕ 1
 η(t)

T
Σ31 ϕ1 X(T D) Σ33
 
ε(t)
 
où η(t) =  
∆f (t) et
w(t)

Σ11 = N T XN − X + λ2 P T FLT FL P,
Σ22 = −I + (T D)T X(T D),
Σ33 = λ2 ϕT2 FLT FL ϕ2 + ϕT1 Xϕ1 ,
Σ31 = ϕT1 XN + λ2 ϕT2 FLT FL P

101
Chapitre 3. Observation des systèmes singuliers non linéaires

De même, soit
 
T T
P P 0 P ϕ2
 
T 
δ̄ = η (t)  0 0 0  η(t)

T T 2
ϕ2 P 0 ϕ2 ϕ2 − γ I
Donc nous avons

δ + δ̄ = η T (t)Σ̄η(t)
Si (3.62) est satisfaite, nous obtenons

η T (t)Σ̄η(t) < 0

ce qui donne
∆V < −δ̄ ou ∆V < −(eT (t)e(t) − γ 2 wT w(t)),
ce qui implique
�
∞
�
∞
T
V (∞) − V (0) < − e (t)e(t) + γ 2 wT (t)w(t))
t=0 t=0

Sous la condition initial nulle, nous obtenons �e�l2 < γ�w�l2 , ce qui démontre le lemme.
Des résultats du lemme précédent, on peut donner le théorème suivant :

Théorème 3.8.1. Sous l’hypothèse 2.3.1, il existe un observateur de la forme tel que
l’erreur d’observation e (t) donnée par (3.60) est asymptotiquement stable pour w (t) = 0
et �e (t)�l2 < γ �w (t)�l2 pour w(t) �= 0 s’il existe une matrice symétrique définie positive
X et des matrices ΩY1 et Ȳ2 telles que la LMI suivante est satisfaite
 T T

−X 0 0 (4, 1) (5, 1)
 
 0 −I 0 (4, 2)
T
0 
 
 T T 
 0 0 −γ I2
(4, 3) (5, 3)  < 0 (3.63)
 
 (4, 1) (4, 2) (4, 3) X − G − G� 0 
 
(5, 1) 0 (5, 3) 0 −ρ
avec

(4, 1) = G T Λ N − ΩY1 ∆ N ,
(4, 2) = G T Λ T D − ΩY 1 ∆ T D ,
(4, 3) = G T Λ ϕ1 − ΩY 1 ∆ ϕ1
(5, 1) = ρΛP − Ȳ2 ∆P ,
(5, 3) = ρΛϕ2 − Ȳ2 ∆ϕ2 ,
Y1 = GT −1 ΩY1 et Y2 = ρ−1 Ȳ2 .

102
 3.9. Exemple numérique

Démonstration :
Du lemme 3.8.1 l’erreur e (t) donnée par (3.60) est asymptotiquement stable pour
w (t) = 0 et �e (t)�l2 < γ �w (t)�l2 s’il existe une matrice symétrique définie positive X,
des matrices G, T , N , P , ϕ1 et ϕ2 telles que la LMI (3.62) est satisfaite. En appliquant
le complément de Schur à (3.62) nous obtenons
 
−X 0 0 NTG PTρ
 
 0 −I 0 (T D)T G 0 
 
 
 0 0 −γ 2 I ϕT1 G ϕT2 ρ <0 (3.64)
 
 GT N GT (T D) GT ϕ −X 0 
 1 
ρP 0 ρϕ2 0 −ρ

En substituant les matrices N, P, T D, ϕ1 et ϕ2 par leurs valeurs respectives dans (3.64),

nous obtenons la LMI (3.63). Avec Y1 = GT −1 ΩY1 et Y2 = ρ−1 Ȳ2 . Le théorème est démontré

3.9 Exemple numérique

Considérons le systèmes non linéaire à temps discret avec des entrée inconnues suivant :

       
1 0 0 0.1 −1 0 1 0 −1 0
       
  
E = 0 1 0 , A =  0 0.1 0  , B = 0   1 , D1 =  0 1
 
,
0 0 0 0 1 0.1 0 0 0 0
   
0 0 � � � �
   
Fd = 
1
 , D = 
1
 , C = 0 0 1 , and D2 = 0 1 .
0 0

La non linéarité f (x, u, t) = 0.5 sin(x2 (t)). Ici, le problème est d’estimer simultanément
l’état x(t) et l’entrée inconnue d(t). Dans ce cas, nous obtenons le système augmenté de
la forme (3.55) avec :

� �
x(t) � � � �
X̄ (t) = , Ē = E −Fd , Ā = A 0 ,
d(t − 1)
� � � �
0 1 0 � �
C̄ = , D̄1 = D1 , D̄2 = , and F̄L = I 0 .
C 0 D2
� �
Pour ce système, la matrice Φ = 0 0 1

103
Chapitre 3. Observation des systèmes singuliers non linéaires
 
1 0 0 0
 

Maintenant, nous allons synthétiser un observateur d’ordre q = 3, soit R = 0 1 0 0 ,
0 0 0 1
� �
R
donc nous avons rang = 4.
C̄
Pour γ 2 = 2.235, nous obtenons les résultats suivantes
 
0 −0.030 0.030 −0.896 −0.756 −0.615
 
ΩY1 = 102   0 0.030 −0.030 1.717 1.505 1.210 

0 −0.054 0.053 −1.748 −1.466 −1.196
   
1.109 0.030 −0.030 1.214 0.027 −0.027
   
X =   0.030 1.197 0.263  et G =  0.027 1.297 0.165 
  
−0.030 0.263 1.202 −0.027 0.165 1.300

dans ce cas l’observateur est donnée par le modèle suivant :

     
0.1 0.00027 −0.00027 0.00018 0.10001 1 0
     
ζ̇(t) = 
0 0.00327 −0.00324 
 ζ(t) +  0.00217 −0.00313  
 y(t) + 0 0.33554  u(t)
0−0.00324 0.00321 −0.00215 0.00310 0 −0.33222
 
0
 
+  x2 (t))
 0.3355  sin(�
−0.3322

     
1 0.02467
−0.02442 0 0 0.01639 0.00163
     
0 0.00123 −0.00122 0 0  0.00081 −0.09991
     
�(t) = 
x  ζ(t) −   u(t) +   y(t)
0 −0.01232 0.01220  0 0  −0.00819 0.99918 
    
0 0 0 0 0 1 0
(3.65)

Les résultats de simulation sont présentés dans les figures (3.17)-(3.26). Les figures
(3.17) et (3.18) présentent les perturbations w1 (t) et w2 (t). Les figures (3.19), (3.20) et
(3.21) présentent les états x1 (t), x2 (t), x3 (t) et leurs estimés x̂1 (t), x̂2 (t), x̂3 (t). La figure
(3.22) présente l’entrée inconnue d(t) et son estimé d(t). ˆ Les figure (3.23), (3.24), (3.25)
et (3.26) présetent les erreurs d’estimation. On peut constater à partir de ces résultats la
bonne estimation des états et de l’entrée inconnue.

104
 3.9. Exemple numérique

4
w1
3

0
w1

−1

−2

−3

−4

−5

−6
0 10 20 30 40 50
Temps

Figure 3.17: La perturbation w1 (t)

perturbation
6
w2
4

0
w2

−2

−4

−6

−8
0 10 20 30 40 50
Temps

Figure 3.18: La perturbation w2 (t)

105
Chapitre 3. Observation des systèmes singuliers non linéaires

15
x1
xo1
10

5
x1 et xo1

−5

−10

−15
0 10 20 30 40 50
Temps

Figure 3.19: L’état x1 (t) et son estimé xˆ1 (t)

10
x2
8 xo2
6

2
x2 et xo2

−2

−4

−6

−8

−10
0 10 20 30 40 50
Temps

Figure 3.20: L’état x2 (t) et son estimé xˆ2 (t)

106
 3.9. Exemple numérique

100
x3
80 xo3
60

40

20
x3 et xo3

−20

−40

−60

−80

−100
0 10 20 30 40 50
Temps

Figure 3.21: L’état x3 (t) et son estimé xˆ3 (t)

6
d
do
4

2
d et do

−2

−4

−6
0 10 20 30 40 50
Temps

ˆ
Figure 3.22: L’entrée inconnue d(t) et son estimé d(t)

107
Chapitre 3. Observation des systèmes singuliers non linéaires

10
e1
8

4
e1

−2

−4
0 10 20 30 40 50
Temps

Figure 3.23: L’erreur e1 (t) = x1 (t) − x̂1 (t)

0.6
e2
0.4

0.2

0
e2

−0.2

−0.4

−0.6

−0.8
0 10 20 30 40 50
Temps

Figure 3.24: L’erreur e2 (t) = x2 (t) − x̂2 (t)

108
 3.9. Exemple numérique

8
e3
6

2
e3

−2

−4

−6
0 10 20 30 40 50
Temps

Figure 3.25: L’erreur e3 (t) = x2 (t) − x̂3 (t)

1
ed
0.8

0.6

0.4

0.2
ed

−0.2

−0.4

−0.6

−0.8

−1
0 10 20 30 40 50
Temps

ˆ
Figure 3.26: L’erreur ed (t) = d(t) − d(t)

109
Chapitre 3. Observation des systèmes singuliers non linéaires

3.10 Conclusion
Dans ce chapitre, une nouvelle méthode de synthèse d’observateur H∞ pour des sys-
tèmes singuliers non linéaires Lipschitziens a été développée. Les résultats obtenus unifient
la synthèse d’observateur d’ordre plein, d’ordre réduit et d’ordre minimal. Les conditions
suffisantes d’existence de l’observateur sont données sous forme d’inégalités matricielles
linéaires LMIs.
Les cas des systèmes singuliers non linéaires continus et discrets ont été étudiés. Plu-
sieurs simulations ont été effectuées et montrent l’intérêt de notre approche qui unifie les
résultats existants pour les systèmes standards et les systèmes singuliers. Nos résultats
peuvent être utilisés dans le domaine du diagnostic à base de modèle fondé sur les obser-
vateurs à entrées inconnues.

110
 Chapitre 4

Stabilisation et commande basée

observateur des systèmes singuliers non
linéaires

4.1 Introduction
Dans ce chapitre nous présentons une méthode de synthèse de commande stabilisante
par retour d’état statique et une commande basée observateur pour une classe de systèmes
singuliers non linéaires. La non-linéarité considérée est supposée continue et différentiable,
cette non-linéarité est transformée par le lemme de Hadamard en une forme bien adaptée
à la synthèse d’une loi de commande par retour d’état statique et par l’utilisation de la
stabilité au sens de Lyapunov.
Ce chapitre est organisé de la façon suivante. Après avoir donné quelques rappels
concernant les problèmes de stabilisation des systèmes singuliers linéaires, nous allons
définir la classe de systèmes singuliers non linéaires considérée. Ensuite, la synthèse de la
commande H∞ par retour d’état statique sera étudiée. Ces résultats supposent que l’état
du système est entièrement accessible. Par la suite, cette hypothèse est levée et le cas où
l’état est inaccessible à la mesure est traité à l’aide d’une commande basée observateur.
Des exemples académiques sont donnés afin de valider les résultats de ce chapitre.

4.2 Préliminaires et formulation du problème

Dans cette section, nous rappelons quelques définitions, critères et techniques de sta-
bilisation nécessaires pour la suite de notre travail. Ensuite nous allons définir le type de
systèmes auxquel on s’intéresse et les fonctions non linéaires considérées.

4.2.1 Rappels et généralités

Considérons le système singulier linéaire suivant

E ẋ(t) = Ax(t) + D1 w(t) (4.1a)

111
 Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

y (t) = Cx(t) (4.1b)

Où x(t) ∈Rn est le semi vecteur d’état, w(t) ∈ Rnw est le vecteur de perturbations et
y(t) ∈ Rp est la sortie du système. La matrice E ∈ Rn×n est singulière. A ∈ Rn×n ,
D1 ∈ Rn×nw et C ∈ Rp×n .
Dans ce chapitre nous utilisons le critère de performance H∞ suivante :
�∞ � �
T 2
Jyw = y (t) y (t) − γ − wT (t)w(t) dt (4.2)
0

avec γ > 0.
Pour les systèmes singuliers, l’étude de l’admissibilité est plus judicieuse que l’étude
de stabilité. En effet, la notion de stabilité connue dans le cas des systèmes standards est
insuffisante. Par conséquent, il est nécessaire de rappeler les propriétés de régularité et
d’impulsion pour le système singulier autonome (4.1) dans le cas où w(t) = 0. Nous avons
les définitions suivantes :

Définition 4.2.1.
1. Le système (4.1) (ou la paire (E, A)) est régulier s’il existe un scalaire s ∈ C tel que,
det(sE − A) est différent de zéro.
2. Le système (4.1) (ou la paire (E, A)) est impulsionel s’il existe un scalaire s ∈ C tel que,
deg(det(sE − A)) = rankE.
3. Le système (4.1) (ou la paire (E, A)) est stable si toutes les valeurs propres de (E, A),
c-à-d les racines de det(sE − A) = 0 sont à partie réelle négative.
4. Le système (4.1) (ou la paire (E, A)) est admissible s’il est régulier, impulsionel et stable.

Lemme 4.2.1. Soient U et V deux vecteurs de dimensions appropriées, alors, pour tout
réel µ > 0 l’inégalité suivante est satisfaite :
1 T
U T V + V T U � µU T U + V V (4.3)
µ

Théorème 4.2.1. Le système (4.1) est admissible pour w (t) = 0 et satisfait le critère
H∞ (Jyw < γ) pour un γ > 0, pour w (t) �= 0 si et seulement s’il existe une matrice définie
positive X̄ et une matrice Q telles que la LMI suivante est satisfaite.

 � � 
T T⊥ T
Σ̄11 D1 E X̄ + D QE
1 C
 
 D T 2
−γ I 0  < 0(4.4)
 �
1
�T 
C E X̄ + D1T QE T ⊥ 0 −I

avec
Σ̄11=E X̄AT + QE T ⊥ AT + AX̄E T + AE T ⊥T QT

112
 4.2. Préliminaires et formulation du problème

Démonstration :
Appliquant le résultat de [Mas97] au système singulier (4.1), l’admissibilité et la per-
formance H∞ sont satisfaites si et seulement s’il existe une matrice Y telle que

ET Y = Y T E ≥ 0 (4.5)

et
AT Y + Y T A + C T C + γ 2 Y T D1 D1T Y < 0 (4.6)
En appliquant le complément de Schur à (4.6), nous obtenons la LMI suivante
� �
AT Y + Y T A + C T C Y T D1
<0 (4.7)
D1T Y −γ 2 I

Maintenant, nous montrerons que la matrice Y est non singulière. Pour cela, supposons
que la condition (4.7) est vérifiée et que la matrice Y est singulière. Et soit v un vecteur
non nul tel que Y v = 0. De (4.5) nous avons

AT Y + Y T A < 0. (4.8)

Si on pré-multiplie l’inégalité (4.8) par v T et on post-multiplie par v, nous obtenons 0 < 0.

Ce qui n’est pas possible. Alors Y est non singulière.
Posons, Ȳ = Y T , alors, (4.5) est équivalent à

Ȳ E T = E Ȳ T ≥ 0 (4.9)
� � � �
Ȳ −1 0 Ȳ −T 0
et en pré-multipliant (4.7) par et en post-mutipliant par ,
0 I 0 I
nous obtenons � �
Ȳ AT + AȲ T + Ȳ C T C Ȳ T D1
<0
D1T Y −γ 2 I

En utilisant le complément de Schur, nous aurons :

 
Ȳ AT + AȲ T D1 Ȳ C T
 
 D1T Y −γ 2 I 0 <0 (4.10)
 
Ȳ C T 0 I

Maintenant, nous posons

Ȳ = E X̄ + QE T ⊥ ,
alors (4.9) est satisfaite.
En remplaçant cette valeur de Ȳ dans (4.10) nous obtenons la LMI (4.4). Cela dé-
montre le théorème.

113
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

4.2.2 Classe de systèmes considérés

Considérons la classe de systèmes non linéaires suivante :

E ẋ(t) = Ax(t) + Bu(t) + Df (t, FL x, u) + D1 w(t) (4.11a)

y (t) = Cx(t) + D2 w(t) (4.11b)

avec l’état initial x(0) = x0 , x(t) ∈ Rn est le semi vecteur d’état, u(t) ∈ Rm est la
commande, w(t) ∈ Rnw est le vecteur des perturbations, et y(t) ∈ Rp est la sortie. La
matrice E ∈Rn × n est singulière. Les matrices A ∈Rn×n , B ∈Rn×m , C ∈ Rp×n , D ∈Rn×nf ,
D1 ∈Rn×nw , D2 ∈Rp×nw et FL ∈Rnf ×n .

Nous supposons que l’hypothèse suivante est vérifiée :

Hypothèse 4.2.1. La non-linéarité f (t, s, u) est de classe C 1 (différentiable et sa dérivée

est continue) et vérifie

∂f (t, s, u)
� �≤K avec K ∈ IR + (4.12)
∂s
et f (t, 0, u) = 0

Remarque 4.2.1. D’après le lemme 2.2 [Kha], si f est de classe C 1 satisfaisant (4.12) alors
f (t, s, u) est localement Lipschitz.
Sous l’Hypothèse 4.2.1 il existe deux matrices Mf ∈ Rnf ×nF et Nf ∈ RmF ×nf telles que

∂f (t, s, u)
= Mf F (t, s, u)Nf , (4.13)
∂s
avec
F T (t, s, u)F (t, s, u) ≤ I (4.14)
D’après le lemme d’Hadamard [Nes02], si f (t, s, u) vérifie (4.12), nous obtenons :
�1 ∂f (t,s,u)
f (t, FL x, u) = 0 ∂s
| s=λFL x FL x (dλ)
(4.15)
�1
= 0
Mf F (s)Nf FL x (t) (dλ)
Dans ce qui suit, nous allons donner une méthode de synthèse d’une loi de commande
robuste par retour d’état statique pour le système (4.11).

4.3 Stabilisation des systèmes singuliers non linéaires

par retour d’état statique
Dans cette section, nous allons donner les conditions d’existence d’un gain L ∈Rn×m du
retour d’état tel que le système singulier en boucle fermée sous le bouclage u(t) = −Lx(t)

114
 4.3. Stabilisation des systèmes singuliers non linéaires par retour d’état statique

est admissible pour w (t) = 0 et satisfait la performance H∞ (Jyw < γ) pour un γ > 0,
pour w (t) �= 0.
En substituant la commande u(t) = −Lx(t) dans (4.11), nous obtenons

E ẋ(t) = (A − BL) x(t) + Df (t, FL x, u) + D1 w(t)

(4.16)
y (t) = Cx(t) + D2 w(t)
et en substituant (4.15) dans (4.16) nous obtenons le modèle suivant :

E ẋ(t) = A (x) x(t) + D1 w(t) (4.17)

avec � 1
A (x) = (A − BL) + D Mf F (λFL x, t)Nf FL d(λ)
0

4.3.1 Stabilisation dans le cas sans perturbations

Le théorème suivant donne les conditions suffisantes pour la stabilité du système (4.17)
pour w(t) = 0.

Théorème 4.3.1. Le système (4.17) est asymptotiquement stable pour w(t) = 0 s’il existe
une matrice définie positive X̄, des matrices X et Q et un scalaire positif µ tels que la
LMI suivante est satisfaite :
 � � � � 
Σ11 E X̄ + QE T ⊥ E X̄ + QE T ⊥ FLT NfT
 
 ∗ −I 0 <0 (4.18)
 
∗ 0 −µI

avec

Σ11 = E X̄AT + QE T ⊥ AT + AX̄E T + AE T ⊥T QT − XB T

−BX T + µDMf MfT DT
� �−T
Dans ce cas, la matrice de gain L est donnée par L = X T E X̄ + QE T ⊥ .

Démonstration :
Considérons la fonction de Lyapunov suivante :

V (x) = xT E T Y x(t) = xT (t)Y T Ex(t)

où Y est une matrice non singulière telle que E T Y = Y T E � 0. La dérivée de V (x)

est donnée par :
V̇ (x) = (E ẋ(t))T Y x(t) + xT (t)Y T E ẋ(t)

115
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

En utilisant le modèle (4.17) nous obtenons

T
V̇ (x) = (A (x) x (t)) Y x(t) + xT (t)Y T (A (x) x (t))
� �
= xT (t) AT (x) Y + Y T A (x) x(t)

Alors si

AT (x) Y + Y T A (x) < 0 (4.19)

on a V̇ (x) < 0.
En pré-multipliant le premier membre de l’inégalité (??) par Y −T et en le post-
multipliant par Y −1 nous obtenons

Ȳ AT (x) + A (x) Ȳ T < 0 (4.20)

avec Ȳ = Y −T .
Dans ce cas, la condition
ET Y = Y T E � 0
est équivalente à
Ȳ E T = E Ȳ T � 0
En substituant A(x) dans (4.20) nous obtenons
 
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 �1 
 Ȳ F T
N T
F (λF x, t)M T
D T
(dλ) + <0 (4.21)
 0
�1
L f L f 
D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T
�1
Posons U = MfT DT et V = 0 F (λx, t)Nf FL d(λ)Ȳ T , alors, en utilisant (4.3) et le fait
que
�F (λFL x, t)� ≤ I
nous avons � �1 �
T T T T
Ȳ 0 FL Nf F (λFL x, t)Mf D (dλ) +
�1
D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T
(4.22)
<
µDMf MfT DT + µ−1 Ȳ FLT NfT Nf FL Ȳ T
de (4.21) et (4.22) nous obtenons
 
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 �1 
 Ȳ T T T T 
 0 FL Nf F (λFL x, t)Mf D (dλ) + 
�1
D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T
<
� �
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
µDMf MfT DT + µ−1 Ȳ FLT NfT Nf FL Ȳ T +

116
 4.3. Stabilisation des systèmes singuliers non linéaires par retour d’état statique

Maintenant, si � �
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
<0 (4.23)
µDMf MfT DT + µ−1 Ȳ FLT NfT Nf FL Ȳ T
alors (4.21) est vérifiée.
Posons, X = Ȳ LT , et en appliquant le complément de Schur à (4.23), nous obtenons :
 � � 
Ȳ AT + AȲ T − XB T − BX T +
 Ȳ 
 µDM M T D T + µ−1 Ȳ F T N T N F Ȳ T <0 (4.24)
 f f L f f L 
Ȳ T −I

Maintenant, en introduisant le changement de variable suivant :

Ȳ = E X̄ + QE T ⊥ (4.25)

nouq avons l’inégalité suivante :

Ȳ E T = E Ȳ T ≥ 0
qui est toujours vérifiée et en substituant (4.25) dans (4.24) nous obtenons
� �
Σ11 + Σ̄ E X̄ + QE T ⊥
� �T <0
E X̄ + QE T ⊥ −I
avec
Σ̄ = µ−1 (E X̄ + QE T ⊥ )FLT NfT Nf FL (E X̄ + QE T ⊥ )T
Enfin, par l’application du complément de Schur nous obtenons la LMI (4.18), ce qui complète
la démonstration du théorème.

4.3.2 Stabilisation H∞
Le théorème suivant donne les conditions suffisantes pour que le système (4.11) soit stable
pour w(t) = 0 et �x (t)�L2 < γ �w (t)�L2 , pour w(t) �= 0.

Théorème 4.3.2. Le système (4.17) est asymptotiquement stable pour w(t) = 0 et �x (t)�L2 <
γ �w (t)�L2 , pour w(t) �= 0 s’il existe une matrice définie positive X̄, des matrices X, Q et un
scalaire positif µ tels que la LMI suivante est satisfaite
 � � 
Σ11 D1 E X̄ + QE T ⊥ E X̄ + QE T ⊥ FLT NfT
 
 ∗ −γ 2 I 0 0 
 
 <0 (4.26)
 ∗ 0 −I 0 
 
∗ 0 0 −µI

avec

Σ11 = E X̄AT + QE T ⊥ AT + AX̄E T + AE T ⊥T QT − XB T

−BX T + µDMf MfT DT
� �−T
La matrice de gain L est donnée par L = X T E X̄ + QE T ⊥ .

117
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

Démonstration :
Considérons la fonction de Lyapunov suivante :

V (x) = xT E T Y x(t) = xT (t)Y T Ex(t)

où Y est une matrice non singulière vérifiant la condition suivante :

ET Y = Y T E � 0

La dérivée de V (x) le long de la solution de (4.17) est donnée par :

V̇ (x) = (E ẋ(t))T Y x(t) + xT (t)Y T E ẋ(t)

En utilisant le modèle (4.17) nous obtenons

V̇ (x) = (A (x) x (t) + D1 w (t))T Y x(t) + xT (t)Y T (A (x) x (t) + D1 w (t))

� �
= xT (t) AT (x) Y + Y T A (x) x(t) + wT (t) D1T Y x(t) + xT (t)Y T D1 w (t)

sMaintenant, nous avons

� �
T 2 T T AT (x) Y + Y T A (x) + I Y T D1
V̇ (x) + x (t)x (t) − γ w (t) w (t) = ζ (t) ζ (t)
D1T Y −γ 2
� �
x (t)
avec ζ (t) =
w (t)
Si � �
AT (x) Y + Y T A (x) + I Y T D1
<0 (4.27)
D1T Y −γ 2
donc nous obtenons
V̇ (x) < γ 2 wT (t) w (t) − xT (t)x (t)
par l’intégration des deux membres de cette inégalité, nous obtenons
�∞ �∞ �∞
2 T
V̇ (τ ) dτ < γ w (τ ) w (τ ) dτ − xT (τ )x (τ ) dτ
0 0 0

ce qui est équivalent à

V (∞) − V (0) < γ 2 �w (t)�2 − �x (t)�2

Sous la condition initiale nulle, nous obtenons

V (∞) < γ 2 �w (t)�2 − �x (t)�2

ce qui est équivalent à

�x (t)�2 < γ 2 �w (t)�2

118
 4.3. Stabilisation des systèmes singuliers non linéaires par retour d’état statique
� �
Y −T 0
En prée-multipliant le premier membre de (4.27) par et en le post-
0 I
� �
Y −1 0
mutipliant par nous obtenons
0 I

� �
Ȳ AT (x) + A (x) Ȳ T + Ȳ Ȳ T D1
<0 (4.28)
D1T −γ 2 I

avec Ȳ = Y −T .
Dans ce cas, la condition
ET Y = Y T E � 0

est devient
Ȳ E T = E Ȳ T � 0

En remplaçant A(x) par sa valeur dans (4.28) nous obtenons

   
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
   
  Ȳ � 1 F T N T F (λF x, t)M T DT (dλ) +  D1 
  L f L f  
 �10 <0 (4.29)
 D M f F (λF L x, t)N F
f L d(λ) Ȳ T + Ȳ Ȳ T 
 0 
D1 T −γ 2 I

En appliquant le complément de Schur, (4.29) devient

 
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 �1 
 Ȳ 0 FLT NfT F (λFL x, t)MfT DT (dλ) + 
 �1 <0 (4.30)
 D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T 
 
+Ȳ Ȳ T + γ 2 D1 D1T

�1
Posons U = MfT DT et V = 0
F (λx, t)Nf FL d(λ)Ȳ T , alors, en utilisant (4.3) et (4.14)
nous avons

� �1 �
Ȳ 0
FLT NfT F (λFL x, t)MfT DT (dλ) +
�1
D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T
(4.31)
<
µDMf MfT DT + µ−1 Ȳ FLT NfT Nf FL Ȳ T

119
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

De (4.30) et (4.31) nous obtenons

 
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 �1 
 Ȳ 0 FLT NfT F (λFL x, t)MfT DT (dλ) + 
 �1 
 D 0 Mf F (λFL x, t)Nf FL d(λ)Ȳ T 
 
+Ȳ Ȳ T + γ 2 D1 D1T
(4.32)
<
 
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 
 µDMf M T DT + µ−1 Ȳ F T N T Nf FL Ȳ T + 
 f L f 
T 2 T
Ȳ Ȳ + γ D1 D1

Maintenant, si  
Ȳ AT + AȲ T − Ȳ LT B T − BLȲ T +
 
 µDMf MfT DT + 
 <0 (4.33)
 µ−1 Ȳ FLT NfT Nf FL Ȳ T + 
 
Ȳ Ȳ T + γ 2 D1 D1T

est vérifiée, alors (4.30) est vérifiée.

Par l’application du complément de Schur et l’introduction du changement de variable
X = Ȳ LT , (4.33) devient
 � � 
Ȳ AT + AȲ T − XB T − BX T +
 D1 Ȳ 
 µDMf MfT DT + µ−1 Ȳ FLT NfT Nf FL Ȳ T 
 <0 (4.34)
 D1T −γ 2 I 0 
 
Ȳ T 0 −I

En posant
Ȳ = E X̄ + QE T ⊥ (4.35)
l’inégalité suivante
Ȳ E T = E Ȳ T ≥ 0
est toujours vérifiée, et en remplaçant (4.35) dans (4.34) nous obtenons
 
Σ11 + Σ̄ D1 E X̄ + QE T ⊥
 
 D1T −γ 2 I 0 <0
 � �T 
E X̄ + QE T ⊥ 0 −I

avec
Σ̄ = µ−1 (E X̄ + QE T ⊥ )FLT NfT Nf FL (E X̄ + QE T ⊥ )T
En appliquant le complément de Schur à cette inégalité nous obtenons (4.26). Cela
complète la démonstration du théorème.

120
 4.3. Stabilisation des systèmes singuliers non linéaires par retour d’état statique

4.3.3 Exemple numérique

Considérons le système singulier non linéaire de la forme (4.11) avec
       
0 1 0 −19 −1 −1 1 3
       
E=     
0 0 1 , A =  −5 −2 0  , B = 1 , D1 = 0
 
0 0 0 −1 1 1 1 1
 
1 � �
 

D = 1  , C = 1 0 0
0
� �
et D2 = 1 1 . La non-linéarité f (x, u, t) = sin(x3 (t)). Pour ce système la matrice
� �
⊥
E = 0 0 1

et � �
ET ⊥ = 1 0 0
 
1 0 0 � �
 
Pour Nf = Mf = 
 0 1 0 , on a F = 0 0 cos x3

0 0 1
La résolution de la LMI (4.26), donne les résultats suivants :
   
0.036 0.389 0.348 0.036
   
γ 2 = 2.0607, Ȳ = 
 −0.039 0.348 0.462  , Q = −0.039 ,
  
0.004 0 0 0.0037
   
0.072 1.289 0 0
   
 
X = 0.768 etX̄ =  0 0.389 0.348 .
0.484 0 0.348 0.462
Le retour d’état statique stabilisant pour ce système est donné par :
� �
u (t) = −102 1.316 −0.722 0.674 x (t) .

La figure (4.1) représente la perturbation à énergie finie que nous avons appliquée,
les figures (4.2), (4.3) et (4.4) représentent les différents états du système, et la dernière
figure (4.5) représente l’entrée.

121
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

0.1

−0.1
Noise w1

−0.2

−0.3

−0.4

−0.5

−0.6
0 2 4 6 8 10 12 14 16 18 20
Time

Figure 4.1: La perturbation w(t)

0.1
x1

−0.1
State x1

−0.2

−0.3

−0.4

−0.5
0 2 4 6 8 10 12 14 16 18 20
Time

Figure 4.2: L’état x1 (t)

122
 4.3. Stabilisation des systèmes singuliers non linéaires par retour d’état statique

0.7
x2
0.6

0.5

0.4
State x2

0.3

0.2

0.1

−0.1

−0.2
0 2 4 6 8 10 12 14 16 18 20
Time

Figure 4.3: L’état x2 (t)

1.2
x3
1

0.8

0.6
State x3

0.4

0.2

−0.2
0 5 10 15 20
Time

Figure 4.4: L’état x3 (t)

123
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

0.2
u(t)
0

−0.2

−0.4

−0.6
u(t)

−0.8

−1

−1.2

−1.4

−1.6
0 5 10 15 20
Time

Figure 4.5: La commande u(t)

4.4 Stabilisation des systèmes singuliers non linéaires

par commande basée observateur
Dans cette section, nous proposons une loi de commande basée observateur qui garantit
que l’erreur d’estimation converge asymptotiquement vers zéro en boucle fermée. Nous
allons donner les conditions d’existence d’un gain de contrôle L ∈Rn×m tel que le système
singulier en boucle fermée sous une contre réaction u(t) = −Lx̂(t) est admissible pour
w (t) = 0 et satisfait la performance H∞ (Jyw < γ) pour un γ > 0, pour w (t) �= 0.

4.4.1 Synthèse d’observateur

Considérons pour le système (4.11) l’observateur d’ordre réduit (3.12a)-(3.12b) pré-
senté dans le troisième chapitre est de la forme :

ζ̇(t) = N ζ(t) + Jy(t) + Hu(t) + T Df (t, FL x

�, u) (4.36a)
⊥
x̂(t) = P ζ(t) − QED Bu(t) + F y(t) (4.36b)

avec ED⊥ une matrice de dimension appropriée vérifiant

� �
⊥
E D E D =0

124
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

et f (t, FL x
�, u) vérifie l’hypothèse (4.2.1), et en posant ε (t) = ζ(t) − T Ex (t) l’écart entre
ζ(t) et T Ex (t), nous obtenons la dynamique suivante

ε̇(t) = ζ̇(t) − T E ẋ(t)

ε̇(t) = N ε(t) + (N T E − T A + JC)x(t) + (H − T B)u(t) + T D∆f + (JD2 − T D1 )w(t)

Et en utilisant (4.36b), nous obtenons donc le système suivant :

ε̇(t) = N ε(t) + (N T E − T A + JC)x(t) + (H − T B)u(t) + T D∆f (4.37a)

+(JD2 − T D1 )w(t)
� �
e(t) = P ε(t) + P T E + QED⊥ A + F C − In x(t) + (QED⊥ D1 + F D2 )w(t) (4.37b)

avec
∆f = f (t, FL x
�(t), u) − f (t, FL x(t), u)
Maintenant, si les conditions (3.16a), (3.16b) et (3.16c) du chapitre 3 sont vérifiées,
c-à-d ;

N T E − T A + JC = 0 (4.38a)
H = TB (4.38b)
 
� � T E

P Q F   E ⊥ 
D A = In (4.38c)
C

l’erreur (4.37) est indépendante de u(t) et x(t), dans ce cas nous obtenons

ε̇(t) = N ε(t) + T D∆f + ϕ1 w(t) (4.39a)

e(t) = P ε(t) + ϕ2 w(t) (4.39b)

Avec
ϕ1 = JD2 − T D1
ϕ2 = QED⊥ D1 + F D2
Considérons Mf ∈ IR nf ×nF et Nf ∈ IR mF ×nf deux matrices réelles telles que

∂f (t, s, u)
= Mf F (s)Nf
∂s
avec
F T (s)F (s) ≤ I (4.40)
En utilisant le théorème d’Hadamard nous obtenons
� 1 �
∂f (t, s, u)) ��
f (t, FL x, u) = � FL x (dλ)
0 ∂s s=λFL x

125
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires
� 1
= Mf F (s)Nf FL x (t) (dλ) (4.41a)
0
� 0 �
∂f (t, η, u)) ��
f (t, FL x̂, u) − f (t, FL x, u) = � FL (x̂ − x) (dλ)
1 ∂η η=FL x̂−λFL (x̂−x)
� 0
= Mf F (η)Nf FL e (t) (dλ) , (4.41b)
1

avec
s = λFL x et η = FL x̂ − λFL (x̂ − x)
En remplaçant dans (4.39) nous obtenons

� 0
ε̇(t) = N ε(t) + T D Mf F (η)Nf FL e (t) (dλ) + ϕ1 w(t) (4.42a)
1
e(t) = P ε(t) + ϕ2 w(t) (4.42b)

4.4.2 Commande basée observateur

En remplaçant u = −Lx̂, dans (4.11) nous obtenons le système suivant :

E ẋ(t) = Ax(t) − BLx̂(t) + Df (t, FL x, u) + D1 w(t) (4.43a)

ε̇(t) = N ε(t) + T D∆f + ϕ1 w(t) (4.43b)
e(t) = P ε(t) + ϕ2 w(t) (4.43c)

En substituant e(t) = x̂(t) − x(t) nous obtenons

E ẋ(t) = (A − BL)x (t) − BLe(t) + Df (t, FL x, u) + D1 w(t) (4.44a)

ε̇(t) = N ε(t) + T D∆f + ϕ1 w(t) (4.44b)
e(t) = P ε(t) + ϕ2 w(t) (4.44c)
 
ẋ(t)
 
En utilisant le vecteur augmenté suivant 
 ε̇(t)  nous obtenons le système
 suivant
e(t)
     
E 0 0 ẋ(t) (A − BL) 0 −BL x(t)
     
 0 I 0   ε̇(t)  =  0   ε(t) 
N 0
     
0 0 0 ė(t) 0 P −I e(t)
   
D 0 � � D1
  f (t, FL x, u)  
 
+  0 TD  
+  ϕ1  w(t) (4.45)
∆f 
0 0 ϕ2

126
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

En remplaçant l’expression de e(t) dans (4.41a) et (4.41b), nous obtenons

� 1
f (t, FL x, u) = Mf F (s)Nf FL x (t) (dλ)
0
� 0
f (t, FL x̂, u) − f (t, FL x, u) = Mf F (η)Nf FL P ε (t) (dλ)
1
� 0
+ Mf F (η)Nf FL ϕ2 w(t) (t) (dλ)
1

En substituant dans (4.45), nous obtenons

     
E 0 0 ẋ(t) A11 (x) 0 −BL x(t)
     
 0 I 0   ε̇(t)  =  0 A(x)22 0   ε(t)  (4.46)
     
0 0 0 ė(t) 0 P −I e(t)
 
D1
 �0 

+  ϕ1 + T D 1 Mf F (η)Nf FL ϕ2 (dλ) 
 w(t)
ϕ2

avec
� 1
A11 (x) = (A − BL) + D Mf F (s)Nf FL (dλ)
0
� 0
A22 (x) = N + T D Mf F (η)Nf FL P (dλ)
1

Le système (4.46) peut être réécrit sous la forme d’un système singulier :

Eż(t) = A(x)z(t) + D(x)w(t) (4.48)

avec
     
x(t) E 0 0 A11 (x) 0 −BL
     
z(t) = 
 ε(t)  , E =  0 I 0  , A= 
    0 A22 (x) 0 

e(t) 0 0 0 0 P −I
 
D1
 �1 
et D(x) =  ϕ 1 + T D 0
M f F (η)N f F L ϕ 2 (dλ) 

ϕ2

Dans la suite, nous nous intéressons à la stabilité du système augmenté (4.48).

127
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

4.4.3 Synthèse de la commande dans le cas sans perturbations

Le théorème suivant donne les conditions suffisantes pour la stabilité du système (4.48)
pour w(t) = 0.

Théorème 4.4.1. Le système (4.48) est asymptotiquement stable pour w(t) = 0 s’il existe
des matrices définies positives X̄, X1 et Y2 , des matrices Q, Y3 et Q1 , et des scalaires
positifs µ, µ1 et µ2 tels que les deux LMIs suivantes soient satisfaites :
 � � � � 
Σ̄11 E X̄ + QE T ⊥ E X̄ + QE T ⊥ FLT NfT
 
 ∗ −I 0 <0 (4.49)
 
∗ 0 −µI

 � �T � �T 
Σ11 0 − X1 E + E ⊥T Q1 BL X1 E + E ⊥T Q1 DMf 0 0
 � � 
 Y2T ΛT D Mf − 
 
 0 Σ22 ΛTP Y3 0 ΛTP FLT NfT 
 ΩY 2 ∆ T D Mf 
 
 
 ∗ ∗ −Y3 − Y3T 0 0 0 <0
 
 ∗ ∗ 0 − µ11 I 0 0 
 
 
 0 ∗ ∗ 0 − µ12 I 0 
 
0 ∗ 0 0 0 −µ2 I
(4.50)
avec

Σ̄11 = E X̄AT + QE T ⊥ AT + AX̄E T + AE T ⊥T QT − XB T − BX T + µDMf MfT DT

� � � �T � �
Σ11 = AT X1 E + E ⊥T Q1 + X1 E + E ⊥T Q1 A − (BL)T X1 E + E ⊥T Q1
� �T
− X1 E + E ⊥T Q1 BL + µ−1 T T
1 F L N f N f FL

Σ22 = ΛTN Y2 − ∆TN ΩTY2 + Y2T ΛN − ΩY2 ∆N

et ΩY2 = Y2T Z1
� �−T
La matrice de gain L est donnée par L = X T E X̄ + QE T ⊥ .

Démonstration :
Pour la synthèse de la commande basée observateur proposée, on doit déterminer le
gain de la commande L. Comme dans l’équation (4.45) la synthèse de l’observateur et celle
de la commande sont couplées. On propose de faire cette synthèse en 2 étapes, d’abord sup-
poser préalablement que (4.36) est un observateur asymptotique pour le système (4.11).
Cela implique que

e(t) = x(t) − x̂(t) −→ 0 quand t −→ +∞

128
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

Alors, le système (4.44a) devient :

E ẋ(t) = A11 (x)x (t) (4.51)

ce dernier est asymptotiquement stable si la LMI (4.49) est satisfaite (voir le théorème
4.3.1). La résolution de l’inégalité (4.49) nous donne le gain de la commande L.
La deuxième étape de la synthèse consiste à trouver les condition de stabilité du
système global (4.48).
Considérons la fonction de Lyapunov suivante :

V (z) = z T ET Y z(t) = z T (t)Y T Ez(t)

avec Y est une matrice non singulière telle que ET Y = Y T E � 0.

La dérivée de V (z) le long de la solution de (4.48) est donnée par
T
V̇ (z) = (Eż(t)) Y z(t) + z T (t)Y T Eż(t)
En utilisant le modèle (4.48) nous obtenons

V̇ (z) = z T (t) A(x)T Y z(t) + z T (t)Y T A(x)z (t)

� �
= z T (t) A(x)T Y + Y T A(x) z(t)

Si
A(x)T Y + Y T A(x) < 0 (4.52)
Alors, V̇ (z) < 0,  
Y1 0 0
 
En remplaçant Y = 
 0 Y2 0  dans (4.52) nous obtenons
0 0 Y3
 
A11 (x)T Y1 + Y1T A11 (x) 0 −Y1T BL
 
 0 A22 (x)T Y2 + Y2T A22 (x) P T Y3 <0 (4.53)
 
T
− (BL) Y1 Y3T P −Y3 − Y3T

et en remplaçant A11 (x) et A22 (x) dans (4.53) nous obtenons

 
Ā11 (x) 0 −Y1T BL
 
 0 Ā (x) P T
Y <0
 22 3 
T
− (BL) Y1 P Y3T −Y3 − Y3T
avec
 
T T T T
A Y1 + Y A − (BL) Y1 − Y BL
1 1
 �1 
Ā11 (x) =  0 FLL NfT F T (s)MfT DT (dλ))Y1 + 


T
�1
+Y1 D 0 Mf F (s)Nf FL (dλ)

129
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires
 
T T
N Y2 + Y N + 2
 �1 

Ā22 (x) =  0 P FL Nf F T (η)MfT (T D)T (dλ) Y2 + 
T L T

T
�1
Y2 T D 0 Mf F (η)Nf FL P (dλ)
Posons � 1
T T
U1 = M D Y1 , V1 =
f F (s)Nf FL (dλ)
0
et � 1
T T
U2 = M (T D) Y2 , V2 =
f F (η)Nf FL P (dλ)
0

en utilisant (4.3) et (4.40), nous obtenons

 
Â11 (x) 0 −Y1T BL
 
 0 Â22 (x) P T Y3 <0
 
T
− (BL) Y1 P Y3T −Y3 − Y3T
avec

T
Â11 (x) = AT Y1 + Y1T A − (BL) Y1 − Y1T BL
+µ1 Y1T DMf MfT DT Y1 + µ−1 T T
1 F L N f Nf F L
T
Â22 (x) = N T Y2 + Y2T N + µ2 Y2T (T D) Mf MfT (T D) Y2
T T T
+µ−12 P F L Nf Nf F L P

par l’application du complément de Schur nous obtenons

 
(1, 1) 0 −Y1T BL Y1T DMf 0 0
 
 0 (2, 2) T
P Y3 0 Y2 (T D) Mf P FLT NfT
T T 
 
 
 ∗ ∗ −Y3 − Y3T 0 0 0 
 <0 (4.54)
 ∗ 0 0 − µ11 I 0 0 
 
 
 0 ∗ 0 0 1
− µ2 I 0 
 
0 ∗ 0 0 0 −µ2
où
� T
�
AT Y1 + Y1T A − (BL) Y1 − Y1T BL
(1, 1) = T T
+µ−1
1 F L Nf Nf F L

(2, 2) = N T Y2 + Y2T N
Soit Y3 une matrice carrée quelconque, Y2 une matrice définie positive et Y1 = X1 E +
E Q1 , alors l’inégalité suivante :
⊥T

ET Y1 = Y1T E � 0
est satisfaite, en substituant Y1 , N et P par leurs valeurs dans (4.54) nous obtenons la
LMI (4.50) avec ΩY2 = Y2T Z1 , ce qui complète la démonstration du théorème.

130
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

4.4.4 Synthèse de la commande H∞

Le théorème suivant donne les conditions suffisantes pour la stabilité du système (4.48)
pour w(t) = 0 et �x (t)�L2 < γ �w (t)�L2 , pour w(t) �= 0.

Théorème 4.4.2. Le système (4.48)est asymptotiquement stable pour w(t) = 0 et �x (t)�L2 <
γ �w (t)�L2 , pour w(t) �= 0 s’ils existe des matrices définies positives X̄, X1 et Y2 , des
matrices X, Q, Y3 et Q1 et des scalaires positifs µ, µ1 , µ2 et µ3 tels que les LMIs suivantes
soient satisfaites :
 � � 
Σ̄11 D1 E X̄ + QE T ⊥ E X̄ + QE T ⊥ FLT NfT
 
 ∗ −γ 2 I 0 0 
 <0 (4.55)
 ∗ 0 −I 0 
 
∗ 0 0 −µI

 T T
Σ11 0 − (X1 E + E ⊥T Q1 ) BL (X1 E + E ⊥T Q1 ) 0

 0 Σ22 T
Λ Y3 0 Y2T
 P
 ∗ ∗ −Y3 − Y3T + I 0 0


 ∗ 0 0 −µ3 I 0


 ∗ ∗ 0 0 − µ11 I

 0 ∗ ∗ 0 0


 0 ∗ 0 0 0


 ∗ ∗ ∗ 0 0
0 0 0 0 0
T T

0 0 (X1 E + E ⊥T Q1 ) D1 (X1 E + E ⊥T Q1 ) DMf

0 Y2T ΛT D Mf ΛTP FLT NfT Y2T Λϕ1 − ΩY2 ∆ϕ1 

Y3T 0 Y3T Λϕ2 0 


0 0 0 0 


0 0 0 0 <0

− I 1
0 0 0 
µ2 

0 −µ2 0 0 


0 0 −γ 2 I Nf FL Λϕ2 
0 0 ∗ −I
(4.56)
avec

Σ̄11 = E X̄AT + QE T ⊥ AT + AX̄E T + AE T ⊥T QT − XB T − BX T + µDMf MfT DT

� � � �T T � �
Σ11 = AT X1 E + E ⊥T Q1 + X1 E + E ⊥T Q1 A − (BL) X1 E + E ⊥T Q1

131
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires
� �T T T
− X1 E + E ⊥T Q1 BL + µ−1 1 F L Nf Nf F L + I

Σ22 = ΛTN Y2 + ∆TN ΩTY2 + Y2T ΛN + ΩY2 ∆N + I

et ΩY2 = Y2T Z1
� �−T
La matrice de gain L est donnée par L = X T E X̄ + QE T ⊥ .

Démonstration :
De la même façon, on suppose préalablement que (4.36) est un observateur asympto-
tique pour le système (4.11). Alors, e(t) tend vers 0 et le système (4.44a) devient :

E ẋ(t) = A11 (x)x (t) + D1 w(t) (4.57)

ce dernier est asymptotiquement stable si la LMI (4.55) est satisfaite (voir le théorème
4.3.2). La résolution de l’inégalité (4.55) nous donne le gain de la commande L.
Pour trouver les condition de stabilité du système global (4.48), d’abord, posons
D(x) = D1 + D1 (x), alors le système (4.48) devient :

Eż(t) = A(x)z(t) + D1 w(t) + D2 (x)w(t) (4.58)

avec
   
D1 0
   
D1 =  ϕ  et D2 (x) =  � 1 Mf F (λFL x, t)Nf FL ϕ2 (dλ) 
 1   0 
ϕ2 0
Considérons la fonction de Lyapunov suivante :

V (z) = z T ET Y z(t) = z T (t)Y T Ez(t)

avec Y est une matrice non singulière telle que

ET Y = Y T E � 0

La dérivée de V (z) le long de la solution de (4.48) est donnée par :

T
V̇ (z) = (Eż(t)) Y z(t) + z T (t)Y T Eż(t)
En utilisant le modèle (4.58), nous obtenons

T
V̇ (z) = (A(x)z (t) + D1 w (t)) Y z(t) + z T (t)Y T (A(x)z (t) + D1 w (t) + D2 (x)w (t))
� �
= z T (t) A(x)T Y + Y T A(x) z(t) + wT (t) DT1 Y z(t) + z T (t)Y T D(x)1 w (t)
+wT (t) D2 (x)T Y z(t) + z T (t)Y T D2 (x)w (t)
Posons U3 = D2 (x)w (t), V3 = Y z (t) , alors, en utilisant (4.3) et (4.40), nons aurons
1 T
wT (t) D2 (x)T Y z(t) + z T (t)Y T D2 w (t) ≤ µ3 wT (t) DT2 D2 (x)w (t) + z (t)Y T Y z (t)
µ3

132
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

1 T
≤ µ3 wT (t) ϕT2 FLT NfT Nf FL ϕw (t) + z (t)Y T Y z (t)
µ3

alors
� �
1 T
T T T
V̇ (z) ≤ z (t) A(x) Y + Y A+ Y Y z(t) + wT (t) DT1 Y z(t) + z T (t)Y T D1 w (t)
µ3
T T T T
+µ3 w (t) ϕ2 FL Nf Nf FL ϕw (t)

Maintenant, nous avons

V̇ (z) + z T (t)z (t) − γ 2 wT (t) w (t)

=
� �
1
T T
A(x) Y + Y A(x) + I+ Y T Y µ3
Y T D1
z̄ T (t) z̄ (t)
DT1 Y −γ 2 I+ϕT2 FLT NfT Nf FL ϕ
� �
z (t)
avec z̄ (t) = .
w (t)
L’inégalité suivante

V̇ (z) + z T (t)z (t) − γ 2 wT (t) w (t) < 0

est satisfaite, si
� �
A(x)T Y + Y T A(x) + I+ µ13 Y T Y Y T D1
<0 (4.59)
DT1 Y −γ 2 I+ϕT2 FLT NfT Nf FL ϕ

ce qui est équivalent à

V̇ (z) < γ 2 wT (t) w (t) − z T (t)z (t)

L’intégration des deux membres de cette inégalité nous donne
�∞ �∞ �∞
V̇ (τ ) dτ < γ 2 wT (τ ) w (τ ) dτ − z T (τ )z (τ ) dτ
0 0 0

ce qui est équivalent à

V (∞) − V (0) < γ 2 �w (t)�2 − �z (t)�2

Sous la condition initiale nulle, nous obtenons

V (∞) < γ 2 �w (t)�2 − �z (t)�2

ce qui est équivalent à
�z (t)�2 < γ 2 �w (t)�2

133
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

Le complément de Schur, appliqué à (4.59) donne :

 
A(x)T Y + Y T A(x) + I Y T Y T D1 0
 
 Y −µ3 I 0 0 
 <0 (4.60)
 DT1 Y 0 −γ 2 I Nf F L ϕ 2 
 
T T T
0 0 ϕ 2 F L Nf −I
En remplaçant A(x), D1 et Y dans (4.60) nous obtenons :

(1, 1) 0 −Y1T BL Y1T Y1T DMf

 0 (2, 2) P T Y3 0 Y2T

 ∗ ∗ −Y3 − Y3T + I 0 0


 ∗ 0 0 −µ3 I 0


 ∗ ∗ 0 0 − µ11 I

 0 ∗ ∗ 0 0


 0 ∗ 0 0 0


 ∗ ∗ ∗ 0 0
0 0 0 0 0
(4.61)

0 0 Y1T D1 0

T
Y (T D) Mf P F N T T T T
Y ϕ1 0 
2 L f 2 
Y3T 0 Y3T ϕ2 0 


0 0 0 0 


0 0 0 0 <0

− µ12 I 0 0 0 


0 −µ2 0 0 


0 0 −γ 2 I N f F L ϕ2 
0 0 ∗ −I
où
� T
�
AT Y1 + Y1T A − (BL) Y1 − Y1T BL + I
(1, 1) = T T
+µ−1
1 F L Nf Nf F L

(2, 2) = N T Y2 + Y2T N + I
Soit Y3 une matrice quelconque, Y2 une matrice définie positive et Y1 = X1 E + E ⊥T Q1 ,
alors l’inégalité suivante :
ET Y = Y T E ≥ 0
est satisfaite, ainsi en substituant N et P par leurs valeurs dans (4.61) nous obtenons la
LMI (4.56) avec ΩY2 = Y2T Z1 , ce qui complète la démonstration du théorème.

134
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

4.4.5 Exemple numérique

Considérons le système singulier non linéaire de la forme (4.11) avec :
       
0 1 0 −1 0 1 1 3
       
E= 0 0 1    
 , A =  1 1 −5 , B = 1 , D1 = 0
 
0 0 0 1 0 1 1 1
 
1 � �
 

D = 1  , C = 1 0 0
0
� �
et D2 = 1 1 . La non-linéarité f (t, x, u) = sin(x3 (t)). Pour γ 2 = 2.5, µ = 0.1, µ1 =
1, µ2 = 0.5, µ3 = 1, la résolution de la LMI (4.55), nous donne le gain de la commande L :
� �
L = −0.3712 1.634 0.670

En remplaçant L par sa valeur dans la LMI (4.56), la résolution de cette dernière nous a
permis de trouver l’observateur suivant :
� � � � � �
0 −6.861 −4.574 −4.574
ζ̇(t) = 104 ζ(t) + 104 y(t) + 104 u(t)
0 −0.704 −0.469 −0.469
� �
1
+ x2 (t))
sin(�
0.667
(4.62)
     
0 −0.353 0.235 0.765
     
�(t) = 
x  1 0  ζ(t) −  0  u(t) +  0  y(t)
    
0 0.706 0.529 −0.529

La figure (4.6) représente la perturbation à énergie finie que nous avons appliquée,
les figures (4.7), (4.8) et (4.9) représentent les différents états du système, et la dernière
figure (4.10) représente l’entrée.

135
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

0.1

−0.1
Noise w1

−0.2

−0.3

−0.4

−0.5

−0.6
0 2 4 6 8 10 12 14 16 18 20
Time

Figure 4.6: La perturbation w(t)

1
x1
0.8 xo1

0.6

0.4

0.2
x1 et xo1

−0.2

−0.4

−0.6

−0.8

−1
0 5 10 15 20 25 30
Temps

Figure 4.7: L’état x1 (t) et son estimé x̂1 (t)

136
4.4. Stabilisation des systèmes singuliers non linéaires par commande basée observateur

1
x2
0.8 xo2

0.6

0.4

0.2
x2 et xo2

−0.2

−0.4

−0.6

−0.8

−1
0 5 10 15 20 25 30
Temps

Figure 4.8: L’état x2 (t) et son estimé x̂2 (t)

1
x3
0.8 xo3

0.6

0.4

0.2
x3 et xo3

−0.2

−0.4

−0.6

−0.8

−1
0 5 10 15 20 25 30
Temps

Figure 4.9: L’éta x3 (t) et son estimé x̂3 (t)

137
Chapitre 4. Stabilisation et commande basée observateur des systèmes singuliers non linéaires

2
u

1.5

1
La commade u

0.5

−0.5

−1
0 5 10 15 20 25 30
Temps

Figure 4.10: La commande u(t)

4.5 Conclusion
Dans ce chapitre, nous avons abordé le problème de la stabilisation d’une classe de
systèmes singuliers non linéaires. La stabilisation par retour d’état statique est étudiée
dans la première partie. Les conditions d’existence d’une commande stabilisante sont
données, l’état du système est supposé entièrement accessible. Cette contrainte est levée
dans la deuxième partie de ce chapitre où, nous avons proposé une commande basée
observateurs , les conditions d’existence de cette dommande sont données sous forme
d’inégalités matricielles linéaires strictes (LMIs). Des exemples numériques sont donnés
afin de valider les résultats théoriques.

138
 Conclusion générale

Dans cette thèse, nous avons proposé plusieurs méthodes de synthèse d’observateurs
d’état qui permettent d’étendre les résultats existants dans la littérature sur l’observation
des systèmes standards au cas des systèmes singuliers bilinéaires et au cas des systèmes
singuliers non linéaires.
Dans la première partie de ce mémoire, nous avons proposé une méthode de synthèse d’ob-
servateur pour une classe de systèmes bilinéaires. Les systèmes considérés sont supposés
soumis à des entrées bornées, afin de diminuer le conservatisme. Nous avons considéré
ces entrées comme des incertitudes structurées. L’observateur proposé est un observateur
d’ordre réduit standard (non singulier). La dynamique de l’erreur d’estimation est indé-
pendante de l’état du système à observer. les conditions nécessaires et suffisantes pour
le non biais sont données sous forme d’équations de Sylvester. La paramétrisation des
solutions de ces dernières est donnée en détail. Les condition d’existence et de stabilité
sont données sous forme d’inégalité matricielle linéaire.
La deuxième partie de ce mémoire est dédiée à la synthèse d’observateur et au filtrage
H∞ pour une classe systèmes singuliers non linéaires Lipschitzien. La dynamique de l’er-
reur d’estimation est indépendante de la partie linéaire de l’état et de l’entrée du système
observé. Cette dynamique est réécrite sous forme d’un système singulier non linéaire pour
lequel nous avons étudié la stabilité. Les conditions d’existence et de stabilité sont don-
nées sous forme d’inégalité matricielle linéaire stricte. Cette approche est étendue par la
suite au cas des systèmes singuliers non linéaires présentant des perturbations inconnues
à énergie finie. Pour ces systèmes, nous avons proposé un filtre H∞ robuste. Une autre
extension est traitée, il s’agit des systèmes non linéaires singuliers à dynamique et à sor-
tie non linéaires. Un filtre H∞ robuste a été également proposé pour cette classe. Des
exemples numériques ont été donnés pour les différents filtre développés afin de montrer
l’efficacité de la méthode proposée.
La dernière partie de ce travail traite le problème de stabilisation et de stabilisation
robuste d’une classe de systèmes singuliers non linéaires. La non-linéarité est supposée
continue et différentiable. La méthode repose sur l’utilisation du théorème de Hadamard
pour transformer les fonctions non linéaires afin d’obtenir une forme adaptée à la synthèse
d’une commande par retour d’état statique ou d’une commande basée observateur. Dans
un premier temps nous avons supposé que l’état du système est accessible. Les conditions
d’existence et de stabilité sont données sous forme d’inégalité matricielle linéaire. Ensuite,
cette contrainte est levée, et nous avons construit une commande basée observateur. Les
résultat obtenus sont étendus aux cas des systèmes présentant des perturbations à énergie
finie.

139
Conclusion générale

Les travaux sur l’observation et la commande des systèmes singuliers non linéaires
sont récents. Les résultats obtenus dans cette thèse peuvent être étendus à des classes de
systèmes plus généraux, en particulier en utilisant des nouvelles formes normales d’obser-
vabilité, qui s’appliquent au cas non linéaires non Lipschitziens. Notre approche peut être
utilisée dans le domaine du diagnostic et de détection de défauts pour les systèmes non
linéaires standards à entrées inconnues. Nos résultats peuvent aussi s’étendre au cas des
systèmes non linéaires incertains.

140
 Annexe A

Lemme de Hadamard

Lemme A.0.1. Soit f : Rn → R une fonction réelle lisse définie sur un ouvert U ∈ IRn
à valeur dans IRn dont le jacobien est inversible en un point a ∈ U . de plus la fonction
est C 1 -difféomorphisme d’un voisinage de a sur un voisinage de f (a). Donc f (x) peut être
exprimée pour tout x ∈ U sous forme
�
n

f (x) = f (a) + (xi − ai )gi (x)

i=1
   
a1 x1
 .   .. 
où gi est une fonction lisse dans U , a = 

..  and x = 
  . 
.
an xn
Démonstration Soit x ∈ U et h une application définie de [0, 1] vers IRn telle que
h (x) = f (a + t (x − a))
donc

�
�
n
∂f
h (x) = (a + t (x − a)) (xi − ai )
i=1
∂xi
nous avons
� 1
�
h (1) − h (0) = f (x) − f (a) = h (t) dt
0
� 1� n
∂f
= (a + t (x − a)) (xi − ai ) dt
0 i=1 ∂xi
i=1
�
n � 1
∂f
= (xi − ai ) (a + t (x − a)) dt
i=1 0 ∂xi
�n

= (xi − ai ) gi (x) dt
i=1
�1
où gi (x) = ∂f
0 ∂xi
(a + t (x − a)) dt.

141
Annexe A. Lemme de Hadamard

142
 Annexe B

Cette annexe regroupe des rappels sur quelques notions mathématiques utilisées dans
ce mémoire.
Une matrice symétrique S ∈ Rn×n est dite :
1. définie positive S>0 ssi xT Sx > 0 pour tout x ∈ Rn , x �= 0.
2. semi-définie positive S≥0 ssi xT Sx ≥ 0 pour tout x ∈ Rn , x �= 0.
3. définie négative S<0 ssi xT Sx < 0 pour tout x ∈ Rn , x �= 0.
4. semi-définie négative S≤0 ssi xT Sx ≤ 0 pour tout x ∈ Rn , x �= 0.

B.1 Décomposition en valeurs singulières

Soit A une matrice de dimension n × m de rang = q, alors il existe deux matrices
unitaires U et V de dimensions appropriées telles que :
�� �
q
0
A = UT V
0 0
�
où = diag(σi ), i = 1, · · · , q et σi > 0.
Une matrice ��−1 �
+ T q
0
A =V U
0 0

On peut aussi déduire que pour toute matrice A il existe deux matrices régulières Ū et V̄
telles que
� �
I q 0
A = Ū T V̄
0 0

B.2 Lemme de Schur

Lemme B.2.1 (Lemme de Schur). [BEFB94] Etant données trois matrices Q, R et S
(Q = QT et S = S T ), les deux propositions suivantes sont équivalentes

143
 Annexe B.

(1) � �
Q R
<0 (B.1)
RT S
(2)
S < 0 et Q − RS −1 RT < 0 (B.2)
◦

La matrice Q − RS −1 RT est aussi appelée complément de Schur de S. Ce lemme reste

vérifié lorsque l’on remplace “<” par “�”.

B.3 Lemme Borné Réel

Un système dynamique continu linéaire de matrices d’état A, B, C et D a une norme
H∞ inférieure à γ si et seulement si il existe une matrice P = P T telle que la LMI suivante
est vérifiée : � �
AT P + P A + C T C P B + C T D
<0 (B.3)
B T P + DT C DT D − I
Cette LMI est faisable si et seulement si le système linéaire (A, B, C, D) est non ex-
pansif, c-à-d ;
�T �T
T
y (t) y (t) dt ≤ uT (t)u(t)dt (B.4)
0 0

sous la condition initiale x(0) = 0.

144
B.3. Lemme Borné Réel

145
Annexe B.

146
 Bibliographie

Références personnelles :
Conférences Internationales
[1] Zerrougui M., Boutat-Baddas L., Darouach M. � H∞ observers design for a class of
continuous time nonlinear singular systems’, Dans 8th International Conference on
Systems, Signals and Devices, SSD’11, Tunisie 2011.
[2] Darouach M., Boutat-Baddas L., Zerrougui M. H∞ observers design for a class
of continuous nonlinear singular systems. Dans 19th International Symposium on
Mathematical Theory of Networks and Systems, MTNS’10, Hongrie 2010
[3] Zerrougui M., Boutat-Baddas L., Darouach M. � H∞ Observers Design for Singular
Bilinear Systems’, Dans 2010 American Control Conference - 2010 American Control
Conference, États-Unis 2010.
[4] Darouach M., Boutat-Baddas L., Zerrougui M. � H∞ observers design for a class of
discrete time nonlinear singular systems’, Dans 18th Mediterranean Conference on
Control and Automation, MED’10, Maroc 2010
[5] Zerrougui M., Boutat-Baddas L., Darouach M. ’Observateur H∞ pour une classe de
systèmes singuliers bilinéaires’, Dans Sixième Conférence Internationale Francophone
d’Automatique, CIFA 2010, France 2010

Conférences Nationales
[6] Zerrougui M., Boutat-Baddas L., Darouach M. ’Synthèse d’observateur H∞ pour
une classe de systèmes singuliers non linéaires’, Dans 4èmes Journées Doctorales /
Journées Nationales MACS, JD-JN-MACS, France (2011)
[7] Zerrougui M., Boutat-Baddas L., Darouach M. ’Commande basée observateur pour
une classe de systèmes singuliers non linéaires’, Dans Congrès National de Recherche
en IUT, Cherbourg-Octeville, France, June 2011.

Articles en revues internationales

[8] Darouach M., Boutat-Baddas L., Zerrougui M. ’H∞ Observers design for a class of
nonlinear singular systems’, dans Automatica (2011), Volume 47, Issue 11, November
2011, Pages 2517-2525

147
Bibliographie

[9] Zerrougui M.,Darouach M., Boutat-Baddas L. ’H∞ observers design for a class of
continuous time nonlinear singular systems’. dans Journal of Control Science and
Engineering JCSE, Volume 2011 (2011), Article ID 967571, 8 pages

Articles soumis en revues internationales

[10] Zerrougui M.,Darouach M., Boutat-Baddas L. ’H∞ filtering for Lipschitz nonlinear
singular systems’. Soumis
[11] Zerrougui M.,Darouach M., Boutat-Baddas L. ’H∞ stabilization of a class of nonli-
near singular systems : An LMI approach’. Soumis

148
 Bibliographie

[ABD98] D. Aubry, M. Boutayeb, and M. Darouach. Observateurs de type Kalman

étendu pour les systèmes non linéaires temps discret. application à une ma-
chine asynchrone. In Colloque Inter-GDR Thème Commande des Entraîne-
ments Electriques, Paris, France, 1998.
[ABD01] D. Aubry, M. Boutayeb, and M. Darouach. On extended Kalman type ob-
servers design with application to the ball and beam system. In 5th IFAC
Symposium of the 15th IMACS Nonlinear Systems- NOLCOS 2001, Saint-
Petersburg, Russia, pages 1431–1436, 2001.
[AK99] M. Arcak and P.V. Kokotović. Nonlinear observers : a circle criterion design.
Proceedings of the 38 st Conference on Decision and Control, Phoenix, USA,
1999.
[AK01a] M Arcak and P. Kokotovic. Nonlinear observers : A circle criterion design and
robustness analysis. Automatica, 37(12) :1923–1930, 2001.
[AK01b] M Arcak and P. Kokotovic. Observer-based control of systems with slope-
restricted nonlinearities. IEEE Trans. on Automatic Control, 46(7) :1146–
1150, 2001.
[Arc02] M Arcak. A global separation theorem for a new class of nonlinear obser-
vers. Proceedings of the 41 st Conference on Decision and Control, Las Vegas,
Nevada, 2002.
[BA99] M. Boutayeb and D. Aubry. A strong tracking extended Kalman observer for
nonlinear discrete-time systems. IEEE Trans. on Automatic Control, 44(8),
1999.
[BAD97] M. Boutayeb, D. Aubry, and M. Darouach. Robust observers design for a
class of nonlinear discrete-time systems. In Proceedings of the 4th European
Control Conference , Bruxelle, Belgique, 1997.
[BADF97] M. Boutayeb, D. Aubry, M. Darouach, and P. M. Frank. Observers design
for nonlinear descriptor systems. In Proceedings of the 15th IMACS World
Congress , Berlin, Allemagne, 1997.
[BCCG93] G. Bornard, F. Celle-Couenne, and G. Gilles. Observabilité et observateurs.
chapitre 3. systèmes non linéaires. tome 1 : Modélisation-Estimation. Masson,
1993.
[BEFB94] S.P. Boyd, L. El Ghaoui, E. Féron, and V. Balakrishnan. Linear Matrix
Inequality in Systems and Control Theory. SIAM, Philadelphia, 1994.

149
Bibliographie

[BG97] E.B. Beran and K.M. Grigoriadis. Computational issues in alternating pro-
jection algorithms for fixed-order control design. In Proc. IEEE American
Contr. Conf., Albuquerque, USA, 1997.
[BH91] G. Bornard and H. Hammouri. A high gain observer for a class of uniformly
observable systems. In Proceedings of the 30th IEEE Conference on Decision
and Control , Brighton, England, 1991.
[BH97] R. Brown and P. Hwang. Introduction to random signals and applied kal-
man filtering : with matlab exercises and solutions. John Wiley Sons, Third
Edition, 1997.
[BRD97] M. Boutayeb, H. Rafaralahy, and M. Darouach. Convergence analysis of
the extended Kalman filter used as an observer for nonlinear deterministic
discrete-time systems. IEEE Trans. on Automatic Control, 42(4), 1997.
[Bro98] E. Brookner. Tracking and kalman filtering made easy. John Wiley Sons,
Third Edition, 1998.
[BZ83] D. Bestle and M. Zeitz. Canonical form observer design for nonlinear time-
variables systems. International Journal of Control, 38, 1983.
[BZ88] J. Birk and M. Zeitz. Extended Luenberger observer for nonlinear multi-
variable systems. International Journal of Control, 47(6), 1988.
[Che93] G. Chen. Approximate Kalman filtering. World Scientific series in approxi-
mations and decompositions, 1993.
[Dai88] L. Dai. Observers for discrete singular systems. IEEE Trans. Aut. Contr.,
33 :187–191, 1988.
[Dai89] L. Dai. Singular Control Systems, volume 118 of Lecture Notes in Control and
Information Sciences. Springer-Verlag, New York, 1989.
[Dar00] M. Darouach. Existence and design of functional observers for linear systems.
IEEE Trans. Aut. Contr., 45 :940–943, 2000.
[DB95] M. Darouach and M. Boutayeb. Design of observers for descriptor systems.
IEEE Trans. Aut. Contr., 40 :1323–1327, 1995.
[DBB+ 93] F. Deza, D. Bossanne, E. Busvelle, J. P. Gauthier, and D. Rakotopara. Ex-
ponential observers for nonlinear systems. IEEE Trans. Automatic Control,
38(3), 1993.
[DBB08] M. Darouach and L Boutat-Baddas. Observer for a class of nonlinear singular
systems. IEEE Trans. Aut. Contr., 53 :2627–2633, 2008.
[DBGR92] F. Deza, E. Busvelle, J. P. Gauthier, and D. Rakotopara. High gain estimation
for nonlinear systems. Systems and Control letters, 18 :295–299, 1992.
[EL77] M. España and I.D. Landau. Reduced order bilinear models for distillations
columns. Automatica, 14 :345–355, 1977.
[FA02] X. Fan and M Arcak. Nonlinear observer design for systems with multivariable
monotone nonlinearities. Proceedings of the 41 st Conference on Decision and
Control, Las Vegas, Nevada, 2002.

150
[FA03] X. Fan and M Arcak. Observer design for systems with multivariable mono-
tone nonlinearities. Systems and Control Letters, 50 :319–330, 2003.
[FBL95] M. Fu, N.E. Barabanov, and H. Li. Robust H∞ analysis and control of linear
systems with integral quadratic constraints. In Proc. European Contr. Conf.,
Roma, Italy, 1995.
[FdX91] M. Fu, C.E. de Souza, and L. Xie. H∞ estimation for continuous-time linear
uncertain systems. In Proc. IFAC Symp. Design Methods Control Systems,
Zurich, Switzerland, 1991.
[FH93] K Farza, M. Busawon and Hammouri. H. Simple nonlinear observers for on-
line estima- tion of kinetic rates in bioreactors. Automatica, 34 :301–318,
1993.
[Fra87] B.A. Francis. A course in H∞ Control Theory, volume 88 of Lecture Notes in
Control and Information Sciences. Springer-Verlag, New York, 1987.
[GA93] M. Grewal and A. Andrews. Kalman filtering : Theory and practice. Prentice
Hall, 1993.
[GB81] J.P. Gauthier and G. Bornard. Observability for any u(t) of a class of nonlinear
systems. IEEE Trans. Aut. Contr., 26 :922–926, 1981.
[GHO92] J. P. Gauthier, H. Hammouri, and S. Othman. A simple observer for nonlinear
systems. Applications to bioreactors. IEEE Trans. on Automatic Control,
37(6) :875–880, 1992.
[GL95] M. Green and D.N.J. Limebeer. Robust Linear Control. Prentice Hall, Engle-
wood Cliffs, New Jersey, 1995.
[GMP96] A. Glumineau, C. H. Moog, and F. Plestan. New algebro-geometric condi-
tions for the linearization by input-output injection. IEEE Trans. Automatic
Control, 41(4) :598–603, 1996.
[Hać92] A. Hać. Design of disturbance decoupled observer for bilinear systems. Trans.
of the ASME, J. Dyn. Syst., Meas. & Cont., 114 :556–562, 1992.
[HK77] R. Hermann and A.J. Krener. Nonlinear controllability and observability.
IEEE Trans. Aut. Contr., 22 :728–740, 1977.
[HM99] M. Hou and P.C. Müller. Observer design for descriptor systems. IEEE Trans.
Aut. Contr., 44 :164–169, 1999.
[HP99] M. Hou and A.C. Pugh. Observer with linear error dynamics for nonlinear
multi output systems. Systems and Control Letters, 37(1) :1–9, 1999.
[Jaz70] A. H. Jazwinski. Stochastic processes and filtering theory. New York Acade-
mic, 1970.
[JM99] U. Jönsson and A. Megretski. IQC characterizations of signal classes. In Proc.
European Contr. Conf., Karlsruhe, Germany, 1999.
[JS04] J. Jouffroy and J.-J. E. Slotine. Methodological remarks on contraction theory.
Proc. Conference on Decision and Control, Atlantis, Paradise Island, Baha-
mas, 3 :2537–2543, 2004.

151
Bibliographie

[Kel87] H. Keller. Nonlinear observer design by transformation into a generalized

observer canonical form. International. Journal of Control, 46(6) :1915–1930,
1987.
[Kha] H. K. Khali. Nonlinear Systems, 2-nd edition. Prentice-Hall.
[KI83] A. J. Krener and A. Isidori. Linearization by output injection and nonlinear
observers. Systems and Control Letters, 3(1) :47–52, 1983.
[KK98] N. Kazantzis and C. Kravaris. Nonlinear observer design using Lyapunov’s
auxiliary theorem. Systems & Control Letters, 34, 1998.
[KR85] A. J. Krener and W. Respondek. Nonlinear observer with linearizable error
dynamics. SIAM Journal on Control and Optimization, 23(2) :197–216, 1985.
[LF97] H. Li and M. Fu. A linear matrix inequality approach to robust H∞ filtering.
IEEE Trans. Sign. Proc., 45 :2338–2350, 1997.
[LH06] Guoping Lu and Daniel W. C. Ho. Full-order and reduced-order observers for
lipschitz descriptor systems : The unified lmi approach. IEEE Trans. Circ.
Syst. II : Express Briefs, 53 :563–567, 2006.
[LT87] C. W. Li and L. W. Tao. Observing nonlinear time-variable systems through a
canonical form observer. International Journal of Control, 44(6) :1703–1713,
1987.
[Mas97] I. Masubuchi. An exact solution to parameter-dependent convex differential
inequalities. Automatica, 33(4) :669–673, 1997.
[MH89] E.A. Misawa and J.K. Hedrick. Nonlinear observers : a state-of-the-art survey.
Trans. of the ASME, J. Dyn. Syst., Meas. & Cont., 111 :344–352, 1989.
[Moh73] R.R. Mohler. Bilinear Control Processes, volume 106 of Mathematics in
Science and Engineering. Academic Press, New York, 1973.
[Moh91] R.R. Mohler. Nonlinear systems : Applications to Bilinear Control, volume 2.
Prentice Hall, Englewood Cliffs, New Jersey, 1991.
[MR97a] A. Megretski and A. Rantzer. System analysis via integral quadratic
constraints. IEEE Trans. Aut. Contr., 42 :819–830, 1997.
[MR97b] A. Megretski and A. Rantzer. System analysis via integral quadratic
constraints, Part II. Technical Report ISRN LUTFD2/TFRT-7559-SE, Lund
Institute of Technology, Lund, Sweden, 1997.
[MTD] Safonov. M. G Morphopoulos. T. D. Convexity of diagonally scaled infinity
norm optimal control problems-the square, one-sided case. In Proc. IEEE
Conf. Decision & Contr., volume 2.
[N97] Shields D. N. Observer design and detection for nonlinear descriptor systems.
International Journal of Control, 67 :153–168, 1997.
[Nes02] Jet Nestruev. Smooth Manifolds and Observables. lncis. Springer-Verlag, New
York, 2002.
[OBS99] G. Sallet O. Bernard and A. Sciandra. Nonlinear observers for a class of
biological systems : Application to validation of a phytoplanktonic growth
model. IEEE Trans. Aut. Contr., 43 :2257–2270, 1999.

152
[PG97] F. Plestan and A. Glumineau. Linearization by generalized input-output in-
jection. Systems and Control Letters, 31(2) :115–128, 1997.
[Phe91] A. R. Phelps. On constructing nonlinear observers. SIAM Journal on Control
and Optimization, 29(3) :516–534, 1991.
[PK92] P.N. Paraskevopoulos and F.N. Koumboulis. Observers for singular systems.
IEEE Trans. Aut. Contr., 37 :1211–1215, 1992.
[PT80] R. V. Patel and M. Toda. Quantitative measures of robustness in multivariable
systems. In American Control Conference, San-Francisco, USA, 1980.
[Raj98] R Rajamani. Observers for Lipschitz nonlinear systems. IEEE Trans. Auto-
matic Control, 43(3) :397–401, 1998.
[RH94] S. Raghavan and J. K. Hedrick. Observer design for a class of nonlinear
systems. Int. J. of Control, 59(2) :515–528, 1994.
[RSU98] K. Reif, F. Sonnemann, and R. Unbehauen. An EKF based nonlinear observer
with a prescribed degree of stability. Automatica, 34(9) :1119–1123, 1998.
[RSU99] K. Reif, F. Sonnemann, and R. Unbehauen. Nonlinear state observation using
H∞ -filtring riccati design. IEEE Trans. Automatic Control, 44(1) :203–208,
1999.
[Rug81] W.J. Rugh. Nonlinear System Theory. Johns Hopkins Series in Information
Sciences and Systems. Johns Hopkins University Press, Baltimore, 1981.
[RZ94] J. Rudolph and M. Zeitz. A block triangular nonlinear observer normal form.
Systems and Control Letters, 23 :1–8, 1994.
[Sch01] C. W. Scherer. LP V control and full block multipliers. Automatica, 37 :361–
375, 2001.
[SG95] Y. Song and J. W. Grizzle. Th extended Kalman filter as a local asymptotic
observer for discrete-time nonlinear systems. Journal of Mathematical Systems
Estimation and Control, 5(1) :59–78, 1995.
[Shi96] D.N. Shields. Observer for discrete nonlinear descriptor systems. In Proc.
UKACC Int. Conf. Control, Exeter, UK, 1996.
[Son84] E. D. Sontag. A concept of local observability. Syst. & Contr. Letters,
5(1) :41–47, 1984.
[Sor97] M. Soroush. Nonlinear state-observer design with application to reactors.
Chemical Engineering Science, 52(3) :387–404, 1997.
[Tha73] F. E. Thau. Observing the state of nonlinear dynamic systems. Int. J. of
Control, 17(3) :471–479, 1973.
[WCŻ87] B.L. Walcott, M.J. Corless, and S.H. Żak. Comparative study of non-linear
state-observation techniques. Int. J. Contr., 45 :2109–2132, 1987.
[Wil77] D. Williamson. Observation of bilinear systems with application to biological
control. Automatica, 13 :243–254, 1977.
[XG89] X. H. Xia and W. B. Gao. Nonlinear observer design by observer error linea-
rization. SIAM J. Control and Optimization, 27(1) :199–216, 1989.

153
Bibliographie

[Zak90] S. H. Zak. On the stabilization and observation of nonlinear/uncertain dyna-

mic systems. IEEE Trans. Aut. Contr., 35(5) :397–401, 1990.
[Zei87a] M. Zeitz. Comments on ’comparative study of nonlinear state observation
techniques’. Int. J. of Control, 46(5) :1861–1863, 1987.
[Zei87b] M. Zeitz. The extended Luenberger observer for nonlinear systems. Systems
and Control Letters, 9 :149–156, 1987.
[ZM97] Gerta Zimmer and Jürgen Meierb. On observing nonlinear descriptor systems.
Systems Control Letters, 32, Issue 1 :43–48, 1997.
[ZRMD98] M. Zasadzinski, H. Rafaralahy, C. Mechmeche, and M. Darouach. On distur-
bance decoupled observer for a class of bilinear systems. Trans. of the ASME,
J. Dyn. Syst., Meas. & Cont., 120 :371–377, 1998.
[ZW06] H. ZHANG1 Z. Wang. Design of bilinear observer for singular bilinear systems.
Journal of Control Theory and Applications, 4(4) :413–417, 2006.
[ZW07] H. ZHANG1 Z. Wang. Design of a bilinear fault detection observer forsingular
bilinear. Journal of Control Theory and Applications, 5(1) :28–36, 2007.

154
 Résumé
Les travaux présentés dans cette thèse ont été effectués au Centre de Recherche en Au-
tomatique de Nancy (CRAN). Ils portent sur l’observation et la commande des systèmes
singuliers non linéaires.
Dans un premier temps nous nous sommes intéressés à la synthèse d’observateur et
au filtrage H∞ des systèmes singuliers bilinéaires. Dans un deuxième temps, nous avons
étudié la synthèse d’observateur pour les systèmes singuliers non linéaires Lipschitziens.
La dernière partie de ce travail concerne la stabilisation et la commande basée observateurs
des systèmes singuliers non linéaires. L’objectif de ce travail a été de proposer des résultats
facilement implémentables et de couvrir une large classe de systèmes non linéaires. La
contribution principale de ce mémoire a été de proposer des observateurs H∞ pour les
systèmes singuliers non linéaires, en utilisant le non biais de l’erreur d’estimation. Les
paramètres de ces observateurs sont obtenus par la résolution des inégalités matricielles
linéaires (LMIs). Le deuxième apport concerne la synthèse de commande stabilisante
et l’utilisation d’un des observateurs proposés dans cette thèse pour la synthèse d’une
commande basée observateur pour les systèmes singuliers non linéaires. Cette dernière
est réalisée grâce à la réécriture des fonctions non linéaires sous des formes adéquates à
l’application de la commande des systèmes.
Mots-clés: Systèmes singuliers non linéaires, observateurs non linéaires, stabilité au sens
de Lyapunov, synthèse H∞ , inégalités matricielles linéaires (LMI), commande basée ob-
servateur

Abstract
This thesis work is realized in the Research Center in Automatic Control of Nancy
(CRAN). It concerns the observation and control of nonlinear singular systems.
Firstly, we were interested in the observer design and Hinfinity filtering for singular
bilinear systems. In a second step, we studied the observers design for Lipschitz nonlinear
singular systems. The last part of this work relates to the stabilization and observer
based controller for a classe of singular nonlinear systems. The objective is to develop a
simple and straightforward results which covers a large class of nonlinear systems. The
main contribution of this thesis is in the Hinfinity observers design for nonlinear singular
systems. It is based on the parametrization of the solution of the constrained generalized
Sylvester equation. The second contribution relates to the design of stabilizing control and
using the proposed observer to design an observer based controller for nonlinear singular
systems. Solutions of these problems are obtained by using Linear Matrix Inequalities
(LMI) Formulation.
Keywords: Singular systems, non linear observers, stability analysis, H∞ synthesis, Lin-
ear matrix inequalities, observer based control