fuzzy logic controller
Transcription
fuzzy logic controller
Le Contrôleur Logique Naturel : définition et stabilité The Natural Logic Controller: definition and stability ACEVES LOPEZ Alejandro1,3 [email protected] AGUILAR MARTIN Joseph2,3 [email protected] 1 CONACYT, Beca No.112409, México IIiA-UdG. Campus Montilivi, 17071 Girona 3 LAAS-CNRS 7 av. Colonel Roche 31077 Toulouse 2 Résumé 1 Introduction Les systèmes multivariables sont difficiles à commander par un simple Contrôleur Flou (CF) à cause du nombre de règles à spécifier. Le Contrôleur Logique Naturel (CLN) contourne cette difficulté en considérant la connexion logique d'autant de variables de sortie qu’il sera nécessaire, en utilisant les t-normes de la Logique Floue. Cette approche propose une simplification importante de la complexité du CF permettant ainsi une conception facile pour des systèmes SISO, SIMO et MIMO. Dans cet article nous présentons la définition formelle du CLN, ainsi que ses caractéristiques linéaires autour de l'origine. Nous montrons aussi qu'il est possible de vérifier la stabilité et la robustesse du CLN par l'utilisation du Critère du Cercle Multivariable. Un exemple SISO est discuté en détail. La démarche normale de l’automatique classique consiste d’abord à construire un modèle mathématique du procédé et, ensuite, à déterminer une commande (PID, commande par retour d’état, commande optimale, etc.) afin de respecter certains performances comme par exemple la minimisation de l’énergie apportée. Par contre, si l'obtention d’un modèle mathématique est difficile, l'automaticien dispose d'autres méthodes de commandes, comme par exemple la commande floue. Si un modèle qualitatif (implicite ou explicite) du procédé est disponible alors il est possible de construire une stratégie de commande (floue) sous une forme d'ensemble de règles qui sont issues de cette représentation qualitative. Le succès de la commande floue est fortement lié à ses multiples avantages, comme par exemple, sa capacité à modéliser la connaissance d'un opérateur expert et, sa possibilité de reproduire n'importe quelle surface non linéaire (le CF est un approximateur universel [15]). On peut toujours envisager l'utilisation d'un CF quand il est possible de décrire la connaissance d'un opérateur expert sous forme de règles. Mais, lorsque l’on attaque des procédés multivariables, le nombre de règles augmente exponentiellement diminuant ainsi son intérêt. Ceci explique pourquoi on ne développe pas souvent des contrôleurs flous au-delà de deux entrées et une sortie. On est donc amené à la recherche de techniques capables de réduire sa complexité. Il y a quelques années, la communauté scientifique s'est intéressée à réduire sa complexité afin de le rendre envisageable pour la commande multivariable. Par exemple: Ying et. al. [1] considèrent la plus simple partition floue de sorte à avoir 2m règles floues à définir, ou Vidolov-Melin [2][3] qui ont proposé, analysé et appliqué un CF ayant deux règles. Mots Clef Contrôleur Logique Naturel, Opérateur mixte de la logique floue, Stabilité et Robustesse. Abstract MIMO (multi inputs multi outputs) systems are difficult to be handled by simple Fuzzy Controllers (CF), because of number of rules to specified. The Natural Logic Controller (CLN) overcomes this difficulty by considering the connection of all necessary outputs as a fuzzy-logic combination using t-norms. This approach propose an important simplification of the CF that allow easy-design for SISO, SIMO and MIMO control problems. In this paper we present the formal definition of CLN and its linear behavior around the origin. We also show that it is also possible to test stability and robustness using the Multivariable Circle Criterion. A SISO example is discussed in detail. Keywords Natural Logic Controller, Mixed connective, Stability and Robustness. fuzzy-logic LAAS-CNRS Toulouse France, Rapport N°99331. Dans ce même but, le Contrôleur Logique Naturel a été initialement proposé par Aguilar-Hernandez en 1995 [4]-[6] et repris par Aceves-Aguilar en 1997 [7]-[8]. Cette approche propose une réduction importante de la complexité du CF en considérant la connexion d’autant de variables qu’il sera nécessaire en profitant de l'associativité des t-normes de la Logique Floue. L'objectif de cet article est de présenter la définition du CLN ainsi qu'une méthode pour l'analyse de sa stabilité dans une configuration de commande en boucle fermée. Un exemple SISO est discuté en détail. 2 Définition du Contrôleur Logique Naturel définition des deux sous-ensembles flous {N, P}, qui correspondent aux valeurs négatives et positives. Ses fonctions d'appartenances µP(εi ) et µN(εi ) sont montrées sur la Figure 2. µ(u) µ(εi) N P 1 Nous considérons le problème de contrôle en boucle fermée illustré sur la Figure 1. Le vecteur e (composé de m variables ε1, ε2 … εm ∈ ℜ) est construit à partir du signal d’erreur entre la consigne et la sortie mesurable du procédé G(s). La commande u ∈ ℜ appartient à un univers de discours symétrique U := [−Umax , Umax] et chaque variable εi appartient respectivement à l'univers de discours Ei := [−Ei max Ei max]. Nous cherchons une fonction de commande Ψ : E1×E2×…×Em → U qui assigne pour chaque valeur du vecteur e = [ε1, ε2 … εm]T une commande u ∈ U. Pour cela, nous allons considérer une démarche "Commande Floue Classique". u G(s) consigne −Eimax 0 u −Umax Eimax 0 Umax Figure 2.- Les dichotomies floues définies. Le degré d’appartenance de chaque variable εi ∈ [−Ei max Ei max] au sous-ensemble flou P exprime le degré de vérité de la proposition <εi est P> et elle est définie par : 0 si − Eimax > ε i ε + E max (1) max max i i µ P (εi ) = max 2 Ei 1 si si − Ei ≤ ε i ≤ Ei ε i > Eimax Le degré d’appartenance de la même variable au sousensemble flou N est défini par : (2) µ N (ε i ) = 1 − µ P (ε i ) observateur y _ erreur 2.3 Base de règles R(s) e Ψ(e) P 1 εi 2.1 Problème de commande Procédé SISO N contrôleur Figure 1.- Système de commande en boucle fermée. 2.2 Sémantique floue Dans la démarche "classique" de la Commande Floue, il faudra définir des ensembles flous caractérisant "imprécisement" chaque variable du contrôleur. Il est reconnu que, malgré cette imprécision, un CF peut commander correctement un procédé relativement complexe. On sait intuitivement qu'il ne faut pas trop de précision car cela rendrait très lourd les calculs à l'intérieur du CF, mais aussi qu’il ne faut pas trop d'imprécision car cela pourrait être insuffisant pour pouvoir réagir correctement. Et pourtant, cette dernière affirmation n'est pas catégorique, car aucune démonstration n'a jamais été apportée concernant une limite minimale d'imprécision. Plusieurs chercheurs se sont intéressés à explorer les capacités du CF avec des ensembles flous très simplifiés, comme c'est le cas de Ying [1] et Vidolov-Melin [2]-[3] qui considèrent la plus simple partition floue pour chaque univers de discours. Leurs travaux montrent qu'il est encore possible de commander correctement un procédé avec une telle partition. Etant donné que nous cherchons à réduire au maximum la complexité du CF, nous allons aussi considérer la LAAS-CNRS Toulouse France, Rapport N°99331. Grâce à ces propositions floues nous sommes désormais capables de caractériser la situation du système. Une situation ℑ particulière du système se traduit par une collection de propositions du type <εi est Xi > où Xi ∈ {N, P}. Sans perte de généralité et par une disposition adéquate des signes des signaux délivrés par R(s), on peut considérer une base des règles du type MacVicar-Whelan [17]. La base "complète" est constituée de 2m règles différentes, dont la première et dernière règles sont : 1re. règle : Si ℑ est {< ε i est N > i = 1K m}alors < u est N > M M Dre. règle : Si ℑ est {< εi est P > i = 1K m}alors < u est P > Chaque règle est une relation floue du type A→B, ou A correspond à la situation particulière du système et B correspond à la commande, et grâce au raisonnement approché il est possible d'interpréter cette base. C'est ici, que nous proposons la simplification fondamentale suivante: au lieu de spécifier les 2m règles, nous allons retenir uniquement la première et dernière règles et nous allons déduire l'action de commande à partir de ces deux règles retenues. La justification d'une si brutale simplification ne se trouve pas dans une "approche connaissance" car plus on ignore plus on réagit bêtement, mais dans un "approche commande". En effet, les deux règles retenues sont proche du très ancien régulateur tout ou rien. Cette stratégie de commande, bien qu'elle soit très grossière et violente, sera nuancée par l'introduction d'un opérateur d’association mixte de la Logique Floue présenté ci-dessous. Pour associer les propositions floues élémentaires, deux attitudes peuvent être suivies. Soit on prend la conjonction des ces propositions, ce qui correspond à l'attitude la plus exigeante, c'est-à-dire qu’il faut que toutes soient vraies pour que la situation soit vraie. Soit on prend la disjonction des propositions floues élémentaires, ce qui correspond à l'attitude la moins exigeante, c'est-à-dire qu’il suffit qu'une des propositions soit vraie pour que la situation soit vraie. Chacune de ces deux attitudes est cohérente et trouve sa justification selon le degré d'exigence désiré. Mais pour avoir le contrôle de l'exigence, nous allons considérer une interpolation convexe entre ces deux attitudes extrêmes par un opérateur d’association mixte défini comme fλ(y,z) = (1−λ)⋅t(y,z) + λ⋅s(y,z) et λ∈[0, 1], où la t-norme et la s-norme sont duales par rapport à la négation stricte n(x)=1−x. Il est démontré par PieraAguilar [9]-[11] que cette notion d'exigence est ordonnée par rapport à λ. Ainsi, en utilisant l'associativité des t-normes et en utilisant l'implication de type Mamdani, nous sommes capables d'évaluer notre base des règles : (3) µ uP = (1 − λ) ⋅ t µ eP + λ ⋅ s µ eP ( ) ( ) µ uN = (1 − λ ) ⋅ t (µ eN ) + λ ⋅ s(µ eN ) où : µ eP = [µP(ε1), µP(ε2) … µP(εm)] T (4) Le tableau suivant montre les normes triangulaires les plus utilisées. Auteur Zadeh t-norme min(x1...xm) Probabiliste ∏ xi 1 − ∏ (1 − xi ) m max1 − m + ∑ xi ,0 i =1 m min ∑ xi ,1 i =1 Lukasiewicz Si nous considérons l’application du CLN à des systèmes physiques qui ont des limites symétriques alors le CLN admet la transformation montrée sur la Figure 3. CLN normalisé u * Umax u Ψ(⋅) εm* . .. * ε1 1/Emmax 1/E1max εm ε1 Figure 3.- CLN normalisé sous la condition d’univers symétriques. Définition 1 : Soit ε ∗i ∈ [− 1, 1] pour ∀i = 1…m, u ∗ ∈ [− 1, 1] et λ ∈ [0, 1] alors le CLN normalisé est une fonction de commande non linéaire Ψλ(e*) définie par : t (µ ) + s (µ ) − 1 (6) u∗ = (2λ − 1)[t (µ ) − s (µ )] + 1 où : T µ eN = [µN(ε1), µN(ε2) … µN(εm)] . i =1 2.4 CLN normalisé ε∗ + 1 ε ∗ + 1 L m . µ= 1 2 2 et T m ensemble flous dépend uniquement des contraintes du procédé, soit imposées par des raisons physiques ou technologiques, soit par les limites acceptables de l'erreur. • Désormais, nous allons étudier le CLN "normalisé" exprimé par l’équation (6). s-norme max(x1...xm) m 2.5.- Equivalence avec la commande linéaire i =1 Tableau 1.- Les t-normes les plus utilisées [16]. L'action finale de commande u est calculée avec une méthode de defuzzification du type Centre-de-Gravité : µ u ⋅ U max − µ uN ⋅ U max (5) u= P 1 − µ uP + 1 − µ uN Ainsi, le CLN peut être considéré comme un CF à deux règles, où la fonction de commande Ψ est construite à partir des équations (1)-(5) et dépend du paramètre λ. Notons que notre approche évite le problème de l'explosion combinatoire du nombre de règles en profitant de l'associativité des t-normes. Cette approche a été nommée "logique" parce qu'on utilise un opérateur mixte de la logique floue et elle a été nommé "naturelle" car la définition des sous- LAAS-CNRS Toulouse France, Rapport N°99331. Une caractéristique très intéressante du CLN est qu’il est équivalent, sous certaines considérations, à la commande linéaire. Propriété 1 : Si m = 2 et λ=½, l'action de commande construite par le CLN normalisé est égale à u*=½(ε1*+ε2*), pour n’importe quelle t-norme de Frank. • Démonstration : Si une t-norme appartient à la famille de t-normes de Frank [14], comme c’est le cas des tnormes de Zadeh, Probabiliste, Lukasiewicz, alors t (µ 1 , µ 2 ) + s(µ1 , µ 2 ) ≡ µ1 + µ 2 . Dans ce cas, l'équation (6) devient: 1 u ∗ = t (µ1 , µ 2 ) + s(µ1 , µ 2 ) − 1 = ε1∗ + ε ∗2 . 2 • ( ) Cette propriété est vérifiée pour n’importe quelle tnorme de Frank mais uniquement pour m=2. Par contre si m≠2, la propriété 1 n’est plus valable. Toutefois il est possible de démontrer que la commande u* engendrée par le CLN (probabiliste) est linéaire au voisinage de zéro. Propriété 2 : La commande u* construite par le CLN normalisé (6) en utilisant les t-normes probabilistes est approximativement linéaire si e* = [ε1*, ε2* … εm*]T est dans le voisinage du vecteur zéro, ainsi : m 1 u∗ ≅ ε ∗i ∑ m (1 − λ ) 2 − 1 + λ i=1 si e ∗ → [0 0 K 0 ]T . • Démonstration : Par définition des t-normes probabilistes, l’équation (6) devient : ∏ µ i − ∏ (1 − µ i ) u∗ = (2λ − 1)(∏ µ i + ∏ (1 − µ i ) − 1) + 1 ( ) ∏ (1 + ε ) − ∏ (1 − ε ) = (2λ − 1)(∏ (1 + ε ) + ∏ (1 − ε ) − 2 ) + 2 Sachant que ∏ (ε + 1) ≅ 1 + ∑ ε ∗ i ∗ i ∗ i m i =1 ∗ i m ∗ i i =1 m m ∗ i i =1 i =1 En faisant une inspection plus détaillée des surfaces de la colonne de gauche (λ=0) de la Figure 4 on constate que la commande construite par le CLN(Lukasiewicz) est la plus douce de toutes. De la même façon, en regardant les surfaces de la colonne de droite (λ=1) on constate que la commande du CLN(Lukasiewicz) est la plus réactive de toutes. ∗ i Surface du CLN"Zadeh" avec λ=1 Surface du CLN"Zadeh" avec λ=0 1 u 1 u 0 0 -1 m -1 1 et ∗ i 1 1 0 ε2 T ∗ ∏ (1 − ε ) ≅ 1 − ∑ ε , puisque e → [0 0 K 0] m situation du système est réalisée par l'intersection d'antécédents, c'est-à-dire, qu’il faut que toutes les antécédentes soient vérifiées à 100% pour que la commande soit activée à 100%. Les lignes noires des surfaces de la colonne de droite correspondent aux deux règles où l'interprétation est faite par l'union d'antécédentes, c'est-à-dire qu’il suffit qu'une des antécédentes soit totalement vraie pour que la commande soit activée totalement. 0 -1 -1 ε1 Surface du CLN"Probabiliste" avec λ=0 alors : u 1 u ≅ ε ∗i (1 − λ ) 2 m − 1 + λ ∑ i =1 ( ) -1 1 1 1 0 ε2 0 -1 -1 ε1 ε2 Autrement dit, si les univers de discours sont très grands ( Ei max, Umax → ∞ ), alors la commande générée par le CLN tend vers une commande du type linéaire. Par ailleurs, si λ=1 alors la commande appliquée par le CLN dans le voisinage de zéro est égale à la somme des entrées. 0 -1 -1 -1 -1 ε1 1 1 u 1 0 Surface du CLN"Luckasiewicz" avec λ=1 Surface CLN"Luckasiewicz" avec λ=0 • ε1 0 -1 ∗ -1 1 0 m 0 -1 Surface du CLN"Probabiliste" avec λ=1 1 u 1 0 ε2 u 0 0 -1 -1 1 ε2 1 1 0 0 -1 -1 ε1 ε2 1 0 0 ε1 Commande du type Bang-Bang (Mode glissant) Figure 4.- Les surfaces construites par le CLN. 3 Analyse de stabilité 2.6 Influence du paramètre d'association mixte Il reste à mettre en évidence l'influence de l’opérateur d’association mixte sur la commande. En considérant un CLN "normalisé" à deux entrées (m=2), il est toujours possible de représenter l’action de commande u* comme une surface dans un espace tridimensionnel. Dans la Figure 4 on montre les surfaces correspondant à la commande du CLN pour le trois t-normes (Zadeh, Probabiliste et Lukasiewicz) et pour deux valeurs spécifiques de λ (0 et 1). Remarquons qu’en faisant varier λ de zéro à un, nous construisons un volume dont la surface inférieure correspond à λ=0 et la surface supérieure correspond à λ=1. Toute autre surface se trouve à l’intérieur de ce volume. Les deux points noirs dans les surfaces de la colonne de gauche, correspondent aux deux règles où l'interprétation de la LAAS-CNRS Toulouse France, Rapport N°99331. L’ajustement du paramètre λ est laissé au concepteur (ou superviseur) selon le degré d'exigence désiré. Mais quelques applications ont montré des comportements instables pour certaines valeurs de λ. Alors, il faut garantir au superviseur que quelle que soit son choix (entre un λinférieur et un λsupérieur) le système bouclé reste stable. Dans cette section nous montrons une méthode pour cela. Puisque le CLN génère une commande non linéaire, des méthodes adaptées doivent être appliquées. 3.1 Le Critère du cercle Il existe plusieurs résultats concernant l'étude de stabilité, comme par exemple le critère de Nyquist, le critère du cercle, le critère de Popov ou le critère de faible gain, voir [12]-[13] pour les détails. Dans cet [Ψ (e )− K article nous allons rappeler uniquement le critère du cercle. u 0 λ ∗ _ Ψ(e) ] [Ψ (e ) − K T λ ∗ max ] e∗ ≤ 0 observateur u e e∗ (10) consigne Procédé SISO H(s) min ε1 .. . erreur y G(s) R(s) _ εm Figure 5.- Forme canonique du Problème de Lure. Théorème 1 : Le Critère Multivariable du Cercle. Pour le système bouclé de la Figure 5, soit : a) H(s) un système linéaire strictement propre, b) Ψ(⋅) une non linéarité sans mémoire, satisfaisant la condition du secteur: [Ψ(e) − K min e]T [Ψ(e ) − K max e] ≤ 0 , ∀e ∈ Π ⊂ ℜ m pour deux matrices réelles Kmin et Kmax, où Π est un domaine compact convexe incluant l'origine, c) et soit H T (s ) = H (s )[I + K min H (s )]−1 = C (sI − A)−1 B où (A, B, C) est une réalisation minimale, Alors le système bouclé est absolument stable si: i. A est Hurwitz, ii. il existe une matrice symétrique définie positive P solution de l'équation de Riccati: (7) PX A + X TA P + PBBT P + CT KKC = 0 où X A = 2A − BKC+ εI , K=Kmax−Kmin et ε est un scalaire positif suffisamment petit (nous considérerons ε = −10 −3 Real (λ max ( A )) ). • Dans le cas où la stabilité serait garantie dans un certain domaine (Π ⊂ ℜm), alors nous sommes intéressés à estimer ce domaine. Cela revient à résoudre le problème d’optimisation non-linéaire suivant : max µ = max x T Px sous: K min Cx = U x ( ) La solution de ce problème est donnée par : T 2P x 0 C T K min = max 0 φ U K min C Umax u* Ψλ(⋅) où φ est le multiplicateur de Lagrange. Ainsi, toute condition initiale qui vérifie x(0)TPx(0) ≤ µ génère une trajectoire stable asymptotique vers l’origine. max CLN normalisé Figure 6.- Configuration de commande en utilisant le CLN. Il nous reste à trouver Kmin et Kmax qui vérifient l’inégalité (10). Pour l’instant nous allons restreindre cette analyse à un CLN à deux entrées e*=[ε1*, ε2* ]T et nous allons considérer que ces deux dernières ne se saturent pas. Ainsi, nous énonçons la proposition suivante. Proposition 1 : Soit e*=[ε1*, ε2* ]T avec ε1*, ε2* ∈ [−1 1] pour ∀t. Soit u* = Ψλ(e*) définie par (6) et soit : 1 1 (11) [1 1] K min = [1 1] et K max = 2 4(1 − λ ) alors la condition du secteur est satisfaite globalement quelle que soit la valeur de λ et la tnorme choisie. • Démonstration.- De l’équation (6) on peut écrire : ε1∗ + ε ∗2 Ψλ e ∗ = 2(2λ − 1){t (µ1 , µ 2 ) − s(µ1 , µ 2 )}+ 2 En utilisant cette équation et les valeurs de Kmin et Kmax dans l’équation (10), la condition de secteur est transformée en: ( ) (ε + ε ) (2λ −1) (s(µ ,µ ) −t(µ ,µ ))(s(µ ,µ ) −t(µ ,µ ) −1) ≤ 0 (12) 2(1−λ) ∗ 2 2 2 1 µ = x T Px m 1/E1max ∗ 1 (8) .. 1/E . e* 2 1 2 1 2 1 2 Etant donné que le premier facteur de (12) est toujours positif alors le deuxième doit être négatif. Mais ceci est vrai car 0 ≤ s (µ1 , µ 2 ) − t (µ1 , µ 2 ) ≤ 1 quelles que soient les t-normes choisies. • Considérons maintenant que les deux entrées peuvent saturer. 3.2 Application au CLN La configuration de commande montrée dans la Figure 6 est déjà sous la forme standard de type Lure. L'application du critère du cercle est alors directe. La partie linéaire est : [ ( H (s ) = diag Eimax )] R(s )G (s )U −1 max et la condition du secteur est : LAAS-CNRS Toulouse France, Rapport N°99331. (9) Proposition 2 : Soit e*=[ε1*, ε2* ]T avec ε1*, ε2* ∈ ℜ pour ∀t. Soit u* = Ψλ(e*) définie par (6) et soit : 1 1 [γ1 γ2 ]; Kmax = Kmin = [1 1] (13) 1 4max( 2 ,1 − λ) 4 min( 12 ,1 − λ) alors la condition du secteur est satisfaite globalement pour tout λ ∈ [0, 1], les scalaires 0≤γ1≤1 et 0≤γ2≤1, et quelle que soit la t-norme choisie. • Démonstration.- D'abord écrivons l'équation (6) en considérant que ε1*, ε2* peuvent se saturer : ε1∗ ⋅ g ε1∗ + ε ∗2 ⋅ g ε ∗2 (14) Ψλ e ∗ = 2(2λ − 1){t (µ1 , µ 2 ) − s(µ1 , µ 2 )} + 2 où: − 1 / ε ∗i si − 1 > ε ∗i g ε ∗i = 1 si − 1 ≤ ε ∗i ≤ 1 ∗ 1/ ε si ε ∗i > 1 i est un gain dynamique toujours compris entre zéro et un. Dans le cas d'un domaine fini de stabilité, la limite minimale n'est plus zéro mais γi qui est plus grand que zéro. Partons de l'inégalité : 0 ≤ s (µ1 , µ 2 ) − t (µ1 , µ 2 ) ≤ 1 . Si (1−2λ)>0 alors 0 ≤ (1− 2λ)(s(µ1 , µ2 ) − t(µ1 , µ2 )) ≤ (1− 2λ) 1 1 1 donc ≤ ≤ 4(1 − λ) 2(1 − 2λ)(s(µ1, µ2 ) − t(µ1, µ2 )) + 2 2 Si (1−2λ)<0 alors (1− 2λ) ≤ (1− 2λ)(s(µ1,µ2 ) − t(µ1,µ2 )) ≤ 0 1 1 . donc 1 ≤ ≤ 2 2(1− 2λ)(s(µ1, µ2 ) − t(µ1, µ2 )) + 2 4(1 − λ) Ainsi, il découle aisément que: ( ) ( ) ( ) ( ) 1 1 1 1 1 ≤ ≤ max , min , 2 4(1 − λ) 2 4(1 − λ) 2(1 − 2λ)(s(µ1, µ2 ) − t(µ1, µ2 )) + 2 1 1 1 ≤ ≤ 4 max(12 ,1 − λ) 2(1 − 2λ)(s(µ1, µ2 ) − t (µ1, µ 2 )) + 2 4 min(12 ,1 − λ) Donc (14) est compris entre: Kmine∗ ≤ Ψλ (e∗ ) ≤ Kmaxe∗ où Kmin et Kmax sont définies par (13). • Pour nous faciliter la tâche nous considérons γ1=γ2=γ. Finalement il ne nous reste qu’appliquer le théorème 1. Notons qu’il faut fixer la valeur de λ à priori, pour ensuite calculer Kmin et Kmax, et ensuite évaluer la stabilité du système. Dans le cas où l’ensemble des valeurs de λ n’est pas vide, alors il est intéressant d’avoir une estimation du plus grand intervalle [λinf, λsup], telle que la stabilité du système bouclé est assurée. Pour cela, nous proposons la méthode de recherche itérative suivante. Pas 6.-Le système est absolument stable pour tout λ ∈ [λinf, λsup] et toute condition initiale telle que : µ ≥ x(0 )T Px (0 ) . FIN 4 Exemple illustratif Dans cette section, nous allons présenter un exemple d'application du CLN et son étude de stabilité et de robustesse. Considérons le système SISO sous la configuration de régulation de la Figure 6. Le modèle du système et le pseudo-observateur sont : T ~ s+2 et R (s ) = 1, 1 G(s ) = 2 s + αs + 2 s avec : α = αο + ∆α, αο = −2 et ∆α ∈ [−1.1 1.1]. Alors le modèle nominal est: s+2 G (s ) = 2 s − 2s + 2 Définissons les réalisations minimales en espace d’état de chaque bloc linéaire comme: G (s ) ↔ [AG , BG , CG ] et R2 (s ) ↔ [ AR , B R , C R ] (le bloc intégral) avec conditions initiales xG(0) et xR(0) égales à zéro. La consigne est définie par une fonction échelon unitaire d’amplitude r. Les univers de discours des variables du CLN sont fixés à: E1∈[−1, 1] et E2∈[−0.5, 0.5]. La première variable correspond à l’erreur et la deuxième correspond à l’intégrale de l’erreur. Nous considérons enfin que la commande est saturée, U ∈ [−30, 30] et les t-normes utilisées sont Probabilistes. 1.4 λ=0 λ=1 1.2 1 0.8 y(t) 0.6 0.4 0.2 Algorithme 1 : Pas 1.-Obtenir une réalisation (A,B,C) minimale de (9). Si (A−½BC) est Hurwitz alors CONTINUER, sinon ARRETER, on ne peut assurer la stabilité pour aucune valeur de λ. Pas 2.-Trouver le plus petit λ=λinf ≥ 0 qui vérifie le théorème 1 avec Kmin et Kmax définies par (11). Pas 3.-Trouver le plus grand λ=λsup≤1 qui vérifie le théorème 1 avec Kmin et Kmax définies par (11). Pas 4.-Trouver le plus petit γ=γlim ≥ 0 qui vérifie le théorème1 avec (13). Pas 5.-Calculer µ solution de (8) avec Kmin et P obtenus au Pas 4 et Umax = 1. LAAS-CNRS Toulouse France, Rapport N°99331. 0 0 0.2 0.4 0.6 0.8 1 1.2 temps [seg] 1.4 1.6 1.8 2 Figure 7.- Réponse temporelle du système bouclé. 4.1 Réponse temporelle Dans la Figure 7 nous présentons la réponse temporelle de y(t) commandée par le CLN précédemment spécifié. L'amplitude de la consigne a été fixée à r = 1. Notons que la réponse temporelle avec λ=1 est plus rapide que celle avec λ=0. Notons aussi que le dépassement et le temps de stabilisation sont plus importantes avec λ=0 qu'avec λ=1. Ces résultats montrent comment les performances sont organisées par rapport à λ pour ce cas particulier. 12 Consigne=5.3229 Consigne=5.56 10 4.2 Analyse de stabilité du système nominal 8 Nous allons étudier la stabilité du système bouclé par l’analyse de l'état stationnaire xH(∞) = [xG(∞), xR(∞)]T. Comme xH(∞) ≠ 0, il faut, avant tout, définir le changement de variable x(t ) = x H (t ) − x H (∞ ) , afin que la nouvelle variable d’état ait un point d’équilibre à l’origine Si, par définition, x(∞ ) = 0 . alors : erreur (∞ ) = r − y (∞ ) = 0 xG (∞ ) AG u (∞ ) = C G 4 2 0 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 Figure 8.- Réponses temporelles du système nominal avec un CLN (probabiliste) et λ = 0. erreur(∞ ) x R (∞ ) u(∞ ) = U max Ψ λProb , max max E2 E1 max U = x R (∞ ) (3 − 2λ )⋅ E2max 4.3 Analyse de la robustesse Considérons maintenant le modèle incertain tel que: ~ G (s ) et ∆ g = ∆α s G (s ) = s+2 1 + ∆ g G (s ) La configuration de commande avec modèle incertain peut être transformée en celle montrée dans la Figure 9. La représentation en espace d’état de H(s) est : 2 − 2 0 30 x& (t ) = 1 0 0 x (t ) + 0 u ∗ 1 2 0 0 consigne=0 ε1∗ 1 2 0 ∗= x (t ) ε 2 0 0 2 Go(s) y _ _ R(s) ε1* ε1 ε2 H(s) _ ⇒ ∆g _ ~ u avec sa valeur initiale : 0 − x G (∞ ) x (0 ) = = − 0.5 r ∞ x ( ) R 3−2 λ 60 En appliquant l’algorithme 1, on trouve que le CLN est absolument stable pour : r ≤ 3.6153 avec : 163.6989 686.4631 780.7627 r ≤ 5.3229 0.0080 0.0481 0.0459 avec : Par simulation temporelle on a pu constater l'apparition d’un cycle limite avec le CLN (λ = 0) lorsque la consigne est égale à 5.56. LAAS-CNRS Toulouse France, Rapport N°99331. Umax Ψλ(⋅) u* 1/E1max CLN normalisé ε2* y~ ∆α 1/E2max a) ∀λ ∈ [0, 0.9999], γ ≥ 0.4, 83.187 164.6188 P = 164.6188 681.2184 163.6989 686.4631 5 temps[seg] −1 BG 0 0 y(∞ ) b) ∀λ ∈ [0, 0.5], γ ≥ 0.26, 0.0112 0.0130 P = 0.0130 0.0642 0.0080 0.0481 6 y(t) Ψλ(⋅) Figure 9.- Schéma équivalent. La représentation en espace d’état matrice de transfert H(s) est : 2 − 2 0 30 x& (t ) = 1 0 0 x(t ) + 0 1 2 0 0 de la nouvelle 1 ∗ u 0 ~ u 0 ε1∗ 1 2 0 ∗ ε 2 = 0 0 2 x(t ) ~y 1 0 0 avec : 0 x (0) = − 0.5 r λ 3−2 60 et les matrices Kmin et Kmax sont égales : γ 1 K min = 4 max ( 2 ,1−λ ) 0 11 K max = 4 min (2 ,1−λ ) 0 0 ; − ∆α 1 0 4 min ( 12 ,1− λ ) 0 ∆α γ 4 max 12 ,1− λ ( 0 ) En appliquant l’algorithme 1 on arrive à garantir la stabilité robuste du système pour tout λ ∈ [0, 0.999], γ ≥ 0.55, tout ∆α ∈ [−1.1, 1.1] et : 8.2390 15.9649 15.7115 P = 15.9649 65.5450 63.2520 15.7115 63.2520 70.2353 L'amplitude maximale de la consigne est égale à r ≤ 2.6615. Par simulation temporelle on a constaté l'apparition d’un cycle limite avec le CLN (λ =0 et ∆α = −1.1) lorsque la consigne est égale à 3.341. 7 6 5 4 3 y(t) 2 1 0 Consigne=2.6615 Consigne=3.341 -1 -2 0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 temps[seg] Figure 10.- Réponse temporale avec CLN et modèle incertain. Conclusions Le CLN propose une simplification importante de la complexité du CF permettant une conception facile pour des systèmes uni et multidimensionnels. Dans cet article seul le cas SISO est détaillé. Comme travail futur nous proposons son application à un système MIMO. Avec le critère du cercle nous sommes capables de garantir la stabilité et la robustesse d'un système linéaire commandé par un CLN pour un intervalle [λinf λsup]. L'exemple montre que ce test n'est pas excessivement conservatif. Nous considérons que l'intérêt du CLN réside dans trois aspects: i. Quand une commande linéaire peut être appliquée dans le voisinage du point d'équilibre, alors notre approche peut donner des résultats intéressants. ii. Si la stabilité est garantie dans une intervalle de λ, alors l'opérateur (ou superviseur) peut choisir librement un λ spécifique selon les performances désirées. iii. Puisque le CLN n’utilise que quelques paramètres, son autoréglage peut être développé. LAAS-CNRS Toulouse France, Rapport N°99331. Références [1] H. Ying, W. Siler and J. J. Buckley, "Fuzzy Control Theory: A Nonlinear Case", Automatica, Vol. 26, No.3, pp. 513-520, 1990. [2] C. Melin, B. Vidolov, "Passive Two-rule-based Fuzzy Logic Controllers : Analysis and Application to Stabilization", Proc. The Third IEEE Conf. on Fuzzy Syst., Vol 2, pp.947-951 , June 26-29 1994. [3] B. Vidolov, C. Mélin, "An Approch to the Obtaining of Knowledge Bases for MIMO Fuzzy Control : Application to a Non Linear Thermal System Control", Proc. The Sixth IEEE Conf. on Fuzzy Syst., pp.99-103 , July 1-5 1997. [4] J. Aguilar M., J. C. Hernández, "Conectivos mixtos de la lógica borrosa para la coordinación en control fuzzy" I jornadas sobre Trasferencia de Tecnología Fuzzy, Universidad de Murcia, 1995. [5] J. Aguilar M., J.C. Hernández, "Natural logic control: a new design of regulators based on fuzzy logic compensated connectives", Rapport LAAS No. 96447, 12p, BISC Seminar Lecture, Berkeley (USA), 19 Septembre 1996. [6] J.C. Hernández, J. Aguilar M., J. Quevedo C., "Natural Logic Approach to Fuzzy PID Regulation", Journées Hispano - Françaises sur les Systèmes Intelligents et le Contrôle Avancé. Barcelona, 12 et 13 Nov. 1996. [7] Aceves L. A., Aguilar M. J. "Détermination du rang de variation admissible du paramètre de compensation des opérateurs mixtes dans la logique floue appliquée à la regulation non linéaire", Rencontres Francophones sur la Logique Floue et ses applications LFA'97, Ed. Cépaduès, Lyon France, pp.33-42, 1997. [8] Aceves L. A., Aguilar M. J., "Analisis de estabilidad de un tipo de control no lineal: el controlador logico natural", XIX Jornadas de Automatica, Madrid España, 16-18/Septembre pp.105-110, 1998. [9] J. Aguilar Martin, N. Piera I. Carrete, "Les connectifs Mixtes : de nouveaux operateurs d’association des variables dans la classification automatique avec aprentissage", Data analysis and informatics IV, Ed. by E. Diday et al. (editors), 253-265, Elsevier Science Publishers B ; V., North-Holland, 1986. [10] J. Aguilar Martin, N. Piera I. Carrete, "Controlling selectivity in nonstandard pattern recognition algorithms", IEEE Trans. on Syst. Man and C., Vol. 21, No. 1, pp. 71-82, January/February 1991. [11] N. Piera, J. Aguilar Martin, M. Sánchez, "Mixed connectives between min and max", IEEE Proceedings the eighteenth international symposium on multiplevalued logic, Palma de Mallorca, Spain, 1988. [12] H. K. Khalil, Nonlinear Systems, Macmillan Publishing Company, New York, 1992. [13] M. Vidyasagar, Nonlinear Systems Analysis, 2°. Ed., Prentice-Hall International Inc., 1993. [14] Klement, "Characterization of Fuzzy Measures constructed by means of triangular norms", Journal of Mathematical Analysis and Applications, 1981 [15] L. X. Wang, "Fuzzy systems are universal approximators", Proc. IEEE Int. Conf. Fuzzy Syst., San Diego, CA, Mar 1992. [16] B. Bouchon Meunier, "La Logique Floue", Serie Que sais-je, 2702, Presse Universitaires de France, 2ème Ed. 1994. [17] P. J. Mac Vicar Whelan, "Fuzzy sets for man machine interaction", Int. Journal of Man-Machine Studies, No. 8, pp. 687-697, 1977.