Académique Documents
Professionnel Documents
Culture Documents
Présenté par le philosophe MAX BLACK dés 1937, le concept de la logique floue fut
réellement introduit en 1965 par Lotfi Zadeh, un professeur d’électronique à l’université de
Berkeley (USA), sa théorie `` fuzzy set theory `` n’eut pas un succès immédiat, elle fut développée
surtout en Europe et au japon. L'idée de base de la logique floue est de modéliser des phénomènes
ou des procédés comme le ferait l'être humain, c'est-à-dire de mettre en algorithmes, composés
essentiellement par des règles du type {Si ... alors ...}, le raisonnement humain. En effet, l'homme a
tendance à tirer des conclusions sur certaines situations à partir de données imprécises ou
incomplètes et à agir en fonction d'un ensemble de règles implicites au raisonnement. A titre
d'exemple, une personne qui est prête à prendre une douche peut savoir si l'eau a une température
appropriée à cet effet au moment d'ouvrir le robinet. Si cette personne trouve que l'eau est très
froide, sa réaction naturelle sera de bouger le robinet pour réguler la température. Si l'eau devient
très chaude, alors elle devra bouger le robinet dans le sens inverse et ainsi de suite jusqu'à trouver la
température de l'eau qui lui convient le mieux. La personne en question ne connaît pas forcement la
température de l'eau, mais ses capteurs corporels lui donnent une information que son cerveau
transforme en une sensation de confort et c'est à partir de cela qu'elle prend des décisions.
Ainsi, un algorithme qui peut traduire le raisonnement de la personne de l'exemple cité ci-
dessus pourrait être le suivant :
Si l'eau est froide alors ouvrir le robinet vers le chaud. Si l'eau est très chaude alors ouvrir le
robinet vers le froid... Si l'eau a une température appropriée alors laisser le robinet fixe et prendre
la douche.
Si l'idée de mettre en algorithme le raisonnement humain est considérée dans le cas de
phénomènes ou procédés plus complexes qui font intervenir plusieurs machines et opérateurs, toute
la connaissance empirique des experts peut être exploitée en vue d'une meilleure maîtrise de ces
procédés complexes. Pour cela il faut suivre la méthodologie de la logique floue qui divise un
système en trois éléments principaux, à savoir, un module de fuzzification, un module de déduction
de règles, nommé aussi base de connaissances et en module de défuzzification.
Dans la théorie des ensembles classiques, il n’y a que deux situations acceptables pour un élément,
appartenir ou ne pas appartenir à un sous-ensemble. Le mérite de Zadeh a été de tenter de sortir de cette
logique booléenne en introduisant la notion d’appartenance pondérée : permettre des graduations dans
l’appartenance d’un élément à un sous-ensemble, c'est-à-dire d’autoriser un élément à appartenir plus moins
fortement à ce sous-ensemble.
= , , ∈ .1
Avec
: → [0,1]
Ainsi, un sous-ensemble flou A de X est caractérisé par une fonction d’appartenance qui
associe, à chaque point x de X un réel dans l’intervalle [0,1]; représente le degré
d’appartenance de x à A . On observe les trois cas possibles suivants :
=0
0< <1
=1
(II.2)
Il existe différentes formes de fonctions d'appartenances dont on peut signaler quelques unes : Les
formes trapézoïdales et triangulaires sont les plus utilisées.
• Triangulaire :
−
∈[ , ]
−
= −
∈[ , ]
−
• Trapèze :
∈[ , ]
= 1 ∈[ , ]
∈[ , ]
Exemple :
∶ [0, 100] → [0, 1] û ∶ [0, 100] → [0, 1]
=0 ≤ 20 ≥ 75
=1 ≤ 20
û
û = 20 < < 35
→ = 20 < < 35 →
û =1 35 ≤ ≤ 55
=0 ≥ 35
û = 55 < < 75
=0 ≤ 55
35 −
→ = 35 < < 75
15
=0 ≥ 75
A. Support et Hauteur
Ces deux caractéristiques, pour l’essentiel montrent, dans quelle mesure un sous-ensemble flou
A de X diffère d’un sous-ensemble classique de X. La première est le support et la deuxième la
hauteur.
Le support d’un sous-ensemble flou de A de X, noté Supp(A), est l’ensemble de tous les éléments
qui lui appartiennent au moins un petit peu. Formellement:
= ∈ | >0 (II.3)
La hauteur du sous-ensemble flou A de X, notée h(A), est le plus fort degré avec lequel un
élément de X appartient à A. Formellement:
ℎ = ∈ (II.4)
B. Noyau
Un sous-ensemble flou est normalisé si sa hauteur h(A) = 1. Le noyau d’un sous-ensemble flou A de
X, noté Noy(A), est l’ensemble de tous les éléments qui lui appartiennent totalement (avec un degré
1). Formellement :
= ∈ |μ x = 1 (II.5)
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 11
C. Cardinalité
La cardinalité d’un sous-ensemble flou A de X, noté IAI, est le nombre d’éléments appartenant à
A pondéré par leur degré d’appartenance. Formellement, pour A fini :
| |=∑ ∈ .6
Comme dans le cas des ensembles « classiques », les opérations logiques d'union (OU),
d'intersection (ET) et de complémentarité (NON) peuvent être appliquées aux ensembles flous.
A. Opérateur logique ET
L'opérateur logique ET classique est défini de la manière suivante : A ET B est VRAI si
et seulement si A est VRAI et B est VRAI. Cette loi est aussi notée AB que l'on nommera
conjonction.
On définit l'opérateur ET flou comme l'intersection de deux ensembles flous A et B,
respectivement étant le plus petit ensemble flou contenant A et B. Selon l'approche Zadeh,
l'intersection de deux ensembles flous A et B de même référentiel U est définie par
l'équation suivante :
∀ , ∈ ∗ ∶ ∩ , = min , (II.7)
La Figure II.2 illustre l'opérateur ET entre les ensembles flous A et B. On a donc
l'opérateur minimum {min).
Un système flou est donc formé de trois étapes comme indiqué sur la Figure II.5 La première,
l'étape de fuzzification transforme les valeurs numériques en degrés d'appartenance aux différents
ensembles flous de la partition. La seconde étape concerne le module d'inférence, qui est constitué
de deux blocs, le moteur d'inférence et la base des règles. Enfin, l'étape de défuzzification qui
permet d'inférer une valeur nette (précise), utilisable en commande par exemple, à partir du résultat
de l'agrégation des règles.
La figure 2.1 illustre la composition d'un système flou.
éléments qui sont décrits dans les sections précédentes : les fonctions d'appartenance, les opérateurs
à LF et les règles de type « Si...Alors ». Le module d'inférence est constitué de deux blocs, le
moteur d'inférence et la base des règles.
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut
= . 10
Plusieurs approches sont proposées pour le traitement numérique des règles d'inférences. Par
exemple, la méthode de Mamdani qui utilise les opérateurs min et max pour l'implication et
l'agrégation, ou encore la méthode de Larsen qui utilise un produit et l'opérateur max, ou celle de
Sugeno qui utilise une fonction linéaire ou une constante pour les signaux de sortie. Les deux
méthodes qui sont les plus largement utilisées en pratique sont la méthode de Mamdani et la
méthode de Sugeno. Dans notre cours, nous allons illustrer la méthode de Mamdani.
Nous avons vu qu'on définit l'intersection (conjonction) et l'union (disjonction) à l'aide de deux
relations floues, la t-norme et la t-conorme. Leurs définitions ne sont pas uniques. Dans le modèle
de Mamdani, la conjonction (des antécédents) est usuellement interprétée par l'opération min
(Zadeh) et la disjonction (des règles) comme le max, appelée la méthode max-min. La t-norme et la
t-conorme, selon le modèle de Mamdani sont définies comme suit :
t-norme : ∩ = min , (II.11)
t-conorme : ∪ = max , (II.12)
Où :
∩ est l'opérateur d'intersection représentant la conjonction min (t-norme).
∪ est l'opérateur d'union représentant la disjonction max (t-conorme).
Ainsi, l'implication utilise l'opérateur min et l'agrégation l'opérateur max. La Figure II.7 illustre le
modèle d'inférence de Mamdani.
La dernière étape, mais non la moindre, est la défuzzification. Le système d'inférence fournit
une sortie floue par l'évaluation des règles à la suite d'une ou plusieurs entrées réelles. Se pose alors
le problème de lui donner une représentation floue approximative ou une valeur précise, c'est la
défuzzification. La défuzzification est généralement l'une des tâches les plus gourmandes en temps
d'opération du traitement flou. Il existe de nombreuses méthodes de défuzzification, mais seulement
quatre sont pratiquées. Les méthodes les plus couramment utilisées sont :
• la méthode du centre de gravité;
• la méthode des maximums;
• la méthode des surfaces;
• la méthode des hauteurs.
Bien que le choix soit d'une façon ou d'une autre subjectif, nous nous limitons ici à la
présentation de la méthode du centre de gravité, traditionnellement utilisée par les contrôleurs flous.
Cette méthode donne des résultats similaires à ceux d'un PI (correcteur proportionnel intégral)
conventionnel. Donc le contrôleur flou utilisant la méthode du centre de gravité fournit
généralement une erreur plus faible qu'avec la méthode de la moyenne des maxima.
En général, la méthode du centre de gravité (CDG) est basée sur le calcul de l'abscisse
correspondant au centre de gravité de la surface du sous-ensemble flou de la solution déterminée
par l'agrégation de l'action des règles floues. La Figure II.8 illustre une solution floue p dont la
solution précise, zo, est donnée par la méthode du centre de gravité.
Le calcul de la solution précise, Z0, d'une solution floue à l'aide de la méthode du centre de
gravité est défini par :
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 17
.
= . 13
La commande floue a le même but qu’une commande réalisée en automatique classique, c’est-à-
dire la gestion automatique d’un processus, en fonction d’une consigne donnée, par action sur les
variables qui décrivent le processus. Le but de cette partie du cours est de présenter les méthodes
d’élaboration des contrôleurs PI et PID flous.
La logique floue est utilisée dans une foule de domaines, principalement pour prendre des
décisions ou pour réguler des procédés. Plusieurs applications dans le domaine de la commande de
procédé utilisent un CF dont le fonctionnement est calqué sur celui d'un contrôleur PID classique.
En effet, l'élaboration du modèle du contrôleur PID flou est faite en utilisant l'équation de base d'un
contrôleur PID classique. La structure du CF sera choisie d'abord pour reproduire la structure
générique d'un contrôleur PID classique. Le contrôleur PID classique de type standard est décrit par
l'équation suivante :
= . + + . . . 14
Par conséquent, la sortie à action directe d'un tel contrôleur est fonction de l'erreur, de l'intégrale de
l'erreur ainsi que de sa dérivée.
= [ , , ] . 15
Le CF doit donc traiter l'intégrale et la dérivée de l'erreur. En analyse numérique, il existe toute
une famille d'algorithmes permettant d'approcher la valeur numérique d'une intégrale et de la
dérivée. Toutes consistent à approcher l'intégrale ou la dérivée par une formule dite de quadrature,
du type approximation rectangulaire ou approximation trapézoïdale. La seconde méthode d'Euler
est mise à profit pour numériser les termes intégral et dérivé, conduisant à l'équation suivante :
+1 −1
= . + . . + . . . 16
2 −1
Cependant, l'intégration numérique peut conduire à une approximation erronée lorsque la
période d'échantillonnage est beaucoup plus petite que la constante d'intégration Ti. Il existe bien
sûr une solution pour contrer ce fâcheux phénomène; par contre, elle nécessite une grande capacité
de mémoire. Plutôt que d'implanter l'algorithme directement à partir de l'équation précédente, il est
souhaitable de modifier l'équation en supprimant l'intégrale de celle-ci. Nous utilisons une forme
incrémentale du contrôleur numérique, dans laquelle ce n'est pas la grandeur de commande U(z) qui
est évaluée, mais plutôt la variation {incrément) de U(z). Le signal de contrôle progressif généré par
un contrôleur PID discret est donné par :
Δ = − [ −1 ]= . + . + . . 17
Δ = − [ −1 ]= . + . + . . 18
= − [ −1 ] ∕ (II.19)
= (II.20)
= − [ −1 ] ∕ (II.21)
Où :
e(kT) est le signal de l'erreur;
T est la période d'échantillonnage.
Il existe plusieurs méthodes pour synthétiser des correcteurs PI et PID flous . Une approche
très intéressante a été proposée dans la littérature pour la conception d'un correcteur PI flou qui
considère un nombre minimal de règles dans sa base de connaissances (seulement quatre).ce
correcteur est connu comme PI flou minimal. En effet, à partir des deux entrées (l'erreur et le taux
de variation de l'erreur), une sortie et un algorithme adéquat de défuzzification, il est possible de
déduire une structure floue similaire à celle d'un PI mais avec les coefficients proportionnel et
intégral variants en fonction de l'erreur et du taux de variation de l'erreur. Dans cette partie du cours
nous essayons de résumer cette méthode. Le schéma de ce contrôleur est illustré sur la figure
suivante :
̃ = [ ]
−
=
̃ = [ ]
=∆ + = ∆ +
Avec :
: un nombre entier qui désigne un échantillon ;
Te : la période d'échantillonnage ;
∗
: la consigne ;
: la sortie du procédé
: l’erreur de régulation ;
: le taux de variation de l'erreur ;
: la sortie du correcteur flou (l'entrée du procédé) ;
∆ : la sortie incrémentale du correcteur flou ;
̃ , ̃ , : les valeurs floues de , , et ;
, et : des coefficients d'ajustement des variables floues (l'erreur, le taux de variation de
l'erreur et la sortie du correcteur flou) ;
[] : L’opération de fuzzification.
L'ajustement de l'erreur, du taux de variation de l'erreur et de la sortie du correcteur fait partie
de l'étape de fuzzification. En effet, cet ajustement est particulièrement pratique dans les cas où les
variables réelles ont des valeurs petites ou mal conditionnées. Ceci est le cas du procédé de
digestion anaérobie.
Une fois la structure et la notation du correcteur PI flou minimale présentées, nous introduisons
le principe de cette technique. Pour cela, nous décrivons dans ce paragraphe, les trois modules
composant le correcteur PI flou minimal de la figure II.9.
A. Fuzzification
Pour cette étape on ne considère que les variables d'entrée (l'erreur et le taux de variation de
l'erreur) puissent prendre des valeurs positives et négatives. A partir de cela, deux ensembles flous
sont choisis pour chacune des variables. En revanche, pour les valeurs de la variable de sortie, il
existe trois possibilités : positives, négatives ou nulle. Ainsi, trois ensembles flous sont proposés
pour la sortie du correcteur. La fuzzification des trois variables est présentée dans la figure II.10.
B. Base de connaissances
A partir des ensembles flous définis dans l'étape de fuzzification, les quatre règles d'inférence
suivantes sont établies.
Si l'erreur est POSITIVE et le taux est POSITIF alors la sortie est NEGATIVE.
Si l'erreur est POSITIVE et le taux est NEGATIF alors la sortie est NULLE.
Si l'erreur est NEGATIVE et le taux est POSITIF alors la sortie est NULLE.
Si l'erreur est NEGATIVE et le taux est NEGATIF alors la sortie est POSITIVE.
Pour évaluer chacune des règles d'inférence, l'opérateur « et » représente l'intersection de deux
ensembles, comme cela a été explicité précédemment.
C. Défuzzification
Les huit régions intérieures correspondent au cas où une des deux conditions suivantes est
vérifiée : | |≤ | |≤ et | |≤ | |≤ .
Les régions adjacentes à une des régions intérieures correspondent au cas où une des deux
conditions suivantes est vérifiée : | |≤ | |> et | |≤ | |> .
Les régions tangentes aux régions intérieures correspondent au cas où aucune des conditions
précédentes n'est pas vérifiée, c'est-à-dire que son rôle est d'éviter les ambiguïtés.
Par ailleurs, le degré d'appartenance de et de dans chacun des ses ensembles flous est
calculé par la méthode du centre de gravité de la manière suivante :
[ + ]
= ]
2
[ − ]
= ]
2
[ + ]
=
2
[ − ]
= ]
2
Ainsi, pour les combinaisons dans l'intervalle – l'expression de défuzzification est donnée en
fonction des deux conditions suivantes qui concernent la comparaison entre l'erreur et le taux de
variation de l'erreur :
Si | |≤ | | ≤ , c’est-à-dire pour les régions 1, 2, 5 et 6, la sortie incrémentale du
correcteur flou est donnée par l’expression suivante :
∆ =− + . 22
.
| |
Pour les régions en dehors de l'intervalle – , la défuzzification se fait avec les expressions
suivantes :
Régions 9 et 10 :
∆ = −0.5 + . 23
Régions 11 et 12 :
∆ = −0.5 + . 24
Régions 13 et 14 :
∆ = −0.5 − . 25
Régions 15 et 16 :
∆ = −0.5 − . 26
Région 17 :
∆ =− . 27
Région 19 :
∆ = . 28
Régions 18 et 20 :
∆ =0 . 29
Le correcteur décrit est un équivalent d'un correcteur PI de la forme :
∆ =− + . 30
où les gains intégral et proportionnel sont calculés comme ci-dessous dans le cas ou
| |≤ | |≤ :
0.5
=
2 − | |
0.5
=
2 − | |
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 23
Par contre, si | |≤ | | ≤ , les gains intégral et proportionnel sont calculés comme suit :
0.5
=
2 − | |
0.5
=
2 − | |
Depuis quelques années, on voit émerger, notamment aux États-Unis, plusieurs applications
utilisant des systèmes de contrôle basées sur la théorie des ensembles flous. Les principaux
domaines de recherche et d’application de la logique floue sont les suivants :
La commande par logique floue réunit un certain nombre d'avantages et de dés inconvénients.