Chapitre I Introduction à la commande par logique floue 7

II.1. Principe de logique floue

Présenté par le philosophe MAX BLACK dés 1937, le concept de la logique floue fut
réellement introduit en 1965 par Lotfi Zadeh, un professeur d’électronique à l’université de
Berkeley (USA), sa théorie `` fuzzy set theory `` n’eut pas un succès immédiat, elle fut développée
surtout en Europe et au japon. L'idée de base de la logique floue est de modéliser des phénomènes
ou des procédés comme le ferait l'être humain, c'est-à-dire de mettre en algorithmes, composés
essentiellement par des règles du type {Si ... alors ...}, le raisonnement humain. En effet, l'homme a
tendance à tirer des conclusions sur certaines situations à partir de données imprécises ou
incomplètes et à agir en fonction d'un ensemble de règles implicites au raisonnement. A titre
d'exemple, une personne qui est prête à prendre une douche peut savoir si l'eau a une température
appropriée à cet effet au moment d'ouvrir le robinet. Si cette personne trouve que l'eau est très
froide, sa réaction naturelle sera de bouger le robinet pour réguler la température. Si l'eau devient
très chaude, alors elle devra bouger le robinet dans le sens inverse et ainsi de suite jusqu'à trouver la
température de l'eau qui lui convient le mieux. La personne en question ne connaît pas forcement la
température de l'eau, mais ses capteurs corporels lui donnent une information que son cerveau
transforme en une sensation de confort et c'est à partir de cela qu'elle prend des décisions.
Ainsi, un algorithme qui peut traduire le raisonnement de la personne de l'exemple cité ci-
dessus pourrait être le suivant :
Si l'eau est froide alors ouvrir le robinet vers le chaud. Si l'eau est très chaude alors ouvrir le
robinet vers le froid... Si l'eau a une température appropriée alors laisser le robinet fixe et prendre
la douche.
Si l'idée de mettre en algorithme le raisonnement humain est considérée dans le cas de
phénomènes ou procédés plus complexes qui font intervenir plusieurs machines et opérateurs, toute
la connaissance empirique des experts peut être exploitée en vue d'une meilleure maîtrise de ces
procédés complexes. Pour cela il faut suivre la méthodologie de la logique floue qui divise un
système en trois éléments principaux, à savoir, un module de fuzzification, un module de déduction
de règles, nommé aussi base de connaissances et en module de défuzzification.

II.2 Eléments de base de la logique floue

II. 2. 1. Variables linguistiques

La notion essentielle de variable linguistique a été introduite par Zadeh, elle suggère d'emblée
que les valeurs de cette variable ne sont pas numériques, mais plutôt symboliques, en termes de
mots ou d'expressions du langage naturel.

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 8

Une variable linguistique est caractérisée par un triplet (x, T(x), u) ou :

X : le nom de variable
T(x) : ensemble de terme de variable, c’est l’ensemble des noms des valeurs linguistiques de x dont
chaque valeur est un sous ensemble flou défini dans U.
U : l’univers de discours Comme exemple de la variable linguistique, on prend la vitesse de rotation
du moteur. Son ensemble de terme T (vitesse) peut être :
T (vitesse) = (lente, moyenne, rapide, …)
Où chaque terme dans T (vitesse) est caractérisé par un ensemble flou dans l’univers de discours U
= [0,200] par exemple.
Pour les vitesses inférieures ou égales à 80 intervient la variable linguistique (lente), et pour les
vitesses supérieures ou égales à 150 intervient la variable linguistique (rapide). Ces deux termes
peuvent être caractérisés comme des ensembles flous dont les fonctions d’appartenance sont
montrées sur la figure (II.1).

Figure II.1 Représentation des variables linguistiques

II. 2. 2. Les ensembles flous

Dans la théorie des ensembles classiques, il n’y a que deux situations acceptables pour un élément,
appartenir ou ne pas appartenir à un sous-ensemble. Le mérite de Zadeh a été de tenter de sortir de cette
logique booléenne en introduisant la notion d’appartenance pondérée : permettre des graduations dans
l’appartenance d’un élément à un sous-ensemble, c'est-à-dire d’autoriser un élément à appartenir plus moins
fortement à ce sous-ensemble.

Soit X un ensemble de référence et soit x un élément quelconque de X. Un sous-ensemble flou A de X

est défini comme l’ensemble des couples :

= , , ∈ .1

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 9

Avec
: → [0,1]
Ainsi, un sous-ensemble flou A de X est caractérisé par une fonction d’appartenance qui
associe, à chaque point x de X un réel dans l’intervalle [0,1]; représente le degré
d’appartenance de x à A . On observe les trois cas possibles suivants :
=0
0< <1
=1
(II.2)

Où, = 0 si x n’appartient pas à A ; 0 < > 1 si x appartient partiellement à A ; et

= 1 si x appartient entièrement à A. La fonction d’appartenance inclut ou exclut donc
à ses extrémités tout élément x au sous-ensemble A. Entre les valeurs extrêmes, le degré
d’appartenance varie à proportion de la proximité à l’ensemble.

II. 2. 3. les Fonctions d'appartenances

Il existe différentes formes de fonctions d'appartenances dont on peut signaler quelques unes : Les
formes trapézoïdales et triangulaires sont les plus utilisées.
• Triangulaire :

−
∈[ , ]
−
= −
∈[ , ]
−

• Trapèze :

∈[ , ]
= 1 ∈[ , ]
∈[ , ]

Exemple :
∶ [0, 100] → [0, 1] û ∶ [0, 100] → [0, 1]

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 10

=0 ≤ 20 ≥ 75
=1 ≤ 20
û

û = 20 < < 35
→ = 20 < < 35 →
û =1 35 ≤ ≤ 55
=0 ≥ 35
û = 55 < < 75

∶ [0, 100] → [0, 1]

=0 ≤ 55
35 −
→ = 35 < < 75
15
=0 ≥ 75

II. 2. 4. Caractéristiques des ensembles flous

Un sous-ensemble flou est complètement défini par la donnée de sa fonction d’appartenance. A

partir d’une telle fonction, un certain nombre de caractéristiques du sous-ensemble flou peuvent être
étudiées.

A. Support et Hauteur

Ces deux caractéristiques, pour l’essentiel montrent, dans quelle mesure un sous-ensemble flou
A de X diffère d’un sous-ensemble classique de X. La première est le support et la deuxième la
hauteur.
Le support d’un sous-ensemble flou de A de X, noté Supp(A), est l’ensemble de tous les éléments
qui lui appartiennent au moins un petit peu. Formellement:

= ∈ | >0 (II.3)

La hauteur du sous-ensemble flou A de X, notée h(A), est le plus fort degré avec lequel un
élément de X appartient à A. Formellement:
ℎ = ∈ (II.4)

B. Noyau

Un sous-ensemble flou est normalisé si sa hauteur h(A) = 1. Le noyau d’un sous-ensemble flou A de
X, noté Noy(A), est l’ensemble de tous les éléments qui lui appartiennent totalement (avec un degré
1). Formellement :
= ∈ |μ x = 1 (II.5)
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 11

C. Cardinalité
La cardinalité d’un sous-ensemble flou A de X, noté IAI, est le nombre d’éléments appartenant à
A pondéré par leur degré d’appartenance. Formellement, pour A fini :

| |=∑ ∈ .6

Si A est sous-ensemble ordinaire de X, sa cardinalité est le nombre d’éléments qui le

composent, selon la définition classique.

II.2.5. Opérateurs en logique floue

Comme dans le cas des ensembles « classiques », les opérations logiques d'union (OU),
d'intersection (ET) et de complémentarité (NON) peuvent être appliquées aux ensembles flous.
A. Opérateur logique ET
L'opérateur logique ET classique est défini de la manière suivante : A ET B est VRAI si
et seulement si A est VRAI et B est VRAI. Cette loi est aussi notée AB que l'on nommera
conjonction.
On définit l'opérateur ET flou comme l'intersection de deux ensembles flous A et B,
respectivement étant le plus petit ensemble flou contenant A et B. Selon l'approche Zadeh,
l'intersection de deux ensembles flous A et B de même référentiel U est définie par
l'équation suivante :
∀ , ∈ ∗ ∶ ∩ , = min , (II.7)
La Figure II.2 illustre l'opérateur ET entre les ensembles flous A et B. On a donc
l'opérateur minimum {min).

Figure II.2 Intersection des ensembles flous A et B

B. Opérateur logique OU

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 12

L'opérateur logique OU classique est défini de la manière suivante : A OU B est VRAI si et

seulement si A est VRAI ou B est VRAI, (si A est vrai et que B est vrai aussi, alors A OU B est vrai).
Cette loi est aussi notée A+B que l'on nommera disjonction inclusive.
On définit l'opérateur OU flou comme l'union de deux ensembles flous A et B, respectivement
étant le plus grand ensemble flou contenu dans A et dans B d'autre part.
Selon l'approche Zadeh, l'union de deux ensembles flous A et B de même référentiel U est
définie par l'équation suivante :
∀ , ∈ ∗ ∶ ∪ , = max , (II.8)
On parle d'opérateur maximum {max). Cette opération est représentée à la Figure suivante :

Figure II.3 Union des ensemble flous A et B.

C. Opérateur logique NON
L'opérateur logique NON est défini de la manière suivante : le contraire de A est VRAI si et
seulement si A est FAUX. Le contraire de A est noté A que l'on nomme la négation ou le
complément.
Selon l'approche Zadeh, le complément d'un ensemble flou A est défini par l'équation suivante :
̅ =1− (II.9)
La Figure II.X montre l'opérateur NON de l'ensemble flou A.

Figure II.4 Complément de l’ensemble flou A

II.3 Systèmes flous

Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 13

Un système flou est donc formé de trois étapes comme indiqué sur la Figure II.5 La première,
l'étape de fuzzification transforme les valeurs numériques en degrés d'appartenance aux différents
ensembles flous de la partition. La seconde étape concerne le module d'inférence, qui est constitué
de deux blocs, le moteur d'inférence et la base des règles. Enfin, l'étape de défuzzification qui
permet d'inférer une valeur nette (précise), utilisable en commande par exemple, à partir du résultat
de l'agrégation des règles.
La figure 2.1 illustre la composition d'un système flou.

Figure. II.5 Structure d’un système flou

II. 3 .1. Fuzzification
La fuzzification est le premier traitement qui entre en compte dans la structure d'un système
flou. Elle consiste à donner un degré d'appartenance à une valeur réelle d'entrée en fonction des
ensembles flous. Dans un système flou, il faut rendre floues (fuzzifier) les entrées et les sorties du
système. Pour le système flou, la fuzzification des variables est une étape importante du processus
de mise en œuvre. Les caractéristiques de cette étape sont habituellement déterminées par des
experts ou des opérateurs qualifiés travaillant sur le processus et recourant le plus souvent à leurs
connaissances. De plus, les performances du système flou seront influencées par la fuzzification.
Les étapes de la fuzzification consistent à :
1. Etablir les variables linguistiques;
2. Établir les quantificateurs flous (nombre de valeurs linguistiques);
3. Attribuer une signification numérique à chaque quantificateur flou : fonction
d'appartenance.
II. 3 .2. Méthodes d’inférences floues
L'inférence floue est le processus d'élaboration des relations qui existent entre les variables
d'entrées (exprimées comme variables linguistiques) et la variable de sortie (également exprimée
comme variable linguistique). Ces relations fournissent ensuite la base des règles (BR) à partir de
laquelle les décisions peuvent être prises. Le processus de l'inférence floue implique tous les

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 14

éléments qui sont décrits dans les sections précédentes : les fonctions d'appartenance, les opérateurs
à LF et les règles de type « Si...Alors ». Le module d'inférence est constitué de deux blocs, le
moteur d'inférence et la base des règles.

Figure II.6 Module d’inférence d’un système flou.

La première étape consiste à créer des règles dont la syntaxe est très stricte bien que les termes
utilisés paraissent naturels. La création de l'ensemble des règles de contrôle linguistique recourt le
plus souvent aux connaissances d'experts ou d'opérateurs qualifiés travaillant sur le processus. Le
réglage découle donc a priori des connaissances du fonctionnement du système. La représentation
linguistique des règles est la suivante :
Si antécédent I ET antécédent 2 ALORS conséquence 1
Où :
Antécédent : variable d'entrée
Conséquence : variable de sortie
ET : opérateur de base (parfois pour certaines applications l'opérateur est OU)
Exemple :

Si Temps est beau ET Moment est DébutMatinée ALORS Moral est haut

Prémisses Conjonction Implication Conclusion

La quantité de règles dépend du nombre d'entrées et du nombre de zones de chacune d'elles. Si

l'on considère n univers de discours Ui pour les entrées du système flou et que chaque univers Ui est
partitionné en mi fonctions d'appartenance floues, alors le nombre maximal de règles (rmax)est donné
par l'équation suivante :

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 15

= . 10

Plusieurs approches sont proposées pour le traitement numérique des règles d'inférences. Par
exemple, la méthode de Mamdani qui utilise les opérateurs min et max pour l'implication et
l'agrégation, ou encore la méthode de Larsen qui utilise un produit et l'opérateur max, ou celle de
Sugeno qui utilise une fonction linéaire ou une constante pour les signaux de sortie. Les deux
méthodes qui sont les plus largement utilisées en pratique sont la méthode de Mamdani et la
méthode de Sugeno. Dans notre cours, nous allons illustrer la méthode de Mamdani.

II.3.2.1 Inférence floue de type Mamdani

Nous avons vu qu'on définit l'intersection (conjonction) et l'union (disjonction) à l'aide de deux
relations floues, la t-norme et la t-conorme. Leurs définitions ne sont pas uniques. Dans le modèle
de Mamdani, la conjonction (des antécédents) est usuellement interprétée par l'opération min
(Zadeh) et la disjonction (des règles) comme le max, appelée la méthode max-min. La t-norme et la
t-conorme, selon le modèle de Mamdani sont définies comme suit :
t-norme : ∩ = min , (II.11)
t-conorme : ∪ = max , (II.12)
Où :
∩ est l'opérateur d'intersection représentant la conjonction min (t-norme).
∪ est l'opérateur d'union représentant la disjonction max (t-conorme).
Ainsi, l'implication utilise l'opérateur min et l'agrégation l'opérateur max. La Figure II.7 illustre le
modèle d'inférence de Mamdani.

Figure II.7 Méthode d’inférence de type Mamdani

II. 3.3 Défuzzification

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 16

La dernière étape, mais non la moindre, est la défuzzification. Le système d'inférence fournit
une sortie floue par l'évaluation des règles à la suite d'une ou plusieurs entrées réelles. Se pose alors
le problème de lui donner une représentation floue approximative ou une valeur précise, c'est la
défuzzification. La défuzzification est généralement l'une des tâches les plus gourmandes en temps
d'opération du traitement flou. Il existe de nombreuses méthodes de défuzzification, mais seulement
quatre sont pratiquées. Les méthodes les plus couramment utilisées sont :
• la méthode du centre de gravité;
• la méthode des maximums;
• la méthode des surfaces;
• la méthode des hauteurs.
Bien que le choix soit d'une façon ou d'une autre subjectif, nous nous limitons ici à la
présentation de la méthode du centre de gravité, traditionnellement utilisée par les contrôleurs flous.
Cette méthode donne des résultats similaires à ceux d'un PI (correcteur proportionnel intégral)
conventionnel. Donc le contrôleur flou utilisant la méthode du centre de gravité fournit
généralement une erreur plus faible qu'avec la méthode de la moyenne des maxima.

II. 3.3.1 Méthode du centre de gravité

En général, la méthode du centre de gravité (CDG) est basée sur le calcul de l'abscisse
correspondant au centre de gravité de la surface du sous-ensemble flou de la solution déterminée
par l'agrégation de l'action des règles floues. La Figure II.8 illustre une solution floue p dont la
solution précise, zo, est donnée par la méthode du centre de gravité.

Figure II.8 Méthode du centre de gravité

Le calcul de la solution précise, Z0, d'une solution floue à l'aide de la méthode du centre de
gravité est défini par :
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 17

.
= . 13

II.4 Contrôleurs flous

La commande floue a le même but qu’une commande réalisée en automatique classique, c’est-à-
dire la gestion automatique d’un processus, en fonction d’une consigne donnée, par action sur les
variables qui décrivent le processus. Le but de cette partie du cours est de présenter les méthodes
d’élaboration des contrôleurs PI et PID flous.

II.4.1 Contrôleur PID flou

La logique floue est utilisée dans une foule de domaines, principalement pour prendre des
décisions ou pour réguler des procédés. Plusieurs applications dans le domaine de la commande de
procédé utilisent un CF dont le fonctionnement est calqué sur celui d'un contrôleur PID classique.
En effet, l'élaboration du modèle du contrôleur PID flou est faite en utilisant l'équation de base d'un
contrôleur PID classique. La structure du CF sera choisie d'abord pour reproduire la structure
générique d'un contrôleur PID classique. Le contrôleur PID classique de type standard est décrit par
l'équation suivante :

= . + + . . . 14

Par conséquent, la sortie à action directe d'un tel contrôleur est fonction de l'erreur, de l'intégrale de
l'erreur ainsi que de sa dérivée.

= [ , , ] . 15

Le CF doit donc traiter l'intégrale et la dérivée de l'erreur. En analyse numérique, il existe toute
une famille d'algorithmes permettant d'approcher la valeur numérique d'une intégrale et de la
dérivée. Toutes consistent à approcher l'intégrale ou la dérivée par une formule dite de quadrature,
du type approximation rectangulaire ou approximation trapézoïdale. La seconde méthode d'Euler
est mise à profit pour numériser les termes intégral et dérivé, conduisant à l'équation suivante :
+1 −1
= . + . . + . . . 16
2 −1
Cependant, l'intégration numérique peut conduire à une approximation erronée lorsque la
période d'échantillonnage est beaucoup plus petite que la constante d'intégration Ti. Il existe bien
sûr une solution pour contrer ce fâcheux phénomène; par contre, elle nécessite une grande capacité
de mémoire. Plutôt que d'implanter l'algorithme directement à partir de l'équation précédente, il est

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 18

souhaitable de modifier l'équation en supprimant l'intégrale de celle-ci. Nous utilisons une forme
incrémentale du contrôleur numérique, dans laquelle ce n'est pas la grandeur de commande U(z) qui
est évaluée, mais plutôt la variation {incrément) de U(z). Le signal de contrôle progressif généré par
un contrôleur PID discret est donné par :
Δ = − [ −1 ]= . + . + . . 17

Δ = − [ −1 ]= . + . + . . 18

Où : Kp, Kl et KD sont respectivement le gain proportionnel, le gain de l'intégrale et le gain de la

dérivée du contrôleur PID classique. La variation de l'erreur, l'erreur et l'accélération de l'erreur sont
données par les équations respectives suivantes :

= − [ −1 ] ∕ (II.19)

= (II.20)

= − [ −1 ] ∕ (II.21)

Où :
e(kT) est le signal de l'erreur;
T est la période d'échantillonnage.

II.4.2 Contrôleur proportionnel intégral flou simplifié

Il existe plusieurs méthodes pour synthétiser des correcteurs PI et PID flous . Une approche
très intéressante a été proposée dans la littérature pour la conception d'un correcteur PI flou qui
considère un nombre minimal de règles dans sa base de connaissances (seulement quatre).ce
correcteur est connu comme PI flou minimal. En effet, à partir des deux entrées (l'erreur et le taux
de variation de l'erreur), une sortie et un algorithme adéquat de défuzzification, il est possible de
déduire une structure floue similaire à celle d'un PI mais avec les coefficients proportionnel et
intégral variants en fonction de l'erreur et du taux de variation de l'erreur. Dans cette partie du cours
nous essayons de résumer cette méthode. Le schéma de ce contrôleur est illustré sur la figure
suivante :

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 19

Figure II.9 Schéma de principe d’un régulateur PI flou.

Les paramètres du correcteur sont définis comme suit :

= − ∗

̃ = [ ]
−
=

̃ = [ ]

=∆ + = ∆ +

Avec :
: un nombre entier qui désigne un échantillon ;
Te : la période d'échantillonnage ;
∗
: la consigne ;
: la sortie du procédé
: l’erreur de régulation ;
: le taux de variation de l'erreur ;
: la sortie du correcteur flou (l'entrée du procédé) ;
∆ : la sortie incrémentale du correcteur flou ;
̃ , ̃ , : les valeurs floues de , , et ;
, et : des coefficients d'ajustement des variables floues (l'erreur, le taux de variation de
l'erreur et la sortie du correcteur flou) ;
[] : L’opération de fuzzification.
L'ajustement de l'erreur, du taux de variation de l'erreur et de la sortie du correcteur fait partie
de l'étape de fuzzification. En effet, cet ajustement est particulièrement pratique dans les cas où les
variables réelles ont des valeurs petites ou mal conditionnées. Ceci est le cas du procédé de
digestion anaérobie.

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 20

II.4.2.1 Principe du correcteur PI flou minimal

Une fois la structure et la notation du correcteur PI flou minimale présentées, nous introduisons
le principe de cette technique. Pour cela, nous décrivons dans ce paragraphe, les trois modules
composant le correcteur PI flou minimal de la figure II.9.

A. Fuzzification

Pour cette étape on ne considère que les variables d'entrée (l'erreur et le taux de variation de
l'erreur) puissent prendre des valeurs positives et négatives. A partir de cela, deux ensembles flous
sont choisis pour chacune des variables. En revanche, pour les valeurs de la variable de sortie, il
existe trois possibilités : positives, négatives ou nulle. Ainsi, trois ensembles flous sont proposés
pour la sortie du correcteur. La fuzzification des trois variables est présentée dans la figure II.10.

Figure. II.10 Fuzzification des entres et de la sortie du PI flou

B. Base de connaissances

A partir des ensembles flous définis dans l'étape de fuzzification, les quatre règles d'inférence
suivantes sont établies.

Si l'erreur est POSITIVE et le taux est POSITIF alors la sortie est NEGATIVE.
Si l'erreur est POSITIVE et le taux est NEGATIF alors la sortie est NULLE.
Si l'erreur est NEGATIVE et le taux est POSITIF alors la sortie est NULLE.
Si l'erreur est NEGATIVE et le taux est NEGATIF alors la sortie est POSITIVE.

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 21

Pour évaluer chacune des règles d'inférence, l'opérateur « et » représente l'intersection de deux
ensembles, comme cela a été explicité précédemment.

C. Défuzzification

Le principe de la méthode de la moyenne pondérée est évoqué pour la mise en œuvre du

module de défuzzification. Ce qui est expliqué dans ce paragraphe. Le plan de phase illustré par la
figure II.11 est défini de manière à représenter toutes les combinaisons possibles entre les variables
d'entrée. Ce plan de phase est construit comme suit :

Les huit régions intérieures correspondent au cas où une des deux conditions suivantes est
vérifiée : | |≤ | |≤ et | |≤ | |≤ .
Les régions adjacentes à une des régions intérieures correspondent au cas où une des deux
conditions suivantes est vérifiée : | |≤ | |> et | |≤ | |> .
Les régions tangentes aux régions intérieures correspondent au cas où aucune des conditions
précédentes n'est pas vérifiée, c'est-à-dire que son rôle est d'éviter les ambiguïtés.

Figure II.11 Plan de phase des variables floues du PI minimal

Par ailleurs, le degré d'appartenance de et de dans chacun des ses ensembles flous est
calculé par la méthode du centre de gravité de la manière suivante :
[ + ]
= ]
2
[ − ]
= ]
2
[ + ]
=
2

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 22

[ − ]
= ]
2
Ainsi, pour les combinaisons dans l'intervalle – l'expression de défuzzification est donnée en
fonction des deux conditions suivantes qui concernent la comparaison entre l'erreur et le taux de
variation de l'erreur :
Si | |≤ | | ≤ , c’est-à-dire pour les régions 1, 2, 5 et 6, la sortie incrémentale du
correcteur flou est donnée par l’expression suivante :

∆ =− + . 22
.
| |

Pour les régions en dehors de l'intervalle – , la défuzzification se fait avec les expressions
suivantes :
Régions 9 et 10 :
∆ = −0.5 + . 23
Régions 11 et 12 :
∆ = −0.5 + . 24
Régions 13 et 14 :
∆ = −0.5 − . 25
Régions 15 et 16 :
∆ = −0.5 − . 26
Région 17 :
∆ =− . 27
Région 19 :
∆ = . 28
Régions 18 et 20 :
∆ =0 . 29
Le correcteur décrit est un équivalent d'un correcteur PI de la forme :
∆ =− + . 30
où les gains intégral et proportionnel sont calculés comme ci-dessous dans le cas ou
| |≤ | |≤ :
0.5
=
2 − | |
0.5
=
2 − | |
Chargé de cours : Dr. Mohamed Assaad HAMIDA
Chapitre I Introduction à la commande par logique floue 23

Par contre, si | |≤ | | ≤ , les gains intégral et proportionnel sont calculés comme suit :
0.5
=
2 − | |
0.5
=
2 − | |

II.5. La logique floue dans l’industrie :

Depuis quelques années, on voit émerger, notamment aux États-Unis, plusieurs applications
utilisant des systèmes de contrôle basées sur la théorie des ensembles flous. Les principaux
domaines de recherche et d’application de la logique floue sont les suivants :

• Automatisation de la production de fer et de l’acier, purification de l’eau, chaîne de montage

et robots de fabrication.
• Commande des instruments (capteur, et instruments de mesure), et reconnaissance de voix et
de caractères.
• Conception, jugement et décision (consultation, investissement et développement horaires
de train).
• Commande des unités arithmétiques, des micro- ordinateurs, et réalisation des opérateurs.
• Traitement d’information telles que les données, recherche de l’information modélisation
des systèmes,… etc.

II.6. Avantages et inconvénients de la commande par logique floue

La commande par logique floue réunit un certain nombre d'avantages et de dés inconvénients.

A. Les avantages essentiels sont :

• La non-nécessité d'une modélisation (cependant, il peut être utile de disposer d'un modèle
convenable).
• La possibilité d'implanter des connaissances (linguistiques) de l'opérateur de processus.
• La maîtrise du procédé avec un comportement complexe (fortement non-Linéaire et
difficile à modéliser).
• L’obtention fréquente de meilleures prestations dynamiques (régulateur non-linéaire);
• Deux solutions sont possibles: solution par logiciels (par microprocesseur, DSP et PC) ou
solution matérielle (par fuzzy processeurs).

Chargé de cours : Dr. Mohamed Assaad HAMIDA

Chapitre I Introduction à la commande par logique floue 24

B. Les inconvénients de la commande par logique floue sont :

• Le manque de directives précises pour la conception d'un réglage (choix des grandeurs à
mesurer, détermination de la fuzzification, des inférences et de la défuzzification).
• L'approche artisanale et non systématique (implantation des connaissances des opérateurs
souvent difficile).
• L’impossibilité de la démonstration de la stabilité du circuit de réglage en toute généralité
(en l'absence d'un modèle valable).
• La possibilité d'apparition de cycles limites à cause de fonctionnement non-linéaire.

• La cohérence des inférences non garantie a priori (apparition de règles d'inférence

contradictoires possible).
En tout cas, on peut confirmer que le réglage par logique floue présente une solution valable par
rapport aux réglages conventionnels. Cela est confirmé non seulement par un fort développement
dans beaucoup de domaines d'application, mais aussi par des travaux de recherche sur le plan
théorique. Ainsi, il est possible de combler quelques lacunes actuelles, comme le manque de
directives pour la conception et l'impossibilité de la démonstration de la stabilité en l'absence d'un
modèle valable.

Chargé de cours : Dr. Mohamed Assaad HAMIDA