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
l’inversion matricielle dans les contrôleurs avancés
basés sur la représentation Takagi-Sugeno, comme la
plupart des contrôleurs non-PDC (Parallel Distributed
Compensation). Ces contrôleurs sont difficiles à utiliser
dans des ordinateurs embarqués qui ont des
performances limitées dues aux ressources
technologiques. L’originalité de la méthode proposée
est d’utiliser un observateur pour approximer l’inversion
de la matrice floue. Grâce à un tel observateur, le
contrôleur avancé peut être approximé à la fois en phase
transitoire et permanente. Par conséquent, une nouvelle
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
un modèle Takagi-Sugeno. Ce contrôleur ECLATS,
conçu en utilisant l’analyse de la stabilité de Lyapunov
et la formation LMI, peut fournir des performances
similaires aux contrôleurs flous avancés, mais sans
aucune inversion matricielle. Des exemples numériques
illustrent l’efficacité de la méthode proposée.
Mots-clés :
Contrôle à base de modèle Takagi-Sugeno;
équivalence d’inversion de matrice floue; contrôleur
basé sur une estimation; observateur flou.
Abstract:
This paper aims to manage the problem of matrix
inversion in advanced Takagi-Sugeno-based controllers
such as most of the non-Parallel Distributed
Compensation. These controllers are difficult to use in
embedded computers that have limited performances
due to technologic resources. The originality of the
proposed method is to use an observer for
approximating the fuzzy matrix inversion. Thanks to
such an observer, the advanced controller can be
Consequently, an Estimation-based Control Law for
Approximating Takagi-Sugeno-based (ECLATS)
controller is developed using Lyapunov stability
analysis and Linear Matrix Inequalities formulation.
This ECLATS controller can provide similar
performances than the advanced fuzzy ones, but without
any matrix inversion. Numerical examples prove the
efficiency of the estimation by comparison.
Keywords:
Takagi-Sugeno model-based control; fuzzy matrix
inversion equivalence; estimation-based controller;
fuzzy observer.
1 Instructions générales
La représentation de type Takagi-Sugeno (TS)
développée dans (Takagi and Sugeno, 1985) et
appliquée au contrôle-commande par (Wang et
al., 1996) propose de gérer les non-linéarités
d’un système en utilisant une combinaison de
plusieurs modèles linéaires connectés
ensemble via des fonctions non-linéaires. Dans
son domaine de validité, le modèle TS est une
représentation exacte du comportement non-
linéaire du système réel comme décrit dans
(Taniguchi et al., 2001).
Des outils efficaces permettent d’étudier la
stabilité, la stabilisation et l’observation de ces
modèles TS. En particulier, la méthodologie de
Lyapunov est majoritairement utilisée menant
à une mise sous forme d’un problème
d’Inégalité Matricielle Linéaire (LMI en
anglais) comme présenté dans (Boyd et al.,
1994). Un des points clés dans la réduction du
conservatisme est le choix de la fonction de
Lyapunov. Par exemple, (Guerra and
Vermeiren, 2004) prouve dans leur papier
qu’une fonction de Lyapunov non-quadratique
peut offrir plus de solutions au problème LMI
qu’une quadratique. Leur étude concerne
principalement le discret même s’ils ont
travaillé plus tard sur l’aspect continu dans
(Guerra et al., 2012).
Dans le papier de 2004, les auteurs proposent
également de comparer les contrôleurs PDC et
non-PDC. La Compensation à Distribution
Parallèle (PDC) a été développée par (Wang et
al., 1996) et consiste en un retour d’état dont le
gain est rendu flou par l’utilisation des mêmes
fonctions non-linéaires que dans le modèle TS.
Parmi les non-PDC, le contrôleur TS avec
inversion matricielle (TS-CMI en anglais)
offre, d’après (Guerra and Vermeiren, 2004),
de meilleurs performances et, dans certaines
configurations, il est le seul contrôleur capable
de stabiliser le système ne boucle fermée. Par
conséquent, le TS-CMI est un contrôleur flou
avancé et efficace massivement utilisé dans la
littérature.
Les auteurs de (Ding et al., 2006, p. 200) ont
réalisé une extension des travaux de (Guerra
and Vermeiren, 2004). Le TS-CMI peut être
utilisé comme un retour d’état ou de sortie,
comme le retour de sortie statique présenté
dans (Bouarar et al., 2009) pour stabiliser un
système non-linéaire sous forme descripteur.
Les conditions ont été améliorées avec une
contrainte H  et une analyse de la robustesse
dans (Bouarar et al., 2010). Dans la mesure où
le problème principal est le conservatisme de
l’approche LMI, de nombreux papiers se
concentrent sur sa réduction en développant de
nouvelles relaxations comme les travaux de
(Mozelli et al., 2010) basé sur le lemme de
Finsler et où un TS-CMI est appliqué à un
système descripteur. La structure du non-PDC
a été amélioré, par exemple dans le domaine
discret avec les travaux de (Xie et al., 2013, p.
201). Les papiers (Lendek et al., 2016, 2015,
2013) s’intéressent au développement de
contrôleurs périodiques pour des systèmes
périodiques discrets, basés sur des fonctions de
Lyapunov switchées ou non-quadratiques
retardées.
La revue de littérature souligne le fait que le
TS-CMI et, plus généralement, sa structure, a
été la base d’un nombre important d’avancées
récentes en contrôle et observation non-
linéaire. Cependant, cette méthode requiert le
calcul de l’inverse d’une matrice variant à
chaque temps d’échantillonnage. Dans le
contexte de l’embarqué et dans le cas de
matrices de grande taille, un compromis doit
parfois être trouvé.
Ce papier propose une méthode pour
concevoir une nouvelle loi de commande qui a
des performances similaires au TS-CMI mais
qui évite l’inversion matricielle. Construite sur
la base d’un observateur à entrées inconnues,
cette loi de commande, appelée ECLATS
(Estimation-based Control Law for
Approximating Takagi-Sugeno-based
controller), peut être facilement embarquée et
ne nécessite pas d’inversion. Visant le champ
applicatif, le domaine discret est choisi pour la
conception de cette nouvelle loi de commande.
Cet article se décline en quatre parties. Tout
d’abord, quelques résultats préliminaires sont
présentés. Ensuite, la méthode pour construire
l’observateur et la loi de commande ECLATS
est détaillée. Enfin, des exemples numériques
soulignent l’équivalence des performances
entre celles du TS-CMI et celles de
l’ECLATS.
2 Préliminaires
2.1 Notation
Dans le but de faciliter l’écriture et la lecture
de ce papier, la notation suivante est adoptée
tout au long de ce travail : Y A, B, C, F , H 
r
dim  Ai   n , Yz   hi  z  t   Yi ,
i 1
r
Yz    hi  z  t  1  Yi et
i 1
 r validité du modèle (défini par les bornes des
Yzz   hi  z  t   h j  z  t   Yij .
i 1
2.2 Exemple de la littérature
Afin de prouver à quel point la structure non-
PDC est importante pour la recherche en
contrôle commande, démarrons avec un
exemple numérique venant du travail de
(Guerra and Vermeiren, 2004) qui a été utilisé
dans de nombreux papiers pour la comparaison
de contrôleurs comme (Nguyen et al., 2015) :
 1   5   
A1    , B1    comme le contrôle des moteurs à combustion
 1 0.5  2 
(1)
1   5   
A2    , B2   2  
 1 0.5  
Ce système non-linéaire est dépendant du
terme  . Par conséquent, il peut être écrit
comme un modèle Takagi-Sugeno, combinant
deux modèles linéaires (1) avec les fonctions
non-linéaires d’appartenance hi telles que :
r
x  k  1   hi  z  k    Ai x  k   Bi u  k   (2)
i 1
La représentation Takagi-Sugeno est donc une
représentation exacte du système non-linéaire.
Les non-linéarités sont définies dans un
ensemble de valeurs données composant les
sommets du polytope (minimum et maximum
des valeurs admissibles). Les modèles linéaires
correspondent aux sous-systèmes sur chacun
des sommets (dans notre cas, A1 correspond à
la matrice A avec la non-linéarité fixée à sa
valeur minimum, et A2 à sa valeur max). Le
modèle Takagi-Sugeno est également composé
des fonctions d’appartenance hi  z  k   qui
portent le caractère non-linéaire et doivent
vérifier la propriété de somme convexe :
r
 h  z k   1
i 1
i et i, hi  0 . Ainsi, le
système flou est une combinaison de plusieurs
modèles linéaires reliés entre eux par des
fonctions de pondération prenant des valeurs
entre 0 et 1, ce qui permet plus de flexibilité
que l’automatique classique, en plus de fournir
une représentation exacte du système non-
linéaire tant que l’on reste dans le domaine de
non-linéarités). De plus, dans le papier
précédemment cité (Guerra and Vermeiren,
2004), ils prouvent que, pour un   1.36
donné, seulement un contrôleur TS-CMI,
associé à une fonction de Lyapunov non-
quadratique, peut fournir une entrée u  k 
permettant à la boucle fermée d’être stable.
Ainsi, l’utilisation de ce contrôleur flou avancé
est nécessaire même pour un système de
matrices 2-2 avec une non-linéarité.
Egalement, dans des systèmes plus complexes
interne, les contrôleurs classiques PI et PDC
ne sont pas capable de stabiliser le système
d’air; par conséquent, même si le TS-CMI
implique des inversions matricielles qui sont
difficilement implémentables par des Unités
de Contrôle Electroniques (ECU en anglais), il
reste cependant nécessaire. Un compromis
subsiste pour trouver une nouvelle loi de
commande avec des performances similaires
au contrôleur TS-CMI, mais sans l’inversion
matricielle.
2.3 Obtenir les gains du TS-CMI
Afin de concevoir notre contrôleur ECLATS
(Estimation-based Control Law for
Approximating Takagi-Sugeno-based
controller), il faut d’abord connaître les gains
du TS-CMI. Pour les obtenir, ce papier se
repose principalement sur les travaux
précédents de (Guerra and Vermeiren, 2004).
Considérons la loi de commande TS-CMI
suivante :
u  k    Fz H z1 x (3)
Le problème de l’inversion matricielle
concerne principalement le produit de chaque
matrice H i avec les fonctions d’appartenance
hi qui doit être inversé à chaque coup
d’échantillonnage, car les fonctions
d’appartenance dépendent de l’état du système
qui change régulièrement. C’est pourquoi
l’inversion matricielle ne peut pas être réalisée
hors-ligne ; elle doit être calculée par le
contrôleur embarqué.
Afin de trouver les gains Fi et H i , la méthode
de Lyapunov pour la stabilité et la stabilisation
est appliquée. Les auteurs de (Guerra and
Vermeiren, 2004) ont comparé les différences
en terme de conservatisme et de performance
entre les fonctions de Lyapunov quadratiques
et non-quadratiques. Il apparaît que la fonction
de Lyapunov non-quadratique offre de
meilleurs résultats, même si elle implique que
les gains H i soient inversés :
V  t   xT H zT Pz H z1x , i, Pi  Pi T  0 (4)
L’analyse de la stabilité au sens de Lyapunov
mène à une formulation LMI qui peut être
résolue par LMI Toolbox de Matlab.
Considérons la quantité suivante :
 Pi ()  gauche, considérons la matrice floue H z 
ijk    (5)
 Ai H j  Bi F j H k  H k  Pk 
T
Avec (*) le symétrique du terme anti diagonal.
Le problème de stabilisation à résoudre pour
trouver les gains du contrôleur mène aux
conditions LMI suivantes (Guerra and
Vermeiren, 2004) :
iik  0,  i, k   1 r (6)
2 k
ii  ijk  kji  0,   i, j, k   1 r, i  j (7)
r 1
Remarque 1: Plusieurs relaxations existent
pour réduire le conservatisme des conditions
sans ajouter de variables de relaxations : (Tuan
et al., 2001) surpasse les conditions de
(Tanaka and Sano, 1994) et mène à un bon
compromis entre complexité et conservatisme.
3 Contributions principales
3.1 Variable estimée
Cette section présente une nouvelle
méthodologie pour éviter l’inversion
matricielle du contrôleur TS-CMI. La première
étape de cette méthode est d’obtenir les gains
en résolvant hors-ligne le problème LMI (5).
Ensuite, une loi de commande basée sur une
estimation (ECLATS) peut être conçue, en
utilisant les résultats précédents. Tout d’abord,
définissons la loi de commande TS-CMI avec
la notation suivante :
u  k    Fz H z1 x  k  (8)
Introduisons maintenant une nouvelle variable,
 qui est celle qui doit être estimée par le
contrôleur ECLATS. Par conséquent, puisque
l’objectif est d’estimer l’inversion matricielle,
cette variable et la loi de commande sont
définies comme suit :
  k   H z1x  k  (9)
u  k    Fz  k  (10)
Dans la représentation d’état classique (2),
l’état peut être exprimé par cette nouvelle
variable  :
H z   k  1   Az H z  Bz Fz    k  (11)
Afin d’éviter d’inverser la matrice du terme de
comme une matrice constante plus une
incertitude : H z   H0  H . Par conséquent,
(11) peut être écrite comme :
  k  1 
(12)
H 01   Az H z  Bz Fz    k   H   k  1 
La matrice constante H 0 correspond à la
r
matrice h H i i où les valeurs des fonctions
i 1
d’appartenance sont définies telles que le
vecteur d’état x est égal à zéro. Le terme
connecté à l’incertitude est considéré comme
une perturbation : w k   H  k  1 . Par
conséquent, le système (12) peut être écrit sous
sa forme finale :
  k  1  H 01   Az H z  Bz Fz    k   w  k   (13)
3.2 Nouvelle loi de commande
L’objectif de cette sous-section est de
présenter la nouvelle loi de commande u . Le
contrôleur ECLATS s’appuie sur une structure
d’observateur afin d’approximer la variable  .
Posons les équations de l’observateur et du
contrôleur ECLATS suivantes :
ˆ  k  1  H 01  Az H z  Bz Fz  ˆ  k 
 K z  y  k   yˆ  k  
u   Fzˆ (14)
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
fonction de Lyapunov peut être accrue en
ajoutant un paramètre réglable, le taux de
convergence, tel que :
V  V  k  (19)
Egalement, la perturbation w  k  est gérée via
une norme H  telle qu’il existe un scalaire 
vérifiant que le ratio erreur – perturbation soit
borné par :
e k    w k  (20)
L’analyse de la stabilité de Lyapunov déclare
la boucle fermée stable si la condition suivante
est vérifiée, en prenant en compte la norme
H :
V  V  k   e  k  e  k    w  k  w  k   0 (21)
T T
réglable,  est un paramètre qui doit être
minimisé et P , M 2 et K z sont les variables
inconnues. Le produit M 2  Kz rend
l’inégalité précédente bilinéaire, c’est la raison
pour laquelle un changement de variable
bijectif est introduit : Wz  M 2 Kz .
Théorème 1 (Tuan et al., 2001): Considérant
le système flou TS (2) contrôlé par la loi de
commande non-PDC (10), soit le taux de
convergence 2 , l’erreur d’estimation de
l’observateur défini en (14) converge vers zéro
s’il existe un scalaire  , une matrice
symétrique et définie positive P  nn , des
matrices M 2  nn , et Wz  nn tels que les
conditions LMI suivantes soient vérifiées :

ii  0, i  1 r (25)
2
ii  ij   ji  0,   i, j   1 r, i  j (26)
r 1
Avec la quantité suivante :
  2 P  I   
 
ij   M 2 H 0 Sij  Wi H j P  M 2  M 2  
1 T H0  0.5  H1  0.5  H2
 0 H 0T M 2T  I 
Si l’erreur d’estimation converge vers zéro,
cela implique que ˆ    H z1 x . Par
conséquent, vérifier le théorème 1 assure que
le contrôle ECLATS (14) basé sur un
observateur approxime le contrôleur TSCMI
(8) et l’approximation tend à être parfaite.
Remarque 2: La stabilité de l’ensemble de la
boucle fermée (contrôleur + observateur) n’a
pas été étudiée ici. Ce point sera considéré
dans les travaux à venir, l’objectif de ce papier
est de montrer la faisabilité de la nouvelle
approche proposée. Dans la prochaine section,
un exemple est présenté afin d’illustrer la
faisabilité sur un système simulé.
4 Exemples numériques
Afin de prouver l’efficacité du contrôleur
ECLATS, voici des résultats de simulation
basé sur l’exemple numérique détaillé dans
(Guerra and Vermeiren, 2004) avec le système
décris en (1). Le paramètre réglable est choisi
tel que   1.5 et, afin de réaliser la
simulation, les fonctions d’appartenance sont
choisies telles que :
x 
h1  x1   1 , h2  x1   1  h1  x1  (27)
2
Où x1 est saturé entre   et  . La première
étape de la méthodologie est d’obtenir les
gains du contrôleur TSCMI (avec inversion
Avec ces gains, il est désormais possible
d’avoir la constante H 0 telle que :
(29)
Ensuite, la seconde étape est de trouver une
solution au problème LMI défini dans le
Théorème 1 afin d’obtenir les gains de
l’ECLATS. Après avoir choisi le taux de
convergence à 2  0.3 dans le but d’assurer
la convergence rapide de l’erreur d’estimation,
les gains suivants sont obtenus :
 0.0083 0.0008
K1   
 0.0271 0.0028
(30)
 0.0018 0.0061
K2   
 0.0065 0.0007 
La stabilité de la boucle fermée est garantie
par la matrice de Lyapunov fournie par les
conditions LMI :
 33.1931 15.7856
P  (31)
 15.7856 34.9992 
De plus, la perturbation est réduite par la
norme H  avec le coefficient   0.0673 .
Vérifions désormais que la structure ECLATS
peut approximer la loi de commande non-
PDC. Les deux contrôleurs sont développés
dans le cadre de la situation (avec un temps
d’échantillonnage de Te  0.5s ) et ils sont
comparés afin de valider que l’observateur
estime la variable  définie en (9). Comparons
dans un premier temps les commandes
fournies par le contrôleur TSCMI (en bleu sur
la Figure 1) et l’ECLATS (en vert) :
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
contrôleur a été montrée en simulation sur un
exemple classique de la littérature, où un
comportement très similaire au contrôleur
original est obtenu. Les futurs travaux se
concentreront sur l’analyse de la stabilité de la
boucle fermée complète et sur une
comparaison avec d’autres méthodes
équivalentes à celle proposée.
6 Remerciements
Cette recherche est sponsorisé par le Campus
International en Sûreté et Intermodalité dans
les Transports, la Région Nord-Pas-de-Calais-
Picardie, la Communauté Européenne, la
Délégation Régionale pour la Recherche et la
Technologie, le Ministère de l’Education
Supérieure et de la Recherche et le Centre
National pour la Recherche Scientifique.
Références
Bouarar, T., Guelton, K., Manamanni, N., 2010. Robust
fuzzy Lyapunov stabilization for uncertain and
disturbed Takagi–Sugeno descriptors. ISA
Transactions 49, 447–461.
Bouarar, T., Guelton, K., Manamanni, N., 2009. Static
output feedback controller design for Takagi-
Sugeno systems-a fuzzy Lyapunov LMI
approach, in: IEEE Conference on Decision
and Control / Chinese Control Conference
(CDC/CCC). IEEE, pp. 4150–4155.
Boyd, S., El Ghaoui, L., Feron, E., Balakrishnan, V.,
1994. Linear matrix inequalities in system and
control theory. SIAM.
De Oliveira, M.C., Skelton, R.E., 2001. Stability tests
for constrained linear systems, in: Perspectives
in Robust Control. Springer, pp. 241–257.
Ding, B., Sun, H., Yang, P., 2006. Further studies on
LMI-based relaxed stabilization conditions for
nonlinear systems in Takagi–Sugeno’s form.
Automatica 42, 503–508.
Guerra, T.M., Bernal, M., Guelton, K., Labiod, S., 2012.
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
Lendek, Z., Lauber, J., Guerra, T.-M., 2013. Periodic
Lyapunov functions for periodic TS systems.
Systems & Control Letters 62, 303–310.
Lendek, Z., Raica, P., Lauber, J., Guerra, T.M., 2016.
Finding a stabilising switching law for
switching nonlinear models. International
Journal of Systems Science 47, 2762–2772.
Mozelli, L.A., Palhares, R.M., Mendes, E.M.A.M.,
2010. Equivalent techniques, extra
comparisons and less conservative control
design for Takagi–Sugeno (TS) fuzzy systems.
IET Control Theory & Applications 4, 2813–
2822.
Nguyen, A., Laurain, T., Lauber, J., Sentouh, C.,
Popieul, J.-C., 2015. Non-quadratic approach
for control design of constrained Takagi-
Sugeno fuzzy systems subject to persistent
disturbances, in: IEEE International
Conference on Fuzzy Systems (FUZZ-IEEE).
IEEE, pp. 1–6.
Takagi, T., Sugeno, M., 1985. Fuzzy identification of
systems and its applications to modeling and
control. IEEE Transactions on Systems, Man,
and Cybernetics 116–132.
Tanaka, K., Sano, M., 1994. A robust stabilization
problem of fuzzy control systems and its
application to backing up control of a truck-
trailer. IEEE Transactions on Fuzzy Systems 2,
119–134.
Taniguchi, T., Tanaka, K., Ohtake, H., Wang, H.O.,
2001. Model construction, rule reduction, and
robust compensation for generalized form of
Takagi-Sugeno fuzzy systems. IEEE
Transactions on Fuzzy Systems 9, 525–538.
Tuan, H.D., Apkarian, P., Narikiyo, T., Yamamoto, Y.,
2001. Parameterized linear matrix inequality
techniques in fuzzy control system design.
IEEE Transactions on Fuzzy Systems 9, 324–
332.
Wang, H.O., Tanaka, K., Griffin, M.F., 1996. An
approach to fuzzy control of nonlinear systems:
stability and design issues. IEEE Transactions
on Fuzzy Systems 4, 14–23.
Xie, X., Ma, H., Zhao, Y., Ding, D.-W., Wang, Y.,
2013. Control Synthesis of Discrete-Time T-S
Fuzzy Systems Based on a Novel Non-PDC
Control Scheme. IEEE Transactions on Fuzzy
Systems 21, 147–157.