v2.11.0 (5687)

Cours scientifiques - APM_5OD31_TA : Identification pour l'automatique

Domaine > Applied Maths.

Descriptif

Le calcul d’une loi de commande permettant de piloter un processus physique nécessite l’utilisation d’un modèle de ce processus. Ce modèle, qu’il soit issu des équations de la physique ou d’une approche boîte noire, dépend d’un certain nombre de paramètres. Ce cours aborde les concepts et les méthodes permettant la détermination de ces paramètres.

Le cours présente tout d’abord les concepts généraux liés aux techniques d’identification : modélisation des systèmes, compromis représentativité / temps de calcul, but de la modélisation, information a priori… Les liens avec le filtrage et la commande sont explicités.
Les principales classes de méthodes et techniques d’identification sont ensuite exposés. L’étudiant devra être capable à l’issue du cours et face à un problème concret de définir une stratégie d’identification permettant d’obtenir un modèle du processus satisfaisant aux critères demandés.

Organisation:
Ce module est organisé autour de cours magistraux permettant de donner les fondements théoriques des principale méthodes d’identification et de mise application en salle informatique sur des exemples issus du monde industriel (automobile, aéronautique, biomédical, finance…).

Objectifs pédagogiques

Etre capable d'analyser des problèmes de type moindres carrés pour en identifier les paramètres.

21 heures en présentiel (6 blocs ou créneaux)

33 heures de travail personnel estimé pour l’étudiant.

effectifs minimal / maximal:

10/50

Diplôme(s) concerné(s)

Parcours de rattachement

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Théorie de l'optimisation, commande des systèmes linéaires.

Format des notes

Numérique sur 20

Littérale/grade européen

Pour les étudiants du diplôme Diplôme d'Ingénieur de l'Ecole Nationale Supérieure de Techniques Avancées

Vos modalités d'acquisition :

 La réalisation d'un mini-projet permettant d'appliquer les techniques abordées dans le cours pour mener à bien une procédure complète d'identification.

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS
  • Scientifique acquis : 2

Le coefficient de l'UE est : 1

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Pour les étudiants du diplôme Inside ENSTA Paris

Le rattrapage est autorisé (Max entre les deux notes écrêté à une note seuil)
  • le rattrapage est obligatoire si :
    Note initiale < 6
  • le rattrapage peut être demandé par l'étudiant si :
    6 ≤ note initiale < 10
L'UE est acquise si Note finale >= 10
  • Crédits ECTS acquis : 2 ECTS

La note obtenue rentre dans le calcul de votre GPA.

L'UE est évaluée par les étudiants.

Programme détaillé

1. CM:
Introduction.
Notion de modèle, modèle de connaissance, modèle de comportement.
Représentativité des modèles
Un modèle, dans quel but ?
2. TD en salle info:
Mise en œuvre. Etude de cas sous forme d'optimisation générale. Analyser et retrouver les principes fondamentaux de l'identification.
3. CM:
Méthodes classiques (par analyse des comportements temporelles et fréquentielles). Formulation sous forme de problème d’optimisation
4. TD en salle info:
Mise en œuvre (suite). Utilisation des principes fondamentaux pour choisir les conditions expérimentales et les paramètres des méthodes d'optimisation.
5. CM:
Utilisation des moindres carrés:
Moindres carrés sans pondérations,
Moindres carrés pondérés,
Moindres carrés récursifs
6. TD en salle info:
Mise en application des méthodes classiques d’identification par observation des comportements temporels et fréquentiels?
7. CM:
Méthodes basées sur l’analyse spectrale
- Rappels d’analyse spectrale - Prétraitements des données -
Méthodes de corrélation -
Méthodes de filtrage -
Utilisation de séquence binaire pseudo aléatoire
8. TD en salle info:
Mise en œuvre des méthodes basées sur l’analyse spectrale.
Réglage de ces méthodes
9. CM:
Utilisation des moindres carrés:
Moindres carrés sans pondérations,
Moindres carrés pondérés,
Moindres carrés récursifs
10. TD en salle info:
Mise en œuvre des Moindres carrés.
Méthode itérative pour le choix des pondérations.
11. CM:
Méthodes récursives (suite). Optimisation générale
12. TD en salle info:
Mise en oeuvre  des Moindres carrés (suite).
Méthode itérative pour le choix des pondérations.

Mots clés

Modélisation, Moindres carrés, Maximum de vraisemblance, Techniques fréquentielles, Analyse spectrale, Méthodes numériques, Optimisation

Méthodes pédagogiques

Lecture notes + Slides + Exercices + TP
Veuillez patienter