Sie sind auf Seite 1von 26

Application à la commande floue

Plan du cours
1. Principe de la commande floue
Exemples introductifs
Avantages et inconvénients/techniques
classiques
Boucles de régulation standards

2. Synthèse d’un RLF: approche méthodologique


Étapes de la synthèse
Fuzzification
Expertise
Inférences
Défuzzification

3. PID flou
Variantes et extension

2
Principe de la commande floue
La commande floue a pour but de traiter des problèmes de commande
de processus à partir uniquement de connaissances de comportement
que les spécialistes du procédé doivent formuler sous forme
linguistique (floue).

En commande floue, la connaissance des diverses fonctions


de transferts n’est pas nécessaire.

Exemple: Commande de véhicule autonome.


Commande de température d’un serre
Régulation de niveau complexe
Commande avec capteur imprécis (Camera…)
3
Exemple 1 commande floue

http://www.tn.refer.org/hebergement/cours/logique_floue/appli.html

Éclairage
Température
Ventilation
Humidité Serre
Chauffage/Refroidissement
Rayonnement Agricole
Humidification

4
Exemple 2 commande floue

Lire Article R 7 429 des techniques de l’ingénieur


« Pilotage de direction automobile par logique floue. »
J-C RIAT

Position
Cap/chaussée
Véhicule Pas moteur volant
Vitesse
autonome
Angle volant

5
Avantages et inconvénients de la commande floue

Avantages
1. La théorie est simple et s’applique à des systèmes complexes
2. Pas de modèles mathématiques requis du procédé à asservir
3. Robustesse de la commande floue vis à vis des incertitudes.
4. Possibilités de commande auto-adaptative aux variations du procédé

Inconvénients
1. Technique de réglage essentiellement empirique.
2. Performances dépendent de l’expertise.
3. Il n’existe pas de théorie générale qui caractérise rigoureusement la
stabilité, la robustesse..(Difficultés de certification dans le transport, espace…)

6
Boucle de régulation floue standard

Autres entrées
Variation
SP erreur Commande Commande Mesure
+
Système
-
Variation
erreur

Entrées usuelles : L’erreur et la variation de l ’erreur


Sortie usuelle : La variation de la commande

 On place en sortie du RLF un intégrateur pour déterminer la


7
commande effective à appliquer au système.
Boucle de régulation floue standard (version discrète)

Autres entrées

SP(k)+ erreur(k) erreur(k)  Commande(k) Commande(k)

+
-
-  erreur(k)

mesure(k)

SP(k)+ erreur(k) erreur(k)

-
1  z 1
mesure(k)  erreur(k)
8
Structure générale d’un correcteur flou
Correcteur flou
Base de connaissances

Inférences
Fuzzification Défuzzification
Raisonnement flou

Mesures floues Commande floue

Mesures Commande
Procédé

 3 modules pour un régulateur à logique floue.


1. La fuzzification des entrées et sorties.
2. L’inférence floue selon une base de règle.
3. La défuzzification des sorties. 9
Approche méthodologique
Quelles E/S choisir?
Étude systémique du système Quelle fréquence de travail?

Pour chaque E/S choisie:


Quel Univers du discours?
Fuzzifier Quelle partition floue?
Quelles fonctions d’appartenances?

Formaliser l’expertise Combien et quelles règles choisir?

Choisir la méthode d’inférence Choix de la méthode d’inférences?

Défuzzifier Choix de la méthode de défuzzification?

Tester, ajuster et valider Ajustement des E/S considérées,


des partitions floues,des fonctions d’appartenances?
la commande 10
1er étape : Étude systémique du processus à asservir

Consignes {ei} Commandes {ui} Sorties {si}


Processus à
RLF
asservir

Variables internes {xi}

RLF: Régulateur à Logique Floue

• Choix des variables E/S importantes et secondaires pour la description du fonctionnement


du processus à asservir

• Choix de la fréquence d’échantillonnage (Filtrage amont + Critère de Shannon)

• Bien souvent, on a besoin de :


L’écart = Consigne-Sortie.
La variation d’une grandeur xi  xi  kTe   xi  kTe  Te  11
2iéme étape: Fuzzifier toutes les entrées et sorties du processus.

C’est à dire donner pour chacune des grandeurs :

• 1/3 Son univers du discours U i.e.:Sa plage de variation physique

Exemple: Vitesse véhicule peut varier de 0 à 180 Km.h-1

• 2/3 Les classes d’appartenance floue qui partionnent l’univers du discours


Exemple:
Vitesse véhicule (sur autoroute) est comprise entre :
0 et 70 Km.h-1 classe des vitesses: dangereuse
50 et 90 Km.h-1 faible
80 à 130 Km.h-1 moyenne
100 et 140 Km.h-1 normale
140 et 180 Km.h –1 excessive

Vitesse véhicule  Dangereuse, Faible, Moyenne, Normale, Excessive

• 3/3 Les fonctions d’appartenances de chacune des classes définies


Qui définissent, pour un vitesse donnée, le degré d’appartenance à chacune des12classes.
2iéme étape suite : Remarques pour une bonne fuzzification (1/3)
Les classes floues doivent se chevaucher mais pas trop…..
Température froide à 100% et tempérée à 100%
Information contradictoire

Température non reconnue par le RLF 3 classes se chevauchent : Imprécision….

A proscrire…

Bonne partition de l’univers du discours 13


2iéme étape suite : Remarques pour une bonne fuzzification (2/3)
La largueur des classes floues jouent sur la précision du RLF…..

Ensemble flou standard :


GN Grand Négatif
MN Moyen Négatif
PN Petit Négatif
EZ Environ Zéro
PP Petit Positif
MP Moyen Positif Si on souhaite plus de précision,
GP Grand Positif
Il faut diminuer la largueur de la classe EZ
(et donc, ici, augmenter celle de PG).

14
2iéme étape suite : Remarques pour une bonne fuzzification (3/3)
Si le processus réagit différemment de part et d’autre du point de
consigne, on peut dé-symétriser les classes d’appartenance.

Les fonctions d’appartenances sont dans la plupart des applications


des fonctions triangles ou trapèzes

Des formes plus


compliquées n’apportent
rien de plus…

15
3ième étape : L’expertise….

Les RLF utilisent une expertise exprimée sous forme d’une base de
règles du type: Si….Alors…
Si  Conditions sur entrées  Alors  Action sur sortie 

« Si la pression est élevée alors ouvrir un peu la vanne »

Ces règles sont énoncées à partir des connaissances du


procédé qu’on a en tant qu’expert.

16
3ième étape : Base de règles (1)

Si l'on considère n univers de discours U i pour les entrées du RLF


et que chaque univers U i est partitionné en mi classes floues
n
Alors le nombre maximal de règles est:
rmax   mi
i 1

Très vite, le nombre de règles peut devenir important.

 On peut ne pas considérer certaines configurations de sous-ensembles flous


impossible à obtenir par le processus.
Exemple: Commande automatique de freinage
« Si Vitesse importante ET Distance à l’obstacle est nulle » n’est pas à considérer

 L’augmentation de la sensibilité obtenue par une partition


plus fine des entrées aboutit à un accroissement important du
nombre de règles à définir par l’expert. 17
3ième étape : Base de règles (2)
Lorsque toutes les règles sont du type:« Si ( ) ET ( ) ET ( ) …Alors ( ) »
La base de règles s’écrit sous forme d’une matrice d’inférence.

Entrée e1
Sortie
GN MN EZ MP GP
GN GP MP
MN MP EZ MN
e2 EZ GP MP EZ MN GN
MP MP EZ MN
GP MN GN

Si (e1 est EZ) Et (e2 est GP) Alors (Sortie est GN) 18
Bases de règles à 4 variables d’entrées

19
4ième étape : Inférences floues
Inférence :
Opération logique par laquelle on admet une proposition en vertu de sa liaison avec
d’autres propositions tenues pour vraies.

Exemple:
« Si la pression est élevée alors ouvrir un peu la vanne » Supposons P  2,1 bar.
Cette pression aboutit, d’après la fuzzification, à un degré d’appartenance de 0,7 à la classe
floue « Pression élevée ».

L’inférence floue donnera, par exemple, un coefficient de vérité de 0,6 à l’action


« Ouvrir un peu la vanne ».

L’étape suivante de défuzzification fera correspondre une ouverture à 40% à ce coefficient 0,6

L’inférence floue transforme un degré d’appartenance


en un autre degré d’appartenance 20
4ième étape : Méthodes d’inférences pour un RLF
2 principales méthodes
Méthode Méthode

MIN/MAX MAX/PROD
ET  MIN ET  MIN
OU  MAX OU  MAX
ALORS  MIN ALORS  PROD 

Combinaison des règles activées (OU)


Combinaison  MAX Combinaison  MAX

MIN/MAX
Méthode de Mamdani
La plus utilisée

Qualitativement, ces règles donnent sensiblement les mêmes résultats


21
5ième étape : Méthodes de Défuzzification
La défuzzification consiste à transformer le sous-ensemble flou de
sortie en une valeur non floue permettant la commande du système
3 méthodes principales…
• Centre de gravité de la surface. (COG)
Toutes les valeurs de l’univers du discours de sortie interviennent, pondérées par leur
degré de vraisemblance.

• bissection de la surface.
Abscisse qui coupe le surface en 2 parties égales

• Moyenne des maxima.


Moyenne des valeurs de sorties les plus préconisées.

La méthode COG est la plus


utilisée
22
Variante: PID flou

On peut se servir des connaissances pragmatiques que l’on a


des réglages de PID pour changer les coefficients de
l’algorithme PID

 Les coefficients du PID sont alors les sorties floues du RLF

La commande est calculée par l’algorithme PID discrétisé


 T  
uk  K p   k   k 1   e   k  d   k  2   k 1   k 2 
 i Te 

avec : K p  f floue   k ,  k 
 i  f floue   k ,  k 
 d  f floue   k ,  k 
23
Expertise du PID flou
• un gain proportionnel fort
•réduit le temps de montée
•provoque une dépassement
•sature les actionneurs
• un gain intégral fort
• élimine rapidement l’erreur statique
• augmente le temps de montée
• provoque une dépassement en poursuite (lorsque l’écart consigne-mesure est
important).
• un gain dérivée fort
• permet de stabiliser par anticipation
• réduite le temps de montée
• provoque des transitoires abruptes

En poursuite, on aura tendance à vouloir


 augmenter le gain proportionnel et diminuer les gains intégral et dérivée
En régulation, on aura tendance à vouloir
 diminuer le gain proportionnel et augmenter les gains intégral et dérivée
24
PID flou: conclusion
Les règles seront du type :
« Si SP-PV est négative ET sa dérivée est négative ALORS augmenter Kp

« Si SP-PV est faiblement négative ET sa dérivée est positive ALORS


diminnuer Kp » (Comportement en régulation qui évite le dépassement)

(SP : Set Point, PV: process value)

Les paramètres du PID flou évolue continûment


selon une loi adaptative et non non linéaire.

Réalise un compromis entre une bonne commande en poursuite et une bonne


commande en régulation

25
Conclusion (partielle).

1. Méthode de régulation non linéaire et multi-


variables (MIMO).

2. Apporte des solutions à des problèmes compliqués


ou difficilement modélisables.

3. Pas de méthodes générales de synthèses.Synthèse


effective par compagne de tests.

26