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

net/publication/272507548

Commande Adaptative Indirecte Décentralisée Floue des Systèmes Non

Linéaires Interconnectés

Conference Paper · November 2004

CITATIONS READS

4 603

3 authors:

Salim Labiod Mohamed Seghir Boucherit

University of Jijel National Polytechnic School of Algiers
110 PUBLICATIONS   1,882 CITATIONS    295 PUBLICATIONS   1,766 CITATIONS   

SEE PROFILE SEE PROFILE

Thierry-Marie Guerra
Université Polytechnique Hauts-de-France
345 PUBLICATIONS   9,495 CITATIONS   

SEE PROFILE

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

Contribution à la commande hybride à base de la commande CDM. Etude et Application View project

Contribution on Fault Tolerant Control : Theory and Application View project

All content following this page was uploaded by Salim Labiod on 20 February 2015.

The user has requested enhancement of the downloaded file.

 Commande Adaptative Indirecte
Décentralisée Floue des Systèmes Non
Linéaires Interconnectés
SALIM LABIOD1, 2, MOHAMED SEGHIR BOUCHERIT2, THIERRY MARIE GUERRA3
1
LAMEL, Faculté des Sciences de l’Ingénieur, Université de Jijel
BP. 98, Ouled Aissa, 18000, Jijel, Algérie
2
LCP, Département de Génie Electrique, Ecole Nationale Polytechnique
10 Ave Hassen Badi, BP. 182, El Harrah, Alger, Algérie
3
LAMIH, UMR CNRS 8530, Université de Valenciennes et du Hainaut-Cambrésis
Le Mont Houy 59313 Valenciennes Cedex 9 France

labiod_salim@yahoo.fr ms_boucherit@yahoo.fr guerra@univ-valenciennes.fr

Résumé— Ce papier propose une stratégie de commande
adaptative indirecte pour les systèmes non linéaires
interconnectés en utilisant les systèmes flous. Dans ce schéma de
commande, les systèmes flous sont utilisés pour estimer en ligne
les dynamiques locales de chaque sous système, et la loi de
commande est composée d’un terme adaptatif qui exploite les
dynamiques estimées et d’un terme de commande robuste rajouté
pour compenser les effets des erreurs d’approximations et des
interconnexions entre les sous systèmes. La loi de commande
indirecte proposée est toujours bien définie et son implémentation
ne nécessite pas la connaissance de la région admissible des
paramètres estimés. La stabilité et la robustesse du système global
bouclé sont prouvées analytiquement en utilisant une approche de
type Lyapunov. Une simulation est effectuée sur un modèle de
manipulateur à deux degrés de liberté pour mettre en évidence les
performances de l’approche.
Mots clés— Commande floue, commande adaptative, commande
décentralisée, systèmes non linéaires interconnectés.
I. INTRODUCTION
Le problème de la commande décentralisée se pose lorsqu’on
considère la commande des systèmes interconnectés composés
de plusieurs sous-systèmes où la synthèse d’une loi de
commande centralisée peut être complexe, coûteuse et/ou
inefficace due à la nature modulaire du système qui peut
empêcher le partage d’informations entres les différents sous-
systèmes.
Pour une classe de systèmes interconnectés avec des sous-
systèmes linéaires connus et des interconnexions linéaires ou
non linéaires, des stratégies de commande adaptative
décentralisées sont développées dans [1, 2, 3, 4]. La
commande adaptative décentralisée des robots manipulateurs a
été étudiée dans [5, 6]. Dans [7], les auteurs proposent une
approche adaptative décentralisée pour une classe de systèmes
interconnectés avec des sous-systèmes non linéaires et des
interconnexions mal connues. Néanmoins, cette approche est
limitée au cas de non linéarités exprimées linéairement par
rapport aux paramètres inconnus.
Dans le but d’étendre les stratégies de commande adaptatives
décentralisées au cas des systèmes non linéaires interconnectés
avec des sous-systèmes non linéaires incertains et des
interconnexions mal connues, des approches de commande
adaptatives floues ou neuronales décentralisées sont proposées
dans [8, 9, 10, 11, 12]. Ces approches peuvent être classifiées
en deux catégories : les approches directes [9, 10, 11] et les
approches indirectes [8, 10, 11, 12]. Les approches indirectes
se basent sur l’approximation des non linéarités locales de
chaque sous-système par des modèles flous ou des modèles
neuronaux. En revanche, les approches directes se basent sur
l’approximation par des modèles flous ou neuronaux des lois
de commande stabilisatrices inconnues.
Dans l’approche indirecte, il y a le problème de la possibilité
de division par zéro. Dans [8, 10], Pour éviter ce problème, les
auteurs proposent l’utilisation d’un algorithme d’adaptation
avec projection. Cependant, ce type de solution nécessite la
connaissance des bornes supérieure et inférieure du gain de
commande de chaque sous système, et la connaissance de la
région admissible des paramètres estimés. Or, en pratique,
c’est difficile d’avoir ces données surtout pour un système
avec des non linéarités mal connues. Dans l’approche indirecte
de [11], les auteurs supposent que la loi de commande est bien
définie sans donner de preuve mathématique. Dans [12], les
auteurs estiment directement l’inverse des gains de commande
et, de cette manière, on évite le problème de division par zéro.
Toutefois, dans cette approche, on requiert la bornitude de la
dérivée temporelle de chaque gain de commande par une
fonction connue.
En ce qui concerne l’approche directe, il n’y a pas de problème
de division par zéro mais elle impose des conditions
restrictives sur le gain de commande de chaque sous système.
En effet, dans l’approche directe de [11], les gains de
commande sont constants et, dans [9, 10], les dérivées des
gains de commande sont supposées bornées par des constantes.
Dans ce travail, nous présentons une approche de commande
adaptative indirecte décentralisée pour une classe de systèmes
non linéaires interconnectés en utilisant les systèmes flous.
Comparé aux contrôleurs indirects présentés dans [8, 10], le
contrôleur adaptatif décentralisé proposé est toujours bien
défini et, ceci, sans utilisation d’un algorithme d’adaptation
avec projection. De plus, il ne requiert pas de connaissances a
priori concernant les valeurs désirées des paramètres ajustés
des systèmes flous ainsi que les bornes des gains de commande
des sous systèmes. Enfin, comparé au travail de [12],
l’approche proposée n’impose aucune condition sur les
dérivées temporelle des gains de commande des sous-
systèmes.
 II. POSITION DU PROBLEME donnée Qi = QiT > 0 , il existe une matrice unique Pi = PiT > 0
Considérons un système non linéaire interconnecté ∑ solution de l’équation de Lyapunov
composé de N sous-systèmes non linéaires ∑i , i = 1, , N , Pi Ai + AiT Pi = −Qi (7)
donné par Afin de développer notre contrôleur décentralisé, pour chaque
 xi1 = xi 2 , xi 2 = xi 3 , , xini −1 = xini sous-systèmes ∑i , nous adoptons les hypothèses suivantes.

∑ i  xini = fi ( xi ) + g i ( xi ) ui + ∆ i ( x1 , , x N ) (1) Hypothèse 1 : Le gain de commande g i ( xi ) est non nul et de

 yi = xi1 signe connu. Alors, il est soit strictement positif, soit
strictement négatif. Sans perte de généralité, nous supposons
ou, encore que g i ( xi ) ≥ g i > 0 , avec g i une constante inconnue.
yi( = f i ( xi ) + g i ( xi ) ui + ∆ i ( x1 , , x N )
ni )
(2)
Hypothèse 2 : Chaque trajectoire de référence ydi ( t ) et ses
avec xi =  xi1 , , xini  ∈ ℜ ni est le vecteur d’état du sous
T
dérivées jusqu’à l’ordre ni sont supposées continues, bornées
système ∑i supposé mesurable, ui ∈ ℜ est l’entrée de et connues.
commande, yi ∈ ℜ est la sortie, f i ( xi ) et g i ( xi ) sont des Hypothèse 3 : Les interconnexions satisfont
fonctions non linéaires continues supposées inconnues, et N
∆ i ( x1 , , x N ) ≤ δ i ,0 + ∑ δ i , j e j
∆ i ( x1 , , x N ) représente l’effet des interconnexions entre le
(8)
j =1

sous système ∑i et les autres sous systèmes.
L’objectif de commande est la synthèse des lois de commande
adaptatives utilisant les systèmes flous pour chaque sous
système et, ceci, en utilisant uniquement les informations
locales (variables d’état locales) propres à chaque sous
système. Chaque sortie yi ( t ) doit suivre au mieux une
trajectoire de référence donnée ydi ( t ) tout en garantissant la
bornitude de tous les signaux du système complet.
Pour chaque sous-système ∑i , on définit les erreurs de
poursuite
ei ( t ) = ydi ( t ) − yi ( t )
 (3)
( ni −1) ( ni −1)
ei ( t ) = ydi ( t ) − yi
et le signal d’erreur
vi ( t ) = ydi( i ) ( t ) + ki ,ni −1ei(
n ni −1)
avec δ i ,0 , , δ i , N sont des constantes positives inconnues, et
 représente la norme Euclidienne.
Remarque 1 : La supposition g i ( xi ) ≠ 0 dans l’hypothèse 1
impose une sorte de condition de commandabilité pour chaque
sous système. Il est à noter que ce type de supposition (ou de
supposition équivalente) est fréquent dans la littérature de la
commande adaptative décentralisée utilisant les systèmes flous
(voir par exemple [8, Hypothèse 2], [10, Hypothèse 1] et [12,
Hypothèse 4]).
Si on suppose que les sous-systèmes sont isolés l’un de l’autre,
i.e. ∆ i ( x1 , , x N ) = 0 , et que les fonctions non linéaires
( ni −1) f i ( xi ) et g i ( xi ) sont parfaitement connues, alors pour
(t )
atteindre les objectifs de commande, la loi de commande
suivante est une solution
( t ) +  + ki ,0 ei ( t )

( vi − f i ( xi ))
1
ui = (9)
Posons g i ( xi )
Par substitution de (9) dans (5), on trouve
ei = ei , ei , , ei(
ni −1)
T

  ei = Ai ei (10)
ki =  ki ,0 , , ki , ni −1 
T
Puisque la matrice Ai est stable, on peut conclure alors que
toutes les erreurs de poursuite convergent vers zéro.
d’où, on peut écrire
Dans cette étude, les fonctions f i ( xi ) et g i ( xi ) sont
vi = ydi( i ) + kiT ei
n
(4)
supposées inconnues et les interactions ∆ i ( x1 , , x N ) sont
Par introduction de (4) dans (1), il vient
supposées non nulles. De ce fait, l’implantation de la loi de
ei = Ai ei + bi {vi − f i ( xi ) − g i ( xi ) ui − ∆i ( x1 , , x N )} (5) commande (9) est difficile voir même impossible. Notre but
avec consiste alors à approcher les fonctions inconnues par des
systèmes flous et à modifier la loi de commande (9) afin
 0 1 0   0 d’atteindre les objectifs de commande.
 0  0
 0 1 0   
Ai =        ∈ ℜ ni ×ni , bi =   (6) III. DESCRIPTION DU SYSTEME FLOU
  0
 0 0 0  1    Dans cet article nous considérons les systèmes flous multi-
 −ki ,0 −ki ,1 1 
 −ki ,2  −ki , ni −1  entrées mono-sortie (MISO) de type Takagi-Sugeno-Kang à
conclusion constante. Un tel système permet de représenter
Les paramètres de conception ki ,0 , , ki , ni −1 sont choisis de une relation non linéaire entre un ensemble d’entrée,
x = [ x1 ,  , xn ] ∈ U ⊆ ℜ n
T
sorte que la matrice Ai soit stable. Ainsi, pour toute matrice et une sortie y ∈ ℜ , avec
U = U1 ×  × U n et U i ⊆ ℜ . Le système flou est constitué
d’un ensemble de règles floues de la forme [13], pour la k ème g i ( xi ) = w Tgi ( xi )θ gi* + ε gi ( xi ) (18)
règle : avec ε fi ( xi ) et ε gi ( xi ) les erreurs d’approximation, θ *
fi et
Si x1 est F1k et  et xn est Fnk θ *
respectivement les paramètres optimaux de θ fi et θ gi
(11) gi
Alors y = y k ( k = 1, , P ) minimisant les fonctions ε fi ( xi ) et ε gi ( xi ) . D’après la
k k
où Fi sont des ensembles flous définis sur U i et y une propriété d’approximation universelle des systèmes flous
constante réelle associée à la partie conclusion de la règle. Soit utilisés, la bornitude des erreurs d’approximation s’écrit
µ F k ( xi ) la fonction d’appartenance associée à l’ensemble flou ε fi ( xi ) ≤ ε fi ,
i

Fi , le poids suivant est affecté à chaque règle :

k
ε gi ( xi ) ≤ ε gi ,
µ k ( x ) = ∏ i =1 µ F k ( xi )
n

i où ε fi et ε gi sont des paramètres positifs inconnus.

La sortie est alors obtenue par défuzzyfication barycentrique A partir des équations (15)-(18), l’erreur d’identification des
[13] : fonctions inconnues peut être exprimée par
∑ µk ( x ) y k f i ( xi ) − fˆi ( xi ,θ fi ) = w Tfi ( xi )θ fi + ε fi ( xi )
P

y ( x) = k =1 (19)
(12)
∑ µ ( x) g i ( xi ) − gˆ i ( xi ,θ gi ) = w ( xi )θgi + ε gi ( xi )
P
T
k =1 k gi (20)
En fixant les fonctions d’appartenance µ F k ( xi ) et en laissant avec
θ fi = θ *fi − θ fi , θgi = θ gi* − θ gi
i

les y k comme des paramètres variables, l’équation (12) peut

s’écrire sous la forme : sont les erreurs paramétriques.
y ( x) = w T
( x )θ (13) L’utilisation d’une loi de commande équivalente du type

avec le vecteur des paramètres ajustés θ =  y1  y P  , et

T
ui =
1
ˆg i ( xi ,θ gi )
{
vi − fˆi ( xi ,θ fi ) } (21)
le vecteur des fonctions floues de base
ne peut garantir à elle seule la stabilité du système bouclé. Ceci
w ( x ) =  w1 ( x )  wP ( x )  , dont chacune des composantes
T
est dû aux erreurs de reconstruction, à l’existence des
est donnée par [13] : interactions entre les sous-systèmes, et au fait que cette loi de
commande n’est pas définie lorsque gˆ i ( xi ,θ gi ) = 0 .
µk ( x )
wk ( x ) = , k = 1, , P (14)
∑ µ ( x) Pour éviter tous ces problèmes, nous proposons une loi de
P
j =1 j
commande de la forme
Rappelons que le système flou (13) est un approximateur ui = u fi + uri (22)
universel de fonctions continues si ses paramètres sont
où u fi est un terme de commande adaptatif, qui est une
convenablement choisis [14]. Il est à noter que d’autres types
d’approximateurs universels peuvent être utilisés tels que les modification de la commande équivalente (21), et uri un terme
réseaux de neurones multicouches et les réseaux de fonctions à de commande robuste introduit pour compenser les effets des
base radiale [14]. erreurs d’approximation et les effets des interconnexions.
Afin d’avoir une loi de commande bien définie à tout moment,
IV. COMMANDE ADAPTATIVE INDIRECTE DECENTRALISEE le terme adaptatif flou est défini comme suit
gˆ i ( xi ,θ gi )
PAR SYSTEMES FLOUS

Dans cette section, les systèmes flous sont utilisés pour u fi =

ε 0 + gˆ i2 ( xi ,θ gi )
{v − fˆ ( x ,θ ) + β gˆ ( x ,θ ) z }
i i i fi i i i gi i (23)
approcher les fonctions inconnues f i ( xi ) et g i ( xi ) . Ces
approximations servent de base à l’obtention de lois de où ε 0 une constante positive petite, β i une constante positive
commandes adaptatives décentralisées utilisant chacune leurs et
propres lois d’adaptation paramétrique.
zi = biT Pi ei (24)
On pose : avec Pi est la solution de l’équation de Lyapunov (7).
fˆi ( xi ,θ fi ) = w Tfi ( xi )θ fi (15) Le terme de robustification est choisi comme suit
gˆ i ( xi ,θ gi ) = w ( xi )θ gi ( )
T
uri = ρ i 1 + u fi + u0i sgn ( zi ) + α i zi
(16)
gi (25)
avec θ fi et θ gi sont les vecteurs des paramètres ajustés,
avec ρi et α i sont des paramètres estimés en ligne par des lois
w fi ( xi ) et w gi ( xi ) des vecteurs de fonctions floues de base d’adaptation données ultérieurement, et u0i est donné par
supposés convenablement choisis par l’utilisateur.
ε0
Les fonctions réelles f i ( xi ) et g i ( xi ) peuvent être u0 i =
ε 0 + gˆ i2 ( xi ,θ gi )
{v − fˆ ( x ,θ ) + β gˆ ( x ,θ ) z }
i i i fi i i i gi i (26)
exprimées sous la forme
Pour assurer les objectifs de commande, les lois d’adaptations
f i ( xi ) = w Tfi ( xi )θ *fi + ε fi ( xi ) (17) suivantes sont adoptées
 θ fi = −η fi w fi ( xi ) zi (27) Vi 2 = 2 zi {u0i − ε fi ( xi ) − ε gi ( xi ) u fi − gi ( xi ) uri
θgi = −η gi w gi ( xi ) zi ( u fi − β i zi ) (28) 2 gi 2 gi (38)
−∆ i ( x1 , , x N )} − ρ i ρ i − αiαi
(
ρ i = η ρ i zi 1 + u fi + u0i ) (29) ηρi
A partir des lois d’adaptation (27) et (28), on a
ηα i

α i = ηα i zi2 (30)
V = 0 (39)
avec η fi , ηgi , η ρ i et ηα i sont des constantes positives i1

spécifiées par l’utilisateur. D’après l’hypothèse 3, le terme zi ∆ i ( x1 , , x N ) peut être

borné de la manière suivante
N
Théorème 1 : Considérons le système non linéaire zi ∆ i ( x1 , , x N ) ≤ δ i ,0 zi + ∑ δ i , j zi e j (40)
interconnecté (1). Supposons les hypothèses 1-3 satisfaites. j =1
Alors, la loi de commande définie par les équations (22)- En utilisant l’inégalité suivante
(26) avec les lois d’adaptation données par les relations
(27)-(30) garantit la bornitude de tous les signaux de la 1 2
ab ≤ κ * a 2 + b , κ* > 0
boucle fermée et la convergence vers zéro de toutes les 4κ *
erreurs de poursuite, i.e. ei ( t ) → 0 quand t → ∞ pour l’inégalité (40) devient
i = 1, , N . N  δ i2, j 

zi ∆ i ( x1 , , x N ) ≤ δ i ,0 zi + ∑ κ *j zi2 + * e j
2
 (41)

j =1  4κ j 
Preuve : En utilisant la loi de commande (22), l’équation
avec κ *j sont des paramètres positifs et seront spécifiés plus
dynamique de l’erreur (5) peut s’écrire sous la forme
tard.
(
ei = Ai ei + bi {vi − f i ( xi ) − g i ( xi ) − gˆ i ( xi ,θ gi ) u fi ) Les choix
(31)
− gˆ i ( xi ,θ gi ) u fi − gi ( xi ) uri − ∆i ( x1 , , x N )}  ε fi + δ 0,i ε gi 1  N
ρi* ≥ max  , ,  et α i* ≥ ∑ κ *j (42)
 gi g i g i 
Par substitution de (23) dans (31), en tenant compte des  j =1

équations (19), (20) et (26), et en ajoutant et en retranchant avec les lois d’adaptation (29) et (30), et le terme de
β i gˆ i ( xi ,θ gi* ) , il vient commande robuste (25), l’équation (38) peut être simplifiée à
δ i2, j
{
ei = Ai ei + bi − w Tfi ( xi )θ fi − w Tgi ( xi )θgi ( u fi − β i zi ) Vi 2 ≤ ∑
N
2
ej (43)
j =1 2κ j
*

− β i gˆ i ( xi ,θ gi* ) zi + u0i − ε fi ( xi ) − ε gi ( xi ) u fi (32) De l’analyse précédente, la relation (36) peut être bornée par
− g i ( xi ) uri − ∆ i ( x1 , , x N ) } δ i2, j
Vi ≤ −eiT Qi ei − 2 β i gˆ i ( xi ,θ gi* ) zi2 + ∑
N
2
ej (44)
j =1 2κ j
Pour démontrer le théorème 1, considérons la fonction *

candidate
N
Du fait que g i ( xi ) est supposé positif (voir hypothèse 1), il
V = ∑ Vi (33) est raisonnable alors de supposer que sa meilleure
i =1 approximation réalisable par les systèmes flous, i.e.
avec gˆ i ( xi ,θ gi* ) , l’est aussi. D’où on peut écrire
1 T  gi 2 gi 2
θ fiθ fi + θgiT θgi +
1
Vi = eiT Pi ei + ρ i + αi (34) δ i2, j
Vi ≤ −eiT Qi ei + ∑
N
η fi η gi η ρi ηα i ej
2
(45)
j =1 2κ j
*
où ρ i = ρ − ρi , α i = α − α i , ρ
*
i
*
i
*
i et α *
i seront spécifiés
D’après (45), la dérivée de (33) peut être bornée par
ultérieurement.
N 
 N δ2

V = ∑ Vi ≤ ∑ −eiT Qi ei + ∑ * e j
N
La dérivée temporelle de (34) est i, j 2
 (46)
i =1 
 2κ 
Vi = e Pi ei + e Pi ei − θTfiθ fi − θgiT θgi
2 2 i =1 j =1 j
T T

η fi ηgi
i i
ou, encore
(35) N 
2 gi 2 gi  2
V ≤ − ∑ λmin ( Qi ) − * ∑ δ j2, i  ei
1 N
− ρ i ρ i − α iα i (47)
ηρi ηα i i =1  2κ i j =1 
Par substitution de (32) dans (35) et en tenant compte de (24) avec λmin ( Qi ) c’est la plus petite valeur propre de Qi .
et (7), il vient
Le choix des paramètres κ i* tels que
Vi = −eiT Qi ei − 2 βi gˆ i ( xi ,θ gi* ) zi2 + Vi1 + Vi 2 (36)
N
1
avec κ i* ≥ ∑
2 ( λmin ( Qi ) − λ0 i ) j =1
δ 2j ,i , λ0 i > 0 (48)
Vi1 = −2 w Tfi ( xi )θ fi zi − 2 w Tgi ( xi )θgi ( u fi − βi zi ) zi
permet d’avoir
(37)
− θTfiθ fi − θgiT θgi
2 2
V ≤ − ∑ λ0i ei
N
η fi η gi
2
(49)
i =1
ce qui implique la bornitude de tous les signaux dans le I1 = 0,12, I e = 0, 25, δ e = 30°.
système bouclé, i.e. les erreurs de poursuite ei , les états xi ,
Chaque articulation est considérée comme un sous-système.
les paramètres estimés θ fi , θ gi , ρi et α i , les signaux de
Comme les fonctions non linéaires locales f i ( xi ) et g i ( xi )
commande ui , et la fonction candidate V sont tous bornés.
de chaque sous-système sont supposées inconnues. Chaque
Par conséquent, on peut démontrer que les erreurs ei ( t ) sont fonction est approchée par un système flou à deux entrées.
carrées intégrables et que les dérivées ei ( t ) sont bornées. Pour chaque variable d’entrée on définit cinq fonctions
d’appartenance telles que :
D’où, par application du lemme de Barbalat [15], on déduit la
convergence vers zéro des erreurs de poursuite de tous les
sous-systèmes. ij
{
µ F 1 ( xij ) = exp − ( xij + 1, 25 ) 0,18 ,
2
}
( x ) = exp {− ( x + 0,625 ) 0,18} ,
2
1 µF 2 ij ij
ij

µ F 3 ( xij ) = exp {− xij 2 0,18} ,

Remarque 2 : Comparé au travail de [12], ce contrôleur
n’impose aucune condition sur la dérivée du gain de ij

{ }
commande. Comparé aux contrôleurs indirects décentralisés
µ F 4 ( xij ) = exp − ( xij − 0, 625 ) 0,18 ,
2
développés dans [8, 10], il ne nécessite pas l’utilisation d’une ij

loi d’adaptation avec projection pour éviter la division par

zéro. De plus, l’approche permet d’initialiser par zéro tous les
paramètres ajustés des systèmes flous et ne requiert aucune
ij
{ 2
}
µ F 5 ( xij ) = exp − ( xij − 1.25 ) 0.18 , i = 1, 2; j = 1, 2 .

avec x1 = [ q1 q1 ] , x 2 = [ q2 q2 ] .

connaissance sur les valeurs désirées des paramètres ajustés et
les bornes des gains de commandes. Notons que l’initialisation
par zéro des paramètres ajustés est rendue possible par
l’introduction du terme β i gˆ i ( xi ,θ gi ) zi dans le terme de
commande (23).
T T
Notons que les fonctions d’appartenance sont choisies dans
l’intervalle [ −1, 25;1, 25] en se basant sur le fait que les
trajectoires désirées et leurs dérivées se trouve toujours dans
l’intervalle [ −1;1] .

Remarque 3 : Le terme robuste (25) peut être lissé par le Les paramètres de synthèse sont choisis comme suit :
remplacement de la fonction discontinue sgn ( zi ) par la ε 0 = 0,1 , ki = [1 2] , β i = 10 , η fi = 1 , η gi = 1 , ηα i = 0, 001 ,
T

fonction continue sat ( zi Φ i ) , Φ i > 0 [15]. Il est à noter que η ρ i = 0, 001 et

dans ce cas on démontre seulement la convergence des erreurs
10 0  15 5
de poursuite vers un voisinage autour de zéro. Qi =   , Pi =  .
 0 10   5 5
V. RESULTATS DE SIMULATION Les conditions initiales choisies sont : xi1 ( 0 ) = 0 , xi 2 ( 0 ) = 0 ,
Pour illustrer les performances de la méthode de commande θ fi ( 0 ) = 0 , θ gi ( 0 ) = 0 , α i ( 0 ) = 0 et ρi ( 0 ) = 0 . Le terme de
proposée, nous considérons la commande en poursuite d’un robustification donné dans la remarque 3 est utilisé
robot manipulateur à deux degrés de liberté dont le modèle avec Φ = 0, 05 .
dynamique est donné par [15] :
Les résultats de simulation de y1 = x11 et y1 = x12 sont donnés
 q1   M 11 −h ( q1 + q2 )   q1  
−1
M 12   u1   −h q2
 =    −      (50) Figure 1, et de y2 = x21 et y 2 = x22 sont donnés Figure 2. Les
 q2   M 21 M 22   u2   h q1 0   q2   signaux de commande sont montrés Figure 3. On remarque
avec que les trajectoires réelles convergent vers les trajectoires
désirées et que les signaux de commandes ne présentent pas
M 11 = a1 + 2 a3 cos ( q2 ) + 2 a4 sin ( q2 ) ; des à-coups.
M 22 = a2 ;

M 21 = M 12 = a2 + a3 cos ( q2 ) + a4 sin ( q2 ) ;

h = a3 sin ( q2 ) − a4 cos ( q2 )
et
a1 = I1 + m1lc21 + I e + me lce2 + me l12 ;

a2 = I e + me lce2 ;
a3 = me l1 lce cos δ e
où u1 et u2 sont les couples de commande appliqués aux
articulations, et les sorties sont les positions articulaires q1 et
q2 . Dans cette simulation, les valeurs suivantes sont utilisées :
m1 = 1, me = 2, l1 = 1, lc1 = 0,5, lce = 0, 6, Figure 1 : Réponses du premier sous-système, sorties (traits
continus), consignes (traits discontinus).

Figure 2 : Réponses du deuxième sous-système, sorties (traits
continus), consignes (traits discontinus).
Figure 3 : Signaux de commande, u1 (trait continu), u2 (trait
discontinu).
VI. CONCLUSION
Dans ce travail, une commande adaptative indirecte
décentralisée a été développée pour une classe de systèmes non
linéaires interconnectés en utilisant les systèmes flous. Cette
approche repose sur l’identification en ligne des non linéarités
locales de chaque sous-système par des systèmes flous. La loi
de commande contient une loi de commande adaptative floue
auquelle se superpose une composante de robustification. Cette
dernière est introduite pour assurer la stabilité et la robustesse
de la structure de commande par rapport aux erreurs
d’approximation et aux effets des interconnexions entre les
sous-systèmes. La loi de commande proposée est toujours bien
définie, i.e. le problème de division par zéro ne se pose pas, et
l’initialisation par zéro de tous les paramètres ajustés des
systèmes flous utilisés est possible. De plus, elle ne nécessite
pas la connaissance des bornes des gains de commande ni de
leurs dérivées temporelles. Les résultats de la simulation
numérique effectuée sur un modèle de manipulateur montre la
faisabilité de l’approche développée.
View publication stats
VII. REFERENCES
[1] P.A. Ioannou, Decentralized adaptive control of
interconnected systems, IEEE Trans. Aut. Contr., vol.
31, pp. 291-298, Apr. 1986.
[2] D.T. Gavel and D.D. Siljak, Decentralized adaptive
control: structural conditions for stability, IEEE
Trans. Aut. Contr., vol. 34, no. 4, pp. 413-425, 1989.
[3] L. Shi and S.K. Singh, Decentralized adaptive
controller design for large scale systems with higher
order interconnections, IEEE Trans. Aut. Contr., vol.
37, no. 8, pp. 1106-1118 , 1992.
[4] S. Jain and F. Khorrami, Decentralized adaptive
output feedback design for large scale nonlinear
systems, IEEE Trans. Aut. Contr., vol. 42, no. 5, pp.
729-735, 1997.
[5] H. Seraji, Decentralized adaptive control of
manipulators: Theory, simulation, and
experimentation, IEEE Trans. Automat. Contr., vol. 5,
no. 2, pp. 183-201, Apr. 1989.
[6] M. Liu, « Decentralized adaptive control for robot
arm tracking », in Proc. Int. Conf. Robotics Automat.,
pp. 1731-1736, 1997.
[7] J.T. Spooner and K.M. Passino, Adaptive control of a
class of decentralized nonlinear systems, IEEE Trans.
Aut. Contr., vol. 41, no. 2, pp. 280-284, 1996.
[8] J.T. Spooner and K.M. Passino, « Indirect adaptive
fuzzy control for a class of decentralized systems », in
Proc. ACC, pp. 3306-3310, 1997.
[9] J.T. Spooner and K.M. Passino, « Direct adaptive
fuzzy control for a class of decentralized systems », in
Proc. ACC, pp. 2863-2867, 1997.
[10] J.T. Spooner and K.M. Passino, Decentralized
adaptive control of nonlinear systems using radial
basis neural networks, IEEE Tans. Aut. Contr., vol.
44, no. 11, pp. 2050-2057, 1999.
[11] S. Tong, H.-X. Li, and G. Chen, Adaptive fuzzy
control for a class of large-scale nonlinear systems,
IEEE Trans syst., Man, Cybern.- part B, vol. 34, pp.
770-775, Feb. 2004.
[12] T.-P. Zhang, Stable adaptive fuzzy sliding mode
control of interconnected systems, Fuzzy Sets and
Systems, vol. 122, pp. 5-19, 2001.
[13] S. Labiod, M.S. Boucherit, and T.M. Guerra,
« Commande adaptative floue d’une classe de
systèmes non linéaires monovariables », LFA’03,
Tours, France, pp. 169-176, 2003.
[14] L.X. Wang, Adaptive Fuzzy Systems and Control:
Design and Stability Analysis. Prentice-Hall,
Englewood Clifs, NJ, 1994.
[15] J.E. Slotine and W. Li, Applied nonlinear control,
Prentice Hall, Englewood Cliffs, NJ, 1991.