Modélisation et Commande Adaptative par Modes Glissants d’une classe de systèmes non linéaires à base d’approximateurs intelligents

Abstract

Cette thèse contribue à l‟élaboration d‟une famille de lois de commande adaptative robuste par modes glissants pour une classe de systèmes non linéaires incertains, multiples entrées et multiples sorties (MIMO) et interconnectées. Dans le chapitre 1, Nous avons présenté un bref aperçu sur les deux approximateurs intelligents utilisés dans la thèse et la technique de commande par modes glissants Dans le chapitre 2, Nous avons considéré d‟abord, que les dynamiques des systèmes sont inconnues puis nous avons utilisée la logique floue pour les approximer puis on a met en oeuvre la loi de commande. La technique des modes glissants a été utilisée pour assurer une meilleure robustesse vis-à-vis des erreurs de prédiction. Et l‟étude de stabilité est assurée par le critère de Lyapunov. Les résultats de simulations sur un robot à deux articulations, ont été présentés pour valider ces approches et montrer leur efficacité Cependant, plusieurs difficultés et complexités ont été rencontrées, surtout dans le choix des fonctions d‟appartenances et la construction de la base de règles. Nous avons alors présenté, dans le chapitre 3, une nouvelle commande adaptative par modes glissants à base des réseaux de neurones. Nous avons considérées deux classes de systèmes où une connaissance partielle de la dynamique du système est disponible (modèle nominal supposé connu). Notre contribution a porté sur deux aspects. Nous avons utilisé les réseaux de neurones pour estimer les fonctions incertaines du système et ainsi les termes d‟interconnections dans le cas des systèmes interconnectés. Le deuxième aspect consiste à surmonter certaines lacunes de la commande par modes glissants standard, tels que l‟apparition du phénomène de réticence à haute amplitude, à cause d‟exigence d‟un gain de commutation assez élevée en présence de grandes incertitudes. L‟utilisation des réseaux de neurones permet une bonne description du système et alors favorise l‟ajout d‟une commande par modes glissants avec un gain acceptable tout en évitant les problèmes de réticence et de divergence en présences d‟incertitudes larges. Le temps assez grand d‟apprentissage pour les réseaux de neurones peut être considéré comme étant un inconvénient de cette méthode. C‟est principalement l‟objectif d‟une combinaison des réseaux de neurones avec la logique floue (chapitre 4) ce qui a permet un fonctionnement en temps réel. Les résultats de simulation montrent de bonnes performances, soit en poursuite, ou en fonctionnement en temps réel ou au niveau du gain de commande.