Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Chapitre 2
Réglage et commande par logique floue

I. Introduction
II. Structure de commande par logique floue
1- Fuzzification
2- Bases de règles et méthodes d’inférences
2-1 L’inférence
2-2 Règles d’inférences
a- Linguistiquement
b- Symboliquement
c- Par matrice d’inférence

2-3 Le choix des méthodes d’inférences

a- Méthode d’inférence Max-Min

b- Méthode d’inférence Max-Prod
c- Méthode d’inférence Somme-Prod
3- Défuzzification
3-1 Méthode de centre de gravité
3-2 Défuzzification par des valeurs maximales
3-3 Défuzzification par des hauteurs pondérées
III. Avantages et Inconvénients d’un régulateur flou

1
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

I. Introduction
Les méthodes conventionnelles de réglage sont basées sur une modélisation adéquate du
système à régler et un traitement analytique à l’aide de la fonction de transfert ou d’équations
d’état. Malheureusement, celles-ci ne sont pas toujours disponibles. Ces techniques de
commande ont prouvé leur efficacité dans de nombreux problèmes de régulation industrielle.
Les méthodes de commande avancées (Régulateur adaptatif, Commande prédictive,
Commande robuste...) permettent de répondre aux exigences d’un certain nombre de systèmes
fortement non linéaires. C’est dans ce même créneau que les méthodes de modélisation et de
commande floues se positionnent.

Des expériences ont montré que, dans de nombreux cas, les résultats obtenus avec un
régulateur flou (technique non conventionnelle) sont meilleurs que ceux obtenus avec des
algorithmes de contrôle conventionnels. Ainsi, le contrôle par la logique floue peut être vu
comme un pas vers un rapprochement entre le contrôle mathématique précis et la prise de
décision humaine. La commande par logique floue est en pleine expansion. En effet, cette
méthode permet d'obtenir une loi de réglage souvent très efficace sans devoir faire des
modélisations approfondies. Par opposition à un régulateur standard ou à un régulateur à
contre-réaction d'état, le régulateur par logique flou (RLF) ne traite pas une relation
mathématique bien définie, mais utilise des inférences avec plusieurs règles, se basant sur des
variables linguistiques. Par des inférences avec plusieurs règles, il est possible de tenir compte
des expériences acquises par les opérateurs d'un processus technique.

Les bases générales de la logique floue

Les éléments de base de la logique floue sont :

 Les variables linguistiques;

 La définition des variables linguistiques;
 Les déductions floues (inférences);
 Les opérateurs.

On donnera un petit aperçu sur chaque élément sans détailler.

2
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

II. Structure de commande par logique floue

La mise en œuvre d’une commande floue fait apparaitre quatre grands blocs : inférences,
défuzzification et base de connaissances. Nous proposons la structure générale du régulateur
floue illustré par la figure ci-dessous :

Pour la réalisation d’un contrôleur flou, il est indispensable de formuler ces quatre blocs.

1- Fuzzification

Le processus de la fuzzification consiste à simplement attribuer aux différentes variables

linguistiques d’entrée des fonctions d’appartenance convenables. Cette opération est
nécessaire vu que la mesure de la sortie y et la donnée de la référence ou consigne sont
toujours exprimées en des variables qui sont nettes et précises et que le régulateur flou ne peut
traiter que des variables floues.

C’est la transformation des variables d’entrée (grandeurs déterministes) en variables

linguistiques (floues) qui peuvent être traitées par les inférences.

2- Bases de règles et méthodes d’inférences

La base de règles caractérise les relations entre les classes d'événements possibles en entrée et
les commandes correspondantes

L’inférence est le processus par lequel des actions ou opérations floues sont prises au fur et à
mesure que des informations sur les entrées sont recueillies et ce selon les règles définissant le
système. Ils existent plusieurs méthodes d’inférence dont La méthode d’inférence max-min :
réalise le OU reliant les règles par le l’opérateur max et le ALORS par l’opérateur min.

La méthode d’inférence max-produit : réalise le OU reliant les règles par le l’opérateur max et
le ALORS par l’opérateur produit.

La méthode d’inférence somme-produit : réalise le OU reliant les règles par le l’opérateur

somme et le ALORS par l’opérateur produit.

3
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Inférence floue
2-1 L’inférence :

La base de règles représente la stratégie de commande et le but désiré par le biais des règles
commande linguistiques. Les règles proviennent donc des sources suivantes: expériences
d'experts et connaissances de commande, actions des opérateurs de commande et
apprentissage du régulateur.
2-2 Règles d’inférences :

Le réglage par logique floue dépend essentiellement des inférences adoptées. Le bloc
d’inférences est le cœur du régulateur à logique floue qui possède la capacité de simuler les
décisions humaines et de déduire (inférer) les actions de commande floue à l’aide de
l’implication floue et des règles d’inférences dans la logique floue.

Il existe deux types d’inférence :

- Inférence à une seule règle

Le cas d’une inférence à une seule règle se présente chaque fois ou une classification de
plusieurs échantillons ou concurrents est désirée :
J=[x1 OU (x2 ET x1) OU……..] ET xn
Exemple :

4
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

- Inférence à plusieurs règles :

Dans le cas ou des décisions différentes sont à prendre selon les valeurs des
variables linguistiques plusieurs règles sont nécessaires pour l’inférence. Ces règles
ont la forme générale suivante :

SI Condition 1, Alors Opération 1, OU

SI Condition 2, Alors Opération 2, OU
.
.
.
SI Condition m, Alors Opération m
Exemple :

5
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

On peut décrire l’inférence de manière explicite par la description des règles.

Les règles d’inférences peuvent être décrites de plusieurs façons : linguistiquement,
symboliquement et par matrice d’inférence.
d- Linguistiquement

On écrit les règles de façon explicite comme l’exemple suivant :

SI (erreur est négatif ET la dérivée de l’erreur est négative) ALORS dU est grande négative
OU
SI (erreur est négatif ET la dérivée de l’erreur est positive) ALORS dU est zéro
e- Symboliquement
On écrit les règles de façon explicite comme l’exemple suivant :
SI (e est N ET la de est N) ALORS dU est GN
OU
SI (e est N ET de est P) ALORS dU est Z
Exemple :
Nous pouvons établir les règles de commande, qui relient la sortie avec les entrées. Comme
nous l'avons constaté, il y a sept ensembles flous, ce qui implique quarante-neuf combinaisons
possibles de ces entrées, d'où quarante-neuf règles. Les règles sont du genre:

Définition des fonctions d’appartenance

NG : négatif grand.
N M: négatif moyen.
NP : petit positif.

6
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Z : zéro.
PP : petit positif.
PM: positif moyen.
PG: positif grand
f- Par matrice d’inférence

Elle rassemble toutes les règles d’inférence sous formes de tableau. Dans le cas d’un tableau à
2 dimensions, les entrées du tableau représentent les ensembles flous des variables d’entrées
(exemple : erreur ε et la dérivé de l’erreur (dε). L’intersection d’une colonne et d’une ligne
donne l’ensemble flou de la variable de sortie définie par la règle.

Exemple :

E
dU
N Z P

N GN N Z

de Z N Z P

P Z P GP

Tableau 1 : Exemple de matrice d’inférence

NG : Négatif Grand
N : Négatif / P : Positif
Z : Zéro / PG : Positif Grand

7
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Il arrive que toutes les cases du tableau ne soient pas remplies, on parle alors de règles
d’inférences incomplètes. Cela ne signifie pas que la sortie n’existe pas, mais plutôt que le
degré d’appartenance n’est nulle pour la règle en question.
Une règle d’inférence est activée lorsque le degré d’appartenance lié à la condition de cette
règle est non nul.
2-3 Le choix des méthodes d’inférences
L’inférence est le processus par lequel des actions ou opérations floues sont prises au fur et à
mesure que des informations sur les entrées e et sont recueillies et ce selon les règles
définissant le système. Ils existent plusieurs méthodes d’inférence qui sont utilisées, dont
- La méthode d’inférence max-min : La méthode d’inférence max-min réalise le OU
reliant les règles par le l’opérateur max et le ALORS par l’opérateur min.
- La méthode d’inférence max-produit : La méthode d’inférence max-produit réalise le
OU reliant les règles par le l’opérateur max et le ALORS par l’opérateur produit.
- La méthode d’inférence somme-produit : La méthode d’inférence somme-produit
réalise le OU reliant les règles par le l’opérateur somme et le ALORS par l’opérateur produit.
a- Méthode d’inférence Max-Min

La méthode d’inférence max-min est réalisée, au niveau de la condition l’opérateur «

ET » par la formulation du minimum. La conclusion dans chaque règle, introduite par
« ALORS », lie le facteur d’appartenance de la prémisse avec la fonction
d’appartenance de la variable de sortie est réalisé par la formation du minimum.
Enfin l’opérateur «OU» qui lie les différentes règles est réalisé par la formation du
maximum.

- Si ε est Z ET Δε est N ALORS u est N, OU

- Si ε est P ET Δε est Z ALORS u est N

8
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

ET : MIN
ALORS : MIN
OU : MAX
b- Méthode d’inférence Max-Prod

9
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

ET : MIN
ALORS : produit
OU : MAX

a- Méthode d’inférence Somme-Prod

Proche de la méthode précédente, il suffit de remplacer la traduction de ALORS par la somme
des fonctions d'appartenance partielles.

ET : MIN
ALORS : Somme
OU : MAX
Exemple :
Dans ce qui suit, un exemple de calcul d’une loi de commande d’un système à deux
entrées x1 et x 2 et à une sortie u est montré. Pour faciliter l’illustration, le système est
décrit par uniquement par les deux règles suivantes :
Si x1 est EZ ET x 2 est P, Alors u est N, Ou
Si x1 est N ET x 2 est EZ, Alors u est P.
10
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

On suppose que les variables x1 et x 2 ainsi que la sortie u sont tous normalisées entre 1 et
-1 et ont tous une même fonction d’appartenance à trois sous-ensembles flous : N pour
‘’négatif’’, EZ pour ‘’environ zéro’’, et P pour ‘’positif’’. Cette fonction d’appartenance a
l’allure suivante :

EZ
N P

-1 1
Pour cet exemple, on se place à l’instant où on mesure que x1  0.5 et
x2  0.75 , et on se propose de calculer la commande u à produire en utilisant la méthode
d’inférence somme-produit. On rappelle que cette méthode réalise le OU reliant les règles par
le l’opérateur somme et le ALORS par l’opérateur produit. Quant à l’opérateur ET de la
condition, on choisit de le réaliser aussi par le produit.

Si x1 est EZ ET x2 est P, Alors u est N

1/2

3/8
3/16
-0.5
1/16
0.75
3/16

1/16
1/2
1/8 1/16

Si x1 est N ET x2 est EZ, Alors u est P

Le résultat de cette opération est une fonction d’appartenance pour la loi de commande ayant
l’allure suivante :

11
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

3/16 1/16

-1 1
3- Défuzzification
L’étape précédente a produit une loi de commande exprimée en termes d’une fonction
d’appartenance donc une loi de commande floue. Comme le système à asservir ne peut
accepter que une commande définie et nette, cette fonction d’appartenance doit être traduite
en une commande non floue, nette et précise. Ce processus est connu sous le nom de
défuzzification. Ils existent plusieurs méthodes de défuzzification dans la littérature dont une
méthode qui est le plus souvent plus efficace que les autres, celle de la défuzzification par
centre de gravité.

3-1 Méthode de centre de gravité

12
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

C'est la méthode de Défuzzification la plus courante. L'abscisse du centre de gravité de la

fonction d'appartenance résultant de l'inférence correspond à la valeur de sortie du régulateur.

Cette méthode calcule la loi de commande non floue u en tant que l’abscisse du centre de
gravité de la fonction d’appartenance de la loi de commande  RES u ,  


 u   u du RES

u  1
1

  u du
1
RES

La loi de commande par la méthode de défuzzification par centre de gravité se programme

difficilement en général. Seul dans le cas où la méthode d’inférence somme-produit est
utilisée, la programmation de la loi de commande se simplifie énormément. En effet, dans ce
cas, la fonction d’appartenance de la loi de commande est donnée par

1 m
 RES u    C O u  ,
m i 1 i i

avec C i
représentant le facteur d’appartenance de la condition i, O u 
i
représentant le

facteur d’appartenance de l’opération i, et m représente le nombre total de règles (La règle i a

donc la forme suivante : Si Condition i Alors Opération i). Compte tenu de cela, il vient que

1 1
1 m 1 m
  RES u du   C  O u du   C Si
1 m i 1 1 i
m i 1 i i

1

où Si   O u dui
représente la surface sous la fonction d’appartenance du sous-
1

ensemble flou impliqué dans la règle i. D’autre part,

1 1
1 m 1 m

1 RES
u u du    C 
u O
u du   C ui* Si
m i 1 1 i
m i 1 i i

1

où ui*   uO u du i

représente l’abscisse du centre de gravité de la fonction
1

d’appartenance du sous-ensemble flou impliqué dans la règle i.

13
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Finalement, il vient que la loi de commande s’exprime simplement par

m

 u S Ci
*
i i
u*  i 1
m .
 S
i 1
Ci i

Pour reprendre l’exemple traité précédemment, comme la fonction d’appartenance pour la loi
de commande a l’allure suivante :

1/16
3/16

-1 1

On a que :
3 2 1
u RES u du  u du   u 2 du  1  1 / 3
1 0 1


u   11  1016 0 16
  1 / 3 .

  RES u du
3 1
1 3 / 2 1 / 2
 udu  0 udu
1 16
1 16
Ce résultat s’accorde bien entendu avec l’autre formule, à savoir,
3 2 1 1 2 1
C u1 S1  C u2 S 2 8  3  2  8  3  2
m

 C ui* Si * *

u  m    1 / 3
i
* i 1 1 2

 C Si  C
S1
  C
S12
3 1
  
2
1 1
i
i 1
8 2 8 2
3-2 Défuzzification par des valeurs maximales

Cette méthode est beaucoup plus simple. La valeur de sortie est choisie comme l'abscisse de
la valeur maximale de la fonction d'appartenance.

14
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

3-3 Défuzzification par des hauteurs pondérées

III. Avantages et Inconvénients d’un régulateur flou

Evidemment, le réglage par la logique floue réunit un certain nombre d'avantages et
d’inconvénients.

Les avantages essentiels sont :

 La non nécessité modélisation (cependant il peut être utile d'un modèle convenable);
 la possibilité d'implémenter des connaissances (linguistiques) de l'opérateur du
processus;
 la maîtrise des systèmes à régler avec un comportement complexe (fortement non
linéaire et difficile à modéliser);
 L'obtention fréquente de meilleures prestations dynastiques (régulateur non linéaire):
 L'emploi possible aussi pour des processus rapides (grâce à des processeurs
dédicacés);
 la disponibilité des systèmes de développement efficaces, soit pour microprocesseurs
ou PC (solution logicielle). soit pour circuits intégrés (processeurs dédicacée, fuzzy
processor, solution matérielle).

Par contre, les inconvénients sont :

 Le manque de directives précises pour la conception d'un réglage (choix des grandeurs
à mesurer, détermination de la fuzzification, des inférences et de défuzzification);
 L'approche artisanale et non systématique (implémentation des connaissances de
l'opérateur souvent difficile);
 L'impossibilité de la démonstration de la stabilité du circuit de réglage en toute
généralité(en l'absence d'un modèle valable);
 La possibilité d'apparition de cycles limites à cause du fonctionnement non linéaire;
 la précision du réglage souvent peu élevée;
 la cohérence des inférences non garantie a priori (apparition de règles d'inférence
contradictoires possible).

15
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

Exercice d’application sur les mécanismes d'inférences:

Nous avons deux entrées x1, x2 et une seul sortie xr pour un régulateur flou,

Considérons un ensemble des règles définies par :

Règle1: SI x1 est N ET x 2 est Z ALORS x r est Z. OU

Règle2 : SI x1 est Z ET x 2 est P ALORS x r est P.

Le cas : x1 1/ 4 ; x2 1/ 2 .

Les fonctions d'appartenances sont présentées comme suit :

Questions :
1- Déterminez la fonction résultante pour mécanisme Max-Min.
2- Déterminez la fonction résultante pour mécanisme Max-Produit.
4- Déterminez la fonction résultante pour mécanisme Somme-Produit

Réponse :
1- On utilise la méthode d'inférence Max-Min

16
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

2- on utilise la méthode d'inférence Max-Produit:

17
Ines Abdellaziz Haouala Cours logique floue et réseaux de neurones/Chap II 2019-2020

3- On utilise la méthode d'inférence Somme-Produit

18