Vous êtes sur la page 1sur 9

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/311419522

Loi de commande basée sur une estimation pour approximer un contrôleur


flou basé sur un modèle Takagi-Sugeno

Conference Paper · November 2016

CITATIONS READS

0 326

3 authors:

Thomas Laurain Jimmy Lauber


Université de Haute-Alsace Université Polytechnique Hauts-de-France
22 PUBLICATIONS   73 CITATIONS    122 PUBLICATIONS   1,467 CITATIONS   

SEE PROFILE SEE PROFILE

Reinaldo Martinez Palhares


Federal University of Minas Gerais
204 PUBLICATIONS   3,885 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Evolving Fuzzy Systems View project

Control oriented model for IC engine View project

All content following this page was uploaded by Thomas Laurain on 05 December 2016.

The user has requested enhancement of the downloaded file.


Loi de commande basée sur une estimation pour approximer un
contrôleur
flou basé sur un modèle Takagi-Sugeno

Estimation-based Control Law for Approximating Takagi-Sugeno-


based controller
T. Laurain1, J. Lauber1 R. Palhares2
1
LAMIH, UMR CNRS 8201, Université de Valenciennes, France
2
Département d’Ingénierie en Electronique, Université Fédérale de Minas Gérais, Belo Horizonte, Brésil

{thomas.laurain, jimmy.lauber}@univ-valenciennes.fr
palhares@cpdee.ufmg.br

Résumé : approximated in both steady and transient phases.


Ce papier propose de résoudre le problème de Consequently, an Estimation-based Control Law for
l’inversion matricielle dans les contrôleurs avancés Approximating Takagi-Sugeno-based (ECLATS)
basés sur la représentation Takagi-Sugeno, comme la controller is developed using Lyapunov stability
plupart des contrôleurs non-PDC (Parallel Distributed analysis and Linear Matrix Inequalities formulation.
Compensation). Ces contrôleurs sont difficiles à utiliser This ECLATS controller can provide similar
dans des ordinateurs embarqués qui ont des performances than the advanced fuzzy ones, but without
performances limitées dues aux ressources any matrix inversion. Numerical examples prove the
technologiques. L’originalité de la méthode proposée efficiency of the estimation by comparison.
est d’utiliser un observateur pour approximer l’inversion
Keywords:
de la matrice floue. Grâce à un tel observateur, le
Takagi-Sugeno model-based control; fuzzy matrix
contrôleur avancé peut être approximé à la fois en phase
inversion equivalence; estimation-based controller;
transitoire et permanente. Par conséquent, une nouvelle
fuzzy observer.
loi de commande basée sur une estimation, appelée loi
de commande ECLATS (Estimation-based Control Law
for Approximating Takagi-Sugeno-based controller), est
développée pour approximer un contrôleur flou basé sur
1 Instructions générales
un modèle Takagi-Sugeno. Ce contrôleur ECLATS,
conçu en utilisant l’analyse de la stabilité de Lyapunov La représentation de type Takagi-Sugeno (TS)
et la formation LMI, peut fournir des performances
similaires aux contrôleurs flous avancés, mais sans développée dans (Takagi and Sugeno, 1985) et
aucune inversion matricielle. Des exemples numériques appliquée au contrôle-commande par (Wang et
illustrent l’efficacité de la méthode proposée. al., 1996) propose de gérer les non-linéarités
Mots-clés : d’un système en utilisant une combinaison de
Contrôle à base de modèle Takagi-Sugeno; plusieurs modèles linéaires connectés
équivalence d’inversion de matrice floue; contrôleur ensemble via des fonctions non-linéaires. Dans
basé sur une estimation; observateur flou. son domaine de validité, le modèle TS est une
Abstract: représentation exacte du comportement non-
This paper aims to manage the problem of matrix linéaire du système réel comme décrit dans
inversion in advanced Takagi-Sugeno-based controllers (Taniguchi et al., 2001).
such as most of the non-Parallel Distributed
Compensation. These controllers are difficult to use in Des outils efficaces permettent d’étudier la
embedded computers that have limited performances stabilité, la stabilisation et l’observation de ces
due to technologic resources. The originality of the
proposed method is to use an observer for
modèles TS. En particulier, la méthodologie de
approximating the fuzzy matrix inversion. Thanks to Lyapunov est majoritairement utilisée menant
such an observer, the advanced controller can be à une mise sous forme d’un problème
d’Inégalité Matricielle Linéaire (LMI en 2013) s’intéressent au développement de
anglais) comme présenté dans (Boyd et al., contrôleurs périodiques pour des systèmes
1994). Un des points clés dans la réduction du périodiques discrets, basés sur des fonctions de
conservatisme est le choix de la fonction de Lyapunov switchées ou non-quadratiques
Lyapunov. Par exemple, (Guerra and retardées.
Vermeiren, 2004) prouve dans leur papier La revue de littérature souligne le fait que le
qu’une fonction de Lyapunov non-quadratique TS-CMI et, plus généralement, sa structure, a
peut offrir plus de solutions au problème LMI été la base d’un nombre important d’avancées
qu’une quadratique. Leur étude concerne récentes en contrôle et observation non-
principalement le discret même s’ils ont linéaire. Cependant, cette méthode requiert le
travaillé plus tard sur l’aspect continu dans calcul de l’inverse d’une matrice variant à
(Guerra et al., 2012). chaque temps d’échantillonnage. Dans le
Dans le papier de 2004, les auteurs proposent contexte de l’embarqué et dans le cas de
également de comparer les contrôleurs PDC et matrices de grande taille, un compromis doit
non-PDC. La Compensation à Distribution parfois être trouvé.
Parallèle (PDC) a été développée par (Wang et Ce papier propose une méthode pour
al., 1996) et consiste en un retour d’état dont le concevoir une nouvelle loi de commande qui a
gain est rendu flou par l’utilisation des mêmes des performances similaires au TS-CMI mais
fonctions non-linéaires que dans le modèle TS. qui évite l’inversion matricielle. Construite sur
Parmi les non-PDC, le contrôleur TS avec la base d’un observateur à entrées inconnues,
inversion matricielle (TS-CMI en anglais) cette loi de commande, appelée ECLATS
offre, d’après (Guerra and Vermeiren, 2004),
(Estimation-based Control Law for
de meilleurs performances et, dans certaines Approximating Takagi-Sugeno-based
configurations, il est le seul contrôleur capable controller), peut être facilement embarquée et
de stabiliser le système ne boucle fermée. Par ne nécessite pas d’inversion. Visant le champ
conséquent, le TS-CMI est un contrôleur flou applicatif, le domaine discret est choisi pour la
avancé et efficace massivement utilisé dans la conception de cette nouvelle loi de commande.
littérature.
Cet article se décline en quatre parties. Tout
Les auteurs de (Ding et al., 2006, p. 200) ont d’abord, quelques résultats préliminaires sont
réalisé une extension des travaux de (Guerra
présentés. Ensuite, la méthode pour construire
and Vermeiren, 2004). Le TS-CMI peut être l’observateur et la loi de commande ECLATS
utilisé comme un retour d’état ou de sortie, est détaillée. Enfin, des exemples numériques
comme le retour de sortie statique présenté soulignent l’équivalence des performances
dans (Bouarar et al., 2009) pour stabiliser un entre celles du TS-CMI et celles de
système non-linéaire sous forme descripteur. l’ECLATS.
Les conditions ont été améliorées avec une
contrainte H  et une analyse de la robustesse
2 Préliminaires
dans (Bouarar et al., 2010). Dans la mesure où
le problème principal est le conservatisme de
2.1 Notation
l’approche LMI, de nombreux papiers se
Dans le but de faciliter l’écriture et la lecture
concentrent sur sa réduction en développant de
de ce papier, la notation suivante est adoptée
nouvelles relaxations comme les travaux de
(Mozelli et al., 2010) basé sur le lemme de tout au long de ce travail : Y A, B, C, F , H 
Finsler et où un TS-CMI est appliqué à un r

système descripteur. La structure du non-PDC dim  Ai   n , Yz   hi  z  t   Yi ,


i 1
a été amélioré, par exemple dans le domaine r
discret avec les travaux de (Xie et al., 2013, p. Yz    hi  z  t  1  Yi et
201). Les papiers (Lendek et al., 2016, 2015, i 1
r validité du modèle (défini par les bornes des
Yzz   hi  z  t   h j  z  t   Yij . non-linéarités). De plus, dans le papier
i 1
précédemment cité (Guerra and Vermeiren,
2004), ils prouvent que, pour un   1.36
2.2 Exemple de la littérature
Afin de prouver à quel point la structure non- donné, seulement un contrôleur TS-CMI,
PDC est importante pour la recherche en associé à une fonction de Lyapunov non-
contrôle commande, démarrons avec un quadratique, peut fournir une entrée u  k 
exemple numérique venant du travail de permettant à la boucle fermée d’être stable.
(Guerra and Vermeiren, 2004) qui a été utilisé Ainsi, l’utilisation de ce contrôleur flou avancé
dans de nombreux papiers pour la comparaison est nécessaire même pour un système de
de contrôleurs comme (Nguyen et al., 2015) : matrices 2-2 avec une non-linéarité.
 1   5    Egalement, dans des systèmes plus complexes
A1    , B1    comme le contrôle des moteurs à combustion
 1 0.5  2 
(1) interne, les contrôleurs classiques PI et PDC
1   5    ne sont pas capable de stabiliser le système
A2    , B2   2  
 1 0.5   d’air; par conséquent, même si le TS-CMI
Ce système non-linéaire est dépendant du implique des inversions matricielles qui sont
terme  . Par conséquent, il peut être écrit difficilement implémentables par des Unités
comme un modèle Takagi-Sugeno, combinant de Contrôle Electroniques (ECU en anglais), il
deux modèles linéaires (1) avec les fonctions reste cependant nécessaire. Un compromis
subsiste pour trouver une nouvelle loi de
non-linéaires d’appartenance hi telles que :
commande avec des performances similaires
r
x  k  1   hi  z  k    Ai x  k   Bi u  k   (2) au contrôleur TS-CMI, mais sans l’inversion
i 1 matricielle.
La représentation Takagi-Sugeno est donc une
représentation exacte du système non-linéaire. 2.3 Obtenir les gains du TS-CMI
Les non-linéarités sont définies dans un Afin de concevoir notre contrôleur ECLATS
ensemble de valeurs données composant les (Estimation-based Control Law for
sommets du polytope (minimum et maximum Approximating Takagi-Sugeno-based
des valeurs admissibles). Les modèles linéaires controller), il faut d’abord connaître les gains
correspondent aux sous-systèmes sur chacun du TS-CMI. Pour les obtenir, ce papier se
des sommets (dans notre cas, A1 correspond à repose principalement sur les travaux
précédents de (Guerra and Vermeiren, 2004).
la matrice A avec la non-linéarité fixée à sa
Considérons la loi de commande TS-CMI
valeur minimum, et A2 à sa valeur max). Le
suivante :
modèle Takagi-Sugeno est également composé u  k    Fz H z1 x (3)
des fonctions d’appartenance hi  z  k   qui
Le problème de l’inversion matricielle
portent le caractère non-linéaire et doivent concerne principalement le produit de chaque
vérifier la propriété de somme convexe : matrice H i avec les fonctions d’appartenance
r

 h  z k   1
i 1
i et i, hi  0 . Ainsi, le hi qui doit être inversé à chaque coup
d’échantillonnage, car les fonctions
système flou est une combinaison de plusieurs d’appartenance dépendent de l’état du système
modèles linéaires reliés entre eux par des qui change régulièrement. C’est pourquoi
fonctions de pondération prenant des valeurs l’inversion matricielle ne peut pas être réalisée
entre 0 et 1, ce qui permet plus de flexibilité hors-ligne ; elle doit être calculée par le
que l’automatique classique, en plus de fournir contrôleur embarqué.
une représentation exacte du système non-
linéaire tant que l’on reste dans le domaine de
Afin de trouver les gains Fi et H i , la méthode u  k    Fz H z1 x  k  (8)
de Lyapunov pour la stabilité et la stabilisation Introduisons maintenant une nouvelle variable,
est appliquée. Les auteurs de (Guerra and  qui est celle qui doit être estimée par le
Vermeiren, 2004) ont comparé les différences contrôleur ECLATS. Par conséquent, puisque
en terme de conservatisme et de performance l’objectif est d’estimer l’inversion matricielle,
entre les fonctions de Lyapunov quadratiques cette variable et la loi de commande sont
et non-quadratiques. Il apparaît que la fonction définies comme suit :
de Lyapunov non-quadratique offre de   k   H z1x  k  (9)
meilleurs résultats, même si elle implique que
les gains H i soient inversés : u  k    Fz  k  (10)
V  t   xT H zT Pz H z1x , i, Pi  Pi T  0 (4) Dans la représentation d’état classique (2),
l’état peut être exprimé par cette nouvelle
L’analyse de la stabilité au sens de Lyapunov variable  :
mène à une formulation LMI qui peut être
H z   k  1   Az H z  Bz Fz    k  (11)
résolue par LMI Toolbox de Matlab.
Considérons la quantité suivante : Afin d’éviter d’inverser la matrice du terme de
 Pi ()  gauche, considérons la matrice floue H z 
ijk    (5) comme une matrice constante plus une
 Ai H j  Bi F j H k  H k  Pk 
T

incertitude : H z   H0  H . Par conséquent,


Avec (*) le symétrique du terme anti diagonal.
Le problème de stabilisation à résoudre pour (11) peut être écrite comme :
trouver les gains du contrôleur mène aux   k  1 
(12)
conditions LMI suivantes (Guerra and H 01   Az H z  Bz Fz    k   H   k  1 
Vermeiren, 2004) :
iik  0,  i, k   1 r (6) La matrice constante H 0 correspond à la
r
2 k
ii  ijk  kji  0,   i, j, k   1 r, i  j (7) matrice h H i i où les valeurs des fonctions
r 1 i 1
d’appartenance sont définies telles que le
Remarque 1: Plusieurs relaxations existent vecteur d’état x est égal à zéro. Le terme
pour réduire le conservatisme des conditions connecté à l’incertitude est considéré comme
sans ajouter de variables de relaxations : (Tuan une perturbation : w k   H  k  1 . Par
et al., 2001) surpasse les conditions de conséquent, le système (12) peut être écrit sous
(Tanaka and Sano, 1994) et mène à un bon sa forme finale :
compromis entre complexité et conservatisme.
  k  1  H 01   Az H z  Bz Fz    k   w  k   (13)
3 Contributions principales
3.2 Nouvelle loi de commande
3.1 Variable estimée L’objectif de cette sous-section est de
Cette section présente une nouvelle présenter la nouvelle loi de commande u . Le
méthodologie pour éviter l’inversion contrôleur ECLATS s’appuie sur une structure
matricielle du contrôleur TS-CMI. La première d’observateur afin d’approximer la variable  .
étape de cette méthode est d’obtenir les gains Posons les équations de l’observateur et du
en résolvant hors-ligne le problème LMI (5). contrôleur ECLATS suivantes :
Ensuite, une loi de commande basée sur une ˆ  k  1  H 01  Az H z  Bz Fz  ˆ  k 
estimation (ECLATS) peut être conçue, en
 K z  y  k   yˆ  k  
utilisant les résultats précédents. Tout d’abord,
définissons la loi de commande TS-CMI avec u   Fzˆ (14)
la notation suivante :
Grâce à l’observateur (14), la variable Transformons l’expression (16) afin d’inclure
  k   H z1x  k  est estimée et, à travers elle, le vecteur X   e  k  e  k  1 w  k  
T T T T

 
l’inversion matricielle. Définissons désormais
l’erreur d’estimation e telle que tel que RX  0 avec
e  k     k   ˆ  k  . La dynamique de cette R   H 01  Az H z  Bz Fz   K z H z  I H 01  .
erreur peut être exprimée en utilisant les De la même manière, l’expression (21) peut
équations (13) et (14) : être réécrite comme X T QX  0 où :
e  k  1  H 01  Az H z  Bz Fz    k   H 01w  k    2 P  I   
(15)  
 H 01  Az H z  Bz Fz  ˆ  k   K z  y  k   yˆ  k   Q 0 P   (22)
 0 0  I 
L’état est admis entièrement mesuré, donc En appliquant le lemme de Finsler
y  k   x  k   H z  k  et la sortie de précédemment développé dans (De Oliveira
l’observer est définie de la même manière and Skelton, 2001), il existe une matrice M
yˆ  k   H zˆ  k  . Par conséquent, (15) peut être telle que l’inégalité suivante est vérifiée :
réécrite : Q  MR  RT M T  0 (23)
e  k  1  H01  Az H z  Bz Fz  e  k   H 01w  k  (16)
T
En choisissant la matrice M  0 M 2T 0 ,
l’expression (23) mène à :
3.3 Conditions LMI   2 P  I   
Afin d’assurer la convergence de l’erreur  
 M 2  H 0 S zz  K z H z  P  M 2  M 2    0
1 T
d’estimation, la méthode de stabilité au sens de
Lyapunov est appliquée en utilisant une  H 0T M 2T  I 
 0
fonction de Lyapunov quadratique :
(24)
V  k   e  k  Pe  k  , P  P T  0 (17)
T

V  0 (18) Avec Szz  Az H z  Bz Fz .  est un paramètre


De plus, la vitesse de convergence de la réglable,  est un paramètre qui doit être
fonction de Lyapunov peut être accrue en
minimisé et P , M 2 et K z sont les variables
ajoutant un paramètre réglable, le taux de
convergence, tel que : inconnues. Le produit M 2  Kz rend
V  V  k  (19) l’inégalité précédente bilinéaire, c’est la raison
pour laquelle un changement de variable
Egalement, la perturbation w  k  est gérée via
bijectif est introduit : Wz  M 2 Kz .
une norme H  telle qu’il existe un scalaire  Théorème 1 (Tuan et al., 2001): Considérant
vérifiant que le ratio erreur – perturbation soit le système flou TS (2) contrôlé par la loi de
borné par : commande non-PDC (10), soit le taux de
e k    w k  (20) convergence 2 , l’erreur d’estimation de
L’analyse de la stabilité de Lyapunov déclare l’observateur défini en (14) converge vers zéro
la boucle fermée stable si la condition suivante s’il existe un scalaire  , une matrice
est vérifiée, en prenant en compte la norme symétrique et définie positive P  nn , des
H : matrices M 2  nn , et Wz  nn tels que les
V  V  k   e  k  e  k    w  k  w  k   0 (21) conditions LMI suivantes soient vérifiées :
T T

ii  0, i  1 r (25)
2
ii  ij   ji  0,   i, j   1 r, i  j (26)
r 1
Avec la quantité suivante : Avec ces gains, il est désormais possible
  2 P  I    d’avoir la constante H 0 telle que :
 
ij   M 2 H 0 Sij  Wi H j P  M 2  M 2  
1 T H0  0.5  H1  0.5  H2 (29)
 0 H 0T M 2T  I  Ensuite, la seconde étape est de trouver une
solution au problème LMI défini dans le
Si l’erreur d’estimation converge vers zéro, Théorème 1 afin d’obtenir les gains de
cela implique que ˆ    H z1 x . Par l’ECLATS. Après avoir choisi le taux de
conséquent, vérifier le théorème 1 assure que convergence à 2  0.3 dans le but d’assurer
le contrôle ECLATS (14) basé sur un la convergence rapide de l’erreur d’estimation,
observateur approxime le contrôleur TSCMI les gains suivants sont obtenus :
(8) et l’approximation tend à être parfaite.
 0.0083 0.0008
Remarque 2: La stabilité de l’ensemble de la K1   
boucle fermée (contrôleur + observateur) n’a  0.0271 0.0028
(30)
pas été étudiée ici. Ce point sera considéré  0.0018 0.0061
dans les travaux à venir, l’objectif de ce papier K2   
est de montrer la faisabilité de la nouvelle  0.0065 0.0007 
approche proposée. Dans la prochaine section, La stabilité de la boucle fermée est garantie
un exemple est présenté afin d’illustrer la par la matrice de Lyapunov fournie par les
faisabilité sur un système simulé. conditions LMI :
 33.1931 15.7856
P  (31)
4 Exemples numériques  15.7856 34.9992 
De plus, la perturbation est réduite par la
Afin de prouver l’efficacité du contrôleur norme H  avec le coefficient   0.0673 .
ECLATS, voici des résultats de simulation
basé sur l’exemple numérique détaillé dans Vérifions désormais que la structure ECLATS
(Guerra and Vermeiren, 2004) avec le système peut approximer la loi de commande non-
décris en (1). Le paramètre réglable est choisi PDC. Les deux contrôleurs sont développés
dans le cadre de la situation (avec un temps
tel que   1.5 et, afin de réaliser la
d’échantillonnage de Te  0.5s ) et ils sont
simulation, les fonctions d’appartenance sont
choisies telles que : comparés afin de valider que l’observateur
x  estime la variable  définie en (9). Comparons
h1  x1   1 , h2  x1   1  h1  x1  (27) dans un premier temps les commandes
2
fournies par le contrôleur TSCMI (en bleu sur
Où x1 est saturé entre   et  . La première la Figure 1) et l’ECLATS (en vert) :
étape de la méthodologie est d’obtenir les
gains du contrôleur TSCMI (avec inversion 0.02

matricielle) depuis les conditions 0

précédemment présentées (6) et (7). Ci- -0.02

dessous, les gains calculés pour le système


command

-0.04

choisi : -0.06

F1   2.4917 14.4205 -0.08

F2   6.5470 13.2318
non-PDC control law
-0.1 ECLATS control law

-0.12
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
 22.0636 0.1605 time (s)

H1   (28) Fig. 1. Commande générée par les contrôleurs


 1.9517 60.1749  TSCMI et ECLATS
 31.6556 8.0931
H2  
 4.1046 43.3994  Même si les conditions initiales sont
différentes, l’observateur rattrape la
commande originale dans deux coups. De plus, Cependant, la constante H 0 a été choisie en
la méthodologie de Lyapunov assure que utilisant les valeurs des fonctions
l’erreur d’estimation converge vers zéro, ce d’appartenance où le vecteur d’état x est égal
qui est illustré par la Figure 2 qui présente à zéro. Etudions à présent les changements
l’erreur entre les deux commandes : qu’implique l’utilisation d’autres valeurs,
-3
comme par exemple en ne considérant qu’un
x 10
6
seul des sommets. Figure 4 représente l’erreur
4 entre la commande TSCMI et celle générée
and the ECLATS command
error between the non-PDC

2 par trois contrôleurs ECLATS dont les gains


sont calculés avec les valeurs des fonctions
d’appartenance prises dans 0;0.5;1 :
0

-2

-4 0.02

error between the non-PDC command


and the ECLATS controller calculated
with different membership functions
h =0/h =1
1 2
-6 0.015
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 h1 = 0.5 / h2 = 0.5
time (s)
h1 = 1 / h 2 = 0

Fig. 2. Erreur entre les commandes générées 0.01

par les contrôleurs TSCMI et ECLATS. 0.005

La variable estimée  est composée de la -0.005

matrice inversée et l’état du système. La -0.01


0 1 2 3 4 5 6 7 8 9 10
Figure 3 permet de vérifier si l’état est bien time (s)

reconstruit par l’observateur à l’intérieur du Fig. 4. Erreur entre les commandes générées
contrôleur ECLATS : par les contrôleurs TSCMI et ECLATS avec
différentes fonctions d’appartenance pour la
1.2
matrice H 0
1 system controlled by the non-PDC controller
system controlled by the ECLATS controller
Ceci illustre que faire un choix sur la matrice
H 0 mène à une erreur d’estimation plus
0.8

0.6
importante durant les phases transitoires (trois
x1

0.4
fois plus grande). Cependant, cette erreur
0.2
converge toujours vers zéro et son temps de
convergence peut être plus rapide, par exemple
0

-0.2
0 0.5 1 1.5 2 2.5
time (s)
3 3.5 4 4.5 5 la ligne verte (points) qui converge en deux
0.4
coups d’échantillonnage, soit plus vite que la
0.2

0
ligne rouge (pointillée) considéré dans notre
-0.2 exemple précédent (29).
-0.4
x2

-0.6

-0.8
5 Conclusions
-1

Cet article a présenté une nouvelle


system controlled by the non-PDC controller
-1.2 system controlled by the ECLATS controller

-1.4
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 méthodologie pour approximer une loi de
time (s)
commande complexe et avancée dont
Fig. 3. Etats du système contrôlé par le TSCMI
l’efficacité repose sur l’inversion matricielle.
(ligne pleine) et l’ECLATS (pointillés)
Une loi de commande qui, grâce à un
observateur, évite l’inversion matricielle a été
Par conséquent, l’estimation de l’état est
développée. En effet, l’intérêt principal d’une
précise est converge vers zéro, ceci implique
telle loi est de minimiser le nombre
que la structure de l’ECLATS est capable
d’opérations, particulièrement pour les
d’approximer l’inversion matricielle.
applications temps réel pour lesquelles les
ressources sont limitées. L’efficacité du Lendek, Z., Lauber, J., Guerra, T.-M., 2013. Periodic
contrôleur a été montrée en simulation sur un Lyapunov functions for periodic TS systems.
Systems & Control Letters 62, 303–310.
exemple classique de la littérature, où un Lendek, Z., Raica, P., Lauber, J., Guerra, T.M., 2016.
comportement très similaire au contrôleur Finding a stabilising switching law for
original est obtenu. Les futurs travaux se switching nonlinear models. International
concentreront sur l’analyse de la stabilité de la Journal of Systems Science 47, 2762–2772.
boucle fermée complète et sur une Mozelli, L.A., Palhares, R.M., Mendes, E.M.A.M.,
2010. Equivalent techniques, extra
comparaison avec d’autres méthodes comparisons and less conservative control
équivalentes à celle proposée. design for Takagi–Sugeno (TS) fuzzy systems.
IET Control Theory & Applications 4, 2813–
6 Remerciements 2822.
Nguyen, A., Laurain, T., Lauber, J., Sentouh, C.,
Popieul, J.-C., 2015. Non-quadratic approach
Cette recherche est sponsorisé par le Campus for control design of constrained Takagi-
International en Sûreté et Intermodalité dans Sugeno fuzzy systems subject to persistent
les Transports, la Région Nord-Pas-de-Calais- disturbances, in: IEEE International
Picardie, la Communauté Européenne, la Conference on Fuzzy Systems (FUZZ-IEEE).
IEEE, pp. 1–6.
Délégation Régionale pour la Recherche et la Takagi, T., Sugeno, M., 1985. Fuzzy identification of
Technologie, le Ministère de l’Education systems and its applications to modeling and
Supérieure et de la Recherche et le Centre control. IEEE Transactions on Systems, Man,
National pour la Recherche Scientifique. and Cybernetics 116–132.
Tanaka, K., Sano, M., 1994. A robust stabilization
Références problem of fuzzy control systems and its
application to backing up control of a truck-
Bouarar, T., Guelton, K., Manamanni, N., 2010. Robust trailer. IEEE Transactions on Fuzzy Systems 2,
fuzzy Lyapunov stabilization for uncertain and 119–134.
disturbed Takagi–Sugeno descriptors. ISA Taniguchi, T., Tanaka, K., Ohtake, H., Wang, H.O.,
Transactions 49, 447–461. 2001. Model construction, rule reduction, and
Bouarar, T., Guelton, K., Manamanni, N., 2009. Static robust compensation for generalized form of
output feedback controller design for Takagi- Takagi-Sugeno fuzzy systems. IEEE
Sugeno systems-a fuzzy Lyapunov LMI Transactions on Fuzzy Systems 9, 525–538.
approach, in: IEEE Conference on Decision Tuan, H.D., Apkarian, P., Narikiyo, T., Yamamoto, Y.,
and Control / Chinese Control Conference 2001. Parameterized linear matrix inequality
(CDC/CCC). IEEE, pp. 4150–4155. techniques in fuzzy control system design.
Boyd, S., El Ghaoui, L., Feron, E., Balakrishnan, V., IEEE Transactions on Fuzzy Systems 9, 324–
1994. Linear matrix inequalities in system and 332.
control theory. SIAM. Wang, H.O., Tanaka, K., Griffin, M.F., 1996. An
De Oliveira, M.C., Skelton, R.E., 2001. Stability tests approach to fuzzy control of nonlinear systems:
for constrained linear systems, in: Perspectives stability and design issues. IEEE Transactions
in Robust Control. Springer, pp. 241–257. on Fuzzy Systems 4, 14–23.
Ding, B., Sun, H., Yang, P., 2006. Further studies on Xie, X., Ma, H., Zhao, Y., Ding, D.-W., Wang, Y.,
LMI-based relaxed stabilization conditions for 2013. Control Synthesis of Discrete-Time T-S
nonlinear systems in Takagi–Sugeno’s form. Fuzzy Systems Based on a Novel Non-PDC
Automatica 42, 503–508. Control Scheme. IEEE Transactions on Fuzzy
Guerra, T.M., Bernal, M., Guelton, K., Labiod, S., 2012. Systems 21, 147–157.
Non-quadratic local stabilization for
continuous-time Takagi–Sugeno models.
Fuzzy Sets and Systems 201, 40–54.
Guerra, T.M., Vermeiren, L., 2004. LMI-based relaxed
nonquadratic stabilization conditions for
nonlinear systems in the Takagi–Sugeno’s
form. Automatica 40, 823–829.
Lendek, Z., Guerra, T.M., Lauber, J., 2015. Controller
Design for TS Models Using Delayed
Nonquadratic Lyapunov Functions. IEEE
Transactions on Cybernetics 45, 439–450.

View publication stats