Thèse CHERRAT

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE
MINISTERE DE L ’ENSEIGNEMENT SUPERIEUR

ET DE LA RECHERCHE SCIENTIFIQUE
N° d’ordre :...........
Série :.......
Université Mohammed Seddik
BENYAHIA - Jijel
Faculté des Sciences et de la Technologie
Département : Automatique
Thèse Présentée
Pour l’obtention du Diplôme de Doctorat 3éme Cycle
Spécialité : Automatique
Par :
Cherrat Nidhal
Thème :
Contribution à la commande PID floue adaptative des systèmes

non linéaires
Soutenue le : / / , Devant le Jury composé de :
Mr. S. Labiod Professeur Université de Jijel Président

Mr. H. Boubertakh Professeur Université de Jijel Rapporteur
Mr. H. Arioui MC-HDR Université d’Evry, France Co- Rapporteur
Mr. M. Bouchoucha MCA EMP, Alger Examinateur
Mr. A. Boulkroune Professeur Université de Jijel Examinateur
Mr. H. Boubakir MCA Université de Jijel Examinateur
AVANT-PROPOS
L’ensemble des travaux présentés dans cette thèse a été effectué au Laboratoire
d’Automatique de Jijel (LAJ) de l’Université de Mohamed Seddik Ben Yahia de Jijel,
et au Laboratoire Informatique, Bio-informatique et Systèmes Complexes, IBISC de
l’université d'Evry Val d'Essonne (France)
Je tiens à remercier Monsieur H. Boubertakh, Professeur à l’Université de

Mohamed Seddik Ben Yahia de Jijel, pour la proposition du sujet de cette thèse et
pour ces conseils et son soutien tout au long de ce travail. J'ai beaucoup apprécié sa
grande disponibilité, son altruisme, et son sens de la transmission du savoir.
Je suis très reconnaissant à Monsieur H. Arioui, Professeur et Directeur du

Laboratoire IBISC de l’Université d'Evry Val d'Essonne, pour l’intérêt qu’il a
témoigné à l’égard de mon travail et pour m’avoir accueilli dans son Laboratoire.
J’ai été profondément honoré que Monsieur S. Labiod, Professeur à

l’Université de Mohamed Seddik Ben Yahia de Jijel, ait accepté d’examiner ce travail
et de présider ce jury.
Que Monsieur M. Bouchoucha, Maître de Conférences à l’EMP, trouve ici ma

respectueuse gratitude pour avoir accepté de prendre part à ce jury
Que Monsieur A. Boulkroune Professeur à l’Université de Mohamed Seddik

Ben Yahia de Jijel, trouve ici l’expression de mes sincères remerciements pour
l’intérêt qu’il a porté à ce travail en acceptant de l’examiner.
Que Monsieur H. Boubakir, Maître de Conférences à l’Université de Mohamed

Seddik Ben Yahia de Jijel, trouve ici l’expression de mes sincères remerciements pour
l’intérêt qu’il a porté à ce travail en acceptant de l’examiner.
Que tous mes amis et collègues trouvent ici le témoignage de mon amitié et de
ma reconnaissance.
Enfin, je ne saurais terminer cet avant-propos sans remercier toute ma famille

pour son soutien pendant toutes mes études.
Abstract:
The work of this thesis contributes to adaptive fuzzy PID control of uncertain nonlinear systems.
The proposed control schemes use fuzzy systems to estimate the optimal gains of the control law so
that it learn the ideal control law that ensures the desired performance.
Firstly, two adaptive fuzzy PID control schemes for a class of uncertain non-linear SISO systems
have been developed. In the first approach, the fuzzy system parameters adjustment is performed using
an adaptation law which copes with the fuzzy approximation errors. However, in the second approach
this adaptation law is modified to overcome the problems control signal saturation and the unknown
control direction.
Secondly, an adaptive fuzzy PID control scheme is developed for a class of uncertain square
MIMO nonlinear systems with input "dead-zone" non-linearities.
Finally, two adaptive fuzzy PID control schemes are proposed for a class of uncertain under-
actuated MIMO systems with unknown control direction. In the first one, the problem unknown control
direction is solved by using a Nussbaum-type function, while in the second one, the control direction is
estimated online via an adaptation law.
All the control schemes that have been developed in this thesis have been subject of rigorous
stability analysis and have been validated trough simulation examples.
Key words: Nonlinear systems, Classical PID gains control, Fuzzy systems, Adaptive PID control,
Lyapunov stability.
Résumé:
Le travail de cette thèse contribue à commande PID floue adaptative des systèmes non linéaires
incertains. Les schémas de commandes proposées utilisent des systèmes flous pour estimer en ligne les
gains optimaux de la loi de commande afin que cette dernière recopie une loi de commande idéale qui
assure les performances désirées.
Premièrement, deux schémas de commande PID floue adaptative pour une classe de systèmes non
linéaires SISO incertains ont été développés. Dans la première approche, la mise à jour des paramètres
du système flou est effectuée au moyen d’une loi d'adaptation qui prend en charge les erreurs
d'approximation floue. Cependant, dans la deuxième approche, cette loi d’adaptation est modifiée afin
surmonter les problèmes de la saturation de la commande et la méconnaissance du signe de gain de
commande.
Deuxièmement, une approche commande PID floue adaptative est développée pour une classe de
systèmes non linéaires MIMO carrés incertains présentant des non-linéarités à l’entrée de type « zone-
morte ».
Enfin, deux schémas de commande PID floue adaptative sont proposées pour une classe de
systèmes MIMO sous-actionnés incertains dont signe de gain de commande est inconnu. Dans le
premier, le problème de la méconnaissance du signe des gains de commande est résolu par l’utilisation
d’une fonction de type Nussbaum, alors que dans le second, la direction de la commande est estimé en
ligne via une loi d’adaptation.
Tous les schémas de commande qui ont été développées dans cette thèse ont été le sujet d’une
étude rigoureuse de stabilité et ont été validés par des exemples de simulation.
Mots clés: Systèmes non linéaire, Commande PID classique, Système flous, Commande PID
adaptative, Stabilité de Lyapunov.
TABLE DES MATIERES
Introduction générale ..................................................................................... 1

Chapitre 1
Commande des systèmes non linéaires
1.1. Introduction ......................................................................................................................... 5
1.2. Classes des systèmes non linéaires ....................................................................................... 5
1.3. Commande PID classique .................................................................................................... 8
1.4. Commande PID des systèmes non linéaires : Etat de l’art ............................................... 10
1.4.1. Commande PID des systèmes non linéaires par linéarisation...................................... 10
1.4.1.1. Exemple illustratif 1.1 ......................................................................................... 11
1.4.1.2. Résultats expérimentaux ..................................................................................... 12
1.4.2. Commande PID des systèmes non linéaires par des approches non linéaire ............ 14
1.4.2.1. Exemple illustratif 1.2 ......................................................................................... 16
1.4.2.2. Résultats expérimentaux et comparaison ........................................................... 18
1.5. Commande PID adaptative ................................................................................................ 20
1.5.2. Exemple illustratifs 1.3 ................................................................................................... 21
1.6. Systèmes flous ..................................................................................................................... 24
1.6.1. Structure d’un système flou ........................................................................................... 24
1.6.1. Représentation mathématique du système flou ............................................................ 25
1.6.2. Systèmes flous de type Takagi-Sugeno .......................................................................... 26
1.6.3. Approximation des fonctions par les systèmes flous .................................................... 27
1.5. Conclusion .......................................................................................................................... 28
Chapitre 2
Commande PID floue adaptative des systèmes non linéaires
monovariables
2.1. Introduction ....................................................................................................................... 30
2.2. Position du problème ......................................................................................................... 31
2.3. Première approche de commande PID floue adaptative .................................................. 32
2.3.1. Conception de la première approche de commande PID floue adaptative ................. 32
2.3.2. Analyse de la stabilité ..................................................................................................... 35
2.3.3. Résultats de simulation .................................................................................................. 39
2.4. Deuxième approche de commande PID floue adaptative ................................................ 42
2.4.1. Conception de la deuxième approche de commande PID floue adaptative ................ 42
2.5. Conclusion .......................................................................................................................... 48
Chapitre 3
multivariables carrés
3.1. Introduction ....................................................................................................................... 50
3.3. Conception de la commande PID floue adaptative .......................................................... 54
3.4. Analyse de la stabilité ........................................................................................................ 59
3.5. Résultats de simulation ...................................................................................................... 63
3.5.1. Exemple 1: robot manipulateur à deux bras.................................................................. 63
3.5.2. Exemple 2: Stabilisation d'un quadrirotor..................................................................... 71
3.6. Conclusion .......................................................................................................................... 77
Chapitre 4
sous-actionnés
4.1. Introduction ....................................................................................................................... 79
4.3. Première approche de commande PID floue adaptative .................................................. 83
4.3.1. Conception de la première approche de commande PID floue adaptative ................. 83
4.4. Deuxième approche de commande PID floue adaptative ................................................ 92
4.4.1. Conception de la deuxième approche de commande PID floue adaptative ................ 92
4.5. Conclusion .......................................................................................................................... 99
Conclusion générale ..................................................................................101

Bibliographie .............................................................................................103
Introduction générale 1
Introduction générale
Au cours des deux dernières décennies, la commande des systèmes a connu un progrès
énorme sur le plan théorique où de nouvelles approches de commande avancées ont été
développées pour remédier aux limitations de la commande classique. Parmi ces
approches, on trouve : la commande linéarisante [1-3], la commande par retour d'état
adaptative [4, 5], la commande par backstepping [6], la commande par mode de glissement
[7, 8], la commande prédictive [9, 10], la commande adaptative à modèle de référence
[11] et la commande adaptative floue et neuronale [12-17].
En revanche, sur le plan pratique, la commande PID classique est toujours la technique
de commande la plus utilisée dans l'industrie. Cette réticence des industriels à faire la
mutation vers la commande avancée est due principalement à des raisons économiques. En
outre, la commande classique permet souvent de présenter des performances acceptables
pour une large gamme de systèmes. De plus, elle offre certains avantages, à savoir, sa
structure simple et universelle, sa familiarité aux opérateurs, sa facilité de mise en œuvre et
son coût faible.
La synthèse de la commande PID classique consiste à faire un choix appropriée de

trois gains réglables permettant de remplir un cahier de charge des performances désirées.
Afin d’assuré un fonctionnement optimal de la commande PID, de nombreuses techniques
ont été proposées dans la littérature pour le réglage de ses gains. Parmi elles, on peut citer
les méthodes empiriques tel que la méthode de Ziegler-Nichols [18, 19]. Cette méthode,
qui est basée à la fois sur le comportement fréquentielle et la réponse indicielle du
système, garantie de bonnes performances en terme de rejet de perturbation mais n’assure
pas de bonnes qualités dynamiques. Les méthodes fréquentielles [19], qui sont basées sur
l’utilisation des diagrammes fréquentiels (Bode, Black ou Nyquist) implique plus de
rigueur dans conception du régulateur par rapport un cahier de charge exprimé en termes
de marge de phase et marge de gain et garantie ainsi une bonne qualité de stabilité et de
robustesse. Les méthodes d’optimisation intelligentes [20-25] qui sont basées sur la
recherche parallèle des gains vis-à-vis un cahier de charge qui ne se limitent pas à un
critère de performances particulier. Parmi ces méthodes on trouve : les algorithmes
génétiques (Genetic Algorithms, GA) [20, 21], l’optimisation par essaim particulaire
(Particle Swarm Optimization, PSO) [22, 23], l’algorithme des abeilles (Bees Algorithm,
BA) [24], l’optimisation par colonies de fourmis (Ant Colony Optimization, ACO) [25].
Les méthodes de réglage citées ci-dessus donnent des valeurs constantes des gains de
la commande qui sont maintenus inchangés pendant le fonctionnement du système.
Malheureusement, le contrôleur conçu ainsi ne peut pas assuré de bonnes performances
quand le système opère sur plusieurs points de fonctionnement, trop perturbé, présente une
dynamique inconnue, où ces paramètres changent avec le temps.
Pour s’adapter à ces classes de systèmes, il est extrêmement approprié de doter la

commande PID par de nouvelles fonctionnalités. Quelques techniques ont été proposées
dans la littérature [26-29]. La technique de programmation de gain (gain scheduling) [26,
27] est utilisée quand le système à un nombre fini de points de fonctionnement. Un
mécanisme approprié est utilisé pour la commutation entre différentes valeurs des
paramètres du contrôleur. La supervision floue [28, 29] consiste en l’ajustement des
paramètres de la commande PID en fonction de l’erreur entre la consigne et la sotie du
système au moyen d’un ensemble de règles floues. Pour étendre davantage les capacités de
la commande PID aux cas des systèmes non linéaires incertains, trop perturbés et/ou à
paramètres variables, une commande PID à gains variables est exigée ; c’est la commande
PID adaptative [30-44]. Cette dernière cumule les avantages de la commande PID
classique et la commande adaptative.
Les travaux de notre thèse s’inscrivent dans ce contexte. On se propose de développer

des schémas de commande PID adaptative pour des classes systèmes non linéaires avec la
prise en compte de contraintes pratiques, à savoir les incertitudes des modèles des
systèmes, les perturbations et la saturation des signaux de commande.
La thèse est organisée en quatre chapitres :
Dans le premier chapitre, au début, on rassemble les différentes formes de modèles

d’état des différentes classes des systèmes non linéaires les plus pertinents dans la
littérature. Puis, on fait un résumé sur les différentes structures de la commande PID
classique. Ensuite, on présente un état de l’art sur la commande PID des systèmes non
linaires. Enfin, un bref rappel sur les systèmes flous et la théorie d’approximation
universelle est donné.
Le deuxième chapitre est consacré à la commande PID floue adaptative d’une classe
des systèmes non linéaires monovariables (SISO) incertains. Deux approches sont
proposées, la première traite le cas idéal où le système ne subit aucune contrainte et le

signe du gain de commande est connu. La seconde approche traite le cas où le système
subit des contraintes à l’entrée (saturation d’amplitude et de vitesse) et le signe du gain de
commande est inconnu.
Dans le troisième chapitre, une classe de systèmes non linéaires multivariables

(MIMO) incertains complètement actionnés est considérée. Dans ce schéma, une loi de
commande PID floue adaptative est développée pour le cas où le système présente des
non-linéarités à ses entrées de type zone-morte et des perturbations externes. Enfin, les
résultats obtenus sont comparés au travail antérieur [45].
Le dernier chapitre est réservé à une classe de systèmes non linéaires MIMO sous-
actionnés incertains. Deux schémas de commande PID floue adaptative pour cette classe
de systèmes sont proposés. Ces deux schémas prennent en considération la
méconnaissance de la direction de la commande. Dans le premier, le problème de la
méconnaissance du signe des gains de commande est résolu par l’utilisation d’une fonction
de type Nussbaum, alors que dans le second, la direction de la commande est estimée en
ligne via une loi d’adaptation.
Enfin, on termine la thèse par une conclusion générale et des perspectives.

Chapitre 1
Commande des systèmes non
linéaires
Chapitre 1 – Commande des systèmes non linéaires 5
1.1. Introduction
Les premières approches de commande des systèmes non linéaires consistent à

linéariser les équations de la dynamique autour d’un point de fonctionnement, puis
appliquer les techniques de commande classique sur la base du modèle linéaire obtenu.
Bien que cette approche a prouvé son efficacité avec une large gamme de systèmes, il
existe en revanche certains classes de systèmes présentant des phénomènes où la
linéarisation n’est plus possible ni désirable :
- Présence de dynamiques inconnues

- Présences discontinuités : saturations, zones mortes, ….
- Systèmes à plusieurs points de fonctionnement
- Systèmes trop perturbés
- Chaos
- … etc.
Dans ces cas de figure, la commande classique échoue et la recherche d’autres

alternatives s’impose. A cet effet, ces deux dernières décennies, à l’instar du
développement de nouvelles approches de commande avancée, la commande PID elle
aussi a été sophistiquée pour palier à ce type de problèmes.
Dans ce chapitre, on commence par un aperçu sur des différentes classes de systèmes
non linéaires et les différentes structures de commande PID classique, ensuite, on présente
un état de l’art sur l’évolution de la commande PID des systèmes non linéaires. A la fin du
chapitre, un résumé sur les systèmes flous est donné, ce dernier sera utile dans les
prochains chapitres.
1.2. Classes des systèmes non linéaires
Un système est un ensemble de composants qui interagissent mutuellement pour

atteindre un but déterminé. On caractérise un système par ses entrées et ses sorties y,
comme le montre la Figure 1.1 [1, 2]. Ces interactions peuvent être représentées par un
modèle mathématique décrivant la dynamique du système, c’est-à-dire, l’évolution des
sorties et/ou les états en fonction des entrées (la commande). Le modèle d’un système est
obtenu par l’application des lois de la physique et/ou par les méthodes d’identification.
L’objectif de la commande en boucle fermée d’un système est la correction du son

comportement vis-à-vis un critère de performance. Le problème de commande consiste à
choisir l'entrée de la commande afin d’assurer les performances recherchées. La

complexité de cette tache est intrinsèque à la complexité du système et la précision de son
modèle mathématique.
Entrées Sorties
Système
Figure 1.1. Représentation de système.
Avant d’aborder le problème de la commande d’un système, il est essentiel de collecter

toutes les informations possibles sur ce système afin de lui formuler un modèle
mathématique qui sera d’une grande importance dans la conception des lois de commande.
Selon l’architecture du système ainsi que la quantité d’information disponibles, les
modèles des systèmes sont divisés en différentes classes ; les systèmes monovariables, les
systèmes multivaribales, systèmes invariants et les systèmes variants, les systèmes sous
actionnés et les systèmes sur actionnés, les systèmes affine et nonaffine en la commande
…etc [1, 2, 46].
La modélisation des systèmes se fait généralement sous certaines hypothèses

simplificatrices; des dynamiques négligées, paramètres constants, milieu sans
perturbations...etc. En revanche, si ces imperfections dans le modèle ne sont pas prises en
compte dans la conception de la commande, ils vont causer la dégradation des
performances voir l’instabilité du système en boucle fermée. En général, il existe trois
sources d’incertitudes ; les perturbations externes, les bruits de mesure et les incertitudes
internes.
Bien qu’il existe de nombreuses méthodes géométriques différentielles et/ou

algébriques pour représenter la dynamique des systèmes non linéaires, la présentation
d’état par un ensemble d'équations différentielles non linéaires est la plus universelle dont
la forme générale est la suivante [1, 2]:
(1.1)
où :
: est la variable de temps,
: est le vecteur d'état global avec l’ordre du système,
: est le vecteur d’entré de commande et le nombre d’entrées,
: est le vecteur de sortie du système et le nombre de sorties,
et : sont des vecteurs composés de fonctions non linéaires.
A partir de cette forme générale, il découle des formes spéciales pour les déférentes classes
des systèmes non linéaires, par exemple :
Si la fonction ne dépende pas explicitement de le système (1.1) peut être écrire sous la
forme suivante :
(1.2)
le système est dit autonome.
Si le signal de commande apparaît linéairement dans le modèle, le système (1.2) peut être
écrire sous la forme suivante :
(1.3)
avec sont des fonctions non linéaire.
le système est dit affine en la commande.
Dans le cas de la présence des incertitudes dynamique affectant le système, le système

(1.3) peut être écrit sous la forme suivante :
(1.4)
avec et sont des fonctions nominales connues, et et

sont leur incertitudes respectivement.
Dans le cas de la présence des incertitudes due à des perturbations externes, le système
(1.3) peut être écrit sous la forme suivante :
(1.5)
avec est une perturbation externe.
Notons que dans toutes les représentations d'état présentés ci-dessus si on considère
que les deux fonctions et sont inconnues, alors toutes ces systèmes sont considères
incertains.
L’incertitude des modèles des systèmes non linéaires se rajoute à la complexité

inhérente à la leur nature pour rendre la tache de commande plus ardue. De ce fait, les
techniques classiques de commande échouent ici et le recours à des techniques plus
avancées est nécessaire.
1.3. Commande PID classique
Le régulateur PID classique est constitué d'une action proportionnelle , d'une action
intégrale et d'une action dérivée . Les combinaisons possibles entre ces actions
permettent de donner trois structures de la commande PID à savoir : la structure série, la
structure parallèle et la structure mixte. Chacune des structures présente des avantages par
apport aux autres. Dans la suite, nous allons présenter ces trois structures et clarifier les
principales différences entre elles.
PID à structure série
Dans la structure série, les trois actions , et sont associées en série, c'est-à-dire le
signal de l'erreur subit à trois transformations successives comme illustré par la Figure 1.2.
Dans cette structure le signal de commande est défini par [47]:
(1.6)
où et avec :
: le signal de référence et la sortie du système.
En appliquant la transformée de Laplace à (1.6), on obtient la fonction de transfert du

régulateur PID série :
(1.7)
Processes
Figure 1.2. Structure série d’un régulateur PID.
PID à structure parallèle
Dans la structure parallèle, les trois actions , et sont associées en parallèle, comme
illustré par la Figure 1.3.
Processes
Figure 1.3. Structure parallèle d’un régulateur PID.
Dans cette structure le signal de commande donné est défini par :
(1.8)
En appliquant la transformée de Laplace à (1.8), on obtient la fonction de transfert du

régulateur PID parallèle:
(1.9)
PID à structure mixte
Dans la structure mixte, les deux actions et sont associé en parallèle, et leur
somme est multipliée par l’action , comme illustré par la Figure 1.4.
Dans cette structure le signal de commande est donné par [47] :
(1.10)
En appliquant la transformée de Laplace à (1.10), on obtient la fonction de transfert

du régulateur PID mixte :
(1.11)
Processus
Figure 1.4. Structure mixte d’un régulateur PID.
La principale différence entre ces trois structures concerne l’effet des gains de réglage
( , et ) sur le comportement du régulateur, on remarque que contrairement aux
deux structures série et mixte, où les trois actions sont couplées entre elles, dans la
structure parallèle les trois actions sont découplées entre elles complètement, c’est-à-dire,
la modification du gain proportionnel ne modifiée que l’action proportionnelle, tandis
que, dans les deux autres structures (série et mixte), la modification du gain proportionnel
va modifier simultanément les trois actions (proportionnelle, intégrale et dérivée).
1.4. Commande PID des systèmes non linéaires : Etat de l’art

Cette section est consacrée de l’art sur la commande PID des systèmes non linéaires.
1.4.1. Commande PID des systèmes non linéaires par linéarisation
L’utilisation de la technique de linéarisation, qui permet de transformer la dynamique

du système non linéaire en forme linéaire, est l’une des solutions les plus connues et les
plus efficace pour l’application de la commande PID classique aux systèmes non linéaire
comme dans [48-55].
Dans [48], les auteures proposent d’utiliser la commande PID classique pour
commander le déplacement, la vitesse et la pression d’un système d'entraînement

hydraulique rotatif, dans ce schéma, la dynamique non linéaire de ce système est linéarisée
autour de son position d’équilibre. Dans [49], les auteurs proposent d’utiliser la commande
PID classique à un actionneur électrohydraulique. Dans ce schéma, la dynamique non
linéaire de ce système est linéarisée par des séries binomiales. Dans [50], les auteurs
propose de l’utilisation de la commande PID classique pour un robot manipulateur. Dans
ce schéma, une technique de linéarisation par retour d’état est utilisée pour trouver une
approximation linéaire de la dynamique non linéaire inconnue. Dans [51], les auteurs
utilisent une loi de commande PID classique afin de résoudre le problème de l'instabilité
d’un hélicoptère. Dans ce schéma, aussi une technique de linéarisation par retour d’état est
utilisée. Dans [52, 53], une commande de type PID est proposée pour stabiliser un pendule
inversé. Le pendule inversé est modélisé, puis linéarisé autour de sa position d’équilibre
verticale. Dans [54], la commande PID classique est utilisée pour traiter le problème de
suivi de trajectoire d’un robot mobile. Dans ce schéma, les auteures utilisent un modèle
simple linéarisé du robot mobile composé d’un intégrateur et d’un retard pur. Dans [55],
les auteurs proposent des régulateurs PID, I-PD et PD-PI pour le système "barre-
boule". Dans ce schéma, le modèle non linéaire de ce système est linéarisé autour du point
d'équilibre.
Pour illustrée l’idée générale de l’utilisation de la commande PID classique d’un

système non linéaire en utilisant la technique de linéarisation on propose dans la section
suivante un exemple pratique.
1.4.1.1. Exemple illustratif 1.1
Dans cet exemple, nous proposons de stabiliser le pendule inversé rotatif représenté par
la Figure 1.5 dont la dynamique est donnée par :
(1.12)
(1.13)
Comme illustrer sur la Figure 1.6, le pendule inversé rotatif a deux points d'équilibre ; un
point d'équilibre stable où le pendule en bas ( ) et un point d'équilibre instable où le
pendule en haut ( ). Le modèle linéarisé autour du point d'équilibre instable

est donné comme suit :
(1.14)
(1.15)
En utilisant les valeurs numériques des paramètres données au Tableau 1.1. Le modèle
d’état linéaire obtenu est donné par :
(1.16)
L'objectif de commande est de stabiliser le pendule en sa position d’équilibre verticale à

partir de la condition initiale , . A cet effet, une commande PID classique est
conçue sur la base du modèle linéaire (1.16).
Centre de mass
Brais rotatif Pendule
Moteur DC
Figure 1.5. Pendule inversé rotatif.
1.4.1.2. Résultats expérimentaux
Les résultats expérimentaux sont donnés respectivement sur les Figures 1.6 et 1.7. Le
signal de commande PID est montré sur la Figure 1.8. On remarque que les deux
trajectoires convergent vers les points désirés.
Table 1.1. Propriétés physiques du pendule inversé rotatif [56].
Symbole Valeur
0.
200
150
100
[deg]
50
-50
-100
0 5 10 15 20
Temps [s]
Figure 1.6. Position du bras rotatif .
La validité des approches basées sur la technique de linéarisations reste toujours

valables sur une petite zone autour du point de linéarisation, comme dans l'exemple
précédent où le régulateur PID ne fonctionne pas correctement lorsque le pendule est à
° de la position verticale, c’est-à-dire, .
182
180
178
[deg]
[rad]
176
174
172
170
0 5 10 15 20 25
Time
Temps[sec]
[s]
Figure 1.7. Position du pendule .
5
U(v)
-5
0 5 10 15
Temps [s]
Time [sec]
Figure 1.8. Signal de commande PD.
1.4.2. Commande PID des systèmes non linéaires par des approches non
linéaire
Afin d’appliquer la commande PID sur des systèmes non linéaire avec la prise en
compte de son comportement non linéaires complètement, et aussi la rendre plus robuste
plusieurs solutions sont proposées dans la littérature. Dans cette partie, nous allons
présenter en bref certaines d’entre eux.
Dans [57-59] une commande PID robuste est proposée pour des systèmes non
linéaires. Dans ces schémas, un relais de précharge (P-Relay) est associé en série avec la
commande PID. Ce relais permet d’offrir un gain élevé pour garantir une bonne
performance de robustes, cependant, il cause également un phénomène de chatterings.
Dans ces travaux, au lieu de considérer le chatterings comme une caractéristique

indésirable, les auteurs utilisent leurs informations pour régler et re-régler les paramètres
de la commande.
Dans [60-62], une commande PID non linéaire saturée est développée pour résoudre le
problème de la régulation globale des robots manipulateurs, dans ces schémas, une
fonction saturée est incorporée avec la commande PID pour assurer la stabilisé
asymptotique globale en boucle ferme en présence de la non linéarité de la dynamique de
système, les paramètres de la commande sont choisis aléatoirement par les utilisateurs sous
certains conditions de stabilité.
Dans [63-66], une commande PI / PID pour les systèmes non linéaires en présence de
variations des paramètres et des perturbations externes inconnues. Dans ces schémas, la
technique de perturbation singulière est utilisée pour développer une loi de commande
robuste de type PI/PID, les paramètres de la commande sont choisis sur la base de l'analyse
de la stabilité du système en boucle fermée via cette technique.
Dans [67], les auteurs proposent pour traiter le problème de commande d’un système
"barre-boule" deux commandes PD non linéaires ; une commande PD série et une
commande PD parallèle, dans ces schémas, un terme de compensation non linéaire est
introduit dans la commande PD pour surmonter le non linéarité de la dynamique de
système. Les paramètres des commandes sont choisis par les utilisateurs en se basant sur la
réponse expérimentale du système.
Dans [68-71], les auteurs proposent une commande PID optimale pour un robot
manipulateur. Dans ce schéma, la structure de la commande PID est obtenue par résolution
du problème du contrôle optimal en utilisant la technique de la stabilité entrée-à-état
(Input-to-State Stability (ISS)). Les paramètres de la commande sont choisis après
exécution de nombreuses simulations à condition que ces gains choisis satisfassent
certaines conditions pour garantir la stabilité du système de commande.
Dans [72], une commande PID non linéaire permet de traiter le problème de suivi de
trajectoire des systèmes non linaire est proposée, dans ce schéma, une fonction non linéaire
est ajoutée à chaque action de commande pour compenser la non linéarité du système, pour
déterminer les gains de la commande un algorithme basé sur la technique de l’optimisation
par essaim particulaire est utilisé.
Dans [73-75] la commande PID est utilisée dans la stratégie de commande d’un
pendule inversé relatif. Dans ces schémas, les auteurs proposent d’utiliser deux
commandes, la première est utilisée pour faire osciller le pendule jusqu'à une certaine
distance de la position haute, elle est appelée " swing up control", et la deuxième est la
commande PID/PD classique, elle est utilisée pour stabiliser le pendule en la position
haute Pour trouver les paramétrés des commandes un mécanisme d’essai est utilisé.
Pour prendre une idée générale sur l’amélioration de la commande PID classique pour
la rendre applicable sur des systèmes non linéaires on propose dans la section suivante
deux exemples pratiques.
1.4.2.1. Exemple illustratif 1.2
Dans cet exemple, nous proposons d’utiliser deux schémas de commande de type
PD/PID pour stabiliser le pendule inversé relatif représenté par la Figure 1.5. Dans ce cas
la dynamique non linéaire globale du pendule inversé relatif est prise en compte
complètement, c’est-à-dire, l'objectif de commande ici est de stabiliser le pendule en sa
position d’équilibre instable à partir de sa position d’équilibre stable (conditions initiales
, ).
Premier schéma de commande
Le premier schéma de commande est basé sur l’utilisation de deux lois de

commande ; une loi de commande d’énergie permet d’osciller le pendule jusqu'à une
certaine distance de la position haute, et une loi de commande PID classique permet de le
stabiliser en cette position comme suit :
(1.17)
où: .
avec : est un gain de commande, est l’énergie de référence souhaitée. Notons que
l’utilisation de la fonction permet de faire une commutation plus rapide.
Deuxième schéma de commande
Le deuxième schéma de commande est basé sur le développement d’une seule loi de
commande PD de type mode de glissement (Sliding mode PD control SMPD) pour osciller
et stabiliser le pendule.
En prenant , , et , la dynamique du pendule inversé rotatif

(1.12) peut s’écrire sous la forme d’état suivante :
(1.18)
où
, , , ,
, and .
, , .
La surface de glissent de chaque sous système est donnée par :
(1.19)
(1.20)
On considère une surface de glissement de deuxième niveau définie comme suit :
(1.21)
avec : est une constante positive et est donnée par :
(1.22)
où est une constante positive
La commande du système est définie comme suit:
( ̇) (1.23)
où
(I.24)
(I.25)
avec : et et sont des constantes positives.
1.4.2.2. Résultats expérimentaux et comparaison
Les résultats expérimentaux des deux lois de commande proposées avec et sans
perturbations sont présentés par les Figures 1.9 à 1.13. A partir de ces Figures on peut voir
que, ces approches de commande permettent de donner une bonne performance de
stabilisation même en présence les perturbations externes.
200
150
100
50
[deg]
-50
-100
-150
0 2 4 6 8 10 12 14 16 18 20
Time [sec}
Temps [s]
Figure 1.9. Position du pendule (trait continu: commande SMPD, trait pointillé:
commande PID).
Comparés au schéma de commande PID classique développée dans l’exemple illustratif

1.1, les avantages principaux de ces schémas sont : 1) elles sont valables non seulement
autour du point de linéarisation, mais aussi sur tout la gamme de fonctionnement du
système, 2) elles sont robustes par apport aux perturbations externes
60
40
20
U (v)
0
-20
-40
-60
0 2 4 6 8 10 12 14 16 18 20
Time
Temps[sec]
[s]
Figure 1.10. Signal de la commande SMPD.
2
U(v)
-2
-4
-6
0 2 4 6 8 10 12 14 16 18 20
Time
Temps[sec]
[s]
Figure 1.11. Signal de la commande PID.
250
‫ ـــــــــــــ‬SMPD
SMC
200 -------- Commande
PID controlPID
150
100
[deg]
50
-50
-100
0 2 4 6 8 10 12 14 16 18 20
Time [sec]
Temps [s]
Figure 1.12. Position du bras rotatif avec la présence de la perturbation (trait continu:
commande SMPD, trait pointillé: commande PID).
600
‫ ـــــــــــــ‬SMPD
SMC
500 -------- Commande
PID control PID
400
300
[deg]
200
100
-100
-200
0 2 4 6 8 10 12 14 16 18 20
Time [sec]
Temps [s]
Figure 1.13. Position de pendule avec la présence de la perturbation (trait continu:

commande SMPD, trait pointillé: commande PID).
Remarque 1.1 : Dans ces exemples expérimentaux, nous allons utiliser les composants
suivants: QUBE-Servo (version NI myRIO), source d'alimentation, câble d'alimentation,
pendule rotatif, interface de myRIO, câble d'interface NI myRIO MXP et câble
d'alimentation, et le logiciel Labview.
D’une manière générale, ce type de commande PID améliorée peut vraiment résoudre
le problème du non linéarité de la dynamique des systèmes. Néanmoins, ce genre de
commande PID souffre de quelques problèmes, comme le besoin d’utiliser des actions
excessives de commande et de la connaissance de la dynamique des systèmes.
Une alternative à ce type de commande PID non linéaire est la commande PID
adaptative. La commande PID adaptative offre les avantages que le signal de commande
reste toujours acceptable, et le modèle de système n’est pas exigé d’être connu.
1.5. La commande PID adaptative

La commande PID adaptative a une structure identique à la commande PID, avec une
adaptation en linge de ses gains. Cette adaptation permet de réagir à tout moment dans le
sens souhaitée face aux changements des paramètres du système et perturbations externes.
En général, selon les techniques d’adaptation utilisées dans les auteurs pour régler les
gains, les commandes PID adaptatives peuvent être divisées en deux types :
Dans le premier type : les paramètres de la commande restent dans un ensemble pré-
choisi et ils sont changés par un certain superviseur. Parmi les superviseures les plus
utilisés, on trouve la logique floue et le Gain Scheduling [26-29]. Le superviseur peut

utiliser toutes les informations disponibles dans le système pour caractériser son
comportement actuel afin qu’il sache comment changer les paramètres de la commande et
finalement atteindre les spécifications souhaitées.
Dans le deuxième type, les auteurs utilisent une loi d’adaptation mathématique pour
adapter en linge les paramètres de la commande [30-44]. En générale, dans ce type,
l’analyse de la stabilité du système en boucle est nécessaire pour garantir la bournitude de
ces paramètres.
Pour illustrer l'idée générale des deux types de la commande PID adaptative, nous
allons considère les exemples suivants:
1.5.2. Exemple illustratifs 1.3
Dans cet exemple, nous proposons de présenter de manière générale l’utilisation du

système flou comme un superviseur pour régler en linge les paramètres de la commande
PID (plus de détails sur des systèmes flous sont présentés à la fin de ce chapitre). On
considère le schéma de commande présenté par la Figure 1.14, où les entrées du système
flou sont : le signal de l'erreur et son dérivée , où ; est le signal de
référence et : est la sortie du système, et les sorties du système flou sont les gains de la
commande , et . La base de règles floues candidates est construite par la
forme suivante :
Si l'erreur est grande alors le gain est grand et le gain est petit.
Si l'erreur et sa dérivée sont moyennes alors les gains et sont petits et est
moyen.
Si l'erreur est petite alors les gains et sont grandes et le gain est petit.
Si l'erreur est moyenne et sa dérivée est grande alors les gains et sont moyen et le
gain est grand.
La logique floue
Ref: Sortie :
Commande PID Processus
d/dt
Figure 1.14. Schéma de commande PID floue.
Dans cet exemple, nous proposons d’utiliser une commande PID adaptative pour le
système linéaire SISO décrit par les équations différentielles suivantes :
(1.26)
où et sont des paramètres constants positifs inconnus.
L’objectif est de développer une loi de commande de type PID adaptative pour forcer
la sortie à converge vers la valeur positive , sous la contrainte que tous les signaux
impliqués dans la boucle de commande doivent être bornés.
Nous définition l'erreur suivante :
Pour atteindre les objectifs de commande, nous considérons la loi de commande PID
suivante :
(1.27)
avec la loi d’adaptation suivante :
(1.28)
(1.29)
(1.30)
où et sont des paramètres constants positifs.
Démonstration : Considérons la fonction de Lyapunov candidate suivante:
(1.31)
Par dérivation, on obtient :
(1.32)
En remplaçant (1.28), (1.29) et (1.30) dans (1.32), on trouve :
(1.33)
De l'équation (1.33) on peut conclure que et que tous les paramètres
adaptatifs sont bornés.
Pour un système non linéaire plus complexe et perturbés la loi de commande PID
adaptative ne peut à elle seule garantir la stabilité du système bouclé, et l’augmentation de
cette loi de commande par un terme de commande robuste est nécessaire, comme illustré
dans l’exemple suivant.
Dans cet exemple, nous considérons le système non linéaire SISO décrit par les
équations différentielles suivantes :
(1.34)
où est une perturbation externe bornée par ,
Pour atteindre les objectifs de commande, nous proposons d’augmenter la loi de

commande PID adaptative (1.27) par un terme de robustesse comme suit:
(1.35)
avec : est une constante positive.
Démonstration : Considérons la fonction de Lyapunov candidate suivante :
(1.36)
(1.37)
En remplaçant (1.56), (1.57) et (1.58) on trouve :
(1.38)
qui peut être bornée comme suit :
(1.39)
Si on choisit on peut conclure que et aussi la bornitude
des signaux de la commande.
1.6. Systèmes flous

Les systèmes flous sont basés sur le concept de la logique floue. Ce concept a été
introduit pour la première fois par le professeur Lotfi Zadeh en 1965 comme une
généralisation de la logique binaire [76]. L’intérêt de la logique floue réside
dans sa capacité à traiter des variables exprimés en langage humain. Elle est capable de
remplacer l’homme dans la prise de décision sur la base de connaissances
imprécises, incertaine ou vagues.
Ces dernières années, la logique floue a été appliquée dans divers domaines. Cependant,
l’utilisation des systèmes flous comme approximateurs universels a permet d’ouvrir de
nouvelles perspectives à la commande adaptative [13-17, 77, 78].
1.6.1. Structure d’un système flou
Les quatre composants de base d’un système flou sont : la fuzzification, le mécanisme
d’inférence floue, la base de règles et la défuzzification (Figure 1.15) [12, 13].
Fuzzification: la fuzzification consiste une opération de transformation de la

grandeur physique réelle d’entrée en une grandeur floue à l’aide des ensembles
flous. La fuzzification permet de donner le degré avec lequel une grandeur
physique apparient à un ensemble flou en utilisant des fonctions d’appartenance.
Mécanisme d’inférence floue : L’inférence floue permet de transformer, à l’aide

des techniques de raisonnement flou (base de règles) la partie floue issue de la
fuzzification en une nouvelle partie floue.
Base de règles: la base de règles floues considère l’architecture générale du

système. C’est-à-dire, elle contient les règles floues décrivant le comportement du
système, où ces regèles prennent la forme suivante : Si permisse Alors conclusion.
Défuzzification: le roule de la défuzzification est de transformer la grandeur floue

issue de la partie d’inférence en grandeur physique.
Base de règles
floues
Variables Variables
réelles réelles de
d’entées sorties
Fuzzification Défuzzification
Mécanisme
d’inférence floue
Figure 1.15. Schéma synoptique général d’un système flou.
1.6.2. Représentation mathématique du système flou
Dans cette partie nous proposons de présenter les systèmes flous multi-entrées mono-
sorties (MISO).
Notons par l’ensemble des entrées du système flou et par

sa sortie, avec , et , . La relation entre ces
entrées et sa sortie est décrite par un ensemble des règles ( ) de la forme
suivante [12, 13, 76]
où , avec , et sont des ensembles flous définis

respectivement sur et , et est le nombre total des règles.
En utilisant la fuzzification singleton et la méthode de produit algébrique pour

l’implication, le degré de vérité ou le degré d’activation correspond à chaque règle floue est:
(1.40)
où représentée la fonction d’appartenance associée à l’ensemble floue .
En utilisant la défuzzification de somme moyenne, la sortie du système flou est donnée

par [12, 13, 76]:
(1.41)
avec : est le point dans laquelle atteint sa valeur maximale
1.6.3. Systèmes flous de type Takagi-Sugeno
Les systèmes flous présentés dans la section précédente appelés "système flou standard"
ou "système flou de Mamdani ". Dans ces systèmes, les conclusions est de forme
symboliques de même nature que les prémisses systèmes, de ce fait, des connaissances
exprimées sous forme analytique décrivant la structure interne du système ne peuvent pas
être prises en compte directement. Dans cette section, nous allons présenter les systèmes
flous qui permettent de représenter ce type d’information, ils sont appelés systèmes flous de
Takagi-Sugeno (TS).
Notons par l’ensemble des entrées du système flou et par

sa sortie. Pour chaque entrée nous définissons ensembles flous dans ,
où et . La base de règles floues est construite par la collection de
règles ( ) de la forme :
où , et , sont des ensembles flous.
En général, est un polynôme en fonction des variables d’entrées. Si est un

polynôme linéaire, i.e.
(1.42)
Alors le système flou est appelé Takagi-Sugeno d’ordre un (TS1). Si est un

polynôme d’ordre zéro, i.e.
(1.43)
Alors le système flou est appelé Takagi-Sugeno d’ordre zéro (TS0).

En utilisant la fuzzification singleton et la méthode de produit algébrique pour

l’implication, et la défuzzification de somme moyenne, la sortie du système flou est donnée
par:
(1.44)
avec :
où représenté la fonction d’appartenance associée à l’ensemble floue .
La sortie d’un système flou TS1 est donnée par :
(1.45)
La sortie d’un système flou TS0 est donnée par :
(1.46)
qui peut être réécrite comme suit :
(1.47)
avec : est le vecteur des paramètres de la partie conclusion du système

flou, est le vecteur des fonctions de base radiales où chaque
élément est défini par :
(1.48)
1.6.4. Approximation des fonctions par les systèmes flous
Deux raisons principales amènent à utiliser les systèmes flous dans la conception d’un
contrôleur adaptatif : (i) les systèmes flous ont la propriété d’approximateur universel (ii) la
construction d’un système flou est basée sur des règles floues de la forme Si-Alors, de ce
fait, les informations linguistiques ou mathématiques disponibles, issues d’une expertise
peuvent éventuellement être incorporées dans le contrôleur.
Dans la littérature floue, on dispose d’un nombre important de travaux illustrant que les
systèmes flous sont des approximateurs universels, on dispose d’un nombre important de
publications montrant que les systèmes flous sont des approximateurs universels [76-79].
Théorème 1.1. Pour toute fonction réelle non linaire définie et continue sur un
ensemble compact , , il existe un système flou de la forme (1.74) tel que :
(1.49)
avec : est une constante positive.
Dans cette thèse, nous allons baser sur la structure universelle de la commande PID, la
technique de la commande adaptative et la propriété d’approximation universelle du
système floue pour développer des lois des commandes pour certaines classes des
systèmes non linéaires incertains et complexes. Ou on peut dire que le problème de
l’amélioration de la capacité de la commande PID est posé dans cette thèse.
Dans tous les chapitres de cette thèse, on suppose que la structure du système flou de
type TS est convenablement spécifiée à l'avance par l'utilisateur d’une façon appropriée.
L'utilisateur a besoin de spécifier l'univers de discours, le type et le nombre de fonctions
d'appartenance appropriés pour chaque variable d'entrée.
1.7. Conclusion
Après avoir présenté les différentes classes de systèmes non linéaires ainsi que les
différentes structures de commande PID classique, une grande partie de ce chapitre a été
consacré à un état de l’art sur la commande PID des systèmes non linéaires.
En effet, on trouve dans la littérature plusieurs techniques qui ont été adoptées pour
augmenter la commande PID pour faire face à la complexité des systèmes non linéaires ; la
technique de linéarisation, la technique de robustification et la technique d’adaptation des
gains. Des exemples pratiques et numériques ont été présentés pour illustrés ces
techniques.
On termine le chapitre par un résumé sur la structure des systèmes flous et le théorème
d’approximation universelle qui vont être exploités dans chapitres suivants à la conception
de la commande PID adaptative.
Chapitre 2
Commande PID floue adaptative des
systèmes non linéaires
monovariables
Chapitre 2 – Commande PID floue adaptative des systèmes non linéaires monovariables 30
2.1. Introduction
La commande PID adaptative des systèmes non linéaires SISO incertains a été le sujet
de quelques travaux de recherche [30-35]. Dans [30, 31], une loi de commande PID
adaptative est utilisée pour approximer une loi de commande par retour d’état linéarisant
définie à priori. L’analyse de stabilité par l’approche de Lyapunov introduit un terme de
commande de supervision pour garantir la stabilité du système en boucle fermée.
Cependant, la classe de système considéré dans ces articles exige la connaissance du gain
de commande ainsi que la bornitude des fonctions non linéaires par des fonctions connues.
Dans [32, 33], les auteurs proposent une loi de commande PID adaptative augmentée par
un compensateur à action anticipatrice (Parallel Feedforward Compensator (PFC)) pour
des systèmes non linéaires SISO. Dans [32], le système doit vérifier la propriété de « la
passivité stricte de la dynamique de retour de sortie (Output Feedback Strictly Passive
(OFSP)) ». Dans [33], le système doit vérifier la propriété de « presque strictement réelle
positive (Almost Strict Positive Realness (ASPR)) ». Dans [34, 35], la commande PID
floue adaptative a été appliquée à des classes de systèmes plus large où les fonctions de la
dynamique non linéaire sont inconnues. Dans [34], les auteurs proposent une loi de
commande identique à une loi de commande PID issue d’un schéma de commande par
retour d’état linéarisant. Dans la classe des systèmes considérée, le gain de commande est
unitaire et les non linéarités du système sont regroupés dans une fonction inconnue et
bornée. Dans la loi de commande, la dynamique inconnue du système est estimée par un
système flou dont les paramètres sont ajustés en ligne en utilisant un algorithme de
projection afin d’assurer les performances désirées. Dans [35] les auteurs considèrent la
même classe de système avec un gain de commande connu et borné. L’idée principale de
ce travail est d’approximer une loi de commande idéale par une loi de commande PID
classique. Les gains de cette dernière sont estimés par un système flou dont les paramètres
sont ajustés en linge via un mécanisme d’adaptation assurant les performances désirées.
Afin de robustifier cette loi de commande vis-à-vis les perturbations externes et les erreurs
d'approximation cette dernière est augmentée par un terme .
Dans ce chapitre, nous proposons deux approches de commande PID floue adaptative
pour des classes de systèmes SISO non linéaires. La première approche traite le problème
des systèmes sans contraintes à l’entrée et on suppose que le signe du gain de commande
connu. Dans ce cas, une nouvelle loi d’adaptation de type est proposée
pour rendre le contrôleur plus robuste. La seconde approche traite le cas des systèmes
présentant des contraintes à l’entrée (saturation d’amplitude et de vitesse) et le signe du

gain de commande inconnu.
2.2. Position du problème

Considérons une classe des systèmes non linéaires SISO incertains donnée par son
modèle d'état suivant :
(2.1)
où est le vecteur d’état du système supposé disponible pour la

mesure, est la sortie du système, est l'entrée de commande, et sont deux
fonctions continues non linéaires inconnues.
Objectif : Notre objectif est de développer une loi de commande de type PID pour forcer
la sortie à suivre une trajectoire désirée , sous la contrainte que tous les signaux
impliqués dans la boucle de commande doivent être bornés.
Hypothèse 2.1 : Le signal de trajectoire désirée est continu, borné et -fois

différentiable.
L'erreur de poursuite est définie par :
(2.2)
et l'erreur de poursuite filtrée est définie par :
(2.3)
La solution de l'équation implique que l'erreur de poursuite converge vers

zéro avec une certaine constante de temps [12, 80-82]; par conséquent, l'objectif de la
commande revient alors à forcer le signal à converger vers zéro lorsque le temps
tends vers l’infini.
L'équation de la dynamique de peut s’écrire comme suit :
(2.4)
où
(2.5)
avec :
(2.6)
Dans le cas où les deux fonctions et sont connues, la loi de commande idéale
(2.7) peut atteindre l’objectif de commande.
(2.7)
avec : , et sont des constantes positives.
En effet, en remplaçant la loi de commande idéale (2.7) dans (2.4), on obtient :
(2.8)
A partir de cette dernière équation, nous pouvons conclure que lorsque , cela
implique que l’erreur de poursuite et tous ses dérivées convergent vers zéro lorsque
[12, 80-82]. Cependant, puisque les deux fonctions non linéaires et sont
supposées inconnues, alors, la commande idéale (2.7) ne peut pas être implémentée.
Comme solution à ce problème, on propose dans ce chapitre d’approximer la loi de
commande idéale (2.7) par une loi de commande PID adaptative.
Dans ce chapitre, deux approches de commande PID floue adaptative sont proposées
pour la classe des systèmes (2.1) pour atteindre l’objectif de commande. Dans la première
approche, le signal de commande ne subit aucune contrainte, alors que dans le second
schéma, on suppose que le signal de commande est saturé en amplitude et en vitesse, et de
plus on suppose que le signe du gain de commande est inconnu.
2.3. Première approche de commande PID floue adaptative
Dans cette section, nous proposons une loi de commande PID floue adaptative pour le
système non linéaire (2.1).
Hypothèse 2.2: La fonction est non nulle, bornée et de signe connu. Sans perte de
généralité, nous considérons ici que le signe de est positif, i.e. .
2.3.1. Conception de la première approche de commande PID floue adaptative
La loi de commande idéale inconnue (2.7) est approximée ici par une loi de commande
PID adaptative donnée par [81] :
(2.9)
où : est le gain proportionnel, est le gain d'intégration et est le gain de dérivation.
La loi de commande PID (2.9) peut être réécrite sous la forme matricielle suivante :
(2.10)
où : est le vecteur des gains de la commande et
est le vecteur de l’erreur de poursuite.
Un système flou de type Takagi-Sugeno d'ordre zéro est utilisé pour estimer le vecteur
de gains . Les entrées du système flou sont l'erreur de poursuite , l’intégrale
de l'erreur de poursuite et la dérivée de l'erreur de poursuite . Les
sorties du système flou sont les gains de la commande . Pour chaque entrée (
) nous définissons ensembles flous , . La base de règles floues est
construite par la collection de règles ( ) de la forme :
En utilisant la méthode de produit algébrique pour l’implication et la méthode de la

moyenne pondérée pour la défuzzification, les sorties du système flou, à savoir les gains de
la commande PID sont donnés par [81, 80] :
(2.11)
(2.12)
(2.13)
où : ,
avec est la fonction d'appartenance de l'ensemble flou .
Notons par et les vecteurs des

paramètres ajustables (la partie conclusion du système flou), et le
vecteur des fonctions de base radiales où chaque élément est défini par :
(2.14)
avec cette notation, les gains et peuvent être réécrits comme suit :
(2.15)
et le vecteur des gains peut être réécrit comme suit :
(2.16)
avec : et .
Par substitution de (2.16) dans (2.10), on obtient :
(2.17)
En se basant sur le fait que le système flou définit par (2.16) est un approximateur
universel [78], il est raisonnable de supposer que la commande PID floue adaptative
exprimée par (2.17) peut approximer la commande idéale inconnue donnée par (2.7),
avec une erreur d'approximation qu’on note par , et qui est considérée arbitrairement petite
et limitée par une constante ( ). Par conséquent, la commande idéale inconnue
peut être écrite sous la forme suivante :
(2.18)
où est le vecteur des valeurs optimaux inconnue des éléments de .
Dans la section suivante nous proposons une loi d'adaptation pour la mise à jour des
paramètres du vecteur qui permet de minimiser l’écart entre la commande PID floue
adaptative et la commande idéale inconnue.
Loi d'adaptation : Dans cette section, nous proposons une nouvelle loi d’adaptation pour
la mise à jour du vecteur des paramètres afin de minimiser l'erreur entre et donnée
par [81, 80]:
(2.19)
En remplaçant (2.17) et (2.18) dans (2.19), on obtient:
(2.20)
où est le vecteur d’erreur d'estimation paramétrique.
L'approche utilisée pour générer la loi d'adaptation du vecteur est basée sur la
minimisation de la fonction de coût quadratique de l'erreur suivante:
(2.21)
Par application du gradient sur , on obtient :
(2.22)
avec : une constante positive.
On remarque que le terme n'est pas disponible. Alors la loi d'adaptation (2.22) ne
peut pas être implémentée. Pour surmonter ce problème, on utilise l’équation de la
dynamique de surface de glissement (2.4).
En additionnant et soustrayant le terme au second terme de (2.4), on obtient :
(2.23)
En utilisant (2.7) et (2.19), (2.23) devient
(2.24)
A partir de (2.24), le terme peut être exprimé en fonction des termes connus
comme suit :
(2.25)
Par conséquent, la loi d’adaptation (2.22) devient :
(2.26)
Afin de garantir la bornitude des valeurs des éléments du vecteur des paramètres en
présence de l’erreur d'approximation et pour améliorer les performances de robustesse,
nous allons modifier la loi d’adaptation (2.22) par l’introduction d’un terme en fonction de
l’erreur appelé -modification comme suit [81]:
(2.27)
Remarque 2.1 : le terme -modification ( ) est utilisé pour compenser les

erreurs d’approximation et les perturbations. Il est clair que lorsque les paramètres
deviennent dans un certain intervalle acceptable, ce terme n'a pas besoin d'être actif (il tend
vers zéro quand tend vers zéro).
2.3.2. Analyse de la stabilité
Théorème 2.1: Considérons le système (2.1) et supposons que les hypothèses 2.1 et 2.2
sont satisfaites, alors la loi de commande PID floue définie par (2.17) avec la loi
d'adaptation (2.27) garantit que et est de l’ordre de au sens de la

moyenne quadratique.
Preuve du théorème 2.1:
Nous définissons la fonction de Lyapunov candidate suivante :
(2.28)
(2.29)
En remplaçant (2.27) dans (2.29), on trouve :
(2.30)
On déduit la valeur du terme de (2.20) puis on la remplace dans (2.30), il

vient :
(2.31)
En utilisant l'inégalité :
(2.32)
L’équation (2.31) devient :
(2.33)
Puisque est bornée par et est supposée positive, alors :
(2.34)
Il est clair de (2.34) que si , c'est-à-dire,
, alors , ce qui implique la bornitute de et de tous les éléments du vecteur de

l’erreur paramétrique .
Examinons maintenant la convergence de l'erreur .
L'inégalité (2.33) peut s'écrire comme suit :
(2.35)
En utilisant les inégalités évidentes suivantes :

(2.36)
(2.37)
(2.38)
D’après l'hypothèse 2.2, on peut réécrire (2.38) comme suit :
(2.39)
avec :
(2.40)
Puisque et , alors l’intégration de à des deux membres de

(2.39) et en réarrangement de ses termes donne:
(2.41)
qui peut être encore bornée comme suit :
(2.42)
avec : et .
De l'expression (2.42) on constate donc que .
sont satisfaites, alors la loi de commande proposée (2.17) avec sa loi d'adaptation des
paramètres (2.27) garantit que l’erreur de poursuite converge exponentiellement vers une
région ajustable.
Considérons la fonction de Lyapunov candidate suivante:
(2.43)
Sa dérivée est donc :
(2.44)
(2.45)
En utilisant l'inégalité évidente suivante :
(2.46)
(2.47)
En utilisant (2.38) et l’hypothèse 2.2, il vient :
(2.48)
Si on choisit et , peut être bornée comme suit :
(2.49)
A partir de cette dernière inégalité, si , c'est-à-dire, , et puisque est
borné, alors pour . Alors selon le théorème de Lyapunov [83],
les signaux et sont bornés.
En intégrant maintenant (2.49) de à et en réarrangeant ses termes, on obtient :
(2.50)
Puisque , il est évident que, à partir de (2.50), l'erreur de poursuite filtrée converge
exponentiellement à un ensemble défini par . En effet, il existe
tel que pour : , ce qui implique que ,
, donc l'erreur de poursuite et toutes ses dérivées sont convergent vers une
région ajustable.
Remarque 2.2: La loi de commande utilisée ici est uniquement de type PID, sans ajout de
terme de robustesse. Cependant, le terme de la loi d’adaptation joue d'une
certaine manière, le rôle du terme de robustesse. Par conséquent, l’augmentation de la

valeur du gain peut améliorer la robustesse de cette commande.
2.3.3. Résultats de simulation
Afin de valider les performances de la loi de commande PID floue adaptative proposée,
on considère le problème de suivi de trajectoire d’un pendule inversé [81]. Sa dynamique
est donnée par son modèle d’état suivant :
(2.51)
avec :
avec est la position angulaire du pendule et sa vitesse angulaire. Les valeurs des
paramètres du système sont: , , , .
L’objectif est de forcer le signal de sortie du système à suivre la trajectoire désirée

, avec les conditions initiales suivantes: . Les
valeurs des paramètres de la commande sont choisies comme suit :
, . Les gains de la commande PID sont estimés en ligne par un système
flou adaptative à trois entrées ; l'erreur de poursuite , l’intégrale de l'erreur de
poursuite et la dérive de l'erreur de poursuite . A chaque entrée
( , deux fonctions d'appartenances sont définies comme suit (Figure 2.1) [35,
81] :
avec : , , .
Les Figures 2.2 et 2.3 présentent respectivement les résultats de simulation de la position
et de la vitesse . La Figure 2.4 présente l’évolution des gains de la
commande PID , tandis que la Figure 2.5 présente la trajectoire de l’erreur filtrée . Ces
résultats montrent que les sorties du système convergent vers leurs trajectoires désirées, et
que les gains de la commande PID sont bornés.
Figure 2.1. Fonctions d'appartenance du système flou.
0.8
y
0.6 yd
0.4
0.2
-0.2
-0.4
-0.6
-0.8
0 5 10 15 20
Temps [s]
Figure 2.2. Position angulaire , trajectoire désirée .

1.5
x2
dy d/dt
1
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
Figure 2.3. Vitesse angulaire , dérivée de la trajectoire désirée .
40
30
Kp
KI KD
20
10
-10
-20
0 5 10 15
Temps [s]
Figure 2.4. Evolusion des parametres de la commande PID.
0.5
-0.5
-1
s
-1.5
-2
-2.5
0 5 10 15
Temps [s]
Figure 2.5. Trajectoire de l’erreur filtrée .

2.4. Deuxième approche de commande PID floue adaptative
Dans le schéma de commande développé dans la section précédente on a supposé que

le signe du gain de commande est connu et que le système ne subit aucune contraintes à
son entée. Cependant, en pratique, la négligence de ces derniers lors de la conception du
contrôleur peut dégrader les performances, voir même déstabiliser le système. Dans cette
section, on propose une loi de commande PID floue adaptative pour une classe des
systèmes (2.1) avec la présence de contraintes à l’entrée (saturation d’amplitude et de
vitesse) et dont le signe du gain de commande est inconnu.
Considérons la classe de systèmes SISO non linéaires incertains (2.1) dont on réécrit le
modèle sous la forme :
(2.52)
avec est la fonction de saturation de la commande définie par [84]
(2.53)
où :
avec : représente une durée de temps faible.
Hypothèse 2.3: La fonction est non nulle, de signe inconnu et bornée comme suit :
.
2.4.1. Conception de la deuxième approche de commande PID floue adaptative
Dans cette section, on considère une loi de commande PID floue adaptative de même
structure que (2.17), avec une loi d’adaptation modifiée pour traiter le problème de la
présence des contraintes à l’entrée et une fonction de type Nussbaum [85] pour éviter le
problème de méconnaissance du signe du gain de commande.
Fonction de type Nussbaum : Généralement, le développement d’une loi de commande

adaptative exige la connaissance a priori de la direction de commande (le signe du gain de

commande), c’est à dire, la direction de recherche des paramètres à approximer. Dans ce
chapitre, l’absence de cette connaissance est résolu par l'introduction une fonction de type
Nussbaum [85].
On peut dire que la fonction est de type Nussbaum si elle vérifie les deux propriétés
utiles suivantes [85]:
1)
2)
Le lemme ci-dessous est utilisé dans l'analyse de la stabilité.
Lemme 2.1 [86]: Soient et deux fonctions continues définies sur avec
, et est une fonction continues de type Nussbaum. Si l'inégalité suivante est
vraie:
pour ,
où : est une fonction continue dont ses valeurs appartiennent à l'intervalle fermée
et , est une constante positive quelconque et est une constante
appropriée, alors , et sont bornés sur .
La preuve de ce lemme se trouve dans [86].
On rappelle ici, la loi de commande PID floue (2.17) :
où : et sont définis dans la section précédente.
La loi d’adaptation des paramètres est modifiée comme suit:
(i) si , ou ( et ), ou ( et ):
(2.54)
(2.55)
(2.56)
(ii) si ( et ) ou ( et ):
(2.57)
(2.58)
(2.59)
où : , , et sont des constantes positives.
sont satisfaites, alors la loi de commande proposée (2.17) avec sa loi d'adaptation des
paramètres (2.55-2.60) garantit que l’erreur de poursuite converge exponentiellement vers
zéro et que tous les signaux impliqués dans le système bouclé sont bornés.
Preuve du théorème 2.3 :
En additionnant et soustrayant le terme au second terme de (2.4), on

obtient:
(2.60)
En utilisant (2.7) et (2.20), et en considérant que l’erreur d’approximation est nulle

( , (2.61) devient
(2.61)
Considérons la fonction de Lyapunov suivante:
(2.62)
Alors
(2.63)
(2.64)
Premier cas : ( ) ou ( et ) ou ( et
), c’est-à-dire., .
En remplaçant (2.54) dans (2.64), on obtient :
(2.65)
A partir de (2.61), on a :
(2.66)
Par conséquent, l’équation (2.65) peut être réécrite comme suit:
(2.67)
Des équations (2.55)-(2.56) et du fait que , alors :
(2.68)
avec : .
En intégrant maintenant (2.68) de à , on obtient:
(2.69)
où : , .
Selon l'hypothèse 2.3, les éléments de appartiennent à l'intervalle
avec . En utilisant le lemme 2.1 et l’équation (2.69), on peut conclure que les
signaux et sont bornées sur . Cette bornitude
reste valable pour (voire [87, 88]), ce qui signifie que . De (2.68)
et du fait que et sont borné, on peut facilement montrer que
(carrées intégrables), de plus nous connaissons que . Par l’utilisation du

lemme de Barbalat [2], en peut conclure la convergence asymptotique vers zéro de , ce
qui implique aussi la convergence asymptotique vers zéro de l’erreur de poursuite .
Deuxième cas : ( et ) ou ( et ), c’est-à-

dire., .
En remplaçant (2.58) dans (2.65), on obtient :
(2.70)
A partir des équations (2.66) et (2.70), il vient:
(2.71)
A partir des équations (2.58)- (2.59) et du fait que , il vient:

(2.72)
avec .
On remarque que cette dernière équation est similaire à l’équation (2.69), et aussi les
éléments de appartiennent à un intervalle borné. Alors, d’une manière similaire à la
discussion faite pour l’équation (2.69), on peut conclure la convergence asymptotique vers
zéro de , ce qui implique aussi la convergence asymptotique vers zéro de l’erreur de
poursuite .
Dans cette partie, afin de tester l’efficacité de la loi de commande PID floue adaptative
proposée, on va considérer la commande en poursuite d’un système non linéaire du
deuxième ordre défini par la dynamique suivante [84]:
(2.73)
L’objectif de la commande est de forcer la sortie du système à suivre la trajectoire

désirée .
Dans cette simulation, on utilise un système flou de même structure que celui du l’exemple
de simulation de la section précédente pour approximer les paramètres de la commande
PID.
Les paramètres de la commande sont choisis comme suit:

, . avec les conditions initiales suivantes: .
Les paramètres de la saturation sont choisis comme suit: , ,

, et .
Les résultats de la simulation sont illustrés par les Figures 2.6 à 2.8. A partir de ces
Figures, nous pouvons voir que, en plus de la capacité de cette commande à traiter les
problèmes de la dynamique inconnue, il est aussi capable de faire face au problème de
méconnaissance de la direction du gain de commande et de la saturation de l’amplitude de
la commande et de la vitesse de sa variation.
1.5
y
yd
1
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
Figure 2.6. Sortie du système , trajectoire désirée .
1.5
x2
dy d/dt
1
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
Figure 2.7. Dérivée de la sortie du système , dérivée de la trajectoire désirée
2
(u)
-2
-4
-6
-8
0 5 10 15 20
Temps [s]
Figure 2.8. Signal de commande .

2.5. Conclusion
Dans ce chapitre, deux schémas de commande PID floue adaptative pour une classe de
systèmes non linéaires SISO incertains ont été développés. Dans ces schémas, un système
flou est utilisé afin d’estimer en ligne les gains optimaux de la loi de commande PID.
Dans la première approche, la mise à jour des paramètres du système flou est effectuée
par le biais d’une loi d'adaptation de type gradient permettant de minimiser l'erreur entre
la commande PID et la commande idéale inconnue et préserver ainsi les performances
désirées garantit par cette dernière. Afin de compenser l’erreur d'approximation floue et
rendre le contrôleur plus robuste un terme de type -modification est adopté dans la loi
d’adaptation.
La deuxième approche prend en charge le problème de la méconnaissance du signe de

gain de commande et le problème de la saturation de la commande. A cet effet, une
fonction de type Nussbaum est utilisée pour estimer le signe du gain de commande, et la
loi d’adaptation est modifiée d’une manière appropriée pour éliminer l’effet de saturation
de l’amplitude et de la vitesse de la commande.
Les schémas des commandes proposées assurent la bornitude de tous les signaux de la
boucle fermée, et la convergence de l'erreur de poursuite vers une région ajustable dans le
premier schéma et vers zéro dans le second schéma. Deux exemples de simulation
numérique ont été présentés pour illustrer l’analyse théorique.
Chapitre 3
multivariables carrés
Chapitre 3 – Commande PID floue adaptative des systèmes non linéaires multivariables carrés 50
3.1. Introduction
La commande des systèmes MIMO est une tâche plus difficile que celle de la
commande système SISO. Cela est due aux différents couplages entre ses entrées, ses
sorties et ses états. Ce chapitre est consacré à la commande des systèmes non linéaire
MIMO incertains carrés (complètement actionnés) par la commande PID floue adaptative.
La commande PID adaptative des systèmes non linéaires MIMO incertains a intéressé
beaucoup de chercheurs [36-44]. Dans [36], les auteurs proposent une loi de commande
PID adaptative pour un système multivariable mal connu. Cette loi de commande est basée
sur un modèle du système du type réseau de neurone dont les paramètres sont adaptés par
un filtre de Kalman étendu pour estimer les éventuels changements du système. Les gains
de la commande PID sont ajustés par une loi d’adaptation développée par la méthode de
Lyapunov permettant de minimiser l’erreur de poursuite quadratique. Dans [37], les
auteurs proposent le même schéma de commande dont lequel la loi d’adaptation des gains
de la commande est remplacée par un algorithme de programmation évolutionnaire
(Evolutionary Programming EP). Dans [38] les auteurs proposent d’utiliser deux réseaux
de neurone ; le premier est utilisé pour modéliser la dynamique du système et la
deuxième pour est utilisé pour mise à jour les gains de la commande PID. Dans ce
schéma, les paramètres réglables de ces réseaux de neurone sont ajustés par l’algorithme
de gradient. Dans [39, 40], un réseau de neurone est directement exploité pour estimer et
ajuster les gains de la loi commande PID pour atteindre les objectifs sans avoir besoin
d’estimer la dynamique du système. Malgré les bons résultats obtenus par ces deux
travaux, l’étude de stabilité n’est pas fournie. Dans [41], la commande PID adaptative est
augmentée par un terme de mode de glissement, dans ce schéma, la loi d’adaptation des
paramètres de la commande est sélectionnée en se basant sur la méthode de Lyapunov. La
classe des systèmes considérés dans ce travail est partiellement connue. Dans [42-44], les
auteurs utilisent une commande PID adaptative pour approximer une commande idéale
obtenue à partir de la technique de linéarisation par retour d’état. Les gains de la
commande sont estimés par un système flou à paramètres adaptatifs. Dans [42], l’erreur
d’approximation est supposée nulle, tandis que dans [43, 44] les auteurs utilisent une loi
d’adaptation de type gradient qui prend en compte l’erreur d’approximation. Dans ces
schémas, l’étude de la stabilité du système globale est fondée sur le théorème de la stabilité
direct de Lyapunov.
Dans ce chapitre, sur la base du travail présenté dans [42], la loi de commande PID
adaptative donnée dans [43, 44] est améliorée par l’introduction des systèmes flous pour
l’estimation des gains de la commande et par la modification de la loi d’adaptation.
Ensuite, cette dernière est élargie au cas des systèmes non linéaires MIMO présentant des
non-linéarités à l’entrée de type zone-morte et des perturbations externes bornées.
L’utilisation des systèmes flous permet de garantir que l'erreur d'approximation est de
l'ordre de l'erreur de modélisation, c’est-à-dire, l’hypothèse restrictive sur l'erreur
d'approximation dans [43, 44] sera levée. Dans la loi d’adaptation, afin de surmonter les
inconvénients liés à l'utilisation du terme -modification dans [43, 44], et de rendre le
contrôleur plus robuste, ce dernier est remplacé par un terme de type -modification. Les
résultats obtenus sont comparés avec des schémas de commande adaptative existants dans
la littérature.

Considérons la classe des systèmes non linéaires MIMO incertains donnée par le
modèle d'état suivant :
(3.1)
où :
est le vecteur d'état global du système,
notons que ce vecteur est supposé disponible pour la mesure.
est le vecteur de l’entrée de commande,
est le vecteur de sortie,
et , (avec : ) sont des fonctions non linéaires inconnues,
est le vecteur des non-linéarités aux entrées de type zone

morte supposé inconnu,
est le vecteur de perturbation supposé borné, c’est-à-dire

, où est une constante positive.
En posant :
Le système (3.1) peut être réécrit sous la forme compacte suivante :
(3.2)
Objectif : l’objectif est de développer une loi de commande de type PID adaptative
qui permet de forcer les sorties du système à suivre des trajectoires désirées ( ,
2, …, ), sous la contrainte que tous les signaux impliqués dans la boucle de commande
doivent être bornés.
Dans ce chapitre, les hypothèses suivantes sont considérées.
Hypothèse 3.1 : Chaque trajectoire désirée ( , 2, …, ) est continue, bornée et -

fois différentiable.
Hypothèse 3.2 : La matrice est symétrique, inversible et bornée. Ainsi elle est soit
strictement positive ou soit strictement négative. Sans perte de généralité, nous
considérons ici que , avec et sont des constantes positives,
est une matrice d'identité de taille .
Les erreurs de poursuite sont définies par :
(3.3)
et les erreurs de poursuite filtrées sont définies par :
(3.4)
La solution de l’équation ( , 2, …, ) implique que l'erreur de poursuite

( , 2, …, ) converge vers zéro avec une certaine constante de temps [12, 80-
82]. Par conséquent, l'objectif de la commande revient alors à forcer le signal à

converger vers zéro quand le temps tend vers l’infini.
Les dérivées des erreurs de poursuite filtrées peuvent s’écrire comme suit:
(3.5)
où
(3.6)
avec :
En posant :
L’équation (3.5) peut être réécrite sous la forme matricielle suivante :
(3.7)
Chaque sortie de la zone morte peut être exprimée comme suit [13, 89] :
, pour (3.8)
où : est une constante positive inconnue, et est une fonction non linéaire inconnue
bornée par une constante positive ( ).
Posons maintenant
Par conséquent, Le vecteur de sortie de la zone morte peut

être écrit comme suit :
(3.9)
Notons que le vecteur peut être traité ici comme une perturbation bornée de la
commande .
En utilisant (3.9), l'équation de la dynamique de définit dans (3.7) peut s’écrire comme
suit :
(3.10)
où : et ,
Dans le cas où les fonctions , , et sont connues, la loi de commande

idéale suivante peut atteindre l'objectif de commande [90] :
(3.11)
avec : , et
où , et sont des constantes positives.
En effet, en remplaçant la loi de commande idéale (3.11) dans (3.10), on obtient :
(3.12)
D’après cette dernière équation, on peut conclure que l’erreur filtrée ,( )

quand . cela implique que l’erreur de poursuite , ( ) et toutes ses
dérivées jusqu'à convergent vers zéro quand .
Malheureusement, la commande idéale (3.11) n'est pas réalisable puisque les fonctions
, , et sont supposées inconnues Afin de surmonter ce problème, on
propose dans ce chapitre d’approximer la loi de commande idéale (3.11) par une loi de
commande PID adaptative.
3.3. Conception de la commande PID floue adaptative
On propose ici d’approcher la commande idéale inconnue ( ) par une

loi commande PID adaptative donnée par [90] :
, (3.13)
où : est le gain proportionnel, est le gain d'intégration, est le gain de dérivation

et est l'erreur de poursuite.
La loi de commande PID (3.13) peut être écrite sous la forme matricielle suivante :
(3.14)
où : est le vecteur de l’erreur de poursuite et
est le vecteur des gains de la commande.
Le vecteur de la commande global peut être écrit sous la forme compacte

suivante:
(3.15)
avec : et .
Dans ce travail, on a opté pour des systèmes flous de type Takagi-Sugeno d'ordre zéro
pour recopier les vecteurs des gains ( ). Chaque vecteur de gains est
identifié par un système flou dont les entrées sont l'erreur de poursuite ,
l’intégrale de l'erreur de poursuite , et la dérivée de l'erreur de poursuite
. La sortie du système flou ( est le vecteur de gains de la
commande . Pour chaque entrée ( ) du système flou on définit

ensembles flous ( ). La base de règles floues du système flou est
construite par la collection de règles , , de la forme [90]:
où , est le nombre des règles, et et sont les sorties de la
règle.

moyenne pondérée pour la défuzzification, la sortie du système flou , à savoir les gains
de la commande sont donnés par [90]:
(3.16)
où
, , avec est la fonction d'appartenance
qui caractérisée l'ensemble flou .
Notons par , et les vecteurs

des paramètres ajustables (les parties conclusions des systèmes flous), et
le vecteur des fonctions de base radiales où chaque élément est défini
par :
Avec cette notation, les paramètres et peuvent être écrits comme suit :
(3.17)
Où encore :
(3.18)
avec et .
Par substitution du vecteur de gain (3.18) dans (3.14), on obtient :
(3.19)
En posant : et , la loi de commande PID

multivariable appliquée au système (3.1) s’écrit comme suit:
(3.20)
On note ici que l’utilisation des systèmes flous pour estimer les gains de la commande
dans PID, permet d’approximer la commande idéale inconnue (3.11) par la loi de
commande PID adaptative (3.20) avec une certaine erreur d'approximation dénotée par .
Sur la base du théorème d’approximation universelle des systèmes flous [78], cette erreur
est considérée arbitrairement petite ( . En effet, dans notre approche
l'hypothèse restrictive sur l’erreur d'approximation dans [43, 44] est n’est pas nécessaire.
Par conséquent, la commande idéale inconnue peut être écrite sous la forme suivante :
(3.21)
est le vecteur des valeurs optimaux inconnues des éléments de .
est le vecteur des erreurs d'approximation floue.
Les paramètres du vecteur seront calculés en ligne par une loi d'adaptation afin de
répondre aux spécifications souhaitées comme bien détaillé dans la suite.
En effet, on propose une nouvelle loi d’adaptation pour la mise à jour du vecteur des
paramètres afin de minimiser l'erreur entre et donnée par [90] :
(3.22)
En remplaçant (3.20) et (3.21) dans (3.22), on obtient:
(3.23)
Où est le vecteur d’erreur d'estimation paramétrique.
(3.24)
En utilisant (3.11) et (3.22), alors (3.24) devient :
(3.25)
L'approche utilisée pour générer la loi d'adaptation du vecteur est basée sur la
minimisation de la fonction de coût quadratique suivante :
(3.26)
En remplaçant (3.20) dans (3.26), il vient :
(3.27)
Par application du gradient, on obtient :
(3.28)
avec : une constante positive.
De l’équation (3.26) et (3.27), le terme de gradient est défini par :
(3.29)
Par conséquent, (3.29) devient :
(3.30)
En remplaçant la valeur du terme déduite de (3.25), devient :
(3.31)
Afin de garantir la bornitude des valeurs des éléments du vecteur des paramètres en
présence de l’erreur d'approximation et améliorer les performances de robustesse, nous
allons modifier la loi d’adaptation (3.30) par l’introduction d’un terme en fonction de
l’erreur d’approximation appelé -modification et surmonter ainsi les inconvénients de
lier à l’utilisation du terme -modification dans les travaux [43, 44].
Bien que l’augmentation de la loi d’adaptation (3.30) par le terme de -modification peut
garantir la convergence des paramètres (voire [43, 44]), certains aspects de cette loi
d'adaptation restent à améliorer.
En effet, en utilisant la méthode de -modification, la loi d’adaptation (3.30) sera modifiée

comme suit:
– (3.32)
où est une constante positive.
Le but de l’adaptation ici est de faire converger le vecteur des paramètres vers sa valeur
optimale , c’est-à-dire., après un certain temps l’erreur paramétrique converge vers
zéro. Il est claire donc que la loi d’adaptation (3.62) ne permet pas de garantir cette objectif
parce que lorsque est très faible ( ), on a – .
Afin de surmonter cet inconvénient, on propose d’utiliser le terme -modification

comme dans la loi d’adaptation suit [90] :
– (3.33)
avec : .
Il est clair que lorsque les paramètres deviennent dans un certain intervalle acceptable, le
terme de -modification ( ) n'a pas besoin d'être actif (il tend vers zéro quand
tend vers zéro), ce qui implique la convergence de vers zéro ( ).
Le schéma bloc complet de la commande PID floue adaptative proposée est présenté
par la Figure 3.1.
Mécanisme
d’adaptation
Système flou avec

paramètres ajustables
La commande Modèle
PID
Figure 3.1. Schéma de la commande PID floue adaptative
3.4. Analyse de la stabilité
Théorème 3.1: Considérons le système multivariable (3.1) et supposons que les hypothèses
3.1 et 3.2 sont satisfaites, alors la loi de commande PID floue définie par (3.20) avec la loi
d'adaptation (3.33) garantit que et est de l’ordre de + au sens de la
moyenne quadratique.
sont satisfaites, alors la loi de commande proposée (3.20) avec sa loi d'adaptation (3.33)
garantit que :
(i) L’erreur de poursuite converge exponentiellement vers une région ajustable si

l'erreur d'approximation est prise en considération .
(ii) L’erreur de poursuite converge exponentiellement vers zéro si on considère que

l'erreur d'approximation est nulle , et en prenant .
Nous définissons la fonction de Lyapunov candidate suivante :

(3.34)
(3.35)
En substituant (3.33) dans (3.35), on trouve :
(3.36)
On déduit la valeur du terme de (3.23) puis on le remplace dans (3.36), on obtient :
(3.37)
En utilisant l'inégalité :
(3.38)
Alors :
(3.39)
Puisque , alors , et (3.39) peut être réécrite comme

suit :
(3.40)
Il est clair de (3.40) que si ou , c'est-à-
dire, , alors , ce qui implique la bornitude de et
Nous examinons maintenant la convergence de l'erreur .
A partir de (3.39), on a:
(3.41)
En utilisant les inégalités évidentes (342) et (3.43) suivantes :
(3.42)
(3.43)
L’inégalité (3.41) devient :

(3.44)
D’après l’hypothèse 3.2, on peut réécrire (3.44) comme suit :
(3.45)
avec :
(3.46)
Puisque et , alors l’intégration de à des deux membres de

(3.45) et en réarrangement de ses terme donne:
(3.47)
qui peut être encore bornée comme suit :
(3.48)
avec : et ,
L'expression (3.47) implique .
Preuve (i):
(3.49)
(3.50)
(3.51)
(3.52)
L’équation (3.51) devient:

(3.53)
De l’inégalité (3.44), il vient:
(3.54)
Si on choisit , , et ), peut être bornée

comme suit :
(3.55)
A partir de cette dernière inégalité, si , c'est-à-dire, , et puisque
est bornée, alors pour , alors selon le théorème de Lyapunov
[83] les signaux et sont bornés.
(3.56)
Puisque , il est évident que, à partir de (3.56) l'erreur de poursuite filtrée converge
exponentiellement à un ensemble défini par . En effet, il existe
tel que pour : , ce qui implique que ,
, , donc l'erreur de poursuite et toutes ses dérivées convergent vers

une région ajustable.
Preuve (ii):
On considère le cas où l'erreur d'approximation est nulle, c’est-à-dire .
Soit la fonction de Lyapunov candidate (3.49) et on suit la même démarche jusqu’à

l’inégalité (5.54).
En prenant , dans l’inégalité (5.54), on obtient :
(3.57)
de l'expression de , il vient :
(3.58)
(3.59)
D’après (3.59) et du fait que , , et de plus on sait que (tous les

termes de (3.25) sont bornés). Finalement, puisque et , on peut utiliser
le lemme de Barbalat [2], pour conclure que , c’est-à-dire,
.
Remarque 3.2: La loi de commande utilisée ici est uniquement de type PID, sans ajout de
terme de robustesse. Cependant, le terme de la loi d’adaptation joue d'une
certaine manière, le rôle du terme de robustesse. Par conséquent, l’augmentation de la

valeur du gain peut améliorer la robustesse de cette commande.
3.5. Résultats de simulation
Pour valider la loi de commande PID floue adaptative proposée, on considère deux
exemples de simulation; un robot manipulateur à deux bras et un quadrirotor. Dans les
deux exemples, l'approche de commande est testée sans et avec la non-linéarité à l’entrée
et la perturbation externe. De plus une étude comparative entre d'utilisation de -
modification et -modification dans notre approche de commande d'un côté, et entre notre
approche de commande et l’approche de commande adaptative floue développée dans [45]
d'un autre côté est présentée.
3.5.1. Exemple 1: robot manipulateur à deux bras
Le modèle dynamique du robot manipulateur à deux bras est donné par [44, 90] :
(3.60)
avec
,
et
Les paramètres du robot manipulateur sont:
En posant , et , on peut récrire le modèle

dynamique du robot (3.60) en présence des non linéarité à l’entrée comme suit :
) (3.61)
avec :
Notre objectif est de forcer les sorties du système et à suivre les trajectoires désirées
et .
Le système à deux entrées et deux sorties. Deux systèmes flous ( ) sont utilisés
pour recopier les vecteur des gains des deux lois commande PID. Pour chaque entrée du
système flou , on utilise trois fonctions d'appartenances (Figure 3.2) définies par :
où
. . .
Nous choisissons les paramètres de synthèse comme suit : , ,

.
Les conditions initiales du robot sont: et .
Figure 3.2. Fonctions d'appartenance des systèmes flous
La zone morte de chaque entrée est définie par [90] :
où
, et , avec .
Le premier cas: la simulation est effectuée sans non-linéarité à l’entrée et sans

perturbation externe. Les résultats de simulation sont présentées par les Figures 3.3 à 3.8. .
1.5
y d1
y1
1
0.5
-0.5
-1
-1.5
0 5 10 15
Temps [s]
Figure 3.3. Position de la liaison 1.
1.5
y2
y d2
1
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
Figure 3.4. Position de la liaison 2.
15
KD1 KI1
10
KP1
-5
-10
-15
0 5 10 15
Temps [s]
Figure 3.5. Evolution des paramètres de la commande ( ).

10
KD2
KI2 KP2
5
-5
-10
0 5 10 15
Temps [s]
Figure 3.6. Evolution des paramètres de la commande ( ).
30
u*1
20 u1
10
[Nm]
-10
-20
-30
0 5 10 15
Temps [s]
Figure 3.7. Signaux des commandes et .
15
u2
10 u*2
5
[Nm]
-5
-10
-15
0 5 10 15
Temps [s]
Figure 3.8. Signaux des commandes et .

Ces résultats illustrent l'efficacité de la méthode proposée; les trajectoires réelles

convergent rapidement vers les trajectoires désirées, et les gains de la commande PID sont
bornés et atteignent très rapidement leurs valeurs idéales. Les erreurs entre les signaux de
commande idéales et les signaux de commande PID sont très faible
Le deuxième cas: la simulation est effectuée avec la présence de la zone morte définies ci-
dessus et une perturbation externe de type gaussien ayant une variance de 0.002 et une
moyenne nulle.
Les résultats de simulation de la loi de commande avec le terme de -modification sont

présentés par les Figure 3.9 à 3.14, et les résultats avec le terme de -modification sont
présentés par les Figure 3.9 à 3.14.
1.5 y d1
y 1 (e -modif ication)
y1 ( -modif ication)
1
0.5
-0.5
-1
-1.5
0 5 10 15
Temps [s]
Figure 3.9. Position de la liaison 1 en présence de la zone morte et de la perturbation.
1.5 y d2
y 2 (e -modif ication)
y2 ( -modif ication)
1
0.5
-0.5
-1
-1.5
0 5 10 15
. Temps [s]
Figure 3.10. Position de la liaison 2 en présence de la zone morte et de la perturbation.

15
K I1
K p1
K D1
10
-5
-10
-15
0 5 10 15
Temps [s]
Figure 3.11. Evolution des paramètres de la commande avec -modification.
20
KD2 KI2
KP2
10
-10
-20
0 5 10 15
Temps [s]
50
40 KD1 KI1
KP1
30
20
10
-10
-20
0 5 10 15
Temps [s]
Figure 3.13. Evolution des paramètres de la commande avec -modification

40
35
K I2 K D2
30 K p2
25
20
15
10
-5
-10
0 5 10 15
Temps [s]

Les Figures 3.9 et 3.10 montrent clairement que l'utilisation des deux techniques de
modification ( -modification et -modification) dans la loi d’adaptative donnée une
poursuite adéquate même en présence de la zone morte et de la perturbation externe.
Cependant, des résultats obtenus dans les Figures 3.11 à 3.14, nous constatons que
contrairement à la -modification, le -modification maintient toujours les paramètres
d'adaptation de la commande PID bornés et plus proches de leurs valeurs idéales. De plus,
le terme de -modification permet de réduire relativement l’effet des perturbations (les
oscillations induites par les perturbations).
Les tableaux 3.1 et 3.2 présentent les performances de la loi de commande avec -
modification, la loi de commande avec -modification et la loi de commande de [45]. Les
performances de chaque loi de commande sont évaluées à l’aide des critères suivants: IAE,
ISE et IAU.
Table 3.1. IAE, ISE et IAU de la méthode proposée et de celle de [45] sans zone
morte et perturbation.
Méthode de commande IAE ISE IAU
la commande PID floue avec -modification 0.5193 01501 78.79
la commande PID floue avec -modification 0.6558 0.1768 41.02
la commande adaptative floue de [45] 0.6361 0.1335 141.6

Table 3.1. IAE, ISE et IAU de la méthode proposée et de celle de [45] avec la présence de
la zone morte et de la perturbation externe.
Méthode de commande IAE ISE IAU
la commande adaptative floue de [45] 0.6861 0.1325 148.5
Ces résultats, montrent clairement la supériorité de la commande PID floue avec -

modification par apport aux autres lois de commande (la commande PID floue avec -
modification et la commande adaptative floue de [45] ).
3.5.2. Exemple 2: Stabilisation d'un quadrirotor
Le quadrirotor est un petit véhicule aérien sans pilote (UAV) avec quatre hélices
montées aux extrémités des deux bras perpendiculaires et entraînées par des moteurs à
courant continu. Chaque pair d’hélices du même bras tourne dans le même sens ; l’un
tourne au sens horaire et l’autre dans le sens anti horaire. Le quadrirotor se déplace par
l’ajustement de la vitesse angulaire de chaque rotor [90, 91]. Un schéma de la
configuration de base du quadrirotor est représenté sur la Figure 3.15.
Figure 3.15. Configuration du quadrirotor

Le modèle dynamique du quadrirotor est donné par [90, 91] :
(3.61)
où
et sont respectivement l'angle de roulis et la vitesse angulaire

correspondante. et sont respectivement l'angle de tangage et la vitesse
angulaire correspondante. et sont respectivement l'angle de lacet et la
vitesse angulaire correspondante. , , et sont les coordonnées
cartésiennes de la position du quadrirotor, et , et sont les vitesses
correspondantes respectivement.
est la somme des vitesses angulaires des rotors.
Les paramètres du quadrirotor sont donnés dans le Tableau 3.3.

Table 3.3. Paramètres du quadrirotor.
Parameter Value
L'objectif est de stabiliser les angles et la hauteur du quadrirotor par la commande PID
floue adaptative. Quatre commandes PID flous adaptatifs sont appliquées pour la
commande de l'angle de roulis , l’angle de tangage , l’angle de lacet et la hauteur .
Nous avons utilisé les paramètres de synthèse suivantes : , , ,

.
Les états initiaux du quadrirotor sont : , ,

, .
Les valeur désirées des angles et de la hauteur sont : , ,

et .
Un bruit de type gaussien avec une variance de 0.002 et une moyenne nulle est considéré.
Les paramètres de la zone morte pour chaque entrée sont : , et

, avec
Afin de tester à nouveau l'efficacité du terme -modification, nous allons aussi simuler la
loi de commande avec le terme de -modification.
Les résultats de la simulation sans et avec présence de la non-linéarité à l’entrée et de la

perturbation externe sont illustrés par les Figures 3.16 à 3.20. On peut voir clairement que
les trajectoires réelles convergent rapidement vers les valeurs désirées même en présence
de la non-linéarité à l’entrée de type zone morte et de la perturbation externe.
(a) 0.2
(b)
0.1 0.5
0 0.4
-0.1 0.3
-0.2 0.2
-0.3 0.1
-0.4 0
-0.5 -0.1
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
(c) (d) 12
0.5 10
0.4
8
0.3
Z6
0.2
4
0.1
2
0
0
-0.1 0 2 4 6 8 10
0 2 4 6 8 10
Temps [s]
Temps [s]
Figure 3.16. Résultats de simulation sans non-linéarité à l’entrée et perturbation (a) angle
de roulis (b) angle de tangage (c) angle de lacet (d) hauteur.
(a) 0.8
(b) 0.7
0.7 0.6
0.6 KP2
0.5
KP1
0.5 KD2
KD1 0.4
KI2
0.4 KI1
0.3
0.3
0.2
0.2
0.1
0.1
0 0
-0.1 -0.1
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
(c) 0.3 (d) 8
7
0.25
KP3 6 KP4
0.2 KD3 KD4
KI3 5
KI4
0.15
4
0.1 3
2
0.05
1
0
0
-0.05
0 2 4 6 8 10 -1
0 2 4 6 8 10
Temps [s]
Temps [s]
Figure 3.17. Evolution des paramètres de la commande PID. (a) commande : (b)
commande : (c) commande : (d) commande .
0.6
(a) (b) e-modification
0.1 e-modification
modification modification
0.5
0
0.4
-0.1
0.3
-0.2
0.2
-0.3
0.1
-0.4 0
-0.5 -0.1
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
0.6
(c) e-modification (d) e-modification
12
modification modification
0.5
10
0.4
8
0.3
Z
6
0.2
4
0.1
0 2
-0.1 0
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
Figure 3.18. Résultats de simulation en présence de la zone morte et de la perturbation (a)

angle de roulis (b) angle de tangage (c) angle de lacet (d) hauteur.
(a) 8
KP1
(b) 5
KI1 KP2 KI2
KD1 4 KD2
6
3
4
2
2 1
0
0
-1
-2
-2
-4 -3
-4
-6
-5
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
(c) 6
KP3 (d) 12
KD3 KI3
5 KP4
10 KI4 KD4
4
8
3
2 6
1
4
0
-1 2
-2
0
-3
-2
-4
-5 -4
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
Figure 3.19. Evolution des paramètres de la commande PID avec -modification. (a)
Commande : (b) Commande : (c) Commande : (d) Commande .
(a) 70 (b) 40
35
60
30
50 KD1
KI2
25 KP2 KD2
40 KI1
KP1 20
30 15
10
20
5
10
0
0
-5
-10 -10
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
(c) 45 (d) 12
40
10 KP4
KI4 KD4
35 KD3 KI3
KP3
30 8
25
6
20
4
15
10 2
5
0
0
-5 -2
0 2 4 6 8 10 0 2 4 6 8 10
Temps [s] Temps [s]
Figure 3.20. Evolution des paramètres de la commande PID avec -modification. (a)
Commande : (b) Commande : (c) Commande : (d) Commande .
Comme dans le premier exemple de simulation, les résultats illustrent que la loi de
commande avec le terme de -modification donne de meilleures performances comparée à
la loi de commande avec le terme de -modification, à savoir les gains de la commande
convergent vers leurs valeurs idéales, et les effets de perturbation sont réduits.
3.6. Conclusion
Dans ce chapitre, une approche commande PID floue adaptative est développé pour
une classe de systèmes non linéaires MIMO carrés incertains et présentant des non-
linéarités à l’entrée. Dans le schéma de commande proposé, des systèmes flous adaptatifs
sont utilisés pour approcher les gains de commande assurant les performances désirées du
système global en boucle fermé.
A cet effet, une loi d’adaptation pour la mise à jour des paramètres des systèmes flous
est proposée afin de minimiser l'erreur entre la loi de la commande PID et une loi de
commande idéale inconnue. Pour compenser les erreurs d’approximation floue et
améliorer les performances de robustesse, la loi d’adaptation est augmentée par un terme
de type -modification. L'analyse de stabilité de Lyapunov prouve la convergence de
l'erreur de poursuite vers une région acceptable et la bournitude de tous les signaux
impliqué dans le système en boucle fermée. Les résultats de la simulation effectuée sur un
robot manipulateur à deux bras et un quadrirotor ont permis de valider l’analyse théorique.
Chapitre 4
sous-actionnés
Chapitre 4 – Commande PID floue adaptative des systèmes non linéaires sous-actionnés 79
4.1. Introduction
Les systèmes sous-actionnés sont des systèmes caractérisé par un nombre d’entrées de
commande inférieur au nombre de degrés de liberté. Cette caractéristique est soit imposée
par la nature de la structure du système ou soit introduite volontairement par le concepteur
pour minimiser le nombre d'actionneurs utilisés, et par conséquent réduire le poids, le
volume et le coût [92, 93]. Plusieurs systèmes industriels font partie de cette classe de
systèmes, tels que les hélicoptères, les avions, les satellites, les robots sous-marins, …etc.
[94].
Le problème de commande des systèmes MIMO sous-actionnés est plus complexe que
celle des systèmes MIMO carrés. Cela est due au couplage qui existe entre les sorties et les
entrées.
Différents schémas de commande ont été développés pour des systèmes sous-actionnés
au cours des deux dernières décennies [92-105]. En effet, La commande par mode de
glissement a été appliquée avec succès à des classes de systèmes sous-actionnés ayant des
dynamiques connues [95-101]. La commande adaptative a été le sujet des travaux [93, 94,
102-105] où des classes de systèmes non linéaires sous-actionnés ayant des dynamiques
inconnues ont été considérés. Dans [93], les auteurs proposent un schéma de commande
adaptative directe où un système flou est utilisé pour estimer directement une loi de
commande idéale de type mode de glissement. Dans [94, 102-105], les auteurs proposent
une loi de commande adaptative indirecte ; un système flou est d’abord utilisé pour estimer
la dynamique inconnue du système, puis, une loi de commande de type mode de glissement
est développée sur la base de cette estimation.
Dans tous les schémas cités ci-dessus, la conception de la commande est faite sous
l'hypothèse que les signes des gains de commande sont connus a priori. Malheureusement,
cette hypothèse n'est pas toujours réaliste et limite la classe des systèmes [106]. Dans le cas
des systèmes sous actionnés, ce problème a été résolu en particulier par l’utilisation des
fonctions de type Nussbaum [13, 82, 107], cependant, dans le cas des systèmes sous-
actionnés ce problème à notre connaissance n’est pas encore traité jusqu’à présent.
Dans ce chapitre nous proposons deux schémas de commande PID floue adaptative
pour une classe de systèmes non linéaires incertains sous-actionnés de deuxième ordre et
dont le signe des gains de commande est inconnu. Dans ces deux approches, une loi de
commande PID floue adaptative est utilisée pour approximer une loi de commande idéale
de type mode de glissement qui satisfait les performances désirées. Dans la première
approche, une fonction de type Nussbaum est utilisée pour estimer le signe des gains de
commande, alors que dans la deuxième approche, le signe des gains de commande est
estimé via une loi d’adaptation.
Considérons une classe des systèmes sous-actionnés non linéaires incertains à deux
degrés de liberté donnée par son modèle d'état suivant [93, 108, 109]:
(4.1)
où est le vecteur d'état du système supposé disponible pour la

mesure, est la sortie du système, est l'entrée de commande,
et sont des fonctions continues non linéaires inconnues.
Hypothèse 4.1: Les gains de commande et sont bornés, non nuls et de signe
commun inconnu, c'est-à-dire , , où et sont des
constantes positives inconnues.
Objectif : Notre objectif est de développer une loi de commande pour assure la
convergence de et respectivement vers les valeurs désirées et , sous la
contrainte que tous les signaux impliqués dans la boucle de commande doivent être bornés.
Définissons les erreurs suivantes
(4.2)
(4.3)
avec: et sont des valeurs constantes désirées.
Les surfaces de glissement correspondantes sont définies par :
(4.4)
(4.5)
Les équations dynamiques de et sont alors :
(4.6)
(4.7)
Si les fonctions , , et sont connues exactement, on définit la

commande équivalente pour chaque sous-système comme suit :
(4.8)
(4.9)
Puisque l'objectif est de concevoir une loi de commande unique qui assure la
convergence de et respectivement vers les valeurs désirées et , c'est-à-
dire, les deux erreurs et convergent vers zéro quand , il est évident que
les deux lois de commande équivalentes (4.8) et (4.9) ne peut pas assurer cet objectif, car
chacune d'eux est conçue uniquement pour stabiliser le sous-système correspondant.
Afin de surmonter ce problème, on trouve dans la littérature deux solutions ; la première

consiste à utiliser une seule surface de glissement par hybridation des deux surfaces (4.4) et
(4.5) [95-100], la seconde solution, qui est adopté dans ce travail, consiste à utiliser une
seule loi de commande comme une combinaison des deux lois (4.8) et (4.9) [93, 109].
D’après (4.4) et (4.5), la solution de l’équation , , implique que l’erreur

, et tous ses dérivés convergent vers zéro. Alors, l'objectif de la commande
devient la conception d’une loi de commande pour forcer , à converger vers
zéro.
Pour atteindre cet objectif dans le cas où la dynamique du système est connue, nous
considérons la loi de commande idéale par mode de glissement suivante :
(4.10)
où , , , et sont des paramètres positifs.
En remplaçant cette loi de commande dans la dynamique de , on obtient :
(4.11)
où : .
Considérons la fonction de Lyapunov candidate suivante :
(4.12)

(4.13)
(4.14)
Si on choisit et , alors on peut conclure, d’après la lemme de Barbalat [2] que

converge asymptotiquement vers zéro.
Maintenant nous allons étudier le comportement de quand converge vers zéro.
Puisque alors , l’équation (4.11) devient :
(4.15)
Par ailleurs, à partir des équations (4.7) et (4.9), on trouve :
(4.16)
On déduit la valeur du terme de (4.6) puis on la remplace dans (4.16), il vient :
(4.17)
où et .
De l’équation (4.15) et (4.17), on obtient:
(4.18)
Alors la dynamique de s’écrit comme suit :
(4.19)
(4.20)
La dérivée de est donnée par :
(4.21)
(4.22)
Il est clair que, si on choisit , alors , et par conséquent, la surface de

glissement converge vers zéro.
Cependant, puisque les fonctions non linéaires , , et sont

supposées inconnues, la commande idéale (4.10) ne peut pas être implémentée. Comme
solution à ce problème, on propose dans ce chapitre d’approximer la loi de commande
mode de glissement idéale (4.10) par deux schémas de commande PID floue adaptative.
4.3. Première approche de commande PID floue adaptative
Dans cette première approche, nous proposons de l’extension de l’utilisation la

fonction Nussbaum pour l’estimation du signe des gains de la commande [110] au cas des
systèmes sous-actionnés.
4.3.1. Conception de la première approche de commande PID floue adaptative
La loi de commande idéale inconnue (4.10) est estimée ici par une loi de commande PID
adaptative donnée par :
(4.23)
où : est le gain proportionnel, est le gain d'intégration, est le gain de dérivation.
La loi de commande PID (4.24) peut être réécrite sous la forme matricielle suivante :
(4.24)
avec : est le vecteur des gains de la commande et
Dans ce travail, un système flou de type Takagi-Sugeno d'ordre zéro est utilisé pour
recopier le vecteur de gains . Les entrées du système flou sont ,
, et , Les sorties du système flou sont les gains de la
commande . Pour chaque entrée ( ) nous définissons

ensembles flous , . La base de règles floues est construite par la collection
de règles ( ) de la forme :
où , , et et sont les sorties de la règle.

moyenne pondérée pour la défuzzification, les sorties du système flou, à savoir les gains de
la commande PID sont donnés par [81, 80, 109] :
(4.25)
(4.26)
(4.27)
où
avec est la fonction d'appartenance de l'ensemble flou .
Notons par et les vecteurs des

paramètres ajustables (la partie conclusion du système flou), et le
vecteur des fonctions de base radiales où chaque élément est défini par :
(4.28)
avec cette notation, les paramètres et peuvent être réécrits comme suit :
(4.29)
où :
(4.30)
avec,
Par substitution de (4.30) dans (4.24), la loi de commande s’écrit sous la forme suivante:
(4.31)
La commande PID floue adaptative peut approximer la commande idéale inconnue

avec une erreur d’approximation faible . Ainsi, la commande idéale inconnue peut être
écrite sous la forme suivante :
(4.32)
où : est le vecteur des valeurs optimaux inconnues des éléments de et est l’erreur
d’approximation qui considère nulle dans cette première approche.
Nous allons maintenant se focaliser sur le choix de la loi d'adaptation appropriée du vecteur
des paramètres qui tient en compte de la méconnaissance du signe des gains de la
commande. A cet effet, nous proposons d’utiliser une fonction de type Nussbaum [85]
dans la conception de la loi d'adaptation comme suit :
(4.33)
(4.34)
(4.35)
(4.36)
où: , et sont des constantes strictement positives.
Notons que les détails concernant la fonction de type Nussbum sont donnés dans la section
2.4.1.
Théorème 4.1 : Considérons le système sous-actionné (4.1) et supposons que l’hypothèse

4.1 est satisfaite, alors la loi de commande PID floue définie par (4.31) avec sa loi
d'adaptation donnée par (4.33)-(4.36) garantit que les deux surfaces de glissement et
convergent asymptotiquement vers zéro, et tous les signaux impliqués dans le système en
boucle fermée sont bornés.
Preuve du théorème 4.1
Analyse de stabilité de :
(4.37)
La substitution de (4.10), (4.31) et (4.32) dans (4.37) conduit à :
(4.38)
où est le vecteur des erreurs paramétriques.
Considérons la fonction candidate de Lyapunov suivante :
(4.39)

(4.40)
Du fait que et des équations (4.33) et (4.38), (4.40) devient :
(4.41)
Par ailleurs, de (4.38) on a :
(4.42)
En utilisant (4.42), devient :
(4.43)
Du fait que et des équations (4.34) et (4.35), (4.43) devient :
(4.44)
avec .
En utilisant maintenant l'hypothèse suivante :
(4.45)
où et sont des constantes positives, et est un signal carré intégrable et borné.
L’inégalité (4.44) devient :
(4.46)
Si on choisit , , , et , alors peut être bornée encore

comme suit :
(4.47)
En intégrant maintenant (4.47) de à , on obtient :

(4.48)
où et .
Selon l'hypothèse 4.1, les éléments de appartiennent à l'intervalle
avec . En utilisant le lemme 2.1 et l’équation (4.48), on peut conclure que les
signaux et sont bornés sur . Cette bornitude
reste valable pour (voire [87, 88]), ce qui signifie que . De (4.48)
et du fait que et sont bornés, on peut facilement montrer que
(carrées intégrables), de plus nous savons que . Par l’utilisation du lemme

de Barbalat [2], en peut conclure la convergence asymptotique de vers zéro.
Maintenant nous allons étudier le comportement de quand converge vers zéros.
Puisque alors , et donc (4.39) devient:
(4.49)
Des équations (4.18) et (4.50), on peut réécrire la dynamique de comme suit :
(4.50)
Maintenant, nous définissons la fonction de Lyapunov candidate suivante :
(4.51)
(4.52)
En remplaçant (4.50) dans (4.52), on trouve :
(4.53)
Alors peut être bornée comme suit :
(4.54)
il est claire que, sous la condition , on peut conclure, par

l’utilisation du lemme de Barbalat [2], que converge vers zéro quand converge vers
zéro.
Afin de tester l’efficacité de la loi de commande PID floue adaptative proposée, on

considère le problème de stabilisation du système de pont roulant présenté par la Figure
4.1. Ce système a deux degrés de liberté, à savoir, la position horizontale du chariot et sa
position angulaire de la charge. Ce système est commander par la force motrice du
chariot . Le principal défi dans la commande de ce système consiste au couplage entre le
mouvement de déplacement du chariot et le mouvement de rotation du balancier.
La dynamique du pont roulant est donnée par [95, 109] :
(4.55)
(4.56)
où et sont les masses de la charge et du chariot respectivement, est la longueur de la

corde et est l'accélération de la gravité. Dans la simulation, les valeurs suivantes sont
utilisées: , , , .
On peut écrire cette dynamique (3.43) dans l’espace d’état comme suit :
(4.57)
où :
L'objectif de commande ici est de forcer les sorties du système et à

converger respectivement vers des valeurs désirées et . Dans les simulations on
prend : et , et les états initiaux suivantes :
et .
Figure 4.1. Système de ponts roulant
Les paramètres de conception sont choisis comme suit:

et .
Les gain de la commande , et sont estimés par un système flou à quatre
entrées ; , , et . Pour chaque entrée, on définit
trois fonctions d'appartenance de type gaussiennes définies comme suit :
, , ,
7
6
5
4
3
x
2
1
0
-1
0 5 10 15 20
Temps [s]
Figure 4.2. Position ( et ).

0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
Figure 4.3. Angle ( et ).
200
150
100
u
50
-50
0 5 10 15 20
Temps [s]
Figure 4.4. Commande ( et ).
-2
-4
-6
-8
0 5 10 15 20
Temps [s]
Figure 4.5. Fonction Nussbaum ( et ).

x
2
-1
0 5 10 15 20
Temps [s]
0.5
-0.5
-1
0 5 10 15 20
Temps[s]
100
50
-50
-100
-150
-200
0 5 10 15 20
Temps [s]

0.5
-0.5
-1
-1.5
-2
-2.5
-3
0 5 10 15 20
Temps [s]
Figure 4.9. Fonction Nussbaum ( et ).
Les résultats de la simulation dans le cas où la direction de commande inconnue est positive
( et ), sont illustrés par les Figures 4.2 à 4.5.
Les résultats de la simulation dans le cas où la direction de commande inconnue est

négative ( et ), sont illustrés par les Figures 4.6 à 4.9. On remarque que les
trajectoires de sorties convergent avec précision aux valeurs désirées et que les lois de
commande et les fonctions de type Nussbaum sont bornées.
4.4. Deuxième approche de commande PID floue adaptative
Malgré que l’utilisation de la fonction Nussbum permet de résoudre le problème de la

méconnaissance du signe des gains de la commande, cette technique a certaines limitations
à cause elle basée sur l’augmentation du signal de commande, comme elle peut rendre le
système très sensible au bruit et instable dans certaines situations particulières. Dans cette
deuxième approche, en se basant sur le travail de [111], la fonction de type-Nussbaum
n’est pas utilisée pour résoudre problème de la méconnaissance du signe des gains de la
commande, en revanche, ce dernier est estimé de la même manière que les gains de la
commande.
4.4.1. Conception de la deuxième approche de commande PID floue adaptative
On considère la même loi de commande PID floue adaptative (4.31), avec une loi
d’adaptation modifiée qui prend en compte le problème de la méconnaissance du signe des
gains de la commande.
(4.58)
En utilisant (4.10), (4.59) devient :
(4.59)
où est l’erreur d’approximation entre la loi de commande idéale et la loi de

commande PID floue adaptative.
En insérant le paramètre inconnu dans (4.59), on obtient :
(4.60)
Des équations (4.32) et (4.33), on peut déduire le terme :
(4.61)
où est le vecteur des erreurs paramétriques.
En utilisant l’égalité suivante : où et est la valeur

estimée du signe des gains de la commande , (4.61) devient :
(4.62)
Ce qui donne :
(4.63)
Afin d’estimer le vecteur des paramètres et le signe du gain de commande , nous

proposons la loi d’adaptation donnée par les équations suivantes :
(4.64)
(4.65)
où , , et sont des constantes strictement positives.
Théorème 4.2 : Considérons le système sous-actionné (4.1) et supposons que l’hypothèse

4.1 est satisfaite, alors la loi de commande PID floue définie par (4.31) avec sa loi
d'adaptation donnée par (4.64) et (4.65) garantit que les deux surfaces de glissement et
convergent asymptotiquement vers zéro, et tous les signaux du système en boucle fermée
sont bornés.
Preuve du théorème 4.2
Considérons la fonction de Lyapunov candidate suivante :
(4.66)
(4.67)
En remplaçant (4.59), (4.64) et (4.65) dans (4.67), et en utilisant l’égalité

, devient:
1 + 1 + 1 (4.68):
De l’équation (4.64), il vient:
(4.69)
En utilisant les égalités évidentes suivantes :
(4.70)
(4.71)
et l'hypothèse suivante :
(4.72)
où , , et sont des constante positives.
L’équation (4.69) devient:
2 2+ 12 1 3 2 12( 2 4) 2 (4.73)
si on considère , , , , et , peut être bornée

comme suit :
(4.74)
où .
L’intégrale de (4.75) de à donne :
(4.75)
A partir de cette dernière inégalité, on peut conclure la bornitude des paramètres estimés et
par l’utilisation du lemme de Barbalat [2], que converge vers zéro, c’est-à-dire,
.
D’après l’analyse précédente, nous avons
(4.76)
Maintenant, nous considérons la fonction de Lyapunov suivante :
(4.77)

(4.78)
En remplaçant (4.64), (4.76) dans (4.78), devient :
(4.79)

(4.80)
(4.81)
(4.82)
il est claire que, sous la condition , et on peut conclure
la convergence de vers zéro.
Pour tester les performances de la loi de commande PID floue adaptative proposée,
nous considérons le problème de stabilisation du système de pont roulant dont le modèle
dynamique est donné à la section 4.2.1.
Les gains de la commande , et sont estimé par un système flou dont la

structure est identique au système flou d’exemple de simulation de sous-section 4.2.1.
Les paramètres de conception sont choisis comme suit:

.
Les résultats de la simulation, dans le cas où la direction de commande inconnue est

positive ( et ), sont illustrés par les Figures 4.10 à 4.13. Les résultats de la
simulation dans le cas où la direction de commande inconnue est négative ( et
), sont illustrés par les Figures 4.14 à 4.17.
2
x
-2
0 5 10 15 20
Temps [s]
1.5
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]

3.5
2.5
1.5
0.5
0 5 10 15 20
Temps [s]
Figure 4.12. Direction de commande estimée ( et ).
15
10
0
u
-5
-10
-15
0 5 10 15 20
Temps [s]
3
x
-1
0 5 10 15 20
Temps [s]

1.5
0.5
-0.5
-1
-1.5
0 5 10 15 20
Temps [s]
-1
-2
-3
-4
-5
-6
0 5 10 15 20
Temps [s]
Figure 4.16. Direction de commande estimée ( et ).
10
0
u
-5
-10
0 5 10 15 20
Temps [s]

On remarque que les trajectoires de sorties convergent vers les valeurs désirées et que les
lois de commande et la direction de commande sont bornées. De plus, Il est important de
noter que, le signe du gain de commande est correctement identifié.
Le schéma bloc complet des deux commandes proposées est présenté par la Figure 4.18.
Mécanisme d’adaptation
Système sous
Commande
PID
actionné de 2ème
ordre
Figure 4.18. Schéma de la commande PID floue adaptative.
4.5. Conclusion
Dans ce chapitre, deux schémas de commande PID floue adaptative on été développés
pour une classe des systèmes non linéaires sous-actionnés dont la dynamique est incertaine
et dont le signe des gains de commande est inconnu. Dans les deux schémas, une loi de
commande PID adaptative est utilisée afin d’approcher une loi de commande idéale
assurant les performances désirées. Les gains de la commande PID sont estimés par un
système flou dont les paramètres sont ajustés en ligne en utilisant une certaine loi
d'adaptation.
Les deux schémas se distinguent par la façon dont le problème de méconnaissance de la

direction de commande est abordé. Dans le premier schéma, la loi d’adaptation est basée
sur une fonction de type Nussbaum. La principale contribution de ce schéma est d'extension
de l'utilisation de la fonction de type-Nussbaum pour contourner le problème de la
méconnaissance de la direction de commande, au cas des systèmes sous-actionnés.
Dans le deuxième schéma, la direction de la commande est représentée par un paramètre

dont la valeur est estimée par la loi d’adaptation.
Ces schémas de commande proposés assurent la convergence des sorties du système

asymptotiquement vers les valeurs désirées et la bornitude de tous les signaux inhérents au
système en boucle fermée. Deux exemples de simulation numérique ont été effectués pour
montrer l’efficacité des approches proposées.
Conclusion générale 101
Conclusion générale
Les travaux de notre thèse contribuent à l’extension de la commande PID pour prendre
en charge des classes systèmes non linéaires inconnus. Les schémas de commande
proposés utilisent des lois de commande PID adaptative et combinent ainsi les avantages
de la commande classique et la commande adaptative à savoir la structure simple et les
qualités de la robustesse et la stabilité de haut niveau.
Dans le premier chapitre, nous avons d’abord présenté les différentes formes des
modèles de commande correspondant aux différentes classes de systèmes non linéaires et
les différentes structures de commande PID classique. Ensuite, nous avons exposé un état
de l’art sur la commande PID des systèmes non linéaires. Plusieurs extensions de la
commande PID pour faire face à la complexité des systèmes non linéaires ont été
constatées; la technique de linéarisation, la technique de robustification et la technique
d’adaptation des gains. Enfin, un rappel sur les systèmes flous et la théorie
d’approximation universelle est donné à la fin de chapitre.
Les contributions de notre thèse apparaissent à partir du deuxième chapitre. En effet,

deux schémas de commande PID floue adaptative pour une classe de systèmes non
linéaires SISO incertains ont été développés dans ce chapitre. Les deux schémas utilisent
un système flou pour estimer en ligne les gains optimaux de la loi de commande PID afin
que cette dernière recopie une loi de commande idéale qui assure la bornitude de tous les
signaux inhérents à la boucle fermée, et la convergence de l'erreur de poursuite vers une
région ajustable dans le premier schéma et vers zéro dans le second schéma. L’ajustement
en ligne des paramètres du système flou est effectuée au moyen d’une loi d'adaptation de
type gradient dans la première approche. Cette dernière est doté d’un terme de type -
modification pour augmenter la robustesse du contrôleur contre les erreurs d'approximation
floue. La deuxième approche prend en charge les problèmes de la saturation de la
commande et la méconnaissance du signe de gain de commande. A cet effet, la loi
d’adaptation est modifiée de manière appropriée pour éliminer l’effet de la saturation de
l’amplitude et la vitesse du signal de commande et une fonction de type Nussbaum est
utilisée pour estimer le signe du gain de commande.
Dans le troisième chapitre, une approche commande PID floue adaptative est
Conclusion générale 102
développée pour une classe de systèmes non linéaires MIMO carrés (complètement
actionnés) incertains et présentant des non-linéarités à l’entrée de type « zone-morte ».
Dans ce schéma, des systèmes flous adaptatifs ont été utilisés pour approximer les gains
optimaux de la commande vis-à-vis un critère des performances du système bouclé, à
savoir, la convergence de l'erreur de poursuite vers une région acceptable, et la bournitude
de tous les signaux impliqués dans le système. A cet effet, une loi d’adaptation pour la
mise à jour des paramètres des systèmes flous est proposée afin de minimiser l'erreur entre
la loi de la commande PID et une loi de commande idéale. Pour compenser les erreurs
d’approximation floue et améliorer les performances de robustesse, la loi d’adaptation est
augmentée par un terme de type -modification.
Le dernier chapitre a été réservé à une classe de systèmes MIMO incertains sous
actionnés dont le signe des gains de commande est inconnu. Deux schémas de commande
PID floue adaptative ont été développés. Dans les deux schémas, une loi de commande PID
adaptative est utilisée afin d’approcher une loi de commande idéale assurant les
performances désirées. Les gains de la commande PID sont estimés par un système flou
dont les paramètres sont ajustés en ligne en utilisant une certaine loi d'adaptation. Les deux
schémas se distinguent par la façon dont le problème de méconnaissance de la direction de
commande est abordé. Dans le premier schéma, une fonction de type-Nussbaum a été
exploitée pour contourner le problème de la méconnaissance de la direction de commande.
Dans le second schéma, la direction de la commande est estimée par une loi d’adaptation.
Ces deux approches garantissent la convergence des sorties du système asymptotiquement
vers les valeurs désirées et la bornitude de tous les signaux inhérents au système en boucle
fermée. Deux exemples de simulation numérique ont été effectués pour montrer l’efficacité
des approches proposées.
Tous les schémas de commande qui ont été développées dans cette thèse ont été le
sujet d’une étude rigoureuse de stabilité et ont été validés par des exemples de simulation.
En perspective, de nouveaux axes de recherche sont à explorer :
La synthèse de loi de commande PID adaptative tolérante aux défauts de capteur

et d’actionneurs pour des systèmes non linéaires incertains.
La synthèse de commande PID adaptatives avec observateurs pour des systèmes

non linéaires incertains.
Bibliographie 103
Bibliographie
[1] J. J. E. Slotine et W. Li, Applied Nonlinear Control, USA: Prentice-Hall, Englewoods Cliffs, New-
Jersey, 1991.
[2] H. Khalil, Nonlinear Systems, 2nd edn, Prentice-Hall ,EnglewoodCliffs, 1996.
[3] J. Seo et R. Venugopal, «Feedback linearization based control of a rotational hydraulic drive,» Control
Engineering Practice, vol. 15, n° %112, pp. 1495-1507, 2007.
[4] M. Feki, «An adaptive feedback control of linearizable chaotic systems,» Chaos, Solitons &, vol. 15,
n° %105, pp. 883-890, 2003.
[5] C. Hua, X. Guan et P. Shi, «Adaptive feedback control for a class of chaotic systems,» Chaos, Solitons
& Fractals, vol. 23, n° %13, pp. 757-765, 2005.
[6] J. Wan, «Nonlinear Control of Electronic Throttle Based on Backstepping Approach,» American
Journal of Electromagnetics and Applications, vol. 6, n° %11, pp. 1-7, 2016.
[7] V. Utkin, «Variable structure systems with sliding modes,» IEEE Transactions on Automatic Control,
vol. 22, n° %12, pp. 212-222, 1977.
[8] V. Utkin et H. Lee, «chattering problem in sliding mode control systems,» chez International
Workshop on Variable Structure Systems IFAC, Sardinia, Italy, 2006.
[9] N. Poursafar, H. Taghirad et M. Haeri, «Model predictive control of non-linear discrete time systems: a
linear matrix inequality approach,» IET Control Theory and Applications, vol. 4, pp. 1922-1932, 2010.
[10] V. Ghaffari, A. Safavi et S. Naghavi, «Robust model predictive control of a class of uncertain
nonlinear systems with application to typical CSTR problems,» Journal of Process Control, vol. 23,
pp. 493-499, 2013.
[11] S. Akhtar et D. Bernstein, «Lyapunov-stable discrete-time model reference adaptive control,»

International Journal of Adaptive Control and Signal Processing, vol. 19, p. 745–767, 2005.
[12] S. Labiod, «Contribution à la commande adaptative floue des systèmes non linéaires,» Thèse de
doctorat ENP, Alger, 2004.
[13] A. Boulkroune, «Commande floue adaptative avec et sans observateur des systemes non lineaires
incertains,» thèse de doctorat ENP, Alger, 2009.
[14] C.-H. Wang, H.-L. Liu et T.-C. Lin, «Direct Adaptive Fuzzy-Neural Control With State Observer and
Supervisory Controller for Unknown Nonlinear Dynamical Systems,» IEEE Trans. Fuzzy Syst, vol. 10,
n° %11, pp. 39-49, 2002.
[15] J. Spooner et K. Passino, «Stable adaptive control using fuzzy systems and neural networks,» EEE
Trans. Fuzzy Syst, vol. 4, n° %13, pp. 339-359, 1996.
[16] V. Gazi et K. Passino, «Direct adaptive control using dynamic structure fuzzy systems,» chez
Bibliographie 104
Proceedings of the 2000 American Control Conference, USA, 2000.
[17] C. Chang, «Adaptive fuzzy-based tracking control for nonlinear SISO systems via VSS and H¥
approaches,» IEEE Trans. Fuzzy Syst, vol. 9, pp. 278-292, 2001.
[18] K. str m et T. gglund, PID controllers. Research Triangle Park, America: N.C.: Instrument
Society of America, 1995.
[19] W. ZHANG et Y. XI, «Design PID controllers for desired time-domain or frequency-domain
response,» ISA Transactions, vol. 41, n° %14, pp. 511-520, 2002.
[20] D. Lu, L. Zhu et X. Li, «PID Parameter Optimization of Shunting and Winch Control System in Coal
Transportation Based Online Adaptive Genetic Algorithm,» chez International Conference on E-
Product E-Service and E-Entertainment, China, 2010.
[21] S. Srikanth et G. Chandra, «Modeling and pid control of the brushless dc motor with the help of
genetic algorithm,» chez International Conference on Advances in Engineering, Science and
Management (ICAESM), India, 2012.
[22] T. Andromeda, A. Yahya, N. Khamis, A. Baharom et M. M, «PID controller,» chez 2012 4th
International Conference on Intelligent and Advanced Systems (ICIAS2012), Malaysia, 2012.
[23] J. Chiou, S. Tsai et M. Liu, «A PSO-based adaptive fuzzy PID-controllers,» Simulation Modelling
Practice and Theory, vol. 26, pp. 49-59, 2012.
[24] O. ERCIN et R. COBAN, «Comparison of the Artificial Bee Colony and the Bees Algorithm for PID
Controller Tuning,» chez Innovations in Intelligent Systems and Applications (INISTA), 2011
International Symposium on, Turkey, 2011.
[25] X.-M. MA, «Application of ant colony algorithm in PID parameter optimization for mining hoist direct
torque control system,» chez International Conference on Advanced Computer Control (ICACC),
Singapore, 2009.
[26] M. Knoop et J. Moreno Pérez, «Nonlinear PI-controller design for a continuous-flow furnace via
continuous gain scheduling,» Journal of Process Control, vol. 4, n° %13, pp. 143-147, 1994.
[27] E. Yesil, M. Guzelkaya et I. Eksin, «Internal model control based fuzzy gain scheduling technique of
pid controllers,» chez Proceedings World Automation Congress , Spain, 2004.
[28] K. Babulu et D. K. Kumar, «Fuzzy self-adaptive PID controller design for electric heating furnace,»
International Journal of Engineering Inventions, vol. 1, n° %15, pp. 10-21, 2012.
[29] J. Lai, H. Zhou et W. Hu, «A New Adaptive Fuzzy PID Control Method and Its Applicance in
FCBTM,» International Journal of Computers Communications & Control, vol. 11, n° %13, p. 394,
20016.
[30] W.-D. Chang, R.-C. Hwang et J.-G. Hsieh, «A self-tuning PID control for a class of nonlinear systems
based on the lyapunov approach,» Journal of Process Control, vol. 12, n° %12, pp. 233-242, 2002.
[31] W.-D. Chang et J.-J. Yan, «Adaptive robust PID controller design based on a sliding mode for
uncertain chaotic systems,» Chaos, Solitons & Fractals, vol. 26, n° %11, pp. 167-175, 2005.
Bibliographie 105
[32] I. Mizumoto, T. Hirahata, S. Ohdaira et Z. Iwai, «Adaptive PID controller design based on output
feedback passivity for discrete-time nonlinear systems,» chez American Control Conference (ACC'09),
USA, 2009.
[33] I. Mizumoto, D. Ikeda, H. Tadashi et Z. Iwai, «Design of discrete time adaptive PID control systems
with parallel feedforward compensator,» Control Engineering Practice, vol. 18, n° %12, pp. 168-176,
2010.
[34] J. Chen et C. Yang, «Stable Adaptive Fuzzy PID Controller for Nonlinear Uncertain Systems,»
International Journal of Digital Content Technology and its Applications, vol. 7, n° %15, pp. 374-382,
2013.
[35] W.-S. Yu, «Adaptive fuzzy PID control for nonlinear systems with Hinf tracking performance,» chez
International Conference on Fuzzy Systems, Canada , 2006.
[36] D. L. Yu et T. K. Chang, «A stable self-learning PID control for multivariable time varying systems,»
Control Engineering Practice, vol. 15, n° %112, pp. 1577-1587, 2007.
[37] S. M. Guo, J. S. Tsai, Y. C. Lin, T. J. Tsai et C. W. Chen, «Intelligent-based PID fault tolerant tracking
control for unknown nonlinear MIMO systems,» chez International Conference on Control and
Automation, New Zealand, 2009.
[38] S. Slama, E. Ayachi et M. Benrejeb, «Adaptive PID controller based on neural networks for MIMO
nonlinear systems,» Journal of Theoretical and Applied Information Technology, vol. 97, n° %102, pp.
361-371, 2019.
[39] W.-D. Changa, R.-C. Hwangb et J.-G. Hsiehc, «A multivariable on-line adaptive PID controller using
auto-tuning neurons,» Engineering Applications of Artificial Intelligence, vol. 16, n° %11, pp. 57-63,
2003.
[40] T. A. Al Zohairy et K. S. Salem, «Adaptive control for MIMO nonlinear systems based on PID neural
networks,» International Journal Of Engineering And Computer Science, vol. 5, n° %18, pp. 17673-
17678, 2016.
[41] T. Chamsai, P. Jirawattana et T. Radpukdee, «Robust adaptive PID controller for a class of uncertain
nonlinear systems: an application for speed tracking control of an SI engine,» Mathematical Problems
in Engineering, vol. 2015, pp. 1-12, 2015.
[42] M. S. Jamalzade, H. R. Koofigar et M. Ataei, «Adaptive fuzzy control for a class of constrained
nonlinear systems with application to a surface vessel,» Journal of Theoretical and Applied Mechanics,
vol. 54, n° %13, pp. 987-1000, 2016.
[43] D. Shen, W. Sun et Z. Sun, «Adaptive PID formation control of nonholonomic robots without leader's
velocity information,» ISA Transactions, vol. 53, n° %12, pp. 474-480, 2014.
[44] A. Boubakir, L. Salim et F. Boudjema, «A stable self-tuning proportional-integralderivative controller

for a class of multi-input multi-output nonlinear systems,» Journal of Vibration and Control, vol. 18,
n° %12, pp. 228-239, 2011.
[45] Y. Cui, H. Zhang et Y. Wang, «Adaptive tracking control of uncertain MIMO nonlinear systems based
on generalized fuzzy hyperbolic model,» Fuzzy Sets Systems, vol. 306, pp. 105-117, 2017.
Bibliographie 106
[46] S. Bennett, A history of Control Engineernig, IEE Control Engineering Series, 1993.
[47] P. Prouvost, Automatique-Contrôle et régulation 2/e: Cours, exercices et problèmes corrigés, Dunod,
2010.
[48] J. Seo, V. Ravinder et K. Jean-Pierre, «Feedback linearization based control of a rotational hydraulic
drive,» Control Engineering Practice, vol. 15, n° %112, pp. 1495-1507, 2007.
[49] M. E. Karam, Z. Jiao et H. Zhang, «PID Controller Optimization by GA and Its Performances on the
Electro-hydraulic Servo Control System,» Chinese Journal of Aeronautics, vol. 21, n° %14, pp. 378-
384, 2008.
[50] R. K. Mohammad, K. Hamed, M. A. Reza et B. S. Ali, «Designing PID Controllers for a Five-bar
Linkage Robot Manipulator Using BBO Algorithm,» chez 6th international conference on modeling,
simulation, and applied optimization (ICMSAO), Istanbul, 2015.
[51] H. ZeFang et Z. Long, «A Simple Attitude Control of Quadrotor Helicopter Based on Ziegler-Nichols
Rules for Tuning PD Parameters,» the Scientific World Journal, vol. 2014, pp. 1-13, 2014.
[52] M. Freddy, «Modélisation et régulation d’un pendule inversé,» Fascicule de travaux pratiques, Institut
d’Automatisation industrielle de l’Ecole d’Ingénieurs du Canton de Vaud, Suisse 2003, 2003.
[53] B. P. Lal, T. Barjeev et O. G. Hari, «Modelling & Simulation for Optimal Control of Nonlinear
Inverted Pendulum Dynamical System using PID Controller & LQR,» chez Sixth Asia Modelling
Symposium, 2012.
[54] E. N.-R. Julio, A. Ismael, G.-O. Juan et F. Eduardo, «Mobile robot path tracking using a robust PID
controller,» Control Engineering Practice, vol. 9, n° %111, pp. 1209-1214, 2001.
[55] D. Sain, «PID, I-PD and PD-PI Controller Design for the Ball and Beam System : A Comparative
Study,» International Science Press, vol. 39, n° %19, pp. 9-14, 2016.
[56] N. M. A. Haq et A. E. Rasul, Stabilizing and Balancing of Linear and Rotary Inverted Pendulum
System, Bangladesh: University of Engineering and Technology (BUET), 2016.
[57] K. K. Tan, S. Huang et R. Ferdous, «Robust self-tuning PID controller for nonlinear systems,» Journal
of Process Control, vol. 12, n° %17, pp. 753-761, 2001.
[58] K. K. Tan, R. Ferdous et S. Huang, «Robust self-tuning PID controller for nonlinear systems,» Journal
of Process Control, vol. 57, n° %115, pp. 3005-3011, 2002.
[59] I. Thirunavukkarasu, V. I. George et R. Satheeshbabu, «Relay Feedback based PID Controller for
Nonlinear Process.,» International Journal of Computing of Computing, Communications &
Instrumentation Engineering, vol. 1, n° %11, pp. 144-148, 2014.
[60] D. H. S. SUN, X. SHAO et C. Liu, «Global stability of a saturated nonlinear PID controller for robotic
manipulators,» EEE Transactions on Control Systems Technology, vol. 17, n° %14, pp. 892-899, 2009.
[61] V. Santibanez, R. Kelly, A. Zavala–Rio et P. Parada, «A New Saturated Nonlinear PID Global
Regulator for Robot Manipulators,» chez Proceedings of the 17th World Congress The International
Federation of Automatic Control, Korea, 2008.
Bibliographie 107
[62] A. Yarza, S. Victor et J. Moreno-Valenzuela, «Global asymptotic stability of the classical PID
controller by considering saturation effects in industrial robots,» International Journal of Advanced
Robotic Systems, vol. 8, n° %14, pp. 34-42, 2011.
[63] D. Valery, PI/PID Control for Nonlinear Systems via Singular Perturbation Technique, InTech Europe,
2011.
[64] D. Valery, «MIMO Tracking PI/PID Controller Design for Nonlinear Systems based on
SingularPerturbation Technique,» IFAC-PapersOnLine, vol. 48, n° %111, pp. 760-76, 2015.
[65] D. Y. Valery, «PI and PID Controller Design for NonlinearSystems in the Presence of a Time Delay
via Singular Perturbation Technique,» chez 9th INTERNATIONAL CONFERENCE- APEIE, Russia,
2008.
[66] V. D. Yurkevich et G. S. Zinoviev, «PI Controller Design via Singular Perturbation Technique for AC-
AC Buck-Boost Converter,» chez Proc. of the 3-rd. Int. Forum on Strategic Technologies (IFOST),
Russia, 2008.
[67] W. Yu, «Nonlinear PD regulation for ball and beam system,» International Journal of Electrical
Engineering Education, vol. 46, n° %11, pp. 59-73, 2009.
[68] Y. Choi et W. K. Chung, «PID performance tuning methods for a robotic manipulator based on ISS,»
Asian Journal of Control, vol. 5, n° %12, pp. 206-216, 2003.
[69] Y. j. Choi, W. K. Chung et I. Hong Suh, «Performance and H-infinity optimality of PID trajectory
tracking controller for Lagrangian systems,» IEEE Transactions on Robotics and Automation, vol. 17,
n° %16, pp. 857-869, 2001.
[70] J. Park et W. Chung, «Design of a robust PID control for industrial manipulators,» Journal of
Dynamic Systems, Measurement, and Control, vol. 22, n° %14, pp. 803-812, 2014.
[71] Y. Choi, «On the optimality and performance of PID controller for robotic manipulators,» chez
International Conference on Robotics and Automation, korea, 2001.
[72] H. I. Jaafar, Z. MOHAMED, A. F. Z. Abidin et Z. Ab Ghani, «PSO-tuned PID controller for a

nonlinear gantry crane system,» chez International Conference on Control System, Computing and
Engineering, Malaysia, 2012.
[73] G. Sainzaya, F. N. Yu, T. L. Hsieh et C. Y. Yang, «LQR control with refined PID to balance rotary
inverted pendulum with time-varying uncertainty,» chez International Conference on Fuzzy Theory
and Its Applications (iFUZZY), Taiwan, 2017.
[74] P. Jekan et C. Subramani, «Robust Control Design for Rotary Inverted Pendulum Balance,» Indian
Journal of Science and Technology, vol. 9, n° %128, pp. 1-5, 2016.
[75] C. J. A. van Kats, «Nonlinear control of a Furuta Rotary inverted pendulum,» University of
Technology Department of Mechanical Engineering Division Dynamical Systems Design Dynamics
and Control Group, Eindhoven, 2004.
[76] L. Wang, Adaptive Fuzzy Systems and Control: Design and Stability Analysis, Englewood Cliffs, New
Jersey: Prentice-Hall , 1994.
Bibliographie 108
[77] S. Labiod, «Contribution à la commande adaptative floue des systèmes non linéaires,» ENP, Alger,
2004.
[78] L.-X. Wang et J. M. Mendel, «Fuzzy Basis Functions, Universal Approximation and Orthogonal Least-
Squares Learning,» IEEE transactions on Neural Networks, vol. 3, n° %15, pp. 807-814, 1992.
[79] J.-S. Jang et C.-T. Sun, «Neuro-Fuzzy modeling and control,» Proceedings of the IEEE, vol. 83,
n° %13, pp. 378-406, 1995.
[80] N. Cherrat et H. Boubertakh, «An adaptive fuzzy PI control for a class of unknown nonaffine
systems,» chez 3rd International Conference on Control, Engineering & Information Technology
CEIT’2015, Algeria, 2015.
[81] N. Cherrat et B. Hamid, «An adaptive fuzzy PID control for a class of SISO uncertain nonlinear
systems,» chez The 5th International Conference on Electrical Engineering – Boumerdes (ICEE-B),
Alger, 2017.
[82] L. Salim et T. M. Guerra, « Fuzzy adaptive control for a class of nonlinear systems with unknown
control gain,» Evolving Systems, vol. 3, n° %11, pp. 57-64, 2012.
[83] P. Ioannou et J. Sun, Robust adaptive control, Englewood Cliffs: Prentice Hall, 1996.
[84] L. Salim et T. M. Guerra, «Direct adaptive fuzzy control for nonlinear systems with input amplitude
and rate saturation constraints,» chez 16th Mediterranean Conference on Control and Automation,
France, 2008.
[85] R. D. Nussbaum, «Some remarks on a conjecture in parameter adaptive control,» Systems & Control
Letters, vol. 3, n° %15, pp. 243-246, 1983.
[86] L. Liu et J. Huang, «Global robust output regulation of lower triangularsystems with unknown control
direction,» Automatica, vol. 44, n° %15, pp. 1278-1284, 2008.
[87] S. Ge et J. Wang, «Robust adaptive neural control for a class of perturbed strict feedback nonlinear
systems,» EEE Trans. Neural Networks, vol. 13, n° %106, pp. 1409-1419, 2002.
[88] T. Zhang et Y. YI, «Adaptive fuzzy control for a class of MIMO nonlinear systems with unknown
dead-zone,» Acta Automatica Sinica, vol. 33, n° %101, pp. 96-99, 2007.
[89] X. Wang, C. Su et H. Hong, «Robust adaptive control of a class of nonlinear systems with unknown
dead-zone,» Automatica, vol. 40, n° %13, pp. 407-413, 2004.
[90] N. Cherrat, H. Boubertakh et H. Arioui, «Adaptive fuzzy pid control for a class of uncertain mimo
nonlinear systems with dead-zone inputs’ nonlinearities,» Iranian Journal of Science and Technology,
Transactions of Electrical Engineering, vol. 42, n° %11, pp. 1-19, 2018.
[91] S. Bouabdallah, «Design and control of quadrotors with application to autonomous flying,» thèse de
doctorat EPFL, Lausanne, 2007.
[92] M. Reyhanoglu, A. van der Schaft, N. H. McClamroch et I. Kolmanovsky, «Dynamics and control of a
class of underactuated mechanical systems,» IEEE Transactions on Automatic Control, vol. 44,
n° %19, pp. 1663-1671, 1999.
Bibliographie 109
[93] F. Nafa, S. Labiod et H. Chekireb, «Direct adaptive fuzzy sliding mode decoupling control for a class
of underactuated mechanical systems,» Turkish Journal of Electrical Engineering & Computer
Sciences, vol. 21, n° %16, pp. 1615-1630, 2013.
[94] C. L. Hwang, C. C. Chiang et Y. W. Yeh, «Adaptive fuzzy hierarchical sliding-mode control for the
trajectory tracking of uncertain underactuated nonlinear dynamic systems,» IEEE Transactions on
Fuzzy Systems, vol. 22, n° %12, pp. 286-299, 2014.
[95] W. Wang, J. Yi, D. Zhao et D. Liu, «Design of a stable sliding-mode controller for a class of second-
order underactuated systems.,» IEE Proceedings-Control Theory and Applications, vol. 151, n° %16,
pp. 683-690, 2004.
[96] Y. Ming et L. Baoyin, «Disturbance adaptive control for an underactuated spherical robot based on
hierarchical sliding-mode technology,» chez In Control Conference (CCC), 2012 31st Chinese ,
Chinese, 2012.
[97] J. Yi, W. Wang, D. Zhao et X. Liu, «Cascade sliding-mode controller for large-scale underactuated
systems,» chez In: IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS),
Canada, 2005.
[98] w. Wang, X. Liu et J. Yi, «Structure design of two types of sliding-mode controllers for a class of
under-actuated mechanical systms,» IET Control Theory and Applications, vol. 1, n° %11, pp. 163-
172, 2007.
[99] Y. Hao, J. Yi, D. Zhao et D. Qian, «Robust control using incremental sliding mode for underactuated
systems with mismatched uncertainties,» chez American Control Conference, Washington, USA, 2007.
[100] Y. Mon et C. Lin, «Hierarchical fuzzy sliding-mode control,» chez 3rd International Conference on
Fuzzy Systems (FUZZ-IEEE'02), Honolulu, 2002.
[101] L. Tuan et S. Lee, «Sliding mode controls of double-pendulum crane Sliding mode controls of double-
pendulum crane,» Journal of Mechanical Science and Technology, vol. 27, n° %16, pp. 1863-1873,
2013.
[102] C. Kung, C. TH et L. Huang, «Adaptive fuzzy sliding mode control for a class of underactuated
systems,» chez International Conference on Fuzzy systems, Korea, 2009.
[103] W. Wang, J. Yi, D. Zhao et X. Liu, «Design of cascade fuzzy sliding-mode controller,» chez American
Control Conference, Portland, 2005.
[104] S. Moussaoui et A. Boulkroune, «Fuzzy approximation-based adaptive sliding-mode control scheme

for underactuated systems,» chez International Conference on Control, Engineering & Information
Technology (CEIT), Tlemcen, 2015.
[105] R. Wai, M.-A. Kuo et J.-D. Lee, «Design of cascade adaptive fuzzy sliding-mode Control for nonlinear
two-Axis inverted-pendulum servomechanism,» IEEE Transactions on Fuzzy Systems, vol. 16,
n° %15, pp. 1232-1244, 2008.
[106] X. Ye, «Adaptive Nonlinear Output-Feedback Control with Unknown High-Frequency Gain Sign,»
IEEE Transactions on Automatic Control, vol. 46, n° %11, pp. 112-115, 2001.
[107] A. Boulkroune, M. Tadjine, M. M’Saad et M. Farza, «Fuzzy adaptive controller for MIMO nonlinear
Bibliographie 110
systems with known and unknown control direction,» Fuzzy Sets and Systems, vol. 161, n° %16, pp.
797-820, 2010.
[108] M. Spong, «Underactuated mechanical systems,» Lecture Notes in Control and Information Sciences,
vol. 230, pp. 135-150, 1998.
[109] N. Cherrat et B. Hamid, «An adaptive fuzzy PID control for a class of uncertain nonlinear
underactuated systems,» chez 8th International Conference on Modelling, Identification and Control
(ICMIC-2016), Algiers, Algeria, 2016.
[110] S. Labiod et T. M. Guerra, «Fuzzy Adaptive Control for a Class of Nonlinea Systems with Unknown
Control Gain,» Evolving Systems, vol. 3, n° %11, pp. 57-64, 2011.
[111] S. Labiod et G. Guerra, «Direct Adaptive Fuzzy Control for a Class of Nonlinear Systems With
Unknown Control Gain Sign,» chez IEEE International Conference on Fuzzy Systems,, Vancouver,
Canada , 2016.

Thèse CHERRAT

Transféré par

Droits d'auteur :

Formats disponibles

Thèse CHERRAT

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Thèse CHERRAT

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L ’ENSEIGNEMENT SUPERIEUR

Contribution à la commande PID floue adaptative des systèmes

Soutenue le : / / , Devant le Jury composé de :

Mr. S. Labiod Professeur Université de Jijel Président

Je tiens à remercier Monsieur H. Boubertakh, Professeur à l’Université de

Je suis très reconnaissant à Monsieur H. Arioui, Professeur et Directeur du

J’ai été profondément honoré que Monsieur S. Labiod, Professeur à

Que Monsieur M. Bouchoucha, Maître de Conférences à l’EMP, trouve ici ma

Que Monsieur A. Boulkroune Professeur à l’Université de Mohamed Seddik

Que Monsieur H. Boubakir, Maître de Conférences à l’Université de Mohamed

Enfin, je ne saurais terminer cet avant-propos sans remercier toute ma famille

Introduction générale ..................................................................................... 1

Conclusion générale ..................................................................................101

La synthèse de la commande PID classique consiste à faire un choix appropriée de

Pour s’adapter à ces classes de systèmes, il est extrêmement approprié de doter la

Les travaux de notre thèse s’inscrivent dans ce contexte. On se propose de développer

La thèse est organisée en quatre chapitres :

Dans le premier chapitre, au début, on rassemble les différentes formes de modèles

proposées, la première traite le cas idéal où le système ne subit aucune contrainte et le

Dans le troisième chapitre, une classe de systèmes non linéaires multivariables

Enfin, on termine la thèse par une conclusion générale et des perspectives.

Les premières approches de commande des systèmes non linéaires consistent à

- Présence de dynamiques inconnues

Dans ces cas de figure, la commande classique échoue et la recherche d’autres

1.2. Classes des systèmes non linéaires

Un système est un ensemble de composants qui interagissent mutuellement pour

L’objectif de la commande en boucle fermée d’un système est la correction du son

choisir l'entrée de la commande afin d’assurer les performances recherchées. La

Figure 1.1. Représentation de système.

Avant d’aborder le problème de la commande d’un système, il est essentiel de collecter

La modélisation des systèmes se fait généralement sous certaines hypothèses

Bien qu’il existe de nombreuses méthodes géométriques différentielles et/ou

: est la variable de temps,

: est le vecteur d'état global avec l’ordre du système,

: est le vecteur d’entré de commande et le nombre d’entrées,

: est le vecteur de sortie du système et le nombre de sorties,

et : sont des vecteurs composés de fonctions non linéaires.

le système est dit autonome.

avec sont des fonctions non linéaire.

le système est dit affine en la commande.

Dans le cas de la présence des incertitudes dynamique affectant le système, le système

avec et sont des fonctions nominales connues, et et

avec est une perturbation externe.

L’incertitude des modèles des systèmes non linéaires se rajoute à la complexité

1.3. Commande PID classique

PID à structure série

Dans cette structure le signal de commande est défini par [47]:

: le signal de référence et la sortie du système.

En appliquant la transformée de Laplace à (1.6), on obtient la fonction de transfert du

Figure 1.2. Structure série d’un régulateur PID.

PID à structure parallèle

Figure 1.3. Structure parallèle d’un régulateur PID.

Dans cette structure le signal de commande donné est défini par :

En appliquant la transformée de Laplace à (1.8), on obtient la fonction de transfert du

PID à structure mixte

Dans cette structure le signal de commande est donné par [47] :

En appliquant la transformée de Laplace à (1.10), on obtient la fonction de transfert

Figure 1.4. Structure mixte d’un régulateur PID.