Cours 4

Systèmes à temps discret
Transformée en z
Capteurs
Systèmes mécatroniques asservis

4. Systèmes à temps discret et capteurs
Valentin Gies
ENSTA
university-logo
Valentin Gies ES 206 : Systèmes mécatroniques asservis

Transformée en z
Capteurs
Plan du cours
1 Systèmes à temps discret

Echantillonage
Blocage
Quantification
2 Transformée en z
Définition et propriétés
Transformées usuelles
Laplace ⇒ Transformée en z
3 Capteurs
Présentation générale
Typologie
Exemples
university-logo

Transformée en z
Capteurs
Capteurs
Positionnement dans une chaine mécatronique
university-logo

Systèmes à temps discret Echantillonage
Transformée en z Blocage
Capteurs Quantification
Pourquoi le discrétiser le temps ?
Contrôle analogique :
Composants analogiques (A.O., dipoles linéaires,
transistors...) : temps continu.
Difficilement programmable : manque de flexibilité,
dimensionné pour une application
Contrôle numérique :
Correcteurs à temps discret : présence d’une horloge de
synchronisation.
Facilement programmable : très flexible, facilement
portable.
university-logo

Interfaçage discret-continu
Dans les systèmes réels :

Pilotage : temps discret
Système réel : temps continu
⇒ Passage de l’un à l’autre :

Temps continu ⇒ Temps discret : Echantilloneur
Temps discret ⇒ Temps continu : Bloqueur
A chaque passage temps discret ⇒ temps continu :

quantification
university-logo

Echantillonage des signaux
A un rythme régulier : à chaque période d’horloge T .
La valeur échantillonée est conservée pendant toute la

période : blocage.
La valeur analogique bloquée est convertie en valeur

numérique. university-logo

Limite fréquentielle à l’échantillonage des signaux
Si le signal varie trop rapidement par rapport à période

d’horloge T .
On ne peut pas reconstruire le signal d’origine.

⇒ étude de l’échantillonage dans le domaine fréquentiel :
formulation de Nyquist (1928) et Shannon(1948).
university-logo

Échantillonnage dans le domaine fréquentiel

Opération d’échantillonnage à t = 0.
+∞
x(0) = x(t)δ(t)dt
−∞
Opération d’échantillonnage à t = nT e .
+∞
x(nTe ) = x(t)δ(t − nTe )dt
−∞
Série échantillonnée (y(t) d’un signal x(t) :

∞ ∞ ∞

y(t) = x(t)s(t)dt = x(t) δ(t − nTe )dt
−∞ −∞ n=−∞ university-logo

Échantillonnage dans le domaine fréquentiel (2)

s(t) est appelée un "peigne" de Dirac :
∞

s(t) = δ(t − nTe )
n=−∞
Transformée de Fourier du peigne de Dirac : peigne de

Dirac dans le domaine fréquentiel
∞
S(ω) = K δ(ω − kωe ) university-logo
k =−∞
Transformée de Fourier du signal échantillonné :

∞
Y (ω) = X (ω − ν)S(ν)dν
−∞
∞ ∞

= X (ω − ν) K δ(ν − kωe ) dν
−∞ k =−∞
or on sait que :
∞
X (ω − ν) [δ(ν − kωe )] dν = X (ω − kωe )
−∞
On en déduit donc :
∞

Y (ω) = X (ω − kωe )
university-logo
k =−∞

Transformée de Fourier du signal échantillonné :

∞

Y (ω) = X (ω − kωe )
k =−∞
La TF du signal échantillonné est la somme des

reproductions de la TF du signal original décalées de kω e .
university-logo

Reconstruction du signal d’origine : La reconstruction du

signal d’origine ne peut se faire que si :
En filtrant la TF du signal échantillonné, on peut retrouver
la TF du signal d’origine.
Figure: Signal reconstructible Figure: Signal non

reconstructible
Le signal n’est pas reconstructible lorsqu’il y a repliement

de spectre ou aliasing university-logo

Reconstruction du signal d’origine : Théorème de

Shannon
Condition suffisante à la reconstruction de signaux
simples : un signal numérique échantillonné peut être
reconstruit si sa transformée de Fourier est nulle en dehors
de la bande de fréquence ] −ω e ωe
2 , 2 [.
Condition nécessaire à la reconstruction de signaux

complexes : un signal numérique échantillonné peut être
reconstruit si l’encombrement spectral (bande de
fréquence du spectre) du signal original est inférieur à ω e .
university-logo

Blocage des signaux
Utilité d’un bloqueur :
Temps continu : nécessite une valeur d’entrée en

permanence.
⇒ Ajout d’un bloqueur : maintien la valeur durant une
période.
university-logo

Blocage des signaux
Fonction de transfert d’un bloqueur :
Transformée de Laplace d’un bloqueur :
1 1 −Tp 1 − e −Tp
Bo (p) = − e = (1)
p p p
university-logo

Quantification des signaux
Représentation numérique de l’information : valeurs

quantifiées
Variance E(b 2 ) de l’erreur de quantification b :

q/2 q/2
1 q2
E(b ) =
2
b p(b)db = 2
b 2 db =
−q/2 q −q/2 12
university-logo

Systèmes à temps discret Définition et propriétés
Transformée en z Transformées usuelles
Capteurs Laplace ⇒ Transformée en z
Définition et propriétés
Définition de la transformée en z :
∞

S(z) = Z(s(n)) = x(n)z −n
n=−∞
Exemple : transformée en z d’un échelon unitaire

∞

U(z) = Z(u(n)) = x(n)z −n
n=−∞
∞

= z −n
n=0
1
=
1 − z −1
university-logo

Propriétés de la transformée en z
Propriétés de la transformée en z :
Linéarité :
Z(αf (n) + βg(n)) = αZ(f (n)) + βZ(g(n))
Décalage temporel :
Z(f (n − k)) = z −k Z(f (n))
Convolution :
Z(f (n)g(n)) = Z(f (n))Z(g(n))
university-logo

Propriétés (suite)
Propriétés de la transformée en z (suite) :
Multiplication par une exponentielle :
Z(an f (n)) = F (z/a)
Dérivation :

d k
Z(n f (n)) = −z
k
Z(f (n))
dz
d
Z(nf (n) = −z Z(f (n)) (pour k = 1)
dz
Convolution :
Z(f (n)g(n)) = Z(f (n))Z(g(n)) university-logo

Propriétés (suite)
Propriétés de la transformée en z (suite) :
Théorème de la valeur initiale :
x(0) = lim x(n) = lim X (z)

n→0 z→∞
Théorème de la valeur finale :
lim x(n) = lim (z − 1)X (z)

n→+∞ z→1
Transformée inverse :

−1 1
x(n) = Z (X (z)) = X (z)z n−1 dz
2πj C
En pratique, on utilise le tableau de correspondance aprèsuniversity-logo

décomposition en facteurs premiers.
Tableau des transformées en z usuelles
X(z) x(n)
1 δ(t) (Dirac)
1
u(n) (Echelon)
1 − z −1
1
an u(n)
1 − az −1
az −1

2 nan u(n)
1 − az −1
1 − z −1 cos ω0
cosω0 nu(n)
1 − 2z −1 cos ω0 + z −2
z −1 sin ω0
sinω0 nu(n)
1 − 2z −1 cos ω0 + z −2
university-logo

Utilisation des transformées en z usuelles
Formules de calcul directe des transformées en z :

complexe
Transformée en z inverse : complexe
Décomposition polynômiale : assez complexe.
La transformée en z n’est pas un outil très commode à
manipuler.
⇒ Idée : utiliser la transformée de Laplace puis discrétiser les

filtres et correcteurs obtenus.
university-logo

Passage Laplace ⇒ Transformée en z :

3 formulations possibles
Equivalence de la dérivée (Euler) :
dx xn − xn−1 1 − z −1
= ⇒ p↔
dt Te Te
Transformation bilinéaire :
y (n) + y (n + 1) Y (z) 2 1 − z −1
y(n) = y(n − 1) + Te ⇒ =
2 Y (z) Te 1 + z −1
On obtient donc :
2 1 − z −1 1+ Te
2 s
s⇔ ou z⇔
Te 1 + z −1 1− Te
2 s university-logo

Exemple d’application :
Filtre numérique équivalent à un correcteur PI :
1
C(s) = Kp (1 + )
Ti s
On remplace s par son équivalent en z (transformation

bilinéaire) :
⎡ ⎤
⎢ 1 ⎥
C(z) = Kp ⎢
⎣1 +
⎥
−1 ⎦
2 1−z
Ti Te
1 + z −1

Kp (2Ti + Te ) + z −1 (Te − 2Ti )
=
2Ti 2Ti (1 − z −1 )
university-logo

Intérêt de la transformation bilinéaire :
Permet d’étudier les correcteurs dans le domaine de

Laplace.
Transformation simple : valable pour les pulsation
éloignées de Tπ (cf Shannon...)
On se limitera dans ce cours à l’introduction de cette
méthode de détermination des correcteurs. En pratique, il
existe d’autres méthodes de synthèses de filtres directes, sans
avoir recours à la transformée de Laplace :
Filtres à réponse impulsionnelle finie (RIF) : très simples et
inconditionnellement stables.
Filtres à réponse impulsionnelle infinie (RII) : un peu plus
complexe, et avec un risque d’instabilité university-logo

Systèmes à temps discret Présentation générale
Transformée en z Typologie
Capteurs Exemples
Capteurs
Qu’est-ce qu’un capteur ?

Interface réel ⇒ contrôle.
Permet de contrôler l’état du robot : capteurs proprioceptifs.
Permet de connaître l’environnement du robot : capteurs
extéroceptifs
Un capteur doit être :

Adapté au signal à mesurer: vitesse, précision...
Adapté à la chaîne de traitement : capacité de traitement
Adapté à l’application visée : coût, robustesse, conditions de
fonctionnement...
university-logo

Capteurs Exemples
Capteurs
Caractéristiques générales des capteurs :

Débit d’information.
Intérêt : plus le débit est élevé, plus l’information est
potentiellement riche.
Inconvénient : plus le débit est élevé, plus il est difficile de
traiter l’information.
Précision et robustesse : une information de qualité
permet de réduire les post-traitements.
Finesse : aptitude à donner une valeur sans perturber le
fonctionnement du système.
Niveau sémantique d’information : un haut niveau
d’information permet de réduire les post-traitements.
university-logo

Capteurs Exemples
Panorama des capteurs utiles en mécatronique
Capteurs proprioceptifs : contrôle du système

Mesure de l’accélération : accéléromètre...
Mesure de la vitesse : radar Doppler, gyroscope,
génératrice tachymétrique...
Détection de présence : interrupteur, détecteur
magnétique, capacitif, inductif...
Mesure de la position : odomètre, gyrocompas,
magnétomètre, inclinomètre, balises et GPS...
Capteurs extéroceptifs : connaissance de

l’environnement
Capteurs télémétriques : laser, à ultrasons,
Systèmes de vision : caméra CCD, rétine artificielle,
stéréovision.
university-logo

Capteurs Exemples
Capteurs proprioceptifs
Mesure de l’accélération : l’accéléromètre
Micro-accéléromètre capacitif à MEMS (AD 2002)
Accéléromètre inertiel asservi (Schaevitz)
university-logo

Capteurs Exemples
Mesure de la vitesse (1) : radar Doppler

Emission d’une onde de fréquence fixe
Réception d’une onde de fréquence décalée en fonction de
la vitesse relative du radar par rapport à la cible.
university-logo

Capteurs Exemples
Mesure de la vitesse (2) : Génératrice tachymétrique

Machine à courant continu montée en génératrice
U = KΩ
university-logo

Capteurs Exemples
Mesure de la vitesse (3) : Gyroscope
Gyroscopique classique :
Gyroscope MEMs capacitif (Bosch)
university-logo

Capteurs Exemples
Mesure de la position (1) : odomètre
Inconvénient : flux de données de bas niveau important.

university-logo
Intérêt : Peu coûteux et fiable.
Capteurs Exemples
Mesure de la position (2) : gyrocompas
Gyrocompas : Gyroscope + intégration

Inconvénient : intégration numérique ⇒ dérive
En aéraunautique : dérive < 0.01 ◦ /h
Précision ⇔ Prix.
Intérêt : l’intégration est réalisée en interne : faible débit
d’information de haut niveau.
university-logo

Capteurs Exemples
Mesure de la position (3) : balises
Inconvénient : Nécessite un investissement sur le lieu de

déplacement.
Relative imprécision : longueur d’onde environ.
Intérêt : Permet un positionnement en position sans dérive
temporelle. Faible débit d’information de haut niveau. university-logo

Capteurs Exemples
Mesure de la position (4) : GPS (balises satellites)
Inconvénient : Fréquence d’échantillonnage max = 1Hz.

Imprécision absolue : environ 10m en mode différentiel.
Intérêt : Permet un positionnement en position sans dérive
temporelle et sans balises au sol. Information de haut
university-logo
niveau (vitesse, cap...).
Capteurs Exemples
Capteurs extéroceptifs
Capteurs télémétriques (1) : à ultrasons
Principe : Mesure de temps de vol.
Inconvénient : peu directionnel et sensibles aux

perturbations ultrasoniques.
Intérêt : Permet d’avoir une information de moyen niveau
pour peu cher. university-logo

Capteurs Exemples
Capteurs télémétriques (2) : laser
Principe : Mesure de temps de vol (très cher) ou

triangulation (cher).
Inconvénient : prix prohibitif pour la plus-part des

applications grand public.
Intérêt : Fiabilité et précision de la mesure. Possibilité de university-logo
faire de la cartographie 3D.
Capteurs Exemples
Systèmes de vision (1) : Caméra CMOS
Inconvénient : le débit de données est très élevé.

Données de bas niveau (intensité lumineuse).
Consommation assez élevée.
university-logo
Intérêt : Information riche (mais à exploiter).
Capteurs Exemples
Systèmes de vision (2) : Rétines artificielles
Inconvénient : Pas encore développé en version

industrielle.
Intérêt : Débit d’information limité, information de qualité
(haut niveau) sur des objets, utilisable simplement. Très
university-logo
faible consommation.
Capteurs Exemples
Questions ?
Questions
Contact : vgies@hotmail.com
university-logo

Cours 4

Uploaded by

Document Information

Original Title

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

Cours 4

Uploaded by

Copyright:

Available Formats

Systèmes à temps discret

Systèmes mécatroniques asservis

Valentin Gies ES 206 : Systèmes mécatroniques asservis

1 Systèmes à temps discret

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Pourquoi le discrétiser le temps ?

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Dans les systèmes réels :

⇒ Passage de l’un à l’autre :

A chaque passage temps discret ⇒ temps continu :

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Echantillonage des signaux

A un rythme régulier : à chaque période d’horloge T .

La valeur échantillonée est conservée pendant toute la

La valeur analogique bloquée est convertie en valeur

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Limite fréquentielle à l’échantillonage des signaux

Si le signal varie trop rapidement par rapport à période

On ne peut pas reconstruire le signal d’origine.

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Échantillonnage dans le domaine fréquentiel

Série échantillonnée (y(t) d’un signal x(t) :

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Échantillonnage dans le domaine fréquentiel (2)

Transformée de Fourier du peigne de Dirac : peigne de

Échantillonnage dans le domaine fréquentiel (3)

Transformée de Fourier du signal échantillonné :

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Échantillonnage dans le domaine fréquentiel (4)

Transformée de Fourier du signal échantillonné :

La TF du signal échantillonné est la somme des

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Échantillonnage dans le domaine fréquentiel (5)

Reconstruction du signal d’origine : La reconstruction du

Figure: Signal reconstructible Figure: Signal non

Le signal n’est pas reconstructible lorsqu’il y a repliement

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Échantillonnage dans le domaine fréquentiel (5)

Reconstruction du signal d’origine : Théorème de

Condition nécessaire à la reconstruction de signaux

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Blocage des signaux

Utilité d’un bloqueur :

Temps continu : nécessite une valeur d’entrée en

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Blocage des signaux

Fonction de transfert d’un bloqueur :

Transformée de Laplace d’un bloqueur :

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Quantification des signaux

Représentation numérique de l’information : valeurs

Variance E(b 2 ) de l’erreur de quantification b :

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Exemple : transformée en z d’un échelon unitaire

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Z(αf (n) + βg(n)) = αZ(f (n)) + βZ(g(n))

Z(f (n − k)) = z −k Z(f (n))

Z(f (n)g(n)) = Z(f (n))Z(g(n))

Valentin Gies ES 206 : Systèmes mécatroniques asservis

Z(an f (n)) = F (z/a)

Z(f (n)g(n)) = Z(f (n))Z(g(n)) university-logo

Valentin Gies ES 206 : Systèmes mécatroniques asservis