13/10/2020

Plan

Introduction


Commande par
Logique Floue

Abderrahmane Ouchatti
Prof Agrégé de Génie Électrique

2020/2021
2

Plan Introduction

 La logique floue : Intérêts

 Les systèmes flous : fonctionnement
 Exemples de systèmes flous

3 4

1
 13/10/2020

Intérêts de la logique floue Principe de la commande par logique floue

 calcul des paramètres de sorties en fournissant au système

 Intuitive un ensemble de règles formulés en langage naturel.

 Pouvoir faire fonctionner une quantité importante de

systèmes différents possédant une forte expertise
humaine Paramètres Règle 2 Paramètres
 Impossible de prédire les performances d'un système d’entrée Règle
sortie
1

 Si le réglage des paramètres est fin, les performances Règle n

souhaitées seront atteintes,

5 6

Principe de la commande par logique floue Principe de la commande par logique floue

Variables Paramètres
linguistiques d’entrée numériques de sortie

Moteur
Fuzzification d’inférences Défuzzification
(Régles
d’inférences)

Données
Variables linguistiques
numériques des
capteurs induites par les règles

7 8

2
 13/10/2020

Principe de la commande par logique floue Logique floue: Conception

Fuzzification
Exemple

 Fuzzification
 Moteur d’inférences
 Défuzzification

9 10

Logique floue: Conception Logique floue: Conception

Fuzzification Fuzzification
Exemple Exemple

11 12

3
 13/10/2020

Logique floue: Conception Logique floue: Conception

Fuzzification Fuzzification
Exemple Fonctions d’appartenances – Ensembles flous

Les fonctions d’appartenance peuvent avoir diverses formes selon leur

définition :
 Triangulaire, Trapézoïdale

( , , , )
13 14

Logique floue: Conception Logique floue: Conception

Fuzzification Fuzzification
Fonctions d’appartenances – Ensembles flous Fonctions d’appartenances – Ensembles flous

Les fonctions d’appartenance peuvent avoir diverses formes selon leur  Gaussienne

définition :
 Triangulaire, Trapézoïdale

 Sigmoïdes...

( , , , )

15 16

4
 13/10/2020

Logique floue: Conception Logique floue: Conception

Fuzzification Fuzzification
Fonctions d’appartenances – Ensembles flous : Propriétés & Définitions Fonctions d’appartenances – Ensembles flous : Propriétés & Définitions

SEF : Sous ensemble flou f : → X [0,1] Support

Hauteur : Le support Supp(A) correspond à toutes les valeurs x de X
La hauteur h(A) du SEF A de X est la plus grande valeur prise pour lesquelles ≠0
par sa fonction d’appartenance ℎ = ∈ ( ) Intervalle flou
Normalisation Un intervalle flou est un SEF convexe normalisé de R (réels)
Un SEF est dit normalisé si sa hauteur vaut 1 Nombre flou
Noyau Un nombre flou est un intervalle flou dont le noyau est réduit à
Le noyau Noy(A) correspond à toutes les valeurs x de X pour un point
lesquelles =1 17 18

Logique floue: Conception Logique floue: Conception

Moteur d'inférences Moteur d'inférences
Opérateurs de la logique floue

Opérateur ET
Liste de toutes les règles que l'on connait et qui s'applique au
L'opérateur ET en logique floue correspond à l'intersection
système.
de deux ensembles flous. Il existe plusieurs définitions de
Une règle doit être sous la forme :
l'opérateur ET en logique floue. les plus utilisés, sont :
Si condition, alors conclusion.  L'opérateur de minimalité : a ET b = min(a, b)
 L'opérateur produit : a ET b = a.b
 Le ET flou: = . , +( − )
Le paramètre γ (compris entre 0 et 1) doit être fixé par le concepteur du
système flou.
19 20

5
 13/10/2020

Logique floue: Conception Logique floue: Conception

Moteur d'inférences Moteur d'inférences
Opérateurs de la logique floue Opérateurs de la logique floue

Opérateur OU Opérateur NON

Le OU en logique floue correspond à l'union de deux L'opérateur NON en logique flou correspond à l'ensemble
ensembles flous. Comme pour le ET logique, il existe complémentaire et est défini simplement :
plusieurs définitions du OU logique : NON a = 1 - a
 L'opérateur de maximalité : a OU b = max(a,b)
 L'opérateur produit : a OU b = 1-(1-a).(1-b)
 Le OU flou: = . , +( − )

21 22

Logique floue: Conception Logique floue: Conception

Moteur d'inférences Moteur d'inférences
Exemple Exemple
On souhaite régler le rapport cyclique du signal de commande d’un moteur CC
Supposons que la valeur actuelle de l’erreur de vitesse vaut 40%:
à l'aide d'un système flou.
On considère que l'on a choisi les fonctions d'appartenances suivantes pour
chacune des trois variables linguistiques de l’erreur de vitesse du moteur et du
rapport cyclique:

23 24

6
 13/10/2020

Logique floue: Conception Logique floue: Conception

Moteur d'inférences Moteur d'inférences
Exemple Exemple

L’ensemble des règles pouvant-être établies sont les suivantes: L’application des règles donne pour une erreur de vitesse égale à 40%:

Maintenant que l’on a déterminé les fonctions d’appartenance du sous

 Si Erreur de vitesse est faible Alors Rapport cyclique Petit ensemble ou solution de chaque règle on détermine le sous ensemble
 Si Erreur de vitesse est Moyenne Alors Rapport cyclique Moyen solution du système en agrégeant les résultats avec l’opérateur max.

 Si Erreur de vitesse est Grande Alors Rapport cyclique Grand

25 26

Logique floue: Conception Logique floue: Conception

Agrégation des règles de sortie par coupure Agrégation des règles de sortie par Mise à l’échelle
SI x est A1 (0.5) OU y est B1 (0.25) ALORS z est C1 (0.5)
SI x est A2 (0.33) ET y est B2 (0.75) ALORS z est C2 (0.33)
SI x est A3 (0.0) ALORS z est C3 (0.0)
avec l’opérateur max.

27 28

7
 13/10/2020

Logique floue: Conception Logique floue: Conception

Défuzzification Défuzzification
Méthodes

Le but de la défuzzification est de:

1. Fusionner les commandes (sous la forme de variables Série de variables linguistiques caractérisant une seule et

linguistiques (une commande par règle)) et, même donnée.

2. Transformer les paramètres résultants en donnée Plusieurs méthodes pour défuzzifier:

numérique.  La méthode de la moyenne des maximas,

 La méthode du centre de gravité,
Variables Variables
linguistiques Fusion Transformation Numériques …
(Résultats Règles) (Commandes)

29 30

Logique floue: Conception Logique floue: Conception

Défuzzification Défuzzification
Méthodes – Centre de Gravité Méthodes – principe du maximum

31 32

8
 13/10/2020

Logique floue: Conception Logique floue: Conception

Défuzzification Défuzzification
Méthodes – moyenne des maxima Méthodes – barycentre

33 34

Logique floue: Conception Logique floue: Conception

Défuzzification Défuzzification
Méthodes – méthode de Sugeno Exemple

On souhaite régler le rapport cyclique du signal de commande d’un

moteur CC à l'aide d'un système flou.
On fournit au système des données brutes et un ensemble de règles
d'inférence. Le système calcul automatiquement les sorties sous forme
de variables linguistiques.
Pour faire l’agrégation des règles, on utilise une moyenne pondérée :
On suppose que les variables linguistiques de sorties sont:
rapport cyclique Petit à 0%,
rapport cyclique Moyen à 80% et,
rapport cyclique Grand à 30%.

35 36

9
 13/10/2020

Commande par Logique Floue Commande par Logique Floue

Exemple de système flou
Exemple de Régulateur flou
Variables linguistiques

Les données que l'on a en entrées sont:

 l'erreur (E) et;
Erreur Variation de la  la variation de l'erreur (ΔE).
Régulateur Flou
Commande
Variation de Chacune de ses entrées sera représentée par trois variables linguistiques.
l’Erreur

Erreur (E) Variation de l’Erreur (ΔE)

Objectif : Erreur_négative Variation_erreur_négative

Trouver la variation de la commande à appliquer à chaque instant en fonction
Erreur_nulle Variation_erreur_nulle
de l'erreur et de sa variation.
Erreur_positive Variation_erreur_positive

37 38

Commande par Logique Floue Commande par Logique Floue

Exemple de système flou Exemple de système flou
Fonctions d'appartenances (Entrées) Fonctions d'appartenances (Sortie)
Enfin, pour la sortie, on choisira trois variables linguistiques représentant la
Les fonctions d'appartenances peuvent-être des simples triangles ou fonctions
variation de la commande (variation_commande_négative, variation_commande_nulle,
linéaires :
variation_commande_positive). Les fonctions d’appartenances sont représentées ci-
dessous :

On devra fixer E et ΔE des fonctions d'appartenances par essais/erreurs en fonction du

De même que pour les fonctions d'appartenances des variables linguistiques
système. 39 40
d'entrée, ΔU sera à déterminer expérimentalement.

10
 13/10/2020

Commande par Logique Floue Commande par Logique Floue

Exemple de système flou Exemple de système flou
Règles d'inférences Règles d'inférences
Les divers règles à entrer au système sont: On a donc neuf règles à utiliser:

 SI erreur positive ET variation_errreur nulle ALORS variation_commande positive

 SI erreur négative ET variation_errreur nulle ALORS variation_commande négative
 SI erreur nulle ET variation_errreur nulle ALORS variation_commande nulle

 SI erreur positive ET variation_errreur négative ALORS variation_commande nulle

 SI erreur négative ET variation_errreur négative ALORS variation_commande
négative
 SI erreur nulle ET variation_errreur négative ALORS variation_commande négative

 SI erreur positive ET variation_errreur positive ALORS variation_commande positive

 SI erreur négative ET variation_errreur positive ALORS variation_commande nulle
41  SI erreur nulle ET variation_errreur positive ALORS variation_commande positive
42

Commande par Logique Floue

Exemple de système flou
Réglage et amélioration du régulateur flou

Pour implémenter le régulateur, il faut choisir:

 Les opérateurs logiques;
 La méthode de défuzzification à utiliser.
 Chercher les valeurs de: E, ΔE et ΔU des fonctions d'appartenances afin de
trouver le réglage qui correspond le mieux au cahier des charges.

Enfin, pour améliorer le régulateur, on peut :

 Changer la forme des fonctions d'appartenances
 Rajouter des variables linguistiques en entrée
 Rajouter des variables linguistiques en sortie
 Rajouter ou modifier les règles d'inférences
43

11