P. 1
Projet Logique Floue

Projet Logique Floue

|Views: 556|Likes:
Published by Othmane Ajdi
régulation par logique floue
régulation par logique floue

More info:

Categories:Book Excerpts
Published by: Othmane Ajdi on Sep 08, 2013
Copyright:Attribution Non-commercial
List Price: $9.99 Buy Now

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
See more
See less

04/01/2015

$9.99

USD

pdf

text

original

Sections

  • Remerciements
  • Résumé
  • Cahier des charges
  • Sommaire
  • Introduction
  • CH 1 : Régulateur P.I.D
  • 1.1. Présentation
  • 1.2. L’action Proportionnelle
  • 1.3. L’action intégrale
  • 1.4. L’action Dérivée
  • CH 2 : Régulation par logique Flou
  • 2.1. Présentation
  • 2.2. Fonctions d’appartenances
  • 2.3. Les opérateurs de la logique floue
  • 2.4. Univers de discours et classes d'appartenance
  • 2.5 Schéma d'une commande floue
  • 2.5.1.Fuzzyfication:
  • 2.5.2. Méthodes d’inférence Floue :
  • 2.5.3. Défuzzyfication :
  • CH 3 : Régulation de la température
  • 3.2. Régulation par logique Flou à une seule entrée
  • 3.3. Régulation par logique Flou à deux entrées
  • CH 4 : Régulation d’une machine à courant continu
  • 4.1. Modèle électrique de la machine à courant continu
  • 4.2. Implémentation du correcteur P.I.D dans la boucle de régulation de la MCC
  • Perspective :
  • Conclusion
  • Références Bibliographiques
  • Liste des figures
  • ANNEXE

Régulation par logique Flou

Réalisé par :

Encadré par :

 

Mr. ESSADKI

Réalisé par : AJDI Othmane

Année Universitaire : 2011/2012

Remerciements

Au terme de mon travail je tiens à remercier Mr. SADKI d’avoir proposé ce thème et de m’avoir suivi durant ce projet, ainsi qu’à tous les professeurs qui nous ont enseignés durant notre formation universitaire.

Je remercie également mes parents pour leur soutien moral et financier durant nos études. A tous mes collègues, amis et tous ceux qui m’ont aidé et soutenu de près ou de loin.

2

Résumé
La majorité des processus industriels nécessitent de contrôler un certain nombre de paramètres: température, pression, niveau, débit, pH, concentration d’oxygène, etc. Il appartient à la chaîne de régulation (et plus généralement à la chaîne d’asservissement) de maintenir à des niveaux prédéterminés les paramètres qui régissent le fonctionnement du processus. Nous avons divisé le rapport suivant, selon 5 chapitres qui se résument dans ce qui suit : Dans le premier chapitre, des notions générales sur les le régulateur P.I.D tout en détaillant les différents types (P, I, D, PI, PD et P.I.D). Le deuxième a été consacré à l’étude du régulateur par logique et ça à porter sur son principe de fonctionnement et les différents domaines d’applications où on le trouve.

On ce qui concerne le troisième chapitre ça a porté sur la régulation de température d’une serre avec un régulateur P.I.D et régulateur Flou avec une puis deux entrées.

Pour le quatrième chapitre, j’ai réalisé un modèle électrique d’une machine à courant continu, puis j’ai implémenté les deux régulateurs (P.I.D et FLOU) sous MATLAB, à savoir la réalisation su schéma de principe.

La dernière partie ‘ comme étant une perspective’ a porté sur la comparaison des deux régulateurs (P.I.D et FLOU) lors d’une boucle de régulation d’un système non linéaire.

3

Objectifs du projet : Il s’agit de réaliser un régulateur par logique Flou sur différents type d’applications tout en comparant les résultats obtenu par ce dernier avec un traditionnel régulateur à savoir un régulateur P.Cahier des charges  Présentation général . Intégral.I.Contexte : Ainsi et comme chaque année.par régulateur P.par régulateur Flou. . .par régulateur Flou à une seule entrée. 4 . .I. . Dériver).Perspective :  Régulation par logique Flou de la vitesse d’une machine à courant continu avec un retard.D.D.  Régulation de la vitesse d’une machine à courant continu : .D (Proportionnel.par régulateur Flou à deux entrées. .I. En résumé. on est demandé de réaliser un projet de fin d’année à but pédagogique et qui répond aux normes de notre spécialité.par régulateur P. les caractéristiques du projet sont les suivantes:  Régulation de température d’une serre : .

......................................................................2 Fonctions d’appartenances .......1........I..............I.. 28 2....................................................................................................................5................. 18 2....................... 30 CH 3 : Régulation de la température.................... 19 2...................................................................................................................................................Sommaire Remerciement .............5......................7 CH 1 : Régulateur P........5........................ Les opérateurs de la logique floue...........Modèle électrique de la machine à courant continu ..............11 1............................5.............................D .............................2.............................................................. 25 2................................4 Sommaire........35 CH 4 : Régulation d’une machine à courant continu ...................................... L’action dérivée ...................................................1......................................4....................D ....................4 Univers de discours et classes d'appartenance .. 3 Cahier des charges ......................3....................10 1........... 26 2..........................................1....... Présentation ................ 39 5 ...9 1........Régulation par logique Flou à deux entrée ...........3............................32 3.................................................................D dans la boucle de régulation de la MCC ....................................... Schéma d'une commande floue.....................................................................................3.............Régulation par logique Flou à une seule entrée ..................... Méthodes d’inférence Floue .............2............3..............................37 4...........33 3..................................................................................... Fuzzyfication .......................Régulation par P.............................................................................. 32 3................................................................................................. Défuzzyfication ............................................................................................................................................... L’action proportionnelle ......................................................1....... 24 2....................................................................................................5 Introduction ………… ..........................Implémentation du correcteur P..12 1....................I.............................................L’action intégrale ................... Présentation ...............................................17 2.................................... 37 4..................................... 13 CH 2 : Régulation par logique Flou ....... 17 2..................2......2.................................1.......... 9 1...................................................................................................................... Calcul des coefficients ..5............... 2 Résumé ...........................

.......... 59 6 ................................................D ....................................................................................................................................................................I...... 44 Perspective ..............4............................................................3....................................Implémentation du correcteur Flou dans la boucle de régulation de la MCCet comparaison de ce dernier avec le correcteur P..................................................................... 55 Liste des figures ................................................................................................................................................. 56 ANNEXE ............... 52 Conclusion ................. 54 Références Bibliographiques .............................

L'automatique permet l'automatisation de différentes tâches de fonctionnement des machines et des chaines industriels. En cas de non-concordance des valeurs de mesure et des valeurs de consigne. il est indispensable de maîtriser certains paramètres physiques (vitesse. il est donc très souvent nécessaire d’avoir recours à une commande. l’intégrale pour la précision. L'objectif est d'être robuste. Kd et Ti. moteur.) …etc. en particulier les moteurs électriques. de l'analyse. car il permet de réaliser plusieurs opérations sans l’intervention de l’être humain. et la dérivée pour la stabilité. en particulier dans le domaine industriel. angle.. et afin d'obtenir une réponse adéquate du procédé et de la régulation. Le substantif « automatique » a été utilisé pour la première fois en 1914 dans un article « Essai sur l’Automatique » publié dans une revue scientifique. l’organe de régulation envoie un signal de commande à l’organe de contrôle (vanne. La commande PID (Proportionnelle-Intégrale-Dérivée) est une méthode qui a fait ses preuves et qui donne de bons résultats. mais il reste peu utilisable pour les systèmes à faible réglabilité..etc. par exemple : convoyeurs industriels à navettes indexées. l’organe de régulation et l’organe de contrôle.). d’où est le plus répondu dans notre vie quotidienne. De nos jours. de la commande et de la régulation des systèmes dynamiques. Il faut donc commencer par mesurer les principales grandeurs servant à contrôler le processus. et jamais utilisable 7 . Cette discipline traite de la modélisation. plus communément appelées valeurs de consigne. Il faut pour cela limiter le ou les éventuels dépassements. . grâce à l’action proportionnelle qui améliore la rapidité.. Kuka. l'automatique fait partie des sciences de l'ingénieur. c’est-à-dire rapides (temps de montée : tm) relativement au temps de retard (retard pur : tr + temps de décollement : td) : tm tr +td < 4 . la théorie du signal et l'informatique théorique.. pour de divers besoins. Parmi ces sciences en pleine expansion et intégrant rapidement l’apport des technologies modernes. pilotage automatique de l’avion (auto-pilot). Elle a pour fondements théoriques les mathématiques. on compte l’automatique. Dans la plupart des processus industriels.Introduction La technologie moderne a permis le développement des sciences tout en imposant l’exploration de domaines théoriques de plus en plus complexes. Toute chaîne de régulation (ou d’asservissement) comprend trois maillons indispensables: l’organe de mesure. asservissement d’angle pour des bras robotiques (ABB. Le réglage d'un PID consiste à déterminer les coefficients Kp. etc. Les paramètres qui régissent le processus sont ainsi stabilisés en permanence à des niveaux souhaités. L’organe de régulation récupère ces mesures et les compare aux valeurs souhaitées. position.). afin que celui-ci agisse sur le processus. rapide et précis. On parle alors de système asservi ou régulé.

8 .pour les systèmes fortement non linéaires ou pour les systèmes multi variables (non découplés). C’est pour cette raison qu’on a fait appel à la régulation par logique Flou (nouvelle tendance) qui permet d’avoir une gouvernabilité total sur le système quel que soit sa nature (linéaire ou non).

D 1.I. la tension. mais nous n'allons pas tous les décrire ici. intégral et dérivé’) est une méthode de régulationsouvent employée pour les asservissements. Présentation Le contrôle par PID (pour ‘proportionnel.CH 1 : Régulateur P. Mais peu importe. il n'atteint plus la consigne des 130Km/h et rajoutera un petit coup de ‘boost’. dans une voiture sur l'autoroute. l'angle. La commande de vitesse de croisière de votre voiture devrapar elle-même maintenir cette vitesse. l'idée sousjacente reste la même. Vous souhaitez rouler à 130Km/h sans avoir à appuyer sur l'accélérateur.. Le PID est le régulateur le plus utilisé dans l'industrie.Imaginez.. Il existe aussi d'autres méthodes pour traiter l'asservissement comme le LQR (pour un ‘régulateur linéaire quadratique’). À l'approche d'une pente le système ‘s'aperçoit’ que pour une même puissance au niveau du moteur. Par exemple dans le cas d'un asservissement en position l'erreur serait : 9 . par exemple.c'est un système. Oui mais de combien ? Et combien de temps ilfaudra au système pour se stabiliser autour de la consigne ? C'est tout le problème de l'asservissement et le contrôle par PID est un moyen de le résoudre ! Il existe beaucoup d'autres exemples d'asservissements qui utilisent d'autres variables pour leur système comme la vitesse. L'idée de cet organe de contrôle est de modifier intentionnellement la valeur de l'erreur qui subsiste entre la consigne et la mesure effectuée.1. Vous ne savez pas ce qu'est un asservissement ? Et bien. la position. capable d'atteindre et de maintenir une consigne grâce aux mesures qu'il effectue.

ɛ(t) Dans le domaine de Laplace : Consigne(p)= Kp.ɛ(p) L'idée étant d'augmenter l'effet de l'erreur sur le système afin que celui-ci réagisse plus rapidement aux changements de consignes. Consigne(t)= Kp. plus la réponse l'est aussi. Plus la valeur de Kp est grande. L’action Proportionnelle Dans le cas d’un contrôle proportionnel.2. la stabilité du système s'en trouve détériorée et dans le cas d'un Kp démesuré le système peut même diverger. En revanche.1. Figure 1. l’erreur est virtuellement amplifiée d’un certain gain constant qu’il conviendra de déterminer en fonction du système. Réponse échelon pour un asservissement de position 10 . la régulation proportionnelle consiste à contrebraquer rapidement pour rétablir la voiture. Si l'on prend l'exemple d'une voiture qui dérive.

par conséquent. 11 . plus l’erreur statique est corrigée. Figure 2. Le terme intégral permet ainsi de compenser l’erreur statique et fournit. Il subsiste une erreur statique. Le terme intégral consiste à rajouter un petit coups de contre braquage afin de se rétablir correctement.1. Pour reprendre l’exemple de la voiture qui dérive. L’action intégrale Au contrôle proportionnel. lors d’un simple contrôle proportionnel. Lorsque le système s’approche de sa consigne. l’erreur n’est plus assez grande pour faire avancer le moteur. Plus Ki est elevé. Dans le domaine de Laplace : Pourquoi on nous besoin de rajouter cette fonctionnalité à notre organe de contrôle ? Et bien. Réponse échelon pour un asservissement de vitesse.3. Dans ce cas nous obtenons une régulation PI (proportionnelle et intégré). L'erreur entre la consigne et la mesure est ici intégrée par rapport au temps et multipliée par une constante qu'il faudra aussi déterminer en fonction du système. nous pouvons ajouter l'intégration de l'erreur. un système plus stable en régime permanent.

1. le contrôle PI peut amener à un dépassement de la consigne. 1. ce terme freine le système en appliquant une action dans le sens opposé et permet ainsi une stabilisation plus rapide. Réponse échelon pour un asservissement de vitesse. Lorsque le système s’approche de la consigne. ce qui n'est pas toujours très souhaitable (exemple d’inversion de polarité dans la cas de moteurs électriques). Calcul de coefficients 12 . il nous faut encore rajouter un terme. Celui-ci consiste à dériver l'erreur entre la consigne et la mesure par rapport au temps et a le multiplier lui aussi par un constante. Le terme dérivé permet de limiter cela. Figure 3. le terme dérivé représente le petit contre braquage dans le sens opposé de l’ajustement pour stabiliser la voiture lorsqu’elle s’approche du point qu’elle voulait rejoindre.5.4.I. Toujours avec l’exemple de la voiture.D. Dans le domaine de Laplace on obtient : Pourquoi pouvons-nous avoir besoin d'un terme dérivé ? Et bien. L’action Dérivée Pour obtenir un contrôle en P.

 Approche expérimentale 13 . on peut déduire la fonction de transfert du système asservi et donc lesvaleurs à attribuer aux coefficients pour obtenir une réponse qui nous satisfasse. l’une par modification.I. il se peut que dans les cas où le système est particulièrement critique ou difficile d’acces (processus industriel lourd. Il existe deux façons de procéder. système qui ne peut être mis hors service). sachant que souvent l’on complète la première par la deuxieme. donne lieu à des valeurs complexes pour les coefficients. il soit indispensable de modéliser le système afin d'avoir un jeu de coefficients suffisamment précis pour obtenir d'emblée un régulateur PID qui soit fonctionnel. l’autre par l’expérimentation. Souvent la complexité des systèmes réels place la modélisation hors d'atteinte. les règles qui régissent le système sont suffisamment simples pour que l'on puisse tenter de modéliser le système. D'autre part. Nous donnons ici un exemple de modélisation d'un système simple : le moteur électrique. Kp et Kd) de l’asservissement P. Le but de cet exemple est de montrer comment un système simple régi par des équations différentielles linéaires simples. On peut ainsi justifier l'intérêt pratique de la méthode expérimentale. en chimie ou en mécanique par exemple.Nous allons désormais voir comment trouver les valeurs à attribuer aux trois coefficients (Ki.  Approche par la modélisation : Le choix de procéder à la modélisation du système ou non est dicté par les contraintes inhérentes au système.D. Voici les équations : On déduit de celle-ci la fonction de transfert du système : A partir de celle-ci. nous pouvons déterminer les équations qui régissent le système. Comme les équations de la dynamique et de l'électromagnétisme sont connues et utilisables. mais dans certains cas.

Ces valeurs pour les coefficients sont celles que Ziegler et Nichols ont trouvées comme permettant un amortissement de l'amplitude des oscillations de 1/4 à chaque pseudo-période.𝐾𝑑 = Pu 8 . 𝐾𝑖 = Pu 2 . Oscillations stables par expérimentation de différents coefficients Valeurs des coefficients : On note Ku = Kposcillations. Donc 𝐾𝑝 = Ku 1. Figure 4.7 . Nous indiquons aussi les avantages et inconvénients de ces deux méthodes. les valeurs des coefficients ne sont pas modifiésables. L'existence de la deuxième méthode est justifiée par le fait que dans certains régulateurs matériels.La méthode est facile à mettre en œuvre physiquement et au point de vue calcul 14 . c'est le cas si par exemple le régulateur est un circuit électronique et que les coefficients sont déterminés par les composants (résistors. condensateurs). Pu = période des oscillations.Nous présentons ici deux approches possibles pour la détermination des coefficients par expérimentation : une méthode avec l'utilisation du régulateur PID et l'autre qui ne l'utilise pas. Protocole : Fixer K et Kd à 0 puis faire varier Kp jusqu'à obtenir des oscillations périodiques stables. Avantages . c'est à dire non amorties et non amplifiées. Approche de Ziegler-Nichols pour les systèmes en boucle fermée (déjà régulés) Principe : Amener le système dans un état d'oscillations puis en déduire les valeurs des coefficients.

𝑝 + 𝜏 2 12 𝜏 2 12 . nous avons mis l’accent sur le modèle de connaissance.𝑝 ² Deuxième ordre Premier ordre Dans les méthodes présentées. cependant il est préférable de faire la synthèse d’un correcteur discret prenant en compte dans sa synthèse le retard.D La régulation P.𝑝 . Cette vérification du calcul est très importante quel que soit le principe de réglage choisi. Cette synthèse devant être validée selon les critères de robustesse et d’essais en simulation. semaine dans le cas de certaines réactions chimiques) Heureusement de nombreux systèmes ont des temps caractéristiques faibles (systèmes électroniques ou mécaniques). permet le calcul des actions. PID et PID filtré est rassemblé dans la figure suivante : 15 .𝑝 𝑒 −𝜏 .𝑝 ≈ 1− 1+ 𝜏 2 𝜏 2 .𝑝 ≈ 1− 1+ 𝜏 2 𝜏 2 . Il est possible cependant de réglé ce type de correcteur lorsque le retard n’excède pas 40% de la constante de temps principale.𝑝 + .. Il existe des régulateurs continus dédiés aux systèmes retardés tel que le régulateur de SMITH. L’ensemble des calculs des actions des régulateurs PI.Elle peut être appliquée à un système déjà en production et permet une adaptation automatisée du régulateur pour s'adapter à l'évolution des paramètres intérieurs (usure) et extérieurs (environnement) au système.𝑝 ² . je donne les approximations au premier ordre et au deuxième : 𝑒 −𝜏 .I ou P. Dans le cas d’un faible retard il est possible d’approximer celui-ci par des fonctions de Padé.La méthode peut nécessiter beaucoup de temps si le système réagit très lentement (jours. à titre illustratif.D n’est pas adaptée aux systèmes possédant un retard pur important. Inconvénients .Le système peut devenir instable ou passer dans des états dangereux (par exemple pour les systèmes chimiques) .I. Conclusion sur la commande par P.I.

et PID Filtré en fixant les pôles en boucle fermer 16 . Tableau regroupant les différents réglages des actions des correcteurs PI.Figure 5. PID.

CH 2 : Régulation par logique Flou
2.1. Présentation
La logique floue est une technique utilisée en intelligence artificielle. Elle a été formalisée par Lotfi Zadeh en 1965 et utilisée dans des domaines aussi variés que l'automatisme (freins ABS), la robotique (reconnaissance de formes), la gestion de la circulation routière (feux rouges), le contrôle aérien, l'environnement (météorologie, climatologie, sismologie, analyse du cycle de vie), la médecine (aide au diagnostic), l'assurance (sélection et prévention des risques) et bien d'autres. Elle s'appuie sur la théorie mathématique des ensembles flous. Cette théorie, introduite par Zadeh, est une extension de la théorie des ensembles classiques pour la prise en compte d'ensembles définis de façon imprécise. C'est une théorie formelle et mathématique dans le sens où Zadeh, en partant du concept de fonction d'appartenance pour modéliser la définition d'un sous-ensemble d'un univers donné, a élaboré un modèle complet de propriétés et de définitions formelles. Il a aussi montré que cette théorie des sous-ensembles flous se réduit effectivement à la théorie des sous-ensembles classiques dans le cas où les fonctions d'appartenance considérées prennent des valeurs binaires ({0,1}). Elle présente aussi l'intérêt d'être plus facile et meilleur marché à implémenter qu'une logique probabiliste, bien que cette dernière seule soit stricto sensu. Donc la logique Flou est née par la constatation que la plupart des phénomènes ne peuvent pas être représentés à l’aide de variables booléennes qui ne peuvent prendre que deux valeurs (0 ou 1). Peut-on considérer une eau à 18°C comme étant chaude ou froide ? N’est-elle pas ni vraiment chaude, ni vraiment froide ou tout simplement tiède ?  Limitation de la logique booléenne Un patient atteint d'hépatite présente généralement un symptôme d’une forte fièvre
Ensemble classique Avoir une forte fièvre

1 0.8 0.6 0.4 0.2 0

T(°C)
37 38 39 40 41 42

36

Figure 6. Ensemble booléen

17

1 0.8 0.6 0.4 0.2 0

Ensemble flou Avoir une forte fièvre

T(°C)
37 38 39 40 41 42

Figure 7. Ensemble Flou

36

Donc si le patient à 38,9°C de température, en logique classique (booléenne) le patient n’a pas d’hépatite, en logique Flou le patient a une hépatite à 48%

Conclusion : La logique Floue est plus précise et plus concrète que la logique binaire  Champ d’applications de la logique floue :      Aide à la décision, au diagnostic.(domaine médical, orientation professionnelle…) Base de données.(objets flous et/ou requêtes floues) Reconnaissance de forme. Agrégation multicritère et optimisation Commande floue de systèmes…

 Quand utiliser un régulateur flou ?

• Difficulté (ou incapacité) de modéliser le processus : processus complexes, • •
processusnon linéaires. Coût de la modélisation en terme de temps, moyens… trop élevé. Amélioration des performances de régulateurs «linéaires».

2.2. Fonctions d’appartenances
Nous avons vu précédemment que l'on peut donner un coefficient de confiance à l'affirmation «x appartient à un ensemble A ‘hépatite’», par exemple: le coefficient d'appréciation de «l'air à la température égale à 30°C est chaud» vaut 0.6, ce qui signifie que cette température correspond à «plutôt chaude». On peut pour toute température, donc pour tout x, définir ce coefficient directement à x. Cette propriété se présente facilement par une fonction dite d'appartenance µA(x) à valeurs dans [0,1], la notation signifie «coefficient d'appartenance de x

18

à l'ensemble caractérisé par A», l'argument x se rattache à la variable linguistique et l'indice A désigne l'ensemble concerné. De la même manière, une variable y appartiendra à un ensemble B avec une fonction d'appartenance notée µB(y), par exemple «le vent est fort». On peut associer x et y dans une même phrase, par exemple l'ensemble C: «l'air est chaud et le vent est fort». La variable z définie par: «air chaud et vent fort» correspond à l'intersection de «air est chaud» et de «vent est fort». L'ensemble C correspond à l'intersection des ensembles A et B. La valeur de µC(z) se déduit des valeurs de µA(x) et µB(y). Il existe diverses solutions pour traduire mathématiquement le problème. Un fait certain aura une fonction d'appartenance égale à 1 pour le point de fonctionnement considéré. Un fait incertain aura une fonction d'appartenance inférieure ou égale à 1. Lorsque le fait certain correspond à l'énoncée de la valeur d'une variable x=x0 on aura µx0(x0)=1 pour x=x0 et µx0(x)=0 pour x différent de x0: on a un singleton. Un fait incertain tel que x à peu près égal à x0 aura une fonction d'appartenance en forme de triangle. L'affirmation de x à peu près compris entre x1 et x2 correspond à une fonction trapézoïdale.

2.3. Les opérateurs de la logique floue
Il est important de savoir composer entre les divers prédicats et leurs fonctions d'appartenance comme dans l'exemple «l'air est froid et le vent est fort» ou dans «si l'air est froid ou si le vent est fort» il faut fermer la porte. Il apparaît deux types de composition ET et OU auxquels il faut ajouter la négation. Notons x et y les variables linguistiques caractérisant la température de l'air et la force du vent et µA(x), µB(y), µE(z), µO(z), µC(z) avec z={x,y}, les fonctions d'appartenance associées aux propriétés respectives «l'air est froid», «le vent est fort», «l'air est froid et le vent est fort», «l'air est froid ou le vent est fort», «l'air n'est pas froid». Opérateur NON: La propriété «l'air n'est pas froid» peut être caractérisée de façon évidente par la fonction d'appartenance

µ (z)=1-µ (x)
C A

19

Figure 8. c'est à dire qu'il est possible d'invertir µA(x) et µB(y) sans que le résultat change. Comme on le voit. 20 . Cet opérateur peut être appliqué à plus de deux ensembles.µ (y)} E A et B A B On parle alors d'opérateur minimum. il est possible que la fonction d'appartenance résultante µE(z) n'atteigne pas la valeur 1. On peut facilement vérifier que l'opérateur minimum est commutatif. Figure mettant en évidence l’opérateur NON Opérateur ET: La solution la plus simple et la plus utilisée pour caractériser la satisfaction simultanée de deux propriétés est de poser µ (z)=µ (z)= min {µ (x). Dans ce cas s'applique le théorème d'associativité. Cette opération est représentée à la figure 10.

Evidemment. µ (z)=µ O A ou B (z)=MAX{µ (x). Figure 10.µ (y)} A B La figure 11 montre cette opération. A noter qu'il est possible que la fonction d'appartenance résultante µO(z) atteigne deux fois la valeur 1. On a donc l'opérateur maximum. Figure mettant en évidence l’opérateur ET Opérateur OU: La réalisation de l'opérateur ou au niveau de la logique floue se fait en général par la formation du maximum. l'opérateur maximum est aussi commutatif et associatif.Figure 9. Figure mettant en évidence l’opérateur OU 21 . appliquée aux fonctions d'appartenance µA(x) et µB(y) des deux ensembles A et B.

Pour ß=1.Opérateurs ET flou et Ou flou Les opérateurs Et flou et OU flou sont des opérateurs combinés entre l'opérateur minimum et la moyenne arithmétique. L'opérateur Et flou est défini par: µ (z)=µ (z)=ß min [µ (x). le ET flou et le OU flou se confondent.µ (y)] + [(1-ß)/2] [µ (x)+µ (y)] A B A B (2) Avec le facteur ß=1 [0.1]. La figure 12 représente l'opérateur ET flou et montre l'influence du facteur ß sur l'allure de la fonction d'appartenanceµE(z) Figure 11. on aboutit respectivement à l'opérateur minimal ou maximal. La somme qui apparaît entre crochets doit alors être divisé par le nombre de termes de la somme.µ (y)] + [(1-ß)/2] [µ (x)+µ (y)] E A et B A B A B (1) et l'opérateur Ou flou par: µ (z)=µ O A ou B (z)=ß max [µ (x). Par contre. Dans ce cas. on obtient pour les deux opérateurs la moyenne arithmétique correspondant à l'opérateur somme. il est possible de pondérer l'influence des deux termes. On peut étendre les deux opérateurs ET flou et le OU flou à trois ou à plusieurs termes.Opérateur ET flou réalisé par la relation (1) 22 . pour ß=0.

réalisé par la formation du maximum.1]. ß=0.L'influence du facteur ß sur la fonction d'appartenance résultante pour l'opérateur OU flou est mise en évidence par la figure 13 Figure 12.µ (y)] A B A B (3) Le facteur ß [0. Par contre.5 conduit à l'opérateur Ou. permet de pondérer les deux opérateurs. on obtient l'opérateur ET. on aboutit à l'opérateur OU.µ (y)] + (1-ß) max [µ (x). Pour ß=1. On constate bien la grande variation de l'allure de la fonction d'appartenance résultante.Opérateur OU flou réalisé par la relation (2) Opérateurs min-max et l’opérateur ß L'opérateur min-max est défini par la combinaison des opérateurs minimum et maximum. La figure 14 montre de l'effet de l'opérateur min-max en fonction du facteurß. réalisé par la formation de la somme. tandis que pour ß=0. selon µ(z)=ß min [µ (x). réalisé par la formation du minimum. 23 .

moyen. Les trois prédicats «petit». «assez froid». L'univers de discours sera considéré comme le domaine de fonctionnement du processus. Univers de discours et classes d'appartenance La notion d'univers de discours se conçoit aisément: reprenons notre concept de température: l'utilisateur pourra décrire la variable «température» par un certain nombre de mots: par exemple «chaud». mais l'intérêt de la commande floue est que seul un petit nombre de règles est nécessaire. 5 prédicats (grand. «moyen». «positif». et «proche de zéro» servent à la régulation. parfois trois peuvent suffire (dans la cas extrêmes. petit. La commande floue permet d'assurer une transition harmonieuse entre les deux modes de fonctionnement. Les problèmes qui peuvent se poser sont:   Combien de prédicats sont nécessaire à la commande et comment les choisir? est-il nécessaire de choisir chaque prédicat? En général. Le nombre de prédicats dépend essentiellement de la manière dont l'expert peut décrire le processus et de la précision souhaitée. les autres prédicats servent à la poursuite. on peut donner un nombre de règles de commande important. on peur aller jusqu'à 7). Pour chacun de ces prédicats. 24 .Figure 13. «assez chaud». Par exemple. on pourra donner une fonction d'appartenance. en commande floue classique. «très froid». «tiède». «grand» ou «négatif».4. très grand. très petit) est un bon compromis. ou «très chaud».Opérateur min-max réalisé par la relation (3) 2. «tiède». «froid».

comme dans l'exemple introductif. et des fonctions d'appartenance pour chacune de ces entrées (par exemple pression grande. Ces règles vont. La première étape. Le deuxième module consiste en l'application de règles de type «si l'écart de température est grand. diminué le débit du fuel». sa fonction d'appartenance à chacune des classes préalablement définies. très négatif). Il en résulte un chevauchement des variables qui doit être suffisant pour permettre une description continue des variables mais pas trop important pour limiter l'imprécision. élevé. un partitionnement de cet univers en classes pour chaque entrée. Figure 14. appelée Fuzzyfication. Il est notamment préférable d'éviter que les fonctions d'appartenance de deux prédicats voisins soient simultanément égale à 1. permettre de passer d'un degrés d'appartenance d'une grandeur réglante au degrés 25 . consiste à attribuer à la valeur réelle de chaque entrée.L'univers de discours d'une variable couvrira l'ensemble des valeurs prises par cette variable. on définit tout d'abord un univers de discours. l'intersection entre deux prédicats consécutifs est non nulle. moyen. faible et changement d'écart mesure consigne de débit de matériau sortant d'une trémie très élevé. Fonctions d’appartenance selon le degré de Température 2. Le premier module traite les entrées du système (valeurs réglant). donc à transformer l'entrée réelle en un sous ensemble floue. En pratique. au temps t. négatif. de façon à pouvoir exercer une pondération sur la commande.5 Schéma d'une commande floue La mise en œuvre d'une commande floue fait apparaître trois grands modules. petite.

Le choix de l'opérateur de Fuzzyfication dépend de la confiance que l'on accorde aux mesures effectuées. on utilise comme opérateur de Fuzzyfication la transformation dite de singleton. Par conséquent. il est nécessaire de transformer les variables non floues provenant du mode extérieur en des sous-ensembles flous. Il permet de passer d'un degré d'appartenance d'une commande à la détermination de la valeur à donner à cette commande. les sous ensemble floue X0 doit être représentée par un fait précis. Par conséquent.1. Ainsi si la mesure x0 est exacte. Ce module est constitué d'une base de règles et d'un moteur d'inférence qui permet le calcul. on utilise un opérateur dit de Fuzzyfication qui associe à une mesure de la variable x0 une fonction d'appartenance particulière µx0(x). Le schéma de la commande FLOUE 2.Fuzzyfication: Les opérateurs utilisés dans la commande floue agissent sur des sous-ensembles flous. Pour se faire. Figure 15. La fonction d'appartenance du sous-ensemble flous X0 est alors définie par: x0 : U->U.5. Le troisième et le dernier module décrit l'étape de Défuzzyfication qui est la transformation inverse de la première. µx0(x) = 0 si x≠x0 26 . µ µx0(x) = 1 si x = x0 .d'appartenance d'une commande.

et donc. plus la mesure de la variable x0 devient imprécise. plus elles sont importantes. plus le triangle doit s'élargir. Ce sousensemble flou comprend donc la mesure x0 avec une appartenance unité et les valeurs voisines de x0 avec une appartenance inversement proportionnelle à l'écart avec x0. le sous ensemble flou X0 doit être représentée par un fait imprécis. Par contre. le sous ensemble floues X0 réalisé par cette méthode de Fuzzyfication ne comprend que l'élément x0. par exemple à cause de bruit. La base du triangle ( ) est fonction de l'importance relative des erreurs de mesures.Figure 16. 1 − 𝑥−𝑥0 ɛ La représentation graphique de cette fonction est représentée par la figure 17. si la mesure de la variable est incertaine. On utilise alors une méthode de Fuzzyfication qui associe à la variable mesurée x0 une fonction d'appartenance telle que. Méthode de Fuzzyfication pour une mesure exacte Ainsi. par exemple: µx0 x = 𝑀𝐴𝑋 0. 27 . En effet.

. Méthodes d’inférence Floue : A partir de la base de règles (fournie par l'expert) et du sous ensemble flou X0 correspondant à la Fuzzyfication du vecteur de mesure x0=[x0. on peut distinguer deux genres de règles d'inférences:  Inférence avec une seule règle Le cas d'une inférence avec une seule règle se présente lorsqu'il faut comparer plusieurs concurrents (objets ou personnes) dans une certaine situation et en choisir l'optimum. Évidemment...5. Dans ce contexte... En général. le recrutement d'un employer.n]T U.. comme par exemple y=[x1 OU (x2 ET x3) OU . sont liées entre elles par des règles. Méthode de Fuzzyfication pour une mesure incertaine 2...] ET xn La forme exacte de cette règle dépend évidemment du problème en question.. Si x1.. le critère y pour la prise de décision peut être formulé par une règle..x0... les variables qui déterminent la situation sont des variables floues.1. où il faut prendre une décision. Elle est subjective et possède souvent un certain caractère arbitraire. le mécanisme d'inférence calcule le sous-ensemble flou µ(x0) relatif à la commande du système . plusieurs valeurs de variables floues. 28 .xn sont les variables linguistiques pour évaluer une certaine situation...etc.. afin de tirer des conclusions.Figure 17. convenablement défini par des fonctions d'appartenance. ..2.. x2. comme par exemple l'achat d'un appareil.. On trouve cette problématique essentiellement dans les domaines non techniques. On parle alors de déductions floues..

OU SI condition 3. Dans les inférences de régulateur par logique floue interviennent les opérateurs ET et OU. alors opération m. dont les valeurs numériques sont différentes pour chaque concurrent. Cette problématique se présente essentiellement pour des problèmes de réglage et de commande. Dans le deuxième cas. Les conditions peuvent dépendre d'une ou plusieurs variables. Comme on l'a montré dans le paragraphe opérateurs flous (2..A chaque variable formant un ensemble est attribuée une fonction d'appartenance µ1. Méthode d'inférence somme-prod. A chaque variable sont attribuée des fonctions d'appartenance.  Inférence avec plusieurs règles Le cas d'une inférence avec plusieurs règles se présente lorsque une ou plusieurs variables nécessitent une prise de décision différentes suivant les valeurs q'atteignent ces variables. tenant compte des ensembles flous formées par ces variables. L'opérateur ET s'applique aux variables à l'intérieur d'une règle. alors opération 2.. alors opération 3. tandis que l'opérateur OU lie les différentes règles.µn. les variables sont liées entre elles par des opérateurs de la logique floue de forme Et et OU. il existe plusieurs possibilités pour réaliser ces opérateurs qui s'appliquent aux fonctions d'appartenance..2). Elle détermine la réalisation des différents opérateurs dans une inférence. Les règles peuvent alors être exprimées sous la forme générale: Opération:= SI condition 1. une des méthodes suivantes:    Méthode d'inférence max-min. . Pour le réglage par logique floue. alors opération 1. Ces dernières sont des variables floues. OU SI condition m. permettant ainsi un traitement numérique de cette dernière. µ2. Méthode d'inférence max-prod. OU SI condition 2. on utilise en général. On introduit alors la notion de méthode d'inférence. 29 .

il suffit de calculer l'abscisse z*. Les méthodes les plus couramment utilisées sont:  La méthode de centre de gravité La méthode de Défuzzyfication la plus utilisée est celle de la détermination du centre de gravité de la fonction d'appartenance résultante µRES(z). il sera utile de disposer d'une méthode de Défuzzyfication plus simple 30 .2. Défuzzyfication par centre de gravité L'abscisse de centre de gravité peut être déterminée à l'aide de la relation générale: Lorsque la fonction d'appartenance est composée par morceaux de droits.5. Les actionneurs actuels. La figure 3. Avec les coordonnées zj. Par conséquent.5. Défuzzyfication : Comme on l'a vu à la section précédente. µj des points d'intersections des p segments de droites. il est possible de faire les intégrations analytiquement. utilisées dans les boucles de commande ne s'accompagnent pas de ce genre de décision. il convient de la transformer en une grandeur de commande précise: c'est le but de l'étape de Défuzzyfication.1 montre le principe de Défuzzyfication. les méthodes d'inférences fournissent une fonction d'appartenance résultante µRES(z) pour la variable de sortie z. Il s'agit donc d'une information floue.  La méthode de maximum La Défuzzyfication par centre de gravité exige en général une envergure de calcul assez importante.3. Dans ce contexte. Figure 18.

Afin d'éviter cette indétermination. toute valeur entre z1 et z2 peuvent être utilisée. on choisit l'abscisse de la valeur maximale de la fonction d'appartenance résultante µRES (z) comme le montre la figure 19 : Figure 19.Comme signal de sortie z*. 31 . Cependant cette méthode présente un grand inconvénient : le signal de sortie z saute si la dominance change d'une fonction partielle à une autre. Défuzzyfication par valeur maximum Lorsque µRES (z) est écrêté. on prend la moyenne des abscisses du maximum.

Transport Delay=1. .5°C. Pour la régulation d'un système pareil.1. .D  Schéma sous SIMULINK Figure 20.PID (1.Integrator: CI=10. . On modélise le système avec SIMULINK. on propose trois solutions : • • • 1es Cas : Régulation PID 2ème cas : Régulateur flou à une seule entrée 3ème cas : Régulateur flou à deux entrées 3.CH 3 : Régulation de la température On présente le cas de réglage de la température d'une serre. 32 . Régulation P.Step=20°C. C’est un système de contrôle de température avec un élément de chauffage et de ventilation. On suppose que le système est linéaire et ayant une fonction de transfert H(p) = 1 𝑝 +2 avec un retard égale à 1s. Dans ce but.0.Step1=-1.1). .I.Lower saturation limit=10. Schéma sous SIMULINK de régulation en boucle fermée Avec : . La température désirée est de 20°C. La température extérieure est de 10°C et son effet intervient au niveau de l’intégrateur. . on mesure la température avec un capteur qui fournit la valeur de la grandeur à régler.

Représentation de la commande (en violet) et la réponse du système simulé (température: en jaune) La réponse présente une erreur importante. Régulation par logique Flou à une seule entrée On considère alors le système suivant: Figure 22. Pour remédier à ces problèmes.Une fois le type de 33 . c’est l’écart de température et pour sortie la commande (en utilisant l’interface fis Editor).2. Système régulé par le correcteur Flou Pour construire notre régulateur flou. on commence tout d’abord par définir les entrées et les sorties. 3. en effet la régulation avec un PID n’est pas efficace dans ce cas. car le système présente des non linéarités. Ensuite on définira les plages de variations (les ensembles flous) et les fonctions d'appartenances en utilisant l’interface (Edit Membership function). On prendra pour entrer l’erreur. on se propose de réguler le système avec un régulateur flou.Figure 21. et ceci et pour l'entrée et pour la sortie. Les fonctions d’appartenances utilisées sont de type trimf (triangulaires) .

la température de sortie est supérieure à la consigne donc c’est chaud. pour y remédier on a changé les plages de variation des entrée et de la sortie sur notre régulateur . la partie décroissante sera nommée refroidir (Elle correspond à l’entrée chaud). Si c’est froid alors réchauffer. On enregistre le régulateur sur le disque et sur le workspace pour pouvoir le charger à partir de Simulink. et les deux segments du milieu sont assignés à une commande appelée rien. On fera de même pour la commande. on a pris alors : [-10 14] plage de variation de l’erreur. Figure 23. la partie croissante sera nommée réchauffer. Lorsqu’elle est positive la fonction d’appartenance est nommée froid. En effet en variant les plages d’inférences on a augmenté l’efficacité du régulateur autour de cette consigne. On simule le système et on trouve une erreur flagrante sur la réponse. Le système d’inférence flou sera de type Mamdani et la Défuzzyfication se fera avec la méthode centroïde. et la partie du milieu sera nommée OK. Les règles d’inférences seront alors définies comme suit :    Si c’est chaud alors refroidir.fonction d’appartenance choisi ainsi que la plage de variation on appellera chaque partie de la fonction d’appartenance par un nom significatif on aura alors : Lorsque l’erreur est négative. Si c’est Ok alors rien faire. Réponse duSystème régulé par le correcteur Flou C’est une réponse qui atteint la consigne (20 °C) et y reste. On pourrait 34 . [-30 37] plage de variation de la commande.

La fonction d’appartenance de la sortie sera divisée en 5 parties :      Refroidir beaucoup : RB Refroidir : R OK Réchauffer : C Réchauffer beaucoup : CB L’entrée erreur ne va pas changer. sa fonction d’appartenance sera de type trimf (triangulaire). comportant trois parties: se réchauffe.également modifier les règles d’inférences ou les formes des fonctions d'appartenances utilisées. Système régulé par le correcteur Flou à un dérivateur comme deuxième entrée On l’appellera ainsi la d’erreur. c’est la dérivée de l’erreur. On Résumera alors les règles d’inférence par le tableau suivant : erreur/ Derreur Se refroidit Constant Se réchauffer CHAUD R R RB OK C RIEN R FROID CB C C 35 . Régulation par logique Flou à deux entrées On se propose dans cette partie d’ajouter une entrée au régulateur flou. c’est la variation de l’erreur en fonction du temps. Figure 24.3. mais ceci suppose une maîtrise du système à réguler. constant. se refroidit. 3.

Dans le paragraphe suivant nous présentons toutes les interfaces qui ont servi à construire ce régulateur.Figure 25. Réponse du Système régulé par le correcteur Flou à un dérivateur comme deuxième entrée Cette réponse est obtenue également après modification des plages de variations:    [-10 14] : erreur [-15 15] :derreur [-30 44] :commande Cette réponse présente certes un dépassement mais sa rapidité est meilleure : son temps de réponse est inférieur à celui du deuxième cas. 36 .

l’une fixe (le stator) et l’autre mobile ( Le rotor). Le circuit magnétique est constitué de deux parties. séparé par l’entrefer. par l’intermédiaire des balais. d’un ou plusieurs circuits électriques. Dans le cas d’une machine à deux circuits électriques. et d’un collecteur. Un collecteur. Schéma équivalent d’une MCC 37 . celui du rotor qui est l’induit de la machine) ou d’électro-aimants (un courant traverse alors un bobinage et la machine à deux circuits électriques : un qui est l’inducteur et l’autre qui est induit). 4. permet la liaison de l’induit au circuit électrique extérieur à la machine.1. Inducteur et induit en série: c’est une machine à excitation en série.  La machine peut être utilisée comme moteur (entrée électrique sortie mécanique) ou générateur (entrée mécanique sortie électrique). il existe plusieurs possibilités de branchement les deux plus utilisées sont :  Inducteur (source de champ) indépendant de l’induit: c’est une machine à excitation séparée (ou indépendante ou constante). Cet inducteur peut être constitué d’aimants permanents (la machine a alors un seul circuit électrique. Modèle électrique de la machine à courant continu Figure 26.CH 4 : Régulation d’une machine à courant continu Une machine à courant continu est formée d’un circuit magnétique.

i(t) En règle générale les coefficients Ke et Km sont si proches qu’il est raisonnable de les considérer égaux. le couple Cm(t) est proportionnel au courant d’induit i(t) : Cm t = Km. Cr(t) est le couple résistant (charge et perturbations). liant la tension V (t) aux bornes de l’induit (rotor) et le courant d’induit i(t) s’écrit : V(t) = 𝑅𝑖 (𝑡) + 𝐿𝑑𝑖 𝑡 + e(t) 𝑑𝑡 D’où R est la résistance de l’induit du MCC. On aboutit à la figure suivante sous MATLAB : Figure 27. L son inductance et e(t) la force électromotrice. Le MCC peut être vu comme un système à contre-réaction.L’équation électrique. négligeant alors les pertes durant la conversion électromécanique de puissance. On pose Kem = Ke = Km. f le coefficient de frottement visqueux et J le moment d’inertie du rotor. Schéma-blocs équivalent d’une MCC 38 . Pour s’en apercevoir. qui est proportionnelle à la vitesse de rotation du rotor : e(t) = 𝐾𝑒Ω(𝑡) L’équation mécanique rendant compte des couples agissant sur le rotor s’écrit : 𝐽 𝑑Ω(𝑡) = 𝐶𝑚 𝑡 − 𝐶𝑟 𝑡 − 𝑓Ω(𝑡) 𝑑𝑡 Où Cm(t) est le couple moteur. Par construction. il faut reprendre les équations précédentes et les représenter sous forme de schéma-bloc.

m . R mesuré est : 5 Le calcul montre que K= (170-5x3) /157= 0. on obtient 𝑈 𝑝 = 𝑅 𝑓Ω 𝑝 + 𝐽𝑝Ω 𝑝 𝐾𝑒𝑚 + 𝐾𝑒𝑚Ω 𝑝 (1) + 𝐿 𝑓𝑝Ω 𝑝 + 𝐽𝑝2 Ω 𝑝 𝐾𝑒𝑚 39 . Le Hacheur est composé d'un transistor en série avec une diode tête bêche.01146. le rapport cyclique de la commande du transistor reste compris entre 0 et . 4. La constant de dynamo tachymétrique est a =0. on obtient : 𝐾𝑒𝑚. en supposant les conditions initiale nul et que le Cr(t) = 0 𝐾𝑒𝑚. rendement nominale hors excitation : 0.86 ms La méthode du ralentissement a donné J= 0.D dans la boucle de régulation de la MCC  Caractéristique du moteur utilisé Il s'agit d'un moteur LEROY SOMER MS1 classe F801 L06 de puissance nominale 0.m.0243H La constant de temps électrique vaut donc ôe=La /Ra=4.La constant de temps électromécanique est donc ôem= RJ/K² =20. La mesuré est 0. 𝐼 𝑝 = 𝑓Ω 𝑝 + 𝐽𝑝²Ω(𝑝) En dérivant cette dernière. If = 0. Implémentation du correcteur P. Le hacheur se comporte comme un amplificateur de gain A=100. couple nominal 3 N. classe F . J=0. Si le rapport cyclique est la commande du transistor.m². pour que la modélisation soit réaliste.I. car le moteur est accouplé à une charge mécanique .74 .38A Ian=3A . 𝑝𝐼 𝑝 = 𝑓𝑝Ω 𝑝 + 𝐽𝑝²Ω(𝑝) En combinant les deux dernières équations.25 N.987 wb.5ms On néglige les autres pertes. de vitesse nominale 1500tr/min (soit 157rad /s). Le hacheur est donc un simple amplificateur de Fonction de Transfert : C(p)=E avec E la tension d'alimentation du Hacheur. Le couple nominal résistant est de 3. Le constructeur donne les inductions suivante : La=30mH .2.003kg . on obtient la relation entre tension d'entrée et de sortie suivante Umoy=.m² (moteur seul) Un=170V . Notre travail dans ce chapitre consiste à faire une étude comparative entre un régulateur classique PID et un régulateur a logique flou dans la régulation de la vitesse d'un moteur à courant continu En passant au domaine de LAPLACE.44kw.004Kg .E.

Il possède un pôle stable p =-1/ ƮemP  Modèle deuxième ordre On lève maintenant l’hypothèse du paragraphe précédent pour obtenir un modèle plus fin du MCC. Deux expressions intéressantes de la fonction de transfert sont alors possibles : En ordonnant de façon à avoir un coefficient de un devant le degré de d´éviration le plus élevé il vient : 40 . Modèle en premier ordre : On néglige l’influence de l’inductance d’induit. L’équation (1) se simplifie en : La fonction de transfert reliant la commande en tension du MCC U(p) et sa vitesse Ω (p) est : si l’on définit la constante de temps électromécanique du système: Et son gain statique : Le système ainsi modélisé est donc d’ordre un.

on remarque que la sortie suit la cosigne comme le montre la figure suivante : 41 .02𝑝  Simulation des résultats sous Matlab En appliquant une consigne de 1500 tr/min.02𝑝 + 1 0.Lorsqu’on remplace les valeurs des coefficients donné par le constructeur on obtient la fonction de transfert du correcteur et qui est : 𝐻 𝑝 𝑐 = 0.

Figure représentant la consigne à savoir le nombre de tours par minute 42 .Figure 28.

Figure représentant l’application du couple résistant à l’instant 5 43 . Figure représentant la sortiedu système tout en respectant la consigne A l’instant 5s en applique un couple résistant et on simule la réponse du système : Figure 30.Figure 29.

28s 4. sans gain d’entrer et de sorti. Implémentation du correcteur Flou dans la boucle de régulation de la MCC Au début. Figure représentant la sortiedu système avec un temps de récupération de 0. le système ne répondait pas au cahier des charges. car la sortie ne suivait pas la consigne et le système était très long. Figure 32.Schéma-blocs du système avec un correcteur FLOU sans gain d’entrer et sans gain de sortie 44 .3.Figure 31.

Le temps de réponse est de 0. Réponse du système sans gain d’entrée et sortie On remarque que la sortie se stabilise à une valeur de 21. on a remarqué que les performances du régulateur par logique Flou changeait.46 tr/min sachant que la consigne est de 15 tr/min. notre système deviens performant (plus rapide et plus précis) avec les valeurs suivantes : Gain à l'entrée (erreur) égal à 1 Gain à la sortie (commande) égal à 0.69 La figure suivante représente le système en boucle fermé avec le RLF comme correcteur avec le gain d’entrée et de sortie : 45 . Lorqu’on ajouté le gain d’entrée et de sortie.Figure 33. Après plusieurs réglages effectués.18 secondes.

Réponse du système avecle correcteur FLOU 46 .Figure 34. Schéma-blocs du système avec un correcteur FLOU Figure 35.

Schéma-blocs réunissant le correcteur P. Réponse des systèmes (jaune pour le P.I.I.D) et (bleu pour RLF) 47 . Comparaison du régulateur P.D et Flou(sans couple résistant) Figure 36.D et Flou Figure 37.I.

D et Flou (avec couple résistant) On applique un couple résistant à l’instant et on compare les performances selon la réponse des deux systèmes : Figure 38. sachant que le temps de réponse du correcteur Flou est 0.32 secondes.  Comparaison du régulateur P.I.D qui a un temps de réponse de 0.I. Même figure avec un agrandissement 48 .0796 secondes contrairement au correcteur P.I.La figure 34 montre la grande différence coté rapidité entre les deux régulateurs.D) et (violet pour RLF) avec couple résistant àl’instant 5 Figure 39. Réponse des systèmes (jaune pour le P.

 Réglage du régulateur Flou Figure 40. le système réagit rapidement (plus rapide que le PID) pour corriger l'erreur et remettre la mesure a l'état de consigne. Si l’erreur est Positive alors la commande est décélérer. Une réponse très puissante qui répond à notre cahier des charges. 49 . Figure représentant le Bloc fuzzy sous Matlab Le choix des règles est le suivant : - Si l’erreur est Négative alors la commande est accélérer. Si l’erreur est Nulle alors la commande est constante.I. le temps de récupération du correcteur P.D est de 0.033 secondes et donc plus rapide à savoir plus performant. or le temps de réponse du régulateur Flou est de 0.21 secondes.On remarque que après avoir appliquer un couple résistant (Cr=15) pour les deux systèmes. dès le moment de la perturbation.

50 .Figure 41.Figure représentantles fonctions d’appartenances pour l’erreur On a choisi des valeurs inférieures à 1 pour l’unique raisond’avoir une erreur statique qui tend vers le 0 et pour respecter le cahier des charges. Figure représentantles règles de choix entre l’erreur et la commande Figure 42.

Figure 43. Figure représentantles fonctions d’appartenances pour la commande 51 .

on a remarqué que la sotie suit consigne et reste stable comme le montre la figure suivante : Figure 44.I.D et logique Flou lors d’une régulation d’un système non linéaire Lors de l’ajout d’un retard pur au niveau de la boucle de régulation le système devient instable et diverge vers une très grande valeur pour le correcteur P.I. Système corriger par RLF où la consigne est de 15 tr/min Mais lorsqu’on applique un couple résistant à l’instant 5.D Figure 45. En jaune réponse du système corriger par P.D.I. mais en ce qui concerne le régulateur Flou. le système n’arrive plus à suivre la consigne. 52 .Perspective :  Comparaison entre la régulation P.

Réponse du Système corrigé par RLF en appliquant un Cr = 100 Figure 47. 53 . Schéma-blocs des deux systèmes avec un retard On a ajouté un intégrateur et dérivateur mais malgré ça.Figure 46. donc il se devait de changer les fonctions d’appartenances et de jouer sur le gain d’entrée et de sortie pour améliorer les performances du régulateur par logique Flou. la sortie du système ne suivait pas la consigne.

et de mettre en pratique les connaissances que j’ai acquises durant tout mon cursus universitaire. nouvelle tendance et qui a des très bonnes performances dans les systèmes linéaire et non-linéaire en même temps. fondées uniquement sur la réponse temporelle du système . dans certaines situations. selon un procédure expérimentale.D appliquée à la machine à courant continu était un correcteur qui pouvait offrir de bonnes performances. Il convient alors de trouver un meilleur compromis en fonction des exigences initiales du cahier des charges. Ce travail m’a permis d’acquérir une expérience enrichissante dans le domaine de régulation.I.I. un régulateur idéal n’existe pas. qui explique sa popularité dans le milieu industriel.Malgré cette nouvelle tendance. Mais comme on l’a montré. permettant dans la majorité des cas d’aboutir à des performances acceptable. temps de réponse et stabilité. comme la méthode d’oscillation de Ziegler-Nichols. où on a vécu tous l’avancement de ce projet et connaitre les procédures à suivre pour planifier un bon cahier des charges tout en le respectant. que ce soit au niveau de la précision. on dispose de méthodes empirique.D ne donne pas de bons résultats. et c’est pour cette raison qu’on a implémenté le régulateur par logique Flou. Un des intérêts du régulateur P. 54 . En effet. J’ai pu découvrir le travail d’équipe et l’intégration dans un climat d’étude professionnelle.Conclusion Durant ce projet. nous avons vu que la commande P.D. le P.I. est sans conteste la possibilité de le réglé sans connaissance approfondie du système.

refer.com/IMG/pdf/GB_Fuzzy.fr/simulation/intro_Matlab.html 3) http://www8.scribd.tn.html http://fr.futura-sciences.pdf http://img.ca/umcmcormier_gabriel/SystemesIntelligents/ControleFlou.html http://www.gillesbalmisse.org/hebergement/cours/logique_floue/appli4.p df 4) 5) http://www.memoireonline.rechercher.umoncton.html http://www.me/fichiers/simulation-matlab-moteur-a-courantcontinu_pdf_525066.com/doc/52349519/33033914-Commande-PID-d-un-moteur-a-courantcontinu 6) http://forums.htm 2) http://www.org/hebergement/cours/logique_floue/_we_hinfo/cas1.needocs.pdf 10) 55 .10666 7) 8) 9) http://mach.free.elec.Références Bibliographiques 1) http://www.com/electronique/173343-automatique-asservissementpoursuite-dun-moteur-a-courant-continu.com/07/10/3766/Application-de-la-logique-de-floue.refer.tn.com/document/academique-cours-physique-commande-pid-d-unmoteur-a-courant-continu.

Le schéma de la commande FLOUE……………………………………………. Réponse échelon pour un asservissement de vitesse………………………………11 Figure 4... Méthode de Fuzzyfication pour une mesure exacte……………………………. Figure mettant en évidence l’opérateur OU……………………………………. Défuzzyfication par valeur maximum……………………………………….Opérateur min-max réalisé par la relation (3)……………………………………23 Figure 14. Ensemble Flou……………………………………………………………………..20 Figure 10. Réponse échelon pour un asservissement de vitesse………………………………10 Figure 3. Schéma sous SIMULINK de régulation en boucle fermée………………………31 56 . Méthode de Fuzzyfication pour une mesure incertaine………………………….29 Figure 19..15 Figure 6...Opérateur OU flou réalisé par la relation (2)…………………………………….16 Figure 7...13 Figure 5. Ensemble booléen………………………………………………………………….30 Figure 20. Figure mettant en évidence l’opérateur NON…………………………………….. PID. Oscillations stables par expérimentation de différents coefficients……………….. Tableau regroupant les différents réglages des actions des correcteurs PI..Liste des figures Figure 1.22 Figure 13.19 Figure 9. Réponse échelon pour un asservissement de position………………………………9 Figure 2..25 Figure 16. Défuzzyfication par centre de gravité ………………………………………….24 Figure 15. Figure mettant en évidence l’opérateur ET………………………………………. Fonctions d’appartenance selon le degré de Température………………………..26 Figure 17. et PID Filtré en fixant les pôles en boucle fermer ………………………………….Opérateur ET flou réalisé par la relation (1)……………………………………..20 Figure 11.21 Figure 12.27 Figure 18.17 Figure 8.….

32 Figure 23.46 Figure 35. Système régulé par le correcteur Flou…………………………………………….. Schéma-blocs équivalent d’une MCC……………………………………………38 Figure 28.42 Figure 29.. Même figure avec un agrandissement…………………………………………… 48 Figure 40. Figure représentant la consigne à savoir le nombre de tours par minute ………..D et Flou…………………………….I.. Schéma équivalent d’une MCC………………………………. Représentation de la commande (en violet) et la réponse du système simulé (température: en jaune)……………………………………………………………32 Figure 22.34 Figure 25.I.. Figure représentant l’application du couple résistant à l’instant 5 ……………….. Schéma-blocs du système avec un correcteur FLOU……………………………..48 Figure 39. Figure représentant les fonctions d’appartenances pour l’erreur ……………….43 Figure 31.………………… 37 Figure 27. Figure représentant la sortie du système tout en respectant la consigne …………42 Figure 30.I.47 Figure 37.. Réponse du Système régulé par le correcteur Flou………………………………. Figure représentant le Bloc fuzzy sous Matlab ………………………………. Figure représentant la sortie du système avec temps de récupération de 0.Réponse du système avec le correcteur FLOU……………………………………. Figure représentant les règles de choix entre l’erreur et la commande…. 45 Figure 34.34 Figure 24. 49 Figure 41.D) et (violet pour RLF) avec couple résistant à l’instant 5………………………………………………………………………….46 Figure 36.……… 50 Figure 42.... Schéma-blocs réunissant le correcteur P.Schéma-blocs du système avec un correcteur FLOU sans gain d’entrer et sans gain de sortie……………………………………………………………………………44 Figure 33.. Réponse du Système régulé par le correcteur Flou à un dérivateur comme deuxième entrée………………………………………………………………………………35 Figure 26.28s…44 Figure 32. Système régulé par le correcteur Flou à un dérivateur comme deuxième entrée.. Réponse du système sans gain d’entrée et sortie ………………………………. Réponse des systèmes (jaune pour le P.Figure 21. Réponse des systèmes (jaune pour le P.50 57 .D) et (bleu pour RLF)…………………47 Figure 38.

Schéma-blocs des deux systèmes avec un retard ……………………………. 52 Figure 45.. 53 58 . En jaune réponse du système corriger par P. 52 Figure 46.. Réponse du Système corrigé par RLF en appliquant un Cr = 100 …………. Figure représentant les fonctions d’appartenances pour la commande ……….. Système corriger par RLF où la consigne est de 15 tr/min ………………….. 53 Figure 47..51 Figure 44.Figure 43.D …………………………….I.

ANNEXE 59 .

60 .

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->