Systèmes non linéaires 1

Karim Yadi 2
Université de Tlemcen

1
Notes de la première partie du cours de post-graduation et de master M1 Au-
tomatique 2010-2011, largement inspirées du cours de post-graduation, Université de
Tlemcen, 2003 et 2005 donnés par le professeur Tew…k Sari de l’Université de Mul-
house, France.
2
Laboratoire Systèmes Dynamiques et Applications. E-mail :
k_yadi@mail.univ-tlemcen.dz
Table des matières

1 Théorie des systèmes 2

1.1 Rappels sur les systèmes linéaires . . . . . . . . . . . . . . . . . . 2
1.2 Généralités sur les systèmes di¤érentiels . . . . . . . . . . . . . . 3
1.2.1 Teminologie . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2 Existence et unicité . . . . . . . . . . . . . . . . . . . . . 4
1.2.3 Dépendance par rapport aux conditions initiales et aux
paramètres . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Systèmes autonomes et points d’équilibre . . . . . . . . . . . . . 7
1.4 Comportements linéaire et non linéaire . . . . . . . . . . . . . . . 8

2 Théorie de la stabilité 10
2.1 Stabilité des équilibres . . . . . . . . . . . . . . . . . . . . . . . . 10
2.1.1 Concepts de stabilité . . . . . . . . . . . . . . . . . . . . . 10
2.1.2 Stabilité de l’origine pour un système linéaire . . . . . . . 11
2.1.3 Approximation linéaire d’un système . . . . . . . . . . . . 12
2.2 Fonctions de Lyapounov . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1 Stabilité des équilibres . . . . . . . . . . . . . . . . . . . . 13
2.2.2 Principe d’invariance de LaSalle . . . . . . . . . . . . . . 14
2.2.3 Fonctions de Lyapounov pour les systèmes linéaires . . . . 16
2.2.4 La méthode de Krasowskii . . . . . . . . . . . . . . . . . . 17
2.3 Stabilité des systèmes non autonomes . . . . . . . . . . . . . . . 19
2.3.1 Uniformité des concepts de stabilité . . . . . . . . . . . . 19
2.3.2 Approximation linéaire d’un système . . . . . . . . . . . . 20
2.3.3 Fonctions de Lyapounov . . . . . . . . . . . . . . . . . . . 21
2.3.4 Lemme de Barbalat . . . . . . . . . . . . . . . . . . . . . 22

3 Théorie de la commande 24
3.1 Stabilisation et suivi de trajectoires . . . . . . . . . . . . . . . . . 24
3.2 Stabilisation locale . . . . . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Dérivées et crochets de Lie . . . . . . . . . . . . . . . . . . . . . . 27
3.4 Linéarisation par bouclage . . . . . . . . . . . . . . . . . . . . . . 28

1
Chapitre 1

Théorie des systèmes

1.1 Rappels sur les systèmes linéaires

La solution d’un système linéaire

x_ = Ax; x 2 Rn ; (1.1)

où A est une matrice carrée d’ordre n, et x un vecteur colonne de dimension n,

est donnée par (voir [1])
x(t) = etA x(0): (1.2)
La matrice exponentielle etA est dé…nie par la série
1 2 2 1 n n
etA = I + tA + t A + + t A + (1.3)
2! n!
Pour calculer cette matrice exponentielle on cherche les valeurs propres de la
matrice A, c’est à dire les racines du polynôme caractéristique

PA ( ) = det(A I):

Le polynôme caractéristique est de degré n en . Il admet donc s racines dis-

tinctes 1 ; ; s de multiplicités algébriques m( i ) satisfaisant

m( 1) + + m( s) = n:

Par conséquent
m( 1) m( s)
PA ( ) = ( 1) ( s) :

L’indice ( ) d’une valeur propre est le premier entier tel que la suite croissante
des noyaux
Ker(A I) Ker(A I) +1
soit stationnaire pour ( ). Pour toute valeur propre de A on a

1 ( ) m( ):

2
CHAPITRE 1. THÉORIE DES SYSTÈMES 3

Le polynôme minimal MA ( ) de A est donné par

( 1) ( s)
MA ( ) = ( 1) ( s) :

Les valeurs propres de A sont réelles ou complexes. Si elles sont complexes,

alors elles sont conjuguées deux à deux. Les composantes xi (t), i = 1; ;n
de la solution (1.2) sont des combinaisons linéaires, à coe¢ cients constants, de
termes de la forme
1. tj et où est une valeur propre rélle de A et 0 j < ( ),
j ta j ta
2. t e cos bt et t e sin bt, c’est à dire les parties réelles et imaginaires de
tj et , où = a + ib est une valeur propre complexe de A et 0 j < ( ).
On en déduit le résultat suivant.

Théorème 1 1. Si 9j Re( j ) > 0 ou si 9k Re( k ) = 0 et ( k ) > 1 alors il

existe une solution x(t) telle que x(t) soit non bornée quand t ! 1.
2. Si 8j Re( j ) < 0 alors il existe M > 0 et > 0 tels que pour toute solution
x(t) on ait kx(t)k M kx(0)ke t pour tout t 0. Par conséquent toutes
les solutions tendent vers l’origine.
3. Si 8j Re( j ) 0 et Re( j ) = 0 ) ( j ) = 1 alors il existe M > 0 tel que
pour toute solution x(t) on ait kx(t)k M kx(0)k pour tout t 0.

1.2 Généralités sur les systèmes di¤érentiels

1.2.1 Teminologie
Considérons un système d’équations di¤érentielles

x_ = f (t; x); (1.4)

où le vecteur d’état x = (x1 ; ; xn ) est un vecteur de dimension n, et la

fonction f est une fonction vectorielle (t; x) 7! f (t; x) = (f1 (t; x); ; fn (t; x))
dé…nie sur un domaine D R Rn . Ainsi (1.4) est un système de n équations
di¤érentielles
x_ 1 = f1 (t; x1 ; ; xn );
(1.5)
x_ n = fn (t; x1 ; ; xn ):
On suppose que les fonction réelles fi , i = 1; ; n, sont continues dans le
domaine D. Une solution de (1.4) est une fonction dérivable

t 7! x(t) = (x1 (t); ; xn (t));

dé…nie dans un intervalle I R dans Rn telle que pour tout t 2 I on ait

(t; x(t)) 2 D; et x(t)

_ = f (t; x(t));
dx
où x(t)
_ = dt (t) désigne la dérivation par rapport à t.
CHAPITRE 1. THÉORIE DES SYSTÈMES 4

Le domaine D est appelé l’espace des phases étendu. L’équation (1.4) dé…nit
un champ de vecteurs dans D dé…ni de la manière suivante : à tout (t; x) 2 D
est attaché le vecteur
X(t; x) = (1; f (t; x)):
Le graphe d’une solution (x(t)) est tangent à ce champ de vecteurs, en chacun
de ses points (t; x(t)). Le graphe d’une solution est appelé une courbe intégrale
ou trajectoire. L’image d’une solution est appelée une orbite.

1.2.2 Existence et unicité

Soit (t0 ; x0 ) 2 D. Le problème de Cauchy consiste en la détermination des
solutions du système (1.4) satisfaisant la condition initiale

x(t0 ) = x0 : (1.6)

x_ = f (t; x);
(1.7)
x(t0 ) = x0 ;
où t0 est la valeur initiale du temps, x0 est la valeur initiale donnée de la solution
inconnue x(t) et (t0 ; x0 ) 2 D.
Soit s et r des constantes strictement positives telles que le cylindre

R = f(t; x) 2 Rn+1 : jt t0 j s; kx x0 k rg (1.8)

est inclus dans le domaine D. Soit M = max(t;x)2R kf (t; x)k et = min(s; r=M ).

Théorème 2 (Théorème d’existence de Cauchy-Peano) Si la fonction f est

continue dans D, alors le problème de Cauchy (1.7) admet une solution dé…nie
pour jt t0 j .

Exemple 3 Considérons le problème de Cauchy

x_ = 3jxj2=3 ; x(0) = 0: (1.9)

Ce problème admet une in…nité de solutions dé…nies sur R. En e¤et pour tous
0 et 0, la fonction x ; dé…nie par
8
< (t )3 si t < ;
x ; (t) = 0 si t ;
:
(t )3 si t > ;

est une solution du problème (1.9).

Cet exemple montre qu’il faut exiger plus que la continuité de la fonction
f pour obtenir l’unicité de la solution du problème de Cauchy (1.4,1.6). La
condition de Lipshitz implique l’unicité. Une fonction f est dite localement
lipschitzienne en x dans le domaine D si pour tout point (t0 ; x0 ) 2 D il existe
un cylindre
R = [t0 s; t0 + s] B(x0 ; r);
CHAPITRE 1. THÉORIE DES SYSTÈMES 5

où s > 0 et B(x0 ; r) est la boule de centre x0 et de rayon r > 0, tel que R D,

et il existe une constante k 0, telle que pour tous (t; x1 ) et (t; x2 ) dans R on
ait
kf (t; x1 ) f (t; x2 )k kkx1 x2 k:
La constante k s’appelle la constante de Lipschitz de f dans R. Si f admet des
dérivées partielles par rapport à x continues dans D alors elle est localement
lipshitzienne dans D.

Théorème 3 (Euler-Cauchy) Si la fonction f est continue dans D et satisfait

la condition de Lipschitz dans R, alors le problème de Cauchy (1.7) admet une
solution unique notée x(t; t0 ; x0 ) dé…nie dans jt t0 j .

Cette solution est prolongeable à un intervalle maximal

I(t0 ; x0 ) =]a; b[; avec 1 a < t0 < b +1:

Exercice 2 Montrer que les solutions de l’équation x_ = x2 sont données par

x(t; t0 ; x0 ) = 1+x0x(t0 0 t) . Montrer que cette solution est dé…nie sur l’intervalle
1 < t < t0 + x0 1 si x0 > 0, qu’elle est dé…nie sur l’intervalle 1 < t < +1
si x0 = 0, et qu’elle est dé…nie sur l’intervalle t0 + x0 1 < t < +1 si x0 < 0.
Exercice 3 Véri…er qu’une équation d’ordre supértieur
dn y dy dn 1 y
n
= g t; y; ; ;
dt dt dtn 1
peut être réduite à un système di¤érentiel du premier ordre
dy dn 1 y
y = x1 ; = x2 ; ; = xn :
dt dtn 1

1.2.3 Dépendance par rapport aux conditions initiales et

aux paramètres
La fonction x(t; t0 ; x0 ) est continue para rapport à toutes ses variables. C’est
la propriété de dépendance continue des solutions par rapport aux conditions
initiales. Si, de plus, le champ de vecteur f dépend continûment d’un paramètre
2 Rk , le système (1.7) s’écrit alors

x_ = f (t; x; ); x(t0 ) = x0 (1.10)

où f est une fonction continue dé…nie dans un domaine D R Rn Rk . Alors,

la solution x(t; t0 ; x0 ; ) de (1.10) est continue par rapport au paramètre . La
preuve de ce résulat repose sur l’inégalité de Gronwall. Plus précisément, soit s,
r et l des constantes strictement positives telles que le cylindre

R = f(t; x) 2 Rn+1 : jt t0 j s; kx x0 k r; k 0k lg

est inclus dans le domaine D. Soit M = max(t;x; )2R kf (t; x; )k. Soitt =
min(s; r=M ).
CHAPITRE 1. THÉORIE DES SYSTÈMES 6

Lemma 1 (Gronwall inequality) If , , (t) 0 are real valued and conti-

nuous for a t b, and for all t 2 [a; b] we have
Z t
(t) (t) + (s) (s)ds
a

then for all t 2 [a; b] we have

Z t Rt
(u)du
(t) (t) + (s) (s)e s ds
a

Théorème 4 Supposons que la fonction f (t; x; ) est continue et satisfait la

condition de Lipschitz

kf (t; x1 ; ) f (t; x2 ; )k kkx1 x2 k

dans le cylindre. Alors la solution x(t; ) de (1.10), qui est dé…nie dans [t0 ; t0 +
] B( 0 ; l), est continue par rapport à .

Preuve Du théorème 3, la solution x(t; ) est dé…nie pour tout t 2 [t0 ; t0 +

]. Le théorème sera démontré si l’on établit que

8" > 0 9 > 0 8 (k k< ) kx(t; + ) x(t; )k < ")

pour tout 2 B( 0 ; l). On a

Z t
x(t; + ) = x0 + f (s; x(s; + ); + )ds
t0
Z t
x(t; ) = x0 + f (s; x(s; ); )ds
t0

Soit "1 = k"= ek 1 . D’après la continuité de f (t; x; ), sachant que kx(t; )

x0 k r pour t 2 [t0 ; t0 + ],

9 1 >08 (k k< 1 ) kf (t; x(t; ); + ) f (t; x(t; ); )k < "1 )

uniformément par rapport à t 2 [t0 ; t0 + ]. En utilisant en plus la condition de

Lipschitz, on obtient
Z t
kx(t; = ) x(t; )k kf (s; x(s; + ); + ) f (s; x(s; ); )kds
t0
Z t
kf (s; x(s; + ); + ) f (s; x(s; ); + )kds
t0
Z t
+ kf (s; x(s; ); + ) f (s; x(s; ); )kds
t0
Z t
"1 (t t0 ) + kkx(s; + ) x(s; )kds
t0
CHAPITRE 1. THÉORIE DES SYSTÈMES 7

Le lemme de Gronwall permet alors d’écrire

Z t
kx(t; + ) x(t; )k "1 (t t0 ) + k"1 (s t0 )ek(t s)
ds
t0
ek(t t0 )
1 ek 1
= "1 "1 ="
k k
.
Notons que la dépendance des solutions par rapport à la condition initiale x0
et à t0 pourrait être réduite à celle par rapport aux paramètres dans le membre
de droite du système. En e¤et, les changement de variables
y=x x0 ; =t t0
transforment (1.10) en
dy
= g( ; y; ; x0 ; t0 )
d
où g( ; y; ; x0 ; t0 ) = f (t0 + ; x0 +y; ). Ainsi, la solution x(t; t0 ; x0 ; ) de (1.10)
passant par x0 à l’instant t0 est continue par rapport à toutes ses variables.

1.3 Systèmes autonomes et points d’équilibre

Un système (1.4) est dit autonome ou bien indépendant du temps si le second
membre ne dépend pas explicitement de t :
x_ = f (x) (1.11)
avec f : ! Rn une fonction continue sur un domaine de Rn . Si x(t) est une
solution de (1.11) dé…nie sur un intervalle (a; b), alors pour tout nombre réel ,
x(t ) est une solution de (1.11) dé…nie sur l’intervalle (a + ; b + ). Si f est
localement lipshitzienne alors pour toute condition initiale x0 , il y a une unique
solution de (1.11) telle que x(0) = x0 . Cette solution est notée x(t; x0 ). L’orbite
d’un point x0 2 est l’ensemble
(x0 ) = fx(t; x0 ) : t 2 I(x0 )g
où I(x0 ) est l’intervalle maximal de dé…nition de la solution x(t; x0 ). La semi-
orbite positive est dé…nie par + (x0 ) = fx(t; x0 ) : t 2 I(x0 ); t 0g. Il y a une
orbite et une seule passant par un point de . Cette propriété n’est pas vraie
pour un système non autonome.
Dé…nition 1 Un point x est un point d’équilibre, (ou point singulier ou point
…xe ou état stationnaire) du système (1.11) si x(t) x est une solution.
De la dé…nition d’un point d’équilibre on déduit que
x point d’équilibre , f (x ) = 0:
La courbe intégrale d’un point d’équilibre est une droite dans R donnée
par x(t) x et l’orbite de x est le singleton (x ) = fx g.
CHAPITRE 1. THÉORIE DES SYSTÈMES 8

1.4 Comportements linéaire et non linéaire

Pour un système linéaire on a les propriétés suivantes
– Si A est non singulière, alors x = 0 est l’unique point d’équilibre du
système.
– Les solutions sont dé…nies pour tout t 2 R.
– Si A est de Hurwitz, c’est à dire que toutes ses valeurs propres sont de
partie réelle strictement négative, alors toutes les solutions tendent vers
l’origine. On dit que x = 0 est globalement attractif.
– Le principe de superposition s’applique : si x1 (t) est une solution de

x_ = Ax + Bu

correspondant à l’entrée (ou terme forçant) u1 (t) et x2 (t) est une solution
correspondant à l’entrée u2 (t) alors 1 x1 (t) + 2 x2 (t) est une solution
correspondant à l’entrée 1 u1 (t) + 2 u2 (t).
Aucune de ses propriétés n’est vraie dans le cas non linéaire, comme on le
voit avec les exemples suivants.
Exemple 1 Considérons le système scalaire

x_ = x2 + u; x(0) = 0:

Alors on a
u1 (t) = 1 ) x1 (t) = th(t);
u2 (t) = 4 = 4u1 (t) ) x2 (t) = 2th(2t) 6= 4x1 (t):
Par conséquent le principe de superposition n’est pas vrai pour les systèmes non
linéaires.
Exemple 2 Considérons le système scalaire

x_ = x + x2 :

Les solutions sont données par :

t
x0 e
x(t) = t
; avec x0 = x(0):
1 + x0 (e 1)
Les points d’équilibre sont x = 0 et x = 1.
– Pour x0 > 1, la solution est dé…nie sur l’intervalle ] 1; ln x0x0 1 [. Elle
explose en l’in…ni en temps …ni.
– Pour 1 > x0 > 0, la solution est dé…nie sur l’intervalle ] 1; +1[. Elle
tend vers 0 quand t ! +1.
– Pour x0 < 0, la solution est dé…nie sur l’intervalle ] ln x0x0 1 ; +1[. Elle tend
vers 0 quand t ! +1.
Ainsi toutes les solutions de condition initiale x0 avec x0 < 1 sont attirées
vers 0 quand t ! +1. On dit que l’intervalle ] 1; 1[ est le bassin d’attraction
de l’origine. L’attractivité n’est pas globale.
CHAPITRE 1. THÉORIE DES SYSTÈMES 9

Un autre comportement des systèmes non linéaires qui ne se présente pas

dans le cas linéaire est celui des cycles limites. Dans un système non linéaire
les solutions peuvent tendre vers des trajectoires périodiques non constantes,
comme dans l’équation de van der Pol :

• + (x2
x 1)x_ + x = 0:

Lorsque jxj > 1 le terme (x2 1)x_ représente un frottement, alors qu’il représente
un apport d’énérgie lorsque jxj < 1. Ainsi les solutions ne peuvent ni tendre
vers 0 ni s’éloigner à l’in…ni. En vertu du théorème de Poincaré Bendixson, elles
tendent vers un cycle limite (voir [6], chapitre 2 pour les détails).
Exercice 1 Ecrire le système

x_ 1 = x2 x1 (x21 + x22 );
x_ 2 = x1 x2 (x21 + x22 );

en coordonnées polaires et en déduire que, si 0, toutes les solutions tendent

vers l’origine et que, si > 0, toutes les solutions, sauf l’origine, tendent vers le
cercle x21 + x22 = .
Chapitre 2

Théorie de la stabilité

2.1 Stabilité des équilibres

2.1.1 Concepts de stabilité
On se donne un système
x_ = f (x); tel que f (0) = 0 (2.1)
admettant x = 0 comme équilibre (noter que par un changement de variable on
peut toujours ramener l’équilibre à l’origine).
Dé…nition 2 L’équilibre x = 0 du système (2.1) est dit stable si pour tout
" > 0, il existe > 0 tel que pour toute solution x(t) de (2.1) on ait
kx(0)k < ) 8t 0 kx(t)k < ":
Si l’équilibre n’est pas stable on dit qu’il est instable. Ceci s’exprime par la
propriété qu’il existe " > 0, tel que pour tout > 0, il existe une solution x(t)
de (2.1) telle que
kx(0)k < et 9t 0 kx(t)k ":
Dé…nition 3 L’équilibre x = 0 du système (2.1) est dit attractif s’il existe r > 0
tel que pour toute solution x(t) de (2.1) on ait
kx(0)k < r ) lim x(t) = 0:
t!1

L’équilibre x = 0 du système (2.1) est dit globalement attractif si pour toute

solution x(t) de (2.1) on a limt!1 x(t) = 0.
L’ensemble B dé…ni par la propriété
x(0) 2 B ) lim x(t) = 0
t!1

s’appelle le bassin d’attraction de l’origine. Ainsi x = 0 est attractif si B(0; r)

B, où B(0; r) est la boule de centre 0 et de rayon r > 0. Il est globalement
attractif si B = Rn .

10
CHAPITRE 2. THÉORIE DE LA STABILITÉ 11

Dé…nition 4 L’équilibre x = 0 du système (2.1) est dit asymptotiquement

stable s’il est stable et attractif. Il est dit globalement asymptotiquement stable
(GAS) s’il est stable et globalement attractif.

Dé…nition 5 L’équilibre x = 0 du système (2.1) est dit exponentiellement

stable s’il existe r > 0, M > 0 et > 0 tels que pour toute solution x(t)
on ait
kx(0)k < r ) kx(t)k M kx(0)ke t ; pour tout t 0:
L’équilibre x = 0 du système (2.1) est dit globalement exponentiellement stable
s’il existe M > 0 et > 0 tels que pour toute solution x(t) de (2.1) on a
kx(t)k M kx(0)ke t pour tout t 0.

Exercice 3 Montrer que

stable n’implique pas attractif

attractif n’implique pas stable

exponentiellement stable implique asymptotiquement stable
asymptotiquement stable n’implique pas exponentiellement stable

Dans le cas des systèmes linéaires, attractif implique stable et asymptotique-

ment stable équivaut à exponentiellement stable, comme on le montre dans la
section suivante.

2.1.2 Stabilité de l’origine pour un système linéaire

Considérons le système linéaire

x_ = Ax (2.2)

où A est une matrice carrée d’ordre n. Soient 1 ; ; s les valeurs propres

de la matrice A. Considérons le point d’équilibre x = 0 du système linéaire
(2.2). Comme un corollaire du Théorème 1 on voit que la stabilité de ce point
d’équilibre se lit sur les valeurs propres de la matrice A.

Théorème 5 1. Si 9j Re( j) > 0 ou si 9k Re( k) = 0 et ( k) > 1 alors

x = 0 est instable.
2. Si 8j Re( j) < 0 alors x = 0 est globalement exponentiellement stable.
3. Si 8j Re( j ) 0 et Re( j ) = 0 ) ( j ) = 1 et s’il existe k tel que
Re( k ) = 0 alors x = 0 est stable mais non asymptotiquement stable.

Par conséquent pour un système linéaire x_ = Ax les propriétés suivantes

sont équivalentes :
– l’origine est attractive
– l’origine est globalement attractive
CHAPITRE 2. THÉORIE DE LA STABILITÉ 12

– l’origine est asymptotiquement stable

– l’origine est globalement asymptotiquement stable
– l’origine est exponentiellement stable
– l’origine est globalement exponentiellement stable
– toutes les valeurs propres de A sont de partie réelle strictement négative.

2.1.3 Approximation linéaire d’un système

Considérons un système
x_ = f (x); (2.3)
tel que f (x ) = 0, de sorte que x = x soit un équilibre du système. On note

@f
A= (x )
@x
la matrice jacobienne de f évaluée au point x . Le système linéaire

x_ = Ax (2.4)

s’appelle le linéarisé (ou l’approximation linéaire) du système non linéaire (2.3)

en x . L’étude de la stabilité de l’origine pour le linéarisé permet dans certains
cas de caractériser la stabilité de l’équilibre x = x de (2.3). Plus précisément
on a le résultat suivant.

Théorème 6 1. Si x = 0 est asymptotiquement stable (c’est à dire si toutes

les valeurs propres sont de partie réelle strictement négative) pour (2.4)
alors x = x l’est pour (2.3).
2. Si x = 0 est exponentiellement instable (c’est à dire qu’il existe au moins
une valeur propres de partie réelle strictement positive) pour (2.4) alors
x = x est instable pour (2.3).
3. Dans tous les autres cas on ne peut rien dire sur la stabilité de x = x
pour (2.3).

Exercice 4 Déterminer les positions d’équilibre du pendule

• + _ + sin = 0

et étudier leur stabilité.

Exercice 5 Etudier la stabilité de l’origine pour le système considéré dans
l’exercie 1.
Exercice 6 Déterminer les positions d’équilibre du pendule avec frottement non
linéaire
• + _j_j + = 0

et étudier sa stabilité.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 13

2.2 Fonctions de Lyapounov

2.2.1 Stabilité des équilibres
Considérons un système

x_ = f (x); tel que f (0) = 0; (2.5)

admettant x = 0 comme équilibre . Soit V : ! R une fonction dé…nie dans

un voisinage de l’origine et admettant des dérivées partielles continues. On
note
i=n
X
@V @V
V_ (x) = (x) f (x) = (x)fi (x)
@x i=1
@xi
la dérivée de la fonction V dans la direction du champ de vecteurs f . Cette
dérivée s’appelle aussi la dérivée de Lie de V et se note Lf V . Pour toute solution
x(t) de (2.5) on a
d
V (x(t)) = V_ (x(t)):
dt
Dé…nition 6 On dit que V est une fonction de Lyapounov pour le système
(2.5) en x = 0 dans , si pour tout x 2 on a
– V (x) > 0 sauf en x = 0 où V (0) = 0
– V_ (x) 0.

Théorème 7 1. S’il existe une fonction de Lyapounov pour (2.5) en x = 0

dans un voisinage de 0, alors x = 0 est stable.
2. Si de plus x 6= 0 ) V_ (x) < 0 alors x = 0 est asymptotiquement stable.
3. Si de plus = Rn et V (x) ! 1 quand kxk ! 1 alors x = 0 est GAS.
2
Exercice 7 La fonction V ( ; _ ) = 1 cos + 21 _ est une fonction de Lyapounov
pour le pendule considéré dans l’exercice 4. En e¤et on a

V_ ( ; _ ) = _ 2;

donc l’origine est stable. On ne peut pas conclure en ce qui concerne la stabilité
asymptotique. Que peut-on conclure avec la fonction
1 _2 1 _
V ( ; _ ) = 2(1 cos ) + + ( + )2 :
2 2
2
Exercice 8 Montrer que la fonction V ( ; _ ) = 21 2 + 12 _ est une fonction de
Lyapounov pour le pendule avec frottement non linéaire considéré dans l’exercice
6. Conclusion ?
Exercice 9 Montrer que

x21
V (x1 ; x2 ) = + x22
1 + x21
CHAPITRE 2. THÉORIE DE LA STABILITÉ 14

est une fonction de Lyapounov en x = 0, dé…nie dans R2 , pour le système

6x1 2 (x1 + x2 )
x_ 1 = 2 + 2x2 ; x_ 2 = 2 :
(1 + x21 ) (1 + x21 )
En déduire que l’origine est asymptotiquement stable. Comme la fonction V
n’est pas non bornée quand kxk ! 1 on ne peut pas en déduire que x = 0
est GAS. D’ailleurs une solution du système, issue d’un point situé à droite de
l’hyperbole
2
x2 = p ;
x1 2
ne peut pas traverser cette hyperbole (montrer le) et ne peut donc pas tendre
vers l’origine.

2.2.2 Principe d’invariance de LaSalle

Dé…nition 7 Un ensemble G Rn est dit positivement invariant si toute so-
lution x(t) telle que x(0) 2 G reste dans G pour tout t 0.

Si x est un point d’équilibre alors fx g est positivement invariant.

Théorème 8 (Lyapounov-LaSalle) Soit V : ! R+ une fonction admettant

des dérivées partielles continues et telle qu’il existe l > 0 pour lequel la région l
dé…nie par V (x) < l soit bornée et V_ (x) 0 pour tout x 2 l . Soit R = fx 2 l :
V_ (x) = 0g et soit M le plus grand ensemble positivement invariant inclus dans
R. Alors toute solution issue de l tend vers M quand t ! 1. En particulier si
f0g est la seule orbite contenue dans R alors x = 0 est asymptotiquement stable
et l est contenu dans son bassin d’attraction.

Exercice 10 Ce théorème permet d’obtenir la stabilité asymptotique même

lorsque la dérivée de Lie de la fonction de Lyapounov n’est pas strictement
négative en dehors de l’équilibre. Utiliser le pour préciser les résultats obtenus
dans les exercices 7 et 8.
Exemple 4 Ce théorème permet d’obtenir l’attractivité d’un cycle. Considérons
pour cela le système considéré dans l’exercice 1 avec > 0. Soit
2
V (x1 ; x2 ) = x21 + x22 :

On a
2
V_ (x1 ; x2 ) = 4 x21 + x22 x21 + x22 :
2
Soit l = . Alors l est la couronne

l = f(x1 ; x2 ) 2 R2 : 0 < x21 + x22 < 2 g:

Comme le cercle M = fx21 + x22 = g est le seul ensemble invariant inclus dans
R = fx 2 l : V_ (x) = 0g, on en déduit que toutes les trajectoires issues de la
couronne l tendent vers M quand t ! 1.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 15

Exercice 11 Utiliser la méthode de l’exemple précédent pour montrer que le

système
x_ 1 = x2 x71 (x41 + 2x22 )
x_ 2 = x31 3x52 (x41 + 2x22 )
admet, pour > 0, l’ensemble M = fx41 + 2x22 = g comme ensemble invariant
attractif. En écrivant le système sur M , montrer que M est un cycle (c’est à
dire l’orbite d’une solution périodique). Considérer pour cela la fonction
2
V (x1 ; x2 ) = x41 + 2x22 :

Théorème 9 Soit V : Rn ! R+ une fonction admettant des dérivées partielles

continues. On suppose que V (x) est non bornée quand kxk ! 1 et que V_ (x) 0
pour tout x 2 Rn . Soit R = fx 2 Rn : V_ (x) = 0g et soit M le plus grand
ensemble positivement invariant inclus dans R. Alors toutes les solutions tendent
vers M quand t ! 1. En particulier si f0g est la seule orbite contenue dans R
alors x = 0 est GAS.

Exemple 5 Considérons le système d’ordre 2

x
• + b(x)
_ + c(x) = 0;

avec b et c des fonctions continues véri…ant les conditions

xb(
_ x)_ < 0 pour x_ 6= 0 et xc(x) < 0 pour x 6= 0:

L’énérgie totale de ce système

Z x
1
_ = x_ 2 +
V (x; x) c(y)dy
2 0

est une fonction positive (montrer le) véri…ant

V_ (x) = xb(
_ x):
_

On a V_ = 0 , x_ = 0, mais le système ne peut pas rester sur l’ensemble x_ = 0,

sauf si x = 0, car x_ = 0 implique

x
•= c(x);

qui est non nul si x 6= 0. Par conséquent l’origine (x = 0; x_ = 0) est la seule

orbite contenue dans l’ensemble dé…ni par V_ = 0.
R xOn en déduit que l’origine est
asymptotiquement stable. Si de plus l’intégrale 0 c(y)dy est non bornée quand
jxj ! 1 alors l’origine est GAS.
Les critères de stabilité et de stabilité asymptotique présentés dans les théo-
rèmes 7, 8 et 9 sont faciles à utiliser, mais ils ne donnent aucune information sur
les méthodes pour construire des fonctions de Lyapounov. En réalité il n’existe
pas de méthode générale. Dans la suite de ce chapitre on présente deux méthodes
qui s’appliquent dans des classes particulières de systèmes.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 16

2.2.3 Fonctions de Lyapounov pour les systèmes linéaires

Nous avons besoin des rappels suivants d’algèbre linéaire.

Dé…nition 8 Une matrice carrée P d’ordre n est dite dé…nie positive si et

seulement si pour tout x 2 Rn

x 6= 0 ) xT P x > 0:

Si P est une matrice symétrique alors ses valeurs propres sont réelles et on
a
min
kxk xT P x max
kxk:
Pour véri…er qu’une matrice symétrique P est dé…nie positive, on peut utiliser
le critère de Sylvester (P est dé…nie positive si et seulement si tous ses mineurs
principaux sont positifs).
Considérons un système linéaire

x_ = Ax: (2.6)

Théorème 10 L’origine x = 0 de (2.6) est asymptotiquement stable si et seule-

ment si pour toute matrice dé…nie positive Q il existe une matrcie dé…nie positive
P telle que
AT P + P A = Q: (2.7)
En ce cas V (x) = xT P x est une fonction de Lyapounov pour (2.6) en x = 0.

Pour la preuve de ce théorème il su¢ t d’observer que

V_ (x) = x_ T P x + xT P x_ = xT (AT P + P A)x = xT Qx:

Donc le théorème de Lyapounov s’applique et montre que x = 0 est asymptoti-

quement stable. Pour la réciproque on dé…nit
Z +1
T
P = esA QesA ds:
0

Cette intégrale est bien convergente car toutes les valeurs propres de la matrice
A et donc aussi de sa transposée AT sont de partie réelle strictement négative.
La matrice P est dé…nie positive car
T
x 6= 0 ) 8s 0 esA x QesA x > 0 ) xT P x > 0:

Par ailleurs on a
Z +1 h i
T T
AT P + P A = AT esA QesA + esA QesA A ds:
0

Comme
d sA
e = AesA = esA A;
ds
CHAPITRE 2. THÉORIE DE LA STABILITÉ 17

on en déduit que
T T d sAT sA
AT esA QesA + esA QesA A = e Qe :
ds
Par conséquent
T s=+1
AT P + P A = esA QesA = Q:
s=0

Donc P véri…e l’équation (2.7) appelée l’équation matricielle de Lyapounov.

Pour construire une fonction de Lyapounov pour le système (2.6) il faut
procéder de la manière suivante :
– Choisir une matrice dé…nie positive Q (par exemple Q = Id)
– Résoudre l’équation de Lyapounov (2.7). Si on a choisi Q symétrique alors
P sera symétrique aussi.
– Véri…er que P est dé…nie positive.
Exercice 12 Construire une fonction de Lyapounov V (x) pour le système li-
néaire en dimension 2 dont la matrice est
0 4
A= :
8 12

Montrer que cette fonction V est aussi une fonction de Lyapounov, dans un
voisinage de l’origine que l’on précisera, pour le système non linéaire

x_ 1 = 4x2 + x22 ;
x_ 2 = 8x1 12x2 :

En déduire un domaine d’attraction de l’origine pour ce système non linéaire.

2.2.4 La méthode de Krasowskii

Théorème 11 Soit x_ = f (x) un système non linéaire tel que f (0) = 0. Soit

@f
A(x) = (x)
@x
la matrice Jacobienne de f . On suppose que la matrice

F (x) = A(x) A(x)T (2.8)

est dé…nie positive pour tout x 2 où est un voisinage connexe de 0. Alors

x = 0 est l’unique équilibre du système dans . Il est asymptotiquement stable.
On peut prendre
V (x) = f (x)T f (x) = kf (x)k2
comme fonction de Lyapounov. Si de plus = Rn et V (x) est non bornée quand
kxk ! 1 alors x = 0 est GAS.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 18

Pour la preuve il faut d’abord remarquer que A(x) est inversible pour tout
x 2 . En e¤et s’il existe x 2 et y 6= 0 tel que A(x)y = 0 alors y T A(x)T = 0
et
y T F (x)y = y T A(x)y + y T A(x)T y = 0;
donc F (x) n’est pas dé…nie positive, ce qui contredit l’hypothèse.
Comme A(x) est inversible pour tout x 2 on en déduit que f (x) est
inversible sur . Par conséquent pour tout x 2 on a
x 6= 0 ) f (x) 6= 0:
Par conséquent x = 0 est le seul équilibre dans . De plus
T
V (x) = f (x) f (x) > 0 sauf pour x = 0:
Par ailleurs, comme f_(x) = A(x)f (x), on a
V_ (x) = f_(x)T f (x) + f (x)T f_(x) = f (x)T F (x)f (x) 0;
et de plus
x 6= 0 ) V_ (x) < 0:
Donc le théorème de Lyapounov s’applique et permet de conclure que x = 0 est
asymptotiquement stable.
Exercice 13 Montrer que l’origine du système suivant est GAS.
x_ 1 = 6x1 + 2x2 ;
x_ 2 = 2x1 6x2 2x32 :

Le théorème précédent n’a pas un grand champ d’application car, en général,

la matrice (2.8) n’est pas dé…nie positive. On peut cependant généraliser ce
résultat de la manière suivante.
Théorème 12 Soit x_ = f (x) un système non linéaire tel que f (0) = 0. Soit
@f
(x)
A(x) =
@x
la matrice Jacobienne de f . On suppose qu’il existe une matrice symétrique
dé…nie positive P tel que la matrice
F (x) = P A(x) A(x)T P
soit dé…nie positive pour tout x 2 où est un voisinage connexe de 0. Alors
x = 0 est l’unique équilibre du système dans . Il est asymptotiquement stable.
On peut prendre
V (x) = f (x)T P f (x)
comme fonction de Lyapounov. Si de plus = Rn et V (x) est non bornée quand
kxk ! 1 alors x = 0 est GAS.
Le Théorème 11 correspond à P = Id. La preuve du Théorème 12 est simi-
laire à celle du Théorème 11 et est laissée comme exercice.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 19

2.3 Stabilité des systèmes non autonomes

2.3.1 Uniformité des concepts de stabilité
On se propose d’étendre les concepts de stabilité à un système non autonome

x_ = f (t; x); t 2]a; +1[; x 2 Rn ; 8t > a f (t; 0) = 0; (2.9)

admettant x = 0 comme équilibre. Par un changement de variable on peut

toujours se ramener à cette situation. En e¤et, pour étudier la stabilité d’une
solution particulière quelconque p(t) d’une équation non autonome

y_ = g(t; y);

il su¢ t de faire le changement de variable x(t) = y(t) p(t), alors x(t) est
solution (montrer le) de l’équation (2.9) avec

f (t; x) = g(t; p(t) + x) g(t; p(t));

et on voit bien que f (t; 0) = 0.

Dé…nition 9 L’équilibre x = 0 du système (2.9) est dit

1. stable si pour tout t0 > a et pour tout " > 0, il existe > 0 tel que pour
toute solution x(t) de (2.9) on ait

kx(t0 )k < ) 8t t0 kx(t)k < ":

2. instable s’il n’est pas stable.

3. attractif si pour tout t0 > a il existe r > 0 tel que pour toute solution x(t)
de (2.9) on ait
kx(t0 )k < r ) lim x(t) = 0:
t!1
Il est dit globalement attractif si cette limite est nulle pour toute les solu-
tions.
4. asymptotiquement stable s’il est stable et attractif. Il est dit globalement
asymptotiquement stable (GAS) s’il est stable et globalement attractif.
5. exponentiellement stable si pour tout t0 > a il existe r > 0, M > 0 et
> 0 tels que pour toute solution x(t) de (2.9) on ait
(t t0 )
kx(t0 )k < r ) kx(t)k M kx(t0 )ke ; pour tout t t0 :

Il est dit globalement exponentiellement stable si la majoration est vraie

pour toutes les solutions.

Dé…nition 10 L’équilibre x = 0 du système (2.9) est dit

1. uniformément stable si le de la dé…nition précédente ne dépend pas de
t0 , c’est à dire que

8" > 0 9 > 0 8t0 > a 8x(t) (kx(t0 )k < ) 8t t0 kx(t)k < "):
CHAPITRE 2. THÉORIE DE LA STABILITÉ 20

2. uniformément attractif si le r de la dé…nition ci dessus ne dépend pas de

t0 et si la convergence de x(t) vers 0 est uniforme par rapport à t0 et à
x(t0 ), c’est à dire que

9r > 0 8" > 0 9T > 0 8t0 > a 8x(t) (kx(t0 )k < r ) 8t t0 +T kx(t)k < "):

3. uniformément asymptotiquement stable s’il est uniformément stable et uni-

formément attractif.

On note par
Bt0 = fx(t0 ) : lim x(t) = 0g
t!1
le bassin d’attraction de l’équilibre à l’instant t0 .
– Dire que x = 0 est attractif équivaut à dire que pour tout t0 > a, le bassin
d’attraction est un voisinage de l’origine.
– Dire que x = 0 est globalement attractif équivaut à dire que pour tout
t0 > a le bassin d’attraction est Rn .
– Dire que x = 0 est uniformément attractif implique qu’il existe r > 0 tel
que pour tout t0 > a, B(0; r) Bt0 .
Exemple 6 Considérons l’équation scalaire

x_ = (t)x; t > a:

Les solutions sont données par

Rt
a(s)ds
x(t) = x(t0 )e t0
:

– Si (t) = 1=(t + 1)2 et a = 1 alors

1 1
x(t) = x(t0 )e t+1 t0 +1
:

L’origine est stable mais pas attractive (montrer le). La stabilité est-elle
uniforme ?
– Si (t) = 1=(t + 1) et a = 1 alors
t0 + 1
x(t) = x(t0 ) :
t+1
L’origine est asymptotiquement stable mais pas exponentiellement stable.
Montrer que l’attractivé n’est pas uniforme. La stabilité est-elle uniforme ?

2.3.2 Approximation linéaire d’un système

Considérons un système

x_ = f (t; x); tel que f (t; x ) = 0 (2.10)

de sorte que x = x soit un équilibre. On note

@f
A(t) = (t; x ); f1 (t; x) = f (t; x) A(t)(x x ):
@x
CHAPITRE 2. THÉORIE DE LA STABILITÉ 21

la matrice jacobienne de f par rapport à sa variable x, évaluée en point (t; x ).

Le système linéaire
x_ = A(t)x (2.11)
s’appelle le linéarisé (ou l’approximation linéaire) du système non linéaire (2.10)
en x . L’étude de la stabilité de l’origine pour le linéarisé permet dans certains
cas de caractériser la stabilité de l’équilibre x = x de (2.10). Plus précisément
on a le résultat suivant.

Théorème 13 Si x = 0 est uniformément asymptotiquement stable pour (2.11)

et si
kf1 (t; x)k
lim sup =0
kxk!0 t kxk
alors x = x l’est pour (2.10).

Ce théorème n’est pas d’une utilité pratique aussi grande que son analogue
dans le cas autonome, car on ne dispose pas de critère général pour étudier la
stabilité de l’origine du système linéaire non autonome (2.11). En particulier,
on ne peut rien conclure si les valeurs propres de la matrice A(t) restent dans
le demi plan négatif comme on le voit dans l’exemple suivant.
Exercice 14 Calculer les valeurs propres du système linéaire

1 e2t
x_ = :
0 1

Montrer que l’origine est instable.

2.3.3 Fonctions de Lyapounov

Soit V (t; x) une fonction dé…nie pour t > a et x dans un voisinage de
l’origine, telle que v(t; 0) = 0. On suppose que V admet des dérivées partielles
continues. On note
i=n
X
@V @V @V @V
V_ (t; x) = (t; x) + (t; x) f (t; x) = (t; x) + (t; x)fi (t; x)
@t @x @t i=1
@xi

la dérivée de la fonction V dans la direction du champ de vecteurs f . Pour toute

solution x(t) de (2.9) on a
d
V (t; x(t)) = V_ (t; x(t)):
dt
Théorème 14 1. Si pour tout t > a et pour tout x 2 on a

V (t; x) V0 (x) > 0; sauf en x = 0; (2.12)

V_ (t; x) W (x) 0; (2.13)

alors x = 0 est stable pour (2.9).
CHAPITRE 2. THÉORIE DE LA STABILITÉ 22

2. Si de plus
V (t; x) V1 (x); (2.14)
alors la stabilité est uniforme.
3. Si de plus
V_ (t; x) W (x) < 0; sauf en x = 0; (2.15)
alors x = 0 est uniformément asymptotiquement stable.
4. Si de plus = Rn et V (t; x) ! 1 quand kxk ! 1, alors x = 0 est
globalement uniformément asymptotiquement stable.

Remarque Les conditions (2.12) et (2.15) ne garantissent pas la stabilité asymp-

totique de l’origine comme dans le cas autonome (voir l’exemple dans [6], page
112). Ainsi la condition (2.14), appelée condition de décrescence, est importante
dans le théorème précédent pour garantir la stabilté asymptotique uniforme.
Exercice 15 Soit x_ = A(t)x un système linéaire non autonome dé…ni pour
t > a. On suppose qu’il existe > 0 tel que pour tout t > a, les valeurs propres
(t) de la matrice
M (t) = A(t) + A(t)T
véri…ent la condition (t) < 0. Montrer que x = 0 est uniformément GAS.

Exercice 16 Soit x_ = A(t; x)x un système non linéaire dé…ni pour t > a et
x 2 , où est un voisinage de l’origine, tel que la matrice A dépend aussi de
la variable d’état x. On suppose qu’il existe > 0 tel que pour tout t > a, et
tout x 2 , les valeurs propres (t; x) de la matrice

M (t; x) = A(t; x) + A(t; x)T

véri…ent la condition (t; x) < 0. Montrer que x = 0 est uniformément

asymptotiquement stable.

2.3.4 Lemme de Barbalat

Le principe d’invariance de LaSalle ne s’applique pas dans le cas non auto-
nome. On possède cependant le résultat suivant qui rend des services analogues.

Théorème 15 Si V (t; x) 0, V_ (t; x) W (x) 0 et V_ (t; x(t)) uniformément

continue alors limt!1 V_ (t; x(t)) = 0.

Ce théorème est une conséquence du Lemme de Barbalat qui a¢ rme que

Théorème 16 (Lemme de Barbalat) Si une fonction g(t) admet une limite

…nie en l’in…ni et si sa dérivée g(t)
_ est uniformément continue alors g(t)
_ !0
quand t ! 1.
CHAPITRE 2. THÉORIE DE LA STABILITÉ 23

Noter que cette propriété n’est pas vraie en génréral si la dérivée n’est pas
uniformément continue. Par exemple la fonction
t
g(t) = e sin e2t

a une limite quand t ! 1 (elle tend vers 0), mais sa dérivée ne tend pas vers 0
quand t ! 1.
Rappelons qu’une fonction h(t) est dite uniformément continue sur ]a; +1[
si et seulement si

8" > 0 9 > 0 8t1 > a 8t2 > a (jt1 t2 j < ) jh(t1 ) h(t2 )j < ")

Une condition su¢ sante pour qu’une fonction dérivable h soit uniformément
continue est que sa dérivée h_ soit bornée puisque d’après le théorème des ac-
croissement …nis on a alors

h(t1 ) _
h(t2 ) = h(c)(t 1 t2 ); avec t1 < c < t2 :

Pour démontrer le Théorème 15 il su¢ t de noter que pour toute solution

x(t), la fonction g(t) = V (t; x(t)) admet une limite …nie, car elle est positive
et décroissante. Comme sa dérivée g(t)
_ = V (t; x(t)) est uniformément continue,
elle tend vers 0 quand t ! 1.
Exemple 7 Considérons le système

e_ = e + w(t);
_= ew(t):

Soit V = e2 + 2 . On a V_ = 2e2 0. On n’a pas le droit d’utiliser le Théorème

8 car le système n’est pas autonome. Cependant on peut remarquer que V est
décroissante, donc e et restent bornés. Par conséquent

V• = 4ee_ = 4e[ e + w(t)]

est bornée dès que w(t) l’est. Donc V_ est uniformément continue et du Théorème
15 on déduit que V_ ! 0 quand t ! 1, c’est à dire que

lim e(t) = 0:
t!1

On ne sait pas si (t) tend vers 0. On sait seulement qu’elle reste bornée.
Chapitre 3

Théorie de la commande

3.1 Stabilisation et suivi de trajectoires

Un système commandé-observé est un système di¤érentiel de la forme

x_ = f (x; u); x 2 Rn ; u 2 Rm ;
(3.1)
y = h(x); y 2 Rk :

où le vecteur x est le vecteur des états du système, le vecteur u celui des contrôles
(entrées) et le vecteur y celui des variables observées. Ce système est dit en
boucle ouverte et est représenté par le diagramme suivant.

u - x_ = f (x; u) -y
y = h(x)

L’un des objectifs principaux de la théorie du contrôle est : étant donné un

système physique que l’on veut contrôler, et un comportement du système qu’on
veut obtenir, construire une loi de commande telle que le système en boucle
fermée présente le comportement souhaité. Une loi de commande est appelée
aussi une rétroaction un feedback ou un bouclage.
L’automaticien intervient essentiellement dans trois étapes
1. Ecrire le modèle mathématique.
2. Décrire le comportement souhaité pour le système.
3. Construire une loi de commande.

Dé…nition 11 (Bouclage statique). On dit que u est un bouclage statique si

sa valeur u(t) à l’instant t ne dépend que de y(t), c’est à dire u = R(y) où R
est une fonction.

24
CHAPITRE 3. THÉORIE DE LA COMMANDE 25

Dans ce cas le système en boucle fermée est représenté par le diagramme

suivant.

- x_ = f (x; u)
y = h(x)
u '$y

u = R(y)
&%

Ce système s’écrit tout simplement

x_ = f (x; R(h(x))):

Dé…nition 12 (Bouclage dynamique). On dit que u est un bouclage dyna-

mique s’il est la sortie d’un système ayant y comme entrée, c’est à dire

z_ = g(y; z);
u = R(z):

Dans ce cas le système en boucle fermée est représenté par le diagramme

suivant.

- x_ = f (x; u)
y = h(x)
u y
z_ = g(y; z)
u = R(z)

Ce système s’écrit tout simplement

x_ = f (x; R(z));
z_ = g(h(x); z):

Le problème de la stabilisation (ou régulation) consiste à maintenir le sys-

tème près d’un équilibre x . Il s’agit donc de construire une loi de commande
telle que x soit un équilibre asymptotiquement stable du système en boucle
fermée.
Le problème du suivi de trajectoire consiste à maintenir le système le long
d’une trajectoire désirée
yd (t); t 0;
c’est à dire de trouver un contrôle tel que pour toute condition initiale dans une
région , l’erreur
e(t) = y(t) yd (t)
CHAPITRE 3. THÉORIE DE LA COMMANDE 26

tend vers 0 quand t ! 1, et de plus l’état reste borné. Un problème de régula-

tion autour de l’équilibre y est bien sûr un cas particulier de problème de suivi
de trajectoire. Il s’agit de maintenir le système le long de la trajectoire

yd (t) = y ; t 0:

Un problème de suivi de trajectoire peut se voir aussi comme un problème

de régulation sur l’erreur e(t) qu’il s’agit de maintenir proche de 0. Noter que
l’équation de l’erreur est en général non autonome, donc plus complexe que
l’équation de départ.
Exemple 8 Stabiliser le pendule inversé.
Le modèle est : • sin = u.
Le comportement souhaité : = 0, _ = 0.
La loi de commande : u = kD _ kP sin .
Le système en boucle fermée est : • + kD _ + kP = 0.
Ce système admet l’origine comme équilibre GAS si et seulement si les gains kD
et kP sont choisis tels que les racines de l’équation caractéristique
2
+ kD + kP = 0

soient de parties réelles strictement négatives.

Une autre loi de commande est : u = kD _ 2 sin .
Le système en boucle fermée est : • + kD _ + sin = 0.
Si kD > 0, ce système admet l’origine comme équilibre asymptotiquement stable.

3.2 Stabilisation locale

Considérons un système commandé

x_ = f (x; u); f (0; 0) = 0: (3.2)

On se propose de construire une loi de commande u = R(x) telle que le système

en boucle fermée
x_ = f (x; R(x))
admet l’origine comme équilibre asymptotiquement stable. On considère alors
l’approximation linéaire
x_ = Ax + Bu (3.3)
où les matrices A et B sont dé…nies par
@f @f
A= (0; 0); B= (0; 0):
@x @u
Supposons que (A; B) soit commandable. Il existe alors une matrice K telle que
la matrice A + BK soit de Hurwitz. Par conséquent le contrôle u = Kx stabilise
globalement le système linéaire (3.3).
CHAPITRE 3. THÉORIE DE LA COMMANDE 27

Théorème 17 Le contrôle u = Kx stabilise localement le système (3.2).

En e¤et le système en boucle fermée s’écrit

x_ = F (x) = f (x; Kx):

On a
@F @f @f
(0) = (0; 0) + (0; 0)K = A + BK:
@x @x @u
Donc x = 0 est asymptotiquement stable pour le linéarisé. Le Théorème 6 de
Lyapounov permet alors d’a¢ rmer que x = 0 est asymptotiquement stable pour
le système non linéaire x_ = F (x).
On ne sait rien sur la taille du bassin d’attraction. Cependant on peut mon-
trer qu’une fonction de Lyapounov du linéarisé x_ = (A + BK)x est aussi une
fonction de Lyapounov pour le système non linéaire dans un voisinage approprié
de l’origine et utiliser cette fonction de Lyapounov pour construire un bassin
d’attraction (voir exercice 12).

3.3 Dérivées et crochets de Lie

Soient f et g deux champs de vecteurs sur un ouvert de Rn ayant des
@f @g
dérivées partielles continues à tous les ordres. On note @x et @x les matrices
jacobiennes. La dérivée de Lie de g le long de f est le champ de vecteurs
@g
Lf g = f:
@x
Ce champ de vecteur est bien une dérivée car si Xt (x) désigne le ‡ot du champ
f , c’est à dire la solution de l’équation x_ = f (x) telle que X0 (x) = x, alors
d g(Xt (x)) g(x)
Lf g = g(Xt (x))jt=0 = lim :
dt t!0 t
Le crochet de Lie de f et g est le champ de vecteurs

[f; g] = Lf g Lg f:

On dé…nit aussi les champs de vecteurs

adf g = [f; g]
adkf g = [f; adkf 1
g]; k = 2; 3;

Dé…nition 13 Un système de vecteurs fg1 ; ; gm g dans est dit en involu-

tion si pour tous les indices i et j le crochet [gi ; gj ] est une combinaison linéaire
des vecteurs g1 ; ; gm , c’est à dire qu’il existe des fonctions kij dé…nies dans
telles que on ait
k=m
X
k
[gi ; gj ] = ij gk :
k=1
CHAPITRE 3. THÉORIE DE LA COMMANDE 28

Théorème 18 (Théorème de Frobenius). Un système de champs de vec-

teurs linéairement indépendants fg1 ; ; gn 1 g dans est en involution si et
seulement si il est complètement intégrable, c’est à dire que le système de n 1
équations aux dérivées partielles (EDP)
@h @h
g1 = 0; ; gn 1 =0 (3.4)
@x @x
@h
admet une solution h : ! R telle que @x 6= 0.

Le mot complètement intégrable provient de la proriété suivante. Le système

de champs de vecteurs indépendants fg1 ; ; gn 1 g dé…nit en chaque point
x 2 la distribution Dx , c’est à dire le sous espace vectoriel de Rn engendré par
les vecteurs g1 (x); ; gn 1 (x). Dire que la fonction h est solution du système
d’EDP (3.4) équivaut à dire que pour toute constante c l’hypersurface

= fx 2 : h(x) = cg

est tangente en chacun de ses points à la distribution D. Le fait que le gradient

@h
@x soit non nul garantit que cette hypersurface est bien dé…nie et qu’il en passe
une par chaque point x 2 .

3.4 Linéarisation par bouclage

Supposons que le modèle s’écrit
(n)
=f ; _; ; (n 1)
+g ; _; ; (n 1)
u

T
alors, dans les variables d’état x = ; _; ; (n 1)
on a le système
2 3
x1
6 .. 7
6 7
x_ = 6 . 7
4 xn 5
f (x) + b(x)u
Cette forme rappelle la forme compagnon de Brunowski, ou forme canonique de
contrôlabilité, des systèmes linéaires. Si b(x) 6= 0, alors le contrôle
v f (x)
u= ; v= k0 x1 k1 x2 kn 1 xn ;
b(x)
permet de stabiliser l’origine du système en boucle fermée, à condition de choisir
les gains kj tels que les racines de l’équation caractéristique
n n 1
+ kn 1 + + k1 + k0 = 0

soient situées dans le demi plan Re < 0. Le problème est donc ramené à
l’écriture d’un système non linéaire sous la forme canonique de contrôlabilité.
CHAPITRE 3. THÉORIE DE LA COMMANDE 29

Dé…nition 14 Le système non linéaire mono-entrée

x_ = f (x) + g(x)u; x 2 Rn ; u2R (3.5)

est dit linéarisable par bouclage (ou input-state linearizable) dans un domaine
de Rn s’il existe un changement de variable (di¤ éomorphisme dé…ni dans )
z = z(x) et un contrôle v = (x) + (x)u, (x) 6= 0 tels que dans les variables
z et v le système (3.5) s’écrit

z_1 = z2 ; z_2 = z3 ; ; z_n 1 = zn ; z_n = v: (3.6)

Ainsi le système (3.5) a été mis sous la forme canonique de contrôlabilité

(3.6) qui s’écrit tout simplement :
(n)
z1 = v:

On peut donc lui construire des lois de commande pour obtenir les comporte-
ments désirés.
Exemple 9 Considérons le système
x_ 1 = x3 x2 u
x_ 2 = x2 + u
x_ 3 = x2 x1 2x22 + 2x2 u
Considérons le changement de variables
z1 = x1 + x22 =2
z2 = x3 x22
z3 = x2 x1
On a alors
z_1 = z2 ; z_2 = z3 ; z_3 = x2 x3 + u(1 + x2 ):
Véri…er à titre d’exercice que le changement de variable est bien dé…ni si et
seulement si on a x2 6= 1. Montrer que l’ouvert = fx2 > 1g, est envoyé sur
l’ouvert 0 = fz1 + z3 > 1=2g et que la transformation inverse est dé…nie par
p
x1 = 1 p z3 + 1 + 2(z1 + z3 );
x2 = 1 + 1 + 2(z1 + z3 );
p 2
x3 = z2 + 1 + 1 + 2(z1 + z3 ) :

Comment s’écrivent ces transformations inverses sur l’ouvert = fx2 < 1g ?

Théorème 19 (Jacubczyk et Respondek). Le système (3.5) est input-state li-

néarisable dans si et seulement si
1. Le rang de la matrice de contrôlabilité

M = (g; adf g; ; adnf 1

g)

est égal à n pour tout x 2 .

CHAPITRE 3. THÉORIE DE LA COMMANDE 30

2. Le système fg; adf g; ; adnf 2 gg formé par les n 1 premières colonnes

de la matrice M est en involution dans .
Et dans ce cas z1 (x) est une solution du systèmes de n 1 EDP

@z1 @z1 @z1 n 2

g = 0; adf g = 0; ; ad g=0
@x @x @x f
et les zk , k = 2; ; n, ainsi que v s’obtiennent par dérivations successives ou
bien en utilisant les formules

z2 = Lf z1 ; z3 = Lf z2 = L2f z1 ; ; zn = Lf zn 1 = Lnf 1
z1 ;

v = Lf zn + uLg zn = Lnf z1 + uLg Lfn 1

z1 :

L’idée de la preuve consiste à poser

@zk 1 @zk 1 @zk 1
zk = z_k = 1 x_ = f +u g; 2 k n
@x @x @x
@zn @zn @zn
v = z_n = x_ = f +u g:
@x @x @x
Comme on veut que z2 ; ; zn 1 ne dépendent que de x et pas de u, il convient
de poser :
@z1 @zn 1 @zn
g = 0; ; g = 0; g 6= 0
@x @x @x
@z1 @zn 1
f = z2 ; ; f = zn :
@x @x
On montre que ce système d’EDP s’écrit aussi
@z1 @z1 @z1 n 2
g = 0; adf g = 0; ; ad g = 0:
@x @x @x f
Pour les détails de la preuve, se reporter à [2] ou à [6], page 239.
Exemple 10 Reprenons le système considéré dans l’exemple 9 et montrons
comment le théorème précédent permet de construire le changement de variables
qui avait été utilisé pour le linéariser. Le système s’écrit x_ = f (x) + g(x)u, avec
2 3 2 3 2 3
x1 x3 x2
x = 4 x2 5 ; f (x) = 4 x2 5; g(x) = 4 1 5 :
2
x3 x2 x1 2x2 2x2

On a 2 3
x2
adf g(x) = [f; g](x) = 4 1 5;
x2 1
2 3
1
ad2f g(x) = [f; adf g](x) = 4 1 5:
2x2 1
CHAPITRE 3. THÉORIE DE LA COMMANDE 31

Par conséquent la matrice de commandabilité est

0 1
x2 x2 1
M (x) = @ 1 1 1 A:
2x2 x2 1 2x2 1

Comme on a
detM (x) = (1 + x2 )2 ;
on en déduit que le rang de M (x) est égal à 3 si et seulement si x2 6= 1.
Véri…ons la condition d’involution du système fg; adf gg. On a
0 1 0 1 2 3
0 1 0 0 1 0 0
[g; adf g](x) = @ 0 0 0 A g(x) @ 0 0 0 A adf g(x) = 4 0 5 :
0 1 0 0 2 0 1

La condition d’involution [g; adf g] = g + adf g, où et sont des fonctions,

s’écrit 2 3 2 3 2 3
0 x2 x2
4 0 5 = (x) 4 1 5 + (x) 4 1 5:
1 2x2 x2 1
Ce qui équivaut au système de deux équations

(x) + (x) = 0;
x2 (x) (x) = 1:

On en déduit que
1 1
(x) = ; (x) = ;
1 + x2 1 + x2
qui sont bien dé…nies dans l’ouvert x2 6= 1. D’après le Théorème de Jacubczyk
et Respondek le système considéré est bien linéarisable. Pour trouver z1 il faut
résoudre le système d’EDP
@z1 @z1 @z1
x2 + + 2x2 =0
@x1 @x2 @x3
@z1 @z1 @z1
x2 + + (x2 1) =0
@x1 @x2 @x3
En soustrayant la deuxième équation de la première on obtient
@z1 @z1
(x2 + 1) =0) = 0:
@x3 @x3
Par conséquent z1 ne dépend pas de x3 et le système des deux EDP se réduit à
l’EDP
@z1 @z1
x2 + = 0:
@x1 @x2
CHAPITRE 3. THÉORIE DE LA COMMANDE 32

Cherchons les solutions de la forme

z1 = x1 + h(x2 ):

On obtient l’équation

x22
x2 + h0 (x2 ) = 0 ) h(x2 ) = + Constante:
2
Par conséquent on peut prendre

x22
z1 = x1 + :
2
Les composantes z2 et z3 ainsi que le contrôle v s’obtiennet alors par dérivations
successives.
Exercice 17 Linéariser, si cela est possible, les systèmes suivants. On précisera
dans chaque cas l’ouvert dans lequel le changement de variables est dé…ni.

1: x_ 1 = x1 + x2 ; x_ 2 = x22 + u:
2: x_ 1 = x2 + x3 ; x_ 2 = x3 ; x_ 3 = x21 + sin x2 + u:
x2
3: x_ 1 = e u; x_ 2 = x1 + x2 + ex2 u;
2
x_ 3 = x1 x2 :
4: I q•1 + M gL sin q1 + k(q1 q2 ) = 0; J q•2 k(q1 q2 ) = u:
2
5: r• + G sin r _ = 0; • = u:

Pour la signi…cation physique des deux derniers modèles se reporter aux

livres [6], Example 6.10 et [5], Section 10.2.
Bibliographie

[1] B. D’Andréa-Novel, M. Cohen de Lara, Cours d’automatique, Com-

mande linéaire des systèmes dynamiques, Les Presses de l’Ecole des Mines,
Paris (2000).
[2] B. Jakubczyk, W. Respondek, On Linearization of Control Systems,
Bull. Acad. Polonaise Sci. Ser. Sci. Math., 28, pp. 517-522 (1980).
[3] P. Martin, N. Petit, Commande des systèmes non linéaires, le point
de vue des systèmes plats, Notes de cours, Ecole Centrale de Paris (1999)
http ://cas.ensmp.fr/Publications/
[4] H. K. Khalil, Nonlinear systems, Prentice Hall (1996).
[5] S. Sastry, Nonlinear Systems, Analysis, Stability, and Control, Spinger-
Verlag, New York (1999).
[6] J.-J.E. Slotine, W. Li, Applied nonlinear control, Prentice-Hall, Inc, New
Jersey (1991).
[7] M. Farkas, Periodic motions, Springer-Verlag (1994).

33