EP4281662A1 - Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique - Google Patents

Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique

Info

Publication number
EP4281662A1
EP4281662A1 EP21827204.5A EP21827204A EP4281662A1 EP 4281662 A1 EP4281662 A1 EP 4281662A1 EP 21827204 A EP21827204 A EP 21827204A EP 4281662 A1 EP4281662 A1 EP 4281662A1
Authority
EP
European Patent Office
Prior art keywords
value
model
term
learning
learning function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP21827204.5A
Other languages
German (de)
English (en)
Inventor
Clement POULY
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stellantis Auto SAS
Original Assignee
PSA Automobiles SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PSA Automobiles SA filed Critical PSA Automobiles SA
Publication of EP4281662A1 publication Critical patent/EP4281662A1/fr
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
    • F02D41/2448—Prohibition of learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2454—Learning of the air-fuel ratio control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2464—Characteristics of actuators
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
    • F02D41/2483—Methods of calibrating or learning characterised by the method used for learning restricting learned values
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system

Definitions

  • TITLE METHOD FOR SECURING A LEARNING FUNCTION OF A MODEL OF THERMAL ENGINE ACTUATORS
  • the field of the invention relates to a method for securing a learning function of an actuator control model of a motor vehicle heat engine.
  • the actuators of thermal vehicle engines have a behavior that may differ from the behavior models integrated in the engine control unit, due to manufacturing dispersions, wear, fouling and the quality of representation of the actuators of the motor.
  • this shift can lead to drifts in the richness of the mixture. This situation causes overconsumption and/or an increase in polluting emissions. This can also have an impact on driving pleasure. It is necessary throughout the life of the vehicle to correct these richness drifts.
  • this correction is carried out by engine control models, performing the richness regulation function, which permanently corrects the injector control time based on the richness measurement provided by the richness sensor present at the fuel. 'exhaust.
  • the engine control unit executes in parallel an engine control learning function in charge of storing the correction necessary for engine operating fields. More precisely, on a stabilized point of the engine operating field, as soon as the learning conditions are met, the learning function stores for this point the correction value determined by the engine control model in charge of the richness regulation .
  • the learning process can be carried out by means of a neural network of the type self-adaptive.
  • the control unit communicates the value being stored, which has the effect of causing the richness regulation correction value to converge.
  • the work of regulation is minimized and the dynamics of correction are improved.
  • the learning function plays a major role when the richness regulation model cannot correct the richness, especially when the richness sensor is not available, and significantly improves engine control during load transients by minimizing work of the richness regulation function.
  • Document FR3057031A1 is known describing a richness correction method filed by the applicant.
  • the process described is a least squares minimization type optimization technique based on the analysis of the errors present on the system in order to determine the terms of the correction function and the purpose of which is to correct the errors by improving the models .
  • This process describes tests on the quality of the correction terms being calculated to guide the convergence of the optimization loop. These tests are included in the loop for calculating the correction terms and apply to the corrections during convergence.
  • the document FR2979390A1 is also known describing an optimization technique based on a Kalman filter.
  • An object of the invention is to secure the learning models in order to limit the impact of a punctually shifted value due to an atypical event.
  • the invention relates to a method for securing a learning function of an actuator control model of a heat engine for a motor vehicle, the learning function being based on a model consisting of terms of controls stored in the memory of a heat engine control unit and being adapted to operate a learning cycle consisting of control term update loops.
  • the method comprises the following steps:
  • said security parameter is a weighting coefficient delivered by a predetermined matrix having as input parameter said deviation and the confidence index, and during the step of updating the term of the model, the part of the second current value is calculated according to the value of said weighting coefficient.
  • the method further comprises, prior to the cycle of update loops, a step of initializing the confidence index of the term of the model at an initial level of confidence.
  • the confidence index is greater than or equal to the initial confidence level and: If, moreover, the difference is greater than or equal to a first threshold and less than or equal to a second threshold, the share of the second value is strictly lower than the share of the first stored value,
  • the part of the second value is zero so as to retain all of the part of the first stored value.
  • the part of the second value is zero so as to keep in all the part of the first memorized value.
  • the share of the second value is at least equal to or greater than the share of the first stored value.
  • the first minimum limit is equal to the second minimum limit, or greater than the second minimum limit.
  • the learning function further comprises an internal configuration parameter representative of a confidence level of the stored value of the term of the model, and in that said internal parameter is configured according to the value of the security parameter.
  • the method further comprises, at each update loop, a step of updating the value of the confidence index as a function of said difference and when said difference is greater than a third threshold, the index of confidence is decremented by a predetermined value and when said deviation is less than said third threshold the confidence index is incremented by said predetermined value.
  • control module is a richness regulation function provided for calculating adaptive correction terms and the learning function is adapted to memorize according to a matrix of speed and engine load variables said terms d correction adaptive.
  • the invention provides a control unit for a heat engine of a motor vehicle comprising a function for learning an actuator control module of said heat engine, the learning function being based on a model consisting of control terms stored in the memory of the control unit and being adapted to operate a cycle of updates of the control terms.
  • the control unit is configured to implement the method for securing the learning function according to any one of the preceding embodiments.
  • the invention also relates to a motor vehicle comprising a heat engine controlled by such a control unit.
  • the invention relates to a heat engine control unit implementing a learning function for an actuator control module of said heat engine, the learning function being based on a model consisting of recorded control terms in memory of the control unit and being adapted to operate a cycle of updates of the control terms, further comprising: means for calculating a difference between a first value stored by the learning function for said term of the model and a second current value of said term of the model estimated from instantaneous measurements, means for determining a confidence index attributed to the first stored value of said term of the model, means for determining the value of a parameter of security depending on said deviation and on the confidence index, a means for updating the term of the model by a third value consisting of the sum of the shares of the first value and of the second value eur, in which one of said parts or each of said parts is dependent on said security parameter.
  • the method and device for securing a learning function makes it possible to establish a diagnosis concerning the reliability of the stored values of a motor actuator control model.
  • the updating of a learning function is generally subject to a native convergence mechanism whose purpose is to gradually update the values stored by only a part of the new measured values.
  • the diagnosis establishes that a value of a term of the model is not reliable
  • the securing method makes it possible to accelerate the convergence towards the new measured values. This acceleration of convergence is also subject to additional checks to prevent an update on erroneous values from time to time.
  • the invention finds a preferential application within the framework of the richness control model and therefore actively participates in a rapid and robust control of the richness error throughout the life of the vehicle.
  • the invention helps to improve the performance of the learning strategies of the engine actuator control models and therefore contributes to improving its performance.
  • FIG.1 represents a device for securing a learning function of a thermal engine actuator control model according to the invention
  • FIG.2 represents a preferred embodiment of the algorithm of the securing method according to the invention
  • FIG.3 represents an example of a matrix for calculating the security parameter operating the weighting of an adaptive richness correction value for the preferred embodiment of the security method according to the invention
  • FIG.4 represents a second variant of the device for securing a learning function according to the invention.
  • the invention finds an application for thermal engine actuator control models and in particular for securing a learning function for such control models.
  • the invention provides an additional function for securing a native learning function making it possible to establish a security diagnosis relating to the stored adaptives and the current adaptives before the recording of the new value in the learning matrix.
  • the additional security function cooperates with the learning function so as to modulate the model noise of the terms of the model according to the result of the diagnosis carried out by the security function.
  • Model noise refers to any configuration parameter of the model representative of a level of confidence in the model. According to the result, the securitization function accelerates the process of native convergence towards the value of the new adaptives by decreasing in this variant the confidence level of the model.
  • the term actuator control model refers to any motor actuator control function.
  • the learning function implements the function of memorizing the terms calculated by the control model, the function of updating the terms of the model and the function of restoring said terms.
  • the term stored value of the learning function refers to the value of the control model which is stored in the memory of the engine control unit.
  • the term current value of the learning function designates the value estimated from instantaneous measurements of physical quantities from the engine sensor, for example the richness sensor at the exhaust.
  • the embodiments of the invention will be described more precisely by way of non-limiting example for the case of a learning function of a wealth regulation model.
  • the control model is a richness regulation function in charge of calculating the correction terms of the engine actuators making it possible to regulate the richness.
  • a control term designates the richness correction adaptives and the learning function is adapted to memorize said richness correction adaptives, following for example a matrix of engine speed and load variables .
  • the current value is estimated from engine manifold pressure measurement and an oxygen content of an engine exhaust gas.
  • the adaptive corrections adjust the actuators of the intake branch and/or the injection branch of the heat engine making it possible to control the richness, either the gas admission valve opening control and/or the duration control fuel injection.
  • FIG. 1 represents the first preferred embodiment of the functional modules of a thermal engine control unit allowing the realization of the securing method according to the invention.
  • the control unit is provided with an integrated circuit computer and electronic memories, the computer and the memories being configured to execute the securing method. But this is not mandatory. Indeed, the computer could be external to the engine control unit, while being coupled to the latter. In this last case, it can itself be arranged in the form of a dedicated computer comprising a possible dedicated program, for example. Consequently, the control unit, according to the invention, can be produced in the form of software (or computer (or even “software”)) modules, or else of electronic circuits (or “hardware”), or even of a combination of electronic circuits and software modules.
  • control unit comprises a learning function 11 of the richness regulation actuator control model and a module 1 for securing the value of the term to be learned by the learning function 11 .
  • the learning function 11 is configured to memorize an adaptive correction under pre-established learning conditions, in particular on an operating point stabilized under load and engine speed or an operating zone stabilized under engine speed and load.
  • the learning process continuously executes during the operation of the engine loops of updates of the terms of the learning matrix when the learning conditions are established.
  • the learning function proceeds iteratively, or recursively, to calculations of values of the terms of the model resulting from instantaneous measurements of physical quantities recorded by one or more sensors of the engine for an evaluation in comparison with a value stored from the previous update loop.
  • the new value memorized by an update loop includes all or part of the current value, or fully retains the value memorized during the previous loop.
  • the values updated by the learning function can be obtained by using a least squares minimization type optimization technique, as illustrated by document FR3057031A1, or a Kalman filter as illustrated by application FR2979390A1.
  • a least squares minimization type optimization technique as illustrated by document FR3057031A1
  • a Kalman filter as illustrated by application FR2979390A1.
  • the security module 1 comprises a calculation means 2 capable of receiving as input a first value stored 10 by the learning function 11 for a term of the model and a second current value 12 of said term estimated from instantaneous measurements. Calculation means 2 is configured to calculate the difference between these two values.
  • the security module 1 can be used for the evaluation of a point, several points, a zone or each zone of motor operation defined by the learning matrix. The calculation of the difference is capable of being operated on each update loop of the learning function. The value of deviation 6 is delivered at the output of module 2.
  • the security module 1 further comprises means 3 for configuring and determining a confidence index 7 assigned to the first stored value 10 of said term of the model in the learning matrix.
  • the calculation means 3 is able to configure an initial predetermined confidence level and to modify the value of the confidence index according to the evaluation of the difference 6, delivered by the means 2, in comparison with a predetermined threshold .
  • the confidence index 7 is a parameter used to develop the security diagnosis relating to the stored values of the model.
  • the confidence index 7 acts as an evaluation scale, for example as a percentage between 0% and 100%. But it is not mandatory. The purpose of this confidence index 7 is to quantify the degree of confidence in the reliability of the stored value and to have an indication of what happened in the previous update loops.
  • the value of the initial predetermined level configurable at the start of the learning cycle for the first memorized value of a term of the learning matrix is in this example the average intermediate value 50%.
  • the configuration and determination means 3 is capable of incrementing and decrementing the value of the index by predetermined stages of constant value, comprised between 1% and 10% for example. In the context of the invention, the step determines the number of update loops before triggering a questioning of the stored value.
  • the security module 1 further comprises a means 4 for determining the value of a security parameter 8 taking as input parameter the value of the difference 6 and the value of the confidence index 7 making it possible to establish the security diagnosis in the stored values 10 and the current values 12 of the control model during an update loop.
  • the determining means 4 delivers in this embodiment a weighting coefficient value 8 making it possible to adjust the part of the current value 12 of the term of the model calculated from the instantaneous measurements for the update of the learning model 13 More specifically, in function of the confidence index 7 and the deviation 6, the weighting coefficient makes it possible to memorize during the update only part of the current value 12, to ignore the current value 12 in the event of very large difference if the confidence index is high, a large part if the confidence index of the stored value 10 is low, that is to say has reached a predetermined minimum limit, and the complete value if the difference is zero.
  • a method of calculating the security parameter 8 will be described by way of example in the remainder of the description.
  • the calculation of the security parameter 8, in the form of a weighting parameter can take the form of a matrix, delivering predetermined values, with two input variables which are the deviation 6 and the confidence index 7.
  • the values of the weighting parameter 8 are for example between 0 and 1.
  • the security module 1 further comprises a determination means 5 whose function is to update a term of the model by a third value to be stored consisting of the sum of parts of the first value 10 and of the second value 12, during which the part of the second value 12 is calculated from the value of the weighting parameter 8 attributed to the current value of the term of the model.
  • the determining means 5 delivers the new value 14 corresponding to the current value of the richness correction to which the weighting parameter 8 is assigned for its update by the learning function 11 .
  • the new value memorized in the learning matrix 13 by the learning function consists of the sum of the parts of the first value 10 and of the second value 12 which are calculated according to the weighting coefficient 8. The new memorized value is obtained by calculating the barycenter.
  • the part of the second value 12 corresponds to the product of this second value 12 with the weighting coefficient 8 and the part of the first value 10 corresponds to the product of this first value 10 with a weighting term equal to one minus the value of the weighting parameter 8.
  • the updated values to be stored are recorded in the memory of the engine control unit, in a storage means with volatile memory and non-volatile memory and programmable so as to be reused later, in particular when the engine is stopped. motor and restart.
  • the security parameter 8 is a weighting parameter determining the share of the current value 12 of the term of the model to be stored in the learning matrix.
  • a learning cycle in accordance with the invention provides for a point, each operating point, a zone or each motor operating zone, an initialization phase 200 of the learning model.
  • the learning matrix does not contain any control term values for the operating point or operating area subject to control.
  • the method performs a check on the learning conditions, specific to the function, during which it is checked in particular whether the engine is operating at stabilized speed and load.
  • This stabilization condition is not limiting. Other conditions may determine the triggering of a calculation of a model richness correction term.
  • the method stores, at a step 21 , the entire current value of the control term resulting from the instantaneous measurements, the weighting coefficient 8 is therefore configured at 1 , and, at a step 22 configures the value of the confidence index attributed to said term to the initialization value, for example 50%.
  • the initial confidence level is representative of an average level, that is to say below which the security diagnostic doubts the value and above which the security diagnostic considers that the value is reliable.
  • the confidence index will be used in combination with the value of the difference during the learning cycle to determine from which update loop we can accelerate the convergence of the stored value towards the current value.
  • the securing method enters a phase 201 of updating the learning matrix for the control term or each control term for which a first value is recorded.
  • This update phase is recursive and the triggering of which is conditioned by the detection of optimal learning conditions, by operation at stabilized speed and load.
  • the one-step learning function 24 calculates a new current value of the model richness correction term from the instantaneous measurements.
  • the securing method then comprises a step 25 of calculating the difference between the stored value of the correction term by the learning function 11, resulting from the previous loop, and the current value of said term estimated from instantaneous measurements by the learning function 11 .
  • the method includes a step 26, during which the security function 1 determines the value of the confidence index assigned to the stored value of said term of the model in the learning matrix.
  • the security function reads the value 50% in this example.
  • the confidence index will depend on the learning revolution.
  • the method includes a step 27 of determining the value of a weighting coefficient to be assigned to the current value for updating the learning matrix.
  • the weighting coefficient is the result of a security diagnostic evaluation depending on said deviation calculated during this update loop and the confidence index associated with the stored value of the model term.
  • the securing function defines the value of the weighting coefficient which will be multiplied with the current value of the richness correction term of the model.
  • the determination of the weighting coefficient is carried out in this case of example by a diagnostic matrix having as input parameter said difference and the confidence index.
  • the first column represents values of the confidence index, graduated between 0% and 100%, of the memorized value
  • the first line represents the value of the difference between the memorized value and the current value of the term of the model, between 0 and 0.1.
  • the security diagnosis operates according to the following strategy to calculate the weighting coefficient.
  • the weighting coefficient is equal to 1. Not showing any difference between the learning model and the real measurements, the learning strategy saves the full current value. If the confidence index is greater than or equal to the initial confidence level, in this example 50% and:
  • the weighting coefficient is graduated decreasing, between the values 0.3 and 0.05 for example, in proportion to the difference so that the share of the current value of the correction term is strictly lower than the share of the value stored in the learning matrix .
  • the new current richness correction value is partially, or only slightly, taken into account for the update, due in particular to the fact that the stored value is, at this stage of the learning cycle, judged to still be reliable.
  • the objective of the security diagnosis is that the update takes place according to a first rate of convergence graduated according to the value of the difference. The more the gap increases and as long as the confidence index is reliable, the more the speed of convergence is reduced.
  • the weighting coefficient is equal to 0 so as to fully retain the part of the first stored value.
  • the new current value of the wealth correction term is therefore not taken into account.
  • the convergence of the correction term towards the current value is stopped as long as the confidence index is greater than the level initial 50%.
  • the weighting coefficient is equal to 0. This implies that the part of the current value of the wealth correction term is zero and is not taken into account.
  • the securing diagnostic acts in such a way as to retain all of the part of the first value stored for this zone of uncertainty based on the value of the index.
  • the diagnostic strategy consists of temporarily inhibiting the modification of the stored value during a certain number of update loops. At this stage of the learning cycle, there is a phase during which the security diagnostic doubts the stored value and the current value.
  • the security function is configured to update the stored value and for this purpose triggers an accelerated process of convergence towards the current measured values. More precisely, with the aim of accelerating convergence, if the confidence index is equal to the minimum limit Lim, here 0%, the weighting coefficient is configured at the value 0.5. It is envisaged that other higher values between 0.5 and 1 can be configured so that the part of the current value of the correction term is at least equal to or greater than the part of the stored value in order to accelerate convergence to the current value.
  • the value of the weighting coefficient is specifically provided to accelerate the convergence cycle with respect to the native learning mechanism implemented by the learning function 11 . For this purpose, in this situation the weighting coefficient has a value controlling a speed of convergence towards the current value which is greater than that of the native convergence mechanism of the learning function 11 .
  • the security function 1 calculates the new value to be stored in the learning matrix, during which the current value of the richness correction term is weighted by the weighting coefficient resulting from the diagnosis of the previous step.
  • the securing method comprises a step 29 of updating the value of the confidence index according to the difference calculated in step 25 between the measured value and the current value of an update loop. day.
  • a predetermined threshold for example S2 equal to 0.06
  • the confidence index is decremented by the predetermined value of the plateau.
  • the security function 1 detects in this case a significant inconsistency between the stored value and the current value of the richness correction term. The function therefore decreases the confidence level in the stored value.
  • the threshold value is different, for example greater than S2, or between S1 and S2, or even equal to S1.
  • the securing method passes to the step 23 of monitoring an update loop.
  • Learning consists of executing a cycle of update loops, during which each loop is triggered when the learning conditions are met to calculate, in this example, a richness correction value.
  • FIG. 4 now describes the second embodiment of the securing function 11 .
  • the security function 1 uses the same functional blocks 2, 3 and 4 as those implemented for the first embodiment.
  • the references are kept identical.
  • This embodiment nevertheless differs in that the security function 1 does not execute the function 5 of calculating the value of the richness correction term to be stored which is described in the first embodiment.
  • the security parameter 8 calculated by the module 4 is used to configure an internal parameter of the learning function 11, in which the internal parameter is representative of a level of confidence in the stored value of the term of the model.
  • a calculation module 51 of the learning function 11 uses this internal parameter to define a model noise associated with the stored terms of the model and to drive natively the process of convergence towards the current richness correction value.
  • this internal parameter depends on the modification history of the model during a learning cycle.
  • the learning function 11 is adapted to modify said internal parameter of the learning function 11 according to the value of the security parameter 8.
  • This internal parameter is for example used by functions of Kalman filter type learning.
  • the module 4 makes it possible to establish the diagnosis of securing the stored values 10 and the current values 12 according to the difference 6 between the values 10 and 12 and the value of the confidence index 7 calculated by module 3.
  • the means of determination 4 increases or decreases the confidence level of the internal parameter of the learning function, which has the effect, during the update process, of slowing down or accelerating the convergence towards the current value calculated by the learning function 11.
  • the modification of the internal parameter during an update loop "n” determines the part of the stored value of the model for the calculation of the new value to be saved 141 of the update loop next “n+1”.
  • the securing method does not directly modify the value of the stored correction term, but retains the native management mode of the convergence of the control terms of the learning function 11 and the value of this internal parameter representative of the model noise to control the speed of convergence towards the current values.
  • the invention makes it possible to accelerate the convergence towards the new current value.
  • the securing method also envisages a function for selecting the mode of convergence of a stored value towards a current value of the model.
  • the selection is configurable and makes it possible to select for the learning cycle either the implementation of the first embodiment or the implementation of the second embodiment.
  • the security parameter 8 directly affects the calculation of the share of the current value constituting the new stored value, while in the second embodiment, the security parameter 8 directly affects the native internal parameter used by the learning function to determine the part of the stored value constituting the new value to be recorded.
  • the securing method differs from the sequence of FIG. 2 in that step 27 calculates a securing parameter intended to modify the value of the internal parameter of the learning function representative of the level of confidence of the model and in that step 28 consists in modifying this value of the internal parameter to slow down or accelerate the process of convergence towards the current value, by increasing the share or reducing the share of the stored value in the calculation of the new value to store.
  • step 27 calculates a securing parameter intended to modify the value of the internal parameter of the learning function representative of the level of confidence of the model
  • step 28 consists in modifying this value of the internal parameter to slow down or accelerate the process of convergence towards the current value, by increasing the share or reducing the share of the stored value in the calculation of the new value to store.
  • the part of the stored value depends on the value of the security parameter calculated during the previous loop.
  • the invention applies to any function for learning thermal engine actuator models, in particular for motor vehicle engines.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Control Of Electric Motors In General (AREA)

Abstract

La présente invention a pour objet un procédé de sécurisation d'une fonction d'apprentissage d'un modèle de contrôle d'actionneurs d'un moteur thermique pour véhicule automobile, dans lequel le procédé comporte les étapes suivantes de calcul (25) d'un écart entre une première valeur mémorisée par la fonction d'apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées, de détermination (26) d'un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle, de détermination (27) de la valeur d'un paramètre de sécurisation dépendant dudit écart et de l'indice de confiance, de mise à jour (28) du terme du modèle par une troisième valeur constituée de la somme des parts de la première valeur et de la deuxième valeur, lors de laquelle l'une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.

Description

DESCRIPTION
TITRE : PROCEDE DE SECURISATION D’UNE FONCTION D’APPRENTISSAGE D’UN MODELE D’ACTIONNEURS DE MOTEUR THERMIQUE
La présente invention revendique la priorité de la demande française N°2100573 déposée le 21 .01 .2021 dont le contenu (texte, dessins et revendications) est ici incorporé par référence.
Le domaine de l’invention concerne un procédé de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs d’un moteur thermique de véhicule automobile.
Les actionneurs de moteurs thermiques de véhicule ont un comportement pouvant différer des modèles de comportements intégrés dans l’unité de contrôle du moteur, du fait des dispersions de fabrication, de l’usure, de l’encrassement et de la qualité de représentation des actionneurs du moteur. Dans le cas des modèles d’actionneurs relatifs à la branche d’admission et la branche d’injection, ce décalage peut amener à des dérives de la richesse du mélange. Cette situation provoque une surconsommation et/ou une augmentation des émissions polluantes. Cela peut entrainer également des impacts sur l’agrément de conduite. Il est nécessaire tout au long de la vie du véhicule de corriger ces dérives de richesse.
Classiquement, cette correction est réalisée par des modèles de contrôle moteur, réalisant la fonction de régulation de richesse, qui corrige en permanence le temps de commande de l’injecteur en se basant sur la mesure de richesse fournie par la sonde de richesse présente à l’échappement. De plus, pour optimiser cette correction, l’unité de commande du moteur exécute en parallèle une fonction d’apprentissage de contrôle moteur en charge de mémoriser la correction nécessaire pour des champs de fonctionnement du moteur. Plus précisément, sur un point stabilisé de champ de fonctionnement moteur, dès que les conditions d’apprentissage sont respectées, la fonction d’apprentissage mémorise pour ce point la valeur de correction déterminée par le modèle de contrôle moteur en charge de la régulation de richesse. Par exemple, le processus d’apprentissage peut se réaliser au moyen d’un réseau de neurones de type auto-adaptatif. Simultanément, l’unité de commande communique la valeur en cours de mémorisation, ce qui a pour effet de faire converger la valeur de correction de régulation de richesse. Ainsi, le travail de régulation est minimisé et on améliore la dynamique de correction.
La fonction d’apprentissage joue un rôle majeur lorsque le modèle de régulation de richesse ne peut pas corriger la richesse, notamment lorsque la sonde de richesse n’est pas disponible, et améliore significativement le contrôle moteur lors de transitoire de charge en minimisant le travail de la fonction de régulation de richesse.
On connaît le document FR3057031A1 décrivant un procédé de correction de la richesse déposé par la demanderesse. Le procédé décrit est une technique d'optimisation de type minimisation des moindres carrés se basant sur l’analyse des erreurs présentes sur le système afin de déterminer des termes de la fonction de correction et dont le but étant de corriger les erreurs en améliorant les modèles. Ce procédé décrit des tests sur la qualité des termes de correction en cours de calcul pour orienter la convergence de la boucle d’optimisation. Ces tests sont inclus dans la boucle de calcul des termes de correction et s’appliquent sur les corrections en cours de convergence. On connaît également le document FR2979390A1 décrivant une technique d’optimisation se basant sur un filtre de Kalman.
Lorsqu’une nouvelle valeur de correction est calculée, des stratégies d’apprentissage consiste à apprendre totalement la valeur et à écraser la valeur qui est enregistrée en mémoire du modèle d’apprentissage. Cependant, un inconvénient survient lorsque la valeur courante est calculée à partir de mesures relevées dans des conditions atypiques de fonctionnement moteur, par exemple si un événement particulier est survenu et décale temporairement le système de régulation de richesse. La fonction apprend alors une valeur erronée, non représentative de la zone de fonctionnement, ce qui provoque un décalage de la richesse sur tout le champ de fonctionnement attribué une fois que l’évènement atypique a disparu. D’autres stratégies consistent à apprendre une partie seulement de la correction courante pour limiter les effets négatifs provoqués par un évènement atypique et ponctuel. Cependant, en contrepartie, si la valeur courante est correcte, la vitesse d’apprentissage est réduite.
Il existe donc un besoin de palier les problèmes précités et d’améliorer le processus d’apprentissage d’une fonction de contrôle moteur. Un objectif de l’invention est de sécuriser les modèles d’apprentissage afin de limiter l’impact d’une valeur ponctuellement décalées du fait d’un évènement atypique.
Plus précisément, l’invention concerne un procédé de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs d’un moteur thermique pour véhicule automobile, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire d’une unité de commande du moteur thermique et étant adaptée à opérer un cycle d’apprentissage constitué de boucles de mise à jour des termes de contrôle.
Selon l’invention, le procédé comporte les étapes suivantes :
Calcul d’un écart entre une première valeur mémorisée par la fonction d’apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées,
Détermination d’un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle,
Détermination de la valeur d’un paramètre de sécurisation dépendant dudit écart et de l’indice de confiance,
Mise à jour du terme du modèle par une troisième valeur constituée de parts de la première valeur et de la deuxième valeur, lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.
Selon un mode préférentiel de l’invention, ledit paramètre de sécurisation est un coefficient de pondération délivré par une matrice prédéterminée ayant en paramètre d’entrée ledit écart et l’indice de confiance, et lors de l’étape de mise à jour du terme du modèle, la part de la deuxième valeur courante est calculée en fonction de la valeur dudit coefficient de pondération.
Selon une variante, le procédé comporte en outre préalablement au cycle de boucles de mises à jour une étape d’initialisation de l’indice de confiance du terme du modèle à un niveau de confiance initial.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est supérieur ou égal au niveau de confiance initial et : Si, de plus, l’écart est supérieur ou égal à un premier seuil et inférieur ou égal à un deuxième seuil, la part de la deuxième valeur est strictement inférieure à la part de la première valeur mémorisée,
Si, de plus, l’écart est supérieur au deuxième seuil, la part de la deuxième valeur est nulle de sorte à conserver en totalité la part de la première valeur mémorisée.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est strictement inférieur au niveau de confiance initial et supérieur à une première limite minimum, la part de la deuxième valeur est nulle de sorte à conserver en totalité la part de la première valeur mémorisée.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est égal à une deuxième limite minimum, la part de la deuxième valeur est au moins égale ou supérieure à la part de la première valeur mémorisée.
Selon une variante, la première limite minimum est égale à la deuxième limite minimum, ou supérieure à la deuxième limite minimum.
Selon un deuxième mode de réalisation du procédé, la fonction d’apprentissage comporte en outre un paramètre de configuration interne représentatif d’un niveau de confiance de la valeur mémorisée du terme du modèle, et en ce que ledit paramètre interne est configuré en fonction de la valeur du paramètre de sécurisation.
Selon une variante, le procédé comporte en outre, à chaque boucle de mise à jour, une étape d’actualisation de la valeur de l’indice de confiance en fonction dudit écart et lorsque ledit écart est supérieur à un troisième seuil, l’indice de confiance est décrémenté d’une valeur prédéterminée et lorsque ledit écart est inférieur audit troisième seuil l’indice de confiance est incrémenté de ladite valeur prédéterminée.
Selon une variante, le module de contrôle est une fonction de régulation de la richesse prévue pour calculer des termes d’adaptatifs de correction et la fonction d’apprentissage est adaptée à mémoriser suivant une matrice des variables de régime et de charge moteur lesdits termes d’adaptatifs de correction.
L’invention prévoit une unité de commande d’un moteur thermique de véhicule automobile comprenant une fonction d’apprentissage d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande et étant adaptée à opérer un cycle de mises à jour des termes de contrôle. Selon l’invention, l’unité de commande est configurée pour mettre en œuvre le procédé de sécurisation de la fonction d’apprentissage selon l’une quelconque des modes de réalisations précédents.
L’invention concerne également un véhicule automobile comportant un moteur thermique piloté par une telle unité de commande.
L’invention concerne une unité de commande d’un moteur thermique mettant en œuvre une fonction d’apprentissage d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande et étant adaptée à opérer un cycle de mises à jour des termes de contrôle, comportant en outre : un moyen de calcul d’un écart entre une première valeur mémorisée par la fonction d’apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées, un moyen de détermination d’un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle, un moyen de détermination de la valeur d’un paramètre de sécurisation dépendant dudit écart et de l’indice de confiance, un moyen de mise à jour du terme du modèle par une troisième valeur constituée de la somme des parts de la première valeur et de la deuxième valeur, lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.
Grâce à l’invention, le procédé et dispositif de sécurisation d’une fonction d’apprentissage permet d’établir un diagnostic concernant la fiabilité des valeurs mémorisées d’un modèle de contrôle d’actionneurs de moteur. La mise à jour d’une fonction d’apprentissage est généralement soumise à un mécanisme de convergence natif dont le but est de mettre à jour graduellement les valeurs mémorisées par une partie seulement des nouvelles valeurs mesurées. Lorsque le diagnostic établit qu’une valeur d’un terme du modèle n’est pas fiable, le procédé de sécurisation permet d’accélérer la convergence vers les nouvelles valeurs mesurées. Cette accélération de convergence est en outre soumise à des contrôles supplémentaires pour empêcher une mise à jour sur des valeurs ponctuellement erronées.
L’invention trouve une application préférentielle dans le cadre de modèle de contrôle de la richesse et participe donc activement à une maîtrise de l’erreur de richesse rapide et robuste tout au long de la vie du véhicule. De manière générale, l’invention aide à améliorer les performances des stratégies d’apprentissage des modèles de contrôles d’actionneurs du moteur et participe donc à une amélioration de ses performances.
D’autres caractéristiques et avantages de la présente invention apparaitront plus clairement à la lecture de la description détaillée qui suit comprenant des modes de réalisation de l’invention donnés à titre d’exemples nullement limitatifs et illustrés par les dessins annexés, dans lesquels :
[Fig .1 ] représente un dispositif de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs de moteur thermique selon l’invention ;
[Fig.2] représente un mode de réalisation préférentiel de l’algorithme du procédé de sécurisation selon l’invention ;
[Fig.3] représente un exemple d’une matrice de calcul du paramètre de sécurisation opérant la pondération d’une valeur d’adaptatif de correction de la richesse pour le mode de réalisation préférentiel du procédé de sécurisation selon l’invention ;
[Fig.4] représente une deuxième variante du dispositif de sécurisation d’une fonction d’apprentissage selon l’invention.
L’invention trouve une application pour les modèles de contrôles d’actionneurs de moteur thermique et en particulier pour la sécurisation d’une fonction d’apprentissage pour de tels modèles de contrôle. A cet effet, dans un premier mode de réalisation préférentiel, l’invention prévoit une fonction additionnelle de sécurisation d’une fonction native d’apprentissage permettant d’établir un diagnostic de sécurisation relatif aux adaptatifs mémorisés et les adaptatifs courant avant l’enregistrement de la nouvelle valeur dans la matrice d’apprentissage. Dans un deuxième mode de réalisation, la fonction de sécurisation additionnelle coopère avec la fonction d’apprentissage de manière à moduler le bruit de modèle des termes du modèle en fonction du résultat du diagnostic réalisé par la fonction de sécurisation. Le bruit de modèle désigne tout paramètre de configuration du modèle représentatif d’un niveau de confiance dans le modèle. Selon le résultat, la fonction de sécurisation accélère le processus de convergence natif vers la valeur des nouveaux adaptatifs en diminuant dans cette variante le niveau de confiance du modèle.
Dans la présente description, le terme modèle de contrôle d’actionneurs désigne toute fonction de contrôle d’actionneurs du moteur. La fonction d’apprentissage met en œuvre la fonction de mémorisation des termes calculés par le modèle de contrôle, la fonction de mise à jour des termes du modèle et la fonction de restitution desdits termes. Le terme valeur mémorisée de la fonction d’apprentissage désigne la valeur du modèle de contrôle qui est enregistrée en mémoire de l’unité de commande du moteur thermique. Le terme valeur courante de la fonction d’apprentissage désigne la valeur estimée à partir des mesures instantanées de grandeurs physiques issu de capteur du moteur, par exemple la sonde de richesse à l’échappement.
Les modes de réalisation de l’invention seront décrits plus précisément à titre d’exemple non limitatif pour le cas d’une fonction d’apprentissage d’un modèle de régulation de la richesse. Le modèle de contrôle est une fonction de régulation de la richesse en charge de calculer des termes de correction des actionneurs du moteur permettant de réguler la richesse. Dans ce cas d’exemple, un terme de contrôle désigne les adaptatifs de correction de la richesse et la fonction d’apprentissage est adaptée à mémoriser lesdits adaptatifs de correction de la richesse, suivant par exemple une matrice des variables de régime et de charge moteur. La valeur courante est estimée à partir de mesure de pression de collecteur du moteur et une teneur en oxygène d’un gaz d’échappement du moteur. Les adaptatifs de correction ajustent les actionneurs de la branche d’admission et/ou la branche d’injection du moteur thermique permettant de contrôler la richesse, soit la commande d’ouverture de vanne d’admission de gaz et/ou la commande de durée d’injection de carburant.
La figure 1 représente le premier mode de réalisation préférentiel des modules fonctionnels d’une unité de commande de moteur thermique permettant la réalisation du procédé de sécurisation selon l’invention.
L’unité de commande est munie d’un calculateur à circuits intégrés et de mémoires électroniques, le calculateur et les mémoires étant configurés pour exécuter le procédé de sécurisation. Mais cela n’est pas obligatoire. En effet, le calculateur pourrait être externe à l’unité de commande du moteur, tout en étant couplé à cette dernière. Dans ce dernier cas, il peut être lui-même agencé sous la forme d’un calculateur dédié comprenant un éventuel programme dédié, par exemple. Par conséquent, l’unité de commande, selon l’invention, peut être réalisé sous la forme de modules logiciels (ou informatiques (ou encore « software »)), ou bien de circuits électroniques (ou « hardware »), ou encore d’une combinaison de circuits électroniques et de modules logiciels.
Plus précisément, l’unité de commande comporte une fonction d’apprentissage 11 du modèle de contrôle d’actionneurs de régulation de la richesse et un module de sécurisation 1 de la valeur du terme à apprendre par la fonction d’apprentissage 11 . La fonction d’apprentissage 11 est configurée pour mémoriser un adaptatif de correction en conditions d’apprentissage préétablies, en particulier sur un point de fonctionnement stabilisé en charge et régime moteur ou une zone de fonctionnement stabilisée en régime et charge moteur. Le processus d’apprentissage exécute continuellement durant le fonctionnement du moteur des boucles de mises à jour des termes de la matrice d’apprentissage lorsque les conditions d’apprentissage sont établies. En d’autres termes la fonction d’apprentissage procède de façon itérative, ou récursives, à des calculs de valeurs des termes du modèle issues de mesures instantanées de grandeurs physiques relevées par un ou des capteurs du moteur pour une évaluation en comparaison avec une valeur mémorisée issue de la boucle de mise à jour précédente. En fonction de la technique d’optimisation utilisée, la nouvelle valeur mémorisée par une boucle de mise à jour, comprend tout ou partie de la valeur courante, ou conserve en totalité la valeur mémorisée lors de la boucle précédente.
Par exemple, les valeurs mises à jour par la fonction d’apprentissage peuvent être obtenues en utilisant une technique d'optimisation de type minimisation des moindres carrés, comme illustré par le document FR3057031A1 , ou un filtre de Kalman comme illustré par la demande FR2979390A1 . Ces deux techniques sont citées à titre d’exemple illustratif et l’homme du métier saura adapter la mise en œuvre de l’invention à toute fonction d’apprentissage utilisée pour l’optimisation des modèles de contrôle d’actionneurs de moteur.
Conformément à l’invention, le module de sécurisation 1 comporte un moyen de calcul 2 apte à recevoir en entrée une première valeur mémorisée 10 par la fonction d’apprentissage 11 pour un terme du modèle et une deuxième valeur courante 12 dudit terme estimée à partir de mesures instantanées. Le moyen de calcul 2 est configuré pour calculer l’écart entre ces deux valeurs. Le module de sécurisation 1 peut être utilisé pour l’évaluation d’un point, plusieurs points, une zone ou chaque zone de fonctionnement moteur définie par la matrice d’apprentissage. Le calcul de l’écart est apte à être opéré à chaque boucle de mise à jour de la fonction d’apprentissage. La valeur de l’écart 6 est délivrée en sortie du module 2.
Le module de sécurisation 1 comporte en outre un moyen de configuration et détermination 3 d’un indice de confiance 7 attribué à la première valeur mémorisée 10 dudit terme du modèle dans la matrice d’apprentissage. Le moyen de calcul 3 est apte à configurer un niveau de confiance prédéterminé initial et à modifier la valeur de l’indice de confiance en fonction de l’évaluation de l’écart 6, délivré par le moyen 2, en comparaison avec un seuil prédéterminé. L’indice de confiance 7 est un paramètre permettant d’élaborer le diagnostic de sécurisation relatif aux valeurs mémorisées du modèle.
L’indice de confiance 7 fait fonction d’échelle d’évaluation, par exemple en pourcentage entre 0% et 100%. Mais ce n’est pas obligatoire. Cet indice de confiance 7 a pour but quantifier le degré de confiance quant à la fiabilité de la valeur mémorisée et d’avoir une indication sur ce qui s’est passé dans les précédentes boucles de mise à jour. La valeur du niveau prédéterminé initial configurable en début de cycle d’apprentissage pour la première valeur mémorisée d’un terme de la matrice d’apprentissage est dans cet exemple la valeur intermédiaire moyenne 50%. Le moyen de configuration et détermination 3 est apte à incrémenter et décrémenter la valeur de l’indice par paliers prédéterminés de valeur constante, comprise entre 1 % et 10% par exemple. Dans le cadre de l’invention, le palier détermine le nombre de boucles de mise à jour avant de déclencher une remise en question de la valeur mémorisée.
Le module de sécurisation 1 comporte en outre un moyen de détermination 4 de la valeur d’un paramètre de sécurisation 8 prenant en paramètre d’entrée la valeur de l’écart 6 et la valeur de l’indice de confiance 7 permettant d’établir le diagnostic de sécurisation dans les valeurs mémorisées 10 et les valeurs courantes 12 du modèle de contrôle lors d’une boucle de mise à jour. Le moyen de détermination 4 délivre dans ce mode de réalisation une valeur de coefficient de pondération 8 permettant d’ajuster la part de la valeur courante 12 du terme du modèle calculé à partir des mesures instantanées pour la mise à jour du modèle d’apprentissage 13. Plus précisément, en fonction de l’indice de confiance 7 et de l’écart 6, le coefficient de pondération permet de mémoriser lors de la mise à jour qu’une partie seulement de la valeur courante 12, d’ignorer la valeur courante 12 en cas d’écart très important si l’indice de confiance est élevé, une partie importante si l’indice de confiance de la valeur mémorisée 10 est faible, c’est-à-dire a atteint une limite minimum prédéterminée, et la valeur complète si l’écart est nul. Un mode de calcul du paramètre de sécurisation 8 sera décrit à titre d’exemple dans la suite de la description. Le calcul du paramètre de sécurisation 8, sous la forme d’un paramètre de pondération, peut prendre la forme d’une matrice, délivrant des valeurs prédéterminées, à deux variables d’entrée qui sont l’écart 6 et l’indice de confiance 7. Les valeurs du paramètre de pondération 8 sont par exemple comprise entre 0 et 1 .
Le module de sécurisation 1 comporte en outre un moyen de détermination 5 dont la fonction est de mettre à jour un terme du modèle par une troisième valeur à mémoriser constituée la somme de parts de la première valeur 10 et de la deuxième valeur 12, lors de laquelle la part de la deuxième valeur 12 est calculée à partir de la valeur du paramètre de pondération 8 attribuée à la valeur courante du terme du modèle. Le moyen de détermination 5 délivre la nouvelle valeur 14 correspondant à la valeur courante de la correction de richesse à laquelle est attribuée le paramètre de pondération 8 pour sa mise à jour par la fonction d’apprentissage 11 . La nouvelle valeur mémorisée dans la matrice d’apprentissage 13 par la fonction d’apprentissage est constituée de la somme des parts de la première valeur 10 et de la deuxième valeur 12 qui sont calculées en fonction du coefficient de pondération 8. La nouvelle valeur mémorisée est obtenue suivant un calcul de barycentre. Plus précisément, la part de la deuxième valeur 12 correspond au produit de cette deuxième valeur 12 avec le coefficient de pondération 8 et la part de la première valeur 10 correspond au produit de cette première valeur 10 avec un terme de pondération valant un moins la valeur du paramètre de pondération 8. Les valeurs actualisées à mémoriser sont enregistrées en mémoire de l’unité de commande du moteur, dans un moyen de stockage à mémoire volatile et mémoire non volatile et programmable de manière à être réutilisées ultérieurement, notamment à un arrêt du moteur et reprise de fonctionnement.
On décrit maintenant à travers la figure 2 un exemple d’algorithme du premier mode de réalisation préférentiel du procédé de sécurisation selon l’invention dans lequel le paramètre de sécurisation 8 est un paramètre de pondération déterminant la part de la valeur courante 12 du terme du modèle à mémoriser dans la matrice d’apprentissage.
Un cycle d’apprentissage conformément à l’invention prévoit pour un point, chaque point de fonctionnement, une zone ou chaque zone de fonctionnement moteur, une phase d’initialisation 200 du modèle d’apprentissage. A ce stade, la matrice d’apprentissage ne contient aucune valeur de terme de contrôle pour le point de fonctionnement ou zone de fonctionnement sujette au contrôle.
Dans le but d’initialisation, à une première étape, le procédé opère un contrôle 20 des conditions d’apprentissage, propres à la fonction, lors de laquelle on vérifie notamment si le moteur fonctionne en régime et charge stabilisés. Cette condition de stabilisation n’est pas limitative. D’autres conditions peuvent déterminer le déclenchement d’un calcul d’un terme de correction de la richesse du modèle. En cas de détection d’un fonctionnement stabilisé du moteur, le procédé mémorise, à une étape 21 , la totalité de la valeur courante du terme de contrôle issue des mesures instantanées, le coefficient de pondération 8 est donc configuré à 1 , et, à une étape 22, configure la valeur de l’indice de confiance attribué audit terme à la valeur d’initialisation, par exemple 50%. Le niveau de confiance initial est représentatif d’un niveau moyen, c’est-à-dire en dessous duquel le diagnostic de sécurisation doute de la valeur et au-dessus duquel le diagnostic de sécurisation estime que la valeur est fiable. L’indice de confiance sera utilisé en combinaison avec la valeur de l’écart durant le cycle d’apprentissage pour déterminer à partir de quelle boucle de mise à jour on pourra accélérer la convergence de la valeur mémorisée vers la valeur courante.
Ensuite, le procédé de sécurisation entre dans une phase 201 de mise à jour de la matrice d’apprentissage pour le terme de contrôle ou chaque terme de contrôle pour lequel une première valeur est enregistrée. Cette phase de mise à jour est récursive et dont le déclenchement est conditionné à la détection de conditions d’apprentissage optimale, par un fonctionnement en régime et charge stabilisé.
A une étape de surveillance 23, lorsque la fonction d’apprentissage 11 détecte pour un terme du modèle que les conditions d’apprentissage sont réunies pour opérer une mise à jour des termes du modèle, la fonction d’apprentissage à une étape 24 calcule une nouvelle valeur courante du terme de correction de la richesse du modèle à partir des mesures instantanées. Le procédé de sécurisation comporte ensuite une étape 25 de calcul de l’écart entre la valeur mémorisée du terme de correction par la fonction d’apprentissage 11 , issue de la boucle précédente, et la valeur courante dudit terme estimée à partir de mesures instantanées par la fonction d’apprentissage 11 .
Le procédé comporte, une étape 26, lors de laquelle la fonction de sécurisation 1 détermine la valeur de l’indice de confiance attribué à la valeur mémorisée dudit terme du modèle dans la matrice d’apprentissage. Lors de la 2ème boucle de mise à jour d’un terme de la matrice d’apprentissage, la fonction de sécurisation lit la valeur 50% dans cet exemple. Pour une boucle de mise à jour suivante, l’indice de confiance dépendra de révolution de l’apprentissage.
Ensuite, le procédé comporte une étape 27 de détermination de la valeur d’un coefficient de pondération à attribuer à la valeur courante pour la mise à jour de la matrice d’apprentissage. Le coefficient de pondération est le résultat d’une évaluation de diagnostic de sécurisation dépendant dudit écart calculé lors de cette boucle de mise à jour et de l’indice de confiance associé à la valeur mémorisée du terme du modèle. En fonction du résultat du diagnostic de sécurisation, la fonction de sécurisationl définit la valeur du coefficient de pondération qui sera multipliée à la valeur courante du terme de correction de la richesse du modèle.
La détermination du coefficient de pondération est réalisée dans ce cas d’exemple par une matrice de diagnostic ayant en paramètre d’entrée ledit écart et l’indice de confiance.
En figure 3, on a représenté un exemple non limitatif de la matrice. La première colonne représente des valeurs de l’indice de confiance, graduée entre 0% et 100%, de la valeur mémorisée, et la première ligne représente la valeur de l’écart entre la valeur mémorisée et la valeur courante du terme du modèle, comprise entre 0 et 0,1 .
Le diagnostic de sécurisation s’opère selon la stratégie suivante pour calculer le coefficient de pondération.
Dans le cas où l’écart entre la valeur mémorisée et la valeur courante est nulle, le coefficient de pondération est égal à 1. Ne montrant pas d’écart entre le modèle d’apprentissage et les mesures réelles, la stratégie d’apprentissage enregistre la totalité de la valeur courante. Dans le cas où l’indice de confiance est supérieur ou égal au niveau de confiance initial, dans cet exemple 50% et :
Si, de plus, l’écart est supérieur ou égal à un premier seuil S1 (0,01 dans cet exemple), et inférieur ou égal à un deuxième seuil S2 (0,06 dans cet exemple), le coefficient de pondération est gradué en décroissance, entre les valeurs 0,3 et 0,05 par exemple, proportionnellement à l’écart de manière que la part de la valeur courante du terme de correction soit strictement inférieure à la part de la valeur mémorisée dans la matrice d’apprentissage. La nouvelle valeur courante de correction de la richesse est partiellement, ou peu, prise en compte pour la mise à jour, du fait notamment que la valeur mémorisée est, à ce stade du cycle d’apprentissage, jugée comme étant encore fiable. L’objectif du diagnostic de sécurisation est que la mise à jour s’opère selon un premier rythme de convergence gradué en fonction de la valeur de l’écart. Plus l’écart augmente et tant que l’indice de confiance est fiable, et plus la vitesse de convergence est réduite.
Si, de plus, l’écart est supérieur au deuxième seuil S2 (0,06), le coefficient de pondération est égal à 0 de sorte à conserver en totalité la part de la première valeur mémorisée. La nouvelle valeur courante du terme de correction de la richesse n’est donc pas prise en compte. Dans cette situation, du fait notamment que la valeur mémorisée est, à ce stade du cycle d’apprentissage, jugée comme étant fiable, la convergence du terme de correction vers la valeur courante est arrêtée tant que l’indice de confiance est supérieur au niveau initial de 50%.
Toutefois, lorsque l’indice de confiance devient strictement inférieur au niveau de confiance initial, 50% dans cet exemple, qu’il reste supérieur à une première limite minimum Lim, 0% par exemple, le coefficient de pondération est égal à 0. Cela implique que la part de la valeur courante du terme de correction de la richesse est nulle et n’est pas prise en comprise. Le diagnostic de sécurisation agit de sorte à conserver en totalité la part de la première valeur mémorisée pour cette zone d’incertitude basée sur la valeur l’indice. La stratégie du diagnostic consiste à inhiber temporairement durant un certain nombre de boucles de mise à jour la modification de la valeur mémorisée. Il existe à ce stade du cycle d’apprentissage une phase durant laquelle le diagnostic de sécurisation doute de la valeur mémorisée et de la valeur courante. Cependant, si cet écart mesuré persiste durant plusieurs boucles de mises à jour, la fonction de sécurisation est configurée pour mettre à jour la valeur mémorisée et à cet effet déclenche un processus de convergence accéléré vers les valeurs courantes mesurées. Plus précisément, dans le but d’accélérer la convergence, si l’indice de confiance est égal à la limite minimum Lim, ici 0%, le coefficient de pondération est configuré à la valeur 0,5. On envisage que d’autres valeurs supérieures comprises entre 0,5 et 1 puissent être configurées de manière que la part de la valeur courante du terme de correction soit au moins égale ou supérieure à la part de la valeur mémorisée dans le but d’accélérer la convergence vers la valeur courante. La valeur du coefficient de pondération est spécifiquement prévue pour accélérer le cycle de convergence par rapport au mécanisme natif d’apprentissage mis en œuvre par la fonction d’apprentissage 11 . A cet effet, dans cette situation le coefficient de pondération a une valeur pilotant une vitesse de convergence vers la valeur courante qui est supérieure à celle du mécanisme de convergence natif de la fonction d’apprentissage 11 .
On précisera que le nombre de boucles de mise à jour nécessaire pour atteindre la limite minimum Lim peut être calibré par la valeur de palier d’incrémentation et décrémentation de l’indice de confiance.
Ensuite, à une étape 28, la fonction de sécurisation 1 , calcule la nouvelle valeur à mémoriser dans la matrice d’apprentissage, lors de laquelle la valeur courante du terme de correction de la richesse est pondéré par le coefficient de pondération issu du diagnostic de l’étape précédente.
De plus, le procédé de sécurisation comporte une étape d’actualisation 29 de la valeur de l’indice de confiance en fonction de l’écart calculé à l’étape 25 entre la valeur mesurée et la valeur courante d’une boucle de mise à jour. Lorsque ledit écart est supérieur à un seuil prédéterminé (par exemple S2 égal à 0,06), l’indice de confiance est décrémenté de la valeur prédéterminée du palier. La fonction de sécurisation 1 détecte dans ce cas une incohérente importante entre la valeur mémorisée et la valeur courante du terme de correction de la richesse. La fonction diminue donc le niveau de confiance dans la valeur mémorisée. Et, lorsque l’écart est inférieur au seuil S2, l’indice de confiance est incrémenté de la valeur du palier du fait qu’elle détecte peu de différence entre les valeurs mémorisée et courante. On envisage que la valeur du seuil soit différente, par exemple supérieure à S2, ou comprise entre S1 et S2, ou même égale à S1.
Enfin, une fois que la nouvelle valeur de correction de richesse est mémorisée dans la matrice d’apprentissage et que l’indice de confiance associé est actualisé, le procédé de sécurisation passe à l’étape de surveillance 23 d’une boucle de mise à jour suivante de la phase 201 de l’apprentissage. L’apprentissage consiste à exécuter un cycle de boucles de mises à jour, lors duquel chaque boucle est déclenchée quand les conditions d’apprentissage sont réunies pour calculer, dans cet exemple, une valeur de correction de la richesse.
On décrit maintenant en figure 4 le deuxième mode de réalisation de la fonction de sécurisation 11 . Dans ce mode de réalisation, la fonction de sécurisation 1 utilise les mêmes blocs fonctionnels 2, 3 et 4 que ceux mis en œuvre pour le premier mode de réalisation. Les références sont conservées à l’identique. Ce mode de réalisation se différencie néanmoins en ce que la fonction de sécurisation 1 n’exécute pas la fonction 5 de calcul de la valeur du terme de correction de la richesse à mémoriser qui est décrite dans le premier mode de réalisation.
Le paramètre de sécurisation 8 calculé par le module 4 est utilisé pour configurer un paramètre interne de la fonction d’apprentissage 11 , dans laquelle le paramètre interne est représentatif d’un niveau de confiance en la valeur mémorisée du terme du modèle. Un module de calcul 51 de la fonction d’apprentissage 11 utilise ce paramètre interne pour définir un bruit de modèle associé aux termes mémorisés du modèle et pour piloter nativement le processus de convergence vers la valeur courante de correction de richesse. Dans un cas d’exemple non limitatif, ce paramètre interne dépend de l’historique de modification du modèle lors d’un cycle d’apprentissage. Dans le cadre de l’invention, la fonction d’apprentissage 11 est adaptée pour modifier ledit paramètre interne de la fonction d’apprentissage 11 en fonction de la valeur du paramètre de sécurisation 8. Ce paramètre interne est par exemple utilisé par des fonctions d’apprentissage de type filtre de Kalman.
Identiquement au premier mode de réalisation, le module 4 permet d’établir le diagnostic de sécurisation des valeurs mémorisées 10 et des valeurs courantes 12 en fonction de l’écart 6 entre les valeurs 10 et 12 et de la valeur de l’indice de confiance 7 calculé par le module 3. En fonction du résultat du diagnostic, le moyen de détermination 4 augmente ou diminue le niveau de confiance du paramètre interne de la fonction d’apprentissage ce qui a pour effet lors du processus de mise à jour de ralentir ou d’accélérer la convergence vers la valeur courante calculée par la fonction d’apprentissage 11. Selon ce mode de réalisation, la modification du paramètre interne lors d’une boucle de mise à jour « n », détermine la part de la valeur mémorisée du modèle pour le calcul de la nouvelle valeur à enregistrer 141 de la boucle de mise à jour suivante « n+1 ».
De plus, à la différence du premier mode de réalisation, le procédé de sécurisation ne modifie pas directement la valeur du terme de correction mémorisé, mais conserve le mode de gestion natif de la convergence des termes de contrôle de la fonction d’apprentissage 11 et la valeur de ce paramètre interne représentatif du bruit de modèle pour piloter la vitesse de convergence vers les valeurs courantes.
Ainsi, lorsque plusieurs boucles de mise à jour sont réalisées et que la fonction de sécurisation 1 détecte un écart important constant, l’invention permet d’accélérer la convergence vers la nouvelle valeur courante.
Dans le cadre de l’invention, le procédé de sécurisation envisage en outre une fonction de sélection du mode de convergence d’une valeur mémorisée vers une valeur courante du modèle. La sélection est configurable et permet de sélectionner pour le cycle d’apprentissage soit la mise en œuvre du premier mode de réalisation, soit la mise en œuvre du deuxième mode de réalisation. Dans le premier mode de réalisation, le paramètre de sécurisation 8 affecte directement le calcul de la part de la valeur courante constituant la nouvelle valeur mémorisée, tandis que dans le deuxième mode de réalisation, le paramètre de sécurisation 8 affecte directement le paramètre interne natif utilisé par la fonction d’apprentissage pour déterminer la part de la valeur mémorisée constituant la nouvelle valeur à enregistrer.
Dans ce deuxième mode de réalisation, le procédé de sécurisation se différencie de la séquence de la figure 2 en ce que l’étape 27 calcule un paramètre de sécurisation prévu pour modifier la valeur du paramètre interne de la fonction d’apprentissage représentatif du niveau de confiance du modèle et en ce que l’étape 28 consiste à modifier cette valeur du paramètre interne pour freiner ou accélérer la processus de convergence vers la valeur courante, en augmentant la part ou réduisant la part de la valeur mémorisée dans le calcul de la nouvelle valeur à mémoriser. A chaque boucle de mise à jour, la part de la valeur mémorisée dépend de la valeur du paramètre de sécurisation calculée lors de la boucle précédente.
L’invention s’applique à toute fonction d’apprentissage de modèles d’actionneurs de moteur thermique, notamment pour les moteurs de véhicules automobiles.

Claims

REVENDICATIONS Procédé de sécurisation d’une fonction d’apprentissage (11 ) d’un modèle de contrôle d’actionneurs d’un moteur thermique pour véhicule automobile, la fonction d’apprentissage se basant sur un modèle (13) constitué de termes de contrôle enregistrés en mémoire d’une unité de commande du moteur thermique et étant adaptée à opérer un cycle d’apprentissage constitué de boucles de mise à jour des termes de contrôle, caractérisé en ce qu’il comporte les étapes suivantes :
- Calcul (25) d’un écart (6) entre une première valeur mémorisée (10) par la fonction d’apprentissage (11 ) pour ledit terme du modèle (13) et une deuxième valeur courante (12) dudit terme du modèle (13) estimée à partir de mesures instantanées,
- Détermination (26) d’un indice de confiance (7) attribué à la première valeur mémorisée (10) dudit terme du modèle (13),
- Détermination (27) de la valeur d’un paramètre de sécurisation (8) dépendant dudit écart et de l’indice de confiance^
- Mise à jour (28) du terme du modèle (13) par une troisième valeur constituée de la somme des parts de la première valeur (10) et de la deuxième valeur (12), lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation (8). Procédé de sécurisation selon la revendication 1 , caractérisé en ce que ledit paramètre de sécurisation (8) est un coefficient de pondération délivré par une matrice prédéterminée ayant en paramètre d’entrée ledit écart (6) et l’indice de confiance (7), et lors de l’étape de mise à jour du terme du modèle (13), la part de la deuxième valeur courante (12) est calculée en fonction de la valeur dudit coefficient de pondération (8). Procédé de sécurisation selon la revendication 2, caractérisé en ce qu’il comporte en outre préalablement au cycle de boucles de mises à jour une étape d’initialisation (22) de l’indice de confiance (7) du terme du modèle (13) à un niveau de confiance initial.
4. Procédé de sécurisation selon la revendication 3, caractérisé en ce que, lors de la mise à jour du terme du modèle (13), si l’indice de confiance est supérieur ou égal au niveau de confiance initial et :
- Si, de plus, l’écart (6) est supérieur ou égal à un premier seuil (S1 ) et inférieur ou égal à un deuxième seuil (S2), la part de la deuxième valeur (12) est strictement inférieure à la part de la première valeur mémorisée (10),
- Si, de plus, l’écart est supérieur au deuxième seuil (S2), la part de la deuxième valeur (12) est nulle de sorte à conserver en totalité la part de la première valeur mémorisée (10).
5. Procédé de sécurisation selon la revendication 3 ou 4, caractérisé en ce que, lors de la mise à jour du terme du modèle, si l’indice de confiance (7) est strictement inférieur au niveau de confiance initial et supérieur à une première limite minimum (Lim), la part de la deuxième valeur (12) est nulle de sorte à conserver en totalité la part de la première valeur mémorisée (10).
6. Procédé de sécurisation selon l’une quelconque des revendications 2 à 5, caractérisé en ce que lors de la mise à jour du terme du modèle, si l’indice de confiance est égal à une deuxième limite minimum (Lim), la part de la deuxième valeur (12) est au moins égale ou supérieure à la part de la première valeur mémorisée (10).
7. Procédé de sécurisation selon l’une quelconque des revendications 1 à 6, caractérisé en ce que la fonction d’apprentissage (11 ) comporte en outre un paramètre de configuration interne représentatif d’un niveau de confiance de la valeur mémorisée du terme du modèle (13), et en ce que ledit paramètre interne est configuré en fonction de la valeur du paramètre de sécurisation (8).
8. Procédé de sécurisation selon l’une quelconque des revendications 1 à 7, caractérisé en ce qu’il comporte en outre, à chaque boucle de mise à jour, une étape d’actualisation (29) de la valeur de l’indice de confiance (7) en fonction dudit écart (6) et en ce que lorsque ledit écart (6) est supérieur à un troisième seuil, l’indice de confiance est décrémenté d’une valeur prédéterminée et lorsque ledit écart est inférieur audit troisième seuil l’indice de confiance est incrémenté de ladite valeur prédéterminée. Procédé de sécurisation selon l’une quelconque des revendications 1 à 8, caractérisé en ce que le module de contrôle (13) est une fonction de régulation de la richesse prévue pour calculer des termes d’adaptatifs de correction et la fonction d’apprentissage (11 ) est adaptée à mémoriser suivant une matrice des variables de régime et de charge moteur lesdits termes d’adaptatifs de correction. Unité de commande d’un moteur thermique de véhicule automobile comprenant une fonction d’apprentissage (11 ) d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage (11 ) se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande et étant adaptée à opérer un cycle de mises à jour des termes de contrôle, caractérisée en ce qu’elle est configurée pour mettre en œuvre le procédé de sécurisation de la fonction d’apprentissage selon l’une quelconque des revendications 1 à 9.
EP21827204.5A 2021-01-21 2021-11-30 Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique Pending EP4281662A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2100573A FR3118995B1 (fr) 2021-01-21 2021-01-21 Procede de securisation d’une fonction d’apprentissage d’un modele d’actionneurs de moteur thermique
PCT/FR2021/052135 WO2022157429A1 (fr) 2021-01-21 2021-11-30 Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique

Publications (1)

Publication Number Publication Date
EP4281662A1 true EP4281662A1 (fr) 2023-11-29

Family

ID=75278181

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21827204.5A Pending EP4281662A1 (fr) 2021-01-21 2021-11-30 Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique

Country Status (4)

Country Link
EP (1) EP4281662A1 (fr)
CN (1) CN116745513A (fr)
FR (1) FR3118995B1 (fr)
WO (1) WO2022157429A1 (fr)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB1251223A (fr) 1968-08-09 1971-10-27
FR2979390B1 (fr) 2011-08-23 2013-08-23 Valeo Sys Controle Moteur Sas Procede et systeme de commande du fonctionnement d'un moteur de vehicule
FR3033840B1 (fr) * 2015-03-16 2017-03-31 Peugeot Citroen Automobiles Sa Procede de gestion de l’alimentation d’un moteur a combustion interne
FR3055667B1 (fr) * 2016-09-06 2020-08-21 Peugeot Citroen Automobiles Sa Procede de gestion de l’alimentation d’un moteur thermique, et calculateur mettant en œuvre ledit procede
FR3057031A1 (fr) 2016-10-03 2018-04-06 Peugeot Citroen Automobiles Sa Procede de recalage des modeles de comportement d’actionneurs de lignes d’admission et d’injection de moteur a combustion interne

Also Published As

Publication number Publication date
FR3118995A1 (fr) 2022-07-22
CN116745513A (zh) 2023-09-12
FR3118995B1 (fr) 2023-04-28
WO2022157429A1 (fr) 2022-07-28

Similar Documents

Publication Publication Date Title
JP4424417B2 (ja) 燃料中のアルコール成分量の推定装置
FR2901847A1 (fr) Dispositif et procede de commande d'injection de carburant
FR2721351A1 (fr) Système de commande de dosage de carburant d'un moteur combustion interne.
FR2945077A1 (fr) Dispositif de commande d'injection de carburant
EP1058781B1 (fr) Procede et dispositif d'autoadaptation rapide de richesse pour moteur a combustion interne
EP1936156B1 (fr) Procédé de régulation d'un moteur à combustion interne
FR2979390A1 (fr) Procede et systeme de commande du fonctionnement d'un moteur de vehicule
EP4281662A1 (fr) Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique
EP3212920A1 (fr) Procede de diagnostic du fonctionnement de la purge d'un canister
WO2016207556A1 (fr) Procédé et calculateur pour le contrôle de la pression à l'intérieur d'un réservoir de carburant d'un véhicule automobile
WO2022053256A1 (fr) Diagnostic defaillance jeu aux soupapes ou papillon de tondeuse
FR3088965A1 (fr) Procede de correction de commande d’un moteur thermique
WO2022018332A1 (fr) Procede de correction d'une derive de mesure de richesse
FR2892771A1 (fr) Procede et dispositif de gestion d'un moteur a combustion interne
FR3033840A1 (fr) Procede de gestion de l’alimentation d’un moteur a combustion interne
FR3073570A1 (fr) Procede de correction de richesse moteur
WO2022214747A1 (fr) Procede de validation d'un diagnostic de deviation de la richesse sous critere de conditions similaires
EP3006716B1 (fr) Procédé de commande d'un moteur à combustion interne muni d'un dispositif de traitement de gaz
FR3123387A1 (fr) Procede de surveillance d’adaptatifs dans un controle moteur
FR3139162A1 (fr) Procede de la regulation de la richesse aval en phase de purge d’un catalyseur
FR3061746A1 (fr) Procede de correction d'une duree d'injection de carburant dans un cylindre de moteur thermique de vehicule automobile
WO2020245522A1 (fr) Procédé de correction de richesse de carburant lors d'un démarrage a froid d'un moteur thermique
EP4348024A1 (fr) Procede de limitation d'une correction de parametre effectuee par plusieurs adaptatifs dans un controle moteur
FR3122218A1 (fr) Procede de surveillance des adaptatifs de correction delivres par une fonction d’apprentissage de regulation de la richesse d’un moteur thermique
KR20060003541A (ko) 엔진의 퍼지 농도 보정 제어방법

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230605

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: STELLANTIS AUTO SAS

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)