1
S4
Commande Avancée
Mise en œuvre de la Commande Floue
Lahoussine BOUHOUCH
2
Plan
Module 1 : Fuzzification ;
Module 2 : Inférence Floue ;
Module 3 : Défuzzification ;
3
Module 1 : Fuzzification
Mise en œuvre d'une Commande Floue fait apparaître 3 grands modules :
Fuzzification, Moteur d'inférence et Défuzzification
Module 1 (Fuzzification) : Traite les Entrées du système (valeurs réglant).
x = Vecteur des entrées,
µ(x) Fonction d'appartenance
4
Module 1 : Fuzzification
Définir pour les Entrées et Sorties :
Un Univers de discours ;
Un partitionnement de cet univers en classes ou sous-ensembles floues.
Les Fonctions d'appartenance µ(x) pour chacune de ces classes.
Exemple :
Pression : Grande, Petite, Faible
Ou encore : Très élevé, Elevé, Moyen, Négatif, Très négatif.
Dans cette étape 1 appelée Fuzzification :
Attribuer à chaque valeur réelle une valeur linguistique (VL) à l’instant t, et
la fonction µ(x) à chacune des classes.
Transformation d'entrée réelle en un sous ensemble floue.
5
Module 1 : Fuzzification
Fuzzification Partition floue d'un Univers de discours U :
Création de n SEF Fi (Sous Ensemble Floues), de façon à recouvrir U.
Pour tout élément x de U, il faut assurer une Appartenance Minimale
à l'union des Fi
L'expert fixe les n SEF à définir.
Plus n est important et plus on définit de classes.
Augmentation de la sensibilité de la Commande Floue.
6
Module 1 : Fuzzification
En outre les Opérateurs utilisés en Commande Floue agissent sur des SEF.
Nécessité de Transformer les variables Non Floues provenant du monde
extérieur en SFE.
Pour se faire, on utilise un opérateur dit de Fuzzification associant une
mesure de la variable x0 à une Fonction d'Appartenance µx0(x).
Exemple :
Si mesure de x0 exacte SEF X0 représentée par un Fait Précis.
Fuzzification Transformation dite en Singleton
µx0(x) du SEF X0 définie par :
7
Module 1 : Fuzzification
En outre les Opérateurs utilisés en Commande Floue agissent sur des SEF.
Nécessité de Transformer les variables Non Floues provenant du monde
extérieur en SFE.
Pour se faire, on utilise un opérateur dit de Fuzzification associant une
mesure de la variable x0 à une Fonction d'Appartenance µx0(x).
Exemple :
Si mesure de x0 exacte SEF X0 représentée par un Fait Précis.
Fuzzification Transformation dite en Singleton
µx0(x) du SEF X0 définie par :
8
Module 1 : Fuzzification
Par contre si mesure est Incertaine SEF X0 représentée par un Fait
Incertain.
Fuzzification Transformation en une fonction d'appartenance telle que,
par exemple :
µx0(x) du SEF X0 définie par :
Base du triangle () fonction de l’importance relative des erreurs de mesures.
En effet, plus les erreurs importantes ( grande) Mesure x0 imprécise
9
Module 1 : Fuzzification
Fuzzification : Etape consistant à la quantification floue des valeurs
réelles d'une variable.
Détermination de valeur à donner à la commande si s'est un système.
Soit la Variable Linguistique Taille [1.5-1.9] (m) : Univers de discours.
3 Sous-Ensembles Floues ou 3 Classes 3 Fonctions d'appartenances :
PETIT, MOYEN et GRAND.
Ensemble de Ensemble de Ensemble de
Valeurs Linguistiques de la Valeurs Linguistiques de la Valeurs Linguistiques de la
Variable Linguistique Variable Linguistique Variable Linguistique
"Taille PETIT". "Taille MOYEN". "Taille GRAND".
10
Module 1 : Fuzzification
Fuzzification : Exemple
Ahmed mesure 1.625 m
11
Module 1 : Fuzzification
En Logique Floue
Il est PETIT avec un Degré d'appartenance de 75 %
Il est MOYEN avec un Degré d'appartenance de 25 %
Il est GRAND avec un Degré d'appartenance de 0 %
12
Module 1 : Fuzzification
Exemple de Fonctions d'Appartenance associées à la Variable linguistique
"Température".
Ici l'Univers de discours est l'ensembles des valeurs réelles de la température
appartenant à [0, 200 °C].
Les Valeurs linguistiques sont regroupées en 5 classes comme ceci :
"Très Froid", "Froid", "Tiède", "Chaud", "Très Chaud",
13
Module 2 : Inférence Floue
Module 2 : Inférence Floue utilisant des Règles de type :
« SI conditions x ALORS opération y … ».
µ(x) et µ(xRES) : Fonctions d'appartenances.
14
Module 2 : Inférence Floue
Exemple : "Si écart de température grand, Alors diminuer le débit du fioul"
Règles permettant le passage d’un :
degré d'appartenance de grandeur Réglante à un
degré d'appartenance d'une Commande.
Module constitué
d'une Base de Règles, caractérisant les relations entre classes d'événements en
entrée et commandes correspondantes et
d'un Moteur d'inférence qui permet le calcul.
(Inférence ou Déductions floues ou Conclusions tirées des règles liants les
valeurs de VL).
Si on a n univers de discours Ui et
Si chaque univers Ui est partitionné en mi SEF alors
Nombre théorique Maximum de Règles rmax est :
Nombre de règles définis par l'expert peut être < rmax (Configurations impossibles).
15
Module 2 : Inférence Floue
Inférence Floue : Opération logique par laquelle on admet une proposition
liée à d'autres propositions précédemment admises (vraies).
Base des règles : Les systèmes à logique floue utilisent une expertise exprimée sous
forme d'une base de règles du type : Si … Alors …
Si (X est A) Alors (Y est B)
Exemple : Feux de circulation
Si le Feu est Rouge ET ma Vitesse est Elevée Alors je Freine Fort.
Si le Feu est Orange ET ma Vitesse est Moyenne Alors je Freine Doucement.
Si le Feu est Vert ET ma Vitesse est Faible Alors j'Accélère.
16
Module 2 : Inférence Floue
Evaluation des règles :
R1 : Si X1 est A11 ET X2 est A12 Alors Y est B1
R2 : Si X1 est A21 ET X2 est A22 Alors Y est B2
R3 : Si X1 est A31 ET X2 est A32 ET X3 est A33 Alors Y est B3
Une Règle est Activée dès qu'elle a une Prémisse ayant une valeur de Vérité ≠ 0.
Plusieurs règles peuvent être activées simultanément et préconiser des actions
avec différents degrés de validités ; ces actions peuvent être contradictoires.
Il faut Agréger les conclusions et leur degré de validité.
17
Module 2 : Inférence Floue
Agrégation des règles de sortie :
Combiner les règles d'inférence déjà évaluées pour obtenir un seul polygone à
partir des fonctions d'appartenance de la sortie par l'une des méthodes :
Méthode de coupure ou
Méthode de Mise à l'échelle
Méthode de coupure Méthode de mise à l'échelle
18
Module 2 : Inférence Floue
Agrégation des règles de sortie :
Ou encore la Méthode de Sugeno (Inférence Sugeno) permettant de simplifier le
calcul de l'agrégation, afin d'obtenir plus rapidement une solution nette.
Elle est aussi utilisée pour des applications temps réel, où le temps de calcul est
important.
Sugeno utilise 1 seul pic comme fonction d'appartenance, plutôt qu'un polygone.
19
Module 2 : Inférence Floue
Le Mécanisme d'Inférence calcule les SEF relatif à la commande du
système.
Afin de tirer des conclusions (déductions floues), en général plusieurs
valeurs de variables floues sont liées par des Règles.
2 genres de règles d'Inférences :
- Inférence avec une seule règle
- Inférence avec plusieurs règles
20
Module 2 : Inférence Floue
Inférence avec une Seule Règle
Cas utile lorsqu'il faut comparer plusieurs concurrents (objets ou
personnes) dans une situation et choisir l'optimum.
Problématique des domaines non techniques (Achat d'un appareil,
Recrutement d'un employer, …).
Soit x1, x2, ..., xn Variables Linguistiques évaluant une situation,
Critère y pour la prise de décision Formulé par une règle.
Exemple : y = [ x1 OU (x2 ET x3) OU ... ] ET xn
Forme exacte de cette règle dépend du problème en question.
21
Module 2 : Inférence Floue
Exemple pour une inférence à une Seule Règle
Prise de décision s'imposant lors de, par exemple, la sélection d’étudiants
candidats pour s'inscrire au diplôme des études approfondies, tel un Master.
Existence de cahier des charges déterminant le profil souhaité et les
différentes aptitudes.
Critère d'évaluation formulé explicitement par :
Critère =
Spécialité ET (Mention eu aux années univ. OU Mention du PFE) ET Age.
Valeurs pour les fonctions µ(x) des variables :
« Spécialité » ;
« Mention de réussite aux années universitaires » ;
« Mention eu au PFE » ;
« Age »,
doivent être fixés de manière subjective en comparant les qualifications des
candidats avec le profil déterminé par le cahier des charges.
22
Module 2 : Inférence Floue
Exemple pour une inférence à une Seule Règle (suite)
Tableau des valeurs pour 4 candidats
Variables 1 2 3 4
Spécialité µi 0,2 0,4 0,8 0,5
Mention de réussite µr 0,7 0,8 0,8 0,7
Mention de PFE µpfe 0,5 0,4 0,4 0,5
Age µâge 1 0.6 0,8 1
Valeur de fonction µâge fixée par allure trapézoïdale et dépend donc de
l'Age du candidat.
Fonction µâge pour la variable « Age »
de l'exemple de candidature au Master.
23
Module 2 : Inférence Floue
Inférence avec Plusieurs Règles
Elle est utile Si une ou plusieurs variables Floues nécessitent la prise
de décisions différentes suivant les valeurs de ces variables.
Ceci se présente pour des problèmes de réglage et de commande.
Règles exprimées sous la forme générale :
Opération = SI Condition 1, ALORS Opération 1, OU
SI Condition 2, ALORS Opération 2, OU
SI Condition 3, ALORS Opération 3, OU
… SI Condition m, ALORS Opération m
Conditions pouvant dépendre d'une ou plusieurs variables.
Dans ce 2° cas, les variables sont liées entre elles par des opérateurs de la
Logique Floue de forme ET & OU.
24
Module 2 : Inférence Floue
Exemple d'inférence avec Plusieurs Règles
Comment peut-on avoir de l'Eau Tiède dans un réservoir ?
Dans l'Inférence du régulateur à commande Floue interviennent les
opérateurs ET & OU.
Le ET s'applique aux variables à l'intérieur d'une règle,
Tandis que le OU lie les différentes règles.
Il existe plusieurs possibilités pour réaliser ces opérateurs qui s'appliquent
aux fonctions d'appartenance.
Introduire la notion de Méthode d'inférence déterminant la réalisation des
différents opérateurs dans une inférence Son Traitement Numérique.
Pour le Réglage par Logique Floue Une des Méthodes d'inférence
suivantes peut être utilisée :
Méthode d'inférence Max-Min ou Min-Max
Méthode d'inférence Max-Prod
Méthode d'inférence Somme-Prod
25
Module 2 : Inférence Floue
Les méthodes d'inférences Fonction résultante µRES(z) pour la variable de
sortie z.
Information floue à transformer en une grandeur de commande réelle
But de l'étape de Défuzzification
Méthodes les plus couramment utilisées sont :
Centre de gravité (COG) dite Méthode de Mamdani
Maximum
Sugeno dite Moyenne des Maximums (MM)
Surfaces
Hauteurs
26
Module 3 : Défuzzification
Module 3 : Décrit l'étape de Défuzzification (inverse de Fuzzification).
Passage d'un degré d'appartenance d'une commande à
la détermination de la valeur à donner à cette commande.
µ(xRES) : Fonctions d'appartenances,
xRES = Vecteur des commandes.
27
Module 3 : Défuzzification
Défuzzification :
Elle consiste à transformer le sous-ensemble flou de sortie en une valeur Non Floue
permettant la commande du système. Il existe plusieurs méthodes de défuzzification
dont 2 sont les plus utilisées :
Méthode du Centre de Gravité (COG).
Méthode de la Moyenne pondérée (MM).
• Méthode COG
C'est l'abscisse du centre de gravité de la surface sous la courbe résultante de l'étape
d'agrégation.
28
Module 3 : Défuzzification
Exemple :
Vitesse de rotation d'un moteur.
Vitesse de rotation : Environ 27% de sa vitesse maximale
29
Module 3 : Défuzzification
• Méthode MM
Basée sur la Méthode de Sugeno : On calcul la valeur Moyenne des Maximums des
valeurs des pic ki.
30
Module 3 : Défuzzification
Exemple :
Vitesse de rotation d'un moteur.
Vitesse de rotation de la machine : 32 % de sa vitesse maximale
31
Module 3 : Défuzzification
• Méthode du Maximum
Plus simple que COG mais moins précise Signal de sortie z* (Abscisse)
Valeur max. de la fonction résultante µRES(z) :
Lorsque µRES(z) est écrêté Toute valeur entre z1 et z2 peuvent être utilisée.
Eviter cette indétermination Prendre moyenne des abscisses du max.
