Qu'est-ce que la logique floue ?

La logique floue peut ne pas sembler être le moyen le plus fiable de mettre en œuvre un système de contrôle complexe. Cependant, la capacité des systèmes de logique floue à travailler avec des données imprécises et à mettre en œuvre l'expérience d'experts en fait un outil puissant dans les applications de contrôle modernes.

Un aperçu de la logique floue

La logique floue, une subdivision de l'IA (intelligence artificielle) développée par Lofti Zada ​​en 1965, permet à un système informatique d'imiter la façon dont les humains interprètent et interagissent avec les données. Alors que la logique booléenne est limitée à deux résultats (Vrai ou Faux, 0 ou 1), la logique floue traite des degrés de vérité.

Considérons, à titre d'exemple, un système de vision industrielle permettant à un système robotique autonome de naviguer dans un entrepôt occupé. Nous verrions une porte à notre droite s'ouvrir rapidement et saurions qu'un obstacle est probablement sur le point d'apparaître. Mais la logique booléenne ne traite pas de "probablement" - elle traite de "un obstacle est sur le point d'apparaître" et "un obstacle n'est pas sur le point d'apparaître".

Avec la logique floue, une entrée telle que la vitesse à laquelle la porte s'est ouverte (c'est-à-dire, très lente, lente, moyenne, rapide, très rapide), où se trouve la porte, et l'heure de la journée peuvent être transformées en probabilité qu'un obstacle est sur le point d'apparaître (par exemple, 0,8).

Les bases de la logique floue

Dans un système de logique floue, il existe trois types de valeurs différents :

• Valeurs d'entrée, qui se présentent sous la forme de valeurs numériques précises (par exemple, T =120 °C)
• Valeurs floues, qui représentent la probabilité qu'une valeur nette tombe dans un ensemble de catégories représentées linguistiquement (par exemple, Faible =0,2, Normal =0,8, Élevé =0,0)
• Valeurs de sortie, qui sont défuzzifiées et nettes (Priorité =0,7)

Il y a quatre parties dans un système de logique floue :

1. Module de fuzzification
2. Base de connaissances
3. Moteur d'inférence
4. Module de défuzzification

Le module de fuzzification reçoit les entrées du système sous la forme de valeurs numériques nettes (par opposition à floues). Le signal d'entrée de valeur nette est divisé en un ensemble de catégories généralement représentées par des valeurs linguistiques (par exemple, froid, chaud, chaud).

Figure 1. Un graphique de trois fonctions d'appartenance représentant pauvre, bon et excellent. Image utilisée avec l'aimable autorisation de Mathworks

La valeur floue pour chaque catégorie est la probabilité que la valeur nette y tombe. Les valeurs floues peuvent également être considérées comme un « degré de vérité » :une voiture roulant à 95 mph pourrait « rouler vite avec un degré de vérité de 0,75 ». Le processus de fuzzification réel est accompli par un ensemble de fonctions d'appartenance, les plus courantes étant triangulaire, trapézoïdale, guassienne ou sigmoïde.

La base de connaissances contient un ensemble de règles si-alors basées sur un raisonnement humain et éclairées par un expert dans le domaine. Voici un exemple de ce à quoi cela peut ressembler :

• SI la température est élevée ET la vitesse est faible ALORS Alert_Level =Modéré
• SI la température est élevée ET la vitesse est Very_High ALORS Alert_Level =Low
• SI la vitesse est faible ET la température est élevée OU l'accélération est élevée alors Alert_Level =élevé

Le moteur d'inférence utilise les règles de la base de connaissances pour les valeurs floues d'une manière similaire à la façon dont un expert humain en la matière le ferait. Le résultat est une autre valeur floue et dans ce cas.

Enfin, le module de défuzzification convertit la sortie du moteur d'inférence en une valeur nette, un peu comme l'inverse du module de fuzzification. Dans cet exemple, le niveau d'alerte peut être de 0,8, ce qui aide les techniciens à hiérarchiser les tâches de maintenance préventive.

Comment la logique floue est-elle utilisée

La logique floue est largement utilisée et de nombreuses personnes profitent de ses capacités sans s'en rendre compte. Le traitement du langage naturel, où les commandes vocales sont utilisées pour interagir avec des objets, est un domaine où la logique floue est appliquée. Dans le traitement du langage naturel, il existe un niveau d'incertitude quant à ce que dit un individu. Pourtant, la logique floue peut traiter de telles données bruitées ou imprécises pour interpréter ce qui est dit avec un degré élevé de précision.

Figure 2. La logique floue et les réseaux de neurones peuvent identifier diverses régions dans l'imagerie satellite, y compris les installations pétrolières offshore.

Les ingénieurs utilisent la logique floue dans le cadre de leur système d'aide à la décision, et elle peut être intégrée au marketing et à la publicité. De plus, les systèmes de logique floue peuvent être combinés avec des réseaux de neurones dans le cadre de systèmes de vision industrielle pour identifier éventuellement la différenciation entre les terres agricoles, les zones urbaines, les forêts et l'eau dans l'imagerie satellite.

Un domaine où la logique floue a trouvé de nombreuses applications, cependant, est celui des systèmes de contrôle.

Systèmes de logique floue et de contrôle

Dans les automobiles, il peut y avoir un système de logique floue qui contrôle le système de freinage. Les véhicules autonomes dépendent fortement du contrôle de logique floue (FLC) pour des systèmes tels que la vitesse, la direction et le régulateur de vitesse adaptatif. Et même les automobiles non autonomes utiliseront probablement le FLC pour le système de freinage. Les systèmes de climatisation, également, dépendent souvent de la logique floue dans le cadre des thermostats intelligents pour maintenir la température ambiante et la vitesse du ventilateur à des niveaux confortables tout en optimisant la consommation d'énergie.

Cependant, ce ne sont que deux exemples de son utilisation. Le FLC peut être trouvé dans des industries très diverses, y compris l'automatisation industrielle, la fabrication biomédicale, le traitement pétrochimique, la fabrication automobile et l'énergie nucléaire.

Les pompes, les moteurs, les ventilateurs et les transmissions peuvent être contrôlés à l'aide de la logique floue, en recevant les données d'un ensemble de capteurs en entrée. Un contrôle de mouvement extrêmement précis peut être obtenu à l'aide de FLC, d'où son utilisation dans les systèmes d'usinage à commande numérique par ordinateur (CNC). Sa capacité à contrôler efficacement les températures est démontrée par son utilisation dans des fours et des fours de traitement thermique qui dépendent de cycles de température très précis. Le FLC peut également superviser des interactions système extrêmement complexes, telles que celles observées dans la robotique en essaim.

Figure 3. La technologie derrière le développement de systèmes robotiques en essaim, comme celui développé par le Laboratoire de recherche en électronique du MIT, tirant parti de la puissance des systèmes de contrôle flou. Image utilisée avec l'aimable autorisation du MIT

FLC est également inestimable dans les systèmes qui dépendent de la vision industrielle et a rendu possible et efficace de nombreuses avancées dans l'automatisation industrielle, l'IIoT et l'Industrie 4.0.

Les systèmes de contrôle traditionnels reposent sur des données et des règles très précises qui peuvent ne pas être en mesure de prendre en compte l'expérience des opérateurs et des experts. D'autre part, la logique floue est idéale pour les applications où les données sont bruitées, imprécises ou partiellement manquantes. Sa base de connaissances peut tirer parti des connaissances et de l'expérience de personnes réelles pour simuler leur processus de prise de décision.