Logique floue et commande

École d’été en Commande Avancée des systèmes &

Nouvelles Technologies Informatiques, CA’NTI 2012
Bucarest, 21-25 Mai 2012
Olivier Pagès
Université de Picardie Jules Verne (UPJV)
Laboratoire Modélisation, Information et Systèmes (MIS)
33 rue Saint-Leu, 80039 Amiens cedex, France
Email : opages@u-picardie.fr
Présentation
 Université de Picardie Jules Verne à
Amiens (France) : 20000 étudiants
 U.F.R des Sciences : six dé artements
dont le département lectronique,
Électrotechnique, Automatique (EEA)
 Licence EEA
 Master professionnel EEAII
 Master recherche MIS (regroupé avec le
master professionnel)
2
Présentation
 Master de rechercher MIS
 Thèmes : automatique (commande),
,
 Possibilités de stages de recherche ou
de fin d’études avec Erasmus / Socrates

3
Présentation
 Laboratoire MIS : Modélisation,
Information et Systèmes (EA 4290)

équipes de recherche (40 chercheurs)

dont l’équipe COVE
 Équipe COVE : « Commande et
véhicules »

4
Présentation
 Équipe COVE : « Commande et véhicules »
 Cinq MCF + un professeur + quatre
doctorants
 Axes de recherche : commande floue
(modèles flous, adaptative floue), commande
à mode glissant, diagnostic, contrôle TF…
 Applications : véhicule (dynamique
longitudinale, latérale, couplée), panneaux
photovoltaïques
5
Présentation
 Collaborations avec l’université
Polytechnique de Bucarest (faculté
’ m i ’inf rm i
laboratoire ACPC) : projets de
recherche, accord de coopération +
école d’été en automatique à Bucarest
(cours : « logique floue et
commande »)
6
Présentation
 Objectifs du cours
1. Avoir les bases du formalisme flou
2.
de type Takagi-Sugeno et les
systèmes flous de type Takagi-Sugeno
3. Outils destinés à la commande des
systèmes non linéaires
7
Plan du cours
 Formalisme de la logique floue
 Exemple d’application : régulation de
température
 Inégalités matricielles linéaires (LMI)
 Modèles flous de type Takagi-Sugeno (TS)
 Contrôleurs flous : Parallel Distributed
Compensation (PDC)
 Commande floue et poursuite de trajectoire
8
Plan du cours

Formalisme de la logique floue

9
Formalisme de la logique floue
1. Présentation Exemples introductifs
Logique floue vs booléenne
Champs d’applications et historique
2. Concepts principaux Ensemble flou
Opérateur logique floue
Fuzzification>>Inférences floues>>Défuzzification
3. Fuzzification Variables linguistiques
Comment fuzzifier?

4. Inférence floue Principe du raisonnement approximatif

Base de règles
Méthodes d’inférence floue
5. Défuzzification Méthodes de défuzzification
Synthèse générale

6. Exemple complet de prise de décisions floues

10
Introduction à la logique floue
 Logique booléenne – logique floue
Supposons que la limite soit de 1m65.
Je mesure 1m63, suis-je vraiment petit ?

Logique booléenne : oui, je suis petit à 100%

Logique floue : à la fois petit et grand … 11
 Introduction à la logique floue
Exemple de règles floues

et si le feu est
si le feu est rou e si ma vitesse est élevée alors e freine fort
proc e

alors je maintiens ma
si le feu est rouge si ma vitesse est faible et si le feu est loin
vitesse

si le feu est si ma vitesse est

et si le feu est loin alors je freine doucement
orange moyenne

et si le feu est
si le feu est vert si ma vitesse est faible alors j'accélère
proche

Les règles floues sont énoncées en langage naturel

12
 Introduction à la logique floue
…sans le savoir!
Transposition de notre exemple selon un modèle plus
mathématique « moins flou »

Si le feu est rouge, si ma vitesse dépasse 85,6 km/h et si le feu est à

moins de 62,3 mètres, alors j'appuie sur la pédale de frein avec une
force de 33,2 Newtons !!!
Notre cerveau fonctionne en logique floue
Il apprécie les variables d'entrées de façon approximative (faible, élevée, loin, proche),
fait de même pour les variables de sorties (freinage léger ou fort) et propose un
ensemble de règles permettant de déterminer les sorties en fonction des entrées
13
 Introduction à la logique floue
Limite de la logique booléenne
Un patient atteint d'hépatite présente généralement les symptômes suivants :
• Le patient a une forte fièvre
• Sa peau présente une coloration jaune
• Il a des nausées
Ensemble classique Ensemble flou
1
Avoir une forte fièvre 1 Avoir une forte fièvre

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

0 T(°C) 0 T(°C)
36 37 38 39 40 41 42 36 37 38 39 40 41 42

14
 Introduction à logique floue
Si le patient a 38,9°C de température
Logique classique

Le patient n’a pas de forte fièvre ⇒ Le patient n’a pas d’hépatite

Logique floue

Le patient a une forte fièvre à 48% ⇒ Le patient a une hépatite à x %

15
Champs d’applications de la logique
floue
• Aide à la décision, au diagnostic
(domaine médical, orientation professionnelle…)

• Base de données
(objets flous et/ou requêtes floues)

• Reconnaissance de forme

• Agrégation multicritère et optimisation

• Commande floue de systèmes…

16
 Bref historique : les débuts
 1965 : Concept introduit par Pr. Lotfi Zadeh (Berkeley)
« Fuzzy set theory »: Définition des ensembles flous et opérateurs associés

 1970 : Premières applications: Systèmes experts, Aide à la

, …

 1974 : Première application industrielle. Régulation floue d’une

chaudière à vapeur réalisée par Mamdani

 Longtemps universitaire
 1985 : Les premiers, les japonais introduisent des produits
grand public « Fuzzy Logic Inside »
17
 Bref historique
 1990 : Généralisation de l’utilisation de cette technique
 Appareils électroménagers (lave-linge, aspirateurs, autocuiseurs,...)
 Systèmes audio-visuels (appareils de photos autofocus, caméscope à
stabilisateur d'images, photocopieurs,...)
, , ,
climatisation,...)
 Systèmes autonomes mobiles
 Systèmes de décision, diagnostic, reconnaissance
 Systèmes de contrôle/commande dans la plupart des domaines
industriels de production

18
 Introduction à logique floue
L’approche des problèmes par la logique floue est différente de celle adoptée, a
priori, dans une démarche scientifique

Elle est beaucoup plus pragmatique que déterministe

La décision en logique floue est basée sur la notion d’expertise, qui permet de
quantifier le flou à partir de connaissance a priori ou acquise antérieurement

⇒ Ne pas être trop cartésien pour aborder la logique floue

Il n’est pas nécessaire d’avoir un modèle entrées/sorties d’une

voiture pour pouvoir la conduire de manière satisfaisante

19
 Introduction à logique floue
 Les deux concepts principaux de la logique
floue

2. Prise de décision à partir d’un base de règles SI…ALORS..

C’est l’inférence floue

20
Ensemble flou
A
Soient U: l’univers du discours.
U A: un sous-ensemble de U

Théorie classique des ensembles:

Si A est la fonction d ' appartenance de l ' ensemble A
∀x ∈ U µ A ( x ) = 0 si x ∉ A
µ A ( x ) = 1 si x ∈ A

21
 Ensemble flou
Concept d’ensemble flou:
Si A est la fonction d ' appartenance de l ' ensemble flou A

Si µ A ( x ) =0,30
x appartient à l’ensemble flou A avec un degré d’appartenance de 30%

degré d’appartenance = valeur de vérité

Un ensemble flou est totalement déterminé par sa fonction d’appartenance

22
 Exemples d’ensembles flous
Ensemble flou " Personne de petite taille" Ensemble flou: "Personne de taille moyenne" Ensemble flou :"Personne de grande taille"
Petit Moyen Grand
1 1 1

0.8 0.8 0.8

0.6 0.6 0.6

0.4 0.4 0.4

. . .

Taille(m) Taille(m) Taille(m)

0 0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

part t on oue e un vers u scours

Petit Moyen Grand

Ici, Pierre mesure 1m625

1

se traduit en logique floue par

0.8

0.6

0.4
« Pierre est petit » à un degré de 75%
0.2
« Pierre est moyen » à 25%
0
Taille(m) « Pierre est grand » à 0%
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

23
 Fonctions d’appartenance
particulières
Lorsqu'un fait certain correspond à l'énoncé de la valeur d'une variable, on a un singleton:
 µ x 0 ( x0 ) = 1 pour x = x0

 µ x ( x ) = 0 pour x ≠ x0

Fonction d’appartenance de la classe « Le feu est rouge »

1
Couleur du
feu tricolore
rouge orange vert

24
 Opérateurs de logique floue
Comme pour la théorie classique des ensembles,
on définit la réunion, l’intersection, le complément….d’ensembles flous

La logique booléenne standard est un cas particulier de la logique floue

⇓
Tous les résultats obtenus en logique classique doivent être retrouvés
par la logique floue

25
 La réunion
A est l’ensemble flou des personnes petites.
B est l’ensemble flou des personnes moyennes.

’
fonction d’appartenance :
µ A∪B ( x ) = max ( µ A ( x ) , µ B ( x ) ) ∀x ∈ U

26
 La réunion
 Réunion des deux ensembles flous
Partition floue de l'univers du discours Ensemble flou:"Personne petite OU moyenne"
Petit Moyen Grand

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille(m)
0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

27
 L’intersection
A est l’ensemble flou des personnes petites
B est l’ensembles flou des personnes moyennes

L’ensemble des personnes petites ET moyennes est un ensemble flou de

fonction d’appartenance :
µ A∩ B ( x ) = min ( µ A ( x ) , µ B ( x ) ) ∀x ∈ U

28
 L’intersection
 Intersection des deux ensembles flous
Partition floue de l'univers du discours Ensemble flou: "Personne petite et moyenne"
Petit Moyen Grand
1 1

0.8 0.8

0.6 0.6

0.4 0.4

0.2 0.2

Taille(m) Taille (m)

0 0

1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9 1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

29
 Le complément
A est l’ensemble flou des personnes petites.

L’ensemble des personnes NON petites est un ensemble flou de fonction

d’appartenance :
Partition floue de l'univers du discours nsem e oue : ersonnes non pe es
1
Petit Moyen
( x ) = 1 − µ A ( x ) ∀x ∈ U
µ AGrand 1

0.8
0.8

0.6
0.6

0.4
0.4

0.2
0.2
Taille(m)
0
0
Taille (m)
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9
1.5 1.55 1.6 1.65 1.7 1.75 1.8 1.85 1.9

30
 Opérateurs flous alternatifs
 Toute t-norme peut servir à définir l’intersection floue

Une t-norme est une application T(x,y) satisfaisant les conditions suivantes:
es men neu re x ∈ , x, = , x = x.
• Commutative T(x, y) = T( y, x)
• Associative T( x,T( y, z)) = T(T(x, y), z)
• Monotone si x ≤ z et y ≤ walors T(x, y) ≤ T(z, w)

31
 Opérateurs flous alternatifs
 Toute t-conorme peut servir à définir la réunion floue

Une t-conorme est une application S(x,y) satisfaisant les conditions suivantes:
, , .
• Commutative S(x, y) = S(y, x)
• Associative S(x, S(y, z)) = S(S(x, y), z)
• Monotone si x ≤ z et y ≤ walors S(x, y) ≤ S(z, w)

32
Opérateurs flous alternatifs

33
 Opérateurs de logique floue les plus
utilisés

Dénomination Intersection Réunion Complément

(t-norme) (t-conorme)
Opérateurs de Zadeh
MIN/MAX µ A∩B ( x ) = min ( µ A ( x ) , µ B ( x ) ) µ A∪ B ( x ) = max ( µ A ( x ) , µ B ( x ) ) µA ( x) = 1− µA ( x)

Probabiliste
PROD/PROBOR µ A∩B ( x ) = µ A ( x ) × µ B ( x ) µ A ( x) + µB ( x) − µ A ( x) × µB ( x) µA ( x) = 1− µA ( x)

34
 Opérateurs de logique floue
∀ les définitions d'opérateurs ET et OU, on retrouve les propriétés des opérateurs booléens

C o m m u t a t iv it é

D is tib u tiv ité

 A ∪ ( B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C )

 A ∩ ( B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C )

A s s o cia tic ité

 A ∪ ( B ∪ C ) = ( A ∪ B ) ∪ C

 A ∩ ( B ∪ C ) = ( A ∩ B ) ∩ C

L o is d e d e M o r g an

 A ∪ B = A ∩ B
 35
 A ∩ B = A ∪ B
Opérateurs de logique floue

Deux exceptions notables

1. En logique floue, le principe du tiers exclu est contredit.
A∪ A ≠U i.e. A∪ A
x ≠1

2. En logique floue, on peut être A et non A en même

temps.
A∩ A ≠ ∅ i.e. µ A∩ A ( x ) ≠ 0

36
 Variables floues
• Logique floue → basée sur des variables floues dites variables
linguistiques à symboles dans l’univers du discours U
• Chaque symbole constitue alors un ensemble flou de l’univers du
discours

Exemple:

Univers du discours : Gamme de température de 0°C à 200°C

Variable linguistique : La température
37
Symboles : « Très froid» « Froid » « Tempéré » « Chaud » « Très Chaud »
 Fuzzification
 Les systèmes à logique floue traitent de variables
d’entrées floues et fournissent de résultats sur des
variables de sorties elle-mêmes floues

La fuzzification est l’étape qui consiste en la

quantification floue des valeurs réelles d’une variable.

« Pierre est petit » à un degré de 75%

Pierre mesure 1m625 Interface de « Pierre est moyen » à 25%
fuzzification « Pierre est grand » à 0%

38
 Comment fuzzifier ?
 Pour fuzzifier, il faut donner :
 L’univers du discours
 i.e.: domaine de définition de l’entrée
considérée
 Une partition en symboles de cet univers
 Les fonctions d’appartenances de chacun de ces
symboles

39
 Base de règles
Les systèmes à logique floue utilisent une expertise exprimée sous
forme d’une base de règles du type: Si….Alors…
Si X est A Alors Y est B

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut
Si Cours est Ennuyeux ET Moment est DébutCours ALORS Moral est bas
Si Cours est Intéressant ET ChargedeTravail est Importante ALORS Moral est Maussade
Si .........

40
 Inférence floue
Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

r m sses on onct on mp cat on onc us on

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

41
 Inférence floue
En logique classique En logique floue
 Si p Alors q Si ( X est A ) Alors (Y est B )

p vra ors q vra • La variable floue X appartient au symbole A avec un degré
d’appartenance µ(x0)

• La variable floue Y appartient au symbole B à un degré qui

dépend du degré d’appartenance µ(x0) de la prémisse

42
 Inférence floue
Plus la condition sur les entrées est vraie.
Plus l'action préconisée pour les sorties doit être respectée

SI la température est très basse ALORS Chauffer fort

La conclusion d’une règle floue est l’appartenance d’une
variable linguistique de sortie « chauffer » à un ensemble flou
« fort »
Cette appartenance dépend de :
1°) La classe floue de sortie considérée.
2°) du degré de validité de la prémisse µprémisses(x0)
3°) de la méthode d’implication choisie.
43
 Méthodes d’implication
Deux méthodes principales d’implication floue
Méthode de Mamdani 'conclusion y = µ rémisse x0 , µ conclusion y
y

Méthode de Larsen µ 'conclusion ( y ) = µ prémisse ( x0 ) × µ conclusion ( y )

44
 Exemple (Mandani)
Plus la condition sur les entrées est vraie.
Plus l'action préconisée pour les sorties doit être respectée

Règle: SI la température est très basse ALORS Chauffer fort

µ 'conclusion ( y ) = min
y
µ prémisse ( x0 ) , µconclusion ( y )

Température trés
Température trés basse
basse Chauffer fort
1
1 1

0.8
0.8 0.8

0.7
0.6
0.6 0.6

0.4
0.4 0.4

0.2
0.2 0.2

0 0
12KW
0
T(°C)
T(°C) Puissance chauffe(KW)
-10
-10 -5
-5 0
0 3 5
5 10
10 15
15 0 5 10 15 45
 Activation des règles
R1: Si ( X1 est A11 ) et ( X 2 est A12 ) alors Y est B1
R2: Si ( X1 est A21 ) ou ( X 2 est A22 ) alors Y est B2
R3: Si ( X1 est A31 ) et ( X 2 est A32 ) et ( X 3 est A33 ) alors Y est B3
..........
• Une règle est activée dès qu’elle a une prémisse ayant une valeur de vérité non nulle.

• Plusieurs règles peuvent être activées simultanément et préconiser des actions avec
différents degrés de validité ; ces actions peuvent être contradictoires.

46
 Agrégation des règles
Il convient d’agréger les règles pour fournir une appartenance
de la variable floue de sortie à un ensemble flou consolidé

On considère que les règles sont liées par un opérateur OU.

µ B ( y ) = MAX  µ B ( y ) 
i
i ∈ {indices des règles activées}

47
 Exemple
On considère un moteur d’inférence à 4 règles qui fournit pour la sortie de tension S1,
les résultats suivants : R1
µpetite=0.6
Moteur R2
µpetite=0.2
’ R
moyenne= .
4 règles R4
µgrande=0.1
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1 Petite Moyenne Grande

0.8 0.8

0.6 0.6

0.4
Implication floue 0.4

0.2 de Mamdani 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8
48
10
 Exemple
Tension de sortie Tension de sortie
1 Petite Moyenne Grande 1

0.8 0.8

0.6
Agrégation 0.6
0.4 des conclusions 0.4
0.2 0.2

0 0
Volt(v) Volt(v)
0 2 4 6 8 10 0 2 4 6 8 10

Nous avons la fonction d’appartenance d’un ensemble flou

qui caractérise le résultat
Il faut défuzzifier, c’est à dire :
Associer à cette ensemble flou un nombre interprétable par
l’utilisateur, l’interface de commande… 49
Principe de la méthode de
Mandani

50
 Méthodes de défuzzification
1. Méthode du centre de gravité (COG)
Tension de sortie

C’est l’abscisse du centre de gravité 1

de la surface sous la courbe résultat 0.8

0.6

∫ y ⋅ µ ( y ) ⋅ dy 0.4
U
sortie =
∫ µ ( y ) ⋅ dy 0.2
U
0
U = Univers du discours Volt(v)
0 2 4 6 8 10
= Toutes les valeurs de sorties considérées 3,5V

51
 Méthodes de défuzzification
2. Méthode moyenne des maximums (MM)
C’est la moyenne des valeurs de sorties Tension de sortie
les plus vraisemblables 1

∫ y ⋅ dy 0.8
S
sortie = 0.6
∫ dy
S 0.4
 
où S =  y0 ∈ U / µ ( y0 ) = SUP ( µ ( y ) )  0.2
 y∈U 
0
Volt(v)
0 2 4 6 8 10

1,9V

52
 Défuzzification
 Remarque
En commande floue, la défuzzification COG est presque toujours
. ’ ’
proposées par la solution floue

53
Exemple : système de
notation floue
On choisit

su a s o enus sur
Système
Méthodes utilisées (sur 20) d’inférence Évaluation du travail (sur 20)

Présentation (sur 20) floue

54
 Mise en place du système
d’inférence floue
1. Choix des entrées/sorties
3 entrées: Résultats; Méthodes, Présentation.
1 sortie: Évaluation

2. Univers des discours

[0..20] pour chacune des E/S

3. Classes d’appartenances:
Résultats ∈ {Médiocre; Moyen; Excellent}
Méthodes ∈ {Médiocre; Moyen; Excellent
Evaluation ∈ {Médiocre; Mauvais; Moyen; Bon; Excellent
55
 Mise en place du système
d’inférence floue
4. Choix des fonctions d’appartenances

Entrées

56
Mise en place du système
d’inférence floue
Sortie

57
 Base de règles
1. If (Résultats is excellent) then (Evaluation is excellent)
2. If (Résultats is moyen) then (Evaluation is moyen)
3. If (Résultats is médiocre) then (Evaluation is médiocre)
4. If (Résultats is moyen) and (Méthodes is médiocre) then (Evaluation is mauvais)
5. If (Résultats is moyen) and (Méthodes is excellent) then (Evaluation is bon)
6. If (Résultats is médiocre) and (Méthodes is moyen) then (Evaluation is mauvais)
7. If (Résultats is excellent) and (Méthodes is excellent) and (Présentation is excellent)
then (Evaluation is excellent)
8. If (Résultats is médiocre) and (Méthodes is excellent) then (Evaluation is moyen)
9. If (Résultats is excellent) and (Méthodes is médiocre) then (Evaluation is moyen)

58
Choix des opérateurs flous

ou :
OU flou : MAX
Implication floue : MIN
Agrégation des règles : MAX
Défuzzyfication : COG

59
Surface de décision floue

60
 Surface de décision linéaire
classique

Pondération Résultats: 0,6

Pondération Méthodes: 0,3
Pondération Présentation: 0,1
61
 Commentaires

Décision selon un système d’inférence Décision selon un modèle mathématiques

floue Note = 0,6* Résultats + 0,3* Méthodes + 0,1* Présentation

Non linéaire Linéaire ( ∆Note ∆entrée = Cste )

62
Plan du cours

xemp e app cat on :

régulation de température

63
Régulation de température
 Nous présentons le cas du réglage de la
température d'une serre. Dans ce but,
nous mesurons la temp rature avec un
capteur qui fournit la valeur de la
grandeur à régler.

64
Régulation de température
 Nous supposons que le système est linéaire et sa
fonction de transfert est définie par : avec
cependant un retard égal à 1s. C’est un système de
con r e e emp ra ure avec un men e
chauffage et de ventilation. Un échelon de
température de -1.5°C sera ajouté à la sortie de H(s)
puis le signal ainsi obtenu sera filtré par un
intégrateur. La température extérieure est de 10°C et
son effet intervient après l’intégrateur. La
température désirée est de 20°C.

65
Plan du cours

Linéaires (LMI)

66
 LMI

Inégalité matricielle linéaire ou LMI

F (ξ ) = F0 + ∑ ξi Fi > 0
i =1

ξ ∈ ℜm : vecteur de variables de décision

Fi : m matrices symétriques ∈ ℜn×n

67
Théorie de Lyapunov
xɺ (t ) = Ax(t )

Fonction de L a unov uadrati ue :

t
V = x Px

Trois propriétés à vérifier…P matrice

symétrique définie positive
dV / dt < 0 ⇒ x t ( At P + PA) x < 0
⇒ ( At P + PA) < 0 68
LMI
Application au problème de stabilité
dV / dt < 0 ⇒ ( At P + PA) < 0

n ( n +1)
2
P = ∑ ξi Pi Pi :base de l’espace des
i =1
matrices symétriques
n ( n +1) n ( n +1)
2  Pi
2 0 
F (ξ ) = ∑ ξi Fi = ∑ ξi   >0
0 −( A Pi + Pi A) 
t
i =1 i =1
69
 Ensemble et fonction convexe
Ensemble convexe C
∀λ ∈ 0 1 , x ∈ C , x ∈ C ⇒ λ x + (1 − λ ) x ∈ C

Fonction convexe f
Support D convexe +
∀λ ∈ [ 0 1] , ∀x ∈ D, ∀y ∈ D
⇒ f (λ x + (1 − λ ) y ) ≤ λ f ( x) + (1 − λ ) f ( y )
70
 Problème d’optimisation
Problème d’optimisation de dimension finie
min f (ξ )

ξ : vecteur de variables de décision

ou d’optimisation
C : ensemble des contraintes

f : objectif ou fonction de coût

ζ* : minimum atteint 71
 Optimisation convexe
Problème d’optimisation convexe
f fonction convexe et C ensemble convexe
Problème d’optimisation convexe sous
contrainte LMI
min f (ξ )
ξ ∈C
C = {ξ ∈ℜ | ∀x ∈ ℜ \{0} x F (ξ ) x > 0
m n t

m
F (ξ ) = F0 + ∑ ξ i Fi 72
i =1
 Optimisation convexe
Application au problème de stabilité
min λ
∈ , ∈
Sous la contrainte LMI :
λ I − F (ξ ) > 0

Résolution par l’algorithme des points

intérieurs… + LMI Toolbox Matlab
73
Plan du cours

Sugeno (TS)

74
 Modèles flous
Modèle flou de type TS
Cas continu
R : Si x1 (t ) est M i1 et x2 (t ) est M i 2 et ...xn (t ) est M in
i

Alors xɺ (t ) = Ai x(t ) + Biu (t )

La dynamique du système s’écrit :
r
xɺ (t ) = ∑ hi ( x) { Ai x(t ) + Bi u (t )}
i =1
n

r
∏ M ij ( x j )
j =1
⇔ xɺ (t ) = ∑ r n { Ai x(t ) + Bi u (t )}
i =1
∑ ∏ M ij ( x j ) 75
i =1 j =1
Modèles flous
Remarques

Propriété de convexité satisfaite

r
hi ( x) ≥ 0, ∑ hi ( x) = 1
i =1

76
 Modèles flous : comment les
obtenir
Directement à partir du modèle non linéaire
du système : décomposition des non-linéarités
, non n ar sec or e e …

Identification des modèles linéaires à partir d’un

ensemble d’entrées/sorties

77
Plan du cours

Distributed Compensation

78
Approche PDC
Même philosophie que l’approche
multi-modèles
Approche PDC : retour d’état
r
u (t ) = ∑ hi ( x) {− Fi x(t )}
i =1

r
∏ M ij ( x j )
j =1
u (t ) = ∑ r n
(− Fi x(t ))
i =1
∑ ∏ M ij ( x j ) 79
i =1 j =1
Approche PDC
Equation dynamique de la boucle fermée
r r
xɺ (t ) = ∑ ∑ hi ( x)h ( x) Ai − Bi F x(t )
i =1 j =1

r r
⇔ xɺ (t ) = ∑ ∑ hi ( x)h j ( x)Gij x(t )
i =1 j =1

!!!!!!!Problème de stabilité!!!!!!!!!!
=> Utilisation de la théorie de Lyapunov
80
Approche PDC
Choix d’une fonction de Lyapunov
quadratique
V x = x t Px

Conditions suffisantes :
Stabilité asymptotique
? ∃P = Pt > 0
Gijt P + PGij < 0 i, j = 1...r

Système de LMIs…. 81
 Approche PDC
Problème de conservatisme…
Théorème [Wang et al. 1996]
= >
Giit P + PGii < 0 ∀i = 1...r
t
 Gij + G ji   Gij + G ji 
  P + P  ≤ 0 ∀i < j = 1...r
 2   2 

+ Théorèmes [Tanaka et al. 1996, 2003],

[Kim and Lee 2000] 82
Approche PDC
Problème d’obtention de la matrice P

’ i

? ∃P = P t > 0
Gii P + PGii < 0 ∀i = 1...r
t

t
 Gij + G ji   Gij + G ji 
  P + P  ≤ 0 ∀i < j = 1...r
 2   2 
F (ξ ) n’est pas affine en la variable ξ 83
Approche PDC
Objectif : trouver un systèmes de LMI
Comment? Différents lemmes…
Changement de variables

Transformation congruente
M > 0 ⇔ T MT > 0
t

Quelle que soit la matrice T non singulière

84
Approche PDC
Complément de Schur
M 22 < 0, M 11 − M 12 M 221M 12 < 0
− t

11 12
⇔ t  <0
 M 12 M 22 

Lemme de la S-procédure
+ lemme de projection ou d’élimination
+ lemme de Finsler…
85
Plan du cours

de trajectoire

86
Poursuite de trajectoire
Faire de la poursuite de trajectoire
En garantissant certaines performances
Modèles flous de type TS
Hypothèse : vecteur d’état non mesurable
Autre solution :
observateur flou => combinaison convexe
d’observateurs de type Luenberger +
principe de séparation (pas toujours
applicable) 87
 Poursuite de trajectoire
r Modèle de ym
référence
+
ec: erreur de poursuite e
up - yp
Procédé

u1
Contrôleur 1
Système
flou un r
Contrôleur n

88
Poursuite de trajectoire
Position du problème
* Système :
nm nm
ɺ i i i p i i
i =1 i =1

* Modèle de référence :
xɺm = Am xm + Bm r ; ym = Cm xm

* Erreur de poursuite :
ec = y p − ym
89
Poursuite de trajectoire
* Choix du contrôleur dynamique :
nm
ζɺ = ∑ α j ( x) { AK ζ + BK y p };
j j
j =1

nm
u p = ∑ α j ( x )(CK ζ + DK y p + EK r )
j j j
j =1

* Objectifs à atteindre :
• Stabilité globale asymptotique de la B
• Dynamique contrôleur stable
• ec aussi « petite » que possible 90
 Poursuite de trajectoire
ec aussi « petite » que possible???
Traduction mathématique…
ect : n m ser nerg e u s gna e sort e
par rapport à l’energie du signal d’entrée…
T
∫ c (t )ec (t )dt
t
e
⇔ ∀T ∈ ℜ+ > 0, 0T ≤γ 2
∫ r (t )r (t )dt
0

91
Poursuite de trajectoire
Performance de poursuite H∞

T
t
c c
2 ec
∀T > 0, 0
T
≤γ ⇔ 2
2
≤γ2
r
∫ r (t )r (t )dt 2
0

⇔ Tre ≤γ
c ∞

92
 Poursuite de trajectoire
Lemme réel borné
Performance de poursuite satisfaite pour γ >0
⇔ ∃X = X t > 0
 Acl X + XAclt Bcl XCclt 
 
 B t
cl −γ I 0 <0
 Ccl X 0 −γ I 


93
Poursuite de trajectoire
Problème d’optimisation convexe
Sous contrainte LMI
min ctξ
ξ ∈ ℜm
contraint par F (ξ ) > 0
t
Avec c = [0 0 ... 1]

94
 Poursuite de trajectoire
Remarque …
Problèmes classi ues en automati ue résentés
Sous forme de LMI :
H2, passivité, contraintes de placements de pôles
Contraintes sur la sortie….
[Chilali and Gahinet 1996, Scherer et al. 1997]

95
Poursuite de trajectoire
Résoudre le système de LMI
? ∃X = X t > 0
 Acl X + XAclt Bcl XCclt 
 
 B t
cl −γ I 0 <0
 Ccl X 0 −γ I 


Les contraintes ne sont pas des LMIs!!!

96
 Poursuite de trajectoire
Utiliser les différents lemmes pour
Arriver à un système de LMIs
R M −1 S N
•X =  t  ;X = t 
 U N V
• Transformation congruente
• Changement de variables

97
 Poursuite de trajectoire
Obtention du système de LMIs
? ∃CK , AK , DK , BK , R = Rt > 0
i, j i , j ,k j i, j

S =S >0 >0τ , > 0 ∀i k = 1...n

t
,
 sym( Ai R + Bk CK ) Ai + Bi DK Ck + AKt Bi EK + Br RDt z 
 i,j j i , j ,k j
 i

 * sym( SAi + BK Ck ) SBr

t
Dz 
<0
i,j


i

 * * (−γ − τ i , j ,k ) I 0 
 * * * −γ I 
R I 
 I S ≥ 0 Objectifs atteints!
  98
 Exemple : dynamique latérale
β Angle de dérive
r Vitesse du lacet

ɺ Ff + Fr
=2 −r
mv

rɺ = 2 af F f −ar Fr cos(β ) + 1 u
 Iz Iz

Ff = −D f ( µ ) sin C f ( µ ) tan −1 B f ( µ ) (1 − E f ( µ ) ) α f + E f ( µ ) tan −1 ( B f ( µ )α f

{ )}

Fr = −D ( µ ) sin C ( µ ) tan 1 {B ( µ ) (1 − E ( µ ) )α
−
+ Er ( µ ) tan −1 ( Br ( µ )α r )}
r  r r r r 
 af
−1  a 
α f = −β − tan  r cos(β )  + δ f , α r = −β + tan −1  r r cos ( β )  + δ r 99
v  v 
Exemple : dynamique latérale
Modèle flou : entrée vitesse longitudinale v
 
 ɺ
xɺ = β = A x + B δ + B u; y = Cx
If v is V_Small then  rɺ  1 11 f 21
 
If v is V_Big then xɺ = A x + B δ + B u; y = Cx
2 12 f 22

Fonctions d’appartenance
1 1 µ 1 µ
 2 = 2 V _ Small (v ) + 2 V _ Big (v)
v vmin vmax v ∈ [ vmin , vmax ]

 µV _ Small (v) + µV _ Big (v) = 1

100
Résultats de simulation

101
Résultats de simulation

102