HAL Id: hal-00092071
https://hal.archives-ouvertes.fr/hal-00092071
Submitted on 8 Sep 2006
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Synthèse d’un multiobservateur robuste pour multimodèle incertain à entrées inconnues : approche
LMI.
Abdelkader Akhenak, Mohammed Chadli, José Ragot, Didier Maquin
To cite this version:
Abdelkader Akhenak, Mohammed Chadli, José Ragot, Didier Maquin. Synthèse d’un multiobservateur
robuste pour multimodèle incertain à entrées inconnues : approche LMI.. Conférence Internationale
Francophone d’Automatique, CIFA’2006, May 2006, Bordeaux, France. pp.CDROM. �hal-00092071�
Synth`ese d’un multiobservateur robuste pour multimod`ele incertain ` a entr´ees inconnues :
approche LMI
Abdelkader Akhenak 1 , Mohammed Chadli 2 , Jos´ e Ragot 1 , Didier Maquin 1
1 Centre de Recherche en Automatique de Nancy, INPL CNRS UMR 7039.
2, Avenue de la forˆ et de Haye. 54516 Vandoeuvre, France.
abdelkader.akhenak@ensem.inpl-nancy.fr
2 Universit´ e de Picardie Jules Verne
Centre de Robotique, d’Electrotechnique et d’Automatique 7, Rue du Moulin Neuf. 80000 Amiens, France
mohammed.chadli@u-picardie.fr
R´ esum´ e— Dans cet article, nous proposons une m´ ethode d’estimation d’´ etat d’un syst` eme non lin´ eaire incertain repr´ esent´ e par un multimod` ele dit ´ egalement de type Takagi-Sugeno et soumis ` a l’influence d’entr´ ees inconnues.
Pour cela, on propose la synth` ese d’un multiobservateur ` a mode glissant bas´ ee sur la compensation des effets des in- certitudes et des entr´ ees inconnues. On montre comment d´ eterminer les gains du multiobservateur pour une conver- gence globale asymptotique. Les conditions de synth` ese sont formul´ ees en terme d’in´ egalit´ es matricielles lin´ eaires (LMI).
Ces conditions sont par la suite relˆ ach´ ees par l’introduc- tion de variables additives constituants ainsi des degr´ es de libert´ e suppl´ ementaires. Un exemple num´ erique illustre la robustesse du multiobservateur propos´ e vis-` a-vis de ces in- certitudes et la relaxation apport´ ee.
Mots-cl´ es—Approche multimod` ele, Multiobservateur, Entr´ ees inconnues, Incertitudes de mod` ele, Stabilit´ e asymptotique, In´ egalit´ es Lin´ eaires Matricielles (LMI).
I. Introduction
La surveillance des processus constitue actuellement un moyen privil´egi´e pour am´eliorer la sˆ uret´e de leur fonc- tionnement. Plusieurs aspects compl´ementaires constituent cette approche et en particulier : la d´efinition des sources d’information pour la surveillance, l’´elaboration de mod`eles d´ecrivant le processus en fonctionnement normal voire en fonctionnement anormal, la conception d’indicateurs de dysfonctionnements `a partir des mod`eles pr´ec´edents, la res- tauration de grandeurs non mesur´ees mais t´emoins du fonc- tionnement du proc´ed´e. Dans cette pr´esentation nous nous attachons plus particuli`erement `a l’estimation de variables d’´etat non mesur´ees.
Dans le cas des syst`emes lin´eaires `a entr´ees inconnues, plu- sieurs approches, `a base d’observateurs, ont ´et´e d´evelopp´ees dans la litt´erature. Elles peuvent ˆetre regroup´ees en deux principales cat´egories. La premi`ere est bas´ee sur l’´elimination de l’effet des entr´ees inconnues lors de la synth`ese d’un observateur. Koenig et al [1] ont pr´esent´e une m´ethode de conception d’un observateur proportion- nel int´egral (PI) d’ordre r´eduit pour des syst`emes singu-
liers soumis `a l’influence des entr´ees inconnues. Dans [2], de nouvelles conditions de convergence ont ´et´e pr´esent´ees pour l’existence d’un observateur `a entr´ees inconnues en utilisant la m´ethode de placement de pˆoles.
D’autre part, la deuxi`eme cat´egorie est bas´ee sur la com- pensation de l’effet de ces entr´ees inconnues lors de la conception d’un observateur. Cette cat´egorie diff`ere des ob- servateurs lin´eaires de Luenberger par l’existence d’une va- riable discontinue non lin´eaire inject´ee dans les ´equations dynamiques de l’observateur. Cette variable discontinue d´epend de l’erreur d’estimation du vecteur de sortie et de la borne des perturbations.
Les premiers travaux ont ´et´e r´ealis´es par Utkin en utilisant une structure discontinue dans un observateur [3]. Walcott et Zak ont utilis´e une approche bas´ee sur la m´ethode de Lyapunov consistant `a synth´etiser un observateur qui, avec des hypoth`eses appropri´ees, assure la d´ecroissance asymp- totique de l’erreur d’estimation d’´etat mˆeme en pr´esence de non lin´earit´es et d’incertitudes sur l’entr´ee du syst`eme [4].
dans [5][6], Edwards et Spurgeon ont propos´e une strat´egie de conception d’observateur, semblable du point de vue structure de mod`ele `a celle de Walcott et Zak, en offrant de plus un algorithme explicite de synth`ese. R´ecemment, des travaux ont abord´e le probl`eme des performances des obser- vateurs `a mode glissant pour la reconstruction de d´efauts de nature additive [7] et multiplicatif [8].
Cependant, ces travaux concernent seulement les mod`eles
lin´eaires valables uniquement dans une plage de fonction-
nement restreinte. Pour rem´edier `a cet inconv´enient, une
approche dite multimod`ele a ´et´e d´evelopp´ee ces derni`eres
ann´ees. L’id´ee de cette approche est d’appr´ehender le com-
portement non lin´eaire d’un syst`eme par un ensemble de
mod`eles locaux LTI (lin´eaires ou affines), chaque mod`ele lo-
cal caract´erise le fonctionnement du syst`eme dans une zone
de fonctionnement particuli`ere, les mod`eles locaux ´etant
ensuite agr´eg´es au moyen d’un m´ecanisme d’interpolation
[9]. Dans ce cadre de nombreux travaux concernant l’ana-
lyse de la stabilit´e, la synth`ese de multir´egulateur et de multiobservateur ont ´et´e d´evelopp´es (voir par exemple [10], [11], [12], [13].
Notre contribution dans cet article, r´eside dans l’estima- tion d’´etat d’un syst`eme non lin´eaire incertain soumis `a l’influence d’entr´ees inconnues et repr´esent´e sous forme multimod`ele. De nouvelles conditions de convergence du multiobservateur `a mode glissant seront ´etablies en se basant sur les travaux pr´esent´es dans [14]. En utilisant une fonction quadratique de Lyapunov, les conditions de convergence seront exprim´ees sous forme d’un ensemble d’in´egalit´es lin´eaires matricielles (LMI) [15].
Notation : dans cet article, les notations suivante sont utilis´ees : X T repr´esente la matrice transpos´ee de la ma- trice X , X > 0 d´esigne que X est une matrice sym´etrique et d´efinie positive, I M = {1, 2, ..., M } et k.k repr´esente la norme euclienne pour les vecteurs et la norme spectrale pour les matrices.
II. Repr´ esentation Multimod` ele
Consid´erons un syst`eme non lin´eaire, repr´esent´e sous forme multimod`ele de la forme suivante :
˙ x (t) =
M
X
i=1
µ i (ξ (t)) (A i x (t) + B i u (t) + d i )
y(t) =
M
X
i=1
µ i (ξ (t)) C i x(t)
(1)
o` u x(t) ∈ R n est le vecteur d’´etat, u(t) ∈ R m est le vecteur des entr´ees, y(t) ∈ R p repr´esente le vecteur de sortie.
Pour le i eme mod`ele local, A i ∈ R n × n est la matrice d’´etat, B i ∈ R n×m est la matrice d’entr´ee, d i ∈ R n×1 repr´esente un vecteur d´ependant du point de fonctionnement et C i ∈ R p × n repr´esente la matrice de sortie ou d’observation. En- fin, ξ(t) repr´esente le vecteur de d´ecision d´ependant de l’entr´ee connue et/ou des variables d’´etat mesurables. La proc´edure permettant d’obtenir cette structure et d’estimer ses param`etres n’est pas d´evelopp´ee ici ; indiquons simple- ment que l’on peut utiliser des techniques d’estimation pa- ram´etrique [16] ou des techniques de lin´earisation [17].
Les fonctions d’activation µ i (ξ(t)), i ∈ I M ont les pro- pri´et´es suivantes :
M
X
i=1
µ i (ξ(t)) = 1
0 ≤ µ i (ξ(t)) ≤ 1 ∀ i ∈ I M
(2)
Le nombre de mod`eles M d´epend de la pr´ecision d´esir´ee, de la complexit´e du syst`eme non lin´eaire et du choix de la structure des fonctions d’activation.
Pour prendre en compte des erreurs de modelisation/appro- ximation et parfois de la pr´esence des entr´ees inconnues, nous consid´erons par la suite une repr´esentation mul- timod`ele d´ependant d’incertitudes de mod`ele et de la
pr´esence d’entr´ees inconnues :
˙ x(t) =
M
X
i=1
µ i (ξ) ³
(A i + ∆A i (t)) x(t) + B i u(t)+
R i u(t) + ¯ d i
´
y(t) =
M
X
i=1
µ i (ξ (t)) C i x(t)
(3)
o` u R i ∈ R n × q sont les matrices d’influence des entr´ees inconnues.
Le vecteur d’entr´ees inconnues ¯ u (t) est suppos´e born´e, tel que :
k¯ u (t)k < ρ (4) o` u ρ est un scalaire positif. Les incertitudes de mod`ele
∆A i (t) sont aussi suppos´ees born´ees :
k∆A i (t)k < δ i (5) par la suite, pour all´eger l’´ecriture des expressions des
´equations, la variable temps (t) sera supprim´ee.
III. Structure du Multiobservateur
Le probl`eme `a r´esoudre ici est la reconstruction de l’´etat x(t), en utilisant uniquement l’information disponible no- tamment l’entr´ee connue u(t) et la sortie mesur´ee y(t).
La structure du multiobservateur que nous proposons est la suivante :
˙ˆ x =
M
X
i=1
µ i (ξ) ³
A i x ˆ + B i u + d i + G i (y − C x) + ˆ ν i + α i ´
ˆ y =
M
X
i=1
µ i (ξ) C i x ˆ
(6) Les gains G i et les vecteurs ν i et α i doivent ˆetre d´etermin´es afin de garantir la convergence asymptotique du multiob- servateur (6). Il faut noter que les termes ν i servent a com- penser les erreurs dues aux entr´ees inconnues et les termes α i compensent les erreurs dues aux incertitudes de model.
A. Conditions de stabilit´ e du multiobservateur
Pour montrer les conditions de stabilit´e du multiobserva- teur, d´efinissons les erreurs d’estimation d’´etat et de sortie de la mani`ere suivante :
e = x − x ˆ (7)
r = y− y ˆ =
M
X
i=1
µ i (ξ (t)) C i (x − x) = ˆ
M
X
i=1
µ i (ξ (t)) C i e (8) La dynamique de l’erreur d’estimation d’´etat est obtenue en utilisant les ´equations (3) et (6) :
˙ e =
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
A ¯ ij e + ∆A i x + R i u ¯ − ν i − α i
´
(9) avec :
A ¯ ij = A i − G i C j (10)
Th´ eor` eme 1 : l’erreur d’estimation d’´etat entre le mul-
timod`ele (3) et le multiobservateur (6) converge asymtoti-
quement vers z´ero, s’il existe une matrice sym´etrique et
d´efinie positive P et des scalaires positifs β 1 , β 2 et β 3
v´erifiant les LMI suivantes ∀ i, j ∈ I M :
A
TiP + P A
i− C
jTW
iT− W
iC
j+ (β
4δ
i2+ β
3)I P
P −β
1I
< 0 (11)
o` u β 4 = β 1 (1 + β − 2 1 ). Les gains G i et les termes ν i et α i du multiobservateur (6) sont d´efinis par :
If r 6= 0
ν i = ρ 2 β 3 − 1 kP R i k 2 2r T r P −1
M
X
j=1
µ j (ξ)C j T r
α i = β 1 (1 + β 2 ) δ i 2 x ˆ T x ˆ 2 r T r P − 1
M
X
j=1
µ j (ξ)C j T r If r = 0
½ ν i = 0 α i = 0
(12) G i = P −1 W i . (13) La d´emonstration de la convergence asymptotique du mul- tiobservateur (6) emploie le lemme suivant :
Lemme : pour toutes les matrices X et Y ayant des di- mensions appropri´ees, la propri´et´e suivante est v´erifi´ee :
X T Y + Y T X ≤ βX T X + β −1 Y T Y, avec β > 0 Preuve : Afin de d´emontrer la convergence asymptotique du multiobservateur, consid´erons la fonction de Lyapunov suivante :
V (e) = e T P e (14)
Sa d´eriv´ee par rapport au temps, le long de la trajectoire du syst`eme en utilisant les ´equations (7) et (9) s’explicite :
V ˙ =
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij ¢ e+
x T ∆A T i P e + e T P ∆A i x−
2α T i P e + 2e T P R i u ¯ − 2e T P ν i ´ (15)
La propri´et´e du lemme (1), nous permet d’´ecrire : V ˙ ≤
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij ¢ e+
β 1 x T ∆A T i ∆A i x + β 1 −1 e T P 2 e−
2α T i P e + 2e T P R i u ¯ − 2e T P R i ν i ´ (16)
En utilisant l’expression de l’erreur d’estimation d’´etat (7), l’´equation (16) devient :
V ˙ ≤
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij + β 1 − 1 P 2 ¢ e+
2e T P R i u ¯ + β 1 δ i 2 (ˆ x + e) T (ˆ x + e) − 2α T i P e − 2e T P ν i ´
≤
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij + β 1 − 1 P 2 ¢ e+
β 1 δ 2 i ¡ ˆ
x T x ˆ + e T e ¢
+ β 1 δ i 2 ¡ ˆ
x T e + e T x ˆ ¢
− 2α T i P e − 2e T P ν i
´ (17)
en utilisant le lemme (1), l’expression (17) peut ˆetre r´e´ecrite comme suit :
V ˙ ≤
M
X
i=1 M
X
j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij + β 1 − 1 P 2 + β 4 δ 2 i I ¢
e + β 1 (1 + β 2 ) δ 2 i x ˆ T x− ˆ 2α T i P e + 2e T P R i u ¯ − 2e T P ν i
´
avec β 4 = β 1 (1 + β 2 −1 )
A partir de maintenant, deux cas sont `a distinguer : Cas 1 : r 6= 0, en utilisant la relation (12), il est facile de v´erifier que :
2α T i P e = β 1 (1 + β 2 )δ 2 i x ˆ T x ˆ r T r r T
M
X
j=1
µ j (ξ) C j P − 1 P e
= β 1 (1 + β 2 )δ 2 i x ˆ T x ˆ r T r r T r
= β 1 (1 + β 2 )δ 2 i x ˆ T x ˆ
2e T P ν i = ρ 2 β 3 − 1 kP R i k 2
r T r e T P P −1
M
X
j=1
µ j (ξ) C j T r
= ρ 2 β 3 −1 kP R i k 2 2e T P R i u ¯ = e T P R i u ¯ + ¯ u T R T i P e
≤ β 3 e T e + β −1 3 kP R i uk ¯ 2
≤ β 3 e T e + ρ 2 β 3 − 1 kP R i k 2
(18)
De (18), on peut facilement d´eduire : V ˙ ≤ P M
i=1
P M j=1
µ i (ξ) µ j (ξ) ³
e T ¡ A ¯ T ij P + P A ¯ ij + β − 1 1 P 2 + β 4 δ i 2 I + β 3 I ¢
e ´ (19) avec : β 4 = β 1 (1 + β 2 − 1 ) et ¯ A ij = A i − G i C j
Cas 2 : r = 0, nous obtenons le mˆeme r´esultat
Pour les deux cas montr´es, la d´eriv´ee de la fonction de Lya- punov est n´egative, la convergence asymptotique du mul- tiobservateur (6) est garantie. Alors l’erreur d’estimation d’´etat converge asymptotiquement vers z´ero, si les condi- tions (11) et (12) sont v´erifi´ees.
Remarquons que les in´egalit´es suivantes :
(A i − G i C j ) T P + P (A i −G i C j ) + β 1 −1 P 2 + β 4 δ i 2 I + β 3 I < 0 sont non lin´eaires par rapport `a P et G i . Pour lin´eariser ces in´egalit´es et obtenir les contraintes (11), il suffit de consid´erer le changement de variable suivant :
W i = P G i (20)
et d’appliquer le compl´ement de Schur [15].
B. Relaxation des conditions de convergence du multiob- servateur
Afin de r´eduire le conservatisme des in´egalit´es (11), nous
allons exploiter le r´esultat propos´e dans [12].
Th´ eor` eme 2 : l’erreur d’estimation d’´etat entre le multimod`ele (3) et le multiobservateur (6) converge asymptotiquement vers z´ero, s’il existe des matrices sym´etriques et d´efinies positives P et Q ii , des matrices Q ij et des scalaires positifs β 1 , β 2 et β 3 v´erifiant les LMI suivantes ∀ i, j ∈ I M :
· A T i P + P A i − C i T W i T − W i C i + Q ii + β 1 (1 + β 2 − 1 )δ i 2 I + β 3 I P
P −β 1 I
¸
< 0
"
(A
i+A
j)
T2 P + P (A
i+A 2
j) − C j T W i T − W i C j − C i T W j T − W j C i + Q ij + Q T ij + β 1 (1 + β 2 −1 )δ i 2 I + β 3 I P
P −β 1 I
#
< 0
Q 11 Q 12 · · · Q 1M
Q T 12 Q 22 · · · .. . .. . .. . . .. .. . Q T 1M · · · · · · Q M M
> 0
(21) Les termes ν i et α i et les gains G i du multiobservateur (6) sont d´efinis par :
Si r 6= 0
ν i = ρ 2 β −1 3 kP R i k 2 2r T r P −1
M
X
j=1
µ j (ξ)C j T r
α i = β 1 (1 + β 2 ) δ i 2 x ˆ T x ˆ 2 r T r P − 1
M
X
j=1
µ j (ξ)C j T r Si r = 0
½ ν i = 0 α i = 0
(22)
G i = P −1 W i . (23)
Preuve : la d´emonstration est obtenue de le mˆeme fa¸con qu’au th´eor`eme 1 en exploitant le r´esultat de [12].
IL faut noter que la relaxation est introduite grace aux matrices Q ij . Ces matrices ne sont pas forc´ement d´efinies positives ce qui permet de relˆacher les contraintes fai- sant intervenir les termes crois´es (i 6= j). En comparaison avec [13], notons ´egalement que ces matrices ne sont pas forc´ement sym´etriques ce qui constituent des degr´es de li- bert´e suppl´ementaires.
IV. Exemple de simulation
Consid´erons le multimod`ele suivant [14], compos´e de deux mod`eles locaux et comportant deux sorties et trois ´etats.
Le vecteur de sortie du multimod`ele y est une combinaison non lin´eaire des ´etats, contrairement `a l’exemple trait´e dans [14] o` u les matrices C i sont identiques (C i = C, ∀i ∈ 1, 2).
˙ x =
2
X
i=1
µ i (u) ³
(A i + ∆A i )x + B i u + R i u ¯ ´
y =
2
X
i=1
µ i (u)C i x
(24)
Les valeurs num´eriques des matrices A i , B i , C i et R i sont :
A 1 =
−2 1 1
1 −3 0
2 1 −6
A 2 =
−3 2 2
5 −8 0
0.5 0.5 −4
B 1 =
1 0.5 0.5
B 2 =
0.5
1 0.25
R 1 =
1 1 1
R 2 =
1 0.5
2
C 1 =
· 1 1 1 1 0 1
¸ C 2 =
· 1 2 1
1 1 0
¸
∆A i repr´esente les incertitudes de mod`ele, telles que :
∆A i (j, k) = θA i (j, k) η (j, k) ∈ {1, 3} et i ∈ {1, 2}
avec θ = 0.2 et η est une fonction al´eatoire gaussienne de moyenne nulle est de variance ´egal `a 1.
Dans ce cas, le multiobservateur consid´er´e est d´ecrit par :
˙ˆ x =
2
X
i=1
µ i (ξ) ³
A i x ˆ + B i u + G i (y − y) + ˆ ν i + α i ´
ˆ y =
2
X
i=1
µ i (u)C i x ˆ
(25) avec :
(A i −G i C j ) T P + P(A i −G i C j ) + β 1 − 1 P 2 + (β 4 δ i 2 +β 3 )I < 0
(26)
il est important de noter que l’implementation du multiob-
servateur pose des probl`emes pratique : en effet quand l’er-
reur d’estimation de sortie r tend vers z´ero, les grandeurs
ν i et α i tend vers l’infini. Ce probl`eme peut ˆetre surmont´e
en fixant un seuil de pr´ecision ε de la fa¸con suivante :
Si krk ≥ ε
ν i = ρ 2 β 3 − 1 kP R i k 2 2r T r P − 1
2
X
j=1
µ j (ξ)C j T r
α i = β 1 (1 + β 2 ) δ 2 i x ˆ T x ˆ 2 r T r P − 1
2
X
j=1
µ j (ξ)C j T r Si krk ≤ ε
½ ν i = 0 α i = 0
pour cet exemple, nous avons fix´e ε `a 1O − 5 .
La r´esolution des in´egalit´es du th´eor`eme 2 conduit aux ma- trices suivantes G i , P , Q 11 , Q 12 et Q 22 :
G 1 =
0.55 2.18 1.58 −0.67 0.18 −0.93
G 2 =
2.62 1.04
−1.34 1.29 2.22 −2.19
P =
1 0 0
0 1 0
0 0 1
Q 11 =
1.66 −0.13 −0.44
−0.13 1.44 −0.12
−0.44 −0.12 2.16
Q 22 =
1.87 −0.27 0.18
−0.27 1.66 0.12 0.18 0.12 1.39
Q 12 =
1.16 0.14 0.22 0.34 0.17 0.66
−0.33 0.87 −0.69
Le syst`eme (24) a ´et´e simul´e en choisissant, pour l’entr´ee inconnue, deux cr´eneaux filtr´es se d´eclenchant aux instants 5s et 20s, de dur´ees 2s et 14s et d’amplitudes respectives
´egales 1.5 et 1.2 (voir figure (2)).
La figure (1) pr´esente l’´evolution de l’entr´ee connue u ap- pliqu´ee au multimod`ele ainsi qu’au multiobservateur. La figure (3) pr´esente l’allure des fonctions d’activation µ 1 (u) et µ 2 (u).
0 5 10 15 20 25 30 35 40
0 0.5 1 1.5 2 2.5 3 3.5 4
Fig. 1. Entr´ ee connue u(t)
Notons que pour θ = 0.2, les conditions du th´eor`eme 1 ( et les conditions d´evelopp´ees en [14]) ´echouent `a synth´etiser un multiobservateur pour le multimod`ele (24), ce qui
0 5 10 15 20 25 30 35 40
0 0.5 1 1.5
Fig. 2. Entr´ ee inconnue ¯ u
0 0.5 1 1.5 2 2.5 3 3.5 4
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
µ2(u) µ1(u)
Fig. 3. Fonctions d’activation
illustre bien la relaxation apport´ee.
Les figures (4), (5) et (6) montrent la comparaison entre les variables d’´etat du multimod`ele (24) et leurs estimations respectives par le multiobservateur (25). On constate que dans chaque figure les deux trac´es sont superpos´es sauf au voisinage de l’origine ; cela est dˆ u au choix des conditions initiales du multiobservateur.
0 5 10 15 20 25 30 35 40
0 0.5 1 1.5 2 2.5 3 3.5 4
Fig. 4. x
1et son estim´ e ˆ x
10 5 10 15 20 25 30 35 40 0
0.5 1 1.5 2 2.5 3
Fig. 5. x
2et son estim´ e ˆ x
20 5 10 15 20 25 30 35 40
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2