The seventh international conference on

Sciences and Techniques of Automatic control STA′2006

December 17-19, 2006, Hammamet, Tunisia
International Conference

Commande adaptative directe floue pour

une classe de systèmes non linéaires

Hafedh Abid1-3, Mohamed Chtourou2, Ahmed Toumi3,

1
Unité de Commande et de Procédés Industriels (UCPI), ENIS BP. W,
3038 Sfax, Tunisie
[email protected]
2 Unité de Commande Intelligente, design et optimisation des Systèmes complexes,

(ICOS) ENIS,B.P. W, 3038 sfax, Tunisie

[email protected]
3 Unité de Commande des Procédés Industriels (UCPI) ENIS,B.P. W, 3038

sfax, Tunisie
[email protected]

Résumé: Dans cette communication, nous nous sommes intéressés à la com-

mande adaptative directe floue pour une classe de systèmes non-linéaires mo-
no-entrée mono-sortie "SISO". Le modèle du système est représenté par un
système flou de type Takagi-Sugeno. L’idée de base consiste à calculer en li-
gne la loi de commande adéquate sans estimer les paramètres du système.
Cette dernière comporte deux termes, le premier constitue la commande opti-
male du système, elle est rapprochée par un système flou, le second terme à
pour effet de compenser les erreurs d’approximation et les perturbations. Un
algorithme adaptatif a été développé. La sortie du système suit asymptotique-
ment tout signal d’entrée borné.

1. Introduction

La commande adaptative remonte aux années 1950, lorsque les automaticiens se

sont aperçus qu’un contrôleur à paramètres fixes n’était pas toujours capable
d’assurer les performances souhaitées, dans le cas où les caractéristiques du système
variaient au cours du temps. L’objectif de la loi d’adaptation est d’ajuster les paramè-
tres du contrôleur afin de faire tendre l’erreur de poursuite de trajectoire vers zéro.
Plusieurs théories ont été utilisées pour atteindre cet objectif. Dans les années 1990, la
commande adaptative floue a fait son apparition vue que les contrôleurs flous ont la
propriété d’approximer n’importe quelle fonction continue.
Il existe deux familles de commande adaptative: la commande directe et la com-
mande indirecte. Dans la littérature de la commande adaptative floue, Wang et al. [3]
ainsi que Chan et al. [4] ont proposé une commande adaptative floue indirecte en
exploitant l’approche par mode glissant. Ils ont utilisé le système flou de type Mam-
dani. Young et al. [6] ont proposé une commande adaptative floue indirecte avec
modèle de référence (MRAFC). Ils ont utilisé le système flou de type Takagi-sugeno.

STA′2006 – Topics …, pages 1 à X

STA'2006−ACS−107
2 STA′2006 – Topics …, pages 1 à X

Sašo Blažič et al. [5] ont proposé une commande adaptative floue directe à modèle de
référence pour les systèmes de type Takagi-Sugeno. Ils considèrent que le processus
nonlinéaire est porche d’un système de premier ordre.
Igor Škrjanc et al. [7] ont proposé une commande adaptative directe floue. Ils ont
exploité le théorème de Stone-Weierstrass, qui indique que toute fonction continue
peut être approximée par un système flou. L'algorithme de commande est vu comme
une extension de la commande adaptative des systèmes linéaires.
Dans cette communication, nous présentons le problème dans le second paragra-
phe. Le modèle dynamique flou de type Takagi-Sugeno [2] fait l'objet du troisième
paragraphe. Le quatrième paragraphe concerne la commande adaptative directe et le
développement d'un algorithme d'adaptation. L’avant dernier paragraphe est réservé
aux résultats de simulation pour terminer avec une conclusion.

2. Position du Problème et Systèmes Floues

Un système continu non-linéaire et à une entrée et une sortie « SISO » est décrit
par l’équation suivante :

& = f ( x(t )) + g ( x(t ))u(t)

⎧ x(t)
⎨ (1)
⎩ y(t) = Cx(t) ;

où , C = [1,0,0, …,0], x ∈ℜ n est le vecteur d’état qui est supposé observable,

u(t)∈ℜ est l’entrée de commande, f (x(t)) et g(x(t)) des fonctions inconnues. Dans
cette communication, nous supposons que seule les bornes limites de ces fonctions
sont connues, et pour que le système (1) soit commandable, il faut que g(x, t) ≠ 0.
L’objectif de la commande est de forcer la sortie du système à suivre tout signal de
consigne borné. Une loi de commande adaptative pour ajuster les paramètres du
contrôleur flou est déterminée pour satisfaire les conditions suivantes :
- Le système en boucle fermée est stable,
- L’erreur de poursuite tend vers zéro.

3. Modélisation floue de Takagi-Sugeno

Un système non-linéaire continu peut être décrit par un modèle flou de type Taka-
gi-Sugeno (T-S) dont la configuration de base est donnée par la figure 1. Le système
flou est représenté par une collection de règles d’inférences floues SI-ALORS, dont
la ième règle est de la forme suivante [2] :

R (i): SI x1 est M 1i ET ... ET x n est M ni ALORS y = y i (2)

La sortie du système flou peut être donnée par l’équation suivante:
 Paper title 3

r n

∑
j =1
y j ∏ µ ij (x i )
i =1
y(t) = (3)
r n

∑∏ j =1 i =1
µ ij (x i )
i
Où : µ j (xi ) est la fonction d’appartenance des variables linguistiques xi , yj est
un élément dans ℜ et r est le nombre de règles floues.
En introduisant le concept de base de la fonction vecteur flou, l’équation (3) peut
être donnée par l’expression suivante :
y(t) = θ T ξ(x) (4)
où, θ = (y ,...,y ) est un vecteur à paramètres de l'état de la sortie y(t) et
1 m T

ξ(x) = (ξ 1 (x),..., ξ r (x)) T est le vecteur régressif avec la fonction de base floue
ξ i (x) définie par l’expression suivante :
n

∏ j =1
µ ij (x j )
ξ i (x) = (5)
r n

∑∏
i =1 j =1
µ (x j )
i
j

Base de
Règles

Fuzzifi- Mécanisme
cation d’Inférence

Fig. 1. Configuration de base des systèmes flous de type Takagi-Sugeno.

4. Commande Adaptative Directe

Notre objectif est de concevoir une commande floue adaptative qui garantit la sta-
bilité asymptotique du système en boucle fermée. L'équation de l’erreur de poursuite
est donnée par (6):
e ( n ) + k 1 e ( n −1 ) + ... + k n e = 0 (6)
où,
4 STA′2006 – Topics …, pages 1 à X

( ) (
E = x − xd = e,e&,...,e(n−1) , x = x1 ,x2 ,...,xn
T
)T
d (
, x = x , x ,..., x
1d 2d nd )
T

(k )
T n
K = n , k n −1 , ..., k1 ∈ R est choisi de telle façon que toutes les ra-

cines du polynôme suivant : h(s)= s

n
+ k1 sn−1 + ...+ kn soient situées dans le demi
plan complexe gauche.
Si les fonctions f(x,t) et g(x, t) sont connues alors la loi de commande optimale est
donnée par l’équation suivante :
1
uop(t) = [− f(x,t)− K T E + xdn ] (7)
g(x,t)
Dans la majorité des systèmes industriels, les fonctions f (x, t) et g (x, t) sont in-
connues, la commande optimale uopt(t) ne peut être générée. Alors une commande
floue est conçue pour se rapprocher de cette dernière.
u (t) = uc (x(t),θ ) (8)
où,
uc(x,θ) représente la commande floue. Elle s'écrit comme la forme (4).
En appliquant la loi de commande (8) au système (1) en boucle fermée et après
quelques transformation on obtient :
(
E& = Am E + B uop − uc ( x,θ ) ) (9)
où,
⎡ 0 1 0 ... 0 ⎤
⎢ 0 0 1 ... 0 ⎥⎥
⎢
Am = ⎢ ⎥ ;
⎢ ⎥
⎢ 0 0 0 ... 1 ⎥
⎢⎣ − k n − k n −1 − k n−2 ... − k 1 ⎥⎦
B = [ 0 ,0 ,...,g ( x ( t )) ] T

x
d Contrôleur Processus

Loi d'adaptation
des paramètres

Fig. 2. Schéma de principe de la commande adaptative directe.

 Paper title 5

Dans la suite, nous développons l’algorithme d’adaptation pour ajuster le vecteurθ.

Nous définissons par θ* le vecteur paramètre optimal
θ* = arg min [ sup uc (x,θ ) − uop ] (10)
θ ≤Mθ x≤M
x

où, Mx et Mθ sont spécifiés par le concepteur. Nous définissons par ω l’erreur mi-
nimale d’approximation.
ω = u *c ( x ,θ * ) − u op (11)
uc ( x,θ ) = θ T ξ(x) (12)
En Substituant (11) et (12) dans (9), l’équation de l’erreur du système en boucle
fermée est donnée par :
( )
E& = AmE + B u*c( x,θ* ) − uc ( x,θ ) − Bω (13)
Nous définissons par φ = θ * − θ
L’équation de l’erreur du système en boucle fermée s’écrit alors :
E& = Am E + Bφ T ξ ( x ) − Bω (14)

Théorème

Considérons le système nonlinéaire (1). Si la loi de commande comporte deux

composantes, une commande floue sous optimale uc et une commande de compensa-
tion d’incertitudes us, alors la sortie du système en boucle fermée est bornée pour tout
signal d’entrée bornée, et l’erreur de poursuite converge asymptotiquement vers zéro.
Démonstration
Nous proposons comme fonction candidate de Lyapunov la fonction suivante:

1⎛ T 1 ⎞
V(E ,φ) = ⎜ E PE + φ T φ ⎟ (15)
2 ⎜⎝ r1 ⎟
⎠
La matrice P est une matrice symétrique définie positive qui vérifie l’équation de
Lyapunov suivante :
AmT P + PAm = −Q (16)
où, Q est une matrice positive.
1⎛ 1 ⎞ (17)
V&(E,φ) = ⎜⎜ E& T PE + E T PE& + ( φ& T φ + φ T φ& ) ⎟
⎟
2⎝ r1 ⎠

1 1
V& = − ET QE + ET PB( φTξ ( x ) − ω ) + φTφ& (18)
2 r1
6 STA′2006 – Topics …, pages 1 à X

1 1
V& = − ET QE + φT ( r1 ET PBξ( x ) + φ& ) − ET PBω (19)
2 r1
φ& = −θ& (20)
En imposant l’égalité suivante:

θ& = r1 ET PBξ( x ) (22)

Ceci signifie que g(x) est connue, mais en réalité cette dernière est inconnue. De ce
fait, on introduit des transformations telles que:

- Bu = B min u c + ε s (23)

- Bω = Bminω + ε ω (24)

- BφTξ( x ) = BminφTξ( x ) + εγ (25)

avec: Bmin = [0 ,0,...,g L ]T ; gL : borne inférieure de g(x), εs , εω et εγ représen-

tent des incertitudes. Leurs effets peuvent être compensés par une commande de
supervision telle que:

ε ω + ε s + ε γ = B min u s (26)

L'algorithme d'adaptation (22) devient:

θ& = r1 ET PBminξ ( x ) (27)
La commande de supervision us permettant de garantir la stabilité asymptotique du
système, est donnée par l’équation :
⎡
us = I sgn(ET PBmin )⎢ uc ( x,θ ) + (
1 u
gL
) ⎤
f + xd( n ) + KET ⎥ (28)
⎣⎢ ⎥⎦

avec : fu : la borne supérieure de f(x).

1 T
D’où, on conclut que : V& p − E QE p 0 (29)
2

5. Illustration:

Comme application, nous avons choisi de la littérature en tant que système non
linéaire le pendule inverse placé dans un chariot. Le système est considéré comme
 Paper title 7

une boite noire. Les équations dynamiques sont données, à titre d'information pour le
lecteur, par [7]:

⎧ x&1(t) = x 2(t)
⎪
⎨ x& 2(t) = f(x1 ,x 2 ) + g(x1 ,x 2 )u (30)
⎪ y(t) = x (t)
⎩ 1

Où f(x1, x2) et g(x1, x2) sont données par :

mlx22sinx1cosx1 − (m + M)gsinx1
f (x1 , x2 ) = (31)
m l cos2 x1 − 4l (m + M)
3

cosx1 (32)
g (x1 , x2 ) =
m l cos x1 − 4l (m + M)
2
3
Le pendule inverse est considéré comme une boite noire. Les fonctions f(x1,x2) et
g(x1,x2) sont supposées inconnues. Seules la borne supérieure de f (x,t) et la borne
inférieure de g(x,t) sont connues
Où:
x1 est l’angle en radian du pendule par rapport à l’axe vertical; x2 est la vitesse an-
gulaire en rad/s; g est l’accélération de la pesanteur; m et 2l sont respectivement la
masse et la longueur du pendule; M est la masse du chariot et u est la force appliquée
au chariot. Les valeurs nominales des paramètres sont:
g=9.81m/s2, m=2 kg, M=8 kg, 2 l =1m.
Les fonctions d’appartenance sont définies pour: e i ∈ [ − π /12; π /12] .

⎣
( 2
)
µ i1 (e i ) = exp ⎡⎢ − (e i − π/ 12 )/( π/ 48 ) ⎤⎥
⎦
pour e i ∈[π/24;π/12]

2 ⎡ (
µ i (e i ) = exp ⎢ − (e i − π/ 24 )/( π/ 48 ) ⎥
⎣
)
2⎤

⎦
pour e i ∈ [0; π/12]

3 ⎡ (
µ i (e i ) = exp ⎢ − e i /(π / 48 ) ⎥
⎣
)
2⎤

⎦
pour ei ∈[-π/24;π/24]
⎡
⎣
( )
µ i4 (e i ) = exp ⎢ − (e i + π/ 24 )/( π/ 48 ) ⎤⎥
2

⎦
pour e i ∈ [-π /12; 0 ]

⎢⎣
(
µ i5(e i ) = exp ⎡ − (e i + π/ 12 )/( π/ 48 ) ⎤ )
2
⎥⎦
pour ei ∈ [-π/12; - π/24]

⎡ 0 1⎤
La matrice Am est choisi comme suit: Am = ⎢ ;
⎣- 100 - 1⎥⎦
8 STA′2006 – Topics …, pages 1 à X

⎡ 50 29 .25 ⎤
En résolvant l’équation donnée par (16) et en choisissant Q = ⎢ ,
⎣ 29 .250 0 .125 ⎥⎦
on obtient la matrice P :

⎡2.25 0.25 ⎤
P =⎢ ⎥;
⎣0.25 3.125⎦
Les gains Ki sont ajustés au cours du fonctionnement et sont définis en fonction des
fonctions d'appartenance des erreurs:
K1 = [−1200 − 400]; K 2 = [− 900 − 300]; K3 = [− 800 − 300];
K 4 = [− 700 − 200]; K5 = [− 600 −100]; α = 0.6

⎣
( 2
)
η i1(ei ) = exp⎡⎢− (ei − α)/(α/ 12 ) ⎤⎥
⎦
pour e i ∈[π/24;π/12]

⎣
( 2
)
η i2(ei ) = exp⎡⎢− (ei − α)/(α/ 12 ) ⎤⎥
⎦
pour e i ∈ [0; π/12]

3 ⎡ ( )
2⎤
η i (ei ) = exp⎢− ei /(α / 12 ) ⎥
⎣ ⎦
pour ei ∈[-π/24;π/24]
4 ⎡
⎢⎣
(
ηi (ei ) = exp − (ei + α)/(α/ 12 ) ⎤
2
)⎥⎦
pour e i ∈ [-π /12; 0 ]

⎢⎣
( 2
) ⎥⎦
ηi5(ei ) = exp⎡− (ei + α)/(α/ 12 ) ⎤ pour ei ∈ [-π/12; - π/24]

g L = 0 . 1; f u
= 21
L'expression de la trajectoire désirée est : x 1d = π 10 sin(t ) + 0.3 sin(3t ) ;
Les conditions initiales sont données par : x ( 0 ) = [− π / 60 ; 0 ] .
Les figures 3, 4 et 5 montrent respectivement l’évolution des variables d’état x1, x2 et
de la loi de commande u.

Fig. 3. Evolution de x1et x1d. Fig. 4. Evolution de x2 et de x2d.

 Paper title 9

Fig. 5. Evolution de la loi de commande u Fig. 6. Evolution de l'erreur de position

Les figures 6 et 7 montrent respectivement l'évolution des erreurs de position et de

la vitesse.

Fig. 7. Evolution de l'erreur de la vitesse

Commentaire
Nous remarquons que la sortie du système suit convenablement le signal d’entrée
et que l’erreur de poursuite converge vers zéro. Les oscillations du système sont atté-
nuées au cours du temps.

6. Conclusion

Dans ce travail, nous avons utilisé le système flou de type Takagi-Sugeno. La

commande adaptative floue est de type directe. Ainsi, l'estimation des fonctions du
processus n'est pas demandée. L'apport de cette approche est que la connaissance du
modèle mathématique du système à commander n’est pas nécessaire. La méthode
proposée garantit entre autre la stabilité du système en boucle fermée.

References

1. Michio Sugeno “On Stability of fuzzy Systems expressed by rules with singleton conse-
quents”. IEEE Trans on Fuzzy Syst,Vol 7 N°2 Feb 1999.
10 STA′2006 – Topics …, pages 1 à X

2. T.Takagi and M.Sugeno. "Fuzzy identification of systems and its applications to modelling
and control", IEEE trans syst. Man,Cybern. Vol15. 116-132 Jan/Feb1985
3. J. Wang, A.B.Rad,P.T.chan "Indirect adaptive fuzzy sliding mode control: Part I: Fuzzy
switching" Fuzzy Sets and Systems 12 (2001) pp21-30.
4. P.T.Chan,A.B.Rad,J.Wang, "Indirect adaptive fuzzy sliding mode control: Part II: Parame
ter projection and supervisory control" Fuzzy Sets and Systems 122 (2001) pp31-43.
5. Šašo Blažič, Igor Škrjanc and Drago Matko "Global Stable Direct Fuzzy Model Reference
Adaptive Control " Fuzzy Sets and Systems 139 (2003) pp3-33.
6.Young-wan cho,chang-woo Park and Mignon Park. "An Indirect model reference adaptive
fuzzy control for SISO Takagi-Sugeno fuzzy model”. Fuzzy sets and systems 131 (2002) pp
(197-215).
7. Igor Škrjanc, Šašo Blažič and Drago Matko “Model-Reference Fuzzy Adaptive Control as a
Framework for Nonlinear System Control” Journal of Intelligent and Robotic Systems 36
2003: pp (331-347).
8. Li-Xing Wang “Stable Adaptive Fuzzy Controllers with application to inverted Pendulum
Tracking” IEEE Transactions on systems. MAN and cybernetics-Part B: cybernetics vol 26
N°5 october 1996.
9.Tsung-Chih lin , Chi-Hsu Wng nd Han-Leih Liu “Observer-Based Indirect Adaptive Fuzzy
Neural Tracking Control for nonlinear SISO Systems using VSS and H∞ approaches ” Fuzzy
Sets and systems 143 (2004) pp(211-232).
10. Chiang-Ju Chien,, Chun-Te Hsu, and Chia-Yu Yao,“ Fuzzy System-Based Adaptive Itera-
tive Learning Control for Nonlinear Plants With Initial State Errors" IEEE Transactions on
Fuzzy systems vol 12.N°5, October 2004 pp(724-732).
11. H. -J.Kang, C. Kwon, H.-J.Lee, M. Park ,“ Robust stability analysis and design method for
the fuzzy feedback linearization regulator" IEEE Trans. Fuzzy systems vol 6.N°4 1988
pp(464-472).