SAHRAOUI Mustapha DOCTORAT EN SCIENCES

1
Département d’Informatique
THESE
Présentée par
SAHRAOUI Mustapha
Pour obtenir le Diplôme de
DOCTORAT EN SCIENCES
Spécialité : Informatique et Automatique
Thème
Contrôle robuste des systèmes non linéaires
par les approches de l’intelligence artificielle
Devant les membres du Jury :
Président : SENOUCI Mohamed Pr. Université d’Oran1 A. Ben Bella
Rapporteur :
KHELFI Med Fayçal Pr. Université d'Oran 1 A. Ben Bella
Examinateur :
ATMANI Baghdad
Pr. Université d’Oran1 A. Ben Bella
Examinateur :
MALKI Mimoun
Pr. Université de Sidi Bel-Abbes
Examinateur : CHIKHI Salim
Pr. Université de Constantine 2
Examinateur :
Invité :
NOUIBET Wahid
SALEM Mohammed
MCA USTO-MB
MCB Université de Mascara

2
Remerciements
Tout d’abord, je commencerais par exprimer ma profonde gratitude
envers mon directeur de thèse Pr. Khelfi Mohamed Fayçal pour sa sagesse, sa
générosité et sa patience infinie qui m’ont aidé à finaliser ce travail de thèse, la
confiance qu’il m’a toujours témoignée. J’ai tout particulièrement apprécié ses
encouragements et ses conseils, surtout en fin de thèse.
En outre, il m’a permis de comprendre de ne jamais abandonner en
recherche malgré les nombreux obstacles...
Je suis reconnaissant envers Dr. Salem Mohamed pour son aide et ses
conseils techniques. Je suis par ailleurs toujours impressionné par sa
disponibilité incroyable.
Je tiens à exprimer ma sincère gratitude à Monsieur SENOUCI
Mohamed, Professeur à l’Université d'Oran1, qui m’a fait l’honneur de présider
le jury. Mes remerciements vont également aux membres du jury qui m'ont
fait l'honneur de participer au jury pour l’intérêt qu’il ont bien voulu porter à
ce travail, en acceptant de l’examiner, en l'occurrence:
Monsieur ATMANI Baghdad professeur à l'Université d’Oran1 A. Ben Bella ,
monsieur MALKI Mimoun professeur à l'Université de Sidi Bel-abbes que la
volonté de Dieu a fait qu’il était l’un de mes enseignants dans la graduation à
l’Université de Sidi-Bel-Abbes, monsieur CHIKHI Salim Professeur à
l’Université Université de Constantine 2 et monsieur Dr Wahid Nouibat de
l’USTO.
Pour ne pas sombrer dans la nostalgie, je vais m’arrêter là et présenter
toutes mes excuses aux personnes que je n’ai pas mentionnées par leur nom
dans ces quelques lignes. . .
Pour conclure, un grand merci à ma femme qui a assuré le soutien
affectif de ce travail doctoral et qui y croyais toujours même lorsque j’étais au
fond du désespoir. Je ne saurai jamais la remercier !

3
Résumé
La présente thèse est dédiée à l'application des techniques de l'intelligence
artificielle dans la commande des systèmes non linéaires afin de palier à leurs limites
causées par la complexité ou l'inexistence du modèle ainsi que le choix des paramètres
des contrôleurs.
En effet, la combinaison entre les réseaux de neurones et la logique floue nous
permet de profiter de leurs propriétés, d'ou la présence de la commande neuro-floue
adaptative et robuste. L'approche proposée dans la première partie de ce travail
consiste à appliquer une commande basée sur un réseau neuro-flou STFIS (self tuning
fuzzy inference system) caractérisé par un algorithme d'apprentissage en ligne pour
commander deux systèmes non linéaires, masse ressort amortisseur ensuite pendule
inversé.
La deuxième approche consiste à introduire une loi de commande adaptative
couple calculée (computed torque) où l'algorithme GAP-EKF (Growing and Pruning-
extented kalman filter) est combiné avec un contrôleur neuro-flou dans une
architecture intelligente nommée SAFIS (Sequential Adaptive Fuzzy Inference
System). Dans cette architecture les réseaux de neurones à fonctions de bases radiales
(RBF) avec leur propriété d'approximation sont utilisés pour estimer les paramètres
du modèle dynamique et compenser les incertitudes paramétriques.
L'algorithme d'apprentissage GAP-EKF en ligne est basé sur une stratégie de
(GAP) pour contrôler le nombre des neurones cachés (égal à 0 au début) et un filtre
de Kalman pour modifier les paramètres du réseau RBF. L'approche proposée a été
appliquée pour la commande d'un robot manipulateur SCARA à 3 ddl. Les résultats
obtenus sont très satisfaisants même en présence de perturbations et d'incertitudes.
La troisième approche se veut un ajustement des paramètres du contrôleur
PID qui intervient comme un problème d'optimisation. D'ou l'appel à un outil de
l'intelligence artificielle qui permet d'atteindre l'un des contributions de ce travail.
Pour cela nous avons développé un algorithme évolutionnaire bio-inspiré pour
optimiser ces paramètres afin de commander un système non linéaire ; c'est
l'algorithme immunitaire artificiel (AIA). L'application de l'algorithme AIA pour
l'optimisation des paramètres PID dans la commande d'un système masse ressort a
donné de bons résultats.
D'autre part, nous avons effectué une étude pour tester la robustesse des lois
de commande basées sur les contributions proposés dans ce travail. Elle consiste à
prouver l'impact du choix des paramètres des algorithmes (STFIS, SAFIS, AIA) pour
le test de la robustesse.
Mots clés : Systèmes non linéaires, Commande adaptative, Réseaux de
neurones, Logique floue, Approximation, STFIS, SAFIS, AIA, GAP-EKF
Optimisation, Contrôleur PID.

4
Abstract
This thesis is dedicated to the application of the techniques of artificial
intelligence in control of nonlinear systems to compensate for their limitations caused
by the complexity or non-existence of the model and the choice of controller
parameters. Indeed, the combination of neural networks and fuzzy logic enabled us
to benefit from their features, or to the presence of the neuro-fuzzy adaptive control
and robust.
The approach proposed in the first part of this work is to apply a control
based on a neuro-fuzzy network STFIS (self-tuning fuzzy inference system)
characterized by an online learning algorithm to control two nonlinear systems, mass
damper spring then inverted pendulum.
The second approach is to introduce an adaptive control law torque calculated
(computed torque) where GAP-EKF algorithm (Growing and Pruning-extented
Kalman filter) is combined with a neuro-fuzzy controller in an intelligent architecture
called SAFIS (Sequential Adaptive Fuzzy Inference System). In this architecture,
neural networks with radial basis functions (RBF) with their approximation property
are used to estimate the parameters of the dynamic model and the offset parameter
uncertainties. The GAP-EKF learning algorithm is based on a strategy of (GAP) to
control the number of hidden neurons (equal to 0 at the beginning) and a Kalman
filter to change the parameters of RBF network. The proposed approach was applied
to control a robot manipulator SCARA 3 DOF. The results are very satisfactory even
in the presence of disturbances and uncertainties.
The third approach is a PID controller parameter adjustment that acts as an
optimization problem. Hence the call to an artificial intelligence tool that achieves
one of the contributions of this work. For this, we have developed a bio-inspired
evolutionary algorithm to optimize these parameters to control a nonlinear system; is
the artificial immune algorithm (AIA). The application of the AIA algorithm for
optimizing PID parameters in the command of a mass-spring system has worked well.
We conducted a study to test the robustness of the control laws based on the
contributions offered in this work. It is to prove the impact of the choice of the
algorithms parameters (STFIS, SAFIS, AIA) for the robustness test.
Keywords: non-linear, adaptive control systems, neural networks, fuzzy logic,
Approximation, STFIS, safis, AIA, GAP-EKF Optimization, PID Controller.

5
TABLE DES MATIERES
Résumé................................................................................................
Abstract..............................................................................................
Liste des figures..................................................................................
Liste des tableaux...............................................................................
Liste des abréviations..........................................................................
Introduction générale..........................................................................
3
4
10
12
13
14
1 Techniques de l’intelligence artificielle dans la Commande
1. Introduction....................................................................................
2. Réseaux de neurones.......................................................................
2.1 Neurone formel....................................................................................
2.2 Architecture des réseaux de neurones.................................................
2.2.1 Réseaux non bouclés..............................................................
2.2.2 Réseaux bouclés.....................................................................
2.3 Propriétés des réseaux de neurones.....................................................
2.3.1 Propriétés d’approximation des réseaux de neurones............
2.3.2 Propriété de parcimonie.........................................................
2.4 Apprentissage des réseaux de neurones...............................................
2.4.1 Type d'apprentissage des réseaux de neurones......................
2.4.2 Méthodes d’apprentissage
18
19
19
20
20
21
21
21
21
22
22
24
3. La logique floue..............................................................................
3.1 Généralités sur la logique floue...........................................................
3.1.1 Variable floue........................................................................
3.1.2 Sous-ensembles flous..............................................................
3.1.3 Fonction d'appartenance.......................................................
3.1.4 Base de règles floues..............................................................
3.2 Système d'inférence floue....................................................................
3.2.1 Fuzzification..........................................................................
3.2.2 Inférence floue........................................................................
3.2.3. Défuzzification......................................................................
3.3 Types des contrôleurs flous.................................................................
3.3.1 Méthode de Mamdani............................................................
3.3.2 Méthode de Takagi-Sugeno....................................................
3.4 Caractéristiques des systèmes d'inférences floues (SIF)......................
3.4.1 Les caractéristiques structurelles du SIF...............................
3.4.2 Les caractéristiques paramétriques du SIF............................
3.4.3 Approximation des fonctions par les systèmes flous..............
4. Les réseaux neuro-flous..................................................................
25
25
26
26
27
28
28
29
29
30
31
31
32
33
33
33
34
35