4
4.1 Introduction
L’approche multimodèle est le sujet de diverses recherches qui l’ont considéré comme
une approche permettant de trouver une structure simple à étudier pour la commande et
pour le diagnostic, tout en gardant le vrai comportement non linéaire du système. Cette
approche a montré sa fiabilité et a présenté des intérêts certains depuis la publication
des travaux de Johansen et Foss [6]. L’approche multimodèle consiste à décomposer un
problème complexe en un ensemble de sous-problèmes plus simples à étudier et dont les
solutions conduisent à la résolution du problème original (problème global). Il s’agit d’un
outil permettant de simplifier l’étude des systèmes complexes.
L’intérêt de cette approche est d’éliminer la conception d’un système non linéaire
complexe et qui peut ne pas reproduire le comportement du système étudié.
En 1985, Takagi et Sugeno [10] ont proposé un modèle flou d’un système constitué
d’un ensemble de règles ”si prémisse alors conséquence”, telle que la conséquence d’une
règle est un modèle affine. Le modèle global s’obtient par l’agrégation des modèles locaux.
Définition 4.3
Zone de fonctionnement : [3, 9] Domaine Di issu du partitionnement de l’es-
pace de fonctionnement D ⊂ Rn du système tel que D = ∪i Di . Le système possède un
comportement dynamique relativement homogène dans chaque zone de fonctionnement.
Définition 4.4
Variable de décision : [3, 9] ξ ⊂ Rj : variable vectorielle connue caractéristique du
système et accessible par mesure en temps réel. Elle peut être par exemple une variable
d’état mesurable et/ou un signal d’entrée du système.
Définition 4.5
Fonction de pondération (ou d’activation) : [3, 9] µi (ξ(t)) : fonction µi (ξ(t)) :
Rj → R1 associée aux différentes zones de fonctionnement, dépendants des variables
de décision. Elles servent ainsi à quantifier graduellement l’appartenance du point de
fonctionnement courant du système à une zone de fonctionnement.
où x(t) ∈ Rn est le vecteur d’état commun à tous les modèles locaux. y(t) ∈ Rm la sortie
mesurée, u(t) ∈ Rr l’entrée du système, ξ(t) est la variable de décision des fonctions de
pondération µi (.).
La structure couplée peut être représentée par la figure (4.1) [9]
[ (t )
NORMALISATION
u (t ) P1 ([ (t )) P1 ([ (t ))
A1 x B1u 3 C1 3
P2 ([ (t )) P2 ([ (t ))
x(t 1) q 1 x(t ) y (t )
A2 x B2 u 3 6 C2 3 6
P3 ([ (t )) P3 ([ (t ))
AM x BM u CM
3 3
où ωi (ξ(t)) est le degré d’appartenance de la variable ξ et T est une t-norme. Les fonctions
de pondération peuvent être triangulaires, gaussiennes, trapézoı̈dales, etc. Dans ce travail
les modèles locaux sont pondérés par des fonctions gaussiennes.
Dans le cas des systèmes mono-variables, ces fonctions sont calculées par l’équation
suivante :
ωi (.) : R → R
(ξ(t) − ci )2
ωi (ξ(t)) = exp(− ) (4.4)
σi2
Les sorties yi (t) n’ont pas un sens physique puisqu’elles sont des sorties artificielles per-
mettant la description du comportement non linéaire du système réel.
Cette structure permet de découpler les parties dynamiques des sous-modèles. Les
sous modèles peuvent alors avoir des structures différentes linéaires ou non linéaires et
comportant des états différents, tout en conservant la compatibilité des dimensions des
vecteurs des sorties.
La structure découplée tolère un ajustement de la complexité des sous modèles rela-
tif à la zone de fonctionnement caractérisée, puisque les états locaux sont parfaitement
indépendants. Cette structure peut être représentée par la figure (4.2) [9].
Remarque 4.1 Cette structure est présentée à titre indicatif. Ce cours s’intéresse essen-
tiellement à la structure couplée de Takagi-Sugeno
[ (t )
NORMALISATION
u (t ) x1 (t 1) x1 (t ) P1 ([ (t ))
A1 x B1u q 1 C1 3
P 2 ([ (t ))
x2 (t 1) x2 (t ) y (t )
A2 x B2 u q 1 C2 3 6
x3 (t 1) x3 (t ) P3 ([ (t ))
AM x BM u q x13 (t ) CM
3
où :
ωi (ξ(t))
µi (ξ(t)) = M
(4.10)
X
ωj (ξ(t))
j=1
avec :
δF (x, u) δF (x, u)
Ai = , Bi = , Di = F (xi , ui ) − Ai xi − Bi ui
δx x=xi,u=ui δu x=xi ,u=ui
δG(x, u) δG(x, u)
Ci = , Ei = , Ni = G(xi , ui ) − Ci xi − Ei ui
δx x=xi ,u=ui δu x=xi ,u=ui
Le nombre de modèles locaux M dépend de la précision de la modélisation souhaitée, de
la complexité du système non linéaire et du choix de la structure des fonctions d’activation,
ces dernières doivent satisfaire les propriétés de convexité (4.5).
h(x(t)) − β α − h(x(t))
F 1 (x(t)) = et F 2 (x(t)) =
α−β α−β
Cette méthode de décomposition, qui n’est pas unique, sera utilisée par la suite. En effet,
considérons le cas général d’un système non linéaire affine en la commande de la forme :
! !
ẋ(t) x(t)
A(x(t) B(x(t)
=
y(t) C(x(t) D(x(t) u(t)
avec x(.) ∈ Rn , u(.) ∈ Rm , y(.) ∈ Rl , A(.) ∈ Rn.m , B(.) ∈ Rn.m , C(.) ∈ Rl.n , et D(.) ∈
Rl.m .
On pose :
A(x(t) B(x(t)
E(x(t) =
C(x(t) D(x(t)
Sous l’hypothèse que E(x(t)) est continue et bornée et en considérant chaque terme non
constant, la matrice E(x(t)) peut être transformée sous la forme suivante :
M
X
E(x(t)) = µi (ξ(t))Ei
i=1
avec :
Ai Bi
Ei =
C i Di
Le nombre de modèles locaux M issus de la transformation se trouve par conséquent
dépendre du nombre s des non-linéarités contenues dans la matrice E(x). Ce nombre est
égal à M = 2s.
[1] Abonyi J., Babuska R. et Szeifert F., Fuzzy Modeling With Multivariate Membership
Functions : Gray-Box Identification and Control Design, IEEE Trans. On Systems, Man
and Cybernetics, Vol. 31 (5), pp. 755-767, 2001.
[2] Akhenak A., Conception d’observateurs non linéaires par approche multimodèle : ap-
plication au diagnostic, thèse de doctorat, Institut National Polytechnique de Lorraine,
France, 2004.
[3] Chadli M., Stabilité et commande des systèmes décrits par des multimodèles, thèse de
doctorat, Institut National Polytechnique de Lorraine, France, 2002.
[4] Filev D., Fuzzy modeling of complex systems. International Journal of Approximate
Reasoning, 5(3), pp :281-290, 1991.
[5] Gasso K., Identification des systèmes dynamiques non linéaires : approche multimo-
dèle, Doctorat de l’Institut National Polytechnique de Lorraine, Vandoeuvre- les-Nancy,
2000.
[6] Johansen T. A. et Foss A. B., Non linear local model representation for adaptive
systems. IEEE International Conference on Intelligent control and instrumentation,
Vol. 2, pp. 677-682, 1992.
[7] Korbicz J., Koscielny J., Kowalczuk Z., and Cholewa W., Fault diagnosis. Models,
Artificial Intelligence, Applications. Springer-Verlag, Berlin, 2004.
[8] Marcelo V. C., Aguirre L. et Saldanha R., Using Steady-State Prior Knowledge to
Constrain Parameter Estimates in Nonlinear System Identification, IEEE Trans. on
Circuits and Systems-I : Fundamental Theory and Applications, Vol. 49 (9), pp. 1376-
1381, 2002.
[9] Orjuela R., Contribution à l’estimation d’état et au diagnostic des systèmes représentés
par des multimodèles, thèse de doctorat, Institut Nationa Polytechnique de Lorraine,
France, 2008.
[10] Takagi T. et Sugeno M., Fuzzy identification of systems and its applications to model
and control. IEEE Transactions on Systems, Man, and Cybernetics, 15, pp : 116-132,
1985
[11] Tanaka K., Ikeda T. et He Y. Y., Fuzzy regulators and fuzzy observers : relaxed
stability conditions and LMI-based design, IEEE Trans. Fuzzy Systems, Vol. 6 (1), pp.
250-256, 1998.
[12] Tanaka K. et Sugeno M., Stability analysis of fuzzy systems using Lyapunov’s di-
rect method. In International Conference of the North American Fuzzy Information
Processing Society, NAFIPS, pages 133-136, Toronto, Canada, 1990.