Les approches de commande

La commande d’un système est généralement fondée sur un modèle connu suite à des acquisitions scientifiques a priori telles que les lois des sciences physiques ou à partir des

données d’observations expérimentales. Dans la plupart des cas d’applications, on se limite à une application linéaire autour d’un point de fonctionnement ou d’une trajectoire. On rencontre diverses approches de commande selon les particularités les plus efficaces du système à commander, cela nécessite la compréhension du procédé et les buts de commande déterminés par l’utilisateur. On cite quelques exemples de techniques abordées dans la littérature.

I.1.3.1 Commande adaptative

Elle réalise le réalignement de quelques paramètres entrant dans le calcul de la commande en fonction de la dynamique du processus afin de garder les records du système lorsque les paramètres varient.

I.1.3.2 Commande robuste

C’est une commande dirigée vers la création de correcteurs à paramètres fixes qui seront aptes d’assurer des propriétés en présence de perturbations et d’incertitudes paramétriques.

I.1.3.3 Commande optimale

C’est une commande obtenue à partir d’un modèle qui permet de vérifier les conditions initiales et finales, de satisfaire diverses contraintes imposées et d’optimiser un critère mathématique choisi.

I.1.3.4 Commande prédictive

Le MPC (Model prédictive control) ou les méthodes de commande prédictive sont des outils forts pour affronter le problème de commande avec restrictions. Le MPC est une commande pour les systèmes à dynamique relativement lente. Il est compatible avec le fait qu’à chaque temps d’échantillonnage le signal de commande découle de la résolution d’un problème d’optimisation, elle doit son origine et son développement à l'emploi de l'ordinateur dans les processus de commande. La commande prédictive établie un espace étendu et varié, elle associe d’autres branches comme la commande multivariables, la commande optimale et la commande avec contrainte.

I.1.3.5 Commande neuronale

Le réseau de neurones artificiels est un ensemble d’algorithmes dont la conception est à l’origine inspirée du fonctionnement des neurones biologiques. Le fonctionnement d’un neurone artificiel opère par analogie avec celui d’une cellule nerveuse. Un réseau de neurones est constitué d’un ensemble de neurones artificiels interconnectés par des poids dont les valeurs influent sur le comportement de toute la structure.

L’accomplissement des règles d’opération d’ajustement des connexions, définissent l’algorithme d’apprentissage ou de synthèse de réseau. La capacité de traitement de l’information distribuée est rapide, ceci est dû à la structure parallèle et à l’aptitude de reproduire des attitudes arbitraires à partir de modèles significatives qui font des réseaux neurones des outils avantageux pour la résolution de différents problèmes. Il est intéressant pour la commande des systèmes de s’appuyer sur des modèles non linéaires d’entrée-sortie obtenus à partir des données.

I.1.3.6 Commande par mode glissant

C’est une commande non linéaire, elle se distingue par sa robustesse et son efficacité.

Son principe de commande est l’aboutissement au point représentatif de l’évolution du système sur une hyper surface de l’espace de phase, elle représente un ensemble de relations statiques entre les variables d’état. La surface considérée est indiquée comme surface de glissement ou de commutation Le comportement dynamique résultant est appelé régime glissant idéal, est entièrement déterminé par les paramètres et les équations définissant la surface.

I.1.3.7 Commande floue

La synthèse d’une loi de commande performante nécessite un modèle précis, en l’absence de ce modèle on est conduit vers des applications difficiles de l’automatique classique. Une alternative intéressante s’impose c’est la commande basée sur les techniques de la logique floue.

Ces techniques admettent de formaliser le traitement de l'inconsistance et de l'incertitude sur le modèle du système et d'établir une interopérabilité du comportement dynamique du système par un ensemble de règles linguistiques traduites en langage simple et interprétable.

Un contrôleur flou est un système qui utilise un raisonnement en profondeur très limité, dans une procédure de chaînage.

Les contrôleurs flous emploient une expertise proche du langage humain sous forme de règles, dont la forme générique pour un contrôleur à deux entrées et une sortie est décrite par l'expression suivante : Si x1 et A1 et x2 et A2 Alors y est B, cette dernière est appelée règle floue.

Les variables x1, x2 et y représentent les variables physiques caractéristiques du processus à commander et du problème de commande associé. A1, A2et B sont des valeurs linguistiques qui sont représentées par des ensembles flous.

Notre travail, s’intéresse plus particulièrement aux outils intelligents, autrement dit les techniques de soft computing : la logique floue et la combinaison des réseaux de neurones et de la logique floue. Les applications des techniques du soft computing aux problèmes de commande

ont attesté d’un grand succès. Chacune d’entre elle a des propriétés distinctives afin de résoudre une large famille de problèmes.

Les avantages d'utilisation d’un contrôleur flou sont:

• Le modèle mathématique non requis.

• La connaissance antérieure sur les règles peut être utilisée.

• Une interprétation et implémentation simple.

• Décision et action d’une manière intelligente malgré l’imprécision et l’incertitude des connaissances disponibles.

Les avantages d'utilisation d’un contrôleur neuronale sont:

• Le modèle mathématique non requis.

• Aucune connaissance de base sur les règles.

• Plusieurs algorithmes d’apprentissage sont accessibles.

Le contrôleur neuro- flou est un arrangement de deux approches qui sont la logique floue et les réseaux de neurones. Dans la littérature un certain nombre d’architectures neuro-floues sont présentées suivant le type de règles floues qu’elles intègrent (Mamdani ou Sugeno).

L’aptitude de ces structures demeure dans la capacité d’incorporer une base de connaissances, de traiter les données indécises et confuses par la logique floue et d’introduire l’apprentissage à travers le réseau de neurones.

Suite a ce chapitre on s'intéresse plus au système quadruple réservoir utilisé dans notre travail.