Les applications pratiques de la logique floue sont nombreuses et diverses et il serait difficile de toutes les citer, mais imaginez-vous un problème et voila!, vous aurez une application pour la logique floue! Néanmoins, nous avons choisi une branche de la logique floue pour traiter ici : « le contrôle flou ». Dans l'année 1975 on a vu naître le contrôle flou de la main du chercheur E. Mamdani, à partir de ce moment-là, les réalisations industrielles n'ont pas tardé à apparaître (automatisme, robotique, intelligence artificielle, etc.).

Un contrôleur flou se comporte comme un approximateur capable de calculer un résultat non flou depuis plusieurs variables non floues aussi, mais par le biais d’un processus de raisonnement flou. Le premier traitement des données soumises consiste en la fuzzification, soit la transformation de données non floues en données floues. Le noyau du contrôleur se décompose en deux parties, l’une statique, l’autre dynamique. La partie statique consiste en une base de connaissances floues. Elle traduit le jugement de l’expert. Ce procédé est particulièrement adapté pour traduire des appréciations « estimatives ». Finalement, on obtient la surface floue, elle est une des caractéristiques des contrôleurs flous.

La première partie où nous devons calculer le degré d'appartenance de la valeur mesure pour chaque fonction d'appartenance, s'appelle fuzzification. C’est un terme accepté en français aussi. Pour calculer la sortie avec la composition de toutes les fonctions d'appartenance, on parle de défuzzification, et pour les corrélations entre les fonctions d'appartenance des entrées avec les sorties, on dit règles d'inférences floues. Il existe beaucoup de formes des fonctions d'appartenances, règles de fuzzification, etc., mais les plus diffuses sont les méthodes de Mamdani et Takagi-Sugeno-Kant.

La figure suivante est obtenue du logiciel Matlab, un des logiciels ayant des outils pour faire des implémentations de contrôle flou. Le problème de contrôle est d’obtenir le pourboire en dépendance du service du serveur et de la qualité du repas. Pour le service, il y a trois fonctions d'appartenance :  mauvais, normal et excellent, tandis que pour le repas il y a deux fonctions d'appartenance : dégoûtant et délicieux. La composition de la méthode de fuzzification et defuzzification correspond à la méthode de Mamdani, et la sortie finalement donne un pourboire de 16,3 % pour l'évaluation préalable du service et le repas.

Ainsi, les avantages que présente le contrôle flou sont:  

• Robuste : qu’il maintient le processus sous contrôle, malgré des changements physiques dans le système même.

• Tolérant au bruit : que le bruit dans les différents composants du système peut être absorbé dans le système de contrôle.

• Polyvalent : facilement applicable à différents problèmes.

• Indispensable sur des applications sur lesquelles on ne dispose pas de modèle mathématique efficace du processus.

• Rapide dans des applications en temps réel (informatique industrielle, automatismes...)

• Aisé à optimiser : une caractéristique qu’amplifie ses applications même quand le modèle mathématique du processus est très bien connu.

Dans l’industrie d’équipes de contrôle, soit PLC, DCS, contrôleurs, etc., avance très rapidement avec le contrôle flou, dans les années 1980 sont apparus les premiers contrôleurs flous du marché et dans la fin de la décennie de 1990, les principaux fabricants d’équipement de contrôle ont déjà le contrôle flou dans leurs systèmes. Aujourd'hui, et depuis 15 ans, on trouve dans le marché des microprocesseurs dédiés au contrôle flou que quelqu’un peut utiliser pour développer un équipement de contrôle.

suite - le controle flou dans l'U de S