..\pdf\Gustavo Hernandez - Memoire
Controle Flue.pdf
Faculté
de génie
génie
électrique et génie informatique
GÉNÉRALISATION DE SOLUTIONS DE
CONTRÔLE FLOU POUR USAGE INDUSTRIEL
Mémoire de maîtrise ès sciences appliquées
Spécialité: génie électrique
.
.
Gustavo
HERNANDEZ.
Sherbrooke
(Québec), Canada
mai
2007
RéSUMé
Ce mémoire présente le développement d’une structure de
contrôle flou qui remplace exactement la structure classique d’un contrôleur PID
par celle d’un contrôleur flou. Cette relation biunivoque PID-floue permet de
remplacer les contrôleurs PID classiques par des contrôleurs flous ayant les
mêmes concepts que ceux utilisés pour le contrôle PID. Cette approche améliore
la performance des systèmes complexes non linéaires tout en garantissant la
stabilité et la robustesse.
Le logiciel développé permet aux ingénieurs d’utiliser des
outils et des approches adaptées aux pratiques industrielles courantes. Il est
basé sur le logiciel MATLAB® de The MathWorks, Inc. et exploite des
composants ActiveX®. Cette approche permet de garder toutes les
caractéristiques des solutions industrielles standard telles que la
connectivité avec des automates programmables, les bases de données, les
systèmes SCADAS, les systèmes ERP, etc.
La programmation de la structure du logiciel de contrôle a
été réalisée par modules pour la mise en œuvre des développements théoriques.
En utilisant les outils classiques de conception, il permet d’augmenter la
robustesse, et de garantir la stabilité et la performance du système de
contrôle flou. Finalement, le système a été validé sur plusieurs exemples.
REMERCIEMENTS
Je tiens à
remercier les personnes suivantes :
-
Gérard
Lachiver, pour l’opportunité qu’il m’a donnée de travailler sur ce sujet et
d’approfondir mon expérience, par sa collaboration, sa disponibilité et le
temps consacré, malgré toute la responsabilité qu’il a eue pendant le
déroulement de ce travail. J’apprécie également la liberté de travail dont
j’ai disposé.
-
Je voudrais
aussi formuler des remerciements spéciaux à toute ma famille, pour son appui et
sa compréhension de mes absences répétées et surtout pour leurs encouragements et le rappel tout
le temps de nos objectifs.
-
Je souhaite
également remercier Fernando D’Amato, Marcos Actis et Anibal Zanini pour leur
précieuse collaboration au début de ce travail.
-
Finalement,
je remercie à l’Université de Sherbrooke et le gouvernement du Québec pour
m’avoir fait redécouvrir le plaisir d’étudier.
Table de
matières
3.1 Choix de la structure du contrôleur
3.2 Lien entre contrôleur TSK et contrôleur PI+D
3.7 Surface de stabilité contrainte pour la surface de contrôle
3.8 Surface de performance contrainte du contrôleur TSK
3.9 Obtention de la surface de contrôle combinant stabilité et performance
3.10 Caractéristiques
de la surface de
contrôle
4.1 Algorithmes évolutifs et fonctions d’appartenance
4.2 Algorithmes évolutifs et surface de contrôle
5
influence et traitement des
retards
6.2 Module d’évaluation, optimisation et autoréglage
6.3 Module interface graphique
6.4 Module interface de communication
6.5 Module simulation de processus
7.4 La surface de stabilité et performance
8
comparaison de LA performance deS
contrôleurs
8.5 Complexité d’implémentation du logiciel
Listes des
figures
Figure 3.1
Contrôleur
TSK
7
Figure 3.2
Schème de calcul pour un contrôleur
TSK
7
Figure 3.3
Fonctions d’appartenance
triangulaires
8
Figure 3.4
Contrôleur PI+D générique
discret
9
Figure 3.5
Structure du contrôleur PI+D montrant les parties directe et
incrémentale 10
Figure 3.6
Exemple de surfaces de contrôle PI+D directe et
incrémentale
10
Figure 3.7
Contrôleur TSK à action
directe
11
Figure 3.8
Contrôleur TSK à action
incrémentale
11
Figure 3.9
Contrôleur TSK à action directe plus action
incrémentale
11
Figure 3.10
Fonctions d’appartenance pour l’espace
d’entrée
12
Figure 3.11
Base de règles
floues
13
Figure 3.12
Partition de
l’espace
14
Figure 3.13
Règles floues
activées
17
Figure 3.14
Boucle du système de contrôle flou
TSK
18
Figure 3.15
Surfaces de contrôle directe et
incrémentale
19
Figure 3.16
Surface de contrôle TSK quelconque
20
Figure 3.17
Surfaces de constantes Kp et Kd
20
Figure 3.18
Surface de
stabilité
22
Figure 3.19
Réponse du système à un changement de la valeur de
référence
23
Figure 3.20
Surface de contrôle flou
modifiée
23
Figure 3.21
Surface de stabilité pour le système
flou
24
Figure 3.22
Réponse du système à une variation de la valeur de
référence
24
Figure 3.23
Autre surface de contrôle
modifiée
25
Figure 3.24
Surface montrant des
instabilités
25
Figure 3.25
Surface de contrôle – évolution de la
stabilité
26
Figure 3.26
Surface de stabilité floue – évolution de la
stabilité
26
Figure 3.27
Projection de la surface de stabilité sur 
27
Figure 3.28
Projection de la surface de stabilité sur 
27
Figure 3.29
Trajectoire
simulée
28
Figure 3.30
Surface de stabilité contrainte pour l’équation
3.21
30
Figure 3.31
Surface de performance
contrainte
31
Figure 3.32
Surface de contrôle discrétisée
32
Figure 3.33
Exemple du champ de vecteurs des trajectoires
possibles
32
Figure 3.34
Surface de contrôle
TSK
33
Figure 3.35
Évolution de la trajectoire sur la surface de contrôle pour une
entrée échelon 33
Figure 3.36
Projections de la trajectoire sur la surface de
contrôle
34
Figure 4.1
Réponse typique pour une entrée échelon
unitaire
36
Figure 4.2
Système de contrôle flou TSK avec
optimisation
37
Figure 5.1
Modélisation d’un retard avec le prédicteur de
Smith
41
Figure 5.2
Validation de l’approximation du
retard
42
Figure 5.3
Architecture général d’un contrôleur
TSK
42
Figure 6.1
Architecture générale du logiciel
développé
43
Figure 6.2
Relation entre les
modules
44
Figure 6.3
Interface
graphique
46
Figure 6.4
Schéma du système de
communication
46
Figure 6.5
Affichage et opération du processus dans Internet
Explorer®
47
Figure 7.1
Usine de Copetro
S.A.
48
Figure 7.2
Principe du système
WBF
49
Figure 7.3
Implémentation de l’équation
7.1
49
Figure 7.4
Modélisation du système
WBF
50
Figure 7.5
Réponse du système en boucle ouverte pour les trois niveaux
de consigne 51
Figure 7.6
Surfaces de stabilité et
performance
52
Figure 7.7
Surfaces de contrôle flou comme solution aux
demandes
53
Figure 7.8
Réponse du système de contrôle PI+D pour une valeur désiré
de
1
54
Figure 7.9
Contrôle du système pour le modèle modifié sans autoréglage
du contrôleur 55
Figure 7.10
Réponse du système en boucle ouverte pour les trois niveaux de
consigne 56
Figure 7.11
Surfaces de contrôle flou pour le nouveau
système
56
Figure 7.12
Réponse du système avec la nouvelle
identification
57
Figure A1.1
Fonctions d’appartenance pour les entrées x et
y
64
Listes des
TABLEAUx
Tableau 3.1
Fonctions de sortie
directe
15
Tableau 3.2
Fonctions de sortie
incrémentale
16
Tableau 7.1
Vecteur d’identification du système
WBF
51
Tableau 7.2
Surfaces de stabilité et
performance
52
Tableau 7.3
Surface de
contrôle
53
Tableau 7.4
Nouvelle identification du système
WBF
55
Tableau 7.5
Surfaces de contrôle après
l’autoréglage
57
Tableau A1.1
Constantes Kp, Ti et Td selon la
méthode de Chien-Hrones-Reswick
64
Lexique
ANFIS : Adaptive Neuro Fuzzy Inference System
DA :
Direct Action
DB
:
Bases de Données
DCS : Distribute Control System
ERP : Enterprise Resource Planning
FL : Fuzzy Logic
FLC : Fuzzy Logic Controller
GA : Genetic Algorithm
GS : Gain Scheduling
IAE : Integral of Absolute Error
ISE : Integral of Squared Error
ITAE : Integral of Time Absolute Error
ITSE : Integral of Time Squared Error
MDN : Fuzzy Controller of type MamDaNi
MES : Manufacturing Execution System
MIMO : Multiple Inputs Multiple Outputs
PID : Proportional Integral and Derivative Controller
PLC : Programmable Logic Controller
SCADA : Supervisory Control And Data Acquisition
SISO : Single Input Single Output
TSK : Fuzzy controller of type Takagi-Sugeno-Kang
WBF : Weigh Belt Feeder
Introduction
Le contrôle des processus industriels exploite au maximum les
technologies traditionnelles. Les développements de la prochaine génération de
systèmes de contrôle s’appuient en grande partie sur les techniques de
l’intelligence artificielle, principalement le contrôle flou et les réseaux de
neurones [LI, Y. et coll., 2006]. Ce mémoire explore ces nouveaux concepts de
contrôleurs flous et contribue à ces changements.
Le contrôleur PID est
largement utilisé pour le contrôle des processus
industriels. Environ
90 % des contrôleurs mis en œuvre en milieu industriel
sont des contrôleurs PID [LI, Y. et coll., 2006]. Ces contrôleurs fonctionnent
actuellement à la limite de leur capacité et dans la majorité de cas leur
réglage est mal ajusté ce qui occasionne beaucoup de pertes [KRISTIANSSON, B. et coll.,
2006b] et [LI, Y. et coll., 2006]. Par conséquent, il est nécessaire de trouver
une solution à ce problème par exemple, avec des techniques d’autoréglage.
D’autre part, les processus doivent être plus efficients, plus sûrs, donc les
systèmes de contrôle doivent l’être aussi. Une avenue exploitée par les
scientifiques pour améliorer les performances des contrôleurs PID est celle de
l’intelligence artificielle. Cependant, ces travaux doivent se faire en
respectant les pratiques établies car l’industrie est particulièrement
conservatrice [LI, Y. et coll., 2006].
Le projet présenté dans ce mémoire développe une
méthodologie de conception de contrôleurs combinant l’approche PID et
l’approche floue pour améliorer les performances des systèmes complexes non
linéaires. L’objectif vise à mettre à la disposition des ingénieurs une
solution qui s’approche le plus possible des pratiques industrielles courantes.
La stabilité, la robustesse et la performance de la solution proposée ont fait
l’objet d’une attention particulière. L’analyse sera mise sur les systèmes SISO
avec une extension aux systèmes MIMO.
Cette étude traite du choix de la structure du
contrôleur flou, de son réglage et de l’optimisation de ses paramètres. Il
s’appuie sur les outils de conception des contrôleurs PID classiques pour
faciliter l’interprétation et la mise en œuvre du contrôleur flou, tout en
tenant en compte des caractéristiques de robustesse, de stabilité et de
performance. Le système aura aussi des caractéristiques d’autoréglage pour
s’adapter à l’évolution des processus et pour traiter de systèmes présentant
des retards.
Plusieurs auteurs ont travaillé sur les structures de
contrôle flou et le contrôle PI+D [ALVAREZ, H., 1996],
[MANN, G., 1999] et [HU, B. et Coll., 2001] et la capacité des contrôleurs flous d’approximer une fonction
quelconque [ALZATE, A., et coll., 2004], [KOSKO, B., 1992], [WANG, L. et
MENDEL, J., 1991] et [WANG, L. et
MENDEL, J., 1992]. D’autres travaux de recherche sur le contrôle flou ont été
analysés et l’expertise de l’auteur de ce mémoire a été mise à contribution
pour la conception et la validation du logiciel [HERNANDEZ, G., 1998a],
[HERNANDEZ, G. et Coll., 1998b], [HERNANDEZ, G., 2004] [FERNANDEZ, E. et HERNANDEZ, G., 1998], [SZKLANNY, S et BEHRENDS, C., 1994] et [ZANINI, A., 2000].
Ce mémoire est organisé de la manière suivante. Le
chapitre 2 présente un résume de l’état actuel des technologies de contrôle des
processus industriels. Le chapitre 3 décrit la conception de la structure d’un
contrôleur flou, son lien avec les contrôleurs PID et sa généralisation dans le
traitement du contrôleur flou du point de vue du contrôle classique. Le
chapitre 4 détaille les techniques d’autoréglage du contrôleur. Le chapitre 5
analyse l’impact des retards sur le système proposé. Le chapitre 6 décrit les
composantes du logiciel conçu. Le chapitre 7 présente des applications
complètes du système et leur validation. L’analyse des résultats et les
discussions des performances feront l’objet du chapitre 8. Finalement, la
conclusion résume les principales contributions de cette recherche.
CHAPITRE 8
comparaison de LA performance
des contrôleurs
Ce chapitre compare les critères de performance du
contrôleur proposé et du contrôleur classique PI+D dans un contexte
d’exploitation industrielle et dans une optique de mise en œuvre.
Passino [PASSINO, K. et coll., 1993] établit les
caractéristiques permettant de comparer les performances, le design et la
conception de contrôleurs. Elles constituent une base globale de comparaison
qui sera analysée pour le schéma de contrôle proposé. Ce sont :
2.1
Robustesse
Le système de contrôle présenté est basé sur le
contrôleur flou TSK, lequel est doté d’une robustesse implicite. Pour la
présente approche, compte tenue du lien développée entre le contrôleur flou et
le contrôleur classique PI+D, les analyses des conditions de robustesse
deviennent assez simples en utilisant la théorie de contrôle classique.
2.2
Stabilité
La stabilité du système de contrôle conçu est un des
points forts de ce développement [HERNANDEZ, G. et LACHIVER, G., 2006a],
[HERNANDEZ, G. et LACHIVER, G., 2006b]. Compte tenu des relations entre le
contrôleur PI+D et le contrôleur TSK proposé, l’application de la théorie du
contrôle classique aux surfaces du contrôleur TSK est faite. Ainsi, les
conditions d’opération pour la stabilité du système TSK sont travaillées du
point de vue du contrôle classique.
2.3
Performance
La conception d’un contrôleur TSK satisfaisant les
contraintes de performances désirées est directe compte tenu de la relation
existant entre le contrôleur PI+D et le schéma de contrôle proposé. Les performances
du système de contrôle flou ainsi conçu sont garanties.
2.4
Coût du contrôleur
Il y a différentes façons d’évaluer l’indice de coût
pour un système de contrôle de processus, les plus importantes sont :
a) les coûts de développement du contrôleur. Il est impossible
maintenant d’établir un paramètre de calcul pour faire la comparaison compte
tenu qu’il reste beaucoup de travail à faire pour finaliser un système de
contrôle intégral à usage industriel.
b) les coûts d’heures-homme pour faire la configuration et la
mise en oeuvre du contrôleur. Pour le contrôleur conçu dans ce mémoire, sa
performance est comparable à la performance d’un système de contrôle expert,
ses exigences en terme de personnel entraîné sont comparables à celle d’un
contrôleur classique, et le coût de réglage et de mise en œuvre est aussi
comparable à celui d’un contrôleur classique.
c) les coûts du matériel. Les coûts de réalisation d’un
contrôleur autonome et dédié sont négligeables par rapport aux autres coûts.
d) les coûts du contrôle. Cet item est inclus dans l’équation
4.1 comme une relation directe entre l’action de contrôle et le coût de
l’énergie pour faire le contrôle. Pour les outils de contrôle industriels
disponibles aujourd’hui, ce type d’analyse de coût n’est pas disponible.
2.5
Complexité d’implémentation du logiciel
Parmi les contrôleurs disponibles pour usage
industriel, le contrôleur PI+D est un des contrôleurs les plus simples et on
dispose de beaucoup de connaissances théoriques et pratiques sur son
fonctionnement. Par contre, pour les systèmes de contrôle expert, l’expérience
n’est pas assez vaste et pour chaque problème de contrôle, il est nécessaire de
faire un codage particulier pour le problème en question.
Pour le contrôleur présenté dans ce mémoire, le
codage est abondant, beaucoup de méthodes et de techniques de contrôle ont été
développées. Le codage est assez complexe par rapport à d’autres techniques de
contrôle, cependant l’interprétation du code MATLAB®, sa mise en
œuvre et son débogage sont assez faciles à effectuer.
2.6
Versatilité
Une des principales caractéristiques du système de
contrôle présenté est sa versatilité. Elle est comparable à celle d’un
contrôleur PI+D.
L’adaptation de cette approche aux systèmes plus
complexes tels que les systèmes MIMO est naturelle et se fait sans
difficulté.
2.7
Exploitation
Le contrôleur proposé est basé principalement sur
deux techniques de contrôle assez connues et développées que sont le contrôleur
PI+D et le contrôleur flou. Toutes les spécifications du contrôleur sont
établies selon la théorie du contrôle classique. D’autre part, le système
utilise beaucoup de technologies de contrôle bien maîtrisées par les
ingénieurs.
2.8
Politique
[LI, Y. et coll., 2006] montrent comment la
technologie du contrôle PI+D s’oriente vers l’intelligence artificielle pour
obtenir plus de performance et un plus large spectre d’applications. De ce
point de vue, ce développement renforce cette direction en produisant un pont
entre le contrôleur PI+D et le contrôleur flou.
Conclusion
Ce mémoire présente les résultats du développement et
de la mise en œuvre d’une structure de contrôle flou à usage industriel. Ces
résultats sont une évolution des systèmes de contrôle utilisés de façon
standard dans l’industrie.
Le développement consiste principalement en une
approche pour remplacer une structure de contrôleur PI+D classique par une
structure de contrôleur flou. Ce mémoire démontre que la structure de contrôle
flou proposée est capable de remplacer exactement un contrôleur PI+D classique.
Ceci permet de travailler par équivalence entre eux de façon biunivoque. De
plus, une extension de ce lien est faite afin de représenter chaque surface
générale de contrôle flou par de petites surfaces de contrôleurs PI+D. Le lien
entre le contrôleur PI+D et le contrôleur flou est puissant et toute la théorie
du contrôle classique peut être appliquée à n’importe quelle surface de
contrôle flou pour la structure de contrôle présentée. En conséquence, le
contrôleur flou peut améliorer significativement les caractéristiques de
contrôle du processus en modifiant sa surface de contrôle afin d’obtenir un
meilleur contrôle. Finalement, la stabilité, la robustesse et les performances
du contrôleur flou peuvent être imposées, manipulées, analysées, rejetées ou
acceptées avant la mise en œuvre du contrôleur flou. De cette façon, le contrôleur
flou proposé permet d’envisager un passage du contrôleur PI+D au contrôleur
flou.
Les contributions les plus importantes de ce travail
sont :
a)
le développement d’une relation simple et exacte
entre le contrôleur PI+D et la structure de contrôleur flou proposée,
b)
la conception d’un contrôleur flou garantissant avec
précision sa stabilité et ses performances à partir des outils classiques,
c)
le développement d’une interface adaptée aux
ingénieurs et aux opérateurs de systèmes familiers avec les structures
industrielles,
d)
une technique d’analyse de la stabilité d’un
contrôleur flou.
Pour la mise en œuvre de tout le développement, un
environnement de logiciel complet a été développé. Il peut être mis à la
disposition des ingénieurs pour la recherche de solutions conformes aux
pratiques industrielles courantes. Les caractéristiques principales de ce
logiciel sont :
a)
implémentation de tout le développement théorique,
b)
capacité de contrôle pour les usages industriels,
c)
facilité de communication avec les PLC et DCS du
marché grâce à des pilotes de communication standard pour l’industrie,
d)
capacité d’interface avec des systèmes de supervision
(SCADA), de fabrication (MES) et d’interface avec le WEB,
e)
capacité de fournir des données sur le système et
d’interface avec des bases de données corporatives.
Le but de la recherche était de remplacer un
contrôleur PI+D et de produire un contrôleur « intelligent »,
performant à usage industriel. Plusieurs éléments restent à développer ou
approfondir :
a)
le lien entre le niveau de non-linéarité du processus
et la discrétisation de la maille pour les surfaces de contrôle directe et
incrémentale,
b)
le concept de la stabilité. Un développement plus
détaillé peut apporter un niveau de performance plus élevé du système de
contrôle,
c)
étendre le lien entre le contrôleur flou et d’autres
théories de contrôle,
d)
l’identification paramétrique peut être remplacée par
d’autres théories plus puissantes pour identifier le processus.
Bibliographie
ALVAREZ, H., (septiembre 1996) Riqueza
Estructural y Paramétrica en el Diseño de un Control Inteligente, VII
Congreso Latinoamericano de Control Automático – LACC IFAC, vol. 1, p. 37-43.
ALZATE, A. y BRAVO, J. (mayo 2004) Aproximación
Difusa de Funciones Reales, Scientia et Technica Año X, no
24, p. 265-268.
ANG, K., CHONG, G. and LI, Y. (July 2005) PID Control System Analysis, design, and technolgoy, IEEE Trans. on Control System Technology, vol. 13, no 4, p. 559-576.
ÅSTRÖM, K. and HÄGGLUND, T (1995) PID Controllers: Theory, Design, and Tuning, ISA, USA, 2nd edition, 343 p.
ÅSTRÖM, K. and HÄGGLUND, T. (2001) The Future of PID Control, Control Engineering Practice 9, p. 1163-1175.
BELARDI, K. and TITEL, F. (2000) Genetic Algorithm for the Design of a Class of Fuzzy Controllers: An Alternative Approach, IEEE Trans. of Fuzzy Syst., vol. 8, no 4, p. 398-405.
BERENJI, H. and KHEDKAR, P. (October 1992) Learning and Tuning Fuzzy Controllers Through Reinforcements, IEEE Transactions on Neural Networks, vol. 3, p. 724-740.
CARMONA, P., CASTRO, J.L. and ZURITA, J.M. (October 2004) Strategies to Identify Fuzzy Rules Directly From Certainty Degrees: A Comparison and a Proposal, IEEE Transactions on Fuzzy Systems, vol. 12, no 5, p. 631-640.
CHEN, S. and HUANG, C. (August 2003) Generating Weighted Fuzzy Rules From Relational Database Systems for Estimating Null Values Using Genetic Algorithms, IEEE Transactions on Fuzzy Systems, vol. 11, no 4, 495-506.
CHEN, S., CHANG, Y., SU, S., CHUNG, S. and LEE, T. (April 2005) Robust Static Output-Feedback Stabilization for Nonlinear Discrete-Time Systems With Time Delay via Fuzzy Control Approach, IEEE Transactions on Fuzzy Systems, vol. 13, no 2, p. 263-272.
CHEN, B. and LIU, X. (April 2005) Fuzzy Guaranteed Cost Control for Nonlinear Systems With Time-Varying Delay, IEEE Transactions on Fuzzy Systems, vol. 13, no 2, p. 238-249.
CHIEN, K., HRONES, J. and RESWICK, J. (1952) On the automatic control. of generalized passive systems, Transaction ASME, vol. 74, p. 175-185.
CHO, H., CHO, K. and WANG, B. (June 1996) Fuzzy-PID hybrid control: Automatic rule generation using genetic algorithms, Fuzzy Sets and Systems 92, p. 305-316.
COLLINGS, E., ZHAO, Y. and MILLETT, R. (2001) A Genetic Search Approach to Unfalsified PI Control Design for a Weigh Belt Feeder, International Journal of Adaptive Control and Signal Processing, p. 519-534.
ER, M. and SUN, Y. (December 2001) Hybrid Fuzzy Proportional-Integral Plus Conventional Derivative Control of Linear and Nonlinear Systems, IEEE Transactions on Industrial Electronics, vol. 48, no 6, p. 1109-1117.
FENG, J. and TENG, L. (1998) An Online Self Constructing Neural Fuzzy Inference Network and its Applications, IEEE Transactions on Fuzzy Systems, vol. 6, no 1, p. 12-32.
FENG, G., CHEN, C., SUN, D. and ZHU, Y. (February 2005) H Controller Synthesis of Fuzzy Dynamic Systems Based on Piecewise Lyapunov Functions and Bilinear Matrix Inequalities, IEEE Transactions on Fuzzy Systems, vol. 13, no 1, p. 94-103.
FERNANDEZ, E. y HERNANDEZ, G. (agosto 1998) Análisis
de las Nuevas Tendencias Prácticas en la Arquitectura de Sistemas SCADA’S,
XVI Congreso Argentino de Control Automático, p. 111-116.
FLEMING, P. and PURSHOUSE, R. (march 2002) Evolutionary Algorithms in Control Systems Engineering: a survey, Control Engineering Practice 10, p. 1223-1241.
HERNANDEZ, G. (1998a). Contrôle Flou basé en PC pour le contrôle
d’une Usine d’Asphalte, 16e Congrès argentin de contrôle
automatique, Argentine, p. 158-163
HERNANDEZ, G. et ZUMMARRAGA A, (1998b) Théorie de jeux avec des
algorithmes génétiques pour l’optimisation de la production d’un gisement,
16e Congrès argentin de contrôle automatique, Buenos Aires, p.
437-442.
HERNANDEZ, G., (2004) « Fielbuses in Oil &
GasUpstream », 1e Rencontre internationale d’applications
industrielles dans instrumentation et le contrôle, ApliCom 2004, Buenos Aires,
Argentine.
HERNANDEZ, G. et KOHN, J. [en ligne] http://www.usherbrooke.ca/carrefour/crsng/
resultats2006/hernandez_khon_flou/htmls/index.html (page consultée le
31/08/2006).
HERNANDEZ, G. and LACHIVER, G. (may 2006a) Biunivocal Relation Between TSK Fuzzy Controller and PID Controller and, Guarantee and Manipulation of the Stability for the Proposed Fuzzy Controller, IEEE CCECE, Ottawa, p. 1176-1180.
HERNANDEZ, G. et LACHIVER, G. (mai
2006b) Design et implémentation d’un contrôleur industriel générique
optimal, adaptif, robuste et stable, basé sur le contrôle flou et les
algorithmes évolutifs”, 74é Colloque ACFAS, McGill, Montréal.
HOMAIFAR, A., BIKDASH, M. and GOPALAN, M. (February 1997) Design Using Genetic Algorithms of Hierarchical Hybrid Fuzzy-PID Controllers of Two-Link Robotic Arms,
Journal of Robotic Systems 14, p. 449-463.
HSIAO, S. and TSAI, H. (2004) Applying a hybrid approach based on fuzzy neural network and genetic algorithm to product form design, International Journal of Industrial Ergonomics, Elsevier, p. 1-18.
HSIAO, F., HWANG, J., CHEN, C. and TSAI, Z. (February 2005) Robust Stabilization of Nonlinear Multiple Time-Delay Large-Scale Systems Via Decentralized Fuzzy Control, IEEE Transactions on Fuzzy Systems, vol. 13, no 1, p. 152-163.
HU, B., MANN, G., GOSINE, R. (October 1999) New Methodology for Analytical and Optimal Design of Fuzzy PID Controllers, IEEE Transactions on Fuzzy Systems, vol. 7, no 5, p. 512-539.
HU, B., MANN, G., GOSINE, R. (October 2001) A Systematic Study of Fuzzy PID An Optimal Fuzzy PID Controller-Function-Based Evaluation Approach, IEEE Transactions on Fuzzy Systems, vol. 9, no 5, p. 699-712.
JANG, J. (June 1993) ANFIS: Adaptive Network Based Fuzzy Inference System, IEEE Transactions on Systems Man and Cybernetics, vol. 23, p. 665-685.
JUANG, C. and LIN, C. (1998) An On-Line Self-Constructing Neural Fuzzy Inference Network and Its Applications, IEEE Transactions on Fuzzy System, vol. 6, no 1, p. 12-32.
KARR, C. and GENTRY, E. (February 1993) Fuzzy Control of pH Using Genetic Algorithms, IEEE Transactions on Fuzzy Systems, vol. 1, no 1, p. 46-52.
KOVAČIĆ, Z. and BOGDAN, S. (2005) Fuzzy Controller Design, CRC Press, Taylor & Francis, New York, 416 p.
KOSKO, B. (1992) Fuzzy Systems as Universal Approximators, IEEE Log Number 9402909, Los Angeles, California.
KUO, B. and GOLNARAGHI, F. (2003) Automatic Control Systems, John Wiley & Sons, New York, 609 p.
KRISTIANSSON, B. and LENNARTSON, B. (February 2006a) Robust Tuning of PI and PID Controllers, IEEE Control System Magazine, Issue 1, p. 55-69.
KRISTIANSSON, B. and LENNARTSON, B. (2006b) Evaluation and simple tuning of PID controllers with high frequency rebustness, Journal of Process Control, vol. 16, no 2, p. 91-102.
LEE, K., KIM, J., JEUNG, E. and PARK, H. (December 2000) Output FeedBack Robust H∞ Control of Uncertain Fuzzy Dynamic Systems with Time-Varying Delay, IEEE Transactions on Fuzzy Systems, vol. 8, no 6, p. 657-664.
LI, W., CHANG, X. (2000) Application of hybrid fuzzy logic proportional plus conventional integral-derivative controller to combustion control of stoker-red boilers, Fuzzy Sets and Systems, p. 267-284.
LI, Y., HEONG ANG, K. and CHONG, G. (February 2006) Patents, Software and Hardware for PID control: An overview and analysis of the current art, IEEE Control Systems Magazine, p. 42-54.
LIN, C. and LEE, C. (1991) Neural Network based Fuzzy Logic Control and Decision System, IEEE Transactions on Computation, p. 1320-1336.
LIN, C. (2004) A GA-based neural fuzzy system for temperature control, Fuzzy Sets and Systems 143, p. 311-333.
LIN, F. and WAI, R. (February 2001) Hybrid Control Using Recurrent Fuzzy Neural Network for Linear-Induction Motor Servo Drive, IEEE Transactions on Fuzzy Systems, vol. 9, no 1, p. 102-115.
LIU, H., SUN, F. and SUN, Z. (April 2005) Stability Analysis and Synthesis of Fuzzy Singularly Perturbed Systems, IEEE Transactions on Fuzzy Systems, vol. 13, no 2, p. 237-236.
MAMDANI, E., (1974) Application of fuzzy algorithms for control of simple dynamic plant, IEEE Proceeding, vol. 121, p. 1585–1588.
MANN, G., HU, B., GOSINE, R. (June 1999) Analysis of Direct Action Fuzzy PID Controller Structures, IEEE Transactions on Systems, Man, and Cybernetics – part B: Cybernetics, vol. 29, no 3, p. 371-388.
MENDEL, J. (1995) Fuzzy Logic Systems for Engineering: A Tutorial, IEEE Log Number 9408047, Los Angeles, California.
MOON, U., LEE, K. (July 2003) Hybrid Algorithm With Fuzzy System and Conventional PI Control for the Temperature Control of TV Glass Furnace, IEEE Transactions on Control Systems, vol. 11, no 4, p. 548-554.
NGUYEN, H., Prasad, N., WALKER, C. and WALKER, E. (2003) A First Course in Fuzzy and Neural Control, Ed. Chapman & Hall/CRC, USA, 301 p.
OGATA, K (1997) Modern Control Engineering, Prentice Hall, Upper Saddle River, 997 p.
OH, S., PEDRYCZ, W. and PARK, HO. (august 2004) Multi-layer Hybrid Fuzzy Polynomial Neural Netoworks: a design in the framework of computational intelligence, Neurocomputing, Elsevier, p. 1-35.
OTSUBO, A., HAYASHI, K., MURAKAMI, S., MAEDA, M. (1998) Fuzzy hybrid control using simplified indirect inference method, Fuzzy Sets and Systems 99, p. 265-272.
PAL, T., PAL, N. and PAL, M. (2003) Learning Fuzzy Rules for Controllers with Genetic Algorithms, International Journal of Intelligent Systems, vol. 18, p. 569-592.
PASSINO, K. and YURKOVICH, S. (1993) Fuzzy Control, California, Addison-Wesley Longman, Inc., 475 p.
RANGANATHAN, R., MALKI, H., CHEN, G. (January 2002) Fuzzy predictive PI control for processes with large time delay, Expert Systems, vol. 19, no 1, p. 21-33.
REN, L., DING, Y., YING, H. and SHAO, S. (2003) Emergence of Self-Learning Fuzzy Systems by a New Virus DNA-Based Evolutionary Algorithm, International Journal of Intelligent Systems, vol. 18, p. 339-354.
RIVERA, D., MORARI, M., and SKOGESTAD, S. (1986) Internal Model Control. PID Control Design, Chemical Engineering, p. 252-265.
RUSSO, M. (august 1998) FuGeNeSys - A Fuzzy Genetic Neural System for Fuzzy Modeling, IEEE Transactions on Fuzzy Systems, vol. 6, no 3, p. 373-388.
SANTOS, M., DEXTER, A. (2002) Control of a cryogenic process using a fuzzy PID scheduler, Control Engineering Practice 10, p. 1147 –1152.
SHEN, J. (April 2001) Fuzzy Neural Networks for Tuning PID Controller for Plants with Underdamped Responses, IEEE Transactions on Fuzzy Systems, vol. 9, no 2, p. 333-342.
SUN, Y., ER, M. (December 2004) Hybrid Fuzzy Control of Robotics Systems, IEEE Transactions on Fuzzy Systems, vol. 12, no 6, p. 755-765.
SUGENO, M., (1977) Fuzzy identification of systems and its applications to modeling and control, IEEE Transactions on System, Man and Cybernetic, vol. SMC-15, p. 116–132.
SUGENO, M. and YASUKAWA, T. (February 1993) A Fuzzy-Logic-Based Approach to Qualitative Modeling, IEEE Transactions on Fuzzy Systems, vol. 1, no 1, p. 7-30.
SUGENO, M., TOCHIRO, T. and KIYOJI, A., (1994) Applied Fuzzy Systems, Massachusetts, Academic Press, Inc., 302 p.
SZKLANNY, S y BEHRENDS, C. (1994) Sistemas Digitales
de control de proceso, Buenos Aires, Argentina, Editorial Control SRL Argentina, 2da edición, 318 p.
TANAKA, K., OHTAKE, H. and WANG, H. (march 2004) A practical Desing Approach to Stabilization of a 3-DOF RC Helicopter, IEEE Transactions on Control Systems Technology, vol. 12, no 2, p. 315-325.
TANAKA, K. and SUGENO, M. (1992) Stability Analysis and Design of Fuzzy Control Systems, Fuzzy Sets and Systems 45, p. 135-156.
TANG, K., MAN, K., CHEN, G., KWONG, S. (august 2001) An Optimal Fuzzy PID Controller, IEEE Transactions on Industrial Electronics, vol. 48, no 4, p. 757-765.
TAKAGI, M. and SUGENO, M. (January 1985) Fuzzy identification of systems and its applications to modeling and control, IEEE Transactions on System, Man and Cybernetic, vol. SMC-15, no 1, p. 116–132.
TSAI, H., and HSIAO, S. (2004) Evaluation of alternatives for product customization using fuzzy logic, Information Sciences 158, p. 233–262.
WAI, R. (July 2002) Hybrid Fuzzy Neural-Network Control for Nonlinear Motor-Toggle Servomechanism, IEEE Trans. of Control Systems Technology, vol. 10, no 4, p. 519-532.
WANG, A. and LEE, C. (2002) Fuzzy sliding mode control for a building structure based on genetic algorithms, Earthquake Engineering and Structural Dynamics, vol. 31, p. 881-895.
WANG, L. and MENDEL, J. (February 1991) Generating Fuzzy Rules from Numerical Data, with Applications, USC-SIPI Report 169, 57 p.
WANG, L. and MENDEL, J. (September 1992) Fuzzy Basis Functions, Universal Approximation, and Orthogonal Least-Squares Learnings, IEEE Transactions on Neural Networks, vol. 3, no 5, p. 807-814.
WANG, W., LI, H. and ZHANG, J. (March 2002) Intelligence-Based Hybrid Control for Power Plant Boiler, IEEE Trans. on Control Systems Tech., vol. 10, no 2, p. 280-287.
WONG, L., LEUNG, F. and TAM P. (November 2001) Design of fuzzy logic controllers for Takagi–Sugeno fuzzy model based system with guaranteed performance, International Journal of Approximate Reasoning 30, Elsevier, p. 41-45.
YANG, T. (June 2005a) Architectures of Computational Verb Controllers Towards a New Paradigm of Intelligent Control, International Journal of Computational Cognition, vol. 3, no 2, p. 74-101.
YANG, T. (June 2005b) Applications of Computational Verbs to the Design of P-Controllers, International Journal of Computational Cognition, vol. 3, no 2, p. 52-60.
ZANINI, A. (2000) El predictor de Smith y el Filtro
de Kalman: Ejemplos de Predicción y Estimación, Cuadernos Profesionales de
AADECA, Argentina, 42 p.
ZHAO, Z., TOMIZUKA, M. and ISAKA, S. (October 1993) Fuzzy Gain Scheduling of PID Controllers, IEEE Trans. on Systems, Man, and Cybernetics, vol. 23, no 5, p. 1392-1398.