Chapitre 1-2-3 Commande Flou PDF

École Nationale d’Ingénieurs de Sousse ENISO
Chapitre 1 : Introduction à la notion de Flou
1.1 Le comportement de l’être humain tolère l’impression
Le mode de pensée d’un être humain est généralement fondé sur un raisonnement empirique,
où l’analogie et l’intuition jouent un rôle prépondérant.
En effet, nos sens et notre jugement ne nous permettent d’évaluer certains grandeurs que de
manière imprécise ou vague, par exemple:
La température de l’eau de notre baignoire nous apparaître assez chaude ou très froide,
ou comprise dans un certain intervalle de température, sans que nous puissions donner
directement une valeur exacte de cette température.
ENISO 2020-2021
Le schéma simplifié de ce type de raisonnement peut être représenté par la figure 1.
Information
Expérience
extérieurs
antérieure
Raisonnement
humain
Décision
Figure 1: structure du raisonnement humain

ENISO 2020-2021
Exemple 1
Le conducteur circulant sur autoroute voit les voitures devant lui ralentir à une certaine
distance de sa voiture. Si la distance de sécurité est importante, il freine légèrement, si les
voitures le précédant gardent la même allure, il fait de même. Si elles freinent brusquement,
son action sur le frein sera d’autant plus importante que la distance sera réduite.
L’usager classe la distance selon plusieurs critères: courte, grande, moyenne et évalue la
Pertinence de chacun des critères en fonction desquels il dosera son action sur le frein.
Les loi de commande entrant en jeu font intervenir des règles simple du type:
Si, alors
ENISO 2020-2021
Exemple 2
Toute personne est capable d’évaluer le fait qu’un couleur soit rouge. Pourtant, le spectre
De longueur d’onde pour lequel une couleur sera perçue comme rouge par un être humain
est fort imprécis.
A une longueur d’onde de 650nm, c’est-à-dire rouge vermillon, tout le monde affirme que
cette couleur est rouge.
Par contre à 605nm, soit pour une couleur rouge orangé, la personne à laquelle vous posez
La question ne sait pas plus distinguer entre le rouge et l’orange. Elle vous affirme que la
couleur est plutôt rouge.
Si vous poussez l’investigation, la personne tranche sur 70% de rouge et 30% de orange. C’est
Ce coefficient de 70% attribué au prédicat rouge qui caractérise une fonction d’appartenance
à un prédicat imprécis .
On dit que 70% est le degré d’appartenance de la longueur d’onde  = 605 nm au sous-
ensemble flou ‘’couleur rouge ’’
ENISO 2020-2021
Remarques
- l’aspect flou provient de l’estimation de la variable ou du terme employé pour la décrire,

par exemple:
La température est comprise entre 200°C et 240°C, ce qui est une connaissance imprécise, ou la
température est plutôt fraiche, ce qui correspond à une connaissance incertaine;
- Cette notion permet aussi de passer graduellement d’un prédicat à l’autre, donc de rouge à
orange. Elle permet de faire ainsi des passages d’un modèle de représentation à un autre de
façon douce ;
- Tout le problème de la logique floue va âtre l’expertise qui permet de déterminer les bonnes
règles de commande: par exemple freiner lorsque la distance diminue;
- L’intelligence artificielle ne permet qu’une prise de décision à choisir entre un nombre limité
de possibilités, par exemple de décider de freiner ou d’accélérer. Elle ne permet pas une
graduation entre ces deux possibilités, c’est-à-dire de définir correctement l’action de
freinage en fonction de la distance;
ENISO 2020-2021
- Le concept de flou n’est pas relié à la notion de probabilité. La probabilité est un concept
statistique, qui introduit une notion de risque , d’erreur, alors que notre raisonnement
s’appuie sur l’expérience d’un expert, qui donne un degré de confiance permettant de
nuancer son jugement.
1.2 La logique flou :de la théorie à l’application
Les prémisses de la logique flou sont apparues avant les années 1940. En 1965 L.A Zadeh
professeur à l’université de Berkeleg en Californie a contribué à la modélisation de
phénomène sous forme floue, en vue de palier les limitations dues aux incertitudes des
modèles classique à équations différentielles. En 1974, M. Mandani expérimentait la théorie
énoncée par Zadeh sur une chaudière à vapeur.
Grace au chercheur japonais M. Sugeno, la logique floue était introduite au Japon dès1985.
Les sociétés japonaises comprirent l’avantage à la fois technique et commercial de la logique
floue:
- Facilité d’implémentation
- Solution de problèmes multi-variables complexe
- Robustesse vis-à-vis des incertitudes
- Possibilité d’intégration du savoir de l’expert
ENISO 2020-2021
En réalité, l’intérêt pour la logique floue est dû au développement de ses applications
au Japon:
• Régulation d’appareils de grande consommation : machine à laver, métro;

• Processus industriels: tunneliers, contrôle du débit et de température de l’eau, fours de
verrerie;
• Mise au point automatique pour des appareils photo
1.3 Exemple introductif
Considérons une personne désirant compléter le niveau d’un réservoir contenant de l’eau à
une température donnée de façon à remplir ce réservoir d’eau à une température souhaitée
T à l’aide d’un mitigeur.
Dans un premier temps, nous considérons trois températures possibles de l’eau d’alimentation:
froid F, chaude c et tiède T. L’eau du réservoir pourra âtre appréciée comme froide, tiède ou
Chaude avec une certaine marge d’incertitude si on ne dispose pas d’appareil de mesure de
température.
Si on dispose pas d’autre information, la commande du mitigeur sera simple:

• Si l’eau du réservoir est froide: mettre de l’eau chaude
• Si l’eau du réservoir est tiède : mettre de l’eau tiède
• Si l’eau du réservoir est chaude : mettre de l’eau froide
ENISO 2020-2021
Sans appareil de mesure précis on peut être donner une information plus nuancée, telle que
tiède et plutôt chaud et également définir des intervalles de température pour lesquels il n’y
a pas d’incertitude comme: l’eau est nettement chaude ou réellement froide et des zones
pour lesquelles on peut hésiter.
Dans ce cas on peut définir une quantification, éventuellement grossière, du degré
d’appartenance () à l’une des classes ‘tiède’, ‘chaude’ ou ‘froid’. La valeur ()=1
correspond à une appartenance 100% et 0 à la non appartenance.
Fonction d’appartenance ()
froid tiède chaude

1
Température
F 1 FT T Tc 2 c
Figure 2: exemple de répartition des zones de températures en trois classe
ENISO 2020-2021
froid tiède chaude

1
Température
F 1 FT T Tc 2 c
Figure 2: exemple de répartition des zones de températures en trois classe
Ainsi:
• Pour  = T, l’eau est tiède

• Pour  < 1, l’eau est froide
• Pour  > 2, l’eau est chaude
• Pour   [ 1 FT] , on hésite entre froid et tiède
• Pour   [ Tc 2] , on hésite entre tiède et chaude
ENISO 2020-2021
Si l’on est maintenant capable de faire une mesure, même imprécise de la valeur R de la
Température de l’eau de réservoir, il faut pouvoir en déduire une valeur de la température
d’alimentation.
Notons: F, T et c les degrés d’appartenance aux classes respectives: ‘Froid’, ‘Tiède’ et
‘Chaude’
froid tiède chaude

1
F
T Température
C 0 1 FT 2
F R T Tc c
Figure 3: Estimation des possibilités d’appartenance
ENISO 2020-2021
Une méthode possible de détermination de la valeur à choisir pour la température est de faire
le barycentre des températures d’alimentation associées à chaque classe, les coefficients de
pondération étant les degrés d’appartenance à chaque classe envisagée.
𝜇𝐹.𝜃𝑐+𝜇𝑇.𝜃𝑇+𝜇𝑐.𝜃𝐹
𝜃𝐴 = (1)
𝜇𝐹+𝜇𝑇+𝜇𝑐
Dans l’exemple de la figure 3, comme 𝜇𝑐 =0
𝜇𝐹.𝜃𝑐+𝜇𝑇.𝜃𝑇
𝜃𝐴 = 𝜇𝐹+𝜇𝑇
(2)
L’eau d’alimentation devant être choisie un peu tiède et plutôt chaude

ENISO 2020-2021
Une autre approche pourrait être d’associer aux classes d’appartenance des températures du
Réservoir des classes d’appartenance des températures de l’eau d’alimentation au lieu de
températures précises, et de définir une règle associant les deux ensembles de classes
d’appartenance.
Par exemple, on peut prendre les surfaces Sc, SF et ST des trapèzes associés aux c, F et T
dont sont sur l’axe A (température de l’eau d’alimentation) et dont les hauteurs sont
respectivement c, F et T
Rappelons qu’à une eau de réservoir ‘froide’ nous associons une eau d’alimentation ‘chaude’.
ENISO 2020-2021
1 1
F
Sc
T
C 0 0
F R T c  F T c A
1 1
F
ST
T
C 0 0
F R T c  F T c A
1 1
F
T SF = 0
C 0 0
F R T c  F T c A
Figure 4: classes d’appartenance des températures d’eau et détermination

des surfaces
La température de l’eau d’alimentation peut être alors choisie égale au barycentre des
températures c, F et T coefficientées par les surfaces Sc, SF et ST.
𝑆𝑐.𝜃𝑐+𝑆𝑇.𝜃𝑇+𝑆𝐹.𝜃𝐹
𝜃𝐴 = 𝑆𝐹+𝑆𝑇+𝑆𝑐
(3)
Soit ici puisque SF=0
𝑆𝑐.𝜃𝑐+𝑆𝑇.𝜃𝑇
𝜃𝐴 = (4)
𝑆𝑇+𝑆𝑐
ENISO 2020-2021
Si on représente dans les trois cas envisagés l’évolution de A choisi en fonction de R
On obtient les règles d’évolution suivantes
A Choix de la classe d’appartenance la plus probable
c
T
F
R
0 FT
A F Tc c
Choix de la classe d’appartenance la plus probable
c
T
F
R
0 T
F 1 2 c
Figure 5: détermination de A en fonction de R

ENISO 2020-2021
On constate que la première approche donne une courbe discontinue avec trois valeurs de
A: c, T et F.
La deuxième approche permet un passage continu et linéaire par morceaux de la valeur

A= c à la valeur A= F
ENISO 2020-2021
Chapitre 2 : Les bases de la commande Flou
1 Fonction d’appartenance
On peut donner un coefficient de confiance à l’affirmation ‘ x appartient à un ensemble A’
Par exemple : le coefficient d’appréciation de l’air à la température égale à 30°C est chaude
vaut 0.7, ce qui signifie que cette température correspond à ‘plutôt chaud’.
On peut, pour tout température, donc pour tout x, définir un coefficient d’appartenance à un
ensemble. Cette propriété se présente facilement par une fonction dite d’appartenance
𝜇𝐴 𝑥 à valeurs dans [0 1]. La notation signifiant coefficient d’appartenance de x à l’ensemble
ou classe A.
De la même manière, une variable y appartiendra à une ensemble B avec une fonction
d’appartenance notée 𝜇𝐵 𝑦 . L’ensemble B désigne ‘le vent est fort’.
On peut associer x et y dans une même phrase, par exemple l’ensemble C désigne ‘ l’air est
chaud et le vent est fort’. L’ensemble C correspond à l’intersection des ensembles A et B
ENISO 2020-2021
Remarques
• Un fait certain : (x)=1

• Un fait incertain : (x)<1
𝜇𝑥𝑜 𝑥 = 1 𝑠𝑖 𝑥 = 𝑥𝑜
• Un fait singleton:
𝜇𝑥𝑜 𝑥 = 0 𝑠𝑖 𝑥 ≠ 𝑥𝑜
• Un fait incertain tel que x à peu près égale à xo aura une fonction d’appartenance en
forme de triangle
• L’affirmation x à peu près compris entre x1 et x2 correspond à une fonction

d’appartenance trapézoïdale
(x) (x) (x)
1 1 1
xo xo x1 x2
Figure 1: fonctions de possibilités pour un fait

Singleton
Incertain
certain
ENISO 2020-2021
Notons x et y les variables linguistique caractérisant

On définie:
la température de l’air et la force du vent.
A: ‘ l’air est chaud’
Les fonctions d’appartenances:
′ ′
𝜇𝐴 𝑥 : 𝑙 𝑎𝑖𝑟 𝑒𝑠𝑡 𝑐ℎ𝑎𝑢𝑑 ′
𝐴 :’l’air est froid’
′
𝜇𝐵 𝑦 : 𝑙𝑒 𝑣𝑒𝑛𝑡 𝑒𝑠𝑡 𝑓𝑜𝑟𝑡 ′
B:’le vent est fort’
′ ′
𝜇𝐸 𝑧 : 𝑙 𝑎𝑖𝑟 𝑒𝑠𝑡 𝑓𝑟𝑜𝑖𝑑 𝑒𝑡 𝑙𝑒 𝑣𝑒𝑛𝑡 𝑒𝑠𝑡 𝑓𝑜𝑟𝑡′
C:’l’air est chaud et le vent est fort’
𝜇𝑜 𝑧 : ′ 𝑙 ′ 𝑎𝑖𝑟 𝑒𝑠𝑡 𝑓𝑟𝑜𝑖𝑑 𝑜𝑢 𝑙𝑒 𝑣𝑒𝑛𝑡 𝑒𝑠𝑡𝑓𝑜𝑟𝑡 ′
E:’l’air est froid et le vent est fort’
𝜇𝐴 𝑥 : ′ 𝑙 ′ 𝑎𝑖𝑟 𝑒𝑠𝑡 𝑓𝑟𝑜𝑖𝑑 ′
O:’l’air est froid ou le vent est fort’
𝜇𝐴 𝑥 + 𝜇𝐴 𝑥 = 1
𝜇𝐸 𝑧 = min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } =𝜇𝐴 𝑥 . 𝜇𝐵 𝑦
𝜇𝑜 𝑧 = max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } = 𝜇𝐴 𝑥 + 𝜇𝐵 𝑦 -𝜇𝐴 𝑥 . 𝜇𝐵 𝑦
ENISO 2020-2021
Une représentation unifiée des fonctions ET et OU est donnée par l’équation suivante:
𝜇𝐸 𝑧 = . min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } + (1 - ). max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 }
 = 1 pour l’opérateur ET
 = 0 pour l’opérateur OU
𝜇𝐴 𝑥 𝜇𝐴 𝑥
x x
𝜇𝐵 𝑦 𝜇𝐵 𝑦
y min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } y
min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 }
z z
max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 }
w w
Figure 2 : représentation des opérateurs logique
ENISO 2020-2021
2. Univers de discours et classes d’appartenance
L’univers de discours d’une variable couvrira l’ensemble des valeurs prises par cette variable.
Par exemple l’expert pourra décrire l’univers température par un certain nombre de mots:
‘chaud’, ‘froid’, ‘tiède’ ou bien ‘très chaude’, ‘assez chaud’, ‘tiède’, ‘assez froid’, ‘très froid’.
Pour chacun de ces prédicats, on pourra donner une fonction d’appartenance. L’univers de
discours sera considéré comme le domaine de fonctionnement du processus.
Les problèmes qui peuvent se poser sont:
• Combien de prédicats sont nécessaires à la commande et comment les choisir?
• Est il nécessaire d’utiliser chaque prédicat?
Le nombre de prédicats dépend essentiellement de la manière dont l’expert peut décrire le

process et de la précision souhaitée.
Par exemple, en commande flou classique 5 prédicats : ‘grand’, ‘très grand’, ‘moyen’, ‘petit’
et ‘très petit’ est un bon compromis (dans les cas extrêmes, on peut aller jusqu’à 7
prédicats).
ENISO 2020-2021
Afin d’assurer une description continue des variables, il faut que l’intersection entre deux
prédicats consécutive est non nulle. Il est préférable d'éviter que les fonctions d’appartenance
de deux prédicats voisins simultanément égales à 1.
Très froid Froid Tempéré Chaud Très Chaud
Bonne répartition en classe température
Chevauchements insuffisants température
température
Chevauchements excessifs
Figure 3: univers de discours et répartition des prédicats
ENISO 2020-2021
3. Schéma d’une commande floue
La mise en œuvre d’une commande floue fait apparaître trois modules:
• Le premier module traite les entrés du système (valeurs réglantes). Pour chaque entrée
on définit un univers de discours, puis partitionnement de cet univers en classes et des
fonctions d’appartenances. Par exemple pression: grand, petit, faible et changement
d’écart mesure-consigne de débit de matériau sortant d’une trémie: élevé, moyen,
négatif, très négatif. La première, appelée fuzzification, consiste à attribuer à la valeur
réelle de chaque entrée, au temps t, sa fonction d’appartenance à chacune des classes
préalablement définies, donc à transformer l’entrée réelle en un sous-ensemble flou.
• Le deuxième module consiste en l’application de règles du type ‘si l’écart de

température est grand, diminuer le débit de fuel ou de gaz’. Ces règles vont permettre
de passer d’un degré d’appartenance d’une grandeur réglant au degré d’appartenance
d’une commande. Ce module est constitué d’une base de règles et d’un moteur
d’inférence qui permet le calcul
• Le troisième module décrit l’étape de défuzzification qui est la transformation inverse

de la première. il permet de passer d’un degré d’appartenance d’une commande à la
détermination de la valeur à donner à cette commande. Par exemple de baisser le débit
de fuel de la chaudière avec un degré d’appartenance de 0.8 va correspondre par
défuzzification une baisse de débit de fuel égale à 10.3 tonnes/heur
ENISO 2020-2021
Chapitre 3: Réalisation d’une commande flou
3.1 structure d’une commande floue
La structure conventionnelle d’une commande floue est présentée par la figure 1. elle est
composée de quatre blocs distincts dont les définitions sont données ci-dessous.
Base de règles
et définition
Xo Interface de Interface de Yo
fuzzification Défuzzification
Y
Mécanisme
d’inférence
Figure 1: structure d’une commande floue

ENISO 2020-2021
3.1.1 Base de règles et définitions
On regroupe dans ce bloc l’ensemble des définitions utilisées dans la commande floue:
• Univers de discours
• Partition flou
• Choix des opérateurs
• La base des règles
a) Partition flou
La partition floue d’un univers de discours U consiste à définir n sous-ensembles flous Fi de

façon à recouvrir U.
C’est-à-dire, pour tout élément x de U, il faut assurer une appartenance minimale  à l’union
Fi
𝑛
𝐹𝑖 ⊇ 𝑈𝜀 = 𝑥 ∈ 𝑈; 𝜇𝑈𝜖 (𝑥) (1)

𝑖=1
ENISO 2020-2021
La condition (1) se traduit au niveau des fonctions d’appartenance par la condition:
∀ 𝑥 ∈ 𝑈; 𝜇𝐹1 𝑥 ⋁ 𝜇𝐹2 𝑥 … . ⋁ 𝜇𝐹𝑛 𝑥 ≥ 𝜀 (2)
Où V est un opérateur d’union (appelé également ou)
Par exemple, si l’on considère l’univers de discours d’une température comme étant
L’intervalle [0°C 60°C], on peut choisir trois sous-ensemble flou: Faible, Moyenne et Elevée de
cet univers de discours, figure 2
faible Moyenne Elevée

1
 Température
0 10 30 40 60
Figure 2: exemple de partition flou
ENISO 2020-2021
Remarque:
Plus le nombre de sous-ensembles flous est important, plus on définit de classes sur cet
Univers de discours, ce qui permet d’augmenter la sensibilité de la commande floue
ENISO 2020-2021
b) Base de règles
Une fois la partition des univers de discours est réalisée, il est possible de définir la base de
règles.
Si l’on considère n univers de discours 𝑈𝑖 pour les prémisses des règles floues et si pour chaque
Univers 𝑈𝑖 on définit une partition en mi sous-ensembles flous, le nombre de règles 𝑟𝑚𝑎𝑥 est:
𝑛
𝑟𝑚𝑎𝑥 = 𝑖=1 𝑚𝑖 (3)
Le nombre de règles définit par l’expert peut être inférieur à 𝑟𝑚𝑎𝑥 c’est le cas, en particulier,
s’il existe des configuration de sous-ensembles flous impossible.
Par exemple dans le cas d’une freinage automatique de véhicule, la configuration :
‘vitesse importante ET distance de l’obstacle nulle’
ENISO 2020-2021
De plus le nombre de sous-ensembles flous définissant la partition de l’univers de discours de

commande n’est pas forcement égale au nombre de règles. Par exemple des configurations
différentes aboutissant à la même conclusion ‘freinage faible’.
‘ vitesse petite ET distance de l’obstacle faible’
‘vitesse moyenne ET distance de l’obstacle important’
ENISO 2020-2021
b) Interface de fuzzification
Les opérateurs utilisés dans la commande floue agissent sur des sous-ensembles flous. Par
conséquent, il est nécessaire de transformer les variables provenant du monde extérieur en
Des sous-ensembles flous.
Pour ce faire, on utilise un opérateur dit de fuzzification qui associe à une mesure de
la variable 𝑥𝑜 une fonction d’appartenance 𝜇𝑥𝑜 𝑥 .
Le choix de l’opérateur de fuzzification dépend de la confiance que l’on accorde aux mesures
effectuées.
ENISO 2020-2021
Mesure exacte
𝜇𝑥𝑜 (x) 𝜇𝑥𝑜 : 𝑈 → 𝑈
1
𝜇𝑥𝑜 𝑥 = 1, 𝑠𝑖 𝑥 = 𝑥𝑜
𝜇𝑥𝑜 𝑥 = 0, 𝑠𝑖 𝑥𝑥𝑜
xo x
Mesure incertain
𝜇𝑥𝑜 (x)
 𝑥 − 𝑥𝑜
1 𝜇𝑥𝑜 = 𝑚𝑎𝑥 0;
𝛿
xo x
ENISO 2020-2021
c) Mécanisme d’inférence
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
d) Interface de défuzzification
Le sous-ensemble flou Y de l’univers de discours V ayant été calculé par le mécanisme
d’inférence. L’interface de défuzzification à pour objectif de transformer Y en une valeur non
flou permettant ainsi la commande effective du système.
Afin de présenter les méthodes de défuzzification les plus utilisées, considérons les sous-
ensemble flou Y de l’univers de discours V suivant
𝜇𝑌 (y)
1
Première méthode:
La première méthode correspond à l’utilisation du maximum. Celui-ci consiste à choisir

Comme sortie yo de l’interface de défuzzification une des valeurs possédant la plus grande
appartenance au sous-ensemble flou Y.
ENISO 2020-2021
𝐷𝐹 ∶ 𝑉 → 𝑉
𝑌 ∈ 𝑦 ∈ 𝑉, 𝜇𝑌 𝑦 → 𝐷𝐹 𝑌 = 𝑦𝑜
𝜇 𝑦𝑜 = 𝑠𝑢𝑝 𝜇𝑌 (𝑦)
𝜇𝑌 (y)
1
yo Y
Sortie de la commande floue pour une défuzzification par le principe de maximum
Remarque:
Il se peut, comme dans le cas de la figure, que la fonction d’appartenance du sous-ensemble

Flou Y possède plusieurs maxima identiques.
ENISO 2020-2021
Deuxième méthode:
On choisit comme opérateur de défuzzification une transformation qui effectue la moyenne de
ces maxima, c’est-à-dire le moyenne des actions les plus pertinentes.
𝑠
𝑦𝑑𝑦
𝑦𝑜 =
𝑑𝑦 𝑠
𝑠 = 𝑦𝑖 ∈ 𝑉, 𝜇𝑌 𝑦𝑖 = sup(𝜇𝑌 𝑦 )
La figure suivante donne pour cette méthode la sortie yo pour le sous ensemble flou Y
𝜇𝑌 (y)
1
s
yo Y
Sortie de la commande floue pour une défuzzification par le principe de la
moyenne des maxima
ENISO 2020-2021
Troisième méthode
Pour prendre en compte l’influence des valeurs y proposées par la solution floue Y (c’est-à-dire
possédant une appartenance non nulle à ce sous-ensemble flou), on utilise une méthode de
défuzzification dite barycentrique.
𝑉
𝑦. 𝜇𝑌 𝑦 . 𝑑𝑦
𝑦𝑜 =
𝑉
𝜇𝑌 𝑦 . 𝑑𝑦
On constate que cette méthode effectue la moyenne des actions y pondérées par leurs
appartenance 𝜇𝑌 𝑦 .
𝜇𝑌 (y)
1
yo Y
Sortie de la commande floue pour une défuzzification barycentrique
ENISO 2020-2021
Remarque:
Dans le cas où les sous-ensemble flous Y relatifs aux commandes à appliquer sont des
singletons. La méthode de défuzzification barycentrique se ramène à la transformation suivante
𝑛
𝑖=1 𝑦𝑖. 𝜇𝑌 𝑦
𝑦𝑜 = 𝑛
𝑖=1 𝜇𝑌 𝑦
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
ENISO 2020-2021
Exemple 2: pilotage de direction automobile par logique floue

1) Description technique du projet
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. Le
calculateur de traitement d'images, est construites 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. La commande est réalisée par un
calculateur compatible « PC », figure 1.
Figure 1 – Pilotage du véhicule par un compatible PC

ENISO 2020-2021
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
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 80386cadencé 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.
ENISO 2020-2021
L’application est organisée autour de la boucle de contrôle présentée sur la figure 2.
Figure 2: Architecture de l’asservissement et Synoptique du contrôleur flou
Les valeurs d’offset sur les données de « position », « cap » et « angle volant » permettent
de corriger les erreurs statiques des capteurs associés.
ENISO 2020-2021
Le contrôleur se compose de trois modules, chacun utilisant un ensemble distinct de règles

floues.
● Le module de calcul du « CapDésiré » estime, à partir de la position latérale du véhicule et

de la position des roues, le cap à obtenir pour replacer correctement le véhicule dans sa voie
de circulation.
● Le module de calcul de « l’AngleMoteur » évalue, à partir du cap estimé du véhicule et du

cap désiré, l’angle à donner aux roues pour arriver à ce cap désiré.
● Le module de calcul du « GainMoteur » estime, à partir de la vitesse du véhicule et de la

position des roues, le gain nécessaire pour corriger l’angle moteur calculé par le module
précédent afin de tenir compte des phénomènes de force centrifuge.
Le « CapDésiré » est une variable interne au contrôleur ; seuls l’angle et le gain moteur
constituent des sorties effectives pour calculer la commande à appliquer à la direction.
ENISO 2020-2021
La figure 3 présente l’implantation du contrôleur avec l’outil FuzzyTECH , proposé par la société
INFORM. On retrouve sur la gauche de ce synoptique les quatre variables d’entrée du système :
le cap, la position latérale et la vitesse du véhicule, ainsi que l’angle des roues
Figure3: Pilotage de direction automobile PSA Peugeot Citroën : synoptique du contrôleur flou
sous FuzzyTECH
ENISO 2020-2021
2) Contrôleur à logique floue

2.1) Module de calcul du CapDésiré
2.1.1 ) Variables floues d’entrée et de sortie
La position latérale du véhicule sur la route est représentée avec trois termes linguistiques
(figure 4 a) : « Gauche », « Centre » et « Droite ». Les fonctions d’appartenance associées
considèrent des valeurs dans l’intervalle [– 1 200 cm, + 1 200 cm].
Roues est une variable auxiliaire pour mémoriser l’AngleMoteur calculé au cycle précédent
(fonctionnement périodique de la boucle d’asservissement) (figure 4 b). Ses valeurs, comprises
entre – 400 mrad et + 400 mrad, sont fuzzyfiées avec trois termes linguistiques : « Droite », “
Centre ” et « Gauche ».
ENISO 2020-2021
Figure 4: Calcul du CapDésiré : fuzzification des variables d’entrées
ENISO 2020-2021
La variable « CapDésiré » correspond au cap à obtenir pour corriger la position du véhicule

(figure 5). Son domaine de valeurs, compris entre – 400 mrad et + 400 mrad, est représenté par
trois termes linguistiques : « ADroite », « ToutDroit » et « AGauche ».
Figure 5:Calcul du CapDésiré : fuzzification de la variable de sortie
ENISO 2020-2021
2.1.2 Ensemble de règles floues
Étant donné que le module comporte deux entrées et une sortie, il est possible d’exprimer les
règles floues sous la forme d’une table (tableau 1). En abscisse, figurent les valeurs linguistiques
associées à la variable « Position » et, en ordonnée, celles associées à la variable « Roues ».
Dans toutes les règles utilisées, les conditions sont liées par un ET logique. Ainsi, par exemple,
la case en bas à droite du tableau traduit la règle suivante :
« SI Position = Gauche ET SI Roues = Gauche ALORS CapDésiré =ToutDroit ».
ENISO 2020-2021
La surface de contrôle permet de visualiser graphiquement la commande, figure 6. Nous

pouvons notamment remarquer les phénomènes de non-linéarité.
Figure 6: Surface de contrôle de la variable « CapDésiré
ENISO 2020-2021
2.2 Module de calcul de l’AngleMoteur

2.2.1 Variables floues d’entrée et de sortie
Le « CapDésiré » qui constituait la sortie du précédent module est utilisé comme une entrée
pour le calcul de l’AngleMoteur (figure 6 b). Les valeurs linguistiques associées sont les mêmes
que précédemment (figure 5).
La seconde entrée est le cap du véhicule estimé par le système de vision (figure 6 a). Ses valeurs,
comprises entre – 400 mrad et + 400 mrad, sont représentées avec trois termes linguistiques : «
ADroite», « ToutDroit » et « AGauche ».
ENISO 2020-2021
L’AngleMoteur en sortie est caractérisé par cinq termes
linguistiques (figure 7) : Droite, MiDroite, Centre, MiGauche
et Gauche. Son domaine de valeurs est compris entre – 160
mrad et + 160 mrad.
Figure 7: Calcul de l’AngleMoteur : fuzzification

de la variable de sortie
Figure 6: Calcul de l’AngleMoteur :

fuzzification des variables d’entrées
ENISO 2020-2021
Le jeu de règles est présenté dans le tableau 2. Pour chaque règle, les conditions sont liées
par un ET logique.
La surface de contrôle (quasiment linéaire) associée est représentée figure 8.
Figure 8: Surface de contrôle de la

variable « AngleMoteur »
ENISO 2020-2021
2.3 Module de calcul de GainMoteur

2.3.1 Variables floues d’entrée et de sortie
Le « GainMoteur » permet de tenir compte des phénomènes dynamiques dans les

virages.
Il utilise deux variables en entrée : la vitesse du véhicule et l’angle moteur calculé au cycle
précédent, mémorisé dans la variable « Roues » (figure 9 a).
La vitesse du véhicule est représentée par quatre valeurs linguistiques (figure 9 b) : «

TrèsLente », « Lente », « Moyenne » et
« Rapide ».
ENISO 2020-2021
Le « GainMoteur » en sortie est caractérisé par quatre termes

linguistiques (figure 10) : « Standard », « LegerAugmente »,
« MoyenAugmente » et « TresAugmente ».
Figure 10: Calcul du GainMoteur :

fuzzification de la variable de sortie
Figure 9: Calcul du GainMoteur :

fuzzification des variables d’entrées
ENISO 2020-2021
Le jeu de règles est présenté dans le tableau 3. Pour chaque règle, les conditions sont liées
par un ET logique.
La surface de contrôle (fortement non linéaire) associée est donnée figure 11.
Figure 11– Surface de contrôle

de la variable « GainMoteur »
ENISO 2020-2021
3. Essais réels et résultats

3.1 Description de la piste
Le véhicule prototype est testé sur une piste privée avec un marquage au sol permettant de
reproduire différents types de virages.
Le circuit comprend trois parties :
— une ligne droite d’environ 2 000 m ;

— un demi-cercle avec un rayon d’environ 600 m ;
— une double chicane avec la configuration présentée figure 12.
Figure 12: Configuration de la double chicane
ENISO 2020-2021
3.2 Résultats
En ligne droite, le comportement est très bon. Le véhicule conserve son cap au centre de la
chaussée et le volant ne bouge que très légèrement. La conduite apparaît très sécurisante et
permet d’atteindre des vitesses supérieures à 100 km/h.
En ligne courbe, les performances dépendent à la fois de la vitesse et du rayon de courbure.

Pour la portion de demi-cercle au rayon de courbure élevé, le comportement est satisfaisant
avec des vitesses de passage de l’ordre de 90 km/h avec une bonne impression de sécurité.
En ce qui concerne la chicane, la première

partie est franchie aux alentours de 90-100
km/h alors que le second tronçon ne peut
l’être au-dessus de 70 km/h.
À titre d’illustration, la figure 13 montre

l’évolution de l’écart latéral et de l’angle volant
lors d’un passage sur la piste de tests avec la
double chicane.
Figure 13 – Évolution des paramètres sur la double chicane

4. Perspective
Les résultats obtenus dans cette étude montrent que la logique floue constitue une alternative
intéressante et performante pour des applications de contrôle embarqué. Une étude est
actuellement en cours pour réaliser le pilotage de la direction à l'aide de réseaux de
neurones. Ainsi, trois types de commande (automatique classique, logique floue et
commande neuronale) pourront être comparés dans des conditions identiques sur la même
application support.
D'autres développements basés sur la logique floue on été réalisés à la Direction des
Recherches et des Affaires Scientifiques de PSA Peugeot Citroën. Nous pouvons notamment
citer une application de prise de décision de changements de rapport pour une boîte
de vitesses automatique ainsi qu'un régulateur de climatisation véhicule .
Par ailleurs, Renault et PSA Peugeot Citroën commercialisent depuis peu, sur certains de leurs
modèles, une boîte de vitesses automatique gérée en logique floue . Le calculateur caractérise
le type de route et le tempérament du conducteur pour constamment choisir le rapport le
mieux adapté, c’est-à-dire celui qu’aurait engagé le conducteur avec une boîte de vitesses
manuelle.
ENISO 2020-2021

Chapitre 1-2-3 Commande Flou PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 1-2-3 Commande Flou PDF

Transféré par

Droits d'auteur :

Formats disponibles

École Nationale d’Ingénieurs de Sousse ENISO

Chapitre 1 : Introduction à la notion de Flou

1.1 Le comportement de l’être humain tolère l’impression

Le schéma simplifié de ce type de raisonnement peut être représenté par la figure 1.

Figure 1: structure du raisonnement humain

- l’aspect flou provient de l’estimation de la variable ou du terme employé pour la décrire,

1.2 La logique flou :de la théorie à l’application

• Régulation d’appareils de grande consommation : machine à laver, métro;

1.3 Exemple introductif

Si on dispose pas d’autre information, la commande du mitigeur sera simple:

Fonction d’appartenance ()

froid tiède chaude

Fonction d’appartenance ()

froid tiède chaude

• Pour  = T, l’eau est tiède

Fonction d’appartenance ()

froid tiède chaude

Figure 3: Estimation des possibilités d’appartenance

Dans l’exemple de la figure 3, comme 𝜇𝑐 =0

L’eau d’alimentation devant être choisie un peu tiède et plutôt chaude

Figure 4: classes d’appartenance des températures d’eau et détermination

Soit ici puisque SF=0

A Choix de la classe d’appartenance la plus probable

Figure 5: détermination de A en fonction de R

La deuxième approche permet un passage continu et linéaire par morceaux de la valeur

On peut donner un coefficient de confiance à l’affirmation ‘ x appartient à un ensemble A’

• Un fait certain : (x)=1

• L’affirmation x à peu près compris entre x1 et x2 correspond à une fonction

Figure 1: fonctions de possibilités pour un fait

Notons x et y les variables linguistique caractérisant

𝜇𝐸 𝑧 = min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } =𝜇𝐴 𝑥 . 𝜇𝐵 𝑦

𝜇𝑜 𝑧 = max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } = 𝜇𝐴 𝑥 + 𝜇𝐵 𝑦 -𝜇𝐴 𝑥 . 𝜇𝐵 𝑦

𝜇𝐸 𝑧 = . min {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 } + (1 - ). max {𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 }

Figure 2 : représentation des opérateurs logique

Les problèmes qui peuvent se poser sont:

• Combien de prédicats sont nécessaires à la commande et comment les choisir?

• Est il nécessaire d’utiliser chaque prédicat?

Le nombre de prédicats dépend essentiellement de la manière dont l’expert peut décrire le

Très froid Froid Tempéré Chaud Très Chaud

Bonne répartition en classe température

Très froid Froid Tempéré Chaud Très Chaud

Chevauchements insuffisants température

Très froid Froid Tempéré Chaud Très Chaud

Figure 3: univers de discours et répartition des prédicats

• Le deuxième module consiste en l’application de règles du type ‘si l’écart de

• Le troisième module décrit l’étape de défuzzification qui est la transformation inverse

3.1 structure d’une commande floue

Figure 1: structure d’une commande floue

3.1.1 Base de règles et définitions

La partition floue d’un univers de discours U consiste à définir n sous-ensembles flous Fi de

𝐹𝑖 ⊇ 𝑈𝜀 = 𝑥 ∈ 𝑈; 𝜇𝑈𝜖 (𝑥) (1)

La condition (1) se traduit au niveau des fonctions d’appartenance par la condition:

∀ 𝑥 ∈ 𝑈; 𝜇𝐹1 𝑥 ⋁ 𝜇𝐹2 𝑥 … . ⋁ 𝜇𝐹𝑛 𝑥 ≥ 𝜀 (2)

Où V est un opérateur d’union (appelé également ou)

faible Moyenne Elevée

Par exemple dans le cas d’une freinage automatique de véhicule, la configuration :

‘vitesse importante ET distance de l’obstacle nulle’

De plus le nombre de sous-ensembles flous définissant la partition de l’univers de discours de

‘ vitesse petite ET distance de l’obstacle faible’

‘vitesse moyenne ET distance de l’obstacle important’

La première méthode correspond à l’utilisation du maximum. Celui-ci consiste à choisir

Il se peut, comme dans le cas de la figure, que la fonction d’appartenance du sous-ensemble

Exemple 2: pilotage de direction automobile par logique floue