Chapitre III
Chapitre III
Chapitre III
Chapitre III :
Commande Floue en vitesse de la
MADA
III.1. Introduction
La logique floue (Fuzzy logic dans la terminologie anglo-saxonne) est une branche
de l’intelligence artificielle, tout comme les réseaux de neurones et les algorithmes
génétiques, suscite depuis la dernière décennie un nombre important de travaux et
d’articles scientifiques. Ce sont les premières approches du concept d’incertitude
d’Heisenberg développées par des chercheurs américains dans les années 20 qui ont
conduit à son apparition. Mais ce n’est qu’en 1965 que le professeur L.Zadeh, de
l’université de Berkeley en Californie et automaticien de réputation internationale, propose
les bases théoriques de cette logique dans un article célèbre intitulé « Fuzzy set »
(Ensemble flou).
69
Chapitre III : Commande Floue en Vitesse de la MADA
Bien que les bases théoriques de cette approche aient été établie dés 1965, ce n’est
que récemment que ses principes ont été appliqué au domaine des machines électriques.
On citera parmi d’autres l’importante contribution du professeur B.K.Bose et de son équipe
de l’université du Tennessee [34], [35], [36], [37], [38].
Puis après avoir synthétisé un contrôleur flou à cinq fonctions d’appartenance, nous
comparerons le comportement du processus [MADA + Onduleurs] commandé par le
contrôle vectoriel à celui du même processus équipé du contrôleur conventionnel de type
PI définit au chapitre précédent. Des tests de simulation ont étés effectués sous les mêmes
70
Chapitre III : Commande Floue en Vitesse de la MADA
conditions, et avec les mêmes profils dans le but de vérifier les qualités de poursuite, de
régulation et leur robustesse vis-à-vis des variations paramétriques du moteur.
µ A : X → [0,1]
1 ; si x ∈ A
µ A ( x) : (III.1)
0 ; sinon
X représente l’ensemble de référence (référentiel) ou univers de discours.
La notion d’ensemble flou permet des graduations dans l’appartenance d’un élément
à une classe, c'est-à-dire autorise un élément à appartenir plus au moins fortement à cette
classe.
A = {( x, µ A ( x) ) x ∈ X } (III.2)
µ A : X → [0,1]
(III.3)
x → µ A ( x)
Exemple :
Considérons le terme « chaud » qui définit l’ensemble de toutes les températures plus
élevées que 30°C. Alors la fonction caractéristique de cet ensemble dénotée par « µ chau »
71
Chapitre III : Commande Floue en Vitesse de la MADA
Ainsi, la température mesurée de 29.999°C est considérée comme pas chaud !donc
elle n’appartienne pas à l’ensemble des températures chaudes et ainsi, µ chaud (29.999) = 0 .
On peut considérer que 29°C est toujours assez chaud et que 31°C est toujours chaud
mais pas autant que 35°C et plus. Ceci résulte dans une transition graduelle d’une
appartenance (complètement juste) à une non appartenance (pas juste du tout) [40].
72
Chapitre III : Commande Floue en Vitesse de la MADA
Les représentations graphiques des fonctions d’appartenances les plus utilisées sont
illustrées dans la figure (III.3), leurs expressions analytiques sont définies de la manière
suivante :
0 x≤a
x −a
a≤ x≤b
b − a x−a c−x
µ ( x) = ou µ( x) = max min , ,0 (III.4)
c − x b≤x≤c b− a c −b
c − b
0 c≤x
0 x≤a
x −a
a≤ x≤b
b − a
x−a c−x
µ ( x) = 1 b≤x≤c ou µ( x) = max min ,1, ,0 (III.5)
d − x b−a c−b
b≤x≤c
d −c
0 x≤a
1
µ ( x) = (III.6)
x − x0
2
1+
a
73
Chapitre III : Commande Floue en Vitesse de la MADA
µ(x) µ(x)
1 1
x x
a b c a b c d
µ(x) µ(x)
1 1
0.5 0.5
Les fonctions d’appartenance sont le plus souvent représentées par les fonctions
triangulaires et trapézoїdale, donc par des segments de droite, et sont alors dites linéaires
par morceaux, aussi elles sont très employées car simples et comportent des points
permettant de définir les zones où la notion est vraie ou fausse, ce qui simplifie le recueil
de l’expertise [33].
De façon générale, ces deux formes sont suffisantes pour délimiter des ensembles
flous. Cependant, les formes cloches et gaussienne peuvent être utilisées car elles donnent
dans certains cas une meilleure représentation des ensembles flous [41].
Soit une variable floue x, on définit un ensemble flou A sur un univers de discours X
par une fonction degré d’appartenance :
µ A : X → [0,1]
(III.9)
x → µ A ( x)
L’univers de discours est l’ensemble des valeurs réelles que peut prendre la variable
floue x et µA(x) est le degré d’appartenance de l’élément x à l’ensemble floue A.
74
Chapitre III : Commande Floue en Vitesse de la MADA
Exemple :
L’ensemble des nombres x >>10 (nombre très grand devant 10) peut avoir comme
univers de discours l’ensemble des nombres positifs.
Lorsque cet intervalle se réduit aux valeurs [0,1], la fonction d’appartenance, prend
alors les valeurs binaires 0 et 1 et l’ensemble A est un ensemble ordinaire. Si A est un
ensemble flou discret fini, il peut être exprimé par :
n
A = µ A ( xi ) / xi + .... + µ A ( xn ) / xn = ∑ µ A ( xi ) / xi (III.10)
i =1
∫µ A ( x) / x (III.11)
Exemple :
75
Chapitre III : Commande Floue en Vitesse de la MADA
• Support :
Supp( A) = {x ∈ X / µ A ( x ) ≠ 0} (III.12)
• Noyau :
Noy ( A) = {x ∈ X / µ A ( x ) = 0} (III.13)
Autrement dit, le noyau est constitué des éléments qui satisfont pleinement la
caractéristique vague définie par A. Lorsque le noyau n’est pas vide, on dit que l’ensemble
flou A est normal ou normalisé, sinon on dit qu’il est sous-normal. Si A est classique alors :
Noy ( A) = A .
• Hauteur :
Hauteur
x
0
a b c d
Noyau Support
• Couple de niveau α :
Aα {x ; µ A ( x) ≥ α } (III.15)
76
Chapitre III : Commande Floue en Vitesse de la MADA
On appelle α-niveau ou α-coupe telle que µ A (x) = α pour tout x ∈ Ax et on note par :
Aα = {x ; µ A ( x) = α } (III.16)
On remarque qu’une α-coupe définit un seuil de satisfaction du caractère flou énoncé par
A.
x appartient à A et B ⇔ x ∈ A ∩ B ⇔ µ A∩ B ( x )
x appartient à A ou B ⇔ x∈ A ∪ B ⇔ µ A∪ B ( x )
x appartient au complément de A ⇔ x∈ A ⇔ µ A ( x )
77
Chapitre III : Commande Floue en Vitesse de la MADA
Les systèmes basés sur la logique floue utilise pour prendre des décisions la
connaissance humaine présentée sous forme de règles floues, encore appelées règles
d’inférence. Elles sont exprimées sous la forme :
Une règle floue est donc une combinaison entre une condition, nommée prémisse ou
prédicat qui peut prendre de plusieurs variables liées entre elles par des opérateurs ET, OU,
NON et une conclusion ou conséquence.
Les prémisses et conclusions forment des propositions floues exprimées par une
conjonction ou une disjonction de prédicats, les conclusions sont obtenues par implication
des propositions floues :
78
Chapitre III : Commande Floue en Vitesse de la MADA
- une implication entre deux propositions floues définit également une proposition
floue :
SI x1 est A1 ALORS x2 est A2
Le raisonnement flou, fondé sur les règles d’inférence est une généralisation du
modus ponens (du latin raisonnement par l’affirmation) qui prend en considération l’aspect
graduel inhérent aux sous-ensembles flous, et que l’on exprime par [44], [32] :
A, B, A’, B’ étant labels linguistiques relatifs aux sous-ensembles flous leur correspondant.
Plus généralement, l’expertise est donnée sous forme d’un ensemble de n règles,
désigné par le terme de système d’inférence flou (SIF), présenté par une énumération du
type :
79
Chapitre III : Commande Floue en Vitesse de la MADA
L’opérateur OU n’est pas utilisé dans les conclusions car il introduirait une
incertitude dans la connaissance, l’expertise ne permettrait pas de déterminer quelle
décision prendre. De même, l’opérateur NON n’est pas employé, en effet si une règle avait
par exemple la conclusion : « ALORS ventillation NON moyenne », il serait impossible de
dire si cela signifie « ventillation faible » ou « ventillation forte », cela serait encore un cas
d’incertitude [33]. Quatre étapes sont donc nécessaires pour obtenir la conclusion finale :
La commande par logique floue a pour objectif d’obtenir une loi de commande
efficace sans posséder de modèle précis du processus à commander, mais à partir d’une
description linguistique qualitative du comportement du système.
La spécificité de la commande floue réside dans le fait qu’il est possible de modéliser
le raisonnement humain. Quant à son intérêt, il apparaît clairement pour les systèmes mal
connus ou difficiles à décrire.
80
Chapitre III : Commande Floue en Vitesse de la MADA
D’autre part, les systèmes flous sont des approximateurs universels, comme l’a
montré L.X.Wang dans [45], [46] et B.KOSKO dans [47], ainsi pour toute fonction
continue f définie de Rn dans Rn et pour tout réel positif ε , il existe un système d’inférence
floue qui permet d’approximer la fonction f à ε près, et par conséquent grâce à cette
propriété et est envisageable de synthétiser des lois de commande non linéaires.
De plus les régulateurs basées sur les concepts de la logique floue peuvent avoir des
performances au moins aussi bonnes que les régulateurs classiques, en effet S.Gallichet et
al démontrent dans [48] et [49] qu’il existe un régulateur flou équivalent à tout régulateur
conventionnel en vertu du principe des équivalences modales.
La structure d’une commande basée sur la logique floue est illustrée sur la figure
suivante :
Base de connaissance
Contrôleur flou
81
Chapitre III : Commande Floue en Vitesse de la MADA
Elle est divisée en deux parties, la base de données et la base de règles et contient les
définitions des sous-ensembles flous d’entrée et de sortie, leurs fonctions d’appartenance,
leurs univers de discours et l’ensemble des règles de commande floues, qui doivent tenir
compte du comportement du système à régler et des buts du réglage envisagé [51].
a) Base de données
Elle fournit toutes les définitions nécessaires à l’élaboration des règles de commande
linguistiques et à la manipulation des données floues dans le contrôleur (univers de
discours, partitions floues, choix des opérateurs, …). Elle est caractérisée par des concepts
qui sont basés sur l’expérience et le jugement de l’expert.
De plus un nombre plus élevé que sept est souvent inutile en terme de précision et le
temps de calcul devient trop grand [6].
82
Chapitre III : Commande Floue en Vitesse de la MADA
Les distributions des fonctions d’appartenance peuvent être symétriques par rapport à
l’axe x = 0 et équidistantes, c'est-à-dire avec les maximas des ensembles flous équidistants
[52].
b) Base de règles
Elle comporte les connaissances concernant le procédé présenté sous forme de règles
indicatives sur l’expérience et l’intuition des opérateurs humains en charge du procédé.
Elles sont élaborées lors d’un dialogue avec l’opérateur humain compétant ou d’une
modélisation quantitative du procédé [53].
Si l’on considère n univers de discours Ui pour les entrées d’un contrôleur flou, et
que chacun d’eux est partitionné en mi sous-ensembles flous, alors le nombre maximal de
règles est :
n
Rmax = ∏ mi (III.20)
i =1
Le nombre de règle est définit par l’expertise et peut être éventuellement inférieur à
Rmax, donc certaines configurations de sous-ensembles flous peuvent ne pas être considérée
car impossible à obtenir par le processus. Enfin, on peut remarquer qu’une augmentation
de la sensibilité de la commande floue obtenue par une partition fine des univers de
discours aboutit à un accroissement des règles à définir.
La fuzzification est l’étape qui consiste en la quantification floue des valeurs réelles
d’une variable, il s’agit donc de quantifier une valeur numérique à l’aide d’un terme
linguistique. Les opérateurs utilisés dans la commande floue agissent sur les sous-
ensembles flous, par conséquent, il est nécessaire de transformer les variables non floues
provenant des entrées en des sous-ensembles flous. Pour ce faire, on utilise un opérateur de
fuzzification qui associe à une mesure de la variable x0 une fonction d’appartenance µ x0 ( x) .
83
Chapitre III : Commande Floue en Vitesse de la MADA
La confiance que l’on accorde aux mesures effectuées guide le choix de l’opérateur
de fuzzification. Si la mesure est exacte, le sous-ensemble flou x0 doit être représenté par
un fait précis, on utilise alors comme opérateur de fuzzification la transformation dite
singleton.
Le bloc d’inference est le cœur du controleur flou, il possède l’aptitude à simuler les
decisions humaines et de déduire (inferer) les actions de commande floue à l’aide de
l’implication floue et des règles d’inference [41].
inférence à une régle, c’est le cas où il faut comparer plusieurs concurrents (objets ou
personnes) dans une certaine situation et en choisir l’optimum. Cette situation se
présente dans les domaines non techniques pour lesquels il faut prendre une décision.
Une règle d’inférence est activée lorsque le degré d’appartenance lié à la condition
de cette règle est non nul. Alors le chevauchement des fonctions d’appartenance implique
en général l’activation d’une ou plusieurs règles d’inférence en même temps.
84
Chapitre III : Commande Floue en Vitesse de la MADA
Linguistiquement :
Symboliquement :
Elle rassemble toutes les règles d’inférences sous forme de tableau. Dans le cas
d’un tableau à deux dimensions, les entrées du tableau représentent les ensembles
flous des variables d’entrées (température : T et vitesse : V). L’intersection d’une
colonne et d’une ligne donne l’ensemble de la variable de sortie définie par la règle.
Il y a autant de cases que de règles.
Exemple :
T
U
F M E
F Z P GP
V E Z Z P
85
Chapitre III : Commande Floue en Vitesse de la MADA
Dans l’exemple précédent, on a représenté les règles qui sont activées à un instant
donné par des cases sombres :
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 est nul pour la règle en question.
b) Méthodes d’inférence
Ces méthodes se différencient essentiellement par la manière dont vont être réalisés
les opérateurs (ici "ET" et "OU") utilisés dans les règles d’inférence.
Nous présentons les trois méthodes d’inférence les plus usuelles ; Max-Min, Max-
Produit et Somme-Produit :
Dans cette méthode, encore dite « Implication de Larsen », les opérateurs "ET" et
"OU" au niveau de la condition sont encore obtenue respectivement par la formation du
minimum et du maximum, l’opérateur "OU" liant les règles est également réalisé par la
formation du maximum.
86
Chapitre III : Commande Floue en Vitesse de la MADA
Dans cette méthode, encore dite « Implication de Larsen », les opérateurs "ET" et
"OU" au niveau de la condition sont encore obtenue respectivement par la formation du
minimum et du maximum, l’opérateur "OU" liant les règles est également réalisé par la
formation du maximum.
Par cette étape se fait le retour aux grandeurs de sortie réelles. Il s’agit de calculer, à
partir des degrés d’appartenance à tous les ensembles flous de la variable de sortie,
l’abscisse qui correspond à la valeur de cette sortie. Différentes méthodes sont utilisées :
∑= x .µ i R ( xi )
x =
* i 1
n
(III.21)
∑= µ
i 1
R ( xi )
87
Chapitre III : Commande Floue en Vitesse de la MADA
∑= x .µ i R ( xi )
x =
* i 1
n
(III.22)
∑= µ
i 1
R ( xi )
Avec :
Cette méthode est beaucoup plus simple. La valeur de sortie est choisie comme
l’abscisse de la valeur maximale de la fonction d’appartenance.
Dans le domaine de la commande des systèmes, l’objectif d’un contrôleur flou est de
trouver une valeur numérique adéquate à appliquer au système à partir d’un ensemble de
variables physique.
Plusieurs types de contrôleurs ont été proposés, les plus utilisés sont :
C’est le premier contrôleur flou a avoir été développé et il est le plus employé
actuellement. Il est dit symbolique car caractérisé par une prémisse et une
conclusion symboliques (linguistiques) et donc nécessite une méthode de
défuzzification.
Il est dit procédural, en effet la prémisse seule est symbolique. La conclusion, qui
correspond à la commande, est directement définie sous une forme numérique
polynomiale par une combinaison linéaire des entrées.
89
Chapitre III : Commande Floue en Vitesse de la MADA
Ω 3
Ω*
7
2 4 6 8 10 11 12
9
5
0 t (s)
Après avoir énoncé les concepts de base et les termes linguistiques utilisés en logique
floue, nous présentons la structure d’un contrôleur flou.
90
Chapitre III : Commande Floue en Vitesse de la MADA
K e , K de , K du sont des gains de normalisation qui peuvent être constants (ou même
variables). Le choix adéquat de ces derniers permet de garantir la stabilité et d’améliorer
les performances dynamiques et statiques ciblées du système à régler [55].
On retrouve en entrée et en sortie du contrôleur flou des gains dits "facteur d’échelle"
qui permettent de changer la sensibilité du régulateur flou sans en changer la structure. Les
grandeurs indicées "n" sont donc les grandeurs normalisées à l’entrée et à la sortie du
contrôleur flou.
91
Chapitre III : Commande Floue en Vitesse de la MADA
Après plusieurs essais de simulations nous avons choisis pour le contrôleur flou une
partition de l’univers de discours à cinq sous-ensembles flous et privilégiés les formes
triangulaires et trapézoїdale pour les fonctions d’appartenance. Ces choix sont illustrés sur
les figures (III.10) et (III.11).
µ ( En ), µ ( dEn )
NG N EZ P PG
1.0 1.0
En , dEn
-1.00 -0.70 -0.35 0 0.35 0.70 1.00
µ (dU n )
NG N EZ P PG
1.0 1.0
dU n
-1.00 -0.70 -0.35 0 0.35 0.70 1.00
92
Chapitre III : Commande Floue en Vitesse de la MADA
Pour le traitement numérique des inférences relatif au contrôleur flou, nous avons
adoptés pour la méthode « MAX-MIN » de Mamdani :
E
NG NP EZ PP PG
NG NG NG PN NP EZ
NP NG NP PN EZ PP
dE EZ NG NP EZ PP PG
PP NG EZ PP PP PG
PG EZ PP PP PG PG
Cette matrice doit être établie à partir d’une parfaite connaissance du comportement
du système à régler, ainsi que la connaissance de l’objectif du contrôle à atteindre. On
prend comme critère de défuzzification la méthode du centre de gravité.
Les résultats obtenus pour les différents tests de simulation, sont exposés sur les figures :
93
Chapitre III : Commande Floue en Vitesse de la MADA
Enfin, les valeurs des gains du régulateur flou sont choisis après plusieurs tests
d’ajustement ( K e = 0.002, K de = 0.008, K du = 145 ).
III.5.1 Interprétations
- la variation du moment d’inertie n’influent que très peu sur l’orientation du flux,
mais affecte tout de même la vitesse ;
Donc, le contrôle par la logique floue, malgré sa très bonne robustesse ne permet pas
de conserver le découplage, pendant les phases transitoires et pendant les perturbations de
charge lorsque l’inductance rotorique change.
94
Chapitre III : Commande Floue en Vitesse de la MADA
► Réponse à un échelon de vitesse
Figure III.14 : Réponse du système à un échelon de vitesse suivi d’une inversion du sens de rotation,
avec application et suppression du couple de charge.
Figure III.16 : Zooms sur l’évolution de la vitesse pour une variation de J de +100 %,
pour la commande floue en vitesse de la MADA.
97
Chapitre III : Commande Floue en Vitesse de la MADA
Figure III.18 : Zooms sur l’évolution de la vitesse pour une variation de RR de +50 %,
pour la commande floue en vitesse de la MADA.
98
Chapitre III : Commande Floue en Vitesse de la MADA
Figure III.20 : Zooms sur l’évolution de la vitesse pour une variation de RS de +50 %,
pour la commande floue en vitesse de la MADA.
99
Chapitre III : Commande Floue en Vitesse de la MADA
Figure III.22 : Zooms sur l’évolution de la vitesse pour une variation de LR de +20 %,
pour la commande floue en vitesse de la MADA.
100
Chapitre III : Commande Floue en Vitesse de la MADA
Figure III.24 : Zooms sur l’évolution de la vitesse pour une variation de LS de +20 %,
pour la commande floue en vitesse de la MADA.
III.6. Conclusion
Dans ce chapitre nous avons exposé les principaux concepts théoriques de la logique
floue, puis après avoir décrit une structure d’une commande basée sur cette logique nous
avons explicité les notions de fuzzification, d’inférences floues et de défuzzification. Nous
avons ensuite réalisé la synthèse et l’évaluation d’un contrôleur de type PI flou à cinq sous-
ensembles de type "Mamdani". Les tests de simulation ont montré un comportement
satisfaisant de l’approche floue en régulation et en poursuite, sa supériorité par rapport au
contrôleur conventionnel de type PI a été mise en évidence par l’amélioration de la
dynamique, un meilleur rejet des perturbations et une meilleure robustesse face au
variation des résistances, de l’inductance statorique, ainsi que du moment d’inertie.
101
Chapitre III : Commande Floue en Vitesse de la MADA
Enfin il faut noter deux inconvénients majeurs au contrôle par la logique floue :
Avantages :
Inconvénients :
La différence entre une commande floue et une commande classique repose sur le
fait que la première exploite des informations qualitatives (règles floues) et la seconde
nécessite des relations analytiques (équations différentielles, équations aux différences)
pour décrire le comportement dynamique du système à commander.
102