|
Résumé :
|
Grâce à ses termes de performances et de simplicité d’implémentation la commande prédictive, a connu un succès considérable dans le milieu industriel, malheureusement elle est parfaitement adaptée aux systèmes linéaires, et souvent il n'existe pas de modèle parfaitement linéaire. S’appuyant sur les avancées de la théorie de la modélisation des systèmes non linéaires, le choix du système est orienté vers l’utilisation des modèles Neuro-flous qui ont montré ses efficacités dans plusieurs applications. La loi de commande est obtenue, en général, par l'optimisation d'un critère qui pénalise l'effort de commande et l'état du système. On applique au système à commander la première valeur de la séquence de commande obtenue par la solution du problème, et le même processus de calculs est répété pour l’instant suivant à partir de la nouvelle mesure. Le problème majeur qui se pose lorsqu’on utilise des modèles non linéaires est que le problème d’optimisation à résoudre en ligne est généralement non convexe et sous contraintes dont le temps de calcul peut être prohibitif et la convergence vers un minimum global n’est pas assurée, malheureusement les méthodes numériques classiques utilisées nécessitent un temps de calcul très important sans garantie de convergence vers un minimum global. Les algorithmes génétiques qui sont des méthodes de résolution puissantes, peuvent apporter une solution efficace à ce problème. Dans ce travail, on va étudier l’utilisation des modèles Neuro-flous pour la construction du prédicteur du système à commander, en utilisant les algorithmes génétiques pour la phase d’optimisation dans une structure de commande prédictive des systèmes non linéaires.
|
