1/Introduction:

Les méthodes classiques de l'automatique ont été largement appliquées dans de nombreux problèmes de
régulation industrielle. Cependant, la plupart des systèmes physiques présentent des non linéarités et leurs
paramètres sont souvent mal connus et/ou variables dans le temps. Pour la commande de telles classes de
systèmes les méthodes conventionnelles de l'automatique ont montré leurs limites en termes de
stabilisation et performances.

Avec le développement des calculateurs numériques, les automaticiens commencent à s'intéresser aux
nouvelles approches de commande telles que la commande adaptative, la commande prédictive, la
commande robuste, ainsi que les techniques basées sur l'intelligence artificielle.
Et L'objectif de ce TP est de synthétiser réguláteurs à logique floue en utilisant le Toolbox fuzzy logic
de Matlab. Ce TP permet, en outre, de se farriiliariser avec les importantes possibilités de simulation
des systèmes dynamiques qu'offre ce logiciel. On suppose que le système est linéaire et ayant une
Fonction de transfert 1/(jS+f,), C'est un système de contrôle la vitesse de rotation d'un moteur
électrique La vitesse désiréc est de 100 rd/s. On modélise le système avec SIMULINK.
2/Méthodes :
Pour les systèmes mal connus ou complexes (non-linéaires), un contrôleur flou s'avère très intéressant.

Structure du régulateur

- Fuzzification : transforme les entrées en grandeurs floues.

- Inférence (avec la base de règles) : prend les décisions

- Défuzzification : transforme les grandeurs floues en valeurs déterminées

Fuzzification

- Définition des fonctions d'appartenance de toutes les variables d'entrée.

- Passage : grandeurs physiques => variables linguistiques

En général, on utilise des formes triangulaires ou trapézoïdales pour les fonctions d'appartenance, bien
qu'il n'existe pas de règles précises sur ce choix.

Exemple : Soit une grandeur x définie par 5 sous-ensembles flous.

Donc à chaque variable linguistique d'entrée (x), on fait correspondre une valeur linguistique (Négatif
Grand, Négatif Moyen, ...) avec un degré d'appartenance.

Inférence ou Base de règles

Donne la relation qu'il existe entre les variables d'entrées (exprimées comme variables linguistiques) et la
variable de sortie (également exprimée comme variable linguistique).

Exemple : Soit deux entrées x1 et x2 et une sortie xR, toutes définies par les 5 sous-ensembles de
l'exemple précédent.

Description de la base de règles :

Si (x1 NG ET x2 EZ), Alors xR PG ou

Si (x1 NG ET x2 PM), Alors xR PM ou

Si (x1 NM ET x2 EZ), Alors xR PM ou

Si (x1 NM ET x2 PM), Alors xR EZ ou Si

(x1 NM ET x2 PG), Alors xR NM ou

Si (x1 PG ET x2 EZ), Alors xR NG.

Sous forme de tableau ou matrice :

On n'est pas obligé de compléter toute la table. Les règles sont élaborées par un expert et sa connaissance
du problème ...

Différentes méthodes d'inférence.

Supposons que l'on ait deux entrées x1 et x2 et une sortie xR, toutes définies par les sous-ensembles
suivants :

Supposons que x1 = 0.44, x2 = - 0.67 et que l'inférence est composée des deux règles suivantes :

Si (x1 PG ET x2 EZ), Alors xR EZ ou

Si (x1 NG OU x2 PM), Alors xR PM

Il faut maintenant « traduire » les opérateurs ET, OU et l'implication par une des fonctions vues dans la
première partie de l'exposé (Minimum, Maximum, Produit, ...).

Méthode MAX-MIN :

Au niveau de la condition : ET => Min OU => Max

Au niveau de la conclusion : ou => Max Alors => Min (D'où

la désignation)

Résultat : une fonction de transfère résultante donnée par la surface hachurée (qui sera traitée lors de la
Défuzzification).

Méthode MAX-PROD :

Au niveau de la condition : ET => Min OU => Max

Au niveau de la conclusion : ou => Max Alors => Prod (D'où

la désignation)

Résultat : une fonction de transfère résultante donnée par la surface hachurée (qui sera traitée lors de la
Défuzzification).

Méthode SOMME-PROD :

Il ne s'agit pas de la Somme « normale » mais de la valeur moyenne :

Au niveau de la condition : ET => Prod OU => Somme

Au niveau de la conclusion : ou => Somme Alors => Prod

(D'où la désignation)
Résultat : une fonction de transfère résultante donnée par la surface hachurée (qui sera traitée lors de la
Défuzzification).

Défuzzification

Les méthodes d'inférence fournissent une fonction d'appartenance résultante pour la variable de sortie. Il
s'agit donc d'une information floue qu'il faut transformer en grandeur physique.

On distingue 4 méthodes de Défuzzification :

Méthode du maximum :

La sortie correspond à l'abscisse du maximum de la fonction d'appartenance résultante. Trois

cas peuvent se produire :

Conclusion : méthode simple, rapide et facile mais elle introduit des ambiguïtés et une discontinuité de la
sortie.

Méthode de la moyenne des maxima :

Dans le cas où plusieurs sous-ensembles auraient la même hauteur maximale, on réalise leur moyenne une
des ambiguïtés de la méthode du maximum est enlevée.
Méthode du centroïde :

La sortie correspond à l'abscisse du centre de gravité de la surface de la fonction d'appartenance

résultante.

Il existe deux méthodes :

- On prend l'union des sous-ensembles flous de sortie et on en tire le centroïde global (calculs très lourds).

- On prend chaque sous-ensemble séparément et on calcul son centroïde, puis on réalise la moyenne de
tous les centroïdes.

Conclusion : on n'a plus de discontinuités et d'ambiguïtés, mais cette méthode est plus complexe et
demande des calculs plus importants.

Méthode de la somme pondérée :

Compromis entre les deux méthodes précédentes.

On calcule individuellement les sorties relatives à chaque règle selon le principe de la moyenne des
maxima, puis on réalise leur moyenne pondérée.

3/Resultats:
Dans cette section, nous présenterons les résultats obtenus dans le quota TP
Apres avoir compléter le paramétrage des blocs d'entrées et de sortie, on procède par l'élaboration des
règles logique qui répond au cahier des charges, et on les implémente dans le bloc inférence

On finit par enregistrer le fichier (.fis) pour le charger par la suite dans le workspace et le récupérer dans
le bloc Fuzzy dans simulink par le même nom du fichier enregistré.
Une fois le régulateur est configuré, on simule et on obtient la réponse suivante:

4/conclusion:
Les outils fournis par la logique floue permettent une modélisation des phénomènes pouvant en un certain
sens s'approcher du raisonnement humain. Le fait de dépasser le tout ou rien des ordinateurs introduit une
souplesse faisant la puissance des outils flous dans de nombreux domaines.

Mais même s'ils bénéficièrent d'un effet de mode, les algorithmes flous ne sont pas nécessairement les
meilleurs.

Plus le système est complexe, plus les règles qui le régissent sont nombreuses et compliquées. Il s'agit là
d'un obstacle majeur au contrôle en temps réel.

Elle apporte des solutions à des problèmes compliqués ou difficilement modélisables et elle n'a pas des
méthodes générales de synthèses, alors il est nécessaire de varier à l'entrée et faire des tests jusqu'à
atteindre la consigne.