Contenu

 Introduction
 Historique
 Principes de la logique floue
 Variable floue
 Fuzzification
 Intervalles flous
 Règles floues
 Opérateurs de la logique floue
 Opérateur Non
 Opérateur ET
 Opérateur OU

 Défuzzification
 Contrôleur Flou
 Exemple illustratif

2
Introduction
 La logique floue (Fuzzy Logic)
 Termes qui s’approchent du langage humain
 Comptage avec les mots
 Ne nécessite pas un modèle mathématique

 Applications

 Appareils électroménagers (lave-linge, aspirateur,…)

 Systèmes audio visuels (photo copieur, appareil photo,
caméras, …)
 Systèmes automobiles embarqués (climatisation, …)
 Décision, diagnostic, reconnaissance des formes,…
 Identification et commande des procédés industriels

3
Historique
 1965: base théoriques de la logique floue: Lotfi Zadeh
(université Berkely, CA, USA)
 1973: L. Zadeh propose l’application de la logique floue
aux problèmes de commande des systèmes
 1974: 1ère application de commande par logique floue
d’une turbine à vapeur
 1985: produits industriels (Japon) utilisant la logique
floue (machine à laver, appareil photos, …)

4
Principes de la LF
 La logique floue remplace la logique binaire par une
logique fondée sur des variables pouvant prendre, outre
les valeurs « vrai » ou « faux » les valeurs intermédiaires
avec une certaine probabilité.
 Variable floue
Exemple: classification des individus par la taille (t).

En binaire: «Petit» si t≤160 cm

«Moyen» si 160 cm <t≤180 cm
«Grand» si t>180 cm

5
Principes de la LF
 En binaire on associe:
 La valeur 1 (degré de vérité de 100%) à «vrai»
 La valeur 0 (degré de vérité nul) à «faux»

Petit Moyen Grand

vrai

faux
160 180 Taille
(cm)

6
• La logique binaire présente l’avantage de la simplicité mais
elle est éloignée de la logique utilisée par l’être humain.

• x1 = 159,5 cm alors x1 appartient à l’ensemble «Petit», degré

d’appartenance à «Petit» m(x1)=1
degrés d’appartenance à « Moyen » et à « Grand » sont nuls.

• x2 = 160,5 cm alors x2 appartient à l’ensemble «Moyen», degré

d’appartenance à «Moyen» m(x2)=1
or les deux tailles sont l’une très proches de l’autre
• La classification ne tient pas compte des erreurs de mesure
• Le raisonnement en binaire est loin du raisonnement humain

7
  En logique floue on peut utiliser la représentation
suivante (très proche du raisonnement humain)
Degré Petit Moyen Grand
d’appartenance
m1
m2

155 x 165 175 185 Taille

(cm)

5 cas:

 Cas 1: x<155 cm Ensemble « Petit »

 Cas 2: 155<x<165 cm Chevauchement de deux ensembles
 Cas 3: 165<x<175 cm Ensemble « Moyen »
 Cas 4: 175<x<185 cm Chevauchement de deux ensembles
 Cas 5: x>185 cm Ensemble « Grand »

8
 En logique floue on peut utiliser la représentation
suivante (très proche du raisonnement humain)
Degré Petit Moyen Grand
d’appartenance
m1
m2

155 x 165 175 185 Taille

(cm)
x<155
 x appartient à l’ensemble des individus de taille « petite »
 Degrés d’appartenance: m1(Petit)=1 et m2(Moyen)=0, m3(Grand)=0
165<x<175
 x appartient à l’ensemble des individus de taille «Moyenne»
 Degrés d’appartenance: m1(Petit)=0 et m2(Moyen)=1, m3(Grand)=0
x>185
 x appartient à l’ensemble des individus de taille «Grande»
 Degrés d’appartenance: m1(Petit)=0 et m2(Moyen)=0, m3(Grand)=1

9
 En logique floue on peut utiliser la représentation
suivante (très proche du raisonnement humain)

Degré Petit Moyen Grand

d’appartenance
m1
m2

155 x 165 175 185 Taille

(cm)
155<x<165,
 x appartient à deux ensembles: individus de taille
« petite » et individus de taille « moyenne »
 Degrés d’appartenance: m1(x)0, 1, m2(x)0, 1 et m3(x)  0
m1(x)  m2(x) 1
175<x<185, x appartient à « Moyen » et à « Grand »
m1(x)  0 m2(x)etm3(x)0, 1 m2(x)  m3(x) 1
10
 Dans l’exemple, on a utilisé:
 Trois intervalles flous (et trois variables floues ou variables
linguistiques: petit, moyen, grand)
 Fonction trapézoïdale
 On a transformé la valeur d’entrée (taille en cm) en une
variable floue (petit, moyen, grand) avec de degrés
d’appartenance
 Variable floue
 Fonctions d’appartenances (degré de vérité de la variable
floue en fonction de la grandeur d’entrée)
 Intervalles flous (déterminent le nombre de variables
floues)

11
 Ensemble flou A  x  X, (x, m(x))
X : univers de discours (domaine des valeurs possibles
de x). m(x) : fonction d’appartenance de x à l’ensemble
A (degré de vérité). m(x)0, 1
 La fuzzification
 Etablir la relation entre le degré de vérité de la variable
floue et la grandeur d’entrée

Grandeur d’entrée Degré d’appartenance

(gradeur analogique) aux variables floues
Fuzzification

Fonction
d’appartenance

12
Fonction d’appartenance
• Forme monotone croissante ou décroissante

m VF1 m VF1
1 1

0 a b Grandeur 0 a b Grandeur
d’entrée d’entrée

0 xa 1 xa
x  a b  x
 
mVF1   a  x b mVF1   a xb
b  a b  a
0 xb
1 x b
13
Fonction d’appartenance
 Forme triangulaire
m VF1 VF2 VF3
1

0 a b c Grandeur d’entrée

  x a c  x  
mVF2  f (x, a, b, c)  max min , , 0
  b  a c b  
Exemple: a=1, b=3 et c=4   x 1  
f (x,1,3,4)  max min ,4  x, 0
  2  
 x=2
 1  
f (2,1,3,4)  max min ,3, 0  0,5
 2   14
Fonction d’appartenance
 Forme trapézoïdale
m
VF1 VF2 VF3
1

a b c d Grandeur d’entrée

  x a d  x  
mVF2  f (x, a, b, c, d)  max min1, , , 0
  b  a d c  

  x 5 9  x  
f (x,5,6,7,9)  max min1, , , 0
  1 2  
15
Fonction d’appartenance

 Forme en cloche (gaussiennes)

m VF1 VF2 VF3

1

0.5

0 x0-a x x0+a Grandeur d’entrée

0

1
m VF 1 
x  x0 2
1 ( )
a

16
Intervalles flous
 Ces intervalles définissent le nombre de variables
floues associées à une grandeur d’entrée
 Généralement, on utilise les valeurs linguistiques :
 NG Négatif Grand
 NM Négatif Moyen
 EZ Environ Zéro
 PM Positif Moyen
 PG Positif Grand

17
Règles d’inférence (RI)
 RI : ensemble des règles reliant les variables floues
d’entrée aux variables floues de sortie. Ces règles se
présentent sous la forme:
Si condition 1 (et/ou) condition 2 (et/ou …) alors
actions
 Les règles résument l’expérience de l’expert.
 Les règles : ne sont pas uniques, chaque expert possède
ses propres règles.

18
Opérateurs de la LF
 Les RI font appel aux opérateurs: ET, OU et NON
 Opérateur NON (complément à 1)
x A m A ( x)  1  m A ( x)
m (x)
1 A

Grandeur d’entrée
m A (x)
1

Grandeur d’entrée 19
Opérateurs de la LF
 Opérateur ET: (intersection) opérateur minimum

x  A ET x  B mAB(x)  min(mA(x),mB(x))
m A ( x), m B ( x)
1

Grandeur d’entrée
1 m A B (x)

Grandeur d’entrée
20
Opérateurs de la LF
 Opérateur OU: (union) opérateur maximum
x  A OU x  B m AB ( x)  max(m A ( x), m B ( x))

m A ( x), m B ( x)
1

Grandeur d’entrée
m A B (x)
1

Grandeur d’entrée 21
Défuzzification
 L’opération de la conversion de la variable floue en une
grandeur analogique de sortie.

Défuzzification
Degrés d’appartenance Grandeur de sortie
aux variables floues (grandeur analogique)

22
Défuzzification
 Méthode de centre de gravité
 Calcul de centre de gravité de la fonction d’appartenance
de la variable de sortie.
 On obtient une seule valeur pour la grandeur de sortie
 m VF i i
sortie  i

 mi
i

mi: degré de vérité de la variable floue

VFi: variable floue

23
Défuzzification
 Méthode de maximum
 La valeur de sortie est définie par la valeur maximale des
valeurs des variables floues de sortie
sortie  max ( m iVF i )
i

24
Contrôleur Flou
 Structure
Contrôleur
Flou
Grandeur Grandeur
d’entrée de sortie

Règles
Fuzzification Défuzzification
d’Inférences
Grandeur Variables Variables Grandeur
d’entrée floues floues de sortie

25
 Système asservi
Commande
Consigne u(k) Sortie y(k)
yc(k) Contrôleur
+ Flou Procédé
-

 Entrée du contrôleur
 e(k) =yc(k)-y(k): l’erreur entre la consigne et la sortie.
 De(k)=e(k)-e(k-1): la variation de l’erreur.

26
 Exemple
 Contrôle de l’installation de chauffage d’un immeuble
 Deux sondes de température:
 Température extérieure (Tex: grandeur de consigne)
 Température interne (Tin: grandeur à régler)
 Le contrôleur flou doit régler la puissance de chauffage
(P) en se basant sur les deux mesures de température
et sur les règles d’inférence

Consigne Commande
P Sortie
Tex Tin
Contrôleur
Flou Procédé

27
Exemple
 1- Fuzzification de Tex
 2 intervalles flous (froid et chaud), fonction
d’appartenance de type trapézoïdale.
froid Chaud
1
m1
m2
0 5 10 20 Tex (°C)

28
 2- Fuzzification de Tin
 3 intervalles flous (froid, bon, chaud), fonction
d’appartenance de type trapézoïdale.
Froid Bon Chaud
1
m1
m2
0 15 19 21 x 25
Tin (°C)

29
 Fuzzification de P (puissance de chauffe)
 4 intervalles flous (nulle, faible, moyenne, maximale)
 Fonction d’appartenance en forme de raies
 Puissance valeur en %
Nulle 0
Faible 33
Moyenne 67
Maximale 100

30
 Règles d’inférences (6 règles)
 R1: Si Tex est froide et Tin est froide alors P maximale
 R2: Si Tex est froide et Tin est bonne alors P moyenne
 R3: Si Tex est froide et Tin est chaude alors P faible
 R4: Si Tex est chaude et Tin est froide alors P moyenne
 R5: Si Tex est chaude et Tin est bonne alors P faible
 R6: Si Tex est chaude et Tin est chaude alors P nulle

31
 5- choix des opérateurs
 ET est réalisé par le calcul du minimum
 OU est réalisé par le calcul de maximum
 6- Choix de la méthode de défuzzification
 La méthode de centre de gravité
 7- exemple de calcul
Tex=10°c et Tin=22°c

32
Exemple
Calcul de degré de vérité de Tex:
froid Chaud
1 x  5 1
 20  x
m VF

  5  x  20
m1
 15
froid

 0 x  20 m2
0 5 10 20 Tex (°C)
0 x 5
 x 5

mVFchaud   5  x  20
 15
1 x  20

20  x x5
Tex=10°c m VF froid
 dv 
15

10
15
 0 , 67 m VF chaud
 dv 
15

5
15
 0 , 33

froid: dv=0,67 chaud: dv=0,33

33
 Exemple
Calcul de degré de vérité de Tin:
Froid Bon Chaud
19  x  21
1
1
 25  x

m1
m VF   21  x  25
 4 m2
Bon

 0 x  25
0 15 19 21 x 25
Tin (°C)
0 x  21
x  21

mVFchaud   21 x  25
 4
1 x  25

25  x 3 x  21 1
Tin=22°c m VF froid
 dv 
4

4
 0 , 75 m VF chaud
 dv 
4

4
 0 , 25

Froid: dv=0 Bon: dv=0,75 chaud: dv=0,25

34
 Règles d’inférence
 R1: dv1=min(0.67, 0)=0 P maximale avec dv1=0

 R2 dv2=min(0.67, 0.75)=0.67 P moyenne avec dv2=0.67

 R3: dv3=min(0.67, 0.25)=0.25 P faible avec dv3=0.25

 R4: dv4=min(0.33, 0)=0 P moyenne avec dv4=0

 R5: dv5=min(0.33, 0.75)=0.33 P faible avec dv5=0.33

 R6: dv6=min(0.33, 0.25)=0.25 P nulle avec dv6=0.25

35
 Défuzzification (calcul de P)
On a obtenu: 6 degrés de vérité (dv1, dv2, dv3, dv4, dv5, dv6)
 Méthode de maximum
max(dvi , i  1,...,6)  dv2  0,67 avec P: moyenne
On a P moyenne, P2=67%=0,67

P  max(dvi Pi , i  1,...,6)  dv2 P2  0,67 * 0,67  0,4489  44,89%

36
 Défuzzification (calcul de P)
 Méthode de centre de gravité
 R1: P maximale, dv1=0 P1=100%=1
 R2: P moyenne, dv2=0,67 P2=0,67
 R3: P faible, dv3=0,25 P3=0,33
 R4: P moyenne, dv4=0 P4=0,67
 R5: P faible, dv5=0,33 P5=0,33
 R6: P nulle, dv6=0,25 P6=0
 dvi Pi
o *100  0.67 * 0.67  0.25* 0.33  0  0.33* 0.33  0
P i   0.43  43%
 i
dv 0 .67  0.25  0.33  0.25
i

37
 Cas où P est donnée par 4 intervalles flous
nulle faible moyenne maximale
1
dvi

0 10 20 40 50 70 80
P (%)

 Pour chaque dvi donné par les règles d’inférence, on cherche la

valeur correspondante de la puissance. Puis, on calcule la
puissance résultante.

38
 R1: dv1=0
 R2: dv2=0.67 de P moyenne, on retrouve 46,7%
 R3: dv3=0.25 de P faible, on retrouve 12,5%
 R4: dv4=0
 R5: dv5=0.33 de P faible, on retrouve 13,3%
 R6: dv6=0.25 de P nulle, on retrouve 17,5%
x  40
dv 2  0 , 67   x  0 , 67 * 10  40  46 , 7
10
x  10
dv 3  0 , 25   x  0 , 25 * 10  10  12 , 5
10
x  10
dv 5  0 , 33   x  0 , 33 * 10  10  13 , 3
10
20  x
dv 6  0 , 25   x  20  0 , 25 * 10  17 , 5
10

39
  Défuzzification (calcul de P)
 Méthode de centre de gravité

 dv P 0.67* 0.467  0.25* 0.125 0.33* 0.133 0.25* 0.175

i i
P i
  0.287  28,7%
 dv i
i 0.67  0.25  0.33  0.25

40
Implémentation
 Matlab
 Fuzzy Logic Toolbox
 Consulter:
[Link]

 Octave
 Fuzzy Logic Toolkit
 The Octave Fuzzy Logic Toolkit is an open-source toolkit for
Octave that provides a large MATLAB compatible subset of
the functionality of the MATLAB Fuzzy Logic Toolbox as well
as many extensions.
 Consulter: [Link]

41
Implémentation sur Matlab
 Fuzzy
• Bloc
Fuzzification
des entrées
• Bloc règles
• Bloc
fuzzification
des sorties

42
Fonction d’appartenance

43
Introduction des règles

File > Export > To Workspace (ajouter le nom du fichier)

44
Fuzblock:
permet de prendre le bloc: Fuzzy Logic Controller

45
Schéma de simulation

46
Traçage des courbes

47
Superviseur flou d’un régulateur
proportionnel
 Entrée superviseur
1-z-1 Superviseur
• erreur e(k) Flou

• De(k) Consigne
Sortie y(k)
yc(k) Contrôleur
+ Proport. Kr Procédé
- Commande
u(k)

mv
NG NM NP EZ PP PM PG

-1 -2/3 --1/3 0 1/3 2/3 1 v

48
Règles d’inférence
 7 variables floues (NG, NM, NP, EZ, PP, PM, PG)
 Fonction trapézoïdale
 49 règles d’inférence
e(k)
NG NM NP EZ PP PM PG
y(k) yc(k) De(k)
NG NG NG NG NG NM NP EZ
NM NG NG NG NM NP EZ PP
NP NG NG NM NP EZ PP PM
1 2 3
EZ NG NM NP EZ PP PM PG
PP NM NP EZ PP PM PG PG
PM NP EZ PP PM PG PG PG
0 k PG EZ PP PM PG PG PG PG

 Zone 1: e(k) >0, De(k)<0

 Zone 2: e(k) <0, De(k)<0
 Zone 3: e(k) <0, De(k)>0
 Implémenter ce superviseur sous
MATLAB et tester ses performances.

49