Chapitre III : Commande Floue en Vitesse de la MADA

Chapitre III :
Commande Floue en vitesse de la
MADA

III.1. Introduction

La logique floue (Fuzzy logic dans la terminologie anglo-saxonne) est une branche
de l’intelligence artificielle, tout comme les réseaux de neurones et les algorithmes
génétiques, suscite depuis la dernière décennie un nombre important de travaux et
d’articles scientifiques. Ce sont les premières approches du concept d’incertitude
d’Heisenberg développées par des chercheurs américains dans les années 20 qui ont
conduit à son apparition. Mais ce n’est qu’en 1965 que le professeur L.Zadeh, de
l’université de Berkeley en Californie et automaticien de réputation internationale, propose
les bases théoriques de cette logique dans un article célèbre intitulé « Fuzzy set »
(Ensemble flou).

Contrairement à la logique booléenne classique, l’idée de base consiste à accorder

aux affirmations un certain degré de vérité, ce qui est bien pratiquement pour représenter la
réalité où les choses ne sont pas toujours tranchées [31]. La logique floue beaucoup plus
pragmatique que déterministe introduit la notion d’ensembles flous, qui à la différence des
ensembles nets traditionnels traitent des variables qualifiées de non exactes et pouvant
prendre une valeur entre 0 et 1. Le formalisme définit aboutit alors à un langage
mathématique plus expressif et une logique plus souple employant de règles (inférences)
exprimées sous la forme « si prémisse alors conséquence » à partir de relations imprécises.
Les prémices et les conséquences sont émises à l’aide de termes linguistiques proches du
langage humain, ce qui facilite leur compréhension et donc l’introduction de connaissance
acquise à priori [32].

69
Chapitre III : Commande Floue en Vitesse de la MADA

Les premières applications ont concernées la commande et le contrôle des processus,

ainsi que la modélisation des phénomènes sous forme floue afin de palier aux limitations
des modèles classiques à équations différentielles. Depuis de nombreuses applications
industrielles ont été développé non seulement dans les domaines techniques tels que
l’électroménager et l’électronique grand public, mais également dans des domaines aussi
divers que la finance, la jurisprudence, le diagnostic médical ou la classification et la
reconnaissance des formes [33].

Appliqué à la commande des systèmes, la logique floue permet de synthétiser des

contrôleurs qui génèrent des lois de commande efficaces sans être obliger de faire de
modélisations approfondies ou sans connaître précisément le processus à commander [34],
[32]. C’est essentiellement grâce à certaines applications remarquables concernant
l’intégration de contrôleurs flous dans le réglage que cette logique à pris son véritable
essor. Les principales avancées peuvent être récapitulées de manière non exhaustive, par la
proposition de la logique floue pour la résolution de problèmes de réglage par L.Zadeh,
une première application du réglage par le professeur E.H.Mamdani en 1975 qui a permit
de développer une stratégie de contrôle pour une chaudière à vapeur, suivit en 1975 par la
première véritable application industrielle, puis en 1978 le contrôle par la société danoise
F.L Smidth-Fuller d’un four à ciment. En 1985 la logique floue est introduite au Japon par
M.Sugneo, on voit alors apparaître des réalisations telles que le métro Sendai en 1987, ou
le lave-linge Aїsaїgo Pay Fuzzy de Matsushita en 1990 [33].

Bien que les bases théoriques de cette approche aient été établie dés 1965, ce n’est
que récemment que ses principes ont été appliqué au domaine des machines électriques.
On citera parmi d’autres l’importante contribution du professeur B.K.Bose et de son équipe
de l’université du Tennessee [34], [35], [36], [37], [38].

Dans ce chapitre nous allons présenter les principaux fondements théoriques de la

logique floue, nous exposerons la notion de fonction d’appartenance, les opérateurs
employés dans ce type de logique. Après avoir décrit la structure d’une commande floue
nous expliciterons les notions de fuzzification, d’inférences floues et de défuzzification
dont la manipulation permet la génération de la commande adéquate ou prise de décision.

Puis après avoir synthétisé un contrôleur flou à cinq fonctions d’appartenance, nous
comparerons le comportement du processus [MADA + Onduleurs] commandé par le
contrôle vectoriel à celui du même processus équipé du contrôleur conventionnel de type
PI définit au chapitre précédent. Des tests de simulation ont étés effectués sous les mêmes

70
Chapitre III : Commande Floue en Vitesse de la MADA

conditions, et avec les mêmes profils dans le but de vérifier les qualités de poursuite, de
régulation et leur robustesse vis-à-vis des variations paramétriques du moteur.

III.2. Théorie des ensembles flous

III.2.1 Ensemble binaire classique

Soit un ensemble X continu ou non, fini ou infini, tel que « x ∈ X » désigne un

ensemble de X. A est un sous ensemble binaire ou ordinaire de X lorsque A ⊂ X.
L’ensemble ordinaire A est défini par sa fonction caractéristique (ou fonction
d’appartenance) telle que :

µ A : X → [0,1]
1 ; si x ∈ A
µ A ( x) :  (III.1)
0 ; sinon
X représente l’ensemble de référence (référentiel) ou univers de discours.

III.2.2 Ensemble flou

La notion d’ensemble flou permet des graduations dans l’appartenance d’un élément
à une classe, c'est-à-dire autorise un élément à appartenir plus au moins fortement à cette
classe.

Soit un référentiel X dénombrable ou non et x un élément de X, alors un ensemble

flou A de X est un ensemble de couples tel que :

A = {( x, µ A ( x) ) x ∈ X } (III.2)

µ A (x) est le degré d’appartenance de x à A. µ A (x) est attribué à u par la fonction

d’appartenance de A qui prend ses valeurs dans un ensemble totalement ordonnée M.
L’ensemble d’appartenance est pris généralement égal à l’intervalle [0,1].

La fonction d’appartenance d’un ensemble flou A est définie par :

µ A : X → [0,1]
(III.3)
x → µ A ( x)

Exemple :

Considérons le terme « chaud » qui définit l’ensemble de toutes les températures plus
élevées que 30°C. Alors la fonction caractéristique de cet ensemble dénotée par « µ chau »

71
Chapitre III : Commande Floue en Vitesse de la MADA

peut être décrite comme montrée dans la figure (III.1).

Figure III.1 : Fonction caractéristique de l’ensemble précis température chaude.

Ainsi, la température mesurée de 29.999°C est considérée comme pas chaud !donc
elle n’appartienne pas à l’ensemble des températures chaudes et ainsi, µ chaud (29.999) = 0 .

Si on considère dans le même exemple que la fonction caractéristique appelée aussi

fonction d’appartenance du terme « chaud » dénotée par « µ chaud » est définit en se basant
sur l’opinion humaine.

Figure III.2 : Fonction caractéristique de l’ensemble flou température chaude.

On peut considérer que 29°C est toujours assez chaud et que 31°C est toujours chaud
mais pas autant que 35°C et plus. Ceci résulte dans une transition graduelle d’une
appartenance (complètement juste) à une non appartenance (pas juste du tout) [40].

III.2.3 Fonction d’appartenance

Afin de pouvoir traiter numériquement les variables linguistiques, il faut les

soumettre à une définition mathématique à base de fonctions d’appartenance qui montrent
le degré de vérification de ces variables aux différents sous-ensembles.

72
Chapitre III : Commande Floue en Vitesse de la MADA

Les représentations graphiques des fonctions d’appartenances les plus utilisées sont
illustrées dans la figure (III.3), leurs expressions analytiques sont définies de la manière
suivante :

la fonction triangulaire, définie par trois paramètres a, b et c, soit :

0 x≤a
x −a
 a≤ x≤b
b − a   x−a c−x 
µ ( x) =  ou µ( x) = max min ,  ,0  (III.4)
c − x b≤x≤c   b− a c −b  
c − b
0 c≤x


la fonction trapézoїdale, définie par quatre paramètres a, b, c et d soit :

0 x≤a
x −a
 a≤ x≤b
b − a
   x−a c−x 
µ ( x) = 1 b≤x≤c ou µ( x) = max min ,1,  ,0  (III.5)
d − x   b−a c−b  
 b≤x≤c
d −c
0 x≤a

la fonction en cloche, définie par deux paramètres, x0 qui détermine la position du

sommet ( µ = 1 ) et a qui impose la largeur du domaine, soit :

1
µ ( x) = (III.6)
 x − x0 
2

1+  
 a 

la fonction gaussienne, définie par deux paramètres σ , x0, soit :

 ( x − x0 ) 2 
µ ( x) = exp −  (III.7)
 2 σ 2 
•

la fonction sigmoїde, définie par deux paramètres a, x0, soit :

1
µ ( x) = (III.8)
1 + exp(− a.( x − x0 ) )

On notera que la forme rectangulaire correspond exactement à la logique classique,

et que le triangle peut être considéré comme un cas particulier du trapèze, si les deux
sommets qui correspondent aux valeurs a et c coїncident.

73
Chapitre III : Commande Floue en Vitesse de la MADA

µ(x) µ(x)

1 1

x x
a b c a b c d

a. forme triangulaire b. forme trapézoїdale

µ(x) µ(x)

1 1

0.5 0.5

x0-a x0 x0+a x x0-a x0 x0+a x

c. forme cloche d. forme sigmoїde

Fig III.3 : Formes usuelles des fonctions d’appartenance.

Les fonctions d’appartenance sont le plus souvent représentées par les fonctions
triangulaires et trapézoїdale, donc par des segments de droite, et sont alors dites linéaires
par morceaux, aussi elles sont très employées car simples et comportent des points
permettant de définir les zones où la notion est vraie ou fausse, ce qui simplifie le recueil
de l’expertise [33].

De façon générale, ces deux formes sont suffisantes pour délimiter des ensembles
flous. Cependant, les formes cloches et gaussienne peuvent être utilisées car elles donnent
dans certains cas une meilleure représentation des ensembles flous [41].

III.2.4 Univers de discours

Soit une variable floue x, on définit un ensemble flou A sur un univers de discours X
par une fonction degré d’appartenance :

µ A : X → [0,1]
(III.9)
x → µ A ( x)

L’univers de discours est l’ensemble des valeurs réelles que peut prendre la variable
floue x et µA(x) est le degré d’appartenance de l’élément x à l’ensemble floue A.

Plus généralement, le domaine de définition de µA(x) peut être réduit à un sous

ensemble de X [42]. On peut ainsi avoir plusieurs fonctions d’appartenance, chacune

74
Chapitre III : Commande Floue en Vitesse de la MADA

caractérisant un sous-ensemble flou. C’est par association de tous les sous-ensembles de

l’univers de discours que l’on obtient l’ensemble de la variable flou x [43]. Par abus de
langage, les sous-ensembles flous sont fort souvent confondus avec l’ensemble flou.

Exemple :

L’ensemble des nombres x >>10 (nombre très grand devant 10) peut avoir comme
univers de discours l’ensemble des nombres positifs.

Présentation discret et continue

Lorsque cet intervalle se réduit aux valeurs [0,1], la fonction d’appartenance, prend
alors les valeurs binaires 0 et 1 et l’ensemble A est un ensemble ordinaire. Si A est un
ensemble flou discret fini, il peut être exprimé par :
n
A = µ A ( xi ) / xi + .... + µ A ( xn ) / xn = ∑ µ A ( xi ) / xi (III.10)
i =1

Où « + » représente l’opérateur union et non l’addition arithmétique et « / » symbolise une

certaine fonction d’appartenance à une valeur sur l’univers de discours.

On peut l’écrire aussi sous la forme suivante :

∫µ A ( x) / x (III.11)

Exemple :

Soit l’univers de discours : X = {0,1, 2,….,10}

- l’ensemble flou « A1 » des entiers proches de « 0 » est exprimé par :

A1 = 1.0 / 0 + 0.9 / 1 + 0.75 / 2 + 0.5 / 3 + 0.2 / 4 + 0.1 / 5

- l’ensemble flou « A2 » des « entiers approximativement égaux à 5 » est exprimé par :

A2 = 0.17 / 0 + 0.25 / 1 + 0.35 / 2 + 0.56 / 3 + 0.83 / 4 + 1.0 / 5 + 0.83 / 6 + 0.56 / 7

+ 0.35 / 8 + 0.25 / 9 + 0.17 / 10.

III.2.5 Caractéristiques d’un ensemble flou

Soit A un sous ensemble flou de X. On définit les caractéristiques suivantes propres

à cet ensemble flou (voir figue III.4).

75
Chapitre III : Commande Floue en Vitesse de la MADA

• Support :

Le support de A est la partie de X sur laquelle la fonction d’appartenance de « A »

n’est pas nulle.

Supp( A) = {x ∈ X / µ A ( x ) ≠ 0} (III.12)

• Noyau :

Le noyau de A est l’ensemble des éléments de X pour lesquelles la fonction

d’appartenance de A vaut 1.

Noy ( A) = {x ∈ X / µ A ( x ) = 0} (III.13)

Autrement dit, le noyau est constitué des éléments qui satisfont pleinement la
caractéristique vague définie par A. Lorsque le noyau n’est pas vide, on dit que l’ensemble
flou A est normal ou normalisé, sinon on dit qu’il est sous-normal. Si A est classique alors :
Noy ( A) = A .

• Hauteur :

La hauteur d’un ensemble flou A dans X est la valeur maximale de la fonction

d’appartenance; c’est le plus grand degré d’appartenance de A.

H ( A) = max(µ A ( x); x ∈ X ) (III.14)

Si Noy (A) ≠ ø alors la hauteur H(A) = 1

Hauteur

x
0
a b c d
Noyau Support

Fig III.4 : Caractéristiques d’un ensemble flou.

• Couple de niveau α :

On appelle couple de niveau α ou α-coupe de l’ensemble flou A pour une valeur

donnée de α ∈ [0,1], le sous ensemble Aα de X défini par :

Aα {x ; µ A ( x) ≥ α } (III.15)
76
Chapitre III : Commande Floue en Vitesse de la MADA

Une α-coupe telle que µ A ( x) ≥ α , ∀x ∈ Ax est dite stricte.

On appelle α-niveau ou α-coupe telle que µ A (x) = α pour tout x ∈ Ax et on note par :

Aα = {x ; µ A ( x) = α } (III.16)

On remarque qu’une α-coupe définit un seuil de satisfaction du caractère flou énoncé par
A.

III.2.6 Opérateurs et normes de la logique floue

Comme dans la théorie des ensembles classiques, on définit l’intersection, l’union

des ensembles flous ainsi que le complémentaire d’un ensemble flou. Ces relations sont
traduites par les opérateurs "et", "ou" et "non". De nouvelles fonctions d’appartenance liées
à ces opérateurs sont établies :

x appartient à A et B ⇔ x ∈ A ∩ B ⇔ µ A∩ B ( x )
x appartient à A ou B ⇔ x∈ A ∪ B ⇔ µ A∪ B ( x )

x appartient au complément de A ⇔ x∈ A ⇔ µ A ( x )

L’opérateur "et" se traduit par une norme triangulaire (t-norme) :

T : [0,1] × [0,1] → [0,1]

(III.17)
( x, y ) a z = xTy
T possède les propriétés suivantes :

• Commutativité : xTy = yTx

• Associativité : xT ( yTz ) = ( xTy )Tz

• Monotonie : xTz ≤ yTz si x ≤ y

• Admet 0 comme élément absorbant et 1 comme élément neutre : 0Tx = 0, 1Tx = x

De même, l’opérateur "ou" se définit par une co-norme triangulaire ( T * ) qu’on

appelle aussi s-norme (S) :

S : [0,1] × [0,1] → [0,1]

(III.18)
( x, y ) a z = xSy

S possède également les propriétés de commutativité, d’associativité et de monotonie. Elle

admet 1 comme élément absorbant et 0 comme élément neutre.

77
Chapitre III : Commande Floue en Vitesse de la MADA

À l’aide de la loi de Morgan, on peut associer à chaque t-norme, la s-norme définie

par :

xSy = 1 − (1 − x)T (1 − y ) (III.19)

Les opérateurs les plus utilisés en logique floue sont :

• L’opérateur "et" pour la t-norme, qui correspond à l’intersection de deux ensembles

A et B. Il peut être réalisé par :
- La fonction "Min" : µ A∩ B ( x) = min(µ A ( x), µ B ( x) )
- La fonction arithmétique "Produit" : µ A∩ B ( x) = µ A ( x) µ B ( x)
•

• L’opérateur "ou" pour la s-norme, qui correspond à l’union de deux ensembles A et

B. Il peut être réalisé par :
- La fonction "Max" : µ A∪ B ( x) = max(µ A ( x), µ B ( x) )
- La fonction arithmétique "Somme" : µ A∪ B ( x) = µ A ( x) + µ B ( x)

• L’opérateur "non" est réalisé par : µ A ( x) = 1 − µ A ( x)

III.2.7 Raisonnement en logique floue

Les systèmes basés sur la logique floue utilise pour prendre des décisions la
connaissance humaine présentée sous forme de règles floues, encore appelées règles
d’inférence. Elles sont exprimées sous la forme :

SI (prémisse) ALORS (conclusion)

Nous aurons par exemple :

SI (température élevée ET humidité importante) ALORS (ventilation forte)

Une règle floue est donc une combinaison entre une condition, nommée prémisse ou
prédicat qui peut prendre de plusieurs variables liées entre elles par des opérateurs ET, OU,
NON et une conclusion ou conséquence.

Les prémisses et conclusions forment des propositions floues exprimées par une
conjonction ou une disjonction de prédicats, les conclusions sont obtenues par implication
des propositions floues :

- une proposition est définie à partir d’une variable linguistique :

x est A

78
Chapitre III : Commande Floue en Vitesse de la MADA

- la conjonction de deux propositions floues est réalisée par l’opérateur flou ET :

x1 est A1 ET x2 est A2

- tandis qu’une disjonction est déterminée par l’opérateur flou OU :

x1 est A1 OU x2 est A2

- une implication entre deux propositions floues définit également une proposition
floue :
SI x1 est A1 ALORS x2 est A2

Le raisonnement flou, fondé sur les règles d’inférence est une généralisation du
modus ponens (du latin raisonnement par l’affirmation) qui prend en considération l’aspect
graduel inhérent aux sous-ensembles flous, et que l’on exprime par [44], [32] :

▪ fait observé : x est A’

▪ règle floue : SI x est A ALORS y est B
▪ conclusion : y est B’

A, B, A’, B’ étant labels linguistiques relatifs aux sous-ensembles flous leur correspondant.

Le mécanisme permettant de passer de l’observation A’ à la conclusion B’ est appelé

inférence floue, et l’expression de la fonction d’appartenance µ B ' ( x) de B’ dépend des
opérateurs logiques employés (t-norme et s-norme). Les opérateurs les plus couramment
utilisés dans le cadre de la commande floue sont les implications de Mamdani et Larsen.

Ainsi en logique floue, on interprète la règle suivante : SI (x est A) ALORS (y est B)

par le fait que si la variable floue x appartient au sous-ensemble A avec un degré
d’appartenance µ A (x) , alors y appartient au sous-ensemble flou B avec un degré

d’appartenance µ B (x) qui dépend de la validité µ A (x) de la conclusion.

Plus généralement, l’expertise est donnée sous forme d’un ensemble de n règles,
désigné par le terme de système d’inférence flou (SIF), présenté par une énumération du
type :

SI [(Prédicat 1) ET/OU (Prédicat 1’) ET/OU….] ALORS (Conclusion 1) OU

SI [(Prédicat 2) ET/OU (Prédicat 2’) ET/OU….] ALORS (Conclusion 2) OU
… … OU
SI [(Prédicat n) ET/OU (Prédicat n’) ET/OU….] ALORS (Conclusion n)

79
Chapitre III : Commande Floue en Vitesse de la MADA

L’opérateur OU n’est pas utilisé dans les conclusions car il introduirait une
incertitude dans la connaissance, l’expertise ne permettrait pas de déterminer quelle
décision prendre. De même, l’opérateur NON n’est pas employé, en effet si une règle avait
par exemple la conclusion : « ALORS ventillation NON moyenne », il serait impossible de
dire si cela signifie « ventillation faible » ou « ventillation forte », cela serait encore un cas
d’incertitude [33]. Quatre étapes sont donc nécessaires pour obtenir la conclusion finale :

 le calcul des propositions,

 le calcul des relations,
 les compositions des règles les faits observés,
 agrégations des conclusions des règles.

III.3. Commande par logique floue

III.3.1 Intérêt et principe d’une commande à logique floue

La commande par logique floue a pour objectif d’obtenir une loi de commande
efficace sans posséder de modèle précis du processus à commander, mais à partir d’une
description linguistique qualitative du comportement du système.

Son approche pour la commande ne traite pas de relations mathématiques bien

définies, mais exploite les connaissances et l’expérience (expertise) acquise par l’opérateur
(expert). Celles-ci sont formulées à l’aide des règles de conduite basées sur un vocabulaire
symbolique. Le réglage par la logique floue manipule des inférences avec plusieurs règles
floues appliquées à des variables linguistiques.

La spécificité de la commande floue réside dans le fait qu’il est possible de modéliser
le raisonnement humain. Quant à son intérêt, il apparaît clairement pour les systèmes mal
connus ou difficiles à décrire.

Ce type de commande simple à réaliser, est facilement adaptable aux conditions de

fonctionnement, avec en général un nombre peu élevé de règles floues pour décrire le
système, la coordination de plusieurs objectifs de commande est également possible
(systèmes multivariables). Une propriété fort intéressante caractérise également la
commande par logique floue, en effet elle est réputée comme robuste dans le cas de
systèmes variant dans le temps.

80
Chapitre III : Commande Floue en Vitesse de la MADA

D’autre part, les systèmes flous sont des approximateurs universels, comme l’a
montré L.X.Wang dans [45], [46] et B.KOSKO dans [47], ainsi pour toute fonction
continue f définie de Rn dans Rn et pour tout réel positif ε , il existe un système d’inférence
floue qui permet d’approximer la fonction f à ε près, et par conséquent grâce à cette
propriété et est envisageable de synthétiser des lois de commande non linéaires.

De plus les régulateurs basées sur les concepts de la logique floue peuvent avoir des
performances au moins aussi bonnes que les régulateurs classiques, en effet S.Gallichet et
al démontrent dans [48] et [49] qu’il existe un régulateur flou équivalent à tout régulateur
conventionnel en vertu du principe des équivalences modales.

III.3.2 Structure d’une commande à logique floue

La structure d’une commande basée sur la logique floue est illustrée sur la figure
suivante :

Base de connaissance

consigne + erreur Logique de prise

- Interface de Interface de sortie
-1
de décision Procédé
1-Z fuzzification défuzzification
(Bloc d’inférence)

Contrôleur flou

Figure III.5 : Structure de base d’une commande à logique floue.

Elle est composée de quatre blocs [41], [50] :

une interface de fuzzification à l’entrée,

une base de connaissance,

une logique de prise de décision (ou bloc d’inférence),

une interface de défuzzification en sortie.

81
Chapitre III : Commande Floue en Vitesse de la MADA

Le système à commander ne recevant que des valeurs déterministes (non floues), un

contrôleur à logique floue doit convertir des valeurs déterministes à son entrée en valeurs
floues, les traiter avec les règles floues et convertir le signal de commande en valeurs
déterministes pour les appliquer au procédé [41].

III.3.2.1 Base de connaissance

Elle est divisée en deux parties, la base de données et la base de règles et contient les
définitions des sous-ensembles flous d’entrée et de sortie, leurs fonctions d’appartenance,
leurs univers de discours et l’ensemble des règles de commande floues, qui doivent tenir
compte du comportement du système à régler et des buts du réglage envisagé [51].

a) Base de données

Elle fournit toutes les définitions nécessaires à l’élaboration des règles de commande
linguistiques et à la manipulation des données floues dans le contrôleur (univers de
discours, partitions floues, choix des opérateurs, …). Elle est caractérisée par des concepts
qui sont basés sur l’expérience et le jugement de l’expert.

La conception d’une base de règles requiert la définition de sous-ensembles flous

particuliers pour chaque univers de discours considéré, la définition de ces sous-ensembles
flous fait l’objet de la partition floue consistant à définir n sous-ensembles flous de façon à
recouvrir l’univers de discours U.

Plus le nombre de sous-ensembles est grand et plus la sensibilité de la commande

sera grande.

On introduit habituellement pour chaque variable, trois, cinq ou sept sous-ensembles

flous, et afin que ceux-ci soient centrés sur la valeur zéro on adopte en général un nombre
impair.

De plus un nombre plus élevé que sept est souvent inutile en terme de précision et le
temps de calcul devient trop grand [6].

En général les fonctions d’appartenance sont caractérisés à l’aide de symboles tels

que :

- NG : Négatif-Grand, - NM : Négatif-Moyen, - NP : Négatif-Petit,

- EZ : Environ-Zéro, - PP : Positif-Petit, - PM : Positif-Moyen,
- PG : Positif-Grand.

82
Chapitre III : Commande Floue en Vitesse de la MADA

Les distributions des fonctions d’appartenance peuvent être symétriques par rapport à
l’axe x = 0 et équidistantes, c'est-à-dire avec les maximas des ensembles flous équidistants
[52].

En cas de présence de non linéarité et afin d’obtenir un réglage optimal, on peut

choisir des distributions symétriques ou non, ou encore équidistantes ou non. La
distribution optimale est alors obtenue en faisant des essais successifs.

L’univers des discours est habituellement réduit en un univers normalisé à l’aide de

facteur d’échelles, encore appelés gains de normalisation permettant de changer la
sensibilité du contrôleur sans modifier sa structure.

b) Base de règles

Elle comporte les connaissances concernant le procédé présenté sous forme de règles
indicatives sur l’expérience et l’intuition des opérateurs humains en charge du procédé.
Elles sont élaborées lors d’un dialogue avec l’opérateur humain compétant ou d’une
modélisation quantitative du procédé [53].

Si l’on considère n univers de discours Ui pour les entrées d’un contrôleur flou, et
que chacun d’eux est partitionné en mi sous-ensembles flous, alors le nombre maximal de
règles est :
n
Rmax = ∏ mi (III.20)
i =1

Le nombre de règle est définit par l’expertise et peut être éventuellement inférieur à
Rmax, donc certaines configurations de sous-ensembles flous peuvent ne pas être considérée
car impossible à obtenir par le processus. Enfin, on peut remarquer qu’une augmentation
de la sensibilité de la commande floue obtenue par une partition fine des univers de
discours aboutit à un accroissement des règles à définir.

III.3.2.2 Interface de fuzzification

La fuzzification est l’étape qui consiste en la quantification floue des valeurs réelles
d’une variable, il s’agit donc de quantifier une valeur numérique à l’aide d’un terme
linguistique. Les opérateurs utilisés dans la commande floue agissent sur les sous-
ensembles flous, par conséquent, il est nécessaire de transformer les variables non floues
provenant des entrées en des sous-ensembles flous. Pour ce faire, on utilise un opérateur de
fuzzification qui associe à une mesure de la variable x0 une fonction d’appartenance µ x0 ( x) .

83
Chapitre III : Commande Floue en Vitesse de la MADA

La confiance que l’on accorde aux mesures effectuées guide le choix de l’opérateur
de fuzzification. Si la mesure est exacte, le sous-ensemble flou x0 doit être représenté par
un fait précis, on utilise alors comme opérateur de fuzzification la transformation dite
singleton.

En revanche, si la mesure de la variable est incertaine, par exemple à cause du bruit,

le sous-ensemble flou x0 doit être représenté par un fait imprécis, on utilise alors une
méthode de défuzzification qui associe à la variable mesurée x0 une fonction
d’appartenance, par exemple en forme de triangle. La base du triangle est fonction de
l’importance relative des erreurs de mesure [53].

III.3.2.3 Logique de prise de décision (Bloc d’inférence)

Le bloc d’inference est le cœur du controleur flou, il possède l’aptitude à simuler les
decisions humaines et de déduire (inferer) les actions de commande floue à l’aide de
l’implication floue et des règles d’inference [41].

À partir de la base de régle et des sous-ensemble flous correspondant à la

fuzzification de l’entrée, le mécanisme d’inférence calcule le sous-ensemble relatif à la
commande du systéme.

On distingue deux types de régles d’inférence [53] :

 inférence à une régle, c’est le cas où il faut comparer plusieurs concurrents (objets ou
personnes) dans une certaine situation et en choisir l’optimum. Cette situation se
présente dans les domaines non techniques pour lesquels il faut prendre une décision.

 inférence à plusieurs régles, c’est le cas où une ou plusieurs variables nécessitent

une prise de décision différente suivant les valeurs qu’elles atteignent. Cette situation
est caractéristique des problèmes de réglage et de commande pour lesquels les
variables floues ont plusieurs ensembles d’appartenance et plusieurs régles peuvent
être activer en même temps [54], [44].

Une règle d’inférence est activée lorsque le degré d’appartenance lié à la condition
de cette règle est non nul. Alors le chevauchement des fonctions d’appartenance implique
en général l’activation d’une ou plusieurs règles d’inférence en même temps.

a) Description des règles d’inférence

Les règles d’inférences peuvent être décrites de plusieurs façons,

84
Chapitre III : Commande Floue en Vitesse de la MADA

 Linguistiquement :

On écrit les règles de façon explicite comme dans l’exemple suivant,

SI (la température est élevée ET la vitesse est faible) ALORS la tension est grande
positive
OU
SI (la température est moyenne ET la vitesse est faible) ALORS la tension est
positive

 Symboliquement :

Il s’agit en fait d’une description linguistique où l’on remplace la désignation des

ensembles flous par des abréviations.

 Par matrice d’inférence :

Elle rassemble toutes les règles d’inférences sous forme de tableau. Dans le cas
d’un tableau à deux dimensions, les entrées du tableau représentent les ensembles
flous des variables d’entrées (température : T et vitesse : V). L’intersection d’une
colonne et d’une ligne donne l’ensemble de la variable de sortie définie par la règle.
Il y a autant de cases que de règles.

Exemple :

T
U
F M E
F Z P GP
V E Z Z P

Tableau III.1 : Les règles d’inférences floues.

Les règles que décrit ce tableau sont (sous forme symbolique) :

SI (T est F ET V est F) ALORS U=Z OU

SI (T est M ET V est F) ALORS U=P OU
SI (T est E ET V est F) ALORS U=GP OU
SI (T est F ET V est E) ALORS U=Z OU
SI (T est M ET V est E) ALORS U=Z OU
SI (T est E ET V est E) ALORS U=P

85
Chapitre III : Commande Floue en Vitesse de la MADA

Dans l’exemple précédent, on a représenté les règles qui sont activées à un instant
donné par des cases sombres :

SI (T est M ET V est F) ALORS U=P OU

SI (T est E ET V est F) ALORS U=GP

Il arrive que toutes les cases du tableau ne soient pas remplies, on parle alors de
règles d’inférences incomplètes. Cela ne signifie pas que la sortie n’existe pas, mais plutôt
que le degré d’appartenance est nul pour la règle en question.

b) Méthodes d’inférence

Il s’agit maintenant de définir les degrés d’appartenance de la variable de sorite à ses

sous-ensembles flous. Nous allons présenter les méthodes d’inférence qui permettent d’y
arriver.

Ces méthodes se différencient essentiellement par la manière dont vont être réalisés
les opérateurs (ici "ET" et "OU") utilisés dans les règles d’inférence.

Nous présentons les trois méthodes d’inférence les plus usuelles ; Max-Min, Max-
Produit et Somme-Produit :

Méthode d’inférence "Max-Min"

Cette méthode réalise l’opérateur "ET" par la fonction "Min", la conclusion

"ALORS" de chaque règle par la fonction "Min" et la liaison entre toutes les règles
(opérateur "OU") par la fonction "Max".

La détermination de cette méthode, dit

e Max-Min ou « Implication de Mamdani », est due à façon de réaliser les opérateurs
"ALORS" et "OU" de l’inférence.

Méthode d’inférence "Max-Produit"

Dans cette méthode, encore dite « Implication de Larsen », les opérateurs "ET" et
"OU" au niveau de la condition sont encore obtenue respectivement par la formation du
minimum et du maximum, l’opérateur "OU" liant les règles est également réalisé par la
formation du maximum.

La seule différence avec la méthode précédente réside dans la réalisation de

l’implication floue, ici l’opérateur "ALORS" est obtenu par la formation du produit.

86
Chapitre III : Commande Floue en Vitesse de la MADA

Méthode d’inférence "Somme-produit"

Dans cette méthode, encore dite « Implication de Larsen », les opérateurs "ET" et
"OU" au niveau de la condition sont encore obtenue respectivement par la formation du
minimum et du maximum, l’opérateur "OU" liant les règles est également réalisé par la
formation du maximum.

La seule différence avec la méthode précédente réside dans la réalisation de

l’implication floue, ici l’opérateur "ALORS" est obtenu par la formation du produit.

La fonction d’appartenance résultante s’obtient par la fonction de la somme moyenne

des deux fonctions d’appartenance partielles.

III.3.2.2 Interface de défuzzification

Par cette étape se fait le retour aux grandeurs de sortie réelles. Il s’agit de calculer, à
partir des degrés d’appartenance à tous les ensembles flous de la variable de sortie,
l’abscisse qui correspond à la valeur de cette sortie. Différentes méthodes sont utilisées :

• Méthode du centre de gravité :

C’est la méthode de défuzzification la plus courante. L’abscisse du centre de gravité

de la fonction d’appartenance résultant de l’inférence correspond à la valeur de sortie du
régulateur.

Cette abscisse est déterminée à l’aide de la relation suivante :

n

∑= x .µ i R ( xi )
x =
* i 1
n
(III.21)
∑= µ
i 1
R ( xi )

Le dénominateur correspond au moment de la surface et le numérateur à la

surface de la fonction d’appartenance résultante.

Avec les notations suivantes :

x* : abscisse du centre de gravité de l’ensemble flou de la variable de sortie liée à

la règle Ri,
n : nombre de règles,
µ R ( xi ) : degré d’activation de la règle Ri,

87
Chapitre III : Commande Floue en Vitesse de la MADA

Cette méthode de défuzzification exige un temps de calcul assez important, surtout

pour l'exécution en temps réel. Il apparaît que plus la fonction d'appartenance résultante est
compliquée, plus le processus de défuzzification devient long et coûteux.

• Méthode des hauteurs pondérées

Elle correspond à la méthode de centre de gravité quand les fonctions d’appartenance

ne se recouvrent pas.

L'abscisse du centre de gravité x* se calcule alors à l'aide de la relation :

n

∑= x .µ i R ( xi )
x =
* i 1
n
(III.22)
∑= µ
i 1
R ( xi )

Avec :

x* : abscisse du centre de gravité de l’ensemble flou de la variable de sortie liée à la

règle Ri ,
xi : degré d’appartenance de l’ensemble flou de la variable de sortie,

µ R ( xi ) : degré d’activation de la règle Ri,

n : nombre de règles,
Cette méthode est surtout utilisée quand les fonctions d’appartenance de la
variable de sortie sont des singletons.

• Méthode par valeur maximum

Cette méthode est beaucoup plus simple. La valeur de sortie est choisie comme
l’abscisse de la valeur maximale de la fonction d’appartenance.

La figure ci-dessous illustre le principe de la méthode.

Figure III.6 : Méthode de défuzzification par valeur maximum.

88
Chapitre III : Commande Floue en Vitesse de la MADA

III.3.3 Contrôleurs de types "MAMDANI" et "SUGENO"

Dans le domaine de la commande des systèmes, l’objectif d’un contrôleur flou est de
trouver une valeur numérique adéquate à appliquer au système à partir d’un ensemble de
variables physique.

Plusieurs types de contrôleurs ont été proposés, les plus utilisés sont :

• Le contrôleur de type "Mamdani"

C’est le premier contrôleur flou a avoir été développé et il est le plus employé
actuellement. Il est dit symbolique car caractérisé par une prémisse et une
conclusion symboliques (linguistiques) et donc nécessite une méthode de
défuzzification.

• Le contrôleur de type "Sugeno"

Il est dit procédural, en effet la prémisse seule est symbolique. La conclusion, qui
correspond à la commande, est directement définie sous une forme numérique
polynomiale par une combinaison linéaire des entrées.

III.4. Application de la logique floue pour le réglage de vitesse de la

MADA

Dans cette partie, nous allons nous intéresser au remplacement du régulateur PI

classique de vitesse du schéma de commande vectorielle présenté dans le chapitre
précédent par un régulateur de type PI flou. La commande ainsi obtenue est une commande
vectorielle indirecte dans laquelle nous avons exploité certaines caractéristiques du
système pour définir la loi de commande qui nous permet de garantir la validité du modèle
découplé et d'obtenir des performances dynamiques élevées.

III.4.1 Comportement du système

Il est indispensable d’étudier le comportement du processus à commander afin

d’obtenir une description qui sera à la base de l’expertise. Néanmoins il n’est pas
nécessaire d’en connaître le modèle mathématique, mais celui-ci étant disponible dans
notre cas, il nous servira afin de tester et modifier les réglages lors de la phase de
simulation.

89
Chapitre III : Commande Floue en Vitesse de la MADA

Considérons la réponse typique d’un système du deuxième ordre ou plus, lors de

l’application d’un échelon de vitesse, illustrée par la figure (III.6).

Ω 3
Ω*
7
2 4 6 8 10 11 12
9
5

0 t (s)

Figure III.7 : Réponse typique d’un système à un échelon de vitesse.

En repérant les points d’intersection entre le signal de consigne et la réponse, ainsi

que les points où celle-ci est maximale ou minimale, on peut déduire les actions
appropriées que doit imposer le contrôleur pour obtenir le minimum de dépassement et un
régime transitoire le plus faible possible.

De manière analogue, en observant l’erreur de vitesse ainsi que la variation de cette

erreur, notées respectivement E et dE, on peut obtenir des déductions identiques pour les
variations de la sortie dU que le contrôleur doit faire suivre au système à l’aide de la
trajectoire dans le plan de phase (E, dE) [6], [51].

III.4.1.1 Description du contrôleur flou

Après avoir énoncé les concepts de base et les termes linguistiques utilisés en logique
floue, nous présentons la structure d’un contrôleur flou.

Dans ce qui suit, nous nous intéressons principalement au régulateur de vitesse au

sein d’une commande vectorielle de la machine asynchrone à double alimentation.

La vitesse de référence peut être pilotée par un opérateur externe. La grandeur de

sortie de ce régulateur de vitesse est l’image du couple électromagnétique de référence que
l’ensemble commande-convertisseurs-machine doit générer. À flux constant, ce couple est
proportionnel au courant ISq* (courant ISq de référence) imposé en entrée à la boucle de
régulation de courant.

90
Chapitre III : Commande Floue en Vitesse de la MADA

Le schéma de base du régulateur flou repose sur la structure d’un régulateur

classique à la différence que l’on va retenir la forme incrémentale. Cette dernière donne en
sortie, non pas le couple ou le courant à appliquer mais plutôt l’incrémental de cette
grandeur.

Figure III.8 : Structure du contrôleur du type PI-flou.

Dans le schéma ci-dessus comme dans ce qui suit, nous notons :

E : l’erreur, elle est définie par :

E(k) = Ω*(k) - Ω(k) (III.23)

dE : la dérivée de l’erreur, elle est approchée par :

dE(k) = E(k) - E(k-1) (III.24)

et le signal de commande est déterminé par la relation suivante :

U*(k) - U*(k-1) + dU*(k) = Cem*(k) (III.25)

K e , K de , K du sont des gains de normalisation qui peuvent être constants (ou même
variables). Le choix adéquat de ces derniers permet de garantir la stabilité et d’améliorer
les performances dynamiques et statiques ciblées du système à régler [55].

On retrouve en entrée et en sortie du contrôleur flou des gains dits "facteur d’échelle"
qui permettent de changer la sensibilité du régulateur flou sans en changer la structure. Les
grandeurs indicées "n" sont donc les grandeurs normalisées à l’entrée et à la sortie du
contrôleur flou.

Les règles d’inférences permettent de déterminer le comportement du contrôleur flou.

Il doit donc inclure des étapes intermédiaires qui lui permettent de passer des grandeurs
réelles vers les grandeurs floues et vice versa; ce sont les étapes de fuzzification et de
défuzzification (figure III.8).

91
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.9 : Structure du régulateur flou.

III.4.2 Contrôleur flou de type MAMDANI

Après plusieurs essais de simulations nous avons choisis pour le contrôleur flou une
partition de l’univers de discours à cinq sous-ensembles flous et privilégiés les formes
triangulaires et trapézoїdale pour les fonctions d’appartenance. Ces choix sont illustrés sur
les figures (III.10) et (III.11).

µ ( En ), µ ( dEn )

NG N EZ P PG
1.0 1.0

En , dEn
-1.00 -0.70 -0.35 0 0.35 0.70 1.00

Figure III.10 : Fonctions d’appartenance des entrées normalisées.

µ (dU n )

NG N EZ P PG
1.0 1.0

dU n
-1.00 -0.70 -0.35 0 0.35 0.70 1.00

Figure III.11 : Fonctions d’appartenance de la variable de sortie.

92
Chapitre III : Commande Floue en Vitesse de la MADA

Pour le traitement numérique des inférences relatif au contrôleur flou, nous avons
adoptés pour la méthode « MAX-MIN » de Mamdani :

- opérateur ET : formation du minimum, - opérateur OU : formation du maximum,

- implication ALORS : formation du minimum, - agrégation : formation du maximum.

Les règles floues, permettant de déterminer la variable de sortie du régulateur en

fonction des variables d’entrées sont regroupées dans la table (III.2).

E
NG NP EZ PP PG
NG NG NG PN NP EZ
NP NG NP PN EZ PP

dE EZ NG NP EZ PP PG
PP NG EZ PP PP PG
PG EZ PP PP PG PG

Tableau III.2 : Matrice d’inférence.

Cette matrice doit être établie à partir d’une parfaite connaissance du comportement
du système à régler, ainsi que la connaissance de l’objectif du contrôle à atteindre. On
prend comme critère de défuzzification la méthode du centre de gravité.

III.5. Résultats de Simulation

Nous avons procédé à une série de simulation afin d’étudier le comportement du

contrôleur flou équipant l’ensemble [MADA + Onduleurs], munit de la commande
vectorielle directe. Les différentes simulations envisagées sont similaires à celles réalisées
au chapitre précédent.

Les résultats obtenus pour les différents tests de simulation, sont exposés sur les figures :

- III.12 et III.13 pour une réponse à un échelon de vitesse,

- III.14 pour un essai d’inversion du sens de rotation avec application d’une charge
nominale,
- III.15 et III.16 pour l’étude de l’influence de la variation du moment d’inertie,
- III.17 et III.18 pour l’étude de l’influence de la variation de la résistance rotorique,
- III.19 et III.20 pour l’étude de l’influence de la variation de la résistance statorique,

93
Chapitre III : Commande Floue en Vitesse de la MADA

- III.21 et III.22 pour l’étude de l’influence de la variation de l’inductance rotorique,

- III.23 et III.24 pour l’étude de l’influence de la variation de l’inductance statorique.

Enfin, les valeurs des gains du régulateur flou sont choisis après plusieurs tests
d’ajustement ( K e = 0.002, K de = 0.008, K du = 145 ).

III.5.1 Interprétations

Les résultats obtenus montrent, pour le contrôleur flou utilisé d’excellentes

performances, non seulement en poursuite mais aussi en régulation, avec un très bon suivi
de la vitesse de référence, une erreur statique nulle, et ceci dans tout les cas de profils
étudiés. Ceci se traduit par une erreur de poursuite bien inférieure à celle obtenue à l’aide
de la structure PI. On note également que l’orientation du flux rotorique est parfaitement
réalisée, de plus le couple électromagnétique développé reproduit de manière satisfaisante
sa référence Cem*, ceci montrant la parfaite adaptation du réglage floue à la commande
vectorielle. On remarque encore que malgré le fait que le contrôleur conventionnel PI soit
reconnu pour leur vitesse de réaction grâce à leur action proportionnelle, la commande
floue arrive, avec les réglages retenus à les surpasser lors des phases transitoires. La faible
sensibilité et le rejet des perturbations sont excellents, l’approche floue donne également
les meilleures performances en termes d’écart de vitesse et de temps de rejet. Pour ce qui
est de la robustesse vis-à-vis des variations paramétriques, l’examen de l’évolution des
réponses de la vitesse de rotation, lors des variations paramétriques, montre la supériorité
du contrôleur flou, et que malgré ces variations le comportement en poursuite et en
régulation reste remarquable. Mais comme pour la régulation avec le contrôleur PI, on
observe que :

- la variation du moment d’inertie n’influent que très peu sur l’orientation du flux,
mais affecte tout de même la vitesse ;

- la variation de l’inductance rotorique influe sur la vitesse, mais également sur

l’orientation du flux qui est altérée pendant les phases transitoires et
lors des perturbations.

Donc, le contrôle par la logique floue, malgré sa très bonne robustesse ne permet pas
de conserver le découplage, pendant les phases transitoires et pendant les perturbations de
charge lorsque l’inductance rotorique change.

94
Chapitre III : Commande Floue en Vitesse de la MADA
► Réponse à un échelon de vitesse

Figure III.12 : Réponse du système à un échelon de vitesse.

Figure III.13 : Réponse du système à différentes consignes de vitesse.

95
Chapitre III : Commande Floue en Vitesse de la MADA

► Test d’inversion du sens de rotation avec application d’une charge nominale

Figure III.14 : Réponse du système à un échelon de vitesse suivi d’une inversion du sens de rotation,
avec application et suppression du couple de charge.

► Test de robustesse vis-à-vis des variations paramétriques (moment d’inertie)

Figure III.15 : Test de robustesse pour une variation de J de +100%,

pour la commande floue en vitesse de la MADA.
96
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.16 : Zooms sur l’évolution de la vitesse pour une variation de J de +100 %,
pour la commande floue en vitesse de la MADA.

► Test de robustesse vis-à-vis des variations paramétriques (résistance rotorique)

Figure III.17 : Test de robustesse pour une variation de RR de +50%,

pour la commande floue en vitesse de la MADA.

97
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.18 : Zooms sur l’évolution de la vitesse pour une variation de RR de +50 %,
pour la commande floue en vitesse de la MADA.

► Test de robustesse vis-à-vis des variations paramétriques (résistance statorique)

Figure III.19 : Test de robustesse pour une variation de RS de +50%,

pour la commande floue en vitesse de la MADA.

98
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.20 : Zooms sur l’évolution de la vitesse pour une variation de RS de +50 %,
pour la commande floue en vitesse de la MADA.

► Test de robustesse vis-à-vis des variations paramétriques (inductance rotorique)

Figure III.21 : Test de robustesse pour une variation de LR de +20%,

pour la commande floue en vitesse de la MADA.

99
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.22 : Zooms sur l’évolution de la vitesse pour une variation de LR de +20 %,
pour la commande floue en vitesse de la MADA.

► Test de robustesse vis-à-vis des variations paramétriques (inductance statorique)

Figure III.23 : Test de robustesse pour une variation de LS de +20%,

pour la commande floue en vitesse de la MADA.

100
Chapitre III : Commande Floue en Vitesse de la MADA

Figure III.24 : Zooms sur l’évolution de la vitesse pour une variation de LS de +20 %,
pour la commande floue en vitesse de la MADA.

III.6. Conclusion

Dans ce chapitre nous avons exposé les principaux concepts théoriques de la logique
floue, puis après avoir décrit une structure d’une commande basée sur cette logique nous
avons explicité les notions de fuzzification, d’inférences floues et de défuzzification. Nous
avons ensuite réalisé la synthèse et l’évaluation d’un contrôleur de type PI flou à cinq sous-
ensembles de type "Mamdani". Les tests de simulation ont montré un comportement
satisfaisant de l’approche floue en régulation et en poursuite, sa supériorité par rapport au
contrôleur conventionnel de type PI a été mise en évidence par l’amélioration de la
dynamique, un meilleur rejet des perturbations et une meilleure robustesse face au
variation des résistances, de l’inductance statorique, ainsi que du moment d’inertie.

Cependant, lors de simulations avec variation des inductances rotorique et mutuelle,

on note que les performances de ce contrôleur de dégradent elles aussi. Ce qui nous
poussent à affirmer que les contrôleurs flous ont des performances vis-à-vis de la
robustesse assez remarquables, et ceci est dû à la nature adaptative que leur donne une
bonne distribution des fonctions d’appartenance sur l’univers de discours, mais bien que
caractérisé par cette faculté d’adaptation, ce contrôleur n’est pas lui-même un contrôleur
adaptatif [41].

101
Chapitre III : Commande Floue en Vitesse de la MADA

Enfin il faut noter deux inconvénients majeurs au contrôle par la logique floue :

- le premier étant l’absence de méthodes théoriques pour la synthèse des contrôleurs

flous ;
- le second est le manque d’outils théoriques formels appropriés pour l’étude de la
stabilité des systèmes contrôlés par la logique floue.

En conclusion nous citons les principaux avantages et inconvénients de la commande floue

[32], [44]:

Avantages :

- synthèse possible sans connaissance précise du modèle du procédé à commander,

- prise en considération de l’expertise de l’opérateur,
- possibilité de contrôle de procédés complexes, difficiles à modéliser et non
linéaires,
- obtention de meilleures performances dynamiques avec réglages adéquats,
- deux possibilités offertes à l’implantation en temps réel, soit logicielle (DSP,
microprocesseurs, PC), ou matérielle (processeurs spécifiques à la logique floue).

Inconvénients :

- l’absence de méthode théorique précise pour la synthèse (partition et position

relative des fonctions d’appartenance dans l’univers de discours, détermination de
la fuzzification, des inférences et de la défuzzification),
- approche empirique (prise en considération de l’expertise de l’opérateur souvent
difficile),
- manque d’outils théoriques pour la démonstration de la stabilité.

La différence entre une commande floue et une commande classique repose sur le
fait que la première exploite des informations qualitatives (règles floues) et la seconde
nécessite des relations analytiques (équations différentielles, équations aux différences)
pour décrire le comportement dynamique du système à commander.

102