Intégration de techniques floues pour la modélisation, l'identification et la commande de systèmes non linéaires

Fuzzy modeling and identification of nonlinear systems are addressed in the first part of this research work. Unstationary, perturbed and multiple inputs and single output systems (MSO) are considered. Based on the learning input-output variables (off-line obtained) a modeling and identification method is applied on a Bio-climate system, which is an experimental greenhouse from the Universite du Sud Toulon Var - France (USTV). A neuro fuzzy system is then synthesized, having a fuzzy rule structure proposed by Takagi-Sugeno-Kang (TS) where the premises are identified via the fuzzy C-Meaas clustering algorithm. The multi-objective approach is implemented by the local and global learning in the consequents parameters. By means of the TS - like rule base, a new approach to model SISO systems is introduced. The fuzzy Gustafson-Kessel clustering algorithm is applied in order to identify the premises of the rule base, and the consequents of the rule base are cubic polynomials. In the second part of this research work, by some Linear Matrix Inequalities (LMI) based on the greenhouse fuzzy model obtained, a solution of a stable controller is obtained. This controller acts on the internal temperature in order to regulate the VPD parameter in a suitable range for the crop plant.La modélisation et l'identification floues de systèmes avec de multiples entrées et une seule sortie (MISO), non linéaires, non stationnâmes et avec perturbations sont présentés. A cet effet, des techniques d'apprentissage floues sont utilisées. C'est ainsi qu'un modèle est mis en place à partir des mesures d'un système bio-climatique, qui concerne l'étude d'une serre expérimentale de l'Université du Sud Toulon Var (USTV) en France. L'analyse multi-modèles est utilisée, avec la structure de règles floues proposée par Takagi-Sugeno-Kang (TS), où les prémisses des règles sont identifiées au moyen de l'algorithme flou de C-Means. La démarche d'apprentissage local et global est introduite pour identifier les paramètres linéaires des conséquences des règles floues. Ainsi, des modèles flous TS sont obtenus avec une démarche pluri-objectif. Dans le cadre de la technique de la modélisation et de F identification floues TS, le développement d'un algorithme est détaillé, pour modéliser des systèmes SISO, pour lesquels l'algorithme flou de Gustafson-Kessel (G-K) sera mis en oeuvre afin d'identifier les prémisses des règles floues. L'innovation réside dans le fait que les conséquences des règles floues sont des polynômes d'ordre cubique. Enfin, avec la technique LMI et avec un modèle développé pour un système bio-climatique, la synthèse d'un contrôleur stable avec l'approche de Lyapunov qui régule le chauffage de la serre, est réalisée pour maintenir le paramètre VPD dans un domaine fiable pour la plantation