Système à régulation intelligente
-
Upload
independent -
Category
Documents
-
view
0 -
download
0
Transcript of Système à régulation intelligente
1 / 14
Système à régulation intelligente
Ziad Salloum ing.
Sommaire Cet article présente l'utilité d'un système à régulation intelligente; Il présente un survol sur les techniques de régulation intelligente utilisées et donne un exemple sur un système à régulation intelligente basée sur la logique floue.
2 / 14
Table des Matières
Sommaire ............................................................................................................................................ 1
Table des Figures .................................................................................................................................. 3
Références ........................................................................................................................................... 4
I. L'automatique et la régulation .......................................................................................................... 5
I.1. Description ............................................................................................................................ 5
I.2. Théorie de contrôle classique .................................................................................................... 6
I.2.1. Introduction ................................................................................................................... 6
I.2.2. Limites de la théorie classique ........................................................................................... 6
I.2.2.1. Le système physique réel est non atteignable ................................................................... 6
I.2.2.2. La connaissance à priori du système est primordiale .......................................................... 6
I.2.2.3. La modélisation de systèmes Linéaires d'ordre supérieur ou de systèmes non-linéaires ............ 6
I.2.2.4. La complexité du contrôleur explose avec la complexité de la modélisation ............................ 7
I.3. Théorie de contrôle intelligent ................................................................................................... 7
I.3.1. Introduction ................................................................................................................... 7
I.3.2. Contrôle intelligent vs contrôle classique : décalage d'intelligence ............................................ 7
II. Les méthodes de contrôle intelligent ................................................................................................. 8
II.1. Introduction .......................................................................................................................... 8
II.2. La Logique Floue .................................................................................................................... 8
II.3. Les réseaux de neurones ......................................................................................................... 8
II.4. Les algorithmes Génétiques .................................................................................................... 10
II.5. Les Machines à vecteurs de support ......................................................................................... 11
II.6. L'apprentissage par renforcement ............................................................................................ 11
III. Exemple de contrôle intelligent: utilisation de la logique floue .......................................................... 12
III.1. Le chariot filoguidé ............................................................................................................... 12
III.2. Description de la solution ....................................................................................................... 13
III.2.1. Méthode de contrôle ...................................................................................................... 13
III.2.2. Les Entrées/Sorties ....................................................................................................... 13
III.2.3. Diagramme d'état ......................................................................................................... 13
IV. Conclusion .............................................................................................................................. 14
3 / 14
Table des Figures
Fig. 1 - Schéma de base de la régulation ................................................................................................... 6 Fig. 2 - Le décalage d'intelligence (Réf.[iii]) ............................................................................................... 7 Fig. 3 - Le raisonnement humain (Réf.[i]) .................................................................................................. 8 Fig. 4 - Présentation d'une neurone (Réf.[ii]) ............................................................................................. 9 Fig. 5 - Algorithme génétique (Réf.[v]) ................................................................................................... 10 Fig. 6 - Chariot filoguidé ....................................................................................................................... 12 Fig. 7 - Le capteur optique .................................................................................................................... 12 Fig. 8 - Diagramme d'état de la solution .................................................................................................. 13
4 / 14
Références
i. http://franck-dernoncourt.developpez.com/tutoriels/algo/introduction-logique-floue/
ii. http://fr.wikipedia.org/wiki/Réseau_de_neurones_artificiels
iii. Classical vs Intelligent Control, EN9940 Special Topics in Robotics, Bax Smith
iv. Intelligent Control: An overview of Techniques, Kevin M. Passino
v. http://fr.wikipedia.org/wiki/Algorithme_génétique
vi. Cours d'automatique, Tomes 1- 2- 3, Maurice Rivoire/Jean-Louis Ferrier, Eyrolles
vii. Introduction to Machine Learning, Ethem Alpaydin, The MIT Press
5 / 14
I. L'automatique et la régulation
I.1. Description L'automatique est une science appliquée qui aide à résoudre des problèmes techniques dans plusieurs domaines. L'énoncé de la réflexion menée par la section Automatique du club E.E.A en 1994: " L'automatique est la discipline qui étudie les systèmes dynamiques, les signaux et l'information, à des fins de conduite ou de prise de décision. On entend par "étude", le développement et l'application de concepts, de méthodes, de moyens et d'outils. La conduite recouvre notamment la planification, l'ordonnancement, l'observation, la commande, la surveillance, ainsi que la supervision. La prise de décision nécessite l'acquisition et le traitement de signaux, d'images et d'informations, l'observation, la reconstruction, la détection, l'estimation, la classification, la reconnaissance et la diagnostique. L'operateur humain doit pouvoir être associé à la conduite ou à la prise de décision. La démarche s'articule autour des activités suivantes: analyse, modélisation, identification, spécification de performances et de contraintes d'exploitation, conception et synthèse de stratégies de conduite ou de décision, simulation et évaluation de performances, optimisation, réalisation et validation, exploitation et mesure de performances. De par la généralité de ses concepts et de ses méthodes, l'automatique contribue au développement d'un large éventail de domaines, notamment: procèdes et systèmes industriels, produits nouveaux, instrumentation, vision et actionneurs, productique, robotique, communication, transport, conversion d'énergie, biomédical, agriculture, ingénierie de l'environnement, système socio-économiques... " A travers les années plusieurs techniques et méthodes on été développés pour contrôler les systèmes à réguler.
I.2. Théorie de contrôle classique
I.2.1. Introduction
La théorie de contrôle classicontrôler ainsi que le contrôleur. Le modèle contient toute la dynamique du système à contrôler. Ce type de contrôle est appelé « approche mathématique».
I.2.2. Limites de la théorie classique
I.2.2.1. Le système
Le système réel est très complexe, voir impossible à atteindre vu les dépendances entre les quatre forces fondamentales de l'univers qui agissent sur tout système réel (Gravitationnelle, Électromagnétique, Nucléaire
I.2.2.2. La connaissance à priori du système est primordiale
Le choix du contrôleur dépend de la nature du système à contrôler. Pour certain systèmes la moindre erreur de modélisation résulte un mauvais contrôle du système.
I.2.2.3. La modélisatiosystèmes non
La modélisation mathématique devient trop complexe et difficile à résoudre, voir impossible dans certain cas avec la croissance de l'ordre du système ou que le système devient nonlinéaire.
Fig. 1 - Schéma de base de la régulation
Théorie de contrôle classique
La théorie de contrôle classique consiste à modéliser mathématiquement le système à contrôler ainsi que le contrôleur. Le modèle contient toute la dynamique du système à contrôler. Ce type de contrôle est appelé « approche mathématique».
Limites de la théorie classique
Le système physique réel est non atteignable
Le système réel est très complexe, voir impossible à atteindre vu les dépendances entre les quatre forces fondamentales de l'univers qui agissent sur tout système réel (Gravitationnelle, Électromagnétique, Nucléaire faible, Nucléaire forte).
La connaissance à priori du système est primordiale
Le choix du contrôleur dépend de la nature du système à contrôler. Pour certain systèmes la moindre erreur de modélisation résulte un mauvais contrôle du système.
La modélisation de systèmes Linéaires d'ordre supérieur ou de systèmes non-linéaires
La modélisation mathématique devient trop complexe et difficile à résoudre, voir impossible dans certain cas avec la croissance de l'ordre du système ou que le système devient non
6 / 14
que consiste à modéliser mathématiquement le système à contrôler ainsi que le contrôleur. Le modèle contient toute la dynamique du système à
Le système réel est très complexe, voir impossible à atteindre vu les dépendances entre les quatre forces fondamentales de l'univers qui agissent sur tout système réel
faible, Nucléaire forte).
La connaissance à priori du système est primordiale
Le choix du contrôleur dépend de la nature du système à contrôler. Pour certain systèmes la moindre erreur de modélisation résulte un mauvais contrôle du système.
n de systèmes Linéaires d'ordre supérieur ou de
La modélisation mathématique devient trop complexe et difficile à résoudre, voir impossible dans certain cas avec la croissance de l'ordre du système ou que le système devient non-
7 / 14
I.2.2.4. La complexité du contrôleur explose avec la complexité de la modélisation
Le contrôleur d'un système non-linéaire ou linéaire d'ordre supérieur est très coûteux en matériel et en temps de développement, des fois impossible à construire vu le temps et la densité de calculs requis pour contrôler correctement le système.
I.3. Théorie de contrôle intelligent
I.3.1. Introduction
La théorie de contrôle intelligent pour un système consiste à saisir le comportement du système et abstraitement modéliser le système. Ce type de contrôle est affectueusement appelé « approche paresseuse ». Le concepteur n'a pas besoin de connaître la dynamique interne du système à contrôler. Un contrôleur intelligent est un système intelligent hybride à base de règles avec une méthode de contrôle intelligent. Les méthodes de contrôle intelligent de base sont présentées brièvement à la prochaine section.
I.3.2. Contrôle intelligent vs contrôle classique : décalage d'intelligence
Pour donner une meilleure compréhension de la différence entre le contrôle classique et le contrôle intelligent, la notion de décalage d'intelligence est parfois utile. Pour le contrôle classique, le concepteur doit modéliser le système à contrôler et donc l'intelligence (ou les connaissances) se trouve avec lui. L'intelligence est déplacée vers le concepteur. Pour le contrôle intelligent, l'intelligence (ou les connaissances) se trouve au sein du système. L'intelligence est déplacée vers le logiciel. Il convient toutefois de noter que le concepteur doit avoir une certaine connaissance du système, il conçoit le système sans avoir besoin de connaissances pour développer un modèle précis.
Fig. 2 - Le décalage d'intelligence (Réf.[iii])
8 / 14
II. Les méthodes de contrôle intelligent
II.1. Introduction En utilisant les méthodes de contrôle intelligent, aucune modélisation est nécessaire, uniquement les connaissances de base du système sont requises.
II.2. La Logique Floue La logique floue est une extension de la logique classique qui permet la modélisation des imperfections des données et se rapproche dans une certaine mesure de la flexibilité du raisonnement humain.
Fig. 3 - Le raisonnement humain (Réf.[i])
La logique floue est créée par Lotfi Zadeh en 1965 en se basant sur sa théorie mathématique des ensembles flous, qui est une généralisation de la théorie des ensembles classiques. En introduisant la notion de degré dans la vérification d'une condition, nous permettons à une condition d'être dans un autre état que vrai ou faux. La logique floue confère ainsi une flexibilité très appréciable aux raisonnements qui l'utilisent, ce qui rend possible la prise en compte des imprécisions et des incertitudes. Un des intérêts de la logique floue pour formaliser le raisonnement humain est que les règles sont énoncées en langage naturel.
II.3. Les réseaux de neurones Un réseau de neurones artificiels est un modèle de calcul dont la conception est très schématiquement inspirée du fonctionnement des neurones biologiques. Le système nerveux humain est composée de nombreux neurones interconnectés. Les connections entres les neurones déterminent comment les connaissances sont stockées.
9 / 14
Les signaux sont transmis d'un neurone à un autre par des impulsions électriques qui voyagent le long de l'axone. Ces derniers sont attachés à d'autres neurones par une synapse à proximité d'une dendrite de la deuxième neurone. Lorsque se produit une impulsion à la synapse, une petite quantité de produit chimique (un neurotransmetteur) est libéré et se déplace vers les dendrites. Cela démarre une variation de potentiel à la dendrite. Le neurone "additionne" le potentiel de tous ces interconnections et si le potentiel est supérieur à un certain seuil, le neurone déclenche sa propre impulsion électrique le long de son axone, répétant ainsi le processus. Le neurone artificiel reçoit des signaux des autres neurones par une fonction de pondération, celle ci est habituellement une amplification ou une atténuation du signal. Tous ces signaux connectés au neurone sont additionnées, si cette somme est supérieure à un certain seuil, le neurone se déclenche et envoie son propre signal à d'autres neurones. La sortie du neurone est souvent déterminée par une fonction sigmoïde de son entrée au lieu de la fonction de seuil, cela donne une relation non-linéaire entre l'entrée et la sortie d'un neurone. Il convient de noter que la connaissance est stockée dans les poids d'entrée du neurone, le réglage de ces poids donnent aux neurones la capacité de stocker des informations différentes. Un neurone ne peut pas stocker beaucoup d'informations, mais plusieurs neurones reliés entre eux en plusieurs couches peuvent stocker beaucoup d'informations.
Fig. 4 - Présentation d'une neurone (Réf.[ii])
10 / 14
II.4. Les algorithmes Génétiques Les algorithmes génétiques sont utiliser pour créer de nouveaux processus pour résoudre un problème de contrôle basé sur les processus qui fonctionnent et qui s'adaptent le mieux.
Fig. 5 - Algorithme génétique (Réf.[v])
Les espèces s'adaptent à leur cadre de vie qui peut évoluer, les individus de chaque espèce se reproduisent, créant ainsi de nouveaux individus, certains subissent des modifications de leur ADN, certains disparaissent .... Un algorithme génétique va reproduire ce modèle d'évolution dans le but de trouver des solutions pour un problème donné. Il sera fait usage dans ce cours de termes empruntés au monde des biologistes et des généticiens et ceci afin de mieux représenter chacun des concepts abordés :
• Dans notre cas, une population sera un ensemble d'individus. • Un individu sera une solution à un problème donné. • Un gène sera une partie d'une solution, donc d'un individu. • Une génération est une itération de notre algorithme.
11 / 14
Un algorithme génétique va faire évoluer une population dans le but d'en améliorer les individus. Et c'est donc, à chaque génération, un ensemble d'individus qui sera mis en avant et non un individu particulier. Nous obtiendrons donc un ensemble de solutions pour un problème et pas une solution unique. Les solutions trouvées seront généralement différentes, mais seront d'une qualité équivalente. Le déroulement d'un algorithme génétique peut être découpé en cinq parties :
• La création de la population initiale • L'évaluation des individus • La création de nouveaux individus • L'insertion des nouveaux individus dans la population • Réitération du processus
II.5. Les Machines à vecteurs de support Les machines à vecteurs de support trouvent la plupart de leurs applications dans les domaines de reconnaissance des formes (par exemple de vision par ordinateur). Ils sont utilisés dans des problèmes de contrôle, même si elles ne sont pas beaucoup utilisés à cette fin. Les machines à vecteurs de support sont utilisées pour contrôler de manière optimale un système non-linéaire.
II.6. L'apprentissage par renforcement L'apprentissage par renforcement à la même idée des autres méthodes de contrôle de l'intelligence artificielle. L'apprentissage par renforcement consiste à présenter un agent (un système) avec un ensemble de choix d'action. A priori, tous les choix sont enrichissants. L'agent fait ensuite des choix, basé sur une politique comportementale, et reçoit des récompenses ou des punitions à travers une fonction de récompense. Ces récompenses / punitions affectent la façon dont l'agent fera ses choix quand il rencontre le même scénario à nouveau. Ainsi, il apprend des choix fait dans le passé et conserve les choix enrichissants.
III. Exemple de contrôle intelligent: utilisation de la logique floue
III.1. Le chariot filoguidé Le chariot se déplace seul en suivant un chemin bien précis balisé par le marquage au sol de bandes noires. Le chariot reconnait
xemple de contrôle intelligent: utilisation de la
t filoguidé
Le chariot se déplace seul en suivant un chemin bien précis balisé par le marquage au sol de bandes noires. Le chariot reconnait son chemin par guidage optique.
Fig. 6 - Chariot filoguidé
Fig. 7 - Le capteur optique
12 / 14
xemple de contrôle intelligent: utilisation de la
Le chariot se déplace seul en suivant un chemin bien précis balisé par le marquage au sol de
13 / 14
III.2. Description de la solution
III.2.1. Méthode de contrôle
Pour Contrôler ce système, la solution la plus facile serait d'utiliser un système hybride à base de règles avec de la logique floue. Le choix de cette approche réduit le temps de développement ainsi que la complexité du contrôleur.
III.2.2. Les Entrées/Sorties
Le dispositif de guidage optique est formé par deux capteurs optiques qui détectent le niveau de l'intensité lumineuse reçue, ainsi qu'un moteur pour la traction et un moteur pour la direction. Les entrées du système sont:
• Capteur gauche: si la lumière est détectée, retourne un niveau "1", sinon un niveau "0"
• Capteur droit: si la lumière est détectée, retourne un niveau "1", sinon un niveau "0" Les sorties du système sont:
• Moteur de traction: vitesse lente, vitesse rapide ou arrêt. • Moteur de direction: virage à gauche, virage à droite ou tout droit.
III.2.3. Diagramme d'état
Fig. 8 - Diagramme d'état de la solution
Avant
Vite
Gauche
Vite
Gauche
Lent
Droite
ViteDroite
Lent
00
01
01 1111
0100
00
10
10
11
11
Capteurs
GD
XX
14 / 14
IV. Conclusion Les méthodes de contrôle classiques et les méthodes de contrôle intelligents ont toutes les deux leur place dans la théorie automatique. Habituellement, on pense au contrôle classique en premier lieu. Cela est dû au simple fait que le contrôle intelligent peut être non nécessaire ou trop couteux dans certaines situations. Les méthodes de contrôle intelligents sont utilisées dans les domaines où les systèmes sont fortement non-linéaires, ou lorsque les méthodes de contrôle classique échouent, ou lorsque le modèle du système est difficile ou impossible à obtenir, ou simplement lorsqu'on trouve une façon plus simple et efficace à contrôler le système sans passer par la méthode classique, comme dans le cas de l'exemple présenté dans ce document. Dans le domaine de la robotique, on utilise souvent le contrôle intelligent en raison du fait que le système est difficile (voire impossible) à modéliser. En fait, la nature non-déterministe de la robotique nécessite presque toujours une sorte de contrôle intelligent pour être efficace.