L'identification dynamique des systèmes est une pratique fondamentale dans le domaine de l'ingénierie mécanique moderne, permettant aux ingénieurs de traduire des données expérimentales brutes en modèles mathématiques actionnables. Ces modèles sont indispensables pour analyser le comportement des systèmes, concevoir des systèmes de contrôle robustes et prévoir des réponses transitoires et stables dans un vaste éventail de conditions d'exploitation.

La discipline fusionne les principes de la théorie du contrôle, des statistiques et du traitement des signaux. Elle fournit un cadre systématique pour déduire la dynamique interne d'un système – souvent trop complexe pour être modélisé à partir de principes de base – en utilisant uniquement des données d'entrée-sortie mesurées.

Qu'est-ce que l'identification dynamique du système?

L'identification dynamique du système est le processus de construction d'un modèle mathématique d'un système dynamique basé sur des données observées. Le terme dynamique implique que le modèle capture la façon dont le système évolue au fil du temps en réponse aux entrées.

Le flux de travail standard comprend quatre étapes principales :

  1. Acquisition de données et prétraitement[ – Conception d'expériences pour exciter tous les modes pertinents du système, suivie d'un filtrage, d'une déflexion et d'une suppression aberrante.
  2. Sélection de structure de modèle[ – Choix d'une représentation appropriée, telle que les fonctions de transfert, les équations d'espace d'état ou les modèles autorégressifs non linéaires. Ce choix dépend de l'utilisation prévue (contrôle, simulation, diagnostic de défaillance).
  3. Estimation par paramètres[ – Appliquer des algorithmes qui minimisent une fonction de coût – typiquement l'erreur entre les sorties mesurées et les prévisions du modèle – pour déterminer les valeurs numériques dans la structure sélectionnée.
  4. Validation du modèle – Test du modèle sur des données non utilisées lors de l'estimation, évaluation de mesures comme la bonté d'ajustement, autocorrélation résiduelle et performance de validation croisée.

Dans la pratique, ces étapes sont itératives. Par exemple, si un modèle linéaire échoue à la validation, l'ingénieur peut introduire des non-linéarités ou modifier l'ordre du modèle. L'objectif principal est de produire un modèle parcimonieux qui généralise bien au-delà des données de formation.

Le rôle des connaissances antérieures

La modélisation en boîte grise, comme on l'a vu plus loin, utilise explicitement des équations connues de bilans de mouvement ou d'énergie pour limiter l'espace des paramètres, ce qui réduit le fardeau des données et améliore les capacités d'extrapolation. Même dans les approches en boîte noire, l'ingénieur , compréhension des constantes de temps dominantes, des rapports d'amortissement et des fréquences résonantes guide les décisions sur l'excitation d'entrée, les taux d'échantillonnage et la complexité du modèle.

Techniques communes utilisées par les ingénieurs mécaniques

Chaque technique offre des avantages distincts selon la linéarité du système, l'environnement sonore et l'utilisation prévue du modèle. Ci-dessous, nous examinons les quatre grandes catégories, chacune avec des sous-techniques et des nuances pratiques.

Méthodes du domaine temporel

Les méthodes du domaine temporel fonctionnent directement sur des séquences d'entrée-sortie échantillonnées. Elles sont intuitives parce que la sortie du modèle est une fonction directe des entrées et sorties passées.

Les moindres carrés récursifs (RLS)

RLS est un algorithme adaptatif qui met à jour les estimations des paramètres à mesure que de nouvelles données arrivent. Il est largement utilisé pour l'identification en ligne dans des applications comme la suppression adaptative des vibrations et le contrôle actif du bruit. L'algorithme minimise la somme pondérée des résidus carrés, avec un facteur d'oubli qui rabaisse les données plus anciennes, permettant au modèle de suivre la dynamique variable du temps.

Méthodes d'erreur de prévision (PEM)

La fonction de coût est la somme des erreurs de prédiction en un seul pas en avant. Pour les systèmes linéaires, la PEM converge vers des estimations impartiales dans des conditions légères. Elle est calculablement plus lourde que la RLS mais fournit des résultats plus précis pour la modélisation hors ligne haute fidélité. ARX (autorégressive avec entrée exogène) et les modèles ARMAX sont des structures PEM typiques utilisées dans les systèmes mécaniques.

Méthodes de domaine de fréquence

Les méthodes de domaine de fréquence transforment les données en spectre de fréquence, révélant les fréquences résonantes, la bande passante et l'amortissement. Elles sont particulièrement puissantes pour les systèmes où une compréhension physique des modes naturels est disponible.

Analyse de Fourier et estimation spectrale

Grâce à la transformation rapide de Fourier (FFT), les ingénieurs calculent le rapport de densité spectrale à la densité spectrale de puissance d'entrée pour obtenir une estimation empirique de la fonction de transfert. La fonction de cohérence fournit une mesure de qualité : la cohérence près de 1 indique une relation linéaire sans bruit.

Tests sinusoïdaux de balayage et de sinusite pas à pas

Dans l'analyse expérimentale des modes, une entrée sinusoïdale connue est balayée sur une plage de fréquences. L'amplitude et la phase à l'état d'équilibre à chaque fréquence créent la fonction de réponse de fréquence (FRF).Cette méthode est robuste au bruit mais prend du temps.

Méthodes d'identification des sous-espaces

Des méthodes d'identification subspatiales, telles que N4SID (Algorithmes numériques pour l'identification des systèmes spatiaux subspatials) et MOESP (Multivariable Output Error State sPace), permettent d'estimer directement les modèles d'espaces d'état à partir de données entrées-sorties sans optimisation itérative.

Ces méthodes sont particulièrement attrayantes pour les systèmes multivariables où le nombre d'entrées et de sorties est important. En génie mécanique, elles sont utilisées pour la surveillance de la santé structurelle, où un réseau d'accéléromètre à 10-100 canaux doit être modélisé simultanément.

Modélisation de la boîte grise

La modélisation en boîte grise permet d'établir un équilibre entre les approches entièrement physiques (boîte blanche) et purement empiriques (boîte noire). L'ingénieur formule une structure de modèle basée sur des lois connues — la seconde loi de Newton, les équilibres thermodynamiques ou les modèles d'amortissement visqueux — mais laisse certains paramètres libres d'être estimés à partir de données.

Par exemple, un actuateur servohydraulique peut être modélisé à l'aide d'un système de masse-détecteur de deuxième ordre avec inertie et rigidité connues, alors que le coefficient d'amortissement et le gain de actuateur sont inconnus. Les données expérimentales permettent ensuite d'aligner ces paramètres libres. Le résultat est un modèle qui respecte les contraintes physiques et extrapole bien, même si les données d'entraînement ne couvrent pas toutes les conditions d'exploitation.

Applications en génie mécanique

La polyvalence de l'identification des systèmes se reflète dans son large adoption à travers les sous-disciplines de l'ingénierie mécanique. Chaque domaine présente des défis uniques en termes de largeur de bande, de non-linéarité et de disponibilité des capteurs.

Robotique

Les manipulateurs robotiques et les robots mobiles nécessitent des modèles dynamiques précis pour la planification de trajectoire, le contrôle du couple et le contrôle de l'impédance. L'identification des frottements articulaires, des paramètres d'inertie et de la dynamique des actionneurs est une pratique courante. Des techniques comme les moindres carrés pondérés sont utilisées sur des trajectoires passionnantes soigneusement conçues pour isoler chaque paramètre d'inertie.

Systèmes automobiles

Les ingénieurs automobiles appliquent l'identification du système à la gestion du moteur, au contrôle de la transmission et à la dynamique du véhicule. Par exemple, un modèle de moteur de valeur moyenne, utilisé pour le contrôle du rapport air-carburant, est souvent identifié à partir de la position des gaz et des mesures du régime du moteur. De même, un modèle de suspension quart de wagon peut être identifié à partir des entrées de profil de route et des sorties d'accélération verticale pour régler les régulateurs de suspension actifs.

Génie aérospatial

Dans l'aérospatiale, l'identification du système est utilisée pendant les essais en vol pour extraire les dérivés de stabilité et contrôler l'efficacité des manœuvres enregistrées. Les méthodes de domaine de fréquence utilisant des entrées de chirp sont courantes parce qu'elles fournissent des marges de gain et de phase précises.

Analyse des vibrations et dynamique structurelle

Les structures mécaniques telles que les ponts, les tours d'éoliennes et les supports de moteurs sont caractérisés par une analyse expérimentale des modes (méthode de la fréquence-domaine) ou une analyse des modes opérationnels (où seules les données de sortie sous excitation ambiante sont disponibles). Ces modèles identifiés sont utilisés pour le contrôle des vibrations, la prédiction de la durée de vie de la fatigue et la détection des dommages.

Détection des défauts et pronostics

En identifiant en permanence un système en ligne, les ingénieurs peuvent détecter des déviations qui indiquent des défauts, comme une augmentation de l'amortissement des roulements dans une machine tournante ou une diminution de la friction dans un joint hydraulique. L'identification du système forme le moteur de détection des défauts à base de modèle, où les résidus (différences entre les sorties mesurées et prévues) sont analysés.

Défis et considérations

Malgré sa puissance, l'identification du système est soumise à des difficultés pratiques qui peuvent faire échouer un projet si elles ne sont pas prises en compte.

Qualité des données et conception de l'excitation

L'exigence la plus fondamentale est peut-être que l'entrée doit constamment exciter toute la dynamique du système. Une entrée en étape, par exemple, ne peut pas révéler les modes de résonance haute fréquence. Les ingénieurs utilisent des séquences binaires pseudo-aléatoires (PRBS), des signaux chirp et des formes d'onde multisinus pour fournir un contenu de fréquence suffisant.

Bruit et perturbations

Bien que des méthodes comme les variables instrumentales puissent gérer certaines structures sonores, elles nécessitent des capteurs supplémentaires ou des copies retardées de l'entrée. Le filtrage des données (par exemple, les filtres Butterworth à faible passage) est standard mais doit être fait avec soin pour éviter de supprimer les informations de phase.

Modèle d'ordre et de complexité de sélection

Le choix du nombre d'états, de pôles ou de régresseurs est un compromis entre les variables de biais. Un ordre de modèle trop bas entraîne des erreurs sous-adaptées et systématiques; un ordre trop élevé conduit à une suradaptation et une généralisation médiocre. Des critères d'information comme le critère d'information d'Akaike , et le critère d'information de Bayesian, fournissent une heuristique automatisée, mais ils doivent être jumelés à un jugement technique.

Non-linéarités et écarts de temps

De nombreux systèmes mécaniques sont intrinsèquement non linéaires : friction, saturation, contre-soufflement et élasticité de la déformation. L'identification des systèmes non linéaires est un domaine de recherche actif. Des méthodes comme la moyenne mobile autorégressive non linéaire avec entrées eXogenous (NARMAX), les modèles orientés bloc (Hammerstein, Wiener) et les séries Volterra sont utilisées.

Validation et quantification de l'incertitude

Un modèle qui s'adapte parfaitement aux données de formation peut échouer sur des données invisibles. La validation doit comprendre à la fois des mesures quantitatives (test de blancheur résiduelle, erreur carrée moyenne normalisée de la racine, ajustement de la prédiction sur les données de validation) et des vérifications qualitatives (plausibilité physique des paramètres, signe correct de gains, causalité).

Conclusion

L'identification dynamique des systèmes est une méthodologie indispensable pour les ingénieurs mécaniques qui doivent modéliser, contrôler et diagnostiquer des systèmes physiques complexes. Elle permet de faire le pont entre les modèles théoriques des premiers principes et la réalité mesquine des données expérimentales.En maîtrisant une gamme de techniques – des simples moindres carrés récursifs aux méthodes sophistiquées des sous-espaces et à la modélisation en gris-boîte – les ingénieurs peuvent s'attaquer à un large éventail de problèmes à travers la robotique, l'automobile, l'aérospatiale et la dynamique structurelle.

Le domaine continue d'évoluer avec l'avènement de la machine learning, où des réseaux neuronaux profonds sont utilisés pour augmenter ou même remplacer l'identification traditionnelle pour les systèmes hautement non linéaires. Cependant, les principes fondamentaux de conception, de gestion du bruit et de validation restent inchangés. Les ingénieurs qui cultivent une bonne compréhension de la théorie et des pièges pratiques seront bien équipés pour développer les modèles fiables et haute fidélité que les systèmes mécaniques modernes exigent.

Pour plus de détails, voir le manuel de base Ce qui est Identification du système? de MathWorks, qui fournit un excellent aperçu. La page de sujets ScienceDirect sur Identification du système offre une collection d'articles évalués par les pairs. Pour une mise en oeuvre pratique dans MATLAB et Python, la documentation exhaustive de L. Ljung, Méthods of Identification du système, est une référence standard.