Supervision neuro-floue a apprentissage genetique d’un pid robuste

Abstract FRE

Dans cet article on présente de nouveaux outils pour la supervision et l’optimisation intelligente des systèmes hautement non linéaires à base de la logique floue.

Les paramètres dominants caractérisant la base des connaissances floues (facteurs d’échelle des variables d’entrée / sortie, fonctions d’appartenance et règles d’inférence) sont optimisés per l’emploi des algorithms génétiques (AG).

Le conventionnel PID dans sa forme améliorée, où les coefficients de différentes actions KP, KI et KD sont non linéairement variables.

Un système d’inférence floue à structure neuronale à apprentissage génétique joue le rôle de superviseur qui permet de donner des fonctions optimales à ces coefficients La structure du réseau superviseur est spécifiée par une combinaison entre le raisonnement flou mixte de Takagi-Sugeno et de Mamdani.

Le codage optimal mixte, binaire-entier, est utilisé pour la construction des chromosomes définissant l’ensemble des paramètres nécessaires pour la conception du superviseur désiré.

Ce nouveau superviseur se distingue lui même par un gain de dénormalisation (facteur d’échelle de sortie) qui varie linéairement avec les entrées floues.

Sous certaines conditions, il devient similaire à un PID conventionnel à coefficients non-linéairement variables.

Les résultats de simulation sur la commande à temps optimal d’un modèle de référence prédéterminé pour le système de pendule inversé montrent bien l'efficacité et la robustesse de la méthode utilisée.