Académique Documents
Professionnel Documents
Culture Documents
net/publication/311419522
CITATIONS READS
0 326
3 authors:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Thomas Laurain on 05 December 2016.
{thomas.laurain, jimmy.lauber}@univ-valenciennes.fr
palhares@cpdee.ufmg.br
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 z1 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 z1x k (9)
meilleurs résultats, même si elle implique que
les gains H i soient inversés : u k Fz k (10)
V t xT H zT Pz H z1x , 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
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 01 Az H z Bz Fz K z H z I H 01 .
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 01 Az H z Bz Fz k H 01w k 2 P I
(15)
H 01 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 zˆ k . Par conséquent, (15) peut être telle que l’inégalité suivante est vérifiée :
réécrite : Q MR RT M T 0 (23)
e k 1 H01 Az H z Bz Fz e k H 01w 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 0T M 2T I
0
fonction de Lyapunov quadratique :
(24)
V k e k Pe k , P P T 0 (17)
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 0T 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 z1 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
-0.04
choisi : -0.06
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)
-2
-4 0.02
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
-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.