الجمهـــورية الجـــزائرية الديمــقـراطيــة الشـعبية
وزارة التعليـــم العالــي و البحث العلمــي
Université Ferhat Abbas Sétif -1 جــامعـة فرحات عباس
Faculté de Technologie 1-سـطيـف
Département d’Electrotechnique كــليـــة
Master Automatique الــتــكـــنـــولــــوجــيــا
Module : Commande avancées TAP 94
TP N° 05
La commande adaptative à modèle de référence MRAC
La commande adaptative à modèle de référence (MRAC) pour un moteur à courant continu (DC)
par la méthode de Lyapunov est une technique couramment utilisée pour garantir la stabilité du
système tout en ajustant les paramètres du contrôleur en temps réel. L'idée est de concevoir une
loi d'adaptation basée sur la stabilité de Lyapunov, afin que l'erreur entre le système réel et le
modèle de référence converge vers zéro.
Modèle de référence : Le modèle de référence est un modèle idéal que le moteur DC doit suivre.
Par exemple, un système de premier ordre peut être utilisé pour décrire la dynamique souhaitée
ω̇ m (t ) +a m ωm ( t ) =bm V ¿ ( t ) (1)
Où
a m Et b m sont les paramètres du modèle de référence que l’on souhaite suivre.
Modèle du moteur à courant continu, V ¿ Vitesse de référence :
ω̇ ( t )=( k t v−B . ω ) /J
Loi d'adaptation basée sur Lyapunov : On définit une fonction candidate de Lyapunov qui dépend
de l'erreur entre le modèle de référence et la sortie réelle du système
1 ² 1 ¿
V e (t )= e + ( θ−θ ) ² (2)
2 2γ
Avec :
'
e=ω m ( t ) −ω ( t ) : L erreur de suivi
¿
θ :representelesparamètres incertains
' '
γ : paramètrede l algorithme d adaptation
Ensuite, en garantissant que la dérivée de cette fonction est négative, on dérive une loi
d'adaptation qui met à jour les paramètres du contrôleur pour minimiser l'erreur.
Cela garantit que dV /dt ≤ 0, ce qui signifie que l'erreur de suivi 𝑒(𝑡) va diminuer au fil du temps,
et que les paramètres du contrôleur s'ajusteront pour compenser les incertitudes dans le modèle.
1 ~~˙
V̇ ( t )=e . ė + ( θ . θ)
γ
~
θ=θ−θ˙^
Par comparaison entre le modèle du moteur et le modèle de la référence en trouve
k t /J =b m , B/J =am
Proof :
You are given the Lyapunov candidate function:
1 ² 1 ~
V e (t )= e + ( θ ) ²
2 2γ
where:
e=wm−w is the tracking error
~
θ=θ−θ˙^ is the parameter estimation error
γ >0 is the adaptation gain
1 Time derivative of V
1️⃣
Differentiate V with respect to time:
1 ~ ~˙
V̇ ( t )=e . ė + ( θ θ)
γ
2️⃣Parameter error derivative
Since the true parameter θ is constant:
~˙
θ=−θ^˙
So:
1 ~ ˙^
V̇ ( t )=e . ė− (θ θ )
γ
3️⃣Error dynamics
For MRAC, the tracking error dynamics can be written as:
~
ė=−am e+ θ v ¿
(This comes from subtracting the plant and reference model dynamics.)
4️⃣Substitute into V̇ ( t )
~ 1 ~
V̇ ( t )=e .(−am e + θ v ¿ )− ( θ θ˙^ )
γ
~ 1 ~
V̇ ( t )=−a m e +e θ v ¿− ( θ θ˙^ )
2
γ
5️⃣Choose the adaptation law (Lyapunov condition)
Choose:
^˙
θ=γ v¿ e
Substitute:
2 ~ ~
V̇ ( t )=−a m e +e θ v ¿−θ v ¿ e
The cross terms cancel:
2
V̇ ( t )=−a m e ≤ 0
6️⃣Final result (important)
2
V̇ ( t )=−a m e ≤ 0
7️⃣Interpretation
V̇ ( t ) is negative semi-definite
The closed-loop system is Lyapunov stable
The tracking error e(t) converges to zero
This guarantees MRAC stability.
Proof of :
~
ė=−am e+ θ v ¿
1️⃣Define the reference model
You chose a first-order reference model:
ω̇ m=−am ωm +b m v ¿
2️⃣Define the plant (real DC motor model)
Your simplified motor dynamics are:
ẇ=aw +bv
where:
−B K
a= , b= t
J J
3️⃣Define the tracking error
e=wm−w
Differentiate both sides:
ė= ẇm− ẇ
4️⃣Substitute the model equations
Substitute the reference model and plant dynamics:
ė=(−a m ω m +b m v ¿ )−( a ω+bv )
5️⃣Express ωm in terms of e
Since:
w m=e+w
Substitute:
ė=−am ( e+ w ) +b m v ¿ −aw−bv
Rearrange:
ė=−am e−( a m+ a ) w +bm v ¿ −bv
6️⃣Choose the control law (MRAC idea)
Choose a parameterized control law:
v=θ^ v ¿
Also define the ideal parameter:
bm
θ=
b
Add and subtract bθvin:
^ ¿
ė=−am e+ b(θ−θ)v
7️⃣Define the parameter error
~
θ=θ−θ^
Thus:
~
ė=−am e+ b θ v ¿
8️⃣Normalization (as in your code)
In your MATLAB code, the constant b is absorbed into θ, so we write:
~
ė=−am e+ θ v ¿
9️⃣Why this form is important
This form is crucial because:
The error dynamics are linear in e
~
The uncertainty appears as θ v ¿
It allows choosing a Lyapunov function that cancels the cross term
^˙
Leads directly to the adaptation law:θ=γ v¿ e
0️⃣
1 Physical interpretation
−a m e: stabilizing term from the reference model
~
θ v ¿: effect of parameter mismatch
Adaptation drives~ θ→0