| Titre : | Identification des paramètres des systèmes non linéaires basée sur les techniques soft computing |
| Auteurs : | Ahmed chaouki Megherbi, Auteur ; Achour Betka, Directeur de thèse |
| Type de document : | Monographie imprimée |
| Editeur : | Biskra [Algerie] : Université Mohamed Kheider, 2012 |
| Format : | 83p / 30cm |
| Accompagnement : | cd |
| Langues: | Français |
| Mots-clés: | Identification des paramètres,systèmes non linéaires,algorithmes génétique,essaim departicule,moteur asynchrone Parameter identification,nonlinear systems,genetic algorithms,PSO,induction motor تحدید الوسائط ، أنظمة غیر خطیة ، الخوارزمیات الجینیة ، خوارزمیات سرب الطیور، محرك لا تزامني. |
| Résumé : |
Les travaux présentés dans cette thèse traitent les apports des techniques Soft Computing au
domaine de l’identification des paramètres d’un système non linéaire. Notre étude se focalise en premier lieu, sur l’introduction de plusieurs notions sur les systèmes non linéaires et les techniques d’identification paramétriques conventionnelles et leurs limitations. En second lieu, notre intérêt est porté sur la présentation de deux techniques soft computing à savoir l’algorithme génétique et l’essaim de particule. Dans cette étude, en vue de l’amélioration de la convergence et la précision des solutions optimales nous présentons une approche d’identification basée sur les algorithmes génétiques qui intègre une stratégie de variation de poids de pondération de la fonction du coût et un autre algorithme génétique où nous proposons un codage réel modifié de la variable. Une autre approche d’optimisation basée sur un algorithme d’essaim de particules modifié a été proposée. Nous appliquons enfin ces techniques proposées pour le problème d’identifications des paramètres d’un moteur asynchrone pris comme exemple typique d’un système non linéaire. The work presented in this thesis deal with the contributions of soft computing techniques to identify the parameters of a nonlinear system. Our study focuses primarily on the introduction of several notions of non linear systems and conventional parametric identification techniques and their limitations. Secondly, we introduce the presentation of methods of soft computing: the genetic algorithm and particle swarm. In this study, to improve the accuracy and convergence of optimal solutions, we present an approach for identification based on genetic algorithms that incorporates a strategy of weight factor (of the objective function) that change along the optimisation procedure then, we propose an algorithm genetic integrating a modified real coding variable. Another optimization approach based on a modified particle swarm algorithm was proposed. Finally, we apply and evaluate these proposed techniques for the parameters identification of an induction motor used as a typical example of nonlinear system. الأعمال التي عرضت في ھذه الأطروحة ھي مساھمات لتطبیق تقنیات الحوسبة المرنة لتحدید وسائط الأنظمة الغیر خطیة. دراستنا تركز في المقام الأول على تقدیم بعض التعریفات و المفاھیم الأساسیة كالأنظمة الغیر خطیة والتقنیات الكلاسیكیة لتحدید الوسائط وتطبیقھا وكذلك محدودیتھا وفي مرحلة ثانیة انصب تركیزنا على دراسة الخوارزمیات الجینیة و سرب الطیور. لتحسین دقة النتائج المتحصل علیھا، قمنا بإدخال تحسینات على الخوارزمیات الجینیة التي تضمنت إستراتیجیة لتغییر أوزان دالة الھدف، و كذلك من خلال اقتراح تعدیل التشفیر یسمى الترمیز الحقیقي،.كما تم إدخال بعض التغییرات على خوارزمیات سرب الطیور. وأخیرا لتقییم مدى إمكانیة تطبیق ھاتھ الخوارزمیات قمنا في ھذا العمل بتطبیقھا على تحدید الوسائط الخاصة بمحرك لا تزامني كمثال على نظام غیر خطي. |
| Sommaire : |
Liste des figures
Liste des Tableaux III Liste des symboles et d'abréviations IV Introduction générale Chapitre 1 Identification des systèmes de “Hard Computing” au “Soft Computing” I.1. Introduction 4 I.2. Représentation des systèmes physiques4 I.2.1 Système linéaire et système non linéaire …5 I.3 Modélisation I.3.1 Modèles de connaissance 7 I.3.2 Modèle de représentation.8 I.4 Identification des systèmes 8 I.4.a Identification non paramétrique 10 I.4.b Identification paramétrique 10 I.5. Identification basée sur l'erreur de sortie 11 I.6. Identification basée sur l'erreur de prédiction..11 I.7 Le critère ou fonction du coût I.8 L'algorithme d'optimisation 13 I.10 Identification en temps réel- méthodes récursives (on line) 13 I.11 Limitation des méthodes classiques14 I.12 Les techniques Soft Computing.14 I.12.1 Aperçu sur les travaux réalisés « état d’art » 16 I.13 Conclusion 19 Chapitre 2: Les techniques Soft Computing : Les Algorithmes génétiques II.1 Introduction 20 II.2 Les algorithmes évolutionnaires…20 II.3 Les algorithmes génétiques…22 II.3.1 Présentation générale des AG……23 II.3.1.1 Individu et population….23 II.3.1.2. Evaluation des individus de la population.25 II.3.1.3 Opérateurs Génétiques.26 II.3.1.3.1 Sélection.26 II.3.1.3.2 Le croisement.27 II.3.1.3.2.a Le croisement à un point 28 II.3.1.3.2.b Le croisement en deux points 28 II.3.1.3.3 La mutation.29 II.3.1.4 Le codage…31 II.3.1.4.1 Le codage binaire….31 II.3.1.4.2 Le codage réel.31 II.4 Les critères de convergence….32 II.4.1 Nombre maximal de générations….32 II.4.2 Critère sur l’évolution du meilleur individu …32 II.5 Avantages et inconvénients des algorithmes génétiques.32 II.5.1 Les avantages des AGs.32 II.5.2 Les inconvénients des AGs…33 II.5.2 Les inconvénients des AGs 33 II.6 Algorithmes génétique proposés. II.6.1 Un algorithme génétique dont la fonction objective est à coefficients de pondération variable 33 II.6.2 Un algorithme génétique à codage réel modifié…34 II.6.2.1 Codage (réel codé décimale) …35 II.7 Conclusion….37 Chapitre 3: Les techniques Soft Computing : Essaim de particules III.1 Introduction.38 III.2 Optimisation par essaim particulaire…38 III.3 Fonctionnement général de l’OEP.39 III.4 Principe de l’évolution de l’essaim de particules…40 III.5 Configuration de la méthode…43 III.5.2 La topologie et le choix du voisinage….43 III.5.3 Le facteur d’inertie……44 III.5.4 Les coefficients de confiances….44 III.5.5 Coefficient de constriction. …45 III.5.6 Initialisation de l’essaim.46 III.6 Critères d’arrêt.46 III.7 Optimisation par Essaim Particule proposé….46 III.8 Conclusion.47 Chapitre 4: Les techniques Soft Computing pour l’identification des systèmes non linéaire. VI.1 Introduction.48 IV.2 Identification des paramètres d’une machine asynchrone .48 IV.2.1 Modélisation de la machine asynchrone .49 IV.2.2 Représentation d’état de la machine asynchrone alimenté en tension.49 IV.3 Procédure de l’identification des paramètres du moteur asynchrone par les AGs …51 IV.4 Simulation de l’identification des paramètres du moteur asynchrone par les AGs .…54 IV.4.1 Résultats et discussion …58 IV.5 Simulation de l’identification des paramètres du moteur asynchrone par les AGs avec le codage modifié .65 IV.5.1 Résultats et discussion.…66 IV.6 Simulation de l’identification des paramètres du moteur asynchrone par la technique d’OEP modifiée. …69 IV.6.1 Résultats et discussion.…69 IV.8 Comparaison des trois méthodes.…73 IV.9 Conclusion….73 Conclusion Générale et perspectives….75 Bibliographie..77 Liste des figures Liste des figures Figure I.1 Représentation d'un système….5 Figure I.2 Etapes de l’identification…9 Figure I.3 Structure de l'identification basée sur l'erreur de sortie…12 Figure I.4 Structure de l'identification basée sur l'erreur de prédiction .12 Figure II.1 Organigramme d’un algorithme évolutionnaire.21 Figure II.2 Principe du fonctionnement d’un algorithme génétique …24 Figure II.3 Mutation……30 Figure II.4 Chromosome modifié (cas d’une fonction objectif à deux paramètres)…34 Figure II.5 Exemple d’un codage réel codé décimale…36 Figure III.1 Principe de déplacement de la particule…40 Figure III.2 L’organigramme de l’algorithme EP.…42 Figure III.3 Un graphe (topologie) d’information circulaire d’un essaim de 7 particules……44 Figure IV.1 Identification des paramètres par les algorithmes génétique ..52 Figure IV.2 Simulation du courant statorique Fig (a) et da la vitesse de rotation Fig (b) ….56 Figure IV.3 Méthodologie d’identification des paramètres……57 Figure IV.4 Evolution de la fonction de coût avec les poids variables .60 Figure IV.5 Evolution relative de l’erreur % des paramètres du moteur asynchrone …61 Figure IV.6 Identification des paramètres par l’algorithme génétique amélioré .62 Figure IV.7 La minimisation de la fonction de coût avec les poids constants.64 Figure IV.8 Comparaison entre le courant statorique obtenu avec les paramètres identifiés et les paramètres réels du moteur .64 Figure IV.9 Evolution de la fonction de coût utilisant l’AG avec codage (RCD) .66 Liste des figures Figure IV.10 Evolution de l’erreur relative des paramètres du moteur asynchrone identifiés par l’AG avec codage (RCD) .…67 Figure IV.11 Evolution des paramètres par l’AG avec codage (RCD) .68 Figure IV.12 Evolution de la fonction objectif de l’OEP modifiée. .69 Figure IV.13 Evolution de l’erreur relative des paramètres du moteur asynchrone basée sur OEP modifié …71 Figure IV.14 Identification des paramètres du moteur asynchrone basée sur OEP modifié…72 Liste des Tableaux III Liste des Tableaux Tableau IV.1 Paramètres du moteur asynchrone . 54 Tableau IV.2 Les Caractéristiques de l’Algorithme Génétique . 58 Tableau IV.3 Résultats de l’identification des paramètres du moteur asynchrone par l’algorithme génétique améliorée avec sept essais.59 Tableau IV.4 Résultats de l’identification des paramètres du moteur asynchrone . 59 Tableau IV.5 Comparaison du temps d’exécution de l’AG avec une fonction objectif à poids variables et constantes . 63 Tableau IV.6 Les Caractéristiques de l’AG avec le codage (RCD) . 65 Tableau IV.7 Résultats de l’identification des paramètres par l’AG avec codage (RCD) .. 66 Tableau IV.8 Les paramètres de l’EP modifié 69 Tableau IV.9 Résultats de l’identification des paramètres par l’OEP modifiée 70 Tableau IV.10 Comparaison des trois méthodes d’identifications.73 |
Disponibilité (1)
| Cote | Support | Localisation | Statut | Emplacement | |
|---|---|---|---|---|---|
| TH/0276 | Thèse de doctorat | BIB.FAC.ST. | Empruntable | Salle de mémoires et de théses |
Documents numériques (1)
 Texte intégral URL |
Erreur sur le template
