EP4515343A1

EP4515343A1 - Modèle prédictif issu d'un apprentissage machine pour la prédiction de température d'un équipement

Info

Publication number: EP4515343A1
Application number: EP23721750.0A
Authority: EP
Inventors: Mohamed-Marwan CHAWA; Hafid El-Idrissi; Yasser ALMEHIO
Original assignee: Valeo Vision SAS
Current assignee: Valeo Vision SAS
Priority date: 2022-04-26
Filing date: 2023-04-26
Publication date: 2025-03-05
Also published as: FR3134901B1; FR3134901A1; WO2023209050A1

Abstract

L'invention concerne un procédé de prédiction d'une température d'au moins un premier point d'intérêt d'un équipement, le procédé comprenant les étapes suivantes : - obtention (204) d'un ensemble de données d'entrée courantes comprenant au moins une donnée d'entrée courante de l'équipement, la donnée d'entrée courante étant représentative d'un paramètre de pilotage de l'équipement; - application (205) d'un modèle prédictif à l'ensemble de données d'entrée courantes de l'équipement et à au moins une température courante de l'équipement, ledit modèle prédictif étant issu d'un apprentissage machine appliqué à un ensemble de données d'entraînement; - suite à l'application du modèle prédictif, prédiction (206) d'une température future du premier point d'intérêt de l'équipement.

Description

Modèle prédictif issu d’un apprentissage machine pour la prédiction de température d’un équipement

La présente invention se rapporte au domaine de la prédiction de température dans des équipements, notamment pour contrôler la performance de tels équipements. L’invention s’applique en particulier, mais non exclusivement, à des équipements automobiles tels que des dispositifs d’éclairage.
Le suivi de la température dans les équipements, dont le fonctionnement conduit à la dissipation de chaleur, permet d’assurer le bon fonctionnement de l’équipement, et de vérifier que la température de l’équipement reste dans une plage prédéterminée de fonctionnement. Un équipement peut par ailleurs comprendre un ou plusieurs points d’intérêt dont il est préférable de pouvoir suivre la température.
Un tel suivi de température peut être réalisé par l’utilisation d’un capteur de température dédié au point d’intérêt. Un tel capteur peut être un thermistor de type NTC, pour « Negative Temperature Coefficient » en anglais. Toutefois, un tel capteur de température est cher, avec des parties notamment en or, et augmente l’encombrement, notamment lorsque les points d’intérêt sont sur des composants électroniques de petites taille, comme c’est le cas sur des circuits imprimés, ou PCB, pour « Printed Circuit Board » en anglais.
Le demande de brevet US4656829A prévoit de remplacer la mesure de paramètres, tels que la température par une prédiction basée sur des paramètres autres que la température, auxquels sont appliqués un modèle mathématique. Toutefois, le développement d’un tel modèle est spécifique de l’équipement considéré, et est très complexe et coûteux à élaborer, notamment lorsque la relation avec la température n’est pas linéaire. Un modèle plus simple conduirait à un défaut de prédiction de la température, qui entraînerait avec le temps une déviation trop importante par rapport à la valeur réelle de la température.
Il existe donc un besoin de prédire avec précision la température d’au moins un point d’intérêt d’un équipement, tout en réduisant le nombre de capteurs dans l’équipement ainsi que la complexité et les coûts liés au modèle de prédiction.
La présente invention vient améliorer la situation.
A cet effet un premier aspect de l’invention concerne un procédé de prédiction d’une température d’au moins un premier point d’intérêt d’un équipement, le procédé comprenant les étapes suivantes :

obtention d’un ensemble de données d’entrée courantes comprenant au moins une donnée d’entrée courante de l’équipement, la donnée d’entrée courante étant représentative d’un paramètre de pilotage de l’équipement ;
application d’un modèle prédictif à l’ensemble de données d’entrée courantes de l’équipement et à au moins une température courante de l’équipement, le modèle prédictif étant issu d’un apprentissage machine appliqué à un ensemble de données d’entraînement ;
suite à l’application du modèle prédictif, prédiction d’une température future du premier point d’intérêt de l’équipement.

L’utilisation d’un modèle prédictif issu d’un apprentissage machine pour prédire la température future au niveau d’un premier point d’intérêt permet de recevoir en entrée une température courante de l’équipement différente d’une température courante mesurée au niveau du premier point d’intérêt. Il est ainsi rendu possible d’accéder à la température d’un point d’intérêt sans y placer un capteur de température de manière nécessaire. Qui plus est, un tel modèle prédictif peut être élaboré pour des équipements différents, en modifiant l’ensemble de données d’entraînement sur la base duquel le modèle prédictif est élaboré. Il est ainsi bien moins coûteux et complexe à développer qu’un modèle mathématique dédié à un équipement.
Selon un mode de réalisation, la température courante de l’équipement à laquelle est appliqué le modèle prédictif, peut être une température courante du premier point d’intérêt prédite par le modèle prédictif lors d’une itération précédente.
Ainsi, le modèle prédictif rend possible une absence totale de capteurs de température dans l’équipement, la température courante d’un point d’intérêt étant la température prédite à l’itération précédente. L’initialisation des températures peut être prédéterminée ou basée sur un capteur externe de température ambiante. Il est ainsi rendu possible d’éviter de recourir à des capteurs de températures coûteux et parfois complexes à installer.
En complément, le modèle prédictif peut être appliqué à l’ensemble de données d’entrée courantes, à la température courante du premier point d’intérêt estimée par le modèle prédictif lors de l’itération précédente, et à une température courante d’un deuxième point d’intérêt de l’équipement, différent du premier point d’intérêt.
Ainsi, le modèle peut prendre en entrée un vecteur d’états courant dont chaque composante est une température courante d’un point d’intérêt de l’équipement. Il est ainsi rendu possible de modéliser l’équipement par plusieurs points d’intérêt, notamment lorsque l’équipement comprend plusieurs modules ou composants pilotés séparément, et pouvant avoir des températures avec des évolutions différentes.
Encore en complément, la température courante du deuxième point d’intérêt de l’équipement peut être mesurée par un capteur de température dédié au deuxième point d’intérêt de l’équipement.
La mesure d’une température à un deuxième point d’intérêt est une donnée de retour, ou feedback, améliorant la précision associée à la prédiction, notamment après plusieurs itérations du procédé, ce qui retarde la divergence du modèle par rapport aux valeurs réelles de température. En outre, ce gain en précision est permis sans avoir à prévoir de capteur au niveau du premier point d’intérêt.
En variante, la température courante du deuxième point d’intérêt de l’équipement peut être prédite par le modèle prédictif lors d’une itération précédente.
Ainsi, il est rendu possible de prédire la température à plusieurs points d’intérêt, sans nécessiter de placer des capteurs sur ces points d’intérêt, ce qui réduit considérablement le nombre de capteurs de température, et donc les coûts associés à l’équipement.
Selon un mode de réalisation, suite à l’application du modèle prédictif, le procédé comprend la prédiction d’une première température future du premier point d’intérêt de l’équipement et d’une deuxième température future du deuxième point d’intérêt.
Ainsi, le modèle prédictif est apte à prédire plusieurs températures futures pour plusieurs points d’intérêt, ce qui est avantageux dans les équipements qui présentent des variations spatiales de température, notamment pour les équipements comprenant plusieurs fonctions ou plusieurs modules. Un seul modèle prédictif est ainsi utilisé pour prédire la température au niveau de plusieurs points d’intérêt, ce qui permet de mutualiser les coûts associés à l’apprentissage du modèle prédictif.
Selon un mode de réalisation, l’équipement peut être un dispositif d’éclairage d’un véhicule automobile, et l’ensemble de données d’entrée courantes peut comprendre au moins une valeur de courant de pilotage d’un module du dispositif d’éclairage.
L’invention s’applique avantageusement au contexte d’un dispositif d’éclairage pour véhicule automobile, pour lequel les contraintes de coûts et d’encombrement sont importantes.
En complément, le premier point d’intérêt et le deuxième point d’intérêt peuvent être situés respectivement dans des premier et deuxième modules du dispositif d’éclairage, et l’ensemble des données d’entrée courantes peut comprendre une première valeur de courant de pilotage du premier module et une deuxième valeur de courant de pilotage du deuxième module.
Ainsi, il est rendu possible de prévoir la prédiction de température dans un équipement modulaire, réalisant plusieurs fonctions. Le modèle prédictif permet ainsi de dédier un point d’intérêt à chacun des modules de l’équipement.
En variante, le premier point d’intérêt et le deuxième point d’intérêt peuvent être situés dans un même module, et peuvent être associés respectivement à une première source lumineuse du module et à une deuxième source lumineuse du module, les première et deuxième sources lumineuses étant associées à des fonctions d’éclairage ou de signalisation distinctes, et l’ensemble des données d’entrée courantes peut comprendre une première valeur de courant de pilotage de la première source lumineuse et une deuxième valeur de courant de pilotage de la deuxième source lumineuse.
Ainsi, ce mode de réalisation permet de mesurer avec précision la température dans plusieurs points d’intérêt d’un même module, ce qui est notamment avantageux lorsqu’un même module comprend plusieurs ensembles de sources dédiés à des fonctions distinctes.
Selon un mode de réalisation, le procédé peut comprendre une étape préalable de stockage du modèle prédictif dans un module de contrôle de l’équipement, le module de contrôle étant apte à accéder à l’ensemble de données d’entrée courantes de l’équipement.
Ainsi, une même entité est en charge du pilotage de l’équipement et de la prédiction de la température sur le premier point d’intérêt, ce qui simplifie l’implémentation de l’invention, et permet au module de contrôle d’adapter le pilotage de l’équipement en fonction de la température future prédite.
Selon un mode de réalisation, le modèle prédictif peut être obtenu par une étape préalable d’apprentissage supervisé sur la base de données d’entraînement, les données d’entraînement comprenant un ensemble d’entraînement de données d’entrée de l’équipement correspondant respectivement à des mesures respectives de température du point d’intérêt de l’équipement.
Les données d’entraînement sont ainsi propres à l’équipement ce qui permet d’améliorer la précision associée à la prédiction.
Selon un mode de réalisation, le modèle prédictif peut en outre être appliqué à une mesure de température ambiante courante issue d’un capteur de température ambiante.
Ainsi, une valeur de retour ou de feedback est prise en compte, ce qui améliore la précision associée à la prédiction, sans avoir à installer de capteur de température dans l’équipement.
Un deuxième aspect de l’invention concerne un programme informatique comportant des instructions pour la mise en œuvre du procédé selon le premier aspect de l’invention, lorsque ces instructions sont exécutées par un processeur.
Un troisième aspect de l’invention concerne un module de contrôle d’un équipement, comprenant
une mémoire stockant un modèle prédictif issu d’un apprentissage machine appliqué à un ensemble de données d’entraînement
un processeur configuré pour

obtenir un ensemble de données d’entrée courantes comprenant au moins une donnée d’entrée courante de l’équipement, la donnée d’entrée courante étant représentative d’un paramètre de pilotage de l’équipement ;
appliquer le modèle prédictif à l’ensemble de données d’entrée courantes de l’équipement et à au moins une température courante de l’équipement ;
suite à l’application du modèle prédictif, prédiction d’une température future du premier point d’intérêt de l’équipement.

D’autres caractéristiques et avantages de l’invention apparaîtront à l’examen de la description détaillée ci-après, et des dessins annexés sur lesquels :
illustre un système de prédiction de la température d’un point d’intérêt d’un équipement selon un mode de réalisation de l’invention;
est un diagramme illustrant les étapes d’un procédé de prédiction de la température d’un point d’intérêt d’un équipement selon un mode de réalisation de l’invention;
illustre une structure d’un module de contrôle d’un équipement selon un mode de réalisation de l’invention.
La description se concentre sur les caractéristiques qui démarquent le procédé ou l’ensemble de ceux connus dans l’état de l’art.
La illustre un système de prédiction d’une température d’un point d’intérêt d’un équipement 101, selon un mode de réalisation de l’invention.
L’équipement illustré dans la est un dispositif d’éclairage pour véhicule automobile. Un tel exemple est donné à titre illustratif uniquement et l’invention s’applique toutefois à tout équipement apte à être contrôlé par un ensemble de données d’entrée comprenant au moins une donnée d’entrée. On entend par donnée d’entrée une donnée représentative d’un paramètre de pilotage de l’équipement. Dans le cas du dispositif d’éclairage 101, une donnée d’entrée peut être la valeur du courant délivré à un module d’éclairage du dispositif d’éclairage 101. En particulier, l’invention peut avantageusement être appliquée à des équipements dont le fonctionnement génère de la chaleur, et induit ainsi des variations de température locales. L’invention peut ainsi s’appliquer à d’autres équipements d’un véhicule automobile que le dispositif d’éclairage, tels que le moteur du véhicule ou le système de chauffage/climatisation. En variante, l’invention peut s’appliquer à des équipements non liés à un véhicule automobile, aucune restriction n’étant liée à de tels équipements.
Sur l’exemple de la , le dispositif d’éclairage 101 comprend deux modules d’éclairage, à savoir un premier module 102.1 et un deuxième module d’éclairage 102.2.
Le premier module 102.1 peut être un module comprenant des sources lumineuses de type LED par exemple, les sources lumineuses étant séparées en un premier ensemble de sources lumineuses 103.1 dédié à une fonction de feu de croisement, aussi appelée « Low Beam » en anglais, ou LB, et un deuxième ensemble de sources lumineuses 103.2 dédié à une fonction de feu de route, aussi appelée « High Beam » en anglais, ou HB.
Un tel premier module 102.1 peut être appelé Multi-LEDs.
Le deuxième module 102.2 peut être un module ayant une source pixelisée dédiée à une ou plusieurs fonctions autres que les fonctions LB et HB décrite ci-avant.
On comprendra ainsi que le dispositif d’éclairage 101 est un type particulier de dispositif d’éclairage, mais que l’invention s’applique à des dispositifs d’éclairage de types différentes, avec des technologies variées et des sources de natures différentes que celles décrites en référence à la . Le dispositif d’éclairage peut par exemple comprendre des sources de type monolithique haute définition, comprenant un grand nombre de LEDs, par exemple supérieur à 100 LEDs, ou à une source de type DMD, pour « Digital Micro-mirror Device » en anglais.
Chacun des modules, voire des sous-ensembles de sources d’un module pour le premier module 102.1, peut être piloté par un module de contrôle 110, ou ECU pour Electronic Control Unit, en anglais. Un tel ECU 110 peut être dédié au dispositif d’éclairage 101 ou peut en outre remplir d’autres fonctions dans le véhicule automobile, auquel cas le véhicule peut comprendre un unique ECU centralisé, pilotant l’ensemble des équipements du véhicule automobile.
L’ECU 110 est apte à piloter les modules, voire individuellement les sources de chaque module, via des courants d’entrée respectifs. De tels courants sont les données d’entrée du dispositif d’éclairage 101, puisque ce sont les paramètres utilisés pour le pilotage du dispositif d’éclairage 101. D’autres données influencent son fonctionnement, tels que la température ambiante, la température de points d’intérêt, les vibrations, mais ne sont pas des données d’entrée car elles ne sont pas directement contrôlées par l’ECU 110.
Aucune restriction n’est attachée à ce qui est entendu par point d’intérêt. Il peut s’agir d’un point à proximité de ou sur un composant de l’équipement dont le suivi de la température est particulièrement pertinent, parce que le composant est susceptible de chauffer ou parce que son fonctionnement est essentiel à l’équipement.
Par exemple dans l’exemple de la , les points d’intérêt suivants peuvent être considérés :

un premier point d’intérêt 104.1 à l’intérieur du premier module 102.1, notamment à proximité du premier ensemble de sources 103.1 dédié à la fonction LB ;
un deuxième point d’intérêt 104.2 également à l’intérieur du premier module 102.1, à proximité du deuxième ensemble de sources 103.2 dédié à la fonction HB ;
un troisième point d’intérêt 104.3 à l’intérieur ou à proximité du deuxième module 102.2.

D’autres points d’intérêt peuvent être prévus. Par exemple, le deuxième module 102.2 peut comprendre plusieurs points d’intérêt et le premier module 102.1 peut n’en comprendre qu’un seul, ou plus de trois. En outre, un autre point d’intérêt peut correspondre au module de contrôle 110, dont il peut être pertinent de prédire ou de mesurer la température.
L’invention prévoit d’estimer ou de mesurer la température dans au moins un point d’intérêt, par l’utilisation d’un nombre de capteurs de température réduit, notamment inférieur au nombre de points d’intérêt, voire sans avoir recours au moindre capteur de température dans le dispositif d’éclairage 101.
L’invention s’applique également à des modes de réalisation avec un unique point d’intérêt.
Le système 100 selon l’invention peut également comprendre un capteur de température ambiante 105 apte à mesurer une température ambiante, c’est à dire une température d’un point situé à distance des premier et deuxième modules 102.1 et 102.2, et du module de contrôle 110, par exemple en dehors du dispositif d’éclairage 105. Aucune restriction n’est attachée à la localisation exacte du capteur de température ambiante, qui est par ailleurs optionnel selon l’invention.
La est un diagramme illustrant les étapes d’un procédé selon un mode de réalisation de l’invention.
Le procédé de prédiction de température d’un point d’intérêt selon l’invention s’applique à tout équipement. Toutefois, il est décrit ci-après dans le contexte, donné à titre illustratif, du dispositif d’éclairage 101 de la .
Les étapes 200 à 202 sont des étapes préalables de construction d’un modèle prédictif selon l’invention.
Le modèle prédictif a pour objectif de prédire la température future d’au moins un point d’intérêt, en fonction d’une température courante du dispositif d’éclairage 201, et en fonction des données d’entrée courantes du dispositif d’éclairage 201.
Comme précisé plus haut, les données d’entrée sont les courants de pilotage des différentes fonctions, à savoir :

un premier courant pilotant le premier ensemble de sources 103.1, pour la fonction LB, le premier courant étant noté u1(t)=LB_Current ;
un deuxième courant pilotant le deuxième ensemble de sources 103.2, pour la fonction HB, le deuxième courant étant noté u2(t)=HB_Current ;
un troisième courant pilotant le deuxième module 102.2 à source pixelisée, pour une autre fonction, le troisième courant étant noté u3(t)=Pixel_Current.

L’ensemble des données d’entrée est noté u(t), et peut être considéré comme un vecteur comprenant les trois composantes u1(t), u2(t) et u3(t).
Selon l’invention, l’ensemble des données d’entrée comprend au moins une donnée d’entrée. Par exemple, un dispositif d’éclairage comprenant uniquement le deuxième module 102.2 aurait une unique donnée d’entrée u3(t).
Les données d’entrée sont contrôlées, ou au moins accessibles, par le module de contrôle 110 selon l’invention.
Un ensemble de données de sortie, noté y(t) du dispositif d’éclairage 101 sont les flux lumineux émis pour chaque fonction, à savoir :

un premier flux lumineux y1(t) pour la fonction LB ;
un deuxième flux lumineux y2(t) pour la fonction HB ; et
un troisième flux lumineux y3(t) pour l’autre fonction du deuxième module 102.2.

De manière plus générale, les données de sortie d’un équipement sont représentatives des résultats obtenus et recherchés par la mise en oeuvre des fonctions de l’équipement. Par exemple, l’équipement génère aussi de la chaleur, mais ce n’est pas un résultat recherché, donc la chaleur générée ne fait pas partie des données de sortie.
On nomme « états » dans la suite de la description, les températures de l’ensemble de points d’intérêt de l’équipement, qui comprend au moins un point d’intérêt, et optionnellement la température ambiante.
Dans le cas du dispositif d’éclairage 110, un vecteur d’états x(t) peut comprendre les composantes suivantes :

un premier état x1(t)=LB_Temp représentant la température du premier point d’intérêt 104.1 ;
un deuxième état x2(t)=HB_Temp représentant la température du deuxième point d’intérêt 104.2 ;
un troisième état x3(t)=Pixel_Temp représentant la température du troisième point d’intérêt 104.3 ;
un quatrième état x4(t)=Ambient_Temp représentant la température mesurée par le capteur de température ambiant 105, dont la présence est optionnelle comme décrit plus haut.

Le modèle prédictif a pour objet de déterminer une fonction f() tel que : x(t+1)=f(x(t), u(t)).
Le développement d’un modèle mathématique est à la fois complexe et doit être répété pour chaque équipement. Ainsi, une variation dans le dispositif d’éclairage impose de développer un nouveau modèle mathématique. Qui plus est, le développement d’un tel modèle mathématique est long et coûteux.
La présente invention propose d’utiliser l’apprentissage machine pour développer le modèle f().
A une étape 200, un ensemble de données d’entraînement est constitué. L’ensemble de données d’entraînement est un ensemble de données réelles ou simulées obtenues pour le dispositif d’éclairage 101. L’ensemble de données d’entraînement comprend à la fois des données d’entrée d’entraînement u(t), à savoir les valeurs de courants, mais également les états x(t) correspondant à chaque donnée d’entrée u(t).
L’ensemble de données d’entraînement est constitué de manière à être représentatif de la plupart des situations de conditions environnementales auxquelles est exposé le dispositif d’éclairage. Par exemple, les données d’entraînement peuvent être constituées pour faire varier les paramètres suivants :

la température ambiante. Par exemple trois niveaux de température ambiante peuvent être fixés à 25°, 42,5° et 70°C ;
l’activation ou non d’un système de ventilation du dispositif d’éclairage 101 ;
l’activation d’une combinaison de fonctions lumineuses, HB, LB ou autre ;
les niveaux de courant, ou données d’entrée, appliqués ;
le mode de pilotage, de type PWM ou non, et si PWM, les valeurs des rapports cycliques appliqués.

Aucune restriction aux paramètres utilisés pour faire varier les données d’entraînement.
Suite à l’obtention de données d’entraînement à l’étape 200, un modèle est entraîné par apprentissage machine à une étape 201, sur la base des données d’entraînement. Aucune restriction n’est attachée au type de modèle entraîné, qui peut être un modèle de type RidgeCV ou un réseau de neurones, dont le nombres de couches de neurones dépend de la précision souhaitée et de contraintes liées à la complexité.
Tout autre modèle d’apprentissage machine peut être utilisé selon l’invention.
Les principes de l’apprentissage machine sont bien connus et ne sont pas détaillés davantage dans la présente demande.
Un modèle prédictif est ainsi obtenu à une étape 202, le modèle étant capable de prédire les états futurs x(t+1) sur la base des états courants x(t) et des données d’entrée courante u(t).
Les étapes suivantes du procédé selon l’invention sont mises en œuvre dans le module de contrôle 110 introduit en référence à la .
A une étape 203, le modèle prédictif est stocké dans une mémoire du module de contrôle 110.
A une étape 204, des données d’entrée courantes u(t) sont obtenues par le module de contrôle 110. Comme indiqué plus haut, les données d’entrée courantes u(t) peuvent notamment être pilotées par le module de contrôle 110, qui y a ainsi directement accès.
A une étape 205, le modèle prédictif est appliqué aux données d’entrée courantes u(t) et aux températures des états courants x(t).
Plusieurs modes de réalisation sont prévus pour la mise en œuvre de l’étape 205, en fonction notamment du nombre de capteurs alloués aux points d’intérêt, le nombre de capteurs pouvant être nul selon certains modes de réalisation de l’invention.
Dans un mode de réalisation dit en boucle ouverte, aucun des trois points points d’intérêt 104.1, 104.2 et 104.3 n’est équipé d’un capteur de température dédié. Par conséquent, aucun capteur de température n’est prévu dans l’équipement 101, seule une valeur de température pouvant être reçues du capteur de température ambiante 105 en temps que feedback.
Le mode de réalisation en boucle ouverte permet ainsi de réduire au maximum le nombre de capteurs dans le dispositif d’éclairage, tout en ayant accès à la température de plusieurs points d’intérêt, grâce au modèle prédictif obtenu par apprentissage machine.
Dans ce mode de réalisation en boucle ouverte, le vecteur d’états courants, comprenant les températures courantes pour les points d’intérêt 104.1, 104.2 et 104.3, correspond aux valeurs de température estimées lors de l’itération précédente du procédé, lorsque t était égal à t-1.
Dans ce cas, le vecteur d’état x(t) soumis au modèle prédictif est le vecteur suivant :

x1(t) = f1(x(t-1), u(t-1)) ;
x2(t) = f2(x(t-1), u(t-1)) ;
x3(t) = f3(x(t-1), u(t-1)) ;

f1 étant la sortie du modèle prédictif permettant d’estimer la température pour le premier point d’intérêt 104.1, f2 étant la sortie du modèle prédictif permettant d’estimer la température pour le deuxième point d’intérêt 104.2, et f3 étant la sortie du modèle prédictif permettant d’estimer la température pour le troisième point d’intérêt 104.3.
La quatrième composante du vecteur d’état x4(t) peut être issue du capteur de température ambiante 105, et x4(t)=Ambient_Temp.
Le vecteur d’états courants x(t) peut ainsi être utilisé pour prédire le vecteur d’états futurs x(t+1) par le modèle x(t+1) = f(x(t), u(t)). A noter qu’en variante, le modèle prédictif peut ne prendre en compte que certaines des composantes du vecteur d’état, ce sous-ensemble de composantes étant noté x’(t).
Dans ce cas, le modèle prédictif s’applique de la manière suivante : x(t+1) = f(x’(t), u(t)).
Lors de la première itération du procédé selon le mode de réalisation en boucle ouverte de l’invention, les températures des différents points d’intérêt peuvent être initialisées à partir de températures prédéfinies, ou à partir de la température ambiante mesurée par le capteur 105. En effet, le procédé peut être initié lors de la mise en route de l’équipement, ou de la mise en route d’un véhicule, tel qu’un véhicule automobile comprenant l’équipement. A l’initialisation, la température de l’équipement est donc proche de la température ambiante.
Trois modes de réalisation en boucle fermée sont décrits ci-après, dans lesquels au moins une valeur de feedback est obtenue d’au moins un capteur de température situé dans le dispositif d’éclairage 101.
Dans un premier mode de réalisation en boucle fermée, trois valeurs de feedback sont reçues de trois capteurs de température respectivement dédiées aux trois points d’intérêt 104.1, 104.2 et 104.3.
Ainsi, le vecteur d’état x(t) utilisé en entrée du modèle prédictif peut comprendre les composantes suivantes, ou un sous-ensemble des composantes suivantes lorsque le modèle prend en entrée x’(t) :

x1(t) = LB_Temp, température courante mesurée par un premier capteur associé au premier point d’intérêt 104.1 ;
x2(t) = HB_Temp, température courante mesurée par un deuxième capteur associé au deuxième point d’intérêt 104.2 ;
x3(t) = Pixel_Temp, température courante mesurée par un troisième capteur associé au troisième point d’intérêt 104.3 ;
x4(t) = Ambient_Temp.

Le premier mode de réalisation en boucle fermée ne permet pas de réduire le nombre de capteurs, qui est égal au nombre de points d’intérêt, mais permet d’évaluer les prédictions du modèle prédictif, et de comparer la performance des autres modes de réalisation avec le premier mode de réalisation, qui est un cas idéal.
Dans un deuxième mode de réalisation en boucle fermé, l’un des points d’intérêt ne comprend pas de capteur de température, et sa température future à t+1 est prédite à partir du modèle prédictif, des données d’entrée courantes, de données de feedback issues de capteurs placés sur les autres points d’intérêt, et sa température courante à t prédite à l’itération précédente. Par exemple, le point d’intérêt qui ne comprend pas de capteur de température dédié est le premier point d’intérêt 104.1, et le vecteur d’états courants x(t) pris en entrée du modèle prédictif, peut comprendre les composantes suivantes, ou un sous-ensemble des composantes suivantes lorsque x’(t) est pris en entrée du modèle prédictif :

x1(t) = f1(x(t-1), u(t-1)), température courante du premier point d’intérêt 104.1 prédite par le modèle lors de l’itération précédente ;
x2(t) = HB_Temp, température courante mesurée par un premier capteur associé au deuxième point d’intérêt 104.2 ;
x3(t) = Pixel_Temp, température courante mesurée par un deuxième capteur associé au troisième point d’intérêt 104.3 ;
x4(t) = Ambient_Temp.

Ainsi, selon le deuxième mode de réalisation en boucle fermée, le nombre de capteurs de température est réduit comparativement au premier mode de réalisation en boucle fermée. Le nombre de capteurs dans l’équipement est ainsi inférieur au nombre de points d’intérêt dont les températures respectives sont prédites.
Dans un troisième mode de réalisation en boucle fermée, au moins deux des points d’intérêt ne comprennent pas de capteur de température, et leurs températures futures à t+1 sont prédites à partir du modèle prédictif, des données d’entrée courantes, de données de feedback issues de capteurs situés sur les autres points d’intérêt et de leurs températures courantes à t estimées par le modèle prédictif à l’itération précédente. Par exemple, les points d’intérêt qui ne comprennent pas de capteur de température dédié sont le premier point d’intérêt 104.1 et le deuxième point d’intérêt 104.2, et le vecteur d’états courants x(t) pris en entrée du modèle prédictif, peut comprendre les composantes suivantes, ou un sous-ensemble des composantes suivantes lorsque x’(t) est pris en entrée du modèle prédictif :

x1(t) = f1(x(t-1), u(t-1)), température courante du premier point d’intérêt 104.1 prédite par le modèle lors de l’itération précédente ;
x2(t) = f2(x(t-1), u(t-1)), température courante du deuxième point d’intérêt 104.2 prédite par le modèle lors de l’itération précédente ;
x3(t) = Pixel_Temp, température courante mesurée par un premier capteur associé au troisième point d’intérêt 104.3 ;
x4(t) = Ambient_Temp.

Le troisième mode de réalisation en boucle fermée permet ainsi de prédire la température future de trois points d’intérêt à partir d’un seul capteur de température. Qui plus est, le capteur de température est placé dans le deuxième module 102.2 distinct du premier module 102.1 dans lequel sont présents les premier et deuxième points d’intérêt n’ayant pas de capteur de température.
On comprendra que d’autres modes de réalisation en boucle fermée peuvent être prévus, notamment lorsque le nombre de points d’intérêt de l’équipement est strictement supérieur à 3.
Suite à l’étape 205, le vecteur d’états futurs x(t+1) est obtenu, dont les composantes sont les températures futures aux différents points d’intérêt. En particulier, le vecteur d’états futurs peut comprendre une température future associée à un point d’intérêt auquel aucune capteur n’est alloué. L’invention permet ainsi avantageusement de réduire le nombre de capteurs, voire de se dispenser de tout capteur dans l’équipement.
A une étape 207, le procédé peut être itéré et l’instant futur t+1 devient l’instant courant t. Le procédé retourne alors à l’étape 204 pour la réception de nouvelles données d’entrée courantes u(t).
En pratique, des résultats comparables sont obtenus pour le mode de réalisation en boucle ouverte, et pour les trois modes de réalisation en boucle fermée. En particulier, chaque mode de réalisation permet de maintenir un écart faible avec les valeurs réelles de température, sur une durée de prédiction longue, supérieure à plusieurs heures, ce qui rend l’invention compatible avec la plupart des équipements dont les durées de fonctionnement sont inférieures à une journée.
La présente une structure du module de contrôle 110 de l’équipement 101, selon un mode de réalisation de l’invention.
Le module de contrôle 110 comprend un processeur 301 configuré pour communiquer de manière unidirectionnelle ou bidirectionnelle, via un ou des bus ou via une connexion filaire, avec une mémoire 302 telle qu’une mémoire de type « Random Access Memory », RAM, ou une mémoire de type « Read Only Memory », ROM, ou tout autre type de mémoire (Flash, EEPROM, etc). En variante, la mémoire 302 comprend plusieurs mémoires des types précités. De manière préférentielle, la mémoire 302 est une mémoire non volatile.
La mémoire 302 est apte à stocker, de manière permanente ou temporaire, l’ensemble des données générées suite à la mise en œuvre du procédé décrit ci-dessus. En particulier, la mémoire 402 peut stocker le modèle prédictif lors de l’étape 203 décrite ci-dessus. La mémoire 302 peut également stocker les températures prédites lors des itérations précédentes pour effectuer une prédiction d’une température future lors d’une itération courante.
Le processeur 301 est apte à exécuter des instructions, stockées dans la mémoire 302, pour la mise en œuvre des étapes 203 à 207 du procédé illustré en référence à la . De manière alternative, le processeur 301 peut être remplacé par un microcontrôleur conçu et configuré pour réaliser les étapes 203 à 207 du procédé selon l’invention.
Le module de contrôle 110 peut comprendre une interface d’entrée 303 apte obtenir les données d’entrée de l’équipement 110, notamment les courants des différents modules et ensemble de sources lumineuses dans le cas du dispositif d’éclairage 101. Toutefois, une telle interface d’entrée 303 est optionnelle puisque le module de contrôle 110 peut accéder directement aux données d’entrée lorsqu’il est en charge du pilotage de l’équipement 101.
Aucune restriction n’est attachée la première interface d’entrée 303 qui peut être une interface filaire par exemple, ou alternativement sans fil.
Le module de contrôle 110 peut comprendre en outre une deuxième interface, de sortie, 304 apte à communiquer les températures prédites pour le ou les points d’intérêt à une entité externe au module de contrôle 110. Une telle interface 304 est optionnelle. En variante, les températures prédites sont utilisées par le module de contrôle 110 pour adapter les données d’entrée utilisées pour le pilotage de l’équipement.
La présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d’exemples ; elle s’étend à d’autres variantes.

Claims

Procédé de prédiction d’une température d’au moins un premier point d’intérêt (104.1 -104.3) d’un équipement (101), le procédé comprenant les étapes suivantes :
- obtention (204) d’un ensemble de données d’entrée courantes comprenant au moins une donnée d’entrée courante de l’équipement, la donnée d’entrée courante étant représentative d’un paramètre de pilotage de l’équipement ;
- application (205) d’un modèle prédictif à l’ensemble de données d’entrée courantes de l’équipement et à au moins une température courante de l’équipement, ledit modèle prédictif étant issu d’un apprentissage machine appliqué à un ensemble de données d’entraînement ;
- suite à l’application du modèle prédictif, prédiction (206) d’une température future du premier point d’intérêt de l’équipement.
Procédé selon la revendication 1, dans lequel la température courante de l’équipement (101) à laquelle est appliqué le modèle prédictif, est une température courante du premier point d’intérêt (104.1-104.3) prédite par le modèle prédictif lors d’une itération précédente.
Procédé selon la revendication 2, dans lequel le modèle prédictif est appliqué à l’ensemble de données d’entrée courantes, à la température courante du premier point d’intérêt (104.1-104.3) prédite par le modèle prédictif lors de l’itération précédente, et à une température courante d’un deuxième point d’intérêt (104.1-104.3) de l’équipement (101), différent du premier point d’intérêt.
Procédé selon la revendication 3, dans lequel la température courante du deuxième point d’intérêt (104.1-104.3) de l’équipement (101) est mesurée par un capteur de température dédié au deuxième point d’intérêt de l’équipement.
Procédé selon la revendication 3, dans lequel la température courante du deuxième point d’intérêt (104.1-104.3) de l’équipement (101) est prédite par le modèle prédictif lors d’une itération précédente.
Procédé selon l’une des revendications 3 à 5, dans lequel, suite à l’application du modèle prédictif, le procédé comprend la prédiction (206) d’une première température future du premier point d’intérêt (104.1-104.3) de l’équipement et d’une deuxième température future du deuxième point d’intérêt.
Procédé selon l’une des revendications, dans lequel l’équipement (101) est un dispositif d’éclairage d’un véhicule automobile, et dans lequel l’ensemble de données d’entrée courantes comprend au moins une valeur de courant de pilotage d’un module (102.1 ; 102.2) du dispositif d’éclairage.
Procédé selon la revendication 7 et l’une des revendications 3 à 6, dans lequel le premier point d’intérêt (104.1 ; 104.2) et le deuxième point d’intérêt (104.3) sont situés respectivement dans des premier et deuxième modules du dispositif d’éclairage, et dans lequel l’ensemble des données d’entrée courantes comprend une première valeur de courant de pilotage du premier module (102.1) et une deuxième valeur de courant de pilotage du deuxième module (102.2).
Procédé selon la revendication 7 et l’une des revendications 3 à 6, dans lequel le premier point d’intérêt (104.1) et le deuxième point d’intérêt (104.2) sont situés dans un même module (102.1), et sont associés respectivement à une première source lumineuse du module et à une deuxième source lumineuse du module, les première et deuxième sources lumineuses étant associées à des fonctions d’éclairage ou de signalisation distinctes, et dans lequel l’ensemble des données d’entrée courantes comprend une première valeur de courant de pilotage de la première source lumineuse (103.1) et une deuxième valeur de courant de pilotage de la deuxième source lumineuse (103.2).
Procédé selon l’une des revendications précédentes, comprenant une étape préalable de stockage (203) du modèle prédictif dans un module de contrôle (110) de l’équipement, le module de contrôle étant apte à accéder à l’ensemble de données d’entrée de l’équipement (101).
Procédé selon l’une des revendications précédentes, dans lequel le modèle prédictif est obtenu par une étape préalable d’apprentissage supervisé (201) sur la base de données d’entraînement, les données d’entraînement comprenant un ensemble d’entraînement de données d’entrée de l’équipement correspondant respectivement à des mesures respectives de température du point d’intérêt de l’équipement.
Procédé selon l’une des revendications précédentes, dans lequel le modèle prédictif est en outre appliqué à une mesure de température ambiante courante issue d’un capteur de température ambiante (105).
Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un processeur (301).
Module de contrôle (110) d’un équipement, comprenant
une mémoire (302) stockant un modèle prédictif issu d’un apprentissage machine appliqué à un ensemble de données d’entraînement
un processeur (301) configuré pour
obtenir un ensemble de données d’entrée courantes comprenant au moins une donnée d’entrée courante de l’équipement, la donnée d’entrée courante étant représentative d’un paramètre de pilotage de l’équipement ;

appliquer le modèle prédictif à l’ensemble de données d’entrée courantes de l’équipement et à au moins une température courante de l’équipement ;

suite à l’application du modèle prédictif, prédiction d’une température future du premier point d’intérêt de l’équipement.