Académique Documents
Professionnel Documents
Culture Documents
ct191 PDF
ct191 PDF
F. Chevrie
F. Guly
Avertissement
L'auteur dgage toute responsabilit conscutive l'utilisation incorrecte
des informations et schmas reproduits dans le prsent ouvrage, et ne
saurait tre tenu responsable ni d'ventuelles erreurs ou omissions, ni de
consquences lies la mise en uvre des informations et schmas
contenus dans cet ouvrage.
La reproduction de tout ou partie dun Cahier Technique est autorise aprs
accord de la Direction Scientifique et Technique, avec la mention obligatoire :
Extrait du Cahier Technique Schneider n ( prciser) .
n 191
La logique floue
Franois CHEVRIE
Entr Tlmcanique en 1987, il a rejoint le Service Automatique
Avance de la Direction des Recherches en 1993. Ingnieur CNAM en
Automatisme Industriel, il a ralis son mmoire sur lintgration de
la logique floue dans les automates Schneider.
Il a particip activement la ralisation de loffre produit logique floue
pour la gamme dautomates Micro/Premium, et plusieurs mises en
uvre de cette technique notamment dans lautomobile et en agroalimentaire.
Franois GULY
Diplm de lcole Centrale de Paris en 1988, entr chez
Tlmcanique, au Japon, en 1990, docteur en automatique en 1994,
il est responsable du service Automatique Avance de Schneider
depuis 1995. Il a particip llaboration de lextension vers la logique
floue de la norme des langages pour automates programmables.
Lexique
Activation :
Voir degr de vrit.
Fusion capteurs :
Voir Fusion de donnes.
Base de connaissance :
Ensemble des fonctions dappartenance et des
rgles dun systme flou contenant lexpertise, la
connaissance de loprateur, de lexpert, etc.
Fusion de donnes :
La fusion de donnes consiste extraire, partir
de plusieurs donnes, une ou plusieurs
informations pouvant tre de natures diffrentes.
Exemple : des grandeurs R, V et B de la couleur
dun biscuit, on dduit ltat de cuisson du biscuit.
On parle galement de fusion capteurs.
Conclusion :
Une conclusion de rgle est une proposition
associant une variable linguistique et un terme
linguistique crite aprs le alors de la rgle. Une
conclusion peut tre forme par la combinaison
de plusieurs propositions.
Condition :
Voir prdicat
Dfuzzification :
Transformation, aprs infrence, dun ensemble
flou dune variable linguistique de sortie en
valeur numrique.
Degr dactivation :
Voir degr de vrit.
Degr dappartenance :
Un lment x appartient un ensemble flou A
avec un degr dappartenance compris entre 0
et 1, donn par la fonction dappartenance A(x).
Degr de vrit :
Le degr de vrit, ou encore degr dactivation,
dune rgle prend une valeur y comprise entre
0 et 1 dduite des degrs dappartenance des
prdicats de la rgle. Il influe directement sur la
valeur des conclusions de cette mme rgle. On
dit aussi que la rgle est active y.
Ensemble flou :
Dans la thorie classique des ensembles, cest la
fonction caractristique qui dfinit lensemble :
cette fonction ne prend que les deux valeurs
discrtes 0 (llment nappartient pas...) ou 1
(...appartient lensemble). Un ensemble flou est
dfini par une fonction dappartenance qui peut
prendre toutes les valeurs relles comprises
entre 0 et 1.
Fonction dappartenance :
Fonction A(x) qui toute valeur dentre x
fait correspondre son degr dappartenance
lensemble A. Cette valeur graduelle est
comprise entre 0 et 1.
Fuzzification :
Transformation dune valeur numrique en degr
dappartenance flou par valuation dune fonction
dappartenance.
Infrence :
Cycle de calcul des degrs dactivation de toutes
les rgles de la base ainsi que de tous les
ensembles flous des variables linguistiques se
trouvant dans les conclusions de ces rgles.
Prdicat :
Appel encore prmisse ou condition, un prdicat
de rgle est une proposition associant une
variable linguistique et un terme linguistique
crite entre le si et le alors de la rgle. Un
prdicat peut tre form par la combinaison de
plusieurs propositions.
Prmisse :
Voir Prdicat
Singleton :
Fonction dappartenance A(x) en bton ,
cest dire nulle pour tout x, sauf en un point
singulier xo.
Terme linguistique :
Terme associ une fonction dappartenance
caractrisant une variable linguistique.
Variable linguistique :
Variable numrique applique en entre, pour
fuzzification, ou en sortie, aprs dfuzzification,
dun module de logique floue. On lui attribue
ladjectif linguistique car elle est utilise, dans les
fonctions dappartenance et les rgles, par son
nom et non pas par une valeur numrique.
La logique floue
Au dpart thorie, la logique floue saffirme comme une technique
oprationnelle. Utilise ct dautres techniques de contrle avanc, elle
fait une entre discrte mais apprcie dans les automatismes de contrle
industriel.
La logique floue ne remplace pas ncessairement les systmes de
rgulation conventionnels. Elle est complmentaire. Ses avantages
viennent notamment de ses capacits :
c formaliser et simuler lexpertise dun oprateur ou dun concepteur dans
la conduite et le rglage dun procd,
c donner une rponse simple pour les procds dont la modlisation est
difficile,
c prendre en compte sans discontinuit des cas ou exceptions de natures
diffrentes, et les intgrer au fur et mesure dans lexpertise,
c prendre en compte plusieurs variables et effectuer de la fusion
pondre des grandeurs dinfluence.
Quel est lapport de cette technique dans la conduite dun processus
industriel ?
Quel peut tre limpact sur la qualit et le cot de fabrication du produit ?
Aprs quelques notions thoriques de base, ce Cahier Technique rpond
l automaticien et lutilisateur potentiel au travers dexemples industriels,
en termes de mise en oeuvre et davantages concurrentiels.
Sommaire
1 Introduction
4 Mise en uvre
5 Application du flou
p. 4
p. 4
p. 5
p. 6
p. 6
p. 8
p. 9
3.1 Introduction
p. 14
p. 14
p. 15
p. 15
p. 16
p. 16
p. 17
p. 17
p. 18
p. 19
p. 20
6 Conclusion
p. 24
Annexe
p. 26
Bibliographie
p. 28
1 Introduction
Essor
Cest au Japon, o la recherche nest pas
seulement thorique mais galement trs
applicative, que la logique floue connat son
vritable essor. A la fin des annes 1980,
cest dun vritable boum quil faut parler.
Les produits grand public, machines laver,
appareils photographiques et autres
camescopes estampills fuzzy logic ne se
comptent plus. Dans lindustrie, le traitement
des eaux, les grues portuaires, les mtros, les
systmes de ventilation et de climatisation sont
touchs. Enfin, des applications existent dans
des domaines trs diffrents tels que la finance
ou le diagnostic mdical.
A partir de 1990, cest en Allemagne que des
applications apparaissent en grand nombre
ainsi qu une moindre chelle aux USA.
Enfin en France, la logique floue devient
aujourdhui une ralit.
Contour flou
ou graduel
B
t
z
x
x n'appartient ni A ni B
y appartient totalement A
z appartient totalement B
t appartient partiellement B
Contour net
A : ensemble classique
B : ensemble flou
Degr d'appartenance
Degr d'appartenance
Fonction
d'appartenance
taille moyenne
Fonction caractristique
taille moyenne
0
0
1m60
1m80
Variable : taille
1m72
Variable : taille
Petite
Moyenne
Grande
1
0,7
0,3
0
1,60
1,80
Taille (m)
Moyenne
0
1,78 m
Taille de Paul
Taille tout
fait moyenne
Petite
Grande
Faible
0,4
0
2
Taille
Entre
Fig. 7 : fuzzification
Taille petite et
pas du tout moyenne
Taille grande et
pas du tout moyenne
(NON A) = 1 - (A)
Exemple :
Temprature Basse est vraie 0,7
NON Temprature Basse, que lon utilisera
gnralement sous la forme Temprature
NON Basse , est donc vraie 0,3.
(A ET B) = MIN((A),(B))
Exemple :
Temprature Basse est vraie 0,7
Pression Faible est vraie 0,5
Temprature Basse ET Pression Faible est
donc vraie 0,5 = MIN(0,7; 0,5)
Ladder flou
Le langage ladder, ou langage contacts, est
trs utilis par les automaticiens pour crire des
combinaisons logiques. Il permet en effet de les
reprsenter graphiquement. Schneider a
introduit lutilisation de la reprsentation ladder
pour dcrire les combinaisons logiques floues.
En voici un exemple, traitant du confort de lair
ambiant :
lair chaud et humide est inconfortable
(transpiration excessive) ; de mme la respiration
devient difficile dans un air froid et trop sec. Les
situations les plus confortables thermiquement
sont celles pour lequel lair est chaud et sec, ou
froid et humide. Cette constatation physiologique
peut tre transcrite par le ladder flou de la figure 8
correspondant la combinaison suivante :
(A OU B) = MAX((A),(B))
Exemple :
Temprature Basse est vraie 0,7
Pression Faible est vraie 0,5
Basse
Eleve
10
20
Temprature
Faible
30
Forte
50
100
Humidit
Temprature
basse
Humidit
forte
Temprature
leve
Humidit
faible
Confort
bon
Classification floue
La classification comprend en gnral deux
tapes :
c prparatoire : dtermination des classes
considrer,
c en ligne : affectation des lments aux classes.
La notion de classe et densemble sont
identiques sur le plan thorique.
Il existe trois types de mthodes daffectation,
selon le rsultat produit :
c boolen : les lments appartiennent ou non
aux classes,
c probabiliste : les lments ont une probabilit
dappartenance des classes boolennes,
comme par exemple la probabilit quun patient
ait la rougeole au vu des symptmes quil
prsente (diagnostic),
c graduelle : les lments ont un degr
dappartenance aux ensembles ; par exemple,
Entres
Fuzzification
Valeurs
numriques
Sorties
Infrences
Domaine
flou
Dfuzzification
Valeurs
numriques
Prdicat
Un prdicat (encore appel prmisse ou
condition) est une combinaison de propositions
par des oprateurs ET, OU, NON.
Les propositions temprature leve et
pression forte de lexemple prcdent sont
combines par loprateur ET pour former le
prdicat de la rgle.
Peu de rgles
Traitement graduel
Enchanement possible mais peu utilis
Beaucoup de rgles
Traitement boolen
Rgles enchanes A OU B C,
C D,
D ET A E
Rgles utilises une par une, squentiellement
Pas dinterpolation, pas de contradiction
Infrence
Le mcanisme dinfrence le plus couramment
utilis est celui dit de Mamdani . Il reprsente
une simplification du mcanisme plus gnral
bas sur limplication floue et le modus
ponens gnralis . Ces concepts sont
explicits en annexe. Seules les bases de rgles
de Mamdani sont utilises dans ce qui suit.
Conclusion
La conclusion dune rgle floue est une
combinaison de propositions lies par des
oprateurs ET. Dans lexemple prcdent,
ventilation forte et soupape grande
ouverte sont la conclusion de la rgle.
On nutilise pas de clauses OU dans les
conclusions, car elles introduiraient une
incertitude dans la connaissance (lexpertise ne
permettrait pas de dterminer quelle dcision
prendre). Cette incertitude nest pas prise en
compte par le mcanisme dinfrence de
Mamdani, qui ne permet de grer que des
imprcisions. Les rgles floues de Mamdani
ne sont donc a priori pas adaptes du diagnostic
Si pression forte
ET
Forte
Eleve
Pression
Temprature
Moyenne
Pression
Fig. 11 : implication
Grande
Ouverture vanne
Eleve
Temprature
Moyenne
Ouverture vanne
Si pression forte
ET
Forte
0,5
Eleve
Grande
0,3
2,5 bars
17C
Temprature
Pression
Ouverture vanne
Fig. 12 : fuzzification.
c Degr dactivation
Le degr dactivation dune rgle est lvaluation
du prdicat de chaque rgle par combinaison
logique des propositions du prdicat (cf. chap 2.3),
Si pression forte
ET
Min
0,5
Grande
} = 0,3
0,3
2,5 bars
17C
Temprature
Pression
Ouverture vanne
Fig. 13 : activation
c Implication
Le degr dactivation de la rgle permet de
dterminer la conclusion de la rgle, cest
limplication. Il existe plusieurs oprateurs
dimplication (cf. annexe), mais le plus utilis
est le minimum . Lensemble flou de
Si pression forte
ET
Grande
Min
0,5
0,3
2,5 bars
Pression
} = 0,3
17C
Temprature
Ouverture vanne
Fig. 14 : implication
c Agrgation
Lensemble flou global de sortie est construit par
agrgation des ensembles flous obtenus par
chacune des rgles concernant cette sortie.
Lexemple suivant prsente le cas o deux rgles
Si pression forte
ET
temp. leve
ALORS
Forte
Eleve
Grande
0,3
2,5 bars
17C
Temprature
Pression
Si pression moyenne
ET
temp. leve
ALORS
Ouverture vanne
Moyenne
Eleve
2,5 bars
Pression
Moyenne
17C
Temprature
Ouverture vanne
Agrgation :
MAXIMUM
Ouverture vanne
Dfuzzification
A la fin de linfrence, lensemble flou de sortie
est dtermin mais il nest pas directement
utilisable pour donner une information prcise
loprateur ou commander un actionneur. Il est
ncessaire de passer du monde flou au
monde rel , cest la dfuzzification.
Il existe plusieurs mthodes, la plus souvent
rencontre tant le calcul du centre de
gravit de lensemble flou (cf. fig. 16 ).
x(x)dx
(x)dx
35,6
Ouverture vanne
Pression
Eleve
Sortie
trs
basse
Sortie
basse
Sortie
leve
Sortie
moyenne
Basse
Basse
Moyenne
Eleve
Temp.
On constate que :
c tout lespace nest pas forcment couvert ; la
combinaison temprature basse et pression
basse nest pas ici prise en compte ;
lexplication est par exemple que cette
combinaison nest physiquement pas possible
pour cette machine, ou quelle ne nous intresse
pas ; il est prfrable de le vrifier car il peut
sagir dun oubli ;
3.1 Introduction
La plupart des ralisations de logique floue font
appel une connaissance spcialise pralable
du domaine dapplication. Afin dtre accessible
Dbit d'eau
v conomiser leau.
v conomiser le chlore.
Les oprateurs contrlant le procd
manuellement ont lhabitude de regarder leau
use en fin de lavage. Si cette eau est claire, ils
en dduisent par exprience que les salades
auront une apparence propre . On dcide
donc dinstaller un capteur optique de turbidit
permettant de dterminer le degr de
transparence de cette eau.
Dautre part, les oprateurs utilisent toutes les
heures un rapport danalyse effectu dans
lusine, et donnant le taux de micro-organismes
dans des salades laves prleves en bout de
chane, ainsi que leur taux en chlore rmanent.
On souhaite donc utiliser ces informations pour
contrler au mieux :
c la vitesse de dfilement des salades (qui
permet daugmenter le dbit de production),
c la quantit de chlore pulvrise,
c la quantit deau pulvrise.
Des limites sont imposes :
c sur la vitesse de dfilement, par la mcanique,
c sur le dbit deau afin de ne pas abmer les
feuilles.
Dbit de chlore
Tunnel
Tambour
Mesure hors ligne du taux :
- de chlore
- de micro-organismes
Vitesse de
dfilement
Eau use
en fin de lavage
Mesure de turbidit
Ngative
Acceptable
Positive
Elev
Positive
grande
Taux_CI
Var_D_Eau
Ngative
Faible
Positive
Forte
Turbidit
Var_D_CI
Acceptable
Faible
Positive
grande
Ngative
Positive
Elev
Taux_Micro
Var_Vit
Non lev
Elev
D_Eau
Non leve
Eleve
Vitesse
4 Mise en uvre
Mthodologie
La conception dune base de rgles floues est
un processus interactif. La plus grosse part de
travail se trouve au niveau du recueil des
connaissances. Un des intrts de la logique
floue est la possibilit de valider la base de
rgles auprs de ceux qui ont fourni lexpertise,
avant de la tester sur un systme rel. La
figure 20 illustre la dmarche employe.
Recueil de connaissance
Il peut tre dcompos en trois tapes :
c lister les variables prendre en compte ; elles
deviendront les variables linguistiques de la base
de rgles ;
c lister les grandeurs qualitatives prendre en
compte, prciser quand elles sont vraies et
fausses ; ces grandeurs deviendront les termes
linguistiques de la base de rgles ;
c exprimer comment ces concepts sont
manipuls : quels sont les cas considrer,
comment ils se caractrisent, comment agir dans
chaque cas.
Recueil de
connaissance
Validation
du principe
Validation du
fonctionnement
Niveau programmation :
- Automaticien
- Ladder / Grafcet
Implmentation
Tests boucle
ouverte
c si le procd peut tre simul, on peut galement effectuer des simulations en boucle ferme.
Mise au point
Les bases de rgles ainsi crites donnent souvent
satisfaction ds leur premier essai. Il arrive
cependant que lon ait besoin de modifier ou de
mettre au point la base de rgles. Les principes
qui suivent permettent de se guider dans la
recherche de la cause probable de lcart
constat :
c si le comportement du correcteur en boucle
ferme est contraire ce quil devrait tre,
certaines rgles sont probablement mal crites ;
c si lon dsire optimiser la performance, il est en
gnral prfrable de rgler au mieux les
fonctions dappartenance ;
c si le systme nest pas robuste, quil marche
dans certains cas mais pas toujours, il est
probable que tous les cas nont pas t pris en
compte et quil faut ajouter des rgles.
-7
10-6
10-5
RISC
10-4
32 bits
10-3
10
Traitement
d'images
Asservissement, automobile
16 bits
-2
10-1
8 bits
4 bits
Appareils photo
Rgulation
Machines
laver
10
10
10
Analyses financires
Diagnostic mdical
10
Technologie micro-programmation
100
1 000
Technologie ASIC
10 000
Nombre de
rgles
Technologie analogique
4.5 Normes
Composants
Labsence de normes est un des problmes
majeurs qui retarde lutilisation de composants
ddis la logique floue. Ils ne sont en effet pas
compatibles entre eux, tant chacun le rsultat
de choix effectus par les constructeurs.
Logiciel
Dans le domaine du logiciel, le manque de
portabilit a retard galement la gnralisation
de lutilisation de la logique floue dans lindustrie.
5 Applications du flou
XX
rglage
automatique
de paramtres
XX
aide la dcision
XX
diagnostic
contrle de
qualit
algorithmes
de classification
Logique
floue
Thorie des
possibilits
Imprcision
et gradualit
Probabilits
Incertitude
Expertise
Rgles floues
Rseaux
neuronaux
Donnes
Automatique
classique
Modle
XX
XX
Rservoirs de prcipitants
pour les phosphates
Soufflerie
Poste de conduite
et btiment d'exploitation
Recirculation
Btiment grille
10
11
4
6
9
Sortie
Sortie commande z
Entre
basse
Entre
moyenne
Entre
haute
Sortie
basse
Sortie
moyenne
Sortie
haute
Zone correspondant au
rgulateur proportionnel
Zone d'influence
de l'exception
Variable
d'entre x
Exception y
SI teneur O2 nitri
ET teneur O2 dnitri
non basse
suprieure 0
ET teneur Nox
basse
basse
basse
normale
normale
leve
lve
SI turbidit de leau
vacue
ET quantit coule
de boues recycles
bas
basse
normale
bas
basse
leve
ALORS quantit
leve
bas
normale
basse
normal
leve
normale
normal
normale
leve
normal
leve
basse
haut
normale
normale
haut
leve
Agro-alimentaire
Lautomatisation des lignes de fours industriels
pour la cuisson intresse les fabricants de
biscuits autant en France quen Allemangne.
Pour ce type de rgulation, une solution
conventionnelle ne peut donner satisfaction
cause des non-linarits, de la multiplicit et de
lhtrognit des paramtres sensibles. La
modlisation du processus de cuisson est
complexe et incomplte. Cependant, des
oprateurs entrans sont parfaitement mme
de contrler correctement la cuisson en utilisant
leurs connaissances empiriques.
c Evaluation subjective
La plupart des notions dfinissant la qualit
dpendent de plusieurs variables. La qualit est
value entre autres par la couleur, qui est
tridimensionnelle, do lintrt de dfinir des
fonctions dappartenance non boolennes
plusieurs variables. Les algorithmes de
classification, partir des variables dentre et
de ces fonctions, fournissent les lments de
diagnostic (dessus biscuit bien cuit, trop cuit...).
c Diagnostic
Le ladder flou a t utilis pour le diagnostic des
carts de qualit constats sur les biscuits
(cf. fig. 29 ). Le four comporte 3 sections.
Le bilan de fonctionnement de lensemble est
satisfaisant.
Autres exemples
Fonctions
Techniques associes
Fusion capteurs
Evaluation subjective
Classification floue
Diagnostic
Ladder flou
Prise de dcision
Humidit biscuit
forte
c Automatismes
Les correcteurs G.P.C. (Global Predictive
Controllers) sont trs performants, mais
ncessitent le rglage de 4 paramtres N1, N2,
Nu, l (horizons de commande , de prdiction,
coefficient de pondration). Ce rglage est long
et difficile, et ncessite habituellement un expert.
La filiale NUM de Schneider dveloppe des
commandes numriques et souhaitait utiliser des
correcteurs G.P.C. dans ses futures ralisations.
Dessous biscuit
bien cuit
Dessus biscuit
bien cuit
Dessous biscuit
un peu trop cuit
Dessus biscuit
un peu trop cuit
Dessous biscuit
beaucoup trop cuit
Dessus biscuit
beaucoup trop cuit
Dessous biscuit
pas assez cuit
Dessus biscuit
pas assez cuit
Temprature section 1
du four trop faible
c Cimenteries
La premire application industrielle de la logique
floue, reprise ensuite par les autres
6 Conclusion
d - simulation - validation
Fig. 30 : pour la logique floue, les automates Schneider disposent doutils de dveloppement conviviaux sur PC.
Annexe
Oprateur
de ZADEH
Opration
logique
AB
A
A
AB = MIN (A, B)
Intersection
ET
AB
AB
A
A
AB = MAX (A, B)
Union
OU
AB
_
A
Ngation
A
A_
= 1 - A
A_
NON
1
Basse
Moyenne
Haute
Sortie
Action
Rgles (implications)
Faits
observs
Modus Ponens
Conclusions
A'
AB
B' 0
Implication
AB
Modus Ponens
Entres
Fuzzification
Dfuzzification
Sorties
Bibliographie
Normes
IEC 61131-7 Programmable Controllers part 7
Fuzzy Control Programming.
Ouvrages divers
c Fuzzy models for pattern recognition, James
C. BEZDEK & Sanker K. PAL, IEEE Press, 1992.
c Fuzzy sets and systems : Theory and
applications, D. DUBOIS, H. PRADE, Academic
Press 1980, Mathematics in Sciences and
Engineering vol. 144.
c Evaluation subjective ; mthodes, applications
et enjeux, les cahiers des clubs CRIN, club CRIN
logique floue.
c A.I. and expert system myths, legends and
facts, M.S. FOX, IEEE Expert 02/90, pp 8-20,
29 rf.
c La logique floue et ses applications,
Bernadette BOUCHON-MEUNIER, AddisonWesley, 1995.
Internet
c http://pages.pratique.fr/~bmantel/pages/
logfloue.html (simple et didactique)
c http://www.ipl.fr/ecam/laborato/
logique_floue.html (brve prsentation)
c http://www.cs.nthu.edu.tw/~jang/nfsc.htm
(bibliographie, liens vers ressources en anglais)
c http://maxwell.univalle.edu.co/~paulo/fuzzy/
bibliografia.html (bibliographie)
c http://mijuno.larc.nasa.gov/dfc/tec/fuzsysB.html
(bibliographie)