Vous êtes sur la page 1sur 148

Commande Automatique floue.

« Fuzzy logic »

Hippolyte EGOLE
Plan du cours.
2
Introduction à la Logique Floue (fuzzy logic)
1. Présentation Exemples introductifs
Logique floue vs booléenne
Champs d’applications et historique

2. Concepts principaux Ensemble flou


Opérateur logique floue
Fuzzification>>Inférences floues>>Défuzzification

3. Fuzzification Variables linguistiques


Comment fuzzifier?

4. Inférences floues Principe du raisonnement approximatif


Base de règles
Méthodes d’inférences floues

5. Défuzzification Méthodes de défuzzification


Synthèse générale

6. Exemple complet de prise de décisions floues


Plan du cours.
3
Application à la commande

1. Principe de la commande floue


Exemples introductifs
Avantages et inconvénients/techniques
classiques
Boucles de régulation standards

2. Synthèse d’un RLF: approche méthodologique


Étapes de la synthèse
Fuzzification
Expertise
Inférences
Défuzzification

3. PID flou
Variantes et extension
Plan du cours.
4
Etude de cas

1.

2.

3.
Introduction à la Logique Floue (fuzzy
5 logic)

 « L’intelligence artificielle est une science qui


s’intéresse à la réalisation de machines qui réalisent
des tâches qui nécessiteraient de l’intelligence si
elles étaient faites par un homme » (Minsky, 1968)

 « Science qui étudie comment faire faire à des


machines des tâches pour lesquelles l’homme est,
aujourd’hui encore, le meilleur » (Rich et Knight)
Introduction à la Logique Floue (fuzzy
logic)
6
Nous faisons de la logique floue….
Exemple de règles floues:

Règles de conduite automobile à l’approche d’un carrefour contrôlé par des feux tricolores.

si le feu est si ma vitesse est élevée et si le feu est


alors je freine fort.
rouge... ... proche ...

si le feu est alors je maintiens ma


si ma vitesse est faible ... et si le feu est loin ...
rouge... vitesse.

si le feu est si ma vitesse est


et si le feu est loin ... alors je freine doucement.
orange... moyenne ...

et si le feu est
si le feu est vert... si ma vitesse est faible ... alors j'accélère.
proche ...

Les règles floues sont énoncées en langage naturel


Introduction à la Logique Floue (fuzzy
logic)
7
…sans le savoir!

Transposition de notre exemple selon un modèle plus


mathématique « moins flou »

Si le feu est rouge, si ma vitesse dépasse 85,6 Km/H et si le feu est à


moins de 62,3 mètres, alors j'appuie sur la pédale de frein avec une
force de 33,2 Newtons !!!

Notre cerveau fonctionne en logique floue.

Il apprécie les variables d'entrées de façon approximative (faible, élevée, loin,


proche), fait de mêmes pour les variables de sorties (freinage léger ou fort) et édicte
un ensemble de règles permettant de déterminer les sorties en fonction des entrées.
Introduction à la Logique Floue (fuzzy
logic)
Limite de la logique booléenne
un patient atteint d'hépatite présente généralement les symptômes suivants :
 Le patient a une forte fièvre,
 sa peau présente une coloration jaune,
 il a des nausées.
Ensemble classique Ensemble flou
1
Avoir une forte fièvre 1 Avoir une forte fièvre

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 T(°C) 0 T(°C)
36 37 38 39 40 41 42 36 37 38 39 40 41 42

Si le patient à 38,9°C de température


Logique classique
Le patient n’a pas de forte fièvre  Le patient n’a pas d’hépatite.
Logique floue
Le patient a une forte fièvre à 48%  Le patient a une hépatite à x %.
8
Introduction à la Logique Floue (fuzzy
logic)
9

Champ d’applications de la logique floue


• Aide à la décision, au diagnostic.
(domaine médical, orientation professionnelle…)

L’aide à la décision est l’ensemble des techniques


permettant, pour une personne donnée, de prendre la
meilleure décision

Le Diagnostic est le raisonnement menant à


l’identification de la cause d’une défaillance ,
d’un problème ou d’une maladie
Introduction à la Logique Floue (fuzzy
logic)
10

Champ d’applications de la logique floue

• Base de données.
(objets flous et/ou requêtes floues)
Introduction à la Logique Floue (fuzzy
logic)
11

Champ d’applications de la logique floue


• Reconnaissance de forme
Ensemble des techniques et méthodes visant à identifier des motifs informatiques
à partir des données brutes afin de prendre des décisions dépendant de la
catégorie attribuée à ce motif
Introduction à la Logique Floue (fuzzy
logic)
12

Champ d’applications de la logique floue

• Agrégation multicritère et optimisation


Introduction à la Logique Floue (fuzzy
logic)
13

Champ d’applications de la logique floue


• Commande floue de systèmes…
Introduction à la Logique Floue (fuzzy
logic)
14

Champ d’applications de la logique floue


• Les systèmes experts
Un système expert utilise la connaissance correspondante à un domaine
spécifique afin de fournir une performance comparable à l’expert humain.
Les connaissances sont issues de l’expertise ou/et de la pratique .
Introduction à la Logique Floue (fuzzy
logic)
15

Champ d’applications de la logique floue


• Commande floue de systèmes…

Conduite : (ou contrôle) : On peut conduire un système de manière


automatisée pour:
 maintenir une grandeur de sortie constante (Régulation)
 faire suivre à certaines sorties une séquence (automatisme
séquentiel) ou une loi donnée (asservissement)
 si on ajoute l'optimisation d'un critère (de coût par exemple) on
parle alors de contrôle.
Bref historique: les débuts
16

 1965: Concept introduit par Pr. Lotfi Zadeh (Berkeley):


« Fuzzy set theory »: Définition des ensembles flous et opérateurs associés

 1970: Premières applications: Systèmes experts, Aide à la décision en médecine,


commerce…

 1974: Première application industrielle. Régulation floue d’une chaudière à vapeur réalisée
par Mamdani

 Longtemps universitaire.

 1985: Les premiers, les japonais introduisent des produits grand public « Fuzzy
Logic Inside ».
Bref historique: la maturité
17

 1990: Généralisation de l’utilisation de cette technique.

 appareils électroménagers (lave-linge, aspirateurs, autocuiseurs,...etc) ,


 systèmes audio-visuels (appareils de photos autofocus, caméscope à stabilisateur
d'images, photocopieurs,...)
 systèmes automobiles embarqués (ABS, suspension, climatisation,...etc.),
 systèmes autonomes mobiles,
 systèmes de décision, diagnostic, reconnaissance,
 systèmes de contrôle/commande dans la plupart des domaines industriels de production.
Bref historique: la maturité
18

 Il existe de processeurs dédiés et des interfaces de


développement spécifiques
 Ex: la famille des processeurs WARP (Weight Associative Rule Processor) de SGS-THOMSON
dont les principales caractéristiques sont les suivantes :

 Nombre de règles traitées : 256


 Nombre d' entrées : 16
 Nombre de sorties : 16
 Méthode de composition des règles : Centre de gravité
 Vitesse de traitement : 200 microsecondes pour 200 règles.
Avertissement
19 L’approche des problèmes par la logique floue est différente de celle adoptée, a
priori, dans une démarche scientifique.

Elle est beaucoup plus pragmatique que déterministe.

La décision en logique floue est basée sur la notion d’expertise, qui permet de
quantifier le flou à partir de connaissance a priori ou acquise antérieurement.

 Ne pas être trop cartésien pour aborder la logique floue

Il n’est pas nécessaire d’avoir un modèle entrées/sorties d’une


voiture pour pouvoir la conduire de manière satisfaisante.
Introduction à la Logique Floue (fuzzy
logic)
20

Les 2 concepts principaux de la logique floue

1. Les ensembles et variables flous et opérateurs associés.

2. Prise de décision à partir d’une base de règles SI…ALORS..


C’est l’inférence floue.
L’ensemble flou
21
A Soient U: L’univers du discours.
U A: un sous-ensemble de U

Théorie classique des ensembles:


Si  A est la fonction d ' appartenance de l ' ensemble A
x  U  A  x   0 si x  A
 A  x   1 si x  A

Concept d’ensemble flou:


Si  A est la fonction d ' appartenance de l ' ensemble flou A
x  U  A  x    0;1

Si  A  x  =0,30
x appartient à l’ensemble flou A avec un degré d’appartenance de 30%

degré d’appartenance = valeur de vérité.


Un ensemble flou est totalement déterminé par sa fonction d’appartenance
Exemples d’ensembles flous.
22

Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
Petit Moyen Grand
1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

0.2 0.2 0.2

Taille(m) Taille(m) Taille(m)


0 0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

partition floue de l'univers du discours


Petit Moyen Grand
1

0.8 Ici, Pierre mesure 1m625


0.6
se traduit en logique floue par
« Pierre est petit » à un degré de 75%
0.4
« Pierre est moyen » à 25%
0.2 « Pierre est grand » à 0%
Taille(m)
0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9


Fonctions d’appartenances particulières
Lorsqu'un fait certain correspond à l'énoncé de la valeur d'une variable, on a un singleton:
23
  x 0  x0   1 pour x  x0

  x 0  x   0 pour x  x0
Fonction d’appartenance de la classe « Le feu est rouge »

1
Couleur du
feu tricolore
rouge orange vert
Les ensembles classiques sont des cas particuliers d'ensemble flou.
Leurs fonctions d'appartenances valant 0 ou 1 sont en créneaux

Fonction d’appartenance
de la classe « la température est tiède»

1
T(°C)
15°C 20°C

 La logique floue englobe les données certaines


Opérateurs de logique floue
24

Ces opérateurs permettent d’écrire des combinaisons logiques entre notions floues,
c’est-à-dire de faire des calculs sur des degrés de vérité.

• Comme pour la théorie classique des ensembles.

On définit la réunion, l’intersection, le complément….d’ensembles flous

La logique booléenne standard est un cas particulier de la logique floue



Tous les résultats obtenus en logique classique doivent être retrouvés par la logique floue
La réunion
25
A est l’ensemble flou des personnes petites.
B est l’ensemble flou des personnes moyennes.

L’ensemble des personnes petites OU moyennes est un ensemble flou de


fonction d’appartenance :
 A B  x   max   A  x  ,  B  x   x  U

Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne"


Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille(m)
0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
L’intersection
26 A est l’ensemble flou des personnes petites.
B est l’ensembles flou des personnes moyennes.

L’ensemble des personnes petites ET moyennes est un ensemble flou de


fonction d’appartenance :
 A B  x   min   A  x  ,  B  x   x  U

Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"


Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille (m)


0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
Le complément
27 A est l’ensemble flou des personnes petites.

L’ensemble des personnes NON petites est un ensemble flou de fonction


d’appartenance :
 A  x   1   A  x  x  U

Partition floue de l'univers du discours Ensemble floue :"Personnes non petites"


Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m)
0 0
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
Opérateurs flous alternatifs
28 peut servir à définir l’intersection floue
Toute t-norme Toute t-conorme peut servir à définir la réunion floue

Une t-norme est une application T(x,y) satisfaisant les conditions suivantes: Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
 1 est élément neutre x   0,1 T ( x,1)  T (1, x )  x.  0 est élément neutre x   0,1 S ( x, 0)  x.
 Commutative T ( x, y )  T ( y, x )  Commutative S ( x, y )  S ( y, x)
 Associative T ( x, T ( y , z ))  T (T ( x, y ), z )  Associative S ( x, S ( y, z ))  S ( S ( x, y ), z )
 Monotone si x  z et y  w alors T ( x, y )  T ( z , w)  Monotone si x  z et y  w alors S ( x, y )  S ( z , w)
29
Opérateurs logiques floues les plus utilisés: Synthèse

Intersection Réunion
Complément
Dénomination ET OU
NON
(t-norme) (t-conorme)
Opérateurs de
Zadeh  A B  x   min   A  x  ,  B  x    A B  x   max   A  x  ,  B  x    A  x  1   A  x
MIN/MAX

Probabiliste  A B  x    A  x    B  x   A  x   B  x    A  x   B  x   A  x  1   A  x
PROD/PROBOR
Opérateurs logiques floues: synthèses
30
 les définitions d'opérateurs ET et OU, on retrouve les propriétés des opérateurs booléens

Commutativité

Distibutivité
 A   B  C    A  B    A  C 
 2 exceptions notables
 A   B  C    A  B    A  C 

Associaticité
 A   B  C    A  B   C 1. En logique floue, le principe du tiers exclu est contredit.

 A   B  C    A  B   C A A U i.e.  A A  x   1

Lois de Morgan
 2. En logique floue, on peut être A et non A en même
 A  B  A  B
 temps.
 A  B  A  B
A  A   i.e.  A A  x   0
Variables floues
31

• Logique floue  basée sur des variables floues dites variables linguistiques à
valeurs linguistiques dans l’univers du discours U.
• Chaque valeur linguistique constitue alors un ensemble flou de l’univers du
discours.

Exemple:

Univers du discours : Gamme de température de 0°C à 200°C.


Variable linguistique : La température.
Valeurs linguistiques : « Très froid» « Froid » « Tempéré » « Chaud » « Très Chaud »
La fuzzification
32

Les systèmes à logique floue traitent de variables d’entrées floues


et fournissent de résultats sur des variables de sorties elle-mêmes floues

La fuzzification est l’étape qui consiste en la quantification


floue des valeurs réelles d’une variable.

« Pierre est petit » à un degré de 75%


Pierre mesure 1m625 Interface de
« Pierre est moyen » à 25%
fuzzification « Pierre est grand » à 0%
Comment fuzzifier?
33
Pour fuzzifier, il faut donner:
1. L’univers du discours
i.e.: Plage de variations possibles de l’entrée
considérée.
2. Une partition en classe floue de cet univers.
3. Les fonctions d’appartenances de chacune de ces
classes.
• Il faut fuzzifier les entrées ET les sorties du processus flou.
Exemple: Selon les valeurs des entrées , le système flou indiquera qu’en sortie la puissance de
chauffe devra prendre les valeurs de sortie « faible » ou « moyenne » ou « forte ».

La fuzzification des variables est une phase délicate du processus


mis en œuvre par la logique floue. Elle est souvent réalisée de
manière itérative et requiert de l'expérience.
Base de règles
34

Les systèmes à logique floue utilisent une expertise exprimée sous


forme d’une base de règles du type: Si….Alors…
Si  X est A Alors Y est B 

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut
Si Cours est Ennuyeux ET Moment est DébutCours ALORS Moral est bas
Si Cours est Intéressant ET ChargedeTravail est Importante ALORS Moral est Maussade
Si .........
Inférence floue
35
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Prémisses Ou Prédicat Conjonction Implication Conclusion


ou condition

Inférence :
Opération logique par laquelle on admet une proposition en vertu de sa liaison avec
d’autres propositions tenues pour vraies.

En logique classique En logique floue


 Si p Alors q Si  X est A  Alors Y est B 

 p vrai Alors q vrai • La variable floue X appartient à la classe floue A avec un
degré de validité (x0)

• La variable floue Y appartient à la classe floue B à un degré


qui dépend du degré de validité (x0) de la prémisse
Principe du raisonnement approximatif
36
Plus la condition sur les entrées est vraie.
Plus l'action préconisée pour les sorties doit être respectée

SI la température est très basse ALORS Chauffer fort

La conclusion d’une règle floue est l’appartenance d’une


variable floue de sortie « Chauffer » à une classe floue « fort ».

Cette appartenance dépend de :

1°) La classe floue de sortie considérée.


2°) du degré de validité de la prémisse prémisses(x0).
3°) de la méthode d’implication choisie.
Méthodes d’implication
37

2 méthodes principales d’implication floue:

Méthode de Mamdani :  'conclusion  y   MIN   prémisse  x0  , conclusion  y  


y

Méthode de larsen :  'conclusion  y    prémisse  x0   conclusion  y 


Méthodes d’implication
38 Mécanisme d’inférence de Mamdani
 Principe
Une base de règles floues de Mamdani comprend donc des règles linguistiques faisant
appel à des fonctions d’appartenance pour décrire les concepts utilisés
Méthodes d’implication
39
Mécanisme d’inférence de Mamdani
 Le mécanisme d’inférence comprend les étapes suivantes :
Fuzzification
La fuzzification consiste à évaluer les fonctions d’appartenance utilisées
dans les prédicats des règles, comme illustré:
Méthodes d’implication
40 Mécanisme d’inférence de Mamdani

Degré d’activation
Le degré d’activation d’une règle est l’évaluation du prédicat de chaque règle
par combinaison logique des propositions du prédicat , comme illustré.

Le « ET » est réalisé en effectuant le minimum entre les degrés de


vérité des propositions.
Méthodes d’implication
41 Mécanisme d’inférence de Mamdani

Implication
Le degré d’activation de la règle permet de déterminer la conclusion de la
règle, c’est l’implication. Il existe plusieurs opérateurs d’implication, mais le
plus utilisé est le « minimum ».

L’ensemble flou de conclusion est construit en réalisant le minimum entre le


degré d’activation et la fonction d’appartenance, sorte d’ « écrêtage » de la
fonction d’appartenance de conclusion
Méthodes d’implication
42 Mécanisme d’inférence de Mamdani

Agrégation

L’ensemble flou global de sortie est construit par agrégation des ensembles
flous obtenus par chacune des règles concernant cette sortie.

L’exemple suivant présente le cas où deux règles agissent sur une sortie.

On considère que les règles sont liées par un « OU » logique, et on calcule


donc le maximum entre les fonctions d’appartenance résultantes pour chaque
règle
Méthodes d’implication
43
Exemple (Mamdani)
44 Plus la condition sur les entrées est vraie.
Plus l'action préconisée pour les sorties doit être respectée

Règle: SI la température est très basse ALORS Chauffer fort


 'conclusion  y   MIN   prémisse  x0  , conclusion  y  
y

Température trés basse Chauffer fort


1 1

0.8 0.8
0.7
0.6 0.6

0.4 0.4

0.2 0.2

0 0
12KW
T(°C) Puissance chauffe(KW)
-10 -5 0 3 5 10 15 0 5 10 15

T=3°C

Selon la règle considérée, si T=3°C alors Puissance de chauffe =12KW


Activation des règles
45

R1: Si  X1 est A11  et  X 2 est A12  alors Y est B1


R2: Si  X1 est A21  ou  X 2 est A22  alors Y est B2
R3: Si  X1 est A31  et  X 2 est A32  et  X 3 est A33  alors Y est B3
..........

• Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non nulle.

• Plusieurs règles peuvent être activées simultanément et préconiser des actions avec
différents degrés de validités; ces actions peuvent être contradictoires.

Il convient d’agréger les règles pour fournir une appartenance


de la variable floue de sortie à une classe floue consolidée
Composition de règles
46

On considère que les règles sont liées par un opérateur OU.


 B  y   MAX   B  y  
i
i  indices des règles activées
Exemple (1)
47
On considère un moteur d’inférence à 4 règles
qui fournit pour sa sortie tension S1, les résultats
suivants :
R1
petite=0.6
Moteur R2
petite=0.4
d’inférences R3
moyenne=0.3
4 règles R4
grande=0.1

Tension de sortie Tension de sortie


1 Petite Moyenne Grande 1 Petite Moyenne Grande

0.8 0.8

0.6 0.6

0.4 0.4
Implication floue
0.2 de Mamdani 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10
Exemple (2)
48
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1

0.8 0.8

0.6 0.6
Agrégation
0.4 des conclusions 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

A ce stade,
on a la fonction d’appartenance d’un ensemble flou
qui caractérise le résultat
Principe de la méthode de Mamdani
49 Autre exemple

Il faut défuzzifier, c’est à dire :


Associer à cette ensemble flou un nombre interprétable par
l’utilisateur, l’interface de commande…
2 principales méthodes de défuzzification.

1. Méthode
50 du centre de gravité (COG) 2. Méthode moyenne des maximums (MM)

C’est l’abscisse du centre de gravité C’est la moyenne des valeurs de sorties


de la surface sous la courbe résultat les plus vraisemblables

 y    y   dy  y  dy
S
sortie  U sortie 
   y   dy  dy
S
U
 
U  Univers du discours où S   y0  U /   y0   SUP    y   
 Toutes les valeurs de sorties considérées  yU 

Tension de sortie Tension de sortie


1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10
3,5V 1,9V
Défuzzification
51

• En commande floue, la défuzzification COG est presque toujours utilisée. Elle


prend en compte l’influence de l’ensemble des valeurs proposées par la solution
floue.

• La défuzzification MM est plutôt utilisée lorsqu’il s’agit de discriminer une


valeur de sortie (Ex: reconnaissance de formes).
Synthèse d’un prise de décision par logique floue.

52
Exemple : Système de notation floue

On choisit :

Résultats obtenus (sur 20)


Système
Méthodes utilisées (sur 20) Évaluation du travail (sur 20)
d’inférences
Présentation (sur 20) floues
Mise en place du système d’inférences floues (1)

54
1. Choix des entrées/sorties
3 entrées: Résultats; Méthodes, Présentation.
1 sortie: Évaluation

2. Univers des discours


[0..20] pour chacune des E/S

3. Classes d’appartenances:
Résultats  Médiocre; Moyen; Excellent
Méthodes  Médiocre; Moyen; Excellent
Evaluation  Médiocre; Mauvais; Moyen; Bon; Excellent
Mise en place du système d’inférences floues (2)

4. Choix
55 des fonctions d’appartenances

Entrées : Sortie :
Bases de règles

56

1. If (Résultats is excellent) then (Evaluation is excellent)


2. If (Résultats is moyen) then (Evaluation is moyen)
3. If (Résultats is médiocre) then (Evaluation is médiocre)
4. If (Résultats is moyen) and (Méthodes is médiocre) then (Evaluation is mauvais)
5. If (Résultats is moyen) and (Méthodes is excellent) then (Evaluation is bon)
6. If (Résultats is médiocre) and (Méthodes is moyen) then (Evaluation is mauvais)
7. If (Résultats is excellent) and (Méthodes is excellent) and (Présentation is excellent) then (Evaluation is excellent)
8. If (Résultats is médiocre) and (Méthodes is excellent) then (Evaluation is moyen)
9. If (Résultats is excellent) and (Méthodes is médiocre) then (Evaluation is moyen)
Choix des opérateurs flous

57

ET flou : MIN
OU flou : MAX
Implication floue : MIN
Agrégation des règles : MAX
Défuzzyfication : COG
Surface de décision floue

58

(Obtenue pour une évaluation de la présentation de 10/20).


Surface de décision linéaire classique

59

Pondération Résultats: 0,6


Pondération Méthodes: 0,3
Pondération Présentation: 0,1
(Obtenue pour une évaluation de la présentation de 10/20).
Commentaires

60

Décision selon un système Décision selon un modèle mathématiques


d’inférences floues Note  0, 6* Résultats  0,3* Méthodes  0,1* Présentation

Non linéaire Linéaire  Note entrée  Cste 

Plus proche du comportement humain Mieux accepté par le rédacteur du


du correcteur… travail évalué…
Application à la commande floue
Plan
62

1. Principe de la commande floue


Exemples introductifs
Avantages et inconvénients/techniques
classiques
Boucles de régulation standards

2. Synthèse d’un RLF: approche méthodologique


Étapes de la synthèse
Fuzzification
Expertise
Inférences
Défuzzification

3. PID flou
Variantes et extension
63
Régulations industrielles
Régulations industrielles
64
Régulations
65
industrielles
Régulations industrielles
66
Régulations industrielles
67
Régulations industrielles
68
Régulations industrielles
69
Régulations industrielles
70
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Régulations industrielles
Principe de la commande floue
80
La commande floue a pour but de traiter des problèmes de commande
de processus à partir uniquement de connaissances de comportement
que les spécialistes du procédé doivent formuler sous forme
linguistique (floue).

En commande floue, la connaissance des diverses fonctions


de transferts n’est pas nécessaire.

Exemple: Commande de véhicule autonome.


Commande de température d’un serre
Régulation de niveau complexe
Commande avec capteur imprécis (Camera…)
Exemple
81 1 commande floue

http://www.tn.refer.org/hebergement/cours/logique_floue/appli.html

Éclairage
Température
Ventilation
Humidité Serre
Chauffage/Refroidissement
Rayonnement Agricole
Humidification
Exemple 2 commande floue
82

Lire Article R 7 429 des techniques de l’ingénieur


« Pilotage de direction automobile par logique floue. »
J-C RIAT

Position
Cap/chaussée
Véhicule Pas moteur volant
Vitesse
autonome
Angle volant
Avantages et inconvénients de la commande floue
83

Avantages
1. La théorie est simple et s’applique à des systèmes complexes
2. Pas de modèles mathématiques requis du procédé à asservir
3. Robustesse de la commande floue vis à vis des incertitudes.
4. Possibilités de commande auto-adaptative aux variations du procédé

Inconvénients
1. Technique de réglage essentiellement empirique.
2. Performances dépendent de l’expertise.
3. Il n’existe pas de théorie générale qui caractérise rigoureusement la
stabilité, la robustesse..(Difficultés de certification dans le transport, espace…)
Boucle de régulation floue standard
84
Autres entrées
Variation
SP erreur Commande Commande Mesure
+
Système
-
Variation
erreur

Entrées usuelles : L’erreur et la variation de l ’erreur


Sortie usuelle : La variation de la commande

 On place en sortie du RLF un intégrateur pour déterminer la


commande effective à appliquer au système.
Boucle de régulation floue standard (version discrète)
85

Autres entrées

SP(k)+ erreur(k) erreur(k)  Commande(k) Commande(k)

+
-
-  erreur(k)

mesure(k)

SP(k)+ erreur(k) erreur(k)

-
1  z 1
mesure(k)  erreur(k)
Structure générale d’un correcteur flou
86 Correcteur flou
Base de connaissances

Inférences
Fuzzification Défuzzification
Raisonnement flou

Mesures floues Commande floue

Mesures Commande
Procédé

 3 modules pour un régulateur à logique floue.


1. La fuzzification des entrées et sorties.
2. L’inférence floue selon une base de règle.
3. La défuzzification des sorties.
Approche méthodologique
Quelles E/S choisir?
Étude87 systémique du système Quelle fréquence de travail?

Pour chaque E/S choisie:


Quel Univers du discours?
Fuzzifier Quelle partition floue?
Quelles fonctions d’appartenances?

Formaliser l’expertise Combien et quelles règles choisir?

Choisir la méthode d’inférence Choix de la méthode d’inférences?

Défuzzifier Choix de la méthode de défuzzification?

Tester, ajuster et valider Ajustement des E/S considérées,


des partitions floues,des fonctions d’appartenances?
la commande
1er étape : Étude systémique du processus à asservir
88

Consignes {ei} Commandes {ui} Sorties {si}


Processus à
RLF
asservir

Variables internes {xi}

RLF: Régulateur à Logique Floue

 Choix des variables E/S importantes et secondaires pour la description du


fonctionnement du processus à asservir

 Choix de la fréquence d’échantillonnage (Filtrage amont + Critère de Shannon)

 Bien souvent, on a besoin de :


L’écart = Consigne-Sortie.
La variation d’une grandeur xi  xi  kTe   xi  kTe  Te 
2iéme étape: Fuzzifier toutes les entrées et sorties du processus.
89
C’est à dire donner pour chacune des grandeurs :

• 1/3 Son univers du discours U i.e.: Sa plage de variation physique

Exemple: Vitesse véhicule peut varier de 0 à 180 Km.h-1

• 2/3 Les classes d’appartenance floue qui partionnent l’univers du discours


Exemple:
Vitesse véhicule (sur autoroute) est comprise entre :
0 et 70 Km.h-1 classe des vitesses: dangereuse
50 et 90 Km.h-1 faible
80 à 130 Km.h-1 moyenne
100 et 140 Km.h-1 normale
140 et 180 Km.h –1 excessive

Vitesse véhicule   Dangereuse, Faible, Moyenne, Normale, Excessive

• 3/3 Les fonctions d’appartenances de chacune des classes définies


Qui définissent, pour un vitesse donnée, le degré d’appartenance à chacune des classes.
2iéme étape suite : Remarques pour une bonne fuzzification (1/3)
90
Les classes floues doivent se chevaucher mais pas trop…..
Température froide à 100% et tempérée à 100%
Information contradictoire

Température non reconnue par le RLF 3 classes se chevauchent : Imprécision….

A proscrire…

Bonne partition de l’univers du discours


2iéme étape suite : Remarques pour une bonne fuzzification (2/3)
91
La largueur des classes floues jouent sur la précision du RLF…..

Ensemble flou standard :


GN Grand Négatif
MN Moyen Négatif
PN Petit Négatif
EZ Environ Zéro
Si on souhaite plus de précision,
PP Petit Positif
Il faut diminuer la largueur de la classe EZ
MP Moyen Positif (et donc, ici, augmenter celle de PG).
GP Grand Positif
2iéme étape suite : Remarques pour une bonne fuzzification (3/3)
92
Si le processus réagit différemment de part et d’autre du
point de consigne, on peut dé-symétriser les classes
d’appartenance.

Les fonctions d’appartenances sont dans la plupart des applications


des fonctions triangles ou trapèzes

Des formes plus


compliquées n’apportent
rien de plus…
3ième étape : L’expertise….
93

Les RLF utilisent une expertise exprimée sous forme d’une base de
règles du type: Si….Alors…
Si  Conditions sur entrées  Alors  Action sur sortie 

« Si la pression est élevée alors ouvrir un peu la vanne »

Ces règles sont énoncées à partir des connaissances du


procédé qu’on a en tant qu’expert.
3ième étape : Base de règles (1)
94

Si l'on considère n univers de discours U i pour les entrées du RLF


et que chaque univers U i est partitionné en mi classes floues
n
Alors le nombre maximal de règles est: rmax   mi
i 1

Très vite, le nombre de règles peut devenir important.

 On peut ne pas considérer certaines configurations de sous-ensembles flous


impossible à obtenir par le processus.
Exemple: Commande automatique de freinage
« Si Vitesse importante ET Distance à l’obstacle est nulle » n’est pas à considérer

 L’augmentation de la sensibilité obtenue par une partition


plus fine des entrées aboutit à un accroissement important du
nombre de règles à définir par l’expert.
3ième étape : Base de règles (2)
Lorsque
95 toutes les règles sont du type:« Si ( ) ET ( ) ET ( ) …Alors ( ) »
La base de règles s’écrit sous forme d’une matrice d’inférence.

Entrée e1
Sortie
GN MN EZ MP GP
GN GP MP
MN MP EZ MN
e2 EZ GP MP EZ MN GN
MP MP EZ MN
GP MN GN

Si (e1 est EZ) Et (e2 est GP) Alors (Sortie est GN)
Bases de règles à 4 variables d’entrées
96
4ième étape : Inférences floues
97
Inférence :
Opération logique par laquelle on admet une proposition en vertu de sa liaison
avec d’autres propositions tenues pour vraies.

Exemple:
« Si la pression est élevée alors ouvrir un peu la vanne » Supposons P  2,1 bar.
Cette pression aboutit, d’après la fuzzification, à un degré d’appartenance de 0,7 à la classe
floue « Pression élevée ».

L’inférence floue donnera, par exemple, un coefficient de vérité de 0,6 à l’action


« Ouvrir un peu la vanne ».

L’étape suivante de défuzzification fera correspondre une ouverture à 40% à ce coefficient 0,6

L’inférence floue transforme un degré d’appartenance


en un autre degré d’appartenance
4ième étape : Méthodes d’inférences pour un RLF
98 2 principales méthodes
Méthode Méthode

MIN/MAX MAX/PROD
ET  MIN ET  MIN
OU  MAX OU  MAX
ALORS  MIN ALORS  PROD  

Combinaison des règles activées (OU)


Combinaison  MAX Combinaison  MAX

MIN/MAX
Méthode de Mamdani
La plus utilisée

Qualitativement, ces règles donnent sensiblement les mêmes résultats


5ième étape : Méthodes de Défuzzification
99 La défuzzification consiste à transformer le sous-ensemble
flou de sortie en une valeur non floue permettant la
commande du système
3 méthodes principales…
• Centre de gravité de la surface. (COG)
Toutes les valeurs de l’univers du discours de sortie interviennent, pondérées par leur
degré de vraisemblance.
• bissection de la surface.
Abscisse qui coupe le surface en 2 parties égales

• Moyenne des maxima.


Moyenne des valeurs de sorties les plus préconisées.

La méthode COG est la plus


utilisée
Les différents types de la
commande à base de la logique
floue

types de la commande à
base logique floue

1.La commande floue 2.La commande floue 3.La commande floue


de type Mamdani du type PI ou PID de type T-S
Les différents types de la commande à
base de la logique floue
101

1. La commande floue de type Mamdani


 Dans un système flou de Mamdani (Conventionnel) les règles sont de type :


, représentent des termes linguistiques auxquels sont attribués une
signification floue que l’on suppose normalisée.
 Pour des entrées numériques précises, x0 et y0 , un sous-ensemble flou de
sortie, noté F , est généré selon la relation :

 La valeur numérique de sortie délivrée par le


système flou est obtenue par défuzzification,
classiquement implantée par la méthode du centre
de gravité :
Les différents types de la commande
à base de la logique floue
1. La commande floue de type Mamdani
 Dans ce type de systèmes flous, la prémisse et la conclusion sont floues.
 Après l’inférence, le résultat est un ensemble flou caractérisé par sa fonction
d’appartenance.
 Afin d’obtenir la valeur réelle de la commande à appliquer il faut passer par une
étape de « défuzzification »
 Les règles de la commande floue « Si-Alors » sont obtenues à partir de l’expertise
d'un opérateur.
 Quoique la performance d'une telle technique de commande soit généralement
satisfaisante en pratique la non garantie de la stabilité du système de commande en
boucle fermée est souvent critiquée.

Plusieurs approches ont été proposées pour étudier le problème de stabilité. L'idée principale de ces
approches est de considérer le contrôleur flou comme un contrôleur non linéaire et d’utiliser la
théorie des systèmes non linéaire pour l’analyse de la stabilité.
Les différents types de la commande
à base de la logique floue
2. La commande floue du type PI ou PID
La principale difficulté des régulateurs PID réside dans le réglage des gains afin
d’obtenir de bonnes performances surtout lorsque le procédés à commander est
d’ordre élevé et à dynamique non linéaire.

 La nature complexe des procédés industriels et la nécessité de maintenir de


bonnes performances exigent un réglage en ligne des gains du régulateur
PID ou PI.
Cette opération peut être réalisée par des régulateurs numériques autos
ajustables.

L’exploitation d’une supervision basée sur la logique floue en vue de


l’adaptation des paramètres de synthèse d’un régulateur du type PID ou
PI permet d’offrir une alternative très intéressante pour ramener, quelle que
soit la situation en ligne, les performances réelles à celles souhaitées
Variante: PID flou
104

Il est possible d’améliorer les performances du système de commande par la


combinaison de la logique floue avec un régulateur PID ou PI ce se qui s'appelle
un contrôleur PID ou PI flou.
Variante: PID flou
105

On peut se servir des connaissances pragmatiques que l’on


a des réglages de PID pour changer les coefficients de
l’algorithme PID

 Les coefficients du PID sont alors les sorties floues du RLF

La commande est calculée par l’algorithme PID discrétisé


 T  
uk  K p    k   k 1   e   k  d    k  2   k 1   k 2  
 i Te 

avec : K p  f floue   k ,  k 
 i  f floue   k ,  k 
 d  f floue   k ,  k 
Expertise du PID flou
106
• un gain proportionnel fort
•réduit le temps de montée
•provoque une dépassement
•sature les actionneurs

• un gain intégral fort


• élimine rapidement l’erreur statique
• augmente le temps de montée
• provoque une dépassement en poursuite (lorsque l’écart consigne-mesure
est important).

• un gain dérivée fort


• permet de stabiliser par anticipation
• réduite le temps de montée
• provoque des transitoires abruptes

En poursuite, on aura tendance à vouloir


 augmenter le gain proportionnel et diminuer les gains intégral et dérivée
En régulation, on aura tendance à vouloir
 diminuer le gain proportionnel et augmenter les gains intégral et dérivée
PID flou: conclusion
107

Les règles seront du type :


« Si SP-PV est négative ET sa dérivée est négative ALORS augmenter Kp

« Si SP-PV est faiblement négative ET sa dérivée est positive ALORS


diminnuer Kp » (Comportement en régulation qui évite le dépassement)

(SP : Set Point, PV: process value)

Les paramètres du PID flou évoluent continûment


selon une loi adaptative et non linéaire.

Réalise un compromis entre une bonne commande en poursuite et une


bonne commande en régulation
Les différents types de la commande
à base de la logique floue
3. La commande floue de type T-S

Les contrôleurs flous de Takagi–Sugeno sont, comme ceux de Mamdani,


construits à partir d’une base de règles “Si ... Alors ...”.

Les prémisses sont toujours exprimées linguistiquement et donc similaires à


celles utilisées dans un contrôleur flou de Mamdani alors que les conclusions
sont de nature numérique.

Un système flou de type Takagi-Sugeno (T-S) utilise des règles écrites de la


manière suivante :

Où f représente une fonction réelle quelconque.


k
Les différents types de la commande
à base de la logique floue
3. La commande floue de type T-S

 Les fonctions de sortie f , peuvent être en principe des fonctions arbitraires


k

des entrées, mais d’une manière générale elles sont choisies telles qu’elles
soient une combinaison linéaire des entrées.

 La particularité d’un modèle T-S est que la logique floue est seulement
utilisée dans la partie prémisse des règles. La partie conclusion est décrite
par des valeurs numériques.

Pour les valeurs d’entrée précises x0 et y0 , la sortie z est évaluée selon le mécanisme suivant :
Les différents types de la commande à base de la
logique floue
3. La commande floue de type T-S

imaginez que x représente l’erreur et y l’intégrale de l’erreur. Alors si r1 = 0, f1 représente


un correcteur de type PI avec kp = p1 et ki = q1. Avec la même interprétation pour f2, la
commande f est alors un compromis entre deux correcteurs PI, agissant plus ou moins
en fonction de l’erreur et de l’intégrale de l’erreur.
Les différents types de la commande à base de la
logique floue
111
3. La commande floue de type T-S
Typiquement on pourrai choisir :
 f1 régulateur PI en régulation agissant lorsque l’erreur x est petite.
 f2 correcteur PI en poursuite agissant lorsque l’erreur x est grande.

La commande floue est alors une façon propre de changer de correcteur en


fonction de l’état du système. Notez bien que rien ne vous empêche d’étendre le
raisonnement à plus de deux correcteurs, pas forcément de type PID ...
L’avantage de la structure de Sugeno est avant tout d’être assez intuitive pour
l’automaticien, par la facilité d’implanter des correcteur linéaires de type PID.
Par ailleurs, cette structure permet une mise en équation nettement plus
simple que la structure de Mandani, il est en particulier plus facile de
déterminer les relations entrées-sorties.
112
Conclusion (partielle).

1. Méthode de régulation non linéaire et multi-


variables (MIMO).

2. Apporte des solutions à des problèmes


compliqués ou difficilement modélisables.

3. Pas de méthodes générales de synthèses.


Synthèse effective par compagne de tests.
le régulateur proportionnel intégrale flou (PI flou)
113
But: comprendre comment mettre en place une régulation flou de type PI
I - Principe d'un régulateur PI
le régulateur proportionnel intégrale flou (PI flou)
114 I - Principe d'un régulateur PI

C'est cette seconde formulation que l'on utilisera pour concevoir notre système
flou. Ainsi, on a :
le régulateur proportionnel intégrale flou (PI flou)
115

I - Principe d'un régulateur PI

On voit bien que tout ce que l'on a à faire, c'est trouver la variation de la commande à

appliquer à chaque instant en fonction de l'erreur et de sa variation.

L'utilisation d'un système flou va nous permettre de ne pas nous soucier des

coefficients Kp et Ki qui seront automatiquement déterminés en fonction des

réglages que l'on aura fait sur notre système flou.


le régulateur proportionnel intégrale flou (PI flou)
II- Les variables linguistiques
116
Les données que l'on a en entrées sont l'erreur et la variation de l'erreur. Chacune de
ses entrées sera représentée par trois variables linguistiques.
- erreur_négative, erreur_nulle, erreur_positive,
- variation_erreur_négative, variation_erreur_nulle et variation_erreur_positive
Les fonctions d'appartenances sont de simples triangles ou fonctions linéaires :

Ici, on devra fixer et des fonctions d'appartenances par essais/erreurs en fonction du système.
le régulateur proportionnel intégrale flou (PI flou)
117 II- Les variables linguistiques

Enfin, pour la sortie, on choisira trois variables linguistiques représentant la variation de


la commande (variation_commande_négative, variation_commande_nulle,
variation_commande_positive).
Les fonctions d’appartenances sont représentées ci-dessous :

De même que pour les


fonctions d'appartenances
des variables linguistiques
d'entrée, sera à déterminer
expérimentalement.
le régulateur proportionnel intégrale flou (PI flou)
118 III- Les règles d'inférences
le régulateur proportionnel intégrale flou (PI flou)
119 II III Les règles d'inférences
le régulateur proportionnel intégrale flou (PI flou)
120 III- Les règles d'inférences

Cas 1 : Dans ce premier cas, l'erreur est positive, ce qui veut dire que la réponse est inférieure
à la consigne et la variation de l'erreur est nulle, ce qui veut dire que la réponse n'évolue pas.
Dans ce cas, pour que la réponse atteigne la consigne, il faut augmenter la commande. La
variation de la commande sera donc positive.
Cas 2 : A l'inverse, ici la réponse est supérieure à la consigne et n'évolue pas au cours du
temps. Il faut donc diminuer la commande pour que la réponse atteigne la consigne. La
variation de la commande est donc négative.
Cas 3 : Dans ce cas, la réponse n'évolue plus et vaut exactement la consigne. Dans ce cas là, le
système est asservit et il ne faut donc plus toucher à la commande. La variation de la
commande est nulle.
le régulateur proportionnel intégrale flou (PI flou)
121 III- Les règles d'inférences

Cas 4: Ici, la réponse est inférieure à la consigne, mais plus le temps passe et plus elle se
rapproche de celle-ci. Il ne faut donc pas toucher à la commande. La variation de la
commande sera nulle.
Cas 5 : Dans ce cas là par contre, la réponse est supérieure à la consigne (erreur négative) et
elle continue à augmenter (donc à s'éloigner de la réponse). Ici, il faut diminuer fortement la
commande. La variation de la commande sera donc négative.
Cas 6 : L'erreur est nulle dans ce cas. Par contre, la réponse à tendance à vouloir dépasser la
consigne. Il faut donc diminuer la commande. La variation de la commande est négative.
le régulateur proportionnel intégrale flou (PI
flou)
122 III- Les règles d'inférences

Cas 7 : Ici la réponse est bien en dessous de la consigne (erreur positive) et celle-ci diminue
(variation de l'erreur négative). Il faut augmenter fortement la commande. La variation de
la commande sera donc positive.
Cas 8 : Dans ce cas, la réponse est au-dessus de la consigne, mais elle tend à se rapprocher
de celle-ci. Il ne faut donc pas toucher à la commande. La variation de la commande est
nulle.
Cas 9 : Enfin, dernier cas. La réponse est égal à la consigne, mais elle tend à diminuer. Pour
contrer cela, il faut augmenter la commande. La variation de la commande sera positive.
le régulateur proportionnel intégrale flou (PI
flou)
123 III- Les règles d'inférences

Voilà. On a donc nos neuf règles prêtes à être utilisés !

• SI erreur positive ET variation_errreur nulle ALORS variation_commande positive

• SI erreur négative ET variation_errreur nulle ALORS variation_commande négative

• SI erreur nulle ET variation_errreur nulle ALORS variation_commande nulle

• SI erreur positive ET variation_errreur positive ALORS variation_commande nulle

• SI erreur négative ET variation_errreur positive ALORS variation_commande négative

• SI erreur nulle ET variation_errreur positive ALORS variation_commande négative

• SI erreur positive ET variation_errreur négative ALORS variation_commande positive

• SI erreur négative ET variation_errreur négative ALORS variation_commande nulle

• SI erreur nulle ET variation_errreur négative ALORS variation_commande positive


le régulateur proportionnel intégrale flou (PI flou)
124
IV- Réglage et amélioration du régulateur flou

Afin de tester ce système, on doit choisir les opérateurs logiques et la


méthode de défuzzification à utiliser. Une fois ces paramètres fixés, nous
pourrons chercher les valeurs de , et des fonctions d'appartenances afin de
trouver le réglage qui correspond le mieux à votre cahier des charges.

• Changer la forme des fonctions d’appartenance


• Rajouter les variables linguistiques en entrée
• Rajouter des variables linguistiques en sortie
• Rajouter ou modifier les règles d’inférence
le régulateur proportionnel intégrale dérivé flou (PID flou)
125

On se rend compte que pour créer le régulateur PID le principe est le même mis à
part qu’on rajoute l’information dérivée seconde de l’erreur,
Le nombre de règle à dresser sera donc plus important
Mise en œuvre
126
1 Quand peut-on utiliser les bases de règles floues ?

Le choix des bases de règles floues pour résoudre un problème applicatif peut être fait
quand les conditions suivantes sont réunies :

 possibilité d’agir sur le procédé (contrôlabilité),


 existence d’une expertise ou d’un savoir-faire,
 possibilité de mesurer ou d’observer les grandeurs importantes (entrées et
sorties),
 expertise qualitative (si elle est mathématique, l’automatique classique est à
favoriser),
 expertise graduelle (si elle est booléenne, les systèmes experts sont plus
adaptés).
Mise en œuvre
127

2 Conception d’une application

Choix des opérateurs


• Dans la plupart des applications, les bases de règles « de Mamdani » sont
utilisées. Ce choix est adapté sauf si l’expertise comprend des
indéterminations.
• On choisit également le plus souvent d’utiliser des fonctions
d’appartenance « trapézoïdales », car elles sont plus faciles à
implémenter, et car elles simplifient le recueil d’expertise.
• Les fonctions d’appartenance de sortie sont le plus souvent des singletons,
sauf quand les règles sont enchaînées.
Mise en œuvre
128

2 Conception d’une application

Choix des opérateurs


• Une fonction d’appartenance de sortie triangulaire signifie en effet une
incertitude sur la sortie à appliquer, et n’a pas beaucoup d’effet sur
l’interpolation entre les règles.

• Enfin, la défuzzification est réalisée par le « centre de gravité » pour la


régulation (on tient compte de toutes les règles actives); l’utilisation de la «
moyenne des maxima » pour les problèmes de prise de décision, permet de
trancher lorsque des règles sont « en conflit » et évite d’aboutir à une décision
intermédiaire.
Mise en œuvre
129
2 Conception d’une application
Méthodologie
La conception d’une base de règles floues est un processus interactif. La plus
grosse part de travail se trouve au niveau du recueil des connaissances. Un des
intérêts de la logique floue est la possibilité de valider la base de règles auprès
de ceux qui ont fourni l’expertise, avant de la tester sur un système réel.

La figure 20 illustre la démarche employée.


Mise en œuvre
130
3 Choix de la technologie de mise en œuvre

 Il est possible de programmer directement les inférences floues

(assembleur, langage C...).

Cette solution a l’inconvénient d’être moins rapide en phase de prototypage

et d’exiger une compétence en programmation et une maîtrise des

algorithmes utilisés en logique floue.


Mise en œuvre
131
3 Choix de la technologie de mise en œuvre
 La plupart des applications qui existent aujourd’hui sont réalisées avec des
plates-formes matérielles courantes
- microcontrôleur,
- microprocesseur,
- automate,
- microordinateur...

De nombreux logiciels d’aide au développement de bases de règles floues ayant

pour cibles microcontrôleurs, automates programmables, microordinateurs

entre autres, permettent de mettre en œuvre rapidement des bases de règles

floues sans programmer.


Mise en œuvre
132
3 Choix de la technologie de mise en œuvre

 Une dernière solution est d’employer un outil spécifique pour décrire le


système de règles floues et ensuite générer automatiquement le code de
commande associé.
Processeurs dédiés
133

 (Cf doc 68HC12 de Motorola en Annexe)


processeurs dédiés et des interfaces
de développement spécifiques

Background Debug Mode

RTRCD Module User Code Periphery

Fuzzy Logic System


as Assembly Code Function

fuzzyTECH MCU-HC12 Edition


plus RTRCD Modul HC12 Board
134
Pilotage de direction automobile
135 par logique floue

projet au sein de PSA Peugeot Citroën

Description du projet
Description du projet

136

 Le véhicule est équipé d'une caméra placée à côté du rétroviseur intérieur


pour filmer la scène routière qui se présente devant le véhicule (figure 1).
 Un calculateur de traitement d'images, construit autour d'un processeur
de traitement du signal TMS 320C50, détecte les lignes blanches tracées sur
la chaussée et calcule, en temps réel, la position du véhicule dans sa voie de
circulation.
 Utilisé seul, ce système autorise l'estimation de la trajectoire de la voiture et,
en cas d'écart important, alerte le conducteur au moyen d'une alarme
sonore.
Description du projet

137

 Un dispositif complémentaire, constitué d'un moteur électrique pas à pas


couplé à l'arbre de direction, permet d'actionner les mouvements du volant.
Un logiciel de commande peut alors piloter la direction à partir des
informations fournies par le traitement d'images.
 Lorsque le véhicule s'écarte de sa trajectoire, et si le conducteur ne corrige
pas cette dérive, le système intervient pour repositionner la voiture dans sa
voie de circulation. Sur certaines autoroutes, ce véhicule expérimental
autorise un suivi du profil routier sans intervention du conducteur.
Description du projet

138

La première version du module de commande a été développée selon les


principes de l'automatique :

- élaboration et validation d'un modèle analytique du


véhicule ;
- mise au point par simulation d'une commande par retour
d'état ;
- implantation et tests sur véhicule.

L’objectif de la présente étude est, à titre de comparaison, de mettre au point un système avec
les mêmes fonctionnalités en utilisant des techniques issues de la logique floue.
Système de développement FuzzyTECH
139
Description technique du projet
Équipements
140

 Le véhicule utilisé est une Citroën XM équipée d'un actionneur de direction et d'une

caméra CCD (Charge Coupled Devices) couplée à un calculateur de traitement d'images.

La commande est réalisée par un calculateur compatible « PC »

 À partir de l’image fournie par la caméra, un algorithme de traitement d’images

permet d’estimer la position latérale du véhicule par rapport au centre de la route, ainsi

que son cap par rapport à l'axe de la chaussée.

Ce système de vision est basé sur un algorithme « ligne droite », les informations calculées

ne sont donc qu’approximatives pour les courbes. Vu de l’application de commande, ce

système de vision s’utilise comme un capteur intelligent, pour lequel nous ne disposons

d’aucun modèle interne de fonctionnement.


Description technique du projet
141

Équipements

 L'actionneur de direction utilise un moteur électrique pas à pas permettant de faire

tourner automatiquement le volant. Pour le développement de la commande, nous

considérerons que cet actionneur est un actionneur parfait.

 Le calculateur compatible « PC » utilise un processeur 80386 cadencé à 20 MHz. Il

reçoit des informations en provenance du véhicule par le port série, et envoie ses

consignes à l’actionneur de direction par la liaison parallèle. L’évolution des

différents paramètres dans le temps est stockée dans un fichier sur disque dur.
Description technique du projet
142
Architecture de l’asservissement
Description technique du projet
143
Synoptique général
Description technique du projet
144
Synoptique général
Description technique du projet
145
Module de calcul du CapDésiré
Description technique du projet
146
Module de calcul de l’AngleMoteur
Description technique du projet
147
Module de calcul de GainMoteur
148

End