CHAPITRE IV : LES RESULTATS DE SIMULATION
INTRODUCTION 42
IV.1.PRESENTATION DES SYSTEMES A IDENTIFIER ET RESULTAT
42
IV.2. LA SIMULATION 47
IV.3 .INTERPRETATION DE RESULTAT 57
CONCLUSION 58
Introduction générale :
La commande de processus au moyen des réseaux de
neurones, a connu un très grand essor cette dernière
décennie. La vision de la biologie a pris, dans le domaine de la
théorie des Systèmes dynamiques, une tournure
particulièrement intéressante. Elle a ouvert des perspectives de
compréhension à la fois plus larges et plus méfiantes.
Dans le dut d'élargir son champ d'application, la théorie de
contrôle ressent actuellement un besoin d'intégrer de nouveaux
concepts regroupés sous le terme de commande intelligente. L'objectif
est d'introduire de nouveaux
mécanismes permettant une commande plus simple, capable
de s'adapter à des variations de l'environnement et démontrant
des capacités d'apprentissage, telles les efforts et les interventions
de l'home, tant dans les phases de conception que de conduite proprement dite,
en soient significativement réduits. La plupart des commandes utilisant
un réseau de neurones en tant que contrôleur se distinguent par
une étape d'identification et une étape de contrôle.
L'identification consiste à élaborer un modèle neuronal
qui est une estimation du processus à commander et cela au moyen d'une
phase d'apprentissage. Celle-ci peut être soit préalable (hors
ligne), ou bien elle peut se faire intégralement en ligne. La commande
utilise les connaissances acquises pendant la phase d'identification et/ou de
l'apprentissage en ligne pour élaborer des signaux de commande. Un
apprentissage en ligne, pendant la commande du système, est
intéressant si des perturbations viennent affecter le processus ou son
environnement.
L'ensemble des travaux est regroupé dans quatre
chapitres
> Premier chapitre
Ce chapitre nous exposons les éléments de base de
modélisation et identification
des systèmes non linéaires.
> Deuxième chapitre
Dans ce chapitre, nous allons présenter les fondements
théoriques et les éléments de base des réseaux de
neurones.
> Troisième chapitre
Nous allons présenter dans ce chapitre les fondements
théoriques sur les types de commande
> Quatrième chapitre
Dans ce chapitre, tous les résultats de simulation vont
être présentés .enfin, nous terminons par une conclusion
générale et la liste des références.
Chapitre I
MODELISATION ET IDENTIFICATION
DES SYSTEMES NON LINEAIRES
Introduction :
La modélisation des systèmes non linéaires
par réseaux de neurones a fait l'objet de nombreux travaux de recherche
depuis une dizaine d'années à cause de la capacité
d'apprentissage, d'approximation et de généralisation que
possèdent ces réseaux. En Effet
systèmes non linéaires peuvent être
modélisés sans une description mathématique
précise. L'identification, c'est l'opération de
détermination du modèle dynamique d'un système à
partir des mesures entrées/sorties. Souvent la sortie mesurée des
systèmes est entachée du bruit. Cela est dû soit à
l'effet des perturbations agissant à différents endroits du
procédé, soi à des bruits de mesure. Ces perturbations
introduisent des erreurs dans l'identification des paramètres du
modèle. Dans ce chapitre, nous présentons la modélisation
et l'identification des systèmes non-linéaires.
I.1.Modélisation:
On dit qu'on a modélisé un processus physique, si
on est capable de prédire quel était son comportement (sortie)
lorsqu'on le soumet a une sollicitation (entrée) connus. Le
problème de modélisation se pose lorsque l'ingénieur doit
prendre une décision au sujet du phénomène dont il ne
connaît le comportement qu'a partir des données
expérimentales. Dans certains cas, la connaissance fondamentale des
phénomènes en question nous permet de proposer un modèle
mathématique précis, déterministe que l'on nomme
modèle de connaissance. Pour des raisons de commodité pratique,
le modèle sera mathématique afin d'être simulé sur
calculateur numérique .On cherche donc une relation mathématique
É qui lie les variables mesurées d'entrée
u et de sortie y.
É (u, ?)= 0 (I-1)
Cette relation mathématique prend une certaine forme qui
définit la structure du modèle. Elle fait intervenir des
paramètres ? dont on ignore généralement a priori les
valeurs numériques [4].
I.1.1.Modélisation de données statiques :
Il existe une immense variété de
phénomènes statiques qui peuvent être
caractérisés par une relation déterministe entre des
causes et des effets ; les réseaux de neurones sont de bons candidats
pour modéliser de telles relations à partir d'RENi1YalIRnN
expérimentales, sous réserve que celles-ci soient suffisamment
nombreuses et présentatives [1].
| 
