Collection Technique ..........................................................................

Cahier technique n 191

La logique floue

F. Chevrie F. Guly

Les Cahiers Techniques constituent une collection dune centaine de titres dits lintention des ingnieurs et techniciens qui recherchent une information plus approfondie, complmentaire celle des guides, catalogues et notices techniques. Les Cahiers Techniques apportent des connaissances sur les nouvelles techniques et technologies lectrotechniques et lectroniques. Ils permettent galement de mieux comprendre les phnomnes rencontrs dans les installations, les systmes et les quipements. Chaque Cahier Technique traite en profondeur un thme prcis dans les domaines des rseaux lectriques, protections, contrle-commande et des automatismes industriels. Les derniers ouvrages parus peuvent tre tlchargs sur Internet partir du site Schneider. Code : http://www.schneider-electric.com Rubrique : matrise de llectricit Pour obtenir un Cahier Technique ou la liste des titres disponibles contactez votre agent Schneider. La collection des Cahiers Techniques sinsre dans la Collection Technique du groupe Schneider.

Avertissement L'auteur dgage toute responsabilit conscutive l'utilisation incorrecte des informations et schmas reproduits dans le prsent ouvrage, et ne saurait tre tenu responsable ni d'ventuelles erreurs ou omissions, ni de consquences lies la mise en uvre des informations et schmas contenus dans cet ouvrage. La reproduction de tout ou partie dun Cahier Technique est autorise aprs accord de la Direction Scientifique et Technique, avec la mention obligatoire : Extrait du Cahier Technique Schneider n ( prciser) .

n 191
La logique floue

Franois CHEVRIE Entr Tlmcanique en 1987, il a rejoint le Service Automatique Avance de la Direction des Recherches en 1993. Ingnieur CNAM en Automatisme Industriel, il a ralis son mmoire sur lintgration de la logique floue dans les automates Schneider. Il a particip activement la ralisation de loffre produit logique floue pour la gamme dautomates Micro/Premium, et plusieurs mises en uvre de cette technique notamment dans lautomobile et en agroalimentaire.

Franois GULY Diplm de lcole Centrale de Paris en 1988, entr chez Tlmcanique, au Japon, en 1990, docteur en automatique en 1994, il est responsable du service Automatique Avance de Schneider depuis 1995. Il a particip llaboration de lextension vers la logique floue de la norme des langages pour automates programmables.

CT 191 dition mars 1998

Cahier Technique Schneider n 191 / p.1

Lexique

Activation : Voir degr de vrit. Base de connaissance : Ensemble des fonctions dappartenance et des rgles dun systme flou contenant lexpertise, la connaissance de loprateur, de lexpert, etc. Conclusion : Une conclusion de rgle est une proposition associant une variable linguistique et un terme linguistique crite aprs le alors de la rgle. Une conclusion peut tre forme par la combinaison de plusieurs propositions. Condition : Voir prdicat Dfuzzification : Transformation, aprs infrence, dun ensemble flou dune variable linguistique de sortie en valeur numrique. Degr dactivation : Voir degr de vrit. Degr dappartenance : Un lment x appartient un ensemble flou A avec un degr dappartenance compris entre 0 et 1, donn par la fonction dappartenance A(x). Degr de vrit : Le degr de vrit, ou encore degr dactivation, dune rgle prend une valeur y comprise entre 0 et 1 dduite des degrs dappartenance des prdicats de la rgle. Il influe directement sur la valeur des conclusions de cette mme rgle. On dit aussi que la rgle est active y. Ensemble flou : Dans la thorie classique des ensembles, cest la fonction caractristique qui dfinit lensemble : cette fonction ne prend que les deux valeurs discrtes 0 (llment nappartient pas...) ou 1 (...appartient lensemble). Un ensemble flou est dfini par une fonction dappartenance qui peut prendre toutes les valeurs relles comprises entre 0 et 1. Fonction dappartenance : Fonction A(x) qui toute valeur dentre x fait correspondre son degr dappartenance lensemble A. Cette valeur graduelle est comprise entre 0 et 1.

Fusion capteurs : Voir Fusion de donnes. Fusion de donnes : La fusion de donnes consiste extraire, partir de plusieurs donnes, une ou plusieurs informations pouvant tre de natures diffrentes. Exemple : des grandeurs R, V et B de la couleur dun biscuit, on dduit ltat de cuisson du biscuit. On parle galement de fusion capteurs. Fuzzification : Transformation dune valeur numrique en degr dappartenance flou par valuation dune fonction dappartenance. Infrence : Cycle de calcul des degrs dactivation de toutes les rgles de la base ainsi que de tous les ensembles flous des variables linguistiques se trouvant dans les conclusions de ces rgles. Prdicat : Appel encore prmisse ou condition, un prdicat de rgle est une proposition associant une variable linguistique et un terme linguistique crite entre le si et le alors de la rgle. Un prdicat peut tre form par la combinaison de plusieurs propositions. Prmisse : Voir Prdicat Singleton : Fonction dappartenance A(x) en bton , cest dire nulle pour tout x, sauf en un point singulier xo. Terme linguistique : Terme associ une fonction dappartenance caractrisant une variable linguistique. Variable linguistique : Variable numrique applique en entre, pour fuzzification, ou en sortie, aprs dfuzzification, dun module de logique floue. On lui attribue ladjectif linguistique car elle est utilise, dans les fonctions dappartenance et les rgles, par son nom et non pas par une valeur numrique.

Cahier Technique Schneider n 191 / p.2

La logique floue
Au dpart thorie, la logique floue saffirme comme une technique oprationnelle. Utilise ct dautres techniques de contrle avanc, elle fait une entre discrte mais apprcie dans les automatismes de contrle industriel. La logique floue ne remplace pas ncessairement les systmes de rgulation conventionnels. Elle est complmentaire. Ses avantages viennent notamment de ses capacits : c formaliser et simuler lexpertise dun oprateur ou dun concepteur dans la conduite et le rglage dun procd, c donner une rponse simple pour les procds dont la modlisation est difficile, c prendre en compte sans discontinuit des cas ou exceptions de natures diffrentes, et les intgrer au fur et mesure dans lexpertise, c prendre en compte plusieurs variables et effectuer de la fusion pondre des grandeurs dinfluence. Quel est lapport de cette technique dans la conduite dun processus industriel ? Quel peut tre limpact sur la qualit et le cot de fabrication du produit ? Aprs quelques notions thoriques de base, ce Cahier Technique rpond l automaticien et lutilisateur potentiel au travers dexemples industriels, en termes de mise en oeuvre et davantages concurrentiels.

Sommaire
1 Introduction 1.1 La logique floue aujourdhui 1.2 Historique de la logique floue 1.3 Intrt et utilisation de la logique floue pour le contrle 2 Thorie des ensembles flous 2.1 Notion dappartenance partielle 2.2 Fonction dappartenance 2.3 Oprateurs logiques flous 2.4 Rgles floues 3 Exemple didactique dapplication 3.1 Introduction 3.2 Prsentation de lexemple 3.3 Variables et termes linguistiques 3.4 Rgles et sorties 4 Mise en uvre 4.1 Quand peut-on utiliser les bases de rgles floues ? 4.2 Conception dune application 4.3 Exploitation dune application 4.4 Choix de la technologie de mise en uvre 4.5 Normes 5 Application du flou 6 Conclusion Annexe Bibliographie 5.1 Types dutilisations 5.2 Exemples de ralisations industrielles p. 4 p. 4 p. 5 p. 6 p. 6 p. 8 p. 9 p. 14 p. 14 p. 15 p. 15 p. 16 p. 16 p. 17 p. 17 p. 18 p. 19 p. 20 p. 24 p. 26 p. 28

Cahier Technique Schneider n 191 / p.3

1 Introduction

1.1 La logique floue aujourdhui

La logique floue, dans la plupart des applications actuelles, permet de prendre en compte toutes sortes de connaissances qualitatives de concepteurs et doprateurs dans lautomatisation des systmes. Elle suscite en France un intrt mdiatique depuis le dbut des annes 90. Les nombreuses applications dans llectromnager et llectronique grand public ralises notamment au Japon en ont t llment dclenchant. Machines laver sans rglage, camescopes anti-boug et de nombreuses autres innovations ont fait connatre le terme logique floue un large public. Dans lautomobile les transmissions automatiques, les contrles dinjection et danticliquetis, lair conditionn sont raliss sur des vhicules de srie grce la logique floue. Dans le domaine des processus de production, continue et par lots, et dans les automatismes (qui nous intressent essentiellement ici) les applications se sont galement multiplies. La logique floue sy dveloppe car il sagit dune approche essentiellement pragmatique, efficace et gnrique. On dit parfois quelle permet de systmatiser ce qui est du domaine de lempirisme, et donc difficile matriser. La thorie des ensembles flous fournit une mthode pertinente et facilement ralisable dans des applications temps rel ; elle permet de transcrire et rendre dynamiques les connaissances des concepteurs ou des oprateurs. Cet aspect adaptable et universel de la logique floue permet de sattaquer lautomatisation de procdures telles que la mise en route, le rglage de paramtres, pour lesquelles peu dapproches existaient auparavant. Ce Cahier Technique prsente la logique floue et son application dans le cadre des processus de production.

1.2 Historique de la logique floue

Apparition de la logique floue Le terme densemble flou apparat pour la premire fois en 1965 lorsque le professeur Lotfi A. Zadeh, de luniversit de Berkeley aux USA, publie un article intitul Ensembles flous (Fuzzy sets). Il a ralis depuis de nombreuses avances thoriques majeures dans le domaine et a t rapidement accompagn par de nombreux chercheurs dveloppant des travaux thoriques. Premires applications Paralllement, certains chercheurs se sont penchs sur la rsolution par logique floue de problmes rputs difficiles. Ainsi en 1975, le professeur Mamdani Londres dveloppe une stratgie pour le contrle des procds et prsente les rsultats trs encourageants quil a obtenus sur la conduite dun moteur vapeur. En 1978, la socit danoise F.L.Smidth ralise le contrle dun four ciment. Cest l la premire vritable application industrielle de la logique floue. Essor Cest au Japon, o la recherche nest pas seulement thorique mais galement trs applicative, que la logique floue connat son vritable essor. A la fin des annes 1980, cest dun vritable boum quil faut parler. Les produits grand public, machines laver, appareils photographiques et autres camescopes estampills fuzzy logic ne se comptent plus. Dans lindustrie, le traitement des eaux, les grues portuaires, les mtros, les systmes de ventilation et de climatisation sont touchs. Enfin, des applications existent dans des domaines trs diffrents tels que la finance ou le diagnostic mdical. A partir de 1990, cest en Allemagne que des applications apparaissent en grand nombre ainsi qu une moindre chelle aux USA. Enfin en France, la logique floue devient aujourdhui une ralit.

Cahier Technique Schneider n 191 / p.4

1.3 Intrt et utilisation de la logique floue pour le contrle

Intrt La logique floue trouve ses origines dans un certain nombre de constatations : c La connaissance que ltre humain a dune situation quelconque est gnralement imparfaite, v elle peut tre incertaine (il doute de sa validit), v ou imprcise (il a du mal lexprimer clairement). c Ltre humain rsout souvent des problmes complexes laide de donnes approximatives : la prcision des donnes est souvent inutile ; par exemple pour choisir un appartement, il pourra prendre en compte la surface, la proximit de commerces, la distance du lieu de travail, le loyer, sans pour autant avoir besoin dune valeur trs prcise de chacune de ces donnes. c Dans lindustrie ou les techniques, les oprateurs rsolvent souvent des problmes complexes de manire relativement simple et sans avoir besoin de modliser le systme. De mme, tout le monde sait quun modle mathmatique nest pas ncessaire pour conduire une voiture et pourtant une voiture est un systme trs complexe. c Plus la complexit dun systme augmente, moins il est possible de faire des affirmations prcises sur son comportement. De ces constatations viennent naturellement les dductions suivantes : c plutt que de modliser le systme, il est souvent intressant de modliser le comportement dun oprateur humain face au systme ; c plutt que par des valeurs numriques prcises, le fonctionnement doit tre dcrit par des qualificatifs globaux traduisant ltat approximatif des variables. Utilisation pour le contrle La logique floue est bien connue des automaticiens pour ses applications dans le contrle-commande de procds, appel alors couramment contrle flou . Tout comme un contrleur (ou correcteur) classique, le contrleur flou sinsre dans la boucle de rgulation et calcule la commande appliquer au procd suivant une ou plusieurs consignes et une ou plusieurs mesures effectues sur celui-ci. Les bases de rgles floues sont intressantes en commande car elles permettent : c de prendre en compte une expertise existante de nature qualitative, c de prendre en compte des variables que lon sait difficilement intgrer dans la boucle, c damliorer le fonctionnement de contrleurs classiques, par : v autorglage hors ligne ou en ligne des gains de ces contrleurs, v modification de leur sortie (feed forward) en fonction dvnements qui ne peuvent pas tre pris en compte par une technique classique. La capitalisation du savoir-faire Pour que lutilisation de rgles floues puisse tre envisage, il faut imprativement quil existe une expertise, un savoir-faire humain. Les bases de rgles floues napportent pas de solution quand personne ne sait comment fonctionne le systme ou ne peut le piloter manuellement. Lorsque ce savoir-faire existe et est transcriptible sous forme de rgles floues, la logique floue permet de le mettre facilement en uvre et le fonctionnement est facilement comprhensible par lutilisateur. Au-del de lautomatisation, la logique floue permet une relle capitalisation du savoir-faire du terrain, souvent recherche pour viter la perte du savoirfaire ou pour le dmultiplier dans lentreprise. Lors du recueil dexpertise, loubli inconscient dinformations, la difficult dexpliquer, la crainte de divulguer son savoir sont des obstacles souvent rencontrs. Cette tape doit donc tre prpare et mene avec soin, particulirement sur le plan humain. Dans les cas o une expertise humaine existe, lutilisation de rgles floues est envisageable, plus forte raison lorsque des imperfections entachent la connaissance du systme, lorsque celui-ci est trs complexe et que sa modlisation est difficile ou lorsque la faon de laborder passe par une vue globale de certains de ses aspects. Les rgles floues ne se substituent pas aux mthodes classiques dautomatique mais les compltent.

Cahier Technique Schneider n 191 / p.5

2 Thorie des ensembles flous

2.1 Notion dappartenance partielle

Dans la thorie des ensembles, un lment appartient ou nappartient pas un ensemble. La notion densemble est lorigine de nombreuses thories mathmatiques. Cette notion essentielle ne permet cependant pas de rendre compte de situations pourtant simples et rencontres frquemment. Parmi des fruits, il est facile de dfinir lensemble des pommes. Par contre, il sera plus difficile de dfinir lensemble des pommes mres. On conoit bien que la pomme mrit progressivement... la notion de pomme mre est donc graduelle. Cest pour prendre en compte de telles situations qua t cre la notion densemble flou. La thorie des ensembles flous repose sur la notion dappartenance partielle : chaque lment appartient partiellement ou graduellement aux ensembles flous qui ont t dfinis. Les contours de chaque ensemble flou (cf. fig. 1 ) ne sont pas nets , mais flous ou graduels .

B
t z x

Contour flou ou graduel

Contour net A : ensemble classique B : ensemble flou

x n'appartient ni A ni B y appartient totalement A z appartient totalement B t appartient partiellement B

Fig. 1 : comparaison dun ensemble classique et dun ensemble flou.

2.2 Fonctions dappartenance

Un ensemble flou est dfini par sa fonction dappartenance , qui correspond la notion de fonction caractristique en logique classique. Supposons que nous voulions dfinir lensemble des personnes de taille moyenne . En logique classique, nous conviendrons par exemple que les personnes de taille moyenne sont celles dont la taille est comprise entre 1,60 m et 1,80 m. La fonction caractristique de lensemble (cf. fig. 2 ) donne 0 pour les tailles hors de lintervalle [1,60 m ; 1,80 m] et 1 dans cet intervalle. Lensemble flou des personnes de taille moyenne sera dfini par une fonction dappartenance qui diffre dune fonction caractristique par le fait quelle peut prendre nimporte quelle valeur dans lintervalle [0, 1]. A chaque taille possible correspondra un degr dappartenance lensemble flou des tailles moyennes (cf. fig. 3 ), compris entre 0 et 1.

Degr d'appartenance 1 Fonction caractristique taille moyenne 0 1m60 1m80 Variable : taille

Degr d'appartenance 1 Fonction d'appartenance taille moyenne 0 1m72 Variable : taille

Fig. 2 : fonction caractristique.

Fig. 3 : fonction dappartenance.

Cahier Technique Schneider n 191 / p.6

Plusieurs ensembles flous peuvent tre dfinis sur la mme variable, par exemple les ensembles taille petite , taille moyenne et taille grande , notions explicites chacune par une fonction dappartenance (cf. fig. 4 ).

Petite 1 0,7 Moyenne Grande

Les fonctions dappartenance linaires par morceaux sont trs utilises car : c elles sont simples, c elles comportent des points permettant de dfinir les zones o la notion est vraie, les zones o elle est fausse, ce qui simplifie le recueil dexpertise. Ce sont des fonctions dappartenance de ce type qui seront utilises dans la suite de ce document. Dans certains cas, les fonctions dappartenance peuvent tre gales 1 pour une seule valeur de la variable et gales 0 ailleurs, et prennent alors le nom de fonctions dappartenance singletons . Un singleton flou (cf. fig. 6 ) dfini sur une variable relle (taille) est la traduction dans le domaine flou dune valeur particulire (taille de Paul) de cette variable (cf. annexe).

0,3 0 1,60 1,80 2 Taille (m)

Fig. 4 : fonction dappartenance, variable et terme linguistique.

Cet exemple montre la gradualit que permet dintroduire la logique floue. Une personne de 1,80 m appartient lensemble taille grande avec un degr 0,3 et lensemble taille moyenne avec un degr de 0,7. En logique classique, le passage de moyen grand serait brusque. Une personne de 1,80 m serait par exemple de taille moyenne alors quune personne de 1,81 m serait grande, ce qui choque lintuition. La variable (par exemple : taille) ainsi que les termes (par exemple : moyenne, grande) dfinis par les fonctions dappartenance portent respectivement les noms de variable linguistique et de termes linguistiques. Comme cela sera vu plus loin, variables et termes linguistiques peuvent tre utiliss directement dans des rgles. Les fonctions dappartenance peuvent thoriquement prendre nimporte quelle forme. Toutefois, elles sont souvent dfinies par des segments de droites, et dites linaires par morceaux (cf. fig. 5 ).

0 1,78 m Taille de Paul

Fig. 6 : fonction dappartenance singleton

Fuzzification - Degr dappartenance Lopration de fuzzification permet de passer du domaine rel au domaine du flou. Elle consiste dterminer le degr dappartenance dune valeur (mesure par exemple) un ensemble flou. Par exemple (cf. fig. 7 ), si la valeur courante de la variable entre est de 2, le degr dappartenance la fonction dappartenance entre faible est gal 0,4 qui est le rsultat de la fuzzification.

Taille tout fait moyenne Petite Moyenne Grande

1 0,4 0 Faible

Taille

Entre

Fig. 7 : fuzzification
Taille petite et pas du tout moyenne Taille grande et pas du tout moyenne

Fig. 5 : fonctions dappartenance linaires par morceaux.

On peut aussi dire que la proposition entre faible est vraie 0,4. On parle alors de degr de vrit de la proposition. Degr dappartenance et degr de vrit sont donc des notions similaires.

Cahier Technique Schneider n 191 / p.7

2.3 Oprateurs logiques flous

Ces oprateurs permettent dcrire des combinaisons logiques entre notions floues, cest--dire de faire des calculs sur des degrs de vrit. Comme pour la logique classique, on peut dfinir des oprateurs ET, OU, ngation. Exemple : Appartement Intressant = Loyer Raisonnable ET Surface Suffisante Choix des oprateurs Il existe de nombreuses variantes dans ces oprateurs (cf. annexe). Cependant, les plus rpandus sont ceux dits de Zadeh dcrits cidessous. Leur utilisation sera reprise dans lexemple didactique dutilisation dune base de rgles floues. Dans ce qui suit, le degr de vrit dune proposition A sera not (A). Intersection Loprateur logique correspondant lintersection densembles est le ET. Le degr de vrit de la proposition A ET B est le minimum des degrs de vrit de A et de B : Temprature Basse OU Pression Faible est donc vraie 0,7. Remarque : loprateur OU de la logique classique est bien respect : 0 OU 1 donne bien 1. Complment Loprateur logique correspondant au complment dun ensemble est la ngation.

(NON A) = 1 - (A)
Exemple : Temprature Basse est vraie 0,7 NON Temprature Basse, que lon utilisera gnralement sous la forme Temprature NON Basse , est donc vraie 0,3. Remarque : loprateur ngation de la logique classique est bien respect : NON(0) donne bien 1 et NON(1) donne bien 0. Ladder flou Le langage ladder, ou langage contacts, est trs utilis par les automaticiens pour crire des combinaisons logiques. Il permet en effet de les reprsenter graphiquement. Schneider a introduit lutilisation de la reprsentation ladder pour dcrire les combinaisons logiques floues. En voici un exemple, traitant du confort de lair ambiant : lair chaud et humide est inconfortable (transpiration excessive) ; de mme la respiration devient difficile dans un air froid et trop sec. Les situations les plus confortables thermiquement sont celles pour lequel lair est chaud et sec, ou froid et humide. Cette constatation physiologique peut tre transcrite par le ladder flou de la figure 8 correspondant la combinaison suivante : Confort bon = (Temprature faible ET Humidit forte) OU (Temprature forte ET Humidit faible) Elle reprsente une dfinition possible de la sensation de confort ressentie par une personne dans une ambiance thermique pour laquelle lair est immobile.

(A ET B) = MIN((A),(B))
Exemple : Temprature Basse est vraie 0,7 Pression Faible est vraie 0,5 Temprature Basse ET Pression Faible est donc vraie 0,5 = MIN(0,7; 0,5) Remarque : loprateur ET de la logique classique est bien respect : 0 ET 1 donne bien 0. Union Loprateur logique correspondant lunion densembles est le OU. Le degr de vrit de la proposition A OU B est le maximum des degrs de vrit de A et de B :

(A OU B) = MAX((A),(B))
Exemple : Temprature Basse est vraie 0,7 Pression Faible est vraie 0,5

Basse Eleve

Faible Forte Temprature basse Humidit forte Confort bon

10

20 Temprature

30

50 Humidit

100

Temprature leve

Humidit faible

Fig. 8 : ladder flou.

Cahier Technique Schneider n 191 / p.8

Classification floue La classification comprend en gnral deux tapes : c prparatoire : dtermination des classes considrer, c en ligne : affectation des lments aux classes. La notion de classe et densemble sont identiques sur le plan thorique. Il existe trois types de mthodes daffectation, selon le rsultat produit : c boolen : les lments appartiennent ou non aux classes, c probabiliste : les lments ont une probabilit dappartenance des classes boolennes, comme par exemple la probabilit quun patient ait la rougeole au vu des symptmes quil prsente (diagnostic), c graduelle : les lments ont un degr dappartenance aux ensembles ; par exemple,

une salade appartient plus ou moins la classe des salades fraches . Les mthodes de classification, quelles produisent un rsultat graduel, boolen ou probabiliste, peuvent tre mises au point partir : c dune exprience (cas du ladder flou mentionn prcdemment), c dexemples utiliss pour un apprentissage (par exemple dans le cas de classifieurs rseaux de neurones) c dune connaissance mathmatique ou physique du problme (par exemple le confort dune situation thermique peut tre valu partir dquations de bilan thermique). Les mthodes de classification graduelle (ou floue) permettent, notamment, de mettre au point des boucles de rgulation. Cest le cas dans lexemple de la cuisson industrielle des biscuits expos plus loin.

2.4 Rgles floues

La logique floue et lintelligence artificielle La logique floue a pour objectif de formaliser et de mettre en uvre la faon de raisonner dun tre humain. En cela, elle peut tre classe dans le domaine de lintelligence artificielle. Loutil le plus utilis dans les applications de logique floue est la base de rgles floues. Une base de rgles floues est compose de rgles qui sont gnralement utilises en parallle, mais peuvent galement tre enchanes dans certaines applications. Une rgle est du type : SI prdicat ALORS conclusion . Par exemple : Si temprature leve et pression forte ALORS ventilation forte et soupape grande ouverte . Les bases de rgles floues, tout comme les systmes experts classiques, fonctionnent en sappuyant sur une base de connaissance issue de lexpertise humaine. Il y a nanmoins de grandes diffrences dans les caractristiques et le traitement de cette connaissance. (cf. fig. 9 ). Une rgle floue comporte trois tapes fonctionnelles rsumes dans la figure 10 .
Entres Sorties

Fuzzification

Infrences

Dfuzzification

Valeurs numriques

Domaine flou

Valeurs numriques

Fig. 10 : traitement flou.

Prdicat Un prdicat (encore appel prmisse ou condition) est une combinaison de propositions par des oprateurs ET, OU, NON. Les propositions temprature leve et pression forte de lexemple prcdent sont combines par loprateur ET pour former le prdicat de la rgle.

Base de rgles floues Peu de rgles Traitement graduel Enchanement possible mais peu utilis

Base de rgles classiques (systme expert) Beaucoup de rgles Traitement boolen Rgles enchanes A OU B C, C D, D ET A E Rgles utilises une par une, squentiellement Pas dinterpolation, pas de contradiction

Rgles traites en parallle Interpolation entre rgles pouvant se contredire

Fig. 9 : base de rgles floues et base de rgles classiques.

Cahier Technique Schneider n 191 / p.9

Infrence Le mcanisme dinfrence le plus couramment utilis est celui dit de Mamdani . Il reprsente une simplification du mcanisme plus gnral bas sur limplication floue et le modus ponens gnralis . Ces concepts sont explicits en annexe. Seules les bases de rgles de Mamdani sont utilises dans ce qui suit. Conclusion La conclusion dune rgle floue est une combinaison de propositions lies par des oprateurs ET. Dans lexemple prcdent, ventilation forte et soupape grande ouverte sont la conclusion de la rgle. On nutilise pas de clauses OU dans les conclusions, car elles introduiraient une incertitude dans la connaissance (lexpertise ne permettrait pas de dterminer quelle dcision prendre). Cette incertitude nest pas prise en compte par le mcanisme dinfrence de Mamdani, qui ne permet de grer que des imprcisions. Les rgles floues de Mamdani ne sont donc a priori pas adaptes du diagnostic

de type diagnostic mdical pour lequel les conclusions sont incertaines. La thorie des possibilits, invente par Lotfi Zadeh, apporte dans ces cas une mthodologie adquate. De mme, la ngation est a priori interdite dans les conclusions pour des rgles de Mamdani. En effet, si une rgle avait par exemple la conclusion Alors ventilation non moyenne , il serait impossible de dire si cela signifie ventilation faible ou ventilation forte . Ce serait encore un cas dincertitude. Mcanisme dinfrence de Mamdani c Principe Une base de rgles floues de Mamdani comprend donc des rgles linguistiques faisant appel des fonctions dappartenance pour dcrire les concepts utiliss (cf. fig. 11 ) Le mcanisme dinfrence comprend les tapes suivantes : c Fuzzification La fuzzification consiste valuer les fonctions dappartenance utilises dans les prdicats des rgles, comme illustr par la figure 12 :

Si pression forte

ET

temp. leve ALORS

ouverture vanne grande

Forte

Eleve

Grande

Pression

Temprature

Ouverture vanne

Si pression moyenne ET temp. leve ALORS

ouverture vanne moyenne

Moyenne

Eleve

Moyenne

Pression

Temprature

Ouverture vanne

Fig. 11 : implication

Cahier Technique Schneider n 191 / p.10

Si pression forte

ET

temp. leve ALORS

ouverture vanne grande

0,5

Forte 0,3 2,5 bars Pression

Eleve

Grande

17C Temprature

Ouverture vanne

Fig. 12 : fuzzification.

c Degr dactivation Le degr dactivation dune rgle est lvaluation du prdicat de chaque rgle par combinaison logique des propositions du prdicat (cf. chap 2.3),

comme illustr figure 13 . Le ET est ralis en effectuant le minimum entre les degrs de vrit des propositions.

Si pression forte

ET

temp. leve ALORS

ouverture vanne grande

0,5 0,3 2,5 bars Pression

Min

} = 0,3
17C Temprature

Grande

Ouverture vanne

Fig. 13 : activation

c Implication Le degr dactivation de la rgle permet de dterminer la conclusion de la rgle, cest limplication. Il existe plusieurs oprateurs dimplication (cf. annexe), mais le plus utilis est le minimum . Lensemble flou de

conclusion est construit en ralisant le minimum entre le degr dactivation et la fonction dappartenance, sorte d crtage de la fonction dappartenance de conclusion (cf. fig. 14 ).

Si pression forte

ET

temp. leve ALORS ouverture vanne grande

Grande

0,5 0,3 2,5 bars Pression

} = 0,3
17C Temprature Ouverture vanne

Min

Fig. 14 : implication

Cahier Technique Schneider n 191 / p.11

c Agrgation Lensemble flou global de sortie est construit par agrgation des ensembles flous obtenus par chacune des rgles concernant cette sortie. Lexemple suivant prsente le cas o deux rgles

agissent sur une sortie. On considre que les rgles sont lies par un OU logique, et on calcule donc le maximum entre les fonctions dappartenance rsultantes pour chaque rgle (cf. fig. 15 ).

Si pression forte

ET

temp. leve

ALORS

ouverture vanne grande

Forte

Eleve

Grande

0,3 2,5 bars Pression 17C Temprature Ouverture vanne

Si pression moyenne

ET

temp. leve

ALORS

ouverture vanne moyenne

Moyenne

Eleve

Moyenne

2,5 bars Pression

17C Temprature

Ouverture vanne

Agrgation : MAXIMUM

Ouverture vanne

Fig. 15 : agrgation des rgles.

Dfuzzification A la fin de linfrence, lensemble flou de sortie est dtermin mais il nest pas directement utilisable pour donner une information prcise loprateur ou commander un actionneur. Il est ncessaire de passer du monde flou au monde rel , cest la dfuzzification. Il existe plusieurs mthodes, la plus souvent rencontre tant le calcul du centre de gravit de lensemble flou (cf. fig. 16 ).

Rgles libres et en tableau Les bases de rgles floues, dans leur cas gnral, sont donc dfinies par des fonctions dappartenance sur les variables du systme, et par des rgles qui peuvent tre crites textuellement. Chaque rgle fait appel des entres et des sorties qui peuvent tre diffrentes, comme le montre lexemple qui suit : R1 : SI temprature leve ALORS sortie leve R2 : SI temprature moyenne ET pression basse ALORS sortie moyenne R3 : SI temprature moyenne ET pression leve ALORS sortie basse R4 : SI temprature basse ET pression leve ALORS sortie trs basse

x(x)dx (x)dx
35,6 Ouverture vanne

Fig. 16 : dfuzzification par centre de gravit.

Cahier Technique Schneider n 191 / p.12

Schmatiquement, on peut reprsenter les zones daction des rgles et leur recouvrement dans le tableau de la figure 17 .

Pression

Eleve

Sortie trs basse

Sortie basse Sortie leve Sortie moyenne

Basse

c la premire rgle ne prend en compte que la temprature ; cette situation est tout fait normale dans la mesure o elle reflte correctement lexpertise existante. Beaucoup dapplications dfinissent cependant des tableaux de rgles. Dans cette optique, lespace est quadrill , et chaque case correspond une rgle. Cette approche a lavantage dtre systmatique, mais : c elle ne permet pas toujours de traduire simplement (en un minimum de rgles) lexpertise existante, c elle nest applicable que pour deux voire trois entres, alors que des bases de rgles libres peuvent tre bties avec un nombre important de variables. Remarques c Une base de rgles floues a un comportement statique non linaire par rapport ses entres. c Les bases de rgles floues ne sont pas dynamiques en elles-mmes, bien quelles utilisent souvent comme entres des variables traduisant la dynamique du systme (drives, intgrales, ...) ou le temps. c Le rgulateur PID flou , souvent prsent comme exemple didactique pour se faire une ide sur la logique floue, prsente comme intrt principal de raliser un PID non linaire, ce qui justifie rarement de lutiliser la place dun PID classique. Par ailleurs, il y a difficilement ici possibilit dintgrer une expertise.

Basse

Moyenne

Eleve

Temp.

Fig. 17 : implication reprsente en tableau.

On constate que : c tout lespace nest pas forcment couvert ; la combinaison temprature basse et pression basse nest pas ici prise en compte ; lexplication est par exemple que cette combinaison nest physiquement pas possible pour cette machine, ou quelle ne nous intresse pas ; il est prfrable de le vrifier car il peut sagir dun oubli ;

Cahier Technique Schneider n 191 / p.13

3 Exemple didactique dapplication

3.1 Introduction
La plupart des ralisations de logique floue font appel une connaissance spcialise pralable du domaine dapplication. Afin dtre accessible au lecteur, lexemple qui suit est bas sur une application fictive. Il est destin illustrer la dmarche de cration dune base de rgles floues.

3.2 Prsentation de lexemple

Il sagit dun procd de lavage de salades destin produire des salades pr-emballes pour les rayons frais des supermarchs. Les salades sont coupes, puis laves et enfin emballes. Ce lavage est destin dbarasser les salades de la terre ainsi que des microorganismes qui pourraient prolifrer pendant la dure de conservation du produit. Le fabricant souhaite automatiser le procd de lavage. Le lavage est ralis en continu. Les morceaux de salade sont placs dans des tambours qui se dplacent dans un tunnel comportant des buses permettant de pulvriser de leau chlore. Leau permet dvacuer la terre, alors que le chlore est destin tuer les microorganismes (cf. fig. 18 ). Les priorits suivantes ont t exprimes par le marketing et ordonnes selon leur importance : c Vis--vis du client v Garantir la qualit - Salades bien propres (apparence). - Absence de got de chlore. v Garantir la scurit - Niveau de micro-organismes acceptable. c Vis--vis de la rentabilit v Maximiser la production. v conomiser leau. v conomiser le chlore. Les oprateurs contrlant le procd manuellement ont lhabitude de regarder leau use en fin de lavage. Si cette eau est claire, ils en dduisent par exprience que les salades auront une apparence propre . On dcide donc dinstaller un capteur optique de turbidit permettant de dterminer le degr de transparence de cette eau. Dautre part, les oprateurs utilisent toutes les heures un rapport danalyse effectu dans lusine, et donnant le taux de micro-organismes dans des salades laves prleves en bout de chane, ainsi que leur taux en chlore rmanent. On souhaite donc utiliser ces informations pour contrler au mieux : c la vitesse de dfilement des salades (qui permet daugmenter le dbit de production), c la quantit de chlore pulvrise, c la quantit deau pulvrise. Des limites sont imposes : c sur la vitesse de dfilement, par la mcanique, c sur le dbit deau afin de ne pas abmer les feuilles.

Dbit d'eau

Dbit de chlore Tunnel

Tambour Mesure hors ligne du taux : - de chlore - de micro-organismes

Vitesse de dfilement

Eau use en fin de lavage

Mesure de turbidit

Fig. 18 : procd de lavage des salades.

Cahier Technique Schneider n 191 / p.14

3.3 Variables et termes linguistiques

On dcide donc de retenir les variables suivantes : c entres : v taux de micro-organismes : Taux_Micro v taux de chlore rmanent : Taux_Cl v turbidit de leau : Turbidit v vitesse de dfilement : Vitesse v dbit deau : D_Eau c sorties : v modification du dbit deau : Var_D_Eau v modification du dbit de chlore : Var_D_Cl v modification de la vitesse : Var_Vit Une sance avec un oprateur expriment, un spcialiste de microbiologie et un goteur de salades permet dobtenir les fonctions dappartenance suivantes (cf. fig. 19 ) :

Ngative Acceptable Elev Taux_CI

Positive Positive grande Var_D_Eau

Ngative Faible Forte Turbidit

Positive Positive grande Var_D_CI

Faible

Acceptable Elev Taux_Micro

Ngative Positive

Var_Vit

Non lev Elev D_Eau

Non leve Eleve Vitesse

Fig. 19 : fonctions dappartenance linaires par morceaux.

3.4 Rgles et sorties

Ecriture des rgles floues Une runion avec des oprateurs permet de dterminer les sept rgles suivantes, qui correspondent chacune un cas de figure donn (en italique) : SI Turbidit forte ET D_Eau non lev ALORS Var_D_Eau positive grande (salades mal laves) SI Turbidit forte ET D_Eau lev ALORS Var_Vit ngative (salades mal laves mais vitesse de bande leve) SI Taux_Micro lev ALORS Var_D_Cl positive grande (trop de micro-organismes) SI Turbidit faible ET Taux_Micro non lev ET Vitesse non leve ET Taux_Cl acceptable ET D_Eau non lev ALORS Var_Vit positive ET Var_D_Cl positive ET Var_D_Eau positive (tout va bien et il est possible daugmenter la production) SI Taux_Cl lev ET Taux_Micro non lev ALORS Var_D_Cl ngative (salades ayant un got chlor mais pas de micro-organismes) SI Vitesse leve ET Taux_Cl acceptable ET Turbidit faible ALORS Var_D_Eau ngative (tout va bien et la production est maximale : conomiser leau) SI Taux_Micro faible ALORS Var_D_Cl ngative (aucun micro-organisme : diminuer le chlore pour lconomiser) Dfuzzification Dans la mesure o on souhaite un comportement progressif de la base de rgles dans tous les cas et une interpolation entre les rgles, on choisit le centre de gravit comme oprateur de dfuzzification.

Cahier Technique Schneider n 191 / p.15

4 Mise en uvre

4.1 Quand peut-on utiliser les bases de rgles floues ?

Le choix des bases de rgles floues pour rsoudre un problme applicatif peut tre fait quand les conditions suivantes sont runies : c possibilit dagir sur le procd (contrlabilit), c existence dune expertise ou dun savoir-faire, c possibilit de mesurer ou dobserver les grandeurs importantes (entres et sorties), c expertise qualitative (si elle est mathmatique, lautomatique classique est favoriser), c expertise graduelle (si elle est boolenne, les systmes experts sont plus adapts).

4.2 Conception dune application

Choix des oprateurs Dans la plupart des applications, les bases de rgles de Mamdani sont utilises. Ce choix est adapt sauf si lexpertise comprend des indterminations. On choisit galement le plus souvent dutiliser des fonctions dappartenance trapzodales , car elles sont plus faciles implmenter, et car elles simplifient le recueil dexpertise. Les fonctions dappartenance de sortie sont le plus souvent des singletons, sauf quand les rgles sont enchanes. Une fonction dappartenance de sortie triangulaire signifie en effet une incertitude sur la sortie appliquer, et na pas beaucoup deffet sur linterpolation entre les rgles. Enfin, la dfuzzification est ralise par le centre de gravit pour la rgulation (on tient compte de toutes les rgles actives); lutilisation de la moyenne des maxima pour les problmes de prise de dcision, permet de trancher lorsque des rgles sont en conflit et vite daboutir une dcision intermdiaire. Mthodologie La conception dune base de rgles floues est un processus interactif. La plus grosse part de travail se trouve au niveau du recueil des connaissances. Un des intrts de la logique floue est la possibilit de valider la base de rgles auprs de ceux qui ont fourni lexpertise, avant de la tester sur un systme rel. La figure 20 illustre la dmarche employe. Recueil de connaissance Il peut tre dcompos en trois tapes : c lister les variables prendre en compte ; elles deviendront les variables linguistiques de la base de rgles ; c lister les grandeurs qualitatives prendre en compte, prciser quand elles sont vraies et fausses ; ces grandeurs deviendront les termes linguistiques de la base de rgles ; c exprimer comment ces concepts sont manipuls : quels sont les cas considrer, comment ils se caractrisent, comment agir dans chaque cas.

Niveau expertise mtier : - Expert - Oprateur - Concepteur

Recueil de connaissance Validation du principe Validation du fonctionnement

Niveau programmation : - Automaticien - Ladder / Grafcet

Interprtation sous forme de rgles et fonctions d'appartenance Tests boucle ouverte

Implmentation

Fig. 20 : mthodologie de conception.

Cahier Technique Schneider n 191 / p.16

La transcription sous forme de rgles floues est alors directe. Il convient cependant dcrire le moins de fonctions dappartenance et de rgles possible afin de limiter le nombre de paramtres quil faudra rgler par la suite et conserver une bonne lisibilit de la base. On constate quil est plus facile dajouter des rgles pour prendre en compte des situations nouvelles que den enlever. Validation de la base de connaissance Elle est conduite en plusieurs tapes : c prsentation de la base de rgles aux experts qui ont particip au recueil de connaissances et discussion : celle-ci permet didentifier des points qui navaient pas t abords, et de vrifier si les rgles sont comprhensibles par tous ; c simulation en boucle ouverte : les experts comparent le comportement de la base de rgles au comportement attendu daprs eux, sur des cas choisis lavance ;

c si le procd peut tre simul, on peut galement effectuer des simulations en boucle ferme. Mise au point Les bases de rgles ainsi crites donnent souvent satisfaction ds leur premier essai. Il arrive cependant que lon ait besoin de modifier ou de mettre au point la base de rgles. Les principes qui suivent permettent de se guider dans la recherche de la cause probable de lcart constat : c si le comportement du correcteur en boucle ferme est contraire ce quil devrait tre, certaines rgles sont probablement mal crites ; c si lon dsire optimiser la performance, il est en gnral prfrable de rgler au mieux les fonctions dappartenance ; c si le systme nest pas robuste, quil marche dans certains cas mais pas toujours, il est probable que tous les cas nont pas t pris en compte et quil faut ajouter des rgles.

4.3 Exploitation dune application

Le rle des oprateurs Le niveau dimplication des oprateurs pilotant une application faisant appel la logique floue est trs variable. On constate les cas suivants : c systme compltement autonome, lutilisateur final ne connat pas la logique floue et ne sait pas quelle est utilise, c la logique floue est une bote noire pouvant tre dbranche ou passe en mode manuel par loprateur, c loprateur est capable de modifier (rgler) les fonctions dappartenance en fonction de la situation et il le fait par exemple lors dun changement de production, c loprateur a une visibilit sur les rgles (par exemple leur degr dactivation) ; il comprend et sait interprter ce que la base de rgles fait ; par exemple quand la situation est exceptionnelle il peut prendre le pas sur la base de rgles ; c loprateur est le principal concepteur de la base ; les moyens de consigner lui-mme son savoir-faire et de valider le comportement obtenu lui ont t fournis. Les changements dans la production Lors de la vie de lapplication, la base de rgles doit pouvoir tre adapte aux changements du systme de production et des produits fabriqus. Ces changements peuvent tre de diverses natures : c les objectifs sont diffrents (temprature de cuisson...), par exemple du fait dun changement de produit fabriqu : il faut alors modifier les consignes ou les fonctions dappartenance dentre des rgles ; c les dimensionnements du systme sont diffrents : il faut alors modifier des fonctions dappartenance ; c la nature du systme a chang (par exemple portage de la base de rgles dune machine une autre) : il faut alors revoir les rgles et les fonctions dappartenance. Les changements les plus frquents sont du premier type et peuvent alors tre conduits par des oprateurs qualifis.

4.4 Choix de la technologie de mise en uvre

La plupart des applications qui existent aujourdhui sont ralises avec des platesformes matrielles courantes (microcontrleur, microprocesseur, automate, microordinateur...). De nombreux logiciels daide au dveloppement de bases de rgles floues ayant pour cibles microcontrleurs, automates programmables, microordinateurs entre autres, permettent de mettre en uvre rapidement des bases de rgles floues sans programmer. Il est possible de programmer directement les infrences floues (assembleur, langage C...). Cette solution a linconvnient dtre moins rapide en phase de prototypage et dexiger une comptence en programmation et une matrise des algorithmes utiliss en logique floue.

Cahier Technique Schneider n 191 / p.17

Pour les applications trs exigeantes en temps de rponse ou pour obtenir un prix de revient de grande srie trs bas, lutilisation de composants ddis la logique floue est intressante. Ceuxci se dveloppent car : c les oprations ncessaires pour effectuer des infrences floues sont lmentaires et ralisables en nombres entiers, c il est possible de raliser certaines oprations en parallle, c le calcul se droule par tapes successives, ce qui permet de raliser simplement des architectures pipeline. En particulier, de nombreux ASIC destins des marchs particuliers existent (automobile,

lectromnager...). Ils sont maintenant souvent intgrs lintrieur mme des microcontrleurs, mme de faible cot, o ils permettent dacclrer les infrences floues. La figure 21 illustre titre dexemple les besoins applicatifs que lon peut rencontrer en nombre de rgles (complexit de lapplication) et temps de cycle (rapidit), ainsi que les technologies utilisables (chiffres de 1993). Les rgles considres ici sont un prdicat et une conclusion. Le choix technico-conomique faire est donc un compromis entre la flexibilit apporte par les solutions logicielles, lconomie dchelle et la performance des solutions matrielles ddies.

Temps de cycles (s) 10

-7

10-6 10-5 10-4 10-3 10

-2

RISC 32 bits 16 bits 8 bits 4 bits

Traitement d'images Asservissement, automobile

10-1 1 10 10 10
2

Appareils photo Rgulation Machines laver Analyses financires Diagnostic mdical Nombre de rgles

10

100

1 000

10 000

Technologie micro-programmation

Technologie ASIC

Technologie analogique

Fig. 21 : performances des composants et domaines applicatifs.

4.5 Normes
Composants Labsence de normes est un des problmes majeurs qui retarde lutilisation de composants ddis la logique floue. Ils ne sont en effet pas compatibles entre eux, tant chacun le rsultat de choix effectus par les constructeurs. Logiciel Dans le domaine du logiciel, le manque de portabilit a retard galement la gnralisation de lutilisation de la logique floue dans lindustrie. Aujourdhui, un groupe de travail auquel Schneider participe activement, intgre la norme langage logique floue la norme langage des automates programmables (premier draft officiel de la norme IEC 61131-7 disponible en 1997). Dautres initiatives dans le domaine de la normalisation de la logique floue devraient en dcouler.

Cahier Technique Schneider n 191 / p.18

5 Applications du flou

5.1 Types dutilisations

Fonctions ralises Le tableau qui suit montre les fonctions le plus souvent ralises industriellement laide de systmes flous (X signifie utilisation possible, XX que la technique est bien adapte ce type de problme.). Les bases de rgles excellent l ou une interpolation et une action sont ncessaires, alors que les mthodes de classification sont adaptes pour les tches dvaluation et de diagnostic effectues en gnral en amont. Il arrive que des applications associent plusieurs de ces fonctions, en prservant la gradualit de linformation.
bases de rgles rgulation, commande rglage automatique de paramtres aide la dcision diagnostic contrle de qualit XX XX algorithmes de classification

Logique floue

Thorie des possibilits

Probabilits

Imprcision et gradualit

Incertitude

Expertise Rgles floues

Rseaux neuronaux Donnes

Automatique classique Modle

XX X

X XX XX

Fig. 22 : comparaison de la logique floue et dautres techniques.

Logique floue et autres techniques La logique floue est avant tout une extension, une gnralisation de la logique boolenne. Elle permet dintroduire une gradualit dans des notions auparavant soit vraies soit fausses. Les probabilits, sans remettre en cause la nature binaire des vnements (soit vrais soit faux), permettent de grer lincertitude de loccurrence de ces vnements. A la charnire entre ces deux approches, la thorie des possibilits (invente par Lotfi Zadeh) permet de prendre en compte la fois gradualit et incertitude (cf. fig. 22 ) . Les bases de rgles floues sont souvent compares pour les applications de commande / rgulation aux rseaux neuronaux et lautomatique classique. Ces trois approches ncessitent respectivement pour pouvoir tre appliques une expertise, des donnes servant lapprentissage, et un modle dynamique du procd. Leur comparaison nest possible que quand les trois sont simultanment disponibles, ce qui est

souvent le cas dans les tudes thoriques mais rarement en pratique ; si les trois sont disponibles, les aspects pratiques sont souvent prpondrants. En particulier, la logique floue peut tre prfre pour son intelligibilit par les oprateurs. Hybridation des techniques La logique floue est souvent utilise en combinaison avec dautres techniques. Ces associations sont heureuses quand chaque approche met en avant ses propres points forts. c Apprentissage de rgles floues ou neuroflou Les bases de rgles floues peuvent tre modifies en utilisant des mthodes dapprentissage. Les premires mthodes dites de selforganizing controller ont t mises au point ds 1974 et visaient modifier heuristiquement le contenu des rgles floues appartenant un tableau de rgles . Lexpertise elle-mme est modifie par lapprentissage, mais les fonctions dappartenance restent inchanges. Une deuxime approche plus souvent exprimente consiste modifier des paramtres reprsentatifs des fonctions dappartenance. A la

Cahier Technique Schneider n 191 / p.19

diffrence de la premire mthode, les rgles et la structure de lexpertise ne sont pas altres. La modification des paramtres des fonctions dappartenance est ralise en utilisant des mthodes doptimisation, par exemple des mthodes de gradient, ou des mthodes doptimisation globale telles que les algorithmes gntiques ou le recuit simul. Cette approche est souvent qualifie de neuroflou , en particulier dans le cas o le gradient est utilis. En effet, lutilisation du gradient pour optimiser ces paramtres sapparente la rtropropagation , utilise dans les rseaux neuronaux dits perceptrons multicouches pour optimiser les poids entre les couches du rseau de neurones. Une troisime approche (que lon peut qualifier doptimisation structurelle de la base de rgles) vise dterminer simultanment rgles et fonctions dappartenance par apprentissage. On conduit alors en gnral lapprentissage sans

rfrence une expertise. Les rgles obtenues peuvent alors thoriquement tre utilises pour aider btir une expertise. c Utilisation de logique floue combine lautomatique Une base de rgles floues fait parfois partie dun rgulateur. Lemploi de la logique floue pour simuler un terme proportionnel permet toutes sortes de non-linarits. Les cas particuliers de fonctionnement dgrad comme les surcharges, la maintenance ou les pannes partielles sont aisment intgrs. Une base de rgles floues est plus avantageusement utilise hors de la boucle de rgulation, en supervision dun rgulateur. Elle sert alors remplacer un oprateur pour ajuster les paramtres du rgulateur en fonction des conditions dexploitation de lasservissement.

5.2 Exemples de ralisations industrielles

La logique floue est maintenant admise comme faisant partie des mthodes courantes pour contrler les processus industriels. Lautomatique binaire et le rgulateur PID sont encore suffisants pour bien des applications ; mais de plus en plus la logique floue est reconnue et utilise pour ses atouts diffrenciateurs, notamment en matire de matrise de la qualit de production et des cots. En raison des avantages concurrentiels offerts par la logique floue dans certaines applications, lintgrateur ou lutilisateur final ne souhaitent gnralement pas en faire tat. Il y a dans ces applications tout un savoir-faire capitalis, ou bien un astucieux raccourci technique. La confidentialit est alors de mise. Cela explique quil na pas t possible de dtailler de la mme faon tous les exemples qui suivent. Station dpuration Pour la plupart, les stations dpuration modernes utilisent des procds biologiques (dveloppement de bactries dans des rservoirs ars) pour purifier les eaux uses avant de les rejeter dans lenvironnement naturel. La matire organique contenue dans leau de rejet est utilise par la bactrie pour crer ses constituants cellulaires. Celle-ci rejette du gaz carbonique (CO2) et de lazote (N2). De lair est insuffl dans les rservoirs. Lnergie utilise pour cette ventilation reprsente couramment plus de la moiti de lnergie globale consomme par la station. Pour assurer le dveloppement correct des bactries et lpuration, les concentrations de NH4 et O2 dans les rservoirs daration doivent tre troitement matrises ; dautant plus que pour rduire les cots dnergie, le dbit dair est maintenu au minimum compatible avec le processus biologique. Il faut rajouter ces exigences la prise en compte de quelques cas de fonctionnement particuliers, comme par exemple un dbit amont trs lev, circonstance extrme o les paramtres sont profondment modifis, et les performances dpuration dgrades. Bien quil existe des modles mathmatiques partiels de stations, aucun modle complet nest disponible, et la stratgie de pilotage de lensemble doit souvent tre dveloppe heuristiquement. Lemploi de la logique floue aujourdhui est assez frquent dans une station dpuration. La station de la figure 23 , situe en Allemagne, fonctionne depuis 1994. Le contrle flou a t ralis sur un automate programmable Schneider Modicon, grce ses modules fonctionnels standard de rgulation floue. Le concepteur souligne lintrt dutiliser la logique floue dans la rgulation : les exceptions, situations o la capacit dpuration est partiellement dgrade, sont traites simplement et sans discontinuit. Voici la mthode choisie pour introduire ces tats dexception dans une boucle de rgulation : Un terme proportionnel qui doit sadapter aux circonstances exceptionnelles est identifi dans la boucle de rgulation ; le terme proportionnel est dabord transcrit en logique floue, puis cet lment de logique floue insr dans la boucle de rgulation.

Cahier Technique Schneider n 191 / p.20

Soufflerie

Rservoirs de prcipitants pour les phosphates Recirculation

Poste de conduite et btiment d'exploitation

Btiment grille 10 11 4 7 6 5 3 2 1

8 9 Sortie

1 - Arrive des eaux uses 2 - Relevage mcanique entre 3 - Bassin de dessablement ventil 4 - Rigole Venturi 5 - Boues exdentaires 6 - Boues recycles 7 - Racleur boues 8 - Dcantation finale I 9 - Dcantation finale II 10 - Voies de nitrification 11 - Bassin de dnitrification

Fig. 23 : synoptique de la station dpuration.

Une fois les fonctions dappartenance convenablement ajustes, deux rgles suffisent dcrire ce rgulateur proportionnel : SI entre basse ALORS sortie basse. SI entre haute ALORS sortie haute. Une troisime rgle est rajoute la demande des oprateurs qui y trouvent une meilleure comprhension du fonctionnement :
Entre basse Entre moyenne Entre haute

SI entre moyenne ALORS sortie moyenne (cf. fig. 24 ). Une fois le terme proportionnel simul, les exceptions sont introduites sous forme dautres rgles, dpendant dautres combinaisons de variables dentre. Un exemple simple de cette possibilit est illustr par la figure 25 .

Sortie commande z Zone correspondant au rgulateur proportionnel Zone d'influence de l'exception

Sortie basse Sortie moyenne Sortie haute

Variable d'entre x Exception y

Fig. 24 : simulation dun terme proportionnel de rgulateur.

Fig. 25 : introduction dune exception dans un terme proportionnel.

Cahier Technique Schneider n 191 / p.21

Le tableau de la figure 26 prsente les rgles correspondant la recirculation. Le terme proportionnel est ralis partir de la variable dentre

teneur en NOx . Les deux variables dentre teneur O2 nitri , teneur O2 dnitri dfinissent une situation dexception dans la premire rgle.

SI teneur O2 nitri non basse

ET teneur O2 dnitri suprieure 0

ET teneur Nox

ALORS quantit recirculation basse

basse normale leve

basse normale lve

Fig. 26 : tableau de rgles de la fonction recirculation.

Voici un autre traitement utilisant la logique floue : une partie des boues qui se dposent dans le bassin aval est recycle et rinjecte en amont. Le tableau de la figure 27 prsente les rgles correspondant au recyclage des boues. La premire rgle traduit une exception, due un trop fort dbit amont. Dans ces conditions, un recyclage important amnerait une surcharge

accrue de linstallation. Ltat dexception est dtect par la turbidit leve, car les boues sdimentent peu cause du dbit trop lev. Pour mmoire, dautres fonctions de linstallation utilisent la logique floue : c injection dair, c gestion des boues excdentaires.

SI turbidit de leau vacue leve

ET quantit coule de boues recycles

ET niveau des boues

ALORS quantit

bas normale leve basse normale leve basse normale bas bas normal normal normal haut haut

basse basse normale leve normale leve normale leve

Fig. 27 : tableau de rgles de la fonction recyclage des boues.

Agro-alimentaire Lautomatisation des lignes de fours industriels pour la cuisson intresse les fabricants de biscuits autant en France quen Allemangne. Pour ce type de rgulation, une solution conventionnelle ne peut donner satisfaction cause des non-linarits, de la multiplicit et de lhtrognit des paramtres sensibles. La modlisation du processus de cuisson est complexe et incomplte. Cependant, des oprateurs entrans sont parfaitement mme de contrler correctement la cuisson en utilisant leurs connaissances empiriques.

Lexemple choisi est celui dune chane de production de biscuits apritifs. Un groupe franais a fait appel Schneider qui en collaboration avec lENSIA (Ecole Nationale Suprieure des Industries Agricoles et Alimentaires), a dvelopp une solution automatise. Les principales caractristiques mesurables dun biscuit sont sa couleur, son humidit et ses dimensions. Elles peuvent tre influences par les variations de qualit des constituants de la pte, des conditions dambiance, de la dure de sjour du biscuit dans le four... Ces influences

Cahier Technique Schneider n 191 / p.22

doivent tre compenses par le rglage des fours et la vitesse de dfilement des convoyeurs. La rgulation de la qualit de production dun procd agro-alimentaire de ce type peut tre dcompose selon les tapes fonctionnelles suivantes : c conditionnement et fusion de donnes, c valuation de grandeurs subjectives (lies la qualit), c diagnostic des carts de qualit, c prise de dcision. La logique floue permet ici de prendre en compte des grandeurs qualitatives tout au long de cette dcomposition et dutiliser lexpertise mtier existante. Des bases de rgles floues ont t utilises avec profit, conjointement dautres techniques (cf. fig. 28 ).

c Evaluation subjective La plupart des notions dfinissant la qualit dpendent de plusieurs variables. La qualit est value entre autres par la couleur, qui est tridimensionnelle, do lintrt de dfinir des fonctions dappartenance non boolennes plusieurs variables. Les algorithmes de classification, partir des variables dentre et de ces fonctions, fournissent les lments de diagnostic (dessus biscuit bien cuit, trop cuit...). c Diagnostic Le ladder flou a t utilis pour le diagnostic des carts de qualit constats sur les biscuits (cf. fig. 29 ). Le four comporte 3 sections. Le bilan de fonctionnement de lensemble est satisfaisant. Autres exemples

Fonctions Fusion capteurs Evaluation subjective Diagnostic Prise de dcision

Techniques associes Interpolateur bote noire apprentissage Classification floue Ladder flou Base de rgles floues

Fig. 28 : fonctions et techniques associes.

c Automatismes Les correcteurs G.P.C. (Global Predictive Controllers) sont trs performants, mais ncessitent le rglage de 4 paramtres N1, N2, Nu, l (horizons de commande , de prdiction, coefficient de pondration). Ce rglage est long et difficile, et ncessite habituellement un expert. La filiale NUM de Schneider dveloppe des commandes numriques et souhaitait utiliser des correcteurs G.P.C. dans ses futures ralisations.

Humidit biscuit forte

Dessous biscuit bien cuit

Dessus biscuit bien cuit

Temprature section 1 du four trop faible

Dessous biscuit un peu trop cuit

Dessus biscuit un peu trop cuit

Dessous biscuit beaucoup trop cuit

Dessus biscuit beaucoup trop cuit

Dessous biscuit pas assez cuit

Dessus biscuit pas assez cuit

Fig. 29 : ladder flou de diagnostic des carts de qualit.

Cahier Technique Schneider n 191 / p.23

Schneider a dvelopp pour elle une mthode de rglage automatique des paramtres de ces correcteurs. Celui-ci est effectu laide dune base de rgles floues. Une vingtaine de rgles suffisent pour assurer un rglage rapide et fiable des paramtres. Dautre part, la prsence dun spcialiste de contrle-commande, difficile assurer dans le contexte de linstallation dune commande numrique, nest plus ncessaire. c Automobile Renault et Peugeot (PSA) annoncent une bote de vitesse automatique qui grce la logique floue, sadapte au type de conduite de celui qui prend le volant. c Cimenteries La premire application industrielle de la logique floue, reprise ensuite par les autres

constructeurs, a t ralise par la socit F.L. Smidth Automation du Danemark dans la rgulation des fours ciment. Ce procd prend en compte de nombreuses variables, en particulier les influences climatiques sur le four qui mesure plusieurs dizaines de mtres. c Electromnager et lectronique grand public Principalement au Japon, de nombreuses applications atteignent le grand public. Par exemple, les camescopes numriques, ultralgers, sont trs sensibles au boug. La logique floue pilote le systme lectronique anti-boug de ces appareils.

6 Conclusion

c Classe parmi les techniques de lintelligence artificielle, la logique floue permet de modliser puis de remplacer lexpertise de conduite de processus, expertise en provenance du concepteur ou de lutilisateur. c Outil damlioration de la qualit, de la productivit, elle procure des avantages concurrentiels lindustriel en qute doptimisation technico-conomique. c Ce Cahier Technique a montr dans quels domaines cette approche intressante sappliquait avec profit. c Grce des automates adapts et des outils conviviaux, la logique floue est maintenant accessible tout automaticien dsireux daccrotre le champ de ses comptences et la performance de ses ralisations. De tels outils sont disponibles dans lenvironnement de dveloppement de certains automates programmables (cf. fig. 30 ).

Des possibilits dvaluations simples sont offertes par ces outils. c Une valuation limite la mise en concurrence avec les autres outils traditionnels du contrle na pas dintrt : ces outils, tels les rgulateurs PID, gardent leur place et leurs terrains dapplications. c La logique floue a ses domaines de prdilection o elle fait merveille, ds quentrent en jeu une expertise, une prise de dcision nuance, la prise en compte de phnomnes non-linaires, de paramtres subjectifs, voire des facteurs de dcision contradictoires. Un contact avec un spcialiste Schneider permettra un utilisateur ou un concepteur de trouver rponse au cas par cas, sa lgitime interrogation : Quels avantages dcisifs la logique floue apporterait-elle dans mon application ?

Cahier Technique Schneider n 191 / p.24

a - paramtrage du module de logique floue

c - criture des rgles

b - dfinition des fonctions dappartenance

d - simulation - validation

Fig. 30 : pour la logique floue, les automates Schneider disposent doutils de dveloppement conviviaux sur PC.

Cahier Technique Schneider n 191 / p.25

Annexe

Oprateurs entre ensembles flous Le tableau de la figure 31 prsente les diffrents oprateurs de ZADEH.

Oprateur de ZADEH AB A Intersection B

Opration logique

A AB = MIN (A, B)
ET

AB
AB A Union B

A AB = MAX (A, B)
OU

AB
_ A Ngation A
_ A

A
= 1 - A NON

_ A

Fig. 31 : oprateurs entre ensembles flous

Les fonctions dappartenance de sortie singletons Les fonctions dappartenance singletons sont souvent utilises comme fonctions dappartenance de sortie pour les rgles floues. En effet, elles permettent le mme effet dinterpolation entre les rgles que dans le cas des fonctions dappartenance triangulaires par exemple, pour des calculs beaucoup plus simples. Il nest pas ncessaire de calculer le maximum des fonctions dappartenance de sortie (agrgation) et le centre de gravit est galement simplifi. La figure 32 illustre ce calcul.

1 Basse Moyenne Haute Sortie Action

Fig. 32 : dfuzzification de fonctions dappartenance singletons.

Cahier Technique Schneider n 191 / p.26

Les infrences floues : Implication floue et Modus Ponens Gnralis Comme le montre la figure 33 , le mcanisme classique dinfrence par lavant ou modus ponens consiste partir de rgles, aussi appeles implications et dun mcanisme de dduction (le modus ponens) dduire des conclusions partir des faits observs. Limplication A B est considre vraie tant quelle nest pas infirme (A vrai et B faux) : voir figure 34 . Le modus ponens, sachant si limplication est vraie ou fausse, permet de dduire une conclusion B partir dune observation A. Le mme principe thorique peut tre gnralis en logique floue. Le schma gnral est donn par la figure 35 .

Rgles (implications)

Faits observs

Modus Ponens

Conclusions

Fig. 33 : principe de linterfrence par lavant.

A AB B 0 1 0 1 1 1 0 1 AB B' 0 0 1 0 0 A' 1 0 1

Implication

Modus Ponens

Fig. 34 : principe de limplication et du Modus Ponens.

Rgles (implications floues)

Entres

Fuzzification

Modus Ponens gnralis

Dfuzzification

Sorties

Fig. 35 : principe des interfrences floues.

Le mcanisme gnralisant limplication est appel implication floue . Il existe divers oprateurs dimplication floue, dont ceux mentionns ci-dessous : MAMDANI : AB = MIN (A, B) LARSEN : AB = A . B LUKASIEWICZ : AB = MIN (1,1 - A + B) Limplication floue fonctionne comme limplication classique, A et B tant des ensembles flous. Le mcanisme gnralisant le modus ponens est appel modus ponens gnralis . Il obit la formule qui suit et permet de dterminer un ensemble flou conclusion B. Le plus souvent, loprateur T utilis est le Minimum (appel oprateur de Zadeh).

o T : oprateur de modus ponens (t - norme), Loprateur de Lukasiewicz se comporte comme limplication classique quand on se restreint des valeurs boolennes. Ce nest pas le cas des oprateurs de Larsen et Mamdani, utiliss dans les bases de rgles de Mamdani. Ces oprateurs sont les plus largement utiliss car : - on constate leur bonne robustesse dans les applications. - les calculs sont considrablement simplifis et permettent une interprtation graphique simple (voir chap. 2.4). Les calculs sur lentre x et la sortie y sont dcoupls, comme le montre la formule suivante :

B(y) = MAXx (T(A(x), AB (x,y)) )

B(y) = MAXx (Min (A (x), A(x), B(y)) ) = Min (B(y), MAXx (Min (A(x), A(x)) )

Cahier Technique Schneider n 191 / p.27

Bibliographie

Normes IEC 61131-7 Programmable Controllers part 7 Fuzzy Control Programming. Ouvrages divers c Fuzzy models for pattern recognition, James C. BEZDEK & Sanker K. PAL, IEEE Press, 1992. c Fuzzy sets and systems : Theory and applications, D. DUBOIS, H. PRADE, Academic Press 1980, Mathematics in Sciences and Engineering vol. 144. c Evaluation subjective ; mthodes, applications et enjeux, les cahiers des clubs CRIN, club CRIN logique floue. c A.I. and expert system myths, legends and facts, M.S. FOX, IEEE Expert 02/90, pp 8-20, 29 rf. c La logique floue et ses applications, Bernadette BOUCHON-MEUNIER, AddisonWesley, 1995. Internet c http://pages.pratique.fr/~bmantel/pages/ logfloue.html (simple et didactique) c http://www.ipl.fr/ecam/laborato/ logique_floue.html (brve prsentation) c http://www.cs.nthu.edu.tw/~jang/nfsc.htm (bibliographie, liens vers ressources en anglais) c http://maxwell.univalle.edu.co/~paulo/fuzzy/ bibliografia.html (bibliographie) c http://mijuno.larc.nasa.gov/dfc/tec/fuzsysB.html (bibliographie)

Cahier Technique Schneider n 191 / p.28