Professional Documents
Culture Documents
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.
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.
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
1 Introduction
B
t z x
Degr d'appartenance 1 Fonction caractristique taille moyenne 0 1m60 1m80 Variable : taille
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 ).
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).
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 ).
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.
1 0,4 0 Faible
Taille
Entre
Fig. 7 : fuzzification
Taille petite et pas du tout moyenne Taille grande et pas du tout moyenne
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.
(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
10
20 Temprature
30
50 Humidit
100
Temprature leve
Humidit faible
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.
Fuzzification
Infrences
Dfuzzification
Valeurs numriques
Domaine flou
Valeurs numriques
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
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
Forte
Eleve
Grande
Pression
Temprature
Ouverture vanne
Moyenne
Eleve
Moyenne
Pression
Temprature
Ouverture vanne
Fig. 11 : implication
Si pression forte
ET
0,5
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
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
Grande
} = 0,3
17C Temprature Ouverture vanne
Min
Fig. 14 : implication
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
Forte
Eleve
Grande
Si pression moyenne
ET
temp. leve
ALORS
Moyenne
Eleve
Moyenne
17C Temprature
Ouverture vanne
Agrgation : MAXIMUM
Ouverture vanne
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
Schmatiquement, on peut reprsenter les zones daction des rgles et leur recouvrement dans le tableau de la figure 17 .
Pression
Eleve
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.
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 ;
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.
Dbit d'eau
Vitesse de dfilement
Mesure de turbidit
Faible
Ngative Positive
Var_Vit
4 Mise en uvre
Implmentation
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.
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.
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
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.
5 Applications du flou
Logique floue
Probabilits
Imprcision et gradualit
Incertitude
XX X
X XX XX
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
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.
Soufflerie
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
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 .
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.
ET teneur Nox
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.
ALORS quantit
bas normale leve basse normale leve basse normale bas bas normal normal normal haut haut
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
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
Techniques associes Interpolateur bote noire apprentissage Classification floue Ladder flou Base de rgles floues
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.
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 ?
d - simulation - validation
Fig. 30 : pour la logique floue, les automates Schneider disposent doutils de dveloppement conviviaux sur PC.
Annexe
Oprateurs entre ensembles flous Le tableau de la figure 31 prsente les diffrents oprateurs de ZADEH.
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
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.
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
Implication
Modus Ponens
Entres
Fuzzification
Dfuzzification
Sorties
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 (Min (A (x), A(x), B(y)) ) = Min (B(y), MAXx (Min (A(x), A(x)) )
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)