Zemouche Ali 2007

Thse prsente pour obtenir le grade de
Docteur de lUniversit Louis Pasteur

Strasbourg I
Discipline : lectronique, lectrotechnique, Automatique
Spcialit : Automatique
par Ali Zemouche
Sur lobservation de ltat des

systmes dynamiques non linaires
Soutenue publiquement le Mars
Membres du jury
Directeur de Thse :
Rapporteur Interne :
Rapporteur Externe :
Rapporteur Externe :
Examinatrice :
Examinateur :
Mohamed BOUTAYEB, Professeur, Universit Louis Pasteur, Strasbourg

Michel de MATHELIN, Professeur, Universit Louis Pasteur, Strasbourg
Jean-Jacques SLOTINE, Professeur, Institut de Technologie de
Massachusetts, USA
Olivier BERNARD, Charg de Recherche, HDR, INRIA SophiaAntipolis
Gabriela Iuliana BARA, Matre de Confrences, Universit Louis
Pasteur, Strasbourg
Mondher FARZA, Matre de Confrences, Universit de Caen, Caen
ii
Remerciements
Ce travail a t ralis au Laboratoire des Sciences de lImage, de lInformatique et de la

Tldtection (LSIIT), au sein de lquipe AVR (Automatique, Vision et Robotique) dirige par
Monsieur le Professeur Michel De Mathelin que je remercie pour mavoir accuilli au sein de son
groupe de recherche et mis ma disposition les moyens ncessaires pour mener cette thse
son terme.
Je remercie trs chaleureusement mon directeur de thse, Mohamed Boutayeb, Professeur
lUniversit Louis Pasteur Strasbourg I, pour avoir dirig mes travaux et mavoir fait dcouvrir
le monde de la recherche. Merci pour vos changes scientifiques, vos conseils et votre rigueur.
Merci pour votre soutien scientifique et humain. Je voudrais aussi vous remercier davoir cru en
mes capacits et de mavoir fourni dexcellentes conditions me permettant daboutir la production de cette thse. Cette thse naurait vu le jour sans votre confiance et votre gnrosit.
Je tiens remercier galement mon encadrante de thse, Gabriela Iuliana Bara davoir accpt
dencadrer ce travail tout au long de ces trois annes. Je la remercie aussi pour ses relectures
efficaces des diffrents crits.
Jexprime galement mes remerciements aux membres du jury, qui ont accept dvaluer mon
travail de thse. Merci Monsieur Michel De Mathelin, Professeur lUniversit Louis Pasteur
Strasbourg I, davoir accept dtre au mme temps rapporteur interne et prsident du jury
de cette thse, et Messieurs Jean Jacques Slotine de lInstitut de Technologie de Massachusetts (MIT, Boston) et Olivier Bernard, habilit diriger des recherches lINRIA Sophia Antipolis
davoir accept dtre les rapporteurs externes de ce manuscrit. Leurs remarques et suggestions
lors de la lecture de mon rapport mont permis dapporter des amliorations la qualit de ce
dernier. Jadresse galement mes remerciements Monsieur Mondher Farza, Matre de Conferences lUniversit de Caen pour avoir accept dexaminer mon mmoire et de faire partie de
mon jury de thse.
Je tiens aussi remercier mes collgues de lquipe AVR pour leur soutien durant ses annes
passes avec eux.
Jadresse mes vifs remerciements tous mes amis, thsards ou non, pour leur sympathie et la
bonne ambiance : Adlane et sa femme Haoua, Ahmed et sa femme Yosra, Chadi et sa femme
Waod, Mohamed, Hua yunjie, Estelle, Karima et Sarah. Je noublie pas non plus mes autres amis
parmi lesquels je remercierai Boualem et Alexandra, Sad et Laurence, Himane et les deux Rabah. Merci plus particulirement Youcef et Hamitouche pour leur dplacement de Paris jusqu
Strasbourg. Je remercie particulirement Alexandra pour sa relecture efficace du manuscrit.
Toute ma gratitude et mes chaleureux remerciements vont ma famille et ma belle famille. Je
remercie plus particulirement et sincrement ma grand-mre.
Enfin, je ne remercierai sans doute jamais assez ma trs chre pouse, qui a su faire preuve
dune grande patience, de comprhension et ma accompagn et soutenu de faon permanente
dans les moments difficiles tout au long de ces annes.
iii
iv
ma trs chre pouse Samia

ma famille et ma belle famille
tous ceux qui comptent pour moi
vi
Table des matires
Introduction gnrale
Chapitre 1
tat de lart sur les observateurs dtat des systmes non linaires
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Rappels et gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov . . . . . . . . .
1.2.2 Mthode directe de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.3 Stabilit des systmes retard . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.4 Analyse de la contraction . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
1.3 Observateurs dtat des systmes non linaires . . . . . . . . . . . . . . . . . . . .
12
1.3.1 Principe destimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . .
12
1.3.2 Observabilit des systmes non linaires . . . . . . . . . . . . . . . . . . .
15
1.3.3 Les diffrents types dobservateurs : tat de lart . . . . . . . . . . . . . . .
17
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
Chapitre 2
Synthse dobservateurs dtat des systmes temps continu
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
2.2 Approche base sur le DMVT : Transformation en LPV . . . . . . . . . . . . . . .
32
2.2.1 Prliminaires et formulation du problme . . . . . . . . . . . . . . . . . .
32
vii
Table des matires

2.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . . . . . . . . . .
35
2.2.3 Observateur avec gain affine . . . . . . . . . . . . . . . . . . . . . . . . . .
38
2.2.4 Systmes sorties non linaires . . . . . . . . . . . . . . . . . . . . . . . .
39
2.2.5 Systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . . . . . .
41
2.3 Extension au filtrage H : observateur robuste . . . . . . . . . . . . . . . . . . .
45
2.3.1 Synthse dobservateur H . . . . . . . . . . . . . . . . . . . . . . . . . .
46
2.4 Extension au cas des systmes entres inconnues . . . . . . . . . . . . . . . . .
48
2.5 DMVT et Observateur de Luenberger Gnralis (OLG) . . . . . . . . . . . . . . .
51
2.5.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
2.5.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
53
2.5.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
56
2.5.4 Cas des systmes entres inconnues . . . . . . . . . . . . . . . . . . . . .
58
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
59
Chapitre 3
Synthse dobservateurs dtat des systmes temps discret
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
3.2 Synthse dobservateurs temps discret : premire approche . . . . . . . . . . . .
62
3.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
3.2.2 Synthse de lobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . .
63
3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov . .
65
3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
69
3.2.5 Extension la restauration dentres inconnues . . . . . . . . . . . . . . .
73
3.3 Transformation en LPV laide du DMVT : seconde approche . . . . . . . . . . . .
75
3.3.1 Formulation du Problme . . . . . . . . . . . . . . . . . . . . . . . . . . .
75
3.3.2 Mthode de synthse dobservateur . . . . . . . . . . . . . . . . . . . . . .
77
3.3.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
77
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
79
Chapitre 4
Extensions aux systmes retard
viii
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.2 Premire mthode : transformation en LPV . . . . . . . . . . . . . . . . . . . . . .
82
4.2.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . .
82
4.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . . . . . . . . . .
84
4.2.3 Cas des systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . .
87
4.3 Deuxime mthode : utilisation des OLGs . . . . . . . . . . . . . . . . . . . . . .
90
91
4.3.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
93
4.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
94
4.4 Systmes temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
96
96
4.4.2 Conditions de synthse de lobservateur . . . . . . . . . . . . . . . . . . .
97
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
98
Chapitre 5
Application la synchronisation et au cryptage/dcryptage
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2 Sur les systmes chaotiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.1 Caractrisation globale du chaos . . . . . . . . . . . . . . . . . . . . . . . 100
5.2.2 Quelques exemples de systmes chaotiques . . . . . . . . . . . . . . . . . 102
5.3 Communiquer avec le chaos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
5.3.1 Synchronisation des systmes chaotiques . . . . . . . . . . . . . . . . . . . 105
5.3.2 Quelques techniques de cryptage/dcryptage . . . . . . . . . . . . . . . . 108
5.4 Applications : transmission dimages . . . . . . . . . . . . . . . . . . . . . . . . . 111
5.4.1 Utilisation de la mthode avec deux lignes de transmission . . . . . . . . . 111
5.4.2 Synchronisation et dcryptage simultanment . . . . . . . . . . . . . . . . 113
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Conclusion gnrale
119
Annexes
Annexe A
Quelques rappels mathmatiques
A.1 Thorie des Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A.2 Rappels sur la Convexit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Annexe B
Rfrences Personnelles
Bibliographie
131
ix
Table des matires
Table des figures
1.1 Principe destimation dtat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.1 Convergence asymptotique de ltat (ligne continue) vers son estim (ligne pointille). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2 Le comportement asymptotique de lerreur destimation. . . . . . . . . . . . . . .
2.3 Example 1 : Comportement asymptotique de lerreur et de ltat du systme. . . .
37
46
57
3.1
3.2
3.3
3.4
.
.
.
.
65
69
73
78
4.1 Evolution exponentielle de lerreur destimation. . . . . . . . . . . . . . . . . . . .

4.2 Le comportement de lerreur destimation. . . . . . . . . . . . . . . . . . . . . . .
4.3 La convergence exponentielle de lerreur destimation. . . . . . . . . . . . . . . .
87
90
95
5.1
5.2
5.3
5.4
5.5
5.6
5.7
5.8
5.9
5.10
Example 2 : Le comportement asymptotique de lerreur destimation.

Le comportement asymptotique de lerreur destimation . . . . . . .
Le Comportement de lerreur destimation. . . . . . . . . . . . . . . .
La convergence asymptotique. . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
Evolution dans le temps pour deux conditions initiales trs proches. . . . .

Evolution dans le temps dun systme chaotique, compar une sinusode.
Systme chaotique de Lorenz. . . . . . . . . . . . . . . . . . . . . . . . . .
Systme chaotique de Rssler. . . . . . . . . . . . . . . . . . . . . . . . . .
Le circuit lectrique de Chua. . . . . . . . . . . . . . . . . . . . . . . . . .
Lattracteur chaotique de Chua. . . . . . . . . . . . . . . . . . . . . . . . .
Systme chaotique de Henon. . . . . . . . . . . . . . . . . . . . . . . . . .
Principe de Pecora-Carroll. . . . . . . . . . . . . . . . . . . . . . . . . . . .
Principe de synchronisation base dobservateurs. . . . . . . . . . . . . .
Schma de communication par addition. . . . . . . . . . . . . . . . . . . .
xi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
101
101
102
103
103
104
105
107
108
108
Table des figures

5.11
5.12
5.13
5.14
5.15
5.16
5.17
5.18
5.19
xii
Schma de communication par dcalage. . . . . . . . . . . . . . . . . .

Schma de communication en utilisant les cryptosystmes chaotiques.
Schma de communication deux lignes de transmission. . . . . . . .
Image originale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Image crypte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Composantes de lerreur de synchronisation. . . . . . . . . . . . . . . .
Image dcrypte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Images originale et dcrypte aprs augmentation de la taille. . . . . .
Images crypte et dcrypte. . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
109
110
110
112
113
114
115
116
116
Notations et acronymes
Ensembles
R
R+
N
N
Rs
Rrs
Br
C([a, b], Rs )
Ls2
l2s
Co(x, y)
Ensemble des nombres rels

Ensemble des nombres rels positifs
Ensemble des entiers naturels
Ensemble des entiers naturels non nuls
Espace rel euclidien de dimension s
Ensemble des matrices relles de dimension r s
Boule de Rn de rayon r > 0, avec n N
Ensemble des fonctions continues sur [a, b] dans Rs
Ensemble des vecteurs fonctions de Rs carres intgrables sur R+
Ensemble des suites vectorielles de Rs carres
sommables sur N
n
o
Ensemble convexe dfini par Co(x, y) := x + (1 )y, 0 1 .
xiii
Notations et acronymes
Matrices et normes
M > 0 (M > 0)
M < 0 (M 6 0)
Is (I)
0rs (0)
MT
M 1
!
M11 M12
() M22

min (M ) resp. max (M )
min (M )
kxk
kxkLs2
kxkl2s
Matrice M symtrique dfinie (resp. semi-dfinie) positive

Matrice M symtrique dfinie (resp. semi-dfinie) ngative
Matrice identit de dimension s s (resp. approprie)
Matrice nulle de dimension r s (resp. approprie)
Transpose de la matrice M
Inverse de la matrice M
T
Matrice symtrique, le symbole () reprsente M12

Valeur propre minimale resp. maximale de M
Valeur singulire minimale de M

Norme euclidienne du vecteur x
R
1
2 dt 2
Norme Ls2 de x, dfinie par kxkLs2 :=
kx(t)k
0
X
1
2
Norme l2s de x, dfinie par kxkl2s :=
kx(k)k2 ds .
k=0
Acronymes
EKF
LMI
LTI
LPV
LTV
SCI
SISO
MIMO
OLG
DMVT
xiv
Filtre de Kalman tendu (Extended Kalman Filter)

Ingalit matricielle linaire (Linear Matrix Inequality)
Linaire Temps Invariant
Linaire paramtres variants
Linaire temps variants
Sensibilit aux Conditions Initiales
Entre simple sortie simple (Single Input Single Output)
Entre multiple sortie multiple (Multiple Input Multiple Output)
Observateur de Luenberger gnralis
Thorme des accroissements finis (Differential Mean Value Theorem)
Introduction gnrale
Une bonne matrise dun procd passe en gnral par une bonne information sur ce procd. Les
variables directement mesures ne couvrant gnralement pas la totalit des grandeurs susceptibles
de dcrire le comportement du procd (les tats), on peut se poser le problme de reconstruction de
linformation non directement mesure au moyen de celle disponible : cest le rle de lobservateur,
ou estimateur dtat. Le principe est le suivant : Le procd tant modlis comme un systme dynamique soumis laction de grandeurs externes (entres) faisant varier un ensemble de grandeurs
mesures (sorties), lobservateur consiste en un systme dynamique auxiliaire dont les entres sont
les entres/sorties mesures du procd, et les sorties sont supposes donner une estimation de son
tat interne.
Contexte du travail
Au cours des dernires dcennies, une part importante des activits de recherche en automatique
sest focalise sur le problme de lobservation de ltat des systmes dynamiques non linaires.
Ceci est motiv par le fait que lestimation de ltat est une tape importante voir indispensable
pour la synthse de lois de commande, pour le diagnostic ou la supervision des systmes industriels. Rcemment, dautres applications telles que la synchronisation et le dcryptage dans les
systmes de communication, sont devenues lun des secteurs de recherche les plus dynamiques.
Dans ce contexte, nous avons men des travaux de recherche sur lestimation de ltat et des
entres inconnues dune classe de systmes non linaires avec ou sans retards. Les premires
approches utilises pour lestimation de ltat des systmes dynamiques non linaires sont bases sur des techniques dapproximation, citons le clbre Filtre de Kalman Etendu. Le gain de
lestimateur est calcul, chaque instant, par rapport une approximation au premier ordre de
lquation de ltat et de lquation de mesure. Dans de nombreux cas pratiques, cette approche
donne des rsultats relativement satisfaisants. Notons que malgr des conditions peu restrictives
dapplicabilit, ces approches souvent locales, souffrent cependant dune grande sensibilit aux
1
Introduction gnrale
conditions initiales et aux erreurs de modlisation. Il existe trs peu de rsultats sur la stabilit des estimateurs et encore moins lorsque ils sont utiliss pour la commande. La deuxime
approche concerne la classe des systmes non linaires composs dune partie non linaire satisfaisant la condition de Lipschitz et une partie linaire o A, C est suppose observable. Cette
technique a lavantage dtre simple implanter car le gain de lobservateur, quand il existe, est
constant. Cependant, les conditions de convergence sont fortement restrictives et ne concernent
que les systmes avec des constantes de Lipschitz trs faibles. La dernire approche consiste
se ramener un systme linaire ou bilinaire modulo une injection de sortie par un changement de coordonnes non linaire. Ces approches sappliquent sous des conditions restrictives
de linarisation ou de bi-linarisation, dautant plus que la robustesse aux perturbations et aux
incertitudes a t peu tudie. Rcemment, une nouvelle conception dobservateurs dtat a t
tablie (observateur de Luenberger gnralis (OLG)). Cette conception consiste ajouter lobservateur de Luenberger un deuxime gain dans la partie non linaire du systme. Cependant,
cette technique est applicable sur une classe rduite de systmes non linaires.
Objectifs du travail de thse
Les principaux objectifs de cette thse sont :
1. Dveloppement de nouvelles mthodes de synthse dobservateurs pour la classe des
systmes non linaires, notamment les systmes lipschitziens. Lobjectif est dtablir des
conditions de synthse non restrictives du point de vue de faisabilit par rapport des
rsultats existant dans la littrature.
2. Proposition de nouvelles structures dobservateurs en se basant sur celles dveloppes
rcemment dans la littrature. Le but est dtendre lapplicabilit des mthodes que nous
avons obtenues des classes plus larges de systmes dynamiques, savoir les systmes
non lipschitziens.
3. Recherche de nouvelles fonctions de Lyapunov qui permettent dobtenir des conditions de
synthse dobservateurs non contraignantes : gnralisation de la fonction de Lyapunov
quadratique standard en tenant compte de la non-linarit du systme tudi.
4. Application des mthodes obtenues la restitution dinformations utiles dans les systmes
de communications chaotiques : synchronisation et dcryptage dans les rseaux de tlcommunication.
Structure du mmoire
Aprs quelques rappels, sur les notions de stabilit et dobservabilit, indispensables et ncessaires la comprhension de ce manuscrit, le chapitre 1 prsente un tat de lart sur les diffrentes mthodes existantes concernant la conception dobservateurs pour les systmes non
linaires. Cinq mthodes ont t prsentes de faon non exhaustive, leur classification nest pas
unique.
Lune des contributions principales de notre travail de recherche, prsente dans le chapitre 2
de ce rapport de thse, rside dans lutilisation du Thorme des Accroissements Finis (DMVT :
2
Differential Mean Value Theorem, pour le sigle anglais) qui permet de ramener le problme destimation dtat dun systme dynamique non linaire un problme de stabilit dun systme
Linaire Paramtres Variant (LPV). En fait, le DMVT intervient au niveau de la dynamique de
lerreur destimation (qui dfinit un systme non linaire quelconque) afin de la transformer en
un systme LPV dont la stabilit asymptotique implique la convergence asymptotique de lerreur
destimation vers zro. En sinspirant des techniques LPV, des conditions de stabilit sous forme
dIngalits Linaires Matricielles (LMIs) ont t obtenues. Des gnralisations ont t obtenues
pour les systmes non diffrentiables, les systmes partiellement LPV et les systmes sorties
non linaires. Lutilisation de la thorie H nous a permis dadapter notre approche au cas des
systmes affects par un bruit born. Une conception dun observateur robuste a t dtaille
dans le manuscrit. Des conditions de synthse du gain de lobservateur, tenant compte de la
robustesse au bruit, ont t tablies. En utilisant quelques transformations, cette technique a t
ensuite tendue aux systmes entres inconnues, savoir lestimation de ltat et des entres
inconnues (simultanment) avec des conditions de synthse moins restrictives que celles dveloppes dans la littrature.
Une deuxime mthode a t galement prsente dans le chapitre 2 du manuscrit. Cette mthode repose sur lutilisation dune nouvelle structure de lobservateur, base sur un OLG. Cette
structure permet de complter les rsultats dvelopps dans la littrature dune part, et dautre
part, elle permet dtendre la mthode base sur la transformation en LPV une classe plus
large de systmes, savoir les systmes non lipschitziens.
Nous avons galement dvelopp des techniques spcifiques aux systmes non linaires lipschitziens temps discret. Les rsultats, dtaills dans le chapitre 3, que nous avons obtenus sont
trs intressants. En effet, cette classe de systmes est peu tudie par la communaut scientifique. Peu de mthodes ont t tablies dans la littrature. La contribution principale se situe
dans lutilisation de fonctions de Lyapunov plus gnrales qui ont permis dobtenir des conditions de synthse moins restrictives que celles obtenues antrieurement. Une amlioration de ce
rsultat a t ensuite propose. Cette amlioration repose sur lutilisation dun observateur de
Luenberger gnralis (OLG) et lcriture du systme tudi sous une forme plus dtaille, cest
dire, la spcification de la matrice de distribution de la non-linarit dans le systme, B, et la
matrice de distribution de ltat dans la non-linarit, H. En fait, linjection de ces matrices dans
le systme et lutilisation dun OLG permettent dliminer leffet de la constante de Lipschitz et
rendent les conditions de synthse moins contraignantes dans la plupart des cas. Il est signaler
galement que la spcification des matrices B et H joue un rle trs important sur la faisabilit
des conditions de synthse. En effet, labsence de la matrice H signifie que la mthode de synthse ne distingue pas un systme, dont la non-linarit dpend de ltat entier, dun autre dont
quune partie de ltat est prsente dans la non-linarit. La matrice H aussi permet daboutir
des conditions de synthse qui font la diffrence entre un systme dont toutes les composantes
comportent des non-linarits et un autre dont la non-linarit nintervient que sur quelques
composantes. Une application de cette mthode la restauration des entres inconnues a t
directement envisage. Notons quune extension directe, au cas des systmes temps discret,
de la technique de transformation en LPV, laide du DMVT, prsente dans le chapitre 2 a t
aussi aborde dans le chapitre 3.
Introduction gnrale
Les extensions des rsultats des chapitres 2 et 3, au cas des systmes retard, ont t prsentes dans le chapitre 4. Ces extensions ont t obtenues grce lutilisation dune fonction
de Lyapunov-Krasovskii particulire. Les conditions de synthse tablies sont exprimes sous
forme dingalits linaires matricielles (LMIs) non restrictives par rapport celles donnes par
beaucoup dapproches existantes dans la littrature.
Afin de valider certaines procdures de synthse dobservateurs dveloppes dans les chapitres 2
et 3, nous avons propos dans le chapitre 5 une application la synchronisation et au dcryptage dans les systmes de communications chaotiques. Pour cela, nous avons choisi comme application la transmission dimages couleurs. Pour raliser cette application, deux techniques ont
t utilises : la premire est la mthode deux lignes de transmission, et la seconde sinspire
des observateurs entres inconnues.
C HAPITRE
tat de lart sur les observateurs

dtat des systmes non linaires
Sommaire
1.1
1.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
Rappels et gnralits . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov .
1.2.2 Mthode directe de Lyapunov . . . . . . . . . . . . . . . . .
1.2.3 Stabilit des systmes retard . . . . . . . . . . . . . . . .
1.2.4 Analyse de la contraction . . . . . . . . . . . . . . . . . . .
1.3 Observateurs dtat des systmes non linaires . . . . . . .
1.3.1 Principe destimation dtat . . . . . . . . . . . . . . . . . .
1.3.2 Observabilit des systmes non linaires . . . . . . . . . . .
1.3.3 Les diffrents types dobservateurs : tat de lart . . . . . .
1.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
. . . . .
6
. . . . .
6
. . . . . .
6
. . . . . .
8
. . . . . .
9
. . . . . . 10
. . . . . 12
. . . . . . 12
. . . . . . 15
. . . . . . 17
. . . . . 28
Chapitre 1. tat de lart sur les observateurs dtat des systmes non linaires
1.1 Introduction
Le but de ce chapitre est de prsenter dune part quelques rappels indispensables et ncessaires
la comprhension de ce mmoire, et dautre part un tat de lart sur les diffrentes mthodes
de construction dobservateurs pour les systmes non linaires.
La section 1.2 regroupe un ensemble de dfinitions relatives la stabilit (le concept de stabilit considr est celui de Lyapunov) et lobservabilit des systmes dynamiques non linaires
(notion dobservabilit et principe destimation dtat). Contrairement aux systmes linaires,
lobservabilit des systmes non linaires est lie aux entres et aux conditions initiales. Nous
rappelons ici la dfinition base sur le concept dindistinguabilit des tats.
La section 1.3 fournit un tat de lart sur les diffrentes techniques de conception dobservateurs pour les systmes non linaires. Nous allons voir quil nexiste pas de mthode universelle
pour la synthse dobservateurs, et les approches envisageables sont soit une approximation des
algorithmes linaires, soit des algorithmes non linaires spcifiques. Nous prsentons quelques
algorithmes dobservation dune faon non exhaustive, leur classification nest pas unique.
1.2 Rappels et gnralits

1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov
Dans cette premire partie, nous rappelons quelques concepts sur la stabilit des systmes dynamiques. Les systmes temps continu, les systmes temps discret et les systmes retard
seront tous abords. La notion de stabilit dun systme dynamique caractrise le comportement
de ses trajectoires autour des points dquilibre. Lanalyse de la stabilit dun systme dynamique permet donc dtudier lvolution de sa trajectoire dtat lorsque ltat initial est proche
dun point dquilibre.
La stabilit au sens de Lyapunov est une thorie gnrale valable pour toute quation diffrentielle. Cette notion signifie que la solution dune quation diffrentielle initialise au voisinage
dun point dquilibre en reste suffisamment proche.
Cas des systmes temps continu
Considrons la classe des systmes non linaires dcrits par lquation dynamique :
x(t)
= f (x(t), t), x(t0 ) = x0
(1.1)
o x(t) Rn et f : Rn R+ Rn continue. Nous dsignons par xe un point dquilibre de (1.1)

tel que f (xe , t) = 0, t t0 , et par x(t, t0 , x0 ) la solution linstant t t0 du systme (1.1)
initialise en x0 linstant t0 .
Comme le contenu de ce mmoire ne concerne que la stabilit dune erreur destimation, alors
nous supposons que le systme (1.1) possde un unique point dquilibre xe = 0. Ceci nous
mne prsenter les dfinitions de la stabilit du systme (1.1) autour de lorigine.
1.2. Rappels et gnralits

Dfinition 1.2.1. (Stabilit) Lorigine est un point dquilibre stable au sens de Lyapunov pour (1.1)
si > 0, t0 0, il existe un scalaire positif (, t0 ) tel que :
kx0 k < (, t0 ) kx(t, t0 , x0 )k < , t t0 .
On dit que lorigine est instable dans le cas contraire.
Dfinition 1.2.2. (Stabilit uniforme) Lorigine est un point dquilibre uniformment stable
pour (1.1) si > 0, il existe un scalaire positif () tel que :
kx0 k < () kx(t, t0 , x0 )k < , t t0 .
Dfinition 1.2.3. (Attractivit) Lorigine est un point dquilibre attractif pour (1.1) si > 0, il
existe un scalaire positif (t0 ) tel que :
kx0 k < (t0 )
lim (x(t, t0 , x0 )) = 0, t t0 .
Lorsque (t0 ) = +, on dit que lorigine est globalement attractive.

Dfinition 1.2.4. (Stabilit asymptotique) Lorigine est un point dquilibre asymptotiquement
(resp. globalement asymptotiquement) stable pour (1.1) sil est stable et attractif (resp. globalement
attractif).
Dfinition 1.2.5. (Stabilit exponentielle) Lorigine est un point dquilibre localement exponentiellement stable pour (1.1) sil existe deux constantes strictement positives et telles que :
kx(t, t0 , x0 )k exp((t t0 )), t t0 , x0 Br .
Lorsque Br = Rn , on dit que lorigine est globalement exponentiellement stable.
Cas des systmes temps discret
Dans le cas des systmes temps discret, nous considrons le systme analogue suivant :
x(k + 1) = f (x(k), k), x(k0 ) = x0
(1.2)
o x(t) Rn et f : Rn R+ Rn continue. Nous dsignons par x(k, k0 , x0 ) la solution

linstant k k0 du systme (1.2) initialise en x0 linstant k0 .
Les dfinitions prcdentes restent valables pour les systmes temps discret de la forme (1.2).
Cependant, concernant la stabilit exponentielle, il convient dapporter la dfinition suivante :
Dfinition 1.2.6. (Stabilit exponentielle) Lorigine est un point dquilibre localement exponentiellement stable pour (1.2) sil existe des constantes > 0 et 0 < < 1 telles que :
kx(k, k0 , x0 )k kx0 k(kk0 ) , k k0 0, x0 Br .
Lorsque Br = Rn , on dit que lorigine est globalement exponentiellement stable.
Lutilisation des dfinitions prcdentes, pour dmontrer la stabilit de (1.1) (resp. (1.2)) autour
de son point dquilibre exige la rsolution explicite de lquation diffrentielle (1.1) (resp.
lquation aux diffrences (1.2)), ce qui est souvent trs difficile voir impossible dans la plupart
des cas. De ce fait, la mthode directe de Lyapunov permet de contourner cet obstacle. Cette
mthode consiste dfinir une fonction particulire dont lexistence garantit la stabilit.
1.2.2 Mthode directe de Lyapunov

La mthode directe de Lyapunov permet danalyser la stabilit dun systme autour de son point
dquilibre sans le rsoudre explicitement [100]. Lexistence dune fonction particulire fournit
des informations sur la stabilit du systme.
Dfinition 1.2.7. Soit V (x, t) : Rn R+ R+ une fonction continue. V est dite propre dfinie
positive si :
1. t R+ , x Rn , x 6= 0
V (x, t) > 0;
2. t R+ , V (x, t) = 0 x = 0;
3. t R+ , limkxk V (x, t) = .
Dfinition 1.2.8. (Fonction de Lyapunov) Une fonction V (x, t) de classe C 1 est une fonction de
Lyapunov locale (resp. globale) au sens large pour le systme (1.1) si elle est propre dfinie positive
et sil existe un voisinage de lorigine V0 tel que x V0 (resp. x Rn ) :
V (x, t)
V (x, t)
V (x, t) =
+(
)f (x(t), t) 0.
t
x
Si V (x, t) < 0, alors V est appele fonction de Lyapunov au sens strict pour (1.1).
Dfinition 1.2.9. (Mthode directe de Lyapunov) Si le systme (1.1) admet une fonction de
Lyapunov locale au sens large (resp. au sens strict) alors lorigine est un point dquilibre localement
stable (resp. asymptotiquement stable).
Ce rsultat peut tre valid globalement x Rn .
Dfinition 1.2.10. (Stabilit exponentielle) Lorigine de (1.1) est localement exponentiellement
stable sil existe des constantes , , > 0, p 0 et une fonction V (x, t) : V0 R+ R+ de classe
C 1 telles que, x V0 :
1. kxkp V (x, t) kxkp ;

2. V (x, t) < V (x, t).
Si V0 = Rn , alors lorigine de (1.1) est globalement exponentiellement stable.

Remarque 1.2.11. En choisissant la fonction de Lyapunov quadratique V (x, t) = xT P x, P =
P T > 0, le systme linaire x(t)
= Ax(t) est globalement exponentiellement stable lorigine si et

seulement si P est la solution de lquation AT P + P A = Q, pour une matrice Q dfinie positive.
Pour le cas des systmes temps discret, la mthode directe de Lyapunov est directement
transposable. Cependant, la notion de stabilit exponentielle dans le cas temps discret snonce
comme suit :
Dfinition 1.2.12. (Stabilit exponentielle) Lorigine de (1.2) est localement exponentiellement
stable sil existe une fonction propre dfinie positive V (xk , k) : Br R+ R+ , V (0, k) = 0, et des
constantes , et 0 < < 1 telles que, x0 Br et k k0 0 :
1. kxk k2 V (x, t) kxk k2 ;
2. La suite de Lyapunov {V (xk , k)}k=k0 ,... est strictement dcroissante, i.e :

V (xk , k) = V (xk+1 , k + 1) V (xk , k) V (xk , k)
o
xk+1 = x(k + 1, k0 , x0 ) = f (x(k + 1), k + 1).
Si Br = Rn , alors lorigine de (1.2) est globalement exponentiellement stable.
Remarque 1.2.13. En choisissant la fonction de Lyapunov quadratique V (xk , k) = xTk P xk , P =
P T > 0, le systme linaire xk+1 = Axk est globalement exponentiellement stable lorigine si et
seulement si P est la solution de lquation AT P A P = Q, pour une matrice Q dfinie positive.
1.2.3 Stabilit des systmes retard

Dans cette partie, nous prsentons uniquement la notion de stabilit exponentielle (concernant
les systmes temps continu) utilise dans ce manuscrit pour les systmes retard. Pour les
autres types de stabilit, veuillez voir [56].
Afin de simplifier la prsentation des dfinitions de stabilit des systmes retards, nous considrons la classe des systmes avec un seul retard dfinie par les quations suivantes :
(
x(t)
= f (xt (), t), t t0

(1.3)
xt0 () = (), [, 0]
o xt () C = C([, 0], Rn ) est ltat du systme linstant t + , x(t) est ltat du systme
linstant t, est la fonction initiale du systme (1.3).
Dfinition 1.2.14. (Stabilit exponentielle) Lorigine est un point dquilibre exponentiellement
stable pour (1.3) sil existe des constantes > 0 et > 0 telles que pour toute solution x(t, t0 , ),
C:
kx(t, t0 , )k exp((t t0 )), t t0 , C.
La constante est appele le taux de convergence.
Cette dfinition exige la connaissance explicite de la solution de (1.3), ce qui est souvent difficile
raliser. Ci-aprs, nous prsentons une dfinition particulire, au sens de Lyapunov, qui dcoule
du thorme de Lyapunov-Krasovskii [70].
Dfinition 1.2.15. (Stabilit exponentielle) Le systme (1.3) est exponentiellement stable lorigine sil existe des constantes > 0, > 0, , p > 0 et une fonction V (xt , t) : C R+ R+ telles
que :
1. kx(t)kp V (xt , t) kxt kp ;
2. V (xt , t) V (xt , t), xt Rn , t t0 .
Remarque 1.2.16. La thorie de la contraction est un outil rcent permettant ltude de la stabilit
des trajectoires des systmes non linaires. Cet outil appartient la classe des mthodes de stabilit
incrmentale. Nous disposons de quelques articles et livres qui reprennent en dtail toutes les dfinitions [76], [77], [107], [64].
Dans [63], la dfinition originale (classique) de la thorie de la contraction a t prolonge dans le
but dincorporer dune faon explicite lentre (la commande) du systme considr. Une telle prolongation est appele "contraction universelle". Dans la suite, on prsentera un peu plus en dtail
cette thorie.
1.2.4 Analyse de la contraction

On considre un systme dynamique sous la forme gnrale (1.1). En supposant que la nonlinarit f est continment diffrentiable, on aboutit la relation diffrentielle exacte suivante :
x =
f
(x, t)x
x
(1.4)
o x est le dplacement virtuel (un dplacement infinitsimal en fixant le temps [107]).

En drivant xT x par rapport au temps, on obtient
d
f
(xT x) = 2xT x = 2xT
x.
dt
x
Si max (x, t) est la valeur propre
maximale de la partie symtrique de la jacobienne
T
f
f
valeur propre de 12 x + x ), alors
d
(xT x) 2max xT x
dt
10
f
x
(i.e., la

et par consquent
Rt
kxk kx0 ke
max (x,s)ds
(1.5)
Supposons maintenant que max (x, t) est uniformment strictement ngative (i.e., > 0, x, t
0, max (x, t) < 0). Daprs lquation (1.5) tout dplacement infinitsimal converge exponentiellement vers zro. Do la dfinition suivante :
Dfinition 1.2.17. Etant donn le systme (1.1), une rgion de lespace dtat est appele "rgion
de contraction" si la jacobienne f
x est uniformment dfinie ngative dans cette rgion.
Par
f
x
uniformment dfinie ngative on sous-entend que

> 0, x, t 0,
1 f
f T
+
I < 0.
2 x x
Thorme 1.2.18. Toute trajectoire de (1.1), initialise dans une boule de rayon constant centre
autour dune trajectoire donne et contenue dans une rgion de contraction, reste dans cette boule
et converge exponentiellement vers cette trajectoire.
En outre, la convergence globale vers la trajectoire donne est assure si lespace dtat entier est une
rgion de contraction.
Ce rsultat suffisant de convergence exponentielle peut tre vu comme une version renforce du
thorme de Krasovskii classique sur la convergence asymptotique globale.
Le vecteur x peut tre galement exprim en utilisant le changement de coordonnes diffrentielles
z = x
(1.6)
avec (x, t) une matrice carre. Par consquent,
z T z = xT Mx
(1.7)
o M(x, t) = T reprsente une mtrique symtrique et continment diffrentiable. En calculant la dynamique de z (ou la dynamique virtuelle), on a
d
z = F z
dt
(1.8)
avec

+ f 1 .
F =
(1.9)
x
En suivant le mme raisonnement que le Thorme 1.2.18, la convergence exponentielle de z
(et donc de x) vers zro peut tre dtermine dans des rgions avec F uniformment dfinie
ngative.
Lquation (1.8) peut tre rcrite de faon quivalente, en fonction de la coordonne x, comme
suit :
f

d
x
T z = M
+ T
(1.10)
dt
x
11
et donc
f T

d
+ M f x.
(xT Mx) = xT
(1.11)
M+M
dt
x
x
Par consquent,on peut conclure la
convergence exponentielle vers une trajectoire simple dans
f T
f
M M, o M est une constante strictement positive.
des rgions o x M + M x + M
Ceci amne remplacer la dfinition 1.2.17 (qui correspond = M = I) par la dfinition plus
gnrale suivante :
Dfinition 1.2.19. Etant donn le systme (1.1), une rgion de lespace dtat est appele "rgion
T
de contraction" par rapport la mtrique
T uniformment
dfinie positive M(x, t) = , si F est
M M, dans cette rgion.
uniformment dfinie ngative ou f M + M f + M
x
On obtient ainsi le thorme plus gnral suivant :
Thorme 1.2.20. Toute trajectoire de (1.1), initialise dans une boule de rayon constant par
rapport la mtrique uniformment dfinie positive M(x, t) centre autour dune trajectoire donne
et contenue dans une rgion de contraction par rapport la mtrique uniformment dfinie positive
M(x, t), reste dans cette boule et converge exponentiellement vers cette trajectoire.
En outre, la convergence globale vers la trajectoire donne est assure si lespace dtat entier est une
rgion de contraction par rapport la mtrique uniformment dfinie positive M(x, t).
1.3 Observateurs dtat des systmes non linaires

Cette section consiste en une introduction au problme dobservation dtat des systmes non
linaires. Nous prsentons le principe destimation dtat, quelques dfinitions sur la notion
dobservabilit et un tat de lart sur les diffrentes techniques de conception dobservateurs
pour les systmes non linaires.
1.3.1 Principe destimation dtat

Un observateur consiste en un systme dynamique auxiliaire (O) dont les entres sont les entres/sorties mesures dun systme (S), et les sorties sont supposes donner une estimation de
sont tat, selon le schma dcrit sur la Figure 1.1.
Comme la suite de ce mmoire concerne les systmes temps continu et temps discret, nous
utilisons la notation unifie suivante pour dcrire un systme dynamique (S) :
o
x (t) =
12
x = f (x, u)
(1.12a)
y = h(x, u)
(1.12b)
x(t),
t R+ dans le cas temps continu

x(t + 1), t N dans le cas temps discret
1.3. Observateurs dtat des systmes non linaires
F IG. 1.1 Principe destimation dtat.
Dfinition 1.3.1. Le systme dynamique (O) dcrit par les quations

z = (z, u, y)
(1.13a)
x
= (z, u, y)
(1.13b)
z Rs , est un observateur asymptotique local pour le systme (S) si les deux conditions suivantes
sont vrifies :
1. x(0) = x
(0) x(t) = x
(t) t 0;
2. Il existe un voisinage ouvert Rn de lorigine tel que :
x(0) x
(0) kx(t) x
(t)k 0 quand t +.
Si kx(t) x
(t)k tend exponentiellement vers zro, le systme (O) est dit observateur exponentiel de
(S).
Lorsque = Rn , le systme (O) est dit observateur global de (S).
La condition 2 signifie que lerreur destimation doit tre asymptotiquement stable. Un systme
pour lequel un observateur de la forme (1.13) existe et tel que la condition 2 soit satisfaite est
dit dtectable.
Quant la condition 1, elle signifie que si lobservateur (O) et le systme (S) possdent tous les
deux le mme tat initial, alors ltat estim de (O) devrait tre gal ltat rel du systme (S)
tout instant.
Si ltat estim x
est gal z, alors (1.13) peut tre remplace par :
x = (
x, u, y)
(1.14)
13
La condition 1 peut tre exprime par
x
= x x = x
ce qui est quivalent
x
= x (
x, u, y) = f (
x, u).
Par consquent, sans perte de gnralit, (1.14) peut se rcrire comme suit :
x = f (
x, u) + (
x, u, y)
o
x
= x (
x, u, y) = 0.
(1.15)
Une fonction qui contient le facteur x x

satisfait (1.15), mais puisque x nest pas mesur, ceci
nest pas possible. Cependant, x
= x h(
x, u) = h(x, u) = y, donc nous pouvons prendre
une fonction de la forme :

(
x, u, y) = K(
x, u, y) y y
o y = h(
x, u).
Lobservateur peut donc sexprimer comme suit :

x, u) + K(
x, u, y) y y
x = f (
y = h(
x, u)
(1.16a)
(1.16b)
La plupart des structures dobservateurs proposes dans ce mmoire sont sous la forme (1.16).
Observateur dordre rduit

Pour les systmes sans couplage direct entre lentre et la sortie, i.e : y = h(x), il est possible de
trouver une transformation dtat de faon ce que les sorties forment une partie du nouveau
vecteur dtat. En supposant que la jacobienne de lapplication de sortie h(x)
x soit de plein rang
p, il est toujours possible de trouver une matrice constante T telle que la transformation
" #
"
#
Tx
= (x) =
y
h(x)
soit localement inversible (voir [103]). Le systme transform scrit :
= (, u, y)
y = (, u, y)
y = C[ y]T
o

(, u, y) = T f (x, u)
x=1 ([ y]T )
14

(, u, y) =
et

h(x, u)

f (x, u)
x
x=1 ([
y]T )
C = [0p(np) Ip ].
Lobservateur dordre rduit joue un rle important. En effet, puisque y est mesur, il nest pas
besoin dtre estim, ce qui rduit la dimension du vecteur dtat estim de n n p.
1.3.2 Observabilit des systmes non linaires

Avant dentamer une procdure de conception dobservateur pour un systme dynamique, il
est important et ncessaire de sassurer que ltat de ce dernier peut tre estim partir des
informations sur lentre et la sortie. Lobservabilit dun systme est la proprit qui permet de
dire si ltat peut tre dtermin uniquement partir de la connaissance des signaux dentre et
de sortie. Dans le cas des systmes non linaires, la notion dobservabilit est lie aux entres
et aux conditions initiales. Dans cette section, une dfinition plus prcise dobservabilit sera
donne dans le cas des systmes temps continu de la forme
(
x = f (x, u),
(1.17)
y = h(x, u)
avec f : Rn Rm Rn et h : Rn Rm Rp .
Dfinition 1.3.2. (Indistinguabilit) Soient yu0 (t), t 0 et yu1 (t), t 0 deux signaux de sortie
gnrs par lapplication du signal dentre u(t), t 0 au systme (1.17) avec les conditions initiales
x0 et x1 , respectivement. On dit que x0 et x1 sont indistinguables si
yu0 (t) = yu1 (t), t 0, pour tout entre u.
Dans le cas contraire, on dit que x0 et x1 sont distinguables.
Dfinition 1.3.3. (Observabilit) Le systme (1.17) est dit observable en x0 si x0 est distinguable
de tout x Rn . En outre, le systme (1.17) est observable si x0 Rn , x0 est distinguable.
Si nous supposons que u et y sont connus, les drives de u et y peuvent tre values. Dans ce
cas, le concept dobservabilit peut tre interprt de manire clair. Pour un systme SISO, nous
dfinissons
y = [y y y ... y (n1) ]T
et
u = [u u u
... u(n1) ]T .
Chaque drive y (i) est une fonction de x et u, u,
..., u(i) , et donc aussi une fonction de x et u si
i n 1.
Soit i une fonction dfinie par
y (i) = i (x, u ).
15
La drive de y (i) est alors donne par
y (i+1) =
h (x, u ) i
h (x, u ) i du
i
i
f (x, u) +
x
u
dt
ce qui est, par dfinition, i+1 (x, u ) si i + 1 n 1. En dfinissant loprateur linaire Mf par :
alors y scrit :

h (x, u ) i
h (x, u ) i du
Mf (x, u ) =
f (x, u) +
x
u
dt
y = (x, u ),
h(x,u)

Mf h (x, u)
(x, u ) =
..
.

h
(x,
u)
Mn1
f
(1.18)
est la matrice dobservabilit.

Si la matrice dobservabilit (1.18) est inversible, i.e : il existe 1 telle que
x = 1 (y , u )
alors le systme correspondant est observable. En outre, si la jacobienne de la matrice dobservabilit,
(x, u )
,
(x, u ) =
x
est inversible en x0 , alors il existe un voisinage Vx0 de x0 sur lequel est inversible. Dans ce
cas, le systme correspondant est localement observable, ce qui signifie que x0 est distinguable
de tous les points de Vx0 .
Pour les systmes multi-sorties, cest--dire y Rp , p > 1, la notion dobservabilit peut tre
investigue dune manire similaire.
Soit
N = [n1 n2 ... np ]T
i=p
X
un vecteur dentiers positifs, avec
ni = n.
i=1
Dfinissons
y = [y1 y2 ... yp ]T ,
et
h(x, u) = [h1 (x, u) h2 (x, u) ... hp (x, u)]T .
16

En posant
hj (x,u)

Mf hj (x, u)
j (x, u ) =
,
..
.

n 1
Mf j hj (x, u)
les drives de y j jusqu lordre nj sont
(nj ) T
[yj y j ... yj
] = j (x, u ).
La matrice dobservabilit pour les systmes multi-sorties est alors dfinie par :
1 (x, u )
2 (x, u )
.
N (x, u ) =
..
q (x, u )
Sil existe N tel que N (x, u ) soit inversible, alors ltat x peut tre dtermin partir de u , y, et
les drives de chaque yj jusqu lordre nj . De ce fait, le systme correspondant est observable.
Dans le domaine non linaire, il existe plusieurs faons de dfinir la notion dobservabilit.
En lien avec le concept dindistinguabilit des tats, une dfinition trs frquente a t tablie
dans [58]. Des rsultats importants ont t tablis dans [46] et [87] pour une classe spciale de
systmes affines en la commande. Pour plus de dtails sur les diffrents types de dfinitions sur
lobservabilit des systmes non linaires, nous renvoyons le lecteur [58], [102] [87] et [14].
Remarque 1.3.4. Le concept dobservabilit cit prcdemment peut tre tendu directement la
classe des systmes temps discret. Diffrents types de dfinitions ont t abords dans [85].
1.3.3 Les diffrents types dobservateurs : tat de lart

Initialement les systmes abords ont t les systmes linaires, pour lesquels les observateurs
de Kalman et Luenberger ont donn de bons rsultats. Le filtre de Kalman est utilis dans le cas
des systmes stochastiques en minimisant la matrice de covariance de lerreur destimation, et
lobservateur de Luenberger a t utilis pour les systmes linaires dterministes.
Dans le cas des systmes non linaires, lobservation dtat est un peu plus dlicate et il nexiste
pas, lheure actuelle, de mthode universelle pour la synthse dobservateurs. Les approches
envisageables sont soit une extension des algorithmes linaires, soit des algorithmes non linaires spcifiques. Dans le premier cas, lextension est base sur une linarisation du modle
autour dun point de fonctionnement. Pour le cas dalgorithmes non linaires spcifiques, les
nombreuses recherches menes sur ce sujet (voir [106], [81]) ont donn naissance de nombreux algorithmes dobservation. Nous prsenterons ces algorithmes dans la suite de ce chapitre.
1. Mthodes de transformations non linaires : Cette technique fait appel un changement
de coordonnes afin de transformer un systme non linaire en un systme linaire. Une
17
fois quune telle transformation est faite, lutilisation dun observateur de type Luenberger
suffira pour estimer ltat du systme transform, et donc ltat du systme original en
utilisant le changement de coordonnes inverse.
2. Observateurs tendus : Dans ce cas, le calcul du gain de lobservateur se fait partir du
modle linaris autour dun point de fonctionnement. Cest par exemple le cas du filtre
de Kalman tendu et lobservateur de Luenberger tendu.
3. Observateurs grand gain : Ce type dobservateurs est utilis en gnral pour les systmes
lipschitziens. Son nom est d au fait que le gain de lobservateur choisi est suffisamment
grand pour compenser la non-linarit du systme.
4. Observateurs de Luenberger gnraliss (OLG) : Cest un nouveau type dobservateurs qui a
t propos rcemment pour la classe des systmes monotones. Cette nouvelle conception
consiste ajouter lobservateur de Luenberger un deuxime gain lintrieur de la partie
non linaire du systme.
5. Observateurs bass sur la thorie de la contraction : Ce type dobservateurs, comme son
nom lindique, est bas sur la thorie de la contraction utilise comme outil danalyse de la
convergence. Cette technique mne de nouvelles conditions de synthse diffrentes de
celles fournies par les techniques prcdentes.
Ci-aprs, nous prsentons un peu plus en dtails ces cinq mthodes.
Mthodes de transformations non linaires
Cette technique consiste transformer, laide dun changement de coordonnes, un systme
non linaire en un systme linaire modulo une injection de sortie. Une fois quun tel changement de coordonnes est obtenu, lutilisation dun observateur de type Luenberger (corrig par
linjection de sortie) suffira pour estimer ltat du systme transform, et donc ltat du systme
non linaire original en utilisant le changement de coordonnes inverse.
Lun des premiers travaux raliss dans ce domaine est propos dans [71], o le systme autonome de la forme
x = f (x)
(1.19a)
y = h(x)
(1.19b)
est transform, par un changement de coordonnes non linaire z = (x), en un systme linaire sous la forme canonique observable suivante :
z = Ac z + (y)
(1.20a)
y = Cc z
(1.20b)
o Ac et Cc sont sous la forme duale de Brunovsky, i.e :

"
#
h
i
0n1 In1
T
Ac =
,
C
=
1
0
c
n1 .
0
0Tn1
18

Lobservateur de Luenberger correspondant (1.20) est donn par :
z = Ac z + (y) + K(y Cc z),
(1.21)
dont la dynamique de lerreur = z z est linaire et scrit :

= (Ac KCc ).
(1.22)
Le calcul du gain K se fait par un placement de ples.

Ce travail a t tendu dans [72] au cas des systmes sorties multiples et la transformation
non linaire a t gnralise comme suit :
z = (x),
(1.23)
v = (y).
(1.24)
o v est la transformation de la sortie y laide du changement de coordonnes non linaire

(.). Les conditions sous lesquelles une telle transformation existe ont t tablies. Cependant,
trois problmes sont lis cette approche :
1. La classe des systmes pour lesquels une telle transformation existe est trs restreinte ;
2. La procdure dobtention dune telle transformation est trs complique ;
3. Dans le cas des systmes avec entres (systmes commands), le systme transform
contient toutes les drives des entres.
Dans [66], le systme
x = f (x, u)
(1.25a)
y = h(x, u)
(1.25b)
a t considr. Dans ce cas, le systme transform sous forme canonique gnralise est dfini
par :
z = Ac z + (y, u )
(1.26a)
v = Cc z
(1.26b)
h
iT
o u = u u ... u(n) . La transformation non linaire utilise est
z = (x, u ),
v = (x, u ).
En supposant que les drives de lentre u sont disponibles, la structure de lobservateur suggr
est :
z = Ac z + (y, u ) + K(v v)
v = Cc z.
(1.27a)
(1.27b)
19
La dynamique de lerreur est donne par (1.22).
Dautres gnralisations aux systmes sorties multiples ont t proposes dans [112], [99]
et [59]. Un algorithme simplifi permettant de calculer la transformation convenable, pour le
cas des systmes autonomes, a t conu dans [92]. Des conditions ncessaires et suffisantes
dexistence de la transformation pour les systmes mono-sortie ont t donnes dans [51]. Ces
rsultats ont t gnraliss dans [93] aux systmes sorties multiples, et un algorithme de
calcul du changement de variables a t donn.
Une des raisons pour laquelle la classe des systmes qui peuvent tre transforms sous forme linaire observable est restreinte est due au fait que la sortie doit tre linaire comme dans (1.20b)
et (1.26b). Cette condition est relaxe dans [65] pour la classe des systmes autonomes monosortie. Lide est de transformer le systme(1.19), en utilisant le changement de variables z =
(x), en
z = Az + Ly
(1.28a)
y = (z)
(1.28b)
o (z) = h(x)|x=1 (z) . Lobservateur scrit :

z = A
z + Ly,
(1.29)
= A.
(1.30)
et la dynamique de lerreur = z z est
La transformation est choisie de faon obtenir une matrice A avec des proprits souhaitables.
Afin de surmonter la difficult dobtention de la transformation convenable, indpendamment
des travaux prcdents, une nouvelle approche a t prsente dans [16] pour la classe des
systmes non linaires autonomes et mono-sortie. Une mthode constructive base sur des techniques de synthse linaires a t propose. Les conditions ncessaires et suffisantes dexistence
de la forme canonique ont t nonces dans [73]. Plusieurs extensions de cette approche au cas
des systmes non linaires commands et multi-sorties sont donnes dans [118], [117] et [18].
Observateurs tendus
Il est possible dtendre quelques techniques linaires des systmes non linaires, ceci en calculant le gain de lobservateur partir du modle linaris autour dun point de fonctionnement.
Cest par exemple le cas du filtre de Kalman tendu et lobservateur de Luenberger tendu que
nous citons un peu plus en dtail dans la suite.
A) Filtre de Kalman Etendu (EKF)
Le filtre de Kalman tendu est lune des techniques destimation les plus populaires et largement tudies dans le domaine destimation dtat des systmes dynamiques non linaires. Ce
20

filtre tendu consiste utiliser les quations du filtre de Kalman standard au modle non linaire
linaris par la formule de Taylor au premier ordre.
Ce filtre tendu a t appliqu avec succs sur diffrents types de procds non linaires. Malheureusement, les preuves de stabilit et de convergence tablies dans le cas des systmes linaires, ne peuvent tre tendues de manire gnrale au cas des systmes non linaires. Dans
un environnement dterministe, une preuve de la convergence du filtre de Kalman tendu a
t tablie dans [24] et [23] pour la classe des systmes non linaires temps discret. Cependant, cette convergence nest que locale. Lanalyse de la convergence de cet estimateur reste,
lheure actuelle, un problme ouvert. Les nombreuses recherches qui ont t menes sur ce
sujet ont donn naissance de nombreuses publications et ouvrages [35], [55], [33], [32],
[101], [29], [25], [24], [7].
Avant dintroduire le fameux filtre de Kalman tendu, nous avons besoin de prsenter lestimateur de Kalman standard pour les systmes linaires temps variant (LTV).
Cas des systmes LTV temps continu : Pour le systme LTV de la forme
x = A(t)x + B(t)u + v1 (t)
(1.31a)
y = C(t)x + v2 (t)
(1.31b)
lestimateur de Kalman standard est donn par :

x
= A(t)
x + B(t)u + P C T (t)R1 (y C(t)
x)
(1.32)
o P est la solution symtrique et dfinie positive de lquation de Riccati suivante :

P = AP + P AT + Q P C T R1 CP.
(1.33)
Cas des systmes LTV temps discret : Pour le systme LTV de la forme
xk+1 = Ak xk + Bk uk + vk
(1.34a)
yk = Ck xk + wk
(1.34b)
lestimateur de Kalman standard est donn par :

x
k+1 = x
k+1/k + Kk+1 yk+1 Ck+1 x
k+1/k ;

1
1
1
T
Pk+1 = Pk+1/k
+ Ck+1
Rk+1
Ck+1
;

1
T
T
Kk+1 = Pk+1/k Ck+1
Ck+1 Pk+1/k Ck+1
+ Rk+1
(1.35a)
(1.35b)
(1.35c)
x
k+1/k = Ak x
k + Bk uk ;
Pk+1/k =
Ak Pk ATk
+ Qk ;
(1.36a)
(1.36b)
o P0 = In > 0. x
k+1 et x
k+1/k sont lestimation et la prdiction de ltat xk+1 . Les matrices
21
Pk+1 et Pk+1/k sont les covariances des erreurs destimation et de prdiction. Qk et Rk+1 sont
des matrices de pondration dpendant des variables stochastiques vk et wk .
Le filtre de Kalman tendu [61] est une extension directe du filtre de Kalman standard en
remplaant les matrices dtat et de sortie, A, C du systme linaire (1.31) ou (1.34) par les
jacobiennes des non-linarits du systme en question.
Considrons le systme non linaire suivant :
x = f (x, u) + v(t)
(1.37a)
y = h(x, u) + w(t)
(1.37b)
LEKF sexprime de la manire suivante :

x = f (
x, u) + P H(
x, u)R1 (y h(
x, u))
P = F (
x, u)P + P F (
x, u)T + Q P H(
x, u)T R1 H(
x, u)P
(1.38a)
(1.38b)
f
(
x, u);
x
h
H(
x, u) =
(
x, u).
x
Ce type destimateur a t utilis dans [64]. Dans le cas des systmes temps discret de la
forme :
F (
x, u) =
xk+1 = f (xk , uk ) + Gk vk
(1.39a)
yk = h(xk , uk ) + Dk wk
(1.39b)
k+1/k + Kk+1 ek+1

x
k+1 = x
(1.40)

Pk+1 = In Kk+1 Hk+1 Pk+1/k ;
(1.41a)
lEKF est donn par :

o
x
k+1/k = f (
xk , uk );
Kk+1
Pk+1/k = Fk Pk FkT + Qk ;

1
T
T
= Pk+1/k Hk+1
Hk+1 Pk+1/k Hk+1
+ Rk+1
;
ek+1 = yk+1 h(
xk+1/k , uk+1 );
f
Fk = F (
xk , uk ) =
(
xk , uk );
x
h
Hk = H(
xk , uk ) =
(
xk , uk )
x
(1.41b)
(1.41c)
(1.41d)
(1.41e)
(1.41f)
(1.41g)
o P0 = In > 0.
Il est courant (ceci na encore t dmontr) de choisir en pratique, pour loptimalit du filtre
de Kalman tendu, Qk et Rk+1 comme les matrices de covariance des bruits du systme et des
22

mesures, i.e :
T
Qk = Gk GTk , Rk+1 = Dk+1 Dk+1
.
Ce choix est valable sous certaines conditions [8]. Dans un contexte dterministe, la synthse
de Qk et Rk+1 joue un rle primordial dans lamlioration des performances du filtre de Kalman
tendu. Pour plus de dtails sur ce dernier point, nous invitons le lecteur consulter [41], [40],
[29], [97] et [98].
B) Observateur de Luenberger tendu
Lobservateur de Luenberger tendu intervient, soit au niveau du systme original avec un gain
constant, soit par le biais dun changement de coordonnes avec un gain dpendant de ltat
estimer. Dans le premier cas, un modle linaris est ncessaire, et le gain de lobservateur est
calcul par placement de ples. Ce type dobservateur ne peut tre utilis que lorsque lon est
sr que ltat restera au voisinage de ltat dquilibre. Pour cette raison, cette mthode nest
pas trs utilise, parce que son utilisation peut tre compromise par les instabilits qui peuvent
se rvler si lon sloigne du point de fonctionnement. Dans le deuxime cas, comme nous
lavons mentionn prcdemment, les mthodes de changement de coordonnes ne concernent
quune classe restreinte de systmes non linaires. En effet, beaucoup dapproches utilisant les
changements de coordonnes ncessitent lintgration dun ensemble dquations aux drives
partielles non linaires, ce qui est souvent trs dlicat raliser. De ce fait, lutilisation de solutions approches est envisageable.
Observateurs grand gain : Approche de Thau et ses gnralisations

Une mthode directe de conception dobservateur est dutiliser un retour de sortie linaire. Cette
approche, introduite initialement dans [105], sapplique sur la classe des systmes non linaires
scrivant sous la forme suivante :
x = Ax + (x, u)
(1.42a)
y = Cx
(1.42b)
o x Rn , u Rm et y Rp reprsentent respectivement les vecteurs dtat, des entres et des

sorties du systme. La paire (A, C) est dtectable et la non-linarit, satisfait la proprit de
Lipschitz par rapport x :
k(x, u) (
x, u)k kx x
k, x, x
Rn et u Rm
(1.43)
o est la constante de Lipschitz de la fonction .

Ce type dobservateurs est relativement classique en observation des systmes non linaires.
Son nom est d au fait que le gain de lobservateur choisi est suffisamment grand pour compenser la non linarit du systme.
23
Lobservateur de type Luenberger correspondant (1.42) est de la forme :
x
= A
x + (
x, u) + K(y C x
)
(1.44)
La dynamique de lerreur destimation = x x

est donne par lquation :
= (A KC) + (x, u) (
x, u)
(1.45)
Lobjectif est de dterminer sous quelles conditions le gain K peut garantir la stabilit de lerreur
destimation en zro.
La mthode de Thau [105] fournit une condition suffisante de stabilit asymptotique de lerreur
destimation (1.45). Le rsultat de cette mthode est donn par le thorme suivant :
Thorme 1.3.5. ([105]) Considrons le systme(1.42) et lobservateur(1.44). Si le gain dobservation K est choisi tel que
min (Q)
<
(1.46)
2max (P )
o min (S) et max (S) dsignent respectivement les valeurs propres minimale et maximale de la
matrice carre S, les matrices P = P T > 0 et Q = QT > 0 dsignent les solutions de lquation de
Lyapunov :
(A KC)T P + P (A KC) + Q = 0
(1.47)
alors lerreur destimation (1.45) est exponentiellement stable.
La preuve de ce thorme est base sur lutilisation de la fonction de Lyapunov standard
V = V () = T P .
Pour plus de dtails sur la preuve du Thorme 1.3.5, nous invitons le lecteur consulter [105].
Il a t dmontr dans [89] que le rapport
donc rduit choisir un gain K qui satisfait
<
min (Q)
2max (P )
est maximal si Q = In . Le problme est
1
2max (P )
(1.48)
o
(A KC)T P + P (A KC) = In .
Lapproche de Thau nest pas une mthode de synthse systmatique. Elle permet seulement de
vrifier la convergence de lobservateur (1.44), a posteriori. En effet, le choix des matrices P ,
Q et K qui satisfont lingalit (1.46) nest pas direct. Par exemple, le placement des valeurs
propres de (A KC) dans le demi-plan gauche nimplique pas que la condition (1.46) est satisfaite. Il nexiste aucune relation spcifique entre les valeurs propres de (A KC) et max (P ),
ceci a t prouv dans [95] par un simple exemple numrique.
Ce type dobservateurs a t largement tudi dans la littrature par de nombreux chercheurs
24

spcialistes dans le domaine de lobservation dtat. Une mthode constructive a t propose
par Raghavan dans [95], o une solution explicite et systmatique du choix du gain de lobservateur est tablie. Cette solution est illustre dans le thorme suivant :
Thorme 1.3.6. ([95]) Considrons le systme(1.42) et lobservateur(1.44). Sil existe > 0 tel
que lquation de Riccati

1
AP + P AT + P 2 In C T C P + In + In = 0
(1.49)
admette une solution P symtrique dfinie positive, alors le gain

K=
1
P CT
2
(1.50)
stabilise asymptotiquement la dynamique de lerreur destimation (1.45).

Cependant, cet algorithme nest pas efficace pour toutes les paires (A, C) observables et malheureusement ne donne pas dinformations sur les conditions que doit vrifier la matrice (A KC)
afin dassurer la stabilit de lerreur destimation. Nous avons vu que le placement des valeurs
propres de (A KC) dans le demi-plan gauche est certainement insuffisant.
Dans [116], lauteur a suggr une procdure de conception lie directement la matrice
(A KC). Dans cette procdure, le choix du gain K tel que
min (A KC) >
(1.51)
assure lingalit (1.48). Les valeurs singulires de (A KC) jouent, en effet, un rle sur la
convergence de lobservateur. Malheureusement, ce rsultat est en gnral incorrect. Ceci a t
dmontr par un contre exemple dans [96].
Linexactitude du rsultat prcdent est intuitivement comprhensible. En effet, les valeurs singulires dune matrice dterminent si cette matrice est proche dtre singulire. Une matrice
pourrait tre proche dtre singulire, mais ses valeurs propres restent proches de laxe imaginaire. Cette distinction a t clarifie aprs la nouvelle mthode propose dans [96]. En effet,
dans [96], Rajamani a tabli un nouveau rsultat permettant de corriger le prcdent. Ce rsultat est rsum dans le thorme suivant qui fournit des conditions ncessaires et suffisantes que
doit vrifier la matrice (A KC) afin de justifier la convergence de lobservateur.
Thorme 1.3.7. ([96]) Considrons le systme(1.42) et lobservateur(1.44), avec (A, C) observable et satisfait (1.43). Alors, lerreur destimation est asymptotiquement stable si le gain K
peut-tre choisi tel que (A KC) soit stable et

min min (A KC jIn ) >
(1.52)
0
o j est tel que j 2 = 1.

La dmonstration complte de ce thorme est donne en trois tapes dans [96].
25
Dautres mthodes de synthse dobservateurs ont t dveloppes spcialement pour la classe
des systmes uniformment observables [47], [20] et [19]. Ces mthodes utilisent un changement de variables pour se ramener un systme de la forme (1.42). Une fois le systme
transform, lutilisation dun observateur grand gain est systmatique. Ce type dobservateurs a t appliqu une classe de systmes biologiques et des procds biotechnologiques
dans [47], [45] et [15].
Observateurs de Luenberger Gnraliss (OLG)

Rcemment, une nouvelle conception dobservateurs a t propose dans [4], [6], [5], [3], [43]
et [44]. La classe des systmes concerns par cette nouvelle conception consiste ajouter
lobservateur de Luenberger un deuxime retour de sortie linaire lintrieur de la partie non
linaire du systme. Cette approche concerne les systmes dcrits par les quations suivantes :
x = Ax + G(Hx) + (y, u)
(1.53a)
y = Cx.
(1.53b)
Lobservateur dtat propos a la structure suivante :

x
= A
x + G H x
+ K(y C x
) + (y, u) + L(y C x
).
(1.54)
Des conditions de convergence de lobservateur (1.54) ont t tablies dans [4] et [5]. Ce rsultat concerne les systmes pour lesquels la fonction non linaire satisfait les hypothses
suivantes :
1. chaque composante i est une fonction scalaire variable scalaire, i.e :
i = i
j=n
X
j=1

Hij xj , i = 1, ..., r.
(1.55)
2. Toutes les composantes de sont des fonctions non dcroissantes, i.e :

0
i (v) i (w)
, v 6= w R.
vw
En utilisant (1.53) et (1.54), la dynamique de lerreur destimation = x x

scrit :

= (A LC) + G (v) (w)
(1.56)
(1.57)
v = Hx et w = H x
+ K(y C x
).
Ces conditions de convergence sont illustres dans le thorme suivant :
Thorme 1.3.8. Lerreur destimation (1.57) est exponentiellement stable lorigine sil existe une
26

matrice P = P T > 0, une constante > 0 et une matrice diagonal > 0 tel que lingalit
"
#
(A LC)T P + P (A LC) + In P G + (H KC)T
0
(1.58)
GT P + (H KC)
0
soit satisfaite.
Cette technique a t tendue dans [43] et [44] au cas des systmes monotones multi-variables.
Des conditions de convergence analogues ont t obtenues. De nouvelles conditions suffisantes
de synthse des gains K et L ont t proposes dans [6] pour une classe de systmes dont la
non-linarit est une fonction scalaire variable scalaire. Ce rsultat est plus gnral que le
prcdent, puisquil prend en compte les bornes du terme (v)(w)
quand elles existent, cest
vw
dire quand la non-linarit satisfait la condition
0
(v) (w)
b, v 6= w R.
vw
(1.59)
Dans ce cas, en exploitant la condition (1.59), les auteurs ont tabli le thorme suivant :
Thorme 1.3.9. Lobservateur dtat (1.54) converge exponentiellement sil existe une matrice
P = P T > 0, une constante > 0 et une matrice diagonal > 0 telles que lingalit
"
#
(A LC)T P + P (A LC) + In P G + (H KC)T
0
(1.60)
GT P + (H KC)
2b
soit satisfaite.
Cette dernire ingalit est moins restrictive que (1.58). En effet, dans (1.58) il est ncessaire
davoir P G + (H KC)T = 0 cause de la prsence dun zro sur la diagonale. Ceci rend
lingalit (1.58) contraignante. Cependant, dans (1.60), le zro sur la diagonale est remplac
par 2b , ce qui nimpose pas P G + (H KC)T dtre nul. Notons quen particulier, pour
b = +, nous retrouvons lingalit (1.58).
Observateurs bass sur la thorie de la contraction
Cette technique, nouvelle en observation dtat, a t introduite dans [76], [77], [78], [64],
[79] et [42]. Le principe de la mthode est le suivant :
Etant donn un systme non linaire de la forme :
x = f (x, t)
(1.61a)
y = h(x, t)
(1.61b)
lobservateur correspondant est lobservateur classique de Luenberger :

x
= f (
x, t) + L(y y)
y = h(
x, t)
(1.62a)
(1.62b)
27
Lobjectif est de dterminer la matrice L telle que le systme gnral suivant soit contractant :
X = f (X, t) + L(y h(X, t)).
(1.63)
En effet, si le systme (1.63) est contractant, alors, daprs le Thorme 1.2.20, les deux solutions particulires x et x
de (1.63) convergent exponentiellement lune vers lautre.
En utilisant la thorie de la contraction, le systme (1.63) est contractant si la valeur propre
maximale de la partie symtrique de la matrice suivante est ngative :
f
h
(X, t) L
(X, t).
X
X
De faon gnrale, le systme (1.63) est contractant sil existe une mtrique M(X, t) et une
constante positive M telles que

f
f
h T
h
L
M+M
L
+ M M M.
(1.64)
X
X
X
X
Dans le cas o M est constante, lingalit (1.64) devient

f
f
h T
h
L
M+M
L
M M.
X
X
X
X
(1.65)
En posant S = LT M dans (1.65), on obtient lingalit suivante :

f T
f
h T
h
M+M
S ST
+ M M 0.
X
X
X
X
(1.66)
Par consquent, si la condition (1.66) est soluble pour tout X Rn , alors le gain
L = M1 S T
rend le systme (1.63) contractant. De ce fait, les deux solutions x et x
de (1.63) convergent
exponentiellement lune vers lautre.
La thorie de la contraction a t applique plusieurs types dobservateurs tels que le filtre
de Kalman tendu [64] et les observateurs PD [76]. Pour plus de dtails, nous renvoyons le lecteur aux articles [76], [77], [78], [79] et [42]. Des conditions sous forme de LMI ont t tablies
dans [78] et une analogie avec les systmes LTV est galement propose dans [76] et [42]. Cette
thorie a t utilise aussi dans [13] comme outil danalyse de convergence dans le contexte de
la synchronisation des systmes de communications chaotiques.
1.4 Conclusion
Ce chapitre a t consacr dune part quelques rappels sur des concepts relatifs la stabilit (stabilit au sens de Lyapunov, thorie de la contraction) et lobservabilit (rappels sur
quelques dfinitions sur la notion dobservabilit et formulation du principe destimation dtat).
28
1.4. Conclusion
Dautre part, nous avons prsent un tat de lart qui regroupe la plupart des techniques de
conception dobservateurs pour les systmes non linaires temps discret et temps continu.
Pour cette classe gnrale de systmes, nous avons vu quil nexiste pas, lheure actuelle, de
mthode universelle pour la synthse dobservateurs. Les approches dveloppes ce jour sont
soit une approximation des algorithmes linaires (linarisation autour dun point de fonctionnement), soit des algorithmes non linaires spcifiques pour certaines classes de systmes.
29
30
C HAPITRE
Synthse dobservateurs dtat des

systmes temps continu
Sommaire
2.1
2.2
2.3
2.4
2.5
2.6
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
Approche base sur le DMVT : Transformation en LPV .
2.2.1 Prliminaires et formulation du problme . . . . . . . . . .
2.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . .
2.2.3 Observateur avec gain affine . . . . . . . . . . . . . . . . . .
2.2.4 Systmes sorties non linaires . . . . . . . . . . . . . . . .
2.2.5 Systmes non diffrentiables . . . . . . . . . . . . . . . . . .
Extension au filtrage H : observateur robuste . . . . . .
2.3.1 Synthse dobservateur H . . . . . . . . . . . . . . . . . .
Extension au cas des systmes entres inconnues . . . .
DMVT et Observateur de Luenberger Gnralis (OLG)
2.5.1 Position du problme . . . . . . . . . . . . . . . . . . . . . .
2.5.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . .
2.5.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . .
2.5.4 Cas des systmes entres inconnues . . . . . . . . . . . . .
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
. . . . . .
. . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . .
. . . . . . .
. . . . . .
. . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . .
32
32
32
35
38
39
41
45
46
48
51
52
53
56
58
59
Chapitre 2. Synthse dobservateurs dtat des systmes temps continu
2.1 Introduction
Dans ce chapitre, nous proposons deux mthodes de synthse dobservateurs. La premire consiste
transformer le problme destimation dtat dun systme non linaire un problme de stabilit dun systme Linaire Paramtres Variants (LPV). Lide est base sur lutilisation du
thorme des accroissements finis (the Differential Mean Value Theorem (DMVT) pour le sigle
anglais) qui permet de transformer la dynamique de lerreur destimation (qui dfinit un systme
non linaire quelconque) en un systme LPV. En se basant sur les techniques LPV [12], [11], des
conditions de stabilit sous forme de LMIs ont t obtenues. Des extensions ont t galement
tablies dans le cas des systmes sorties non linaires et une classe particulire de systmes
non diffrentiables. Une version de cette mthode, qui tient compte de la robustesse aux bruits
qui affectent la dynamique et la sortie du systme, a ensuite t labore. En utilisant quelques
transformations, nous avons pu gnraliser la mthode propose lestimation de ltat et des
entres inconnues (simultanment).
La deuxime mthode propose dans ce chapitre est base sur un observateur de Luenberger
gnralis (OLG). Cette technique fait intervenir le DMVT qui permet dtendre les travaux dvelopps dans [4] et [6] une classe plus large de systmes non linaires. Une nouvelle condition de synthse dobservateurs a t obtenue. Une extension, au cas des systmes entres
inconnues, est galement obtenue.
2.2 Approche base sur le DMVT : Transformation en LPV

Dans cette section nous prsentons une mthode de construction dobservateurs dtat pour
les systmes non linaires. La contribution principale rside dans lutilisation du thorme des
accroissements finis (DMVT). Ce dernier permet de ramener le problme destimation dtat dun
systme non linaire quelconque un problme de stabilit dun systme LPV.
2.2.1 Prliminaires et formulation du problme

Prliminaires
Avant dintroduire la classe des systmes non linaires concerne, nous avons besoin dnoncer
les deux thormes suivants :
Thorme 2.2.1. (Le DMVT pour des fonctions scalaires)
Soit : Rn R. Soit a, b Rn . Supposons que soit diffrentiable sur Co(a, b). Alors, il existe
une constante z Co(a, b), z 6= a, z 6= b tel que :
(a) (b) =
(z)(a b)
x
(2.1)
Dmonstration : La preuve de ce thorme est base sur le thorme des accroissements finis classique pour les fonctions scalaires variable scalaire qui lui mme dcoule du fameux
thorme de Rolle.
32
2.2. Approche base sur le DMVT : Transformation en LPV

Remarque 2.2.2. Le DMVT est incorrect dans le cas des fonctions vectorielles. Ceci veut dire quon
peut pas toujours trouver une seule constante z Co(a, b) telle que lquation (2.1) soit vrifie. En
effet, on peut construire facilement des contre-exemples.
Afin dobtenir une quation similaire (2.1), on peut imaginer lexistence de plusieurs constantes
zi Co(a, b) pour i = 1, ..., q o q est le nombre de composantes de la fonction non linaire en
question. Pour ceci, nous proposons de procder comme suit :
Soit

Es = es (i) | es (i) = (0, ..., 0, 1, 0, ..., 0)T , i = 1, ..., s.
la base canonique de Rs pour tout s 1. Considrons la fonction vectorielle

: Rn Rq .
Cette fonction peut toujours scrire sous la forme
(x) = [1 (x), ..., q (x)]T
o i : Rn R est la ime composante de .
Daprs la dfinition de Es , on peut crire
(x) =
q
X
eq (i)i (x).
i=1
En appliquant le Thorme 2.2.1 sur chaque fonction scalaire i et en utilisant le fait que
n
X
i
i
(.) =
eTn (j)
(.)
x
xj
j=1
on obtient le thorme suivant :

Thorme 2.2.3. (Le DMVT pour des fonctions vectorielles)
Soit : Rn Rq . Soit a, b Rn . Supposons que soit diffrentiable sur Co(a, b). Il existe alors des
constantes z1 , ..., zq Co(a, b), zi 6= a, zi 6= b pour i = 1, ..., q tel que :
(a) (b) =
q,n
X
i,j=1
i
eq (i)eTn (j)
(zi ) (a b)
xj
(2.2)
Formulation du problme
Considrons la classe des systmes non linaires dcrite par les quations suivantes :
x(t)
= Ax(t) + Bf (x(t), y(t), u(t))
(2.3a)
y(t) = Cx(t)
(2.3b)
33

o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de sortie. A, B et C sont des matrices constantes de dimensions appropries. La fonction
f (x, y, u) : Rn Rp Rm Rq est diffrentiable par rapport x. Supposons de plus que la
fonction f satisfasse lhypothse suivante :
Hypothse 2.2.4.
aij
fi
(x, y, u) bij , x, y, u
xj
(2.4)
pour tout i = 1, ..., q et j = 1, ..., n, avec aij et bij des constantes relles.
Lobservateur dtat correspondant (2.3) est de type Luenberger. Lquation dtat de cet observateur est donne par :
x
(t) = A
x(t) + Bf (
x(t), y(t), u(t)) + K(y(t) C x
(t))
(2.5)
o x
reprsente ltat estim de x.
Lobjectif principal est de dterminer la matrice K telle que lerreur destimation
(t) = x(t) x
(t)
(2.6)
converge asymptotiquement vers zro. La dynamique de lerreur est donne par lquation suivante :

(2.7)
(t)
= A KC (t) + Bft
o
ft = f (x(t), y(t), u(t)) f (

x(t), y(t), u(t)).
(2.8)
En appliquant le Thorme 2.2.3 sur la fonction x 7 f (x(t), y(t), u(t)), nous dduisons quil
existe des constantes zi (t) Co(x(t), x
(t)) pour tout i = 1, ..., q telles que :
q,n
X
fi
ft =
eq (i)eTn (j)
(zi (t), y(t), u(t)) (t).
xj
i,j=1
Pour des raisons de simplifications, nous introduisons les notations suivantes :

hij (t) =
fi
(zi (t), y(t), u(t))
xj
q
Hij
= eq (i)eTn (j) for 1 i q and 1 j n

h = h11 , ..., h1n , ..., hqn
A(h(t)) = A + B
34
q,n
X
i,j=1
q
hij (t)Hij
(2.9a)
(2.9b)
(2.9c)
(2.9d)

De ce fait, la dynamique de lerreur destimation se rcrit comme suit :

(t)
= A(h(t)) KC (t).
(2.10)
Lquation (2.10) dfinit un systme LPV.

Daprs lhypothse (2.2.4), le paramtre h(t) volue dans un domaine born Hq,n dont les 2qn
lments sont dfinis par lensemble
n
o
VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij }
(2.11)
2.2.2 Procdure de synthse dobservateur

En sinspirant des techniques LPV [12], [11], de nouvelles conditions suffisantes de convergence
de lobservateur propos sont obtenues. Ces conditions sont exprimes sous forme dingalits
linaires matricielles (LMIs).
Thorme 2.2.5. ( [124]) lerreur destimation (t) converge asymptotiquement vers zro sil
existe des matrices P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient
satisfaites :
(2.12)
AT ()P C T R + P A() RT C < 0, VHq,n .
Par consquent, le gain K sera donn par K = P 1 RT .
Dmonstration : Afin dtudier la convergence asymptotique de lerreur destimation, nous
considrons la fonction de Lyapunov quadratique suivante :
V (t) = V ((t)) = T (t)P (t)
o P est une matrice symtrique dfinie positive.
Lerreur destimation converge asymptotiquement vers zro si V (t) > 0 et V (t) < 0 pour tout
(t) 6= 0.
Nous avons
V (t) = T (t)F (h(t))(t)
o

T

F (h(t)) = A(h(t)) KC P + P A(h(t)) KC .
La condition V (t) > 0 est satisfaite car la matrice P est dfinie positive. La condition V (t) < 0
est vrifie si
F (h(t)) < 0 for all h(t) Hq,n .
Comme la fonction matricielle F est affine en h(t), en utilisant le principe de convexit [31],
nous dduisons que V (t) < 0 condition que :
F () < 0, VHq,n .
(2.13)
35

Si on utilise la notation R = LT P , on constate que la condition (2.13) est quivalente (2.12).
Lerreur destimation est donc asymptotiquement stable si les ingalits (2.12) sont satisfaites
avec P dfinie positive. Cette dernire condition permet linversion de P et par consquent le
calcul du gain K par P 1 RT .
Remarque 2.2.6. Il nest pas difficile dobtenir les bornes suprieures et infrieures des fonctions
fi
hij (.) dans le domaine Hq,n . En effet, pour beaucoup de systmes non linaires, les termes x
(.) sont
j
borns, ce qui permet de dduire directement et sans difficult les bornes aij et bij . Par exemple, pour
la plupart des systmes lipschitziens abords dans la littrature abondante, ces bornes apparaissent
aisment.
Exemple numrique
Pour montrer la performance de lapproche prcdente, on propose une application numrique.
Considrons un robot flexible [88] dont le modle dynamique est un systme non linaire quon
peut mettre sous la forme (2.3) avec les paramtres :

0
0
1
0
0
48.6 1.25 48.6 0
0

A=
, B = ,
0
0
0
0
1
1
19.5
0
19.5 0
h
i
C = 1 0 0 0 , f (x, y, u) = 3.33 sin(l ),
h
iT
x = m m l l
avec m la position angulaire du moteur, m la vitesse angulaire du moteur, l la position angulaire du bras et l la vitesse angulaire du bras.
Lapplication de lapproche propose nous donne :
h1j (t) = 0 pour tout j = 1, 2, 4;
h13 (t) = 3.33 cos(z3 (t)).
Lensemble des sommets VH1,4 peut tre rduit
VH1,4 = {3.33, +3.33},
et donc nous avons deux LMIs rsoudre afin de dduire le gain de lobservateur assurant la
convergence asymptotique de lerreur destimation vers zro.
Les LMIs (2.12) fournissent les solutions suivantes :
5.4786 0.2172 1.7595 0.1330

0.2172 0.0649 0.2061 0.0671
P =
,
1.7595 0.2061 3.4710 0.3989
0.1330
0.0671 0.3989 0.3164
36
4
0
Amplitude
Amplitude
3
2
1
10
0
1
0
2
3
t (Temps)
15
0
(a) Position angulaire du moteur et son estime.
Amplitude
Amplitude
2
3
t (Temps)
(b) Vitesse angulaire du moteur et son estime.
1
0
2
0
2
1
2
0
2
3
t (Temps)
4
0
(c) Position angulaire du bras et son estime.
2
3
t (Temps)
(d) Vitesse angulaire du bras et son estime.
F IG. 2.1 Convergence asymptotique de ltat (ligne continue) vers son estim (ligne pointille).
et donc
h
i
R = 14.2797 3.9211 11.1406 1.2633
12.5131
156.2855
L=
.
9.8934
21.9507
Les rsultats des simulations numriques sont illustrs sur la Figure 2.1.
Remarque 2.2.7. Dans la mthode prcdente, nous avons propos un observateur avec un gain
constant. Ceci est d au fait que les paramtres hij (t) sont inconnus cause des constantes zi (t) qui
dcoulent du thorme des accroissements finis. Il est connu dans la littrature que pour les systmes
LPV paramtres mesurables ou connus, on utilise toujours un observateur affine qui dpend de ces
paramtres, afin de rduire le conservatisme d au gain constant. Nous envisageons de proposer
dans la section suivante, un observateur avec un gain affine pour une classe particulire de systmes
non linaires qui regroupe la classe des systmes LPV.
37
2.2.3 Observateur avec gain affine

Nous allons montrer que sous une hypothse supplmentaire, nous pouvons utiliser un gain
affine. Lobjectif du gain affine est de rduire le conservatisme de lapproche propose, dans le
sens o les conditions de stabilit deviennent moins restrictives. Avant de prsenter lobservateur
correspondant au systme (2.3), nous introduisons une hypothse supplmentaire qui dfinit la
classe des systmes concerns.
Hypothse 2.2.8. Supposons quil existe un sous ensemble S {1, ..., q} {1, ..., n} tel que :
fi
(x, y, u) = gij (y, u) 6= 0, (i, j) S.
xj
(2.14)
fi
Cette hypothse signifie que x
(x, y, u) est indpendant de x pour tout (i, j) S. De plus, elle
j
nest pas restrictive. En effet, la classe des systmes satisfaisant la condition (2.14) inclue une
varit tendue de systmes chaotiques tels que le systme de Lorenz et le systme de Rssler
prsents dans [74]. En dehors de ces systmes, nous mentionnons que la condition (2.14) est
vrifie par la classe des systmes tudie dans [9].
Remarque 2.2.9. Lhypothse 2.2.8 ne signifie gure que la fonction f est totalement affine en x.
En effet, le sous ensemble S peut tre strictement inclus dans lensemble {1, ..., q} {1, ..., n}, i.e :
S ( {1, ..., q}{1, ..., n}. Pour clarifier cette remarque, on propose un exemple dune telle fonction :
Soit f : R2 R R 7 R2 une fonction dfinie par :
"
#
sin(x1 ) + yx2
.
f (x, y, u) =
cos(x1 )
Cette fonction nest pas affine en x cause des termes sin(x1 ) et cos(x1 ). Nous avons
donc S = {(1, 2)} ( {1, 2} {1, 2} = {(1, 1), (1, 2), (2, 1), (2, 2)}.
f1
x2
= y, et
Sous lhypothse 2.2.8, nous proposons lobservateur correspondant (2.3) dcrit par :

x
(t) = A
x(t) + Bf (
x(t), y(t), u(t)) + L y(t), u(t) y(t) C x
(t)
(2.15)
avec
L(y(t), u(t)) = L0 +
gij (y(t), u(t))Lij .
(i,j)S
Lobjectif principal consiste dterminer les matrices L0 et Lij pour tout (i, j) S de faon ce
que lerreur destimation
(t) = x(t) x
(t)
(2.16)
converge asymptotiquement vers zro.
La dynamique de lerreur scrit :

(t)
= A L(y(t), u(t))C (t) + Bft .
38
(2.17)

En utilisant (2.8) et les notations (2.9) de la section 2.2.1, lquation (2.17) se rcrit sous la
forme suivante :

(t)
= A(h(t)) L(y(t), u(t))C (t).
(2.18)
Dans ce cas, on a hij (t) = gij (y(t), u(t)) pour tout (i, j) S, et par consquent pour VHq,n ,
on a ij {g ij , gij } pour tout (i, j) S, avec

g ij = min gij (y(t), u(t)) ,
t

gij = max gij (y(t), u(t)) .
t
Thorme 2.2.10. Sous lhypothse 2.2.8, lerreur destimation (2.18) converge asymptotiquement
vers zro sil existe des matrices P = P T > 0, R0 et Rij , (i, j) S de dimensions appropries telles
que les LMIs suivantes soient solubles :

X
X
T
AT ()P C T R0 +
ij Rij + P A() R0T +
ij Rij
C<0
(i,j)S
(i,j)S
VHq,n . (2.19)
T pour tout
Par consquent, les gains L0 et Lij sont donns par L0 = P 1 R0T et Lij = P 1 Rij
(i, j) S.
Remarque 2.2.11. Lintroduction dun gain affine (une ide trs classique dans la littrature LPV)
dans le cas des systmes satisfaisant lhypothse 2.2.8 permet dobtenir des conditions de stabilit
moins contraignantes. Ceci signifie que les LMIs (2.19) sont moins restrictives que les LMIs (2.12).
En effet, il y a plus de degrs de libert dans (2.19) que dans (2.12).
2.2.4 Systmes sorties non linaires

Considrons une classe plus gnrale de systmes non linaires avec sorties non linaires :
x(t)
= Ax(t) + Bf (x(t), y(t), u(t))
(2.20a)
y(t) = g(x(t), u(t)).
(2.20b)
La fonction f satisfait (2.4) et g : Rn Rm 7 Rp vrifie lhypothse suivante :

Hypothse 2.2.12. Supposons que la fonction g satisfasse la condition suivante :
a
ij
gi
(x, u) bij , x, u
xj
(2.21)
pour tout i = 1, ..., p et j = 1, ..., n, avec a

ij et bij des constantes relles.
Lobservateur dtat que nous considrons est sous la forme suivante :

x
(t) = A
x(t) + Bf (
x(t), y(t), u(t)) + K y(t) g(
x(t), u(t))
(2.22)
39

La dynamique de lerreur destimation (t) = x(t) x
(t) scrit :
(t)
= A(t) + Bft Kgt
(2.23)
gt = g(x(t), u(t)) g(
x(t), u(t))
(2.24)
o
En appliquant le Thorme 2.2.3 sur la fonction x 7 g(x, u) nous dduisons quil existe des
vecteurs zi (t) Co(x(t), x
(t)) pour tout i = 1, ..., p tels que
p,n
X
p
gt =
ij (t)Hij
(t)
(2.25)
i,j=1
avec
ij (t) =
gi
p
(
zi (t), u(t)) et Hij
= ep (i)eTn (j).
xj
En utilisant (2.8), (2.9) et les notations

= 11 , ..., 1n , ..., pn
(2.26a)
G((t)) =
(2.26b)
p,n
X
p
ij (t)Hij
i,j=1
lquation (2.23) se rcrit sous forme dun systme LPV comme suit :

(t)
= A(h(t)) KG((t)) (t)
(2.27)
o h(t) et A(h(t) sont dfinis dans (2.9). Le problme destimation dtat devient donc un problme de stabilit du systme LPV dfini dans (2.27).
Comme dans la section 2.2.1, lhypothse 2.2.12 implique que le paramtre (t) volue dans un
domaine born Fp,n pour lequel lensemble des 2pn sommets est donn par :
n
o
aij , bij } .
WFp,n = = (11 , ..., 1n , ..., pn ) | ij {
En sinspirant des techniques LPV, on obtient, sous les hypothses 2.2.4 et 2.2.12, le thorme
suivant qui constitue les conditions de synthse de lobservateur propos. Ces conditions sont
exprimes sous forme de LMIs.
Thorme 2.2.13. Lerreur destimation (t) est asymptotiquement stable sil existe deux matrices
P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient solubles :
AT ()P G()T R + P A() RT G() < 0, VHq,n , WFp,n .
(2.28)
De ce fait, le gain K est donn par K = P 1 RT .

Dmonstration : Supposons, tout dabord, quil existe deux matrices P = P T > 0 et R telles
40

que les conditions (2.28) soient solubles. Faisons appel la fonction de Lyapunov suivante :
V (t) = V ((t)) = T (t)P (t).
Lerreur destimation converge asymptotiquement vers zro si V (t) > 0 et V (t) < 0. Puisque
la matrice P est dfinie positive alors la condition V (t) > 0 est satisfaite pour tout (t) 6= 0.
Cependant, il reste montrer que V (t) < 0 est satisfaite.
Aprs calcul, on obtient :
h
i
V (t) = T (t) A(h(t))T P G((t))T K T P + P A(h(t)) P KG((t)) (t).
En utilisant la notation R = K T P ,
h
i
V (t) = T (t) A(h(t))T P G((t))T R + P A(h(t)) RT G((t)) (t).
La condition V (t) < 0 est satisfaite si la fonction matricielle
(h(t), (t)) = A(h(t))T P G((t))T R + P A(h(t)) RT G((t))

est dfinie ngative pour tout h(t) Hq,n et pour tout (t) Fp,n . La fonction est convexe
en h et , puisquelle est affine en ces deux paramtres. Daprs le principe de convexit, est
dfinie ngative sur Hq,n Fp,n si elle est dfinie ngative sur VHq,n WFp,n , ce qui signifie que
(, ) < 0, VHq,n , WFp,n .
(2.29)
Comme les ingalits (2.29) sont quivalentes aux ingalits (2.28), on dduit que V (t) < 0
pour tout (t) 6= 0 et do la stabilit asymptotique de lerreur destimation.
Remarque 2.2.14. La mthode de transformation en LPV introduite dans ce chapitre ainsi que
lapproche base sur la thorie de la contraction sont conceptuellement trs proches mais diffrentes.
En effet, la premire est base sur le DMVT (version vectorielle) en utilisant la thorie classique
de Lyapunov comme outil danalyse de convergence. En revanche, la deuxime approche utilise la
thorie de la contraction base sur la notion de dplacement virtuel (dfinie dans le chapitre 1) qui
lui mme utilise implicitement le thorme des valeurs intermdiaires.
Remarque 2.2.15. Les rsultats prcdents ne peuvent tre appliqus aux systmes pour lesquels
la partie non linaire nest pas diffrentiable. Dans la section suivante, nous gnralisons cette
approche une classe particulire de systmes non linaires et non diffrentiables.
2.2.5 Systmes non diffrentiables

Introduction et prliminaires
Dans le cas des systmes non diffrentiables, le DMVT nest plus applicable, nous utilisons alors
une nouvelle manire pour transformer la dynamique de lerreur destimation en un systme
LPV. Ceci mne des conditions de stabilit identiques celles du Thorme 2.2.5.
41

Avant de formuler le problme et donner la classe des systmes concerne, nous introduisons
dabord les deux propositions suivantes :
Proposition 2.2.16. Considrons une fonction : R 7 R. Il existe toujours une fonction :
R R 7 R telle que :

(v) (w) = (v, w) v w , v, w R.
Dmonstration : Considrons la fonction dfinie par :
(
0
si
v=w
(v, w) =
(v)(w)
sinon v =
6 w
vw
(2.30)
(2.31)
Si v = w, on a (v) (w) = 0, do lgalit (2.30). Si v 6= w, nous pouvons toujours crire

(v) (w) =
(v) (w)
(v w),
vw
ce qui signifie que la fonction dfinie par (2.31) satisfait (2.30) pour tout v, w R.
Proposition 2.2.17. Soit : Rn 7 Rq une fonction telle que
1 (H1 x)
(x) =
.
.
q (Hq x)
(2.32)
o HiT Rn , pour tout i {1, ..., q}. Il existe q fonctions i : R R 7 R telles que :
(x) (z) =
i=q
X
i (vi , wi )Gi
i=1

x z , x, z Rn ,
(2.33)
o
vi = Hi x, wi = Hi z, Gi = eq (i)Hi ,
o eq (i) est un lment de la base canonique Eq de Rq .
Dmonstration : On sait quon peut toujours crire (x) sous la forme :
(x) =
i=q
X
eq (i)i (Hi x).
i=1
Donc
(x) (z) =
42
i=q
X
i=1

eq (i) i (Hi x) i (Hi z) .
(2.34)

Daprs la Proposition 2.2.16 et les notations (2.34), nous dduisons quil existe i : R R 7 R
tel que :
i (vi ) i (wi ) = i (vi , wi )(vi wi ).
Do
(x) (z) =
i=q
X
i (vi , wi )Gi
i=1

xz .
Formulation du problme
Considrons la classe des systmes non linaires dcrite par les quations dynamiques suivantes :
x(t)
= Ax(t) + Bf (x(t), y(t), u(t))
(2.35a)
y(t) = Cx(t)
(2.35b)
o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur de

sortie. A, B et C sont des matrices constantes de dimensions appropries. Lapplication f : Rn
Rp Rm 7 Rq possde la forme particulire suivante :
f1 (H1 x(t), y(t), u(t))
f (x(t), y(t), u(t)) =

.
.
fq (Hq x(t), y(t), u(t))
(2.36)
avec HiT Rn pour tout i {1, ..., q}.

Hypothse 2.2.18. Supposons que les fonctions fi satisfassent la proprit de Lipschitz
|fi (v, y, u) fi (w, y, u)| i |v w|, v, w R
(2.37)
pour tout u(t) Rm et y(t) Rp .

Lobservateur dtat correspondant que nous considrons ici est le suivant :
x
(t) = A
x(t) + Bf (
x(t), y(t), u(t)) + K(y(t) C x
(t))
(2.38)
Le problme destimation dtat consiste trouver une matrice K qui stabilise la dynamique de
lerreur destimation
(t) = x(t) x
(t)
(2.39)
La dynamique de lerreur scrit :
(t)
= (A KC)(t) + Bft
(2.40)
43

avec
ft = f (x(t), y(t), u(t)) f (
x(t), y(t), u(t))
(2.41)
En appliquant la Proposition 2.2.17 sur la fonction x 7 f (x, y, u), on obtient

ft =
i=q
X
i=1

i,y,u (Hi x(t), Hi x
(t))Gi (t)
(2.42)
o les fonctions i,y,u sont donnes par la Proposition 2.2.16 et sont sous la forme (2.31).
Daprs (2.31) et la proprit de Lipschitz (2.37), on a

(t)) i
(2.43)
En posant
i (t) = i,y,u (Hi x(t), Hi x

(t))

(t) = 1 (t), ..., q (t)
(2.44b)
A((t)) = A +
(2.44c)
i=q
X
i (t)BGi
(2.44a)
i=1
la dynamique de lerreur destimation se rcrit sous la forme :

(t)
= A((t)) KC (t)
(2.45)
qui dfinit un systme LPV.

Selon (2.43), le paramtre (t) volue dans un domaine born Hq de 2q sommets dfinis par
lensemble :

VHq = = (1 , ..., q ) | i {i , i }
(2.46)
Les conditions suffisantes pour que lerreur destimation soit asymptotiquement stable autour de
lorigine sont prsentes dans le thorme suivant :
Thorme 2.2.19. ( [122]) Lerreur destimation (t) converge asymptotiquement vers zro sil
existe deux matrices P = P T > 0 et R de dimensions appropries telles que les LMIs (2.47) soient
solubles :
AT ()P C T R + P A() RT C < 0, VHq .
(2.47)
Le gain K sera donn par K = P 1 RT .
Remarque 2.2.20. Les LMIs (2.47) sont identiques aux LMIs (2.12). En revanche, nous avons
montr que le rsultat de la section 2.2.2 peut tre tendu une classe particulire de systmes non
linaires et non diffrentiables.
Remarque 2.2.21. De la mme manire que la section 2.2.4, nous pouvons tendre ce rsultat
des systmes avec sorties non linaires. Les conditions de stabilit seront toujours les mmes. Nous
pouvons aussi considrer un gain affine sous rserve dune condition supplmentaire du type (2.14).
44
2.3. Extension au filtrage H : observateur robuste

La condition quivalente (2.14) dans le cas des systmes non diffrentiables est :
S {1, ..., q} tel que i,y,u = gi (y, u) 6= 0, i S.
(2.48)
Le gain affine scrit donc :

L(y(t), u(t)) = L0 +
gi (y(t), u(t))Li .
iS
Exemple numrique
Considrons le systme chaotique de Chua dcrit par les paramtres suivants :

(1 + b)
0

A=
1
1 1 , B = 0 ,
0

0
et

1
f (x(t), y(t), u(t)) = (a b) |x1 + E| |x1 E| .
2
h
i
La matrice de sortie du systme est C = 1 0 0 .
La constante de Lipschitz de la fonction non diffrentiable f est 1 = |a b|.
Avec lapproche propose, on a
h
i
G1 = H1 = 1 0 0 .
Pour les valeurs numriques suivantes :
= 75, = 31.25, = 3.125,

a = 2.40, b = 0.98, E = 1,
les LMIs (2.19) fournissent le gain :
h
iT
K = 555.98 98.65 573.81 .
Les simulations numriques sont illustres dans la Figure 2.2.
2.3 Extension au filtrage H : observateur robuste

Dans cette section, nous proposons une extension des rsultats de la section prcdente au cas
des systmes comportant des bruits dans la dynamique et la sortie du systme. Pour simplifier
45
10
Amplitude
2
20
0
10
20
2
10
0
x2
0
2
10
4
6
8
10
0
x1
(a) Attracteur chaotique de Chua.
0.5
1
t (Temps)
1.5
(b) Erreur destimation.
F IG. 2.2 Le comportement asymptotique de lerreur destimation.

la prsentation, nous considrons les systmes dcrits par :
x = Ax + Bf (x, y, u) + W1
(2.49a)
y = Cx + W2
(2.49b)
o W1 et W2 sont des matrices constantes de dimensions appropries et Ls2 le vecteur des

perturbations born.
Le fait dintroduire le mme bruit dans la dynamique du systme et sur la sortie y ninduit
aucune restriction. En effet, la dimension du vecteur Rs est quelconque et les matrices
W1 et W2 peuvent tre diffrentes et de dimensions appropries. Il est par consquent inutile
dintroduire un autre vecteur de perturbation diffrent de . Si on remplace dans la dynamique
du systme le terme W1 par Ev1 et W2 par Dv2 sur la sortie, alors on peut toujours se ramener
au systme (2.49) en posant W1 = [E 0], W2 = [0 D] et = [v1T v2T ]T .
2.3.1 Synthse dobservateur H

Lobjectif est de reconstruire ltat x du systme (2.49) avec une certaine prcision malgr la
prsence du bruit . Cette prcision sera dtermine de faon optimale. Sa valeur dpend des
paramtres du systme en question. Lobservateur propos est prsent comme suit :

x
= A
x + Bf (
x, y, u) + K y C x
(2.50)
Problme de conception dobservateur H robuste :
tant donn le systme (2.49) et lobservateur (2.50), le problme de conception dobservateur
H robuste revient dterminer la matrice K telle que les conditions suivantes soient vrifies :
lim (t) = 0 pour (t) = 0
(2.51)
k(t)kL2 k(t)kL2 pour (t) 6= 0 et (0) = 0.
(2.52)
o = x x
reprsente lerreur destimation et un scalaire positif dterminer.
Afin de satisfaire les conditions (2.51) et (2.52), il suffit de faire appel la thorie de Lyapunov.
46
2.3. Extension au filtrage H : observateur robuste

Il sagit de trouver une fonction de Lyapunov V telle que
V + T 2 T < 0
(2.53)
Lexpression de la dynamique de lerreur scrit, aprs transformation en LPV laide du DMVT,

comme suit :

= A(h(t)) KC + W1 KW2 .
(2.54)
o A(.) et h(.) ont t dfinis dans (2.9). Sous lhypothse (2.2.4) (h(.) born), lanalyse de la
stabilit a donn lieu au thorme suivant :
Thorme 2.3.1. ( [123]) Le problme H , dfini par (2.51)-(2.52), li au systme (2.49) et

lobservateur (2.50) est soluble sil existe un scalaire positif et deux matrices P = P T > 0 et R de
dimensions appropries, solutions du problme doptimisation convexe suivant :

qn
Min ( = 2 ) sous contrainte Block-Diag (1 ), (2 ), ..., (2 ) < 0, j VHq,n . (2.55)
avec
"
AT (j )P C T R + P A(j ) RT C + In
( ) =
()
j
#
P W1 R T W2
,
2 Is
(2.56)
o VHq,n est dfini dans (2.2.1).

Une fois que (2.55) est rsolu, le gain K sera donn par K = P 1 RT .
Dmonstration : Il suffit de trouver une fonction de Lyapunov V telle que lingalit (2.53) soit
vrifie. La fonction de Lyapunov candidate est
V = T P .
Aprs calcul de la drive de V , on obtient
# " #

" #T "
M
P,
K,
h(t)
P
W
KW
1
2
V + T 2 T =
.
()
2 Is
avec

T

M P, K, h(t) = A(h(t)) KC P + P A(h(t)) KC + In .
En effectuant le changement de variable R = K T P , on dduit que
" #T
" #
V + T 2 T =
(h(t))
"
#
A(h(t))T P C T R + P A(h(t)) RT C + In P W1 RT W2
(h(t)) =
()
2 Is
Comme la matrice A(.) est convexe en h(.), (.) lest aussi, et daprs le principe de convexit,
47

lingalit (2.53) est vrifie si la matrice () est dfinie ngative pour tout VHq,n , ce qui
est quivalent

qn
Block-Diag (1 ), (2 ), ..., (2 ) < 0, j VHq,n .
(2.57)
Lobtention dune meilleure prcision revient minimiser le niveau de performance sous la
contrainte (2.57), ce qui mne au problme doptimisation convexe (2.55).
2.4 Extension au cas des systmes entres inconnues

Lobjectif de cette section est de gnraliser lapproche base sur le DMVT au cas des systmes
entres inconnues. Le problme considr ici concerne lestimation simultane de ltat et des entres inconnues. La gnralisation propose permet damliorer lapproche propose dans [28]
en terme de faisabilit des conditions de synthse. En effet, les conditions tablies dans [28]
semblent ne pas tre directes cause du choix a priori dune certaine matrice stable qui permet
de linariser les conditions de convergence. En revanche, la mthode propose dans cette section fournit directement des conditions de synthse sous forme de LMIs.
On considre la classe de systmes dynamiques dont le modle est le suivant :
(
x = Ax + Bu + f (x, u, y)
(2.58)
y = Cx + Du
o u Rm est le vecteur des entres inconnues estimer simultanment avec ltat x Rn du
systme. La fonction non linaire f (x, u, y) : Rn Rm Rp 7 Rn est diffrentiable par rapport
x et u. La matrice D est de plein rang colonne.
Afin de dfinir la classe des systmes concerns, nous avons besoin dintroduire lhypothse
suivante :
Hypothse 2.4.1. Supposons que la fonction f (., ., .) satisfasse la condition suivante :
ij
o
fi
(, y) ij , Rn+m , y Rp , i = 1, ..., n; j = 1, ..., n + m
j
(2.59)
" #
x
=
.
u
Notons que cette hypothse nest pas restrictive. En effet, elle est satisfaite pour la plupart des
systmes chaotiques. Dautre part, cette hypothse peut tre considre comme une reformulation de la condition de Lipschitz. Cette reformulation permet daboutir des conditions de
synthse moins restrictives que celles obtenues, en utilisant directement la proprit de Lipschitz avec des majorations de types ingalits de Cauchy-Schwartz et les ingalits de Young.
48
2.4. Extension au cas des systmes entres inconnues

Afin de simplifier la prsentation, nous prservons les mmes notations que [28].
h
i
E = In 0
h
i
M= A B
h
i
H= C D .
Puisque D est de plein rang colonne, alors la matrice
Posons prsent
h
Q =
(2.60a)
(2.60b)
(2.60c)
" #T " #!1

E
E
existe.
H
H
" #T " #!1 " #T

E
E
E
H
H
H
(2.61)
avec P et Q sont des matrices relles de dimensions respectives (n + m) n et (n + m) p.

Nous dduisons de (2.61) que
P E + QH = In+m .
(2.62)
La structure de lobservateur dtat que nous considrons ici est de la forme suivante :

(
z = N z + Ly + P f z + Qy, y
= z + Qy
(2.63)
o dnote lestim de .
Lobjectif est de trouver des conditions qui permettent de synthtiser les matrices N et L telles
que converge asymptotiquement vers , ce qui mne estimer simultanment ltat du systme (2.58) et lentre inconnue u.
Considrons, maintenant, le vecteur derreur
= .
Compte tenu du fait que y = H, nous obtenons :

= z + QH In+m .
(2.64)
(2.65)
De mme, daprs (2.58), lquation de lerreur devient

= z P E.
Aprs quelques transformations, la dynamique de lerreur scrit :

= N + N + F H P M + P f
avec

y f , y
f = f ,
(2.66)
(2.67)
(2.68)
49

et
F = L N Q.
(2.69)
N = PM FH
(2.70)

= P M F H + P f.
(2.71)
Si nous prenons
alors la dynamique de lerreur devient
En utilisant le DMVT [124], nous transformons le systme (2.71) en un systme LPV. Par cons pour tout i = 1, ..., n, tels que :
quent, daprs le Thorme 2.2.3 (le DMVT), i Co(, )
n,n+m
X
f
i
f =
Hij
(i , y) .
(2.72)
j
i,j=1
Hij = en (i)eTn (j), i, j = 1, ..., n + m.

En utilisant les notations
ij (t) =
fi
(i , y)
j

(t) = 11 (t), ..., 1n (t), 21 (t), ..., n(n+m) (t)
M((t)) = P M +
n,n+m
X
ij (j , y)P Hij ,
(2.73a)
(2.73b)
(2.73c)
i,j=1
lquation de lerreur devient un systme LPV qui scrit :

= M((t)) F H .
(2.74)
Le but est de dterminer la matrice F telle que lerreur (t) converge asymptotiquement vers
zro.
Lhypothse 2.4.1 implique que le paramtre (t) volue dans un domaine born Hn,m dont les
2n(n+m) sommets sont dfinis par lensemble :

VHn,m = = 11 , ..., n(n+m) | ij {ij , ij }
(2.75)
o

ij = max ij (t) et ij = min ij (t) .
t
A ce stade, nous nonons un thorme qui fournit les conditions de synthse des matrices N et
L de lobservateur (2.63).
Thorme 2.4.2. ( [120]) Lerreur (t) converge asymptotiquement vers zro sil existe des ma50
2.5. DMVT et Observateur de Luenberger Gnralis (OLG)

trices S = S T > 0 et R de dimensions appropries telles que les LMIs suivantes soient solubles :
MT ()S H T R + SM() RT H < 0, VHn .
(2.76)
Aprs rsolution de ces LMIs, les matrices F , N et L sont donnes par :

F = S 1 RT
(2.77)
N = PM FH
(2.78)
L = F + NQ
(2.79)
Dmonstration : La preuve de ce thorme est identique celle du Thorme (2.2.5). Il suffit

de remplacer dans ce dernier les matrices A(.), C, P par M(.), H, S respectivement.
Remarque 2.4.3. En terme de comparaison avec le rsultat prsent dans [28], nous citons les
avantages suivants :
1. La mthode propose est systmatique. En effet, les gains N et L de lobservateur sont donns
directement par les LMIs proposes (2.76).
2. Analytiquement, nous pouvons montrer que les conditions (2.76) sont moins contraignantes
que celles donnes dans [28]. En effet, avec lapproche propose ici, on a lquivalence entre
les conditions (2.76) et V () < 0, 6= 0.
2.5 DMVT et Observateur de Luenberger Gnralis (OLG)

Rcemment, une nouvelle conception dobservateurs pour une classe de systmes non linaires a
t prsente dans [4] et [44]. Cette conception consiste ajouter lobservateur de Luenberger
un deuxime gain dans la partie non linaire du systme. La condition de stabilit exprime en
terme de LMI nest pas restrictive. La technique est applique une classe de systmes dont la
non-linarit est monotone et multi-variables. Le seul inconvnient est la prsence dun lment
nul sur la diagonale de la LMI obtenue. En effet, cet lment impose un certain terme dpendant des variables dtre nul, ce qui est souvent difficile satisfaire. Cet obstacle a t surmont
dans [6]. En revanche, ceci ne concerne quune classe restreinte de systmes pour lesquels la
non-linarit est une fonction scalaire variable scalaire.
Dans cette section, en faisant intervenir le DMVT, nous avons pu amliorer les travaux concernant cette nouvelle technique. La mthode propose ici traite la non-linarit du systme composante par composante et exploite les bornes des lments de la jacobienne quand elles existent.
51
2.5.1 Position du problme

Considrons la classe des systmes non linaires suivante :
x = Ax + Bf (x, y, u)
(2.80a)
y = Cx
(2.80b)
o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur

de sortie. A, B et C sont des matrices constantes de dimensions appropries. La fonction f est
diffrentiable par rapport x et scrit sous la forme gnrale suivante :
f1 (H1 x, y, u)
f (x, y, u) =
.
.
fq (Hq x, y, u)
(2.81)
avec Hi Rsi n pour tout i {1, ..., q}. Sans perte de gnralit, nous supposons que la matrice
B est de plein rang colonne et que fi 6= fj pour tout i 6= j.
On introduit lhypothse suivante :
Hypothse 2.5.1. Supposons que les fonctions fi , i = 1, ..., q, satisfont la double ingalit ci-aprs :
aij
fi i
(v , y, u) bij , v i Rsi , y Rp , u Rm
vji
(2.82)
o
v i = Hi x.
Remarque 2.5.2. Sans perte de gnralit, nous supposons que aij = 0 pour tout i = 1, ..., q et j =
1, ..., s, o s = max (si ). En effet, sil existe deux sous ensembles S1 {1, ..., q} et S2 {1, ..., s}
1iq
tels que aij 6= 0 pour tout (i, j) S1 S2 , alors nous pourrons considrer une nouvelle fonction
f(x, y, u) = f (x, y, u)
(i,j)S1 S2

aij Hij Hi x
avec
Hij = eq (i)eTsi (j).
La fonction f satisfait (2.82) avec a
ij = 0 et bij = bij aij . Dans ce cas, nous crirons alors (2.80)
comme suit :
+ B f(x, y, u)
x = Ax
avec
A = A + B
(i,j)S1 S2
52
aij Hij Hi .
Lobservateur dtat que nous proposons ici a la structure suivante :

x
= A
x + B f(
x, y, u) + L(y C x
)

x, y, u) = fi Hi x
+ Ki (y C x
), y, u
fi (
(2.83a)
(2.83b)
o fi reprsente la ime composante de f.

Le but principal est de trouver les matrices L Rnp et Ki Rsi p pour i = 1, ..., q, telles que
lerreur destimation
=xx
(2.84)
soit asymptotiquement stable.
La dynamique de lerreur (2.84) est donne par :

= (A LC) + B f (x, y, u) f(
x, y, u)
(2.85)
En utilisant le DMVT (voir Thorme 2.2.3) nous dduisons quil existe zi Co(v i , wi ) pour tout
i = 1, ..., q tels que :
i=q j=s
X
Xi
f (x, y, u) f (
x, y, u) =
hij (t)Hij i
(2.86)
i=1 j=1
o
i = (Hi Ki C)
eq (i)eTsi (j)
(2.87a)
Hij =
fi
hij (t) = i (zi (t), y, u)
vj
(2.87b)
v i = Hi x, wi = Hi x
+ Ki (y C x
)
(2.87d)
v w = (Hi Ki C).
(2.87c)
(2.87e)
En utilisant les notations (2.87a), (2.87b), (2.87c), (2.87d), (2.87e), la dynamique de lerreur
destimation (2.85) devient :
i=q j=s

X
Xi
= A LC + B
hij (t)Hij i .
(2.88)
i=1 j=1
2.5.2 Synthse dobservateur

Nous prsentons la mthode de synthse des gains de lobservateur assurant la convergence
exponentielle de lerreur destimation vers zro. Lanalyse de la stabilit est tudie en utilisant
la thorie de Lyapunov qui permet dobtenir des conditions exprimes sous forme de LMIs.
Thorme 2.5.3. ( [125]) Lerreur destimation (2.84) converge exponentiellement vers zro sil
existe un scalaire positif et des matrices P = P T > 0, R, Ki , i = 1, ..., q de dimensions appropries
53

tels que lingalit linaire matricielle suivante soit satisfaite :
M(P, R, ) N1 (P, K1 ) Nsq (P, Kq )
()
11 Is1
0
0
..
..
.
.
()
0
()
()
(2.89a)
qsq Isq
M(P, R, ) = AT P + P A C T R RT C + In
T
Nj (P, Ki ) = P BHij + (Hi Ki C)

2
ij =
.
bij
(2.89b)
(2.89c)
(2.89d)
(2.89e)
Le gain L est alors donn par L = P 1 RT et les gains Ki sont des solutions libres de la LMI (2.89a).
Dmonstration : Considrons la fonction de Lyapunov quadratique candidate

V = T P .
La drive de V scrit :
i=q j=s
h
i
X
Xi
V = T (A LC)T P + P (A LC) + 2T P B
hij (t)Hij i
i=1 j=1
Daprs (2.82) nous savons que

1
1
pour tout i = 1, ..., q et j = 1, ..., si .

hij (t)
bij
Alors
(hij (t)i )T (hij (t)i )(
ce qui implique
Ti (hij (t)i )
1
1
)0
hij (t) bij
1
(hij (t)i )T (hij (t)i ) 0.
bij
En posant
ij = hij (t)i ,
nous obtenons lingalit
i=q j=s
X
Xi
1 T
Ti ij
ij 0.
bij ij
(2.90)
i=1 j=1
Donc, daprs (2.90) nous avons

V V + 2
54
i=q j=s
X
Xi
1 T
Ti ij
ij
bij ij
i=1 j=1
(2.91)

En utilisant (2.87a), lingalit (2.91) est quivalente
h
V + kk T
2
avec
et
" #
(2.92)
M(P, R, ) N1 (P, K1 ) Nsq (P, Kq )
()
11 Is1
0
M=
..
..
.
.
()
0
()
() qsq Isq
= [11 , ..., 1s1 , 21 , ..., qsq ]T .

Puisque (2.89a) implique M 0 alors
V kk2 .
(2.93)
Daprs (2.93) et le fait que

min (P )kk2 V max (P )kk2 ,
on dduit que
k(t)k k(0)ket
avec
=
(2.94)
max (P )
, =
.
min (P )
2max (P )
Lingalit (2.94) signifie que lerreur destimation converge exponentiellement vers zro. Ceci
complte la preuve du Thorme 2.5.3.
Remarque 2.5.4. Dans lingalit (2.82) on peut avoir bij = +. Dans ce cas, lingalit (2.89a)
est satisfaite si P BHij +(Hi Ki C)T = 0. Cependant, pour tout i {1, ..., q} fixe, pour que (2.89a)
soit vrifie il est ncessaire davoir un seul indice j pour lequel bij = +. En effet, considrons deux
indices j1 et j2 tels que bij1 = bij2 = +. Ceci signifie que :
P BHij1 + (Hi Ki C)T = 0
P BHij2 + (Hi Ki C)T = 0
ce qui implique que P B(Hij1 Hij2 ) = 0. En utilisant la dfinition des Hij , nous dduisons que
cette dernire galit est satisfaite si et seulement si la ime colonne de la matrice B est nulle, ce qui
contredit le fait que B est de plein rang colonne.
55
2.5.3 Exemple numrique

Afin de valider les performances de la mthode propose, nous prsentons un exemple numrique pour lequel les mthodes dveloppes dans [4], [6], [5], [3], [43], [44] et [124] ne sont
pas applicables cause de la non faisabilit des conditions de synthse. Lexemple est choisi de
faon avoir un terme bij = +. Notons que la plupart des approches dveloppes dans la
littrature ne peuvent pas traiter cet exemple. En effet, le systme propos nest ni lipschitzien
ni tat born. Il comporte deux composantes non linaires, la premire est monotone, et la
seconde lispchitzienne. Ce systme scrit sous la forme (2.80) avec les paramtres suivants :
0 1 0
0 0
h
i
A = 0 1 1 , B = 1 0 , C = 1 0 0 ,
0 1 1
0 1
"
#
1 0 0
H1 = 1 1 0 , H2 =
,
0 0 1
h
1
f1 (H1 x, y, u) = (x1 x2 )3 ,
3
f2 (H2 x, y, u) = 0.1 sin(x1 ) sin(x3 ).
En utilisant lapproche propose, on obtient :
0 h11 (t) +,
0.1 h21 (t) 0.1,
H11
0.1 h22 (t) 0.1,

" #
"
#
"
#
0 0
1
0 0
=
, H21 =
et H22
.
0 1
0
1 0
Daprs la Remarque 2.5.2, nous devons rsoudre la LMI (2.89a) avec

A = A + a21 BH21 H2 + a22 BH22 H2 ,
et
b21 = b21 a21 , b22 = b22 a22 .
Aprs la rsolution de la LMI (2.89a), nous avons les gains suivants :
10 2 1
h
iT
P = 2 1
0 , L = 3 8 4 ,
1 0
1
h
iT
K1 = 1, K2 = 0.49 0.54 .
Comme b11 = +, nous devons avoir P BH11 + (H1 K1 C)T = 0, ce qui est bien le cas.
56

En effet,
P BH11

2
2

T
= 1 et (H1 K1 C) = 1 = P BH11 .
0
0
2000
0.2
1500
Amplitude
Amplitude
Le comportement asymptotique de lerreur et de ltat du systme est reprsent la Figure 2.3.
1000
500
0
0
0.2
0.4
4
t (Temps)
0.6
0
(a) La composante x1 de ltat du

systme.
4
t (Temps)
(b) La convergence de (x1 x

1 ).
2000
1
0.5
Amplitude
Amplitude
1500
1000
0
0.5
1
500
1.5
0
0
4
t (Temps)
2
0
(c) La composante x2 de ltat du

systme.
4
t (Temps)
(d) La convergence de (x2 x

2 ).
1000
0.6
0.4
800
Amplitude
Amplitude
0.2
600
400
0
0.2
0.4
200
0
0
0.6
2
4
t (Temps)
(e) La composante x3 de ltat du

systme.
0.8
0
4
t (Temps)
(f) La convergence de (x3 x

3 ).
F IG. 2.3 Example 1 : Comportement asymptotique de lerreur et de ltat du systme.
57
2.5.4 Cas des systmes entres inconnues

Comme dans la section 2.4, cette mthode utilisant un observateur de type Luenberger gnralis, peut facilement tre gnralise au cas des systmes entres inconnues.
Pour viter les rptitions, nous reprenons le mme modle de systmes (2.58) et les mmes
notations (2.60)-(2.61) que la section 2.4. La fonction f (x, u, y) peut toujours tre mise sous la
forme :
f1 (H1 x, F1 u, y)
(2.95)
f (x, u, y) =
.
, Hi Rsi n , Fi Rri m .
.
fn (Hn x, Fn u, y)
Lobservateur propos scrit :

z = N z + Ly + P f ,

f ,
y = fi v i , y , i = 1, ..., n
i

i =H
+
K
v
y
i
i

= z + Qy
o
i =
H
"
(2.96)
#
0si m
.
Fi
Hi
0ri n
En utilisant les mmes transformations (2.64)-(2.70), on obtient la dynamique de lerreur :

= P M F H + P f
(2.97)
avec
y).
f = f (, y) f(,
En outre, lutilisation du DMVT permet dcrire f sous la forme :
f =
i=n j=s
i +ri
X
X
i=1
ij
hij (t)H
i
(2.98)
j=1
o
i Ki H)
i = (H
ij = en (i)eT
H
(j)
(si +ri )
ij (t) = fi (zi (t), y)

h
vji
i , wi = H
i + Ki (y H x
vi = H
)
i
i + Ki (y H x
w =H
)
zi (t) Co(v i , wi ).
58
(2.99a)
(2.99b)
(2.99c)
(2.99d)
(2.99e)
(2.99f)
2.6. Conclusion
La dynamique de lerreur destimation (2.97) devient :
i=n j=s
i +ri

X
X
ij (t)H
ij
= P M F H + P
h
i .
i=1
(2.100)
j=1
Comme dans la section 2.5.1, nous supposons, sans perte de gnralit, que les fonctions hij (.)
sont positives bornes, i.e :
(2.101)
0 hij (t) bij .
La synthse des gains N, L et Ki , i = 1, ..., n, est assure par le thorme suivant :
Thorme 2.5.5. Lerreur destimation converge exponentiellement vers zro sil existe un scalaire
positif et des matrices S = S T > 0, R, Ki , i = 1, ..., n de dimensions appropries tels que
lingalit linaire matricielle suivante soit satisfaite :
Nsn +rn (S, Kn )

M(S, R, ) N1 (S, K1 )
()
11 Is1 +r1 0
(2.102a)
..
..
.
.
()
0
()
() n(sn +rn ) Isn +rn
(2.102b)
M(S, R, ) = (P M )T S + S(P M ) H T R RT H + In+m

ij + (H
i Ki H)T
Nj (S, Ki ) = SP H
ij =
2
.
bij
(2.102c)
(2.102d)
(2.102e)
Les gains Ki sont donns directement en rsolvant la LMI (2.102a). Les matrices F , N et L sont
calculs par :
F = S 1 RT ,
N = PM FH
et
L = F + N Q.
2.6 Conclusion
Dans ce chapitre, nous avons prsent deux mthodes de synthse dobservateurs dtat des systmes non linaires. La premire utilise le DMVT pour ramener le problme destimation dtat
dun systme dynamique non linaire un problme de stabilit dun systme LPV. En effet, le
DMVT intervient au niveau de la dynamique de lerreur destimation, afin de la transformer en
un systme LPV dont la stabilit asymptotique implique la convergence asymptotique de lerreur
destimation vers zro. Des conditions de stabilit sous forme de LMIs ont t obtenues.
Lutilisation du thorme des accroissements finis au problme dobservation dtat des systmes
59

dynamiques non linaires est une technique possdant deux avantages. Premirement, elle permet damliorer les approches dveloppes dans la littrature dans le sens o les conditions de
convergence sont moins contraignantes et faciles rsoudre numriquement vu quelles sexpriment sous forme de LMIs. Deuximement, cette technique peut tre applique une classe
large de systmes non linaires, tels que les systmes lipschitziens et les systmes chaotiques.
La deuxime mthode dveloppe dans ce chapitre est base sur un observateur de type Luenberger gnralis combin avec le DMVT. Cette combinaison permet damliorer les travaux
dvelopps dans la littrature [4], [6], [5], [3], [43], [44]. Une nouvelle condition de synthse
dobservateur moins contraignante a t obtenue. En effet, la non-linarit du systme est traite dune faon dtaille (composante par composante) et les bornes de certains lments de la
jacobienne, quand elles existent, ont t exploites. Lavantage de cette deuxime mthode par
rapport la premire (transformation en LPV) se trouve dans le fait quelle est applicable des
fi
systmes de type (2.3) o x(.) et x
(.) ne sont pas borns.
j
60
C HAPITRE
Synthse dobservateurs dtat des

systmes temps discret
Sommaire
3.1
3.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Synthse dobservateurs temps discret : premire approche . . . .
3.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2 Synthse de lobservateur . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov .
3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.5 Extension la restauration dentres inconnues . . . . . . . . . . . . . .
3.3 Transformation en LPV laide du DMVT : seconde approche . . .
3.3.1 Formulation du Problme . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.2 Mthode de synthse dobservateur . . . . . . . . . . . . . . . . . . . . .
3.3.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
62
62
62
63
65
69
73
75
75
77
77
79
Chapitre 3. Synthse dobservateurs dtat des systmes temps discret
3.1 Introduction
Malgr lintret donn, durant ces dernires dcennies, au problme dobservation dtat des
systmes non linaires, peu dattention a t prte aux systmes temps discret. On ne trouve
dans la littrature quun nombre rduit de mthodes destines ltude de cette classe de systmes. Lune dentre elles consiste en lutilisation du filtre de Kalman tendu (EKF) [23], [98],
[27]. Dans un contexte dterministe, lEKF est lune des techniques destimation les plus utilises, et il sadresse une large classe de systmes. Cependant, il est connu que la stabilit de cet
estimateur nest garantie que localement.
Notons que la plupart des approches concernant la classe des systmes lipschitziens temps
continu ne peuvent tre transposes directement au cas des systmes temps discret. En effet,
dans la variation de la fonction de Lyapunov, il apparat un terme additif (positif) empchant de
complter la procdure de synthse.
Dans ce chapitre, nous abordons le problme de synthse dobservateurs dtat des systmes
non linaires lipschitziens temps discret. Deux approches sont proposes : la premire utilise
la condition de Lipschitz conjointement avec lingalit classique de Lyapunov. Deux extensions
sont tablies. La premire fait appel de nouvelles fonctions de Lyapunov et la deuxime exige
une nouvelle conception de lobservateur, savoir un observateur de Luenberger gnralis
(OLG). La seconde approche, base sur le DMVT, est une extension directe de celle dveloppe
dans le chapitre 2. Elle permet de rduire le problme destimation dtat dun systme non
linaire un problme de stabilit dun systme LPV.
3.2 Synthse dobservateurs temps discret : premire approche

3.2.1 Position du problme
Considrons lensemble des systmes non linaires suivant :
x(k + 1) = Ax(k) + f (x(k), y(k))
(3.1a)
y(k) = Cx(k)
(3.1b)
o x Rn est le vecteur dtat du systme et y Rp le vecteur de sortie. A et C sont des matrices

constantes de dimensions appropries. f (x, y) : Rn Rp 7 Rn est une application non linaire
lipschitzienne par rapport x, cest--dire :
kf (x1 , y) f (x2 , y)k kx1 x2 k
(3.2)
pour tout x1 , x2 Rn et > 0 indpendant de y.

Lobservateur dtat correspondant au systme (3.1) est de type Luenberger et il scrit de la
manire suivante :
x
(k + 1) = A
x(k) + f (
x(k), y(k)) + L(y(k) C x
(k))
(3.3)
o x
(k) est ltat estim de x(k).
En dfinissant lerreur destimation par (k) = x(k) x
(k) et en utilisant (3.1) et (3.3), la
62
3.2. Synthse dobservateurs temps discret : premire approche

dynamique de lerreur destimation est dcrite par :
(k + 1) = (A LC)(k) + fk
(3.4)
o
fk = f (x(k), y(k)) f (
x(k), y(k)).
Le problme de la synthse de lobservateur (3.3) revient dterminer le gain constant L, assurant la convergence asymptotique de lerreur destimation vers zro.
3.2.2 Synthse de lobservateur

Comme nous lavons mentionn plus haut, le problme principal dans le cas des systmes
temps discret est la prsence dun terme additif positif qui apparat au niveau de la variation de
la fonction de Lyapunov. Pour viter cet obstacle, nous avons utilis un nouvel artifice de calcul
en rcrivant la proprit de Lipschitz autrement. Ceci mne au thorme suivant :
Thorme 3.2.1. ( [10]) Lerreur destimation converge asymptotiquement vers lorigine sil existe
deux matrices P = P T > 0 et R de dimensions appropries et un scalaire positif tel que la LMI
suivante soit satisfaite :
P + 2 In AT P C T R AT P C T R
(3.5)
()
P In
0
<0
()
()
P
et alors le gain L est donn par L = P 1 RT .
Dmonstration : Nous allons montrer que sous la condition (3.5) lerreur destimation converge
asymptotiquement vers lorigine.
Considrons la fonction de Lyapunov quadratique suivante :
V ((k)) = (k)T P (k).
Alors, la variation de la fonction de Lyapunov est :

V = (k)T (A LC)T P (A LC) P (k) + 2(k)T (A LC)T P fk + fkT P fk .
V = V ((k + 1)) V ((k)).

La fonction de Lyapunov propose garantit la stabilit asymptotique de lerreur destimation si
V ((k)) > 0 pour tout (k) 6= 0
V < 0 pour toutes les trajectoires possibles de (3.4).
La condition V ((k)) > 0 est satisfaite car la matrice P est dfinie positive. Donc, il reste
montrer que V < 0.
63

Nous avons
h
V = (k)T
o
fkT
"
#
(k)
fk
"
(A LC)T P (A LC) P
=
P (A LC)
(3.6)
#
(A LC)T P
.
P
Dautre part, daprs la condition de Lipschitz (3.2), nous dduisons que

fkT fk 2 (k)T (k)
h
= (k)T
"
#"
#
i 2 I
(k)
0
n
0.
fkT
fk
0
In
(3.7)
Comme le scalaire est ngatif ou nul alors

h
V V = (k)T
fkT
i
"
# "
#
2 In 0 (k)
0
In
fk
Explicitement, nous avons

"
# "
#
(A LC)T P (A LC) P + 2 In (A LC)T P
2 In 0
=
=
.
0
In
P (A LC)
P In
Do en utilisant le complment de Schur et la notation P L = RT , lingalit < 0 est quivalente (3.5), ce qui signifie que V < 0 et donc lerreur destimation converge asymptotiquement vers zro.
Exemple numrique
Afin de tester notre solution, nous proposons lexemple numrique dfini par les paramtres
suivants :
"
#
h
i
1
T
, C= 1 0
A=
0 1 + aT
et
h
iT
f (x(k), y(k)) = 0 ay(k)2 x2 (k) y(k)3 + b cos(ck) ,
o a = 0.2, b = 5.8 et c = 3.
Notons que cet exemple est le modle discret du systme de Van Der Pol obtenu par la mthode
de discrtisation dEuler avec un pas de discrtisation T = 0.01 seconde. La constante de Lipschitz de f est = 0.01. La LMI (3.5) du Thorme 3.2.1 nous permet de calculer le gain de
lobservateur suivant :
h
iT
L = 1.0649 6.3407 .
64

La figure 3.1(b) montre la convergence asymptotique de lerreur destimation vers zro. Le diagramme de phase du systme de Van Der Pol est illustr sur la figure 3.1(a).
6
4
Amplitude
x2
2
0
2
2
4
4
0
x1
(a) Diagramme de phase du systme de Van Der

Pol.
4
0
50
100
k (Temps)
150
200
(b) Convergence asymptotique de x x

.
F IG. 3.1 Example 2 : Le comportement asymptotique de lerreur destimation.
Remarque 3.2.2. La condition de synthse dobservateur prsente dans le Thorme 3.2.1 est
obtenue par injection de la condition de Lipschitz dans lingalit de stabilit de Lyapunov classique.
Remarque 3.2.3. Si la condition LMI du Thorme 3.2.1 est satisfaite, alors les blocs (1, 1) et (2, 2)
de (3.5) seront dfinis ngatifs. Ceci signifie que
2 In < P < In ,
ce qui implique que < 1. Cette condition ncessaire rduit lapplicabilit du Thorme 3.2.1 une
classe particulire de systmes lipschitziens avec une constante de Lipschitz infrieure 1. Cest le
cas de la classe des systmes ayant une partie non linaire appele fonction contractante.
Dans la suite de cette section, nous proposons deux amliorations du rsultat prcdent. La premire utilise de nouvelles fonctions de Lyapunov tandis que la deuxime ncessite une nouvelle
conception de lobservateur, savoir un observateur de Luenberger gnralis.
3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov

Grce deux nouvelles fonctions de Lyapunov, nous prsentons deux thormes qui fournissent
des conditions de synthse dobservateur moins restrictives que celles imposes dans le Thorme 3.2.1.
Thorme 3.2.4. ([121]) Lerreur destimation converge asymptotiquement vers lorigine sil existe
des scalaires > 0, > 0, R et des matrices P = P T > 0, Q = QT et R de dimensions
65

appropries tel que les ingalits suivantes soient satisfaites :
P + Q + (1 + ) 2 I < 0
1+ P 1+
Q AT P C T R AT P C T R
T
P I
0
<0
PA R C
T
0
P
PA R C
(3.8a)
(3.8b)
Quand les ingalits admettent une solution, alors le gain K sera donn par L = P 1 RT .
Dmonstration : Pour dmontrer ce Thorme, nous introduisons la fonction de Lyapunov dfinie par :
Vk = V ((k)) = (k)T D(k) + fkT fk
o
D=
P+
Q.
1+
1+
Nous montrons que sous les conditions (3.8), Vk > 0 et Vk+1 Vk < 0 pour tout (k) 6= 0.
La condition Vk > 0 est satisfaite. En effet, daprs (3.8b) et le fait que P = P T et Q = QT ,
conduit ce que D = DT > 0. Puisque > 0 alors Vk > 0. Nous avons galement

min (D)k(k)k2 Vk max (D) + 2 k(k)k2 .
Il reste montrer que la fonction de Lyapunov Vk est strictement dcroissante, i.e :

V = Vk+1 Vk < 0, (k) 6= 0.
On a
T
V = (k + 1)T D(k + 1) + fk+1
fk+1 (k)T D(k) fkT fk .
Daprs (3.8a) et la condition de Lipschitz (3.2), on obtient :

T
fk+1
fk+1 2 (k + 1)T (k + 1) (k + 1)T

1
P
Q (k + 1).
1+
1+
Do
V (k + 1)T P (k + 1) (k)T D(k) fkT fk .
En utilisant (3.4) et (3.9), on aura :
h
V (k)T
avec
66
fkT
"
#
(k)
M
,
fk
"
#
(A LC)T P (A LC) D (A LC)T P
M=
.
P (A LC)
P I
(3.9)

Avec la notation R = LT P et le complment de Schur (voir Annexe A), nous dduisons de (3.8b)
que M < 0. Donc, V < 0 pour tout (k) 6= 0, ce qui complte la preuve du Thorme 3.2.4.
Synthse des gains
Dans ce paragraphe, nous fournissons quelques directives pour calculer le gain dduit des ingalits matricielles (3.8). Tout dabord, notons que dans le Thorme 3.2.4 nous avons obtenu des
ingalits matricielles o les inconnues sont : les matrices P, Q et R et les scalaires positifs ,
et . Aprs la dtermination de P et Q, le gain de lobservateur (3.3) est dduit par L = P 1 RT .
Afin dviter la bilinarit du problme (problme non convexe), nous procdons comme suit :
1. On fixe a priori et ;
2. On rsout les ingalits (3.8a)-(3.8b) en fonction de P, Q, R et .
A laide dune autre nouvelle fonction de Lyapunov, nous arrivons obtenir de nouvelles conditions de synthse dobservateur nonces dans le thorme suivant :
Thorme 3.2.5. (voir [121] et [119]) Lerreur destimation converge asymptotiquement vers
lorigine sil existe deux scalaires > 0, > 0 et des matrices P = P T > In , Q = QT > 0 et R de
dimensions appropries tel que la LMI suivante soit satisfaite :
0
AT P C T R
P + 2 In (AT P C T R)
()
P Q In
0
0
<0
()
()
Q In
0
()
()
()
1 P
(3.10)
o
= 1 + 2.
Dmonstration : Considrons la fonction de Lyapunov suivante :

Vk = T (k)P (k) + fkT Qfk .
Daprs (3.2), nous dduisons que
1 k(k)k2 Vk 2 k(k)k2 k.
avec
1 = min (P ) and 2 = max (P ) + 2 max (Q).
Aprs avoir calcul V = Vk+1 Vk , on obtient
T
h
i (A LC) P (A LC) P
T
T
T
V = (k)
fk fk+1
P (A LC)
0
(A LC)T P
P Q
0
0
(k)
0 fk
Q
fk+1
67

Daprs la condition (3.2)
2 T (k)(k) fkT fk 0, > 0,
ce qui peut se rcrire comme suit :
h
(k)T
fkT
T
fk+1
De plus, du fait que P > In , on a
2 In
0
0
(k)
In 0 fk 0.
0
0
0
0
fk+1
(3.11)
T
T
2 T (k + 1)P (k + 1) fk+1
fk+1 > 2 T (k + 1)(k + 1) fk+1
fk+1 0.
La dynamique de lerreur (3.4) nous donne :

(k)T
fkT
T
fk+1
2 (A LC)T P (A LC) 2 (A LC)T P
2 P (A LC)
2P
0
0
0
(k)
0 fk 0.
In
fk+1
(3.12)
Les ingalits (3.11) et (3.12) impliquent :

h
V (k)T
o
fkT
T
fk+1
(k)
M fk
fk+1
(3.13)
(A LC)T P (A LC) P + 2 In (A LC)T P

0
M=
0
P (A LC)
P Q In
.
0
0
Q In
En utilisant le complment de Schur et la notation L = P 1 RT , lingalit M < 0 est quivalente (3.10). Par consquent, V < 0, ce qui signifie que lerreur destimation converge
asymptotiquement vers zro.
Remarque 3.2.6. Notons que dans les Thormes 3.2.5 et 3.2.4, la contrainte < 1 a t limine
grce lutilisation de nouvelles fonctions de Lyapunov. Cet avantage est illustr numriquement
ci-dessous.
Exemple numrique
Pour montrer lintrt de cette amlioration, nous proposons un exemple pour lequel la constante
de Lipschitz est suprieure 1. Considrons le systme dcrit par les paramtres suivants :
"
#
h
i
a 1
A=
, C = 1 2.5 , a = 0.42
0 0
68

et
h
iT
f (x(k), y(k)) = 0 54 tanh(x1 (k)) .
La constante de Lipschitz correspondant ce systme est = 1.25.

Il est vident que le Thorme 3.2.1 nest pas applicable. En effet la condition ncessaire < 1
nest pas satisfaite. En revanche, lapplication du Thorme 3.2.5 nous donne, aprs la rsolution
de la LMI (3.10), le gain
h
iT
L = 0.1247 0.0004 .
Lerreur destimation est illustre dans la Figure 3.2.
0.8
0.6
Amplitude
0.4
0.2
0
0.2
0.4
0.6
0
10
15
20
k (Temps)
25
30
F IG. 3.2 Le comportement asymptotique de lerreur destimation
3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG)

Notons que dans le cas des systmes avec constantes de Lipschitz assez importantes, les conditions de synthse prcdentes deviennent contraignantes dans le sens ou elles offrent difficilement des solutions, ceci a t constat numriquement. Afin de surmonter cet obstacle, nous
proposons une autre conception de lobservateur. Une telle conception est appele observateur
de Luenberger gnralis (OLG). Grce cette nouvelle structure de lobservateur leffet de la
constante de Lipschitz est limin et les conditions de synthse deviennent non contraignantes.
Dans cette section, on modifie lgrement la classe des systmes (3.1), afin davoir une nouvelle forme plus dtaille. Lquation des systmes tudier scrit donc sous la forme dtaille
suivante :

x(k + 1) = Ax(k) + Bf Hx(k), y(k) + c
(3.14a)
y(k) = Cx(k)
(3.14b)
o B, H sont des matrices de dimensions appropries, c Rn et f est une fonction non linaire
lipschitzienne de constante de Lipschitz > 0. Les matrices B et H jouent un rle important sur
la faisabilit des conditions de synthse de lobservateur. B est appele matrice de distribution
de la non-linarit dans le systme et H est la matrice de distribution de ltat dans la nonlinarit du systme. Le fait de ne pas spcifier la matrice B signifie quau niveau des conditions
69

de synthse, il ny a aucune diffrence entre un systme dont la non-linarit est prsente sur
toutes les composantes et un systme qui ne possde que quelques composantes non linaires.
De mme, labsence de la matrice H signifie que la mthode de synthse ne distingue pas un
systme, dont la non-linarit dpend de ltat entier, dun systme dont la non-linarit ne
dpend que dune partie de ltat.
Considrons un OLG correspondant au systme (3.14). Cet observateur scrit :

x
(k + 1) = A
x(k) + Bf z(k), y(k) + L y(k) C x
(k) + c
(3.15a)

z(k) = H x
(k) + K y(k) C x
(k)
(3.15b)
Lobjectif est de trouver les gains K et L tels que lerreur destimation (k) = x(k)
x(k) converge
asymptotiquement vers zro. La dynamique de lerreur destimation est donne par :
(k + 1) = (A LC)(k) + Bfk
o
(3.16)

fk = f Hx(k), y(k) f z(k), y(k)
Comme la fonction f est de constante de Lipschitz alors nous dduisons que

kfk k k H KC (k)k
(3.17)
Lintroduction du gain K sert rduire leffet de la constante de Lipschitz .

A ce stade, nous nonons le thorme ci-aprs qui fournit les conditions suffisantes de convergence de lerreur destimation vers zro.
Thorme 3.2.7. ([127]) Lerreur destimation converge asymptotiquement vers zro sil existe
des scalaires > 0, > 0 et des matrices P = P T > 0, Q = QT > 0, R et K de dimensions
appropries tels que les ingalits suivantes soient satisfaites :
1 Is
H KC
(3.18)
<0
(H KC)T
P
1 2 Is
(H KC)T
0
70
H KC
N (P, R)B
()
L(P, Q, )
()
()
Q Iq
()
()
()
N (P, R)
0
<0
1
P
(3.19)

avec
N (P, R) = AT P C T R
(3.20a)
L(P, Q, ) = B T P B Q Iq
(3.20b)
=1+ .
(3.20c)
Quand ces ingalits admettent une solution, le gain L est donn par L = P 1 RT et la matrice K
est une solution libre des ingalits (3.18) et (3.19).
Dmonstration : La preuve de ce thorme est similaire celle du Thorme 3.2.5. Il suffit
dutiliser convenablement le complment de Schur. La fonction de Lyapunov candidate est
Vk = T (k)P (k) + fkT Qfk .
Le calcul de V = Vk+1 Vk permet dobtenir
(A LC)T P (A LC) P
V = kT
B T P (A LC)
0
o
Daprs (3.17), > 0, on a
h
kT = T (k) fkT
(A LC)T P B 0
BT P B Q
0 k
0
Q
(3.21)
i
T
.
fk+1

T

2 T (k) H KC
H KC (k) fkT fk 0.
(3.22)

T

P > H KC
H KC .
(3.23)
En utilisant le complment de Schur, lingalit (3.18) est quivalente
Les conditions (3.17) et (3.23), impliquent :
T
2 T (k + 1)P (k + 1) fk+1
fk+1 0.
(3.24)
La combinaison des ingalits (3.22), (3.24) et (3.21) donne lingalit suivante :

V kT Mk
(3.25)
avec

T

T
2
(A
LC)
P
(A
LC)
P
+
KC
H
KC
M=
B T P (A LC)
(A LC)T P B
B T P B Q Iq
0
.
0
Q Iq
A laide du complment de Schur et la notation R = LT P , lingalit M < 0 est quivalente

(3.19).
71

Par consquent, sous les conditions (3.18) et (3.19), V < 0, et donc lerreur destimation
converge asymptotiquement vers zro.
Remarque 3.2.8. Notons que les ingalits (3.18) et (3.19) ne sont pas linaires par rapport aux
inconnues P, Q, R, K, , . Afin de les rendre linaires, nous proposons de fixer a priori les variables
scalaires inconnues > 0 et > 0 ensuite on rsout (3.18) et (3.19) en fonction des variables
P, Q, R et K pour dsigner les gains L et K. Le gain K est une solution directe de (3.18) et (3.19)
et L = P 1 RT .
Exemple numrique
Dans le but de montrer lefficacit du nouvel observateur, nous proposons un systme pour lequel
la LMI (3.10) nest pas satisfaite tandis que linjection du second gain K et la spcification des
deux matrices B et H permettent de rduire leffet de la constante de Lipschitz. Pour ce faire,
nous considrons le systme chaotique de Lozi dcrit par :
"
#
" #
h
i
0 b
1
A=
, B=
, H= 1 0 ,
1 0
0
et
" #
i
0
C = 1 1 , c =
1
h
f (Hx, y) = 1 a|x1 |.
Ce systme possde un comportement chaotique pour a = 1.4 et b = 0.3. La constante de
Lipschitz de f est = a = 1.4. Il est clair que la LMI (3.10) nest pas satisfaite. En effet,
la constante de Lipschitz est suprieure 1. De plus, en utilisant la toolbox LMI de MATLAB,
la LMI (3.10) a t trouve insatisfaite. Cependant, laide dun OLG et la spcification des
matrices B et H, la convergence de lerreur a t tablie. Pour = = 1, fixs a priori, les
ingalits (3.18) et (3.19) donnent les solutions suivantes :
"
#
0.4275 0.0390
P =
,
0.0390 0.7420
h
i
R = 0.0249 0.4567 ,
Q = 0.6781, K = 0.6028
et
"
#
0.1149
L=
.
0.6215
Le diagramme de phase du systme et lerreur destimation sont illustrs dans la Figure 3.3.
72
0.4
2.5
0.2
Magnitude
x2
2
1.5
1
0.2
0.4
0.5
0
1
0.5
0.5
x1
1.5
0.6
0
(a) Lattracteur chaotique du systme.
10
20
30
k (Time)
40
50
(b) Lerreur destimation.
F IG. 3.3 Le Comportement de lerreur destimation.
3.2.5 Extension la restauration dentres inconnues
Considrons le systme entres inconnues dont le modle scrit de la manire suivante :

(
x(k + 1) = Ax(k) + Au u(k) + Bf Hx x(k), Hu u(k), y(k)
(3.26)
y(k) = Cx(k) + Du(k)
o x(k) Rn est le vecteur dtat, u(k) Rm le vecteur des entres inconnues et y(k)
Rp le vecteur de sortie. A, Au , B, C, D, Hx et Hu sont des matrices constantes de dimensions
appropries. La fonction f : Rd1 Rd2 Rp 7 Rq est lipschitzienne, i.e. :
"
#
v v

kf (v, w, y) f (
v , w,
y)k f
(3.27)

ww
v, w, v, w
et y. La matrice D est de plein rang colonne, i.e :
rang(D) = m.
Nous introduisons les notations suivantes
h
i
E = In 0Rnm
h
i
M = A Au
h
i
H= C D
"
#
Hx
0Rd1 m
Hx,u =
0Rd2 n
Hu
" #
x
=
.
u
(3.28a)
(3.28b)
(3.28c)
(3.28d)
(3.28e)
73

On pose
h
S T =
" #T " #!1 " #T

E
E
E
H
H
H
avec S et T deux matrices de dimensions (n + m) n et (n + m) p respectivement.

Daprs lquation (3.29), on a
SE + T H = In+m .
(3.29)
(3.30)
Notons que ce problme dobservateur dtat entres inconnues a t tudi dans [22] en utilisant le filtre de Kalman tendu (EKF) comme observateur dtat. Cependant, il a t prouv
dans [29] que lEKF nest que localement stable dans le cas des systmes non linaires temps
discret. La mthode de synthse dveloppe dans la section 3.2.4 permet dobtenir la convergence globale de lerreur destimation vers zro. Lobservateur propos est un OLG qui scrit :
+ SBf (v(k),
z(k + 1) = N z(k) + Ly(k)

y(k))
+ K y(k) H (k)
v(k) = Hx,u (k)

(k) = z(k) + T y(k)
(3.31)
Lobjectif principal est de dterminer les matrices N, L et K telles que lerreur

(k)
(k) = (k)
converge asymptotiquement vers lorigine.
En reprenant les mmes dveloppements que dans la section 2.4, nous obtenons

(k + 1) = N (k) + N + F H SM (k) + SBf
o
et
(3.32)

f = f v(k), y(k) f Hx,s(k), y(k)
(3.33)
F = L N T.
(3.34)
N = SM F H
(3.35)

(k + 1) = SM F H (k) + SBf.
(3.36)
Si on pose
alors, la dynamique de lerreur devient
En sinspirant des rsultats de la section 3.2.4, nous nonons le thorme suivant :
Thorme 3.2.9. ([127]) Lerreur destimation est asymptotiquement stable sil existe deux scalaires > 0, > 0 et des matrices P = P T > 0, Q = QT > 0 R et K de dimensions appropries
74
3.3. Transformation en LPV laide du DMVT : seconde approche

tels que les ingalits matricielles ci-dessous soient satisfaites :
1 I(d1 +d2 )
Hx,u KH
<0
T
(Hx,u KH)
P
(3.37)
et
1
2 I(d1 +d2 )
f
()
()
()
()
Hx,u KH
(SM )T P (SB) H T R(SB)
()
(SB)T P (SB) Q Iq
()
()
Q Iq
()
()
()
T
T
(SM ) P H R
< 0 (3.38)
0
1 P
o = 1 + 2f .
La matrice F est gale P 1 RT . Les gains N et L sont dduits des quaions (3.34) et (3.35) et le
gain K est une solution libre des ingalits (3.37) et (3.38).
Dmonstration : La preuve de ce thorme est similaire celle du Thorme 3.2.7.
3.3 Transformation en LPV laide du DMVT : seconde approche

Dans cette section, nous proposons une extension directe de la mthode dveloppe dans la
section 2.2 du chapitre 2. Elle utilise le DMVT afin de transformer la dynamique de lerreur
destimation en un systme LPV. Pour pouvoir comparer cette technique avec les rsultats prcdents de ce chapitre, nous allons considrer une classe de systmes lipschitziens. Cependant, la
condition de Lipschitz est traduite sous une autre forme.
3.3.1 Formulation du Problme

Considrons la classe des systmes non linaires dfinie par les quations suivantes :
x(k + 1) = Ax(k) + Bf (x(k), y(k), u(k))
(3.39a)
y(k) = Cx(k)
(3.39b)

sortie. A, B et C sont des matrices constantes de dimensions appropries. f (x, y, u) : Rn Rp
Rm 7 Rq est une application non linaire diffrentiable par rapport x.
Supposons que la fonction f satisfasse la condition suivante :
aij
fi
(x, y, u) bij , x, y, u
xj
(3.40)
75

pour tout i = 1, ..., q et j = 1, ..., n.
Il est noter que la classe des systmes vrifiant la proprit (3.40) contient une large varit
de systmes traits dans la littrature, savoir la classe des systmes lipschitziens diffrentiables [96], [88], [74], [2], [9], [129].
Lobservateur dtat correspondant au systme (3.39) est donn par :
x
(k + 1) = A
x(k) + Bf (
x(k), y(k), u(k)) + L(y(k) C x
(k))
o x
(k) reprsente lestim de ltat x(k).
La dynamique de lerreur destimation (t) = x(t) x
(t) scrit :

(k + 1) = A LC (k) + B f (x(k), y(k), u(k)) f (
x(k), y(k), u(k)) .
(3.41)
(3.42)
Toutes les approches dveloppes dans la littrature pour la classe des systmes lipschitziens reposent sur des majorations fortes en essayant de dominer le terme f (x(t), y(t), u(t))f (
x(t), y(t), u(t)),
en utilisant directement la condition de Lipschitz. Cette technique de majoration directe fournit
des conditions de synthse restrictives. Pour cela, nous avons tabli une nouvelle mthode qui
aboutit des conditions de synthse moins contraignantes. Cette mthode consiste utiliser le
DMVT qui permet de transformer la dynamique de lerreur destimation en un systme LPV.
Puisque la fonction f est diffrentiable par rapport x, le DMVT est applicable (voir Thorme 2.2.3) sur la fonction x 7 f (x, y, u). Daprs le Thorme 2.2.3, il existe zi (t) Co(x(t), x(t)),
pour tout i = 1, ..., q, tel que :
q,n
X
fi
f (x(k), y(k), u(k)) f (
x(k), y(k), u(k)) =
eq (i)eTn (j)
(zi (k), y(k), u(k)) (k).
xj
i,j=1
Nous dfinissons les notations suivantes :

hij (k) =
fi
(zi (k), y(k), u(k))
xj
q
Hij
= eq (i)eTn (j) pour 1 i q et 1 j n

h = h11 , ..., h1n , ..., hqn
A(h(k)) = A + B
q,n
X
q
hij (k)Hij
.
(3.43a)
(3.43b)
(3.43c)
(3.43d)
i,j=1
En utilisant ces notations, lquation de lerreur destimation (3.42) devient :

(k + 1) = A(h(k)) LC (k).
(3.44)
Lquation dynamique (3.44) dfinit donc un systme LPV.

Daprs la proprit (3.40), nous dduisons que le vecteur des paramtres h(k) volue dans un
76
3.3. Transformation en LPV laide du DMVT : seconde approche

domaine born Hq,n pour lequel les 2qn sommets sont dfinis par :
n
o
VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij } .
3.3.2 Mthode de synthse dobservateur

En sinspirant des techniques LPV (voir [11] pour plus de dtails), on obtient des conditions
suffisantes de convergence de lerreur destimation. Ces conditions, exprimes en terme de LMIs,
permettent de synthtiser le gain L. On a le thorme suivant :
Thorme 3.3.1. ( [124]) Lerreur destimation (k) converge asymptotiquement vers zro sil
existe des matrices P = P T > 0 et R de dimensions appropries telles que les LMIs suivantes soient
satisfaites :
#
"
P AT ()P C T R
< 0, VHq,n .
(3.45)
()
P
Quand ces LMIs sont satisfaites, le gain dobservateur L sera donn par L = P 1 RT .
Dmonstration : Considrons la fonction de Lyapunov suivante :
V (k) = V ((k)) = T (k)P (k).
La variation de cette fonction scrit comme :

T

V = V (k + 1) V (k) = (k)T A(h(k)) LC P A(h(k)) LC P (k).
Daprs la dfinition de la stabilit au sens de Lyapunov, V doit tre dfinie ngative afin de
garantir la convergence asymptotique de lerreur destimation. En utilisant le complment de
Schur, V < 0 si
"
#
P AT (h(k))P C T R
< 0.
F (h(k)) =
()
P
Le principe de convexit permet de dduire que V < 0 si F est dfinie ngative sur VHq,n , ce
qui est quivalent lingalit (3.45). Comme P est dfinie positive, nous pouvons calculer le
gain L par P 1 RT .
3.3.3 Exemple numrique

Nous illustrons les performances de cette dernire mthode laide du modle discret du systme chaotique de Lorenz prcdemment tudi dans [74] et [28]. Ce systme, obtenu par la
mthode de discrtisation dEuler, est dcrit par les matrices
1 10T 10T
0
0 0
h
i
A = 28T
1T
0 , B = T 1 0 , C = 1 0 0
0
0
1 83 T
0 1
77

et la fonction non linaire
"
#
y(k)x3 (k)
f (x(k), y(k), u(k)) =
.
y(k)x2 (k)
o T = 0.001 est le pas de discrtisation.
En appliquant lapproche propose, nous obtenons hij (t) = 0 pour tout (i, j) 6= (1, 3), (2, 2) et
h22 (t) = h13 (t) = y(t) pour tout t > 0. Nous avons donc deux LMIs rsoudre avec a22 =
9.1974 et b22 = 19.9613. Les LMIs (3.45), nous fournissent le gain
h
iT
L = 1.4282 12.9770 1.6781 .
Les rsultats de la simulation numrique sont illustrs par la Figure 3.4.
0.005
0
60
Amplitude
0.005
x3
40
20
0.01
0.015
0.02
0
50
0.025
20
0
x
0
50
20
0.03
0
x1
500
1000
1500
k (Temps)
2000
2500
(b) Evolution de (x1 x

1 ).
(a) Attracteur de Lorenz

0.5
Amplitude
Amplitude
0.5
1
1.5
2
0.5
2.5
3
0
500
1000
1500
k (Temps)
2000
(c) Evolution de (x2 x

2 ).
2500
1.5
0
500
1000
1500
k (Temps)
2000
2500
(d) Evolution de (x3 x

3 ).
F IG. 3.4 La convergence asymptotique.
Remarque 3.3.2. Comme dans le Chapitre 2, mme dans le cas des systmes temps discret,
cette mthode de transformation en LPV laide du DMVT peut tre tendue dautres classes de
systmes non linaires, savoir les systmes sorties non linaires, les systmes non differentiables
et les systmes partiellement affines o lon peut proposer un gain dobservateur affine. La mthode
peut galement tre gnralise au cas des systmes avec des incertitudes dans la dynamique et sur
la sortie du systme. Elle est galement extensible la restauration dentres inconnues.
78
3.4. Conclusion
3.4 Conclusion
Dans ce chapitre, nous avons prsent deux approches de synthse dobservateurs dtat des
systmes non linaires lipschitziens temps discret.
La premire consiste utiliser la condition de Lipschitz conjointement avec lingalit classique
de Lyapunov. Ceci permet dobtenir un terme positif ainsi ajout la variation de la fonction de
Lyapunov. Ensuite, deux amliorations ont t tablies en utilisant respectivement des nouvelles
fonctions de Lyapunov et un observateur de Luenberger gnralis (OLG). Une gnralisation
au cas des systmes entres inconnues a t galement aborde.
La deuxime mthode est base sur le DMVT qui permet de mettre la dynamique de lerreur sous
une forme LPV. Cette mthode ncessite la traduction de la condition de Lipschitz sous forme
de la condition (3.40), afin daboutir des conditions de synthse moins restrictives.
En utilisant des techniques LPV [12], [11], des conditions de synthse dobservateur ont t
obtenues. Ces conditions sont exprimes sous forme de LMIs non restrictives et faciles rsoudre
numriquement.
79
80
C HAPITRE
Extensions aux systmes retard
Sommaire
4.1
4.2
Introduction . . . . . . . . . . . . . . . . . . . .
Premire mthode : transformation en LPV .
4.2.1 Formulation du problme . . . . . . . . . . . .
4.2.2 Procdure de synthse dobservateur . . . . . .
4.2.3 Cas des systmes non diffrentiables . . . . . .
4.3 Deuxime mthode : utilisation des OLGs . .
4.3.2 Synthse dobservateur . . . . . . . . . . . . . .
4.3.3 Exemple . . . . . . . . . . . . . . . . . . . . . .
4.4 Systmes temps discret . . . . . . . . . . . . .
4.4.2 Conditions de synthse de lobservateur . . . .
4.5 Conclusion . . . . . . . . . . . . . . . . . . . . .
81
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . .
. . . . . .
. . . . . .
. . . . .
82
82
82
84
87
90
91
93
94
96
96
97
98
Chapitre 4. Extensions aux systmes retard
4.1 Introduction
Lanalyse et la synthse des systmes retard deviennent de plus en plus des sujets de recherche
en constante volution, comme peut le montrer la littrature abondante. Ceci est principalement
d au fait que le retard est frquemment rencontr dans les systmes technologiques et peut affecter leur fonctionnement de manire significative. Dans le cas des systmes linaires, lanalyse
de la stabilit aussi bien que le problme dobservateurs dtat ont t largement tudis [26],
[27], [21], [48], [90], [82], [68], [67], [109], [94], [17].
Contrairement au cas linaire, trs peu de rsultats ont t tablis dans le cas non linaire. Parmi
ces quelques rsultats, on trouve lapproche dveloppe par Germani et al. dans [49] et [50].
Dans [80], une autre mthode a t propose, en utilisant des preuves lgantes pour lanalyse
de la stabilit dune classe de systmes retard. Une approche alternative, prsente dans [1],
concerne les systmes avec des non-linarits lipschitziennes. Il sagit dune gnralisation des
rsultats obtenus pour une classe de systmes non linaires standards [95], [96]. Cependant, la
condition de synthse dobservateur semble restrictive.
Dans ce chapitre, on prsente deux mthodes de synthse dobservateurs dtat des systmes
non linaires retard. La premire est une extension de la technique de transformation en LPV
laide du DMVT aux cas des systmes retard. Des conditions de synthse ont t obtenues
en utilisant une fonction de Lyapunov-Krasovskii particulire, utilise antrieurement dans [82]
pour les systmes linaires. Ces conditions sont exprimes sous forme dingalits matricielles
qui deviennent par la suite linaires (LMIs), en fixant a priori une variable scalaire inconnue.
En terme de faisabilit, les conditions de synthse obtenues par lapproche propose sont moins
contraignantes que celles tablies dans [1] ainsi que celles donnes par toutes les approches
concernant la classe des systmes lipschitziens.
La deuxime mthode utilise simultanment le DMVT et les observateurs de Luenberger gnraliss (OLGs). Avec cette technique, une nouvelle condition de synthse dobservateurs sous
forme de LMI est obtenue. Ce rsultat peut tre considr comme une amlioration de la premire mthode. En effet, la nouvelle condition de synthse est applicable mme si le systme
concrn est jacobienne non borne, ce qui nest pas le cas pour la mthode de transformation
en systme LPV.
4.2 Premire mthode : transformation en LPV

4.2.1 Formulation du problme
Considrons la classe des systmes non linaires retard suivante :

x(t)
= Ax(t) + A x (t) + Bf x(t), x (t), y(t)

y(t) = Cx(t).
(4.1a)
(4.1b)
o x Rn est le vecteur dtat du systme, u Rm le vecteur dentre et y Rp le vecteur

de sortie. A, A , B et C sont des matrices constantes de dimensions appropries. La fonction
82
4.2. Premire mthode : transformation en LPV

f x, x , y : Rn Rn Rm Rq est diffrentiable par rapport x(t) et x (t) avec
x (t) = x(t ).
Pour des raisons de simplicit, on suppose sans perte de gnralit que x(t) est constant sur
lintervalle [ 0].
La classe des systmes non linaires concerne est dfinie par lhypothse suivante :
Hypothse 4.2.1. Supposons que la fonction non linaire, f , satisfasse les conditions suivantes :
fi
(x, x , y) bij , x, x , y
xj
fi
aij
(x, x , y) bij , x, x , y.
x j
aij
(4.2a)
(4.2b)
pour tout i = 1, ..., q et j = 1, ..., n.
Notons ainsi z (t) = z(t ) pour tout vecteur z.

Lobservateur dtat correspondant (4.1) scrit :

x
(t) = A
x(t) + A x
(t) + Bf x
(t), x (t), y(t) + L y(t) y(t) + L y (t) y (t) (4.3a)
y(t) = C x
(t).
(4.3b)
Lobjectif est de trouver deux gains L et L tels que lerreur destimation (t) = x(t) x
(t)
converge exponentiellement vers zro. La dynamique de lerreur destimation est :

(t)
= A LC (t) + A L C (t) + Bf.
(4.4)
avec
En posant

f = f x(t), x (t), y(t) f x
(t), x
(t), y(t) .
"
#
"
#
x(t)
x
(t)
X(t) =
, X(t)
=
x (t)
x
(t)

et en utilisant le Thorme 2.2.3 (le DMVT), on dduit quil existe zi (t) Co X(t), X(t)
, pour
tout i = 1, ..., q, tel que :
f = Sq,n (t)(t) + Sq,n

(t) (t),
o
Sq,n (t) =
q,n
X
eq (i)eTn (j)
i,j=1
et
Sq,n
(t) =
q,n
X
i,j=1
eq (i)eTn (j)
fi
(zi (t), y(t)),
xj (t)
fi
(zi (t), y(t)).
x j (t)
83

hij (t) =
fi
(zi (t)), pour i = 1, ...q et j = 1, ..., n,
xj (t)
h(t) = (h11 (t), ..., h1n (t), ..., hqn (t)),
hij (t) =
fi
(zi (t)), pour i = 1, ...q et j = 1, ..., n,
xj (t )
h (t) = (h11 (t), ..., h1n (t), ..., hqn (t)),
A(h(t)) = A + BSq,n (t)
et
(t),
B(h (t)) = A + BSq,n
la dynamique de lerreur destimation (4.4) devient

(t)
= A(h(t)) LC (t) + B(h (t)) L C (t).
(4.5)
Daprs lhypothse 4.2.1, le vecteur des paramtres, h(t) (resp. h (t)) volue dans un domaine
born Hq,n (resp. H q,n ) pour lequel les 2qn sommets sont dfinis par :
n
o
VHq,n = = (11 , ..., 1n , ..., qn ) | ij {aij , bij }
n
o
, b } ).
(resp. VH
=
=
(
,
...,
,
...,
)
|
{a
11
1n
qn
ij
ij ij
q,n
Nous prsenterons dans la section suivante la mthode propose pour la synthse dobservateur.
Lanalyse de la stabilit est base sur une fonctionnelle de Lyapunov-Krasovskii particulire.
4.2.2 Procdure de synthse dobservateur

Les conditions de synthse proposes pour la classe des systmes (4.1) sont nonces dans le
thorme suivant :
Thorme 4.2.2. ([126]) Lobservateur dtat (4.3) est exponentiellement convergent sil existe
un scalaire > 0 et des matrices P = P T > 0, Q = QT > 0, R et R de dimensions appropries
tels que les ingalits matricielles suivantes soient satisfaites :
M(P, Q, , ) + N (P ) L(R, R ) < 0, VHq,n , V H q,n .
o
84
"
#
AT ()P + P A() + Q P B()
M(P, Q, , ) =
()
e Q
"
#
"
#
P 0
C T R + RT C R C
N (P ) =
, L(R, R ) =
.
0 0
()
0
(4.6)
(4.7)
(4.8)

Quand les ingalits sont satisfaites, les matrices L et L seront donnes par
L = P 1 RT et L = P 1 R .
Dmonstration : Pour dmontrer ce rsultat, nous faisons appel la fonctionnelle de LyapunovKrasovskii suivante :
Z t
T
t
e T ()Q()d.
V (t) = V ((t)) = (t)P (t) + e
t
A ce stade, on peut calculer la drive de V (t) par :

n
T

o
A((t)) LC P + P A((t)) LC + Q
n
o
+ T (B( (t)) L C)T P + P (B( (t)) L C)
Z t
e T Q et
e T ()Q()d.
V = T
Donc,
n
T

o
A((t)) LC P + P A((t)) LC + Q
n
T

o
+ T B( (t)) L C P + P B( (t)) L C
V + V = T
e T Q
En utilisant les notations R = LT P , R = P L et (4.7)-(4.8), on dduit que :

h
i
V (t) + V (t) = T (t) M(P, Q, h(t), h (t)) + N (P ) L(R, R ) (t),
i
h
T (t) = T (t) T (t) .
Daprs le principe de convexit, si la condition (4.6) est satisfaite, alors

M(P, Q, h(t), h (t)) + N (P ) L(R, R ) < 0,
pour tout h(t) Hq,n et h (t) H q,n .
Do,
V (t) + V (t) < 0.
(4.9)
Cette ingalit signifie que

V (t) V (0)et .
Compte tenu du fait que
min (P )k(t)k2 V (t)
85

alors
k(t)k
V (0)
e 2 t
min (P )
(4.10)
ce qui implique que lobservateur (4.3) est exponentiellement convergent.
Exemple
Considrons le systme dcrit sous la forme (4.1) par les paramtres suivants :
0 0.5 0.3
1 0
4 2
0
h
i
A = 0 4 2 , A = 0.5 0 0.3 , B = 0 1 , C = 1 0 0 ,
0.3 0.3 0
0 0
0 0 3
et
h x (t0.1)
1
f (x, x , y) = 1+x2 (t0.1)
x2 (t)2
1+x2 (t)
Nous avons
et
Do
iT
f1
f2
(x, x , y) = 0,
(x, x , y) = 0, j = 1, 2, 3
xj
x j
f1
(x, x , y) =
x 1
1
1+
f2
(x, x , y) =
x2
x21 (t
1 ,
3
0.1)
1
1+
1 .
x22 (t)
0 h22 (t) 1 et 0 h11 (t) 1.

En rsolvant les ingalits (4.6) avec = 1, nous obtenons les gains suivants :
h
iT
L = 11.9232 4.2041 1.4261 ,
h
iT
L = 0.5 0.5 0.3 .
Les rsultats de simulation sont illustrs sur la Figure 4.1.
Remarque 4.2.3. Notons que le rsultat prcdent ne peut pas tre appliqu aux systmes non
diffrentiables. En revanche, pour une classe particulire de systmes non diffrentiables, lapproche
dveloppe a pu tre gnralise grce une nouvelle mthode qui permet de mettre la dynamique
de lerreur destimation sous une forme LPV. Ceci mne des conditions de synthse identiques
celles du Thorme 4.2.2.
86
0.4
0.4
0.4
0.2
0.2
0.2
0.2
0.4
0.2
0.4
0.6
0.6
0.8
0.8
1
0
10
t (Temps)
15
20
Amplitude
Amplitude
Amplitude
1
0
0.2
0.4
0.6
0.8
10
t (Temps)
15
20
1
0
10
t (Temps)
15
20
(a) La 1re composante de(b) La 2me composante de(c) La 3me composante de

lerreur.
lerreur.
lerreur.
F IG. 4.1 Evolution exponentielle de lerreur destimation.
4.2.3 Cas des systmes non diffrentiables

Considrons la classe des systmes non linaires suivante :

x(t)
= Ax(t) + A x (t) + Bf x(t), y(t), u(t) + Gg x (t), y(t), u(t)

y(t) = Cx(t).
(4.11a)
(4.11b)

sortie. A, A , B, G et C sont des matrices constantes de dimensions appropries. Supposons que
les fonctions f et g puissent scrire sous la forme suivante :
f1 (H1 x(t), y(t), u(t))

g1 (F1 x (t), y(t), u(t))
.
.

f x(t), y(t), u(t) =

.
.
, g x (t), y(t), u(t) =
.
.
fq (Hq x(t), y(t), u(t))
gs (Fs x (t), y(t), u(t))
(4.12)
avec HiT Rn pour tout i {1, ..., q} et FiT Rn pour tout i {1, ..., s}.
Les fonctions fi , i = 1, ..., q sont lipschitziennes par rapport x(t) avec des constantes de Lipschitz i i = 1, ..., q. De mme, les fonctions gi , i = 1, ..., s sont lipschitziennes par rapport x(t)
avec les constantes de Lipschitz i .
Lobservateur dtat correspondant (4.11) scrit comme :

(t) + Bf x
(t), y(t), u(t) + L y(t) C x
(t)
x
(t) = A
x(t) + A x

+ Gg x
(t), y(t), u(t) + L y (t) C x
(t)
La dynamique de lerreur destimation, (t) = x(t) x

(t), est donne par :

(t)
= A LC (t) + A L C (t) + Bft + Ggt ,
o

ft = f x(t), y(t), u(t) f x
(t), y(t), u(t) ,
(4.13)
(4.14)
(4.15)
87

gt = g x (t), y(t), u(t) g x
(t), y(t), u(t) .
(4.16)
Dans ce cas nous ne pouvons pas appliquer le DMVT, car les fonctions f et g ne sont pas ncessairement diffrentiables. La forme particulire (4.12) des non-linarits nous permet dutiliser
un nouvel artifice de calcul, afin de transformer lquation dynamique de lerreur destimation
en un systme LPV. Nous rsumons cet artifice en deux propositions.
Proposition 4.2.4. Pour tout i {1, ..., q}, il existe une fonction i,y,u : R R R telle que :

fi (v, y, u) fi (w, y, u) = i,y,u (v, w) v w ,
|i,y,u (v, w)| i , v, w R.
(4.17)
(4.18)
Dmonstration : La preuve de cette Proposition est donne dans [122].

Indication : Il suffit de dfinir la fonction i,y,u (., .) comme suit :
i,y,u (v, w) =
0
fi (v,y,u)fi (w,y,u)
vw
if v = w
if v =
6 w
(4.19)
Proposition 4.2.5. Pour tout x, z Rn , il existe des fonctions i,y,u : R R R, i = 1, ..., q,

telles que :
i=q
X

f =
i,y,u (vi , wi )Gi (x z)
(4.20)
i=1
o
f = f (x, y, u) f (z, y, u)
(4.21)
vi = Hi x, wi = Hi z, Gi = eq (i)Hi .
(4.22)
Les deux propositions prcdentes sont valables pour la fonction g ainsi que pour toute fonction
scrivant sous la forme (4.12).
Daprs la Proposition 4.2.5, il existe des fonctions i , i = 1, ..., q et des fonctions j , j = 1, ..., s
telles que
i=q
X

ft =
(t))Gi (t)
(4.23)
i=1
gt =
j=s
X
j=1
avec

j,y,u Fj x (t), Fj x
(t) Ej (t)
Ej = es (j)Fj
88
(4.24)
(4.25)

et
|j,y,u (v, w)| j , v, w R.
(4.26)
Nous introduisons les notations suivantes :

i (t) = i,y,u (Hi x(t), Hi x
(t)), (t) = 1 (t), ..., q (t)

(t)), (t) = 1 (t), ..., s (t) ,
j (t) = j,y,u (Fj x (t), Fj x
A((t)) = A +
i=q
X
i=1
i (t)BGi , G((t)) = A +
j=s
X
j (t)GEj
(4.27)
(4.28)
(4.29)
j=1
Le vecteur des paramtres (resp. ) volue dans un domaine born Hq (resp. Hs ) pour lequel
les 2q (resp. 2s ) sommets sont dfinis par lensemble suivant :
(resp.

VHq = = (1 , ..., q ) | i {i , i }
(4.30)
VH
=
(
,
...,
)
|
{
,
}
.)
=
1
s
j
j
j
s
(4.31)
En utilisant les notations (4.23), (4.24), (4.27), (4.28), (4.9), lquation de lerreur (4.14) devient :

(t)
= A((t)) LC (t) + G((t)) L C (t)
(4.32)
Lquation (4.32) dfinit un systme LPV retard. En se basant sur les techniques LPV (voir
[111] et [104]), nous obtenons le thorme suivant :
Thorme 4.2.6. Lobservateur dtat (4.13) est exponentiellement convergent sil existe un scalaire
> 0 et des matrices P = P T > 0, Q = QT > 0, R et R de dimensions appropries tels que les
ingalits matricielles suivantes soient satisfaites :
M(P, Q, , ) + N (P ) L(R, R ) < 0, VHq , VH

.
s
"
#
AT ()P + P A() + Q P G()
M(P, Q, , ) =
()
e Q
"
#
"
#
P
0
C T R + RT C
R C
.
N (P ) =
, L(R, R ) =
0
0
C T RT
0
(4.33)
(4.34)
(4.35)
Dans ce cas, les matrices L et L sont donnes par L = P 1 RT et L = P 1 R .

Remarque 4.2.7. Les conditions du Thorme 4.2.6 sont identiques celles du Thorme 4.2.2.
Ceci signifie que pour la classe particulire de systmes retard 4.11 satisfaisant 4.12, lutilisation
de la Proposition 4.2.5 est plus gnrale que le DMVT. En effet, la Proposition 4.2.5 est valable
mme si la non-linarit du systme nest pas diffrentiable, contrairement au DMVT qui sapplique
seulement aux systmes diffrentiables.
89

Exemple
Comme exemple de systme non diffrentiable, nous proposons le systme chaotique de Chua
modifi (voir [108]). Ce systme est dcrit sous la forme (4.11) par les paramtres suivants :
A=
1
+Gb )
(R
C1
1
RC2
1
RC1
1
RC
2
L1

C11
0
h
i

1
, A = 0Rnn , B = 0 , G = 0 , C = 0 1 0 ,
C2
0
R0
0

1
f (x(t), y(t), u(t)) = (Ga Gb ) |x1 + E| |x1 E| , et g(x (t), y(t), u(t)) = sin(x1 (t )).
2
h
i
h
i
Nous avons H1 = 1 0 0 et F1 = 1 0 0 . Les constantes de Lipschitz des fonctions f et g
sont respectivement 1 = |Ga Gb | et 1 = . Ce systme possde un comportement chaotique
pour les valeurs numriques suivantes :
R = 1950, C1 = 108 , C2 = 107 , L = 18.68.103 , R0 = 16, E = 1
Ga = 0.75.103 , Gb = 0.41.103 , = 0.001, = 0.2, = 0.5.
En rsolvant les ingalits (4.33) avec = 200, nous obtenons
h
iT
L = 104 24.9130 18.8075 0.0046 , L = 0R3 .
200
x 10
6
150
Magnitude
2
0
100
50
2
0
4
2
10
0
10
x1
(a) Attracteur de Chua modifi.
50
0
0.5
1
t (Time)
1.5
2
3
x 10
(b) Evolution de lerreur destimation.
F IG. 4.2 Le comportement de lerreur destimation.
4.3 Deuxime mthode : utilisation des OLGs

La mthode prcdente concerne les systmes retard dont les non-linarits sont jacobiennes
bornes. En revanche, dans cette section, nous proposerons une amlioration en utilisant les
OLGs. Ceci permettra daboutir des conditions de synthse applicables des systmes jacobiennes non bornes.
90
4.3. Deuxime mthode : utilisation des OLGs

Considrons la classe des systmes non linaires retard suivante :
x = Ax + A x + Bf (x, y, u) + Gg(x , y, u)
(4.36a)
y = Cx.
(4.36b)
Comme les non-linarits f : Rn Rp Rm Rq et g : Rn Rp Rm Rr sont quelconque,

alors nous pouvons toujours crire f et g sous la forme gnrale suivante :
f1 (H1 x, y, u)
g1 (F1 x , y, u)
.
.
f (x, y, u) =
.
.
, g(x , y, u) =
, Hi Rqi n , Fi Rri n (4.37)
.
.
fq (Hq x, y, u)
gr (Fr x , y, u)
Avant dintroduire notre observateur dtat, nous avons besoin dune hypothse qui dfinit la
classe des systmes concerne par cette approche.
Hypothse 4.3.1. Supposons que les fonctions f et g satisfassent les conditions suivantes :
fi i
(v , y, u) bij , v i Rqi , y Rp , u Rm ,
vji
gi
aij i (v i , y, u) bij , v i Rri , y Rp , u Rm .
vj
aij
Lobservateur dtat que nous proposons ici est de la forme suivante :

x
= A
x + A x
+ B f(
x, y, u) + G
g (
x , y, u) + L y C x
+ L y C x
,

fi (
x, y, u) = fi Hi x
+ Ki (y C x
), y, u , i = 1, ...q,

gi (
x, y, u) = gi Fi x
+ Ki (y C x
, y, u), i = 1, ...r.
(4.38a)
(4.38b)
(4.39a)
(4.39b)
(4.39c)
o fi (respectivement gi ) est la ime composante de f (respectivement g).

La dynamique de lerreur destimation = x x
est donne par :

= (A LC) + (A L C) + B f (x, y, u) f(
x, y, u) + G g(x , y, u) g(
x , y, u) .
(4.40)
En utilisant le DMVT (Thorme 2.2.3), nous dduisons quil existe zi Co(v i , wi ) pour tout
i = 1, ..., q et zi Co(v i , w i ) pour tout i = 1, ..., r tel que
f (x, y, u) f(
x, y, u) =
i=q j=q
X
Xi
q
hij (t)Hij
i
(4.41)
i=1 j=1
91
g(x , y, u) g(
x , y, u) =
i=r j=r
X
Xi
r
hij (t)Hij
i
(4.42)
i=1 j=1
i = (Hi Ki C), i = (Fi Ki C)

q
Hij
hij (t) =
v
i
eq (i)eTsi (j),
r
Hij
(4.43a)
er (i)eTsi (j)
(4.43b)
fi
gi
(zi (t), y, u), hij (t) =
(z (t), y, u)
vji
vj i i
v i = Hi x, wi = Hi x
+ Ki (y C x
)
= Fi x , w
Ki (y
i
= Fi x
+
v w = (Hi Ki C), v
(4.43d)
Cx
)
= (Fi
(4.43c)
(4.43e)
Ki C) .
(4.43f)
Par consquent, daprs (4.39)-(4.43), la dynamique de lerreur destimation (4.40) scrit :

= (A LC) + (A L C) +
i=q j=q
X
Xi
q
hij (t)BHij
i +
i=1 j=1
i=r j=r
X
Xi
r
hij (t)GHij
i .
(4.44)
i=1 j=1
Remarque 4.3.2. Sans perte de gnralits, nous supposons que f et g satisfont (4.38a) et (4.38b)
avec aij = 0 pour tout i = 1, ...q, j = 1, ..., q et aij = 0 pour tout i = 1, ..., r, j = 1, ..., r,
o q = max (qi ) et r = max (ri ). En effet, sil existe des sous ensembles S1 , S2 et S1 , S2 tels que
1iq
1ir
aij 6= 0, (i, j) S1 S2 et aij 6= 0, (i, j) S1 S2 , alors nous pouvons considrer les fonctions
f(x, y, u) = f (x, y, u)
g(x , y, u) = g(x , y, u)
(i,j)S1 S2

q
aij Hij
Hi x,
(i,j)S1 S2

r
aij Hij
Fi x ,
qui vrifient (4.38a) et (4.38b) avec a

ij = 0, bij = bij aij et a
ij = 0, bij = bij aij . Nous
rcrivons dans ce cas lequation (4.36a) sous la forme suivante :
+ A x + B f(x, y, u) + G
x = Ax
g (x , y, u),
avec
A = A + B
q
aij Hij
Hi ,
(i,j)S1 S2
A = A + G
r
aij Hij
Fi .
(i,j)S1 S2
Remarque 4.3.3. Notons que lhypothse 4.3.1 nest pas restrictive. En effet, dune part, on trouve
dans la littrature une multitude de systmes vrifiant cette hypothse. Dautre part, comme nous
allons le voir plus tard, la mthode propose est valable mme si bij = +.
92
4.3.2 Synthse dobservateur

Dans cette section, nous nonons un thorme qui fournit des conditions de synthse de notre
observateur. Ces conditions sont exprimes sous forme dingalits matricielles.
Thorme 4.3.4. ( [128]) Lobservateur dtat (4.39) est exponentiellement convergent sil existe
un scalaire > 0 et des matrices P = P T > 0, Q = QT > 0, R, R , Ki , i = 1, ..., q et K i , i =
1, ..., r de dimensions appropries tels que lingalit matricielle suivante soit soluble :
M(P, R, ) P A R C N(P, K1 , ..., Kq )

L(P )
()
e Q
0
(K 1 , ..., K r )
(4.45)
()
()
0
()
()
()
avec
M(P, R, ) = AT P + P A C T R RT C + P + Q,
h
i
N(P, K1 , ..., Kq ) = N1 (P, K1 ) Nq1 (P, K1 )N1 (P, K2 ) Nqq (P, Kq ) ,
q
P BHij
Nj (P, Ki ) =
+ (Hi Ki C) ,
h
i
r
r
r
r
L(P ) = P G H11
H1r
H
H
,
21
rr
r
1
h
i
(K 1 , ..., K r ) = 1 (K 1 )...r (K r ) ,
i
h
i (K i ) = (Fi K i C)T ...(Fi K i C)T ,
{z
}
|
(4.46a)
(4.46b)
(4.46c)
(4.46d)
(4.46e)
(4.46f)
ri fois
= bloc-diag(11 Iq1 , ..., 1q1 Iq1 , 21 Iq2 , ..., qqq Iqq ),
(4.46g)
bloc-diag(11
Ir1 , ..., 1r
I , 21
Ir2 , ..., rr
I ),
r rr
1 r1
(4.46h)
2
2
, ij
= .
bij
bij
(4.46i)
ij =
A partir de (4.45), les matrices L et L sont donnes par

L = P 1 RT et L = P 1 R .
et les gains Ki , i = 1, ..., q et K i , i = 1, ..., r sont des solutions directes de (4.45).
Dmonstration : La preuve utilise la mme fonction de Lyapunov-Krasovskii prcdente. En

exploitant (4.38a) et (4.38b), on obtient les ingalits suivantes :
i=q j=q
X
Xi
1 T
Sq =
Ti ij
ij 0,
bij ij
(4.47a)
i=1 j=1
Sq
i=r j=r
X
Xi
1 T
=
i T ij
ij
ij 0.
bij
(4.47b)
i=1 j=1
ij = hij (t)i , ij
= hij (t)i .
93

Ceci implique que
V + V V + V + 2(Sq + Sq ),
h
V + V T
o
i

T M ,

(4.48)
L(P )
M(P, R, ) P A R C N(P, K1 , ..., Kq )
()
e Q
0
(K 1 , ..., K r )
M=
,
()
()
()
()
()
T
T
T
T T
T
T
T
T T
= [11
, ..., 1q
, 21
, ..., qq
] , et T = [11
, ..., 1r
, 21
, ..., rr
] ,
q
r
1
1
et M(P, R, ), N(P, K1 , ..., Kq ), L(P ), (K 1 , ..., K r ), et sont dfinis par (4.46).

Lingalit M 0 est identique (4.45), ce qui signifie que lerreur destimation est exponentiellement convergente.
Remarque 4.3.5. Dans (4.38a), nous pouvons avoir bij = + (fonctions non lipschitziennes).
Dans ce cas, pour que lingalit (4.45) soit vrifie il est ncessaire davoir
q
P BHij
+ (Hi Ki C)T = 0.
4.3.3 Exemple
Nous reprenons le systme propos dans la section 2.5.3 modifi, en ajoutant une partie non
linaire dpendant du retard. Ce systme est dfini par les matrices

0 1 0
0 0
0
h
i

A = 0 1 1 , A = 0R33 , B = 1 0 , G = 0 , C = 1 0 0 ,
0 1 1
0 1
"
#
i
h
i
1 0 0
H1 = 1 1 0 , H2 =
, F1 = 1 0 0
0 0 1
h
et les non-linarits
1
f1 (H1 x, y, u) = (x1 x2 )3 , f2 (H2 x, y, u) = 0.5 sin(x1 ) sin(x3 ),
3
q
g1 (x , y, u) = 1 + x2 1 ,
94

o = = 0.1.
Les ingalits (4.45) fournissent les solutions suivantes :
10 2 1
12.5834 3.2229 1.6643
P = 2 1
0 , Q = 3.2229 1.2688 0.6672 ,
1 0
1
1.6643 0.6672 0.3903

"
#
3
1
0.5610

L = 8 , L = 0 , K1 = 1, K2 =
, K 1 = 1.
0.3168
4
0
La Figure 4.3 reprsente le comportement asymptotique de lerreur destimation.
2
1.5
1
Amplitude
Amplitude
0.5
0.5
0
0.5
0.5
1
1
0
10
1.5
0
15
t (Temps)
re
(a) 1
10
15
t (Temps)
me
(b) 2
composante de lerreur.
composante de lerreur.
Amplitude
0.5
0.5
1
0
10
15
t (Temps)
(c) 3me composante de lerreur.
F IG. 4.3 La convergence exponentielle de lerreur destimation.
Remarque 4.3.6. Les ingalits (4.6), (4.33) et (4.45) sont non linaires par rapports leurs
variables cause des couplages P et e Q. Afin de les rendre linaires (LMIs), nous proposons
de fixer a priori la variable scalaire . Nous dduisons de lingalit (4.10) que la rapidit de
convergence de lerreur destimation dpend de . Plus grand est , plus rapide est la convergence
de lerreur destimation vers zro. La synthse dobservateurs devient donc un problme doptimisation avec contraintes linaires dont lobjectif est de maximiser . Les contraintes sont les ingalits (4.6), (4.33) et (4.45) selon la classe du systme tudier et la mthode de synthse utilise.
95
4.4 Systmes temps discret

Dans cette section, nous abordons le problme de synthse dobservateurs dune classe de systmes retard temps discret. Une gnralisation de la mthode prsente dans la section 3.2.4
du chapitre 3 sera mise en oeuvre.

Considrons le systme sous la forme dtaille suivante :

x(k + 1) = Ax(k) + Ad xd (k) + Bf Hx(k), Hd xd (k), y(k) + c
y(k) = Cx(k)
(4.49a)
(4.49b)
o les matrices constantes A, Ad , B, C, H, Hd et c sont de dimensions adquates et la fonction

f : Rs1 Rs2 Rp Rq est lipschitzienne de constante de Lipschitz f , i.e :
"
#
z z

1

1
, z1 , z2 , z1 , z2 , y.
f z1 , z2 , y f z1 , z2 , y f
z2 z2
(4.50)
Nous proposons lobservateur dtat suivant :

x
(k + 1) = A
x(k) + Ad x
d (k) + Bf v(k), w(k), y(k) + c

+ L y(k) C x
(k) + Ld yd (k) C x
d (k)

v(k) = H x
(k) + K 1 y(k) C x
(k) + Kd1 yd (k) C x
d(k)

w(k) = Hd x
d (k) + K 2 y(k) C x
(k) + Kd2 yd (k) C x
d (k) .
La dynamique de lerreur destimation est donne par :

(k + 1) = A LC (k) + Ad Ld C d (k) + Bfk
o
(4.51a)
(4.51b)
(4.51c)
(4.52)

fk = f Hx(k), Hd xd (k), y(k) f v(k), w(k), y(k) .
Daprs (4.50), nous obtenons
"
#

(H K 1 C)(k) K 1 C (k)

d
d
fk f
.
2
2
(Hd Kd C)d (k) K C(k)
96
(4.53)
4.4. Systmes temps discret
4.4.2 Conditions de synthse de lobservateur

Les conditions de synthse, exprimes sous forme de LMI, sont donnes dans le thorme suivant :
Thorme 4.4.1. Lerreur destimation est asymptotiquement stable sil existe un scalaire > 0
et des matrices P = P T > 0, R, Rd , K 1 , K 2 , Kd1 et Kd2 de dimensions appropries tels que la LMI
suivante soit satisfaite :
P + Q
()
()
()
()
()
AT P B C T RB
AT P C T R
Q ATd P B C T Rd B
ATd P C T Rd
()
()
()
()
B T P B Iq
()
()
()
0
P
()
()

T
1C
f2 H K

T
1C
f2 K
d
0
0
f2 Is1
()

T
2C
f2 K

T
2
2
f Hd Kd C
0
<0
0
f2 Is2
(4.54)
Les gains L, Ld , K 1 , K 2 , Kd1 et Kd2 sont donns par :

L = P 1 RT , Ld = P 1 RdT
1 1
1 2
K , K2 = K
,
1 1
1 2
2
Kd1 = K
K .
d , Kd =
d
K1 =
Dmonstration : Considrons la fonction de Lyapunov-Krasovskii suivante :

Vk = T (k)P (k) +
i=d

X
T (k i)Q(k i) .
(4.55)
i=1
En utilisant la dynamique (4.52), nous obtenons

Vk+1 Vk = kT M1 k
o

M1 =
A LC
T

P A LC P + Q
()
()
T

A LC P Ad Ld C

T

Ad Ld C P Ad Ld C Q
()
A LC
T
Ad Ld C
PB
T
BT P B
P B
h
i
kT = T (k) Td (k) fkT .
1 = K 1 , K
2 = K 2 , K
1 = K 1 , K
2 = K 2 ,
K
d
d
d
d
97

la condition (4.53) peut scrire de la manire suivante :
kT M2 k 0
o
M2 =
"
(4.56)
1
M3
f2
Iq
et

M3 =
1C
H K
T

T

1C + K
2C
2C
H K
K
Par consquent
()
T

1C
d1 C + K
2 C Hd K
d2 C
H K
K

T

T
.
d2 C
d2 C + K
d1 C
d1 C
Hd K
Hd K
K

Vk+1 Vk kT M1 + M2 k .
(4.57)
En utilisant le complment de Schur et les notations R = LT P, Rd = LTd P , lingalit M1 +M2 <

0 est quivalente (4.54). Ceci signifie que sous les conditions du Thorme 4.4.1, la fonction
Vk est strictement dcroissante et donc lerreur destimation est asymptotiquement stable.
4.5 Conclusion
Dans ce chapitre, nous avons propos deux mthodes de synthse dobservateurs. La premire
est une extension de lapproche base sur le DMVT propose dans le Chapitre 2 au cas des systmes retard. Cette approche consiste transformer la dynamique de lerreur destimation en
un systme LPV avec retard. Les systmes concerns forment une classe de systmes dont les
non-linarits sont jacobiennes bornes.
La deuxime mthode utilise une nouvelle structure de lobservateur. Cette structure, de type
Luenberger gnralis, permet dobtenir des conditions de synthse applicables une classe
plus large de systmes, savoir les systmes non lipschitziens.
Toutes les conditions de synthse prsentes dans ce chapitre sont exprimes sous forme dingalits matricielles que lon peut rendre linaires (LMIs) en fixant a priori une variable scalaire
positive.
En terme de comparaison, nous concluons les points suivants :
fi
gi
1. Dans le cas o les termes x
et x
sont borns, il est prfrable dutiliser le Thoj
j
rme 4.2.2 (ou bien le Thorme 4.2.6 pour les systmes non diffrentiables).
fi
fi
2. Sil existe des termes x
non borns et tels que 0 x
+, alors nous sommes dans
j
j
lobligation dutiliser le Thorme 4.3.4 sous rserve quune solution existe.
Nous avons galement abord, dans la dernire section de ce chapitre, les systmes retard
temps discret. Une extension de la mthode prsente dans la section 3.2.4 du chapitre 3 a t
tablie en utilisant une fonction de Lyapunov-Krasovskii classique. Les conditions de synthse
proposes contiennent plus de degrs de libert, ce qui les rend moins contraignantes.
98
C HAPITRE
Application la synchronisation
et au cryptage/dcryptage
Sommaire
5.1
5.2
Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . .
Sur les systmes chaotiques . . . . . . . . . . . . . . . . . .
5.2.1 Caractrisation globale du chaos . . . . . . . . . . . . . . .
5.2.2 Quelques exemples de systmes chaotiques . . . . . . . . . .
5.3 Communiquer avec le chaos . . . . . . . . . . . . . . . . . .
5.3.1 Synchronisation des systmes chaotiques . . . . . . . . . . .
5.3.2 Quelques techniques de cryptage/dcryptage . . . . . . . .
5.4 Applications : transmission dimages . . . . . . . . . . . . .
5.4.1 Utilisation de la mthode avec deux lignes de transmission .
5.4.2 Synchronisation et dcryptage simultanment . . . . . . . .
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . .
99
.
.
.
.
.
.
.
.
.
.
.
. . . . .
. . . . .
. . . . . .
. . . . . .
. . . . .
. . . . . .
. . . . . .
. . . . .
. . . . . .
. . . . . .
. . . . .
100
100
100
102
105
105
108
111
111
113
117
Chapitre 5. Application la synchronisation et au cryptage/dcryptage
5.1 Introduction
Dans ce chapitre, nous prsentons une application des rsultats introduits dans les chapitres prcdents la synchronisation et au dcryptage dans les systmes de communications chaotiques.
Nos rsultats interviennent au niveau de la synchronisation qui constitue une tape centrale
dans les schmas de communications. Nous avons choisi la transmission dimages comme application.
Avant de donner les rsultats des simulations numriques en utilisant nos mthodes de synthse
dobservateurs (synchronisation), nous commenons par une brve introduction aux systmes
chaotiques, suivie dune section sur les systmes de communication chaotiques. Dans cette section, nous faisons un tat de lart sur lutilisation du chaos dans les systmes de communication.
En suite, nous prsentons deux principales mthodes de synchronisation des systmes chaotiques et quelques techniques de cryptage/dcryptage existantes dans la littrature.
5.2 Sur les systmes chaotiques

Cette section est consacre aux systmes chaotiques, exploits couramment dans les schmas de
communication chaotiques. Ltude thorique approfondie du chaos est loin dtre lobjectif de ce
mmoire. Nous nous limitons dfinir brivement le phnomne chaotique apparaissant dans
un systme dynamique dterministe. Nous nous contentons de donner une dfinition globale
suivie de quelques exemples de systmes chaotiques clbres.
5.2.1 Caractrisation globale du chaos

Quelques systmes physiques se comportent de manire chaotique. Parmi ces systmes, on peut
citer latmosphre, un robinet qui goutte, un pendule excit dans un champ magntique... Ces
quelques systmes se dmarquent par leurs dimensions et lorigine de leurs mouvements.
Il existe plusieurs dfinitions possibles du chaos. Ces dfinitions ne sont pas toutes quivalentes,
mais elles convergent vers certains points communs caractrisant ainsi le chaos. Ci-dessous, nous
prsentons quelques caractristiques qui permettent de comprendre qualitativement les points
marquants dun systme chaotique.
Sensibilit aux conditions initiales (SCI)
Tout dabord, les systmes chaotiques sont extrmement sensibles aux perturbations. On peut
illustrer ce fait par leffet papillon, popularis par le mtorologue Edward Lorenz.
Lvolution dun systme dynamique chaotique est imprdictible en ce sens quelle est sensible
aux conditions initiales. Ainsi, deux trajectoires de phases initialement voisines scartent toujours lune de lautre, et ceci quelle que soit leur proximit initiale. Il est en particulier clair que
la moindre erreur ou simple imprcision sur la condition initiale interdit de dcider tout temps
quelle sera la trajectoire effectivement suivie et, en consquence, de faire une prdiction autre
que statistique sur le devenir long terme du systme. Ainsi, bien que lon traite de systmes
dterministes, il est impossible de prvoir long terme leurs comportements. La seule manire
est doprer effectivement lvolution du systme. Si cette simulation se fait informatiquement,
100
5.2. Sur les systmes chaotiques

un problme de prcision sur les conditions initiales se pose alors : de petites erreurs darrondissement dues la prcision du type de la variable codant ces conditions initiales peuvent
exponentiellement samplifier de telle sorte que la trajectoire de phases obtenue nest pas reprsentative de la ralit.
Illustrons ce phnomne de SCI par une simulation numrique. On affecte un systme chaotique deux conditions initiales trs proches. Dans un premier temps, les deux systmes voluent
de la mme manire ; mais, trs vite, leur comportement devient diffrent. Ceci est illustr dans
la figure suivante.
40
30
20
10
0
10
20
30
0
10
15
t (Temps)
F IG. 5.1 Evolution dans le temps pour deux conditions initiales trs proches.
Aspect alatoire
Les courbes prcdentes (Figure 5.1) illustrent la sensibilit aux conditions initiales. Cependant,
une autre caractristique des systmes chaotiques peut tre observe sur les courbes prcdentes. En effet, un systme chaotique volue dune manire qui semble alatoire. La courbe
suivante permet de comparer une volution simple, priodique et donc predictible dun systme
classique avec lvolution plus complexe, non priodique et non predictible dun systme chaotique.
40
30
Amplitude
20
10
0
10
20
30
0
4
6
t (Temps)
10
F IG. 5.2 Evolution dans le temps dun systme chaotique, compar une sinusode.
Ainsi, les systmes chaotiques semblent voluer de manire alatoire. En tout cas, on ne peut
101

prvoir facilement quelle sera leur volution dans le temps.
Notons que les systmes chaotiques obissent tout de mme aux lois de la physique. Si on se
place dans lapproximation de la physique classique, on peut affirmer que le systme est totalement dterministe. Il ne faut donc pas se laisser abuser par le caractre a priori alatoire qui ne
dnote quune complexit du systme.
5.2.2 Quelques exemples de systmes chaotiques

Dans cette section, nous prsentons quelques exemples de systmes chaotiques les plus clbres.
Exemples de systmes temps continu

Les exemples considrs sont : le systme de Lorenz, le systme de Rssler et le systme de Chua.
Systme de Lorenz
Le systme de Lorenz est un exemple clbre de systme diffrentiel au comportement chaotique
pour certaines valeurs de paramtres. Ce systme est dfini par les quations suivantes :
x = (y x)
(5.1)
y = rx y xz
z = bz + xy
Ci-dessous lattracteur de Lorenz (lespace des phases) et la coordonne x obtenus partir des
valeurs numriques = 10, r = 83 et b = 28.
40
30
100
10
Amplitude
20
50
0
10
0
50
20
50
0
30
0
4
6
t (Temps)
(a) La premire coordonne, x.
10
0
50
(b) Attracteur chaotique de Lorenz.
F IG. 5.3 Systme chaotique de Lorenz.
102
50
5.2. Sur les systmes chaotiques

Systme de Rssler
Les quations de ce systme sont les suivantes :
x = (y + z)
y = x + ay
z = b + z(x c)
(5.2)
Ce systme, qui a t propos par lAllemand Otto Rssler, est li ltude de lcoulement
des fluides ; il dcoule des quations de Navier-Stokes. Les quations de ce systme ont t
dcouvertes la suite de travaux en cintique chimique. Pour une simulation numrique, nous
prenons a = 0.398, b = 2 et c = 4. Nous obtenons lvolution dans le temps de la coordonne z
et lattracteur de Rssler dans la figure ci-dessous.
6
6
Amplitude
2
0
10
10
0
0
0
20
40
60
t (Temps)
80
(a) La troisime coordonne, z.
100
5
0
10
(b) Attracteur chaotique de Rssler.
F IG. 5.4 Systme chaotique de Rssler.
Systme de Chua
Le systme de Chua est la base un circuit lectrique dont le schma est donn dans la Figure 5.5.
F IG. 5.5 Le circuit lectrique de Chua.

Ce simple circuit lectrique, dvelopp par Leon Chua, possde une dynamique chaotique.
103

La dynamique de ce circuit peut tre dcrite par les quations dtat suivantes :
1
1
x 1 = C1 R (x1 x2 ) + C1 f (x1 )
x 2 = C21R (x1 x2 ) + C12 x3
x = 1 x + R0 x
3
L 2
L 3
avec
et
(5.3)

1
f (x1 ) = Gb x1 + (Ga Gb ) |x1 + E| |x1 E|
2

v1
x1

x = x2 = v2 .
x3
i3
Le portrait de phases de ce systme est donn sur la Figure 5.6.
20
10
0
10
20
2
10
0
x2
0
2 10
x1
F IG. 5.6 Lattracteur chaotique de Chua.
Aprs quelques transformations simples, ce systme peut scrire sous une autre forme, appele
forme sans dimension du circuit de Chua :

f
(x)
(5.4)
y = x y + z
z = y z
o , , sont des constantes et f reprsente la fonction caractristique de la diode de Chua, qui
est donne par

1
f (x) = bx + (a b) |x + 1| |x 1| .
2
avec a < b < 0 sont deux constantes.
104
5.3. Communiquer avec le chaos

Exemples de systmes temps discret
Systme de Henon
Le systme de Hnon est un modle propos en 1976 par le mathmaticien Michel Hnon. Il
sagit dun systme qui introduit des itrations dans le plan. Ces itrations sont dfinies par les
relations suivantes.
(
xk+1 = a x2k + byk
(5.5)
yk+1 = xk
Le portrait de phases (lattracteur) ainsi que la premire coordonne, x, du systme sont reprsents sur la Figure 5.7 pour a = 1.4 et b = 0.3.
xk
3
0
20
40
k (Temps)
60
80
3
3
(a) La premire coordonne, x.
(b) Attracteur chaotique de Henon.
F IG. 5.7 Systme chaotique de Henon.

Il existe dautres systmes chaotiques discrets. Nous citons le systme de Lozi qui consiste en le
systme de Henon pour lequel la non-linarit x2k est remplace par |xk |.
5.3 Communiquer avec le chaos

Lide dutilisation du chaos dans les systmes de communication a t inspire de la dcouverte de Pecora-Carroll en 1990 [91]. Ils ont montr que deux systmes chaotiques identiques
avec des conditions initiales diffrentes peuvent ventuellement se synchroniser sils sont coupls dune certaine manire convenable, cest dire sous certaines conditions. Le dveloppement
des systmes de communication utilisant le chaos a commenc donc avec des schmas de synchronisation trs simples de circuits lectroniques, visant pour le cryptage et la reconstruction
simultans dun signal dinformation. Pour plus de dtails, voir [57], [37].
Dans la suite, nous introduisons quelques dfinitions et rsultats concernant la synchronisation
des systmes chaotiques. En effet, la synchronisation joue un rle primordial dans les schmas
de communication.
5.3.1 Synchronisation des systmes chaotiques

Dans le contexte de la communication, nous signifions par synchronisation quun systme esclave
se force se synchroniser avec un systme matre. Le systme matre peut tre dcrit par un
105

systme diffrentiel
x(t)
= f (x(t)), dans le cas continu,

ou par une quation aux diffrences
x(k + 1) = f (x(k)), dans le cas discret
avec le vecteur dtat x Rn , la condition initiale x(0) et une sortie y = h(x).
Par analogie, le systme esclave est dfini par le systme diffrentiel
x
(t) = f(
x(t), y(t)), dans le cas continu,
ou par une quation aux diffrences
x
(k + 1) = f(
x(k), y(k)), dans le cas discret
(0).
avec le vecteur dtat x
Rn et la condition initiale x
Nous disons que le systme matre se synchronise avec le systme esclave si
lim kx x
k = 0
+
(5.6)
pour tout (x(0), x(0)) Rn Rn . Ce type de synchronisation est appel synchronisation dtat.
Il existe deux mthodes principales de synchronisation dtat que nous prsentons en dtails
ci-dessous :
Auto-synchronisation : Principe de Pecora-Carroll

Certains systmes chaotiques possdent la proprit dauto-synchronisation, cest--dire quon
peut les dcomposer en deux sous-systmes, lun matre, lautre esclave. Ces derniers peuvent se
synchroniser sous leffet dun couplage avec un signal commun.
Dans le schma de synchronization propos par Pecora et Carroll [91], un systme chaotique
x = f (x)
(5.7)
avec une sortie scalaire y = h(x) est dcompos en deux sous-systmes dont les tats sont x1 et
x2 respectivement :
x 1 = f1 (x1 , x2 )
(5.8)
x 2 = f2 (x2 , y)
o
h
x = xT1
xT2
iT
(5.9)
Le systme est partition de faon ce que les Exposants de Lyapunov Conditionnels (ELCs) [91]
du sous-systme (5.9) soient positifs.
Qualitativement, les ELCs caractrisent la stabilit de (5.9). Si tous les ELCs sont ngatifs, alors
la trajectoire x2 (t) est asymptotiquement stable [91]. Ceci signifie que les tats de plusieurs
106

copies du sous-systme (5.9) se synchroniseront laide du mme signal y(t).
En particulier, on considre le systme dcrit par :
x
2 = f2 (
x2 , y)
(5.10)
Si les ELCs de ce systme sont tous ngatifs et x

2 (0) est suffisamment proche de x2 (0), alors
ltat x
2 converge asymptotiquement vers x2 , i.e :
lim kx2 x
2 k = 0.
t+
En gros, le problme dans le principe de Pecora-Carroll est de trouver une dcomposition (5.8)(5.9) convenable, cest dire telle que les ELCs de (5.9) soient ngatifs.
Ce principe, qui a t initi par Pecora et Carroll [91] en 1990 et ensuite repris dans beaucoup
de papiers tels que [34] et [69], peut tre rsum par la figure 5.8.
F IG. 5.8 Principe de Pecora-Carroll.
Synchronisation base dobservateurs

Aprs la dcouverte de Pecora-Carroll [91], le problme de synchronisation a t rapidement reli au problme plus gnral de lobservation dtat non linaire classique [83], [84], [86]. Dans
cette approche, Le systme matre est un systme chaotique quelconque et le systme esclave est
un observateur dtat correspondant. La Figure 5.9 illustre ce principe de synchronisation. Cette
approche est frquemment utilise dans la littrature, le lecteur peut se rfrer de nombreuses
publications telles que [54], [52], [53], [38], [74], [60], [75], [120], [9], [122].
Pour ce principe, nous disons que lmetteur et le rcepteur se synchronisent si le systme
x
= f(
x, u) est un observateur convergent pour le systme x = f (x, u), y = h(x). Autrement
dit, le problme de synchronisation revient dterminer une fonction f telle que :
kx(t) x
(t)k 0, quand t +.
107
F IG. 5.9 Principe de synchronisation base dobservateurs.
5.3.2 Quelques techniques de cryptage/dcryptage

On dispose dans la littrature de diffrents schmas de communications chaotiques ncessitant
la synchronisation. Dans [113], lauteur a prsent toutes les techniques existantes, gnration
par gnration. Il existe de nombreuses techniques de cryptage/dcryptage utilisant comme
tape centrale la synchronisation du chaos [113]. Parmi ces techniques, nous citons les quatres
principales suivantes :
Masquage par addition (The additive chaos masking scheme)

Cette technique dveloppe en 1993 [36] est illustre par la figure 5.10. Elle consiste en deux
systmes chaotiques identiques, lmetteur et le rcepteur. Le signal chaotique c(t) est lune des
variables dtat du systme dans lmetteur. Le message dinformation (le signal utile qui doit
tre crypt) m(t), qui est typiquement trs faible devant c(t), est ajout au signal c(t) et donne
le signal transmis s(t). Comme c(t) est trs complexe et m(t) est beaucoup plus petit que c(t),
alors il est difficile de sparer m(t) du signal s(t) sans connatre c(t).
F IG. 5.10 Schma de communication par addition.
108

Masquage par dcalage (The chaos shift keying)
La mthode de dcalage illustre par la figure 5.11 a t rserve la transmission de messages
numriques [39]. Dans ce schma de communication, le message dinformation est utilis pour
commuter le signal transmis entre deux attracteurs chaotiques statistiquement similaires, qui
sont utiliss respectivement pour coder le bit 0 et le bit 1 du message dinformation numrique.
Ces deux attracteurs sont gnrs par deux systmes chaotiques de mme structure et de paramtres diffrents. A la rception, le signal reu est utilis pour produire un systme chaotique
identique ceux de lmetteur. Le message dinformation est restitu par application dun filtre
passe-bas et ensuite un seuillage de lerreur de synchronisation e(t).
F IG. 5.11 Schma de communication par dcalage.
Les cryptosystmes chaotiques

Cette gnration de systmes de communication reprsente la figure 5.12 a t dveloppe
en 1997 [115]. Cette mthode combine la technique de cryptographie classique et la synchronisation du chaos afin damliorer le degr de scurit un niveau beaucoup plus lev que les
prcdentes.
Dans un cryptosystme chaotique, le message m(t) est crypt par une rgle de cryptage, e(.),
avec un signal cl, k(t), qui est gnr par le systme chaotique de lmetteur. Le signal masqu,
y(t), est ensuite inject dans le systme chaotique afin de changer sa dynamique et la rendre
plus complexe. Une autre variable dtat du systme chaotique, s(t), est transmise travers un
canal de transmission publique accessible par lintrus. Puisque lintrus na pas accs la cl chaotique, k(t), alors il est trs difficile de dduire m(t) de s(t). Au niveau du rcepteur, le signal
reu r(t) = s(t) + n(t), o n(t) est le bruit du canal, est utilis pour synchroniser les deux systmes chaotiques de lmetteur et du rcepteur. Une fois que la synchronisation est acheve, les
signaux k(t) et y(t) seront reconstruits par k(t)

et y(t) respectivement. En utilisant la rgle de
dcryptage, d(.), et les signaux reconstruits k(t) et y(t), alors le message dinformation peut tre
restitu par m(t).
109
F IG. 5.12 Schma de communication en utilisant les cryptosystmes chaotiques.
Systme de communication avec deux lignes de transmission

Pour cette technique, les deux tapes, synchronisation et cryptage, sont indpendantes. En effet, deux lignes de transmission sont utilises. La premire sert synchroniser lmetteur et le
rcepteur, tandis que la deuxime est utilise pour le cryptage.
En gros, ce nouveau schma de communication est compos de trois tapes : 1) cryptage ; 2)
synchronisation ; et 3) dcryptage. Dans la premire tape, une fonction fortement non linaire
est utilise pour crypter simultanment le message confidentiel s(t) et ltat chaotique x(t).
Le signal crypt sc (t) est ensuite envoy travers un canal de transmission vers le rcepteur.
Dans la deuxime tape, un signal chaotique y = h(x) est transmis via un deuxime canal de
transmission spar du premier. Ce signal y est utilis seulement pour la synchronisation, et ne
contient aucune information du message s(t). Dans la troisime et la dernire tape, lestim
z(t) de ltat x(t), gnr par le rcepteur chaotique (construit par le processus de la synchronisation) et la fonction de dcryptage sont utiliss pour reproduire lestim approximatif sd (t)
du message confidentiel s(t). Une description systmatique de cette procdure est illustre par
la figure 5.13. Pour un exemple de fonctions et , le lecteur peut se rfrer [62].
F IG. 5.13 Schma de communication deux lignes de transmission.
Remarque 5.3.1. Mis part les techniques abordes prcdemment, il existe une autre gnration de cryptage/dcryptage, connue sous le nom de modulation chaotique, propose entre 1993
et 1995. Il y a deux faons diffrentes de moduler le message avec la porteuse chaotique. La pre110
5.4. Applications : transmission dimages

mire appele modulation des paramtres [114] utilise le message pour changer les paramtres
de lmetteur chaotique. Quant la deuxime mthode, appele modulation non-autonome [110],
elle utilise le message pour changer lespace de phase de lmetteur chaotique.
5.4 Applications : transmission dimages

Dans cette section, nous prsentons une application des mthodes proposes dans ce manuscrit
la synchronisation et au dcryptage dans les systmes de communications chaotiques. Deux
techniques de cryptage/dcryptage sont utilises. La premire est la mthode avec deux lignes
de transmission reprsentes la figure 5.13. Afin de synchroniser lmetteur et le rcepteur, on
utilise la mthode de synchronisation base dobservateurs. La procdure de synthse du gain de
lobservateur utilise est celle propose dans la section 2.2.2 du chapitre 2 (Thorme 2.2.5). La
seconde technique est base sur les observateurs entres inconnues. Dans ce cas, on utilise un
systme temps discret et la procdure de synthse des gains propose dans le Thorme 3.2.9
du chapitre 3. Il sagt de la restauration de ltat et de lentre inconnue du systme. Ici, lentre
inconnue joue le rle du signal dinformation confidentielle crypter.
Dans les deux cas, il sagt de la transmission dimages comme application.
Afin de raliser le processus de transmission dune image, les transformations suivantes sont
ncessaires :
1. A partir dune image en couleurs, on gnre un signal une dimension en concatnant
les lignes des trois matrices dfinissant limage pour obtenir un seul vecteur. Lutilisation
de la fonction "reshape" du logiciel MATLAB permet davoir cette transformation.
2. Les coefficients du vecteur form sont ensuite normaliss, pour obtenir un signal s(t) [0, 1].
5.4.1 Utilisation de la mthode avec deux lignes de transmission

Pour commencer, on garde les mmes notations que la figure 5.13. Dans cette premire technique, on a choisi comme metteur chaotique le systme de Rssler (voir la section 5.2) dcrit
par les quations :
x 1 = (x2 + x3 )
(5.11)
x 2 = x1 + ax2
x = b + x (x c)
3
3 1
o a = 0.398, b = 2 et c = 4.
Limage originale choisie pour la transmission est reprsente la figure 5.14.
Processus de cryptage
La fonction de cryptage utilise est la suivante :
(x, s) = arctan(x21 + s) + x2 .
(5.12)
111
F IG. 5.14 Image originale.
Limage correspondant au signal crypt (envoy travers un canal de transmission vers le rcepteur), sc = (x, s), est reprsente la figure 5.15.
Processus de synchronisation
Cette tape est hutilise pour
la conception du rcepteur. On choisit comme signal de sortie
i
y = x3 , i.e. C = 0 0 1 . Ce signal, ne contenant aucune information du message s, est utilis
seulement pour la synchronisation. Il est envoy via un deuxime canal de transmission spar
du premier.
Les tats initiaux de lmetteur et du rcepteur sont les suivants :
h
iT
x0 = 1 0 2 ,
h
iT
z0 = 2 2 1 .
En utilisant les LMIs (2.12) du Thorme 2.2.5, on trouve le gain suivant pour lobservateur (2.5) :
h
iT
L = 303.7043 179.9254 76.7712 .
La figure 5.16 montre la convergence vers zro des trois composantes de lerreur de synchronisation x z. La variable x reprsente ltat de lmetteur et z est ltat du rcepteur.
112
F IG. 5.15 Image crypte.
Processus de dcryptage
Cette tape sert reconstruire limage de dpart. La fonction de dcryptage , linverse de
par rapport s, est dfinie par :
(z, sc ) = tan(sc z2 ) z12
(5.13)
o z1 et z2 sont respectivement la premire et la deuxime composante de ltat z du rcepteur.

La figure 5.17 montre limage correspondant au signal sd = (z, sc ) reconstruit.
On constate daprs la figure 5.17 une perte dinformations provenant des conditions initiales inconnues de lmetteur. Afin de palier cette limitation, on a choisi daugmenter la taille de limage
originale par ajout dune partie vide lentre (pixels noirs ou blancs, selon limage utilise). Les
figures 5.18(a) et 5.18(b) reprsentent respectivement limage originale et limage reconstruite
aprs augmentation de la taille.
La figure 5.18(b) montre que limage est bien reconstruite. Seuls les pixels ajouts lentre de
limage originale ont subit une perte dinformations.
5.4.2 Synchronisation et dcryptage simultanment

Dans cette seconde technique, ltat de lmetteur et le signal dinformation correspondant
limage transmettre sont reconstruits simultanment. La technique sinspire des observateurs
entres inconnues tudis dans la section 3.2.5. Les entres inconnues jouent le rle du signal
113
Magnitude
2
0
4
t (Time)
F IG. 5.16 Composantes de lerreur de synchronisation.
dinformation. Le systme chaotique correspondant lmetteur est la version discrete du systme de Lorenz obtenue par la mthode de discrtisation dEuler avec un pas de discrtisation
h = 0.01 s. Ce systme scrit aprs ajout du signal dinformation sous la forme (3.26) avec les
paramtres suivants :

1 10h 10h
0
30

A = 28h
1h
0 , Au = h 28 ,
0
0
1 83 h
10
et la fonction non linaire
"
#
0 0
0 1 0
B = h 1 0 , Hx =
,
0 0 1
0 1
h
i
Hu = 1, C = 1 0 0 , D = 1
"
#

y(k)x3 (k) y(k)u(k)
f Hx x(k), Hu u(k), y(k) =
.
y(k)x2 (k) + y(k)u(k)
La variable u est le signal une dimension correspondant limage originale reprsente la
figure 5.14. Le systme chaotique correrspondant au rcepteur est lobservateur (3.31).
Les tats initiaux de lmetteur et du rcepteur sont les suivants :
h
iT
x0 = 0.1 0.5 0.1 , u0 = 0,
h
iT
z0 = 0.5 1 1 0.1 .
114
F IG. 5.17 Image dcrypte.
En utilisant les ingalits matricielles (3.37)-(3.38) du Thorme 3.2.9 du chapitre 3, on trouve

les gains suivants pour lobservateur (3.31) :
0.3000
0.1000
0
0.3000
0
0.9900
0
0
N =
,
0.0500
0
0.9733 0.0500
0.3000 0.1000
0
0.3000

0.3000
0
0.2800
L=
, K = 0 .
0.1000
0.5
0.3000
Les matrices auxiliaires sont :
1.6948 0.0269 0.0046 0.0854

0.0269 1.9032
0.0015
0.0269
P =
,
0.0046 0.0015
1.9038
0.0046
0.0854 0.0269
0.0046
1.6948
1
"
#
0.5388
0
0
Q=
, S=
0
0
0.5388
1
0
1
0
0

0
0
0
0
,
T
=
.
0
1
0
1
115
(a) Image originale augmente.
(b) Image dcrypte.
F IG. 5.18 Images originale et dcrypte aprs augmentation de la taille.
Les figures 5.19(a) et 5.19(b) montrent respectivement limage envoye travers un canal de
transmission (limage crypte) et limage dcrypte. Daprs la figure 5.19(b), limage est bien
reconstruite. Elle prsente seulement quelques pixels incorrects lentre de limage, qui sont
ds la non connaissance des conditions initiales.
(a) Image crypte.
(b) Image dcrypte.
F IG. 5.19 Images crypte et dcrypte.
Remarque 5.4.1. Il est signaler que les problmes de scurit dans les systmes de communications chaotiques ne sont pas considrs dans ce manuscrit. Il sagt dune application de certaines
procdures de synthse dobservateurs proposes dans ce mmoire aux problmes de synchronisation.
116
5.5. Conclusion
5.5 Conclusion
Dans ce chapitre, aprs une introduction aux systmes chaotiques et un tat de lart sur la
synchronisation et les diffrentes techniques de cryptage/dcryptage en utilisant le chaos, une
application de nos mthodes de synthse dobservateurs est prsente dans la section 5.4. Deux
techniques de cryptage/dcryptage sont utilises : la premire est la mthode avec deux lignes
de transmission. La procdure de synthse du gain de lobservateur utilise pour la synchronisation de lmetteur et le rcepteur est celle propose dans la section 2.2.2 du chapitre 2 (Thorme 2.2.5). La seconde technique est inspire des observateurs entres inconnues. Dans ce
cas, on a utilis la mthode de synthse des gains propose dans le Thorme 3.2.9 du chapitre 3. Il sagt de la restauration de ltat et de lentre inconnue du systme considr. On a
utilis un systme temps discret pour valider les rsultats du chapitre 3. Lentre inconnue est
le signal dinformation transmettre.
Dans les deux cas, le signal dinformation correspond une image.
117
118
Conclusion gnrale
Durant cette thse, nous avons propos plusieurs mthodes de synthse dobservateurs dtat des
systmes non linaires qui permettent damliorer les rsultats existant dans la littrature. Ces
mthodes rduisent le conservatisme de certaines techniques mentionnes dans le chapitre 1,
dans le sens o les conditions de synthse sont moins contraignantes et applicables une classe
plus large de systmes non linaires.
Lune des contributions principales de notre travail de recherche, prsente dans le chapitre 2,
rside dans lutilisation du Thorme des Accroissements Finis (DMVT) qui permet de ramener
le problme destimation dtat dun systme dynamique non linaire un problme de stabilit
dun systme Linaire Paramtres Variant (LPV). En fait, le DMVT intervient au niveau de la
dynamique de lerreur destimation (qui dfinit un systme non linaire quelconque) afin de la
transformer en un systme LPV. En se basant sur les techniques LPV reportes dans la littrature,
des conditions de stabilit sous forme dIngalits Linaires Matricielles (LMIs) ont t obtenues.
Des gnralisations ont t obtenues pour les systmes non diffrentiables, les systmes partiellement LPV et les systmes sorties non linaires. Lutilisation de la thorie H nous a permis
dadapter notre approche au cas des systmes affects par un bruit born. Une conception dun
observateur robuste a t dtaille dans le chapitre 2. Des conditions de synthse du gain de
lobservateur, tenant compte de la robustesse au bruit, ont t tablies. Cette technique a t
ensuite tendue aux systmes non linaires entres inconnues, savoir lestimation de ltat et
des entres inconnues (simultanment) avec des conditions de synthse non contraignantes.
Une deuxime mthode a t galement prsente dans le chapitre 2. Cette dernire repose
sur lutilisation dune nouvelle structure de lobservateur, base sur les observateurs de Luenberger gnraliss. Cette structure permet de complter les rsultats dvelopps dans [44] dune
part, et dautre part elle permet dtendre la mthode base sur la transformation en LPV une
119
Conclusion gnrale
classe plus large de systmes. Une version de cette mthode de transformation en systme LPV
a t prsente dans le chapitre 3 pour le cas des systmes temps discret.
Nous avons galement dvelopp des techniques spcifiques aux systmes non linaires lipschitziens temps discret. Les rsultats, dtaills dans le chapitre 3, que nous avons obtenus
sont intressants. En effet, cette classe de systmes est peu tudie par la communaut scientifique. Peu de mthodes ont t tablies dans la littrature. La contribution principale se situe
dans la construction de nouvelles fonctions de Lyapunov qui ont permis dobtenir des conditions de synthse moins restrictives que celles obtenues antrieurement. Une amlioration de
ce rsultat a t ensuite propose. Cette amlioration repose sur lutilisation dun OLG et lcriture du systme tudi sous une forme plus dtaille, cest--dire, la spcification de la matrice
B de distribution de la non-linarit dans le systme, et la matrice H de distribution de ltat
dans la non-linarit. En fait, linjection de ces matrices dans le systme et lutilisation dun OLG
permettent dliminer leffet de la constante de Lipschitz et rendent les conditions de synthse
moins contraignantes et satisfaites dans la plupart des cas. Il est signaler galement que la
spcification des matrices B et H joue un role trs important sur la faisabilit des conditions de
synthse. En effet, labsence de la matrice H signifie que la mthode de synthse ne distingue
pas un systme, dont la non-linarit dpend de ltat entier, dun autre dont une partie de ltat
est prsente dans la non-linarit. Une application de cette mthode la restauration dentres
inconnues a t directement envisage.
Grce une fonctionnelle de Lyapunov-Krasovskii particulire, une gnralisation, des rsultats obtenus dans les chapitres 2 et 3, des systmes non linaires retard a t prsente dans
le chapitre 4.
Dans le chapitre 5, aprs un bref tat de lart sur la synchronisation et les diffrentes techniques
de cryptage/dcryptage dans les systmes de communications chaotiques, une application la
transmission dimages a t prsente. Deux techniques ont t utilises : la premire est la
mthode deux lignes de transmission (figure 5.13), et la seconde sinspire des observateurs
entres inconnues. Lobjectif de cette application est de valider certaines mthodes de synthse
dobservateurs dveloppes dans ce manuscrit.
Ce travail ouvre la voie dautres dveloppements qui restent ouverts notamment en ce qui
concerne la recherche de nouvelles fonctions de Lyapunov qui permettent de rduire le conservatisme des approches actuellement disponibles dans la littrature. Une autre voie concerne la
recherche dune nouvelle structure dobservateurs qui permet lapplicabilit de nos rsultats
des classes plus larges de systmes non linaires.
Lhypothse sous laquelle la mthode de transformation en systme LPV en utilisant le DMVT
fi
est la bornitude de la jacobienne de la fonction non linaire f , cest dire x
(.) doivent tre
j
des fonctions bornes. Cet obstacle a ouvert deux voies de recherche qui sont actuellement
ltude. Ces deux voies sont les suivantes :
1. Systmes tat born : Il existe plusieurs systmes dynamiques pour lesquels la jacobienne
de la non-linarit nest pas borne et pourtant ltat du systme est born, cest le cas
120
des systmes chaotiques par exemple. Pour cette classe de systmes, nous avons pens
construire un ensemble de systmes dynamiques tats borns bas sur le systme
original. La question qui se pose est comment choisir un lment de cet ensemble dont
ltat convergera vers ltat du systme original ?
2. Systmes tat non born : Pour cette classe de systmes, nous sommes la recherche
dune transformation non linaire gnrale qui puisse transformer le systme en un autre
dont la jacobienne de la nouvelle non-linarit soit borne. Une fois que la transformation
est obtenue, nous utilisons la mthode de transformation en LPV pour estimer ltat du
systme transform et puis utiliser la transformation inverse pour estimer ltat du systme
de dpart.
La rsolution de ces deux problmes permet dtablir une mthode de synthse dobservateurs
pour une classe large de systmes non linaires, avec des conditions de synthse non contraignantes.
121
Conclusion gnrale
122
A NNEXE
Quelques rappels mathmatiques
Sommaire
A.1 Thorie des Matrices . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
A.2 Rappels sur la Convexit . . . . . . . . . . . . . . . . . . . . . . . . . . 124
123
Annexe A. Quelques rappels mathmatiques
A.1 Thorie des Matrices

Cette annexe regroupe des rappels sur quelques notions mathmatiques utilises dans ce mmoire.
Dfinition A.1.1. Une matrice symtrique S Rnn est dite :
ssi xT Sx > 0 pour tout x Rn , x 6= 0.
1. dfinie positive
S>0
2. semi-dfinie positive
S0
3. dfinie ngative
S<0
4. semi-dfinie ngative
S0
ssi xT Sx 0 pour tout x Rn , x 6= 0.
ssi xT Sx < 0 pour tout x Rn , x 6= 0.
ssi xT Sx 0 pour tout x Rn , x 6= 0.
Complment et lemme de Schur

Ici, nous prsentons brivement le complment et le lemme de Schur utiliss dans le chapitre 3.
Dfinition A.1.2. (Complment de Schur [30]) Pour une matrice A inversible, le complment de
Schur de A, dans la matrice M donne par :
!
A B
M :=
C D
est la matrice D CA1 B.
Dfinition A.1.3. (Lemme de Schur [30]) Pour A = AT et C = C T ,
!
A B
>0
BT C
si et seulement si
C B T A1 B > 0 si A > 0
ou de faon quivalente, si et seulement si
A BC 1 B T > 0 si C > 0.
A.2 Rappels sur la Convexit

Comme notre nouvelle approche base sur le DMVT require principalement le principe de
convexit, alors nous prsentons dans cette section quelques dfinitions et proprits sur les
ensembles convexes, les fonctions convexes et le principe de convexit lui mme.
124
A.2. Rappels sur la Convexit

Dfinition A.2.1. (Ensemble convexe) Un ensemble E est dit convexe si
x1 + (1 )x2 E
pour tout x1 , x2 E et pour tout 0 1.
Gomtriquement, ceci signifie que tout segment liant deux points quelconques appartenant
un ensemble convexe est inclus dans cet ensemble.
Dfinition A.2.2. (Fonction convexe) Une fonction : Rn R est dite convexe si

x1 + (1 )x2 (x1 ) + (1 )(x2 )
pour tout x1 , x2 Rn et pour tout 0 1.

La fonction est strictement convexe si et seulement si

x1 + (1 )x2 < (x1 ) + (1 )(x2 )
pour tout x1 6= x2 et pour tout 0 < < 1.
125
Annexe A. Quelques rappels mathmatiques
126
A NNEXE
Rfrences Personnelles
127
Annexe B. Rfrences Personnelles
Revues internationales avec comit de lecture

A. Zemouche and M. Boutayeb. Observer design for Lipschitz nonlinear systems. The
discrete-time case. IEEE Transactions on Circuits & Systems II : Analog and Digital Signal Processing, 53(8) : 777781, 2006.
A. Zemouche, M. Boutayeb, and G. I. Bara. Observers for a Class of Lipschitz Systems with
Extension to H Performance Analysis. Systems & Control Letters, 2007.
A. Zemouche, M. Boutayeb, and G. I. Bara. Observer Design for a Class of Lipschitz TimeDelay Systems. International Journal of Modelling, Identification and Control (IJMIC),
Special Issue on : Observers for Nonlinear Systems.
Confrences internationales avec comit de lecture

A. Zemouche, M. Boutayeb, and G. I. Bara. Nonlinear observers for lipschitz discrete-time
systems. Application to synchronization and input recovery. In 2007 European Control
Conference ECC07, Kos, Greece, July 2007.
A. Zemouche, M. Boutayeb, and G. I. Bara. Observer Design for a Class of Nonlinear TimeDelay Systems. In 2007 American Control Conference ACC07, New York City, USA, July
2007.
A. Zemouche, M. Boutayeb, and G. I. Bara. Observers design for a class of nonlinear systems. In 45th IEEE Conference on Decision and Control CDC 2006, San Diego, California,
USA, December 2006.
A. Zemouche, M. Boutayeb, and G. I. Bara. On observers design for nonlinear time-delay
systems. In 2006 American Control Conference ACC06, Minneapolis, Minnesota, USA,
June 2006.
A. Zemouche and M. Boutayeb. Synchronization by observer based approach for a class
of nonlinear chaotic systems. In 1st IFAC Conference on Analysis and Control of Chaotic
Systems, CHAOS06, Reims, France, 28-30 June 2006.
A. Zemouche and M. Boutayeb. Nonlinear observers design for synchronization and information recovery in communication systems. In Second IEEE-EURASIP International Symposium on Communications, Control and Signal Processing, Marrakech, Morocco, March
2006.
A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for nonlinear systems : An approach based on the differential mean value theorem. In 44th IEEE Conference on Decision
and Control and European Control Conference CDC-ECC 2005, Seville, Spain, December
2005.
G. I. Bara, A. Zemouche, and M. Boutayeb. A new approach for the observer-based synchronization of chaotic systems. In 16th IFAC World Congress, Prague, July 2005.
G. I. Bara, A. Zemouche, and M. Boutayeb. Observer synthesis for Lipschitz discrete-time
systems. In IEEE International Symposium on Circuits and Systems, Japan, Kobe, May
2005.
128
Confrence nationale avec comit de lecture

A. Zemouche, G. I. Bara, and M. Boutayeb. Synchronisation par une approche baseobservateur pour les systmes non linaires lipschitziens temps discret. In Journes Doctorales et Nationales du GDR MACS du CNRS, JDMACS-JNMACS, Lyon, France, September
2005.
Revues internationales en cours de soumission

A. Zemouche, M. Boutayeb, and G. I. Bara. H Filtering Based Synchronization for a
Class of Nonlinear Systems. IEEE Transaction on Signal Processing. (En rvision)
A. Zemouche and M. Boutayeb. Observer Synthesis Method for a Class of Lipschitz Nonlinear Systems with Some Extensions. IEEE Transaction on Automatic Control. (En prparation)
A. Zemouche and M. Boutayeb. Nonlinear Observers for Lipschitz Discrete-Time Systems.
Application to Robust Synchronization and Unknown Input Recovery. IEEE Transaction on
Circuits & Systems I. (En prparation)
Confrence internationale en cours de soumission

A. Zemouche and M. Boutayeb. A New Observer design method for a Class of Lipschitz
Nonlinear Discrete-Time Systems with Time-Delay. Extension to H Performance Analysis.
In 46th IEEE Conference on Decision and Control CDC 2007, New Orleans, USA, December 2007. (Soumis)
129
Annexe B. Rfrences Personnelles
130
Bibliographie
[1] W. Aggoune, M. Boutayeb, and M. Darouach. Observers design for a class of nonlinear
systems with time-varying delay. In 38th IEEE Conference on Decision and Control CDC
1999, Phoenix, Arizona, USA, December 1999.
[2] A. Alessandri. Design of observers for Lipschitz nonlinear systems using LMI. NOLCOS,
IFAC Symposium on Nonlinear Control Systems, Stuttgart, Germany, 2004.
[3] M. Arcak. A global separation theorem for a new class of nonlinear observers. In 41th
IEEE Conference on Decision and Control CDC 2002, Las Vegas, Nevada, USA, December
2002.
[4] M Arcak and P. Kokotovic. Nonlinear observers : A circle criterion design. In 38th IEEE
Conference on Decision and Control CDC 1999, Phoenix, Arizona, USA, December 1999.
[5] M Arcak and P. Kokotovic. Nonlinear observers : A circle criterion design and robustness
analysis. Automatica, 37(12) :19231930, 2001.
[6] M Arcak and P. Kokotovic. Observer-based control of systems with slope-restricted nonlinearities. IEEE Trans. Automatic Control, 46(7) :15, 2001.
[7] D. Aubry, M. Boutayeb, and M. Darouach. Observateurs de type Kalman tendu pour les
systmes non linaires temps discret. application une machine asynchrone. In Colloque
Inter-GDR Thme Commande des Entranements Electriques, Paris, France, 1998.
[8] D. Aubry, M. Boutayeb, and M. Darouach. On extended Kalman type observers 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 14311436, 2001.
[9] G. I. Bara, A. Zemouche, and M. Boutayeb. A new approach for the observer-based
synchronization of chaotic systems. In 16th IFAC World Congress, Prague, July 2005.
[10] G. I. Bara, A. Zemouche, and M. Boutayeb. Observer synthesis for Lipschitz discrete-time
131
Bibliographie
systems. In IEEE International Symposium on Circuits and Systems, Japan, Kobe, May
2005.
[11] G.I. Bara. State estimation of linear parameter-varying systems. PhD Thesis, National
Polytechnic Institute of Lorraine, 2001.
[12] G.I. Bara, J. Daafouz, F. Kratz, and J. Ragot. Parameter dependent state observer design
for affine LPV systems. Int. J. of Control, 74(16) :16011611, 2001.
[13] M. Benallouch, E. Laroche, M. Boutayeb, and J.-J. E.Slotine. Nonlinear observer design
for synchronization and information recovery in communication systems using contraction theory. In 2007 European Control Conference ECC07, Kos, Greece, July 2007.
[14] O. Bernard and J. L. Gouz. State estimation for bioprocesses. In lecture notes : Mathematical Control Theory, Trieste, ICTP, 2002.
[15] O. Bernard, G. Sallet, and A. Sciandra. Nonlinear observers for a class of biological
systems : Application to validation of a Phytoplanktonic growth model. IEEE Trans. on
Automatic Control, 43(8) :10561065, 1998.
[16] D. Bestle and M. Zeitz. Canonical form observer design for nonlinear time-variable systems. International Journal of Control, 38(2) :419431, 1983.
[17] K. P. M. Bhak and H. N. Koivo. An observer theory for time-delay systems. IEEE Transaction on Automatic Control, 21(4) :266269, 1976.
[18] J. Birk and M. Zeitz. Extended Luenberger observer for nonlinear multi-variable systems.
International Journal of Control, 47(6) :18231836, 1988.
[19] G. Bornard, F. Celle-Couenne, and G. Gilles. Observabilit et observateurs. chapitre 3.
systmes non linaires. tome 1 : Modlisation-Estimation. Masson, 1993.
[20] 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.
[21] M. Boutayeb. Observers design for linear time-delay systems. Systems and Control Letters,
44 :103109, 2001.
[22] M. Boutayeb. Synchronization and input recovery in digital non-linear systems. IEEE
Trans. Circuits Syst. II :Express Brief, 51(8) :393399, 2004.
[23] M. Boutayeb and D. Aubry. A strong tracking extended Kalman observer for nonlinear
discrete-time systems. IEEE Trans. on Automatic Control, 44(8) :15501556, 1999.
[24] 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.
[25] 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.
[26] M. Boutayeb and M. Darouach. A kalman type observer for discrete-time systems with
multiple delays. In 37th IEEE Conference on Decision and Control CDC 2006, TampaFlorida, USA, December 1998.
132
[27] M. Boutayeb and M. Darouach. A reduced order observer for nonlinear discrete-time
systems. Systems & Control Letters, 39 :141151, 2000.
[28] M. Boutayeb, M. Darouach, and H. Rafaralahy. Generalized state-space observers
for chaotic synchronization and secure communication. IEEE Trans. Circuits Syst. I,
49(3) :345349, 2002.
[29] 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) :581586, 1997.
[30] S. Boyd, L. El Ghaoui, E. Feron, and V. Balakrishnan. Linear matrix inequalities in system
and control theory. In SIAM Studies in Applied Mathematics, Philadelphia, USA, 1994.
[31] S. Boyd and L. Vandenberghe. Convex optimization with engineering applications. Lecture Notes, Stanford University, Stanford, 2001.
[32] E. Brookner. Tracking and Kalman filtering made easy. John Wiley & Sons, 1998.
[33] R. Brown and P Hwang. Introduction to random signals and applied Kalman filtering : with Matlab exercises and solutions. John Wiley & Sons, Third Edition, 1997.
[34] T.L. Carroll and L.M. Pecora. Synchronizing chaotic circuits. IEEE Trans. Circuits Syst. I,
38(4) :453456, 1991.
[35] G. Chen. Approximate Kalman filtering. World Scientific series in approximations and
decompositions, 1993.
[36] K. M. Cuomo, A. V. Oppenheim, and S. H. Strogatz. Synchronization of lorenz-based
chaotic circuits with applications to communications. IEEE Trans. Circuits Syst. II,
40(10) :626633, 1993.
[37] P. Curran and L. Chua. Absolute stability theory and the synchronization problem. Int. J.
of Bifurcation and Chaos, 7(6) :13751382, 1997.
[38] A De Angeli, R Genesio, and A Tesi. Dead-beat chaos synchronization in discrete-time
systems. IEEE Trans. Circuits Syst. I, 42(1) :5456, 1995.
[39] H. Dedieu, M. P. Kennedy, and M. Hasler. Chaos shift keying : modulation and demodulation of a chaotic carrier using self-synchronizing chuas circuits. IEEE Trans. Circuits Syst.
II, 40(10) :634642, 1993.
[40] F. Deza, D. Bossanne, E. Busvelle, J. P. Gauthier, and D. Rakotopara. Exponential observers for nonlinear systems. IEEE Trans. Automatic Control, 38(3) :482484, 1993.
[41] F. Deza, E. Busvelle, J. P. Gauthier, and D. Rakotopara. High gain estimation for nonlinear
systems. Systems & Control letters, 18, 1992.
[42] K. El Rifai and J.J.E. Slotine. Compositional contraction analysis of hybrid nonlinear
systems. IEEE. Trans. Aut. Control, 2006.
[43] X. Fan and M. Arcak. Nonlinear observer design for systems with multivariable monotone
nonlinearities. In 41th IEEE Conference on Decision and Control CDC 2002, Las Vegas,
Nevada, USA, December 2002.
[44] X. Fan and M Arcak. Observer design for systems with multivariable monotone nonlinearities. Systems and Control Letters, 50 :319330, 2003.
133
Bibliographie
[45] M. Farza, K. Busawon, and H. Hammouri. Simple nonlinear observers for on-line estimation of Kinetic rates in bioreactors. Automatica, 34(3) :301318, 1993.
[46] J. P. Gauthier and G. Bornard. Observability for any u(t) of a class of nonlinear systems.
IEEE Trans. Automatic Control, 26(4) :922926, 1994.
[47] J. P. Gauthier, H. Hammouri, and S. Othman. A simple observer for nonlinear systems.
Applications to bioreactors. IEEE Trans. on Automatic Control, 37(6) :875880, 1992.
[48] A. Germani, C. Manes, and P. Pepe. Numerical solution for optimal regulation of stochastic hereditary systems with multiple discrete delays. In 34th IEEE Conference on Decision
and Control CDC 2006, New Orleans, Louisiana, USA, December 1995.
[49] A. Germani, C. Manes, and P. Pepe. A state observer for nonlinear delay systems. In 37th
IEEE Conference on Decision and Control CDC 2006, Tampa-Florida, USA, December 1998.
[50] A. Germani and P. Pepe. A state observer for nonlinear delay systems. 2004.
[51] A. Glumineau, C. H. Moog, and F. Plestan. New algebro-geometric conditions for the
linearization by input-output injection. IEEE Trans. Automatic Control, 41(4) :598603,
1996.
[52] G. Grassi and S. Mascolo. Nonlinear observer design to synchronize hyperchaotic systems
via a scalar signal. IEEE Trans. Circuits Syst. I, 44(10) :10111014, 1997.
[53] G. Grassi and S. Mascolo. Synchronizing hyperchaotic systems by observer design. IEEE
Trans. Circuits Syst. II, 46(4) :478483, 1999.
[54] G. Grassi and D.A. Miller. Theory and experimental realization of observer-based discretetime hyperchaos synchronization. IEEE Trans. Circuits Syst. I, 49(3) :373378, 2002.
[55] M. Grewal and A. Andrews. Kalman filtering : Theory and practice. Prentice Hall, 1993.
[56] K. Gu, V.L. Kharitonov, and J. Chen. Stability of time-delay systems. Birkhuser, 2003.
[57] M. Hasler. Engineering chaos for encryption and broadband communication. Phil. Trans.
Royal Soc. London, A, 353 :115126, 1995.
[58] R. Herman and J. Krener. Nonlinear controlability and observability. IEEE Trans. Automatic Control, 22(5) :728740, 1977.
[59] M. Hou and A.C. Pugh. Observer with linear error dynamics for nonlinear multi output
systems. Systems and Control Letters, 37(1) :19, 1999.
[60] H.J.C. Huijberts, T. Lilge, and H. Nijmeijer. Nonlinear discrete-time synchronization via
extended observers. I. J. of Bifurcation and Chaos, 11(7) :19972006, 2001.
[61] A. H. Jazwinski. Stochastic processes and filtering theory. New York Academic, 1970.
[62] Z. P. Jiang. A note on chaotic secure communication systems. IEEE Trans. Circuits Syst. I,
49(1) :9296, 2002.
[63] J. Jouffroy. A simple extension of contraction theory to study incremental stability properties. In 2003 European Control Conference ECC03, Cambridge, United Kingdom, September 2003.
[64] J. Jouffroy and J.-J. E.Slotine. Methodological remarks on contraction theory. IEEE conference on Decision and control, pages 25372543, 2004.
134
[65] N. Kazantzis and C. Kravaris. Nonlinear observer design using Lyapunovs auxiliary theorem. Systems & Control Letters, 34(5) :241247, 1998.
[66] H. Keller. Nonlinear observer design by transformation into a generalized observer canonical form. International. Journal of Control, 46(6) :19151930, 1987.
[67] V.L. Kharitonov. Robust stability analysis of time delay systems : A survey. Annu. Rev.
Control, 23 :185196, 1999.
[68] V.L. Kharitonov and A.P. Zhabko. Lyapunov-krasovskii approach for robust stability of
time delay systems. Automatica, 39 :1520, 2003.
[69] G. Kolumbn, M. P. Kennedy, and L. O. Chua. The role of synchronization in digital
communications using chaos : Part II : Chaotic modulation and chaotic synchronization.
IEEE Trans. Circuits Syst. I, 45(11) :11291140, 1998.
[70] N.N. Krasovskii. Stability of motion. Stanford University Press,Stanford CA, USA (translation by J. Brenner), 1963.
[71] A. J. Krener and A. Isidori. Linearization by output injection and nonlinear observers.
Systems and Control Letters, 3(1) :4752, 1983.
[72] A. J. Krener and W. Respondek. Nonlinear observer with linearizable error dynamics.
SIAM Journal on Control and Optimization, 23(2) :197216, 1985.
[73] C. W. Li and L. W. Tao. Observing nonlinear time-variable systems through a canonical
form observer. International Journal of Control, 44(6) :17031713, 1987.
[74] T.L. Liao and N.S. Huang. An observer-based approach for chaotic synchronization with
applications to secure communications. IEEE Trans. Circuits Syst. I, 46(9) :11441150,
1999.
[75] T. Lilge. Nonlinear discrete-time observers for synchronization problems, volume 244.
Springer verlag edition, 1999. New directions in nonlinear observer design.
[76] J. Lohmiller and J.-J. E.Slotine. On contraction analysis for nonlinear systems. Automatica, 34(6) :683696, 1998.
[77] J. Lohmiller and J.-J. E.Slotine. Control system design for mechanical systems using
contraction theory. IEEE Trans. Aut. Control, 45(5) :984989, 2000.
[78] W. Lohmiller and J.J.E. Slotine. Nonlinear process control using contraction theory.
A.I.Ch.E. Journal, 2000.
[79] W. Lohmiller and J.J.E. Slotine. Contraction analysis of nonlinear distributed systems.
International Journal of Control, 2005.
[80] F. Mazenc and S. I. Niculescu. Lyapunov stability analysis for nonlinear delay systems.
In 39th IEEE Conference on Decision and Control CDC 2000, Sydney, Australia, December
2000.
[81] E. A. Misawa and J. K. Hedrick. Nonlinear observers-a state of the art survey. ASME
Journal of Dynamic Systems, Measurement, and Control, 111 :344352, 1989.
[82] S. Mondi and V.L. Kharitonov. Exponential estimates for retarded time-delay systems :
An lmi approach. IEEE Transaction on Automatic Control, 50(2) :268273, 2005.
135
Bibliographie
[83] O. Morgl and E. Solak. Observer based synchronization of chaotic systems. Phys. Rev.
E., 54 :48024811, 1996.
[84] O. Morgl and E. Solak. On the synchronization of chaotic systems by using state observations. Int. J. Bifurcations Chaos, 7(6) :13071322, 1997.
[85] H. Nijmeijer. Observability of autonomous discret-time nonlinear systems : a geometric
approach. Int. J. of Control, 36 :862874, 1982.
[86] H. Nijmeijer and I. M. Y. Mareels. An observer looks at synchronization. IEEE Trans.
Circuits Syst. I, 44(10) :882890, 1997.
[87] H. Nijmeijer and A. J. Van der Schaft. Nonlinear dynamical control systems. SpringVerlag, 1990.
[88] P. R. Pagilla and Y. Zhu. Controller and observer design for Lipschitz nonlinear systems.
In IEEE American Control Conference ACC04, Boston, Massachusetts, USA, July 2004.
[89] R. V. Patel and M. Toda. Quantitative measures of robustness in multivariable systems.
In American Control Conference, San-Francisco, USA, 1980.
[90] A. E. Pearson and Y. A. Fiagbedzi. An observer for time lag systems. IEEE Transaction on
[91] L.M. Pecora and T.L. Carroll.
64(8) :821824, 1990.
Synchronization in chaotic systems.
Phys. Rev. Lett.,
[92] A. R. Phelps. On constructing nonlinear observers. SIAM Journal on Control and Optimization, 29(3) :516534, 1991.
[93] F. Plestan and A. Glumineau. Linearization by generalized input-output injection. Systems
and Control Letters, 31(2) :115128, 1997.
[94] K. M. Przyluski and A. Sosnowski. On observers for linear discrete-time systems with
delays and unknown disturbances. Systems and Control Letters, 13 :165170, 1989.
[95] S. Raghavan and J. K. Hedrick. Observer design for a class of nonlinear systems. Int. J.
of Control, 59(2) :515528, 1994.
[96] R Rajamani. Observers for Lipschitz nonlinear systems. IEEE Trans. Automatic Control,
43(3) :397401, 1998.
[97] K. Reif, F. Sonnemann, and R. Unbehauen. An EKF based nonlinear observer with a
prescribed degree of stability. Automatica, 34(9) :11191123, 1998.
[98] K. Reif, F. Sonnemann, and R. Unbehauen. Nonlinear state observation using H -filtring
riccati design. IEEE Trans. Automatic Control, 44(1) :203208, 1999.
[99] J. Rudolph and M. Zeitz. A block triangular nonlinear observer normal form. Systems and
Control Letters, 23 :18, 1994.
[100] Jean-Jacques Slotine and Weiping Li. Applied nonlinear control. Prentice Hall, Englewood
Cliffs, New Jersey, January 1991.
[101] 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) :5978, 1995.
136
[102] E. D. Sontag. A concept of local observability. Systems and Control Letters, 5(1) :4147,
1984.
[103] M. Soroush. Nonlinear state observer design with application to reactors. Chemical Engineering Science, 52(3) :387404, 1997.
[104] K. Tan and K. M. Grigoriadis. L2 L2 and L2 L Output feedback control of timedelayed LPV systems. In 39th IEEE Conference on Decision and Control CDC 2000, 2000.
[105] F. E. Thau. Observing the state of nonlinear dynamic systems.
17(3) :471479, 1973.
Int. J. of Control,
[106] B. L. Walcott, M. J. Corless, and S. H. Zak. Comparative study of nonlinear state observation techniques. Int. J. of Control, 45(6) :21092132, 1987.
[107] W. Wang and J.-J.E. Slotine. On partial contraction analysis for coupled nonlinear oscillators. Biological Cybernetics, 92(1), 2004.
[108] X.F. Wang, G.-Q. Zhong, K.-S. Tang, K.F. Man, and Z.-F. Liu. Generating chaos in chuas
circuit via time-delay feedback. IEEE Trans. Circuits Syst. I, 48(9) :11511156, 2001.
[109] K. Watanabe. Finite spectrum assignment and observer for multivariable systems with
commensurate delays. IEEE Transaction on Automatic Control, 31(6) :543550, 1986.
[110] C. W. Wu and L. O. Chua. A simple way to synchronize chaotic systems with applications
to secure communication systems. Int. J. of Bifur. Chaos, 3 :16191627, 1994.
[111] F. Wu and K. M. Grigoriadis. LPV systems with parameter-varying time delays : analysis
and control. Automatica, 37 :221229, 2001.
[112] X. H. Xia and W. B. Gao. Nonlinear observer design by observer error linearization. SIAM
J. Control and Optimization, 27(1) :199216, 1989.
[113] Tao Yang. A survey of chaotic secure communication systems. International Journal of
Computational Cognition, 2(2) :81130, 2004.
[114] Tao Yang and L. O. Chua. Secure communication via chaotic parameter modulation. IEEE
Trans. Circuits Syst. I, 43(9) :817819, 1996.
[115] Tao Yang, C. W. Wu, and L. O. Chua. Cryptography based on chaotic systems. IEEE Trans.
Circuits Syst. I, 44(5) :469472, 1997.
[116] S. H. Zak. On the stabilization and observation of nonlinear/uncertain dynamic systems.
IEEE Trans. on Automatic Control, 35(5) :397401, 1990.
[117] M. Zeitz. Comments on comparative study of nonlinear state observation techniques.
Int. J. of Control, 46(5) :18611863, 1987.
[118] M. Zeitz. The extended Luenberger observer for nonlinear systems. Systems and Control
Letters, 9 :149156, 1987.
[119] A. Zemouche, G. I. Bara, and M. Boutayeb. Synchronisation par une approche baseobservateur pour les systmes non linaires lipschitziens temps discret. In Journes
Doctorales et Nationales du GDR MACS du CNRS, JDMACS-JNMACS, Lyon, France, September 2005.
137
Bibliographie
[120] A. Zemouche and M. Boutayeb. Nonlinear observers design for synchronization and information recovery in communication systems. In Second IEEE-EURASIP International Symposium on Communications, Control and Signal Processing, Marrakech, Morocco, March
2006.
[121] A. Zemouche and M. Boutayeb. Observer design for Lipschitz nonlinear systems. The
discrete-time case. IEEE Transactions on Circuits & Systems II : Analog and Digital Signal
Processing, 53(8) :777781, 2006.
[122] A. Zemouche and M. Boutayeb. Synchronization by observer based approach for a class
of nonlinear chaotic systems. In 1st IFAC Conference on Analysis and Control of Chaotic
Systems, CHAOS06, Reims, France, 28-30 June 2006.
[123] A. Zemouche, M. Boutayeb, and G. I. Bara. Observers for a class of Lipschitz systems with
extension to H performance analysis. Submitted to Systems & Control Letters.
[124] A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for nonlinear systems :
An approach based on the differential mean value theorem. In 44th IEEE Conference
on Decision and Control and European Control Conference CDC-ECC 2005, Seville, Spain,
December 2005.
[125] A. Zemouche, M. Boutayeb, and G. I. Bara. Observers design for a class of nonlinear
systems. In 45th IEEE Conference on Decision and Control CDC 2006, San Diego, California,
USA, December 2006.
[126] A. Zemouche, M. Boutayeb, and G. I. Bara. On observers design for nonlinear time-delay
systems. In 2006 American Control Conference ACC06, Minneapolis, Minnesota, USA,
June 2006.
[127] A. Zemouche, M. Boutayeb, and G. I. Bara. Nonlinear observers for lipschitz discrete-time
systems. Application to synchronization and input recovery. In 2007 European Control
Conference ECC07, Kos, Greece, July 2007.
[128] A. Zemouche, M. Boutayeb, and G. I. Bara. Observer design for a class of nonlinear
time-delay systems. In 2007 American Control Conference ACC07, New York, USA, July
2007.
[129] F. Zhu and Z. Han. A note on observers for Lipschitz nonlinear systems. IEEE Trans.
138
Rsum
Lobjectif de cette thse tait de dvelopper des mthodes de synthse dobservateurs offrant des conditions de synthse non contraignantes. Trois mthodes ont t proposes et diffrentes classe de systmes
ont t traites. La premire est la mthode de transformation en systme LPV base sur lutilisation du
thorme des accroissements finis (DMVT). Cette technique, qui fournit des conditions de synthse non
restrictives, est tendue plusieurs classes de systmes non linaires tels que les systmes non diffrentiables, les systmes sorties non linaires, les systmes entres inconnues, les systmes retard
et les systmes temps discret. La seule limitation lie la mthode est le fait quelle nest applicable
que pour des non-linarits jacobiennes bornes. Afin de sourmonter cette limitation, une deuxime
mthode est obtenue en combinant la technique du DMVT avec une nouvelle structure dobservateurs de
type Luenberger gnraliss. Grce cette structure, de nouvelle conditions de synthse sont tablies.
Ces conditions sont valables mme si la jacobienne de la non-linarit nest pas borne.
Par ailleurs, une nouvelle mthode de synthse dobservateurs spcifique aux systmes temps discret est
galement propose. Cette mthode utilise la condition de Lipschitz conjointement avec la fonction de
Lyapunov standard. Des amliorations, qui permettent dobtenir des conditions de synthse non contraignantes, sont ensuite proposes en faisant appel une nouvelle fonction de Lyapunov plus gnrale (qui
tient compte de la non-linarit du systme) et un observateur de Luenberger gnralis (OLG) qui
permet de rduire leffet de la constante de Lipschitz.
Enfin, les rsultats obtenus sont valids par une application la synchronisation et au cryptage/dcryptage
dans les systmes de communications chaotiques.
Mots-cls: observateurs non linaires, stabilit au sens de Lyapunov, systmes temps discret, systmes
retard, synchronisation des systmes chaotiques, synthse H , principe de convexit, thorme des
accroissement finis, systmes LPV, LMI
Abstract
The objective of this thesis was to develop observers synthesis methods providing nonrestrictive synthesis conditions. Three methods are proposed and different classes of systems are treated. The first one is
the method of transformation into LPV system based on the use of the Differential Mean Value Theorem (DMVT). This technique, which provides nonrestrictive synthesis conditions, is extended to several
classes of nonlinear systems such as nondifferentiable systems, systems with nonlinear outputs, systems
with unknown inputs, time-delay systems and discrete-time systems. The only limitation related to this
method lies in the fact that it is applicable only for nonlinearities with bounded jacobian. In order to
overcome this limitation, a second method is obtained by combining the DMVT technique with a new
structure of generalized Luenberger observers. Thanks to this structure, new synthesis conditions are established. These conditions are valid even if the jacobian of the nonlinearity is not bounded.
In addition, a new observers synthesis method for discrete-time systems is also proposed. This method
uses conjointly the Lipschitz condition with the Lyapunov standard function. Improvements, which allow to obtain nonrestrictive synthesis conditions, are proposed by using a new more general Lyapunov
function (which takes account of the nonlinearity of the system) and with a generalized Luenberger
observer (OLG) which allows to reduce the effect of the Lipschitz constant.
Finally, the obtained results are validated by an application to synchronization and encoding/decoding in
chaotic communication systems.
Keywords: nonlinear observers, Lyapunov stability, discrete-time systems, time-delay systems, synchronization of chaotic systems, H filtering, convexity principle, differential mean value theorem, LPV systems, LMI

Zemouche Ali 2007

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Zemouche Ali 2007

Uploaded by

Copyright:

Available Formats

Thse prsente pour obtenir le grade de

Docteur de lUniversit Louis Pasteur

Sur lobservation de ltat des

Soutenue publiquement le Mars

Mohamed BOUTAYEB, Professeur, Universit Louis Pasteur, Strasbourg

Ce travail a t ralis au Laboratoire des Sciences de lImage, de lInformatique et de la

ma trs chre pouse Samia

Table des matires

1.2 Rappels et gnralits . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.1 Stabilit des systmes dynamiques : Stabilit de Lyapunov . . . . . . . . .

1.2.2 Mthode directe de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.3 Stabilit des systmes retard . . . . . . . . . . . . . . . . . . . . . . . . .

1.2.4 Analyse de la contraction . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3 Observateurs dtat des systmes non linaires . . . . . . . . . . . . . . . . . . . .

1.3.1 Principe destimation dtat . . . . . . . . . . . . . . . . . . . . . . . . . .

1.3.2 Observabilit des systmes non linaires . . . . . . . . . . . . . . . . . . .

1.3.3 Les diffrents types dobservateurs : tat de lart . . . . . . . . . . . . . . .

2.2 Approche base sur le DMVT : Transformation en LPV . . . . . . . . . . . . . . .

2.2.1 Prliminaires et formulation du problme . . . . . . . . . . . . . . . . . .

Table des matires

2.2.3 Observateur avec gain affine . . . . . . . . . . . . . . . . . . . . . . . . . .

2.2.4 Systmes sorties non linaires . . . . . . . . . . . . . . . . . . . . . . . .

2.2.5 Systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . . . . . .

2.3 Extension au filtrage H : observateur robuste . . . . . . . . . . . . . . . . . . .

2.3.1 Synthse dobservateur H . . . . . . . . . . . . . . . . . . . . . . . . . .

2.4 Extension au cas des systmes entres inconnues . . . . . . . . . . . . . . . . .

2.5 DMVT et Observateur de Luenberger Gnralis (OLG) . . . . . . . . . . . . . . .

2.5.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

2.5.4 Cas des systmes entres inconnues . . . . . . . . . . . . . . . . . . . . .

3.2 Synthse dobservateurs temps discret : premire approche . . . . . . . . . . . .

3.2.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.2 Synthse de lobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.3 Premire amlioration : utilisation de nouvelles fonctions de Lyapunov . .

3.2.4 Deuxime amlioration : utilisation dun observateur de Luenberger gnralis (OLG) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.2.5 Extension la restauration dentres inconnues . . . . . . . . . . . . . . .

3.3 Transformation en LPV laide du DMVT : seconde approche . . . . . . . . . . . .

3.3.1 Formulation du Problme . . . . . . . . . . . . . . . . . . . . . . . . . . .

3.3.2 Mthode de synthse dobservateur . . . . . . . . . . . . . . . . . . . . . .

3.3.3 Exemple numrique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2 Premire mthode : transformation en LPV . . . . . . . . . . . . . . . . . . . . . .

4.2.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.2.2 Procdure de synthse dobservateur . . . . . . . . . . . . . . . . . . . . .

4.2.3 Cas des systmes non diffrentiables . . . . . . . . . . . . . . . . . . . . .

4.3 Deuxime mthode : utilisation des OLGs . . . . . . . . . . . . . . . . . . . . . .

4.3.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.3.2 Synthse dobservateur . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.4 Systmes temps discret . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.4.1 Formulation du problme . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.4.2 Conditions de synthse de lobservateur . . . . . . . . . . . . . . . . . . .

Table des matires

Table des figures

1.1 Principe destimation dtat. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.1 Evolution exponentielle de lerreur destimation. . . . . . . . . . . . . . . . . . . .

Example 2 : Le comportement asymptotique de lerreur destimation.

Evolution dans le temps pour deux conditions initiales trs proches. . . . .

Table des figures

Schma de communication par dcalage. . . . . . . . . . . . . . . . . .

Ensemble des nombres rels

Matrice M symtrique dfinie (resp. semi-dfinie) positive

Valeur singulire minimale de M

Filtre de Kalman tendu (Extended Kalman Filter)

tat de lart sur les observateurs