Collection Technique ..........................................................................

Cahier technique n 191

La logique floue

F. Chevrie
F. Guly

Les Cahiers Techniques constituent une collection dune centaine de titres

dits lintention des ingnieurs et techniciens qui recherchent une
information plus approfondie, complmentaire celle des guides, catalogues
et notices techniques.
Les Cahiers Techniques apportent des connaissances sur les nouvelles
techniques et technologies lectrotechniques et lectroniques. Ils permettent
galement de mieux comprendre les phnomnes rencontrs dans les
installations, les systmes et les quipements.
Chaque Cahier Technique traite en profondeur un thme prcis dans les
domaines des rseaux lectriques, protections, contrle-commande et des
automatismes industriels.
Les derniers ouvrages parus peuvent tre tlchargs sur Internet partir
du site Schneider.
Code : http://www.schneider-electric.com
Rubrique : matrise de llectricit
Pour obtenir un Cahier Technique ou la liste des titres disponibles
contactez votre agent Schneider.
La collection des Cahiers Techniques sinsre dans la Collection Technique
du groupe Schneider.

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.

CT 191 dition mars 1998

Cahier Technique Schneider n 191 / p.1

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.

Cahier Technique Schneider n 191 / p.2

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

2 Thorie des ensembles flous

3 Exemple didactique dapplication

4 Mise en uvre

5 Application du flou

1.1 La logique floue aujourdhui

1.2 Historique de la logique floue

p. 4
p. 4

1.3 Intrt et utilisation de la logique floue pour le contrle

p. 5

2.1 Notion dappartenance partielle

p. 6

2.2 Fonction dappartenance

p. 6

2.3 Oprateurs logiques flous

2.4 Rgles floues

p. 8
p. 9

3.1 Introduction

p. 14

3.2 Prsentation de lexemple

p. 14

3.3 Variables et termes linguistiques

3.4 Rgles et sorties

p. 15
p. 15

4.1 Quand peut-on utiliser les bases de rgles floues ?

p. 16

4.2 Conception dune application

4.3 Exploitation dune application

p. 16
p. 17

4.4 Choix de la technologie de mise en uvre

4.5 Normes

p. 17
p. 18

5.1 Types dutilisations

p. 19

5.2 Exemples de ralisations industrielles

p. 20

6 Conclusion

p. 24

Annexe

p. 26

Bibliographie

p. 28

Cahier Technique Schneider n 191 / p.3

1 Introduction

1.1 La logique floue aujourdhui

La logique floue, dans la plupart des applications
actuelles, permet de prendre en compte toutes
sortes de connaissances qualitatives de
concepteurs et doprateurs dans lautomatisation
des systmes.
Elle suscite en France un intrt mdiatique
depuis le dbut des annes 90. Les nombreuses
applications dans llectromnager et
llectronique grand public ralises notamment
au Japon en ont t llment dclenchant.
Machines laver sans rglage, camescopes
anti-boug et de nombreuses autres innovations
ont fait connatre le terme logique floue un
large public.
Dans lautomobile les transmissions
automatiques, les contrles dinjection et danticliquetis, lair conditionn sont raliss sur des
vhicules de srie grce la logique floue.
Dans le domaine des processus de production,
continue et par lots, et dans les automatismes

(qui nous intressent essentiellement ici) les

applications se sont galement multiplies. La
logique floue sy dveloppe car il sagit dune
approche essentiellement pragmatique, efficace
et gnrique. On dit parfois quelle permet de
systmatiser ce qui est du domaine de
lempirisme, et donc difficile matriser. La
thorie des ensembles flous fournit une mthode
pertinente et facilement ralisable dans des
applications temps rel ; elle permet de
transcrire et rendre dynamiques les connaissances des concepteurs ou des oprateurs.
Cet aspect adaptable et universel de la logique
floue permet de sattaquer lautomatisation de
procdures telles que la mise en route, le
rglage de paramtres, pour lesquelles peu
dapproches existaient auparavant.
Ce Cahier Technique prsente la logique floue
et son application dans le cadre des processus
de production.

1.2 Historique de la logique floue

Apparition de la logique floue
Le terme densemble flou apparat pour la
premire fois en 1965 lorsque le professeur Lotfi
A. Zadeh, de luniversit de Berkeley aux USA,
publie un article intitul Ensembles flous
(Fuzzy sets). Il a ralis depuis de nombreuses
avances thoriques majeures dans le domaine et
a t rapidement accompagn par de nombreux
chercheurs dveloppant des travaux thoriques.
Premires applications
Paralllement, certains chercheurs se sont
penchs sur la rsolution par logique floue de
problmes rputs difficiles. Ainsi en 1975, le
professeur Mamdani Londres dveloppe une
stratgie pour le contrle des procds et prsente
les rsultats trs encourageants quil a obtenus
sur la conduite dun moteur vapeur. En 1978,
la socit danoise F.L.Smidth ralise le contrle
dun four ciment. Cest l la premire vritable
application industrielle de la logique floue.

Cahier Technique Schneider n 191 / p.4

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.

1.3 Intrt et utilisation de la logique floue pour le contrle

Intrt
La logique floue trouve ses origines dans un
certain nombre de constatations :
c La connaissance que ltre humain a dune
situation quelconque est gnralement imparfaite,
v elle peut tre incertaine (il doute de sa validit),
v ou imprcise (il a du mal lexprimer clairement).
c Ltre humain rsout souvent des problmes
complexes laide de donnes approximatives :
la prcision des donnes est souvent inutile ; par
exemple pour choisir un appartement, il pourra
prendre en compte la surface, la proximit de
commerces, la distance du lieu de travail, le
loyer, sans pour autant avoir besoin dune valeur
trs prcise de chacune de ces donnes.
c Dans lindustrie ou les techniques, les oprateurs
rsolvent souvent des problmes complexes de
manire relativement simple et sans avoir besoin
de modliser le systme. De mme, tout le
monde sait quun modle mathmatique nest
pas ncessaire pour conduire une voiture et
pourtant une voiture est un systme trs
complexe.
c Plus la complexit dun systme augmente,
moins il est possible de faire des affirmations
prcises sur son comportement.
De ces constatations viennent naturellement les
dductions suivantes :
c plutt que de modliser le systme, il est
souvent intressant de modliser le comportement
dun oprateur humain face au systme ;
c plutt que par des valeurs numriques prcises,
le fonctionnement doit tre dcrit par des
qualificatifs globaux traduisant ltat approximatif
des variables.
Utilisation pour le contrle
La logique floue est bien connue des
automaticiens pour ses applications dans le
contrle-commande de procds, appel alors
couramment contrle flou . Tout comme un
contrleur (ou correcteur) classique, le contrleur
flou sinsre dans la boucle de rgulation et
calcule la commande appliquer au procd
suivant une ou plusieurs consignes et une ou
plusieurs mesures effectues sur celui-ci.

Les bases de rgles floues sont intressantes en

commande car elles permettent :
c de prendre en compte une expertise existante
de nature qualitative,
c de prendre en compte des variables que lon
sait difficilement intgrer dans la boucle,
c damliorer le fonctionnement de contrleurs
classiques, par :
v autorglage hors ligne ou en ligne des gains
de ces contrleurs,
v modification de leur sortie (feed forward) en
fonction dvnements qui ne peuvent pas tre
pris en compte par une technique classique.
La capitalisation du savoir-faire
Pour que lutilisation de rgles floues puisse tre
envisage, il faut imprativement quil existe une
expertise, un savoir-faire humain. Les bases de
rgles floues napportent pas de solution quand
personne ne sait comment fonctionne le
systme ou ne peut le piloter manuellement.
Lorsque ce savoir-faire existe et est transcriptible
sous forme de rgles floues, la logique floue
permet de le mettre facilement en uvre et le
fonctionnement est facilement comprhensible
par lutilisateur.
Au-del de lautomatisation, la logique floue permet
une relle capitalisation du savoir-faire du terrain,
souvent recherche pour viter la perte du savoirfaire ou pour le dmultiplier dans lentreprise.
Lors du recueil dexpertise, loubli inconscient
dinformations, la difficult dexpliquer, la crainte
de divulguer son savoir sont des obstacles
souvent rencontrs. Cette tape doit donc tre
prpare et mene avec soin, particulirement
sur le plan humain.
Dans les cas o une expertise humaine existe,
lutilisation de rgles floues est envisageable,
plus forte raison lorsque des imperfections
entachent la connaissance du systme, lorsque
celui-ci est trs complexe et que sa modlisation
est difficile ou lorsque la faon de laborder passe
par une vue globale de certains de ses aspects.
Les rgles floues ne se substituent pas aux
mthodes classiques dautomatique mais les
compltent.

Cahier Technique Schneider n 191 / p.5

2 Thorie des ensembles flous

2.1 Notion dappartenance partielle

Dans la thorie des ensembles, un lment
appartient ou nappartient pas un ensemble.
La notion densemble est lorigine de
nombreuses thories mathmatiques. Cette
notion essentielle ne permet cependant pas de
rendre compte de situations pourtant simples et
rencontres frquemment. Parmi des fruits, il est
facile de dfinir lensemble des pommes. Par
contre, il sera plus difficile de dfinir lensemble
des pommes mres. On conoit bien que la

pomme mrit progressivement... la notion de

pomme mre est donc graduelle.
Cest pour prendre en compte de telles situations
qua t cre la notion densemble flou. La
thorie des ensembles flous repose sur la notion
dappartenance partielle : chaque lment
appartient partiellement ou graduellement aux
ensembles flous qui ont t dfinis. Les contours
de chaque ensemble flou (cf. fig. 1 ) ne sont
pas nets , mais flous ou graduels .

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

Fig. 1 : comparaison dun ensemble classique et dun ensemble flou.

2.2 Fonctions dappartenance

Supposons que nous voulions dfinir lensemble

des personnes de taille moyenne . En logique
classique, nous conviendrons par exemple que
les personnes de taille moyenne sont celles dont
la taille est comprise entre 1,60 m et 1,80 m. La
fonction caractristique de lensemble (cf. fig. 2 )

donne 0 pour les tailles hors de lintervalle

[1,60 m ; 1,80 m] et 1 dans cet intervalle.
Lensemble flou des personnes de taille
moyenne sera dfini par une fonction
dappartenance qui diffre dune fonction
caractristique par le fait quelle peut prendre
nimporte quelle valeur dans lintervalle [0, 1].
A chaque taille possible correspondra un degr
dappartenance lensemble flou des tailles
moyennes (cf. fig. 3 ), compris entre 0 et 1.

Degr d'appartenance

Degr d'appartenance

Un ensemble flou est dfini par sa fonction

dappartenance , qui correspond la notion de
fonction caractristique en logique classique.

Fonction
d'appartenance
taille moyenne

Fonction caractristique
taille moyenne
0

0
1m60

1m80

Fig. 2 : fonction caractristique.

Cahier Technique Schneider n 191 / p.6

Variable : taille

1m72

Fig. 3 : fonction dappartenance.

Variable : taille

Plusieurs ensembles flous peuvent tre dfinis

sur la mme variable, par exemple les ensembles
taille petite , taille moyenne et taille
grande , notions explicites chacune par une
fonction dappartenance (cf. fig. 4 ).

Petite

Moyenne

Ce sont des fonctions dappartenance de ce type

qui seront utilises dans la suite de ce document.

Grande

1
0,7

0,3
0

1,60

1,80

Taille (m)

Fig. 4 : fonction dappartenance, variable et terme

linguistique.

Cet exemple montre la gradualit que permet

dintroduire la logique floue. Une personne de
1,80 m appartient lensemble taille grande
avec un degr 0,3 et lensemble taille
moyenne avec un degr de 0,7. En logique
classique, le passage de moyen grand serait
brusque. Une personne de 1,80 m serait par
exemple de taille moyenne alors quune personne
de 1,81 m serait grande, ce qui choque lintuition.
La variable (par exemple : taille) ainsi que les
termes (par exemple : moyenne, grande) dfinis
par les fonctions dappartenance portent
respectivement les noms de variable linguistique
et de termes linguistiques.
Comme cela sera vu plus loin, variables et termes
linguistiques peuvent tre utiliss directement
dans des rgles.
Les fonctions dappartenance peuvent
thoriquement prendre nimporte quelle forme.
Toutefois, elles sont souvent dfinies par des
segments de droites, et dites linaires par
morceaux (cf. fig. 5 ).

Moyenne

Dans certains cas, les fonctions dappartenance

peuvent tre gales 1 pour une seule valeur
de la variable et gales 0 ailleurs, et prennent
alors le nom de fonctions dappartenance
singletons . Un singleton flou (cf. fig. 6 ) dfini
sur une variable relle (taille) est la traduction
dans le domaine flou dune valeur particulire
(taille de Paul) de cette variable (cf. annexe).

0
1,78 m

Taille de Paul

Fig. 6 : fonction dappartenance singleton

Fuzzification - Degr dappartenance

Lopration de fuzzification permet de passer du
domaine rel au domaine du flou.
Elle consiste dterminer le degr
dappartenance dune valeur (mesure par
exemple) un ensemble flou. Par exemple
(cf. fig. 7 ), si la valeur courante de la variable
entre est de 2, le degr dappartenance la
fonction dappartenance entre faible est
gal 0,4 qui est le rsultat de la fuzzification.

Taille tout
fait moyenne
Petite

Les fonctions dappartenance linaires par

morceaux sont trs utilises car :
c elles sont simples,
c elles comportent des points permettant de
dfinir les zones o la notion est vraie, les zones
o elle est fausse, ce qui simplifie le recueil
dexpertise.

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

Fig. 5 : fonctions dappartenance linaires par

morceaux.

On peut aussi dire que la proposition entre

faible est vraie 0,4. On parle alors de degr de
vrit de la proposition. Degr dappartenance et
degr de vrit sont donc des notions similaires.

Cahier Technique Schneider n 191 / p.7

2.3 Oprateurs logiques flous

Temprature Basse OU Pression Faible est
donc vraie 0,7.

Ces oprateurs permettent dcrire des

combinaisons logiques entre notions floues,
cest--dire de faire des calculs sur des degrs
de vrit. Comme pour la logique classique, on
peut dfinir des oprateurs ET, OU, ngation.
Exemple : Appartement Intressant = Loyer
Raisonnable ET Surface Suffisante

Remarque : loprateur OU de la logique

classique est bien respect : 0 OU 1 donne
bien 1.
Complment
Loprateur logique correspondant au
complment dun ensemble est la ngation.

Choix des oprateurs

Il existe de nombreuses variantes dans ces
oprateurs (cf. annexe). Cependant, les plus
rpandus sont ceux dits de Zadeh dcrits cidessous. Leur utilisation sera reprise dans
lexemple didactique dutilisation dune base de
rgles floues.

(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.

Dans ce qui suit, le degr de vrit dune

proposition A sera not (A).
Intersection
Loprateur logique correspondant
lintersection densembles est le ET. Le degr de
vrit de la proposition A ET B est le
minimum des degrs de vrit de A et de B :

(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 :

Remarque : loprateur ET de la logique

classique est bien respect : 0 ET 1 donne
bien 0.
Union
Loprateur logique correspondant lunion
densembles est le OU. Le degr de vrit de la
proposition A OU B est le maximum des
degrs de vrit de A et de B :

Confort bon = (Temprature faible ET Humidit

forte) OU (Temprature forte ET Humidit faible)

(A OU B) = MAX((A),(B))

Elle reprsente une dfinition possible de la

sensation de confort ressentie par une personne
dans une ambiance thermique pour laquelle lair
est immobile.

Exemple :
Temprature Basse est vraie 0,7
Pression Faible est vraie 0,5

Remarque : loprateur ngation de la logique

classique est bien respect : NON(0) donne bien
1 et NON(1) donne bien 0.

Basse

Eleve

10

20
Temprature

Fig. 8 : ladder flou.

Cahier Technique Schneider n 191 / p.8

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,

une salade appartient plus ou moins la classe

des salades fraches .
Les mthodes de classification, quelles
produisent un rsultat graduel, boolen ou
probabiliste, peuvent tre mises au point partir :
c dune exprience (cas du ladder flou
mentionn prcdemment),
c dexemples utiliss pour un apprentissage (par
exemple dans le cas de classifieurs rseaux
de neurones)
c dune connaissance mathmatique ou
physique du problme (par exemple le confort
dune situation thermique peut tre valu
partir dquations de bilan thermique).
Les mthodes de classification graduelle (ou
floue) permettent, notamment, de mettre au point
des boucles de rgulation. Cest le cas dans
lexemple de la cuisson industrielle des biscuits
expos plus loin.

2.4 Rgles floues

La logique floue et lintelligence artificielle
La logique floue a pour objectif de formaliser et de
mettre en uvre la faon de raisonner dun tre
humain. En cela, elle peut tre classe dans le
domaine de lintelligence artificielle. Loutil le plus
utilis dans les applications de logique floue est la
base de rgles floues. Une base de rgles floues
est compose de rgles qui sont gnralement
utilises en parallle, mais peuvent galement
tre enchanes dans certaines applications.
Une rgle est du type :
SI prdicat ALORS conclusion .
Par exemple : Si temprature leve et pression
forte ALORS ventilation forte et soupape grande
ouverte .
Les bases de rgles floues, tout comme les
systmes experts classiques, fonctionnent en
sappuyant sur une base de connaissance issue
de lexpertise humaine. Il y a nanmoins de
grandes diffrences dans les caractristiques et
le traitement de cette connaissance. (cf. fig. 9 ).
Une rgle floue comporte trois tapes
fonctionnelles rsumes dans la figure 10 .

Entres

Fuzzification

Valeurs
numriques

Sorties

Infrences

Domaine
flou

Dfuzzification

Valeurs
numriques

Fig. 10 : traitement flou.

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.

Base de rgles floues

Base de rgles classiques (systme expert)

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

Rgles traites en parallle

Interpolation entre rgles pouvant se contredire

Fig. 9 : base de rgles floues et base de rgles classiques.

Cahier Technique Schneider n 191 / p.9

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

de type diagnostic mdical pour lequel les

conclusions sont incertaines. La thorie des
possibilits, invente par Lotfi Zadeh, apporte
dans ces cas une mthodologie adquate.
De mme, la ngation est a priori interdite dans
les conclusions pour des rgles de Mamdani.
En effet, si une rgle avait par exemple la
conclusion Alors ventilation non moyenne ,
il serait impossible de dire si cela signifie
ventilation faible ou ventilation forte .
Ce serait encore un cas dincertitude.
Mcanisme dinfrence de Mamdani
c Principe
Une base de rgles floues de Mamdani
comprend donc des rgles linguistiques faisant
appel des fonctions dappartenance pour
dcrire les concepts utiliss (cf. fig. 11 )
Le mcanisme dinfrence comprend les tapes
suivantes :
c Fuzzification
La fuzzification consiste valuer les fonctions
dappartenance utilises dans les prdicats des
rgles, comme illustr par la figure 12 :

temp. leve ALORS

ouverture vanne grande

Forte

Eleve

Pression

Temprature

Si pression moyenne ET temp. leve ALORS

Moyenne

Pression

Fig. 11 : implication

Cahier Technique Schneider n 191 / p.10

Grande

Ouverture vanne

ouverture vanne moyenne

Eleve

Temprature

Moyenne

Ouverture vanne

Si pression forte

ET

temp. leve ALORS

ouverture vanne grande

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

comme illustr figure 13 . Le ET est ralis

en effectuant le minimum entre les degrs de
vrit des propositions.

temp. leve ALORS

ouverture vanne grande

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

conclusion est construit en ralisant le minimum

entre le degr dactivation et la fonction
dappartenance, sorte d crtage de la
fonction dappartenance de conclusion
(cf. fig. 14 ).

temp. leve ALORS ouverture vanne grande

Grande
Min

0,5
0,3
2,5 bars
Pression

} = 0,3
17C
Temprature

Ouverture vanne

Fig. 14 : implication

Cahier Technique Schneider n 191 / p.11

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

agissent sur une sortie. On considre que les

rgles sont lies par un OU logique, et on
calcule donc le maximum entre les fonctions
dappartenance rsultantes pour chaque rgle
(cf. fig. 15 ).

temp. leve

ALORS

ouverture vanne grande

Forte

Eleve

Grande

0,3
2,5 bars

17C
Temprature

Pression

Si pression moyenne

ET

temp. leve

ALORS

Ouverture vanne

ouverture vanne moyenne

Moyenne

Eleve

2,5 bars
Pression

Moyenne

17C
Temprature

Ouverture vanne

Agrgation :
MAXIMUM

Ouverture vanne

Fig. 15 : agrgation des rgles.

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

Fig. 16 : dfuzzification par centre de gravit.

Cahier Technique Schneider n 191 / p.12

Rgles libres et en tableau

Les bases de rgles floues, dans leur cas
gnral, sont donc dfinies par des fonctions
dappartenance sur les variables du systme,
et par des rgles qui peuvent tre crites
textuellement. Chaque rgle fait appel des
entres et des sorties qui peuvent tre
diffrentes, comme le montre lexemple qui suit :
R1 : SI temprature leve
ALORS sortie leve
R2 : SI temprature moyenne
ET pression basse
ALORS sortie moyenne
R3 : SI temprature moyenne
ET pression leve
ALORS sortie basse
R4 : SI temprature basse
ET pression leve
ALORS sortie trs basse

Schmatiquement, on peut reprsenter les

zones daction des rgles et leur
recouvrement dans le tableau de la figure 17 .

Pression

Eleve

Sortie
trs
basse

Sortie
basse
Sortie
leve
Sortie
moyenne

Basse

Basse

Moyenne

Eleve

Temp.

Fig. 17 : implication reprsente en tableau.

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 ;

c la premire rgle ne prend en compte que la

temprature ; cette situation est tout fait normale
dans la mesure o elle reflte correctement
lexpertise existante.
Beaucoup dapplications dfinissent cependant
des tableaux de rgles. Dans cette optique,
lespace est quadrill , et chaque case
correspond une rgle. Cette approche a
lavantage dtre systmatique, mais :
c elle ne permet pas toujours de traduire
simplement (en un minimum de rgles)
lexpertise existante,
c elle nest applicable que pour deux voire trois
entres, alors que des bases de rgles libres
peuvent tre bties avec un nombre important
de variables.
Remarques
c Une base de rgles floues a un comportement
statique non linaire par rapport ses entres.
c Les bases de rgles floues ne sont pas
dynamiques en elles-mmes, bien quelles
utilisent souvent comme entres des variables
traduisant la dynamique du systme (drives,
intgrales, ...) ou le temps.
c Le rgulateur PID flou , souvent prsent
comme exemple didactique pour se faire une
ide sur la logique floue, prsente comme intrt
principal de raliser un PID non linaire, ce qui
justifie rarement de lutiliser la place dun PID
classique. Par ailleurs, il y a difficilement ici
possibilit dintgrer une expertise.

Cahier Technique Schneider n 191 / p.13

3 Exemple didactique dapplication

3.1 Introduction
La plupart des ralisations de logique floue font
appel une connaissance spcialise pralable
du domaine dapplication. Afin dtre accessible

au lecteur, lexemple qui suit est bas sur une

application fictive. Il est destin illustrer la
dmarche de cration dune base de rgles floues.

3.2 Prsentation de lexemple

Il sagit dun procd de lavage de salades
destin produire des salades pr-emballes
pour les rayons frais des supermarchs.
Les salades sont coupes, puis laves et enfin
emballes. Ce lavage est destin dbarasser
les salades de la terre ainsi que des microorganismes qui pourraient prolifrer pendant la
dure de conservation du produit. Le fabricant
souhaite automatiser le procd de lavage.
Le lavage est ralis en continu. Les morceaux
de salade sont placs dans des tambours
qui se dplacent dans un tunnel comportant
des buses permettant de pulvriser de leau
chlore. Leau permet dvacuer la terre, alors
que le chlore est destin tuer les microorganismes (cf. fig. 18 ).
Les priorits suivantes ont t exprimes par le
marketing et ordonnes selon leur importance :
c Vis--vis du client
v Garantir la qualit
- Salades bien propres (apparence).
- Absence de got de chlore.
v Garantir la scurit
- Niveau de micro-organismes acceptable.
c Vis--vis de la rentabilit
v Maximiser la production.

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

Fig. 18 : procd de lavage des salades.

Cahier Technique Schneider n 191 / p.14

Mesure de turbidit

3.3 Variables et termes linguistiques

c sorties :

On dcide donc de retenir les variables

suivantes :
c entres :
v taux de micro-organismes : Taux_Micro
v taux de chlore rmanent : Taux_Cl
v turbidit de leau : Turbidit
v vitesse de dfilement : Vitesse
v dbit deau : D_Eau

v modification du dbit deau : Var_D_Eau

v modification du dbit de chlore : Var_D_Cl
v modification de la vitesse : Var_Vit
Une sance avec un oprateur expriment, un
spcialiste de microbiologie et un goteur de
salades permet dobtenir les fonctions
dappartenance suivantes (cf. fig. 19 ) :

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

Fig. 19 : fonctions dappartenance linaires par morceaux.

3.4 Rgles et sorties

Ecriture des rgles floues
Une runion avec des oprateurs permet de
dterminer les sept rgles suivantes, qui
correspondent chacune un cas de figure
donn (en italique) :
SI Turbidit forte ET D_Eau non lev
ALORS Var_D_Eau positive grande
(salades mal laves)
SI Turbidit forte ET D_Eau lev
ALORS Var_Vit ngative (salades mal
laves mais vitesse de bande leve)
SI Taux_Micro lev ALORS Var_D_Cl
positive grande (trop de micro-organismes)
SI Turbidit faible ET Taux_Micro non
lev ET Vitesse non leve ET Taux_Cl
acceptable ET D_Eau non lev ALORS
Var_Vit positive ET Var_D_Cl positive ET
Var_D_Eau positive (tout va bien et il est
possible daugmenter la production)

SI Taux_Cl lev ET Taux_Micro non

lev ALORS Var_D_Cl ngative
(salades ayant un got chlor mais pas de
micro-organismes)
SI Vitesse leve ET Taux_Cl acceptable
ET Turbidit faible ALORS Var_D_Eau
ngative (tout va bien et la production est
maximale : conomiser leau)
SI Taux_Micro faible ALORS Var_D_Cl
ngative (aucun micro-organisme : diminuer le
chlore pour lconomiser)
Dfuzzification
Dans la mesure o on souhaite un comportement
progressif de la base de rgles dans tous les cas
et une interpolation entre les rgles, on choisit le
centre de gravit comme oprateur de dfuzzification.

Cahier Technique Schneider n 191 / p.15

4 Mise en uvre

4.1 Quand peut-on utiliser les bases de rgles floues ?

Le choix des bases de rgles floues pour
rsoudre un problme applicatif peut tre fait
quand les conditions suivantes sont runies :
c possibilit dagir sur le procd
(contrlabilit),
c existence dune expertise ou dun savoir-faire,

c possibilit de mesurer ou dobserver les

grandeurs importantes (entres et sorties),
c expertise qualitative (si elle est mathmatique,
lautomatique classique est favoriser),
c expertise graduelle (si elle est boolenne, les
systmes experts sont plus adapts).

4.2 Conception dune application

Choix des oprateurs
Dans la plupart des applications, les bases de
rgles de Mamdani sont utilises. Ce choix
est adapt sauf si lexpertise comprend des
indterminations.
On choisit galement le plus souvent dutiliser
des fonctions dappartenance trapzodales ,
car elles sont plus faciles implmenter, et car
elles simplifient le recueil dexpertise. Les
fonctions dappartenance de sortie sont le plus
souvent des singletons, sauf quand les rgles
sont enchanes. Une fonction dappartenance
de sortie triangulaire signifie en effet une
incertitude sur la sortie appliquer, et na pas
beaucoup deffet sur linterpolation entre les
rgles.
Enfin, la dfuzzification est ralise par le
centre de gravit pour la rgulation (on tient
compte de toutes les rgles actives); lutilisation
de la moyenne des maxima pour les
problmes de prise de dcision, permet de
trancher lorsque des rgles sont en conflit et
vite daboutir une dcision intermdiaire.

Niveau expertise mtier :

- Expert
- Oprateur
- Concepteur

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

Interprtation sous forme de rgles

et fonctions d'appartenance

Implmentation

Fig. 20 : mthodologie de conception.

Cahier Technique Schneider n 191 / p.16

Tests boucle
ouverte

La transcription sous forme de rgles floues est

alors directe. Il convient cependant dcrire le
moins de fonctions dappartenance et de rgles
possible afin de limiter le nombre de paramtres
quil faudra rgler par la suite et conserver une
bonne lisibilit de la base. On constate quil est
plus facile dajouter des rgles pour prendre en
compte des situations nouvelles que den
enlever.
Validation de la base de connaissance
Elle est conduite en plusieurs tapes :
c prsentation de la base de rgles aux experts
qui ont particip au recueil de connaissances et
discussion : celle-ci permet didentifier des points
qui navaient pas t abords, et de vrifier si les
rgles sont comprhensibles par tous ;
c simulation en boucle ouverte : les experts
comparent le comportement de la base de rgles
au comportement attendu daprs eux, sur des
cas choisis lavance ;

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.

4.3 Exploitation dune application

Le rle des oprateurs
Le niveau dimplication des oprateurs pilotant
une application faisant appel la logique floue
est trs variable.
On constate les cas suivants :
c systme compltement autonome, lutilisateur
final ne connat pas la logique floue et ne sait
pas quelle est utilise,
c la logique floue est une bote noire pouvant
tre dbranche ou passe en mode manuel
par loprateur,
c loprateur est capable de modifier (rgler)
les fonctions dappartenance en fonction de la
situation et il le fait par exemple lors dun
changement de production,
c loprateur a une visibilit sur les rgles
(par exemple leur degr dactivation) ;
il comprend et sait interprter ce que la base
de rgles fait ; par exemple quand la situation
est exceptionnelle il peut prendre le pas sur la
base de rgles ;
c loprateur est le principal concepteur de la
base ; les moyens de consigner lui-mme son

savoir-faire et de valider le comportement obtenu

lui ont t fournis.
Les changements dans la production
Lors de la vie de lapplication, la base de rgles
doit pouvoir tre adapte aux changements du
systme de production et des produits fabriqus.
Ces changements peuvent tre de diverses
natures :
c les objectifs sont diffrents (temprature de
cuisson...), par exemple du fait dun changement
de produit fabriqu : il faut alors modifier les
consignes ou les fonctions dappartenance
dentre des rgles ;
c les dimensionnements du systme sont
diffrents : il faut alors modifier des fonctions
dappartenance ;
c la nature du systme a chang (par exemple
portage de la base de rgles dune machine
une autre) : il faut alors revoir les rgles et les
fonctions dappartenance.
Les changements les plus frquents sont du
premier type et peuvent alors tre conduits par
des oprateurs qualifis.

4.4 Choix de la technologie de mise en uvre

La plupart des applications qui existent
aujourdhui sont ralises avec des platesformes matrielles courantes (microcontrleur,
microprocesseur, automate, microordinateur...).
De nombreux logiciels daide au dveloppement
de bases de rgles floues ayant pour cibles
microcontrleurs, automates programmables,
microordinateurs entre autres, permettent de

mettre en uvre rapidement des bases de

rgles floues sans programmer.
Il est possible de programmer directement les
infrences floues (assembleur, langage C...).
Cette solution a linconvnient dtre moins
rapide en phase de prototypage et dexiger une
comptence en programmation et une matrise
des algorithmes utiliss en logique floue.

Cahier Technique Schneider n 191 / p.17

Pour les applications trs exigeantes en temps

de rponse ou pour obtenir un prix de revient de
grande srie trs bas, lutilisation de composants
ddis la logique floue est intressante. Ceuxci se dveloppent car :
c les oprations ncessaires pour effectuer des
infrences floues sont lmentaires et ralisables
en nombres entiers,
c il est possible de raliser certaines oprations
en parallle,
c le calcul se droule par tapes successives,
ce qui permet de raliser simplement des
architectures pipeline.

lectromnager...). Ils sont maintenant souvent

intgrs lintrieur mme des microcontrleurs,
mme de faible cot, o ils permettent dacclrer
les infrences floues.
La figure 21 illustre titre dexemple les besoins
applicatifs que lon peut rencontrer en nombre de
rgles (complexit de lapplication) et temps de
cycle (rapidit), ainsi que les technologies
utilisables (chiffres de 1993). Les rgles
considres ici sont un prdicat et une
conclusion.
Le choix technico-conomique faire est donc
un compromis entre la flexibilit apporte par les
solutions logicielles, lconomie dchelle et la
performance des solutions matrielles ddies.

En particulier, de nombreux ASIC destins des

marchs particuliers existent (automobile,

Temps de cycles (s)

10

-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

Fig. 21 : performances des composants et domaines applicatifs.

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.

Cahier Technique Schneider n 191 / p.18

Aujourdhui, un groupe de travail auquel

Schneider participe activement, intgre la norme
langage logique floue la norme langage
des automates programmables (premier draft
officiel de la norme IEC 61131-7 disponible en
1997). Dautres initiatives dans le domaine de la
normalisation de la logique floue devraient en
dcouler.

5 Applications du flou

5.1 Types dutilisations

Fonctions ralises
Le tableau qui suit montre les fonctions le plus
souvent ralises industriellement laide de
systmes flous (X signifie utilisation possible, XX
que la technique est bien adapte ce type de
problme.). Les bases de rgles excellent l ou
une interpolation et une action sont ncessaires,
alors que les mthodes de classification sont
adaptes pour les tches dvaluation et de
diagnostic effectues en gnral en amont. Il
arrive que des applications associent plusieurs
de ces fonctions, en prservant la gradualit de
linformation.
bases de
rgles
rgulation,
commande

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

Fig. 22 : comparaison de la logique floue et dautres

techniques.

XX
XX

Logique floue et autres techniques

La logique floue est avant tout une extension,
une gnralisation de la logique boolenne.
Elle permet dintroduire une gradualit dans des
notions auparavant soit vraies soit fausses.
Les probabilits, sans remettre en cause la
nature binaire des vnements (soit vrais soit
faux), permettent de grer lincertitude de
loccurrence de ces vnements.
A la charnire entre ces deux approches, la
thorie des possibilits (invente par Lotfi
Zadeh) permet de prendre en compte la fois
gradualit et incertitude (cf. fig. 22 ) .
Les bases de rgles floues sont souvent
compares pour les applications de commande /
rgulation aux rseaux neuronaux et lautomatique classique. Ces trois approches ncessitent
respectivement pour pouvoir tre appliques une
expertise, des donnes servant lapprentissage,
et un modle dynamique du procd.
Leur comparaison nest possible que quand les
trois sont simultanment disponibles, ce qui est

souvent le cas dans les tudes thoriques mais

rarement en pratique ; si les trois sont
disponibles, les aspects pratiques sont souvent
prpondrants. En particulier, la logique floue
peut tre prfre pour son intelligibilit par les
oprateurs.
Hybridation des techniques
La logique floue est souvent utilise en
combinaison avec dautres techniques. Ces
associations sont heureuses quand chaque
approche met en avant ses propres points forts.
c Apprentissage de rgles floues ou neuroflou
Les bases de rgles floues peuvent tre modifies
en utilisant des mthodes dapprentissage.
Les premires mthodes dites de selforganizing controller ont t mises au point
ds 1974 et visaient modifier heuristiquement
le contenu des rgles floues appartenant un
tableau de rgles . Lexpertise elle-mme est
modifie par lapprentissage, mais les fonctions
dappartenance restent inchanges.
Une deuxime approche plus souvent
exprimente consiste modifier des paramtres
reprsentatifs des fonctions dappartenance. A la

Cahier Technique Schneider n 191 / p.19

diffrence de la premire mthode, les rgles et

la structure de lexpertise ne sont pas altres.
La modification des paramtres des fonctions
dappartenance est ralise en utilisant des
mthodes doptimisation, par exemple des
mthodes de gradient, ou des mthodes
doptimisation globale telles que les algorithmes
gntiques ou le recuit simul. Cette approche
est souvent qualifie de neuroflou , en
particulier dans le cas o le gradient est utilis.
En effet, lutilisation du gradient pour optimiser
ces paramtres sapparente la rtropropagation , utilise dans les rseaux neuronaux dits
perceptrons multicouches pour optimiser les
poids entre les couches du rseau de neurones.
Une troisime approche (que lon peut qualifier
doptimisation structurelle de la base de rgles)
vise dterminer simultanment rgles et
fonctions dappartenance par apprentissage.
On conduit alors en gnral lapprentissage sans

rfrence une expertise. Les rgles obtenues

peuvent alors thoriquement tre utilises pour
aider btir une expertise.
c Utilisation de logique floue combine
lautomatique
Une base de rgles floues fait parfois partie dun
rgulateur. Lemploi de la logique floue pour
simuler un terme proportionnel permet toutes
sortes de non-linarits. Les cas particuliers de
fonctionnement dgrad comme les surcharges,
la maintenance ou les pannes partielles sont
aisment intgrs.
Une base de rgles floues est plus
avantageusement utilise hors de la boucle
de rgulation, en supervision dun rgulateur.
Elle sert alors remplacer un oprateur pour
ajuster les paramtres du rgulateur en
fonction des conditions dexploitation de
lasservissement.

5.2 Exemples de ralisations industrielles

La logique floue est maintenant admise comme
faisant partie des mthodes courantes pour
contrler les processus industriels.
Lautomatique binaire et le rgulateur PID sont
encore suffisants pour bien des applications ;
mais de plus en plus la logique floue est
reconnue et utilise pour ses atouts
diffrenciateurs, notamment en matire de
matrise de la qualit de production et des cots.
En raison des avantages concurrentiels offerts
par la logique floue dans certaines applications,
lintgrateur ou lutilisateur final ne souhaitent
gnralement pas en faire tat. Il y a dans ces
applications tout un savoir-faire capitalis, ou
bien un astucieux raccourci technique. La
confidentialit est alors de mise. Cela explique
quil na pas t possible de dtailler de la mme
faon tous les exemples qui suivent.
Station dpuration
Pour la plupart, les stations dpuration modernes
utilisent des procds biologiques (dveloppement
de bactries dans des rservoirs ars) pour
purifier les eaux uses avant de les rejeter dans
lenvironnement naturel. La matire organique
contenue dans leau de rejet est utilise par la
bactrie pour crer ses constituants cellulaires.
Celle-ci rejette du gaz carbonique (CO2) et de
lazote (N2). De lair est insuffl dans les
rservoirs. Lnergie utilise pour cette
ventilation reprsente couramment plus de la
moiti de lnergie globale consomme par la
station. Pour assurer le dveloppement correct
des bactries et lpuration, les concentrations
de NH4 et O2 dans les rservoirs daration

Cahier Technique Schneider n 191 / p.20

doivent tre troitement matrises ; dautant

plus que pour rduire les cots dnergie, le
dbit dair est maintenu au minimum compatible
avec le processus biologique.
Il faut rajouter ces exigences la prise en compte
de quelques cas de fonctionnement particuliers,
comme par exemple un dbit amont trs lev,
circonstance extrme o les paramtres sont
profondment modifis, et les performances
dpuration dgrades.
Bien quil existe des modles mathmatiques
partiels de stations, aucun modle complet nest
disponible, et la stratgie de pilotage de lensemble
doit souvent tre dveloppe heuristiquement.
Lemploi de la logique floue aujourdhui est assez
frquent dans une station dpuration. La station
de la figure 23 , situe en Allemagne, fonctionne
depuis 1994. Le contrle flou a t ralis sur un
automate programmable Schneider Modicon,
grce ses modules fonctionnels standard de
rgulation floue.
Le concepteur souligne lintrt dutiliser la logique
floue dans la rgulation : les exceptions, situations
o la capacit dpuration est partiellement
dgrade, sont traites simplement et sans
discontinuit.
Voici la mthode choisie pour introduire ces tats
dexception dans une boucle de rgulation :
Un terme proportionnel qui doit sadapter aux
circonstances exceptionnelles est identifi dans
la boucle de rgulation ; le terme proportionnel
est dabord transcrit en logique floue, puis cet
lment de logique floue insr dans la boucle
de rgulation.

Rservoirs de prcipitants
pour les phosphates

Soufflerie

Poste de conduite
et btiment d'exploitation

Recirculation
Btiment grille
10

11
4
6

1 - Arrive des eaux uses

2 - Relevage mcanique entre
3 - Bassin de dessablement ventil
4 - Rigole Venturi
5 - Boues exdentaires
6 - Boues recycles
7 - Racleur boues
8 - Dcantation finale I
9 - Dcantation finale II
10 - Voies de nitrification
11 - Bassin de dnitrification

9
Sortie

Fig. 23 : synoptique de la station dpuration.

Une fois les fonctions dappartenance

convenablement ajustes, deux rgles suffisent
dcrire ce rgulateur proportionnel :
SI entre basse ALORS sortie basse.
SI entre haute ALORS sortie haute.
Une troisime rgle est rajoute la demande
des oprateurs qui y trouvent une meilleure
comprhension du fonctionnement :

SI entre moyenne ALORS sortie moyenne

(cf. fig. 24 ).
Une fois le terme proportionnel simul, les
exceptions sont introduites sous forme dautres
rgles, dpendant dautres combinaisons de
variables dentre.
Un exemple simple de cette possibilit est
illustr par la figure 25 .

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

Fig. 24 : simulation dun terme proportionnel de

rgulateur.

Fig. 25 : introduction dune exception dans un terme

proportionnel.

Cahier Technique Schneider n 191 / p.21

Le tableau de la figure 26 prsente les rgles

correspondant la recirculation. Le terme proportionnel est ralis partir de la variable dentre

SI teneur O2 nitri

ET teneur O2 dnitri

non basse

suprieure 0

teneur en NOx . Les deux variables dentre

teneur O2 nitri , teneur O2 dnitri dfinissent
une situation dexception dans la premire rgle.

ET teneur Nox

ALORS quantit recirculation

basse

basse

basse

normale

normale

leve

lve

Fig. 26 : tableau de rgles de la fonction recirculation.

Voici un autre traitement utilisant la logique

floue : une partie des boues qui se dposent
dans le bassin aval est recycle et rinjecte en
amont. Le tableau de la figure 27 prsente les
rgles correspondant au recyclage des boues.
La premire rgle traduit une exception, due
un trop fort dbit amont. Dans ces conditions, un
recyclage important amnerait une surcharge

SI turbidit de leau
vacue

accrue de linstallation. Ltat dexception est

dtect par la turbidit leve, car les boues
sdimentent peu cause du dbit trop lev.
Pour mmoire, dautres fonctions de linstallation
utilisent la logique floue :
c injection dair,
c gestion des boues excdentaires.

ET quantit coule
de boues recycles

ET niveau des boues

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

Fig. 27 : tableau de rgles de la fonction recyclage des boues.

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.

Cahier Technique Schneider n 191 / p.22

Lexemple choisi est celui dune chane de

production de biscuits apritifs.
Un groupe franais a fait appel Schneider qui
en collaboration avec lENSIA (Ecole Nationale
Suprieure des Industries Agricoles et Alimentaires), a dvelopp une solution automatise.
Les principales caractristiques mesurables dun
biscuit sont sa couleur, son humidit et ses
dimensions. Elles peuvent tre influences par
les variations de qualit des constituants de la
pte, des conditions dambiance, de la dure de
sjour du biscuit dans le four... Ces influences

doivent tre compenses par le rglage des

fours et la vitesse de dfilement des convoyeurs.
La rgulation de la qualit de production dun
procd agro-alimentaire de ce type peut tre
dcompose selon les tapes fonctionnelles
suivantes :
c conditionnement et fusion de donnes,
c valuation de grandeurs subjectives (lies la
qualit),
c diagnostic des carts de qualit,
c prise de dcision.
La logique floue permet ici de prendre en compte
des grandeurs qualitatives tout au long de cette
dcomposition et dutiliser lexpertise mtier
existante. Des bases de rgles floues ont t
utilises avec profit, conjointement dautres
techniques (cf. fig. 28 ).

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

Interpolateur bote noire

apprentissage

Evaluation subjective

Classification floue

Diagnostic

Ladder flou

Prise de dcision

Base de rgles floues

Fig. 28 : fonctions et techniques associes.

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

Fig. 29 : ladder flou de diagnostic des carts de qualit.

Cahier Technique Schneider n 191 / p.23

Schneider a dvelopp pour elle une mthode

de rglage automatique des paramtres de ces
correcteurs. Celui-ci est effectu laide dune
base de rgles floues. Une vingtaine de rgles
suffisent pour assurer un rglage rapide et fiable
des paramtres. Dautre part, la prsence dun
spcialiste de contrle-commande, difficile
assurer dans le contexte de linstallation dune
commande numrique, nest plus ncessaire.
c Automobile
Renault et Peugeot (PSA) annoncent une bote
de vitesse automatique qui grce la logique
floue, sadapte au type de conduite de celui qui
prend le volant.

constructeurs, a t ralise par la socit

F.L. Smidth Automation du Danemark dans la
rgulation des fours ciment. Ce procd prend
en compte de nombreuses variables, en
particulier les influences climatiques sur le four
qui mesure plusieurs dizaines de mtres.
c Electromnager et lectronique grand public
Principalement au Japon, de nombreuses
applications atteignent le grand public. Par
exemple, les camescopes numriques, ultralgers, sont trs sensibles au boug. La logique
floue pilote le systme lectronique anti-boug
de ces appareils.

c Cimenteries
La premire application industrielle de la logique
floue, reprise ensuite par les autres

6 Conclusion

c Classe parmi les techniques de lintelligence

artificielle, la logique floue permet de modliser
puis de remplacer lexpertise de conduite de
processus, expertise en provenance du
concepteur ou de lutilisateur.
c Outil damlioration de la qualit, de la
productivit, elle procure des avantages
concurrentiels lindustriel en qute
doptimisation technico-conomique.
c Ce Cahier Technique a montr dans quels
domaines cette approche intressante
sappliquait avec profit.
c Grce des automates adapts et des outils
conviviaux, la logique floue est maintenant
accessible tout automaticien dsireux daccrotre
le champ de ses comptences et la performance
de ses ralisations. De tels outils sont disponibles
dans lenvironnement de dveloppement de
certains automates programmables (cf. fig. 30 ).

Cahier Technique Schneider n 191 / p.24

Des possibilits dvaluations simples sont

offertes par ces outils.
c Une valuation limite la mise en
concurrence avec les autres outils traditionnels
du contrle na pas dintrt : ces outils, tels les
rgulateurs PID, gardent leur place et leurs
terrains dapplications.
c La logique floue a ses domaines de
prdilection o elle fait merveille, ds quentrent
en jeu une expertise, une prise de dcision
nuance, la prise en compte de phnomnes
non-linaires, de paramtres subjectifs, voire
des facteurs de dcision contradictoires. Un
contact avec un spcialiste Schneider permettra
un utilisateur ou un concepteur de trouver
rponse au cas par cas, sa lgitime
interrogation :
Quels avantages dcisifs la logique floue
apporterait-elle dans mon application ?

a - paramtrage du module de logique floue

c - criture des rgles

b - dfinition des fonctions dappartenance

d - simulation - validation

Fig. 30 : pour la logique floue, les automates Schneider disposent doutils de dveloppement conviviaux sur PC.

Cahier Technique Schneider n 191 / p.25

Annexe

Oprateurs entre ensembles flous

Le tableau de la figure 31 prsente les diffrents oprateurs de ZADEH.

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

Fig. 31 : oprateurs entre ensembles flous

Les fonctions dappartenance de sortie

singletons
Les fonctions dappartenance singletons sont
souvent utilises comme fonctions dappartenance
de sortie pour les rgles floues. En effet, elles
permettent le mme effet dinterpolation entre
les rgles que dans le cas des fonctions
dappartenance triangulaires par exemple, pour
des calculs beaucoup plus simples. Il nest pas
ncessaire de calculer le maximum des fonctions
dappartenance de sortie (agrgation) et le centre
de gravit est galement simplifi. La figure 32
illustre ce calcul.

Cahier Technique Schneider n 191 / p.26

1
Basse
Moyenne
Haute
Sortie
Action

Fig. 32 : dfuzzification de fonctions dappartenance

singletons.

Les infrences floues : Implication floue et

Modus Ponens Gnralis
Comme le montre la figure 33 , le mcanisme
classique dinfrence par lavant ou modus
ponens consiste partir de rgles, aussi
appeles implications et dun mcanisme de
dduction (le modus ponens) dduire des
conclusions partir des faits observs.
Limplication A B est considre vraie tant
quelle nest pas infirme (A vrai et B faux) :
voir figure 34 . Le modus ponens, sachant si
limplication est vraie ou fausse, permet de dduire
une conclusion B partir dune observation A.
Le mme principe thorique peut tre gnralis
en logique floue. Le schma gnral est donn
par la figure 35 .

Rgles (implications)

Faits
observs

Modus Ponens

Conclusions

Fig. 33 : principe de linterfrence par lavant.

A

A'

AB

B' 0

Implication

AB

Modus Ponens

Fig. 34 : principe de limplication et du Modus Ponens.

Rgles (implications floues)

Entres

Fuzzification

Modus Ponens gnralis

Dfuzzification

Sorties

Fig. 35 : principe des interfrences floues.

Le mcanisme gnralisant limplication est

appel implication floue . Il existe divers
oprateurs dimplication floue, dont ceux
mentionns ci-dessous :
MAMDANI : AB = MIN (A, B)
LARSEN : AB = A . B
LUKASIEWICZ : AB = MIN (1,1 - A + B)
Limplication floue fonctionne comme limplication
classique, A et B tant des ensembles flous.
Le mcanisme gnralisant le modus ponens est
appel modus ponens gnralis . Il obit
la formule qui suit et permet de dterminer un
ensemble flou conclusion B. Le plus souvent,
loprateur T utilis est le Minimum (appel
oprateur de Zadeh).

B(y) = MAXx (T(A(x), AB (x,y)) )

o T : oprateur de modus ponens (t - norme),

Loprateur de Lukasiewicz se comporte comme
limplication classique quand on se restreint
des valeurs boolennes. Ce nest pas le cas des
oprateurs de Larsen et Mamdani, utiliss dans
les bases de rgles de Mamdani. Ces oprateurs
sont les plus largement utiliss car :
- on constate leur bonne robustesse dans les
applications.
- les calculs sont considrablement simplifis et
permettent une interprtation graphique simple
(voir chap. 2.4). Les calculs sur lentre x et la
sortie y sont dcoupls, comme le montre la
formule suivante :

B(y) = MAXx (Min (A (x), A(x), B(y)) )

= Min (B(y), MAXx (Min (A(x), A(x)) )

Cahier Technique Schneider n 191 / p.27

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)

Cahier Technique Schneider n 191 / p.28