Logique Floue Et Commande

Logique floue et commande
cole dt en Commande Avance des systmes &

Nouvelles Technologies Informatiques, CANTI 2012 CANTI 2012
Bucarest, 21-25 Mai 2012
Olivier Pags
Universit de Picardie Jules Verne (UPJV) (UPJV)
Laboratoire Modlisation, Information et Systmes (MIS) (MIS)
33 rue Saint-Leu, 80039 Amiens cedex, France
Email : opages@u-picardie.fr
Prsentation
Universit de Picardie Jules Verne
Amiens (France) : 20000 tudiants
U.F.R des Sciences : six dpartements
dont le dpartement lectronique,
2
U.F.R des Sciences : six dpartements
dont le dpartement lectronique,
lectrotechnique, Automatique (EEA)
Licence EEA
Master professionnel EEAII
Master recherche MIS (regroup avec le
master professionnel)
Prsentation
Master de rechercher MIS
Thmes : automatique (commande),
perception et robotique, informatique
3
perception et robotique, informatique
Possibilits de stages de recherche ou
de fin dtudes avec Erasmus / Socrates
Prsentation
Laboratoire MIS : Modlisation,
Information et Systmes (EA 4290)
Fusion de deux laboratoires + cinq
4
Fusion de deux laboratoires + cinq
quipes de recherche (40 chercheurs)
dont lquipe COVE
quipe COVE : Commande et
vhicules
Prsentation
quipe COVE : Commande et vhicules
Cinq MCF + un professeur + quatre
doctorants
5
Axes de recherche : commande floue
(modles flous, adaptative floue), commande
mode glissant, diagnostic, contrle TF
Applications : vhicule (dynamique
longitudinale, latrale, couple), panneaux
photovoltaques
Prsentation
Collaborations avec luniversit
Polytechnique de Bucarest (facult
dautomatique et dinformatique,
6
dautomatique et dinformatique,
laboratoire ACPC) : projets de
recherche, accord de coopration +
cole dt en automatique Bucarest
(cours : logique floue et
commande )
Prsentation
Objectifs du cours Objectifs du cours
1. Avoir les bases du formalisme flou
2. Se familiariser avec les modles flous
7
2. Se familiariser avec les modles flous
de type Takagi-Sugeno et les
systmes flous de type Takagi-Sugeno
3. Outils destins la commande des
systmes non linaires
Plan du cours
Formalisme de la logique floue
Exemple dapplication : rgulation de
temprature
8
Ingalits matricielles linaires (LMI)
Modles flous de type Takagi-Sugeno (TS)
Contrleurs flous : Parallel Distributed
Compensation (PDC)
Commande floue et poursuite de trajectoire
Plan du cours
9
1. Prsentation
Exemples introductifs
Logique floue vs boolenne
Champs dapplications et historique
2. Concepts principaux
Ensemble flou
Oprateur logique floue
10
6. Exemple complet de prise de dcisions floues
Oprateur logique floue
Fuzzification>>Infrences floues>>Dfuzzification
4. Infrence floue
Principe du raisonnement approximatif
Base de rgles
Mthodes dinfrence floue
5. Dfuzzification
Mthodes de dfuzzification
Synthse gnrale
3. Fuzzification
Variables linguistiques
Comment fuzzifier?
Introduction la logique floue
Logique boolenne logique floue
Supposons que la limite soit de 1m65.
Je mesure 1m63, suis-je vraiment petit ?
11
Logique boolenne : oui, je suis petit 100%
Logique floue : la fois petit et grand
Exemple de rgles floues
si le feu est rouge si ma vitesse est leve
et si le feu est
proche
alors je freine fort
12
si le feu est rouge si ma vitesse est leve
proche
alors je freine fort
si le feu est rouge si ma vitesse est faible et si le feu est loin
alors je maintiens ma
vitesse
si le feu est
orange
si ma vitesse est
moyenne
et si le feu est loin alors je freine doucement
si le feu est vert si ma vitesse est faible
et si le feu est
proche
alors j'acclre
Les rgles floues sont nonces en langage naturel
Transposition de notre exemple selon un modle plus
mathmatique moins flou
sans le savoir!
13
Si le feu est rouge, si ma vitesse dpasse 85,6 km/h et si le feu est
moins de 62,3 mtres, alors j'appuie sur la pdale de frein avec une
force de 33,2 Newtons !!!
Notre cerveau fonctionne en logique floue
Il apprcie les variables d'entres de faon approximative (faible, leve, loin, proche),
fait de mme pour les variables de sorties (freinage lger ou fort) et propose un
ensemble de rgles permettant de dterminer les sorties en fonction des entres
Un patient atteint d'hpatite prsente gnralement les symptmes suivants :
Le patient a une forte fivre
Sa peau prsente une coloration jaune
Limite de la logique boolenne
14
Sa peau prsente une coloration jaune
Il a des nauses
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
T(C)
Avoir une forte fivre
Ensemble classique
36 37 38 39 40 41 42
0
0.2
0.4
0.6
0.8
1
Ensemble flou
T(C)
Avoir une forte fivre
Introduction logique floue
Si le patient a 38,9C de temprature
Le patient na pas de forte fivre Le patient na pas dhpatite
Logique classique Logique classique
15
Le patient a une forte fivre 48% Le patient a une hpatite x %
Logique floue Logique floue
Champs dapplications de la logique
floue
Aide la dcision, au diagnostic
(domaine mdical, orientation professionnelle)
16
Base de donnes
(objets flous et/ou requtes floues)
Reconnaissance de forme
Agrgation multicritre et optimisation
Commande floue de systmes
Bref historique : les dbuts
1965 : Concept introduit par Pr. Lotfi Zadeh (Berkeley)
Fuzzy set theory : Dfinition des ensembles flous et oprateurs associs
1970 : Premires applications: Systmes experts, Aide la
dcision en mdecine, commerce
17
dcision en mdecine, commerce
1974 : Premire application industrielle. Rgulation floue dune
chaudire vapeur ralise par Mamdani
Longtemps universitaire
1985 : Les premiers, les japonais introduisent des produits
grand public Fuzzy Logic Inside
Bref historique
1990 : Gnralisation de lutilisation de cette technique
Appareils lectromnagers (lave-linge, aspirateurs, autocuiseurs,...)
Systmes audio-visuels (appareils de photos autofocus, camscope
stabilisateur d'images, photocopieurs,...)
Systmes automobiles embarqus (BVA, ABS, suspension,
18
Systmes automobiles embarqus (BVA, ABS, suspension,
climatisation,...)
Systmes autonomes mobiles
Systmes de dcision, diagnostic, reconnaissance
Systmes de contrle/commande dans la plupart des domaines
industriels de production
Lapproche des problmes par la logique floue est diffrente de celle adopte, a
priori, dans une dmarche scientifique
Elle est beaucoup plus pragmatique que dterministe
19
La dcision en logique floue est base sur la notion dexpertise, qui permet de
quantifier le flou partir de connaissance a priori ou acquise antrieurement
Ne pas tre trop cartsien pour aborder la logique floue
Il nest pas ncessaire davoir un modle entres/sorties dune
voiture pour pouvoir la conduire de manire satisfaisante
Les deux concepts principaux de la logique Les deux concepts principaux de la logique
floue floue
1. Les ensembles et variables flous et oprateurs associs
20
1. Les ensembles et variables flous et oprateurs associs
2. Prise de dcision partir dun base de rgles SIALORS..
Cest linfrence floue
Ensemble flou
A
U
Soient U: lunivers du discours.
A: un sous-ensemble de U
21
Thorie classique des ensembles:
( )
( )
' '
0
1
A
A
A
Si est la fonction d appartenance de l ensemble A
x U x si x A
x si x A
=
=
Ensemble flou
Concept densemble flou:
( ) [ ]
' '
0;1
A
A
Si est la fonction d appartenance de l ensemble flou A
x U x

22
( ) [ ]
0;1
A
x U x
Si =0,30
x appartient lensemble flou A avec un degr dappartenance de 30%
( )
A
x
Un ensemble flou est totalement dtermin par sa fonction dappartenance
degr dappartenance = valeur de vrit
Exemples densembles flous
0.2
0.4
0.6
0.8
1
Ensemble flou " Personne de petite taille"
Petit
0.2
0.4
0.6
0.8
1
Ensemble flou: "Personne de taille moyenne"
Moyen
0.2
0.4
0.6
0.8
1
Ensemble flou :"Personne de grande taille"
Grand
23
Ici, Pierre mesure 1m625
se traduit en logique floue par
Pierre est petit un degr de 75%
Pierre est moyen 25%
Pierre est grand 0%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
partition floue de l'univers du discours
Taille(m)
Petit Moyen
Grand
Fonctions dappartenance
particulires
( )
( )
0
0
x 0 0
x 0
Lorsqu'un fait certain correspond l'nonc de la valeur d'une variable, on a un singleton:
1 pour
0 pour
x x x
x x x
= =
24
0
x 0
1
Couleur du
feu tricolore
rouge orange vert
Fonction dappartenance de la classe Fonction dappartenance de la classe Le feu est rouge Le feu est rouge
Oprateurs de logique floue
Comme pour la thorie classique des ensembles,
on dfinit la runion, lintersection, le complment.densembles flous
25
La logique boolenne standard est un cas particulier de la logique floue
Tous les rsultats obtenus en logique classique doivent tre retrouvs
par la logique floue
La runion
A est lensemble flou des personnes petites.
B est lensemble flou des personnes moyennes.
Lensemble des personnes petites OU moyennes est un ensemble flou de
26
Lensemble des personnes petites OU moyennes est un ensemble flou de
fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x max x x x U
=
La runion
Runion des deux ensembles flous
1
Ensemble flou:"Personne petite OU moyenne"
1
Partition floue de l'univers du discours
Petit Moyen Grand
27
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Taille(m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Taille(m)
Lintersection
A est lensemble flou des personnes petites
B est lensembles flou des personnes moyennes
28
Lensemble des personnes petites ET moyennes est un ensemble flou de
fonction dappartenance :
( ) ( ) ( ) ( )
,
A B A B
x min x x x U
=
Lintersection
Intersection des deux ensembles flous
1
Ensemble flou: "Personne petite et moyenne"
1
Petit Moyen Grand
29
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
Taille(m)
Le complment
A est lensemble flou des personnes petites.
Lensemble des personnes NON petites est un ensemble flou de fonction
dappartenance :
30
( ) ( )
1
A
A
x x x U =
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Taille(m)
Petit Moyen Grand
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
0
0.2
0.4
0.6
0.8
1
Ensemble floue :"Personnes non petites"
Taille (m)
Oprateurs flous alternatifs
Toute t-norme peut servir dfinir lintersection floue
[ ]
Une t-norme est une application T(x,y) satisfaisant les conditions suivantes:
1 est lment neutre 0,1 ( ,1) (1, ) . x T x T x x = =
31
[ ]
1 est lment neutre 0,1 ( ,1) (1, ) .
Commutative ( , ) ( , )
Associative ( , ( , )) ( ( , ), )
Monotone
x T x T x x
T x y T y x
T x T y z T T x y z
si
= =
=
=
( , ) ( , ) x z et y walors T x y T z w
Toute t-conorme peut servir dfinir la runion floue
[ ]
Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
0 est lment neutre 0,1 ( ,0) . x S x x =
32
[ ]
0 est lment neutre 0,1 ( ,0) .
Commutative ( , ) ( , )
Associative ( , ( , )) ( ( , ), )
Monotone
x S x x
S x y S y x
S x S y z S S x y z
si x z et
=
=
=
( , ) ( , ) y walors S x y S z w
33
Oprateurs de logique floue les plus
utiliss
Dnomination
Intersection
ET
Runion
OU
Complment
NON
34
ET
(t-norme)
OU
(t-conorme)
NON
Oprateurs de Zadeh
MIN/MAX
Probabiliste
PROD/PROBOR
( ) ( ) ( ) ( )
,
A B A B
x max x x
=
( ) ( ) ( ) ( )
,
A B A B
x min x x
=
( ) ( ) ( )
A B A B
x x x
=
( ) ( ) ( ) ( )
A B A B
x x x x +
( ) ( )
1
A
A
x x =
( ) ( )
1
A
A
x x =
les dfinitions d'oprateurs ET et OU, on retrouve les proprits des oprateurs boolens
C o m m u t a t i v i t
35
( ) ( ) ( )
( ) ( ) ( )
( ) ( )
( ) ( )

D i s t i b u t i v i t
A B C A B A C
A B C A B A C
A s s o c i a t i c i t
A B C A B C
A B C A B C
L o i s d e d e M o r g a n
A B A B
A B A B
=

Deux exceptions notables Deux exceptions notables
( )
i.e. 1 A A U x
1. En logique floue, le principe du tiers exclu est contredit.
36
( )
i.e. 0
A A
A A x

2. En logique floue, on peut tre A et non A en mme
temps.
( )
i.e. 1
A A
A A U x

Variables floues
Logique floue base sur des variables floues dites variables variables
linguistiques linguistiques symboles dans lunivers du discours U
Chaque symbole constitue alors un ensemble flou de lunivers du
discours
37
Exemple:
Univers du discours : Univers du discours : Gamme de temprature de 0C 200C
Variable linguistique : Variable linguistique : La temprature
Symboles : Symboles : Trs froid Froid Tempr Chaud Trs Chaud
Fuzzification
Les systmes logique floue traitent de variables
dentres floues et fournissent de rsultats sur des
variables de sorties elle-mmes floues
38
La fuzzification est ltape qui consiste en la
quantification floue des valeurs relles dune variable.
Interface de
fuzzification
Pierre est petit un degr de 75%
Pierre mesure 1m625
Pierre est grand 0%
Pierre est moyen 25%
Comment fuzzifier ?
Pour fuzzifier, il faut donner :
Lunivers du discours
i.e.: domaine de dfinition de lentre
39
i.e.: domaine de dfinition de lentre
considre
Une partition en symboles de cet univers
Les fonctions dappartenances de chacun de ces
symboles
Base de rgles
Les systmes logique floue utilisent une expertise exprime sous
forme dune base de rgles du type: Si.Alors
( ) ( )
Si X est A Alors Y est B
40
( ) ( )
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Si ET ALORS Cours est Ennuyeux Moment est DbutCours Moral est bas
Si ET ALORS Cours est Intressant ChargedeTravail est Importante Moral est Maussade
Si .........
Infrence floue
Si ET ALORS Temps est beau Moment est DbutMatine Moral est haut
Prmisses Conjonction Conclusion Implication
41
Prmisses Conjonction Conclusion
Infrence :
Opration logique par laquelle on admet une proposition en
vertu de sa liaison avec dautres propositions tenues pour
vraies.
Implication
Infrence floue
En logique classique
Si p Alors q
p vrai Alors q vrai
En logique floue
( ) ( )
La variable floue X appartient au symbole A avec un degr
42
p vrai Alors q vrai
La variable floue X appartient au symbole A avec un degr

dappartenance (x
0
)
La variable floue Y appartient au symbole B un degr qui
dpend du degr dappartenance (x
0
) de la prmisse
Infrence floue
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
43
SI la temprature est trs basse ALORS Chauffer fort
Cette appartenance dpend de :
1) La classe floue de sortie considre.
2) du degr de validit de la prmisse
prmisses
(x
0
)
3) de la mthode dimplication choisie.
La conclusion dune rgle floue est lappartenance dune
variable linguistique de sortie chauffer un ensemble flou
fort
Mthodes dimplication
Deux mthodes principales dimplication floue
( ) ( ) ( )
( )
0
' ,
conclusion prmisse conclusion
y x y
MIN
=
Mthode de Mamdani
44
( ) ( ) ( )
( )
0
' ,
y
y x y
MIN
=
Mthode de Mamdani
( ) ( ) ( )
0
'
y x y =
Mthode de Larsen
Exemple (Mandani)
( ) ( ) ( )
( )
' ,
min
y x y =
Plus la condition sur les entres est vraie.
Plus l'action prconise pour les sorties doit tre respecte
Rgle: SI la temprature est trs basse ALORS Chauffer fort
45
-10 -5 0 5 10 15
0
0.2
0.4
0.6
0.8
1
Temprature trs basse
T(C)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
Puissance chauffe(KW)
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
0 5 10 15
0
0.2
0.4
0.6
0.8
1
Chauffer fort
( ) ( ) ( )
( )
0
' ,
min conclusion prmisse conclusion
y
y x y =
-10 -5 0 3 5 10 15
0
0.2
0.4
0.6
0.7
0.8
1
Temprature trs basse
T(C)
12KW
Activation des rgles
( ) ( )
( ) ( )
( ) ( ) ( )
1 11 2 12 1
1 21 2 22 2
1 31 2 32 3 33 3
R1:
R2:
R3:
..........
Si X est A et X est A alors Y est B
Si X est A ou X est A alors Y est B
Si X est A et X est A et X est A alors Y est B
46
..........
Une rgle est active ds quelle a une prmisse ayant une valeur de vrit non nulle.
Plusieurs rgles peuvent tre actives simultanment et prconiser des actions avec
diffrents degrs de validit ; ces actions peuvent tre contradictoires.
Agrgation des rgles
Il convient dagrger les rgles pour fournir une appartenance
de la variable floue de sortie un ensemble flou consolid
47
On considre que les rgles sont lies par un oprateur OU.
( ) ( ) { }
i
B B
y MAX y i indices des rgles actives
(
=

Exemple
Moteur
dinfrences
R
1
R
2
R
3
=0.3
petite
=0.2
petite
=0.6
On considre un moteur dinfrence 4 rgles qui fournit pour la sortie de tension S
1,
les rsultats suivants :
48
dinfrences
4 rgles
R
3
R
4
moyenne
=0.3
grande
=0.1
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Petite Moyenne Grande
Volt(v)
Implication floue
de Mamdani
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
1
Tension de sortie
Volt(v)
Exemple
0.4
0.6
0.8
1
Tension de sortie
Agrgation
des conclusions
0.4
0.6
0.8
1
Tension de sortie
49
0 2 4 6 8 10
0
0.2
0.4
Volt(v)
des conclusions
Nous avons la fonction dappartenance dun ensemble flou
qui caractrise le rsultat
Associer cette ensemble flou un nombre interprtable par
lutilisateur, linterface de commande
Il faut dfuzzifier, cest dire :
0 2 4 6 8 10
0
0.2
0.4
Volt(v)
Principe de la mthode de
Mandani
50
1. Mthode du centre de gravit (COG)
0.8
1
Tension de sortie
Cest labscisse du centre de gravit
de la surface sous la courbe rsultat
51
0 2 4 6 8 10
0
0.2
0.4
0.6
Volt(v)
( )
( )
U
U
y y dy
sortie
y dy
U Univers du discours
Toutes les valeurs de sorties considres
=
=
3,5V
2. Mthode moyenne des maximums (MM)
Cest la moyenne des valeurs de sorties
les plus vraisemblables
1
Tension de sortie
52
( ) ( ) ( )
0 0
/
S
S
y U
y dy
sortie
dy
o S y U y SUP y
=

= =
`

)
0 2 4 6 8 10
0
0.2
0.4
0.6
0.8
Volt(v)
1,9V
Dfuzzification
Remarque
En commande floue, la dfuzzification COG est presque toujours
utilise. Elle prend en compte linfluence de lensemble des valeurs
53
utilise. Elle prend en compte linfluence de lensemble des valeurs
proposes par la solution floue
Exemple : systme de
notation floue
Rsultats obtenus (sur 20)
On choisit
54
Systme
dinfrence
floue
Rsultats obtenus (sur 20)
Mthodes utilises (sur 20)
Prsentation (sur 20)
valuation du travail (sur 20)
Mise en place du systme
dinfrence floue
3 entres: Rsultats; Mthodes, Prsentation.
1 sortie: valuation
1. Choix des entres/sorties
55
3. Classes dappartenances:
{ }
Rsultats Mdiocre; Moyen; Excellent
{ }
Mthodes Mdiocre; Moyen; Excellent
{ }
Evaluation Mdiocre; Mauvais; Moyen; Bon; Excellent
2. Univers des discours
[0..20] pour chacune des E/S
dinfrence floue
4. Choix des fonctions dappartenances
Entres
56
dinfrence floue
Sortie
57
Base de rgles
1. If (Rsultats is excellent) then (Evaluation is excellent)
2. If (Rsultats is moyen) then (Evaluation is moyen)
3. If (Rsultats is mdiocre) then (Evaluation is mdiocre)
58
4. If (Rsultats is moyen) and (Mthodes is mdiocre) then (Evaluation is mauvais)
5. If (Rsultats is moyen) and (Mthodes is excellent) then (Evaluation is bon)
6. If (Rsultats is mdiocre) and (Mthodes is moyen) then (Evaluation is mauvais)
7. If (Rsultats is excellent) and (Mthodes is excellent) and (Prsentation is excellent)
then (Evaluation is excellent)
8. If (Rsultats is mdiocre) and (Mthodes is excellent) then (Evaluation is moyen)
9. If (Rsultats is excellent) and (Mthodes is mdiocre) then (Evaluation is moyen)
Choix des oprateurs flous
ET flou : MIN
59
ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrgation des rgles : MAX
Dfuzzyfication : COG
Surface de dcision floue
60
Surface de dcision linaire
classique
61
Pondration Rsultats: 0,6
Pondration Mthodes: 0,3
Pondration Prsentation: 0,1
Commentaires
62
Dcision selon un systme dinfrence
floue
Dcision selon un modle mathmatiques
0, 6* 0, 3* 0,1* Note Rsultats Mthodes Prsentation = + +
Non linaire Linaire ( )
Note entre Cste =
Plan du cours
Exemple dapplication :
63
Exemple dapplication :
rgulation de temprature
Rgulation de temprature
Nous prsentons le cas du rglage de la
temprature d'une serre. Dans ce but,
nous mesurons la temprature avec un
64
nous mesurons la temprature avec un
capteur qui fournit la valeur de la
grandeur rgler.
Rgulation de temprature
Nous supposons que le systme est linaire et sa
fonction de transfert est dfinie par : avec
cependant un retard gal 1s. Cest un systme de
contrle de temprature avec un lment de
65
contrle de temprature avec un lment de
chauffage et de ventilation. Un chelon de
temprature de -1.5C sera ajout la sortie de H(s)
puis le signal ainsi obtenu sera filtr par un
intgrateur. La temprature extrieure est de 10C et
son effet intervient aprs lintgrateur. La
temprature dsire est de 20C.
Plan du cours
Ingalits Matricielles
66
Ingalits Matricielles
Linaires (LMI)
LMI
( ) 0
m
F F F = + >
Ingalit matricielle linaire ou LMI

67
0
1
( ) 0
m
i i
i
F F F
=
= + >
m
: vecteur de variables de dcision
i
F
: m matrices symtriques
n n
Thorie de Lyapunov
( ) ( ) x t Ax t =
Fonction de Lyapunov quadratique :

68
t
V x Px =
Fonction de Lyapunov quadratique :
Trois proprits vrifierP matrice
symtrique dfinie positive
/ 0 ( ) 0
( ) 0
t t
t
dV dt x A P PA x
A P PA
< + <
+ <
LMI
Application au problme de stabilit
/ 0 ( ) 0
0 0
t
dV dt A P PA
V P
< + <
> >
69
0 0 V P > >
( 1)
2
1
n n
i i
i
P P
+
=
=

P
i
:base de lespace des
matrices symtriques
( 1) ( 1)
2 2
1 1
0
( ) 0
0 ( )
n n n n
i
i i i
t
i i
i i
P
F F
A P PA

+ +
= =
(
= = >

(
+

Ensemble et fonction convexe
Ensemble convexe C
[ ]
1 2 1 2
0 1 , , (1 ) x C x C x x C +
70
[ ]
1 2 1 2
0 1 , , (1 ) x C x C x x C +
Fonction convexe f
[ ]
0 1 , ,
( (1 ) ) ( ) (1 ) ( )
x D y D
f x y f x f y

+ +
Support D convexe +
Problme doptimisation
Problme doptimisation de dimension finie
min ( ) f
C

71
C
: vecteur de variables de dcision
ou doptimisation
C
: ensemble des contraintes
f
: objectif ou fonction de cot
*
: minimum atteint
Optimisation convexe
Problme doptimisation convexe
f fonction convexe et C ensemble convexe
72
Problme doptimisation convexe sous
contrainte LMI
min ( ) f
C

{ }
| \ {0} ( ) 0
m n t
C x x F x = >
0
1
( )
m
i i
i
F F F
=
= +
Optimisation convexe
Application au problme de stabilit
min
, C

73
, C
Sous la contrainte LMI :
( ) 0 I F >
Rsolution par lalgorithme des points
intrieurs + LMI Toolbox Matlab
Plan du cours
Modles flous de type Takagi
74
Modles flous de type Takagi
Sugeno (TS)
Modles flous
Modle flou de type TS
Cas continu
1 1 2 2
: ( ) est et ( ) est et ... ( ) est
( ) ( ) ( )
i i i n in
R Si x t M x t M x t M
Alors x t Ax t Bu t = +
75
( ) ( ) ( )
i i
Alors x t Ax t Bu t = +
La dynamique du systme scrit :

{ }
{ }
1
1
1
1 1
( ) ( ) ( ) ( )
( )
( ) ( ) ( )
( )
r
i i i
i
n
ij j
r
j
i i
n r
i
ij j
i j
x t h x Ax t Bu t
M x
x t Ax t Bu t
M x
=
=
=
= =
= +
= +
Modles flous
Thorme dapproximation universelle
Remarques
76
Thorme dapproximation universelle
1
( ) 0, ( ) 1
r
i i
i
h x h x
=
=
Proprit de convexit satisfaite

Modles flous : comment les
obtenir
Directement partir du modle non linaire
du systme : dcomposition des non-linarits
, non linarit sectorielle
77
, non linarit sectorielle
Identification des modles linaires partir dun
ensemble dentres/sorties
Plan du cours
Approche PDC : Parallel
78
Approche PDC : Parallel
Distributed Compensation
Approche PDC
Mme philosophie que lapproche
multi-modles
79
Approche PDC : retour dtat
{ }
1
( ) ( ) ( )
r
i i
i
u t h x Fx t
=
=
1
1
1 1
( )
( ) ( ( ))
( )
n
ij j
r
j
i
n r
i
ij j
i j
M x
u t Fx t
M x
=
=
= =
Approche PDC
Equation dynamique de la boucle ferme
{ }
( ) ( ) ( ) ( )
r r
i j i i j
x t h x h x A B F x t
= =
=

80
{ }
1 1
1 1
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
i j i i j
i j
r r
i j ij
i j
x t h x h x A B F x t
x t h x h x G x t
= =
= =

=

!!!!!!!Problme de stabilit!!!!!!!!!!
=> Utilisation de la thorie de Lyapunov
Approche PDC
Choix dune fonction de Lyapunov
quadratique
( )
t
V x x Px =
81
( ) V x x Px =
Conditions suffisantes :
Stabilit asymptotique
? 0
0 , 1...
t
t
ij ij
P P
G P PG i j r
= >
+ < =
Systme de LMIs.
Approche PDC
Problme de conservatisme
Thorme [Wang et al. 1996]
? 0
t
P P = >
82
? 0
0 1...
0 1...
2 2
t
t
ii ii
t
ij ji ij ji
P P
G P PG i r
G G G G
P P i j r
= >
+ < =
+ +
| | | |
+ < =
| |
\ \
+ Thormes [Tanaka et al. 1996, 2003],
[Kim and Lee 2000]
Approche PDC
Problme dobtention de la matrice P
+ Problme dobtention des matrices F
83
+ Problme dobtention des matrices F
i
? 0
0 1...
0 1...
2 2
t
t
ii ii
t
ij ji ij ji
P P
G P PG i r
G G G G
P P i j r
= >
+ < =
+ +
| | | |
+ < =
| |
\ \
nest pas affine en la variable ( ) F

Approche PDC
Objectif : trouver un systmes de LMI
Comment? Diffrents lemmes
84
Changement de variables
Transformation congruente
0 0
t
M T MT > >
Quelle que soit la matrice T non singulire
Approche PDC
Complment de Schur
1
22 11 12 22 12
0, 0
t
M M M M M
M M
< <
(
85
11 12
12 22
0
t
M M
M M
(
<
(

Lemme de la S-procdure
+ lemme de projection ou dlimination
+ lemme de Finsler
Plan du cours
Commande floue et poursuite
86
Commande floue et poursuite
de trajectoire
Poursuite de trajectoire
Faire de la poursuite de trajectoire
En garantissant certaines performances
87
Modles flous de type TS
Hypothse : vecteur dtat non mesurable
Autre solution :
observateur flou => combinaison convexe
dobservateurs de type Luenberger +
principe de sparation (pas toujours
applicable)
Modle de
rfrence
y
m
r
+
e
c
e
c
: erreur de poursuite
88
Procd
y
p
u
p
-
e
c
u
1
Contrleur n
Contrleur 1
r
u
n
Systme
flou
Position du problme
{ }
( ) ; ( )
m m
n n
x x Ax Bu y x C x = + =

* Systme :
89
{ }
1 1
( ) ; ( )
i i i p i i
i i
x x Ax Bu y x C x
= =
= + =

c p m
e y y =
* Erreur de poursuite :
;
m m m m m m m
x A x B r y C x = + =
* Modle de rfrence :
* Choix du contrleur dynamique :
{ }
1
( ) ;
m
j j
n
j K K p
j
x A B y
=
= +
90
1
( )( )
m
j j j
n
p j K K p K
j
u x C D y E r
=
= + +
* Objectifs atteindre :
Stabilit globale asymptotique de la BF
Dynamique contrleur stable
e
c
aussi petite que possible
e
c
aussi petite que possible???
Traduction mathmatique
Objectif : Minimiser lnergie du signal de sortie
91
Objectif : Minimiser lnergie du signal de sortie
par rapport lenergie du signal dentre
2
0
0
( ) ( )
0,
( ) ( )
T
t
c c
T
e t e t dt
T
r t r t dt
>
Performance de poursuite
H
2
( ) ( )
T
t
e t e t dt
e
92
2
2 2
0 2
2
2
0
( ) ( )
0,
( ) ( )
c
t
c c
c
T
re
e t e t dt
e
T
r
r t r t dt
T

>

Lemme rel born
Performance de poursuite satisfaite pour
0 >
93
0
0 0
0
t
t t
cl cl cl cl
t
cl
cl
X X
A X XA B XC
B I
C X I
= >
(
+
(
<
(
(

Problme doptimisation convexe
Sous contrainte LMI
94
min
contraint par ( ) 0
t
m
c
F
>
[ ]
Avec 0 0 ... 1
t
c =
Remarque
Problmes classiques en automatique prsents
95
Problmes classiques en automatique prsents
Sous forme de LMI :
H
2
, passivit, contraintes de placements de ples
Contraintes sur la sortie.
[Chilali and Gahinet 1996, Scherer et al. 1997]
? 0
t
X X = >
(
Rsoudre le systme de LMI
96
0 0
0
t t
cl cl cl cl
t
cl
cl
A X XA B XC
B I
C X I
(
+
(
<
(
(

Les contraintes ne sont pas des LMIs!!!
Utiliser les diffrents lemmes pour
Arriver un systme de LMIs
97
Transformation congruente
Changement de variables
1
;
t t
R M S N
X X
M U N V
( (
= =
( (

Obtention du systme de LMIs
, , , ,
, ,
? , , , , 0
0, 0, 0, , , 1...
i j i j k j i j
t
K K K K
t
i j k m
C A D B R R
S S i j k n
= >
= > > > =
98
, , ,
,
, ,
( )
* ( )
0
* * ( ) 0
* * *
i j j i j k j i
i j i
t t
i k K i i K k K i K r z
t
i K k r z
i j k
sym AR B C A B D C A B E B RD
sym SA B C SB D
I
I

(
+ + + +
(
+
(
<
(

(
(

, ,
0, 0, 0, , , 1...
i j k m
S S i j k n = > > > =
0
R I
I S
(

(

Objectifs atteints!
Exemple : dynamique latrale
Angle de drive
r Vitesse du lacet
2
f r
F F
r
mv
+
=

99
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
{ }
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) { }
( )
1 1
1 1
1 1
sin tan 1 tan
sin tan 1 tan
tan cos( ) , tan cos
f f f f f f f f f
r r r r r r r r r
f
r
f f r r
F D C B E E B
F D C B E E B
a
a
r r
v v

(
= +

(
= +

(
(
= + = + +
(
(

2
1
2 cos( )
f f r r
z z
r
mv
a F a F
r u
I I
= +
Exemple : dynamique latrale

Modle flou : entre vitesse longitudinale v
If is V_Small then
v
1 1
1 1 2
;
| |
|
= = + + =
|
|
\
f
x A x B B u y Cx
r
100
\
If is V_Big then v
2 2
2 1 2
; = + + =
f
x A x B B u y Cx
Fonctions dappartenance
_ _
2 2 2
max
min
_ _
1 1 1
( ) ( )
( ) ( ) 1

= +
+ =
V Big V Small
V Big V Small
v v
v v v
v v
[ ]
min max
, v v v
Rsultats de simulation
101
Rsultats de simulation
102

Logique Floue Et Commande

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Logique Floue Et Commande

Transféré par

Droits d'auteur :

Formats disponibles

Logique floue et commande

cole dt en Commande Avance des systmes &

Oprateurs de logique floue

La variable floue X appartient au symbole A avec un degr

Ingalit matricielle linaire ou LMI

Fonction de Lyapunov quadratique :

La dynamique du systme scrit :

Proprit de convexit satisfaite

Exemple : dynamique latrale

Vous aimerez peut-être aussi