La commande en logique floue permet de s'affranchir de l'utilisation de modèles mathématiques parfois difficiles à obtenir. Sa capacité à traduire la connaissance d'un opérateur humain en règles d'expertise énoncées dans un langage simple en fait une technique très prometteuse. Néanmoins, lorsque le nombre de variables entrant en jeu devient trop important, la base de règles explose très vite, et des problèmes liés à sa réalisation pratique en découlent. Cette thèse s'inscrit dans la mouvance des travaux actuels sur la commande floue et s'attache au problème de l'explosion combinatoire du nombre de règles. Dans une première partie, les principes de base de la logique floue et de la commande floue sont rappelés. Dans une deuxième partie, des solutions visant à simplifier la synthèse d'un contrôleur flou sont présentées. Deux cas sont considérés : la base de règles existe déjà, la base de règles n'est pas disponible et la synthèse d'un contrôleur flou de complexité réduite est à réaliser. Dans la pratique, on ne dispose généralement pas de cette base de règles, aussi, on insiste davantage sur le deuxième cas de figure. Une fois la structure du contrôleur flou défini, le nombre de paramètres à régler pouvant atteindre un nombre important, il est intéressant d'utiliser des techniques d'apprentissage afin d'automatiser la mise au point du contrôleur flou. Les paramètres de ce dernier (gains et fonctions d'appartenance, en entrée et en sortie) sont ici réglés à travers la méthode, très simple, de descente du gradient. Dans une troisième partie, la démarche proposée dans ce mémoire est appliquée avec succès à la commande de deux processus multivariables : un bac mélangeur et un procédé biologique de traitement des eaux-usées.

Notre travail a porté principalement sur des aspects méthodologiques et sur des caractérisations expérimentales des techniques floues et neuronales, avec deux bancs d'essai: un pendule inversé et des fours industriels. Dans une première étape, nous avons travaillé sur des régulateurs flous de la première génération. Nous avons proposé une méthode pour minimiser les erreurs dues à la quantification lors des mises en œuvre avec table de décision. D'autre part, des études expérimentales ont permis d'expliquer l'amélioration de régulations floues par rapport à des régulations conventionnelles. Nous avons ainsi souligné les rôles, parfois bénéfiques, des non-linéarités liées aux interpolations ou aux saturations naturelles. Dans une deuxième étape, nous nous sommes intéressés aux structures de régulation neuronale directe, utilisant l'apprentissage spécialisé avec l'algorithme de rétropropagation. Nous avons développé une stratégie de régulation neuronale à régime glissant, automatiquement élaborée à partir d'une connaissance initiale très faible. Nous avons validé cette méthode avec des modèles simulés du pendule inversé et vérifié la possibilité de stabiliser le système réel. Dans une troisième étape, nous nous sommes penchés sur des améliorations de lois de régulation PID, par introduction de non linéarités significatives. Dans un premier temps, nous avons proposé deux méthodologies de réglage d'adaptateurs flous de PID (parfois appelés superviseurs flous), agissant à partir de la position dans le plan de phase. Une des méthodes de supervision inclut des garanties de stabilité. Dans un deuxième temps, nous avons mis en œuvre et amélioré une méthode d'auto-réglage d'un régulateur flou par un système flou, partant d'une loi de régulation floue initiale quasi-linéaire (résultant de l'application des règles d'équivalence). Des améliorations ont été apportées sur les fours par rapport à une régulation PID industrielle