Vous êtes sur la page 1sur 136

Dpartement dInformatique

THESE
Prsente par :

DAIKH Fatima Zohra


Pour obtenir le Diplme de

DOCTORAT EN SCIENCES
Spcialit : Informatique et Automatique
Thme

Contribution des approches de lintelligence artificielle pour la


stabilisation robuste des systmes non linaires

Devant les membres du Jury :

Prsident :

ADLA Abdelkader

Pr. Universit dOran1 A. Ben Bella

Rapporteur :

KHELFI Med Fayal

Pr. Universit d'Oran 1 A. Ben Bella

Examinateur :

HAFFAF Hafid

Pr. Universit dOran1 A. Ben Bella

Examinateur :

TAHOUR Ahmed

Pr. Universit de Mascara

Examinateur :

EL-BERRICHI Zakaria

Pr. Universit de Sidi-Bel-Abbs

Examinateur :

HACHEMI Khalid

MCA Universit dOran 2 M. Ben Ahmed

- 2015-

A ma fille M.Hiba errahmane


Amon poux Ghrissi
A mes parents,
A mon frre H, A, Bachir,
A toute ma famille et ma belle famille,
A mes amis,
A toute la famille khelfi Adel, Nadjia .

Remerciements
Ecrire les remerciements peut paratre une tche facile car ce moment, lessentiel du
travail dcriture est dj pass. Pourtant, cest loccasion, pour la premire fois, de faire un
retour en arrire sur lpope quest lcriture dun tel ouvrage, qui correspond malgr les
difficults laboutissement de plus de quatre ans de thse.
Je tiens exprimer ma profonde gratitude et mes remerciements les plus sincres
Monsieur KHELFI Mohamed Fayal, Professeur lUniversit dOran 1 Ahmed Ben Bella et
directeur de ma thse, pour la confiance quil ma toujours tmoigne. Jai tout
particulirement apprci ses encouragements et ses conseils, surtout en fin de thse. Notre
collaboration ma permis de progresser et de me constituer de solides bases pour le futur.
Je tiens galement remercier :
Monsieur ADLA Abdelkader, Professeur lUniversit dOran 1 Ahmed Ben Bella, qui ma
fait lhonneur de prsider le jury,
Monsieur HAFFAF Hafid, Professeur lUniversit dOran 1 Ahmed Ben Bella, pour
lintrt quil a bien voulu porter ce travail, en acceptant de lexaminer,
Monsieur EL-BERRICHI Zakaria,
accept juger de ce travail,

Professeur Universit de Sidi-Bel Abbs, davoir

Monsieur TAHOUR Ahmed, Professeur lUniversit de Mascara pour ses qualits humaines
et scientifiques, je nai jamais dout quil accepte de juger ce travail.
Monsieur HACHEMI Khalid, Maitre Confrence A Universit dOran 2 Ahmed Ben Bella,
pour lhonneur quils mont fait en acceptant de juger ce modeste travail.
Je noublie pas dadresser mes vifs remerciements Monsieur Chaouch Djamel Eddine de
lUniversit de Mascara qui ma aid de prs ou de loin pour tous les efforts, l'aide et les
encouragements.
Je remercie mes parent, mon fire et mon poux qui mon accompagner moralement tout au
long de ce parcours.
Par leurs encouragements et leur appui moral inconditionnel et permanent, ils ont permis
ce travail darriver son terme.

Rsum
Rsum
La prsente thse est ddie l'application des techniques de l'intelligence artificielle afin
de pallier aux limites de la commande robuste des systmes non linaires.
Dans le but de la rsolution du problme de non linarit, nous avons la commande
linearisante qui permet de transformer un systme non linaire en un systme linaire facile
tudier. La sensibilit par rapport aux variations paramtriques et la stabilit de systme font
introduire la commande par Mode Glissant et celle par Backstepping successivement pour
minimiser linfluences de ces problmes. Le terme hybride va prendre une grande place dans
lvolution des commandes non linaires. Dune part, la stabilit et la robustesse par rapport
aux variations paramtriques est assure simultanment par la commande hybride
Backstepping-Mode glissant.
Pour remdier aux problmes de la commande hybride Backstepping-Mode Glissant
savoir, la ncessit de connaitre priori les paramtres du modle, nous proposons d'utiliser
les systmes neuro-flous approximateurs.
Le choix de systme neuro-flou prcisment STFIS (Self Tuning Fuzzy Inference System)
comme une technique de commande est motiv par le fait, quelle offre un grand potentiel
dadaptabilit aux systmes non linaires.
On effectue une hybridation entre la commande hybride Backstepping-Mode Glissant et
STFIS, nous essayerons damliorer davantage les performances de contrle des systmes non
linaires.
La commande propose a t applique sur le pendule invers. Les rsultats obtenus sont
trs satisfaisants mme en prsence des perturbations et incertitudes.

Mots cls :
Lintelligence artificielle, commande Mode Glissant, commande Backstepping, Neuroflou, contrleur STFIS, commande hybride, systme non linaire.

Table des Matires

Table des Matires

Table des Matires

Rsum ....................................................................................................................................... I
Table des Matires .................................................................................................................. II
Figures et Tableaux ................................................................................................................. V
Liste des abrviations et symboles ........................................................................................ IX

Introduction Gnrale
Introduction gnrale .................................................................................................................. 1
1. Gnralit ........................................................................................................................... 1
2. Contexte et problmatique.................................................................................................. 2
3. Objectifs et contributions ................................................................................................... 2
4. Organisation du mmoire ................................................................................................... 3

Chapitre I
Les Approches de lIntelligence Artificielle
1. INTRODUCTION .................................................................................................................. 6
2. Gnralit sur rseaux de neurones ........................................................................................ 7
2.1. Historique ........................................................................................................................ 8
2.2. Le neurone biologique ..................................................................................................... 9
2.3. Structure des rseaux de neurones artificiels ................................................................ 10
2.4. Architecture des rseaux ............................................................................................... 12
2.5. Apprentissage ................................................................................................................ 14
2.6. La rtro propagation du gradient de lerreur ................................................................. 15
2.7. Le domaine des rseaux de neurones ............................................................................ 17
3. Gnralit sur la logique floue ............................................................................................. 17
3.1. Variables linguistiques et ensembles flous .................................................................... 18
3. 2. Sous-ensembles flous ................................................................................................... 18
3.3. Fonction dappartenance ............................................................................................... 19
3.4. Base de rgles floues ..................................................................................................... 20
3.5. Le systme d'infrence floue ......................................................................................... 20
3.6. Les contrleurs flous ..................................................................................................... 23
3.7 Applications de la logique floue ..................................................................................... 24
4. les systmes Neuro-Flous ..................................................................................................... 24
4.1. Objectif .......................................................................................................................... 25
4.2. Dfinition des Rseaux neuro-flous .............................................................................. 25
4.3. Principe de fonctionnement ........................................................................................... 26
4.4. Architecture des neuro-flous ........................................................................................ 27

II

Table des Matires

5. CONCLUSION .................................................................................................................... 30

Chapitre II
La Commande Robuste des Systmes non Linaires
1. INTRODUCTION ................................................................................................................ 31
2. Commande des systmes non linaires ................................................................................ 32
2.1. Reprsentation des systmes non-linaires ................................................................... 32
2.2. Commande des systmes ............................................................................................... 32
2.3. Stabilisation dun systme ............................................................................................. 34
2.4 Exemple des systmes non linaires .............................................................................. 35
3. La commande en rgime glissant ......................................................................................... 36
3.1. Conception de la commande par Mode Glissant ........................................................... 37
4. Principe de lapproche du Backstepping .............................................................................. 45
4.1. Conditions d'implantation ............................................................................................. 46
4.2. Approche non adaptative ............................................................................................... 47
5. Approche adaptative ......................................................................................................... 52
6. CONCLUSION .................................................................................................................... 59

Chapitre III
Contribution des Neuro-flous dans la commande
robuste
1. INTRODUCTION ................................................................................................................ 60
2. Les systmes Neuro-flous .................................................................................................... 61
2.1. ANFIS (Adaptive Neural Fuzzy Inference System)...................................................... 61
2.2. STFIS (Self Tuning Fuzzy Inference System) .............................................................. 64
2.3. Applications .................................................................................................................. 69
3. Commande hybride de Mode Glissant et STFIS .................................................................. 77
3.1. Application de la commande hybride Mode Glissant et STFIS au pendule invers ... 78
4. Synthse de l'utilisation des approches Intelligences Artificielles pour la commande Mode
Glissant ..................................................................................................................................... 92
5. CONCLUSION .................................................................................................................... 94

Chapitre IV
Amlioration des performances de la commande
robuste par le STFIS
1. INTRODUCTION ................................................................................................................ 95
2. Commande hybride Backstepping-Mode Glissant ............................................................... 95
3. Synthse de la commande hybride ....................................................................................... 96
3.1 Application de commande hybride sur pendule invers ................................................ 97
4. La commande hybride base sur Neuro-Flou .................................................................... 100
4.1 Application au pendule invers .................................................................................... 100

III

Table des Matires

5. Etude comparative des commandes tudies ..................................................................... 106


6. CONCLUSION .................................................................................................................. 108
Conclusion gnrale ............................................................................................................. 109
Bibliographie......................................................................................................................... 110
Annexe A ............................................................................................................................... 110
Annexe B ............................................................................................................................... 110

IV

Figures et Tableaux

Liste des figures

Figures et Tableaux

Figure 1 . Navigation travers la thse. ..................................................................................... 5


Figure. I. 1. Le neurone biologique. ......................................................................................... 10
Figure. I. 2.Modle de base dun neurone formel. .................................................................. 11
Figure. I. 3. Diffrents types de fonctions dactivation pour le neurone formel. ..................... 12
Figure. I. 4.Rseau Monocouche. ............................................................................................. 12
Figure. I. 5. Rseau multicouche. ............................................................................................. 13
Figure. I. 6. Rseau connexion complte. ............................................................................. 13
Figure. I. 7. Rseau connexions locales. ............................................................................... 14
Figure. I. 8.Partition floue forte de l'univers de discours de la variable linguistique
"Temprature". ......................................................................................................................... 19
Figure. I. 9. Structure interne dun rgulateur flou. ................................................................. 21
Figure. I. 10.Le systme neuro-flou. ........................................................................................ 25
Figure. I. 11.Principe de fonctionnement du systme neuro-flou. ........................................... 27
Figure. I. 12.Exemple d'association en srie d'un rseau de neurone et d'un systme. ............ 28
Figure. I. 13. Exemple d'association en parallle d'un rseau de neurone et d'un systme ...... 28
Figure. II. 1.Bloc de commande d'un systme non linaire. .................................................... 34
Figure. II. 2. Le pendule invers. ............................................................................................ 35
Figure. II. 3.Pendule simple. .................................................................................................... 36
Figure. II. 4. Masse Ressort...................................................................................................... 36
Figure. II. 5. Diffrents modes de convergence pour la trajectoire dtat. ............................... 37
Figure. II. 6. Principe de commande structure variable. .......................................................... 40
Figure. II. 7. La commande discontinue uc. ............................................................................. 41
Figure. II. 8.La fonction de commutation de la commande par rgime glissant bande limite.
.................................................................................................................................................. 42
Figure. II. 9. Application de la commande par Mode Glissant au systme pendule invers
condition initiale x1 pi / 10 ................................................................................................... 44
Figure. II. 10. Application de la commande par Mode Glissant au systme pendule invers
condition initiale x1 0 ............................................................................................................ 44
Figure. II. 11.Poursuite dune trajectoire sinusodale pour langle condition initiale x1 pi / 10
. ................................................................................................................................................. 45
Figure. II. 12.Poursuite dune trajectoire sinusodale pour langle condition initiale x1 0 . .. 45
Figure. II. 13. Schma bloc du systme du deuxime ordre. ................................................... 48
Figure. II. 14. Schma illustratif de la commande par Backstepping. ..................................... 50
Figure. II. 15.Application de la commande Backstepping (approche non adaptative) au
pendule simple.......................................................................................................................... 51
Figure. II. 16. Poursuite dune trajectoire sinusodale. ............................................................ 52
Figure. II. 17. Schma de principe de la commande adaptative. .............................................. 53
Figure. II. 18. Application de la commande Backstepping (approche adaptative) au pendule
invers. ..................................................................................................................................... 57

Figures et Tableaux
Figure. II. 19. Poursuite dune trajectoire sinusodale. ............................................................ 57
Figure. II. 20. Lestimation de la fonction (rfrence sinusodale, alatoire). ....................... 58
Figure. II. 21.Lestimation de la fonction (rfrence sinusodale, alatoire)......................... 58
Figure. II. 22. La commande . .............................................................................................. 58
Figure. III. 1. Structure d'un ANFIS......................................................................................... 62
Figure. III. 2. Partie dfuzzification. ........................................................................................ 64
Figure. III. 3.Structure STFIS. ................................................................................................. 65
Figure. III. 4.Architecture JEAN. ............................................................................................. 68
Figure. III. 5.Architecture mini-JEAN. .................................................................................... 69
Figure. III. 6. Structure contrleur. ......................................................................................... 69
Figure. III. 7.Commande directe par modle inverse. .............................................................. 70
Figure. III. 8. Erreur prdiction du modle inverse. ................................................................ 70
Figure. III. 9. Poursuite dune trajectoire sinusodale (Consigne yd). ...................................... 71
Figure. III. 10.Poursuite dune trajectoire alatoire (Consigne yd1). ........................................ 71
Figure. III. 11. Fonction dappartenance. ................................................................................ 72
Figure. III. 12. Poursuite dune trajectoire sinusodale. ........................................................... 72
Figure. III. 13. Evolution des poids pour la trajectoire sinusodale. ........................................ 73
Figure. III. 14. Poursuite dune trajectoire alatoire. ............................................................... 73
Figure. III. 15. Comparaison entre STFIS et ANFIS. .............................................................. 74
Figure. III. 16. Poursuite dune trajectoire sinusodale. ........................................................... 74
Figure. III. 17. Evolution des poids pour trajectoire sinusodale. ............................................ 75
Figure. III. 18. Poursuite dune trajectoire alatoire. ............................................................... 75
Figure. III. 19.Commande hybride Mode Glissant avec STFIS. .............................................. 78
Figure. III. 20.Fonction dappartenance du , . ...................................................................... 81
Figure. III. 21.Application de la commande hybride Mode Glissant et STFIS au systme
pendule invers. ........................................................................................................................ 82
Figure. III. 22.Poursuite dune trajectoire sinusodale pour langle. ........................................ 83
Figure. III. 23.Poursuite dune trajectoire pour langle pour x1 pi / 10 . ............................... 84
Figure. III. 24.Poursuite dune trajectoire sinusodale pour langle pour x1 pi / 10 .............. 84
Figure. III. 25.Evolution des poids pour une rfrence sinusodale x1 0 et x1 pi / 10 . ..... 85
Figure. III. 26.Poursuite dune trajectoire pour une variation de massede chariot m 0.5kg .
.................................................................................................................................................. 85
Figure. III. 27.Poursuite dune trajectoire sinusodale pour une variation de massede chariot
m 0.5kg . ................................................................................................................................... 86
Figure. III. 28.Poursuite dune trajectoire pour une variation de langueur l 1m . .................... 86
Figure. III. 29.Poursuite dune trajectoire sinusodale pour une variation de langueur l 1m .
.................................................................................................................................................. 87
Figure. III. 30.Comparaison entre SMC et commande hybride SMC STFIS (consignes
sinusodale, alatoire). .............................................................................................................. 88
Figure. III. 31. Commande hybride Mode Glissant avec STFIS. ............................................. 88
Figure. III. 32.Fonction dappartenance de 1, 1. ................................................................. 89
Figure. III. 33.La position angulaire du pendule. ..................................................................... 90
Figure. III. 34.la position de chariot. ........................................................................................ 91
Figure. III. 35. La loi de commande. ........................................................................................ 91
Figure. III. 36. Evolution des poids. ......................................................................................... 91

VI

Figures et Tableaux

Figure. IV. 1.Positions dsire et relle du pendule invers. ................................................... 98


Figure. IV. 2. Erreur de poursuite de la position angulaire. ..................................................... 98
Figure. IV. 3.Signal de commande pour le pendule invers. ................................................... 99
Figure. IV. 4. Poursuite dune trajectoire alatoire. ................................................................. 99
Figure. IV. 5. La commande hybride base sur Neuro-flou. .................................................. 100
Figure. IV. 6.Fonctions dappartenances. .............................................................................. 101
Figure. IV. 7.Positions dsire et relle du pendule invers. ................................................. 103
Figure. IV. 8. Erreur de poursuite de la position angulaire. ................................................... 103
Figure. IV. 9. La commande robuste mode glissant, Backstepping et STFIS. ...................... 104
Figure. IV. 10.Poursuite dune trajectoire alatoire. .............................................................. 104
Figure. IV. 11. Les poids de STFIS1. .................................................................................... 105
Figure. IV. 12. Les poids de STFIS2 ...................................................................................... 105
Figure. IV. 13. Les erreurs. .................................................................................................... 107

VII

Figures et Tableaux

Liste des tableaux

Liste des tableaux

Tableau. I. 1. Analogie entre le neurone biologique et le neurone formel. .............................. 10


Tableau. I. 2.Comparaison entre la logique floue et les rseaux de neurones. ........................ 26
Tableau. I. 3. Tableau rcapitulatif de tous les modles neuro-flous. ...................................... 29
Tableau. III. 1 . Les poids obtenus pour le dplacement sinusodal de masse ressort. ............ 76
Tableau. III. 2.Table linguistique dduite aprs traductions linguistiques (masse ressort). .... 76
Tableau. III. 3.Table de dcision standard de Mac Vicar-Whelan 5 ensembles flous. ......... 77
Tableau. III. 4.les paramtres optimiss. .................................................................................. 81
Tableau. III. 5.les paramtres de la commande. ....................................................................... 90
Tableau. III. 6. Synthse des approches Mode Glissant avec lIA. .......................................... 93
Tableau. IV. 1. Les paramtres de la commande hybride. ....................................................... 97
Tableau. IV. 2.les poids initiales. ........................................................................................... 102
Tableau. IV. 3. Les paramtres de commande. ...................................................................... 102
Tableau. IV. 4.Les poids obtenu pour le dplacement angulaire pour STFIS 1, STFIS2. ....... 106
Tableau. IV. 5.Table linguistique dduite aprs traductions linguistiques pour STFIS1,
STFIS2. ................................................................................................................................... 106
Tableau. IV. 6.Comparaissant des commandes. ..................................................................... 107

VIII

Liste des abrviations et symboles


Liste des abrviations et symboles
.

Fonction dactivation de neurone

wij

Poids de rseau de neurone

xi

Entres du neurone formel

dk

La sortie dsire

Lerreur

y k[ s ]

La sortie de rseau

U A x

Fonction dappartenance dune variable floue

SEF

Les sous-ensembles flous

SIF

Systme d'infrence floue

Degr de vrit

()

Consigne ou signal de rfrence

()

Signal de sortie ou rponse

()

Erreur de suivi

()

Signal de commande

()

Perturbations externes

S (x)

Surf ace

Reprsente la pente de la surface

()

Fonction de Lyapunov

ue

Commande quivalente

uc

Commande discontinue

IX

x(t)

Vecteur d'tat

SMC

Sliding mode control commande mode glissant

BACK

Commande Backstepping

ANFIS

Adaptive Neural Fuzzy Inference System

STFIS

Self-Tuning Fuzzy Inference System

Fonction cot

Une erreur quadratique

Constante de contrle daugmentation des paramtres

Gain doptimisation

Moment

in

Terme de drive de la fonction cot

Coefficient du terme de weight decay

yd

Sortie dsire

Ge et Gde

Gains de normalisation de lentre et sa drive

Gc

Gains normalise la sortie

INTRODUCTION GNRALE

Introduction Gnrale
Introduction gnrale
1. Gnralit
Dans la commande des systmes non linaires ou ayant des paramtres non constants,
les lois de commande classiques peuvent tre insuffisantes car elles sont non robustes surtout
lorsque les exigences sur la prcision et autres caractristiques dynamiques des systmes sont
strictes.
On doit faire appel des lois de commande insensibles aux variations des paramtres,
aux perturbations et aux non linarits.
Dans cet objectif, plusieurs outils sont proposs dans la littrature, dont on cite la
commande structure variable (VSC Variable Structure Control), Backstepping et la
commande bases sur lintelligence artificielle. Ce sont toutes des commandes permettant
damliorer les performances de systme non linaire.
Parmi les techniques de lintelligence artificielle, nous allons nous intresser des
systmes neuro-flous. Cette mthodologie utilise une combinaison des rseaux de neurones
artificiels avec les approches de la logique floue dans des structures de contrle des systmes
non linaires pour rsoudre le problme de suivi de trajectoire, tout en assurant la stabilit, la
robustesse et amliorer les performances de contrle.
Le choix de systme neuro-flou comme une technique de commande est motiv par le
fait, quelle offre un grand potentiel dadaptabilit aux systmes non linaires.
La commande par mode de glissement fait partie de la famille des contrleurs
structure variable, c..d. des commandes commutant entre plusieurs lois de commande
diffrentes. Limportance des contrleurs par Mode Glissant rside dans : la grande prcision,
la rponse dynamique rapide, la stabilit, la simplicit de la conception et limplantation, et la
robustesse vis--vis la variation des paramtres internes ou externes [Slotine, 1991]
Le principe de la commande par modes glissants est de contraindre les trajectoires du
systme atteindre une surface donne, surface de glissement, pour ensuite y rester.

INTRODUCTION GNRALE
La mthode de Backstepping est une procdure rcursive utilisant la thorie de
Lyapunov dans la recherche de la loi de commande et dans ltude de la stabilit. Dans la
technique du Backstepping, il s'agit de choisir une fonction de l'tat comme tant l'entre d'un
sous-systme et de procder de la mme manire rcursivement jusqu' obtenir la commande
appliquer au systme global. Cette procdure de conception comme son nom en anglais
"Backstepping" lindique, veut dire marche arrire ou tape arrire ; puisque la procdure
commence la sortie du systme et fait des pas en arrire travers des intgrateurs du
systme en slectionnant les valeurs dsires des composantes de l'tat jusqu' ce que l'entre
actuelle de la commande soit atteinte.

2. Contexte et problmatique
Dans le but de la rsolution du problme de systme non linarit en un systme
linaire facile tudier. La sensibilit par rapport aux variations paramtriques et la stabilit
de systme fait introduire la commande par Mode Glissant et celle par Backstepping
successivement pour minimiser linfluences de ces problmes. Le terme hybride va prendre
une grande place dans lvolution des commandes non linaires. Dune part la stabilit et la
robustesse par rapport aux variations paramtriques est assure simultanment par la
commande hybride Backstepping-Mode Glissant.
Lanalyse et la commande des systmes ne sont pas, toujours, des tches faciles. La
plupart des travaux existants dans la littrature proposent des approches qui sont,
gnralement, limites des formes bien particulires de systmes. De plus, les performances
assures sont, souvent, au prix de la complexit du schma de commande et du
dveloppement thorique utilis. La plupart des approches de commande non linaires exigent
la disponibilit dun modle mathmatique du systme [Ouakka, 2009]. Les performances
assures, seront directement lies lexactitude du modle utilis.

3. Objectifs et contributions
Dans ce travail, on sintresse ltude de la commande robuste par lapplication du
Backstepping et mode glissant qui sont des techniques relativement rcentes pour les
systmes non linaires.
Pour remdier aux problmes de la commande Backstepping et Mode Glissant savoir, la
ncessit de connaitre priori les paramtres du modle, nous proposons d'utiliser les
systmes neuro-flous approximateurs.

INTRODUCTION GNRALE
Dans cette thse, nous avons uvr sur deux axes pour concevoir une commande assurant
la stabilit et la robustesse, le premier repose sur la commande hybride Backstepping et
Mode Glissant, tandis que le deuxime utilise les systmes neuro-flous dans les commandes.
Dans ce volet, et afin d'implmenter la commande hybride Backstepping et mode glissant,
nous avons travaill avec les deux commandes spares ensuite, nous avons propos une
amlioration des deux commandes avec le terme hybridation base sur le principe de la notion
Lyapunov.
a) Nous avons appliqu la commande Backstepping et Mode Glissant sur un pendule
invers. Les deux commandes ayant donn de bons rsultats.
b) Pour avoir la stabilit et la robustesse, on a introduit une hybridation entre les
commandes.
Dans le deuxime volet, nous avons utilis le systme neuro-flou comme un contrleur
dans la commande directe, ensuite avec dautres commandes.
Pour remdier au problme destimation en ligne les paramtres du modle, nous
utiliserons STFIS pour identifier les diffrentes fonctions(), () de la commande hybride
Backstepping-Mode Glissant.

4. Organisation du mmoire
Le prsent mmoire s'articule autour de quatre chapitres (figure.1) :

Dans le premier chapitre, nous prsenterons les notions essentielles des rseaux de
neurones artificiels utiliss dans le domaine de contrle, leur type et les diffrentes
mthodes dapprentissage employes, afin dobtenir leur applications. Ensuite, nous
prsenterons, les notions fondamentales et quelques proprits structurelles des
ensembles flous et les principes de base de la thorie de la logique floue. A la fin
nous prsentons une nouvelle technique doptimisation base sur les systmes neuroflous. Nous citerons les diffrentes combinaisons de la logique floue et rseaux de
neurones.

Dans le deuxime chapitre, nous prsentons une tude de la commande par Mode
Glissant et la commande Backstepping en donnant tous les aspects thoriques avec
leurs principes de fonctionnement ncessaire pour la conception et lapplication au
pendule invers.

Le troisime chapitre prsente deux approches neuro-flous, Adaptive Neural Fuzzy


Inference System(ANFIS) et Self Tuning Fuzzy Inference System (STFIS) pour le
contrle des systmes non linaires, ainsi la commande hybride de Mode Glissant et

INTRODUCTION GNRALE
neuro-flou. Ensuite nous procderons lapplication de deux commandes sur le
pendule invers.

Le quatrime chapitre, concerne lamlioration des performances des commandes non


linaires, en utilisant la notion de la commande hybride. Il sagit de combiner le
principe de deux commandes diffrentes Backstepping-Mode Glissant, et aprs une
intgration de systme neuro-flou (STFIS) dans le but dapproximer des non linarits
du modle.
Enfin, dans le quatrime chapitre nous prsentons des applications de dfrentes
commandes tudies sur pendule invers.

INTRODUCTION GNRALE

Chapitre. II

Chapitre. I

Les rseaux
neurones et la
logique floue

La commande par Mode


Glissant

La commande
Backstepping

Chapitre. III

Le systme
Neuro-flou

Commande Mode
Glissant base sur STFIS

STFIS

Commande hybride
Backstepping -Mode
Glissant avec STFIS

Commande
hybrideBackstepping
Mode Glissant
Chapitre. IV

Figure 1 . Navigation travers la thse.

Chapitre I Les Approches de lIntelligence Artificielle

Chapitre I
Les Approches de
lIntelligence Artificielle
1. INTRODUCTION
Lun des dfis de lhomme aujourdhui est de copier la nature et de reproduire des modes
de raisonnement et de comportement qui lui sont propres. Les rseaux de neurones, sont ns
de cette envie, ils constituent une famille de fonctions non linaires paramtres, utilises
dans de nombreux domaines (physique, chimie, biologie, finance, etc.), notamment pour la
modlisation de processus et la synthse de lois de commandes.
Les rseaux de neurones sont des composantes importantes dans le domaine de
lintelligence artificielle. Les rseaux de neurones artificiels sont composs de neurones
artificiels simples, petites fonctions mathmatiques, qui permettent, monts en rseaux de
former des fonctions complexes trs utiles.
Les rseaux de neurones, fabriqus de structures cellulaires artificielles, constituent une
approche permettant daborder sous des angles nouveaux les problmes de perception, de
mmoire, dapprentissage et de raisonnement. Ils savrent tre aussi des alternatives trs
prometteuses pour contourner certaines des limitations des ordinateurs classiques. Grce
leur

traitement parallle de linformation et leurs mcanismes inspirs des cellules

nerveuses (neurones), ils infrent des proprits mergentes permettant de solutionner des
problmes jadis qualifis de complexes [Parizeau, 2004].
Aujourdhui, on retrouve les rseaux de neurones solidement implants dans divers
domaines tels que lAutomatique, Traitement du signal, Diagnostic, dans les milieux
financiers, dans le domaine bancaire et la Dfense.
Partie1 : Nous aborderons dans ce chapitre les principales architectures de rseaux de
neurones que lon retrouve dans la littrature. Il ne sagit pas de les tudier toutes, car elles
sont trop nombreuses, mais plutt den comprendre les mcanismes internes fondamentaux et
de savoir comment et quand les utiliser.

Chapitre I Les Approches de lIntelligence Artificielle


Partie2 :Afin de mettre en uvre des systmes robustes, de faible cot et en adquation
avec le monde rel, il a t prouv ces dernires annes le besoin de formaliser des mthodes
empiriques, de gnraliser les modes de raisonnement naturels et de construire des systmes
artificiels modlisant les tches habituellement prises en charges par les humains. Pour
rpondre ces besoins, plusieurs techniques dites modernes ou non conventionnelles
mergeant de l'intelligence artificielle ont t proposes et rcemment regroupes par L. A.
Zadeh [Zadeh, 1965] au sein d'un unique concept le soft computing.

Initialement la logique floue a t applique dans des domaines non techniques, comme le
commerce, la mdecine, dans le but de complter les systmes experts et leur donner une
aptitude de prise de dcision. Les premires applications au niveau des systmes de rglages
datent de la fin des annes 70, puis partir de 1985 environ, la logique floue a commenc
tre utilise dans des produits industriels, en particulier au Japon, pour rsoudre des
problmes de rglage et de commande.
Partie3 : Lintgration des rseaux de neurones et des systmes dinfrences floues
peuvent tre formuls en trois catgories : modles neuro-flous coopratif, concurrents et
hybrides. Nous prsentons les systmes neuro-flous hybrides capables dapprendre les
paramtres des ensembles flous. Nous nous intressons aux dispositifs des diffrents types de
ces modles neuro-flous hybrides qui ont volu pendant ces dernires annes.
Lobjectif de ce chapitre est de prsenter les notions principales des rseaux de neurones,
thorie de la logique floue et les systmes neuro-flou. Dabord, nous prsentons quelques
concepts de rseaux de neurones, les diffrentes architectures ainsi que les types
dapprentissage et leurs applications. Ensuite, des notions gnrales de base de la logique
floue ainsi les lments de bases de structure de la logique floue, les diffrents types des
contrleurs flous, ainsi que leurs applications et enfin les dfinitions de base de neuro-flou et
ces architectures.

2. Gnralit sur rseaux de neurones


Lorigine des rseaux de neurones vient de lessai de modlisation mathmatique du
cerveau humain. Les premiers travaux datent de 1943, et sont luvre de MM. Mac Culloch
et Pitts. Ils supposent que limpulsion nerveuse est le rsultat dun calcul simple effectu par
chaque neurone et que la pense ne grce leffet collectif dun rseau de neurones

Chapitre I Les Approches de lIntelligence Artificielle

interconnects. Ils ont connu des dbuts prometteurs vers la fin des annes 50, mais le manque
dapprofondissement de la thorie a gel ces travaux jusquaux annes 80 [Chekroun, 2009].
Les rseaux de neurones forment une famille de fonctions non linaires, permettant de
construire, par apprentissage, une trs large classe de modles et de contrleurs. Un rseau de
neurones est un systme doprateurs non linaires interconnects, recevant des signaux de
lextrieur par ses entres, et dlivrant des signaux de sortie, qui sont en fait les activits de
certains neurones.

2.1. Historique [Chekroun, 2009]


1890 : W. James, clbre psychologue amricain introduit le concept de mmoire
associative, et propose ce qui deviendra une loi de fonctionnement pour
lapprentissage sur les rseaux de neurone connu plus tard sous le nom de loi de Hebb.
1943 : J. Mc Culloch et W. Pitts laissent leurs noms une modlisation du neurone
biologique (un neurone au comportement binaire). Ce sont les premiers montrer que
des rseaux de neurones formels simples peuvent raliser des fonctions logiques,
arithmtiques et symboliques complexes (tout au moins au niveau thorique).
1949 : D. Hebb, physiologiste amricain explique le conditionnement chez lanimal
par les proprits des neurones eux-mmes. Ainsi, un conditionnement de type
pavlovien tel que, nourrir tous les jours la mme heure un chien, entrane chez cet
animal la scrtion de salive cette heure prcise mme en absence de nourriture. La
loi de modification des proprits des connexions entre neurones quil propose,
explique en partie ce type de rsultats exprimentaux.
1957 : F. Rosenblatt dveloppe le modle du perceptron. Il construit le premier
neurone artificiel bas sur ce modle et lapplique au domaine de la reconnaissance de
formes. Notons qu cette poque les moyens sa disposition sont limits et cest une
prouesse technologique que de russir faire fonctionner correctement la machine.
1960 : B. Widrow, un automaticien, dveloppe le modle Adaline (Adaptative Linear
Element). Dans sa structure, le modle ressemble au Perceptron, cependant la loi
dapprentissage est diffrente. Celle-ci est lorigine de lalgorithme de rtro
propagation de gradient trs utilis aujourdhui avec les perceptrons multicouches. Les
rseaux de type Adaline restent utiliss de nos jours pour certaines applications
particulires.

Chapitre I Les Approches de lIntelligence Artificielle


1982 : J. J. Hopfield est un physicien reconnu qui lon doit le renouveau dintrt
pour les rseaux de neurones artificiels. Il prsente une thorie du fonctionnement et
des possibilits des rseaux de neurones.
1983 : La machine de Boltzmann est le premier modle connu apte traiter de
manire satisfaisante les limitations recenses dans le cas du perceptron. Mais
lutilisation pratique savre difficile, la convergence de lalgorithme tant
extrmement longue (les temps de calcul sont considrables).
1985 : La rtro propagation de gradient apparat. Cest un algorithme dapprentissage
adapt aux rseaux de neurones multicouches (aussi appels perceptrons
multicouches). Sa dcouverte ralise par trois groupes de chercheurs indpendants
indique que "la chose tait dans lair". Ds cette dcouverte, nous avons la possibilit
de raliser une fonction non linaire dentre/sortie sur un rseau en dcomposant
cette fonction en une suite dtapes linairements sparables. De nos jours, les rseaux
multicouches et la rtro propagation de gradient restent le modle le plus tudi et le
plus productif au niveau des applications [Touzet et Sarzeaud ,1992].

2.2. Le neurone biologique


Le neurone biologique est une cellule vivante spcialise dans le traitement des signaux
lectriques. Les neurones sont relis entre eux par des liaisons appeles axones. Ces axones
vont eux-mmes jouer un rle important dans le comportement logique de l'ensemble, elles
conduisent les signaux lectriques de la sortie d'un neurone vers l'entre (synapse) d'un autre
neurone. Les neurones font une sommation des signaux reus en entre et en fonction du
rsultat obtenu vont fournir un courant en sortie. La structure dun neurone se compose de
quatre parties (figure. I.1) :

La somma: ou cellule dactivit nerveuse, au centre du neurone.

Laxone: attach au somma qui est lectriquement actif, ce dernier conduit limpulsion
conduite par le neurone.

Dendrites: lectriquement passives, elles reoivent les impulsions dautres neurones.

Synapses : C'est une jonction entre deux neurones et gnralement entre l'axone d'un
neurone et une dendrite d'un autre neurone [Elliasmith, 2002].

Chapitre I Les Approches de lIntelligence Artificielle

Figure. I. 1. Le neurone biologique.

2.3. Structure des rseaux de neurones artificiels


McCulloch et Pitts en 1943 ont implment un systme de rseaux neuronaux artificiels,
qui est analogue aux neurones biologiques, fonds sur une structure complexe (tableau. I.1)
[McCulloch et Pitts, 1943].
Le systme des RNA est considr comme un arrangement d'lments de structure
identique appel neurones interconnects par analogie avec les cellules du systme nerveux
humain. Il est compos galement d'une succession de couches connectes de manire ce
que chaque neurone tient son entre de la sortie du neurone prcdant. Chaque neurone dans
ce cas fonctionne indpendamment par rapport aux autres afin que l'ensemble forme un
systme compact. L'information est emmagasine de faon rpartie dans le rseau sous forme
de coefficients synaptiques. Le neurone formel calcule rgulirement un rsultat qu'il transmet
ensuite aux neurones suivant, chaque calcul est associ un poids qui dfinit la force de la
connexion [Hagan et al., 1995].
Neurone artificiel

Neurone biologique

Poids de connexion

Synapses

Signal de sortie

Axones

Signal dentre

Dendrite

Fonction dactivation

Soma

Tableau. I. 1. Analogie entre le neurone biologique et le neurone formel.

Mathmatiquement, tel qu'il est illustr par la figure. I.2, chaque neurone reoit des
entres sous forme vectorielle puis il calcule une somme pondre de ses entres pour que le
rsultat passe ensuite par la fonction d'activation afin de crer une sortie.

10

Chapitre I Les Approches de lIntelligence Artificielle

Biais

x1

Wi1

Fonction dactivation
Signaux
Dentre

x2
xj

xn

Wi2

ui

Sortie

yi

Wij

Unite de
Sommation
Win

Figure. I. 2.Modle de base dun neurone formel.

Le modle de la figure I.2 est compos [McCulloch et Pitts, 1943] :


- Des entres du neurone formel x i i=1,2,, n ;
- Des paramtres de pondration wij ;
- De la fonction dactivation ou de seuillage (non linaire, sigmode, etc.) ;
Et dune sortie du neurone formel.
La sortie u k du neurone formel est donne par la relation (I.1) :
n

u i w ji x j

(I. 1)

j 0

A partir de cette valeur, une fonction dactivation calcule la valeur de sortie j du neurone.
C'est cette valeur qui sera transmise aux neurones avals :
y i u j

(I. 2)

Il existe de nombreuses formes possibles pour la fonction dactivation. Les plus courantes
sont prsentes sur la figure. I.3. On remarquera qu' la diffrence des neurones biologiques
dont l'tat est binaire, la plupart des fonctions dactivations sont continues, offrant une infinit
de valeurs possibles comprises dans l'intervalle [0, +1] (ou [-1, +1]).

11

Chapitre I Les Approches de lIntelligence Artificielle

x=f(a)

x=f(a)

x=f(a)

+1

+1

+1

-1

-1
a

-1

Figure. I. 3. Diffrents types de fonctions dactivation pour le neurone formel.


a: fonction a seuil, b : linaire par morceaux, c : sigmode.

Nous constatons que les quations qui dcrivent le comportement des neurones formels
n'introduisent pas la notion de temps. En effet, et c'est le cas pour la plupart des modles
actuels de rseaux de neurones, nous avons faire des modles temps discret, dont le
comportement des composants ne varie pas dans le temps.

2.4. Architecture des rseaux


a- Rseau monocouche
La structure dun rseau monocouche est telle que des neurones organiss en entre
soient entirement connects dautres neurones organiss en sortie par une couche
modifiable de poids (figure. I.4).

Entre

Sortie

Figure. I. 4.Rseau Monocouche.

12

Chapitre I Les Approches de lIntelligence Artificielle

b- Rseau multicouche
Couche dentre, l'ensemble des neurones d'entre, couche de sortie, l'ensemble des
neurones de sortie. Les couches intermdiaires n'ayant aucun contact avec l'extrieur sont
appeles couches caches (figure. I.5).

Entre

Couche cache

Sortie

Figure. I. 5. Rseau multicouche.

c- Rseau connexion complte


C'est la structure d'interconnexion la plus gnrale. Chaque neurone est connect tous les
neurones du rseau (et lui-mme) (figure. I.6).

Figure. I. 6. Rseau connexion complte.

d- Rseau connexions locales


Il s'agit d'une structure multicouche, mais Chaque neurone entretient des relations avec un
nombre rduit et localis de neurones de la couche avale. Les connexions sont donc moins
nombreuses que dans le cas d'un rseau multicouche classique (figure. I.7).

13

Chapitre I Les Approches de lIntelligence Artificielle

Entre

Couche cache

Sortie

Figure. I. 7. Rseau connexions locales.

2.5. Apprentissage
Lapprentissage et ladaptation constituent deux caractristiques essentielles des rseaux
de neurones. Le rle de lapprentissage est de dfinir le poids de chaque connexion. De
nombreuses rgles existent pour modifier le poids des connexions et donc pour arriver un
apprentissage correct. Lorsque la phase dapprentissage est acheve, le rseau doit tre
capable de faire les bonnes associations pour les vecteurs dentres quil naura pas appris
[Moody et Darken, 1995].
Cest lune des proprits importante dans les rseaux de neurones, car elle permet de
donner la capacit de reconnatre des formes ressemblantes et mme dgrades des
prototypes, cest la phase de reconnaissance.
Il existe deux types d'apprentissages principaux. Ce sont l'apprentissage Supervis et
l'apprentissage non- supervis.

Apprentissage supervis

On parle d'apprentissage supervis quand le rseau est aliment avec la bonne rponse
pour les exemples d'entres donns. Le rseau a alors comme but d'approximer ces exemples
aussi bien que possible et de dvelopper la fois la bonne reprsentation mathmatique qui lui
permet de gnraliser ces exemples pour ensuite traiter des nouvelles situations (qui n'taient
pas prsentes dans les exemples).

Apprentissage non-supervis

Dans le cas de l'apprentissage non-supervis le rseau dcide lui-mme quelles sont les
bonnes sorties. Cette dcision est guide par un but interne au rseau qui exprime une

14

Chapitre I Les Approches de lIntelligence Artificielle

configuration idale atteindre par rapport aux exemples introduits. Les cartes auto
organisatrices de Kohonen sont un exemple de ce type de rseau [Hagan et al. 1995].
Autre la classification prsente ci-dessus, les mthodes d'apprentissage sont souvent
diffrencies de par leur caractre hors ligne (off-line) ou en ligne (on-line) :

Apprentissage hors ligne

Ce mode d'apprentissage consiste accumuler les erreurs instantanes conscutives, et


n'effectuer l'adaptation des poids synaptiques que lorsque l'ensemble des donnes
d'apprentissage ont t prsentes au rseau. Cette dernire mthode permet de mieux estimer
le gradient rel de la fonction cot, puisqu'il est prsent calcul partir d'un ensemble
d'exemples, plutt qu' partir d'un seul.

Apprentissage en ligne

Il consiste modifier les valeurs des poids synaptiques immdiatement aprs la


prsentation d'un exemple. Dans ce cas, seul le gradient instantan de la fonction cot est
utilis pour l'adaptation des paramtres du systme. Sous la condition que les exemples soient
prsents au rseau de neurones de manire alatoire, l'apprentissage enligne rend la
recherche du minimum de la fonction cot stochastique en nature, ce qui rend moins probable,
pour l'algorithme d'apprentissage, de tomber dans un minimum local.
L'efficacit

relative

des

modes

d'apprentissage

enligne

et

hors-ligne

dpend

essentiellement du problme considr. L'apprentissage enligne prsente cependant l'avantage


que, pour une seule prsentation de l'ensemble de la base de donnes, il implique de multiples
phases d'adaptations des poids synaptiques lorsque des donnes similaires se reprsentent, ce
qui se produit frquemment pour des bases de donnes trs tendues [Hagan et al., 1995].

2.6. La rtro propagation du gradient de lerreur


Lalgorithme de rtro propagation du gradient de lerreur t cr en gnralisant les
rgles dapprentissage de Widrow Hoff aux rseaux multicouches fonction de transfert non
linaire. Cest un algorithme utilis avec des rseaux de types feedforward pour
lapprentissage de fonction, la reconnaissance de forme et la classification [Chekroun, 2009].
1. Principe
La rtro propagation du gradient de lerreur est utilise pour ajuster les poids et les biais
du rseau afin de minimiser lerreur quadratique entre la sortie du rseau et la sortie relle. A
chaque couple entre/sortie, une erreur est calcule, le gradient, ou pente de lerreur est

15

Chapitre I Les Approches de lIntelligence Artificielle

dtermin. Ensuite les poids et les biais sont modifis en ligne sur le rseau. On ritre ces
calculs jusqu lobtention du critre darrt.
2. Algorithme
Lalgorithme de la rtro propagation du gradient de lerreur se rsume aux tapes
suivantes :
1. Initialisation des poids w[q ] des petites valeurs alatoires.
2. Prsentation dune entre x k et de la sortie dsire d k .
3. Calcul de la sortie actuelle par propagation travers les couches :

y [jq ] F ( w[jiq ] . y i[ q 1] )

(I. 3)

O F est la fonction de transfert du neurone et [q] la qime couche du rseau.


4. Accumulation des erreurs en sortie :

d k y k[s ]

(I. 4)

O d k est la sortie dsire associe au vecteur dentre x k .


y k[ s ] est la sortie obtenue sur la dernire couche au temps t.

est lerreur cumule pour k prsentations de couples x k , d k


5. Rtro propagation du gradient de lerreur depuis la dernire couche vers la premire
couche :
- Pour chaque cellule de sortie :

i[ s ] d i y i[ s ] .F pi[ s ]

(I. 5)

i[ q ] k[ q 1] .wki .F pi[ s ]

(I. 6)

-Pour chaque cellule cache :


k

6. Mise jour des poids selon la rgle :

wij[ q] .( i[ q] .xi[ q] )

(I. 7)

O est le coefficient dapprentissage compris dans lintervalle [0,1].


7. Retour 2 tant quil y a des couples prsenter.
3. Choix du critre minimiser
Dans le cas de la rtro propagation de lerreur, le critre minimiser est une erreur
quadratique. Lapplication de lalgorithme du gradient ncessite la drivabilit de la fonction

16

Chapitre I Les Approches de lIntelligence Artificielle


de transfert [Ben Brahim et Kurosawa, 1993]. Le critre de minimisation derreur est le
suivant :

(d k yk[ s ] ) 2

(I. 8)

Lalgorithme prsent ici est de type on-line , cest--dire que lon met jour les poids pour
chaque chantillon dapprentissage prsent dans le rseau de neurones. Une autre mthode
est dite en batch , c'est--dire que lon calcule dabord les erreurs pour tous les chantillons
sans mettre jour les poids (on additionne les erreurs) et lorsque lensemble des donnes est
pass une fois dans le rseau, on applique la rtro propagation en utilisant lerreur totale. Cette
faon de faire est prfre pour des raisons de rapidit et de convergence.

2.7. Les applications des rseaux de neurones


Les rseaux de neurones servent aujourdhui toutes sortes dapplications dans divers
domaines (informatique, lectronique, science cognitive, neurobiologie et mme philosophie).
L'tude des rseaux de neurones est une voie prometteuse de l'Intelligence Artificielle, qui a
des applications dans de nombreux domaines [Parizeau, 2004]:
Industrie: contrle qualit, diagnostic de panne, corrlations entre les donnes fournies
par diffrents capteurs, analyse de signature ou d'criture manuscrite...
Finance: prvision et modlisation du march (cours de monnaies...), slection
d'investissements, attribution de crdits...
Tlcommunications et informatique: analyse du signal, limination du bruit,
reconnaissance de formes (bruits, images, paroles), compression de donnes...
Environnement: valuation des risques

3. Gnralit sur la logique floue


La logique floue (fuzzylogic) est une technique utilise en intelligence artificielle. En
ralit, elle existait dj depuis longtemps, ce sont les paradoxes logiques et les principes de
l'incertitude d'Heisenberg qui ont conduit au dveloppement de la "logique valeurs
multiples" dans les annes 1920 et 1930. En 1937, le philosophe Max Black a appliqu la
logique continue, qui se base sur l'chelle des valeurs vraies {0, l/2 et 1}, pour classer les
lments ou symboles. Les bases thoriques de la logique floue ont t formalises en 1965
par le professeur Lotfi A. Zadeh de luniversit de Californie de Berkeley [Zadeh, 1965]. A
cette poque, la thorie de la logique floue n'a pas t prise au srieux. En effet, les
ordinateurs, avec leur fonctionnement exact par tout ou rien (1 ou 0), ont commenc se
rpandre sur une grande chelle. Par contre, la logique floue permettait de traiter des variables

17

Chapitre I Les Approches de lIntelligence Artificielle

non exactes dont la valeur peut varier entre 1 et 0. Initialement, cette thorie tait applique
dans des domaines non techniques, comme la mdecine et le commerce. Mamdani a t le
premier appliquer ce nouveau formalisme [Toufouti, 2008]. A partir de 1985, la logique
floue a t applique dans des domaines aussi varis que l'automatisme, la robotique, la
gestion de la circulation routire, le contrle arien, l'environnement (mtorologie,
climatologie, sismologie).
Cette approche s'est d'abord concentre sur la reprsentation et la manipulation des
connaissances imprcises: "La vitesse du robot est d'environ 25m/s", vagues: "la connaissance
de l'environnement est assez incomplte" et incertaine: "le robot est certainement sur la bonne
route". Le professeur Lotfi A. Zadeh a propos d'associer un concept imprcis (concepts
humains e.g. grand, chaud,...) une fonction dappartenance un ensemble. Cette fonction
d'appartenance dfinit le degr de reprsentation d'une instance vis--vis du concept.
Gnralement c'est une fonction numrique continue qui exprime un point de vue subjectif
d'une personne sur la variabilit du concept. Il a t montr qu'une telle fonction est utile pour
reprsenter l'influence des modificateurs linguistiques, comme trs, plus ou moins, peu
sur la signification des concepts.

3.1. Variables linguistiques et ensembles flous


La description imprcise dune certaine situation, dun phnomne ou dune grandeur
physique ne peut se faire que par des expressions relatives ou floues savoir: Quelque,
Beaucoup, Souvent, Chaud, Froid, Rapide, Lent, Grand, Petit, etc.
Ces diffrentes classes dexpressions floues dites ensembles flous forment ce quon
appelle des variables linguistiques. Afin de pouvoir traiter numriquement ces variables
linguistiques (normalises gnralement sur un intervalle bien dtermin appel univers de
discours), il faut les soumettre une dfinition mathmatique base de fonctions
dappartenance qui montre le degr de vrification de ces variables linguistiques relativement
aux diffrents sous-ensembles flous de la mme classe[Abraham,2001].

3. 2. Sous-ensembles flous
Les sous-ensembles flous (SEF) sont une classe d'objets o la transition entre
l'appartenance et la non appartenance l'ensemble n'est pas abrupte mais graduelle.
Un sous-ensemble flou A, est dfini par :
- Un intervalle convexe A de, auquel est associ un label linguistique (e.g. "Petit","Moyen",
"Grand").

18

Chapitre I Les Approches de lIntelligence Artificielle


- Une fonction relle U A x valeurs dans [0, l], qui donne le degr d'appartenance d'une
variable x au sous-ensemble flou U A x . La fonction d'appartenance modlise les situations
o un mme lment peut tre class dans plusieurs catgories avec des degrs divers
[Maaref, 2002].
Termes
Linguistique

U (x)
Petite

Moyenne

Grande

40

10

100

Temprature

Figure. I. 8.Partition floue forte de l'univers de discours de la variable linguistique "Temprature".

3.3. Fonction dappartenance


Afin de permettre un traitement numrique des variables linguistiques dans la prise de
dcisions floues sur calculateur, une dfinition des variables linguistiques laide de fonctions
dappartenance simpose. Dans ce contexte, nous associons chaque valeur de la variable
linguistique une fonction dappartenance dsigne par U A (x) , qui sera dsigne par le degr
ou le facteur dappartenance. Il est noter que lensemble des lments de x pour lesquels

U A (x) > 0, est appel support de A. Le plus souvent, nous utilisons pour les fonctions
dappartenance les fonctions suivantes [Alouani, 2006] :
Fonction triangulaire : Elle est dfinie par trois paramtres {a, b, c} qui dterminent les
coordonnes des trois sommets.

u ( x) Max(min(

xa cx
,
),0)
ba cb

(I. 9)

Fonction trapzodale : Elle est dfinie par quatre paramtres {a, b, c, d} :

u ( x) Max(min(

xa cx
,1,
),0)
ba d x

(I. 10)

19

Chapitre I Les Approches de lIntelligence Artificielle


Fonction gaussienne : Elle est dfinie par deux paramtres { , m} :
u ( x) exp(

( x m) 2
)
2 2

(I. 11)

Fonction sigmodale : Elle est dfinie par deux paramtres {a, c} :


u ( x)

1
1 exp( a( x c))

(I. 12)

3.4. Base de rgles floues


On dfinit une rgle floue comme une proposition floue correspondant la mise en relation
de deux propositions floues par une implication [Abraham, 2001].
Une proposition floue est dite lmentaire, si elle n'est constitue que d'un prdicat de la
forme "X est A". La composition de deux ou plusieurs variables linguistiques constitue une
proposition floue.
L'expression linguistique gnrale d'une rgle peut tre formalise de la manire suivante:
si V est A alors W est B .
O A et B sont des sous-ensembles flous et V et W sont des variables linguistiques.
On appelle prmisse, la partie prmisse de la rgle ( V est A ) et conclusion, la seconde partie
( W est B ).
D'une manire gnrale, on peut combiner des propositions floues de type " V est A " par
des oprateurs logiques de conjonction et de disjonction ("ET" et "OU"), mis en uvre
respectivement par des t-normes et t-conormes. On peut alors construire des rgles floues plus
complexes, dont la partie prmisse et la partie conclusion correspondent une combinaison de
propositions, par exemple:
si V1 est A1 et V 2 est A2 alors W est B .

3.5. Le systme d'infrence floue


La figure. I.9 illustre la structure gnrale du cur d'un systme d'infrence floue (SIF)
deux entres et une sortie.

20

Chapitre I Les Approches de lIntelligence Artificielle

x1
x2

x1
x2

Fuzzification

Commande par
logique floue

Mcanisme
D inference

xr

Dfuzzification

xr

Figure. I. 9. Structure interne dun rgulateur flou.

On peut noter que le calcul de la commande xr s'effectue partir de trois tapes


fondamentales:

une interface de fuzzification;

un mcanisme dinfrence (rgles);

et une interface de dfuzzification [Abraham, 2001].

1. La fuzzification
La fuzzification est la traduction des valeurs numriques relatives aux entres du systme
en termes dappartenances des sous-ensembles flous pour pouvoir appliquer les rgles. A
une variable, on associe les degrs dappartenances correspondant chaque sous-ensemble
flou (ce qui dpend bien sur de la description floue adopte) [Zemalache, 2006].
2. Linfrence floue
Linfrence floue est lapplication de la caractrisation symbolique du systme aux rgles
floues et la dduction dun certain nombre de rsultats locaux ; galement exprims sous
forme symbolique concernant les variables de sortie du systme. Le but de cette tape est
darriver dterminer des sorties floues ; en partant dentres floues et en utilisant une base
de rgles [Benreguieg, 1997].
Pour pouvoir utiliser cette base de rgles, on a besoin de trois oprateurs, mathmatiques,
pour raliser la conjonction (ET), limplication (Si .Alors) et lagrgation (Sinon). Par
exemple, dans le cas du contrleur dit Mamdani :
Le ET (si x i est Ai1 et x n est Ain ) : loprateur associ est la t-norme Min ;

21

Chapitre I Les Approches de lIntelligence Artificielle


Le Si.Alors (si x i

est

Ai1

et x n est

Ain alors y est B i ) :loprateur utilis est

loprateur Min (Mamdani);


Le Sinon qui sert lagrgation des solutions locales (si x1 est A1 et x 2 est A2 alors y est B1
sinon si x1 est A3 et x 2 est A4 alors y est B 2 ) : loprateur dimplication associe est la
t-conorme Max.
3. La dfuzzification
Elle a pour but lobtention dune valeur numrique pour chaque variable de sortie partir
des valeurs de sortie des diffrentes rgles. Dans le cas de rgles de type Takagi-Sugeno, le
calcul se fait simplement par une somme normalise des valeurs associes aux rgles. Dans le
cas de rgles de type Mamdani, une valeur numrique doit tre obtenue partir de lunion des
sous-ensembles flous correspondant aux diffrentes conclusions. Parmi les nombreuses
possibilits pour raliser cette tape, nous pouvons citer [Rajasekaran et Pai 2003] :
La mthode du centre de gravit : Cest la mthode de dfuzzification la plus courante.
Labscisse du centre de gravit de la fonction dappartenance rsultant de linfrence
correspond la valeur de sortie du rgulateur.
n

y0

u y y i
i 1

(I. 13)

u y
i

i 0

Il apparat que plus la fonction dappartenance rsultante est complique, plus le processus de
dfuzzification devient long et coteux en temps de calcul [Wang, 1994].
La mthode du premier des maxima : elle prend en compte la plus petite des valeurs de
lunivers de sortie dont le degr dappartenance est maximum. Le dcodage retourne la valeur
singleton y 0 telle que :
uY ( y 0 ) inf yY Sup yY uY ( y )

La

(I. 14)

mthode de la moyenne des maxima : les points y i ou la fonction dappartenance

rsultante atteint son maximum sont concerns que :


l

y0
i 0

yi
l

(I. 15)

22

Chapitre I Les Approches de lIntelligence Artificielle

3.6. Les contrleurs flous


La commande floue est une application de la logique floue au contrle des systmes
dynamiques pour lesquels on ne possde pas de modle satisfaisant. Son principe est simple :
il s'agit dans la plupart des cas d'imiter le comportement d'un oprateur humain dans la
rgulation d'un processus complexe l'aide de rgles floues. Cette mthode de conduite de
processus est mise en uvre grce un dispositif appel usuellement "contrleur flou".
Un contrleur flou est un SIF employ dans la technique d'automatisation. Son but est de
trouver une valeur numrique appliquer au systme partir d'un jeu de variables physiques.
Les principaux types de contrleurs qui ont t dvelopps portent le nom des chercheurs qui
les ont proposs, il s'agit du contrleur de Mamdani et du contrleur de Sugeno. Pour exposer
le principe de fonctionnement de chacun deux, on considre lexemple dune base de rgles
de la forme [Wang, 1994]:
Rgle i : si x1 est Ai et x 2 est B i Alors y est C i .
O Ai , B i et C i sont des sous-ensembles flous.
1. Mthode de Mamdani
La mthode de Mamdani est historiquement la premire avoir t propose, elle repose
sur le raisonnement suivant [Mamdani et Assilian, 1975] :
-Calcul de la valeur de vrit de chaque rgle :

i x MinU A x1 ,U B x 2
i

- Calcul de la contribution de chaque rgle :

y Min i x ,U C y
i

-Lagrgation des rgles :

y Max i y
- La dfuzzification pour obtenir une conclusion nette .
2. Mthode de Takagi-Sugeno
Cette mthode a t propose par Takagi-Sugeno, elle se caractrise par une sortie des
rgles non floues [Takagi et Sugeno, 1985]. A chaque rgle, on associe une sortie dfinie sous
forme numrique comme tant une combinaison linaire des entres. Les rgles utilises
dordre zro sont du type :
Rgle i : si x1 est Ai et x 2 est B i Alors y = C i .
O les valeurs C i sont des valeurs relles (non floues).

23

Chapitre I Les Approches de lIntelligence Artificielle

Cette mthode se base sur le raisonnement suivant :


- Calcul de la valeur de vrit de chaque rgle :

i ET x1estAi , x2 estBi
- La conclusion de la rgle i se calcule : i.Ci
- Calcul de la sortie du SIF :
n

i 1

i Ci

(I. 16)

i 1

Les valeurs de i reprsent ici le degr de vrit (force) de chaque rgle. Les SIF de type
Sugeno permettent une meilleure reprsentation des fonctions numriques et des mcanismes
d'infrence plus rapides. Il a t montr exprimentalement que, pour un objectif de
commande de processus, la mthode de Sugeno donnait des rsultats trs voisins de celle de
Mamdani tout en permettant une rduction sensible du temps de calcul.

3.7 Applications de la logique floue


La commande floue a t applique avec succs un grand nombre d'applications dont la
premire application marquante est la rgulation d'un four de cimenterie au Danemark,
oprationnel depuis 1982; le contrle du mtro de Sendai au Japon mis en service en 1986, le
contrle du dplacement de la voiture de Sugeno, le contrle d'incinration de dchets, le
contrle de qualit d'eau, la conduite automatique de train, la transmission automobile, le
contrle de temprature du moulage en plastique, ainsi que dans les domaines de la robotique,
la vision, la reconnaissance de formes, la reconnaissance de la parole, etc. En plus de
nombreuses applications "grand public", telles que rfrigrateurs, climatisation, machine
laver, etc. D'ailleurs l'anne 1990 a t baptise au Japon "l'anne de la logique floue".

4. les systmes Neuro-Flous


Pendant que les rseaux neuronaux sont intressants pour reconnatre des modles, ils ne
peuvent pas expliquer comment ils atteignent leurs dcisions. De mme pour les systmes de
la logique floue qui peuvent raisonner avec l'information imprcise sont intressants pour
expliquer leurs dcisions mais ne peuvent pas automatiquement acqurir les rgles quils
utilisent pour prendre ces dcisions. Pour cela, une approche a t dveloppe qui est
principalement connue comme approche neuro-flou.

24

Chapitre I Les Approches de lIntelligence Artificielle

Diverses combinaisons de ces deux mthodes ont t dveloppes depuis 1988. Elles ont
donn naissance aux systmes neuro-flous, qui sont le plus souvent orients vers la
commande de systme complexe et les problmes de classification.

4.1. Objectif

Les rseaux neuro-flous sont ns de lassociation des rseaux de neurones avec la


logique floue, de manire tirer profit des avantages de chacune de ces deux
techniques.

La principale proprit des rseaux neuro-flous est leur capacit traiter dans un
mme outil des connaissances numriques et symboliques dun systme.

Ils permettent donc dexploiter les capacits dapprentissage des rseaux de


neurones dune part et les capacits de raisonnement de la logique floue dautre part.

4.2. Dfinition des Rseaux neuro-flous


Dfinition 1
Le systme Neuro-flou est un systme flou form par un algorithme dapprentissage
inspir de la thorie des rseaux de neurones. La technique dapprentissage opre en fonction
de linformation locale et produit uniquement des changements locaux dans le systme flou
dorigine [Nauck, 1997].
Dfinition 2
Un systme Neuro-Flou est un rseau de neurones qui est typologiquement quivalent
la structure dun systme flou. Les entres/sorties du rseau ainsi que les poids sont des
nombres rels, mais les noeuds implmentent des oprations spcifiques aux systmes flous :
fuzzification, oprateurs flous (conjonction, disjonction), dfuzzification [Nauck, 2000].

Rseaux de Neurones

Donnes
Numriques
Apprentissage

Neuro-Flou
Logique Floue

Donnes linguistique
Rgles Floues

Figure. I. 10.Le systme neuro-flou.

25

Chapitre I Les Approches de lIntelligence Artificielle


La figure. I.10 rsume le principe du systme neuro-flou qui reprsente lintersection entre
la logique floue et les rseaux de neurones. Afin de rsumer 1'apport du neuro-flou, le tableau
I.2 regroupe les avantages et les inconvnients de la logique floue et des rseaux de neurones
[Otilia, 2008].
Rseaux de Neurones

Avantage
Le modle mathmatique non requis ;

Aucune connaissance base sur les

rgles ;
Plusieurs algorithmes dapprentissage

sont disponibles.
Inconvnients
Boite noire (manque de traabilit) ;

Ladaptation aux environnements

diffrents est difficile et le

rapprentissage est souvent obligatoire


(sauf pour le RBF) ;

la connaissance antrieure ne peut pas


tre employe (apprentissage partir de
zro) (sauf pour le RBF) ;
Aucune garantie sur la convergence de
lapprentissage

Logique Floue
Le modle mathmatique non requis ;
La connaissance antrieure sur les
rgles peut tre utilise ;
Une interprtation et une
implmentation simple
Les rgles doivent tre disponibles ;
N'apprend pas;
Adaptation difficile au changement de
lenvironnement ;
Aucunes mthodes formelles pour
lajustement ;

Tableau. I. 2.Comparaison entre la logique floue et les rseaux de neurones.

Les rgles floues codes dans un systme neuro-flou reprsentent les chantillons
imprcis et peuvent tre vues en tant que prototypes imprcis des donnes d'apprentissage. Par
contre un systme neuro-flou ne devrait pas tre vu comme un systme expert (flou), et il n'a
rien voir avec la logique floue dans le sens strict du terme. On peut aussi noter que les
systmes neuro-flous peuvent tre utiliss comme des approximateurs universels [Otilia,
2008].

4.3. Principe de fonctionnement


Les rseaux de neuro-flous hybrides apprennent des rapports et des modles en utilisant un
algorithme dapprentissage supervis qui examine les donnes dans un ensemble de la
formation qui consiste en exemples d'entres et leurs sorties associes. Pendant la phase
dapprentissage, un rseau neuro-flou hybride modifie sa structure interne pour reflter le
rapport entre les entres et les sorties dans l'ensemble de base de connaissance. L'exactitude
d'un rseau neuro-flou est vrifie aprs que le cycle dapprentissage soit termin en utilisant
un ensemble spar d'entres et de sorties appel l'ensemble de la validation (figure. I.11).

26

Chapitre I Les Approches de lIntelligence Artificielle

Fuzzification

Infrence

Dfuzzification

Figure. I. 11.Principe de fonctionnement du systme neuro-flou.

4.4. Architecture des neuro-flous


Il existe quatre grandes catgories de combinaisons des rseaux de neurones avec la
logique floue : rseau flou neuronal, systme neuronal/flou simultanment, modles neuroflous coopratifs et modles neuro-flous hybrides [Nauck, 1997].

Rseau flou neuronal


Des techniques floues sont utilises pour augmenter les possibilits d'apprentissage ou
lexcution d'un rseau neuronal. Ce genre d'approche ne doit pas tre confondu avec les
approches mixtes.

Systme neuronal/flou simultanment


Le rseau neuronal et le systme flou fonctionnent ensemble sur la mme tche, mais sans
s'influencer. Habituellement le rseau neuronal traite les entres, ou post-traite les sorties du
systme flou (voir figure. I.12).

27

Chapitre I Les Approches de lIntelligence Artificielle

Systme dinfrence floue


Rseau de neurones

Tp
P

Donnes

Sortie
0
50m

Figure. I. 12.Exemple d'association en srie d'un rseau de neurone et d'un systme.

Modles neuro-flous coopratifs


Le rseau neuronal est employ pour dterminer les paramtres (les rgles et les ensembles
flous) d'un systme flou. Aprs la phase dapprentissage, le systme flou fonctionne sans le
rseau neuronal. Cest une forme simple des systmes neuro-flous.
Systme dinfrence floue

Rgles floues
Rseau de neurones

Tp
P

Donnes
Sortie
0
50m

Ensembles floues

Figure. I. 13. Exemple d'association en parallle d'un rseau de neurone et d'un systme

flou.

Modles Neuro-flous Hybrides


Les approches neuro-flous modernes sont de cette forme. Un rseau neuronal et un systme
flou sont combins dans une architecture homogne. Le systme peut tre interprt comme
un rseau neuronal spcial avec des paramtres flous, ou comme un systme flou mis en
application sous une forme distribue parallle.
Le tableau. I.3 prsente toutes les architectures du modle neuro-flou.

28

Chapitre I Les Approches de lIntelligence Artificielle

Systme hybride
ANFIS (Adaptive Neuro Fuzzy Inference

N
Type SIF
couche
5
Sugeno-Tagaki

System) [Jang, 1992]


ATSMLP (Additive-Takagi-Sugeno-type

Mthode dapprentissage
Descente gradient+ mthode
moindre carre

Sugeno-Tagaki

Sugeno-Tagaki

Sugeno-Tagaki

Descente gradient

Mamdani

descente gradient +
renforcement

NEFCON (NEuro Fuzzy CONtrol)

Mamdani

NEFCLASS (NEuro-Fuzzy

Mamdani

Descente gradient +
renforcement (incrmental)
Descente gradient +
renforcement (dcrmental)

Mamdani

Supervis + Descente gradient

NOMURA [Nomura et al., 1991]

Sugeno-Tagaki

Descente gradient

STFIS (Self Tuning Fuzzy Inference

Sugeno-Tagaki

Descente gradient

Mamdani

Technique auto-organise +
descente gradient

Sugeno-Tagaki

FUN (FUzzy Net) [Abraham, 2001]

Mamdani

FINEST (Fuzzy INference Environment

Mamdani

Clustering + mthode moindre


carre + mthode moindre
carre
rcursive + Descente gradient
Recherche stochastique +
renforcement + descente
gradient
Descente gradient

MultiLayer Perceptron)
SANFIS (Sigmoid Adaptive Network
based Fuzzy Inference System)

Levenberg-Marquardt (hors
ligne) + filtre de Kalman tendu
(en ligne)
Levenberg-Marquardt (hors
ligne) + filtre de Kalman tendu
(en ligne)

[Zhang et al., 2004]


RANFIS (Rough AdaptativeNeuro Fuzzy
Inference System)

[Chandana et Mayorgua, 2006]


GARIC(Generalized Approximate
Reasoning based Intelligent Control)

[Berenji et Khedkar, 1992]

CLASSification)
NEFPROX (NEuro Fuzzy
functionapPROXimation) [Nauck et

Kruse, 1999]

System)
FALCON (Fuzzy Adaptive Learning
CONtrol Network) [Lin et Lee, 1991]
SONFIN (Self Constructing Neural Fuzzy
Inference Network)

Software with Tuning)

Tableau. I. 3.Tableau rcapitulatif de tous les modles neuro-flous.

29

Chapitre I Les Approches de lIntelligence Artificielle

5. CONCLUSION
Dans ce chapitre, nous avons rappel les lments de base relatifs aux rseaux de neurones,
la thorie de la logique floue et les systmes neuro-flous. En effet, des dfinitions de base sur
les rseaux de neurones, les diffrents architectures et types dapprentissage, ainsi que la
rtro propagation de gradient ont t prsents. Ensuite, nous avons labor des notions de
base sur les variables linguistiques, les sous-ensembles flous, le systme dinfrence flou et
les types de contrleurs et la fin, nous citons des applications de la logique floue.
La dernire section de ce chapitre a t consacre aux dfinitions de base de neuro-flou
etles diffrentes combinaisons de la logique floue et rseau de neurone, en suite, nous avons
prsent les diffrentes structures hybrides neuro-floue.

30

Chapitre II La commande robuste des systmes non linaires

Chapitre II La commande
robuste des systmes non
linaires
1. INTRODUCTION
Dans la formulation de nimporte quel problme de commande, il y a typiquement des
difficult entre le systme rel et le modle mathmatique dvelopp pour la conception du
contrle. Cette distinction peut tre due la variation des paramtres de la dynamique du
systme ou lapproximation du comportement complexe de systme par un modle. Ceci a
men un intrt intense pour llaboration des mthodes de contrle robustes qui cherchent
rsoudre ce problme [Fadhila, 2004]. Les algorithmes de commande classiques par exemple
action proportionnelle intgrale drive, peuvent savrer suffisants si les exigences sur la
prcision et les performances du systme ne sont pas trop strictes. Nanmoins, dans le cas
contraire et particulirement lorsque la partie commande est soumise de fortes non
linarits et des variations temporelles, il faut concevoir des algorithmes de commande
assurant la robustesse du comportement du processus vis--vis des incertitudes sur les
paramtres et leurs variations.
C'est pourquoi, depuis quelques annes, beaucoup de recherche ont t effectues dans le
domaine de la commande des systmes non linaires. Le Backstepping et le Mode Glissant
font partie de ces nouvelles mthodes de contrle.
La mthodologie du Backstepping peut se dfinir comme une faon d'organiser un
systme en plusieurs sous-systmes en cascade. L'exploitation de la mthodologie de
conception sur un plan gnral aboutit la mise en place d'une loi de commande par
rtroaction associe systmatiquement une fonction de Lyapunov.
Afin dobtenir ce rgime glissant, une loi de commande est requise pour avoir une nature
discontinue, cest--dire que la structure du systme a besoin dtre modifie dans le temps.
Un tel systme est appel systme structure variable [Hajri, 1997]. La caractristique
principale de ces systmes est la commutation de leurs lois de commandes sur une surface

31

Chapitre II La commande robuste des systmes non linaires


choisie priori, appele surface de glissement, afin d'y maintenir sous certaines conditions, le
point reprsentatif de l'volution du systme.
Cette technique est base sur le principe quil est plus facile de commander un systme de
1er ordre que de commander un systme du nime ordre, quil soit linaire ou non. Le principe
de ce type de systme structure variable consiste amener, quelles que soient les conditions
initiales, le point reprsentatif de lvolution du systme sur une hyper surface de lespace de
phase (reprsentant un ensemble de relations, statiques, entre les variables dtat).
La premire partie prsente le principe de la commande par Mode Glissant, ensuite nous
allons essayer de donner le dtail ncessaire sur
commandes qui utilisent cette technique

la conception des algorithmes des

et enfin, lapplication de la commande Mode

Glissant sur un pendule invers. La deuxime partie est consacre a introduit le principe de la
commande Backstepping avec les deux approches non adaptative, adaptative , puis nous
prsenterons leurs mises en uvre sur les systmes non linaires.

2. Commande des systmes non linaires


2.1. Reprsentation des systmes non-linaires
Un phnomne est dit non linaire lorsque ses grandeurs caractristiques relies entre elles
ne varient pas proportionnellement l'une par rapport l'autre. Son comportement peut alors
tre dcrit par une expression, un modle ou des quations faisant intervenir les variables
autrement qu'au premier degr [Slotine, 1991].
Aucun systme physique n'est compltement linaire, les mthodes linaires ne sont donc
applicables que dans un domaine de fonctionnement restreint. Certains systmes sont
impossibles modliser, mme localement, des systmes linaires [Slotine, 1991].
La reprsentation gnrale d'un systme non linaire est de la forme (II.1):

= () + ()()
= ()

(II.1)

O est la sortie du systme, est le vecteur d'tat et est le vecteur de commande.


(), () ()sont des fonctions non linaires du vecteur d'tat dcrivant le systme
[Lewis et al. 1993].

2.2. Commande des systmes


La commande est l'ensemble des oprations qui amnent automatiquement un procd
d'un tat particulier un autre tat dsir ()[Lewis et al. 1993].

32

Chapitre II La commande robuste des systmes non linaires


Un systme command est soumis des perturbations et des variations de paramtres, tel
que les frottements, vent, ou des bruits de mesure (figure II.1).
Les signaux utiliss dans la figure sont :

() : consigne ou signal de rfrence (reference).

(): signal de sortie ou rponse (plant output).

(): erreur de suivi (controller input/trackingerror).

(): signal de commande (controller output)

(): perturbation de la commande (plant input disturbance).

(): perturbation de la sortie (plant output disturbance).

(): bruit de mesure (measurement noise).

Si la consigne ()est constante dans le temps, nous parlerons de rgulation sinon la


commande est un asservissement ou poursuite de trajectoires.
La commande d'un systme a pour objectif d'atteindre les performances suivantes :
1. Stabilit
Nous disons d'un systme qu'il est stable si toute entre borne (en amplitude) il rpond
par une sortie borne [Slotine, 1991].
2. Robustesse
Elle est sans doute le paramtre le plus important et le plus dlicat. Nous disons qu'un
systme est robuste si la rgulation fonctionne toujours mme si le modle change un peu. Un
rgulateur doit tre capable d'assurer sa tche mme avec ces changements afin de s'adapter
des usages non prvus/tests (drive de production, vieillissement mcanique, environnements
extrmes) [Johnson et Moradi, 2005].
3. Rapidit
Elle dpend du temps de monte et du temps d'tablissement du rgime stationnaire.
Temps de rponse (Tr) : Thoriquement, le temps de rponse est le temps ncessaire
pour que le rgime transitoire ait totalement disparu. Toutefois en pratique, nous
convenons, en fonction de la prcision exige que c'est le temps au bout duquel la
rponse du systme pntre dans le couloir de plus ou moins 5% de la valeur finale
sans en sortir [Johnson et Moradi, 2005].

33

Chapitre II La commande robuste des systmes non linaires


Temps de monte (Tm) : Temps pour lequel la rponse atteint pour la premire fois la
valeur finale. Il caractrise la vitesse de raction du systme aux premiers instants
[Johnson et Moradi, 2005].
4. Prcision
Elle est caractrise par :

Erreur statique ( ()) : Elle est dfinit par l'cart entre la consigne et la sortie lorsque
le systme est en rgime stationnaire ( ) [Johnson et Moradi, 2005].
() = lim (() ())

(II.2)

Dpassement (Omax) : en pratique il est recommand pour avoir un systme agile


un dpassement de 10% [Johnson et Moradi, 2005].
=

()

(II.3)

()
+
-

()

Commande

()

()
Systme

()

()
Figure. II. 1.Bloc de commande d'un systme non linaire.

2.3. Stabilisation dun systme


Le problme de stabilisation consiste maintenir le systme prs dun tat dquilibre .
Il sagit de construire des lois de commande dites stabilisantes telles que soit un quilibre
asymptotiquement stable du systme soumis ces lois de commande.
Le problme de suivi de trajectoire consiste maintenir le systme le long dune
trajectoire dsire ()t > 0, c..d. de trouver un contrle tel que pour toute condition initiale
dans une rgion D, lerreur entre la sortie et la sortie dsire tend vers 0 quand , de plus
letat reste born [Isidori, 1995].
() = () ()

(II.4)

34

Chapitre II La commande robuste des systmes non linaires


Les techniques de commande permettant de construire des lois de contrle pour la
stabilisation des systmes sont nombreuses et varies, nous prsentons dans la partie suivante
celles qui nous ont t les plus utiles.

2.4 Exemple des systmes non linaires


Dans cette section, nous allons donner quelques modles des systmes non linaires utiliss
dans cette thse. Ces exemples incluent le pendule invers, le pendule simple et masse ressort.
1. Pendule Invers
Le systme pendule invers modliser est reprsent par la figure II.2. En exerant une
force horizontale u(t) sur le chariot, celui-ci se dplace en translation de x mtres et
provoque une dviation du pendule de radians.

Figure. II. 2. Le pendule invers.

La fonction dynamique de pendule invers est [Chen Hung, 2006] :

x x
2
1

(mc m) g sin x1 mlx22 cos x1 sin x1


x 2
l (4 / 3(mc m) m cos2 x1 )

cos x1
u (t ) d (t )

2
l (4 / 3(mc m) m cos x1 )

(II.5)

x x
4
3

4 / 3mlx22 sin x1 mg cos x1 sin x1

x4
4 / 3(mc m) m cos2 x1 )

4
u (t ) d (t )

3.(4 / 3(mc m) m cos2 x1 )

35

Chapitre II La commande robuste des systmes non linaires


Ou x1 position angulaire, x 2 vitesse angulaire, x 3 position de chariot, x 4 vitesse de chariot,
g 9.8m / s 2 , m c est masse de la chariot et m c =1kg, m est lamasse de pendule m 0.1kg ,

l 0.5m est longueur du pendule centre de masse et d(t) est un bruit.


2. Pendule simple
Le modle didactique dun robot manipulateur un seul degr de libert dont le modle
(II.6) est donn par Berghuis [Berghuis, 1993] :

Figure. II. 3.Pendule simple.

Le modle dynamique peut scrire :


1 = 2

1
{ 2 = sin 1 +

2
= 1

(II.6)

3. Masse ressort
Le systme non linaire complexe masse ressort est prsent dans la figure II.4.
u y '' y ' y y 3

(II.7)

Figure. II. 4. Masse Ressort.

3. La commande en rgime glissant


La commande par Mode Glissant (SMC) est une commande structure variable
pouvant changer de structure et commutant entre deux valeurs suivant une logique de

36

Chapitre II La commande robuste des systmes non linaires


commutation bien spcifique (). Le principe de la commande par modes glissants est de
contraindre le systme atteindre une surface donne appele surface de glissement et dy
demeurer jusqu lquilibre. Cette commande se fait en deux tapes : la convergence vers la
surface et ensuite le glissement le long de celle-ci (figure II.5) [Slotine, 1991].

Figure. II. 5. Diffrents modes de convergence pour la trajectoire dtat.

3.1. Conception de la commande par Mode Glissant


Les avantages de la commande par Mode de Glissant sont importants et multiples, comme
la haute prcision, la bonne stabilit, la simplicit, linvariance et la robustesse. Ceci lui
permet dtre particulirement adapte pour les systmes ayant un modle imprcis.
Souvent, il est prfrable de spcifier la dynamique du systme durant le mode de
convergence. Dans ce cas, la structure dun contrleur comporte deux parties. Une premire
continue reprsentant la dynamique du systme durant le mode de glissement et une autre
discontinue reprsentante la dynamique du systme durant le mode de convergence. Cette
deuxime est importante dans la commande non linaire, car elle a pour rle dliminer les
effets dimprcision et de perturbation sur le modle.
La conception de cette commande peut tre divise en trois tapes principales trs
dpendantes, ces tapes concernent :

Choix de la surface ;

Etablissement des conditions dexistence de convergence ;

Dtermination de la loi de commande.

1. Choix de la surface de glissement


Le choix de la surface de glissement concerne le nombre et la forme ncessaires. Ces deux
facteurs sont en fonction de lapplication et de lobjectif vis.

37

Chapitre II La commande robuste des systmes non linaires


La surface de glissement est une fonction scalaire telle que lerreur sur la variable rgler
glisse sur cette surface et tend vers lorigine du plan de phase. Ainsi, la surface reprsente le
comportement dynamique dsire [Hazzab, 2006]. Nous trouvons dans la littrature de
diffrentes formes de la surface, dont chacune

donne de meilleures performances pour

certaines utilisations. Dans ce travail, nous nous intressons une surface de forme non
linaire.
Slotine [Slotine, 1991] a propos une forme gnrale qui consiste dfinir une fonction
scalaire des surfaces de glissement dans le plan de phase dans le but dassurer la convergence
d'une variable d'tat x vers sa valeur de consigne xd cette fonction est donne par l'quation:

S ( x) x
t

r 1

(II.8)
e( x)

Avec :
e(x) : Lcart sur la variable rgler

x : Une constante positive


r : Le degr relatif, qui reprsente le nombre de fois quil faut driver la surface pour faire
apparatre la commande.
Lobjectif de la commande est de garder la surface S (x) zro. Cette dernire est une
quation de la commande diffrentielle linaire dont lunique solution est e( x) 0 , pour un
choix convenable du paramtre x .Ceci revient un problme de poursuite de trajectoire, ce
qui est quivalent une linarisation exacte de lcart, tout en respectant la condition de
convergence.

2. Condition de convergence
Pour raliser la loi de la commutation, on peut appliquer la thorie de lhyper stabilit de
Popov pour la synthse des systmes structures variables, ou bien le principe doptimisation
de Pontriagin ou comme dans notre cas la mthode de Lyapunov. Cette dernire est base sur
une fonction dite fonction de Lyapunov [Benaissa, 2006].
La condition de convergence permet au systme de converger vers la surface de glissement.
Il sagit alors de formuler une fonction scalaire positive V(x)>0 pour les variables dtats du
sys9tme qui est dfinie par la fonction de Lyapunov suivante:
1
V ( x) .S 2 ( x)
2

(II. 9)

38

Chapitre II La commande robuste des systmes non linaires


Pour que la fonction de Lyapunov dcroisse, il suffit de sassurer que sa drive soit
ngative. Ceci est vrifi par la relation suivante [Slotine.1991]:

1 2
V ( x)
( S ) . S
2 t

(II. 10)

Ou 0
Lquation (II.10) explique que le carr de la distance vers la surface mesure par S 2 x
diminue tout le temps, contraignant la trajectiore du systme se diriger vers la surface dans
les deux cotes. Cette condition suppose un rigime glissant idal ou la frquence de
commutation est infinie [Hazzab 2006].
Dans le cas dune surface de glissement non autonome o le temps figure explicitement

S x 0 , la condition gnrale de glissement scrit galement sous forme locale [Lopez,


2000]:

lim SS H S

(II. 11)

s 0

H :est une fonction monotone ou une constante positive.

3. Calcul de la commande
Lorsque le rgime glissant est atteint, la dynamique est indpendante de loi de commande
qui na pour but que de maintenir les conditions de glissement (lattractivit de la surface).
Cest pourquoi la surface a pu tre dtermine indpendamment de la commande, sur la base
du systme et des performances dsires (la rciproque nest pas vraie, et la commande va
dpendre de la surface de glissement). Il reste dterminer la commande ncessaire pour
attirer la trajectoire dtat vers la surface et ensuite vers son point dquilibre en maintenant
la condition dexistence du mode de glissement.
La structure dun contrleur comporte deux composantes, une premire concernant la
linarisation exacte ( u e ) et une deuxime stabilisante ( u c ) voir figure. II.6. Cette dernire est
trs importante dans la technique de commande par mode de glissement, car elle est utilise
pour liminer les effets dimprcision du modle et de rejeter les perturbations extrieures. La
loi de commande par Mode Glissant est donne par la formule suivante [Benaissa, 2006]:

u ue uc

(II. 12)

39

Chapitre II La commande robuste des systmes non linaires

ksign(.)

uc

u
+
+

xd

ue

d.
0
dt
S

Systme
Commander

f x, x,...

Algorithme de commande rgime glissant

Figure. II. 6. Principe de commande structure variable.

a. La commande quivalente
Si le rgime glissant est parfait, le point de fonctionnement volue sur la surface de
glissement S (x) = 0 et satisfait S ( x ) 0 ; puisque la fonction S est alors constante. La
commande continue, dduite de dS / dt 0 , est appele commande quivalente u e . La
composante quivalente peut tre interprte comme la valeur moyenne module.
Si lon considre le systme 2me ordre dfinie par :
x f ( x, x, t ) u(t )

(II. 13)

De plus, on supposera que les tats x et x sont mesurables laide de capteurs adquats.
La surface de glissement peut tre dfinie par :
S ( x) e e

(II. 14)

Le calcul de loi commande quivalente est :

S ( x) e e x xd e
f u (t ) xd e

(II. 15)
(II. 16)

Pour avoir S ( x) 0 on doit choisir:


ue (t ) f xd e

(II.17)

b. La commande discontinue
La composante non linaire est dtermine pour garantir lattractivit de la variable
contrler vers la surface de glissement et satisfaire la condition de convergence. Lvolution
du point de fonctionnement de la surface de glissement correspond des variations de signe
pour la fonction S et par suite une commande de type discontinue. Ce caractre discontinu de

40

Chapitre II La commande robuste des systmes non linaires


la commande correspond la composante discontinue de la forme ksign(S ) qui permet au
point de fonctionnement dosciller autour de la surface de glissement avec une amplitude
dautant plus petite et une frquence dautant plus leve que le correcteur est bien calcul
(les paramtres de rglage sont alors optimaux) [Lopez, 2000].
La commande de la forme :
u ue uc ue k .sign( s)

1
sign(S )
1
sign: est la fonction signe.

(II. 18)

si S 0

(II. 19)

si S 0

k: est une constante positive qui reprsente le gain de la commande discontinue.


La figure. II.7 reprsente la commande discontinue uc de lquation (II.18) :
uc

Figure. II. 7. La commande discontinue uc.

La loi de commande glissant est certes robuste vis--vis des perturbations paramtriques et
externes mais prsente quelques inconvnients majeurs :
Lutilisation du terme sign(S) dans le signal de commutation provoque le phnomne de
broutement qui peut exciter les hautes frquences et dtriorer le systme command. Une
mthode qui permet de rduire leffet du broutement est de remplacer la fonction discontinue
par une fonction de saturation, qui consiste dterminer une bande limite autour de la surface
de glissement ainsi assurant le lissage de la commande et le maintien de ltat du systme
dans cette bande. La loi de commande devient alors :

s
u ue k .sat ( )

(II. 20)

41

Chapitre II La commande robuste des systmes non linaires


sign ( s )

sat ( s / )
s /

si

si

(II. 21)

O la largeur de la bande limite est gale 2 , et peut tre dfinie selon la prcision ( )
dsire, sachant que :

(II. 22)

n 1

La figure II.8 reprsente le Mode Glissant avec bande limite.


S=0

Figure. II. 8.La fonction de commutation de la commande par rgime glissant bande limite.

La mise en uvre du signal de commutation ncessite la dtermination du constant k qui


dpend des perturbations paramtriques et externes, ce qui est difficile si ce nest pas
impossible. En gnral, on prend une valeur trs grande pour assurer la stabilit ce qui
augmente les sollicitations au niveau de lactionneur et amplifie gravement le phnomne de
broutement. Parmi les solutions prsentes dans la littrature. Il sagit de remplacer le signal
de commutation par un systme adaptatif, ce qui a permis de rsoudre la fois le problme du
gain k et celui du broutement. Cependant, la convergence de lalgorithme dpend du choix des
valeurs initiales ce qui rend son implmentation complexe dans le cas des systmes rapides ou
asservis de grandes variations paramtriques.
Le troisime inconvnient concerne la ncessit de disposer dune connaissance mme
partielle de la dynamique du systme. Pour remdier cet inconvnient, on peut approximer
la dynamique du systme pour synthtiser la loi de commande.

42

Chapitre II La commande robuste des systmes non linaires

4. Application de la commande Mode Glissant


Considrant un systme non linaire (II.5) dcrit par [Wang, 2009] :

f ( , t ) g ( , t )u (t ) d (t )

(II.23)

Avec
f et g des fonctions non linaires du vecteur dtat dcrivant le systme.
Lerreur de poursuite est dfinie par :
e(t ) (t ) x d (t )

(II.24)

s(t ) e(t ) e(t )

(II.25)

La surface de glissement :

O 0
La loi de commande par Mode Glissant est donne par la formule suivante:

u (t ) u e (t ) u c (t ) u e (t ) k .sat ( s)
s(t ) s(t ) 0
u e (t ) g ( , t ) [ f ( , t ) d (t ) xd (t ) e(t )]
1

(II.26)

(II.27)

Les rsultats de simulation


Pour valuer les performances de la commande par Mode Glissant pour le pendule
invers, nous avons procd une srie de simulation sous environnement MATLAB
/Simulink.
Les simulations prsentes dans cette section sont ralises sur langle de pendule. Pour
raliser cette simulation, nous avons pris des diffrentes trajectoires dsires, les paramtres
de la commande utiliss sont 10 , k 50.
Les figures. II.9, 10 prsentent les rsultats de simulation de la commande par Mode
Glissant de pendule invers (angle). On remarque que nous avons une bonne poursuite de
trajectoire et aussi que lerreur convergente vers zro malgr le changement des conditions
initiales.

43

Chapitre II La commande robuste des systmes non linaires

0.4

rfrence
position angulaire

0.8

0.3

0.6
0.4

Erreur

position angulaire

0.2

0.2
0

0.1

-0.2
0

-0.4
-0.6
-0.1

-0.8
-1

5
Temps(s)

-0.2

10

5
Temps(s)

10

Figure. II. 9. Application de la commande par Mode Glissant au systme pendule invers condition

initiale x1 pi / 10
.
-3

rfrence
position angulaire

0.2

x 10

4
3

-0.2

1
Erreur

position angulaire

-0.4

0
-1

-0.6

-2
-3

-0.8
-4

-1

5
Temps(s)

10

-5

5
Temps(s)

10

Figure. II. 10. Application de la commande par Mode Glissant au systme pendule invers condition
initiale x1 0.

Pour la validation des rsultats, nous avons pris une rfrence sinusodale. Les figures.
II.11, 12 prsentent la position angulaire et la rfrence dsire, lerreur de position converge
vers zro malgr le changement de condition initiale.

44

Chapitre II La commande robuste des systmes non linaires

0.4

rfrence
position angulaire

1.5

0.3

Erreur

position angulaire

0.2

0.5

0.1

-0.5
0

-1
-0.1

-1.5

-2

5
Temps(s)

-0.2

10

5
Temps(s)

10

Figure. II. 11.Poursuite dune trajectoire sinusodale pour langle condition initiale x1 pi / 10 .

0.05

rfrence
position angulaire

1.5

0.04
0.03

0.01
0

Erreur

position angulaire

0.02
0.5

-0.5

-0.01

-1

-0.02
-0.03

-1.5

-0.04
-2

5
Temps(s)

10

-0.05

5
Temps(s)

10

Figure. II. 12.Poursuite dune trajectoire sinusodale pour langle condition initiale x1 0 .

Performances de la robustesse sont satisfaisantes et le rejet des perturbations est rapide.


Nous remarquons que la loi de commande utilise a permet la stabilisation et la poursuite
de trajectoire dsire.

4. Principe de lapproche du Backstepping


La commande Backstepping, dveloppe par Petar V. Kokotovi, est gnralement
reconnue plus intressante que la commande par linarisation du fait quelle vite le principe

45

Chapitre II La commande robuste des systmes non linaires


dannulation des non linarits et repose sur lutilisation dautres concepts pouvant amliorer
les performances du rgime transitoire[Belhani, 2007].
Lide de base du Backstepping est de stabiliser au dpart le premier sous systme par une
fonction stabilisante connue via une fonction de Lyapunov choisie, ensuite dajouter son
entre un intgrateur [Bakhti, 2011]. On procde de mme pour le prochain sous-systme
augment et ainsi de suite pour les sous-systmes successifs pour aboutir enfin une fonction
de Lyapunov globale donnant la loi de commande globale qui stabilise le systme [Chebbi
,2011].
La mthode consiste fragmenter le systme en un ensemble de sous-systmes imbriqus
d'ordre dcroissant. Le calcul de la fonction de Lyapunov s'effectue, ensuite, rcursivement en
partant de l'intrieur de la boucle. chaque tape, l'ordre du systme est augment et la partie
non stabilise lors de l'tape prcdente est traite. la dernire tape, la loi de commande est
trouve. Celle-ci permet de garantir, en tout temps, la stabilit globale du systme compens
tout en travaillant en poursuite et en rgulation.

4.1. Conditions d'implantation


Comme la majorit des mthodes de commande des systmes non linaires, l'application
de la technique Backstepping est limite certaines classes de systmes. Les systmes dans ce
cas doivent tre sous une certaine forme triangulaire. La forme gnrale du systme analyser
est donne par :
1 = 2 + 1 (1 ) .
2 = 3 + 2 (1 , 2 ) .
.
.
.

(II. 28)

1 = 2 + 1 (1 , , 1 ) .
= (). + () .
= 1
Ou chaque1 : est un vecteur de fonctions non linaires, et est un vecteur
de coefficients constants. La commande u est multiplie par la fonction (), avec ()
0. . Si le but est d'atteindre la trajectoire dsire en utilisant l'tat , alors
l'algorithme du Backstepping peut tre utilis pour la stabilisation globale asymptotique de
l'erreur du systme (on note l'erreur primaire par

46

Chapitre II La commande robuste des systmes non linaires


En gnral, l'algorithme de la commande Backstepping peut tre utilis pour atteindre la
stabilit globale et asymptotique de l'erreur du systme si les tapes et les conditions suivantes
sont respectes :

Le systme est introduit selon la forme (II.28) ;

Les fonctions non linaires sont connues ;

La paramtrisation est linaire ;

La fonction () satisfait la condition () 0, ;

Chaque est continment drivable ;

Le signal de rfrence est continu ;

Tous les tats sont mesurables.

4.2. Approche non adaptative


a. Principe
Pour simplifier la prsentation, nous commenons par dvelopper un exemple de
commande non adaptative (figure. II.13) par la technique Backstepping dans le but d'atteindre
la convergence des erreurs afin de raliser la stabilit et l'quilibre = 1 du systme dont
est l'entre de rfrence.
Considrons le systme suivant:
1 = 2 + 1 (1 ) . 1
2 =
= 1

(II. 29)

O :
: Lentre de commande,
1 : Vecteur paramtrique connu,
1 (1 ) : Vecteur de fonction non linaire (1 (0) = 0),
y : La sortie du systme.
Le schma bloc du systme est donn par la figure II.13.

47

Chapitre II La commande robuste des systmes non linaires

2 =

+
+

= 1

1 (1 )

Figure. II. 13. Schma bloc du systme du deuxime ordre.

L'objectif de la commande est d'atteindre la convergence des erreurs vers zro ralisant
ainsi la stabilit et l'quilibre du systme ce qui permet sa sortie y de suivre une rfrence.
= ()
Le systme tant du 2me ordre, la conception par le Backstepping est excute en deux
tapes.

Etape 1
Pour le premier sous-systme (II.28.a), on choisit ltat 2 comme tant l'entre virtuelle de
ltat1 , on dfinit lerreur de poursuite 1 tel que:
1 = 1

(II. 30)

Et la fonction stabilisante suivante choisit de manire liminer la non linarit du soussystme:


(II. 31)
1 (1 ) = 1 1 1 (1 ). 1
= 1 (1 ) 1 (1 ). 1
O :
k1 gain >0.
Cette solution est conue pour stabiliser le premier sous-systme et puisque ce nest pas le
cas. On dfinit la deuxime erreur par:
2 = 2 1 (1 )

(II.32)

2 est la variable qui exprime la ralit que x2 nest pas la commande exacte.
On choisit la premire fonction de Lyapunov :
1 2

2 1

(II.33)

1 = 1 1

(II.34)

1 =
Sa drive est :

48

Chapitre II La commande robuste des systmes non linaires


Par arrangement des quations (30), (31), (32), on obtient lquation:
1 = 1 1 + 2

(II.35)

1 = 1 12 + 1 2

(II.36)

Et lquation (II.34) devient:


Le terme1 2sera limin dans l'tape suivante ou on abordera le deuxime sous-systme.

Etape 2
La drive de 2 est exprime par:
2 = 2 1
1
1
= 2
1

1

1
1
=
(2 + 1 (1 ) 1 )

1

Prenons la fonction de Lyapunov suivante :
1
1
2 = 12 + 22
2
2

La drive de 2est :

(II. 37)

(II. 38)

2 = 1 1 + 2 2
= 1 12 + 2 [ + 1

1
1
(2 + 1 (1 ) 1 )
]
1

(II. 39)

La commande u est choisie tel que 2 < 0 (condition de stabilit de Lyapunov), nous
obtenons :
= 2 2 1 +

1
1
(2 + 1 (1 ) 1 ) +
+
1

(II. 40)

=2 2 1 + 1 1 + 1 +
1

Avec gain 2 > 0


2 = 1 12 2 22

(II. 41)

Ceci traduit la stabilit, en boucle ferme du systme.

b. Procdure gnrale de conception


Dans cette partie, on essayera de gnraliser lapplication de lapproche du Backstepping
pour des systmes dordre :
1 = 2 + 1 (1 ) 1

2 = 3 + 2 (1, 2 ) 2
(II. 42)

.
.

= . (1, 2 , . . , ) + (1 , 2 , , )

49

Chapitre II La commande robuste des systmes non linaires


Avec :(1 , 2 , , ) 0
En gnral, la conception, par le principe du Backstepping, de la loi de commande u est
excute en n tapes. A lime tape, un sous-systme de lime ordre est stabilis par rapport
une fonction de Lyapunov vi par la conception dune fonction stabilisante . La loi de
commande est alors tablie ltape finale [Choukchou, 2011].
Lalgorithme global du Backstepping est donn par :
Par convention, on dfinit :
0 = 0, 0 = 0, 1 = 1

Ou :

= 1

(1)

(II. 43)

= 1

(II. 44)

1 = 1 ,

=1

1 =

1
1
=
+1 (1)

1 1 ,

=1

(II. 45)
2

(II. 46)

( )

=1

1
()
( + )

Le principe de la commande par Backstepping est donne par la figure. II.14 :


=

Calcul
de 2

1 =

2
2

Calcul
de 3

Calcul
de

(II. 47)

Systme

Figure. II. 14. Schma illustratif de la commande par Backstepping.

4. 3.Application de la commande Backstepping approche non adaptive


Pour cette application, nous montrons comment le problme de la commande non
adaptative dun pendule simple va tre rsolu en utilisant la technique de Backstepping en

50

Chapitre II La commande robuste des systmes non linaires


supposant que tous les paramtres du systme sont connus et prdfinis. Le modle
dynamique est prsent dans quation (II.6).
Pour atteindre une stabilit globale et asymptotique du pendule, on explicitera la loi de
commande u de telle manire quon obtient :2 = 1 12 2 22 alors :

= 2 [1 2 2 + sin 1 1 2 + 1 + 1 ]

(II. 48)

Rsultat de simulation
Pour les paramtres de synthse nous avons pris :
= 1, m = 1kg , 1 = 100, 2 = 100.
-3

0.3

Rfrence
Position

0.2

x 10

Erreur

Position

0.1
0

-0.1
-0.2

10 12
Temps(s)

14

16

18

-5

20

10 12
Temps(s)

14

16

18

20

Figure. II. 15.Application de la commande Backstepping (approche non adaptative) au pendule


simple.
1

0.03

Rfrence
Position

0.02
0.01
Erreur

Position

0.5

0
-0.01

-0.5

-0.02

-1

10 12
Temps(s)

14

16

18

20

-0.03

10 12
Temps(s)

14

16

18

20

51

Chapitre II La commande robuste des systmes non linaires

80

60

commande u

40

20

-20

-40

-60
0

10
Temps(s)

12

14

16

18

20

Figure. II. 16. Poursuite dune trajectoire sinusodale.

A partir des rsultats ci-dessus, nous pouvons constater que les performances

de la

commande Backstepping sont satisfaisantes. Les figures II.15, 16 montrent la convergence


rapidement vers les rfrences (alatoire et sinusodale) avec les erreurs minimales. On
remarque que le suivi de la trajectoire dsire est ralis aprs 1 seconde avec une erreur
presque nulle aprs 2 secondes.
Malheureusement, cette commande est valable sauf pour les systmes connus avec
prcision.
On suppose maintenant que les paramtres de pendule invers ne sont pas connus, la
commande adaptative par Backstepping est applique pour rsoudre ce problme.

5. Approche adaptative
Les modles rels des systmes physiques ne sont pas linaires et habituellement
caractrises par des paramtres (masses, inductances, ......) qui sont peu connus ou dpendent
d'un petit changement d'environnement. Si ces paramtres varient dans un intervalle
important, il serait prfrable demployer une loi d'adaptation pour estimer les paramtres du
systme. La figure II.17 donne le schma de principe dune commande adaptative.

52

Chapitre II La commande robuste des systmes non linaires

Adaptation
des
paramtres
Signal de
rfrence
Sortie

Commande

Processus
Signal de
Commande

Figure. II. 17. Schma de principe de la commande adaptative.

Soit le systme non linaire rgi par les quations [Elleuch, 2012]:
1 = 2 + 1 (1 ) + 1 (, , )
2 = 3 + 2 (1 , 2 ) + 2 (, , )
3 = 4 + 3 (1 , 2 , 3 ) + 3 (, , )

(II.49)

.
.
.
(
= + 1
,

,
1 2 , 1 ) + 1 (, , )

= () + () + () + (, , )
= 1
Tel que = [1 , 2 , , ]est ltat de systme, la sortie, la commande et
(1 , , ) , = 1, , sont des fonctions connues est le vecteur de
paramtres inconnus

et (, , ), = 1, , sont les

fonctions scalaires non linaires

inconnues, compris toutes les perturbations. est un paramtre variable dans le temps
incertain.
Les

fonctions

(, , ), = 1, , sont

dlimites

connues (1 , , )c..d:| (, , )| (1 , , ),

par

des

fonctions

= 1, ,

La conception par la mthode du Backstepping est excute en n tapes. Rappelons que


lobjectif de la commande dans ce cas, est de stabiliser le systme non linaire (II.49).

Etape 1

On choisit ltat 2 comme une entre virtuelle de commande au premier sous systme.
Do la premire variable du Backstepping est choisie comme [Jafari et Zinober, 1999] :

53

Chapitre II La commande robuste des systmes non linaires


1 = 1

(II. 50)

La dynamique derreur est dfinie telle que


1 = 2 + 1 + 1 (, , )

(II. 51)

partir de (II.49) :
(II. 52)
1 = 2 + 1 + 1 (, , ) + 1
Avec 1 (1 ) = 1 (1 )et = , ou est une estimation du paramtre inconnu
La fonction de Lyapunov est :
1 2 1 1
+
2 1 2
O dfinie une matrice positive. La drive de la fonction de Lyapunov est :

(II. 53)

1 (1 , ) = 1 (2 + 1 + 1 (, , ) + 1 ) + 1 (1 1 )
Dfinie 1 = 1 1 . Si = 1 , lestimation de est limin de1 .

(II. 54)

1 (1 , ) =

On pose 2 commande virtuelle :


2 = 1 (1 , , ) + = 1 1 (1 )(1 ) + 1 1

(II. 55)

1 (1 , ) = 1 12 + 1 (, , )1 1 (1 )|1 |

(II. 56)

Avec 1 > 0
Cependant, 2 nest pas le contrle rel.

Etape 2

Considrons lerreur 2 dfinie par lquation:


2 = 2 1 (1 , , ) = 2 + 1 + 1 (1 )(1 ) + 1 1

(II. 57)

La fonction de Lyapunov candidate est :


1
2 (1 , 2 , ) = 1 + 22
2

(II. 58)

Sa drive :
2 = 1 12 + 1 (, , )1 1 (1 )|1 |
1
1 1
+ 2 [1 + 3 + 2 + (2 (, , )
1 (, , ))

1 2

(II. 59)

1
()] + 1 (2 )

Avec
2 = 2 (1 , 2 )

1
( )
1 1 1

2 = 1 + 2 2 = (1 1 + 2 2 )

Etape n : Dfinie

54

Chapitre II La commande robuste des systmes non linaires


()

= 1
La dynamique de la variable

= () + () + (, , ) +

(, )
2

(, )

()

=1

+ ( +1
=1

On dfinie

(II. 60)

1
1 1
+1
+

1
= 1 + 2
2

La drive de est:

(II. 61)

(II. 62)

= 2
=1

+ ( ( )) + [1 + () + () +
=1
1

(II. 63)

1
1 1
+1

+

=1
2

+ ( +1
=1

1
()
)
] + 1 ( )

Avec
1 1
1

+
1 +

(II. 64)

=1

+ ( +1
=1

1
1
1

+1 +
( ) +

= 1 + =

(II. 65)

1
| (1 , , )

(II. 67)

(II. 68)

= (1 , , ) + |

=1

=1

(II. 66)

=1
1

1
(1 , , )

= (1 , , )

=1
1

> 0
Pour que le systme soit globalement stable < 0 il faut que la loi de commande soit
comme suit :

55

Chapitre II La commande robuste des systmes non linaires


=
1

1
[() 1
()

1
1 1
+1 +

=1
2

+ ( +1
=1

(II. 69)

()
) + ( )]

Avec

5.1. Application de commande Backstepping approche adaptive


Dans ce qui suit, l'tude dun systme non linaire sera prsente et l'implantation du
Backstepping sera introduite afin de raliser une commande adaptative. Le problme
d'adaptation surgit cause du vecteur paramtrique inconnu.
L'application du adaptative Backstepping la commande de systme second ordre est
effectue en deux tapes [Rudra, 2012], voir Annexe (B). On prend le systme non linaire
pendule invers (II.5).
La commande u pour atteindre la stabilit globale et asymptotique de position angulaire de
pendule invers est :
=

1
( 1 1 1 + 2 2 )1 , 2 > 0

(II. 70)

Avec les lois dadaptation sont :


= 1 2

(II. 71)

= 2 ( 1 1 1 + 2 2 )2

(II. 72)

Rsultat de simulation
Les simulations prsentes dans cette section sont ralises sur langle de pendule (position
angulaire). Pour raliser cette simulation, nous avons pris des diffrentes trajectoires dsires,
les paramtres de la commande utiliss sont1 = 100, 2 = 200.

56

Chapitre II La commande robuste des systmes non linaires


-3

0.3
Rfrence
Position angulaire

0.2
0.1

Erreur

Position angulaire

x 10

-0.1
-0.2

-5

0 2 4 6 8 10 12 14 16 18 20
10 12 14 16 18 20
Temps
Temps
Figure. II. 18. Application de la commande Backstepping (approche adaptative) au pendule invers.
0

-3

5
Rfrence
Position angulaire

Erreur

Pos ition angulaire

x 10

-1

-2

10 12
Temps

14

16

18

20

-5

10 12
Temps

14

16

18

20

Figure. II. 19. Poursuite dune trajectoire sinusodale.

Les rsultats de simulation donns par les figures II.18, 19.Nous remarquons que la sortie
suit bien la rfrence avec un dpassement assez important caractristique dune commande
adaptative non linaire.
Le problme de suivi de trajectoires a t apprhend. Le suivi est trs satisfaisant. Les
erreurs de suivi sont ngligeables comme le montrent les figures. Les figures II.20, 21,22
reprsentent lestimation des fonctions inconnue (f, g) et la commande .
On peut conclure en considrant les rsultats, que lalgorithme appliqu au pendule invers
garante asymptotiquement la stabilit globale du systme.

57

Chapitre II La commande robuste des systmes non linaires

4
10

2
f stime

f estime

-2
-5

-4
-10

10
12
Temps(s)

14

16

18

-6

20

10
Temps(s)

12

10
Temps(s)

12

14

16

18

20

18

20

Figure. II. 20. Lestimation de la fonction (rfrence sinusodale, alatoire).


2
1.8
1.6

1.5

1.4

g stime

0.5

1
0.8
0.6
0.4
0.2
0

-0.2

10
12
Temps(s)

14

16

18

20

14

16

(rfrence sinusodale, alatoire).


Figure. II. 21.Lestimation de la fonction
100
90
80
70
60

commande u

g stime

1.2

50
40
30
20
10
0
-10
0

10
Temps(s)

12

14

16

18

20

Figure. II. 22. La commande .

58

Chapitre II La commande robuste des systmes non linaires

6. CONCLUSION
Lobjectif de ce chapitre tait lvaluation de la robustesse et les performances de la
commande non linaire par Mode Glissant et par Backstepping des systmes non linaires.
Ce chapitre a t consacr dans un premier temps une prsentation gnrale des
concepts de base de la commande par Mode Glissant (condition dexistence, calcul de
commande, phnomne de Chattering) et par la suite nous avons appliqu la commande
par Mode Glissant au pendule invers.
Les rsultats de la simulation montrent les avantages de la commande par Mode
Glissant se situent la robustesse quelle offre vis--vis des perturbations extrieures.
On peut cependant noter que les performances du systme peuvent tre altres
cause des oscillations fortes de lorgane de commande. Ce phnomne, appel broutement
(Chattering), a t rgl par la fonction de saturation.
En deuxime temps, nous avons fait une description de la technique Backstepping
ensuite les deux approches non adaptatives et adaptatives ont t prsentes. Lapplication
de Backstepping aux systmes du deuxime ordre puis, gnralise au systme dordre n.
Etape par tape, une commande est conue et une analyse de stabilit est tablie. A
ltape finale, une loi de commande globale assurant la stabilit en boucle ferme du systme
est construite via une fonction de Lyapunov, les erreurs convergent vers zro et la sortie du
systme suit sa rfrence.
Pour valider cette technique, nous lavons appliqu sur dfrents systmes non
linaires, les rsultats obtenus sont encourageants, les erreurs de suivi sont acceptables.
Les rsultats obtenus par simulation mettent en relief la robustesse du rglage par
Mode Glissant et par Backstepping caractrise par une insensibilit aux variations
paramtriques.

59

Chapitre III Contribution des Neuro-flou dans la commande robuste

Chapitre III Contribution des


Neuro-flous dans la
commande robuste
1. INTRODUCTION
La commande dun systme non linaire est une tche difficile mme quand le modle
dynamique du systme est disponible. Ce problme de commande est dautant plus difficile si
le modle dynamique est inconnu ou mal connu. Les progrs enregistrs ces deux dernires
dcennies dans la thorie de la commande des systmes non linaires ont donn naissance
certaines mthodes systmatiques de synthse de lois de commande non linaires. Parmi ces
mthodes, on trouve la technique de linarisation entre sortie permettant lanalyse et la
synthse de la commande pour une large classe de systmes non linaires [Slotine, 1991].
Cependant, cette technique ne peut tre utilise que pour les systmes non linaires dont le
modle dynamique est connu avec exactitude. Pour pallier ce problme, plusieurs approches
de commande ont t introduites.
Une des solutions pour pallier au problme consiste introduire la commande par des
approches dIntelligences Artificielles (les neuro-flous) permettant d'assurer la stabilit du
systme commander.
Dans notre travail, nous avons propos une hybridation entre contrleur neuro-flou et de
Mode Glissant pour amliorer les performances de contrle de systme non linaire. La
commande par Mode Glissant (SMC) a largement prouv son efficacit travers les tudes
thoriques rapportes, ces principaux domaines dapplication sont la robotique, et les moteurs
lectriques. Sa dynamique est insensible aux perturbations extrieures et paramtriques tant
que les conditions de rgime glissant sont assures. Cependant le signal de commande
obtenue par SMC, prsente des variations brusques dues au phnomne de broutement
(chattering), ce qui peut exciter les hautes frquences et les non linarits non modlisables.
Plusieurs travaux ont t prsents dans la littrature pour rgler ces problmes, il s'agit
deffectuer une hybridation entre le Mode Glissant et des autres outils comme la logique floue

60

Chapitre III Contribution des Neuro-flou dans la commande robuste

[Wang, 2009], les rseaux de neurones [Hussain, 2009], les neuro-flous [Chen Hung, 2006],
etc.
Ce chapitre dcrit une technique

nouvelle neuro-floue qui sera introduite dans la

commande de systme non linaire. Nous callons dcrire deux modles de neuro-flou ANFIS,
STFIS. Ensuite, nous prsenterons les applications de ces modles sur des systmes non
linaires.
Enfin, on a proposera une hybridation entre contrleur STFIS (Self Tuning Fuzzy Inference
System) et Mode Glissant. Le contrleur STFIS gnre la composante quivalente de loi de
commande par Mode Glissant. Apres avoir introduit le principe des approches proposes,
nous prsenterons leurs mises en uvre pour la commande de pendule invers.

2. Les systmes Neuro-flous


Les systmes Neuro-Flous sont crs afin de synthtiser les avantages et de surmonter les
inconvnients des rseaux neuronaux et des systmes flous. De cette manire, les algorithmes
dapprentissage peuvent tre employs pour dterminer les paramtres des systmes flous.
Ceci revient crer ou amliorer un systme flou de manire automatique, au moyen des
mthodes spcifiques aux rseaux neuronaux.
Diverses combinaisons de ces deux mthodes ont t dveloppes depuis 1988. Elles ont
donn naissance aux systmes neuro-flous, qui sont les plus souvent orients vers la
commande de systme complexe et les problmes de classification [Chekroun, 2009]. Il existe
ainsi quatre mthodes Neuro-floues : rseau flou neuronal, cooprative, concurrente et
hybride.

2.1. ANFIS (Adaptive Neural Fuzzy Inference System)


Le rseau neuro-flou adaptatif (ANFIS : Adaptive Neural Fuzzy Inference System) est
compos d'un ensemble de neurones connects entre eux par des connexions directes. Chaque
neurone modlise une fonction paramtre; le changement des valeurs de ces paramtres
entrane le changement de la fonction, de mme que le comportement total du rseau
adaptatif. L'ensemble des paramtres d'un rseau adaptatif est distribu sur l'ensemble des
neurones. Cependant chaque neurone possde un ensemble de paramtres locaux; si cet
ensemble est vide alors le neurone associ est reprsent par un cercle et sa fonction est fixe,
neurone fixe, sinon il est reprsent par un carr et la fonction associe dpend des valeurs de
ces paramtres, neurone adaptatif.

61

Chapitre III Contribution des Neuro-flou dans la commande robuste

Dans un ANFIS, les connexions entre neurones sont seulement utilises pour spcifier le
sens de la propagation des stimulations provenant des autres neurones. La structure de ANFIS
est compose de cinq couches, deux types de fonctions d'appartenance (cloche ou gaussienne)
et les rgles de type si prmisse alors consquent [Jang, 1992].

x1 x2

A1

1
i

x1

Oi2

Oi3

w1

w1

Oi4

A2

w1 f1

Oi5
y

w2 f 2

B1

x2

w2

w2

B2
x1 x2
Couche1
1

Couche2

Couche3

Couche4

Couche5

Figure. III. 1. Structure d'un ANFIS.

La figure prsente l'architecture d'un ANFIS formalisant le raisonnement de Sugeno


du premier ordre, deux entres, une sortie et une base de rgles constitue de deux rgles,
dont une rgle est exprime par:
Rgle i : six1est Ai et x2est Bi alors y i pi x1 qi x 2 ri
Correspondant larchitecture dANFIS qui se compose de cinq couches.
Couche. 1
Les neurones adaptatifs Ai (Bi) calculent les degrs d'appartenance, l'ensemble des
paramtres caractrisent les fonctions Ai (Bi). Les paramtres correspondant sont appels
paramtres de la prmisse ai , bi , ci

Oi1 Ai x

(III. 1)

Gnralement Ai x est choisi sous forme de cloche avec son maximum gal 1 et le
minimum gal 0.

62

Chapitre III Contribution des Neuro-flou dans la commande robuste

A ( x)
i

1
x c
i
1
a

bi

(III. 2)

O la fonction gaussienne

xc
i
U Ai ( x) exp
ai

(III.3)

Couche.2
Les neurones fixes modlisent l'oprateur "ET" et calculent la valeur de vrit de chaque
rgle.
wi Ai x Bi x

(III. 4)

Couche.3
Les neurones N sont des neurones fixes, ils effectuent la normalisation de la valeur de
vrit de la rgle (poids).

wi

wi
, i 1,2
w1 w2

(III.5)

Couche.4
Chaque neurone de la couche 4 est un neurone adaptatif dont la fonction est:

i4 wi f i wi pi x1 qi x2 ri
Les paramtres pi , qi , ri

(III.6)

sont appels paramtres de la consquence.

Couche.5
Le neurone de la couche 5 est un neurone fixe, une entre donne, il dlivre la rponse du
rseau donne par :

5i wi fi

(III.7)

63

Chapitre III Contribution des Neuro-flou dans la commande robuste

A1

B1

w1

A2

B2

f1

w1 f1 w2 f 2

w2

x1

x2

w1 f 1 w2 f 2
w1 w2

f2

Figure. III. 2.Partie dfuzzification.

Les paramtres prmisses sont identifis par la mthode de descente de gradient et les
paramtres consquents sont reconnus par la mthode des moindres carrs. Les paramtres
consquents ainsi identifis sont optimaux la condition que les paramtres prmisses soient
fixs [Abraham, 2001].
ANFIS est lun des tous premiers systmes neuro-flous qui existent. Il est trs cit dans la
littrature, car il a prouv son efficacit au fil du temps avec son algorithme dapprentissage
simplifi : la mthode de descente de gradient et la mthode des moindres carrs.

2.2. STFIS (Self Tuning Fuzzy Inference System)


La mthode prsente une analogie structurelle complte avec un systme dinfrence floue
de type Takagi Sugeno dordre zro. Ce SIF peut tre schmatis sous la forme dun rseau de
quatre couches (figure.III.3) :
La premire couche reoit les entres; la seconde calcule les degrs dappartenance de ces
entres leurs sous-ensemble flous; les poids du rseau entre la premire couche et cette
couche correspondent aux paramtres dfinissant les fonctions dappartenance ; la troisime
couche calcule les valeurs de vrit, les poids entre les deux couches caches dfinissent
loprateur ET choisi.
La quatrime couche est la couche de sortie : les poids wi du rseau entre la troisime et la
quatrime couche correspondent aux parties conclusion des rgles [Zemalache, 2006].

64

Chapitre III Contribution des Neuro-flou dans la commande robuste

min
UA11

UA12

UA13

x1

min
w1

min

UA14

min
UA15

w4
w
u

x2

UA21

UA22

UA23

min
min
min
w25

UA24

UA25

min

u A1 ( x1 )

min
Couche1

Couche2

Couche3

Couche4

Figure. III. 3.Structure STFIS.

a- Algorithme doptimisation
Plusieurs algorithmes sont utilisables pour optimiser les paramtres ajustables du rseau.
Dans notre application, nous nous contenterons dutiliser la mthode de rtro propagation de
gradient pour ajuster les poids de la dernire couche du rseau. Le principe gnral de cette
mthode peut tre rsum comme : chaque itration; on modifie les poids de la couche de
sortie, cette modification se fait dans le sens oppos du gradient de la fonction cot. On rpte
le processus jusqu' ce que les poids de la couche de sortie aient convergs, cest--dire que
lcart entre la sortie du rseau et la sortie dsire deviennent acceptable.
Loptimisation est effectue entirement en ligne en minimisant une fonction cot J
(intgrant une erreur quadratique et un terme de rgression des paramtres) pour gnrer les
paramtres wi caractrisent la partie conclusion des rgles et les ajuster. Lalgorithme de
descente de gradient avec la rgression des paramtres optimisant seulement la partie
conclusion des rgles a t adopt pour satisfaire les objectifs fixes.

65

Chapitre III Contribution des Neuro-flou dans la commande robuste

J E wi2
E

1 2

(III.8)
(III.9)

: constante de contrle daugmentation des paramtres.


: terme derreur.
wi : poids ou paramtre.

A laide de lalgorithme de rtro propagation du gradient, les paramtres sont modifis


suivant la formule suivante :

wijn (k ) wijn (k 1) wijn (k )

(III.10)

wijn (k ) in nj 1 bwijn (k 1)

(III.11)

Aussi nous avons

k : reprsente les itrations.

wijn : poids entre le ime neurone de la couche jme neurone de la couche n-1.

: gain doptimisation (ou pas doptimisation).mesurant la vitesse avec laquelle les poids
vont converger vers leur valeur finale.

b : moment : ce paramtre est compris entre 0 et 1 ; lintroduction du terme bwijn (k 1)


permet dviter les minimas locaux en faisant intervenir les variations des poids.

nj1 : sortie du neurone de la couche n-1.


in : terme de drive de la fonction cot (ime neurone de la couche n).
A laide de lalgorithme classique de rtro propagation du gradient, les paramtres sont
modifis suivant la formule suivante :
J
w(k 1) w(k )

(III.12)

Cet algorithme intgre facilement leffet du terme de rgression dans la fonction cot. En
effet, il suffit de driver la fonction cot J par rapport chaque paramtre wi et en posant

2 on obtient :
Avec :

: Coefficient du terme de weight decay ou de rgression ;


En se limitant dans cette tude pour loptimisation des conclusions des sorties, ainsi on
obtient [Zemalache, 2008] :

66

Chapitre III Contribution des Neuro-flou dans la commande robuste


w14j (k ) 14 3j bw14j (k 1) 3j w 1 j (k 1) / 3j

(III.13)

14 ye y d / j 3j

(III.14)

O:
y e :valeur effective de sortie.
y d :sortie dsire.

Choisir dtermine le poids dans la fonction cot du terme de rgression par rapport
celui de lerreur quadratique. Sil est trop petit par rapport au gain, leffet de la rgression des
poids ne se fera pas sentir. En revanche, si est trop important, les poids restent proches de
zro, car leffet de diminution des poids sera trop important par rapport laugmentation due
la rtro propagation normale. Dans ce cas, le SIF napprendra rien. Il est galement
important que le terme de rgression soit proportionnel au dclenchement de la rgle. Si nous
nintroduisions pas ce coefficient, la valeur du paramtre wi baisserait quand la rgle nest
pas dclenche. Donc si, par exemple, le systme voluait suffisamment longtemps sans
dclencher une rgle, le paramtre correspondant tendrait vers 0, et on perdrait alors de
linformation. Classiquement le coefficient de rgression est choisi par essais successifs.
b- Architecture de control JEAN et mini-JEAN
Dans le contrle de processus dynamiques, le contrleur doit reproduire la fonction de
transfert inverse du systme pour dterminer la commande fournir. Cela est ais dans
certains cas simples, par exemple quand le systme est modlis sous une forme linaire, mais
le plus souvent la structure du systme est inconnue, et prsente des non linarits non
modlisables. Nous nous plaons dans cette hypothse c'est--dire quon suppose navoir
aucune connaissance priori sur le processus contrler. Dans ce cas, Jordan propose la
mthode du distal control sous le nom de JEAN (Jordan method Extended for Adaptive
Neuro-control). Cette architecture (figure.III.4) ncessite la prsence de deux rseaux de
neurones :
-Un premier rseau pour identifier le processus (modle).
-Un second rseau pour contrler le processus (Contrleur).

67

Chapitre III Contribution des Neuro-flou dans la commande robuste

STFIS
Modle

y*

e
Trajectoire
dsire

+
STFIS
Contrleur

de

Systme

Figure. III. 4.Architecture JEAN.

Cette mthode ncessite deux tapes successives : lidentification du processus par le


rseau modle, puis loptimisation du rseau contrleur. Lajustage des poids synaptiques (ou
des conclusions des rgles), de ce dernier est effectu en rtropropageant travers le
rseau la valeur u obtenue par rtro propagation travers le modle dune fonction cot base
sur lerreur en sortie e=y-y*.
Souvent il nest pas ncessaire de connatre prcisment le modle du processus (ou plus
exactement son Jacobien) pour obtenir un contrle correct. En effet, un modle imprcis du
systme naltre pas la minimisation de la fonction cot, il modifie seulement le trajet pris par
lalgorithme doptimisation dans lespace des actions : on ne suivra sans doute pas la plus
forte pente, mais on restera sur un chemin descendant. Le moyen consistant utiliser
lapproximation du Jacobien par son signe est une approche viable pour la commande de
systmes simples. Nous arrivons une architecture mini-JEAN avec un seul rseau
contrleur, dont loptimisation seffectue en rtro-propageant directement lerreur de sortie.
Larchitecture mini-JEAN sera compar

avec larchitecture JEAN, des performances

quivalentes ont t obtenues, tant pour la vitesse doptimisation que pour lerreur moyenne
en gnralisation. Par contre, le temps de calcul est nettement en faveur de mini-JEAN. Ils ont
tendu ces rsultats en remplaant dans ces architectures le rseau de neurones par un SIF
dont certains paramtres sont optimiser. Ils ont galement observ que, malgr quelques
diffrences dans la conduite de loptimisation et dans la commande fournie, le recours la
version simplifie ninduit pas de dgradation de performances sensibles. Cest pourquoi,
notre prfrence va cette mthode, efficace, rapide et facile mtre en uvre. Il est vident
nanmoins quelle ne peut sappliquer qu des systmes dans lesquels le signe du Jacobien
est constant dans le domaine de fonctionnent balay [Zemalache, 2008].

68

Chapitre III Contribution des Neuro-flou dans la commande robuste

Trajectoire
dsire

STFIS
Contrleur

Systme
u

de

Figure. III. 5.Architecture mini-JEAN.

c- Gains du contrleur
Les gains des entres Ge et Gde ont un rle de normalisation des variables
linguistiques en vue de leurs utilisations par le contrleur STFIS. Ces gains affectent aussi les
performances de la rponse du systme en rgime transitoire.
Le gain de la sortie Gc normalise la sortie du contrleur flou dans lunivers de discours de
la commande (voir la figure. III.6). De plus, il joue un rle dans la stabilit du systme et
llimination des erreurs en rgime permanent.
Le choix de ces gains peut se faire dune manire subjective (essais /erreurs) de
sorte obtenir la meilleure performance possible.
e
Ge

Gc

STFIS
Gde

de
Figure. III. 6. Structure contrleur.

2.3. Applications
Pour valuer les performances de la commande neuro-floue en control des systmes non
linaires,

nous

avons

procd

une

srie

de

simulation

sous

environnement

MATLAB/Simulink. Les simulations prsentes dans cette section sont ralises sur des
systmes non linaires. Nous avons utilis les deux systmes neuro-flous ANFIS, STFIS.
Les commandes par les deux contrleurs ANFIS et STFIS sont ralises sur un modle
didactique dun robot manipulateur un seul degr de libert dont le modle (II. 6)
Commande par le contrleur ANFIS
La littrature scientifique mentionne diffrentes architectures de commande neuro-flou.
Nous avons choisi la commande directe par le modle inverse grce sa facilit et simplicit

69

Chapitre III Contribution des Neuro-flou dans la commande robuste


dimplmentation, comme son nom lindique, le modle neuro-flou inverse plac en avant du
systme, est utilis comme contrleur pour commander le systme en boucle ouverte (voir la
figure.III.7).
En premier lieu, nous avons labor le modle inverse du systme ANFIS, ensuite nous
lavons utilis dans la structure de commande [Daikh et al., 2010].

u(k)

r(k+1)

ANFIS

y(k)
Systme

Figure. III. 7.Commande directe par modle inverse.

Notre ANFIS a comme entres {y (k), y(k-1), y(k-2)} et a deux fonctions dappartenance
de type cloche (III.2).
Pour gnrer les donnes dapprentissage et de validation, nous avons excit le systme
(II.6) par un signal u(k) qui est une squence alatoire dont lamplitude est une distribution
uniforme pour avoir une entre riche.
Lerreur entre les deux signaux, lentre de systme u(k) et la sortie dANFIS inverse (k)
3

est prsente dans (figure.III.8) avec un cot de 10 . Le modle ANFIS inverse est form par un
apprentissage hors ligne.
-3

x 10

4
3
2

Erreur

1
0
-1
-2
-3
-4
-5

10
Temps(s)

12

14

16

18

20

Figure. III. 8.Erreur prdiction du modle inverse.

70

Chapitre III Contribution des Neuro-flou dans la commande robuste


Pour lapplication du modle inverse dans une commande directe, nous avons test le
modle pour deux consignes, lune tant un signal sinusodal yd, lautre un signal alatoire
yd1.
Lerreur entre la consigne ydet la sortie du systme command par modle inverse est
prsente dans figure.III.9 et celle entre la consigne yd1 et la sortie du systme figure.III.10.
-3

0.1

x 10

Rfrence

position
0.05

Erreur

Position

1
0

0
-1

-0.05

-2
-3

-0.1
0

10 12
Temps(s)

14

16

18

20

10
12
Temps(s)

14

16

18

20

Figure. III. 9. Poursuite dune trajectoire sinusodale (Consigne yd).


-3

0.15

x 10

Rfrence
Position

0.1

Erreur

Position

0.05
0

-0.05
-0.1

10 12
Temps(s)

14

16

18

20

-5

10 12
Temps(s)

14

16

18

20

Figure. III. 10.Poursuite dune trajectoire alatoire (Consigne yd1).

Commande par le contrleur STFIS


Nous utilisons le contrleur STFIS pour la commande du systme non linaire prcdent
(II.6).
Larchitecture utilise est mini-JEAN (voir la figure.III.5) avec deux entres, lerreur et sa
drive. Nous avons cinq fonctions dappartenance (GN, PN, Z, PP, GP), les fonctions

71

Chapitre III Contribution des Neuro-flou dans la commande robuste


utilises sont normalises dans lunivers [-1,1] de type gaussien et sigmode

voir la

figure.III.11.
1
GN
PN
Z
PP
GP

0.8

0.6

0.4

0.2

0
-1

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

0.8

Figure. III. 11. Fonction dappartenance.

Les figures suivantes prsentent les rsultats du systme pendule simple (II.6) . Les
paramtres de contrleur STFIS sont : 0.3 , b 0.9 , 0.00006 et les gains Ge 13 ,

Ge 13 et Gc 1/ 3 .
0.2

1.5

0.15

0.1

0.5

0.05
Erreur

Position angulaire

Rfrence
Position angulaire

-0.5

-0.05

-1

-0.1

-1.5

-0.15

-2

10
Temps(s)

12

14

16

18

20

-0.2

10
12
Temps(s)

14

16

18

20

Figure. III. 12. Poursuite dune trajectoire sinusodale.

72

Chapitre III Contribution des Neuro-flou dans la commande robuste

400

300

Poids

200

100

-100

-200

10
Temps(s)

12

14

16

18

20

Figure. III. 13.Evolution des poids pour la trajectoire sinusodale.

Pour valider les performances de contrleur STFIS, nous avons test le modle avec une
consigne alatoire (figure. III.14).
0.1

1
Rfrence
Position angulaire

0.08

0.6

0.06

0.4

0.04

0.2

0.02
Erreur

Position angulaire

0.8

-0.2

-0.02

-0.4

-0.04

-0.6

-0.06

-0.8

-0.08

-1

10
Temps(s)

12

14

16

18

20

-0.1

10
Temps(s)

12

14

16

18

20

Figure. III. 14. Poursuite dune trajectoire alatoire.

Suivant les rsultats de la mthode STFIS, nous pouvons dire que cette mthode assure la
stabilit en ligne pour le systme non linaire avec une erreur trs faible.
La figure. II.13 montre lvolution des poids. La phase doptimisation converge vers des
poids stables cette convergence est due lemploi de fonction cot regroupons une erreur
quadratique et un terme de rgression.
Aprs la phase d'apprentissage de STFIS, le contrleur STFIS est compar avec la mthode
ANFIS voir figure.III.15.

73

Chapitre III Contribution des Neuro-flou dans la commande robuste

0.02
erreur STFIS
erreur ANFIS

0.015

Erreur

0.01

0.005

-0.005

-0.01

-0.015

10

15

20

25

Temps(s)

Figure. III. 15. Comparaison entre STFIS et ANFIS.

Nous constatons que l'erreur est faible pour les deux contrleurs. Le contrleur STFIS
prsente un avantage qui est la lisibilit des rgles contrairement au contrleur ANFIS qui est
une boite noire.
Suivant les performances de contrleur STFIS, nous avons appliqu dans un autre systme
non linaire masse ressort. Les figures suivantes prsentent les rsultats de simulation de la
commande par le contrleur STFIS pour un systme masse ressort (II.7). Nous avons fait les
simulations pour deux consignes, lune tant un signal sinusodal (figure.III.16.17), lautre
un signal alatoire (figure. III.18).
2
Rfrence
Position

0.25

1.5

0.2
0.15

0.1
0.5
Erreur

Position

0.05
0

0
-0.05

-0.5

-0.1
-1

-0.15
-0.2

-1.5

-0.25
-2

10
Temps(s)

12

14

16

18

20

10
Temps(s)

12

14

16

18

20

Figure. III. 16. Poursuite dune trajectoire sinusodale.

74

Chapitre III Contribution des Neuro-flou dans la commande robuste

400

300

200

Poids

100

-100

-200

-300

10
Temps(s)

12

14

16

18

20

Figure. III. 17. Evolution des poids pour trajectoire sinusodale.

1
Rfrence
Position

0.8

0.25
0.2

0.6
0.15

0.4
0.1
0.05
Erreur

Position

0.2
0

0
-0.05

-0.2

-0.1

-0.4
-0.15

-0.6
-0.2

-0.8
-1

-0.25

10
12
Temps(s)

14

16

18

20

10
12
Temps(s)

14

16

18

20

Figure. III. 18.Poursuite dune trajectoire alatoire.

Le tableau montre respectivement la matrice des rgles utilises pour la commande de


systme (II.7), pour cinq fonctions d'appartenance chaque entre. Les rgles sont obtenus
aprs la convergence des poids (figure.III.17), prsente un zro central et une symtrie par
rapport ce zro.

75

Chapitre III Contribution des Neuro-flou dans la commande robuste

GN

PN

PP

GP

GN

-225.8056

-67.0176

-6.0941

7.0599

47.9176

PN

-150.0057

-115.4505

15.9152

46.9588

80.5731

-157.9521

-100.3763

-0.4347

140.5939

327.7071

PP

-70.3638

-45.7109

7.5768

89.7944

126.6044

GP

-44.6038

-9.9582

6.2386

93.3866

213.6461

Tableau. III. 1 . Les poids obtenus pour le dplacement sinusodal de masse ressort.

On peut donner maintenant une interprtation linguistique la table. Il faut pour cela
convenir d'une chelle de traduction numrique-symbolique.
Nous convenons d'attribuer le concept GN (Grande Ngative) aux valeurs numriques
comprises entre [-235 -100], le concept PN (Petite Ngative) aux valeurs [-70 -6], le concept
Z(Zro) aux valeurs [-0.43 0.43], le concept PP (Petite Positive) aux valeurs [6 80], le concept
GN (Grande Positive) aux valeurs [89 213].
Ces valeurs numriques sont reprsentes par une traduction symbolique dans le
tableau.III.2.
e

GN

PN

PP

GP

GN

PN

PN

PP

PP

PN

GN

GN

PP

PP

PP

GN

GN

GP

GP

PP

PN

PN

PP

GP

GP

GP

PN

PN

PP

GP

GP

e
GN

Tableau. III. 2.Table linguistique dduite aprs traductions linguistiques (masse ressort).

76

Chapitre III Contribution des Neuro-flou dans la commande robuste

D' habitude les experts utilisent

la table standard diagonale de Mac Vicar-Whelan

prsente dans le tableau III.3 [Mac, 1976].

GN

PN

PP

GP

GN

GN

GN

PN

PN

PN

GN

PN

PN

PP

PN

PN

PP

PP

PP

PN

PP

PP

GP

GP

PP

PP

GP

GP

Tableau. III. 3.Table de dcision standard de Mac Vicar-Whelan 5 ensembles flous.

Nous avons compar la table linguistique (tableau III.2) avec la table standard Mac VicarWhelan. Nous observons alors que les conclusions des rgles sont optimises par le contrleur
STFIS.
Suivant les rsultats de simulation obtenus on peut dire que la commande par contrleur
STFIS permet datteindre de bonnes performances.

Beaucoup de travaux ont utilises le STFIS dans la commande des systmes non linaires.
[Zemalache et al., 2008], [Zemalache et Maaref, 2009a],[Zemalache et Maaref, 2009b]
[Maaref et Barret, 2001], [Daikh et al., 2011] ont appliqu, le contrleur STFIS dans la
commande directe des systmes non linaires, en plus le STFIS est utilis avec les autres
types de commande dans [Chaouch et Maaref, 2011], [Souilem et al., 2015], [Khelfi et
Daikh, 2013].

3. Commande hybride de Mode Glissant et STFIS


Afin de garantir la robustesse du systme en boucle ferme et une rponse dynamique
rapide avec les meilleures performances possibles, nous proposons dutiliser la combinaison
des deux contrleurs prcdemment dfinis, le Mode Glissant durant le rgime transitoire, et
celui base de neuro-flou (STFIS) lors du rgime permanent. La premire commande assure
la convergence du systme vers son rgime permanent avec insensibilit aux perturbations

77

Chapitre III Contribution des Neuro-flou dans la commande robuste

externes et structurelles et une dynamique rapide. Tandis que la seconde prend le relais
rgime permanent afin dassurer une commande plus lisse et une erreur statique pratiquement
nulle.

3.1. Application de la commande hybride Mode Glissant et STFIS au


pendule invers
La commande hybride par Mode Glissant et STFIS combine les avantages des deux
techniques. La commande par STFIS est introduite ici afin damliorer les performances
dynamiques du systme et permet de rduire les vibrations rsiduelles en hautes frquences.
Dans notre travail, nous prsentons

deux types dapplications ; application de la

commande hybride sur une partie pendule du pendule invers et la deuxime application de
commande hybride sur un pendule invers complet.

a. Commande hybride pour la position angulaire de pendule invers


Sur la figure.III.19est reprsente la commande hybride, utilise pour commander langle
du pendule () du systme pendule invers.

La commande contient deux lments, le

rgulateur STFIS deux entres caractrisant la surface et sa variation et une sortie qui
caractrise la commande quivalente, le deuxime est la commande discontinue. La somme
des deux commandes, forme la commande globale qui stabilise le systme [Daikh et Khelfi,
2015].

Ustfis

STFIS

Surface

d/dt
t1

d/dt

Commanded
iscontinue

Pendule
Invers

x1

uc

Figure. III. 19.Commande hybride Mode Glissant avec STFIS.

La loi de commande propose est :

u u STFIS u c u STFIS k .sat ( s)

(III.15)

u STFIS : la commande gnre par le contrleur STFIS;


78

Chapitre III Contribution des Neuro-flou dans la commande robuste

u c : la commande discontinue.
La surface de glissement utilise est s e e avec un scalaire qui reprsente la pente de
la surface;
Le contrleur STFIS dfini avec deux entres S , S et une base des rgles sous la forme:
Rgle i : si s est F1 A et s est F2 alors u est wi .
1. Synthse de stabilit de la commande SMC et STFIS
La commande Mode Glissant est :
= +

(III.16)

Avec commande quivalente :


=

1
( + )

(III.17)

= ()

(III.18)

La commande discontinue :

Quand la dynamique du systme est inconnue, le contrleur STFIS remplace la commande


quivalente.

=1
=
=
=1

avec = [1 , 2 , , ], = [1 , 2 , , ].

=
=1

(III.19)

(III.20)

= +

(III.21)

= =

(III.22)

(III.23)

o est lerreur satisfaite < .

Nous posons
A partir de lquation (III.22), nous avons
=

(III.24)

La dynamique de surface de glissement :


= +

(III.25)

79

Chapitre III Contribution des Neuro-flou dans la commande robuste

1
( )

(III.26)

On obtient
= ( + )

(III.27)

)
= (

(III.28)

La fonction de Lyapunov choisie est dfinie :


1
1
= 2 +

2
2

(III.29)

Sa driv :
= +

(
)

= (( )) +

(S w
)

(III.30)
(III.31)

(III.32)

(S w
)

Pour que la fonction de Lyapunov dcroisse, il suffit de sassurer que sa drive soit
= || +

ngative.
= || 0

(III.33)

Avec
=
2. Rsultat de simulation
Les simulations ont t ralises sur le modle dynamique du pendule invers (quation.
II.5).
Larchitecture de la commande applique est prsente dans la figure. III.19, utilise pour
commander langle du pendule (thta) du systme pendule invers.
Cinq fonctions dappartenance seront dfinies pour les entres de STFIS s t , s(t ) .Grande
Ngative (GN), Petite Ngative (PN), Zro (Z), Petite Positive (PP), Grande Positive (GP)
normalis dans lunivers [-1 1] voir la figure. III.20.

80

Chapitre III Contribution des Neuro-flou dans la commande robuste

1
GN
PN
Z
PP
GP

0.8

0.6

0.4

0.2

0
-1

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

0.8

Figure. III. 20.Fonction dappartenance du , .

Pour tester la robustesse de la commande, le bruit a t inject dans le systme pendule


invers ds le dpart. Aprs des diffrents essais de simulation, les valeurs des gains ont
donn de bons rsultats qui sont prsents dans le tableau qui suivra:

Gs

G s

Gu

10

50

0,00009

0,3

0,9

1/9

1/9

Tableau. III. 4.les paramtres optimiss.

Pour valuer les performances du rglage, nous avons effectu des simulations pour
diffrentes consignes (alatoire et sinusodale) voir les figures. III.21, 22. Des tests de
robustesse vis--vis des variations paramtriques ont t galement effectus, les rsultats
obtenus, sont reprsents par les figures. III.23, 24, 25, 26, 27, 28,29.

81

Chapitre III Contribution des Neuro-flou dans la commande robuste

0.02
0.015

Rfrence
Position angulaire

0.25

0.01
0.15

0.005

0.1

0.05

Erreur

Position angulaire

0.2

-0.005
-0.01

-0.05

-0.015

-0.1
-0.15

-0.02

-0.2

-0.025
-0.25

-0.03
0

10
Temps

12

14

16

18

20

10
Temps

12

14

16

18

20

Figure. III. 21.Application de la commande hybride Mode Glissant et STFIS au systme pendule
invers.
0.1

2
Rfrence
Position angulaire

1.5

0.08
0.06

0.5

0.02
Erreur

position angulaire

0.04

0
-0.02

-0.5

-0.04
-1

-0.06
-1.5

-2

-0.08

10
12
Temps(s)

14

16

18

20

-0.1

10
12
Temps(s)

14

16

18

20

82

Chapitre III Contribution des Neuro-flou dans la commande robuste

50

40

Commande

30

20

10

-10

-20

10
Temps(s)

12

14

16

18

20

Figure. III. 22.Poursuite dune trajectoire sinusodale pour langle.

Test de robustesse vis--vis du changement de condition initiale


1
0.4

Rfrence
position angulaire

0.35

0.8

0.3
0.25
0.2

0.4

Erreur

Position angulaire

0.6

0.15
0.1

0.2

0.05

0
0
-0.05

-0.2
0

10
12
Temps(s)

14

16

18

20

-0.1

10
Temps(s)

12

14

16

18

20

83

Chapitre III Contribution des Neuro-flou dans la commande robuste

20

Commande

-20

-40

-60

-80

-100
0

10
Temps(s)

12

14

16

18

20

Figure. III. 23.Poursuite dune trajectoire pour langle pour x1 pi / 10 .

0.4
Rfrence
Position angulaire

0.35

1.5

0.3
1

0.2
Erreur

Position angulaire

0.25
0.5

0.15
0.1

-0.5

0.05
-1

0
-1.5

-2

-0.05

10
12
Temps(s)

14

16

18

20

-0.1

10
12
Temps(s)

14

16

18

20

Figure. III. 24.Poursuite dune trajectoire sinusodale pour langle pour x1 pi / 10 .

84

Chapitre III Contribution des Neuro-flou dans la commande robuste

40
20

30

-20

20

Poids

Poind

-40

10

-60

0
-80

-10
-100

-20

10
Temps(s)

12

14

16

18

-120

20

10
Temps(s)

12

14

16

18

20

Figure. III. 25.Evolution des poids pour une rfrence sinusodale x1 0 et x1 pi / 10 .

La figure. III.25 montre lvolution des poids. Grce l'algorithme doptimisation, elle
converge vers des poids stables.
Test de robustesse vis--vis des variations paramtriques
0.005

0.3
Rfrence
Position angulaire

0.2

0.1

0
Erreur

Position angulaire

-0.005

-0.01

-0.1

-0.015
-0.2

-0.02

-0.3

-0.4

10
12
Temps(s)

14

16

18

20

-0.025

10
12
Temps(s)

14

16

18

20

Figure. III. 26.Poursuite dune trajectoire pour une variation de massede chariot m 0.5kg .

85

Chapitre III Contribution des Neuro-flou dans la commande robuste

0.06

1.5
Rfrence
Position angulaire

0.05

0.5
0.03
Erreur

Position angulaire

0.04

0.02
0.01

-0.5
0

-1
-0.01

-1.5

10
12
Temps(s)

14

16

18

-0.02

20

10
12
Temps(s)

14

16

18

20

Figure. III. 27.Poursuite dune trajectoire sinusodale pour une variation de massede chariot m 0.5kg .
0.3

0.005

Rfrence
Position angulaire

0.2

0
-0.005
-0.01

0
Erreur

Position angulaire

0.1

-0.1

-0.015
-0.02

-0.2
-0.025

-0.3

-0.4

-0.03

10 12
Temps(s)

14

16

18

20

-0.035

10
12
Temps(s)

14

16

18

20

Figure. III. 28.Poursuite dune trajectoire pour unevariation de longueur l 1m .

86

Chapitre III Contribution des Neuro-flou dans la commande robuste

1.5

0.08

Rfrence
Position angulaire

0.07

0.05

0.5

0.04
Erreur

Position angulaire

0.06

0.03
0.02

-0.5

0.01
0

-1

-0.01

-1.5

10
12
Temps(s)

14

16

18

20

-0.02

10
12
Temps(s)

14

16

Figure. III. 29.Poursuite dune trajectoire sinusodale pour une variation de longueur l

18

20

1m .

A travers les rsultats de simulation effectue sur le modle non linaire du systme, nous
pouvons constater que le rgulateur STFIS synthtis a gnr la composante quivalente et la
commande hybride a permis de stabiliser le systme aussi bien en rgulation quon poursuite
de trajectoire. Cette stabilisation est atteinte en un temps trs court. Dans la plupart des cas
elle ne dpasse pas les 3 secondes. Malgr les diffrentes perturbations appliques sur le
systme, par variations paramtriques ainsi que par le changement des conditions initiales, la
stabilisation reste toujours robuste.
Une comparaison entre les deux contrleurs (SMC et hybride SMC-STFIS) a t faite pour
les deux consignes de trajectoire sinusodale et alatoire.
Les figures suivantes

montrent la comparaison entre les erreurs de commande, nous

constatons que le contrleur hybride Mode Glissant et STFIS a de meilleurs rsultats.

87

Chapitre III Contribution des Neuro-flou dans la commande robuste

0.35

0.35
Erreur de commande SMC et STFIS
Erreur de SMC

0.25

0.25

0.2

0.2
Erreur

Erreur

0.3

0.15

0.15

0.1

0.1

0.05

0.05

-0.05

10
Temps(s)

12

14

16

18

erreur de commande hybride SMC et STFIS


Erreur de SMC

0.3

-0.05

20

10
12
Temps(s)

14

16

18

20

Figure. III. 30.Comparaison entre SMC et commande hybride SMC STFIS (consignes sinusodale,
alatoire).

En fait, le temps de calcul est plus important pour le contrleur STFIS et cela est d la
phase d'optimisation. L'avantage de ce contrleur est le fait qu'il ne ncessite pas un modle
du systme.

b. Commande hybride pour un pendule invers complet


Puisqu'un STFIS est utilis pour rapprocher la fonction non linaire entre la variable
d'entre glissante et la loi de contrle. La structure de la commande hybride est montre dans
la figure. III.31 [Daikh et Khelfi, 2015],[Khelfi et Daikh, 2013].
Bas sur le thorme universel dapproximation, le STFIS

est capable dapproximer

uniformment n'importe quelle fonction non linaire de la loi de commande u n'importe


quel degr dexactitude.
x3

S2
uSTFIS

x4
x1

+
+

x2

+
+
+

STFIS
S1

d
dt

Pendule
invers

Invers

Commande
discontinue

uc

Figure. III. 31. Commande hybride Mode Glissant avec STFIS.

88

Chapitre III Contribution des Neuro-flou dans la commande robuste

La loi de commande propose est:

u uSTFIS uc uSTFIS ksat( s1 )

(III.34)

u STFIS : la commande gnre par le contrleur STFIS;

u c : la commande discontinue.

On dfinit les variables :

s1 c1 x1 z x2

(III.35)

s 2 c 2 x3 x 4 ou c1 0 , c2 0 .

(III.36)

z sat s2 .zupper ,0 zupper 1


z

(III.37)

et

Rsultat de simulation
Nous avons ralis les simulations sur le modle dynamique du pendule invers (quation
II.5). L'architecture de commande utilise est prsente dans la figure. III.31. Lobjectif du
contrleur STFIS est de gnrer la commande quivalente.
Les paramtres de STFIS choisis dans ce cas sont:

Les entres de STFIS sont s1 et s1 ;

Cinq fonctions dappartenance {GN, PN, Z, PP, GP} pour chaque entre (voir la
figure. III.32).

1
GN
PN
Z
PP
GP

0.8

0.6

0.4

0.2

0
-1

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

0.8

Figure. III. 32.Fonction dappartenance de , .

89

Chapitre III Contribution des Neuro-flou dans la commande robuste

Les paramtres de la commande sont prsents dans le tableau III.5.

c1

c2

z upper

x1initial

d (t )

10

0.5

15

0.94

50

/3

0.08

0.0009 0.3

G S

Gs

0.9 1/25 1/25

Gu

Tableau. III. 5.les paramtres de la commande.

L'objectif de la loi de commande hybride est de changer thta de position initiale ( / 3 )


la position zro. Les rsultats obtenus, sont reprsents dans toutes les figures ci-dessous.
1

0.8

Position angulaire

0.6

0.4

0.2

-0.2
0

10
Temps(s)

12

14

16

18

20

18

20

Figure. III. 33.La position angulaire du pendule.


4
3.5
3
2.5

Position

2
1.5
1
0.5
0
-0.5
-1

10
Temps(s)

12

14

16

90

Chapitre III Contribution des Neuro-flou dans la commande robuste

Figure. III. 34.la position de chariot.


200

150

Commande

100

50

-50
0

10
Temps(s)

12

14

16

18

20

Figure. III. 35. La loi de commande.


250

200

Poids

150

100

50

-50

10
Temps(s)

12

14

16

18

20

Figure. III. 36.Evolution des poids.

Les rsultats obtenus sont issus densembles de simulations du systme en boucle ferme
en utilisant une structure de commande hybride Mode Glissant et STFIS. A travers ces
rsultats, on constate que la position et langle sont stabiliss malgr la prsence des
perturbations. Ainsi lvaluation des poids est stable ce que indique notre contrleur STFIS
aprs la fonction non linaire (composante quivalente) voir figure. III.36.

91

Chapitre III Contribution des Neuro-flou dans la commande robuste

4. Synthse de l'utilisation des approches Intelligences Artificielles


pour la commande Mode Glissant
Les approches dIA ont t beaucoup utilises pour la commande Mode Glissant des
systmes non linaires, soit pour estimer les paramtres incertains du modle, soit pour
estimer la partie corrective de la commande. Une autre application de ces rseaux est dans
l'estimation de la borne des incertitudes et perturbations d(t).
Nous avons essay de raliser une synthse non exhaustive de quelques-unes de ces
applications dans le tableau.III.6 La comparaison se porte sur les critres suivants :
(A) Estimation de la commande Mode Glissant par IA.
(B) Estimation de la commande quivalente.
(C) Estimation de la commande corrective.
(D) Robustesse envers les incertitudes.
(E) limination du Chattering.

En analysant le tableau, nous pouvons ressortir avec les constatations suivantes :

Le recours de lIA pour la commande Mode Glissant a connu un nouvel essor dans les
dernires annes surtout pour la commande des nouveaux systmes (Robotic Systems,
Inverted Pendulum, nonlinear systems).

Parmi les outils de lIA, le SIF est le plus utilis pour Mode Glissant et dans les
dernires annes ltude est oriente vers les neuro-flous.

La majorit des auteurs ont choisi d'appliquer lIA pour calculer la commande
quivalente en estimant les paramtres du modle.

La robustesse de la commande est garantie dans toutes les approches.

92

Approche

Type IA

Contribution

(A)

(B)

(C)

(D)

(E)

Effect of Rule Base on the Fuzzy-Based Tuning Fuzzy Sliding


Mode Controller: Applied to 2nd Order Nonlinear System,
[Piltan et al., 2012]
Robust Adaptive Fuzzy Sliding Mode Control for A Class of
Uncertain Discrete-Time Nonlinear Systems, [Tsung-Chih et
al., 2012]
Sliding An Adaptive Fuzzy Sliding Mode Control Scheme for
Robotic Systems, [Sharkawy, Ali Salman, 2011]

SIF

Estimation de la commande

SIF

Floue estime la commande SMC

SIF

Estimation de la commande

Adaptive Fuzzy Sliding Mode Control for


InvertedPendulum, [Wang, 2009]

SIF

Estimation de la commande

Estimation de la commande

A Neuro-fuzzy-sliding Mode Controller Using Nonlinear


Sliding Surface Applied to the Coupled Tanks System,
[Boubakir et al., 2009]

NN+ SIF

Designing Flexible Neuro-Fuzzy System Based on Sliding


Mode Controller for Magnetic Levitation Systems,
[Mohammadi et al, 2011]

FLEXNFIS

Estimation de la commande

Decoupled sliding-mode with fuzzy-neural network controller


for nonlinear systems, [Chen Hung, 2006]

Neuro- flou

Estimation de la commande

Adaptive neural network based fuzzy sliding mode control of


robot manipulator, [Ak and Cansever, 2006]

RBF

estime par RBF(N) et


Foue

Estimation de la commande

Sliding Mode with Neuro-Fuzzy Network Controller for


Invented Pendulem, [ Khelfi et Daikh, 2013]

STFIS

Tableau. III. 6. Synthse des approches Mode Glissant avec lIA.

+ : Avantage, - : Inconvnient.
(A) Estimation de la commande Mode Glissant par IA, (B) Estimation de la commande quivalente, (C) Estimation de la commande corrective, (D) Robustesse envers les incertitudes,
(E) limination du Chattering.

93

Chapitre III Contribution des Neuro-flou dans la commande robuste

5. CONCLUSION
Dans ce chapitre, nous avons expos des techniques dites artificielles, les neuro-flous
pour amliorer certaines performances de la commande directe des systmes non linaires.
Dans la premire partie, des dfinitions de diffrentes structures hybrides neuro-floues.
Nous avons utilis les structures ANFIS et STFIS dans la commande des systmes non
linaires. Une comparaison entre le contrleur STFIS et le contrleur ANFIS, montre la
validit des deux mthodes pour la commande des systmes non linaires.
Daprs les rsultats, ANFIS est un bon contrleur malgr son retard pour se stabiliser.
Cette architecture montre un autre dfaut : elle ne fournit pas les dtails des convergences de
ces paramtres, cest une boite noire, ensuite STFIS montre la convergence satisfaisante avec
un algorithme dapprentissage en ligne.
Dans la deuxime partie, nous avons propos une commande applique un systme non
linaire en utilisant un approximateur STFIS. La loi de commande synthtise permet de
remdier aux inconvnients du Mode Glissant classique.
Un rseau STFIS pour estimer en ligne les paramtres du systme non linaire et ainsi
annuler l'influence des incertitudes et bruits externes.
Les diffrents rsultats de la simulation obtenue montrent la haute performance et la
robustesse du contrleur sur la prsence de variation des paramtres et des perturbations
externes.
Enfin, une synthse de la commande par Mode Glissant avec les approches dIA a t
prsente en comparant quelques approches rcentes.

94

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

Chapitre IV Amlioration des


performances de la commande
robuste avec les Neuro-flous
1. INTRODUCTION
La commande par Mode Glissant est une mthodologie de commande robuste pour les
systmes non linaires en raison de sa robustesse aux changements des paramtres et
perturbations externe. Pour la commande par Backstepping, on peut conclure partir des
rsultats de simulation que cette commande donne plusieurs avantages non seulement pour la
stabilit du systme non linaire mais aussi avec des performances remarquables bonne
poursuite, erreurs nulles.. .
Les commandes tudies prcdemment donnent des rsultats acceptables mais provoquent
aussi des problmes au sein du systme. Alors pour amliorer la stabilit du systme, on
utilise une mthode intressante en terme de COMMANDE HYBRIDE BACKSTEPPINGMODE GLISSANT .
Nous allons prsenter une commande hybride Backstepping-Mode Glissant base sur le
principe de la notion de Lyapunov.
Dans ce chapitre, nous proposons une commande

hybride base sur Intelligence

Artificielle. Ceci nous permet dexploiter efficacement aussi bien les avantages du commande
hybride Backstepping-Mode Glissant que ceux systme Neuro-flou. Ainsi, pour remdier a la
contrainte lie aux dynamiques inconnues, lutilisation dune Neuro-flou plus prcisment le
STFIS serait une solution.

2. Commande hybride Backstepping-Mode Glissant


On introduit en premier lieu la commande hybride Backstepping-Mode Glissant en
essayant dassurer la stabilit et la robustesse en mme temps de notre systme.

95

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


Parmi les avantages de la technique de Backstepping, c'est qu'on peut l'associer d'autres
mthodes de l'automatique moderne dans l'objectif est d'amliorer les performances.
La commande par mode de glissement est l'une des mthodes qui s'associe la technique de
Backstepping avec une procdure trs simple.
La technique de Backstepping et du Mode Glissant sont deux mthodes qui exploitent la
notion de fonction de Lyapunov. Nous allons utiliser ce point commun pour laborer une
nouvelle commande associant les deux techniques.

En effet les deux critres qui permettent aux dynamiques du systme de converger vers la
surface du glissement sont
1) Celui propos par [Utkin, 1993]:() () < 0 ;
2) Celui dfinit par la fonction de Lyapunov: V(x) < 0 ;

3. Synthse de la commande hybride


La loi de commande est gnre selon deux squences. Dans la premire squence, nous
utiliserons la technique du Backstepping pour calculer les contrles virtuels et les fonctions de
stabilisation correspondantes. Dans la seconde squence, nous mettrons en vidence la
technique du mode glissant pour calculer les contrles rels dans ltape finale du
Backstepping, afin dassurer la convergence vers zro des erreurs entre les contrles virtuels
et leurs valeurs dsires. Lintroduction de la commande glissante permet dattnuer les effets
perturbateurs.
Lhybridation entre la commande Mode Glissant et Backstepping est effectue par un
changement de variable dans la dernire tape. On remplace lerreur par la surface de
glissement.
= 1 1 + 2 2 + +

(IV.1)

Avec > 0, = 1, , 1.
Pour assurer la convergence de systme, on a choisi la fonction de Lyapunov [Jafari et
Zinober, 1999] :
1

1
1
1
= 2 + 2 + 1
2
2
2

(IV.2)

=1

La loi de commande adaptive Mode Glissant et Backstepping est :

96

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


=

1
[() 1
()
1

(IV. 3)

1
1 1
+1 +

=1
2

+ ( +1
=1

()
) + ( + )()]

3.1 Application de commande hybride sur pendule invers


Nous allons prsenter dans cette partie les rsultats de simulation obtenus avec application
de la commande tudie sur le systme non linaire pendule invers .
A partir de (IV.3), la loi de commande hybride de pendule invers est :
1
( 1 1 1 + ())

Avec les lois dadaptation sont :


=

1 , > 0

(IV. 4)

= 1

(IV.5)

= 2 ( 1 1 + ())

(IV.6)

= 1 + 1

(IV.7)

Pour viter le problme de Chattering du Mode Glissant, nous avons remplac le sign avec
la fonction de saturation sat (Voir chapitre II).
L'objectif est de poursuivre la trajectoire sinusodale donne en quation (IV.8) :

(IV.8)
() = 0.2sin( + )
2
L'quation (IV.9) reprsente les perturbations externes additionnes au systme pour tester
la robustesse de la commande utilise.
() = 0.01sin()

(IV.9)

Les paramtres de la commande hybride Mode Glissant et Backstepping sont prsents


dans le tableau. IV.1.

100

100

50

200

150

Tableau. IV. 1. Les paramtres de la commande hybride.

97

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


L'allure de la trajectoire dsire ainsi que la position relle du pendule sont montres dans
la figure. IV.1 et l'erreur de poursuite est dans la figure. IV.2.
L'erreur obtenue est trs acceptable et le pendule converge rapidement vers la trajectoire
dsire avec un temps de rponse infrieur 0.2 malgr l'existence d'un bruit externe et une
altration des paramtres du modle.

Position dsire
Position relle

0.25
0.2

Position angulaire

0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
0

10
Temps(s)

12

14

16

18

20

18

20

Figure. IV. 1.Position dsire et relle du pendule invers.


0.05

Erreur

-0.05

-0.1

-0.15

-0.2

10
Temps(s)

12

14

16

Figure. IV. 2. Erreur de poursuite de la position angulaire.

Le signal de commande agissant sur le chariot est reprsent dans la figure. IV.3. Nous
pouvons remarquer clairement l'absence des oscillations hautes frquences (Chattering)
contrairement aux rsultats du chapitre II.

98

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


100

La commande u

50

-50
0

10
Temps(s)

12

14

16

18

20

Figure. IV. 3.Signal de commande pour le pendule invers.

Pour mieux valider les rsultats, nous allons injecter une autre rfrence. La figure. IV.4
montre la convergente vers la trajectoire dsire.
1
Position dsire
Position relle

0.8
0.6

Position angulaire

0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

10
Temps(s)

12

14

16

18

20

Figure. IV. 4. Poursuite dune trajectoire alatoire.

La loi de commande propose est stable malgr la prsence de perturbation, lerreur est
nulle et le suivi de la trajectoire est assur. Nous pouvons voir aussi le changement de
trajectoire ne cause pas de problme vis- - vis de la performance de la loi de commande,
cette dernire, stabilise asymptotiquement le systme.

99

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

4. La commande hybride base sur Neuro-Flou


La nature non linaire des systmes et la variation de ses paramtres rendent les fonctions
incertaines. Ceci peut avoir pour consquence une dtrioration des performances de
poursuite et ventuellement linstabilit du systme. Pour rsoudre ce problme, nous
proposons dans ce qui suit dutiliser un outil de lIntelligence Artificielle Neuro-flou pour
les approximer tout en garantissant de bonnes performances de poursuite.
Dans cette section, une architecture fonde sur l'intelligence Artificielle est propose pour
la commande hybride Mode Glissant et Backstepping. Cette architecture est base sur
l'utilisation des systmes Neuo-flou hybride (STFIS) dans l'approximation des paramtres du
systme command dans la commande.
Aprs avoir les performances de STFIS dans la commande

Mode Glissant pour

approximer la commande quivalente. On va utiliser STFIS pour remdier le problme en


estimant en ligne les paramtres du modle et ragir en temps rel aux changements ds
l'environnement (frottement, bruit, ...). Lapproximation des diffrentes fonctions (), (),
require deux systmes STFIS.
Rappelons les expressions de la commande globale donnes prcdemment (IV.3). Le
schma global de cette approche est donn dans la figure. IV.5.

La
commande

Systme

(), ()
S
= +

STFIS

Figure. IV. 5.La commande hybride base sur Neuro-flou.

4.1 Application au pendule invers


L'approche propose a t utilise pour la commande du pendule invers donne en
chapitre. II.
La commande hybride Backstepping-Mode Glissant avec STFIS pour un pendule invers
est donne par l'quation(IV.10).

100

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


1
( 1 1 1 + ())

Avec = 1et = 2.
=

(IV.10)

1 , > 0

1. les paramtres du contrleur STFIS


Les variables d'entre des deux contrleurs sont lerreur 1 et son driv 1 .
Les variables linguistiques de l'entre 1 1 son :
GN : Grande Ngative ;
PN : Petite Ngative ;
Z : Zro ;
PP : Petite Positive ;
GP : Grande Positive.
Les fonctions dappartenances utilises sont normalises dans lunivers [-1,1] de type
gaussien et sigmode pour les contrleurs STFIS1 et STFIS2 voir la figure. IV.6.
1
GN
PN
Z
PP
GP

0.8

0.6

0.4

0.2

0
-1

-0.8

-0.6

-0.4

-0.2

0.2

0.4

0.6

0.8

Figure. IV. 6.Fonctions dappartenances.


1

Lalgorithme doptimisation fait en-ligne par loptimisation de la fonction de cout2 12 . Les


paramtres des rseaux STFIS utiliss sont normaliss (Voir le chapitre III), seulement on
doit choisir les paramtres initiaux poids. Le tableau. IV.2 prsent les poids initiaux pour
les deux rseaux.

101

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

e
GN

GN

PN

PP

GP

-0.05

-0.05

-0.05

-0.05

-0.05

PN

-0.05

-0.05

-0.05

-0.05

0.05

-0.05

-0.05

0.05

0.05

PP

-0.05

-0.05

0.05

0.05

0.05

GP

-0.05

0.05

0.05

0.05

0.05

Tableau. IV. 2.les poids initiaux.

Afin de valider notre approche nous prsenterons les paramtres de la commande


robuste dans le tableau suivant :

les paramtres de
1
2

0.3

0.00006

0.9

STFIS1

STFIS2

Les paramtres de
commande

Ge ,

0.1

Ge ,

0.1

Gc

10

Ge ,

0.1

Ge ,

0.1

Gc

50

150

100

Tableau9. IV. 3. Les paramtres de commande.

Afin de conclure sur les performances de lutilisation dune commande robuste mode
glissant et Backstepping avec STFIS, nous allons prsenter les simulations ralises sur
pendule invers dans la figure IV.7.

102

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


Les rsultats obtenus sont acceptable avec une bonne poursuite et la convergence vers la

trajectoire estime0.2sin(t + 2). Une observation donne par la figure. IV.8 montre que
lapproche dveloppe arrive maintenir lerreur minimale malgr la prsence de
perturbations.
Les deux rseaux STFIS ont approxim les deux composantes et du modle avec
exactitude produisant une erreur d'estimation infrieure 1e 6et il est clair que le pendule
invers convergent vers la trajectoire dsire avec une erreur statique presque nulle malgr les
perturbations externes et les incertitudes dans le modle.

Position dsire
Position relle

0.25
0.2

Position angulaire

0.15
0.1
0.05
0
-0.05
-0.1
-0.15
-0.2
-0.25
0

10
Temps(s)

12

14

16

18

20

10

Figure. IV. 7.Position dsire et relle du pendule invers.


0.05

Erreur

-0.05

-0.1

-0.15

-0.2
0

5
Temps(s)

Figure. IV. 8. Erreur de poursuite de la position angulaire.

103

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

80

Commande SMG-BACK-STFIS

60

40

20

-20

-40
0

10
Temps(s)

12

14

16

18

20

Figure. IV. 9. La commande robuste mode glissant, Backstepping et STFIS.

Pour mieux valider les rsultats nous avons inject une autre trajectoire dsire. La figure.
IV .10 montre la bonne rponse avec la convergence de sortie.
1
Position dsire
Position relle

0.8
0.6

Position angulaire

0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

10
Temps(s)

12

14

16

18

20

Figure. IV. 10.Poursuite dune trajectoire alatoire.

Notons aussi que les courbes des poids se stabilisent au mme moment que la courbe
derreur (Voir figure IV. 11,12). Le tableau. IV. 4 reprsente les poids que nous pouvons
identifier de STFIS1 et STFIS2. Nous pouvons affirmer que STFIS rpond bien au problme
didentification.

104

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous


On peut donner maintenant une interprtation linguistique la table. Il faut pour cela
convenir d'une chelle de traduction numrique-symbolique.
Nous convenons d'attribuer le concept GN (Grande Ngative) la valeur numrique
comprise-0.05, le concept PN (Petite Ngative) la valeur -0.04, le concept Z(Zro) aux
valeurs [0.1 0.001], le concept PP (Petite Positive) la valeur0.05, le concept GN (Grande
Positive) aux valeurs [0.1 12].
14
12
10

Poids

8
6
4
2
0
-2

10
Temps(s)

12

14

16

18

20

16

18

20

Figure. IV. 11. Les poids de STFIS1.


14
12
10

Poids

8
6
4
2
0
-2

10
Temps(s)

12

14

Figure. IV. 12. Les poids de STFIS2

105

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

GN

PN

PP

GP

GN

-0.05

-0.05

-0.04

-0.04

-0.04

PN

-0.05

0.001

0.03

0.03

-0.04

-0.05

0.1

0.001

0.15

0.06

PP

-0.05

0.01

0.13

0.13

0.06

GP

-0.05

0.05

0.05

0.05

12

Tableau. IV. 4.Les poids obtenus pour le dplacement angulaire pour STFIS1, STFIS2.

Ces valeurs numriques sont reprsentes par une traduction symbolique dans le tableau.
IV.5.
e

GN

PN

PP

GP

GN

GN

GN

PN

PP

PP

PN

GN

PP

PP

PN

GN

GN

GP

PP

PP

GN

GP

GP

PP

GP

GN

PN

PP

PP

GP

Tableau. IV. 5.Table linguistique dduite aprs traductions linguistiques pour STFIS1, STFIS2.

Suivant les rsultats de simulation obtenus on peut dire que la commande par contrleur
STFIS permet dattendre de bonnes performances.

5. Etude comparative des commandes tudies


Pour examiner les diffrentes lois de commande dveloppes pour le pendule invers, nous
avons opt pour une comparaison entre les deux commandes. La figure. IV.13 montre
lerreur de la commande hybride SMC, BACK et la commande SMC, BACK et STFIS.

106

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

0.05
Erreur commande Robuste SMG,BACK et STFIS
Erreur commande hybride SMG,BACK
0

Erreur

-0.05

-0.1

-0.15

-0.2

10

15
Temps(s)

20

20

30

Figure. IV. 13. Les erreurs.

Le tableau sera le lieu dune comparaison des commandes par rapport plusieurs tests et
nous avons organis suivant la notation suivante : ++ : Trs bon, + : bon, - : mauvais.
Commande

Commande hybride
Backstepping -Mode Glissant
++

Commande hybride avec


STFIS
++

Changement de condition
initiale (/1 0)
Changement de bruit
0.1sin()
Remplace la fonction sat(S)
avec sign(s)

++

++

++

++

La dynamique inconnue

++

Test
Poursuite

Tableau. IV. 6.Comparaison des commandes.

On note que les deux commandes donnent des rsultats amliors et de robustesse surtout
la commande Backstepping-Mode Glissant et STFIS au niveau de connaissance du modle
dynamique.
Nous constatons que le contrleur STFIS permet de gnrer la dynamique inconnue et
donne de meilleurs rsultats voir figure IV.13.

107

Chapitre IV Amlioration des performances de la Commande Robuste avec les Neuroflous

6. CONCLUSION
Dans le but damliorer les performances des commandes non linaires, nous avons
introduit dans ce chapitre deux types de commandes, commande hybride BacksteppingMode Glissant et la commande hybride avec le systme neuro-flou (STFIS).
Dans la premire phase nous essayons dtablir la commande hybride Backstepping-Mode
Glissant commence par une synthse base des quations mathmatiques qui expliquent le
raccordement entre les deux commandes Mode Glissant et Backstepping avec une
application au pendule invers. On peut conclure partir des rsultats de simulation que cette
commande donne plusieurs avantages non seulement pour la stabilit et la robustesse du
systme non linaire mais aussi avec des performances remarquables bonne poursuite,
erreurs nulles.. .
Malgr les bons rsultats obtenus le problme de control restera, la dynamique inconnue
de systme ou difficile exprimer. Nous avons propos une nouvelle approche utilisant des
neuro-flous pour approximer les dynamiques inconnues de la commande hybride.
L'approche a t applique sur un pendule invers en donnant des rsultats satisfaisante
mme en prsence des bruits et incertitudes.

108

CONCLUSION GNRALE

Conclusion Gnrale
Conclusion gnrale
La complexit de commande des systmes non linaires conduit lautomaticien a utiliser
des modles de commande non linaires et multi-variables susceptibles de fournir de bonnes
performances. Le travail dans le cadre de cette thse a permis dlaborer une tude des
diffrentes commandes non linaires faisant intervenir les techniques dintelligence
artificielle tels que les systmes neuro-flous avec la commande Mode Glissant et la
commande Backstepping.
Nous avons labor, dans le premier temps, la synthse dune loi de commande structure
variable tel que le Mode Glissant. La commande Mode Glissant est une commande robuste
largement utilise dans l'industrie pour commander les systmes non linaires. Ces systmes
prsentent souvent des incertitudes dans leurs modles.
La commande Mode Glissant est compose de deux parties, la commande quivalente
utilise le modle dynamique du systme pour le ramener vers une surface de glissement, et la
commande corrective (commutative) pour garder le systme sur la surface.
Une autre commande non linaire t propos savoir un rgulateur de type
Backstepping. Ce rgulateur est bas sur une rcente mthodologie faisant appel la fonction
de Lyapunov. La synthse

a conduit un contrleur non linaire globalement

asymptotiquement stable. Cette technique a t applique avec succs pour concevoir des
algorithmes de commandes, qui assurent le dplacement du systme non linaire vers une
position dquilibre dsire.
Une approche dhybridation entre le Backstepping et le Mode Glissant a t prsente pour
augmenter davantage les performances de contrleur.
La commande Mode Glissant et Backstepping souffre une limitation majeure, la dpendance
du modle dynamique. Les techniques de l'intelligence Artificielle constituent des solutions

109

CONCLUSION GNRALE

possibles ces limites. Ces techniques comportent les rseaux de neurones, la logique floue et
les systmes neuro-flous.
La prsente thse a t ddie la rsolution des limites de la commande Backstepping et
Mode Glissant par l'application des systmes neuro-flous.
En effet, les systmes neuro-flous par leurs capacits dadaptation de la logique floue et
dapprentissage de rseaux de neurone sont un outil performant pour estimer les paramtres
du modle du systme command.
En premier lieu, nous essayons dutiliser les neuro-flous dans la commande directe des
systmes non linaires. Ensuite, une hybridation est ralise entre neuro-flou et la commande
Mode Glissant pour gnrer la commande quivalente. Enfin, neuro-flou a t utilis dans la
commande hybride Backstepping-Mode Glissant.
Afin daborder cette tude, il est ncessaire de consacrer le premier chapitre la
prsentation des principes de base sur les deux techniques dintelligence artificielle, les
rseaux de neurones, la logique floue et les Neuro-flous.
Dans le deuxime chapitre, diffrentes approches de

commande Mode Glissant et

Backstepping ont t prsentes avec les tapes ncessaires pour leur dveloppement. Des
rsultats de simulations sur le pendule invers ont permis de valider les approches.

La troisime partie de ce travail tait la prsentation des deux approches neuro-flous


ANFIS, STFIS et on a ralis des commandes pour la poursuite de trajectoire en utilisant les
deux approches. Nous avons montr limportance de la technique

neuro-floue pour la

commande des systmes non linaires. Ensuite, nous avons prsent une commande hybride
Mode Glissant et STFIS pour le contrle du pendule invers. Les dynamiques inconnues sont
approximes par un rseau STFIS. Deux exemples de simulations ont t prsents pour
valider lapproche et montrer leur efficacit, le premier pour contrler de la position angulaire
de pendule invers et le deuxime pour le contrle de systme pendule invers complet.
Nous avons tudi la robustesse de la commande hybride Mode Glissant et neuro-flou en
prsence de perturbation et le changement de paramtrique. Les rsultats de simulation
montrent un comportement satisfaisant du systme.
Dans le chapitre IV on a expos lamlioration des commandes non linaires par
lutilisation du terme hybride. On trouve la commande Backstepping-Mode Glissant et la
commande hybride avec STFIS pour le but dapproximer le modle dynamique du systme

110

CONCLUSION GNRALE

non linaire. Les diffrents rsultats de simulation obtenus assurent notre choix par les bonnes
performances.
Outre les perspectives de travail mentionnes dans les conclusions des diffrentes parties
de ce document, une extension des travaux effectus dans la cadre de cette thse peut tre
ralise en considrant les points suivants :
Application de la commande propose des systmes plus compliqu (drones, robot
manipulateur et autre systmes sous actionns)
Utilisation des autres outils de lIA pour approxim les dynamiques inconnues et de
calculer les diffrents gains dans les commandes utiliss.
Les rsultats obtenus dans cette thse ont donn lieu une communication et une
publication internationales, en l'occurrence :

CIAM 2011 pour appliquer le STFIS dans la commande directe des systmes non
linaires

IEEE ICIT 2013 pour lamlioration de performance de la commande par Mode


Glissant en ajoutant le modle STFIS pour approxime les dynamiques inconnues.

IJAAC 2015 pour la conception de la commande Mode Glissant base sur Neuro-flou
(STFIS) et son application sur un pendule invers complet.

111

Rfrences bibliographiques

Bibliographie
Bibliographie
[Abraham, 2001]

A. Abraham Neuro Fuzzy Systems: State-of-the-art Modeling


Techniques, School of Computing & Information Technology,
Universit Monash, Australie, 2001.

[Ak et Cansever, 2006]

A. G. Ak et G. Cansever Adaptive neural network based fuzzy


sliding mode control of robot manipulator In IEEE Conference on
Cybernetics and Intelligent Systems, Vol.144, pp 1-6, Bangkok,
2006.

[Alouani, 2006]

F. Alouani Commande par Logique Floue Applique aux pendules


inverss et au Simulateur de Vol dHlicoptre : Simulation et
Exprimentation Mmoire prsente en vue de lobtention du titre
de Magister en Electronique : Option Control, CU- Tbessa., 2006.

[Bakhti, 2011]

I. Bakhti Etude de Diffrentes Commandes non Lineares de la


Machine Asynchrone avec Observation de Flux et de Vitesse ,
Magister en lectronique, option machine lectronique, 2011.

[Berghuis,1993]

H. Berghuis Model Based Robot Control: From Theory to


Practice, Universit de Twente, Holland, 1993.

[Berenji et Khedkar, 1992]

H.R. Berenji, P. Khedkar, "Fuzzy rules for Guiding Reinforcement


Learning", In International. Conference on Information Processing
and Management of uncertainty in Knowledge-Based Systems, pp.
511-514, 1992.

[Belhachat, 2007]

F. Belhachat, C. Larbes, L. Barazane, S. Kharzi Commande


Neuro-Floue dun Hacheur MPPT ,4th International Conference
on Computer Integrated Manufacturing CIP, Novembre 2007.

[Belhani ,2007]

A. Belhani Conception des Contrleurs Flous Multi variables,


Thse de Doctorat, 2011.

[Benaissa, 2006]

A. Benaissa, M.K. Fellah Commande par mode de glissement


dun convertisseur AC/DC avec correction du facteur de
puissance, ACTA Electrotehnica, Universit de Djilali Liabes Sidi
Bel Abbes, Algrie, Vol. 47, Numro 2, 2006.

[Ben Brahim et Kurosawa, L. Ben Brahim et R. Kurosawa Identification of induction motor


speed using neural networks, in proc. Power conversion conf.
1993]
Yokohama, Japan, pp.689-694, 1993.

112

Rfrences bibliographiques
[Benreguieg, 1997]

M. Benreguieg, Aides la Navigation d'un Robot Mobile dans un


Environnement Partiellement Connu, Thse de Doctorat,
Universit dEvry Val dEssonne, Janvier 1997.

[Boubakir et al., 2009]

A. Boubakir, F. Boudjema et S. Labiod A Neuro-fuzzy-sliding


Mode Controller Using Nonlinear Sliding Surface Applied to the
Coupled Tanks System, International Journal of Automation and
Computing 06(1), 72-80 DOI: 10.1007/s11633-009-0072-0, Fvrier
2009.

[Chandana

et

2006]

Mayorgua, S. Chandana, R. V.Mayorgua, "RANFIS: Rough Adaptative Neuro


Fuzzy Inference System", International Journal of Computational
Intlligence, Novembre 2006.

[Chaouch et Maaref, 2011]

D. E. Chaouch, H. Maaref Intelligent Control of an Inverted


Pendulum by Self-Tunable Fuzzy PI-type Controller, EUSFLATLFA, Aix-les-Bains, France, pp 728-733, Juillet 2011.

[Chebbi ,2011]

A. Chebbi Commande Backstepping dune Machine


Asynchrone sans Capteur de Vitesse Thse de Magister en
Electrotechnique Option : Commande, 2011.

[Chekroun, 2009]

S. Chekroun Commande Neuro-Floue sans Capteur de Vitesse


Dune machine Asynchrone Triphasee, Mmoire pour
LObtention du Diplme de Magister, Ecole Normale Suprieure
dEnseignement Technologique dOran, Octobre 2009.

[Chen Hung, 2006]

L.Chen Hung, H.Yuan Chung Decoupled sliding-mode with


fuzzy-neural network controller for nonlinear systems,
International Journal of Approximate Reasoning 46, pp 7497,
2006.

[Choukchou, 2011]

A. Choukchou-Braham Contribution a la Stabilisation des


Systmes Mcaniques sous Actionnes , Thse de Doctorat, 2011.
F. Z. Daikh, D.E.Chaouch, M.F.Khelfi Commande neuro-flou
inverse des systmes non linaires, ICMWI 2010, Alger, Algrie
19 Juillet, 2010.

[Daikh et al., 2010]

[Daikh et al., 2011]

F. Z. Daikh, D.E.Chaouch, M.F.Khelfi, Fuzzy Neural Network


Control for Inverted Pendulum, CIAM 2011, Oran, Algrie, 22 a
24 November 2011.

[Daikh et Khelfi, 2015]

F. Z. Daikh, M. F. Khelfi, Sliding Mode with Neuro-Fuzzy


Network Controller for Invented Pendulem An International
Journal Automation and Control IJAAC, Vol. 9, Issue 4, No. 1,
2015.

[Elleuch, 2012]

D. Elleuch, T. Damak, Robust Adaptive Controller for Uncertain


Nonlinear Systems, International Journal of Information

113

Rfrences bibliographiques
Technology, Control and Automation (IJITCA) Vol.2, No.2, Avril
2012.
[Elliasmith, 2002]

C. Eliasmith, C.H. Anderson, Neural Engineering: Computation,


Representation, and Dynamics in Neurobiological Systems, Ed
The MIT Press, 2002.

[Fadhila, 2004]

L. Fadhila, Etude comparative de la commande par mode glissant


et la commande vectorielle dun machine asynchrone,
ICEEE'2004, 2nd International Conference on Electrical, Algeria,
April 2004.

[Hagan et al., 1996]

M.T. Hagan, H.B. Demuth, et M. Beale, Neural network design,


PWS Publishing Company, Boston, Massachusetts, 1996.

[Hajri, 1997]

S. Hajri, Commande dynamique par mode glissant application la


robustification des processus complexe, Thse de doctorat en
automatique et informatique industrielle UNIV de Lille, ENIM,
1997.

[Hazzab, 2006]

A. Hazzab, Commande des Systmes par logique floue, Rseaux


Neurones et Algorithmes Gntiques , Thse en vue de lobtention
du titre de Doctorat Es Sciences, Option commande lectrique,
Universit des Sciences et de Technologie dOran Mohamed
Boudiaf, fvrier 2006.

[Hussain, 2009]

A. Hussain, Contribution a la Commande Adaptative Robuste par


Modes glissants, Thse de Doctorat de lUniversit de Reims
Champagne Ardenne, dcembre 2009.

[Isidori, 1995]

A. Isidori, Nonlinear control systems, Springer, 1995.

[Jafariet Zinober, 1999]

A. Jafari Koshkouei, A. S. I. Zinober Adaptive Sliding


Backstepping Control of Nonlinear Semi-Strict Feedback Form
Systems Proceedings of the 7th Mediterranean Conference on
Control and Automation (MED99) Haifa, Israel Juin 28-30, 1999.

[Jang, 1992]

R. Jang, ANFIS: Adaptative Neuro Fuzzy Inference System, Ph.D


Theses, Universit de Californie, Berkley, 1992.

[Johnson et Moradi, 2005]

M. A. Johnson, M. H. Moradi, PID Controllers:


Identification and Design Methods, Springer, 2005.

[ Khelfi et Daikh, 2013]

M. F. Khelfi, F. Z. Daikh et D. E. Chaouch Sliding Mode with


Neuro-Fuzzy Network Controller for Invented Pendulem
Proceeding of the IEEE ICIT 2013, pp 193-198, Cape Town - South
Africa 25-27 February 2013.

[Lin et Lee, 1991]

C.T. Lin, C.S.G. Lee, "Neural Network based Fuzzy Logic Control

114

New

Rfrences bibliographiques
and Decision system", IEEE Transaction on Comput, 1991.
[Lopez, 2000]

P. Lopez, A. Sad Nouri, Thorie lmentaire et pratique de la


commande par les rgimes glissants, Library of Congress Control
Number 2005938497, 2000.

[Lewis et al., 1993]

F.Lewis, C. T.Abdallah, et D. M. Dawson, Control of Robot


Manipulators, Macmillan Publishing Company, Inc, USA, 1993.

[Maaref et Barret, 2001]

H. Maaref, C. Barret Progressive Optimization of a Fuzzy Inference


System, IFSA-NAFIPS2001, Vancouver, pp.665-679, 2001.

[Maaref, 2002]

H. Maaref, Notion de base de la thorie de flou, Cour de la


thorie de flou, Universit dEvry Val dEssonne, 2002.

[Mac, 1976]

P.J. Mac Vicar-Whelan, Fuzzy sets for Man Machine


Interactions, Int., J. Man Machines Studies, Vol.8, PP.687 697,
1976.

[Mamdani et Assilian, 1975]

E. H. Mamdani, S. Assilian, An experiment in linguistic synthesis


with a fuzzy logic controller, International Journal of Manmachine Studies, 7:1_13, 1975.

[McCulloch et Pitts, 1943]

W. S. McCulloch, W. Pitts, A logical calculus of the ideas


immanent in nervous activity, Bulletin of Mathematical
Biophysics, 5 :115_133, 1943.

[Mohammadi et al., 2011]

Z. Mohammadi, M. Teshnehlab et M. A. Shoorehdeli, Designing


Flexible Neuro-Fuzzy System Based on Sliding Mode Controller
for Magnetic Levitation Systems, IJCSI International Journal of
Computer Science Issues, Vol. 8, Issue 4, No 1,pp 160-171, Juillet
2011.

[Moody et Darken, 1995]

J. Moody, C. Darken, Fast learning in network of locally-tuned


processing units, Neural Computation, 1:606_623, 1995.

[Nauck, 1997]

D. Nauck, R. Kruse, What are Neuro-Fuzzy Classifiers? ,


Seventh International Fuzzy Systems Association World Congress
IFSA97, Vol. IV, pp 228-233, Acadmie de Prague, 1997.

[Nauck et Kruse, 1999]

D. Nauck, R. Kruse, "Neuro-Fuzzy Systems for Function


Approximation, Fuzzy Sets and Systems", 1999.

[Nauck, 2000]

D. Nauck, Data Analysis with Neuro-Fuzzy Methods HDR,


Universit de Magdeburg, 2000.

[Nomura et al., 1991]

Nomura H., I. Hayashi, N. Wakami, "A Self-Tuning method of

115

Rfrences bibliographiques
fuzzy control by descent method", Brussels, 1991.
[Ouakka, 2009]

H. Ouakka , Contribution a l'Identification et la Commande


Floue d'une Classe de Systmes Non Linaires ,Thse de doctorat
national, 2009.

[Otilia, 2008]

E.V. Otilia ,Contribution au Pronostic de Dfaillances par Rseau


Neuro-Flou : Matrise de Lerreur de Prdiction, Thse prsente
a LUFL des Sciences et Techniques de lUniversit de FrancheComt, 28 Octobre 2008.

[Parizeau, 2004]

M. Parizeau, Rseaux Neurones , GIF-21140 et GIF-64326,


2004.

[Piltan et al., 2012]

F. Piltan, M. R. Rashidian, M. Shamsodini et SadeqAllahdadi


Effect of Rule Base on the Fuzzy-Based Tuning Fuzzy Sliding
Mode Controller: Applied to 2nd Order Nonlinear System,
International Journal of Advanced Science and Technology Vol. 46,
pp 39-70, September 2012.

[Rajasekaran et Pai, 2003]

S. Rajasekaran, G. A. V Pai, Neural Networks, Fuzzy Logic and


Genetic Algorithms: Synthesis and Applications, PHI, 2003.

[Rudra et Barai, 2012]

S. Rudra et R. K. Barai, Robust Adaptive Backstepping Control of


Inverted Pendulum on Cart System, International Journal of
Control and Automation Vol. 5, No. 1, Mars 2012.

[Sharkawy et Ali Salman, A. B. Sharkawy, S. Ali Salman, Sliding An Adaptive Fuzzy


Sliding Mode Control Scheme for Robotic Systems, Intelligent
2011]
Control and Automation, pp 299-309 doi:10.4236/ica.2011.24035,
November 2011.
[Slotine, 1991]

J.-J. E Slotine, W. Li,Applied Nonlinear Control. London:


Prentice-Hall, Inc, 1991.

[Souilem et al., 2015]

H. Souilem, S. Mehjoub, et N. Derbel, Intelligent control for a


half-car active suspension by self-tunable fuzzy inference system,
International Journal of Fuzzy Systems and Advanced Applications,
Vol 2, 2015.

[Takagi et Sugeno, 1985]

T. Takagi, et M. Sugeno, Fuzzy identi_cation of systems and its


applications to modeling and control, IEEE Trans. Systems, 15
:116_132, 1985.

[Toufouti, 2008]

R. Toufouti, Contribution a la Commande Directe du Couple de la


Machine Asynchrone, Thse de doctorat en Machines Electriques,
Universit Mentouri de Constantine Algrie, 2008.

116

Rfrences bibliographiques
[Touzet et Sarzeaud ,1992]

C. Touzet et O. Sarzeaud, "Application d'un algorithme


d'apprentissage par pnalit/rcompense la gnration de formes
locomotrices hxapodes", Journes de Rochebrune, AFCET I.A.,
20-24 janvier 1992.

[Tsung-Chih et al., 2012]

Tsung-Chih Lin , Shuo-Wen Chang et Chao-Hsing Hsu Robust


Adaptive Fuzzy Sliding Mode Control for A Class of Uncertain
Discrete-Time Nonlinear
Systems International Journal of
Innovative Computing, Information and Control, ISSN 1349-4198
Volume 8, Number 1(A), Janvier 2012.

[Utkin,1993]

V.I. Utkin, Sliding mode control design principles and applications


to electric drives, IEEE Trans. Indus. Electronics, Vol. 40, no. 1,
pp. 23-36, Fvrier 1993.

[Wang, 1994]

X. Wang Adaptive Fuzzy Systems and Control NJ: Prentice-Hall


Englewood Cli_s, 1994.

[Wang, 2009]

W. Wang Adaptive Fuzzy Sliding Mode Control for Inverted


Pendulum Proceedings of the Second Symposium International
Computer Science and Computational Technology(ISCSCT 09)
Huangshan, P. R. China, 26-, pp. 231-23428, 2009.

[Zadeh, 1965]

L.A. Zadeh Information and Control Fuzzy Sets, Vol 8, pp 338353, 1965.

[Zemalache, 2006]

K. Zemalache Commande dun systme sous- actionne :


Application a un drone a Quatre Helices Thse de doctorat en
Gnie Informatique, Automatique, Universit dEvry Val
dEssonne, Dcembre 2006.

[Zemalache et al., 2008]

K. Zemalache, L. Beji, H. Maaref Control of Drone: Study and


Analysis of the Robostness Journal of Automation, Mobile
Robotics and Intelligent Systems, pp 34-42, 2008.

[Zemalache et Maaref, 2009a]

K. Zemalache, et H. Maaref Controlling a drone: Comparison


between a based model method and a fuzzy inference system
Journal of Applied Soft Computing 9, pp 553562, 2009.

[Zemalache

K. Zemalache, H. Maaref Intelligent control for a drone by selftunable fuzzy inference system, 6th international multi-conference
on systems, signals and devises, Djerba, Tunisie, 23-26 Mas 2009.

et Maaref, 2009b]

[Zhang et al., 2004]

D. Zhang, X. Li Bai, K.Yuan Cai, "Extended neuro-fuzzy models of


multilayer perceptrons", Beijiing University of Aeronotics and
Astronautics, China, 2004.

117

Annexe
AnnexeAA
MODLISATION MATHMATIQUE DU PENDULE INVERS
A. 1 Description du systme
Le systme pendule invers modliser est reprsent par la figure.A.1. En exerant une
force horizontale F(t) sur le chariot, celui-ci se dplace en translation de x mtres et
provoque une dviation du pendule de radians.

Figure. A. 1. Le pendule invers.

Avec :
M : masse du chariot.
m: masse de la barre.
l: distance sparant le pivot du centre de la barre.
I : moment dinertie de la barre par rapport son pivot.
x : position du chariot.

: angle dinclinaison de la barre par rapport la verticale.


F : force horizontale commandant les mouvements du chariot.
g: force de gravit.
G : centre de gravit de la barre.
A noter que ce systme ayant une entre F(t) et deux sorties x et rpond aux hypothses
suivantes :

Permettre une rotation du pendule de 360o afin de prendre en compte toutes les
conditions initiales possibles,

118

Disposer d'une course de dplacement du chariot suffisante pour permettre au pendule


de se relever partir des conditions initiales les plus dfavorables.

Le pendule de longueur 2l et de masse m dont l'axe de suspension est li au chariot de masse


M, peut se dplacer sur un axe horizontal. Initialement le systme est au repos, les
frottements situs au niveau de l'axe de rotation sont ngligs et ceux dus au dplacement du
chariot le sont aussi.
Pour tablir les quations diffrentielles du ce systme, on calcule le lagrangien et en applique
le formalisme dEuler Lagrange.
Le lagrangien est :

L T U

(A.1)

T T1 T2

(A.2)

Lnergie cintique du systme (T) :

T1 : lnergie cintique de chariot.

T 2 : lnergie cintique de pendule.


Tel que :
(A.3)

T1 1 Mx 2
2
2

T1 1 mv 2 1 j
2
2
T2 1 m[(l cos( ) x ) 2 (l sin( )) 2 ] 1 [ 1 m(2l ) 2 ] 2
2
2 12

(A.4)

Et donc lnergie cintique totale du systme est :


T 1 Mx 2 1 m[(l cos( ) x ) 2 (l sin( )) 2 ] 1 [ 1 m(2l ) 2 ] 2
2
2
2 12

(A.5)

Do :
T 1 Mx 2 1 m[(l cos( ) x ) 2 (l sin( )) 2 ] 1 [ 1 ml 2 ] 2
2
2
2 3

(A.6)

Lnergie potentielle du systme (U) :


U UM Um

(A.7)

U M : Lnergie potentielle de chariot.


U m : Lnergie potentielle de pendule.

On na que les nergies gravitationnelles : U M 0 (pas de dplacement sur laxe vertical)

119

U m F .dr ; F (mg 0 ); dr dOG


(A.8)

x l sin( )
OG
l cos( )

Do:
U mgl(cos( ) 1)

(A.9)

Le Lagrangien du systme : L T U
Donc :
L 1 Mx 2 1 m[(l cos( ) x ) 2 (l sin( )) 2 ] 1 [ 1 m(2l ) 2 ] 2 mgl(cos( ) 1)
2
2
2 12

(A.10)

Do
L 1 (m M ) x 2 2 ml 2 2 lmx cos( ) mgl(cos( ) 1)
2
3

(A.11)

Les quations de mouvement du systme :


Les quations de Lagrange de ce systme sont :
d L
L
(
)
Fq1
dt q1
q1
d L
L
(
)
Fq2
dt q 2
q 2

(A.12)
(A.13)

On a : q1 x , q 2 , Fq1 F , Fq 2 0
Donc

L
( M m) x ml cos( )
x
L
0
x
L
ml cos( ) x 4 ml 2
3

L
ml sin( ) x mgL sin( )

(A.14)

(A.15)

En consquence, les quations de mouvement rgissant ce systme sont :

( M m) x ml (cos( ) sin( ) 2 ) F
4 ml ml (cos( ) x g sin( )) 0
3

(A.16)

Ces quations constituent un modle mathmatique non linaire pour le pendule invers.
La premire quation diffrentielle dynamique rgit les variations de la position x du chariot
en mouvement. La deuxime quation diffrentielle nous permettons

de dterminer

langle dinclinaison de la barre suite lapplication dune entre de commande F .

120

AnnexeBB
Annexe
B.1.La condition de convergence de la commande mode glissant
Si lon considre le systme non linaire 2me ordre dfinie par :
x f ( x) u (t )

(B.1)

De plus, on supposera que ltat x est mesurable laide de capteurs adquats. La surface
de glissement peut tre dfinie par :
s e(t ) e(t )

(B.2)

e(t ) x(t ) xd (t )

(B.3)

Avec

La loi de commande par mode glissant est donne par la formule suivante :

u (t ) ue (t ) uc (t ) ue (t ) k .sign( s)

(B.4)

O k 0

u (t ) f ( x) xd e k .sign( s )

(B.5)

La fonction de Lyapunov choisie est dfinie :

1
V ( x ) .s 2
2

(B.6)

Pour que la fonction de Lyapunov dcroisse, il suffit de sassurer que sa drive soit
ngative. Ceci est vrifi par la relation suivante:

V ( x)

1 2
(s ) 0
2 t

(B.7)

121

V (t ) ss s (e e) s ( f ( x ) e xd ) su (t )

(B.8)

s (e e) s ( f ( x ) e xd ) s ( f ( x ) e xd ) ksign (s )s
k s o

B.2.La condition de convergence de la commande Backstepping


L'application du adaptative Backstepping la commande de systme second ordre est
effectue en deux tapes :

Soit le systme :
1 = 2
(B. 9)
{ 2 = +
= 1
Avec f et g sont des paramtres inconnus .pour concevoir une commande adaptative dans cette
partie, on a :
=
=

Etape 1

Cette premire tape consiste identifier lerreur et sa dynamique :


1 = 1
1 = 2

(B. 10)

Considrons la fonction de Lyapunov:


1 =

1 2 1 1
1
1 + 1 + 1

2
2
2
2

(B. 11)

Sa drive est :
1 = 1 1 + 11 (1 1 1 ) + 1
)
2 (2 2 1

(B. 12)

On choisir 1 = 1 1
1 = 1 12 avec1 > 0 1 = 0 2 = 0

Etape 2

On considre la deuxime erreur de systme et :


2 = 2 + 1 1

(B. 13)

2 = 2 + 1 1

(B. 14)

La fonction de Lyapunov 2et sa drive 2 sont :

122

1
2 = 1 + 22
2

(B. 15)

2 = 1 12 + 2 (1 + + + + 1 1 ) + 11 (1 1 2

(B. 16)

) + 21 ( 2 2 2 )
La loi de commande pour 2 < 0 prend la forme suivante :
=

1
( 1 1 1 + 2 2 )1 , 2 > 0

(B. 17)

Avec les lois dadaptation sont :


= 1 2

(B. 18)

= 2 ( 1 1 1 + 2 2 )2

(B. 19)

123