Skip to content
Retour aux résultats

Contrôle H-infini

Introduite par
George Zames
Année
1981
Type
algorithm
Famille
Robust Control

Ce texte est une traduction automatique et n’a pas encore été relu. Lire l’original en anglais

Taille de police

À quoi sert-elle ?

Le contrôle H-infini (H∞) est une méthode de commande robuste qui minimise le gain dans le pire des cas des perturbations sur les sorties contrôlées, formulé comme un problème d'optimisation minimax.

Pionnier de Zames au début des années 1980, le contrôle H∞ fournit une manière principielle de concevoir des régulateurs à rétroaction qui tolèrent l'incertitude du modèle, les dynamiques non modélisées et les perturbations, tout en maintenant la stabilité et la performance, ce qui le rend essentiel pour les applications nécessitant une robustesse garantie.

L’intuition derrière la méthode

Contrairement au LQR qui suppose un système parfaitement connu et un bruit gaussien, le contrôle H∞ adopte une perspective du pire des cas : il recherche un régulateur qui minimise l'amplification maximale possible des perturbations sur toutes les fréquences. L'idée clé est de définir des objectifs de performance pondérés (par exemple, sensibilité aux perturbations, sensibilité complémentaire au bruit de mesure) et de résoudre pour un régulateur qui maintient toutes ces réponses pondérées bornées par un niveau prescrit gamma. Si la solution existe avec gamma < 1, le régulateur stabilise le système de manière robuste et satisfait simultanément toutes les spécifications de performance. Cette garantie du pire des cas rend le contrôle H∞ puissant pour les systèmes incertains, non linéaires ou très sujets aux perturbations.

Histoire

Zames a formulé le problème de minimisation de la sensibilité et a introduit la norme H∞ au début des années 1980, fournissant une perspective du domaine fréquentiel sur la robustesse. Francis a étendu la théorie avec la formulation dans l'espace d'état (plante généralisée), et Doyle et al. ont fourni la solution par équation de Riccati et la caractérisation LMI. Le manuel de Zhou (1996) est devenu la référence standard. Le contrôle H∞ a été largement adopté industriellement dans les années 1990, avec des applications dans l'aérospatiale, le contrôle de processus et les systèmes automobiles. Les variantes modernes incluent le H∞ à sensibilité mixte, le H∞ avec incertitude structurée et le contrôle H∞ distribué.

Quand l’utiliser

Utiliser le contrôle H∞ lorsque vous devez garantir la robustesse de la stabilité et de la performance malgré l'incertitude du modèle, les dynamiques non modélisées ou les variations de paramètres. Il est idéal pour les systèmes opérant dans des environnements incertains (aérospatiale, automobile, industriel), lorsque les statistiques des perturbations et du bruit sont inconnues ou non gaussiennes, et lorsque vous avez besoin de garanties de performance dans le pire des cas. Éviter H∞ si vous avez une connaissance précise de la plante (le LQR peut être plus simple) ou si la conception nécessite une gestion explicite des contraintes (utiliser plutôt le MPC).

Limites et points d’attention

  • Conception de régulateur conservatrice ; la recherche de la garantie du pire des cas peut entraîner un contrôle trop prudent et lent.
  • Nécessite un réglage minutieux des fonctions de pondération ; une mauvaise sélection des poids entraîne une performance sous-optimale.
  • Suppose une connaissance complète du modèle de plante généralisée ; l'incertitude non structurée et les dynamiques négligées peuvent dégrader la robustesse.
  • Ne gère pas explicitement les contraintes fortes ; les contraintes doivent être incorporées via des fonctions de pénalité ou le MPC.
  • Le contrôle H∞ non linéaire (jeux différentiels) est computationnellement plus difficile et manque de convergence garantie.

Les conditions de la source ne remplacent ni une revue scientifique indépendante ni la validation par un moteur d’analyse.

Points forts

  • Fournit une robustesse garantie à l'incertitude du modèle et aux variations paramétriques sans supposer de modèles probabilistes.
  • La formulation minimax donne des garanties de performance dans le pire des cas pour toutes les perturbations et fréquences.
  • Permet une conception multivariable avec une gestion explicite des contraintes des capteurs et des actionneurs via la pondération.
  • Peut être résolu de manière convexe en utilisant des méthodes LMI ou de Riccati ; les solutions numériques sont fiables et bien testées.
  • Interprétation naturelle dans le domaine fréquentiel ; facile d'incorporer des objectifs de contrôle classiques (marge de gain, marge de phase) comme poids.

Applications

  • Aérospatiale : Contrôle de tangage d'avion avec dynamiques non modélisées, conception de pilote automatique robuste tolérant les variations de paramètres.
  • Automobile : Contrôle de suspension robuste insensible aux changements de charge et aux perturbations routières, gestion moteur sous incertitude.
  • Systèmes électriques : Contrôle de générateur robuste aux variations de charge et aux déviations de fréquence, régulation de tension des microréseaux.
  • Contrôle de processus : Contrôle de réacteur chimique tolérant les décalages de modèle et les variations de matière première, optimisation de colonne de distillation.
  • Robotique : Contrôle de manipulateur avec friction de joint incertaine, navigation de robot mobile robuste au bruit de capteur et aux obstacles.

Comment ça marche

Comment ça marche

1

Définir le modèle de plante généralisée qui inclut le système, les canaux de perturbation et de bruit de mesure, et les objectifs de performance pondérés (canaux d'erreur).

2

Sélectionner des fonctions de pondération dépendantes de la fréquence qui façonnent le régulateur pour prioriser la performance dans différentes plages de fréquences (par exemple, rejet des perturbations à basse fréquence, atténuation du bruit à haute fréquence).

3

Résoudre le problème d'optimisation H∞ en utilisant l'optimisation convexe (inégalités matricielles linéaires, LMI) ou les équations de Riccati pour trouver le régulateur minimisant le gain dans le pire des cas (norme H∞).

4

Vérifier que le gamma atteint est inférieur à 1 et vérifier les marges de robustesse (marge de gain, marge de phase, stabilité aux perturbations paramétriques).

Pièges courants

  • Choisir des fonctions de pondération arbitrairement au lieu de les dériver des contraintes physiques et des spécifications de performance.
  • Définir incorrectement les formes des poids (par exemple, trop agressives à haute fréquence) entraîne du chattering ou un effort de contrôle excessif.
  • Ignorer l'incertitude structurée et supposer que toute l'incertitude est non structurée, ce qui conduit à un conservatisme excessif.
  • Oublier de vérifier que le système en boucle fermée est stable et que gamma < 1 est réalisable ; les conceptions infaisables gaspillent des calculs.

Questions fréquentes

Qu'est-ce que la norme H∞ et pourquoi est-elle importante pour la robustesse ?

La norme H∞ d'un système est le gain maximal (plus grande valeur singulière) sur toutes les fréquences. Minimiser la norme H∞ signifie limiter l'amplification maximale des perturbations, garantissant que des perturbations bornées produisent des sorties bornées. Cela fournit une garantie forte : si la norme H∞ est gamma < 1, toute perturbation d'amplitude < 1 produit une sortie d'amplitude < gamma, quelle que soit la fréquence.

Comment choisir les fonctions de pondération ?

Commencez par exprimer vos objectifs de performance en termes de plages de fréquences : par exemple, les perturbations à basse fréquence (1-10 rad/s) doivent être atténuées, tandis que le bruit de mesure à haute fréquence (>1000 rad/s) peut être toléré. Concevez W1 pour façonner la sensibilité (réponse d'erreur aux perturbations) et W2 pour façonner la sensibilité complémentaire (effort de contrôle et réponse au bruit). Utilisez des réseaux de retard ou d'avance du premier ordre, puis itérez en fonction des diagrammes de Bode en boucle fermée.

Que représente le modèle de plante généralisée ?

La plante généralisée est une représentation matricielle qui inclut le système (G), les entrées de perturbation/bruit (w), les sorties contrôlées (z), les entrées de commande (u) et les mesures (y). Elle capture l'ensemble du problème de contrôle : w inclut les perturbations et le bruit, z inclut les objectifs de performance (erreur, effort de commande, etc.), et le régulateur doit minimiser le gain de w à z tout en stabilisant le système.

Le contrôle H∞ peut-il gérer les systèmes non linéaires ?

Le contrôle H∞ non linéaire utilise la théorie des jeux différentiels et est considérablement plus complexe. Vous pouvez linéariser un système non linéaire et concevoir H∞ pour le modèle linéarisé (robuste aux petites non-linéarités), ou utiliser la commande par gain programmé (H∞ dépendant des paramètres) pour les systèmes à paramètres variant lentement. Le H∞ non linéaire complet nécessite la résolution d'EDP non linéaires (inégalité de Hamilton-Jacobi), ce qui est généralement intraitable.

Méthodes associées

Sources

  1. Zames, G. (1981). Feedback and optimal sensitivity: Model reference transformations, multiplicative seminorms, and approximate inverses. IEEE Transactions on Automatic Control, 26(2), 301-320.

    Ouvrir la référence DOI
    Copié.
  2. Francis, B. A. (1987). A Course in H∞ Control Theory. Lecture Notes in Control and Information Sciences, Springer-Verlag.

    Ouvrir la référence DOI
    Copié.
  3. Zhou, K., Doyle, J. C., & Glover, K. (1996). Robust and Optimal Control. Prentice Hall.

    Ouvrir la référence de la publication
    Copié.