424 cours du 02/04
This commit is contained in:
Pierre-antoine Comby
parent
0bec61a01b
commit
16e3eb51d4
4 changed files with 340 additions and 302 deletions
|
|
@ -61,7 +61,7 @@ Ainsi,
|
|||
|
||||
\begin{rem}
|
||||
\begin{itemize}
|
||||
\item $L_f^0 (x) = \alpha(x)$
|
||||
\item $L_f^0(\alpha(x)) = \alpha(x)$
|
||||
\item Soient 2 champs de vecteurs $f$ et $g$, alors
|
||||
\begin{align*}
|
||||
L_g L_f \alpha (x) & = J_{L_f \alpha}(x) g(x) \\
|
||||
|
|
|
|||
|
|
@ -521,11 +521,15 @@ La difficulté de la poursuite asymptotique est la résolution de l'équation dy
|
|||
Dans le cas des systèmes plats, la solution est obtenue via les sorties plates.
|
||||
|
||||
\begin{defin}
|
||||
Un système est dit \emph{plat} s'il a des sorties plates. Tous les états et entrées de commande du système sont exprimés en fonction des sorties plates et d'un nombre fini de leurs dérivées.\\
|
||||
Un système est dit \emph{plat} si toutes les variables d'états $\vec{x}$ et les entrées peuvent s'écrire comme :
|
||||
\[
|
||||
\begin{cases}
|
||||
|
||||
\noindent Cas SISO : $\dot{x} = f(x,u)$ est plat si \[\exists y \in \R \text{ tq } x = \phi(y,y^{(1)},\dots,y^{(\beta)}) \text{ et } u=\psi(y,y^{(1)},\dots,y^{(\delta)}), \beta,\delta \in \N\]
|
||||
|
||||
\noindent Cas MIMO : $\dot{x} = f(x,u)$ est plat si \[\exists y \in \R^p \text{ tq } x = \phi(y_1,\dots,y_1^{(\beta_1)},\dots,y_p^{(\beta_p)}) \text{ et } u=\psi(y_1,y_1^{(\delta_1)},\dots,y_p^{(\delta_p)}), \beta_i,\delta_i \in \N\]
|
||||
\vec{x} = \psi(y_1, ..., y_1^{(\alpha_1)}, ..., y_m,...,y_m^{(\alpha_m)}) \\
|
||||
\vec{u} = \phi(y_1, ..., y_1^{(\beta_1)}, ..., y_m,...,y_m^{(\beta_m)})
|
||||
\end{cases}
|
||||
\]
|
||||
Les $y_i$ sont alors appelées \emph{sortie plates}
|
||||
\end{defin}
|
||||
|
||||
\begin{exemple}
|
||||
|
|
@ -543,7 +547,11 @@ u_1 & = \frac{\dot{x_3}}{y_1} = \frac{(\ddot{y_2}-\dot{y_2})\dot{y_2}-\ddot{y_1}
|
|||
\end{align*}
|
||||
\end{exemple}
|
||||
|
||||
Un autre intérêt de la platitude est la planification simple de trajectoire.
|
||||
Une des utilisation des sorties est la planification simple de trajectoire. En partant de $y_i(0) = y_0 $ on souhaite arriver en un temps fini à $y_i(T_f) = y_f$. À partir de ce cahier des charges on trouve une trajectoire ()généralement polynomiale) tel que $u = \phi(y_{1p} ... y_{1p}^{(\beta_1)},...,y_{mp},...,y_{m}^{(\beta_m)})$.
|
||||
|
||||
Une autre application est la résolution de l'équation N.L de la poursuite asymptotique par intégration successive de $u$.
|
||||
|
||||
|
||||
|
||||
\begin{thm}[Principe de la planification de trajectoire]
|
||||
La planification peut comporter des contraintes sur la commande (énergie, saturation, ...) et sur les états (obstacles, limitation de vitesse, d'accélération...)
|
||||
|
|
@ -570,302 +578,6 @@ Commande en cassecade \footnote{Momo m'a tuer} :
|
|||
|
||||
\[ C_0(p) = K >>1, \quad H_0(p) = \frac{H_1(p)}{1+KH_1(p)} \approx \frac{1}{K} \]
|
||||
\end{exemple}
|
||||
|
||||
\section{Commandes hiérarchisées}
|
||||
|
||||
\subsection{Échelles de temps}
|
||||
|
||||
Soit le système (1) $\begin{cases}\dot{x_1} & = \epsilon f_1(x_1,x_2,u) \\ \dot{x_2} & = f_2(x_1,x_2,u)\end{cases}$ avec $f_1$ et $f_2$ lisses (de classe $C^{\infty}$), avec $x_1\in\R^{n_1}$ et $x_2\in\R^{n_2}$.
|
||||
|
||||
On suppose que $0 < \epsilon << 1$.
|
||||
|
||||
On suppose $\tau = \epsilon t$ nouveau temps: $\tau$ est plus lent que $t$.
|
||||
|
||||
Ainsi, le système (1) dans la nouvelle échelle temporelle est donnée par
|
||||
|
||||
\begin{align*}
|
||||
\dd{x_1}{\tau} & = f_1(x_1,x_2,u) \text{ Dynamique lente est d'ordre 0 en } 1/\epsilon \\
|
||||
\dd{x_2}{\tau} & = \frac{1}{\epsilon} f_2(x_1,x_2,u) \text{ Dynamique rapide est d'ordre 1 en }1/\epsilon
|
||||
\end{align*}
|
||||
|
||||
Ainsi, dans le cas d'un point d'équilibre stable, $x_2$ converge rapidement vers le voisinage dépendant de $\epsilon$, d'un point d'équilibre de $f_2=0$.
|
||||
|
||||
\subsection{Détermination du voisinage}
|
||||
Pour $\epsilon = 0$, les points d'équilibre du système (1) forment la variété :
|
||||
\[ \Sigma_0 = \{ (x_1,x_2,u)/ f_2(x_1,x_2,u) = 0 \} \]
|
||||
|
||||
alors que pour $\epsilon \neq 0$, les points d'équilibre forment la variété
|
||||
\[ \Sigma_{\epsilon} = \{ (x_1,x_2,y) / f_1(x_1,x_2,u) = 0 \text{ et } f_2(x_1,x_2,y) \neq 0 \} \]
|
||||
|
||||
On a $\Sigma_{\epsilon} \subset \Sigma_0$ donc $\Sigma_{\epsilon}$ dégénère en $\Sigma_0$ pour $\epsilon=0$.
|
||||
|
||||
%\img{0.5}{7/2}
|
||||
|
||||
L'objectif est d'avoir seulement à faire converger $x_1 \to x_1^*$.\\
|
||||
|
||||
À partir du théorème des fonctions implicites, nous avons l'existence de $X_2 \text{ tq } x_2 = X_2(x_1,u)$.
|
||||
|
||||
\begin{defin}
|
||||
On définit la variété
|
||||
\[ \Sigma_{0,\epsilon} = \{ (x_1,x_2) / f_2(x_1,x_2,u,\epsilon) = 0 \} \]
|
||||
avec $\dot{u} = \epsilon v$ où $v$ est une fonction bornée.
|
||||
\end{defin}
|
||||
|
||||
La variété $\Sigma_{0,\epsilon}$ est obtenue à partir de $\Sigma_0$ avec une faible variation de la commande.
|
||||
|
||||
\begin{prop}
|
||||
Soit le système (1) avec $rang(\derivp[f_2]{x_2}) = n_2$, alors $\exists X_2(x_1,u,\epsilon)$ tel que $\forall u$ vérifiant $\dot{u} = \epsilon v$, $v$ bornée, $(x_1,x_2 \in \Sigma_{0,\epsilon}$ avec $x_2 = X_2(x_1,u,\epsilon)$.
|
||||
\end{prop}
|
||||
|
||||
Interprétation :
|
||||
La variété $\Sigma_0 \Leftrightarrow x_2=X_2(x_1,u)$, obtenue pour $\epsilon=0$, continue d'exister pour $\epsilon \neq 0$ et suffisamment petit si $\dot{u}=\epsilon v$, $v$ bornée.
|
||||
|
||||
\begin{exemple}
|
||||
[MMC]
|
||||
\[
|
||||
\begin{cases}
|
||||
|
||||
L\dd{i}{t} & = u-Ri - k\omega \text{ Dynamique électrique}\\
|
||||
J\dd{\omega}{t} & = Ki - \alpha\omega -C_r \text{ Dynamique mécanique temps lent}
|
||||
\end{cases}
|
||||
\]
|
||||
|
||||
On pose $\epsilon = L << 1$, donc le temps rapide $\tau = \frac{t}{\epsilon}$\\
|
||||
|
||||
Identification avec le système (1) : $x_1=\omega$ et $x_2 =i$.
|
||||
|
||||
Pour $\epsilon=0$, $\Sigma_0$ est donnée
|
||||
\[ i = \frac{u-k\omega}{R} = X_2(x_1,u) \]
|
||||
|
||||
Ainsi, la dynamique lente est donnée par
|
||||
\[ J \dd{\omega}{\tau} = \epsilon(k(\frac{u-k\omega}{R}) - \alpha \omega - C_r) \]
|
||||
|
||||
En temps lent, la nouvelle expression est
|
||||
\[ J \dd{\omega}{t} = -(\frac{k^2}{R}+\alpha) \omega - C_r + \frac{k}{R}u \]
|
||||
|
||||
On peut améliorer l'approximation de la variété $\Sigma_{0,\epsilon}$ via un DL du 1er ordre.
|
||||
|
||||
\[ i = \frac{u-k\omega}{R} + \frac{L}{R}(\dot{u}-\frac{k}{J}(k(\frac{u-k\omega}{R})-\alpha\omega-C_r)) + \mathcal{O}(L^2) \]
|
||||
|
||||
Par exemple, si on veut avoir $i_0=0$, alors $\Sigma_0 = k\omega$. Pour garder $i_0=0$ pour $\Sigma_{0,\epsilon}$, on doit imposer une variation lente de $u$ (lente par rapport à $L\dd{}{t}$
|
||||
\[ \dot{u} = -\frac{k}{J}(\alpha\omega+C_r) - \mathcal{O}(L^2) \]
|
||||
\end{exemple}
|
||||
|
||||
\begin{rem}
|
||||
$C_r = -\frac{\dot{u}J}{k}$ est utilisée pour estimer $C_r$ en modulant $\dot{u}$ afin que $i_0$ reste aussi plat que possible et $\omega=0$.
|
||||
\end{rem}
|
||||
|
||||
\subsection{Hiérarchisation par commande à grand gain}
|
||||
|
||||
Soit le système (1), où la commande n'intervient que sur $x_2$ linéairement :
|
||||
\[
|
||||
\begin{cases}
|
||||
\dot{x_1} & = f_3(x_1,x_2) \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + u \end{cases} , \quad x_1 \in \R^{n_1}, x_2 \in \R^{n_2}, u \in\R^{n_2}
|
||||
\]
|
||||
|
||||
Soit $x_2^*$ la trajectoire consigne à imposer à $x_2$. Avec comme hypothèse $f_2(x_1,x_2)$ bornée, nous appliquons la commande à grand gain
|
||||
\[ u = -\frac{k}{\epsilon}(x_2-x_2^*)\]
|
||||
où $\epsilon<< 1$ et $k$ matrice diagonale définie positive.
|
||||
|
||||
Ainsi, suivant la nouvelle échelle de temps $\tau = \frac{t}{\epsilon}$
|
||||
\[
|
||||
\begin{cases}
|
||||
\dd{x_1}{\tau} & = \epsilon f_1(x_1,x_2) \quad \text{dynaique lente}\\
|
||||
\dd{x_2}{\tau} & = \epsilon f_2(x_1,x_2) - k(x_2-x_2^*) \quad \text{perturbation et dynamique de convergence rapide}
|
||||
\end{cases}
|
||||
\]
|
||||
|
||||
$\Sigma_0$ est la variété $x_2 = x_2^*$.
|
||||
|
||||
Pour $\epsilon\neq 0$, $\Sigma_{0,\epsilon}$ est la variété $x_2=x_2^*+k\epsilon f_2(x_2,x_2^*)$
|
||||
|
||||
La dynamique lente est $\dd{x_1}{\tau} = \epsilon f_1(x_1,x_2^*)$. Par conséquent la consigne $x_2^*$ (commande fictive) peut servir à commander la dynamique lente.
|
||||
|
||||
\newpage
|
||||
\section{Commande par backstepping}
|
||||
|
||||
Soit un système sous forme triangulaire (apparition successive des différentes commandes) :
|
||||
\begin{align*}
|
||||
\dot{x_1} & = f_1(x_1) + x_2 \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + x_3 \\
|
||||
& \vdots \\
|
||||
\dot{x_n} & = f_n(x_1,\dots x_n) + u
|
||||
\end{align*}
|
||||
|
||||
\subsection{Procédure de synthèse}
|
||||
|
||||
\paragraph{Étape 1} Afin d'imposer la consigne $x_1^*$, on utilise la fonction de Lyapunov
|
||||
\[ V_1(x_1) = \frac{1}{2}(x_1 - x_1^*)^2 \]
|
||||
Pour assurer la stabilité, il faut que $\dot{V_1}(x_1)$ soit définie négative.
|
||||
\begin{align*}
|
||||
\dot{V_1}(x_1) & = (x_1-x_1^*)(\dot{x_1} - \dot{x_1^*}) \\
|
||||
& = (x_1 - x_1^*)(f_1(x_1) + x_2 - \dot{x_1^*})
|
||||
\intertext{On cherche donc $x_2$ pour que}
|
||||
\dot{V_1}(x_1) & = \alpha_1(x_1-x_1^*)^2 \quad \text{ avec } \alpha_1 < 0 \\
|
||||
x_2^* & = \alpha_1(x_1-x_2^*) - f_1(x_1) + \dot{x_1^*}
|
||||
\end{align*}
|
||||
|
||||
Cela assure la convergence asymptotique de $x_1$ vers $x_1^*$.
|
||||
|
||||
\paragraph{Étape 2} Faire converger $x_2$ vers $x_2^*$. On utilise la nouvelle fonction de Lyapunov
|
||||
\[ V_2(x_1,x_2) = \frac{1}{2}(x_1-x_1^*)^2 + \frac{1}{2}(x_2-x_2^*)^2 \]
|
||||
On veut $\dot{V_2}(x_1,x_2)$ définie négative :
|
||||
\begin{align*}
|
||||
\dot{V_2}(x_1,x_2) & = (x_1-x_1^*)(\dot{x_1} - \dot{x_1^*}) + (x_2-x_2^*)(\dot{x_2} - \dot{x_2^*}) \\
|
||||
& = \alpha_1(x_1-x_1^*)^2 + \alpha_2(x_2-x_2^*)^2
|
||||
\intertext{Pour avoir une hiérarchisation dynamique, on pose $\alpha_2 < \alpha_1 < 0$ (la dynamique 2 est plus rapide que la 1)}
|
||||
(x_2-x_2^*)(\dot{x_2} - \dot{x_2^*}) & = \alpha_2(x_2-x_2^*)^2 \\
|
||||
(x_2-x_2^*)(f_2(x_1,x_2) + x_3 - \dot{x_2^*}) & = \alpha_2(x_2-x_2^*)^2 \\
|
||||
x_3^* & = \alpha_2(x_2-x_2^*) - f_2(x_1,x_2) + \dot{x_2^*}
|
||||
\end{align*}
|
||||
La démarche est la même à l'étape $n$ :
|
||||
\[ u = \dot{x_n^*} - f_n(x_1,\dots,x_n) + \alpha_n(x_n-x_n^*) \]
|
||||
avec $\alpha_n < \alpha_{n-1} < \dots < \alpha_2 < \alpha_1$
|
||||
|
||||
\begin{rem}
|
||||
Cette méthode est généralisable à des systèmes sans forme :
|
||||
\begin{align*}
|
||||
\dot{x_1} & = f_1(x_1) + g_1(x_1)x_2 \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + g_2(x_1,x_2)x_3 \\
|
||||
& \vdots \\
|
||||
\dot{x_n} & = f_n(x_1,\dots,x_n) + g_n(x_1,\dots,x_n)u
|
||||
\end{align*}
|
||||
sur $\mathcal{D} = \{x_1,\dots,x_n \text{ tq } g_1 \neq 0,\dots,g_n\neq 0 \}$
|
||||
\end{rem}
|
||||
|
||||
|
||||
\newpage
|
||||
\section{Rejet de perturbation}
|
||||
|
||||
\subsection{Cas SISO}
|
||||
\[ (1) \begin{cases} \dot{x} & = f(x) + g(x)u + p(x) w \\ y & = h(x) \end{cases} \]
|
||||
|
||||
Même principe que pour la linéarisation par bouclage, on dérive la sortie par rapport au temps :
|
||||
\[ \dot{y} = \derivp[h(x)]{x} \dot{x} = L_fh(x) + L_gh(x) u + L_ph(x) w \]
|
||||
|
||||
\paragraph{Cas 1} $L_ph(x) \neq 0$\\
|
||||
Si $L_gh(x) \neq 0$ et la perturbation $w$ est mesurable (rarement), alors le rejet de la perturbation est obtenu par
|
||||
\[ u = (L_gh(x))^{-1}(v-L_fh(x) - L_ph(x)w) \quad \text{avec trivialement } v = \dot{y}\]
|
||||
Si la perturbation n'est pas mesurable, on réalise une linéarisation dynamique avec $x_{n+1} = u$ et $x_{n+2} = w$ mais dans ce cas la perturbation $w$ doit être canonique, i.e. $\exists \alpha \in \N \text{ tq } w^{(\alpha)} = 0$.
|
||||
|
||||
Ainsi, on dérive la sortie jusqu'à disparition de la perturbation puis on linéarise.\\
|
||||
|
||||
\noindent Si $L_gh(x) = 0$, on calcule les dérivées d'ordres supérieurs de la sortie jusqu'à apparition de la commande (linéarisation dynamique).
|
||||
|
||||
\paragraph{Cas 2} $L_ph(x) = 0$.\\
|
||||
Si $L_gh(x)\neq0$, la perturbation est rejetée pour
|
||||
\[ u = (L_gh(x))^{-1}(v-L_fh(x)) \]
|
||||
Su $L_gh(x) = 0$, on dérive une deuxième fois la sortie.
|
||||
|
||||
\begin{prop}
|
||||
Soient $r$ le degré relatif correspondant à $L_gL_f^{r-1}h(x) \neq 0$ et $\sigma$ le plus petit entier pour lequel $L_pL_f^{\sigma-1}h(x) \neq0$, alors :
|
||||
\begin{itemize}
|
||||
\item si $r<\sigma$ la perturbation $w$ est rejetée par la commande linéarisante
|
||||
\item si $r=\sigma$ la perturbation $w$ est rejetée si elle est mesurable
|
||||
\item si $r>\sigma$ le rejet de $w$ ne peut se faire que par une linéarisation dynamique : observateur NL si $w$ n'est pas canonique
|
||||
\end{itemize}
|
||||
\end{prop}
|
||||
|
||||
|
||||
\subsection{Cas MIMO}
|
||||
\[ \begin{cases} \dot{x} & = f(x) + \sum_{i=1}^m g_i(x)u_i + p(x) w \\ y & = h(x) \end{cases}, \quad x \in \R^n, u \in \R^m, y \in \R^d \]
|
||||
Même principe que le cas SISO mais une linérisation MIMO où chaque nouvelle entrée $v_i$, permet de rejeter les perturbations sur $y_i$.
|
||||
|
||||
\begin{rem}
|
||||
L'incertitude sur le modèle peut être interprétée comme une perturbation. En effet, le modèle (1) s'écrit
|
||||
\[ \begin{cases} f(x) & = f(x) + \Delta f(x) + g(x) u + \Delta g(x) u \\ y & = h(x) \end{cases} \]
|
||||
|
||||
Suivant l'analyse sur le bouclage linéarisant, le rejet d'incertitude est obtenu si
|
||||
\begin{align*}
|
||||
L_{\Delta f} L_f^i h = 0 & 0 \leq i \leq r-2 \\
|
||||
L_{\Delta g} L_f^i h = 0 & 0 \leq i \leq r-1
|
||||
\end{align*}
|
||||
|
||||
Ce résultat ne peut être vérifié qu'a posteriori car $\Delta f$ et $\Delta g$ sont inconnues.
|
||||
\end{rem}
|
||||
|
||||
\newpage
|
||||
\section{Robustesse en NL - Commande par mode glissant}
|
||||
|
||||
%%\imgt{8/1}
|
||||
|
||||
Un terme $u_r$ est ajouté à la commande de départ $u_{eq}$ ...
|
||||
|
||||
\begin{exemple}[Onduleur de tension commandé en courant]
|
||||
Sans avoir à modéliser la charge, on veut imposer la forme de courant :
|
||||
%%\imgt{8/2}
|
||||
\end{exemple}
|
||||
|
||||
\subsection{Éléments de synthèse de la commande}
|
||||
|
||||
\begin{enumerate}
|
||||
\item Synthétiser une commande sans prise en compte de l'incertitude ni de la perturbation : surface de glissement (poursuite asymptotique)
|
||||
\item Commande gardant les états sur la surface de glissement ayant pour hypothèse l'incertitude ou la perturbation bornées : variation de la structure du système par commutation
|
||||
\end{enumerate}
|
||||
|
||||
\begin{defin}[Surface de glissement ou commutation]
|
||||
$S(x,t)$ est la surface autour (dans un voisinage) de laquelle le système évolue avec une dynamique imposée par $S$.
|
||||
\end{defin}
|
||||
|
||||
\begin{defin}[Système à structure variable]
|
||||
Un système est à structure variable si son entrée commute entre deux valeurs suivant une logique bien spécifique $\sigma(x)$
|
||||
%%\img{0.5}{8/3}
|
||||
\end{defin}
|
||||
|
||||
\begin{defin}[Commande par mode glissant]
|
||||
Commande discontinue ayant pour objectif de faire converger le système en $S$. On utilise la fonction de Lyapunov \[ V(x,t) = \frac{1}{2}S^2(x,t) \]
|
||||
|
||||
Pour avoir convergence vers la surface de glissement, il faut avoir
|
||||
\[ \dot{V}(x,t) = S(x,t) \dot{X}(x,t) \leq 0 \]
|
||||
|
||||
$\sigma(x)$ est la logique qui impose $S\dot{S} \leq 0$
|
||||
\end{defin}
|
||||
|
||||
\begin{rem}
|
||||
$S\dot{S}$ est la condition d'existence d'un régime glissant sur la surface $S$.
|
||||
\end{rem}
|
||||
|
||||
\subsection{Application de la commande par mode glissant}
|
||||
|
||||
La poursuite asymptotique est une méthode de détermination de $S$.
|
||||
|
||||
Soit $\epsilon(t) = y_c(t) - y(t)$ où $y_c$ est la consigne et $y$ la sortie.
|
||||
|
||||
On pose $S = \epsilon^{(m)}(t) + \beta_{m-1}\epsilon^{(m-1)} + \dots + \beta_1 \dot{\epsilon} + \beta_0 \epsilon$ où $\beta_i, i =0,\dots,m-1$ sont choisis pour imposer la dynamique de convergence.
|
||||
|
||||
\begin{rem}
|
||||
Par exemple, on peut choisir $S = (\frac{d}{dt} + \lambda)^m \epsilon, \lambda >0$
|
||||
|
||||
Choix de la commande (bouclage linéarisant)
|
||||
\end{rem}
|
||||
|
||||
On pose $m=r-1$ où $r$ est le degré relatif et on a
|
||||
\begin{align*}
|
||||
u & = \frac{1}{L_gL_f^{r-1}h(x)} (-L_f^rh(x) + y_c^{(r)} + \sum_{i=1}^r \beta_{i-2} \epsilon^{(i-1)} + \alpha K sgn(S) ) \\
|
||||
u & = \frac{1}{L_gL_f^{r-1}h(x)} (-L_f^rh(x) + y_c^{(r)} + \dot{S} + \alpha K sgn(S) )
|
||||
\end{align*}
|
||||
|
||||
|
||||
Ainsi en utilisant le changement de variable $z_i = L_f^{i-1}h(x) = \phi_i(x), i = 1,\dots,r$, la commande linéarisante avec poursuite asymptotique et robuste s'écrit :
|
||||
\[ u = \frac{1}{b(z,\eta)} (-a(z,\eta) + y_c^{(r)} + \dot{S} + \alpha K sgn(S)) \]
|
||||
avec pour modèle normal :
|
||||
\begin{align*}
|
||||
\dot{z_1} & = z_2 \\
|
||||
& \vdots \\
|
||||
\dot{z_{r-1}} & = z_r \\
|
||||
\dot{z_r} & = y_c^{(r)} + \dot{S} + \alpha K sgn(S) + \Delta a (z,\eta) \\
|
||||
\dot{\eta} & = q(z,\eta) + \Delta q(z,\eta) + \Delta p(z,\eta)u \\
|
||||
\text{ avec } & \Delta a (z,\eta) = L_{\Delta f} L_f^{r-1} h(x), \Delta q(z,\eta) = L_{\Delta f} \eta, \Delta p(z,\eta) = L_{\Delta f} \eta
|
||||
\end{align*}
|
||||
|
||||
On suppose que $|\Delta a (z,\eta)| < K < \infty$ donc pour avoir $\dot{z_r} = y_c^{(r)}$, on doit poser $\dot{S} = - \alpha K sgn(S) - \Delta a(z,\eta)$.
|
||||
|
||||
Cas $S>0 \Rightarrow \dot{S} < -K(\alpha-1) < 0 \si \alpha > 1$
|
||||
|
||||
Cas $S<0 \Rightarrow \dot{S} > K(\alpha-1) > 0 \si \alpha < 1$
|
||||
|
||||
Ainsi on vérifie la condition d'existence du régime glissant, alors quand la trajectoire atteint $S$, alors $y \to y_c$ suivant la dynamique imposée par $S$.
|
||||
\end{document}
|
||||
|
||||
%%% Local Variables:
|
||||
|
|
|
|||
320
424-Systeme_Non_Lineaires/Cours/chap8.tex
Normal file
320
424-Systeme_Non_Lineaires/Cours/chap8.tex
Normal file
|
|
@ -0,0 +1,320 @@
|
|||
\documentclass[main.tex]{subfiles}
|
||||
\begin{document}
|
||||
\section{Échelles de temps}
|
||||
|
||||
Soit le système $(S)$ (avec $f_1$ et $f_2$ lisses (de classe $C^{\infty}$), avec $x_1\in\R^{n_1}$ et $x_2\in\R^{n_2}$.)
|
||||
|
||||
\[
|
||||
\begin{cases}
|
||||
\dot{x_1} & = \epsilon f_1(x_1,x_2,u) \\
|
||||
\dot{x_2} & = f_2(x_1,x_2,u)
|
||||
\end{cases}
|
||||
\]
|
||||
|
||||
On suppose que $0 < \epsilon \ll 1$. et on pose $\tau = \epsilon t$, alors $\tau$ est plus lent que $t$. Ainsi, le système $(S)$ dans la nouvelle échelle temporelle est donnée par:
|
||||
|
||||
\begin{align*}
|
||||
\dd{x_1}{\tau} & = f_1(x_1,x_2,u) ~~\text{ Dynamique lente et d'ordre 0 en } 1/\epsilon \\
|
||||
\dd{x_2}{\tau} & = \frac{1}{\epsilon} f_2(x_1,x_2,u) \text{ Dynamique rapide et d'ordre 1 en }1/\epsilon
|
||||
\end{align*}
|
||||
|
||||
Ainsi, dans le cas d'un point d'équilibre stable, $x_2$ converge plus rapidement vers $\Sigma_0$ que $x_1$ vers $\Sigma_\epsilon$ avec :
|
||||
\[
|
||||
\begin{cases}
|
||||
\Sigma_0 = \{(x_1,x_2,u) ~~|~~ f_2(x_1,x_2,u)=0\} \\
|
||||
\Sigma_\epsilon = \{(x_1,x_2,u) ~~|~~ f_1(x_1,x_2,u)=0 \text{ et }f_2(x_1,x_2,u)=0 \} \subset \Sigma_0
|
||||
\end{cases}
|
||||
\]
|
||||
\begin{rem}
|
||||
La variété $\Sigma_\epsilon$ dégènre en $\Sigma_0$ pour $\epsilon \to 0$.
|
||||
\end{rem}
|
||||
\section{Détermination du voisinage}
|
||||
|
||||
L'objectif est d'avoir seulement à faire converger $x_1 \to x_1^*$.\\
|
||||
|
||||
À partir du théorème des fonctions implicites, nous avons l'existence de $X_2 \text{ tq } x_2 = X_2(x_1,u)$.
|
||||
|
||||
\begin{defin}
|
||||
On définit la variété
|
||||
\[ \Sigma_{0,\epsilon} = \{ (x_1,x_2) / f_2(x_1,x_2,u,\epsilon) = 0 \} \]
|
||||
avec $\dot{u} = \epsilon v$ où $v$ est une fonction bornée.
|
||||
\end{defin}
|
||||
|
||||
La variété $\Sigma_{0,\epsilon}$ est obtenue à partir de $\Sigma_0$ avec une faible variation de la commande.
|
||||
|
||||
\begin{prop}
|
||||
Soit le système ($S$) avec $rang(\derivp[f_2]{x_2}) = n_2$, alors: \\
|
||||
\begin{center}
|
||||
$\exists X_2(x_1,u,\epsilon)$ tel que $\forall u$ vérifiant $\dot{u} = \epsilon v$, $v$ bornée, \\ $(x_1,x_2) \in \Sigma_{0,\epsilon}$ avec $x_2 = X_2(x_1,u,\epsilon)$.
|
||||
\end{center}
|
||||
\end{prop}
|
||||
|
||||
Interprétation :
|
||||
La variété $\Sigma_0 \Leftrightarrow x_2=X_2(x_1,u)$, obtenue pour $\epsilon=0$, continue d'exister pour $\epsilon \neq 0$ et suffisamment petit si $\dot{u}=\epsilon v$, $v$ bornée, c'est à dire pour une dynamique de $u$ lente.
|
||||
|
||||
|
||||
\begin{exemple}[MCC]
|
||||
\[
|
||||
\begin{cases}
|
||||
|
||||
L\dd{i}{t} & = u-Ri - k\omega \text{ Dynamique électrique}\\
|
||||
J\dd{\omega}{t} & = Ki - \alpha\omega -C_r \text{ Dynamique mécanique temps lent}
|
||||
\end{cases}
|
||||
\]
|
||||
|
||||
On pose $\epsilon = L << 1$, on a donc le temps rapide $\tau = \frac{t}{\epsilon}$\\
|
||||
|
||||
Identification avec le système (1) : $x_1=\omega$ et $x_2 =i$.
|
||||
|
||||
Pour $\epsilon=0$, $\Sigma_0$ est donnée
|
||||
\[ i = \frac{u-k\omega}{R} = X_2(x_1,u) \]
|
||||
|
||||
Ainsi, la dynamique lente est donnée par
|
||||
\[ J \dd{\omega}{\tau} = \epsilon(k(\frac{u-k\omega}{R}) - \alpha \omega - C_r) \]
|
||||
|
||||
En temps lent, la nouvelle expression est
|
||||
\[ J \dd{\omega}{t} = -(\frac{k^2}{R}+\alpha) \omega - C_r + \frac{k}{R}u \]
|
||||
|
||||
On peut améliorer l'approximation de la variété $\Sigma_{0,\epsilon}$ via un DL du 1er ordre.
|
||||
|
||||
\[ i = \frac{u-k\omega}{R} + \frac{L}{R}(\dot{u}-\frac{k}{J}(k(\frac{u-k\omega}{R})-\alpha\omega-C_r)) + \mathcal{O}(L^2) \]
|
||||
|
||||
Par exemple, si on veut avoir $i_0=0$, alors $\Sigma_0 = k\omega$. Pour garder $i_0=0$ pour $\Sigma_{0,\epsilon}$, on doit imposer une variation lente de $u$ (lente par rapport à $L\deriv[]{t}$
|
||||
\[ \dot{u} = -\frac{k}{J}(\alpha\omega+C_r) - \mathcal{O}(L^2) \]
|
||||
\end{exemple}
|
||||
|
||||
\begin{rem}
|
||||
$C_r = -\frac{\dot{u}J}{k}$ est utilisée pour estimer $C_r$ en modulant $\dot{u}$ afin que $i_0$ reste aussi plat que possible et $\omega=0$.
|
||||
\end{rem}
|
||||
\section{Synthèse de commande hiérarchisante}
|
||||
|
||||
\subsection{Hiérarchisation par commande à grand gain}
|
||||
|
||||
Soit le système (1), où la commande n'intervient que sur $x_2$ linéairement :
|
||||
\[
|
||||
\begin{cases}
|
||||
\dot{x_1} & = f_3(x_1,x_2) \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + u \end{cases} , \quad x_1 \in \R^{n_1}, x_2 \in \R^{n_2}, u \in\R^{n_2}
|
||||
\]
|
||||
|
||||
Soit $x_2^*$ la trajectoire consigne à imposer à $x_2$. Avec comme hypothèse $f_2(x_1,x_2)$ bornée, nous appliquons la commande à grand gain
|
||||
\[ u = -\frac{K}{\epsilon}(x_2-x_2^*)\]
|
||||
où $\epsilon<< 1$ et $K$ matrice diagonale définie positive.
|
||||
|
||||
Ainsi, suivant la nouvelle échelle de temps $\tau = \frac{t}{\epsilon}$
|
||||
\[
|
||||
\begin{cases}
|
||||
\dd{x_1}{\tau} & = \epsilon f_1(x_1,x_2) \quad \text{dynamique lente}\\
|
||||
\dd{x_2}{\tau} & = \epsilon f_2(x_1,x_2) - k(x_2-x_2^*) \quad \text{perturbation et dynamique de convergence rapide}
|
||||
\end{cases}
|
||||
\]
|
||||
|
||||
$\Sigma_0$ est la variété $x_2 = x_2^*$.
|
||||
|
||||
Pour $\epsilon\neq 0$, $\Sigma_{0,\epsilon}$ est la variété $x_2=x_2^*+k\epsilon f_2(x_2,x_2^*)$
|
||||
|
||||
La dynamique lente est $\dd{x_1}{\tau} = \epsilon f_1(x_1,x_2^*)$. Par conséquent la consigne $x_2^*$ (commande fictive) peut servir à commander la dynamique lente.
|
||||
|
||||
\begin{rem}
|
||||
Avec cette méthode on a simplifié la synthèse :
|
||||
\[
|
||||
\begin{cases}
|
||||
u : x_2 \xrightarrow[1/\epsilon]{} x_2^* \\
|
||||
x_2^* : x_1 \xrightarrow[1/\epsilon]{} x_1^* \\
|
||||
\end{cases}
|
||||
\]
|
||||
Où $x_2^*$ est une commande ``fictive''dans le cas ou $x_1$ est à sortie asservie
|
||||
\end{rem}
|
||||
\begin{rem}
|
||||
cette méthode à cependant des inconvénients:
|
||||
\begin{itemize}
|
||||
\item Amplification du bruit de mesure ($x_2$)
|
||||
\item Risque de saturation $\frac{K}{\epsilon}\gg 1$.
|
||||
\end{itemize}
|
||||
\end{rem}
|
||||
\subsection{Commande par backstepping}
|
||||
|
||||
Soit un système sous forme triangulaire (apparition successive des différentes commandes) :
|
||||
\begin{align*}
|
||||
\dot{x_1} & = f_1(x_1) + x_2 \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + x_3 \\
|
||||
& \vdots \\
|
||||
\dot{x_n} & = f_n(x_1,\dots x_n) + u
|
||||
\end{align*}
|
||||
|
||||
\paragraph{Procédure de synthèse}
|
||||
|
||||
\paragraph{Étape 1} Afin d'imposer la consigne $x_1^*$, on utilise la fonction de Lyapunov
|
||||
\[ V_1(x_1) = \frac{1}{2}(x_1 - x_1^*)^2 \]
|
||||
Pour assurer la stabilité, il faut que $\dot{V_1}(x_1)$ soit définie négative.
|
||||
\begin{align*}
|
||||
\dot{V_1}(x_1) & = (x_1-x_1^*)(\dot{x_1} - \dot{x_1^*}) \\
|
||||
& = (x_1 - x_1^*)(f_1(x_1) + x_2 - \dot{x_1^*})
|
||||
\intertext{On cherche donc $x_2$ pour que}
|
||||
\dot{V_1}(x_1) & = \alpha_1(x_1-x_1^*)^2 \quad \text{ avec } \alpha_1 < 0 \\
|
||||
x_2^* & = \alpha_1(x_1-x_2^*) - f_1(x_1) + \dot{x_1^*}
|
||||
\end{align*}
|
||||
|
||||
Cela assure la convergence asymptotique de $x_1$ vers $x_1^*$.
|
||||
|
||||
\paragraph{Étape 2} Faire converger $x_2$ vers $x_2^*$. On utilise la nouvelle fonction de Lyapunov
|
||||
\[ V_2(x_1,x_2) = \frac{1}{2}(x_1-x_1^*)^2 + \frac{1}{2}(x_2-x_2^*)^2 \]
|
||||
On veut $\dot{V_2}(x_1,x_2)$ définie négative :
|
||||
\begin{align*}
|
||||
\dot{V_2}(x_1,x_2) & = (x_1-x_1^*)(\dot{x_1} - \dot{x_1^*}) + (x_2-x_2^*)(\dot{x_2} - \dot{x_2^*}) \\
|
||||
& = \alpha_1(x_1-x_1^*)^2 + \alpha_2(x_2-x_2^*)^2
|
||||
\intertext{Pour avoir une hiérarchisation dynamique, on pose $\alpha_2 < \alpha_1 < 0$ (la dynamique 2 est plus rapide que la 1)}
|
||||
(x_2-x_2^*)(\dot{x_2} - \dot{x_2^*}) & = \alpha_2(x_2-x_2^*)^2 \\
|
||||
(x_2-x_2^*)(f_2(x_1,x_2) + x_3 - \dot{x_2^*}) & = \alpha_2(x_2-x_2^*)^2 \\
|
||||
x_3^* & = \alpha_2(x_2-x_2^*) - f_2(x_1,x_2) + \dot{x_2^*}
|
||||
\end{align*}
|
||||
La démarche est la même à l'étape $n$ :
|
||||
\[ u = \dot{x_n^*} - f_n(x_1,\dots,x_n) + \alpha_n(x_n-x_n^*) \]
|
||||
avec $\alpha_n < \alpha_{n-1} < \dots < \alpha_2 < \alpha_1$
|
||||
|
||||
\begin{rem}
|
||||
Cette méthode est généralisable à des systèmes sans forme :
|
||||
\begin{align*}
|
||||
\dot{x_1} & = f_1(x_1) + g_1(x_1)x_2 \\
|
||||
\dot{x_2} & = f_2(x_1,x_2) + g_2(x_1,x_2)x_3 \\
|
||||
& \vdots \\
|
||||
\dot{x_n} & = f_n(x_1,\dots,x_n) + g_n(x_1,\dots,x_n)u
|
||||
\end{align*}
|
||||
sur $\mathcal{D} = \{x_1,\dots,x_n \text{ tq } g_1 \neq 0,\dots,g_n\neq 0 \}$
|
||||
\end{rem}
|
||||
|
||||
\section{Rejet de perturbation}
|
||||
|
||||
\subsection{Cas SISO}
|
||||
\[ (1) \begin{cases} \dot{x} & = f(x) + g(x)u + p(x) w \\ y & = h(x) \end{cases} \]
|
||||
|
||||
Même principe que pour la linéarisation par bouclage, on dérive la sortie par rapport au temps :
|
||||
\[ \dot{y} = \derivp[h(x)]{x} \dot{x} = L_fh(x) + L_gh(x) u + L_ph(x) w \]
|
||||
|
||||
\paragraph{Cas 1} $L_ph(x) \neq 0$\\
|
||||
Si $L_gh(x) \neq 0$ et la perturbation $w$ est mesurable (rarement), alors le rejet de la perturbation est obtenu par
|
||||
\[ u = (L_gh(x))^{-1}(v-L_fh(x) - L_ph(x)w) \quad \text{avec trivialement } v = \dot{y}\]
|
||||
Si la perturbation n'est pas mesurable, on réalise une linéarisation dynamique avec $x_{n+1} = u$ et $x_{n+2} = w$ mais dans ce cas la perturbation $w$ doit être canonique, i.e. $\exists \alpha \in \N \text{ tq } w^{(\alpha)} = 0$.
|
||||
|
||||
Ainsi, on dérive la sortie jusqu'à disparition de la perturbation puis on linéarise.\\
|
||||
|
||||
\noindent Si $L_gh(x) = 0$, on calcule les dérivées d'ordres supérieurs de la sortie jusqu'à apparition de la commande (linéarisation dynamique).
|
||||
|
||||
\paragraph{Cas 2} $L_ph(x) = 0$.\\
|
||||
Si $L_gh(x)\neq0$, la perturbation est rejetée pour
|
||||
\[ u = (L_gh(x))^{-1}(v-L_fh(x)) \]
|
||||
Su $L_gh(x) = 0$, on dérive une deuxième fois la sortie.
|
||||
|
||||
\begin{prop}
|
||||
Soient $r$ le degré relatif correspondant à $L_gL_f^{r-1}h(x) \neq 0$ et $\sigma$ le plus petit entier pour lequel $L_pL_f^{\sigma-1}h(x) \neq0$, alors :
|
||||
\begin{itemize}
|
||||
\item si $r<\sigma$ la perturbation $w$ est rejetée par la commande linéarisante
|
||||
\item si $r=\sigma$ la perturbation $w$ est rejetée si elle est mesurable
|
||||
\item si $r>\sigma$ le rejet de $w$ ne peut se faire que par une linéarisation dynamique : observateur NL si $w$ n'est pas canonique
|
||||
\end{itemize}
|
||||
\end{prop}
|
||||
|
||||
|
||||
\subsection{Cas MIMO}
|
||||
\[ \begin{cases} \dot{x} & = f(x) + \sum_{i=1}^m g_i(x)u_i + p(x) w \\ y & = h(x) \end{cases}, \quad x \in \R^n, u \in \R^m, y \in \R^d \]
|
||||
Même principe que le cas SISO mais une linérisation MIMO où chaque nouvelle entrée $v_i$, permet de rejeter les perturbations sur $y_i$.
|
||||
|
||||
\begin{rem}
|
||||
L'incertitude sur le modèle peut être interprétée comme une perturbation. En effet, le modèle (1) s'écrit
|
||||
\[ \begin{cases} f(x) & = f(x) + \Delta f(x) + g(x) u + \Delta g(x) u \\ y & = h(x) \end{cases} \]
|
||||
|
||||
Suivant l'analyse sur le bouclage linéarisant, le rejet d'incertitude est obtenu si
|
||||
\begin{align*}
|
||||
L_{\Delta f} L_f^i h = 0 & 0 \leq i \leq r-2 \\
|
||||
L_{\Delta g} L_f^i h = 0 & 0 \leq i \leq r-1
|
||||
\end{align*}
|
||||
|
||||
Ce résultat ne peut être vérifié qu'a posteriori car $\Delta f$ et $\Delta g$ sont inconnues.
|
||||
\end{rem}
|
||||
|
||||
\section{Robustesse en NL - Commande par mode glissant}
|
||||
|
||||
%%\imgt{8/1}
|
||||
|
||||
Un terme $u_r$ est ajouté à la commande de départ $u_{eq}$ ...
|
||||
|
||||
\begin{exemple}[Onduleur de tension commandé en courant]
|
||||
Sans avoir à modéliser la charge, on veut imposer la forme de courant :
|
||||
%%\imgt{8/2}
|
||||
\end{exemple}
|
||||
|
||||
\subsection{Éléments de synthèse de la commande}
|
||||
|
||||
\begin{enumerate}
|
||||
\item Synthétiser une commande sans prise en compte de l'incertitude ni de la perturbation : surface de glissement (poursuite asymptotique)
|
||||
\item Commande gardant les états sur la surface de glissement ayant pour hypothèse l'incertitude ou la perturbation bornées : variation de la structure du système par commutation
|
||||
\end{enumerate}
|
||||
|
||||
\begin{defin}[Surface de glissement ou commutation]
|
||||
$S(x,t)$ est la surface autour (dans un voisinage) de laquelle le système évolue avec une dynamique imposée par $S$.
|
||||
\end{defin}
|
||||
|
||||
\begin{defin}[Système à structure variable]
|
||||
Un système est à structure variable si son entrée commute entre deux valeurs suivant une logique bien spécifique $\sigma(x)$
|
||||
%%\img{0.5}{8/3}
|
||||
\end{defin}
|
||||
|
||||
\begin{defin}[Commande par mode glissant]
|
||||
Commande discontinue ayant pour objectif de faire converger le système en $S$. On utilise la fonction de Lyapunov \[ V(x,t) = \frac{1}{2}S^2(x,t) \]
|
||||
|
||||
Pour avoir convergence vers la surface de glissement, il faut avoir
|
||||
\[ \dot{V}(x,t) = S(x,t) \dot{X}(x,t) \leq 0 \]
|
||||
|
||||
$\sigma(x)$ est la logique qui impose $S\dot{S} \leq 0$
|
||||
\end{defin}
|
||||
|
||||
\begin{rem}
|
||||
$S\dot{S}$ est la condition d'existence d'un régime glissant sur la surface $S$.
|
||||
\end{rem}
|
||||
|
||||
\subsection{Application de la commande par mode glissant}
|
||||
|
||||
La poursuite asymptotique est une méthode de détermination de $S$.
|
||||
|
||||
Soit $\epsilon(t) = y_c(t) - y(t)$ où $y_c$ est la consigne et $y$ la sortie.
|
||||
|
||||
On pose $S = \epsilon^{(m)}(t) + \beta_{m-1}\epsilon^{(m-1)} + \dots + \beta_1 \dot{\epsilon} + \beta_0 \epsilon$ où $\beta_i, i =0,\dots,m-1$ sont choisis pour imposer la dynamique de convergence.
|
||||
|
||||
\begin{rem}
|
||||
Par exemple, on peut choisir $S = (\frac{d}{dt} + \lambda)^m \epsilon, \lambda >0$
|
||||
|
||||
Choix de la commande (bouclage linéarisant)
|
||||
\end{rem}
|
||||
|
||||
On pose $m=r-1$ où $r$ est le degré relatif et on a
|
||||
\begin{align*}
|
||||
u & = \frac{1}{L_gL_f^{r-1}h(x)} (-L_f^rh(x) + y_c^{(r)} + \sum_{i=1}^r \beta_{i-2} \epsilon^{(i-1)} + \alpha K sgn(S) ) \\
|
||||
u & = \frac{1}{L_gL_f^{r-1}h(x)} (-L_f^rh(x) + y_c^{(r)} + \dot{S} + \alpha K sgn(S) )
|
||||
\end{align*}
|
||||
|
||||
|
||||
Ainsi en utilisant le changement de variable $z_i = L_f^{i-1}h(x) = \phi_i(x), i = 1,\dots,r$, la commande linéarisante avec poursuite asymptotique et robuste s'écrit :
|
||||
\[ u = \frac{1}{b(z,\eta)} (-a(z,\eta) + y_c^{(r)} + \dot{S} + \alpha K sgn(S)) \]
|
||||
avec pour modèle normal :
|
||||
\begin{align*}
|
||||
\dot{z_1} & = z_2 \\
|
||||
& \vdots \\
|
||||
\dot{z_{r-1}} & = z_r \\
|
||||
\dot{z_r} & = y_c^{(r)} + \dot{S} + \alpha K sgn(S) + \Delta a (z,\eta) \\
|
||||
\dot{\eta} & = q(z,\eta) + \Delta q(z,\eta) + \Delta p(z,\eta)u \\
|
||||
\text{ avec } & \Delta a (z,\eta) = L_{\Delta f} L_f^{r-1} h(x), \Delta q(z,\eta) = L_{\Delta f} \eta, \Delta p(z,\eta) = L_{\Delta f} \eta
|
||||
\end{align*}
|
||||
|
||||
On suppose que $|\Delta a (z,\eta)| < K < \infty$ donc pour avoir $\dot{z_r} = y_c^{(r)}$, on doit poser $\dot{S} = - \alpha K sgn(S) - \Delta a(z,\eta)$.
|
||||
|
||||
Cas $S>0 \Rightarrow \dot{S} < -K(\alpha-1) < 0 \si \alpha > 1$
|
||||
|
||||
Cas $S<0 \Rightarrow \dot{S} > K(\alpha-1) > 0 \si \alpha < 1$
|
||||
|
||||
Ainsi on vérifie la condition d'existence du régime glissant, alors quand la trajectoire atteint $S$, alors $y \to y_c$ suivant la dynamique imposée par $S$.
|
||||
\end{document}
|
||||
|
||||
%%% Local Variables:
|
||||
%%% mode: latex
|
||||
%%% TeX-master: "main"
|
||||
%%% End:
|
||||
|
|
@ -8,6 +8,8 @@
|
|||
\usepackage{multicol}
|
||||
\usetikzlibrary{decorations.markings}
|
||||
\usetikzlibrary{patterns}
|
||||
|
||||
\let\epsilon\varepsilon
|
||||
\begin{document}
|
||||
|
||||
\maketitle
|
||||
|
|
@ -20,6 +22,7 @@
|
|||
\newpage
|
||||
|
||||
\tableofcontents
|
||||
\part{Études des systèmes non linéaires}
|
||||
\chapter{Classification}
|
||||
\subfile{chap1.tex}
|
||||
\chapter{Caractérisation de la stabilité}
|
||||
|
|
@ -30,10 +33,13 @@
|
|||
\subfile{chap4.tex}
|
||||
\chapter{Stabilité des systèmes non linéaires}
|
||||
\subfile{chap5.tex}
|
||||
\part{Commande des systèmes non linéaires}
|
||||
\chapter{Commandabilité et observabilité en non linéaire}
|
||||
\subfile{chap6.tex}
|
||||
\chapter{Commande par bouclage linéarisant}
|
||||
\subfile{chap7.tex}
|
||||
\chapter{Commande hiérarchisée}
|
||||
\subfile{chap8.tex}
|
||||
\end{document}
|
||||
|
||||
%%% Local Variables:
|
||||
|
|
|
|||
Loading…
Reference in a new issue