Modélisation d'un système singulièrement perturbe par la métaheuristique neurogliale et contrôle flou optimum du processus

Abstract

Ce travail, propose un système connexionniste métaheuristique appelé « réseau neuroglial artificiel » “ANGN”, composé d’un réseau neuronal en parallèle avec un réseau glial, capable d’émuler le traitement de l’information dans le cerveau humain d’une manière presque parfaite. Etant donné que les deux sous réseaux (neuronale et gliale) possèdent des dynamiques différentes (rapide et lente), l’architecture globale du système est basée sur le puissant concept de « modularité » et une mise en œuvre, utilisant les systèmes à multi - échelles de temps. Ces systèmes, qualifiés généralement de «systèmes singulièrement perturbés » sont des modèles mathématiques non-linéaires, fortement couplés présentant des dynamiques différentes. Les modèles mathématiques exactes de ces systèmes sont généralement difficiles à obtenir en raison des erreurs connexes et des non-linéarités. Une validation de l’approche mise en œuvre est obtenue dans le cas de deux applications différentes : « Identification d’un moteur à courant continu (MCC) et d’une machine asynchrone (MAS), mis sous la forme standard singulièrement perturbée ». Pour chaque application, le modèle global est décomposé en sous- modèles : lents et rapides suivant la méthode de décomposition des perturbations singulières. Cette méthode a pour principe de base, la conservation du modèle global utilisé et la réduction de son ordre, en découplant les grandeurs physiques mises en jeux pour aboutir à des sous-modèles d’ordre réduit. La méthode géométrique des cercles de Gerschgorin est utilisée pour surmonter le problème de la définition des variables lentes et rapides, lors du découplage. Enfin, deux algorithmes différents, sont développés pour tester l’efficacité et le rendement du réseau neuroglial ainsi défini. Cette nouvelle architecture a permis d’obtenir des réseaux de taille considérablement réduite avec moins de complexité et de meilleures performances en terme d’erreur moyenne quadratique et vitesse de convergence, comparativement aux modèles de réseau de neurones classiques, modulaires à deux réseaux de neurones et Mélange d’Experts (ME) et aux modèles de réseaux de neurones à multi-échelles de temps.