Génération automatique et optimisation de systèmes à inférence floue

Automatic generation and optimization of systems of fuzzy inference

• Auteur / Autrice : El-Hadi Rebaa
• Direction : Yacine Amirat
• Type : Thèse de doctorat
• Discipline(s) : Informatique et robotique
• Date : Soutenance en 2003
• Etablissement(s) : Paris 12

Mots clés

Mots clés contrôlés

Logique floue

Mots clés libres

Systèmes à inférence floue

Résumé

La synthèse d’un système à inférence flou (SIF) pour l’identification et la commande d’un système MIMO, constitue une problématique de recherche non trivial qui nécessite l’emploi une méthodologie pour la génération de la base de connaissances. L’objectif de cette thèse est de proposer une algorithmique pour l’induction automatique de contrôleurs flous MIMO. Pour ce faire, un modèle hybride neuro-flou est utilisé pour représenter le SIF, compte tenu de l’avantage qu’il présente au niveau de l’unicité de la structure. L’approche proposée comprend deux étapes essentielles. La première concerne l’identification des paramètres du modèle, partir de la méthode de la rétropropagation du gradient. La seconde consiste en une optimisation structurelle du SIF basée sur une nouvelle algorithmique de classification. Une nouvelle formulation de la méthode de classification FCM (Fuzzy C-Means), introduisant une nouvelle contrainte basée sur un indice d’inclusion des sous-ensembles flous, au sens de la similarité, est proposée. Cette approche a été validée sur deux applications. La première concerne la commande dynamique d’un robot série 2 ddl et la seconde, l’identification des efforts non linéaires dans l’espace libre d’un robot parallèle à liaisons C5. Les performances obtenues montrent une bonne précision d’approximation d’un système MIMO non linéaire. De plus, cette approche a permis de réduire d’un facteur 10 le nombre de règles floues générées par rapport à l’approche FCM, basée sur l’utilisation d’une partition à grilles.

Fuzzy inference system (FIS) synthesis for identification and control of MIMO systems represents a non trivial research problematic which requires a knowledge base generation methodology. The aim of this thesis is to propose a new algorithmic for automatic induction of MIMO fuzzy controllers. For this purpose, a neuro-fuzzy hybrid model is used to model the FIS, due to its structure unicity. The proposed approach includes two main steps. The first one concerns the model parameters identification using a back-propagation method. The second one consists of an optimization of the FIS structure based on a new classification algorithmic. A new formulation of the FCM (Fuzzy C-Means) clustering method, tacking into account a new constraint based on a fuzzy sets inclusion index from similarity point of view, is proposed. This approach has been validated on two applications. The first one concerns the dynamic control of a 2-DOF serial robot and the second one, the free space non-linear efforts identification of a C5 parallel robot. The obtained performances show a good approximation accuracy of a non-linear MIMO system. Moreover, this approach has allowed the reduction of the generated fuzzy rules number with a factor of 10, compared to the FCM approach using a grids partition.