Vous êtes sur la page 1sur 77

Ecole Nationale dIngnieurs de Tarbes

5 anne - Systmes Mcatroniques

Rgulation Floue

Version 2004 - Pascale Chiron

Introduction (1)

Un peu dhistoire

1965
1975
1985
1995

L. A. Zadeh
E. H. Mandani
M. Sugeno
J. S. R. Jang

Fuzzy sets
Exprimentation dun rgulateur flou
Applications industrielles possibles
Logique floue largie aux systmes rseaux de
neurones et l Intelligence Artificielle.

Les ensembles flous : extension des ensembles classiques (crisp set)

Introduction (2)

Structure classique dun rgulateur flou


c +

Rgulateur flou

Systme

Oprateurs de
logique floue
Ensembles
flous
Variables
dentre
e1
e2
em

..

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
u1
u2
Dfuzzification
un

..

Introduction (3)

Exemple : dplacement du robot le long du mur

Si la distance est petite, tourner gauche (angle ngatif)


Si la distance est autour de 10 cm, garder la direction actuelle
Si la distance est grande, tourner droite (angle positif)

Distance : 5 cm

-14 : angle de rotation

Introduction (4)

Des exemples dapplications dans le domaine industriel

1979 Cimenterie au Danemark


1987 Mtro de Sendai (Hitachi)
1990 Conduite de hauts-fourneaux Dunkerque
1992 Usine de papier au Portugal
Produits de consommation courante

Autocuiseurs de riz, aspirateurs, machines laver, systme de climatisation


Appareils photos : autofocus, autoexposition, autozoom (Canon, Minolta).
Camras : autofocus, autoexposition, stabilisateur dimage (Sanyo, Canon,
Matsushita).
Photocopieurs : qualit dimage, distribution dencre (Sanyo, Canon, Ricoh).

Industrie automobile

rgulation du moteur, systme de transmission, systme de suspension, ABS,


climatisation.

Ascenseur : temps dattente rduit, ascension et arrt plus rgulier (Hitachi)


...

Introduction (5)

Quand utiliser un rgulateur flou ?


Difficult (ou incapacit) de modliser le processus : processus complexes,
processus non linaires.
Cot de la modlisation en terme de temps, moyens trop lev.
Amlioration des performances de rgulateurs linaires.

Points forts
Structure simple, cot de la synthse et de limplmentation faible.
Proche du langage courant, facilit de modification.

Ides fausses
Permet de rguler un processus sans aucune notion de rgulation.

Il faut des bases ...

Permet de traiter de connaissances imprcises

rgulateur dterministe, exprime une relation dterministe entre ses entres et ses
sorties,
fonction non linaire dfinie de faon intuitive, intelligible, ayant une signification
prcise.

Ensembles flous (1) - Introduction

Oprateurs de
logique floue
Ensembles
flous
Variables
dentre
e1
e2
em

..

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
u1
u2
Dfuzzification
un

..

Les ensembles flous (2) - Dfinitions

Dfinitions
Un ensemble flou A est dfini sur un univers de discours U (ensemble
dlments discrets ou continus) par sa fonction dappartenance A. La
grandeur A(x) dfinit le degr dappartenance de llment x
lensemble A.

A : U 0 , 1
x A x

x, A x x U
supp A x U A x 0
noy A x U A x 1

noyau = noy(A)
A(x)
1

0
frontire

frontire

support : supp(A)

U x 0, x U
Lensemble flou vide est not U, il est dfini par :

1U x 1, x U

Le plus grand ensemble flou sur U est not 1U , il est dfini par :

Les ensembles flous (6) - Dfinitions


Pour un univers U comportant un nombre fini dlments, on peut
utiliser la notation suivante.
: U x i 1 i n

0 , 1

(x)

n
1

x1
xn

i 1

i
xi

3
4
5
1
2
0
x x

Pour une variable x0 exacte, lensemble flou correspondant, not x0 ,


doit tre reprsent par un fait prcis. On utilise un singleton. Sa
fonction dappartenance x0 est dfinie par :

x0

:U

0 , 1

x 0 x

X0(x)
1

1 si x x0
0 si x x0

0
x
0

Les ensembles flous (3) - Dfinitions


Les fonctions dappartenance peuvent avoir diverses formes selon leur
dfinition :

triangulaire, trapzodale,

Gaussienne,

Sigmodes...

10

11

Les ensembles flous (4) - Dfinitions


Exemples :
jeune : 0 , 100

mr : 0 , 100

0 ,1
jeune x 1

20 x

jeune x
15

x 0
jeune

vieux : 0 , 100

0 ,1
vieux x 0

vieux


vieux

x
x 0

si x 55
x 55
20

si x 35

si 20 x 35

si 55 x 75
si x 75

0 ,1
mr x 0
x 20
mr x
15
mr x 1
55 x
mr x

si x 20

20

si x 20 ou x 75
si 20 x 35
si 35 x 55
si 55 x 75

Les ensembles flous (5) - Dfinitions


Exemples :
jeune : 0 , 100
x

0 ,1

1 x

2 15

0 ,1

mr

vieux : 0 , 100
x

jeune

mr : 0 , 100
x

1 x 45

2
12

0 ,1

vieux

1 x 100

2
20

12

13

Les ensembles flous (7) - Oprations

Oprations sur les ensembles flous


Comme dans le cas des ensembles classiques, les oprations logiques
dunion (ou), dintersection (et) et de complmentation (non) peuvent tre
appliques aux ensembles flous. Leur dfinition ne sont pas uniques.
Les dfinitions les plus souvent rencontres sont : le max et le min
(Mandani), la somme moins le produit et le produit (Sugeno)
A B x max( A x , B x )
Sugeno :
A B x A x B x A x B x
Dans les deux cas : A x 1 A x
Mandani :

pour

A B x min( A x , B x )
et A B x A x B x
et

x U

Exemple dans le cas Mandani


(x)

A(x)

B(x
)

AB(x)

A(x)

B(x
)

A (x)

A(x)

14

Les ensembles flous (8) - Proprits

Proprits des ensembles flous


Comme dans le cas des ensembles classiques, les ensembles flous
possdent certaines proprits.
Commutativit :
Associativit :
Distributivit :
Idempotence :
Identit
:

A B B A, A B B A
A B C A B C, A B C A B C
A B C A B A C , A B C A B A C
A A A, A A A
A A, A 1U 1U , A , A 1U A

Les deux proprits suivantes ne sont pas classiques

Lintersection dun ensemble flou et de son complment nest pas vide


A (x)

Loi de contradiction : A A
0

Lunion dun ensemble flou et de son complment ne donne pas lunivers du


discours

(x)
A

Loi du " excluded middle" : A A 1U

15

Les relations floues (1) - Introduction

Oprateurs de
logique floue
Ensembles
flous
Variables
dentre
e1
e2
em

..

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
u1
u2
Dfuzzification
un

..

16

Les relations floues (2) - Dfinitions

Dfinitons
Se sont des structures qui reprsentent labsence ou la prsence dune
corrlation ou dune interaction entre les lments de divers ensembles.
Les degrs de relation entre des lments de deux ou plusieurs
ensembles flous peuvent prendre un nombre infini de valeurs entre les
deux extrmes relis totalement et non relis.
Relation binaire sur un ensemble classique :

Soient X1 et X2 deux ensembles, R X1 X2 est appele relation binaire. Cest


un ensemble.
Si X1 = X2 = R, alors la fonction caractristique de R est dfinie par :

1 si u, v R
0 autrement

R u, v

Exemple :

(u, v) R u a, b et v 0, c

1 si u, v a, b 0, c
R u, v
0 autrement

R(x)
c

17

Les relations floues (3) - Dfinitions


Relation floue :

Une relation floue sur deux univers U et V est un ensemble flou :

R : U V 0 , 1
u, v R u, v

On ne parle plus de fonction caractristique mais de fonction dappartenance.

R u, v est interprt comme le degr dappartenance de la paire ordonne


(u,v) de R.

Exemple :
Soit lunivers U = { 1, 2, 3 }, la relation R est approximativement gal peuttre dfinie par :
Notation matricielle :

R : 1, 2, 3 1, 2, 3 0 , 1

u, v

1 si u v

R u, v 0,8 si u v 1
0,3 si u v 2

1
1 1
2 0.8

3 0.3

2
0.8
1
0.8

0.3
0.8

Les relations floues (4) - Oprations

18

Oprations sur les relations floues


On dfinit lunion et lintersection de deux relations floues par :

Soient

R : U V 0 , 1
u, v R u, v

Alors au sens Mandani (max) :

R S u, v min( R u, v , S u, v )

S : U V 0 , 1
u, v S u, v

Alors au sens Sugeno ( prod ) :

R S u, v R u, v S u, v R u, v S u, v

R S u, v max( R u, v , S u, v )
et

et

et

RS u, v R u, v S u, v

19

Les relations floues (5) - Oprations

Exemple (cas Mandani) :

R = x est beaucoup plus grand que y, S = x est trs proche de y

x1
x
2
x
3

R x, y

x1
x
2
x
3

S x, y

y1 y 2 y3 y 4

0.4 0 0.9 0.6


0.9 0.4 0.5 0.7

0.3 0 0.8 0.5

R S = x est beaucoup plus grand que y ou x est trs proche de y

x
R S x, y max 1
x2
x
3

y1 y 2 y3 y 4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8


y1 y 2 y3 y 4

0.8 0.1 0.1 0.7 x1
,
0 0.8 0
0 x2

0.9 1 0.7 0.8 x3

y1 y 2 y3 y 4

0.4 0 0.9 0.6

0.9 0.4 0.5 0.7

0.3 0 0.8 0.5

y1 y 2 y3 y 4

0.8 0.1 0.1 0.7 x1
,
0 0.8 0
0 x2

0.9 1 0.7 0.8 x3

y1 y 2 y3 y 4

0.4 0 0.9 0.6

0.9 0.4 0.5 0.7

0.3 0 0.8 0.5

x
1
x
2
x
3

R S = x est beaucoup plus grand que y et x est trs proche de y

x
R S x, y min 1
x2
x
3

x
1
x
2
x
3

y1 y 2 y3 y 4

0.8 0.1 0.9 0.7


0.9 0.8 0.5 0.7

0.9 1 0.8 0.8


y1 y 2 y3 y 4

0.4 0 0.1 0.6


0 0.4 0
0

0.3 0 0.7 0.5

20

Les relations floues (6) - Oprations


Soit une relation floue sur U V, la projection de R sur U (U) et la
projection de R sur V (V) sont dfinies par :
Soit

R : U V 0 , 1
u, v R u, v
Alors

x1
x
2
x
3

R x, y

u sup R u, v

v V

et

v sup R u, v

u U

Exemple :

y1 y 2 y3 y 4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8 alors

x
x sup 1
x2
x3

et

x
y sup 1
x2
x3

y1 y 2 y3 y 4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8


y1 y 2 y3 y 4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8

0.8 0.8 1

y Y
x
x
x3
1
2

0.9 1 0.7 0.8

x X
y
y
y
y4
1
2
3

Les relations floues (7) - Oprations


On dfinit le produit cartsien de deux ensembles flous A et B par
(Mandani) :
Soient

A : U 0 , 1
u A u

Alors

B : V 0 , 1
v B v

et

A B u, v min( A u , B v )

Le produit cartsien de deux ensembles flous est une relation floue.

La composition de deux relations floues est dfinie par (Mandani) :


Soient

R : U V 0 , 1
u, v R u, v

Alors

et

S : V W 0 , 1
v, w S v, w

R S u, w sup min R u, v , S v, w
vV

21

22

Les relations floues (8) - Oprations

Exemple (au sens Mandani)


R = x est beaucoup plus grand que y, S = y est trs proche de z

R x, y

x1
x2
x3

y1 y 2 y3 y 4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8

S y, z

y1
y2
y3
y4

z3

z1

z2

0.4
0
0.9
0.6

0.9 0.3
0.4 0

0.5 0.8

0.7 0.5

alors leur composition est R S.

R S

x
x, z 1
x
2
x
3

y1

y2

y3

y4

0.8 0.1 0.1 0.7


0 0.8 0
0

0.9 1 0.7 0.8

y1
y
2
y3

y4

z1
0.4
0
0.9
0.6

z 2 z3

0.9 0.3
0.4 0

0.5 0.8

0.7 0.5

x
1
x
2
x
3

z1 z 2 z3

0.6 0.8 0.5


0 0.4 0

0.7 0.9 0.7

sup
sup 0sup
.4, 0,000,,.010.,,400,.,060, 0

23

Le raisonnement flou (1) - Introduction

Oprateurs de
logique floue
Ensembles
flous
Variables
dentre
e1
e2
em

..

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
u1
u2
Dfuzzification
un

..

24

Le raisonnement flou (2) - Implication

Implication
Logique classique :

p q quivaut p q on obtient la table de vrit suivantep:


(si p est vrai alors q est vrai
1
donc p q est faux quand p vrai et q vrai)

q
1
0
1
0

1
0
0

pq
1
0
1
1

Logique floue :

Il ny a pas une seule dfinition !

Lextension de la dfinition prcdente est appele limplication de KleeneDienes :


A B quivaut

A B u, v max

1 A u , B v

A B u, v min

On utilise couramment limplication de Mandani :

A u , B v

Le raisonnement flou (3) - Le raisonnement


approximatif

25

Le raisonnement approximatif
Thorie du raisonnement approximatif introduite par Zadeh en 1979.

Concept de base : reprsentation de propositions par des formules


affectant des ensembles flous comme valeurs aux variables.

Soient deux variables x X et y Y, et une relation de cause effet entre


x et y, parfaitement connue : y = f ( x ). Alors on peut effectuer
linfrence :
prmisse :

y=f(x)

Fait :

x = x

Consquence : y = f ( x )

Le raisonnement flou (4) - Le raisonnement


approximatif

26

La plupart du temps, on ne connat le lien de cause effet f entre x et y quen certaines


valeurs x particulires. On a une base de rgles :
1 :

si x = x1 alors y = y1

2 :

si x = x2 alors y = y2

n :

si x = xn alors y = yn

Il faut alors, connaissant x X, trouver y Y correspondant x conformment la base


de rgles.

Le problme de base du raisonnement approximatif est de trouver la fonction


dappartenance de la consquence C dune base de rgles { 1, , n } et dun fait x est A.
1 :

si x est A1 alors y est C1

2 :

si x est A2 alors y est C2

n :

si x est An alors y est Cn

Fait : x est A
Consquence :

y est C

Le raisonnement flou (5) - Le raisonnement


approximatif
Zadeh a introduit un certain nombre de rgles de traduction pour
reprsenter des affirmations linguistiques.

inclusion
x est A
AB
x est B

et
x est A
x est B
x est A B

Marie est trs jeune


trs jeune jeune
Marie est jeune
La pression n est pas trs haute
La pression n est pas trs basse
La pression n est pas trs haute et pas trs basse

projection
( x, y) sont en relation R ( x, y ) sont proche de ( 2, 3 )
x est X( R )

x est proche de 2

( x, y) sont en relation R ( x, y ) sont proche de ( 2, 3 )


y est Y( R )

y est proche de 3

ngation
non ( x est A ) non ( x est grand )
x est A

x est non grand

27

Le raisonnement flou (6) - Le raisonnement


approximatif

28

La rgle de raisonnement la plus importante est celle du modus podens


gnralis.

Modus podens :
implication :
si x est A alors z est C
fait :
x est A
consquence : z est C

Modus podens gnralis


implication :
si x est A alors z est C
fait :
x est A
consquence : z est C

o
est dtermine
la composition
et de limplication
C la
' consquence
A ' A C C soit
C ' z parsup
min A ' xdu
, fait
, z Z:
AC x, z
xX

Au sens de Mandani, la fonction dappartenance de la consquence C est dfinie

C ' A' A C

et A C x, z min A x , C z

par :

soit

C ' z

sup min A ' x , min A x , C z


xX

, zZ

29

Le raisonnement flou (7) - Infrences floues

Application du raisonnement approximatif : linfrence floue


Rgle dinfrence (au sens Mandani):

C1
or

soit

1 :

si x est A1 alors z est C1

fait :

x est x0

consquence :

z est C1

xX

x 0,

C1 z

sup min x

x x0

o la consquence C1 est dtermine par :

x , min A1 x , C1 z

donc C1

min A1 x0 , C1 z
(x)

min x

, zZ

x0 , min A1 x0 , C1 z

min 1 , min A1 x0 , C1 z

, zZ
C1(z)

C(z)

C
C1

0
x

, zZ

, zZ

30

Le raisonnement flou (8) - Infrences floues


Agrgation des rgles (au sens Mandani):
1 :

si x est A1 alors z est C1

2 :

n :

si x est A2 alors z est C2

Fait :

x est x0

o la consquence C est dtermine par :

soit

Consquence : z est C
(x)

si x est An alors z est Cn

C
C(z)

i 1, n

i 1, n

C1
0
(x)

x
0

C2(z)
C(z)

C C2

C1(z)
C2(z)
C(z)

z
C

C2

C1
0

Ci

, zZ

max min Ai x0 , Ci z

C1(z)

max

, zZ

31

Le raisonnement flou (9) - Infrences floues


Prmisses composes :

Si les prmisses sont composes, on utilise lunion pour le ou et lintersection pour


le et afin de dterminer la fonction dappartenance de la condition.

Exemple :

1 :

si x est A1 et y est B1 alors z est C1

2 :

si x est A2 ou y est B2 alors z est C2

Fait :

x est x0 et y est y0

Consquence : z est C
o la consquence C est dtermine par (Mandani) :

C
soit

z ,

C 2

, zZ

max min A1 B1 x0 , y0 , C1 z , min A2 B2 x0 , y0 , C2 z

soit encore pour

max C 1

, zZ

zZ

max min min A1 x0 , B1 y0 , C1 z , min max A2 x0 , B2 y0 , C2 z

32

Le raisonnement flou (10) - Infrences floues

(x)

(y)

ET = min

C1(z)
C(z)

C1
0
x

OU = max

(x)

(y)

y0

0
y

C2(z)
C(z)

C C2

1 :

si x est A1 et y est B1 alors z est C1

2 :

si x est A2 ou y est B2 alors z est C2

Fait :

x est x0 et y est y0

Consquence :

z est C

C1(z)
C2(z)
1
C(z)

C2

C1

33

La dfuzzification (1) - Introduction

Oprateurs de
logique floue
Ensembles
flous
Variables
dentre
e1
e2
em

..

Fuzzification

Base de rgles
floues

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
u1
u2
Dfuzzification
un

..

34

La dfuzzification (2) - Dfinition

Dfinition
Lobjectif de la dfuzzifcation est de transformer un ensemble flou en en une
valeur de commande. Soit C un ensemble flou, et defuzz loprateur de
dfuzzification :
zu = defuzz(C), est une valeur prcise.

Les oprateurs de dfuzzification sont nombreux, citons par exemple :

Le centre de gravit
dw souvent employe)
w C w(trs
wi C wi
zu Z
ou
zu Z
C wi
C w dw
Z

La moyenne
w dw des maximums

zu G
, o G g Z

dw
zu

G
1 N

zi ,

N i 1

zi Z

et

C g max C z ,
zZ

C zi max C z j
z j Z

ou
C(z)

0
zu

35

Rgulation Floue (1) - Introduction

Rappelons la structure classique dun rgulateur flou


c +

Rgulateur flou

Systme

Oprateurs de
logique floue

Variables
dentre
e1
e2 .
..
em

Pr-traitement

Ensembles Base de rgles


flous
floues

Fuzzification

Mthode
dinfrence
floue

Raisonnement
flou

Dfuzzificateur
Variables
de sortie
Dfuzzification Post-traitement..
.

u1
u2
un

Rgulation Floue (2) - Pr-traitement

36

Pr-traitement
Les mesures en entre doivent tre conditionnes :

Quantification, chantillonnage ;

Normalisation, mise lchelle ;

Filtrage ;

Moyennage pour obtenir des tendances ;

combinaison pour obtenir des indicateurs ;

diffrentiation, intgration ou leurs quivalents discrets.

Univers du discours :

Il contient tous les lments qui seront pris en considration.

Il est continu ou discret.

Univers standard : utilisation de la mise lchelle, dune limitation (ventuellement).

Rgulation Floue (3) - Fuzzification

37

Fuzzification
Conversion des donnes en entre en degr dappartenance par
lintermdiaire de fonctions dappartenance.
Permet de dterminer le degr de confiance de chacune des conditions des
rgles pour la valeur de lentre (instance).
Il y a un degr dappartenance par terme linguistique sappliquant
lentre.

Rgulation Floue (4) - Fuzzification

38

Fonctions dappartenance

Comment doit-on dterminer la forme des ensembles ?


Combien densembles sont ncessaires et suffisants ?
Un terme doit tre suffisamment large pour autoriser du bruit de mesure
Un certain degr de recouvrement est ncessaire pour viter des tats mal dfinis
conduisant des sorties mal dfinies.
Commencer par des ensembles triangulaires symtriques et trois ensembles pour
chaque variable. Plus de sept ensembles napporte aucune amlioration.
Pour les variables dentre :
Choisir les largeurs de faon ce que chaque valeur de lunivers appartienne deux
ensembles au moins ; except pour les extrmits.
Sil y a un trou entre deux ensembles, aucune rgle ne se trouve active pour ces
valeurs, la fonction de rgulation nest pas dfinie.

Pour la variable de sortie :


Les trous sont souhaitables.
Si la fonction est dfinie sous forme de singletons, alors le calcul est plus simple, on peut
utiliser les commandes maximales (obtention dun phnomne transitoire rapide en cas
de grandes variations), lcriture des rgles est plus intuitive.

Rgulation Floue (5) - Base de rgles

39

Base de rgles
Les rgles peuvent mettre en jeu plusieurs variables dans leurs conditions et
leurs conclusions.
Le contrleur ncessite, en gnral, en entre lerreur et la drive de
lerreur :

Reprsentation sous forme de rgles :


si lerreur est ngative et la drive de lerreur est ngative alors la sortie est trs ngative
si lerreur est ngative et la drive de lerreur est nulle alors la sortie est ngative
si lerreur est ngative et la drive de lerreur est positive alors la sortie est nulle
si lerreur est nulle et la drive de lerreur est ngative alors la sortie est ngative
si lerreur est nulle et la drive de lerreur est nulle alors la sortie est nulle
si lerreur est nulle et la drive de lerreur est positive alors la sortie est positive
si lerreur est positive et la drive de lerreur est ngative alors la sortie est nulle
si lerreur est positive et la drive de lerreur est nulle alors la sortie est positive
si lerreur est positive et la drive de lerreur est positive alors la sortie est trs positive

Rgulation Floue (6) - Base de rgles

Reprsentation sous forme de relations :


erreur

drive de lerreur

sortie

ngative ngative

trs ngative

ngative

nulle

ngative positive

nulle

nulle

ngative

ngative

nulle

nulle

nulle

nulle

positive

positive

ngative

positive ngative

nulle

positive nulle

positive

positive positive

trs positive

Reprsentation sous forme de table :


drive de lerreur
ngative

nullepositive

ngativetrs ngative ngativenulle


erreur

nulle ngative nulle positive

positivenulle

positivetrs positive

Dans le cas ou une case est vide, cela signifie quil manque une rgle.

40

Rgulation Floue (7) - Bases de rgles

41

Connexions :

les connexions et et ou sont en gnral dfinies par :


A et B : min ( A , B )

A ou B : max ( A , B )

ou
A et B : A * B

A ou B : A + B - A * B

Infrence :

dtermination du degr dappartenance de chacune des conditions des rgles ,

activation de la rgle, dtermination de la consquence (min)

agrgation des rgles (max)

La mthode choisie peu dinfluence sur le rsultat.

Rgulation Floue (8) - Dfuzzification - Post-traitement

42

Dfuzzification
Utilisation de diffrentes mthodes :

centre de gravit, centre de gravit pour les singletons,

bissectrice

moyenne des minimums

calcul facilit lorsque les fonctions dappartenance de la variable de sortie sont


disjointes.

Post-traitement
la mise lchelle de la sortie doit tre effectue pour que la valeur de sortie

dfinie sur un univers de discours soit transforme en valeur de commande


physique.

Rgulation Floue (9) - Influence des fonctions


dappartenance

Influence des fonctions dappartenance


Variables : erreur [-100, 100 ] en entre et u [-100, 100 ] en sortie
Base de rgles :

si lerreur est ngative alors la sortie est ngative

si lerreur est nulle alors la sortie est nulle

si lerreur est positive alors la sortie est positive

Mthodes dinfrence : activation - min ; agrgation - max


Dfuzzification : centre de gravit

On considre le rgulateur comme une fonction f telle que : y=f(u)

43

Rgulation Floue (10) - Influence des fonctions


dappartenance

44

Ensembles triangulaires en entre et en sortie

Sortie en fonction de lentre

Contrairement au rgulateur linaire (en jaune), le gain du rgulateur flou varie.

Ce rgulateur nutilise pas la dynamique complte de la sortie. On ne peut pas


conduire la sortie 100%.

Le gain est toujours gal ou infrieur celui du rgulateur linaire.

Rgulation Floue (11) - Influence des fonctions


dappartenance
Ensembles triangulaires en entre , singletons en sortie

Sortie en fonction de lentre

Les singletons en sortie liminent le problme de dynamique en sortie.

La relation entre sortie est linaire.

45

Rgulation Floue (12) - Influence des fonctions


dappartenance
Ensembles trapzodaux en entre , singletons en
sortie

Sortie en fonction de lentre

Les plateaux en entre produisent des plateaux en


sortie ainsi que des grand gains loins de la
Augmenter
la largeur
du terme
milieu mortes
conduitavec
un
rfrence. Cest
similaire
des zones
plateau
plus large autour de la rfrence.
saturation.
Des recouvrements plus faibles dans les ensembles
voisins conduisent des pentes plus raides.

46

Rgulation Floue (13) - Influence des fonctions


dappartenance
Ensembles Gaussiens en entre , singletons en sortie

Sortie en fonction de lentre

La relation entre sortie est plus lisse.

47

Rgulation Floue (14) - Influence des fonctions


dappartenance
Augmentation du nombre densembles

Sortie en fonction de lentre

La relation entre sortie est plus chahute.

48

Rgulation Floue (15) - Influence des fonctions


dappartenance
Augmentation du nombre densembles

Sortie en fonction de lentre

On peut contraindre le plateau de rfrence

49

Rgulation Floue (16) - Influence des fonctions


dappartenance

50

Conclusion

On peut dans une certaine mesure agir sur le gain.

Lutilisation de singletons en sortie facilite le rglage du contrleur.

Les facteurs dchelle ont une importance non ngligeable.


En dehors du domaine de variation autoris (saturation), le rgulateur applique une
action maximale, alors qu lintrieur du domaine, laction est dose.
Si on agrandit le domaine de variation, on sature moins vite lorsque lerreur est
importante mais on a moins de finesse de rgulation lorsque lerreur est faible.

Rgulation Floue (17) - Analyse de stabilit

51

Analyse de stabilit
Question ouverte : aspect recherche
Un rgulateur par logique floue possde une caractristique non linaire.
Utilisation des mthodes suivantes pour lanalyse de stabilit :

Mthode directe de Lyapounov,


relations compliques, mthode restrictive.

Thorie de lhyperstabilit,
Relations plus simples que celles de la mthode de Lyapounov, mthode restrictive.

Mthode de lespace dtat,


Systmes du 2ime ordre, pas de conclusion gnrale.

Critre de Popov,
Mthode rigoureuse.

Mthode du premier harmonique.


Mthode approximative.

Rgulation Floue (18) - Application

Etude dun systme du deuxime ordre :


2

k n
2
p2 2 z n p n

choix 1 : n = 10 ; z=0.5

choix 2 : n = 10 ; z=0.2

52

Rgulation Floue (18) - Application

Rgulateur flou tude avec erreur en entre :


Fonction de sortie : 3 singletons - vneg -1, zro 0; vpos 1
Rgles :

Schma Simulink

53

Rgulation Floue (19) - Application

Influence des fonctions


dappartenance en entre :

54

Rgulation Floue (20) - Application

Influence des fonctions dappartenance en entre :

55

Rgulation Floue (21) - Application

Influence des fonctions dappartenance en entre :

56

Rgulation Floue (22) - Application

Influence des fonctions dappartenance en entre :

57

Rgulation Floue (23) - Application

Rgulateur flou tude avec erreur en entre :


Fonction de sortie : 3 singletons - vneg -1, zro 0; vpos 1
Rgles :

Schma Simulink

58

Rgulation Floue (24) - Application

Influence des fonctions dappartenance en entre :

59

Rgulation Floue (25) - Application

Influence des fonctions dappartenance en entre :

60

Rgulation Floue (26) - Application

Influence des fonctions dappartenance en entre :

61

Rgulation Floue (27) - Application

62

Rgulateur flou tude avec erreur et drive de lerreur en entre :


Fonction de sortie : 5 singletons - vneg -1, neg -0.7; zro 0; pos 0.7; vpos 1
Rgles (drive non utilise) :

Schma Simulink

Rgulation Floue (28) - Application

Influence des fonctions dappartenance en entre :

63

Rgulation Floue (29) - Application

64

Rgulateur flou tude avec erreur et drive de lerreur en entre :


Fonction de sortie : 5 singletons - vneg -1, neg -0.7; zro 0; pos 0.7; vpos 1
Rgles (drive utilise autour de zro) :

Schma Simulink

Rgulation Floue (30) - Application

Influence des fonctions dappartenance en entre :

65

Rgulation Floue (31) - Application

66

Rgulateur flou tude avec erreur et drive de lerreur en entre :


Fonction de sortie : 5 singletons - vneg -1, neg -0.7; zro 0; pos 0.7; vpos 1
Rgles (compltes) :

Schma Simulink

Rgulation Floue (32) - Application

Influence des fonctions dappartenance en entre :

67

Rgulation Floue (33) - Application

Influence des fonctions dappartenance en entre :

68

Rgulation Floue (34) - Application

Influence du gain :

Gain 1 :

Gain 10 :

69

Rgulation Floue (35) - Application

70

Etude de la bille sur un chariot.


Balle : angle et vitesse
Chariot : position, vitesse
Action : force horizontale permettant de dplacer le chariot.
Objectif : mettre la balle en haut de larc (angle de la balle 0) et position du
chariot 0.

Le rgulateur est compos de deux parties, une pour la balle et une pour le
chariot, elles sont indpendantes.
Voir les documents joints : Cart-Ball Users Guide et Analysis Of A
Pendulum Problem.

71

Bibliographie (1)

Livres

P. Borne, J. Rozinoer, J.Y. Dieulot, L. Dubois


Introduction la commande floue
Editions Technip, Colllection sciences et technologies
H. Bler
Rglage par logique floue
Presses polytechniques et universitaires romandes, Colllection lectricit
J. M. Flaus
La rgulation industrielle
Hermes, Trait des nouvelles technologies, srie automatique
L. Gacgne
Elments de logique floue
Hermes
J. Godjevac
Ides nettes sur la logique floue
Presses polytechniques et universitaires romandes, Colllection informatique
M. Mokhtari, M. Marie
Applications de Matlab 5 et Simulink 2
Springer

1998

1994

1994

1997

1999

2000

72

Bibliographie (2)

Livres (suite)

M. Rivoire, J. L. Ferrier
Matlab, Simulink, Stateflow
Technips, Collection informatique
M. Rivoire, J. L. Ferrier
Cours dautomatique ; Tome 3 : Commande par calculateur, identificatiion
Eyrolles
H. Scholten
Logique floue et rgulation PID
Publitronic
A. Zilouchian, M. Jamshidi
Intelligent control systems using soft computing methodologies
CRC Press
K. Passino, S. Yurkovich
Fuzzy control
Addison-Wesley
C. W. de Silva
Intelligent control Fuzzy Logic Applications
CRC Press

2001

1997

1995

2001

1998

1995

73

Bibliographie (3)

Autres

Fuzzy Logic Toolbox for use with Matlab


Users Guide, Version 2, The Math Works Inc.

Articles

S. Galichet, M. Dussud, L. Foulloy


Contrleurs flous : quivalences et tudes comparatives
Les applications des ensembles flous, Nimes 2-3 nov. 1992, pp. 229-236
K. Passino
Intelligent control for autonomous systems
IEEE spectrum, june 1995, pp. 55-62
A. F. Da Rocha, C. K. Morooka, L. Alegre
Smart oil recovery
IEEE spectrum, july 1996, pp. 48-51
P. Vieira, F. Gomide
Computer-aided train dispatch
IEEE spectrum, july 1996, pp. 51-53
H. Ying
Fuzzy systems technology : a brief overview
IEEE Circuit and Systems Newletter, vol. 11, nb 3, Third quarter 2000, pp. 28-37
ISSN 1049-3654

2000

Bibliographie (4)

Articles (suite)

Articles dans la revue Mesure des mois suivants


10/1990 ; 4,6,11/1991 ; 5/1992 ; 1,15/1993 ; 10/1994 ; 1/1995 ; 11/1996 ; 2,5/1997
Articles dans la revue Industries et Techniques des mois suivants
7/1990 ; 11/1991 ; 2,5,11/1992 ; 6,9/1993 ; 5/1994

Logiciel mis disposition

Pendulum simulation, J. Jantzen


User Manual :
http://www.iau.dtu.dk/~jj/pubs/usrguide.pdf
http://www.iau.dtu.dk/~jj/pubs/usrguide.ps
Analysis Of a Pendulum Problem :
http://www.iau.dtu.dk/~jj/pubs/cartball.pdf http://www.iau.dtu.dk/~jj/pubs/cartball.ps
Installation logiciel :
Version 3. 1. Utilise en cours :
http://fuzzy.iau.dtu.dk/tedlib.nsf/htmlmedia/library.html
Slectionner Software, puis cliquer sur pendul31 The cart-Ball Simulator
Version rgulation floue seule :
http://www.erudit.de/erudit/demos/cartball/install.htm
Aide : http://www.erudit.de/erudit/demos/cartball/help.htm

74

Bibliographie (5)

75

Internet

http://www.abo.fi/~rfuller/nfs.html
Cours Neural fuzzy systems, Robert Fullr
http://www.erudit.de/erudit/demos/cartball/index.htm
Fuzzy control of a pendulum problem , J. Jantzen
liens sur diffrents cours.
http://fuzzy.iau.dtu.dk/
The TEDServer
http://ceaspub.eas.asu.edu/PowerZone/fuzzylogic/index.htm
Cours Fuzzy Logic in Decision Making and Signal Processing , Sujit Nath Pant et Keith E.
Holbert
http://gala.univ-perp.fr/~polit/chap0.html
Cours Introduction au contrle des procds, M. Polit
http://www.cs.nthu.edu.tw/~jang/mlbook/demo/#nfsc
Matlab Demos, J. R. Jang
http://eewww.eng.ohio-state.edu/~passino/ICbook/ic_code.html
Matlab Code for Biomimicry for Optimization, Control, and Automation, K. Passino

Bibliographie (6)

76

Internet (suite)

http://membres.lycos.fr/ymorere/article.php3?id_article=21
Article : Modle T-S, PDC, LMIs et Rseaux de Neurones , Y. Momre
http://fuzzy.cs.uni-magdeburg.de/nefcon/nef_mat.html
Article : Neuro-Fuzzy Control Based on the NEFCON-Model Under MATLAB / SIMULINK ,
A. Nrnberger, D. Nauck, R. Kruse
http://pws.prserv.net/Electron.libre/Electron.libre/dossiers/la_logique_floue.htm
Article : la logique floue , L. Doris
http://www.cs.berkeley.edu/~zadeh/
Page personnelle de L. Zadeh
http://www.iau.dtu.dk/~jj/address.html
Page personnelle de J. Jantzen
http://ist.psu.edu/yen/
Page personnelle de J. Yen
http://ymorere.multimania.com/
Page personnelle de Y. Morre

77

Sommaire (1)

Introduction
Les ensembles flous

Les relations floues

Dfinition

Rgulation floue

Implication
Raisonnement approximatif
Infrence floue

La dfuzzification

Dfinitions
Oprations

Le raisonnement flou

Dfinitions
Oprations
Proprits

Pr-traitement
Fuzzification
Base de rgles
Dfuzzification - Post-traitement
Influence des fonctions dappartenance
Stabilit
Application

Bibliographie

2
7
8
13
14

15
16
18

23
24
25
29

33
34

35
36
37
39
42
43
51
52

71