Modélisation & Commande des Systèmes Industriels Complexes par les Techniques Intelligentes

La motivation principale de ce travail est la mise en oeuvre des capacités offertes par les TIA, en tant que systèmes hybrides améliorés, en vue de développer des approches pour la synthèse des lois de commande simples, efficaces et robustes. La formulation des problèmes de commande a été faite avec une combinaison des SIF, des RNA et des AG. Notre travail traite et explique, explicitement, les problèmes rencontrés dans la phase de conception des SIF. Il s’agit, essentiellement, de :
-Problèmes de dimensionnement de la base des règles floues du SIF (sa structure).
-Problèmes de configuration des paramètres de la base de connaissances.
-Problèmes de stabilité/robustesse de la boucle de contrôle.
Les travaux, présentés dans cette thèse, s’articulent, essentiellement, autour des principaux axes de la modélisation et de la commande floue du type TS1 pour des systèmes, fortement, non linéaires complexes.
En premier lieu, on vise à synthétiser une loi de commande floue stable et robuste. Pour satisfaire cet objectif, une stratégie de commande va être développée et proposée. Nous anticipons, aussi, l’emploi de la technique de l’hybridation neuronale floue. La structure RBF - floue étendue au raisonnement approximatif du type TS1 est, elle - aussi, proposée et utilisée. De plus, on envisage à développer un algorithme hybride efficace pour une optimisation structurelle et paramétrique du contrôleur RBF - flou proposé. Deux étapes d’apprentissage sont, aussi, évoquées :
-Une optimisation globale, basée sur un algorithme de type AG multiobjectif, de l’ensemble structure & paramètres du réseau contrôleur va être développée et appliquée.
-L’utilisation de la technique de la descente du gradient est anticipée pour un réglage plus fin des paramètres des conséquences des règles.
La simplicité de la loi de commande, l’efficacité, la stabilité et la robustesse vont être considérées comme facteurs intervenant dans le critère des performances à optimiser.
En seconde phase, notre recherche consiste à développer une méthodologie de synthèse permettant la prise en compte, explicite et simultanée, de plusieurs spécifications structurelles et fonctionnelles. Le concept du multimodèle est exploité pour la synthèse d’une loi de commande floue tout en assurant la stabilité en BF. L’idée consiste à déterminer un ensemble réduit de règles avec la définition des zones de fonctionnement (fonction d’appartenance) pour chaque variable d’état du système. Autour de ces zones sera établi le multimodèle par la linéarisation du modèle de système. Cette phase représente la modélisation floue du système non linéaire. Le comportement global résulte de la « fusion » par le formalisme de TS de l’ensemble des comportements locaux. Les AG représentent l’outil d’optimisation intervenant dans toutes les étapes de synthèse de la loi de commande. L’algorithme développé dans cette contribution consiste en :
-Simulation du comportement du procédé à étudier.
-Initialisation de la base des règles réduite.
-Modélisation floue du procédé par l’approche multimodèle.
-Etablissement des conditions de stabilité du modèle complet par l’approche énergétique de Lyapunov.
L’approche génétique est adaptée dans cette dernière étape. La méthode LMI est remplacée par une exploration génétique de l’espace de recherche des paramètres justifiant les conditions de la stabilité.
Pour chaque structure de commande, des résultats de simulation vont être présentés pour montrer et justifier les performances désirées. La validation de nos résultats sera confrontée à ceux obtenus par d’autres techniques citées en références.
Our work milked and explains, explicitly, the problems encountered in the design phase of the fuzzy systems. It acts, primarily, to solve :
-Problems of dimensioning of the rule of the fuzzy systems (its structure).
-Problems of parameters configuration of the fuzzy knowledge base.
-Problems of stability/robustness of the control loop.
The work, presented in this thesis, is articulated, primarily, around the principal axes of the fuzzy modelling and the fuzzy controllers of TS1-type for the strongly, nonlinear complexe systems.
Initially, we aim to synthesize a law of stable and robust fuzzy controller. To satisfy this objective, a control strategy will be developed and proposed. We anticipate, also, the use of the technique of fuzzy neural networks hybridization. The fuzzy RBF topology extended to the approximate TS1 - t