REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE MOHAMED BOUDIAF - M’SILA

FACULTE : TECHNOLOGIE DOMAINE : SCIENCES ET TECHNOLOGIES

DEPARTEMENT : GENIE ELECTRIQUE FILIERE : AUTOMATIQUE

N° : AUT-248 OPTION : AUTOMATIQUE

Mémoire présenté pour l’obtention

Du diplôme de Master Académique

Par: BENSENI Hacene

ZERROUKI Khaled
Intitulé

Commande adaptative basée sur

l’approximation floue pour une classe de
systèmes non linéaires discrets

Soutenu devant le jury composé de:

AIB Abdelghani Université Mohamed Boudiaf - M’sila Président

BOUKHALFA Abdelouaheb Université Mohamed Boudiaf - M’sila Rapporteur
KHETTAB Khatir Université Mohamed Boudiaf - M’sila Co-Rapporteur
DAHMANI Habiba Université Mohamed Boudiaf - M’sila Examinateur

Année universitaire : 2016 /2017

 REMERCIEMENTS

Avant tout, je remercie DIEU ‫ ﷲ‬le Tout-puissant de m’avoir donné le courage, la volonté, la patience

et la santé durant toutes ces années d’étude et que grâce à lui ce travail a pu être réalisé.

Je tiens à exprimer mon remerciement et ma gratitude à mon encadreur:

Mr. BOUKHALFA Abdelouaheb et Mr.KHETTAB Khatir qui a aidé pour rendre ce

travail effectif.

Mon remerciement aussi au chef département de Génie Electrique de l’université de

M’sila et à tous les enseignants du département de Génie Electrique.

Mon remerciement est également aussi aux membres de jury qui ont accepté de juger ce travail.

Enfin je remercie aussi toutes les personnes qui ont aidée de près ou de loin à la rédaction de ce travail.

Zerrouki et Benseni

I
 DEDICACES

A mes parents

Mes sœurs et frère

A ma famille.( Zerrouki et Benseni)

Et Toutes mes amis tout avec son nom.

Zerrouki et Benseni
II
Sommaire

REMERCIEMENTS…………………………………………………………………………….I
DEDICACES………………………………………………………………………………….II
TABLE DES FIGURES……………………………………………………………………..III
Liste des Tableaux…………………………………………………………………………..IV
NOTATIONS SYMBOLIQUES……………………………………………………………..V
Introduction générale…………………………………………………………………………1
Chapitre 1 : Théorie de la logique floue
I.1. Introduction ................................................................................................................. 3
I.2. Logique Floue .............................................................................................................. 3
I.2.1.Définition ............................................................................................................... 3
I.2.2.Avantages .............................................................................................................. 4
I.2.3. Inconvénients ........................................................................................................ 4
I.2.4.Domaines d’application .......................................................................................... 4
I.2.5. Principes de la logique floue.................................................................................. 4
I.3. Commande Floue ......................................................................................................... 5
I.3.1.But de La Commande floue .................................................................................... 5
I.3.2.Description générale d'un contrôleur flou ............................................................... 5
I.3.3.Bases de la commande floue................................................................................... 6
I.3.3.1.Ensemble flou.................................................................................................. 6
I.3.3.2. Variables linguistiques.................................................................................... 8
I.3.4. Fonction d’appartenance........................................................................................ 8
1.3.4.1. Fonction triangulaire ..................................................................................... 9
I.3.4.2. Fonction trapézoïdale ..................................................................................... 9
I.3.4.3. Fonction Gaussienne .................................................................................... 10
I.3.4.4 Fonction sigmoïdale ..................................................................................... 10
I.3.5. Univers de discours ............................................................................................. 11
I.4. Structure d’un système flou ........................................................................................ 11
I.4.1. Interface de fuzzification ..................................................................................... 11
I.4.2.Interface d’inférence floue.................................................................................... 11
I.4.3.Interface de défuzzification .................................................................................. 12
I.5.Contrôleurs flous usuels .............................................................................................. 14
I.6.Avantages et inconvénients du régulateur flou............................................................. 15
I.7.Approximateur universel ............................................................................................. 15
I.8.Conclusion .................................................................................................................. 16
Chapitre 2 : Commande adaptative par backstepping
II.1.Introduction ............................................................................................................... 17
II.2.Historique .................................................................................................................. 17
II.3.la commande adaptative floue .................................................................................... 19
II.4.Concept de la commande adaptative .......................................................................... 20
II.5.Les tâches typiques de la commande adaptative ......................................................... 20
II.6.Domaines d’application ............................................................................................. 21
II.7.Pourquoi la commande adaptative.............................................................................. 21
II.8.Principe ..................................................................................................................... 22
II.9.Commande adaptative directe et indirecte .................................................................. 22
II.9.1.Commande adaptative directe ............................................................................. 23
II.9.2.Commande adaptative indirecte. ......................................................................... 23
II.10.Commande par backstepping ................................................................................... 24
II.11.Technique de commande par backstepping .............................................................. 24
II.11.1. Définitions ....................................................................................................... 25
II.11.2. Méthodes d’analyse de la stabilité des systèmes non linéaires .......................... 25
II.11.2.1.Méthode directe de Lyapunov .................................................................... 26
II.11.2.2. Synthèse de la commande par la méthode directe de Lyapunov ................. 26
Sommaire

II.12.Commande par backstepping ................................................................................... 27

II.12.1 Algorithme de base ........................................................................................... 27
II.13.Conclusion............................................................................................................... 30
Chapitre 3 : Commande adaptative floue des systèmes non linéaires discrets
III.1. Introduction ............................................................................................................. 31
III.2. Formulation du problème et préliminaires................................................................ 32
III.2.1.Formulation du problème ................................................................................... 32
III.2.2. Systèmes de logique floue Takagi-Sugeno (T-S) ............................................... 33
III.3. Analyse de la conception et de la stabilité du contrôle flou adaptatif ........................ 34
III.4.Simulation et résultats .............................................................................................. 39
III. 4.1.Exemple 1........................................................................................................ 40
III.4.2.Exemple 2......................................................................................................... 42
III.5.Conclusion ............................................................................................................... 44
Conclusion générale………………………………………………………………………..45
Références bibliographiques……………………………………………………………….VI
TABLE DES FIGURES
Table des figures

TABLE DES FIGURES

Figure (I.1) : Configuration de base d’un système de commande floue ...............................5
Figure (I.2) : La fonction d'appartenance selon la logique floue ..........................................6
Figure (I.3) : Fonctions d’appartenance qui caractérisent la variable Température ..............8
Figure (I.4) : Fonction triangulaire.......................................................................................9
Figure (1.5) : Fonction d’appartenance trapézoïdale.............................................................9
Figure (I.6) : Fonction d’appartenance Gaussienne ............................................................ 10
Figure (I.7) : Fonction d’appartenance sigmoïdale ............................................................. 10
Figure (I.8) : Structure d’un système flou. ......................................................................... 11
Figure (I.9) : Principe des différentes méthodes de défuzzification. ................................... 13
Figure (II.1) : Schéma bloc d’une commande adaptative ..................................................... 20
Figure (II.2) : Schéma de principe d’une commande adaptative ........................................... 22
Figure (II.3) : Commande adaptative direct ......................................................................... 23
Figure (II.4) : Commande adaptative indirect. ..................................................................... 24
Figure (III.1) : La sortie de système y(k) et signal de référence r(k) .................................... 40
Figure (III.2) : Le signal de Commande u(k) ....................................................................... 41
Figure (III.3) : Le signal de L’erreur e (k) ........................................................................... 41
Figure (III.4) : La sortie de système y(k) et signal de référence r(k)..................................... 42
Figure (III.5) : Le signal de Commande u(k) ....................................................................... 43
Figure (III.6) : Le signal de L’erreur e (k)………………………………………………... 43

III
LISTE DES TABLEAUX
Liste des tableaux

Liste des Tableaux

Tableau (I.1) : Les méthodes d’inférence............................................................................. 12

IV
NOTATIONS SYMBOLIQUS
Liste de symboles

NOTATIONS SYMBOLIQUES

SISO : Système Mono Entries Mono Sorties.

mF : Le degré d’appartenance de l’élément x.

V : Fonction de Lyapunov.
u(k) : La commande de système.
FLS : Système de logique floue
MLP : minimum paramètres d'apprentissage
SGUUB : semi globalement uniforme, finalement bornée
y(k ) : La sortie de systèmes

x 1, x 2, x 3 : Les variables d'entrée du système flou

q : Les Lois d’adaptations.

SFLS : Système de logique floue à l'unité
e(k) :L’erreur
r(k) : signal de référence
e : Erreur d'approximation
CA : commande adaptative

V
Introduction générale
Introduction générale

Introduction générale
Les méthodes classiques de l’automatique ont été largement appliquées dans de nombreux
problèmes de régulation industrielle. Cependant, la plupart des systèmes physiques présentent des non-
linéarités et leurs paramètres sont souvent mal connus et/ou variables dans le temps. Pour la
commande de telles classes de systèmes, les méthodes conventionnelles de l’automatique ont montré
leurs limites en termes de stabilisation et performances. Suite aux développements des calculateurs
numériques, les automaticiens commencent à s’intéresser aux nouvelles approches de commande telles
que la commande adaptative, la commande prédictive, la commande robuste, ainsi que les techniques
basées sur l’intelligence artificielle.
Les techniques de commande classique consistent dans un premier temps à construire un modèle
mathématique à base d’équations différentielles ou récurrentes du système à piloter. A partir de ce
modèle, une commande est déterminée (P.I.D, commande par retour d’état,…) afin d’amener ce
système dans les états désirés, tout en respectant des critères de performance. En effet l’obtention d’un
modèle mathématique à la fois précis, pertinent et simple à exploiter, est parfois difficile et complexe.
Plusieurs commandes sont apparues pour vaincre ce problème, on cite la commande adaptative floue
[1].
Parmi ces dernières; la commande par logique floue. Cette commande est à l’heure actuelle une des
préoccupations des chercheurs dans le monde.
La logique floue est bien connue des automaticiens pour ses applications dans la
commande de procédés, appelé alors couramment « contrôle flou ». Tout comme un
contrôleur (ou correcteur) classique, le contrôleur flou s’insère dans la boucle de régulation et
calcule la commande à appliquer au procédé suivant une ou plusieurs consignes et une ou
plusieurs mesures effectuées sur celui-ci.
La commande floue génère des régulateurs non linéaires qui sont en concordance avec
le fait qu’ils sont des approximateurs universels .Il devient alors possible de
construire un régulateur flou pour n’importe quel système non linéaire. Le plus souvent les
régulateurs flous sont utilisés dans des systèmes qui possèdent des variations inconnues
intrinsèques. L’objectif est donc de conserver de bonnes performances du système complet en
adaptant le régulateur en fonction des variations du système.
De nombreux travaux réalisés utilisent la commande adaptative floue pour les systèmes non
linéaires.
Le travail présenté comporte trois chapitres organisés comme suit :

Université de M’sila 2017 Page 1

Introduction générale

Dans le premier chapitre, nous définissons le formalisme de la logique floue et le

raisonnement associé et nous présentons la structure générale d’un contrôleur flou avec les
différents modèles utilisés dans sa conception ainsi que le théorème de l’approximation floue.
Dans le deuxième chapitre, on présente la commande adaptative avec ses différentes
structures directe et indirecte, ces deux types de commandes seront utilisés pour commander
une classe des systèmes non linéaires discrets avec commande par backstepping et l’analyse de la
stabilité par la synthèse de Lyapunov.
Dans le troisième chapitre est consacré au développement d’une loi de commande adaptative
directe floue pour une classe de système non linéaire qui utilise un contrôleur idéal implicite flou pour
assurer les objectifs de commande.
Enfin, notre travail sera clôturé par une conclusion et quelques perspectives.

Université de M’sila 2017 Page 2

 Chapitre I
Théorie de la logique floue
Chapitre I Théorie de la logique floue

Chapitre 1 :

Théorie de la logique floue

I.1. Introduction
La logique booléenne, fondement de l’informatique classique, repose sur deux valeurs, le
zéro et le un. Toute proposition ainsi traitée est alors considérée vraie ou fausse. Or, dans le
monde réel, rares sont les catégories qui supporte une telle classification de tout ou rien Par
exemple peut on considérer une eau à 180°C comment étant chaude ou froide ? N’est elle pas
ni vraiment chaude, ni vraiment froide mais tout simplement tiède? [2].
La logique floue à été introduite par le professeur Lotfi Zadeh en 1965 comme une
généralisation de la logique binaire [2]. L’intérêt de la logique floue réside dans sa capacité à
traiter l’imprécis, l’incertain et le vague. Elle est issue de la capacité de l’homme à décider et
agir de façon pertinente malgré le flou des connaissances disponibles. En effet, la logique
floue a été introduite pour approcher le raisonnement humain à l’aide d’une représentation
adéquate des connaissances. [3].
La logique floue est une technique pour le traitement de connaissances imprécises basées,
sur des termes linguistiques; elle donne les moyens de convertir une commande linguistique
basée sur le raisonnement humain, en une commande automatique, permettant ainsi la
commande des systèmes complexes dont les informations sont exprimées d’une façon vague
et mal définie.
Dans le domaine du génie électrique, la commande par logique floue a fait l’objet de
plusieurs travaux : dans la commande des convertisseurs statiques et dans la commande des
machines électriques, dans la navigation de robots mobiles .Toutes ces applications ont
démontré qu’un régulateur par logique floue est plus robuste qu’un régulateur conventionnel.
Le but principal de ce chapitre est de donner un bref perçu sur les notions de base de la logique
floue, les opérations sur les ensembles flous.

I.2. Logique Floue

I.2.1.Définition
Logique floue : «logique qui substitue à la logique binaire une logique fondée sur des
variables pouvant prendre, outre les valeurs « vrai » ou « faux », les valeurs intermédiaires
« vrai » ou « faux » avec une certaine probabilité ». [4]

Université de M’sila 2017 Page 3

Chapitre I Théorie de la logique floue

I.2.2.Avantages
 Nous n’avons pas besoin d’établir le modèle mathématique. Cela évite des années de
travail sur des modèles.
 Ensuite la logique floue permet de prendre en compte les typologies linguistiques et
donc toutes les nuances que l’on a créées dans le but d’imiter au mieux le réel
 Traitement des systèmes à comportement complexe (même si on a un exemple
simplifié, cela reste un système complexe en mathématique pure).
 On peut augmenter facilement le nombre d’entrées sans réellement compliquer les
calculs (alors qu’en logique simple la taille des calculs est exponentielle).

I.2.3. Inconvénients
 réglage empirique.
 performances en boucle fermée dépendent de l’expertise.
 il n’existe pas de théorie générale qui caractérise rigoureusement la stabilité, la
robustesse (difficulté de certification dans le transport, espace).[5]

I.2.4.Domaines d’application
Les domaines d’applications pratiques déjà connues sont innombrables, nous en citons quelques-
uns : [6]
— l’intelligence artificielle.
— la robotique.
— le contrôle des machines.
— l’informatique.
— le traitement des données.
— la communication homme-machine.
— la reconnaissance des formes.
— la médecine.
— les transports.

I.2.5. Principes de la logique floue

Les compréhensions de l'univers dans lequel nous évoluons sont généralement imparfaites dans la
mesure où elles peuvent être entachées d'incertitudes et/ou d'imprécisions, ne serait-ce qu'à travers la
perception que nous en avons. Or, nous pouvons constater que l'homme intègre naturellement ces
imperfections dans la vie de tous les jours, en particulier au niveau du raisonnement et de la décision. à
travers le nouveau concept ensembliste d'appartenance graduelle d’un élément à un ensemble, a été de
définir une logique multi-évaluée permettant de modéliser a é ces imperfections, c’est prendre en
compte les états intermédiaires entre le tout et le rien.[7]

Université de M’sila 2017 Page 4

Chapitre I Théorie de la logique floue

I.3. Commande Floue

Les contrôleurs flous sont des contrôleurs basés sur des règles linguistiques. La commande
conventionnelle commence par un modèle mathématique du système, et les contrôleurs sont conçus
pour ce modèle. La commande floue commence par l'heuristique et l'expertise humaine, et les
contrôleurs sont conçus par la synthétisation de ces heuristiques et expertise humaine. Bien que les
points de départ des deux approches soient différents, les produits finaux sont identiques des
contrôleurs non linéaires pour les systèmes non linéaires, à cet égard, la théorie de commande floue
peut être regardés comme sous ensemble de théorie de commande non linéaire dans lequel les
contrôleurs non linéaires ont une structure basée sur des règles spéciales.

I.3.1.But de La Commande floue

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

I.3.2.Description générale d'un contrôleur flou

En générale, les contrôleurs flous sont utilisés dans les structures de commande des processus
en boucle fermée (figure (I.1)).

Figure (I.1): Configuration de base d’un système de commande floue

Université de M’sila 2017 Page 5

Chapitre I Théorie de la logique floue

I.3.3.Bases de la commande floue

I.3.3.1.Ensemble flou
a. Définition
La notion d’ensemble flou provient du constat que « très souvent, les classes d’objets rencontrés
dans le monde physique ne possèdent pas de critères d’appartenance bien définis » Mathématiquement,
un ensemble flou A est défini sur un univers de discours X .Par une fonction d’appartenance A ( x) qui
prend ces valeur dans l’intervalle [0 1]. Cette fonction donne le degré d'appartenance de chaque
élément x X à A. Ceci peut être mieux décrit par une fonction caractéristique donnée par :

ìï 0 < b < 1 si x  A (I.1)

mF (x ) = ïí si x  A
ïï 0
î

Figure (I.2) : La fonction d'appartenance selon la logique floue

Les ensembles flous ont le grand avantage de constituer une représentation mathématique des
termes linguistiques largement utilisés dans l’expression de connaissance experte, qualitative et qui
sont manipulées par la logique floue.
b. Opérations sur les ensembles
Disposant d’une représentation formelle de classes floues sous la forme de fonctions
d’appartenance, il est naturel de chercher à faire avec les ensembles flous ce que l’on fait avec les
ensembles classiques. Zadeh a ainsi généralisé les opérateurs des ensembles classiques au cas flou.
Les opérateurs appliqués aux ensembles flous sont définis à partir de leurs fonctions
d’appartenance.
Soient A et B deux ensembles flous définis dans le référentiel X avec les fonctions d’appartenance
mA (x ) et mB (x ) respectivement

 Union : La fonction d’appartenance  A B de l’union A  B est définis pour tout x  A par :

mA ÈB (x ) = mA (x ) + mB (x ) (I.2)

Université de M’sila 2017 Page 6

Chapitre I Théorie de la logique floue

Dans le domaine de la commande, le + représente souvent le MAX :

mA (x ) + mB ( x ) = max {mA (x ), mB (x )} (I.3)

 Intersection : La fonction d’appartenance  A B de l’intersection A  B , est définie pour tout

 X par :

A B (x )  min A (x ), B (x ) (I.4)

 Produit algébrique :
mA ÇB (x ) = mA (x ).mB (x ) (I.5)

 Inclusion : on dit que A est inclus dans B noté ( A  B ) si leurs fonctions d'appartenance sont
telles que:
mA (x ) £ mB (x ) (I.6)

 Egalité : on dit que A et B sont égaux (A=B), si leurs fonctions d'appartenance ont la même
valeur en tout point x  X
mA (x ) = mB (x ) (I.7)

 Complémentation : La fonction d’appartenance  A du complément de l’ensemble A, notée,

A est définie pour tout x  X par :

mA (x) = 1 - mA (x) (I.8)

 La différence bornée :

mA ÇB (x ) = max éê0, mA (x ) + mB (x )mA - 1ùú (I.9)

ë û

Ces opérateurs sont appelés « T-Normes ».

 La somme algébrique :

mA È B (x ) = mA (x ) + mB ( x ) - mA (x ).mB (x ) (I.10)

La somme bornée :

mA ÈB (x ) = max {1, mA ( x ).mB (x )} (I.11)

Université de M’sila 2017 Page 7

Chapitre I Théorie de la logique floue

I.3.3.2. Variables linguistiques

La logique floue se repose sur des variables floues dites variables linguistiques à valeurs
linguistiques dans l’univers du discours U. Une variable linguistique représente un état dans le système
à régler ou une variable de réglage dans un contrôleur flou .chaque valeur constitue un ensemble flou
de l’univers de discours.
Une variable linguistique x est généralement caractérisée par un triplet {x, T(x),U}
1) x est le nom de la variable linguistique.
2) T(x) est l’ensemble des valeurs linguistiques que peut prendre x.
3) U est l’univers du discours c'est-à-dire l’ensemble des valeurs numériques sur lesquelles est
défini. [8]
Exemple :
Univers du discours : Gamme de température de 0°C à 200°C.
Variable linguistique : La température.
Valeurs linguistiques « Très froid » « Froid » « Tempéré » « Chaud » « Très Chaud »

Figure (I.3) : Fonctions d’appartenance qui caractérisent la variable Température

I.3.4. Fonction d’appartenance

Il s'agit d'établir une relation entre le degré de vérité de la variable floue et la grandeur d'entrée
correspondante, les sous-ensembles flous sont ceux caractérisés par une fonction d'appartenance notée
A ( x) définie sur [0,1].

ìï 0 < c < 1 si x  A (I.12)

mA (x ) = ïí
ïï 0 si x  A
î

Les fonctions d’appartenance ci-dessous sont les plus souvent utilisées :

Université de M’sila 2017 Page 8

Chapitre I Théorie de la logique floue

1.3.4.1. Fonction triangulaire

En peut définir une fonction d’appartenance de type triangulaire avec trois paramètres
{ a ,b ,c} :

æ æx - a c - x ö÷ ö÷
m(x ) = max çççmin çç , ÷, 0÷
÷
çè çèb - a c - b ÷
ø ø÷
÷ ÷
(I.13)

Figure (I.4) : Fonction triangulaire

I.3.4.2. Fonction trapézoïdale

Elle est définie par une fonction d’appartenance avec quatre paramètres { a , b , c , d } :

æ æx - a d - x ö ö÷
m(x ) = max çççmin ççç ÷
,1, ÷, 0÷
÷ ÷
çè ø ø÷
èb - a d - c ÷ ÷
(I.14)

Figure (1.5) : Fonction d’appartenance trapézoïdale

Université de M’sila 2017 Page 9

Chapitre I Théorie de la logique floue

I.3.4.3. Fonction Gaussienne

Elle est définie par deux paramètres {  , m } :

æ ( x - m )2 ö÷
m(x ) = exp ççç- ÷
÷ (I.15)
çè 2s 2 ø÷

Figure (I.6) : Fonction d’appartenance Gaussienne

Notons que m est le centre,  est la variance.

I.3.4.4 Fonction sigmoïdale

Une fonction sigmoïdale est définie par deux paramètres { a , c } :

1
m(x ) = (I.16)
( (
1 + exp - a x - c ) )

Figure (I.7) : Fonction d’appartenance sigmoïdale

Université de M’sila 2017 Page 10

Chapitre I Théorie de la logique floue

I.3.5. Univers de discours

L’univers de discours représente l’ensemble de référence ou le domaine de la variation de la
variable linguistique.[9]

I.4. Structure d’un système flou

Un système flou peut être interprété selon deux points de vue : mathématique ou logique. D’un
point de vue mathématique, un système flou est une fonction non linéaire reliant un vecteur de données
d’entrée à un vecteur de sortie et, de point de vue logique, un système flou est un système de prise de
décisions, à base de connaissances particulières composé de trois modules principaux, à savoir : la
fuzzification, les règles d’inférence et la défuzzification.

Figure (I.8) : Structure d’un système flou.

I.4.1. Interface de fuzzification

C’est la transformation des grandeurs physiques (entrées) en valeurs linguistiques (sous ensemble
flou) représentés par leurs fonctions d’appartenances qui peuvent êtres traitées, ensuite, par le
mécanisme d’inférence.[10]

I.4.2.Interface d’inférence floue

L’interface d’inférence est formée de deux blocs :
* La base de regèles, composé d’un ensemble de relations liant les variables d’entrées aux variables de
sorties du système à régler. Chaque relation est composée d’une condition précédée du symbole Si
appelée prémisse, et d’une conclusion (action, décision, opération ou commande) précédée du symbole
Alors.
* Le moteur d’inférence réalise le traitement numérique des règles d’inférence, décrites par des
opérateurs flous, pour obtenir la sortie linguistique ou floue du régulateur. Cette opération est faite par
différentes méthodes, principalement est :
- La méthode d’inférence max-min.
- La méthode d’inférence max-produit.
- La méthode d’inférence somme-prod

Université de M’sila 2017 Page 11

Chapitre I Théorie de la logique floue

Le nom de la méthode désigne les opérateurs utilisés respectivement pour l’agrégation et

l’implication. Le tableau suivant indique la manière de leur utilisation :

Opérateurs Opérateur Opérateur

Méthodes Sur Prémisses Implication Agrégation

Ou Et Imp

Max-Min Max Min Min Max

Max-prod Max Min Prod Max

Som-prod Som Prod Prod Som

Tableau (I.1) : Les méthodes d’inférence.

I.4.3.Interface de défuzzification
La dernière étape du contrôle, appelée défuzzification consiste à définir précisément
quelle doit être l’action sur le processus. En effet, le procédé ne peut pas interpréter des ordres
du type « Petit » ou « Grand », etc.…. on doit lui envoyer une valeur physique.
Les méthodes d’inférences fournissent une fonction d’appartenance résultante mrés ( x R ) pour la

variable de sortie x R .L'opération de défuzzification permet de calculer à partir de

cette dernière la valeur réelle de la variable de sortie à appliquer au processus. On doit

souvent prévoir un traitement de signal de sortie et sa conversion numérique – analogique
Le choix d'une méthode de défuzzification est un point très délicat lors de l'élaboration
d'une technique de contrôle en logique floue. Celui-ci conditionnera en effet grandement
l'évolution dynamique de la commande. On distingue trois méthodes différentes (figure (I.9))
Celle du maximum, celle de la moyenne des maxima et celle du centre de gravité. Il est
toutefois reconnu que la méthode de centre de gravité donne les meilleurs résultats.

Université de M’sila 2017 Page 12

Chapitre I Théorie de la logique floue

Méthode des centres Méthode de la moyenne Méthode du maxima

de gravité de maxima
Figure (I.9) : Principe des différentes méthodes de défuzzification.

 Méthode du maxima
Cette méthode consiste à choisir comme sortie x 0 du bloc de défuzzification, une des valeurs

possédant la plus grande appartenance au sous-ensemble flou x .

Il se peut que le système possède plusieurs maxima identiques, dans ce cas et afin d’éviter un
choix arbitraire, on choisit d’effectuer la moyenne des maxima.
La méthode du maximum à l'avantage d'être simple, rapide et facile. Elle est malheureusement
ambiguë et provoque de nombreuses discontinuités.

 Méthode de la moyenne des maxima

Dans le cas ou plusieurs sous-ensembles ont le même maximum, on réalise une

commande u  u i
, u i étant la commande issue du ieme sous-ensemble flou sélectionnable.
r
r : nombre de maxima identiques.
Les avantages et inconvénients de la méthode de la moyenne des maxima restent grosso
modo ceux de la méthode du maximum.
 Méthode du centre de gravité
Cette méthode consiste à calculer le centre de gravité de la fonction d’appartenance
résultante mrés ( x R ) . L’abscisse u de ce centre de gravité donne la valeur de commande à

appliquer et peut être déterminée par la relation générale suivante :

1

x
1
R
mrés (x R )dx R
u  1
(I.17)
m
1
rés
(x R )dx R

Université de M’sila 2017 Page 13

Chapitre I Théorie de la logique floue

L’intégrale au dénominateur donne la surface, tandis que l’intégrale au numérateur

correspond au moment de la surface.
Cette méthode va permettre d'éviter de trop grandes discontinuités et supprimera toute
ambiguïté. Elle semble donc optimale mais son implémentation est difficile et surtout
coûteuse en calculs. Elle se simplifie notablement lorsqu’on utilise la méthode d’inférence
Som-prod ou des singletons pour les fonctions d’appartenance des variables de sortie.

I.5.Contrôleurs flous usuels

Les contrôleurs flous sont principalement de deux types:
 Contrôleur flou de type Mamdani
 Contrôleur flou de type Sugeno
Pour un système à deux variables, les règles floues sont de la forme :
« SI x est Ai Et y est Bi ALORS z est Ci »
Où Ai et Bi sont des sous-ensembles flous, par contre Ci peut appartenir aussi bien au
domaine symbolique (sous-ensemble flou) qu’au domaine numérique.
L’originalité de la méthode de Sugeno réside dans le fait que la conclusion de chaque
règle n’appartient pas au domaine symbolique, mais est définie sous forme numérique comme
une combinaison linéaire des entrées
Selon la méthode de Sugeno, les règles floues, dans le cas de deux variables,
s’expriment donc selon la forme suivante :
« SI x est Ai Et y est Bi ALORS z  p 0  p1x  p2y »

On parle dans ce cas de contrôleur flou de type Sugeno d’ordre 1.

Dans la suite de ce mémoire, nous n’utiliserons qu’un raisonnement simplifié de
Sugeno (contrôleur flou de type Sugeno d’ordre 0) où les règles floues utilisées sont du type :
« SI x est Ai Et y est Bi ALORS z  p 0 »

Dans le contrôleur flou type Sugeno, les étapes d’agrégation et de défuzzification des
règles floues se font simultanément et la relation (I.18) devient :

u 
 mz
i i
(I.18)
m i

Université de M’sila 2017 Page 14

Chapitre I Théorie de la logique floue

Cette méthode est plus simple à mettre en œuvre et donne aussi de bons résultats en
commande floue que la méthode de Mamdani. Le calcul en temps réel de cette expression ne
pose pas de problème.
Une remarque peut être formulée sur le nom donné à cette étape. En effet, elle est
appelée « défuzzification » alors qu’elle ne manipule aucune donnée floue. Ce choix a été
dicté afin d’établir une similitude entre ce type de contrôleur et le contrôleur de type Mamdani
où le cheminement « fuzzification – inférence floue – défuzzification » a été introduit. A la
place de « défuzzification », le terme « agrégation » aurait été préférable.

I.6.Avantages et inconvénients du régulateur flou

La commande par logique floue comporte évidement un certain nombre d’avantages et
d’inconvénients. Les avantages essentiels sont : [7]
 La non-nécessité d’une modélisation du processus à commander, ainsi que d’une analyse
mathématique profonde.
 La possibilité de bénéficier et d’implémenter des connaissances et des expertises humaines sur
le système à commander.
 La maîtrise de systèmes à régler avec un comportement complexe (fortement non linéaire et
difficile à modéliser), aussi, cette approche offre la possibilité d’utiliser des processeurs
spécialisés (dit processeurs flous), afin d’augmenter la précision ainsi la vitesse de calcul.
Par contre, les inconvénients sont :
 Le manque de méthodes systématiques précises pour la conception et la synthèse d’une
commande par logique floue.
 L’impossibilité de la démonstration de la stabilité du circuit de commande en toute généralité,
(en absence d’un modèle valable).
 La cohérence des inférences est non garantie a priori (apparition possible des règles d’inférence
contradictoires).

I.7.Approximateur universel
Les systèmes non linéaires sont très complexes et difficilement modélisables. Plusieurs techniques
utilisant le principe de la boite noire ont été développées dans les travaux antécédents pour la
modélisation de ces systèmes. Une des techniques consiste à utiliser des modèles linéaires de type
auto-regressif (AR) ou auto-regressif avec entrée exogène(ARX).
Plusieurs travaux ont été développés dans ce sens [11], et l’énonce suivant du théorème de
l’approximateur universel a été l’un de ces aboutissement :

Université de M’sila 2017 Page 15

Chapitre I Théorie de la logique floue

Théorème1.1 [11] :

Pour toute fonction réelle fˆ (x ) continue sur un compact U ⊂ ℜ donné, il existe un système flou
f ( x ) tel que :

supx Î u f (x) - fˆ(x ) < e (I.19)

Avec  ≥ 0 est une constante arbitraire.

La propriété d’approximation universelle ne donne pas une méthode de construction du système
flou, f ( x ) elle nous permet seulement de garantir l’existence de ce dernier.
Nous avons choisi la structure du système flou d’une façon appropriée afin d’arriver à la notion
d’approximation universelle toute en se basant sur le choix des entrées et le nombre de fonctions
d’appartenance avec le type approprié pour chaque entrée du système flou, les paramètres qui
constituent les fonctions d’appartenance et le nombre de règles.

I.8.Conclusion
Dans ce chapitre, nous avons présenté les bases nécessaires à la compréhension des
méthodes à base de la logique flou la différence des méthodes issues de l’automatique
classique, les contrôleurs basés sur la logique floue ne nécessitent nullement de modèle
analytique de la tache à résoudre. En effet, ils ne sont pas basés sur des équations physiques
du système à contrôler mais sur le savoir-faire des opérateurs et des experts du domaine.

Université de M’sila 2017 Page 16

 Chapitre II
Commande adaptative par
Backstepping
Chapitre II Commande Adaptative par Backstepping

Chapitre 2 :

Commande adaptative par Backstepping.

II.1.Introduction
La plupart des techniques actuelles de conception de systèmes de commande sont
basés sur une bonne compréhension du système étudié et de son environnement.
Parmi les stratégies de commande adaptative on distingue les méthodes directes comme
par exemple la commande adaptative à modèle de référence (MRAC), dont l’objectif
est de concevoir un modèle de référence dont les performances coïncident avec ceux du
système en boucle fermée, la fonction de la commande est d’éliminer toute divergence entre
la réponse du modèle et celle du système quelque soient le signal d’entrée et les conditions
de perturbation (internes ou externes).
Les méthodes indirectes sont basées sur l’identification en temps réels du processus
puis le placement de pôles.
Chaque méthode utilise des techniques différentes mais pour le même but l’annulation
de l’erreur entre la consigne et la sortie de modèle.
Ce chapitre est une présentation de la commande adaptative .Il fournit également un
certain fond et un bref historique du développement de la commande adaptative.et l’approche de la
commande par backstepping qui s’applique aux systèmes non linéaires triangulaires (strict-feedback
Systems).

II.2.Historique
La recherche en contrôle adaptatif a une longue et forte histoire. Au début des années
50 il y avait des recherches étendues sur la commande adaptative en liaison avec la
conception des pilotes automatiques pour les avions à haute performance [16].
De tels avions fonctionnent sur une large plage de vitesse et d’altitude. Il a été
constaté que le gain constant de commande classique de rétroaction linéaire pourrait
fonctionner bien en une condition de fonctionnement mais pas au-dessus du régime de vol
entier [16], [18]. Un contrôleur plus sophistiqué qui pourrait travailler bien sur une grande
variété de conditions opérantes était nécessaire. Après un effort de développement significatif
il a été trouvé que le gain préprogrammé (scheduling) [18] basé sur quelques mesures
auxiliaires de la vitesse anémométrique était une technique convenable pour les systèmes de
contrôle de vol [16]. Un autre schéma de commande adaptative à modèle de référence été

Université de M’sila 2017 Page 17

Chapitre II Commande Adaptative par Backstepping

proposé par Whitaker et ces collègues pour résoudre le problème de contrôle de pilote automatique
[18], le but de ce schéma était de construire un contrôleur auto ajustable qui
rapporte une fonction de transfert en boucle fermée assortissant à un modèle de référence
prescrit. Plusieurs mécanismes d'auto-ajustement des paramètres du contrôleur ont été
proposées, telles que Les règles de sensibilité et la règles de M.I.T. et ont été vérifiés pour
bien préformer dans de certaines conditions [16].
Finalement, en 1958 Kalman a met un appui analytique fermant le concept d'un
contrôleur auto-réglable avec une identification explicite des paramètres d'un système
linéaire, avec une seule entrée une seule sortie (SISO) et l'utilisation de ces estimations de
paramètres pour mettre à jour un contrôleur quadratique linéaire optimal [17].
L'intérêt pour la commande adaptive a diminué partiellement parce qu'il était trop
difficile de traiter le problème de commande adaptative utilisant les techniques qui étaient
disponible au temps [18].
Pendant les années 60 il y avait beaucoup de recherche dans la théorie de contrôle qui
a contribué au développement de la commande adaptative. L’espace de l'état et théorie de
stabilité basé sur l’approche de Lyapunov ont été introduites [18].La théorie de stabilité de
Lyapunov a été fermement établie comme un outil pour prouver la convergence dans des
schémas de commande adaptatives [16], [18]. Il y avait aussi des résultats importants dans la
théorie de contrôle stochastique [16], [18]. La programmation dynamique, présentée par
Bellman, a augmenté la compréhension des processus adaptatifs. Des contributions
fondamentales ont été aussi faites par Tsypkin, qui a montré que beaucoup d'arrangements
pour l’apprentissage et la commande adaptative pourraient être décrits dans un cadre
commun. Il y avait également des développements importants dans l'identification de
système. Une Renaissance de commande adaptative s'est produite pendant les années 70,
lorsque les différents schémas d'estimation ont été combinées avec les diverses méthodes de
conception. De nombreuses applications ont été signalées, mais les résultats théoriques ont
été très limités
A la fin des années 70 et le début des années 80, des preuves pour la stabilité des
systèmes adaptatifs sont apparu, mais sous des hypothèses très restrictives.
Les efforts visant à fusionner les idées de contrôle robuste et des systèmes
d'identification sont d'une importance particulière. L'investigation de nécessité de ces
suppositions a suscité de nouvelles et intéressantes recherches dans la robustesse de
commande adaptative, ainsi que dans la robustesse des contrôleurs d'adaptation.
Les investigations sur les systèmes non linéaires ont conduit à une compréhension accrue
de manière significative de contrôle adaptatif. Dernièrement, il a également été établi que le

Université de M’sila 2017 Page 18

Chapitre II Commande Adaptative par Backstepping

contrôle adaptatif de solides relations d'idées sur l'apprentissage qui émergent dans le
domaine de l'informatique.
Il y a eu beaucoup d'expériences sur la commande adaptative dans les laboratoires et
l'industrie. Le progrès rapide dans la microélectronique était une stimulation forte [18].
L'interaction entre la théorie et l'expérimentation a eu comme conséquence un
développement vigoureux du champ. En conséquence, les contrôleurs adaptatifs ont
commencé à apparaître commercialement au début des années 80[18].
Au début des années 90 les nouvelles découvertes étaient appliquées aux méthodes
adaptatives, telles que l'intelligence artificielle, les réseaux de neurone et les techniques flous
Toutefois, dans la deuxième moitié des années 90, les systèmes adaptatifs faisait toujours
preuve d'un grand potentiel d'applications massive, bien que de nombreuses sociétés bien
connues déployés les principes d'adaptation pour l'autorégulation, et parfois même pour
contrôle en ligne [19].
La commande adaptative a une littérature riche complètement de différentes techniques
pour la conception, l'analyse, l'exécution, et les applications. Plusieurs articles, des livres et
des monographies .ont été déjà édités. En dépit de la vaste littérature sur le sujet, il y a
toujours un sentiment général que la commande adaptative est une collection d'indépendant
techniques et outils.[18]

II.3.la commande adaptative floue

La terminologie « commande adaptative » désigne l’ensemble de méthodes permettant
l’ajustement automatique en temps réel des paramètres des régulateurs mis en
œuvre dans une boucle de commande a fin de réaliser ou de maintenir un niveau de performances
désirée lorsque le processus contrôlé n’est pas trop bien connue ou ayant une
non linéarité significative ou des paramètres variant dans le temps[17].
Bien que chaque contrôleur est adaptatif dans le sens qu’il change sa sortie à chaque
fois que l’erreur change, la vrai commande adaptative est lorsque le contrôleur adapte non
seulement sa sortie mais aussi sa stratégie de contrôle, c’est-à-dire qu’il peut régler ces
propres paramètres ou d’une autre manière sa loi de commande pour s’adapter aux
changements du comportement du processus [19].
La figure (II.1), montre le block diagramme d’une commande adaptative.

Université de M’sila 2017 Page 19

Chapitre II Commande Adaptative par Backstepping

Figure (II.1) : Schéma bloc d’une commande adaptative

II.4.Concept de la commande adaptative

En général, le système à contrôler possède des paramètres incertains au début de l’opération de
commande. Malgré que l’effet de cette incertitude paramétrique puisse disparaitre en temps fini par
un certain mécanisme d’ajustement, elle peut causer une instabilité du système.
Dans d’autre cas, un phénomène inverse se produit, on démarre avec des paramètres connus et
certains, mais au cours de fonctionnement, ces paramètres perdent leurs valeurs initiales et
deviennent incertains, donc sans une mise à jour continuelle du régulateur, le régulateur initial
s’avère inefficace.
Dans de nombreuses situations, les systèmes de commande classique sont basés sur les modèles
à paramètres fixes, car ils ne peuvent prendre en charge les variations lentes ou rapides de la
dynamique des systèmes, d’où la nécessité d'introduire la notion de systèmes de commande
adaptative afin d'assurer les performances désirées. Pour cela, les paramètres du régulateur
(contrôleur) sont ajustés automatiquement sur la base des informations recueillies du système.
L'adaptation est souhaitable pour deux raisons principales:
 L'affinement au cours du temps du réglage initial du système de commande.
 La prise en compte des variations des paramètres du système à commander.

II.5.Les tâches typiques de la commande adaptative

Les systèmes de commande adaptative (CA) peuvent réaliser quelques tâches typiques à savoir :
 Ajustement automatique des régulateurs à la mise en œuvre.
 Détermination automatique des paramètres optimaux des régulateurs dans les différents
points de fonctionnement du procédé.
 Maintien des performances du système de CA quand les caractéristiques du procédé
changent.

Université de M’sila 2017 Page 20

Chapitre II Commande Adaptative par Backstepping

 Détection des variations anormales des caractéristiques des procédés (ces variations se
reflètent dans les valeurs des paramètres fournis par l’algorithme d’adaptation
paramétrique).
 Possibilité de mise en œuvre des régulateurs plus complexes et plus performants que le
P.I.D (ceci comme conséquence de l’ajustement automatique des paramètres du régulateur).
 Conception de nouveaux procédés technologiques utilisant des systèmes de CA qui assure
le bon fonctionnement du procédé.

II.6.Domaines d’application
La CA est utilisée quand c’est techniquement nécessaire et économiquement rentable. Les
techniques de CA ont été utilisées avec succès pour un grand nombre d’applications :
Asservissements à moteurs électriques ; robots manipulateurs ; machines à papier ; régulation de Ph
; échangeur de chaleur ; systèmes d’armes ; … etc.
L’utilisation des systèmes de CA connaît aujourd’hui un essor certain, d’une part, à cause de leur
complexité raisonnable et, d’autre part, à cause du développement des cartes à microprocesseurs
pouvant servir de support pour leur mise en œuvre. En ce qui concerne la rentabilité, les éléments
suivants sont à prendre en compte Amélioration de la qualité des produits, augmentation de la
production, économie d’énergie, espacement des arrêts d’entretien et détection précoce des
anomalies.

II.7.Pourquoi la commande adaptative

Dans de nombreuses situations, la commande adaptative s'avère utile, parmi ces situations, nous
citons [17]:
 Les changements dans la fonction de transfert du système, dans son ordre ou en
valeurs de quelques paramètres dus aux variations de l'enivrement.
 Les bruits de stochastiques.
 Les changements dans la nature de données.
 La propagation des bruits le long d'une chaîne de processus d'unité.
 Le comportement non linéaire comme dans le cas de réactions des complexes
chimiques ou biochimiques.
 Un temps mort appréciable.

Université de M’sila 2017 Page 21

Chapitre II Commande Adaptative par Backstepping

II.8.Principe
Dans les systèmes classiques de réglage, le régulateur à paramètres fixes est utilisé pour
réduire ou éliminer l’effet des perturbations agissantes sur les grandeurs à régler. Pour
atteindre ce but, les variables réelles sont mesurées et comparées aux valeurs désirées, leurs
différences sont injectées à l’entrée du régulateur pour générer le signal de commande. Par
contre un système de commande adaptative traite l’écart entre l’indice de performance désiré
et celui qui est mesuré dans le système réel. Lorsqu’il y a un écart entre ces deux grandeurs,
un mécanisme d’adaptation ajuste un organe de commande qui agit sur le système de façon à
éliminer cet écart.
Il y a deux structures de base pour ce type de commande :
 La structure parallèle.
 La structure série.
Du point de vue de la synthèse de la commande il y a deux méthodes :
 La méthode d’adaptation paramétrique.
 La méthode d’adaptation par synthèse de signal.
La figure (II.2) montre le schéma de principe :

Figure (II.2) : Schéma de principe d’une commande adaptative

II.9.Commande adaptative directe et indirecte

La seule différence entre la commande adaptative et les régulateurs auto-ajustable est
que la première approche est un schéma de commande adaptative directe et la deuxième est
un schéma indirect [16].

Université de M’sila 2017 Page 22

Chapitre II Commande Adaptative par Backstepping

II.9.1.Commande adaptative directe

Nous l’appelons ainsi car il y a un ajustement direct de paramètres Cette approche
repose sur le raisonnement suivant : Étant donné la structure du modèle du système (supposée
connue) et la stratégie de commande choisie, on peut en déduire le structure du régulateur
capable de rparamètriser l’ensemble système plus la régulateur, identifions directement ces
paramètres et utilisons ces estimées dans le régulateur.
Cette approche également désigné sous le nom de la commande adaptative implicite
parce que la conception est basée sur l'évaluation d'un modèle implicite du système [17].

Figure (II.3) : Commande adaptative direct

II.9.2.Commande adaptative indirecte.

Dans cette approche, on décide d’identifier les paramètres du système et d’utiliser, à
chaque instant, ces estimées (comme s’il s’agissait des vrais paramètres) dans le calcule de la
loi de commande, c’est-à-dire dans le calcul des paramètres du régulateur adaptatif.
D’une certaine manière, on peut dire que l’on commande optimalisent, à chaque instant,
le modèle estimé du système [20].
Cette approche également désigné sous le nom de la commande adaptative explicite, parce
que la conception est basée sur un modèle explicite du système.

Université de M’sila 2017 Page 23

Chapitre II Commande Adaptative par Backstepping

Figure (II.4) : Commande adaptative indirect.

II.10.Commande par backstepping

La commande non linéaire a fait son apparition dans les années 1980 avec les travaux d'Isidori.
Plus récemment, la technique du backstepping (commande stabilisante non linéaire) a fait son
apparition dans les années 1990. L'historique du backstepping est résumé dans [12] et l'approche y
est largement approfondie. Le backstepping est moins restrictif et n'oblige pas le système à devenir
linéaire. L'idée fondamentale du backstepping est de synthétiser la loi de commande d'une manière
récursive. Certaines composantes du vecteur d'état sont considérées comme des «commandes
virtuelles» et des lois de commande intermédiaires sont élaborées. Le backstepping s’applique aux
systèmes non linéaires triangulaires. Le lecteur se référera à [12] pour mieux comprendre l’utilité de
cette classe de systèmes.

II.11.Technique de commande par backstepping

La technique de la commande par backstepping a été développée par Kanellakopoulos en 1991
[13]. Cette technique offre une méthode systématique pour effectuer la conception d’un contrôleur
pour les systèmes non linéaires. L’idée de base consiste à calculer une loi de commande afin de
garantir pour une certaine fonction de Lyapunov, définie positive et que sa dérivée soit toujours
négative. L’objectif de cette technique est de calculer, en plusieurs étapes, une commande qui
garantit la stabilité globale du système. Par la suite, on présente quelques définitions conduisant à la
compréhension de la méthode de backstepping.

Université de M’sila 2017 Page 24

Chapitre II Commande Adaptative par Backstepping

II.11.1. Définitions
Point d’équilibre : Physiquement, un système est en équilibre quand il conserve son état en
absence de forces externes. Mathématiquement, cela équivaut à dire que la dérivée x de son état est
nulle.

x  f (x )  0 (II.1)

Stabilité : On dit qu’un système est stable lorsque il revient à son état d’équilibre si l’on excite par
une impulsion, il est instable lorsque il s’éloigne.

Stabilité de Lyapunov [14] : Considérons le système invariable décrit par l’équation suivante :
x  f (x ) (II.2)

Commençons à l’état initial x(0) . Supposons que x e

est un point d’équilibre du système,

f (xe )  0 . Nous disons que le point d’équilibre est :

 Stable, si pour chaque,   0 , existe,  ( )  0 , tel que :

x (0)  xe    x (t )  xe   , pour tout, t  0

 Asymptotiquement stable, s’il est stable et en plus il existe, r >0, tels que :

x (0)  xe  r  x (t )  xe , lorsque, t   .

 Globalement asymptotiquement stable, s’il est asymptotiquement stable pour tous

les états initiaux.

II.11.2. Méthodes d’analyse de la stabilité des systèmes non linéaires

L’étude de la stabilité des systèmes non linéaires est très complexe. L’approche de Lyapunov
est l’approche la plus utilisée pour étudier ce problème. Cette approche a été introduite au 19iéme
siècle par le mathématicien russe Alexandre Mikhailovich Lyapunov dans son travail intitulé, « The
general problem of the motion stability »
On distingue deux méthodes de Lyapunov pour l’analyse de la stabilité : La méthode de
linéarisation et la méthode directe. La première concerne la stabilité locale autour d’un point
d’équilibre. Par contre, la deuxième détermine la stabilité des systèmes en construisant une fonction
scalaire des états du système dont on examinera la variation temporelle. Par la suite on s’intéressera
par la méthode directe de Lyapunov, car le backstepping est basé sur cette méthode.

Université de M’sila 2017 Page 25

Chapitre II Commande Adaptative par Backstepping

II.11.2.1.Méthode directe de Lyapunov

Son objectif, est de définir une méthode permettant d’analyser la stabilité d’un système non
linéaire sans connaître explicitement les solutions des équations différentielles qui le décrivent. La
philosophie de cette méthode n’est que l’extension mathématique d’un phénomène physique
observé, car les systèmes mécaniques et électriques perdent de l’énergie pour se stabiliser au point
d’équilibre.

Théorème de Lyapunov

La méthode directe de Lyapunov (ou la méthode des fonctions de Lyapunov) est dérivée du
critère énergétique de stabilité. En appliquant ce critère indépendamment du concept d'énergie, on
remplace alors l'énergie du système par une fonction de Lyapunov qui est définie positive (comme
l'énergie).

Soit le système autonome :

x  f (x ), xe (II.3)

Ce système aura un point d’équilibre xe = 0, globalement asymptotiquement stable, s’il existe

 x)
une fonction scalaire V(x ) continue avec une dérivée partielle par rapport au temps V(
continue ayant les propriétés suivantes :

1. V (0)  0 .

2. V (x )  0, x  0 .
3. lim V (x )   , (radialement non bornée),
x  

4. V  0, x  0 .
II.11.2.2. Synthèse de la commande par la méthode directe de Lyapunov
Dans les paragraphes précédents, nous avons étudié la stabilité des systèmes où on a supposé
implicitement que la loi de commande a été choisie et notre but était de vérifier la stabilité du
système avec cette loi de commande, mais le problème dans cette synthèse est comment trouver
cette commande qui stabilisera le système. Nous allons présenter une méthodologie qui combine
entre la recherche de la fonction de Lyapunov et la loi stabilisante. En général, il existe deux
concepts pour l'application de la méthode directe de Lyapunov pour la synthèse d'une commande
stable :

Université de M’sila 2017 Page 26

Chapitre II Commande Adaptative par Backstepping

1èr concept : On suppose que la loi de commande existe et on cherche la fonction de Lyapunov.
2éme concept : Cette fois si on fait un choix sur la fonction de Lyapunov candidate V( x), et on
cherche la loi de commande qui satisfait les conditions de la stabilité au sens de Lyapunov.
Dans la plupart des théorèmes et lemmes de la stabilité au sens de Lyapunov, l’existence de la
fonction de Lyapunov était assumée et l’objectif était de déterminer la stabilité de ces systèmes.
Mais dans la plupart des cas, la recherche de cette fonction est très difficile. Dans le paragraphe
suivant, nous présenterons la notion du backstepping qui nous offre une solution à ce problème.

II.12.Commande par backstepping

Le principe de la commande par backstepping consiste à calculer, d’une façon systématique, une
loi de commande afin de garantir qu’une certaine fonction de Lyapunov soit définie positive et sa
dérivée soit toujours négative. Celle-ci permet de garantir la stabilité globale du système compensé
tout en travaillant en poursuite et en régulation [15].

II.12.1 Algorithme de base

Soit le cas du système non linéaire du troisième ordre suivant [15] :

x 1  f1(x 1 )  g1(x 1 )x 2 (II.4)

x2  f2 ( x 1, x 2 )  g2 ( x 1, x 2 )x 3 (II.5)

x3  f 3 (x 1, x 2 , x 3 )  g 3 (x 1, x 2 , x 3 ) u (II.6)

où, gi et fi (i  1, 2, 3) sont des fonctions non linéaires continues et connues telle que fi (0)  0

et gi (x )  0, (x1, x 2, x 2 )  3 .On désire faire suivre à la sortie, y  x 1 , le signal de référence

y r , où, y r , y r , y r sont supposées connues et uniformément bornées. Le système étant du

troisième ordre, la conception s’effectue en trois étapes.

Etape 1:
On considère d’abord le premier sous-système (II.4). La variable d’état x2 est traitée comme une

commande virtuelle et l’on définit la première valeur désirée :

x 1d  a 0  y r (II.7)

La première variable d’erreur est définie par :

e1  x 1  a 0 (II.8)

Sa dérivée est :
e1  x1  a 0  f1  g1x 2  a 0 (II.9)

Université de M’sila 2017 Page 27

Chapitre II Commande Adaptative par Backstepping

On choisit la fonction de Lyapunov :

1
V 1(e1 )  e 21 (II.10)
2
Sa dérivée le long de la solution de (II.10) est donnée par :

V 1  e1e1  e1[f1  g1x 2  a 0 ] (II.11)

Afin d’assurer la stabilité du premier sous-système décrit par (II.4), on prend comme valeur de x2 la

fonction 1 ,telle que :

1
a 1  x 2d  [k1e1  f1  a 0 ] (II.12)
g1

Où, k1  0 est une constante de conception.

La dérivée de la fonction de Lyapunov s’écrit :

V1  k1e12  0 (II.13)

D’où la stabilité asymptotique de e1

Etape 2 :
Dans cette étape on considère les sous-systèmes (II.4) et (II.5) et l’on définit la nouvelle variable
d’erreur :
e2  x 2  a 1 (II.14)

à cause du fait que x 2 ne peut être forcée à prendre instantanément une valeur désirée, en

l’occurrence, a 1 l’erreur e 2 n’est pas instantanément nulle.

La conception dans cette étape consiste alors, à forcer cette erreur à s’annuler avec une
certaine dynamique choisie au préalable. Les équations du système à commander, dans
l’espace (e1 , e2 ) , s’écrivent :

e1  f1  a 0  g1(e2  a 1 ) (II.15)

e2  f2  a 1  g2x 3 (II.16)

pour lesquelles on choisit la fonction de Lyapunov :

V 2 (e1, e2 )  V 1  12 e 22 (II.17)

qui a pour dérivée avec remplacement les équations (II.16) et (II.17) on obtient :
V2 (e1, e2 )  V1  e2e2

Université de M’sila 2017 Page 28

Chapitre II Commande Adaptative par Backstepping

 e1[f1  g1(e2  a 1 )  a 0 ]  e2[f2  g2x 3  a 1 ]

 e1[f1  g1a 1  a 0 ]  e2[f2  g1e1  g2x 3  a 1 ] (II.18)

 k1e 21  e2 [f2  g1e1  g2x 3  a1 ]

Le choix de la valeur désirée x 3 de est donnée par :

1
x 3d  a 2  [a  g1e1  f2  k 2e2 ] (II.19)
g2 1

où, k2  0 et a 1 , se calcule analytiquement :

a 1 a 1 a 1
a 1  x1  yr  y (II.20)
x 1 y r yr r

Un tel choix permet de réduire V2 à :

V2  k1e12  k2e22  0 (II.21)

V2 étant une fonction définie négative, ce qui assure la stabilité asymptotique de e1 et e 2 .

Etape 3 :
Considérons maintenant le système global (II.4)-(II.6). La troisième variable d’erreur est :
e3  x 3  a 2 ( II.22)

Les équations du système dans l’espace des erreurs (e1 , e2 , e3 ) sont données par :

e1  f1  a 0  g1 (e2  a 1 ) (II.23)

e2  f2  a 1  g2 (e 3  a 2 ) (II.24)

e3  f 3  a 2  g3u (II.25)

On choisit la fonction de Lyapunov :

1
V 3 (e1, e2, e3 )  V 2  e 23 (II.26)
2
Sa dérivée le long de la solution de (II.23)-(II.25) devient :
V3 (e1, e2 , e 3 )  V2  e 3e3 (II.27)

 k1e 21  k2e 22  e3 [f3  g2e2  g3u  a 2 ]

Le choix approprié de la commande se donne par :

Université de M’sila 2017 Page 29

Chapitre II Commande Adaptative par Backstepping

1
u  [a  f3  g2e2  k 3e 3 ] (II.28)
g3 2

où, k 3 > 0 et a 2 se calcule analytiquement :

a 2 a 2 a 2 a 2 a
a 2  x 1  x 2  yr  yr  2 
y (II.29)
x 1 x 2 y r yr yr r

Il en résulte que :

V3  k1e12  k2e 22  k 3e 23  0 (II.30)

D’où la stabilité asymptotique en boucle fermée du système original e1 , e 2 , e 3 et la

régulation à zéro de l’erreur de poursuite ( y  yr ) .

II.13.Conclusion
Dans ce chapitre, nous avons présenté quelques notions, et définition sur la
commande adaptative et la commande par backstepping appliquée aux systèmes non linéaires
triangulaires. Dans la première partie de ce chapitre nous avons commencé par définir la
Commande adaptative, avons donné une vue générale sur son histoire, ainsi que les différentes
schémas de commande adaptative.
Dans la deuxième partie, La technique du backstepping offre un outil efficace qui permet, pour
les systèmes non linéaires sous forme triangulaire inférieure d’ordre quelconque, de construire
récursivement, et d’une manière systématique et directe, la loi de commande et la fonction de
Lyapunov qui assurent la stabilité de la boucle fermée. Cependant, cette approche nécessite la
connaissance d’un modèle précis du système. Afin de sur monter ce problème.

Université de M’sila 2017 Page 30

 Chapitre III
Commande adaptative floue des
systèmes non linéaires discrets
Chapitre III Commande adaptative floue des systèmes non linéaires discrets

Chapitre 3 :

Commande adaptative floue des systèmes non linéaires

discrets

III.1. Introduction
Au cours des dernières décennies, le système de logique floue (FLS) Un sujet de recherche actif
et ont obtenu une attention Dans le domaine de contrôle en raison de son excellente approximation
universelle Capacité [21].
En général, FLS est utilisé comme approximateur de fonction pour traiter Nombreuses
incertitudes apparaissant dans les contrôleurs ou Systèmes étudiés [22]. Ces dernières années, le
contrôle flou adaptatif A été étudié de manière approfondie pour les systèmes non linéaires en
temps continu Systèmes et à temps discret. Pour les systèmes à temps continu, Beaucoup de
développement significatif a été réalisé [23 - 26]. Pour Exemple, dans [24], un schéma de contrôle
robuste adaptatif flou est Proposition basée sur la conception backstepping pour une classe de
Systèmes avec des incertitudes non linéaires, une dynamique non modélisée et Perturbations
dynamiques. Alors que dans [25], une sortie floue adaptative Rétroaction a été proposée pour une
classe de systèmes non linéaires canoniques des États.
système logique est utilisé pour rapprocher la localisée inconnue fonction dans le système lors de
la dernière étape. Autrement dit, seule réelle la loi de contrôle doit être construit. De plus, avec
l'aide de MLP technique, le nombre de paramètres mis à jour en ligne ensemble du système est
réduite à une seule, peu importe combien de règles sont utilisés dans le système flou construit et
combien d'entrée variables existent dans le système étudié.
En utilisant le Procédé d'analyse de Lyapunov, tous les signaux dans la boucle fermée
système sont garantis SGUUB, et l'erreur de suivi converge vers un petit voisinage de l'origine.
deux simulation Les exemples sont utilisés pour illustrer l'efficacité et les avantages
du régime proposé.
Dans ce chapitre, une méthode de commande floue adaptative directe est développée
pour une classe de systèmes non linéaires discrets. Les systèmes flous sont employés pour
approximer les fonctions inconnues des systèmes, et les paramètres inconnus dans les systèmes
flous.

La supposition des bornes connues sur l’erreur d'approximation n'est pas exigée puisque
ceux sont estimés par lois d'adaptation. Le schéma de conception proposé garantit que tous les

Université de M’sila 2017 Page 31

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

signaux dans le système en boucle fermée sont bornés, et l'erreur de poursuite converge à un
petit voisinage de l'origine.

III.2. Formulation du problème et préliminaires

III.2.1.Formulation du problème
Prenez en compte les paramètres suivants d'entrée simple et de sortie unique (SISO)
Système non linéaire à temps discret sous forme de feedback strict :¨
ìï x ( k + 1) = f ( x ( k )) + g ( x ( k ))x ( k ), i = 1,2,..., n - 1,
ïï i i i i i i+ 1
ïí x ( k + 1) = f ( x ( k )) + g ( x ( k )) u( k ) (III.1)
ïï n n n n n

ïï y k = x 1( k )
î
T
Où x i (k )  x 1(k ), x 2 (k ),...x i (k )   R i . i  1, 2,...n Sont l'état Variables, u (k )  R est l'entrée

système. y k  R Est la sortie du système. fi (x i (k )) et gi (x i (k )), i  1, 2,... n Sont des fonctions

lissées inconnues. L'objectif de contrôle est de concevoir un contrôleur flou adaptatif Pour le
système (III.1) de telle sorte que: (i) tous les signaux dans la boucle fermée Système sont semi-
globalement uniformément finalement borné (SGUUB) et (ii) la sortie du système suit le signal de
référence souhaité y d (k ) . Dans cette note, il doit faire les hypothèses suivantes avec En ce qui

concerne les systèmes (III.1).

Hypothèse 1
Le signe de référence souhaité yd (k )  Wy , k  0 est un Fonction lisse connue avec


Wy : c / c  x 1 . 
Hypothèse 2
Le signe de gi (x i (k )), i  1, 2,...n sont connus et il existe des constantes gi  0 et gi  0

Tel que gi  gi (x i (k ))  gi , x n (k )  W R n .

Sans perdre de généralité, nous supposons que gi (x i (k )) et gn (x n (k )) sont positifs dans cet article.

C’est-à-dire gi  gi (x i (k ))  gi

Définition 1
Réf. [27], la solution de (1) est semi-globalement uniformément limitée (SGUUB), si pour tout W,
Un compact sous-ensemble de R n et x n (k 0 )  W il existe un e  0 et un nombre N ( e, x n (k 0 )) tel

que x n (k )  e pour tout k  k 0  N .

Université de M’sila 2017 Page 32

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

III.2.2. Systèmes de logique floue Takagi-Sugeno (T-S)

Ici, nous décrivons brièvement la structure de la logique flou de type T- S(FL S). Généralement,
le FL S peut être décrit par k (k  1) règles floues:

R i : Si x 1 est Yi h et x 2 est Yi h et…et x n est Yi h

1 2 n

Alors y i est Wih ,h ....h , i  1, 2,....k , où Wih ,h ....h Désigne un Sortie floue. Si Wih ,h ....h est un
1 2 n 1 2 n 1 2 n

ensemble flou de singleton, son Fonction d'appartenance est 1 seulement à y i  s i (Un inconnu

arbitraire Constante) et 0 à une autre position, alors il est appelé type Mamdani Système flou.
Si Wih ,h ....h est une fonction de ai 1x 1  ai 2x 2  ...  ain x n ,avec aij , i  1, 2,..., k et j  1, 2, ..., n
1 2 n

Étant constantes, il est Appelé système flou de type Takagi-Sugeno (T-S). Le produit Inférence
floue est utilisée pour évaluer les et dans le Règles floues. Après avoir été défuzzifié par un centre
moyen defuzzifier, la sortie du système flou T-S est sous la forme de vecteur [28]

f̂( x,Ax ) = x(x) Ax x (III.2)

k
n
Où x(x )   x1(x ), x2 (x ),...xk (x )  et xi (x )   mi (x j ) /
j 1 h 
j
i

 n mi (x )  , Sont appelées fonctions de base floue, mi Est la fonction d'appartenance

 j 1 hj j  hj

correspondant aux antécédents Y ih , i  1, 2, ...k , et

j

a11 ... a1n a12 

 
 a12 a22 ... a 2n 
Ax  
    
 
ak 1 ak 2  akn 

Il a été prouvé qu'un modèle T-S flou est un modèle universel Approximateur de tout système non
linéaire lisse sur un ensemble compact [29, 30], qui est énoncée comme suit.
Lemme 1
Réf. [28], pour toute fonction continue réelle donnée f (x ) sur un Ensemble compact u  R n et

e  0 , Il existe un système flou fˆ (x , Ax ) dans la forme de (III.2) telle que :

sup = f( x ) - ˆf( x, A x ) £ e (III.3)

xÎU

Où e est appelée erreur d'approximation et a une inconnue bornée supérieure e * .

Université de M’sila 2017 Page 33

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

Remarque 1.
Comme indiqué dans la remarque 2 de [28], pour toute fonction continue n-dimensionnelle f (x ) Si
n
N i  1 Entrée floue ensembles pour chaque Variable x i , Sont utilisées, elles seront  i 1
( N i  1)

Si-Alors règles floues Dans le système flou. Cela implique qu'il y aura un total de
n
 i 1
( N i  1) Paramètres à mettre à jour en ligne dans le système flou de Mamdani type, et

n
n  i 1 ( N i  1) Paramètres du type T-S Système flou.

III.3. Analyse de la conception et de la stabilité du contrôle

flou adaptatif
Notez que pour la conception de contrôle de l'incertitude générale Les systèmes non linéaires à
temps discret sous forme de feedback par la technique de backstepping, le problème majeur de la
"contradiction de causalité" Seront rencontrés dans la procédure de conception. Cependant, nous
pouvons Transformer l'équation du système en une forme spéciale Backstepping pour éviter le
problème ci-dessus. Si l'on considère Le système d'origine (1) en tant que prédicateur à une étape
d'avance, Causalité contradiction est d'éviter de le transformer en un équivalent Prédicateur
maximal n-step [27]. De même, avec l'aide de Le processus de transformation dans [27], le système
(III.1) est équivalent à La forme suivante :
x 1( k + n ) = F1( x n ( k )) + G 1( x n ( k ))x 2( k + n - 1)
M
x n - 1( k + 2 ) = Fn - 1( x n ( k )) + G n - 1( x n ( k ))x n ( k + 1)
x n ( k + 1) = fn ( x n ( k )) + gn ( x n ( k )) u(k)
y k = x 1( k ) ( III .4)

Fi (x n (k )) et G i (x n (k )) sont des fonctions inconnues. Maintenant le Problème de causalité

contradiction n'apparaît pas dans le système (III.4). Il est évident que G i (x n (k )) Satisfait

gi  gi (x n (k ))  gi . x n (k )  W Sous l'hypothèse 1.

Pour faciliter l'analyse et la discussion, pour i  1,...n  1 laisser Fi (k )  Fi (x n (k )) ,

G i (k )  G i (x n (k )) , fn (k )  fn (x n (k )) , gn (k )  gn (x n (k )) , Ils sont des fonctions des états du système

x n (k ) à k ém e l'étape. Maintenant, nous allons développer une conception de contrôle de suivi flou

adaptatif Pour le système (III.4) basé sur une approximation floue simple et les techniques MLP.
Semblable au backstepping traditionnel, La procédure de conception récursive

Université de M’sila 2017 Page 34

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

comporte n étapes. Cependant, De la première étape à (n  1) nième Étape, les contrôleurs virtuels
n'ont pas besoin À concevoir. C'est seulement à l'étape finale que le contrôleur Le droit adaptatif est
construit.
Étape 1: définir la variable d'erreur de suivi comme h1(k )  x 1(k )  y d (k ) , il est nième différence est

donnée par :
h1( k + n ) = x 1( k + n ) - y d( k + n ) = F1( k ) + G 1( k )x 2( k + n - 1) - y d ( k + n ) (III.5)

En visionnant a 2 (k  n  1) Comme une entrée de commande virtuelle pour (III.4), si nous

Choisir :
a 2 ( k + n - 1) = - éêëF1( k ) - y d( k + n ) ùúû/ G 1( k ) = - H 1( k ) + y d( k + n ) / J 1( k ) (III.6)

Où H 1(k )  F1(k ) / G 1(k ) et J 1(k )  G 1(k ) sont inconnus lisses Fonctions, il est évident que

h1(k  n )  0 .

Définir la variable d’erreur h2 (k  n  1)  x 2 (k  n  1)  a 2 (k  n  1) . Alors ona :

x 2( k + n - 1) = h2( k + n - 1) + a 2( k + n - 1)
(III.7)
= h2( k + n - 1) - H 1(k) + yd( k + n ) J 1 ( k )

En remplaçant (III.7) en (III.5), l'erreur Eq. (III.5) est réécrit comme :

h1( k + n ) = G 1( k ) h2( k + n - 1) (III.8)

Étape 2: Pour h2 (k )  x 2 (k )  a 2 (k ) il est (n  1) La différence est donnée par :

h2( k + n - 1) = x 2( k + n - 1) - a 2( k + n - 1)
(III.9)
= F2( k ) + G 2( k )x 3 ( k + n - 2) + H 1( k ) - yd( k + n ) J 1 ( k )

En visionnant a 3 (k  n  2) Comme une commande virtuelle pour (III.9). Si nous choisissons

é ù
a 3 ( k + n - 2) = -
1 êF ( k ) + H ( k ) - yd( k + n ) ú= - H ( k ) + yd( k + n ) (III.10)
G 2( k ) ê2 1
J 1( k ) úúû 2
J 2( k)
êë

F2 (k )  H 1(k )
Où H 2 (k )  et J 2 (k )  G 1(k ) G 2 (k ) Sont inconnus Fonctions lisses, il est évident que
G 2 (k )

h2 (k  n  1)  0 .

Maintenant, définissez h3 (k  n  2)  x 3 (k  n  2)  a 3 (k  n  2) puis un a :

x 3( k + n - 2) = h3 ( k + n - 2) + a 3 ( k + n - 2)
(III.11)
= h3 ( k + n - 2) - H 2(k) + yd( k + n ) J 2 ( k)

Université de M’sila 2017 Page 35

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

En remplaçant de (III.11) en (III.9) donne :

h2( k + n - 1) = G 2( k ) h3( k + n - 2 ) (III.12)

Étape i: Semblable à l'étape 2, pour hi (k )  x i (k )  a i (k ) , Il est (n  i  1) Différence est

donnée par :
hi( k + n - i + 1) = x i ( k + n - i + 1) - a i( k + n - i + 1)
(III.13)
= Fi( k ) + G i ( k )x i + 1( k + n - i ) + H i - 1( k ) - yd( k + n ) J i - 1 ( k )

De même, considérer a i 1(k  n  i ) Comme commande virtuel pour (III.13). Il Est évident que

hi (k  n  i  1)  0 Est vrai lorsque nous choisissons :

é ù
a i + 1( k + n - i) = -
1 êF ( k ) + H ( k ) - yd( k + n ) ú= - H ( k ) + yd( k + n ) (III.14)
G i( k ) êi i- 1
J i - 1( k ) úûú i
J i( k )
ëê
Fi (k )  H i 1(k ) i
H i (k )  et J i (k )   p 1G p (k ) Sont inconnus Fonctions lisses.
G i (k )

Soit hi 1(k  n  i )  x i 1(k  n  i )  a i 1(k  n  i )

Alors on a x i 1(k  n  i )  hi 1(k  n  i )  a i 1(k  n  i )

 hi 1(k  n  i )  H i (k )  y d (k  n ) / J i (k ) (III.15)

En remplaçant (III.15) en (III.13) :

h2 (k  n  1)  G 2 (k )h3 (k  n  2) (III.16)

Etape n : pour hn (k )  x n (k )  a n (k ) la première différence est donnée à titre suit :

hn (k  1)  x n (k  1)  a n (k  1)

 fn (k )  gn (k )u (k )  H n 1(k )  y d (k  n ) / J n 1(k ) (III.17)

Si nous choisissons :

1 y (k  n ) y (k  n )
u (k )  u * (k )   [ f n ( k )  H n 1 ( k )  d ]  H n (k )  d (III.18)
gn (k ) J n 1 (k ) J n (k )

fn (k )  H n 1 (k ) n
Où H n (k ) 
gn (k )
et , J n (k )   p 1
G p (k )

Sont inconnus Fonctions lisses. Il est évident que hn (k  1)  0

Pour faciliter l'analyse et la discussion, laisser x(k )  x(x n (k )) y (x )  y (x n (k )) F (k )  F (x n (k ))

,

Université de M’sila 2017 Page 36

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

Depuis H n (k ) et J n (k ) Sont des fonctions inconnues, elles ne sont pas Disponibles pour construire

le commande u * (k ) . Cependant selon Lemme 1, on peut utiliser un système flou T-S comme (2)

pour approximer u * (k ) comme suit :

u *(k )  bx(k )w  x(k )A yd (k  n )  e  bx(k )w  v (III.19)

où e est l'erreur d'approximation, b  A , w  A m h1(k  n ) , A m  A / b

Et v  x(k )A y d (k  n )  e . En notant la limite de e on a :

v  x(k )A y d (k  n )  e  gi qT y (k ) (III.20)

où q  gi 1 , 
max A yd (k  n ) , e  , Et y (k )  1  x(k ) depuis q est bornée en

raison de la limite de y d (k  n ) et e , c'est clair cette v est bornée.

Donc, u * (k ) Peut être exprimée comme :

u * (k )  l (k )F (k ) (III.21)

1 2 1
Où l  gi 1 max(b2 , q2 ) et F (k )  2
x(k )  2 y 2 (k ) r et l sont des constantes de
4r 4l
conception positive.
Maintenant, soit lˆ l'estimation de l , choisissez la commande et le Mettre à jour la loi comme suit :
u (k )  lˆ (k )F (k ) (III.22)

lˆ (k  1)  lˆ (k ) - G F (k )h1 (k  1)  s lˆ (k )  (III.23)

Pour l'équation d'erreur de la nième étape, on a :

h(k  1)  gn (k )lˆ (k )F (k ) (III.24)

Théorème 1.
Système adaptatif en boucle fermée constitué d'une installation (III.1), commande (III.22) et la
T
loi de mise à jour (III.23) est SGUUB et a un équilibre à h   h1, h2 ,......h   0 , si x n (0) Est

initialisé dans W cela garantit que tous les signaux comprennent les états x n  x 1, x 2 , ....x n  La

commande u Et le paramètre de conception lˆ i i  1, 2,..n Sont SGUUB, par la suite, L'erreur de

poursuite peut également être rendue arbitrairement petite, c'est-à-dire :

lim y k  y d (k )  e
k 

Où ε est un petit nombre positif.

Université de M’sila 2017 Page 37

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

Preuve :
Considérons le candidat de la fonction de Lyapunov comme suit:

d h 2 (k )  l 2 (k )G1
n
V (x )   i 1 i i
(III.25)

h (k  1)
Où di i  1, 2....n sont des constantes positives. Notant que l(k )F (k )  n
gn (k )

La première différence de (III.25) le long de (III.23) et (III.24) est donné par:

di  hi 2 ( k  1)  hi 2 (k )   l 2 ( k  1) G1  l 2 ( k ) G1
n
D V (k )   i 1
(III.26)

Selon (III.8), (III.12) et (III.16), nous avons :

hi (k  1)  G i (k )hi 1(k ) i  1, 2,...n  1 (III.27)

Alors la différence de la fonction de Lyapunov est :

di  hi 2 ( k  1)  hi 2 (k )   l 2 ( k  1) G1  l 2 ( k ) G1
n
D V (k )   i 1

d hi 2 (k  1)  hi 2 (k )   2l(k ) F (k )h1(k  1)  s l(k ) 

n
  i 1 i 
2
G F (k )h1(k  1)  s l(k ) 

n
 dn hi 2 (k  1)   i 2 (di 1g i21  di )hi 2 (k )
d h 2 (k )  2l(k )F (k )h (k  1)
i i 1

2s l(k )lˆ (k )  F 2 (k )Gh 21(k  1)  2s lˆ (k )GF (k )h1(k  1)  s 2Glˆ 2 (k )

Notant les faits :

F 2 (k )  k

GF 2 (k )  g k

gh 21(k  1) g1h 21 (k  1)
2h1(k  1)hn (k  1)  
g1 g

g k h 21 (k  1)
2s lˆ (k ) GF (k)h1 (k  1)    g1s 2 glˆ 2 (k )
g1

2l(k )lˆ (k )  l 2 (k )  lˆ 2 (k )  l 2

On obtient :
D V  d1h12 (k )  ( d1g12  d2  g1g k  g12g k  g1 g )h22 (k )
n
  (di 1g 2i 1  di )hi 2 (k )
i 3

Université de M’sila 2017 Page 38

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

 g 
 g 
 
  dn  1  hn 2 (k  1)  s 1  s g  s g g1 lˆ 2 (k )  s l 2


Si nous choisissons :

d2  d1g12 1 g1
g  s  dn 
g1 (k  g1  1) (1  g1 ) g g

di
g i21  3i n (III.28)
di 1

sl 2
Alors il est évident que DV  0 aussi long temps que h j (k )  , j  1......n
di

Cela implique pour tous k  0 ,V (k ) est bornée. h1(k ), h2 (k )....hn (k ) , Et l'estimation ou

équivalente de l .Convergeront asymptotiquement vers le compact

 T sl 2 
Ensemble désigné par Wn  n avec Wn : x / x  x 1, x 2 ,...x n  , x j  , j  1, 2, ..., n 
di
 
De plus, la dynamique d'adaptation (III.23) peut être :
l(k  1)  l(k )  G F (k )h1(k  1)  s l(k )  s l 

 l(k )  G F (k ) G(k) l(k )F (k )  h2 (k )   s l(k )  s l

 
 B (k )l(k )  GF (k ) G(k)h2 (k )  s Gl (III.29)

Où B  1  s G  G (k ) GF 2 (k )

III.4. Simulation et résultats

Dans cette section, l'efficacité et le bien-fondé de la proposition sont démontrés en tenant compte
des deux suivants Systèmes non-linéaires SISO à temps discret et de second ordre formulaire
rétroaction stricte.
En simulation, définissez onze ensembles flous caractérisés par la fonction d’appartenances
suivante :
mA 1  exp( (x  1)2 ) , mA 2  exp( ( x  0.8)2 ) , mA 3  exp( ( x  0.6)2 ) , mA 4  exp( ( x  0.4)2 )
hi hi hi hi

mA 5  exp( ( x  0.2)2 ) , mA 6  exp( x 2 ) , mA 7  exp( ( x  0.2)2 ) , mA 8  exp( ( x  0.4)2 )

hi hi hi hi

mA 9  exp( ( x  0.6)2 ) , mA 10  exp( (x  0.8)2 ) , mA 11  exp( (x  1)2 )

hi hi hi

Université de M’sila 2017 Page 39

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

III.4.1. Exemple 1
Considérons le système non linéaire discret SISO suivant :
x 1 (k  1)  f1(x 1 (k))  0.3x 2 (k )

x 2 (k  1)  f 2 (x 2 (k))  u (k )

yk  x1

x 12 (k ) x 1 (k )
Où f1 (x 1 (k))  et f2 (x 2 (k))  . La commande L'objectif est de rendre
1  x 12 (k ) 1  x 12 (k )  x 22 (k )

la sortie y k Suit une trajectoire souhaitée : y d (k )  sin(k p h / 20) / 2  sin(k p h / 10) / 2 .

Les conditions initiales sont [x 1(1), x 2 (1)]T  [0, 0]T et lˆ (1) =0.1, Et les paramètres de conception

sont G =0.13, s =0.01, R =0.25, l =0.25.

1
y(k)
r(k)
0.8

0.6

0.4
la sortie y(k)etla référence r(k)

0.2

-0.2

-0.4

-0.6

-0.8

-1
0 500 1000 1500
k(sec)

Figure (III.1) : La sortie de système y(k) et signal de référence r(k) .

Université de M’sila 2017 Page 40

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

2
u(k)

0
La commande u(k)

-1

-2

-3

-4

-5
0 500 1000 1500
k(sec)

Figure (III.2) : Le signal de Commande u(k)

1
data1
0.8

0.6

0.4

0.2
L’erreur e(k)

-0.2

-0.4

-0.6

-0.8

-1
0 500 1000 1500
k(sec)

Figure (III.3) : Le signal de L’erreur e (k)

Le résultat de simulation est représenté sur les figures (III.1) et (III.2) , où figure (III.1)
montre la sortie du système et la trajectoire désirée de référence dont on remarque une bonne
poursuite, dans la figure (III.2) on a représenté le signal de la commande tandis que la
figure(III.3) représente le signal de l'erreur e(k) ,dont on voit que l’erreur de
poursuite e (k) converge à un voisinage de l’origine.

Université de M’sila 2017 Page 41

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

III.4.2. Exemple 2
Considérons le système non linéaire discret SISO suivant :
x 1 (k  1)  x 2 (k )

x 2 (k  1)  f2 (x 2 (k ))  (K/ T ) u(k)

y k  x 1 (k )

Où f2 ( x 2 (k ))   a 1x 2 (k )  a 2x 23 (k )  / T . La commande L'objectif est de rendre la sortie y k Suit

une trajectoire souhaitée : y d (k )  sin(k p / 20) / 6 .*****************

Les conditions initiales sont [x 1(1), x 2 (1)]T  [0, 0]T et lˆ (1) =0.1, Et les paramètres de conception

sont G =10, s =0.0001, R =0.25, l =0.25 , a 1 =0.5, a 2 =30, K =0.5, T =64.

10
y(k)
r(k)
8

4
la sortie y(k)etla référence r(k)

-2

-4

-6

-8

-10
0 100 200 300 400 500 600 700 800
k(sec)

Figure (III.4) : La sortie de système y(k) et signal de référence r(k)

Université de M’sila 2017 Page 42

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

25

u(k)
20

15

10
La commande u(k)

-5

-10

-15

-20

-25
0 100 200 300 400 500 600 700 800
k(sec)

Figure (III.5) : Le signal de Commande u(k)

6
e(k)

2
L’erreur e(k)

-2

-4

-6
0 100 200 300 400 500 600 700 800
k(sec)

Figure (III.6) : Le signal de L’erreur e (k)

Les résultats de simulation sont illustrés sur les figures (III.4) à (III.6), La figure (III.4) montre
une bonne performance de poursuite. La figure (III.5) montre l’évolution de la loi de commande
qui présente une forme lisse et continue. La figure (III.6) illustre la convergence du signal de
l’erreur de poursuite vers zéro.

Université de M’sila 2017 Page 43

Chapitre III Commande adaptative floue des systèmes non linéaires discrets

III.5.Conclusion
Dans ce chapitre,, un nouveau système de contrôle flou adaptatif est développé pour une
classe de systèmes non linéaires à temps discret à réaction stricte avec des fonctions système
inconnues et un gain de contrôle.
les fonctions. Cet algorithme est synthétisé en combinant les deux techniques d'approximation
SFLS et MLP. Suivant cette approche, Analyse de la conception et de la stabilité sur le temps
non linéaire discret Systèmes avec des situations plus compliquées, comme les retards de temps
et les contraintes d'entrée.
Les résultats de simulation présentés démontrent le nouveau concept étudié et vérifient la
performance désirée du nouveau système de commande adaptative.

Université de M’sila 2017 Page 44

Conclusion générale
Conclusion générale

Conclusion générale
Les travaux présentés dans ce mémoire ont pour objectif principal le développement
de structures de commande adaptatives floues stables et robustes, pour une classe de systèmes
non linéaires discrets SISO.
Dans ce travail, l’objectif de commande est la résolution d’un problème de suivi de trajectoire. Ce
dernier est vu comme un problème de construction d’un système commande capable de forcer la sortie
d’un système non linéaire à suivre une trajectoire de référence admissible. Afin de résoudre ce
problème, dans ce cas nous obtenons une commande qui, appliquée au système non linéaire, conduit à
une convergence vers zéro de l’erreur de suivi de trajectoire.
Dans une première phase, est consacrée à l’étude de la logique floue, une logique qui permet de
traiter mathématiquement des données incertaines, avec les différents modèles utilisés dans sa
conception ainsi que le théorème de l’approximation floue.
Dans la deuxième phase, nous présentons les structures de la commande floue adaptative avec ses
deux variantes, directe et indirecte. avec commande par backstepping et l’analyse de la stabilité en
boucle fermée est étudiée en utilisant l’approche de Lyapunov.
Dans la troisième phase, il s’agit de développer une approche adaptative directe floue pour la
commande d’une classe de systèmes non linéaires discrets dont un système flou est utilisé pour
construire ce contrôleur.
Les résultats, sous l’environnement Matlab de simulation obtenus pour les deux exemples montrent
l’efficacité de la structure de commande proposée en termes de performances de poursuite et de
caractéristiques du signal de commande (forme, amplitude).
Comme perspectives on cite :
- La comparaison avec les résultats par la commande adaptative indirecte,
- La combinaison avec d’autres techniques comme le mode glissant et le synergetique.

Université de M’sila 2017 Page 45

Références bibliographiques
Références bibliographiques

Références bibliographiques
[1] S Doudou, «Approche floue pour la commande des systèmes non linéaires non affines»,
Thèse de magistère, universite farhat abbas setif ,2008
[2] S. Labiod, « Contribution à la Commande Adaptative Floue des Systèmes Non Linéaires»
Thèse Doctorat, École Nationale Polytechnique, 2005.
[3] R. Boukezzoula, « Commande Floue d’une Classe de Systèmes Non Linéaires :
Application au problème de Suivi de Trajectoire » , Thèse Doctorat, Université de Savoie,
2005.
[4] G.Huguenin, « logique floue», CH-2610 Saint-Imier, 2004."
[5] Douki.N « Commande Floue Adaptative par Mode Glissant d’une Classe des Systèmes
Non Linéaires » Mémoire Master, Université de Ferhat .A, Setif UFAS (Alger) 2011.
[6] Arnold KAUFMANN,« Introduction à la logique floue, Techniques de l’Ingénieur, traité
Informatique industrielle», Aout 2001.
[7] Fouad Alouani, « Commande par Logique Floue Appliquée aux pendules inversés et au
Simulateur de Vol d’Hélicoptèr»" : Simulation et Expérimentation, magister en Electronique :
Option Control, Université de Mohamed Boudiaf de M’sila, juin 2006.
[8] Jelena Godjevac, "Idée nettes sur la logique floue",PPUR presses polytechniques, 1999
[9] Farhat LAHOUAZI, « commande neuro floue: Application a un pendule inversé», mémoire
de magister, Mise en œuvre d’une stratégie de mars 2011.
[10] Houria GHERAIRI et Hafsa DEHMANI, « "Etude comparative entre trois commandes,
neuro – floue, réseaux de neurones et réseaux d’ondelette», mémoire de master en Automatique,
Université Kasdi Merbeh Ouargla ,2011.
[11] Wang L.X.,« Adaptive Fuzzy Systems and Control», Englewood Cliffs,
New Jersey: Prentice-Hall, 1994.
[12] M. Krstic, I. Kanellakopoulos and P. V. Kokotovic, « Nonlinear and adaptive control
design, »Wiley-Interscience Publication, New York, 1995.
[13] I. Kanellakopoulos, P. V. Kokotovic, and A. S. Morse, « Systematic design of adaptive
Controllers for feedback linearizable systems», IEEE Trans Autom Control, Vol. 36, No. 11,
pp. 1241-1253, 1991.
[14] F. Eshbair, « Modélisation et commande d’un système multi-moteur par la technique de
commande backstepping»,Thèse de Doctorat, Université de Trois-Rivières, Québec, 2005.
[15] A. R. Benaskeur, « Aspects de l’application du backstepping adaptatif à la commande
décentralisée des systèmes non linéaires», Thèse de Doctorat, Université du Laval, 2000.

VI
Références bibliographiques

[16] M.Bodson et S.Sastry,« Adaptive Control: Stability, Convergence, and Robustness».

Englewood Cliffs, NJ: Prentice-hall, 1989.
[17] V. V.Chalem, « Adaptive Control Systems: Techniques and Applications», Marcel
Dekker, 1987.
[18] Astorm, Bjorn, J. Karl, Wittenmark, « Adaptive Control »,, Dover Publications, 2008.
[19] J.Böhm, J. Fessl, Jan Machacek et V .Bobal, « Digital Self-Tuning Controllers », Springer,
2005.
[20] L. Reznik, « Fuzzy Controllers », Newnes, 1997.
[21] L.X.Wang, « Fuzzy bsystems are universal approximators », Proc IEEE Int. Conf. Fuzzy
Syst. (1992) 1163–1170, San Diego.
[22] L.X. Wang, « Stable adaptive fuzzy control of nonlinear systems », IEEE Tran. Fuzzy
Syst. 1 (1993) 146–155.
[23] S.C. Tong, X.L. He, H.G. Zhang, « A combined backstepping and small-gain approach to
robust adaptive fuzzy output feedback control », IEEE Tran. Fuzzy Syst. 17 (5) (2010) 1059–
1069.
[24] S.C. Tong, C.Y. Li, Y.M. Li, « Fuzzy adaptive observer backstepping control for MIMO
nonlinear systems », Fuzzy Sets Syst. 160 (19) (2009) 2755–2775.
[25] B. Chen, X.P. Liu, K.F. Liu, C. Lin, « Direct adaptive fuzzy control of nonlinear strict-
feedback systems », Automatica 45 (2009) 1530–1535.
[26] W.S. Chen, L.C. Jiao, R.H. Li, J. Li, « Adaptive backstepping fuzzy control for nonlinearly
parameterized systems with periodic disturbances », IEEE Tran Fuzzy Syst. 18 (2010) 674–685.
[27] S.S. Ge, G.Y. Li, T.H. Lee, « Adaptive NN control for a class of strick-feedback discrete-
time nonlinear systems », Automatica 39 (2003) 807–819.
[28] Y.S. Yang, J.S. Ren, « Adaptive fuzzy robust tracking controller design via small gain
approach and its application », IEEE Tran. Fuzzy Syst. 11 (2003) 783–795.
[29] K. Tanaka, H.O. Wang, « Fuzzy Control Systems Design and Analysis: A Linear Matrix
Inequality Approach », Wiley, New York, NY, 2001.
[30] G. Feng., « A survey on analysis and design of model-based fuzzy control systems », IEEE
Tran. Fuzzy Syst. 14 (2006) 676–696.

VII
 Résumé
Ce travail étudie le problème de commande floue adaptative pour une classe de systèmes non
linéaires discrets. Une approximation par un système flou (FLS) est d'abord proposée et synthétisée avec
la technique "minimum paramètres d'apprentissage (MLP)" dans une nouvelle méthodologie de
conception de commande floue adaptatif pour les systèmes concernés. Avec l'aide de la technique MLP,
le problème de la "malédiction de la dimension" est contourné, et le mécanisme d'adaptation avec un
minimum de paramétrage d'apprentissage est atteint. Pendant ce temps, en utilisant l'approximation FLC
dans la synthèse de commande adaptative, toutes les fonctions inconnues aux étapes intermédiaires sont
transmises dans le processus de conception du contrôleur, et un seul système flou (FLS) est employé pour
traiter les fonctions inconnues localisées à la dernière étape. Selon cette approche, le problème de
"l'explosion de la complexité" inhérente à la méthode de backstepping est égale ment évitée, et les
contrôleurs conçus ne contiennent qu'une seule lois de commande et une seule lois d'adaptation.
Par conséquent, le contrôleur est beaucoup plus simple, et la charge de calcul est beaucoup plus
léger et le temps d'apprentissage a tendance à être plus court.
La stabilité en boucle fermé e dans le sens de semi globalement uniforme, finalement bornée
(SGUUB)peut être assurée par la théorie de Lyapunov. Enfin, les résultats de la simulation au moye n de
deux exemples sont donnés pour illustrer les performances du système proposé.
Mots clés : Système non linéaire discret, Commande adaptative, Approximation par système flou,
paramètre d'apprentissage Minimal, Système de rétroaction.

‫ﻣ ﺺ‬

FLS)) ‫ اﻟﺘﻘﺮﯾﺒﯿﺔ ﺑﻮاﺳﻄﺔ ﻧﻈﺎم ﻏﺎﻣﺾ‬.‫ھﺬا اﻟﻌﻤﻞ ﯾﺪرس ﻣﺸﻜﻠﺔ اﻟﺘﺤﻜﻢ اﻟﻐﺎﻣﺾ اﻟﻤﻜﯿﻒ ﻟﻔﺌﺔ ﻣﻦ اﻷﻧﻈﻤﺔ اﻟﻐﯿﺮ ﺧﻄﯿﺔ اﻟﻤﺘﻘﻄﻌﺔ‬
.‫(" ﻓﻲ ﻣﻨﮭﺠﯿﺔ ﺟﺪﯾﺪة ﻟﺼﻨﺎﻋﺔ ﺗﺤﻜﻢ ﻏﺎﻣﺾ ﻣﻜﯿﻒ ﻟﻸﻧﻈﻤﺔ اﻟﻤﺘﺄﺛﺮة‬MLP) ‫اﻗﺘﺮﺣﺖ أوﻻ وﺟﻤﻌﺔ ﻣﻊ ﺗﻘﻨﯿﺔ " اﻟﺤﺪ اﻷدﻧﻰ ﻣﻦ ﻣﻌﺎﯾﯿﺮ اﻟﺘﻌﻠﻢ‬
‫ وﺗﻢ اﻟﺘﻮﺻﻞ ﻵﻟﯿﺔ اﻟﺘﻜﯿﻒ ﻣﻊ اﻟﺤﺪ اﻷدﻧﻰ ﻟﻠﺜﻮاﺑﺖ‬،“malediction de la dimension" ‫ ﺗﻤﺎ ﺗﺠﺎوز ﻣﺸﻜﻞ‬،MLP ‫ﻣﻊ اﺳﺘﺨﺪام ﺗﻘﻨﯿﺔ‬
‫ ﺟﻤﯿﻊ اﻟﺪوال اﻟﻤﺠﮭﻮﻟﺔ ﻓﻲ اﻟﺨﻄﻮات اﻟﻮﺳﻄﯿﺔ ﺗﻨﺘﻘﻞ ﻓﻲ‬،‫ ﻓﻲ اﻟﺘﺮﻛﯿﺐ اﻟﺘﺤﻜﻢ اﻟﻤﻜﯿﻒ‬FLC ‫ ﺑﺎﺳﺘﻌﻤﺎل اﻟﺘﻘﺮﯾﺐ‬،‫ أﺛﻨﺎء ھﺬا اﻟﻮﻗﺖ‬.‫اﻟﺘﻌﻠﯿﻢ‬
‫ ﻣﺸﻜﻞ‬،‫ ﻣﻦ ﺧﻼل ھﺬا اﻷﺳﻠﻮب‬.‫( ﻟﻤﻌﺎﻟﺠﺔ اﻟﺪوال اﻟﻤﺠﮭﻮﻟﺔ ﻓﻲ اﻟﻤﺮﺣﻠﺔ اﻷﺧﯿﺮة‬FLS) ‫ وﯾﺴﺘﻌﻤﻞ ﻧﻀﺎم ﻏﺎﻣﺾ‬،‫اﻟﺘﺤﻜﻢ اﻟﻤﻜﯿﻒ‬
‫ واﻟﻤﺘﺤﻜﻤﺎت ﻣﺼﻤﻤﺔ ﻻﺣﺘﻮاء ﻗﻮاﻧﯿﻦ ﺗﺤﻜﻢ‬،‫ ﯾﺘﻢ ﺗﺠﻨﺒﮭﺎ أﯾﻀﺎ‬backstepping ‫" اﻟﻤﻼزﻣﺔ ﻟﻄﺮﯾﻘﺔ‬l'explosion de la complexité"
.‫واﺣﺪة وﻗﻮاﻧﯿﻦ ﻣﻜﯿﻔﺔ واﺣﺪة‬
.‫ وزﻣﻦ اﻟﺘﻌﻠﻢ أﻗﺼﺮ ﻣﺎ ﯾﻜﻮن‬،‫ واﻟﻌﻤﻠﯿﺎت اﻟﺤﺴﺎﺑﯿﺔ ھﻲ أﺧﻒ ﺑﻜﺜﯿﺮ‬،‫ﺑﺎﻟﺘﺎﻟﻲ ﻓﺈن وﺣﺪة اﻟﺘﺤﻜﻢ ھﻲ أﺑﺴﻂ ﻣﻦ ذﻟﻚ ﺑﻜﺜﯿﺮ‬
Lyapunov. ‫( ﯾﻤﻜﻦ أن ﺿﻤﺎﻧﮭﺎ ﺑﺎﺳﺘﺨﺪام ﻧﻈﺮﯾﺔ‬SGUUB) ‫ ﻓﻲ اﻟﻨﮭﺎﯾﺔ‬، ‫اﺳﺘﻘﺮار اﻟﺤﻠﻘﺔ اﻟﻤﻐﻠﻘﺔ ﻋﻤﻮﻣﺎ ﻧﺼﻒ ﻣﻮﺣﺪة‬
.‫ ﺗﻐﻄﻰ ﻧﺘﺎﺋﺞ اﻟﻤﺤﺎﻛﺎة ﺑﺎﺳﺘﺨﺪام ﻣﺜﺎﻟﯿﻦ ﻟﺘﻮﺿﯿﺢ أداء اﻟﻨﻈﺎم اﻟﻤﻘﺘﺮح‬،‫وأﺧﯿﺮا‬
.‫ﻧﻈﺎم اﻟﺘﻐﺬﯾﺔ اﻟﻤﺮﺗﺪة‬, ‫ إﻋﺪادات اﻟﺘﻌﻠﻢ اﻷدﻧﻰ‬,‫ﺗﻘﺮﯾﺐ ﺑﻨﻈﺎم ﻏﺎﻣﺾ‬,‫ ﺗﺤﻜﻢ ﺗﻜﯿﻔﻲ‬, ‫ ﻧﻈﺎم ﻣﻨﻔﺼﻞ ﻏﯿﺮ ﺧﻄﻲ‬: :‫ﻠﻤﺎت ﻣﻔﺘﺎﺣﻴﺔ‬