Ce travail traite du contrôle des systèmes décrits par des Equations aux Dérivés Partielles. La structure de Commande par Modèle Interne est étendue aux systèmes hyperboliques de dimension infinie, à contrôle frontière. Les EDP considérées sont celles de Saint-Venant, non linéaires, décrivant les écoulements à surface libre. <br />Le modèle utilisé est une linéarisation autour d'un écoulement permanent dont les coefficients dépendent de la variable d'espace. Les pentes et frottements sont non nuls, prenant en compte les phénomènes variables le long du canal. <br />L'analyse et la synthèse du contrôle sont réalisées en considérant le système en boucle fermée comme une perturbation de celui en boucle ouverte. Les perturbations portent sur les opérateurs, les semigroupes et le spectre dans un espace de Hilbert. L'opérateur hyperbolique Ae(x)dx+ Be(x) est caractérisé explicitement sans transformation préalable, en dimension une d'espace, où Ae(x) et Be(x) sont bornés. <br />Pour la synthèse de commande, une structure de contrôle frontière par modèle interne est utilisée, après avoir été ramené sous forme Kalmanienne abstraite. L'analyse de la stabilité en boucle fermée, par la théorie de la perturbation en dimension infinie, permet de donner des conditions suffisantes sur les paramètres de synthèse d'une loi de commande du type intégral et/ou proportionnel. <br />Les résultats en simulation et expérimentaux sur le canal de Valence montrent la faisabilité de l'approche. Elle est testée dans le cas monobief et multibiefs.

Les réseaux de neurones formels permettent de construire, par apprentissage statistique, une vaste famille de modèles et de correcteurs non linéaires. L'objet de cette thèse est la définition des modalités de mise en œuvre de réseaux de neurones et l'évaluation de leur apport pour la modélisation et la commande non adaptatives de processus dynamiques non linéaires. Sur le plan théorique, nous présentons la modélisation et la commande de processus par réseaux de neurones dans un cadre aussi général que possible, en les plaçant dans la perspective de l'Automatique classique. En modélisation, les résultats concernant les systèmes linéaires nous aident à formuler les prédicteurs non linéaires optimaux théoriques correspondant à diverses hypothèses sur le bruit intervenant dans le processus à modéliser ; une méthodologie d'apprentissage associée fournit des prédicteurs neuronaux qui sont des réalisations des prédicteurs théoriques. Nous proposons ensuite une famille de systèmes de commande neuronaux, dont nous étudions les propriétés et les liens avec les systèmes de commande classique, linéaire ou non, en insistant notamment sur la robustesse ; ceci nous conduit à développer la commande avec modèle interne neuronale. Sur le plan pratique, nous illustrons notre démarche et nos résultats par une application industrielle, le pilotage d'un véhicule autonome tout-terrain, dont le volant, l'accélérateur et le frein sont commandés par des réseaux neuronaux.

Cette thèse concerne la commande des systèmes dont la dynamique peut être convenablement décrite par une approche multimodèle à partir d'une étude d'affinement des performances d'un système de commande adaptative avec modèle de référence. Quatre approches de commande multimodèle ont été proposées. La première approche est basée sur la commande avec modèle de référence sur la sortie. Une validation expérimentale réussie a été effectuée sur un réacteur chimique. La seconde approche est basée sur la commande prédictive avec modèle de référence sur l'état partiel. Des résultats de simulation, obtenus à partir d'un modèle physique d'un bioréacteur, ont montré que les performances du système de commande multimodèle sont semblables à celles obtenues par un système de commande non linéaire appropriée du type backstepping. La troisième approche est consacrée à la compensation des perturbations harmoniques dans le cas où la dynamique du système peut être raisonnablement décrite par une famille de modèles linéaires invariants. La quatrième approche est basée sur une commande prédictive multimodèle avec modèle de référence sur l'état partiel issue d'une synthèse LMI.