These El+Ougli

Universit Sidi Mohamed Ben Abdellah
Fs

THESE
Prsente
La FACULTE des SCIENCES DHAR EL MEHRAZ
U.F.R : Automatique et Analyse des Systmes
Pour obtenir le grade de :

DOCTORAT NATIONAL
Spcialit : Automatique, Signaux et Systmes
Par
Abdelghani El Ougli
Soutenue le : 23/05/2009

Intgration des techniques floues la synthse de
contrleurs adaptatifs

MEMBRES de JURY
Prsident :
MRABTI Mostafa PES - Facult des Sciences Fs, Directeur ENSA Fs
Directeur de Thse :
BOUMHIDI Ismail PES - Facult des Sciences Fs
Rapporteurs :
EL BACHTIRI Rachid PES - Ecole Suprieure de Technologie Fs
KABBAJ Mohamed PES - Facult des Sciences Fs
Examinateurs :
BOUZOUBA Khalid PES- Facult des Sciences Fs
QJIDAA Hassan PES- Facult des Sciences Fs
SBAI El Hassan PES- Ecole Suprieure de Technologie Mknes

A la mmoire de mon pre,
A ma mre,
A ma femme et mes enfants,
A toute ma famille,
A mes amis.

Remerciements
Les travaux prsents dans ce mmoire ont t effectus au sein du laboratoire
dElectronique, Signaux-Systmes et dInformatique de la Facult des Sciences
Dhar El Mahraz Fs.
Je tiens exprimer ma profonde gratitude et mes remerciements les plus
sincres mon Directeur de thse Monsieur I. BOUMHIDI, Professeur la
Facult des Sciences Dhar El Mahraz de Fs, pour mavoir encadr, pour son
soutien scientifique, humain et moral et pour ses prcieux et fructueux conseils.
Je remercie Monsieur le Professeur M. MRABTI, Directeur de lENSA Fs, pour
avoir accept de me faire lhonneur de prsider le jury de ma soutenance.
Mes sincres remerciements Monsieur R. EL BACHTIRI, Professeur lEcole
Suprieure de Technologie Fs, et Monsieur M. KABBAJ, Professeur la
Facult des Sciences Dhar El Mahraz Fs, davoir pris le temps de juger ce
travail et de mavoir fait lhonneur dtre rapporteurs de ma thse.
Je tiens galement remercier Messieurs K. BOUZOUBA, Professeur la
Facult des Sciences Dhar El Mahraz Fs, H. QJIDAA Professeur la Facult
des Sciences Dhar El Mahraz Fs et H. SBAI, Professeur lEcole Suprieure
de Technologie Mknes, pour avoir accept dexaminer ce travail et de faire
partie de ce jury.
Mes remerciements vont tous ceux qui mont soutenu ou qui, dune manire ou
dune autre, ont contribu llaboration de ce travail.
Enfin, aucun mot ne serra jamais assez fort pour exprimer tout ce que je dois
ma femme qui ma accompagn tout au long de ce travail par son soutien
inconditionnel de tous cts et mes deux petits poussins Oussama et
Abderrahman.
Table des Matires

i
Table des matires
Introduction Gnrale ....................................................................................................... 1
Chapitre 1. Logique floue et commande non linaire : Tour dhorizon .......... 4
1.1. Introduction ................................................................................................................... 4
1.2. Commande des systmes non linaires ........................................................................ 5
1.3. Systmes et contrleurs flous ....................................................................................... 6
1.3.1. Ensembles flous type-1 ............................................................................................ 6
1.3.2. Variable linguistique ................................................................................................ 9
1.3.3. Modlisation floue type-1 ...................................................................................... 10
1.3.4. Contrleurs flous type-1 ......................................................................................... 13
1.3.5. Systmes flous type-2............................................................................................. 15
1.3.6. Modlisation et commande floues type-2 .............................................................. 19
1.4. Classes de systmes non linaires ............................................................................... 22
1.5. Structures de synthse des lois de commande .......................................................... 25
1.5.1. Mode glissant ......................................................................................................... 25
1.5.2. Optimisation
H .................................................................................................... 27
1.5.3. Optimisation LMI ................................................................................................... 28
1.5.4. Prdiction dune fonction par projection sur une base orthogonale ....................... 30
1.6. Conclusion .................................................................................................................... 31
Chapitre 2. Synthse de contrleurs flous adaptatifs ........................................... 32
2.1. Introduction ................................................................................................................. 32
2.2. Commande floue par mode glissant .......................................................................... 33
2.3. Synthse du contrleur flou par optimisation LMI ................................................. 36
2.4. Commande floue
H .................................................................................................. 39
2.5 Rsultats des Simulations ............................................................................................ 42
2.5 1. Commande par mode glissant ................................................................................ 43
2.5 2. Commande par optimisation LMI .......................................................................... 47
2.5 3. Commande par optimisation
H ........................................................................... 50
2.6. Conclusion .................................................................................................................... 51
Table des Matires

ii
Chapitre 3. Contrleur adaptatif par modlisation floue type-2 ..................... 52
3.1. Introduction ................................................................................................................. 52
3.2. Formulation du problme ........................................................................................... 53
3.3. Structure de la commande .......................................................................................... 57
3.4. Rsultats des Simulations ........................................................................................... 58
3.5. Conclusion .................................................................................................................... 59
Chapitre 4. Commande dune classe de systmes MIMO non linaires ....... 61
4.1. Introduction ................................................................................................................. 61
4.2. Formulation du problme ........................................................................................... 62
4.3. Synthse dun contrleur PID .................................................................................... 62
4.3.1. Estimation des paramtres ...................................................................................... 64
4.3.2. Structure de la commande ...................................................................................... 64
4.4. Synthse dun contrleur flou PI ............................................................................... 65
4.4.1. Estimation des paramtres ...................................................................................... 66
4.4.2. Structure du contrleur ........................................................................................... 67
4.5. Rsultats des simulations ............................................................................................ 69
4.5.1. Contrleur PID ....................................................................................................... 69
4.5.2. Contrleur PI flou ................................................................................................... 72
4.6. Conclusion .................................................................................................................... 73
Conclusion Gnrale ........................................................................................................ 75

Introduction Gnrale

1
INTRODUCTION GNRALE
La diversit des problmes rencontrs en automatique, notamment sur la thorie de la
commande des systmes non linaires, a connu une volution considrable ces dernires
annes. En effet, depuis la fin du sicle dernier, la commande des systmes non linaires
complexes reposant sur la notion de la logique floue connat un succs tant sur le plan
thorique que pratique. La logique floue apporte gnralement une nette amlioration des
performances par rapport aux approches classiques tout en prsentant lavantage de pouvoir
tre dfinie au moyen dune description linguistique.
La thorie de lapproximation universelle des systmes flous est la base des diffrents
travaux de recherche sur ce type de commande. Cette thorie garantit un systme flou la
capacit dapproximer, avec un degr de prcision arbitraire fix, nimporte quelle dynamique
non linaire sur un ensemble compact [Wan-92 ; Buc-92 ; Buc-93 ; Wan-94; Zen-94 ; Spo-
02 ; Cas-95]. Ainsi, le comportement dun systme non linaire peut tre reprsent par un
modle flou o les relations entre les entres, les sorties et les tats sont exprimes par des
rgles floues [Tak-85].
La structure dun modle flou est dcrite par un ensemble de rgles o chacune est constitue
par une prmisse et une conclusion. Deux grandes classes de modles flous sont rpertories
selon la nature des conclusions de leurs rgles : Les modles flous de Mamdani qui utilisent
une conclusion symbolique et les modles flous de Takagi-Sugeno o les conclusions sont
numriques.
Cependant, cette modlisation floue nest quune reprsentation approximative du systme
rel que lon souhaite commander du fait que le nombre de rgles choisit pour dcrire le
comportement du systme est fini. En plus, dans la majorit des cas, le systme rel a des
paramtres variables et peut tre affect par des perturbations externes. Par consquent, la
reprsentation du systme non linaire est forme dun modle flou nominal auquel on
associe des incertitudes. Pour tenir compte de cette faiblesse de reprsentation dun systme
non linaire par un modle flou, la commande dveloppe doit tre robuste dans le sens o
elle devra tenir compte des erreurs de modlisation et des perturbations externes.
Le travail prsent dans cette thse comprend deux parties. Dans la premire partie, nous nous
sommes intresss au dveloppement des structures de commande floues pour une classe de
Introduction Gnrale

2
systmes non linaires inconnus une seule grandeur dentre et une seule grandeur de sortie
SISO (Single Input Single Output). Dans la deuxime partie, nous avons propos de faire
dabord la rgulation PID dun systme plusieurs grandeurs dentre et plusieurs grandeurs
de sortie MIMO (Multiple Input Multiple Output) avec entres non linaires, ensuite et dans
le but de se passer de lexigence li lordre dans la rgulation par PID classique et de tester
les performances obtenues avec lutilisation des techniques floues, nous avons dvelopp pour
le mme systme MIMO un rgulateur PI flou. Lensemble des techniques utilises pour la
synthses des contrleurs ont permis de garantir une bonne poursuite tout en assurant la
stabilit et la robustesse.
La thse est organise en quatre chapitres :
Le chapitre 1 prsente un aspect bibliographique allant de la dfinition des ensembles flous
type-1 et type-2 la synthse de la commande par lapproche de modlisation floue en
passant par les principales caractristiques des modles flous et la structure des contrleurs
correspondants et terminant par les diffrentes techniques de commande robuste savoir
lapproche de mode glissant, loptimisation
H et la technique LMI.
Dans le chapitre 2, la modlisation floue type-1 est adopte afin de rsoudre le problme de
poursuite de trajectoire. La synthse du contrleur flou est faite par les deux approches :
directe et indirecte. La structure de commande propose repose sur lutilisation dun modle
flou pour la synthse dune commande nominale dont le rle est dassurer la poursuite. Cette
commande est augmente par un terme de robustesse. Ce dernier est chaque fois synthtis
en se basant sur la synthse de Lyapunov combine soit la technique de mode glissant, soit
loptimisation
H , soit la technique LMI.

Le chapitre 3 traite la synthse de contrleurs base de la logique floue type-2 en prsence
des incertitudes paramtriques et des perturbations externes. La dynamique non linaire est
suppose partiellement connue et lapproximation par le modle de Takagi-Sugeno concerne
uniquement la partie inconnue ce qui permet de rduire nettement la charge des calculs. Les
performances de poursuite et de stabilit sont obtenues en se basant sur lapproche de
Lyapunov.
Le chapitre 4 prsente deux structures de commande des systmes MIMO non linaires :
- La premire est la rgulation PID avec compensation o la synthse des paramtres du
PID est faite par lapproche placement de ples ce qui nous vitera le problme de
rglage.
- La deuxime est le rgulateur PI bas sur la technique floue avec compensation.
Introduction Gnrale

3
Le terme de compensation est obtenu par une projection des non linarits, du couplage
crois, des perturbations et des dynamiques ngliges sur la base orthogonale de Chebyshev.
Chapitre 1 Logique Floue et Commande Non Linaire : Tour dHorizon

4
Chapitre 1
1. LOGIQUE FLOUE ET COMMANDE NON LINAIRE :
TOUR DHORIZON
1.1. Introduction
A partir de concepts mathmatiques relativement simples, la logique floue permet de
rsoudre des problmes complexes l o les outils de rsolution conventionnels sophistiqus
peinent. Son succs rside principalement dans son potentiel rsoudre des problmes du
monde rel. Lindustrie et les services peuvent bnficier des atouts de la logique floue, la
panoplie des applications lchelle plantaire en tmoigne. Tous les problmes de contrle,
de diagnostic ou daide la dcision sont des clients potentiels de la logique floue. Ainsi, La
logique floue sest impose dans des domaines aussi varis que llectrotechnique, lindustrie,
l'automatisme, la robotique, la gestion de la circulation routire, le contrle arien,
l'environnement, la mdecine, afin de rsoudre les problmes didentification, de rgulation
de processus, doptimisation, de classification, de dtection de dfauts ou de prise de dcision.
Le dveloppement des algorithmes flous se fait travers les mthodes par lesquelles lhomme
essaye de copier la nature et de reproduire des modes de raisonnement et de comportement
qui lui sont propres.
La commande floue est le domaine dapplication de la logique floue le plus utilis dans le
cadre de la commande des systmes non linaires complexes. Lapproche utilise repose sur
la proprit dapproximation universelle des systmes flous. Cette approche de commande
floue a pour objectif le traitement des problmes de commande de processus qui sont, soit
difficilement automatisables par une approche classique, soit les sources dinformation sont
juges non prcises ou incertaines, et cela partir des connaissances des experts ou
doprateurs qualifis travaillant sur le processus. La particularit de cette commande est de
reproduire le comportement humain plutt que de raliser un modle mathmatique du
systme et le contrleur flou peut ainsi tre vu comme un algorithme qui peut convertir une
stratgie formelle de commande base sur les connaissances dun expert en une stratgie

5
automatique de commande. Cet algorithme de commande se base sur une collection de rgles
floues appele base de rgles. Lensemble des rgles de la commande sont relies par les
concepts dimplication, de composition floue et des rgles dinfrence floue.
1.2. Commande des systmes non linaires
La commande des systmes non linaires constitue un domaine de recherche trs actif.
La diversit des comportements des phnomnes dynamiques qui peuvent tre observs pour
cette classe de systmes explique la grande varit des approches qui sont dveloppes.
Lautomatique moderne dispose actuellement dun ensemble doutils bien matriss pour
lanalyse et la synthse des systmes linaires. Aussi, dans les cas non linaires, si le domaine
de fonctionnement est restreint, c'est--dire si le procd reste dans le voisinage d'un point de
fonctionnement nominal, les modles linaires fournissent une bonne approximation des
procds non linaires, ce qui permet l'emploi des rsultats de l'automatique linaire pour
commander le procd. Cependant, cette approximation devient insuffisante si lon considre
des systmes complexes large domaine de fonctionnement et lautomatique non linaire ne
dispose pas de techniques universelles capables de prsenter des rsultats gnraux pour
lanalyse et la synthse des systmes et des contrleurs non linaires.
La majorit des mthodes prsentes dans la littrature pour la commande des systmes non
linaires sont restreintes des classes particulires de systmes non linaires et quoique ces
mthodes soient bien formalises mathmatiquement, elles sont parfois difficiles implanter
pratiquement [Isi-89 ; Slo-91]. Afin de faciliter ltude des systmes non linaires, de
nombreuses hypothses concernant la structure du systme, sa commandabilit et son
observabilit sont souvent poses. Cependant, quand il sagit des systmes non linaires
connus, le problme de linarisation a t trait par plusieurs chercheurs [Lo -03 ; Wan-02 ;
Hoj-02 ; Yon-01] et permet de transformer un systme non linaire un ensemble des
modles linaires. Or, en pratique les non linarits sont inconnues et lorsquaucune
hypothse restrictive nest impose sur la nature de ces dernires, les techniques de
linarisation classiques deviennent difficiles appliquer [Ngu-01 ; Gol-03].
Lapproche multimodle a t aussi dveloppe, chaque modle tant une reprsentation de
lvolution dans un domaine de lespace dtat. On cite titre dexemple lapproche de
sparation des gains [Rug-91 ; Sha-90 ; Sha-92] qui consiste approximer le systme non

6
linaire par un ensemble de systmes linaires pour lesquels sont adoptes des commandes
classiques : placement de ples,
H , etc.
1.3. Systmes et contrleurs flous
1.3.1. Ensembles flous type-1
La thorie des ensembles flous [Zad-65] est une thorie mathmatique dont lobjectif
principal est la modlisation des notions vagues et incertaines du langage naturel. Cette
thorie permet dexprimer lide dune appartenance partielle d'un lment un ensemble
(Figures 1.1 et 1.2). La notion dappartenance stricte est mal adapte lorsquon manipule :
- Des donnes incertaines dont la validit est entache de doute.
- Des donnes imprcises dont lexpression verbale est difficile.
La thorie ordinaire des ensembles considre des collections dlments regroups en
ensembles. Lappartenance dun lment un ensemble est une question non ambigu dont la
rponse est soit oui soit non (ensemble boolen). La relation dappartenance est reprsente
dans ce cas par une fonction qui prend des valeurs de vrit dans la paire { } 1 , 0 . Cependant,
dans le cas rel, on rencontre frquemment des situations o lambigut est de rgle,
particulirement dans le langage courant. Un ensemble flou sera alors utilis pour modliser
lincertitude et les imprcisions dans la connaissance.
Un ensemble flou A est dfini sur un ensemble de valeur appel lunivers du discours X par
une fonction dappartenance ) (x
A
comprise gnralement entre 0 et 1 et qui quantifie le
degr avec lequel chaque lment x de X appartient A .
0 ) ( = x
A
A x e .
1 ) ( = x
A
A x e .
| | { } 9 c e e = 1 , 0 ) ( , : / ) ( ( x X x x x A
A A
(1.1)
Lquation (1.1) dfinit un ensemble flou comme compltement dfinit par sa fonction
dappartenance ) (x
A
:
| | 1 , 0 : ) ( X x
A
(1.2)
Si la fonction dappartenance ne donne que les valeurs de lensemble { } 1 , 0 , alors lensemble
quelle gnre nest pas flou.

7
Dans le cas dun ensemble discret U , un ensemble flou A peut tre dfini par une liste de
paires ordonnes: degr dappartenance / lment de lensemble :

i
i
i A
x x A

= / ) ( (1.3)
o ) (
i A
x avec n i ..., , 2 , 1 = reprsente le degr dappartenance de
i
x lensemble flou A .
Dans le cas dun ensemble continu U , un ensemble flou A peut tre reprsent par :
x x A
A
/ ) (
}
= (1.4)

1
Degr
dappartenance
X
univers de discours
A B
x
0 ) (
1 ) (
=
=
x
x
B
A
{ } 1 , 0 : X

1
Degr
dappartenance
X
univers de discours
A B
x
) (x
A
) (x
B
3 , 0 ) (
7 , 0 ) (
=
=
x
x
B
A
| | 1 , 0 : X

Figure 1.1 : Fonction dappartenance en thorie
des ensembles
Figure 1.2 : Fonction dappartenance en thorie
des ensembles flous

Selon le type de la fonction dappartenance, diffrents types d'ensembles flous seront obtenus
[Zad-65 ; Rog-91 ; Zim-93]. Les fonctions dappartenance pourraient tre classes en deux
groupes : celles qui sont faites de lignes droites et celles dont la forme est gaussienne. Les
fonctions couramment utilises sont :
- Fonction dappartenance triangulaire : Elle est dfinie par une valeur infrieure a ,
une valeur suprieure b et une valeur modale m de sorte que b m a < < :

a
b
m
1
X
) (x
A

Figure 1.3 : Fonction dappartenance triangulaire


8

( |
( |
>
e
e
s
=
b x
b m x m b x b
m a x a m a x
a x
x
A
si 0
, si ) /( ) (
, si ) /( ) (
si 0
) ( (1.5)
- Fonction dappartenance singleton : La fonction dappartenance prend la valeur 0
dans tout lunivers de discours sauf au point m o il prend la valeur 1 :

=
=
=
m x
m x
x
A
si 1
si 0
) ( (1.6)

1
m
X
) (x
A

Figure 1.4 : Fonction dappartenance singleton

- Fonction dappartenance gaussienne : Elle est dfinie par sa moyenne m et son
cart type o :

|
|
.
|
\
|
|
.
|
\
|
=
2
2
1
exp ) (
o
m x
x
A
(1.7)

1
X
m
) (x
A

Figure 1.5 : Fonction dappartenance gaussienne


9
Plusieurs oprations peuvent tre appliques aux ensembles flous. Soient A et B deux
ensembles flous de fonctions dappartenance respectives ) (x
A
et ) (x
B
et X leur univers
de discours.
- Intersection : La fonction dappartenance de lintersection de deux ensembles B A
est exprime par : X x x x g x
B A B A
e =
)), ( ), ( ( ) ( o g est un oprateur t-norme.

- Union : La fonction dappartenance de lunion de deux ensembles B A est
exprime par : X x x x f x
B A B A
e =
)), ( ), ( ( ) ( o f est un oprateur t-conorme.

- Complment : La fonction dappartenance du complment A de lensemble flou A
est dfinie par : X x e , ) ( 1 ) ( x x
A
A
=
- t-norme appel aussi intersection floue : Cest une opration binaire | | | | 1 , 0 1 , 0 :
2
t
qui respecte les proprits suivantes [Kli-94] :
o Commutativit : x t y y t x =
o Associativit : z t y t x z t y t x ) ( ) ( =
o Monotonicit : z t y w t x z w y x alors et si s s s
o Conditions aux limites : 0 0 = t x et x t x = 1
- t-conorme ou s-norme appel aussi union floue : Cest une opration binaire
| | | | 1 , 0 1 , 0 :
2
s qui respecte les proprits suivantes [Kli-94] :
o Commutativit : x s y y s x =
o Associativit : z y x z s y s x s ) s ( ) ( =
o Monotonicit : z y w x z w y x s s alors et si s s s
o Conditions aux limites: x s x = 0 et 1 1 s = x
1.3.2. Variable linguistique
Une variable linguistique est une variable dont les valeurs sont des mots ou des phrases
exprims dans un langage artificiel ou naturel [Pas-98 ; Zad-94]. Elle est dfinie par le triplet
suivant : ) , , (
V
T X V o V est le nom de la variable linguistique, X est le domaine physique
associ la variable V appel aussi lunivers de discours et
V
T est lensemble des
caractristiques floues de la variable V cest dire lensemble des valeurs linguistiques que
peut prendre la variable V . La dfinition dune variable linguistique regroupe donc la fois
des informations de nature numrique et linguistique.

10
1.3.3. Modlisation floue type-1
Pour mieux comprendre et prvoir lvolution dun procd rel au cours du temps, on
le reprsente par un modle mathmatique lequel dcrit linteraction entre les entres, les
sorties et les perturbations agissant sur le procd. Ce modle permettra la synthse des
structures de commande. Nanmoins, lorsque la caractrisation mathmatique dun procd
est difficile, la manipulation des informations la fois imprcises et entaches dincertitudes
sur ce procd laide dun langage naturel est plus facile. Cette manipulation de donnes de
nature linguistique est aisment ralise en utilisant la thorie des sous ensembles flous qui
facilite la formulation des rgles pour dcrire le comportement du procd.
Plusieurs approches peuvent tre envisages pour dterminer ces rgles ; dans le cas dun
systme simple, la mthode utilise est lextraction des connaissances de loprateur humain
qui consiste noncer directement les rgles par des experts dans la commande de processus
ou bien se servir dun jeu de donnes entres-sorties reprsentatif du comportement de
loprateur humain.
La connaissance de lexpert sur le procd est souvent traduite avec des rgles sous la forme
Si <Prmisse (antcdent)> Alors <Conclusion (consquence)>. Lapport le plus
essentiel de la logique floue est le fait que ces rgles sont susceptibles de reprsenter
limprcis si les prmisses et les conclusions sont exprimes avec des mots du langage
naturel. En logique floue, une rgle simple se formalise de la faon suivante :

_ _
Conclusion Prmisse
est est B v Alors A u Si (1.8)
avec A et B sont des termes linguistiques correspondants des ensembles flous dfinis sur
leurs univers de discours respectifs U et V . u et v sont deux variables linguistiques prenant
leurs valeurs linguistiques sur U et V .
En fonction de la syntaxe des rgles, deux classes de modles flous peuvent tre distingues :
- Les modles flous conclusion fonctionnelle dits modles de Takagi-Sugeno [Tak-
85].
- Les modles flous conclusion symbolique dits modles linguistiques ou modles de
Mamdani [Zad-75].
Ces deux modles sont bass sur une collection de rgles Si prmisse Alors conclusion et
leurs prmisses sont exprimes symboliquement.
Les modles flous de Takagi-Sugeno sont dcrits par une collection de rgles de la forme :
K l x f y Alors A x Si
l l l
..., , 2 , 1 ) ( est : R = = (1.9)

11
Les prmisses de cette collection de rgles sont des propositions floues et les conclusions sont
des fonctions ordinaires des entres du modle.
n
R x e est la variable dentre du systme
flou, R y e est sa variable de sortie, ) ,..., , (
2 1
l
n
l l l
A A A A = est lensemble flou antcdent
affrent la
ime
l rgle, ) (x f
l
est une fonction paramtrique gnralement de la forme affine
l l l
b x a x f + =
T
) ( et K est le nombre de rgle.
Le degr dactivation de la
ime
l rgle (x)
l
w du modle Takagi-Sugeno est obtenu en
calculant le produit des degrs dappartenance individuels :

[
=
=
n
1 i
) ( (x)
i
A
l
x w
l
i
(1.10)
Un cas particulier des modles de Takagi-Sugeno est le modle flou conclusion constante. Il
est reprsent par des rgles de la forme : K l c y Alors A x Si
l l l
..., , 2 , 1 est : R = = avec
l
c est une constante de la rgle indexe par l .
A titre dexemple, un systme dynamique non linaire simple est dcrit par des rgles de la
forme :
l l l l l l
c u(k) b y(k) a ) y(k Alors Y et y(k) U u(k) Si : + + = +1 est est R
o ) (k u est la commande, ) (k y est la sortie du systme ;
l
U et
l
Y sont les ensembles flous
dcrivant la commande et la sortie sur leurs univers de discours respectifs ;
l l
b a , et
l
c sont
les paramtres de la consquence.
Lidentification de la structure du modle flou de Takagi-Sugeno est gnralement ralise
par la mthode heuristique [Tak-85] ou la technique de classification de donnes (clustering)
[Bab-94]. Les algorithmes utiliss pour la classification des donnes numriques (algorithme
FCM : Fuzzy C-Means, algorithme GK : Gustafson Kessel, ) permettent dinduire les sous
ensembles flous antcdents pour chaque rgle. Ces algorithmes se basent sur lanalyse des
distances entre les donnes et le centre dune classe. La classification C-moyenne floue FCM
est une mthode de classification itrative qui permet de classifier les donnes selon C classes
de forme hyper sphre [Chu-00 ; Gui-01], elle calcule chaque fois les centres des classes et
gnre la matrice dappartenance U des donnes ces classes. Lalgorithme GK est une
mthode qui utilise une norme adaptive de la distance en obtenant des classes hyper
ellipsodales [Gus-79].
Lidentification des paramtres des consquences est gnralement dtermine par
lapplication de la mthode des moindres carres. Il est noter que la reprsentation des
modles Takagi-Sugeno est trs efficace pour approximer des systmes non linaires
complexes car la base de rgles est compose dun ensemble de modles locaux qui sont

12
gnralement des fonctions linaires. Cependant, linterprtation des rgles et plus
particulirement des conclusions des rgles est trs difficile. Donc, lorsquon a besoin dune
meilleure comprhension du systme avec une garantie de lisibilit des rgles, la
reprsentation par les modles flous de Takagi-Sugeno est dconseille. Dans ce cas, une
modlisation de Mamdani est utilise en cherchant un modle linguistique du systme. Ceci
est dcrit par des rgles de la forme :
K l B y Alors A x Si
l l l
..., , 2 , 1 est est : R = (1.11)
Les prmisses et les conclusions de cette collection de rgles sont des propositions floues.
n
R x e et R y e sont respectivement lentre et la sortie du systme flou,
l
A et
l
B sont
respectivement les ensembles flous antcdent et consquent de la
ime
l rgle et K est le
nombre de rgle.
Une rgle du modle Mamdani est caractrise par le degr dactivation ) ( (x)
1
i
A
n
i
l
x w
l
i
=
. =
avec . est une t-norme.
Dans le cas de modle Mamdani, le processus dynamique prcdent est dcrit avec des rgles
de la forme :
l l l l
C k y Alors Y k y et U k u Si est ) 1 ( est ) ( est ) ( : R +
o
l
U ,
l
Y et
l
C sont des ensembles flous caractrisant chacune des variables sur leurs
univers de discours respectifs.
Lidentification du modle flou Mamdani seffectue soit dune manire analytique comme le
cas du modle Takagi-Sugeno soit en intgrant une connaissance priori. Par exemple, un
expert peut dfinir la partition des entres et un certain nombre de rgles. Le formalisme
explicite du modle permet dunifier les rgles dfinies partir des donnes et celles
formules partir dune connaissance. Cest un avantage quand les mesures, ou lexpertise,
ou les deux sont incompltes. Cependant, pour approcher le comportement global dun
systme par un modle flou Mamdani, un grand nombre de rgles est ncessaire et le nombre
de paramtres identifier augmente. Malgr cet inconvnient, si un ensemble de rgles
linguistiques complet et compact est identifiable (toutes les situations sont traduites dans la
base de rgles), la prcision du modle flou Mamdani est correcte voire suprieure celle des
modles Takagi-Sugeno.
En conclusion, les modles flous Takagi-Sugeno et Mamdani sont deux reprsentations
complmentaires et non concurrentes. Le choix dune structure dpend de lobjectif recherch
avec une prcision fixe lavance qui peut tre soit au niveau de la simulation du modle,
soit la connaissance explicite des relations liant les entres et les sorties du systme.

13
1.3.4. Contrleurs flous type-1
Les grandeurs de sortie dun processus commander et ventuellement dautres
mesures dterminantes pour saisir lvolution dynamique du processus ainsi que les consignes
dfinissent les variables dentre du contrleur flou. Les variables de sortie de ce contrleur
sont les commandes appliquer au processus.
Le contrleur flou est constitu de 4 blocs principaux (figure 1.6) : la base de connaissance, le
systme dinfrence, linterface de fuzzification et linterface de dfuzzification. La base de
connaissance est compose d'une base des donnes et d'une base de rgles. La base des
donnes contient des faits de la forme: A x est pour les variables linguistiques dentre et de
sortie du contrleur flou. La base des rgles contient des propositions de la forme :
B Alors y A et x A Si x est est est
2 2 1 1
. Elle caractrise la stratgie de commande mise par
lexpert sous forme de rgles linguistiques. Le systme dinfrence est capable de raisonner
partir des informations contenues dans la base de connaissance et de faire des dductions.
Si B est une valeur linguistique, le contrleur est dit de type Mamdani. Si B est une valeur
numrique ou une quation mathmatique, alors le contrleur est dit de type Takagi-Sugeno.

Systme dinfrence
Fuzzification
Dfuzzification
Processus
Consignes
Contrleur flou
Sortie (non floue) Commande (non floue)
Base de connaissance

Figure 1.6 : Schma synoptique dun contrleur flou

Un contrleur flou passe gnralement par les tapes suivantes :
- Choix de la stratgie de fuzzification.
- Etablissement de la base de rgles.
- Choix de la mthode dinfrence.
- Choix de la stratgie de dfuzzification.
La description de chacune de ces tapes est donne ci-dessous :

14
- Fuzzification : Les variables dentre et de sortie choisies pour modliser ou commander
un systme sont des grandeurs numriques. Ltape de fuzzification consiste transformer
ces grandeurs relles en variables linguistiques en vue dun traitement dinfrence. Ainsi,
chaque variable dentre et de sortie est associ des ensembles caractrisant les termes
linguistiques pris par ces variables. Ces termes seront utiliss pour crire les rgles
dinfrence.
Le choix des formes des fonctions dappartenance est arbitraire. Des tudes comparatives
ont montr quavec les diffrentes formes des fonctions dappartenance, les rsultats sont
pratiquement similaires en boucle ferme. La forme la plus frquemment utilise en
commande floue est la forme triangulaire. Le nombre de fonctions dappartenance est
gnralement impair et se rpartissent autour de zro. En gnral, on introduit pour une
variable linguistique trois, cinq ou sept ensembles flous. Le choix du nombre dpend de la
prcision souhaite. Les fonctions dappartenance peuvent tre symtriques, non
symtriques et quidistantes ou non quidistantes.
- La base de rgles : Une base de rgles floues est une collection de rgles qui permet de
lier les variables floues dentre et de sortie. La description de la commande se fait par
lintermdiaire de ces rgles qui ont la forme suivante :
B y Alors A x et A x Si est est est
2 2 1 1
(1.12)
o y x x et ,
2 1
sont les grandeurs physiques caractristiques du systme.
1
A ,
2
A et B sont
les termes linguistiques. Le ET de conjonction est ralis en effectuant le minimum entre
les degrs de vrit des propositions floues
1 1
est A x et
2 2
est A x .
- Mthode dinfrence floue : Elle permet de calculer lensemble flou associ la
commande et se fait par les oprations dinfrence floue et lagrgation des rgles.
Linfrence floue repose sur lutilisation dun oprateur dimplication floue pour chaque
rgle analyser. Cet oprateur quantifie la force de liaison entre la prmisse et la
conclusion de la rgle.
Soit la rgle suivante : B y Alors A x Si est est , linfrence peut tre exprime
mathmatiquement par lexpression suivante :
)) ( ), ( ( ) (
0
'
y x I y
B A B
= o I dsigne loprateur dinfrence.
Il existe dautres possibilits pour exprimer les infrences, savoir par description
linguistique, par matrice dinfrence ou par tableau dinfrence. Deux approches
dinfrence sont couramment utilises :

15
Implication de Mamdani : )) ( ), ( min( ) (
0
'
y x y
B A B
=
Implication de Larsen : ) ( ). ( ) (
0
'
y x y
B A B
=
Pour gnrer une conclusion partir de lensemble des rgles actives, on procde une
agrgation de ces rgles par un oprateur disjonctif. Ce qui revient lier les rgles par un
oprateur OU. Gnralement loprateur max est utilis pour agrger un ensemble de n
rgles :
) ( max ) (
,.., 1
y y
i
B
n i
B

=
= (1.13)
- Dfuzzification : Le traitement des rgles dinfrence fournit une valeur floue. Ltape de
dfuzzification consiste transformer lensemble flou rsultant de lagrgation des rgles
en une grandeur de commande prcise appliquer au processus. Dans la littrature, il
existe plusieurs stratgies pour raliser cette opration telle que la moyenne des maxima,
le centre des aires, le centre des maxima. La mthode de dfuzzification par le centre de
gravit est la mthode la plus utilise en commande floue du fait quelle fournit
intuitivement la valeur la plus reprsentative de lensemble flou issu de lagrgation des
rgles. Elle consiste calculer le centre de gravit de la surface forme par la fonction
dappartenance rsultante.
Dans le cas particulier de rgles de Takagi-Sugeno o les conclusions sont polynomiales :

K l
x x x f y Alors A est x et et A est x et A est x Si R
n
l l
n n
l l l
,..., 2 , 1
) ,..., , ( ... :
2 1 2 2 1 1
=
=
(1.14)
La commande u est obtenue par une simple moyenne pondre selon les niveaux
dactivation
l
w de chacune des rgles.

=
=
=
K
l
l
K
l
n
l l
w
x x x f w
u
1
1
2 1
) ,..., , (
(1.15)
avec )) ( ),..., ( ), ( (
2 1
2 1
n
A A A
l
x x x T w
l
n
l l
= o T est une t-norme choisit trs souvent gale
loprateur produit.
1.3.5. Systmes flous type-2
Les fonctions dappartenance des ensembles flous type-1 sont prcises, elles sont
incapables de prendre en charge des incertitudes numriques ou linguistiques. Pour incorporer

16
ces incertitudes dans les fonctions dappartenance, lide consiste faire une extension des
ensembles flous type-1 [Cas-08]. On considre un ensemble flou type-1 caractris par une
fonction dappartenance gaussienne de moyenne M et dcart type
x
o . Le degr
dappartenance pour chaque lment x est donn par :

|
|
.
|
\
|
|
|
.
|
\
|
=
2
2
1
exp ) (
x
M x
x m
o
(1.16)
Dans le concept des ensembles flous type-1, le degr dappartenance dun lment est un
nombre ordinaire qui appartient lintervalle| | 1 , 0 . On suppose que cette appartenance nest
pas un nombre mais un ensemble flou type-1. On note les lments du domaine de cet
ensemble
1
et on lappelle appartenance primaire de x . On note lappartenance de ces
appartenances primaires ) , (
1 2
x et on lappelle appartenance secondaire de x .
Si les appartenances secondaires sont des gaussiennes de moyenne ) (x m et de dviation
m
o
alors :

|
|
.
|
\
|
|
|
.
|
\
|
=
2
1
1 2
) (
2
1
exp ) , (
m
x m
x
o
(1.17)
Avec | | 1 , 0
1
e et
|
|
.
|
\
|
|
|
.
|
\
|
=
2
2
1
exp ) (
x
M x
x m
o

do :

|
|
|
|
|
|
|
.
|
\
|
|
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|

=
2
2
1
1 2
2
1
exp
2
1
exp ) , (
m
x
M x
x
o
o
(1.18)
On peut conclure que le degr dappartenance de chaque lment pour le cas dun ensemble
flou type-2 reprsente toutes les appartenances primaires ainsi que les appartenances
secondaires correspondantes et peut tre crit sous la forme :
| |
1
1 , 0
1 2
/ ) , ( ) (
1

}
e
= x x ,
X x e .
La fonction dappartenance secondaire (1.18) type-2 peut tre interprte comme une fonction
deux variables x et
1
: pour chaque x et chaque
1
, on aura une appartenance secondaire
2
qui est un nombre ordinaire ; | | | | 1 , 0 1 , 0 x : ) , (
1 2
X x .
Il existe diffrents types densembles flous type-2 :

17
- Ensemble flou type-2 gaussien : Le degr dappartenance de chaque point est un
ensemble flou type-1 gaussien dont le domaine de dfinition est inclus dans
lintervalle| | 1 , 0 .
- Ensemble flou type-2 triangulaire : Le degr dappartenance de chaque point est un
ensemble flou type-1 triangulaire dont le domaine de dfinition est inclus dans
lintervalle| | 1 , 0 .
- Ensemble flou type-2 intervalle : Le degr dappartenance de chaque point est un
ensemble ordinaire dont le domaine de dfinition est inclus dans lintervalle| | 1 , 0 . Dans ce
cas, les appartenances secondaires sont gales 1.
La figure 1.7 schmatise une fonction dappartenance floue type-2 avec une zone
dincertitude.

Figure 1.7 : Fonction dappartenance dun ensemble flou type-2

A linstar des ensembles flous type-1, on dfinit les oprations les plus importantes sur les
ensembles flous type-2. Soit X Ae
~
et X B e
~
deux ensembles flous type-2 et ) ( ~ x
A
et ) ( ~ x
B

leurs appartenances floues respectives (ensembles flous type-1 dans | | 1 , 0 _ J ).
J u u u f x
i
i
i i x
A
e =
; / ) ( ) ( ~ (1.19)
J w w w g x
i
i
i i x
A
e =
; / ) ( ) ( ~ (1.20)


18

- Barycentre dun ensemble flou type-2 :
Soit
i
x un point de lensemble flou type-2 A
~
. Le barycentre de lensemble A
~
dfini sur un
domaine discret de N points
i
x est un ensemble flou type-1 et est donn par :
| |
} }
=
=
=
N
i
i
N
i
i i
N D D D
A
x
C
N
N
1
1
2 1
~ / ) ( * ... * ) ( * ) ( ...
1
2 1
u
u
u u u
u u
(1.21)
o ) ( ~
i
A
i
x D = est un ensemble flou type-1 avec
i i
D e u , les
i
x sont des nombres ordinaires
et * dnote une t-norme.
On peut noter quun ensemble flou type-2 peut tre vu comme une collection densembles
flous type-1 [Kar-98a].
Pour dfinir les oprations fondamentales : union, intersection et complment des ensembles
flous A
~
et B
~
, on utilise le principe dextension de Zadeh [Kli-96].
- Enonc du principe dextension monodimensionnel :
Le principe dextension des ensembles flous est essentiellement une identit de base qui
permet un domaine de dfinition dune relation tre tendu de quelques points de U des
sous ensembles flous de U . Particulirement, supposons que f est une relation de U vers V
et A est un ensemble flou dfini par
}
=
U
A
u u A / ) ( cas continu ou
i
i
i A
u u A

= / ) ( cas
discret, alors le principe dextension asserte que limage de A sous la relation f est un
ensemble flou ) ( A f de W dfini par | |
} }
= =
W
A
U
A
u f u u u f A f ) ( / ) ( / ) ( ) ( cas continu ou

=
(
=
i
i i A i
i
i A
u f u u u f A f ) ( / ) ( / ) ( ) ( cas discret.
Par consquent, limage de A sous f peut tre dduite en connaissant les images de u ou
i
u sous f .
Par application du principe dextension aux ensembles flous A
~
et B
~
, on aura :
- Union de A
~
et B
~
:

j
j i
i j x i x
j
j j x
i
i i x
B A B A
w u w g u f
w w g u u f x x x
v . =
= =
,
~ ~ ~ ~
/ )) ( ) ( (
) / ) ( ( ) / ) ( ( ) ( ) ( ) (
(1.22)


19

- Intersection de A
~
et B
~
:

j
j i
i j x i x
j
j j x
i
i i x
B A B A
w u w g u f
w w g u u f x x x
. . =
= =
,
~ ~ ~ ~
/ )) ( ) ( (
) / ) ( ( ) / ) ( ( ) ( ) ( ) (
(1.23)
- Complment de A
~
:

=
i
i i x
A
u u f x ) 1 /( ) ( ) (
~
(1.24)
Avec . et v indique respectivement les oprations min et max.
1.3.6. Modlisation et commande floues type-2
La modlisation des systmes par la logique floue type-2 est identique celle utilise
dans le cas des systmes flous type-1 lexception que quelques (ou toutes) les fonctions
dappartenance de la base de rgles sont de type-2. Une rgle dun systme flou type-2 a la
forme suivante :

l l
n n
l l l
G y Alors F x et et F x et F x Si : R
~
est
~
est
~
est
~
est
2 2 1 1
. (1.25)
o les
l
i
F
~
sont les ensembles flous antcdents type-2 et les
l
G
~
sont les ensembles flous
consquents type-2 avec n i , , 2 , 1 . = ; K l , , 2 , 1 . = . K est le nombre de rgles floues.
Dans le cas du systme flou type-2, les ensembles flous la sortie du mcanisme dinfrence
sont de type-2. Leur dfuzzification en vu dobtenir un nombre ordinaire la sortie du
systme flou comme dans le cas type-1 ncessite dans un premier temps une opration qui les
transforme en des ensembles flous type-1. Cette opration est appele la rduction de type
[Kar-98a ; Kar-98b ; Kar-99 ; Lia-00 ; Kar-01]. Lensemble flou type-1 obtenu par cette
opration est dit ensemble de type rduit et sera dfuzzifi pour obtenir la sortie du systme
flou type-2 un nombre ordinaire reprsentant la combinaison des ensembles de sortie.
Plusieurs techniques de rduction de type sont dtailles dans la littrature et les plus
populaires sont : la mthode du barycentre [Glo-99, Men-95] qui combine tous les ensembles
flous type-2 de sortie en utilisant lunion et calcule le barycentre de lensemble rsultant par la
relation (1.21) et la mthode des centres densemble adopte dans le cadre de cette thse.
Cette dernire mthode consiste remplacer chaque ensemble flou type-2 par son barycentre
puis calculer la moyenne pondre de ces barycentres. Le poids associ au
ime
l barycentre
est le degr dactivation de la
ime
l rgle :
[
=
n
i
i
F
x
i
i
1
~
) ( .

20
Un contrleur flou classique est compos d'une interface de fuzzification, une base de rgles,
un systme d'infrence et une interface de dfuzzification. La structure du contrleur flou
type-2 est similaire celui classique avec la particularit de lutilisation dun rducteur de
type pour convertir les ensembles flous type-2 la sortie du systme dinfrence en ensembles
flous type-1 avant la phase de dfuzzification. Ses diffrentes oprations sont illustres sur la
figure suivante :

Basedergles
Fuzzification
Rductionde
type
Processus
Consignes
Contrleurflou
Sortie(nonfloue) Commande(nonfloue)
Infrence
Ensembles
floustype-2
dentre
Ensembles
floustype-2de
sortie
Dfuzzification
Ensemblesflous
type-1rduit

Figure 1.8 : Structure dun systme de commande floue type-2

Dans le cadre de ce rapport et pour des raisons de simplifications de calcul, seuls les
ensembles flous type-2 intervalle sont employs [Ber-08 ; Cas-07].
- Infrence dans les systmes flous type-2 intervalle
Le systme d'infrence dans un systme flou type-2 utilise la base de rgles floues (1.25) pour
effectuer une relation entre un vecteur d'entre
T
n
x x x x ) , , , (
2 1
. = et la sortie scalaire y .
La premire tape dans lopration dinfrence floue est le calcul de lintervalle dactivation
associ au
ime
l ensemble flou de sortie :

[
=
=
n
i
i
F
l
x x F
l
i
1
~ ) ( ) ( (1.26)
Ensuite, si on note par
l
B
~
lensemble flou de sortie correspondant la composition de la
ime
l
rgle
l
R et lensemble flou dentre
'
~
X , lensemble ) (
'
x F
l
est combin avec lensemble
flou consquent
l
G
~
de la
ime
l rgle l'aide de loprateur t-norme choisie pour obtenir
lensemble flou de sortie correspondant la
ime
l rgle:
) ( ) ( ) (
'
~ ~ ~ x y y
l l l
F G B
= (1.27)

21
En utilisant une fuzzification singleton, c'est--dire le degr dappartenance pour lensemble
flou
'
~
X na une valeur qui est unitaire que lorsque
'
x x = alors :

[
=
=
n
i
i
F G B
x y y
l
i
l l
1
~ ~ ~ ) ( ) ( ) ( (1.28)
Comme seulement les ensembles flous type-2 intervalle sont utiliss et l'opration t-norme
produit est mise en uvre, alors lintervalle dactivation associ au
ime
l ensemble flou de
sortie est lensemble flou type-1 intervalle dfini par :
] ) ( ), ( [ ) ( x f x f x F
l
l l
= (1.29)
o ) ( ) ( * ) ( ) (
~
2
~
1
~
2 1
n
F F F
l
x x x x f
l
n
l l
- - = et ) ( ) ( ) ( ) (
~
2
~
1
~
2 1
n F F F
l
x x x x f l
n
l l - - - = .
Les termes ) (
~
i
F
x
l
i
et ) (
~
i F
x l
i
sont respectivement des degrs dappartenance infrieur et
suprieur relatifs ) ( ~
i
F
x
l
i
.
- Rduction de type dans les systmes flous type-2 intervalle
Etant donn que la sortie du systme d'infrence est un ensemble flou type-2, son type doit
tre rduit avant ltape de dfuzzification pour quon puisse lutiliser afin de gnrer une
sortie relle. C'est la principale diffrence structurelle entre les systmes flous type-1 et ceux
de type-2.
L'expression de lensemble flou type rduit par la mthode des centres densembles est
donne par [Men-01] :

} }
} }
=
=
= =
=
1 1
1
1
1 1
1 1
cos
) ( * ) ( ) , , , , , (
f f
K
l
l
K
l
l l
l
F
K
l
l
Y
K
l
y y
K K
K
l l
K
f
y f
f y F F Y Y Y t t . . . . . (1.30)
O et
*
indiquent les t-norme choisies,
l
G
l l
C Y y ~ = e le barycentre du
ime
l ensemble flou
consquent type-2 et
[
=
= e
n
i
i
F
l l
x x F f
l
i
1
~ ) ( ) ( le degr dactivation associ la
ime
l

rgle
pour K l , , 2 , 1 . = .
Puisque les ensembles flous utiliss sont type-2 intervalle, alors chaque
l
Y et
l
F est un
ensemble type-1 intervalle, ce qui se traduit par 1 ) ( ) ( = =
l
F
l
Y
f y
l l
.
Lquation (1.30) peut tre rcrite :

22
} }
} }
=
=
=
1 1
1
1
1 1
cos
1 ) , , , , , (
f f
K
l
l
K
l
l l
y y
K K
K K
f
y f
F F Y Y Y . . . . .
(1.31)
Aussi, tant donn que chaque ensemble dans lquation (1.31) est un ensemble type-1
intervalle, alors ) , , , , , (
1 1
cos
K K
F F Y Y Y . . est aussi un ensemble type-1 intervalle et donc son
domaine est un intervalle situ sur laxe des rels :
| |
r l
K K
y y F F Y Y Y , ) , , , , , (
1 1
cos
= . . (1.32)
1.4. Classes de systmes non linaires
La problmatique de la commande floue est base sur le fait que les systmes flous sont
des approximateurs universels : Les systmes flous sont capables dapproximer avec un degr
de prcision arbitraire fix, nimporte quelle dynamique non linaire sur un ensemble
compact. Dans notre cas, les systmes flous de Takagi-Sugeno conclusion constante sont
adopts pour reprsenter la dynamique des systmes non linaires SISO et les systmes flous
de Mamdani sont utiliss pour la synthse dun rgulateur flou PI pour les systmes MIMO.
Dans la pratique, un modle ne peut pas reprsenter de faon exacte le comportement dun
procd rel non linaire. Donc, du fait quil est illusoire de dcrire prcisment le
comportement du procd, le modle attach au procd sera compos dun modle nominal
auquel on attache des incertitudes qui reprsentent les erreurs dapproximation. Pratiquement,
la reprsentation de la dynamique dun systme non linaire par un modle flou ncessite un
nombre trs grand de rgles floues, do la ncessit de lutilisation des erreurs de
modlisation en cas dun modle flou nominal obtenu par un nombre fini et raisonnable de
rgles floues fix priori.
La loi de commande dveloppe base du modle flou nominal ne peut pas assurer la
robustesse de la structure de commande vis--vis des incertitudes de modlisation et des
perturbations auxquelles est soumis le systme. Ce problme peut tre rsolu en ajoutant un
terme additif la commande dveloppe base du modle flou nominal.
Le problme de la commande trait dans le cadre de cette thse est focalis sur le suivi de la
trajectoire. La convergence de lerreur est garantie par le fait que lerreur entre la sortie du
systme non linaire et la sortie estime soit faible.
La classe de systmes SISO traite dans cette thse est rgit par l'quation dynamique
suivante :

23

=
+ + =
=
=
1
3 2
2 1
) ( ) ( ) , ( ) , (
x y
t d t u t x g t x f x
x x
x x
n
`
.
`
`
(1.33)
avec
n
n
R x x x x e =
T
2 1
) , ... , , ( est le vecteur dtat, R t u e ) ( et R t y e ) ( sont respectivement
lentre et la sortie du systme et ) (t d reprsente les perturbations externes inconnues
bornes.
) , ( t x f et ) , ( t x g sont des fonctions de R vers R supposes non linaires de forme analytique
inconnue dcrivant respectivement le comportement du systme et le gain de la commande.
Thoriquement, un grand nombre de systmes non linaires peuvent tre ramens la
structure (1.33).
Le dveloppement de cette reprsentation dtat conduit la reprsentation entre-sortie
suivante :
) ( ) ( ) , ... , , ( ) , ... , , (
) 1 ( ) 1 (
t d t u y y y g y y y f y
n n (n)
+ + =

` ` (1.34)
On suppose que le systme (1.33) satisfait les hypothses suivantes :
o
n n
n
R x x x x x x x e = =
T ) 1 ( T
2 1
) ..., , , ( ) , ... , , ( ` le vecteur dtat du systme est disponible
pour la mesure.
o 0 ) , ( = t x g pour tout x dans une rgion de contrlabilit
n
c
R U e . Puisque ) , ( t x g est
continue, on suppose en plus que < < ) , ( 0 t x g pour tout
c
U xe .
Lobjectif de la commande est de dvelopper des stratgies de commande pour la classe de
systmes non linaires inconnus capables dassurer la stabilit en boucle ferme et la
robustesse vis--vis des incertitudes et / ou perturbations. La loi de commande ) (x u u = ainsi
dveloppe devra forcer la sortie du systme ) (t y suivre un signal de rfrence dsir born
) (t y
r
de sorte minimiser l'erreur de suivi ) ( ) ( ) ( t y t y t e
r
= et les drives lordre ) 1 ( n
dfinies par ) ( ) ( ) (
) ( ) ( ) (
t y t y t e
i
r
i i
= soient bornes.
On suppose que le signal de rfrence ) (t y
r
ainsi que ses drivs lordre ) 1 ( n sont
bornes. Le vecteur de rfrence est donn par :
T ) 1 (
r
) y ..., , , (

=
n
r r
r
y y y ` et le vecteur de
lerreur de poursuite est donn par :
T ) 1 (
) ..., , , (

=
n
e e e e ` .
Pratiquement, lorsque les dynamiques du systme (1.33) sont bien connues et que le systme
est non affect par des perturbations externes 0 ) ( = t d , alors selon le principe de la

24
linarisation entre-sortie, la loi de commande capable dassurer la convergence asymptotique
vers zro de lerreur de suivi de trajectoire ) ( ) ( ) ( t y t y t e
r
= est :
) ) , ( (
) , (
1
) (n
y t x f
t x g
u + = (1.35)
Pour rsoudre le problme dinstabilit, la loi de commande par placement de ples est
choisie comme suit [Wan-02 ; Slo-91] :
) ) , ( (
) , (
1
) (
e k y t x f
t x g
u
T n
r
+ = (1.36)
ou bien :
) ) , ( (
) , (
1
1
0
) ( ) (
=
+ =
n
i
i
i
n
r
e k y t x f
t x g
u (1.37)
avec ) , ... , , (
1 2 0
=
n
T
k k k k , ) , ... , , (
) 1 (
=
n
e e e e ` et les coefficients
i
k sont tels que le polynme
0 1
1
1
k s k s k s S
n
n
n
+ + + + =

est Hurwitzien.
Ce principe a souvent t employ pour rsoudre des problmes pratiques de commande
lorsque le vecteur dtat est mesurable et que le modle utilis, c'est--dire les fonctions
) , ( t x f et ) , ( t x g , est connu avec prcision. Or, le systme est inconnu et aucune robustesse
nest garantie face aux incertitudes paramtriques du modle et aux perturbations externes qui
peuvent affecter le systme [Ngu-01 ; Gol-03]. Dans ces circonstances, la synthse de la loi
de commande (1.37) devient trs difficile mettre en uvre. Donc, on propose dutiliser en
alternatif un systme flou pour approximer la dynamique non linaire inconnue du systme.
L'analyse de la stabilit des modles flous est gnralement base sur les fonctions de
Lyapunov candidates [Bor-93 ; Kha-96]. La synthse de Lyapunov [Las-86 ; Vid-93 ; Krs-95]
consiste choisir une fonction V puis chercher des lois de commande ou dadaptation
assurant sa dcroissance (V
`
pour des systmes continus). Si ces conditions sont vrifies, la
fonction V assurant la stabilit est dite fonction de Lyapunov.
Lautre classe de systmes traite dans la thse est la classe de systmes MIMO entre non
linaires rgit par lquation suivante :
) ( ) ( ) ( ) ( ) (
1 1
k k Z q B k y q A
d
+ =

(1.38)
o ) (
1
q A et ) (
1
q B
d
sont des matrices polynomiales.
n
R k Z e ) ( ,
n
R k y e ) ( et
n
R k e ) ( sont respectivement une entre non linaire du systme commander, sa sortie et
lensemble des perturbations qui affectent le fonctionnement du systme.

25
Le travail prsent dans cette thse traite la problmatique de suivi de trajectoire pour les deux
classes de systmes non linaires en sappuyant sur le concept des systmes flous. Pour la
classe de systmes SISO, les dynamiques inconnues du systme non linaire ) , ( t x f et
) , ( t x g sont approches, soit par des modles locaux linaires l'aide dun modle flou
adaptatif type-1 de type Takagi-Sugeno, soit par des modles flous type-2 ou bien la loi de
commande sera approxime directement par un modle flou. Aussi, nous allons nous servir de
lapproche du mode glissant, des optimisations LMI (linear matrix inequalities) et
H
combines avec la synthse de Lyapunov pour rsoudre le problme de la stabilit, de la
robustesse et du suivi de trajectoire. Quant la classe de systmes MIMO non linaires, nous
allons utiliser un rgulateur PID classique et un PI flou. Les deux rgulateurs sont utiliss
avec un compensateur en cascade. La compensation est ralise par la projection de la
fonction contenant les non linarits, le couplage crois, les perturbations et les dynamiques
ngliges sur la base orthogonale de Chebychev.
1.5. Structures de synthse des lois de commande
1.5.1. Mode glissant
La commande par mode glissant pour les systmes non linaires a t largement tudie
et dveloppe depuis son introduction [Utk-77]. Sa caractristique principale est sa structure
variable avec commutation dune part et dautre dune surface appele surface de glissement,
choisie priori de telle sorte que le comportement rsultant correspond aux dynamiques
souhaites [Slo-91 ; Utk-92]. L'objectif de la commande par mode glissant est de forcer le
systme voluer sur la surface de glissement. Ceci permet de forcer lquation de glissement
vers zro et par un choix appropri de cette quation lerreur tend aussi vers zro. Le rgime
du systme ainsi command est appel mode glissant et sa dynamique devient insensible aux
variations paramtriques, aux erreurs de modlisation et certaines perturbations externes.
Les avantages de la commande par mode glissant sont importants et multiples et les plus
principaux sont sa robustesse et sa simplicit de mise en uvre. Cependant, le problme
principal de cette commande est le phnomne de rticence correspondant des oscillations
du systme haute frquence autour de la surface de glissement. Ceci est d au caractre
discontinu de la commande. Il existe diffrentes mthodes pour rduire ce phnomne comme
les modes glissants d'ordre suprieur [Bar-04 ; Bar-00 ; Fri-02 ; Eme-93 ; Lev-93 ; Utk-06].

26
Cependant, cette solution induit une augmentation de la complexit dans le choix des gains.
Une autre solution est celle de la couche limite qui consiste remplacer la fonction signe par
une approximation continue au voisinage de la surface de glissement : fonction saturation ou
fonction sigmode [Edw-98 ; Slo-84].
La conception de la commande peut tre effectue en trois tapes principales trs dpendantes
lune de lautre.
- Choix de la surface.
- Ltablissement des conditions dexistence.
- Dtermination de la loi de commande.
La surface de glissement est une fonction scalaire telle que la variable rgler glisse sur cette
surface et tend vers lorigine du plan de phase. Cette surface est dtermine indpendamment
de la commande. Sa forme non linaire est une fonction de lerreur sur la variable rgler x ,
elle est donne par, [Slo-84]:
) ( ) , (
) 1 (
x e
t
t x
r
|
.
|
\
|
+
c
c
= o (1.39)
avec:
) (x e :est lcart entre la variable rgler et sa rfrence.
: est une constante positive.
r : est un degr relatif, il prsente le nombre de fois quil faut driver la surface pour faire
apparaitre la commande [Mah-99].
Les conditions dexistence et de convergence sont les critres qui permettent aux diffrentes
dynamiques du systme de converger vers la surface de glissement et dy rester
indpendamment de la perturbation.
) , ( ) , ( ) , ( t x t x t x o q o o < ` avec 0 > q (1.40)
La structure dun contrleur par mode glissant est constitue de deux parties, une concernant
la linarisation exacte
e
u et lautre stabilisante
c
u .
e
u sert maintenir la variable contrler sur la surface de glissement 0 ) , ( = t x o . Elle est
dduite lorsque les trajectoires du systme voluent exactement sur la surface : 0 ) , ( = t x o` .
Cependant, il faut aussi contraindre le systme suivre la trajectoire impose, c'est--dire
obliger que la surface 0 ) , ( = t x o soit attractive. C'est le rle de la commande discontinue qui
est dfinie comme suit :
)) , ( ( t x sign K u
c
o = (1.41)

27
o K est une constante positive et sign dsigne la fonction signe.
Pour rduire le phnomne de rticence, la commande discontinue est remplace par une
approximation continue :
)) , ( ( t x sat K u
c
o = (1.42)
o sat dsigne la fonction saturation.
1.5.2. Optimisation
H
La synthse
H a t initie par Zames au dbut des annes 80 [Zam-81] et

dveloppe, en particulier par Doyle, Glover, Khargonekar et Francis [Fra-87 ; Doy-89]. Cette
mthode a connu des applications multiples dans des domaines trs varis. Elle est devenue
ces dernires annes une des mthodes phares de la commande robuste. Sa prsentation
thorique est donne dans de nombreux ouvrages pdagogiques [Boy-94 ; Toi-98 ; Cla-01].
Le problme de poursuite de trajectoire dans une structure de commande peut est abord avec
la stratgie de commande qui consiste minimiser lerreur de poursuite par rapport aux
incertitudes de modlisation en utilisant la norme
H . Cette dernire fournit une commande

robuste vis vis de ces incertitudes. La formulation
H est base essentiellement sur la

rsolution de lquation de Riccati et consiste synthtiser une loi de commande e G u
r
= de
faon vrifier une contrainte dattnuation de leffet des incertitudes sur la performance de
poursuite.
La reprsentation entre-sortie de la classe du systme SISO non linaire tudi est donne
par :
u t x g t x f y
(n)
) , ( ) , ( + = (1.43)
La modlisation floue des fonctions non linaires ) , ( t x f et ) , ( t x g permet de rcrire la
sortie du systme comme suit :
A + + = u t x g t x f y
opt opt
(n)
) , ( ) , (
(1.44)
o
opt
f
et
opt
g sont les approximations floues optimales des fonctions ) , ( t x f et ) , ( t x g et A
reprsente les incertitudes de modlisation floue.
On emploie les approximations floues optimales pour reprsenter le systme non linaire.
Donc lapplication de la loi de commande (1.37) avec substitution de ) , ( t x f et ) , ( t x g
respectivement par
opt
f
et
opt
g permet dobtenir la forme matricielle de lquation derreur
suivante :

28
A = B e A e` (1.45)
o A et B sont deux matrices dfinies par :
(
(
(
(
(
(

=
1 1 0
1
1 0 0
0 0 1 0
n
k k k
A

.
.
.
et
(
(
(
(
(
(
=
1
0
0
.
. B
La fonction de transfert entre les incertitudes reprsentes par A et lerreur de suivi de
trajectoire e peut tre dtermine partir de lquation dynamique (1.45). Si lon dfinit
n
R C e = ] 1 ... 0 0 [ de faon ce que e C e = , on obtient :
B A pI C p H
e
1
) ( ) (

A
= (1.46)
o p est la variable complexe de Laplace.
Lide dveloppe consiste dterminer la composante
r
u de faon modifier le transfert
) ( p H
eA
pour garantir la contrainte dattnuation suivante :
s
A
) ( p H
e
o 0 > (1.47)
Avec :
2
2
2
) (
A
=
e A A
e
Sup p H
L e

Lquation (1.45) nassure pas la convergence de lerreur vers zro. La composante de
robustesse est recherche sous la forme :
e G u
r
= (1.48)
La dtermination de G est rsolue via une optimisation
H en utilisant les quations de

Riccati. On dmontre que si on prend e P B
r
u
T
r
1
= o r est un scalaire positif et P est une
matrice symtrique dfinie positive vrifiant lquation de Riccati :
0 )
1 2
(
2
= + + + P PBB
r
C C Q PA P A
T T T
(1.49)
Avec 0 > Q et r >
2
2 alors la contrainte dattnuation (1.47) est vrifie.
1.5.3. Optimisation LMI
Les problmes danalyse et de synthse dans le domaine de la commande peuvent tre
rduits des problmes doptimisations convexes rputs en automatique par lapproche LMI

29
(Linear Matrix Inequalities). Cette approche est utilise dans lobjectif dassurer la robustesse
de la loi de commande synthtise. Latout majeur des LMI est lexistence de mthodes de
rsolution numrique efficientes qui prsentent lavantage davoir un cot de calcul
raisonnable [Boy-94].
Une ingalit matricielle linaire en x est sous la forme :
0 ) (
1
0
> + =

=
n
i
i i
x P P x F (1.50)
O
n
P P P ..., , ,
1 0
est une famille de matrices symtriques
p p
R
x
e et
n
n
R x x x x e = ) , ... , , (
2 1
est
un vecteur.
La contrainte 0 ) ( > x F est convexe [Boy-94] et est appele contrainte LMI.
On distingue trois types de problmes doptimisation convexe rencontrs sous forme de LMI :
Problme de faisabilit, Problme de valeur propre et Problme de valeurs propres
gnralises. Dans notre cas, il sagit dtudier la stabilit des structures de commande qui
pourra tre traite comme un problme de faisabilit. Le problme de faisabilit consiste
trouver un vecteur S tel que la contrainte convexe 0 ) ( > x F soit satisfaite. Ce problme est
rsolu gnralement en cherchant le vecteur x minimisant le scalaire t tel que :
I t x F ) ( < avec I est la matrice identit.
Si la valeur minimale de t est ngative alors le problme est faisable.
En gnral, les conditions sur la stabilit ne sont pas donnes sous forme de LMI directement.
Pour cela, elles ncessitent quelques transformations matricielles.
Ltude de la stabilit dun systme non linaire base sur loutil numrique LMI permet de
trouver des solutions aux quations de Lyapunov. Lapproche propose repose sur une
fonction de Lyapunov quadratique. Pour laborer la loi de commande base de la condition
suffisante de stabilit impose cette fonction, on est amen trouver une matrice dfinie
positive telle que la condition de stabilit soit garantie.
Considrons un systme reprsent par lquation dtat suivante :
Bu Ax x + = ` (1.51)
Le systme est asymptotiquement stable sil existe une matrice P symtrique et dfinie
positive telle que la LMI suivante est vrifie [Boy-94 ; Tan-98] : 0 < + PA P A
T
.
Cette ingalit matricielle peut tre rsolue en utilisant des outils numriques LMI par rapport
la variable inconnue P .

30
1.5.4. Prdiction dune fonction par projection sur une base orthogonale
La prdiction dune fonction inconnue par lapproche de projection orthogonale
consiste la modliser par une combinaison linaire dun ensemble de fonctions orthogonales
connues. Le contexte de notre tude consiste approcher une fonction du temps ) (x H qui
contient les termes non linaires, le couplage crois et les perturbations par une base de
fonctions orthogonales dite de Chebyshev.
Le polynme de Chebyshev de degr i est donn par :
)) arccos( cos( ) ( x i x T
i
= (1.52)
Avec 1 1 s s x
La srie de Chebyshev correspondant la fonction ) (x H modliser est donne par :

=
+ = + + =
1
0
2 2 1 1
0
) (
2
)... ( ) (
2
) (
i
i i
x T h
h
x T h x T h
h
x H (1.53)
Cette modlisation existe et converge uniformment lorsque la fonction ) (x H est continue.
En pratique, on fait une troncature de la srie de Chebyshev lordre m. Lexpression de
) (x H devient :

=
+ =
m
i
i i
x T h
h
x H
1
0
) (
2
) ( (1.54)
Lutilisation de la base orthogonale de Chebyshev prsente les avantages suivants : ses
coefficients
i
h sont borns par la valeur maximale de la fonction approximer et ils
convergent rapidement en comparaison avec dautres sries de fonctions orthogonales [Nah-
93].
Pour dterminer pratiquement les coefficients
i
h , on se base sur la proprit dorthogonalit
de la base aux points ) cos(
N
k
x x
k
t
= = avec N k ,..., 1 , 0 =

=
= =
= =
=
}
0
0
2
0
) ( ) ( ) (
1
1
j i si
j i si
j i si
dx x T x T x w
j i
t
t
(1.55)
O
2
1
1
) (
x
x w
= est une fonction de pondration.

=
=
N
k
k i k i
x T x H
N
h
0
) ( ) (
2
(1.56)

31
1.6. Conclusion
Dans ce chapitre, nous avons prsent un aperu bibliographique sur les outils de base
de la logique floue type-1 et type-2 ainsi que les dmarches ncessaires pour lapproximation
des systmes non linaires inconnus par des modles flous. La question de la synthse dun
contrleur flou a t aborde accompagne par les tapes ncessaires. Laccent a t mis sur
les mthodes de commande des systmes non linaires et les principaux rsultats de la
littrature concernant les problmes de la stabilit et la poursuite de trajectoire des systmes
reprsents par des modles flous. Ces outils et mthodes prsents serviront galement pour
les travaux qui seront abords dans les chapitres suivants.

Chapitre 2 Synthse de Contrleurs Flous Adaptatifs

32
Chapitre 2
2. SYNTHSE DE CONTRLEURS FLOUS ADAPTATIFS
2.1. Introduction
Traditionnellement, la conception dun contrleur est faite en utilisant des modles
mathmatiques issus de lois physiques qui dcrivent le comportement dynamique du procd.
Cependant, lorsquon ne dispose pas de modles mathmatiques prcis du systme
commander du fait que sa structure et ses paramtres ne sont pas connus en raison des
modifications de l'environnement, des erreurs de modlisation, ou lorsque ce dernier prsente
de fortes non linarits ou imprcisions, la recherche dune alternative est recommande.
Plusieurs techniques de commande ont t proposes pour surmonter ces problmes et en
particulier celle base sur la logique floue.
La commande floue est une technique convenable pour piloter un processus laide des
connaissances gnralement de nature imprcise. Cette technique de commande tient profit de
la thorie dapproximation universelle qui garantit la possibilit de modliser, sur un
ensemble compact, la dynamique des systmes non linaires par des systmes flous avec un
degr de prcision arbitraire fix [Wan-92 ; Buc-92 ; Buc-93].
Le modle flou de Takagi-Sugeno est gnralement utilis pour reprsenter la dynamique
dun systme non linaire [Tak-85], puis sur la base de ce modle, un contrleur flou est
conu. Dans ce chapitre, nous allons utiliser le modle de Takagi-Sugeno en raison de sa
simplicit. La stratgie de contrle consiste synthtiser une loi de commande compose de
deux termes :
- Le premier terme appel nominal est destin assurer une certaine performance en
poursuite en forant la sortie ) (t y suivre la trajectoire de rfrence ) (t y
r
. La
dtermination de ce terme est base sur les techniques de la logique floue.
- Le second terme, appel terme additif a pour rle de compenser leffet des erreurs de
modlisation et des perturbations externes. Ce terme est chaque fois synthtis par
lapproche de Lyapunov combine soit la technique de mode glissant, soit

33
loptimisation
H soit celle de LMI. Le choix de lune ou lautre rside dans

lenvironnement de lapplication, de la nature des perturbations et la performance
souhaite.
Pour ces contrleurs, ladaptation des paramtres est faite dans les deux cas direct et indirect
en se basant sur lapproche de Lyapunov et ceci sans aucune hypothse restrictive sur la
nature des non linarits.
2.2. Commande floue par mode glissant
Considrons le systme non linaire dynamiques inconnues dcrit par lquation
suivante :

=
+ + =
x y
t d t bu t x f x
n
) ( ) ( ) , (
) (
(2.1)
o b est une constante positive connue et ) (t d reprsente leffet des perturbations externes.
La commande par mode glissant ddie au contrle des systmes non linaires est rpute
pour ses qualits de robustesse en prsence des erreurs de modlisation et des perturbations
mais aussi par les contraintes imposes aux actionneurs [Slo-91]. Linconvnient de cette
commande est lapparition du phnomne de rticence lorsque la surface de glissement est
atteinte. Ceci est d la discontinuit de la commande )) , ( ( t x sign u
c
o A = aux passages par
la surface de glissement. En pratique, ce phnomne de rticence peut tre rduit en
remplaant la fonction sign par une approximation continue : fonction de saturation ou
lissage.
La surface de glissement dans lespace dtat est dfinie par :
e k e k e t x
n
n
n
1
) 2 (
1
) 1 (
) , ( + + + =

o (2.2)
La stratgie propose consiste former une commande constitue de deux termes :
- Le terme nominal dduit de lapproximation floue de Takagi-Sugeno.
Lapproximation par le modle de Takagi Sugeno adopte est avantageuse du fait que les
paramtres de la conclusion sont facilement dduits et adapts par lapproche de
Lyapunov.
- Le terme additif dtermin par lapproche mode glissant.
Lorsque la dynamique ) , ( t x f est connue et le systme nest pas soumis des perturbations, la
loi de commande propose [Slo-91] donne par :

34
) ) , ( (
1
1
1
) ( ) (
=
-
+ =
n
i
i
i
n
r
e k y t x f
b
u (2.3)
Avec un choix judicieux des coefficients
i
k du polynme S de Hurwitz, cette loi permet
dassurer la convergence de lerreur ) (t e . Or, dans la pratique ) , ( t x f peut tre inconnue, ce
qui rend difficile la synthse de la loi (2.3).
Ainsi, le premier terme composant la loi de commande est dcrit par un ensemble de rgles de
la forme suivante :

l
l l
n n
l l l
u Alors F est x et et F est x et F est x Si R u = :
2 2 1 1
. K l , , 2 , 1 . = (2.4)
o
l
R ) 1 ( K l s s indique la
ieme
l implication floue,
l
i
F ) 1 ( n i s s sont les termes linguistiques
caractriss par les fonctions dappartenance
l
i
F
( n i s s 1 ) et K est le nombre des rgles
floues.
En utilisant une infrence produit et la mthode de dfuzzification du centre de gravit [Kch-
07], les valeurs de la sortie du contrleur flou sont obtenues en utilisant la relation suivante:

[
[
= =
= =
=
K
l
n
i
i
F
n
i
i
F
K
l
l
x
x
x u
l
i
l
i
1 1
1 1
) (
) (
) , (
u
u (2.5)
Ou encore :
) ( ) , ( x x u
T
u u = (2.6)
o
T
K
) , , , (
2 1
u u u u . = est le vecteur de paramtres et
T
K
x x x x )) ( , ), ( ), ( ( ) (
2 1
. = est le
vecteur de fonctions de base floues.

[
[
= =
=
=
K
l
n
i
i
F
n
i
i
F
l
x
x
x
l
i
l
i
1 1
1
) (
) (
) (
(2.7)
Lapplication de la loi de commande (2.5) seule nassure pas la convergence de ) (t e vers zro
du fait de l'existence des perturbations externes et des erreurs de modlisation. Pour avoir un
bon suivi de la trajectoire dsire, la commande (2.5) est augmente par un terme additif
r
u
assurant la robustesse.

r
u
b
x u u
1
) , ( + = u (2.8)
Le systme en boucle ferme est donn par :

35
) ( )
1
) , ( ( ) , (
) (
t d u
b
x u b t x f x
r
n
+ + + = u (2.9)
Nous dfinissons le vecteur des paramtres optimaux par:
( ) ) , ( sup min arg
* *
u u
u
x u u n
R x
=
e
O e
(2.10)
O { } M R
K
s e = O u u , est un ensemble convexe compact avec M est une constante
positive que nous spcifions.
Hypothses
H.1 Il existe une constante positive
max
w telle que :
max
* *
) , ( w u x u < u .
H.2 La borne suprieure des perturbations externes inconnues est
max
d et satisfait la condition
d
k d w s +
max max
avec
d
k est une constante positive.
La loi de commande additive propose est donne par :
)) , ( ( t x sat k u
d r
o = (2.11)
Ainsi, la loi de commande globale propose [Oug-08a] est donne par:
)) , ( (
) (
) (
1 1
1 1
t x sat k
x
x
u
d
K
l
n
i
i
F
n
i
i
F
K
l
l
l
i
l
i
o
u
=
[
[
= =
= =
(2.12)
La fonction ) (o sat peut tre crite comme suit :

s
>
=
) , (
) , (

) , ( )) , ( sgn(
)) , ( (
c o
c
o
c o o
o
t x
t x
t x t x
t x sat (2.13)
O c est une constante positive situe au voisinage de l'origine.
La loi dadaptation des paramtres du contrleur flou ) , ( u x u est dduite des conditions de
stabilit au sens de Lyapunov. Aussi, et afin de garantir la bornitude de ces paramtres, nous
proposons lalgorithme de projection [Wan-94].

> = <
=
sinon )] ( ) , ( [ oj Pr
) 0 ) ( ) , ( et ou ( si ) ( ) , (
x b t x
x b t x M M x b t x
T
o
u o u u o
u
`
(2.14)
o est un gain fix.
Proj[.] reprsente loprateur de projection, il est dfinit par :

2
) (
) , ( ) ( ) , ( )] ( ) , ( [ oj Pr
u
u u
o o o
x
b t x x b t x x b t x
T
+ = (2.15)

36
Thorme
Soient le systme dcrit par lquation (2.1) et la commande propose (2.12) sous les
hypothses H.1 et H.2. Le systme en boucle ferme (2.9) est stable dans le sens que :
(i) Les signaux dentre et de sortie sont borns.
(ii) La poursuite est ralise.
Le dtail de la dmonstration du thorme est donn en annexe A.
2.3. Synthse du contrleur flou par optimisation LMI
Dans cette section, la mme stratgie de commande est adopte, le terme nominal est
synthtis par la modlisation floue Takagi-Sugeno. La dynamique non linaire et inconnue
est approxime par un systme flou dcrit par un ensemble de rgles dont la conclusion est un
modle linaire. Cette approximation permet de transformer ltude dun systme non linaire
celle dun systme linaire. Cette approche de commande se fait donc en deux tapes :
o Lestimation des paramtres du modle.
o La dtermination des paramtres du contrleur partir des paramtres estims.
En prsence des erreurs de modlisation, des perturbations externes et des incertitudes
paramtriques et sachant quaucune hypothse restrictive nest faite sur la nature des non
linarits, la synthse du terme additif doit tre faite de manire assurer la stabilit et la
robustesse et par consquent une bonne poursuite. La conception de ce signal de
compensation est base sur la technique doptimisation LMI [Boy-94] combine lapproche
de Lyapunov [Yun-07 ; Tan-90].
Non reprenons le systme non linaire dcrit par lquation (2.1), la structure de la commande
propose [Lag-08a] a la forme suivante :
| | ) ) , (
(
1
) , (
) (
1
1
0
) ( ) (
max
*
=
+ + + + =
n
i
i
i
n
r
u T
e k y x f
b
d x f f PB e sat
b
u u u (2.16)
La dynamique du systme ) , ( t x f est estime par le modle flou adaptatif de type Takagi-
Sugeno dcrit par la collection de rgles de la forme suivante :
K l f alors F est x et F est x et F est x si : R
l
l
n n
l l l
, , 1
2 2 1 1
. . = = (2.17)
O ) , , 1 ( K l R
l
. = dsigne la
ime
l implication, ) , , 1 ( n i F
l
i
. = sont les termes linguistiques
associs aux variables floues caractriss par les fonctions dappartenance ) (
i
F
x
l
i
et les
l
u

37
sont les valeurs singletons correspondantes de la sortie floue. K reprsente le nombre de
rgles floues.
La sortie du systme avec une infrence produit et aprs dfuzzification par la mthode du
centre de gravit [Lag-06 ; Wan-94] peut tre exprime comme suit :
) (
) (
) (
) , (
1 1
1 1
x
x
x
x f
T
K
l
n
i
i
F
n
i
i
F
K
l
l
l
i
l
i
u
u
u = =
[
[
= =
= =
(2.18)
o
T
K
) , , , (
2 1
u u u u . = est le vecteur de paramtres et
T
K
x x x x ) ) ( , , ) ( ), ( ( ) (
2 1
. = est le
vecteur de fonctions de base floues.

[
[
= =
=
=
K
l
n
i
i
F
n
i
i
F
l
x
x
x
j
i
l
i
1 1
1
) ) ( (
) (
) (
(2.19)
Non dfinissons le vecteur des paramtres optimaux comme suit :
( ) ) , (
) , ( sup min arg u u

u
x f t x f
n
f
R x
=
e
O e
-
(2.20)
o { } M R
K
f
s e = O u u , est un ensemble compact convexe qui contient lensemble des
paramtres possibles pour u avec M est une constante donne.
Lerreur d'approximation floue est donne par :
) , (
) , (
-
= u x f t x f w (2.21)
Des conditions suffisantes pour la stabilit des systmes de Takagi-Sugeno ont t proposes
[Tan-92]. Ces conditions suffisantes ncessitent l'existence d'une matrice dfinie positive P
qui satisfait lingalit de Lyapunov. Ce problme est transform en un problme
doptimisation LMI dont la rsolution peut tre facilement dduite des algorithmes
d'optimalisation convexe [Gah-95].
Lexistence dune matrice 0 > P rpondant la contrainte LMI suivante:
0 < + PA P A
T
(2.22)
avec A est donn par :

(
(
(
(
(
(

=
1 1 0
1
1 0 0
0 0 1 0
n
k k k
A

.
.
.
(2.23)

38
est traite par les techniques de programmation convexe LMI, ce qui permet de rsoudre le
problme danalyse de stabilit. Dans ce paragraphe, nous supposons que les hypothses
suivantes sont satisfaites pour le systme (2.1) :
Hypothses
H.3 Il existe une fonction positive
u
f telle que :
u
f t x f s ) , ( .
H.4 Les perturbations externes inconnues ) (t d sont bornes et vrifient la condition
max
) ( d t d s avec
max
d est une constante positive.
Ainsi, le terme nominal dont le but est dassurer la poursuite est donn par :
) ) , (
(
1
1
0
) ( ) (
=
+ =
n
i
i
i
n
r c
e k y x f
b
u u (2.24)
Le terme de robustesse dtermin par la combinaison de la technique de Lyapunov et
loptimisation LMI est dcrit par :
| |
max
*
) , (
) (
1
d x f f PB e sat
b
u
u T
r
+ + = u (2.25)
La fonction ) ( PB e sat
T
est exprime par :

s
>
=
c
c
c
PB e
PB e
PB e PB e
PB e sat
T
T
T T
T
) sgn(
) (
(2.26)
o c est une constante positive situe au voisinage de zro.
Les paramtres du vecteur u sont ajusts en temps rel par les lois dadaptation tires de
ltude de la stabilit de Lyapunov. Ladaptation des paramtres est assure par :

> = <
=
sinon )) ( ( Pr
) 0 ) ( et ou ( si ) (
x PB e oj
x PB e M M x PB e
T
T T T

u u u
u
`
(2.27)
L'oprateur de projection est donne par :

) (
- ) ( ) ) ( ( Pr
2
u
u u

x
B P e x B P e x B P e oj
T
T T T
= (2.28)
o est un gain fix.


39
Thorme
Considrons le systme non linaire (2.1) combin la loi de commande (2.16) avec
ladaptation des paramtres (2.27) sous les hypothses H.3 et H.4. Sil existe une matrice
0 > P satisfaisant lingalit matricielle LMI : 0 < + PA P A
T
, alors le systme en boucle
ferme est stable dans le sens :
(i) Toutes les variables dentre et de sortie sont bornes.
(ii) La poursuite est obtenue.
La dmonstration de la stabilit se trouve en annexe B.
Les bonnes performances en poursuite et stabilit ont t obtenues avec lapproche de
commande directe et loptimisation LMI. La structure de commande propose est dtaille en
annexe C.
2.4. Commande floue
H
Afin dlargir lapplicabilit des structures de commande proposes, la classe de
systmes non linaires considre est dcrite par lquation suivante :

=
+ + =
x y
t d u t x g t x f x
n
) ( ) , ( ) , (
) (
(2.29)
Les fonctions ) , ( t x f et ) , ( t x g sont non linaires et inconnues et seront approximes par des
modles flous.
A travers les fonctions estimes ) , (
f
x f u et ) , (
g
x g u la commande nominale sera synthtise.
Le terme de robustesse est cette fois-ci dtermin par lapproche
H en se ramenant la
rsolution de lquation de Riccati. Cette approche permet de surmonter le problme des
incertitudes paramtriques, des erreurs de modlisation et des perturbations externes et
conduira une commande capable de raliser des performances en terme de poursuite.
La mme stratgie de contrle est maintenue, elle est compose de deux termes un terme
nominal et lautre de robustesse. Ainsi, la structure de commande propose [Lag-08b] a la
forme suivante :
) ) , (
(
) , (
1
1
0
) ( ) (
r
n
i
i
i
n
r f
g
u e k y x f
x g
u + =

=
u
u
(2.30)

40
Les fonctions inconnues ) , ( t x f et ) , ( t x g seront estimes par des modles flous de Takagi
Sugeno. La description linguistique de la
ime
l rgle pour le modle flou correspondant
respectivement ) , ( t x f et ) , ( t x g est donne par :

1 1 1
, , 2 , 1 ,
: K l f Alors F est x et et F est x Si R

l
f
l l
n n
l l
. . = = u (2.31)

2 1 1
, , 2 , 1 , : K l g Alors G est x et et G est x Si R
l
g
l l
n n
l l
. . = = u (2.32)
i
x dnote la variable linguistique dentre.
l
i
F et
l
i
G sont respectivement les termes
linguistiques antcdents des modles flous
l
f
et
l
g pour n i , , 2 , 1 . = . Alors les modles
l
f
et
l
g peuvent tre reprsents comme suit:
) (
) (
) , (
1
1
1 1
1 1
x
x
x f
f
T
f
K
l
n
i
F
K
l
n
i
i
F
l
f
f
l
i
l
i
u
u
u = =
[
[
= =
= =
(2.33)
) (
) (
) , (
2
2
1 1
1 1
x
x
x g
g
T
g
K
l
n
i
G
K
l
n
i
i
G
l
g
g
l
i
l
i
u
u
u = =
[
[
= =
= =
(2.34)
o
l
i
F
et
l
i
G
sont les fonctions dappartenance.
1
K et
2
K sont les nombres de rgles floues de
f
et g respectivement.
T
fK f f f
x x x x )) ( , , ) ( ), ( ( ) (
1
2 1
. = et
T
gK g g g
x x x x )) ( , , ) ( ), ( ( ) (
2
2 1
. = sont les
vecteurs de base flous avec :

[
[
= =
=
=
1
1 1
1
) (
) (
) (
K
l
n
i
i
F
n
i
i
F
fl
x
x
x
l
i
l
i
(2.35)

[
[
= =
=
=
2
1 1
1
) (
) (
) (
K
l
n
i
i
G
n
i
i
G
gl
x
x
x
l
i
l
i
(2.36)
T K
f f f f
) , , , (
1
2 1
u u u u . = et
T K
g g g g
) , , , (
2
2 1
u u u u . = sont les vecteurs paramtres des modles
flous f
et g respectivement.
La commande nominale rsultante de cette approximation floue est donne par :

41
) ) , (
(
) , (
1
1
0
) ( ) (
=
+ =
n
i
i
i
n
r f
g
c
e k y x f
x g
u u
u
(2.37)
Le terme de robustesse
r
u dtermin par lapproche
H :
PB e
r
u
T
r
1
= (2.38)
La matrice P est dtermine par la rsolution de lquation de Riccati, | | 1 0 0 . =
T
B et r est
un scalaire positif.
Le vecteur des paramtres optimaux
-
f
u est dfini par :
( ) ) , ( ) , (
sup min arg t x f x f

f
n
R x f
f f
=
e
O e
-
u u
u
(2.39)
o
f
O est lensemble compact convenable pour borner
f
u . Il est dfini par :
{ }
f f
K
f f
M R s e = O u u ,
1
(2.40)
Avec
f
M est une constante positive.
Ladaptation des paramtres se fait selon lquation :

) (
) (
2
1
u x PB e
x PB e
g
T
g
f
T
f
u
u
=
=
`
`
(2.41)
Ou encore :

{ }
> = <
=
sinon ) ( Proj
) 0 ) ( et ou ( si ) (
1
1
x PB e
x PB e M M x PB e
f
T
f
T
f f f f f
T
f

u u
u
`
(2.42)
Afin de maintenir les paramtres dans
f
O , lalgorithme de projection utilis est donn par
[Wan-94]:
{ }
2 1 1 1

) (
) ( ) ( ) ( oj Pr
f
f f
T
f
f
T
f
T
f
T
x
x PB e x PB e x PB e
u
u u
+ = (2.43)
avec
1
est une constante positive.
-
g
u et
g
O sont dtermins de la mme faon que
-
f
u ,
f
O .
Nous supposons quil existe une constante 0 > e , pour tout < <T 0 , tel que :

2
0
2
e < A
}
dt
T
(2.44)
avec A est lerreur dapproximation minimale dfinie par :

42
) ( )) , ( ) , ( ( ) , ( ) , (
t d u t x g x g t x f x f
g f
+ = A
- -
u u (2.45)
Thorme
Considrons le systme non linaire (2.29) et la loi de commande (2.30) avec les quations
dadaptation (2.41). Si la relation (2.44) est satisfaite, alors il existe une matrice 0 > =
T
P P
solution de lquation de Riccati suivante :
0 )
1 2
(
2
= + + P B
r
PB Q PA P A
T T

Avec 0 > Q , est le coefficient dattnuation et r est un paramtre positif vrifiant
2
2 < r . La stabilit du systme en boucle ferme est garantie :
(i) Tous les signaux entre sortie sont bornes.
(ii) 0 ) ( lim =
t
t e .
Le dtail de la dmonstration de stabilit se trouve en annexe D.
2.5 Rsultats des Simulations
Pour montrer lefficacit des approches proposes en terme de poursuite, stabilit et
robustesse, deux exemples seront retenus : le systme du servomcanisme [Kov-98] et celui
doscillation force [Wan-94]. Les trois approches proposes seront testes sur ces deux
exemples et chaque fois ce sont les conditions initiales, les trajectoires de rfrence et les
perturbations externes qui changent.
- Exemple 1 : Le servomcanisme non linaire
Le servomcanisme non linaire est dcrit par lquation diffrentielle du second ordre
suivante :
d q f q l q m + = A + + t ) ( ` ` `
o q dsigne la position, q` la vitesse, ) (q f A le terme non linaire dpendant de q , t le
couple du servomcanisme et d reprsente les perturbations externes.
m et sont respectivement la masse et lamortissement du servomcanisme.
Nous supposons que la position
1
q x = et la vitesse q x ` =
2
sont mesurables et t = u .
La reprsentation dtat du servomcanisme est donne par :
=
+ + =
=
1
2
2 1
) ( ) ( ) , (
x y
t d t u t x f x
x x
`
`


43
ou encore :
=
+ + =
x y
t d t u t x f x ) ( ) ( ) , (
) 2 (

avec ) ( ) , (
1 2
x f lx t x f A = , kg m 1 = et 1 = l .
- Exemple 2 : Le systme oscillatoire
Le systme oscillatoire est dcrit par la reprsentation dtat suivante :
=
+ + + =
=
1
3
1 2 2
2 1
) ( ) cos( 12 1 . 0
x y
t d bu t x x x
x x
`
`

ou encore :
=
+ + + =
x y
t d bu t x x x ) ( ) cos( 12 1 . 0
3
1 2
) 2 (

2.5 1. Commande par mode glissant
a. Application sur lexemple 1 :
Lapplication de lapproche mode glissant au systme servomcanisme est faite avec le
choix dun signal de rfrence : ) 1 , 0 sin(
3
) ( t t y
r
t
= . Le terme non linaire choisit est :
) ( sin 4 . 0 ) (
1 1
x x f = A et la perturbation externe est reprsente par : ) 01 , 0 cos( 2 ) ( t t d = .
Les conditions initiales sont : 1 ) 0 (
1
= x et 0 ) 0 (
2
= x . Les constantes ,
d
k et M sont telles
que : 5 . 0 = , 3 =
d
k et 6 = M .
La surface de glissement est exprime par : ) ( ) ( ) , (
1
t e k t e t x + = ` o avec 5
1
= k .
Les fonctions dappartenance sont donnes sur la figure 2.1 :
)) 3 / ( 5 . 0 exp( ) (
)) ( 5 . 0 exp( ) (
)) 3 / ( 5 . 0 exp( ) (
)) 3 / ( 5 . 0 exp( ) (
)) ( 5 . 0 exp( ) (
)) 3 / ( 5 . 0 exp( ) (
2 2
2 2
2 2
1 1
1 1
1 1
3
2
2
2
1
2
3
1
2
1
1
1
t
t
t
t
=
=
+ =
=
=
+ =
x x
x x
x x
x x
x x
x x
F
F
F
F
F
F


44

Figure 2.1 : Fonctions dappartenance relatives
1
x et
2
x

Nous aurons 9 rgles pour approximer la loi de commande nominale ) , ( u x u et 9 paramtres
du contrleur estimer. Le comportement des paramtres du contrleur en terme de
convergence est donn sur la figure 2.2. Nous remarquons que la convergence est obtenue ds
la cinquime itration.

Figure 2.2 : Evolution des paramtres du contrleur nominal

Lallure de la sortie ) (t y et la rfrence ) (t y
r
est donne sur la figure 2.3. Nous constatons
qu'une bonne poursuite est obtenue en prsence des perturbations externes. Le signal de
commande correspondant est donn sur la figure 2.4.


45

Figure 2.3: Comportement de ) (t y et ) (t y
r
Figure 2.4 : Le signal de commande ) (t u

Les figures 2.5 et 2.6 donnent respectivement la convergence de l'erreur et de la surface de
glissement.

Figure 2.5 : Signal derreur ) (t e Figure 2.6 : La surface de glissement ) (t o

b. Application sur lexemple 2 :
Le mme algorithme de commande par mode glissant est cette fois-ci appliqu sur le
systme oscillatoire. La trajectoire dsire est caractrise par : ) 5 , 1 sin( ) ( t t y
r
= et les
perturbations externes sont donnes par : ) 20 , 1 ( 1 . 0 ) ( rand t d = .
Les conditions initiales sont : 1 ) 0 ( , 1 ) 0 (
2 1
= = x x et les constantes et
d
k sont telles que
05 . 0 = et 15 =
d
k . Nous prenons 6 = M .
Nous choisissons la surface de glissement suivante : ) ( ) ( ) , (
2 1
t e k t e k t x ` + = o avec 5 . 0
1
= k et
1 . 0
2
= k .

46
Les fonctions dappartenance pour chacune des composantes
1
x et
2
x sont reprsentes par
les figures 2.7 et 2.8. Nous aurons donc 14 rgles pour construire la loi de commande ) , ( u x u
avec 14 paramtres de contrleur estimer. La convergence de ces 14 paramtres est donne
sur la figure 2.11 o nous remarquons une bonne convergence.
La poursuite de ) (t y ) (t y
r
est reprsente sur la figure 2.9. Le signal de commande floue
correspondant est donn sur la figure 2.10.

la composante
1
x
la composante
2
x

Figure 2.9 : Comportement de ) (t y et ) (t y
r


47

Figure 2.11 : Evolution des paramtres du contrleur

Les Figures 2.12 et 2.13 montrent respectivement la convergence de lerreur et de la surface
de glissement en fonction du temps.

Figure 2.12 : Signal derreur ) (t e Figure 2.13 : La surface de glissement ) (t o

2.5 2. Commande par optimisation LMI
a. Application sur lexemple 1 :
La trajectoire de rfrence est ) 078 , 0 sin( 2 ) ( t t y
r
= et les perturbations sont exprimes
par ) 0015 , 0 cos( 01 . 0 ) ( t t d = .
Nous choisissons les conditions initiales suivantes: 3 ) 0 (
1
= x et 0 ) 0 (
2
= x .
Nous prenons 5 . 0 = , 1 . 0 = c et les coefficients de Hurwitz sont choisis 10
0
= k et 1
1
= k .

48
Soit 5 . 1 = M et les fonctions dappartenance floues sont reprsentes sur la figure 2.14. Le
nombre de rgles pour estimer ) , ( t x f est alors 9 rgles.

1
x et
2
x

Loutil Matlab Toolbox permet de rsoudre lingalit LMI (2.22), il donne :
(
=
1815 . 0 0614 . 0
0614 . 0 7052 . 1
P
La fonction
u
f est dfinie par:
2
x f
u
=
A partir des figures 2.15, 2.16 et 2.17, nous pouvons conclure que la performance de la
poursuite est obtenue. La loi de commande correspondante est illustre sur la figure 2.18.

r

Figure 2.16 : Comportement de ) (t y` et ) (t y
r
`

49

Figure 2.17 : Erreur de poursuite ) (t e Figure 2.18 : Le signal de commande ) (t u

b. Application sur lexemple 2 :
Soit le signal de rfrence dcrit par : ) 01 , 1 sin( 6 . 0 ) ( t t y
r
= avec les perturbations
externes : ) cos( 12 ) ( t t d = .
Les conditions initiales choisies: 4 . 0 ) 0 (
1
= x et . 1 ) 0 (
2
= x
Nous choisissons les coefficients du polynme de Hurwitz 1
0
= k et 7
1
= k . Nous prenons
5 . 0 = , 1 . 0 = c et 1 = M .
La solution de la forme LMI (2.22) par loutil Matlab Toolbox donne :
(
=
1068 . 0 1769 . 0
1769 . 0 2580 . 1
P
La borne suprieure
u
f est reprsente par :
2
3
1
x x f
u
+ = .
Les fonctions dappartenance pour les variables
1
x et
2
x sont celles donnes par les figures
2.7 et 2.8. Par consquent, il y aura 14 rgles floues pour calculer ) , (
u x f .
Les figures 2.19, 2.20 et 2.21 illustrent la performance de la poursuite pour ) (t y et ) (t y` en
prsence des perturbations externes avec une erreur qui converge vers zro. Le signal de
commande correspondant est donn sur la figure 2.22.


50

r
Figure 2.20 : Comportement de ) (t y` et ) (t y
r
`

Figure 2.21 : Erreur de poursuite ) (t e Figure 2.22 : Le signal de commande ) (t u

2.5 3. Commande par optimisation
H
Application sur lexemple 1 :
La trajectoire de rfrence est donne par ) 10 . 5 , 2 sin( ) (
2
t t y
r
= et les perturbations sont

reprsentes par : ) 10 . 25 cos( 01 . 0 ) (
5
t t d

= . Soit ) sin( 4 . 0 ) (
1 1
x x f = A et les conditions
initiales sont 1 ) 0 (
1
= x et 0 ) 0 (
2
= x .
Nous proposons les fonctions dappartenance schmatises sur la figure 2.14.
Soient : 05 . 0
1
= , 1
0
= k , 10
1
= k , 6 =
f
M , 001 . 0 = r , 01 . 0 = et ) 1 , 1 ( 01 . 0 diag Q = .
La solution de lquation de Riccati pour la matrice Q choisie est:
(
=
0010 . 0 0050 . 0
0050 . 0 0510 . 0
P .

51
La figure 2.23 montre bien quil y a une bonne poursuite. Le signal de commande ) (t u
correspondant est donn par la figure 2.24.

r


2.6. Conclusion
Dans ce chapitre, nous avons abord le problme du suivi de trajectoire dune classe de
systmes non linaires inconnus reprsente par des modles flous de Takagi-Sugeno et ceci
en tenant compte aussi bien des performances de poursuite en prsence de perturbations
externes que de la mthode de rsolution
H , mode glissant et LMI. La stratgie de

commande adopte consiste combiner la logique floue lune des techniques de synthse
dj cites ce qui permet de rsoudre les problmes des perturbations externes, des
incertitudes paramtriques sans aucune hypothse svre sur la nature des non linarits.
Ladaptation des paramtres est faite via lapproche de Lyapunov ce qui assure leur
convergence. Dexcellents rsultats en terme de poursuite ont t obtenus dans les deux cas de
commande directe et indirecte, ce qui est dailleurs justifi par les rsultats des simulations
prsents et effectus sur diffrents systmes. Ces approches peuvent tre mises en uvre
facilement et aussi appliques une large classe de systmes non linaires.
Notons toutefois que la prsence des perturbations externes importantes peut provoquer une
dgradation en poursuite. Pour surmonter ce problme, nous ferrons appel la modlisation
floue type-2 qui tient compte des incertitudes gnralement rencontrs dans les fonctions
dappartenance. Cette tude fera lobjet du chapitre suivant.
Chapitre 3 Contrleur Adaptatif par Modlisation Floue Type-2

52
Chapitre 3
3. CONTRLEUR ADAPTATIF PAR MODLISATION
FLOUE TYPE-2
3.1. Introduction
Dans ce chapitre, nous proposons la conception dun contrleur flou adaptatif robuste
pour une classe de systmes non linaires avec une dynamique inconnue et soumise des
perturbations externes. Ces dernires peuvent gnrer des donnes difficilement modlisables
par les techniques de la logique floue type-1. Notons que les incertitudes paramtriques, les
dynamiques ngliges et les perturbations externes provoquent des variations brusques du
point de fonctionnement. Pour tenir compte de toutes les donnes, notamment celles gnres
par ces facteurs perturbateurs, nous faisons appel la modlisation floue type-2. Celle-ci est
caractrise par des fonctions dappartenance qui sont elles-mmes floues. Pour les systmes
flous de type-2, chaque entre a un degr dappartenance dfinit par deux fonctions type-1,
une fonction dappartenance suprieure et une autre infrieure de faon ce que toutes les
donnes se situent entre les deux fonctions. Dans le cas des ensembles flous type-1, le degr
dappartenance dun lment est un nombre ordinaire qui appartient lintervalle| | 1 , 0 alors
que pour un ensemble flou type-2 le degr dappartenance est un ensemble flou.
Comme dans le cas classique, la commande floue adaptative type-2 peut tre faite par deux
approches : directe si la conclusion des rgles est faite sur le contrleur et indirecte si la
conclusion des rgles est faite sur le modle. Dans ce dernier cas, le contrleur est calcul
partir des paramtres estims.
Dans ce chapitre, lobjectif est de tester lefficacit de la modlisation floue type-2. La
structure de contrle propose est compose dun terme nominal dont larchitecture est
dtermine partir de la modlisation floue type-2 et le second terme de robustesse est
synthtis par lapproche de Lyapunov. Il est signaler que le second terme peut tre
synthtis par les approches de commande robuste dcrites dans le chapitre 2, savoir mode
glissant,
H et optimisation LMI.

53
3.2. Formulation du problme
Nous considrons la mme classe de systmes non linaires tudie prcdemment
dcrite par la reprsentation dtat suivante:

=
+ + =
=
=
1
3 2
2 1
) ( ) , ( ) , (
x y
t d u t x g t x f x
x x
x x
n
`
`
`
. (3.1)
Ou encore :

=
+ + =
x y
t d u t x g t x f x
n
) ( ) , ( ) , (
) (
(3.2)
o
n T n T
n
R x x x x x x x e = =

) , , , ( ) , , , (
) 1 (
2 1
. ` . est le vecteur dtat du systme non linaire,
ses composantes sont mesurables, R u e et R y e sont respectivement lentre et la sortie du
systme non linaire. ) , ( t x f et ) , ( t x g sont des fonctions non linaires reprsentant
respectivement la dynamique du systme et le gain de la commande. ) (t d est la perturbation
externe. Pour que le systme (3.1) soit contrlable, il faut que la condition 0 t) , x = g( soit
satisfaite.
Pour dterminer la structure de contrle du terme nominal, trois cas peuvent se prsenter :
- Si les fonctions ) , ( t x f et ) , ( t x g sont connues et le systme est non soumis
aux perturbations, la structure de contrle est donne par [Wan-02 ; Slo-91] :
) ) , ( (
) , (
1
1
0
) ( ) (
=
+ =
n
i
i
i
n
r
e k y t x f
t x g
u (3.3)
- Si les fonctions ) , ( t x f et ) , ( t x g sont inconnues, lune des modlisations
floues type-1 ou type-2 selon la prcision souhaite sera utilise. La structure
de contrle est donne par :
) ) , (
(
) , (
1
1
0
) ( ) (
=
+ =
n
i
i
i
n
r f
g
e k y x f
x g
u u
u
(3.4)
o ) , (
f
x f u et ) , (
g
x g u sont respectivement les fonctions estimes de ) , ( t x f et ) , ( t x g base
de la logique floue.

54
- Si les fonctions ) , ( t x f et ) , ( t x g sont partiellement connues, il sera inutile
destimer les parties connues de ces fonctions, ce qui permettra dallger la
charge de calculs.
Dans cette section, nous allons considrer le troisime cas gnralement rencontr en
pratique. Pour mieux dcrire le phnomne, nous supposons que les fonctions ) , ( t x f et
) , ( t x g sont donnes par :
) , ( ) , ( ) , ( t x f t x f t x f A + = (3.5)
) , ( ) , ( ) , ( t x g t x g t x g A + = (3.6)
o ) , ( t x f et ) , ( t x g reprsentent respectivement les parties connues de ) , ( t x f et t) , x g( et
) , ( t x f A et ) , ( t x g A indiquent respectivement les parties inconnues.
Dans la suite, nous aurons besoin des hypothses suivantes :
H.1 x appartient un ensemble compact { }
x
n
x
M x R x U s e = , , o
x
M est une constante
positive.
H.2 ) , ( t x f A et ) , ( t x g A sont bornes : ) , ( ) , ( t x F t x f s A et ) , ( ) , ( t x G t x g s A
n
x
R U x c e .
H.3 Les perturbations externes sont bornes par une constante
max
d :
max
) ( d t d s .
H.4 Le gain de commande ) , ( t x g est strictement positif et suprieur une constante connue
strictement positive
0
g : 0 ) , (
0
> > g t x g pour tout
x
U x e .
Nous utilisons les systme flous type-2 pour approcher les fonctions non linaires inconnues
) , ( t x f A et ) , ( t x g A respectivement par ) (
f
x f u A et ) (
g
x g u A . La description linguistique de
la
ime
l rgle pour les modles flous type-2 correspondants ) , ( t x f A et ) , ( t x g A est donne
par :

l
f
l l
n n
l l l
est f Alors F est x et et F est x et F est x Si : R u
~

~ ~
2 2 1 1
A . (3.7)

l
g
l l
n n
l l l
est g Alors F est x et et F est x et F est x Si : R u
~

~ ~
2 2 1 1
A . (3.8)
o les
l
i
F
~
sont les ensembles flous antcdents type-2 ayant les fonctions dappartenance
i
j
F
~ et
l
f
u et
l
g
u sont des paramtres ajustables pour lesquels les fonctions dappartenance
consquents possdent des valeurs maximales ( 1 ) ( =
l
f
G
l
u et ) 1 ) ( =
l
g
G
l
u avec
n i , , 2 , 1 . = ; K l , , 2 , 1 . = et K est le nombre de rgles floues.

55
En utilisant la rduction de type par la mthode des centres densembles, nous pouvons
reprsenter les systmes flous type-2 par les expressions suivantes :
) ( ) (
x x f
f
T
f f
u u = A (3.9)
) ( ) ( x x g
g
T
g g
u u = A (3.10)
o
T
fK f f f
x x x x )) ( , ), ( ), ( ( ) (
2 1
. = et
T
gK g g g
x x x x )) ( , ), ( ), ( ( ) (
2 1
. = sont les
vecteurs de fonctions de base floues et
T K
f f f f
) , , , (
2 1
u u u u . = et
T K
g g g g
) , , , (
2 1
u u u u . = sont
les vecteurs de paramtres des systmes flous type-2 ) (
f
x f u A et ) (
g
x g u A . Ces derniers sont
ajusts en temps rel par un processus adaptatif.
Nous dfinissons le vecteur paramtres optimaux
*
f
u du systme flou type-2 par :
| | ) ( ) , ( sup min arg
*
x t x f
f
T
f U x f
x
f f
u u
u
A =
e
O e
(3.11)
*
f
u est dfinit de sorte minimiser lerreur de modlisation dans lensemble convexe
f
O de
rayon
f
M :
{ }
f f
K
f f
M R s e = O u u , (3.12)
Puisque ) (
f
x f u A est un systme flou type-2 intervalle, alors lensemble flou type rduit est
donn par :
]
[ 1 ) , , , , , (
~
1 1
1
1 1 1
cos r l
f f
K
l
l
K
l
l
f
l
K K
f f
f f
f
f
f f F
f
K
f
K
= =
} } } }
=
=
u u
u
u u . . . . (3.13)

l
f est le degr dactivation associ la
ime
l rgle du systme flou ) (
f
x f u A .
Lquation (3.13) peut tre calcule par la mthode itrative de Karnik-Mendel [Men-01]. Il
est montr que cette procdure itrative converge aprs un certain nombre ditrations. Une
fois les bornes suprieures et infrieures
l
f
et
r
f
du domaine de lensemble de type rduit

cos
~
F sont obtenues, elles peuvent tre utilises pour le calcul de la sortie relle du systme
flou type-2. Puisque lensemble de type rduit est un ensemble type-1 intervalle, la sortie
dfuzzifie est alors :

2

) (
r l
f
f f
x f
+
= A u (3.14)

56

=
=
=
=
=
=
K
i
i
r
K
i
i
f
i
r
r
K
i
i
l
K
i
i
f
i
l
l
f
f
f
f
f
f
1
1
1
1
u
u
(3.15)
Ou encore sous la forme compacte :

) (
) (
x f
x f
fr
T
f r
fl
T
f l
u
u
=
=
(3.16)
o ) ( x
fl
et ) ( x
fr
sont les vecteurs de fonctions de base floues dfinies par :

T K
fr fr fr fr
T K
fl fl fl fl
x x x x
x x x x
)) ( , ), ( ), ( ( ) (
)) ( , ), ( ), ( ( ) (
2 1
2 1

.
.
=
=
(3.17)
avec :

=
=
=
=
K
i
i
r
i
r i
fr
K
i
i
l
i
l i
fl
f
f
f
f
1
1

(3.18)
i
l
f et
i
r
f dsignent respectivement les valeurs utilises pour calculer la borne infrieure
l
f
et
la borne suprieure
r
f
. Par consquent :

) (
2
) ( ) (

2
) ( ) (
) , (
x
x x
x x
x f
f
T
f
fr fl T
f
fr
T
f fl
T
f
f
u

u
u u
u
=
(
+
=
+
= A
(3.19)
*
g
u ,
g
O ,
g
M , ) , , , , , (
~
1 1
cos
K K
g g
g g G . .u u ,
l
g ,
r
g et ) (
g
x g u A sont dfinis et calculs de la
mme faon que :
*
f
u ,
f
O ,
f
M , ) , , , , , (
~
1 1
cos
K K
f f
f f F . .u u ,
l
f
,
r
f
et ) , (
f
x f u A .


57
3.3. Structure de la commande
Lobjectif de ce chapitre est le dveloppement dune structure de commande capable de
forcer le vecteur dtat x suivre un tat dsir
r
x en prsence des incertitudes de
modlisation et des perturbations externes. Lapproche utilise est base sur la combinaison
de la modlisation floue type-2 lapproche de Lyapunov.
Le vecteur de lerreur de poursuite est dfinit par :

n T n
r
R e e e x x e e = =

) , , , (
) 1 (
. ` (3.20)
Soit
0
1
1
k s k s S
n
n
n
+ + + =

le polynme de Hurwitz.
Le terme nominal propos est dcrit par :
) ) (
) , ( (
) / ( ) , (
1
1
0
) ( ) (
=
+ A
A +
=
n
i
i
i
n
r f
g
c
e k y x f t x f
x g t x g
u u
u
(3.21)
Le terme de robustesse dduit partir de lapproche de Lyapunov est :

<
> + A + A + +
=
V V
V V si d u x g u t x G x f t x F
g
PB e sign
u
Si
c g c f
T
r
~

~
] ) ( ) , ( ) (
) , ( [
) (
1
max
0
0
1
u u
(3.22)
La structure de commande propose [Oug-08b] devient :

<
> + A + A +
+ + A
A +
=
+
=
V V
V V si d u x g u t x G x f t x F
g
PB e sign
e k y x f t x f
x g t x g
u
Si
c g c f
T
n
i
i
i
n
r f
g
c
~

~
] ) ( ) , ( ) (
) , ( [
) (
) ) (
) , ( (
) / ( ) , (
1
1
max
0
1
0
) ( ) (
0
1
u u
u
u
(3.23)
Ladaptation des paramtres de ) (
f
x f u A et ) (
g
x g u A est donne par :

) 0 ) ( ( ) (
) 0 ) ( ( ) (
2
1
> = < =
> = < =
c g
T
g
T
g g g g c g
T
g
f
T
f
T
f f f f f
T
f
u x PB e et M ou M si u x PB e
x PB e et M ou M si x PB e
u u u u
u u u u
`
`
(3.24)
Thorme
Soit le systme non linaire (3.1) substitu la commande (3.23) sous les hypothses (H.1-
H.4) avec les lois d'adaptation dfinies par (3.24). Le systme en boucle ferme est stable
dans le sens :
(i) Tous les signaux entre sortie sont borns.
(ii) Lerreur de poursuite convergence vers zro.
Le dtail de la dmonstration est en annexe E.

58
3.4. Rsultats des Simulations
Le contrleur adaptatif flou type-2 est test sur lexemple du servomcanisme dcrit
dans le deuxime chapitre.
La trajectoire de rfrence est donne par ) 1 , 0 sin( ) 3 / ( ) ( t t y
r r
t u = = en prsence des
perturbations ) ( 200 , 1 045 . 0 rand d = . Le terme non linaire est reprsent par
) sin( 4 . 0 ) (
1 1
x x f = A .
Nous prenons I Q 10 = . La matrice P est dtermine par lapproche de Lyapunov :
(
=
12.5000 5.0000 -
5.0000 - 2.6042
P
Les coefficients du polynme de Hurwitz sont 24 k
0
= et 10
1
= k . Nous choisissons 6 =
f
M ,
5 . 0
1
= et 0267 . 1
~
= V .
Les conditions initiales sont telles que 2 ) 0 (
1
= x et 0 ) 0 (
2
= x .
Les fonctions dappartenance pour la composante du vecteur dtat
1
x sont reprsentes sur la
figure 3.1. Nous aurons 3 rgles pour approcher la fonction non linaire ) (
1
x f A .
Les rsultats de la simulation sont prsents sur les figures 3.2 et 3.3 lesquelles montrent que
la convergence de l'erreur de poursuite est garantie avec la fonction non linaire et en
prsence des perturbations externes.

Figure 3.1 : Fonction dappartenance type-2 relative
1
x


59

r

Figure 3.3: Signal de commande ) (t u

3.5. Conclusion
Dans ce chapitre, nous avons prsent la conception dun contrleur flou adaptatif pour
une classe de systmes non linaire. Nous avons suppos la connaissance partielle de la
dynamique du systme non linaire afin dlargir lapplicabilit de la structure propose. La
modlisation floue type-2 a t adopte pour approcher le terme non linaire inconnu et
contourner leffet des perturbations externes et des incertitudes paramtriques. Larchitecture
de la structure de commande est dduite de la combinaison de la modlisation floue type-2
lapproche de Lyapunov. Les rsultats des simulations montrent l'efficacit du contrleur

60
adaptatif flou propos ainsi que les performances dsires en terme de stabilit et de
poursuite.

Chapitre 4 Commande dune Classe de Systmes MIMO Non Linaires

61
Chapitre 4
4. COMMANDE DUNE CLASSE DE SYSTMES MIMO
NON LINAIRES
4.1. Introduction
La majorit des procds industriels sont non linaires et composs de plusieurs units
interconnectes qui font intervenir plusieurs variables dentre et de sortie. La synthse de la
commande adaptative pour ces procds a fait lobjet de plusieurs travaux de recherche
pendant les dernires dcennies. A cause des interconnexions et des non linarits, la
commande de ces systmes peut tre difficile synthtiser. Pour faciliter la mise en uvre et
viter la charge lourde des calculs, le systme MIMO peut tre dcompos en plusieurs sous
systmes MISO (multi-entre mono-sortie). Par cette dcomposition, l'identification, le
dcouplage et le contrle deviennent plus performants et plus faciles puisque ils peuvent tre
ramens au cas monovariable [Ben-06].
La mthodologie de commande propose consiste synthtiser un rgulateur PID ou un PI
flou tout en compensant leffet des facteurs perturbateurs, savoir les dynamiques ngliges,
les non linarits, le couplage crois et les perturbations externes. Lide principale pour le
cas du PID est dextraire lordre souhait ce qui permet lapplication facile du rgulateur, tout
le reste sera prdit en utilisant la base orthogonale de Chebyshev. Le rsultat de cette
prdiction va nous servir dterminer larchitecture du compensateur qui sera incorpor dans
la loi de commande.
Nous proposons dans un premier temps de commander le systme multivariable non linaire
par un rgulateur PID adaptatif robuste qui permet de rajuster en permanence ses paramtres
en fonction de lvolution du processus par la mthode de placement de ples.
Dans un deuxime volet, vu que lhypothse de second ordre exige par la structure de
rgulateur PID limite son applicabilit aux procds industriels, nous proposons un rgulateur
PI flou combin avec un compensateur synthtis par la mme technique de projection sur
une srie de fonctions orthogonales.

62
4.2. Formulation du problme
Dans cette section, la classe de systmes MIMO considre est dcrite par lquation
suivante [Wan-90] :
) ( ) ( ) ( ) ( ) (
1 1
k k Z q B k y q A
d
+ =

(4.1)
o ) (
1
q A et ) (
1
q B
d
sont des matrices polynomiales et
n
R k Z e ) ( est une entre non
linaire du systme commander dont la
me
i composante est reprsente par le polynme
[Jin-89] :
) ( ... ) ( ) (
1
1 0
k u f k u f f k Z
i
p
i ip i i i i
+ + + = (4.2)
n
R k y e ) ( et
n
R k e ) ( sont respectivement la sortie du systme commander et lensemble
des perturbations qui affectent le fonctionnement du systme.
1
q est loprateur retard dfini par ) 1 ( ) (
1
=
k x k x q
1 ; ) ( )], ( [ ) (
0
) (
0
1 1 1
= = =

=

i
i n
r
r
ir i i
a q a q A q A diag q A
a
(4.3)
0 ; ) ( )], ( [ ) (
0
) , (
0
1 1 1
= = =

=

ij
j i n
r
r
ijr ij ij
d
d
b q b q B q B q q B
b
ij
(4.4)
ii
d est le retard entre lentre ) (k u
i
et la sortie ) (k y
i
.
ij
d est le retard entre lentre ) (k u
j
et la sortie ) (k y
i
.
La dcomposition du systme MIMO (4.1) en n sous-systmes MISO permet dcrire :
) ( ) ( ) ( ) ( ) ( ) ( ) (
1
1 1 1
k k Z q B q k Z q B q k y q A
i j
n
i j
j
ij
d
i ii
d
i i
ij
ii
+ + =

=
=

(4.5)
O ) (k y
i
est la sortie scalaire du
ime
i systme MISO linstant k .
4.3. Synthse dun contrleur PID
Le rgulateur PID est largement utilis dans les processus industriels en raison de sa
simplicit, sa facilit dimplmentation et ses performances vis--vis des variations
paramtriques. Cependant, il ne prsente pas de robustesse face aux problmes des
dynamiques ngliges et du couplage crois.
Lhypothse du second ordre est considre, le systme dcrit par lquation (4.5) peut tre
ramen lexpression suivante :

63
) (
~
) ( ) ( )] ( ... ) ( )[ (
~
) ( ) (
~
1
1 1
1 0
1 1
t t Z q B q t u f t u f f q B q t y q A
i j
n
i j
j
ij
d
p
i ip i i i ii
d
i i
ij
i ii
+ + + + + =

=
=

(4.6)
o :

=

+ + =
+ =
+ + =
) , (
2
) (
3
1
1 0
1
2
2
1
1
1
) ( ) ( ) ( ) (
~
) (
~
1 ) (
~
i i n
r
i
r
iir
i n
r
i
r
ir i i
ii ii i
i i i
b a
k Z q b k y q a k t
q b b q B
q a q a q A

(4.7)
Lquation (4.6) peut galement tre crite :
(.) ) ( ) ( ) ( ) (
~
1 * 1
i i ii
d
i i
H k u q B q k y q A
ii
+ =

(4.8)
o :
) (
~
) (
1
1
1 *
= q B f q B
ii i ii
(4.9)
) (
~
) ( ) ( ) ( ) (
~
) (
~
(.)
1
1
1
2
1 1
0
k k Z q B q k u f q B q q B f q H
i j
n
i j
j
ij
d
p
k
k
i ik ii
d
ii i
d
i
ij
i
ii ii
+ + + =

=
=
=

(4.10)
Lquation (4.8) montre que les ordres levs sont inclus dans la fonction (.)
i
H . Cette fonction
inconnue (.)
i
H contient tous les termes non linaires, le couplage crois, les dynamiques
ngliges et les perturbations. Sa modlisation est ralise par la projection sur une base de
fonctions orthogonales. Par la fonction obtenue, est construit un compensateur qui sera
incorpor dans la loi de commande.
La projection de (.)
i
H sur la base de Chebyshev donne :
) ( ) ( (.) k k T h H
i
T
i i
o + = (4.11)
o ) (k T est le vecteur regroupant la base orthogonale de Chebyshev,
i
h sont les coefficients
de Chebyshev et ) (k
i
o dsigne lerreur de troncature.
Lquation (4.8) devient :
) ( ) ( ) ( ) ( ) ( ) (
~
1 * 1
k k T h k u q B q k y q A
i
T
i i ii
d
i i
ii
o + + =

(4.12)
Hypothses
H.1 Le retard
ii
d est connu.
H.2 ) (
~
1
q A
i
et ) (
1 *
q B
ii
sont premiers entre eux.
H.3 Il existe un scalaire positif
i
e tel que
i
i
i
k
k
e
q
o
s
) (
) (
avec
i
q est un signal de normalisation.

64
4.3.1. Estimation des paramtres
Lestimation des paramtres est faite en utilisant lalgorithme des moindres carrs
rcursif. La forme rgressive correspondante lquation (4.12) est :
) ( ) 1 ( ) ( k k k y
i i
T
i i
o | u + = (4.13)
O )] ( ),..., ( ), ( ), 1 ( ), ( ), 2 ( ), 1 ( [ ) 1 (
1 - m 1 0
k T k T k T d k u d k u k y k y k
ii i ii i i i i
= | est le
vecteur observations et ] ,..., , , , , , [
1 - m 1 0
*
1
*
0 2 1 i i i ii ii i i i
h h h b b a a = u est le vecteur paramtres
estimer avec m est la dimension de la base de Chebyshev. Afin de rendre lalgorithme
destimation robuste, nous utilisons une normalisation des donnes entre-sortie. L'algorithme
d'identification donnant des estimations ) (
k
i
u de
i
u est exprim par [Pra-83] :

) ( ) 1 ( ) 1 ( ) (
) ( ) 1 ( ) 1 (
) 1 (
) (
k k P k k
k e k k P
k k
i i
T
i i
i i i
i i
| |
|
u u
+

+ = (4.14)
) 1 ( ) 1 ( ) ( ) ( = k k k y k e
i
T
i i i
u | (4.15)

) 1 ( ) 1 ( ) ( ) (
) 1 ( ) ( ) ( ) 1 (
) 1 ( ) (
+

=
k k P k k
k P k k k P
k P k P
i i
T
i i
i
T
i i i
i i
| |
| |
(4.16)
avec 0 , ) 0 ( < < = c c I P
i
et I est la matrice identit. Le facteur doubli ) (k
i
est donn
par :
) 1 ( ) 1 ( ) (
0 0 i i i i
k k + = avec 95 . 0
0
=
i
et 96 . 0 ) 0 ( =
i
.

) 1 (
) 1 (
) 1 (
) 1 (
) (
) (
=
k
k
k
k
k y
k y
i
i
i
i
i
i
q
|
|
q
(4.17)
4.3.2. Structure de la commande
La structure de commande PID propose [Oug-08c] est base sur la stratgie de
placement de ples avec compensation :
) ( ) ( ) ( ) ( ) ( ) (
1 1 1
k y q A k y q G k v q R
im im i i i i

= + (4.18)
O ) (k v
i
est la sortie du
ime
i PID, ) (
1
q A
im
est un polynme stable contenant les ples
dsirs et ) (
1
q R
i
et ) (
1
q G
i
sont des polynmes solution de lquation suivante :
) ( ) ( ) ( ) (
~
) (
1 1 * 1 1 1
= + q A q B q G q q A q R
im ii i
d
i i
ii
(4.19)
) (k v
i
est donn par :

65

) ( ) (
) ( ) ( ) (
k T C k u
k u k u k v
T
i i
ic i i
+ =
+ =
(4.20)
o ) (k u
i
est lentre du
ime
i sous systme rguler et ) (k u
ic
est le terme de compensation.
Le compensateur
T
i
C est donn par :

) (
) 1 (
1 *
*
=
q B
B h
q C
ii
ii
T
i d T
i
ii
(4.21)
Il a t dmontr dans [Pra-83] que la bournitude des signaux dentre et de sortie ncessite la
condition suffisante
i
i
i
k
k
e
q
o
s
) (
) (
et nous notons que cette hypothse est moins restrictive que
la norme impose sur l'quation (4.8):
) (
) (
k
k H
i
i
q
est suffisamment petite en moyen [Pra-83 ;Gir-
91]. En consquence, la modlisation par une base de fonctions rduit leffet des dynamiques
ngliges et par suite amliore les performances du systme adaptatif.
Thorme
Considrons le systme MIMO dcrit par la reprsentation entre-sortie (4.1). Si on choisit
une loi de commande (4.20) avec les hypothses H.1, H.2, et H.3, alors ce systme en boucle
ferme est stable dans le sens que :
(i) Toutes les entres et les sorties sont bornes.
(ii) Lerreur de poursuite est telle que { } 0 ) ( ) ( lim =

k y k y
im i
k
si 0 ) ( = k
i
o .
Le dtail du compensateur et la dmonstration se trouvent en annexe F.
4.4. Synthse dun contrleur flou PI
Dans cette section, nous dveloppons un rgulateur flou PI de type Mamdani pour la
mme classe de systmes MIMO tudie dans la section prcdente. Ce type de rgulateur
possde deux entres, lerreur et sa variation et une sortie qui reprsente la variation de la
commande [Cho-08]. Le rgulateur PI flou est rgit par une base de rgles de la forme
suivante :

i i i i
G u Alors e est F et Si e est E R = A A :
Pour commander le systme MIMO, nous procdons galement sa dcomposition en n sous
systme MISO. La stratgie de contrle est cette fois-ci base sur la combinaison dun
rgulateur flou PI un compensateur dont la forme est dtermine via la projection sur la base

66
de Chebyshev de la fonction (.) H contenant les termes non linaires, le couplage crois et les
perturbations externes. Dans ce cas, aucune hypothse nest faite sur lordre des polynmes,
en plus lintgration des techniques floues permet dobtenir de meilleures performances.
Reprenons la mme classe de systmes dcrite par lquation (4.5) :
) ( ) ( ) ( ) ( ) ( ) ( ) (
1
1 1 1
i j
n
i j
j
ij
d
i ii
d
i i
ij
ii
+ + =

=
=

(4.22)
La loi de commande propose [Oug-09] est compose de deux termes. Le premier est un
rgulateur PI flou et le second terme est un compensateur dduit du rsultat de projection sur
la base orthogonale de Chebyshev.
Lquation (4.22) devient:

) ( ) ( ) (
)] ( ... ) ( )[ ( ) ( ) ( ) ( ) (
1
1
1 2
2 0
1 1
1
1
k k Z q B q
k u f k u f f q B q k u q B f q k y q A
i j
n
i j
j
ij
d
p
i ip i i i ii
d
i ii i
d
i i
ij
i ii ii
+
+ + + + + =
=
=

(4.23)
Lquation (4.23) peut tre crite sous forme :
(.) ) ( ) ( ) ( ) (
1 * 1
i i ii
d
i i
H k u q B q k y q A
ii
+ =

(4.24)
o
) ( ) (
1
1
1 *
= q B f q B
ii i ii
(4.25)
) ( ) ( ) ( ) ( ) ( ) ( (.)
1
1
1
2
1 1
0
k k Z q B q k u f q B q q B f q H
i j
n
i j
j
ij
d
p
k
k
i ik ii
d
ii i
d
i
ij
i
ii ii
+ + + =

=
=
=

(4.26)
(.)
i
H est une fonction non linaire de ) (k u
i
et ) (k u
j
, elle contient les termes de couplage, les
non linarits et les perturbations.
Lapproximation de (.)
i
H base des polynmes orthogonaux de Chebyshev permet dcrire :
) ( ) ( ) ( ) ( ) ( ) (
T 1 * 1
k k T h k u q B q k y q A
i i i ii
d
i i
ii
o + + =

(4.27)
O ) (k
i
o est lerreur de troncature.
4.4.1. Estimation des paramtres
Pour estimer le vecteur paramtres
i
u , nous reprenons la forme rgressive
correspondante lquation (4.27).
) ( ) 1 ( ) (
T
k k k y
i i i i
o | u + = (4.28)
Le mme algorithme des moindres carrs normaliss [Pra-83] est utilis avec :

67
)] ( ),..., ( ), ( ), ( ),..., 1 (
), ( ), ( ),..., 2 ( ), 1 ( [ ) 1 (
1 - m 1 0
k T k T k T n d k u d k u
d k u n k y k y k y k
b ii i ii i
ii i a i i i

= |
est le vecteur observations et
] ,..., , , ,..., , , ,..., , [
1 - m 1 0
* *
1
*
0 2 1 i i i iin ii ii in i i i
h h h b b b a a a
b a
= u est le vecteur paramtres. m est lordre
dexpansion du polynme de Chebyshev.
4.4.2. Structure du contrleur
La structure de commande PI flou avec compensation propose [Oug-09] est :
) ( ) ( ) ( k u k u k v
ic i i
+ = (4.29)
o ) (k u
i
est synthtis par un rgulateur PI flou de type Mamdani et ) (k u
ic
est le terme de
compensation.
La loi de commande floue ) (k u
i
a la forme suivante :
)) ( ), ( ( ) ( k e k e f k u
i i i
A = A (4.30)
Avec ) ( ) ( ) ( k y k y k e
im i i
= et ) 1 ( ) ( ) ( = A k e k e k e
i i i
sont les entres du contrleur flou
PI, ) 1 ( ) ( ) ( = A k u k u k u
i i i
est sa sortie et R R R f: x est une fonction qui ralise une
relation entre les fonctions dappartenance des entres du rgulateur PI flou et la base de
rgles.
Les variables linguistiques associes aux entres ) (k e
i
et ) (k e
i
A du rgulateur PI sont
dfinies chacune par trois ensembles flous : ngative (N), zro (Z) et positive (P) (figure 4.1).
Neuf ensembles flous sont associs la sortie de rgulateur et sont de type singleton (figure
4.2) dfinis par { } PTG PG PM PP ZE NP NM NG NTG , , , , , , , , .

-STG
STG
-SG SM SP -SP
-SM SG
) (
i
u A
NTG NG NM NP PTG PP PM PG Z

Figure 4.1 : Les fonctions dappartenance des
entres du rgulateur PI flou
Figure 4.2 : Les fonctions dappartenance de la
sortie du rgulateur PI flou


68
o { }
i
e A =
i i
e x et { }
i
e

A
= l l l
i i
e x
avec les paramtres
i
e
l et
i
e A
l dfinissent les largeurs des
fonctions dappartenance des prmisses des rgles.
La base des rgles du
ime
i rgulateur PI prend la forme suivante pour la
ime
l rgle :

l
i
l
i i i
(k) est A u Alors (k) est P e est N et (k) Si e A A (4.31)
avec ) (k u
l
i
A est la sortie correspondante la
ime
l rgle et
{ } PTG PG PM PP ZE NP NM NG NTG A
i
, , , , , , , , = .
La matrice dinfrence du contrleur flou PI adopt est constitue de neuf rgles rcapitules
dans le tableau suivant :

) (
) (
k e
k e
i
i
A
N Z P
N NTG NG PM
Z NP ZE PG
P NM PP PTG

La commande ) (k u
l
i
A est dduite en tenant compte des neuf rgles de la matrice dinfrence.
La dfuzzification par la technique de la moyenne pondre donne :

=
= A
K
l
l l i
P k u
1
) ( c (4.32)
O
l
est le degr dactivation de la
ime
l rgle et
l
P est la position du singleton affrente la
ime
l sortie. K est le nombre de rgles et c est un facteur de rglage fine pour amliorer la
poursuite.
La loi de commande ) (k v
i
est donne par :

) ( ) (
) ( ) ( ) (
T
k T C k u
k u k u k v
i i
ic i i
+ =
+ =
(4.33)

) (
) 1 (
1 *
* T
T
=
q B
B h
q C
ii
ii i d
i
ii
(4.34)


69
Thorme
Considrons le systme dcrit par lquation (4.1). Si la loi de commande (4.33) est utilise
sous les hypothses H.1 et H.3, alors le systme en boucle ferme est stable dans le sens :
(i) Tous les signaux dentre et de sortie sont borns.
(ii) Lerreur de poursuite est telle que { } 0 ) ( ) ( lim =

k y k y
im i
k
si 0 ) ( = k
i
o .
Le dtail sur le compensateur et la dmonstration du thorme se trouvent en annexe G.
4.5. Rsultats des simulations
4.5.1. Contrleur PID
La conception du systme sur lequel est test le rgulateur PID propos est faite par le
logiciel Simulink. La figure 4.3 reprsente le schma sur lequel ont t relevs les rsultats
des simulations : cest un systme de deux entres et deux sorties. Les deux diodes
introduisent un effet de non linarit et les rsistances
12
R et
21
R assurent le couplage entre
les deux sous-systmes [Bou-99].
Les valeurs des composants du systme sont choisies comme suit :
O = K 1 R
1
, O = K 5 . 1 R
2
, O = K 5 . 1 R
'
1
, O = K 2 . 2 R
'
2
, F 220 C C
'
1 1
= = et
F 220 C C
'
2 2
= = .
12
R et
21
R sont des rsistances rglables.

Figure 4.3 : Schma du circuit lectronique

70
Les performances de la commande propose sont indpendantes de l'ordre de la base
orthogonale de Chebyshev, ce qui est bien illustr par les tests ci-dessous.

Test 1 : Les deux sous systmes sont indpendants
Dans ce cas, les fonctions (.)
1
H et (.)
2
H sont composes de termes d'ordre lev et
prsentent des non linarits et elles sont modlises par une projection sur la base de
Chebyshev avec 3 = m . Nous pouvons voir sur les figures 4.4 et 4.5 que la poursuite est
assure indpendamment des dynamiques non modlises. Les figures 4.6 et 4.7 montrent les
lois de commandes correspondantes aux deux sous systmes.

0 100 200 300 400 500 600
-4
-2
0
2
4

0 100 200 300 400 500 600
-4
-2
0
2
4

Figure 4.4 : Comportement de ) (
1
k y et ) (
1
k y
m
2
k y et
) (
2
k y
m

100 200 300 400 500 600
-10
-5
0
5
10

0 100 200 300 400 500 600
-10
-5
0
5
10

Figure 4.6 : Le signal de commande ) (
1
k u Figure 4.7 : le signal de commande ) (
2
k u

Test 2 : Les deux sous systmes sont coupls
Les rsultats des simulations sont donns sur les figures 4.8, 4.9, 4.10 et 4.11 o nous
pouvons remarquer que les performances recherches sont bien obtenues.


71
100 200 300 400 500 600
-5
0
5

100 200 300 400 500 600
-5
0
5

1
k y et ) (
1
k y
m
2
k y et
) (
2
k y
m

100 200 300 400 500 600
-10
-5
0
5
10

100 200 300 400 500 600
-10
-5
0
5
10

1
k u Figure 4.11 : Le signal de commande ) (
2
k u

Test 3 : Les deux sous systmes sont coupls avec une variation de la dynamique
Nous modifions la rsistance
12
R du premier sous systme 250 = k , puis 450 = k nous
modifions la rsistance
21
R du deuxime sous systme. Enfin, 650 = k , nous changeons
simultanment les rsistances
12
R et
21
R des deux sous systmes.
Nous remarquons que le changement de dynamique de lun des deux sous systmes affecte le
systme global. Pour chaque changement, une bonne poursuite est immdiatement atteinte.
Ceci prouve la robustesse de la commande propose (Figures 4.12 et 4.13). Les signaux de
commande correspondants sont donns sur les Figures 4.14 et 4.15.

0 100 200 300 400 500 600 700 800 900
-5
0
5

0 100 200 300 400 500 600 700 800 900
-5
0
5

1
k y et
) (
1
k y
m

2
k y et
) (
2
k y
m


72
0 100 200 300 400 500 600 700 800 900
-10
-5
0
5
10
0 100 200 300 400 500 600 700 800 900
-10
-5
0
5
10

1
k u Figure 4.15 : Le signal de commande ) (
2
k u

4.5.2. Contrleur PI flou
Nous considrons le systme a deux entres et deux sorties dcrit par lquation
suivante [Wen-90] :
) ( ) ( ) ( ) ( ) (
1 1
k k Z q B k y q A
d
+ =

La dcomposition du systme en deux sous systmes donne :
) ( ) ( ) ( ) ( ) ( ) ( ) (
1 2
1
12 1
1
11 1
1
1
12 11
d d
+ + =

) ( ) ( ) ( ) ( ) ( ) ( ) (
2 1
1
21 2
1
22 2
1
2
21 22
d d
+ + =

Avec
| |
(
+ +
+ +
= =

2 1
2 1
2 1
1
05 . 0 72 . 0 1
15 . 0 35 . 0 1
) (
q q
q q
A A q A
T

(
+ +
+ +
=
(
1 1
1 1
22 21
12 11 1
23 . 0 65 . 1 65 . 0 12 . 1
25 . 1 2 85 . 0 1
) (
q q
q q
B B
B B
q B
d

) ( 25 . 0 ) ( 5 . 0 ) (
2
1 1 1
k u k u k Z + =
) ( 83 . 0 ) ( ) (
2
2 2 2
k u k u k Z + =
) 600 . 1 ( 1 . 0 ) (
1
rand k =
) 600 . 1 ( 12 . 0 ) (
2
rand k =
1
22 11
= = d d et 2
21 12
= = d d
La reprsentation des deux sous systmes peut tre ramene :
) ( ) ( ) ( ) ( ) (
1 1
1 *
11 1
1
1
11
k H k u q B q k y q A
d
+ =

avec
2 1 1 *
11
425 . 0 5 . 0 ) (
11

+ = q q q B q
d

) ( ) ( ) ( ) ( ) (
2 2
1 *
22 2
1
2
22
k H k u q B q k y q A
d
+ =

avec
2 1 1 *
22
25 . 0 65 . 1 ) (
22

+ = q q q B q
d

) (
1
k H et ) (
2
k H sont les fonctions non linaires qui contiennent les termes de couplage, les
non linarits et les perturbations.

73
Pour la synthse du rgulateur flou, la largeur des fonctions dappartenance des prmisses est
choisie : ] 6 , 4 . 6 , 1 , 1 [ ] , [
2 2 1 1
= =
A A e e e e
l ,l , l l L . Pour obtenir une meilleure poursuite, nous
choisissons le facteur de rglage fine 1 . 0 = c .
Les singletons des fonctions dappartenance consquentes sont choisis :
(
(
=
14.35] - 0.33 - 3.42 1.39 - 0 5.7 0.20 - 3.42 - 14.35
14.35 - 1.35 - 10.47 5.3 - 0 10.5 3.20 - 3.42 - 14.35
P
Nous pouvons constater sur les figures 4.16 et 4.17 que le couplage crois est limin par
lutilisation du contrleur flou PI et la projection sur la base orthogonale de Chebyshev.

Figure 4.16: Comportement de ) (
1
k y et ) (
1
k y
m
Figure 4.17: Comportement de ) (
2
k y et
) (
2
k y
m

Les lois de commande correspondantes sont donnes sur les figures 4.18 et 4.19:

Figure 4.18 : La loi de commande ) (
1
k u Figure 4.19: La loi de commande ) (
2
k u
4.6. Conclusion
La stratgie de commande propose est principalement destine aux systmes non
linaires et multivariables. Elle consiste dcomposer le systme MIMO en un ensemble de
sous systmes MISO, ce qui permettra de rguler chaque sous systme indpendamment des
autres. Cette dcomposition a lavantage dassurer lidentification des paramtres sans aucune
hypothse sur la richesse de lexcitation, de raliser facilement le dcouplage, dviter la

74
charge des calculs et de garantir une bonne poursuite. Deux structures de commandes sont
proposes :
o Un rgulateur PID dont la synthse des paramtres est base sur la stratgie de
placement de ples.
o Un rgulateur PI bas sur la technique de la logique floue.
Ces deux techniques sont combines un compensateur dont la structure est dduite du
rsultat de la projection de tous les facteurs perturbateurs sur la base orthogonale de
Chebyshev.
Ces deux approches ont t testes sur deux exemples de simulation. Les rsultats obtenus
montrent clairement une robustesse vis--vis des perturbations et des interactions entre les
boucles, ce qui est prouv par une bonne poursuite. Notons aussi que ces deux structures
peuvent facilement tre mises en uvre et appliques une large classe de systmes
multivariables.

Conclusion Gnrale

75
CONCLUSION GNRALE
Le travail prsent dans cette thse se place dans le cadre de la commande des systmes
non linaires. La commande de ce type de systmes soulve un certain nombre de contraintes,
parmi lesquelles on peut citer : leffet des perturbations externes, la nature des non linarits,
les erreurs de modlisation, la question de lordre dans le cas de la rgulation PID, en plus du
couplage crois dans le cas des systmes multivariables. Toutes ces contraintes ont t traites
par les diffrentes approches proposes dans ce mmoire.
La stratgie de commande propose pour le cas des systmes SISO non linaires inconnus est
base sur la synthse dune commande compose de deux termes :
- Un terme dit nominal dtermin par intgration des techniques floues. Ceci a permit
de ramener ltude des systmes non linaires celle des systmes linaires. Ce
terme a pour but dassurer une certaine performance en poursuite.
- Un terme dit additif ou de robustesse synthtis par les approches de commandes
robustes connues dans la littrature, savoir : les modes glissants, LMI,
H ,
Lyapunov. Ce terme a pour but dattnuer leffet des erreurs de modlisation et de
tous les effets perturbateurs.
Les approches de commande proposes dans ce mmoire destines aux systmes
monovariables sont bases soit sur la modlisation floue type-1 si le systme commander ne
connat pas de grandes variations paramtriques, soit sur la modlisation floue-type-2 si le
systme commander est soumis de svres perturbations. Les systmes flous type-1 de
Takagi-Sugeno dcrits par des ensembles flous prcis ont t utiliss pour modliser la
dynamique des systmes non linaires et permettent la conception des structures de
commande stables et robustes. Les systmes flous type-2 ont t utiliss en vue de concevoir
une structure de commande dans le cas de prsence des incertitudes de modlisation ou
linguistiques entravant lobtention des fonctions dappartenance prcises. Les rsultats des
simulations obtenus montrent une bonne poursuite tout en assurant la stabilit et la robustesse
de la structure de commande dveloppe et constituent une nette amlioration par rapport aux
approches existantes dans la littrature.
Conclusion Gnrale

76
Dans lobjectif de concevoir des structures de commande pour les systmes MIMO non
linaires, nous avons dvelopp deux techniques, chacune est base sur un rgulateur combin
un compensateur : le rgulateur PID adaptatif et le rgulateur PI flou type Mamdani.
La compensation des non linarits, du couplage crois, des dynamiques ngliges et des
perturbations externes est acheve par projection sur la base orthogonale de Chebyshev.
Ainsi, la contrainte de lordre impose par le rgulateur PID a t rsolue par adoption du
rgulateur PI flou.
Les rsultats des simulations obtenus, la simplicit et la facilit de mise en uvre des
approches proposes laissent prvoir une large extension ainsi quune applicabilit des cas
rels.

Rfrences

77
Rfrences
[Bab-94] R. Babuska and H.B. Verbruggen, Applied Fuzzy Modeling, IFAC Symposium
on Artificial Intelligence in Real Time Control Valencia (Spain), 1994.
[Bar-00] G. Bartolini, A. Ferrara, E. Usai and V.I. Utkin, On multi-Input chattering free
second order sliding mode control, IEEE Trans. Auto. Control. vol. 45, no. 9, pp. 1711-1717,
2000.
[Bar-04] G. Bartolini, A. Pisano and E. Usai, An improved second order sliding mode
control scheme robust against the measurement noise, IEEE Transactions on Automatic
Control, vol. 49, no. 10, pp. 1731-1736, 2004.
[Ben-06] M. Benyakhlef, Commande Floue Dcentralise des Systmes Interconnects,
Thse de Doctorat National, Laboratoire Electronique Signaux-Systmes et Informatique,
Facult des Sciences Dhar Mehrez, Universit Sidi Mohamed Ben Abdellah Fs, Avril, 2006.
[Ber-08] H. Bernal, K. Duran and M. Melgarejo, A Comparative Study Between Two
Algorithms for Computing the Generalized Centroid of an Interval Type-2 Fuzzy Set, Proc.
IEEE FUZZ Conference, Paper # FS0234, Hong Kong, China, June 2008.
[Bor-93] P. Borne, J.P. Richard et N.E. Radhy, Stabilit, stabilisation, rgulation: approche
par les normes vectorielles, volume 2 de Systmes non linaires : Stabilit-stabilisation.
Masson Editeur, 1993.
[Bou-99] I. Boumhidi, Commande Adaptative des Systmes Multivariables par Approche
Locale, Thse de Doctorat dEtat, Laboratoire Electronique Signaux-Systmes et
Informatique, Facult des Sciences Dhar Mehrez, Universit Sidi Mohamed Ben Abdellah
Fs, Septembre, 1999.
[Boy-94] S. Boyd, L. El Ghaoui, E. Feron and V. Balakrishnan, Linear Matrix Inequalities in
System and Control Theory, Philadelphia, PA: SIAM, 1994.
[Buc-92] J. Buckley, Universal Fuzzy Controllers, Automatica, vol. 28, no. 6, pp. 1245-
1248, 1992.
[Buc-93] J. Buckley, Sugeno type Controllers are Universal Controllers, Fuzzy sets and
Systems 53, North-Holland Publishing Company, pp. 299-303, 1993.
[Cas-95] J. L Castro, Fuzzy logic controllers are universal approximators, IEEE Trans. On
Systems, Man and Cybernetics, vol. 25, no. 4, pp. 629-635, 1995.
Rfrences

78
[Cas-07] J. Castro, O. Castillo and P. Mellin, An interval type-2 fuzzy logic toolbox for
control applications, Proc. IEEE FUZZ Conference, pp. 61-66, London, UK, July 2007.
[Cas-08] O. Castillo and P. Melin, Type-2 Fuzzy Logic Theory and Applications, Springer-
Verlag, Berlin, 2008.
[Cho-08] S. Chopra, R. Mitra and V. Kumar, Auto Tuning of Fuzzy PI Type Controller
Using Fuzzy Logic, International Journal of Computational Cognition, vol. 6, no. 1, march
2008.
[Chu-00] S. Chuai-Aree, C. Lursinsap, P. Sophatsathit and S. Siripant, Fuzzy C-Mean: A
statistical feature classification of text and image segmentation method, Proc. of Intern.
Conf. on Intelligent Technology 2000, December 13-15, Assumption University Bangkok,
Thailand, pp. 279-284, 2000.
[Cla-01] S.T. Clausen, P. Andersen and J. Stoustrup, Robust control. Course in robust and
optimal control, Aalborg University, Denmark, April 2001.
[Doy-89] J.C. Doyle, K. Glover, P.P. Khargonekar and B.A. Francis, State-space solutions to
standard
2
H and
H control problems, IEEE Transactions on Automatic Control, vol. 34,

issue no. 8, pp. 831-847, 1989.
[Edw-98] C. Edwards and S.K. Spurgeon, Sliding Mode Control-Theory and Application,
London, U.K. Taylor & Francis, 1998.
[Eme-93] S.V. Emelyanove, S.V. Korovin and A. Levant, Higher Order Sliding Modes in
Control System", Deferential Equations, vol. 29, n11, pp. 1627-1647, 1993.
[Fra-87] B.A. Francis, A course in
H control theory, Lecture notes in control and

information sciences, vol. 88, 1987.
[Fri-02] L. Friedman and A. Levant, Higher-order sliding modes, dans Sliding mode
control in engineering, Control Engineering Series, Marcel Dekker Inc, 2002.
[Gah-95] P. Gahinet, A. Nemirovski, A. Laub and M. Chilali, LMI control toolbox, Natick,
MA, The Math Works, 1995.
[Gir-91] F. Giri, M. MSaad, J.M. Dion and L. Dugard, On the robustness of discrete-time
indirect adaptive (linear) controllers, Automatica, vol. 27(1), pp. 153-160, 1991.
[Glo-99] P. Y. Glorennec. Algorithmes dapprentissage pour systmes dinfrence floue.
Hermes, 1999.
[Gol-03] N. Golea, A. Golea and K. Benmahammed, Stable indirect fuzzy adaptive control,
Fuzzy Sets and Systems, vol. 137, no 3, pp. 353-366, 1 August 2003.
Rfrences

79
[Gui-01] Guillaume Serge, Induction de rgles floues interprtables, Thse de Doctorat,
Laboratoire danalyse et darchitecture des systmes du CNRS Toulouse, Novembre 2001.
[Gus-79] D. Gustafson and W. Kessel, Fuzzy Clustering with a Fuzzy Covariance Matrix,
IEEE Fuzzy Models for Pattern Recognition, 1992 reprinted from Proc. IEEE CDC, pp. 761-
766, 1979.
[Hoj-02] M. Hojati and S. Gazor, Hybrid Adaptive Fuzzy Identification and Control of
Nonlinear Systems, IEEE Transactions on Fuzzy Systems, vol.10, no.2, pp.198-210, 2002.
[Isi-89] A. Isidori, Nonlinear Control Systems, Springer-Verlag, 2nd ed. Berlin, Germany,
1989.
[Jin-89] Z. Jingxin and L. Shijum, Explicit self-tuning control for a class of non-linear
systems, Automatica, vol. 25(4): 593-596, 1989.
[Kar-01] N. N. Karnik and J. M. Mendel, Operations on type-2 fuzzy sets, Fuzzy Sets and
Systems, vol. 122, pp. 327-348. 2001.
[Kar-98a] N. N. Karnik and J. Mendel, An introduction to type-2 fuzzy logic systems,
Univ. sothen California, Rep. Oct. 1998.
[Kar-98b] N. N. Karnik and J. Mendel, Type-2 fuzzy systems: Type Reduction In SMC98
Conference Proceedings 1998 IEEE International Conference on Systems, Man and
Cybernetics, Part 2, pp. 2046-2051, 1998.
[Kar-99] N. N. Karnik, J. M. Mendel and Q. Liang, Type-2 fuzzy logic systems, IEEE
Trans. Fuzzy Syst., vol. 7, no. 6, pp. 643-658, Dec 1999.
[Kch-07] M. Kchaou, M. Souissi and A. Toumi, Fuzzy dynamic output feedback control of
nonlinear systems integrated with and quadratics D-stability strategies, ICGST ACSE vol. 7,
issue 2, pp. 33-41, 2007.
[Kha-96] H. Khalil, Nonlinear systems, Prentice hall, Inc. second edition, USA, 1996.
[Kli-94] G. J. Klir and B. Yuan, Fuzzy sets and fuzzy logics: theory and applications,
Aprentice Hall. 1994.
[Kli-96] G. J. Klir and B. Yuan, Fuzzy sets, fuzzy logic and fuzzy systems: selected papers by
Lotfi A. Zadeh. Advances in Fuzzy Systems, Applications and Theory, vol. 6, 1996.
[Kov-98] Z. Kovacic, M. Balenovic and S. Bogdan, Sensitivity-based self learning fuzzy
logic control for a servosystem, IEEE Control Systems. June 1998.
[Krs-95] M. Krstic, I, Kanellakopoulos and P. Kokotovic, Nonlinear and Adaptive Control
Design, John Wiley and Sons Inc., 1995.
Rfrences

80
[Lag-06] I. Lagrat, H. Ouakka, I. Boumhidi, Fuzzy Sliding Mode PI Controller for
Nonlinear Systems, WSEAS Transactions on Signal Processing, vol. (2), pp.1137-1143,
September 2006.
[Lag-08a] I. Lagrat, A. El Ougli and I. Boumhidi, Optimal Adaptive Fuzzy Control for a
Class of Unknown Nonlinear Systems, WSEAS TRANSACTIONS on SYSTEMS and
CONTROL, Issue 1, vol. 3, pp. 89-98, 2008.
[Lag-08b] I. Lagrat, A. El Ougli and I. Boumhidi, Fuzzy Control of a class of unknown
Nonlinear Systems Using
H Approach, SITA'08, Cinquime confrence sur les systmes

intelligents, INPT Rabat, 5-6 Mai 2008.
[Las-86] J.P. Lasalle, Stability and Control of Discrete Process, Springer Verlag, 1986.
[Lev-93] A. Levant, Sliding order and sliding accuracy in sliding mode control,
International Journal of Control, 58, 6, pp. 1247-1263, 1993.
[Lia-00] Q. Liang and J. M. Mendel, Interval type-2 fuzzy logic systems: Theory and
Design, IEEE Trans. Fuzzy Syst. Vol. 8, no 5, pp. 535-550. Oct. 2000.
[Lo -03] J. C. Lo and M. L. Lin, Robust
H nonlinear control via fuzzy static output

feedback, IEEE Trans. Circuits Systems Part I 50 (11), pp.14941502, 2003.
[Mah-99] O. Mahmoudi, N. Madani, M. F Benkhoris and F. Boudjema, Cascade sliding
mode control of a field oriented induction machine drive, The European Physical
journal,April 1999.
[Men-95] J. Mendel, Fuzzy logic systems for engineering: a tutorial, Proc. of the IEEE, vol.
83, no 3, pp. 345-377, 1995.
[Men-01] J. M. Mendel, Rule-Based Fuzzy Logic Systems: Introduction and New
Directions, Prentice Hall, Englewood Cliffs, NJ, 2001.
[Nah-93] T. Nahri, Frequency-domain analysis of non linear microwave circuits, Doctoral
thesis, Technical research center of Finland, VTT publications 148, Espoo, 144p, 1993.
[Ngu-01] S.K. Nguang and P. Shi, Fuzzy
H Output Feedback Control Design for

Nonlinear Systems under Sampled Measurements, 40 IEEE Conf on Decision and Contr. pp.
120-126, 2001.
[Oll-89] A. Ollero, J. Aracil and A. Garcia-Cerezo, Stability Indices for the Global Analysis
of Expert Control Systems, IEEE Trans. on Systems, Man, and Cybernetics, vol. 19, no. 5,
pp. 998-1007, 1989.
Rfrences

81
[Oug-08a] A. El Ougli, I. Lagrat and I. Boumhidi, Direct Adaptive Fuzzy Control of
Nonlinear Systems, ICGST International Journal on Automatic Control and Systems
Engineering, ACSE, Issue 2, vol. 8, pp. 15-21, 2008.
[Oug-08b] A. El Ougli, I. Lagrat, and I. Boumhidi, A Type-2 Fuzzy Adaptive Controller of
a Class of Nonlinear System, WASET, International Journal of Computational Intelligence,
vol. 4, no. 4, pp. 282-288, 2008.
[Oug-08c] A. El Ougli and I. Boumhidi, Adaptive PID Controller using Orthogonal
Polynomials for a class of MIMO Nonlinear systems, 9th International conference on
Sciences and Techniques of Automatic control & computer engineering STA'2008-ACS-474,
pages 1-14, Academic Publication Center of Tunis, Tunisia, 2008.
[Oug-09] A. El Ougli and I. Boumhidi, Fuzzy Logic PI Controller for a class of MIMO
Nonlinear systems, ICGST International Journal on Automatic Control and Systems
Engineering, ACSE, Issue 1, vol. 9, pp. 17-23, 2009.
[Pac-94] A. Packard, Gain scheduling via linear fractional transformations, Systems and
Control Letters, 22 :79-92, 1994.
[Pas-98] K. Passino and Y. Yurkovich, Fuzzy control, Addison Wesley Longman, Inc,
1998.
[Pra-83] L. Praly, Robustness of indirect adaptive control based on pole placement design,
Proc of the 1st IFAC workshop on adaptive systems in control and signal processing, San
Francisco, USA, 1983.
[Pre-94] R.E. Precup and S. Preitl, On a Fuzzy Digital PID Predictor Controller, in Proc.
IEEE Mediterranean Symp. on New Directions in Control Theory and Automation, pp. 569-
573, 1994.
[Rog-91] J. S. Roger, Fuzzy modelling using generalized neural networks and Kalman filter
algorithm, In Proc. of the Ninth National Conference on Artificial Intelligence, Jully 1991.
[Rug-91] W.J. Rugh, Analytical framework for gain-scheduling, In IEEE trans. on Control
Systems, vol.11(1), pp. 79-84, 1991.
[Sha-90] J.S. Shamma and M. Athans, Analysis of nonlinear gain-scheduled control
systems, In IEEE trans. on Automatic Control, vol. 35(8), pp. 398-907, 1990.
[Sha-92] J.S. Shamma and M. Athans, Gain scheduling hazards and possible remedies, In
IEEE trans. on Control Systems, vol. 12(3), pp. 101-107, 1992.
[Slo-84] J.J. Slotine, sliding controller design for nonlinear system, I. J. C. vol. 4, no. 2, pp.
421-434, 1984.
[Slo-91] J.JE. Slotine and W. Li, Applied Nonlinear Control, Prentice Hall, 1991.
Rfrences

82
[Spo-02] J. T. Spooner, M Maggiore, R Ordonez, and K.M. Passino, Stable Adaptive
Control and Estimation for Nonlinear Systems: Neural and Fuzzy Approximator Technique,
Wiley- InterScience, New York, 2002.
[Tak-85] T. Takagi and M. Sugeno, Fuzzy Identification of Systems and its Application to
Modelling and Control, IEEE Transactions on Systems, Man and Cybernetics vol. SMC-15
no. 1, pp. 116-130, 1985.
[Tan-90] K. Tanka, M. Sugeno, Stability analysis of fuzzy systems using Lyapunovs direct
method, in Proc. NAFIPS90, pp. 133-136, 1990.
[Tan-92] K. Tanka, M. Sugeno, Stability analysis and design of fuzzy control systems,
Fuzzy Sets and Systems, vol. 45, pp. 135-156, 1992.
[Tan-98] K. Tanaka, T. Ikeda and Y. Y. He, Fuzzy regulators and fuzzy observers: relaxed
stability conditions and LMI-based design, IEEE Trans. Fuzzy Systems, vol. 6 (1), pp. 250-
256, 1998.
[Toi-98] T.H. Toivonen, Robust control methods, Lecture notes, Abo Akademi University,
Finland, 1998.
[Yon-01] J. Yoneyama, M. Nishikawa, H. Katayama and A. Ichikawa,

H control for
TakagiSugeno fuzzy systems, Internat. J.Systems Sci. 32, pp. 915924, 2001.
[Yun-07] C. Yung-Shan, L. Chin-Chen and C. Yen-Hsin, Robust controller design for
systems with real parametric uncertainties: LMI approach, Wseas, Transactions on Systems
and Control, vol. 6, pp. 990-996, May 2007.
[Zad-65] L. A. Zadeh, Fuzzy sets, Information and Control, vol. 8, pp. 338-353, 1965.
[Zad-75] L.A. Zadeh, The Concept of a Linguistic Variable and its Application to
Approximate Reasoning, Information Science, Part. I (8) pp. 199-249, Part II (8) pp. 301-
357, Part III (9) pp. 43-80, 1975.
[Zad-94] L. A. Zadeh, Fuzzy local, Neural Networks and soft computing, Communications
of the ACM, vol. 37, no. 3, pp. 77-84, 1994.
[Zam-81] G. Zames, Feedback and optimal sensitivity: Model reference transformations,
multiplicative seminorms, and approximations, IEEE Transactions on Automatic Control,
vol. 26, issue no. 4, 1981.
[Zen-94] X. J. Zeng and M. G. Singh, Approximation theory of fuzzy systems-SISO case,
IEEE Trans. on Fuzzy Systems, vol. 2, no. 2, pp. 162-176, 1994.
[Zim-93] H. J. Zimmermann, Fuzzy set theory and its applications, Kluwer, Boston, 2
nd
ed.,
1993.
Rfrences

83
[Utk-77] V.I. Utkin, Variable structure systems with sliding modes, IEEE Transactions on
Automatic Control, vol. 22, pp. 212-222, 1977.
[Utk-92] V. I. Utkin, Sliding mode in control and optimization, Springer, Berlin, 1992.
[Utk-06] V. Utkin and Hoon Lee, Chattering problem in Sliding Modes Control Systems,
VSS'06, pp. 346-350, Alghero Italy, 2006.
[Vid-93] M. Vidyasagar, Nonlinear Systems Analysis, Second Edition, Prentice-Hall Inc.,
1993.
[Wan-90] F. Wang and S. Lang, Globally convergent direct adaptive control algorithm for
multivariable systems with general time delay structure, INT. J. Control, vol. 51(2), pp. 301-
314, 1990.
[Wan-92] L.X. Wang and J.M. Mendel, Fuzzy Basis Functions, Universal Approximation
and Orthogonal Least-Squares Learning, IEEE Trans. on Neural Networks, vol. 3, no. 5, pp.
807-814, 1992.
[Wan-94] L. X. Wang, Adaptive Fuzzy Systems and Control: Design and Stability
Analysis, Prentice-Hall, Englewood Cliffs, New Jersey, 1994.
[Wan-02] J. S. Wang and C. S. G. Lee, Self-Adaptive neuro-fuzzy Inference systems for
classification applications, IEEE Trans. Fuzzy Syst., vol. 10, no. 6, pp. 790-802, 2002.
[Wen-90] F. Weng and S. Lang, Globally convergent direct adaptive control algorithm for
multivariable systems with general time delay structure, International Journal of Control,
vol. 51(2), pp. 301-314, 1990.

These El+Ougli

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

These El+Ougli

Transféré par

Droits d'auteur :

Formats disponibles

Universit Sidi Mohamed Ben Abdellah

H , soit la technique LMI.

)), ( ), ( ( ) ( o g est un oprateur t-norme.

)), ( ), ( ( ) ( o f est un oprateur t-conorme.

H a t initie par Zames au dbut des annes 80 [Zam-81] et

H . Cette dernire fournit une commande

H est base essentiellement sur la

H en utilisant les quations de

= est une fonction de pondration.

H soit celle de LMI. Le choix de lune ou lautre rside dans

) , ( sup min arg u u

: K l f Alors F est x et et F est x Si R

sup min arg t x f x f

= et les perturbations sont

H , mode glissant et LMI. La stratgie de

du domaine de lensemble de type rduit

H control problems, IEEE Transactions on Automatic Control, vol. 34,

H control theory, Lecture notes in control and

H Approach, SITA'08, Cinquime confrence sur les systmes

H nonlinear control via fuzzy static output

H Output Feedback Control Design for

Vous aimerez peut-être aussi