FR2929010A3 - Procede d'optimisation de la valeur d'un parametre de fonctionnement d'un moteur thermique. - Google Patents

Abstract

Procédé d'optimisation de la valeur d'au moins un paramètre d'un système, le paramètre dépendant de plusieurs variables, comprenant une étape de recherche d'un ensemble de valeurs des variables, appelé point de référence, pour lequel le système est stable, puis, à partir de ce point de référence, une étape de recherche de valeurs des variables conduisant à une valeur optimale du paramètre.

Description

La présente invention concerne un procédé d'optimisation d'un paramètre dépendant de plusieurs variables, notamment un paramètre d'un système de régulation du fonctionnement d'un moteur thermique. L'invention concerne aussi un logiciel permettant de mettre en oeuvre un tel procédé. Elle concerne encore un support de données comprenant un tel logiciel. Elle concerne enfin un dispositif comprenant un tel support de données.

Dans le domaine automobile, l'évolution des normes anti-pollution a poussé au développement de nombreuses nouvelles fonctions de régulation du contrôle moteur. Ces fonctions contribuent principalement à une meilleure maîtrise des émissions de base en sortie du moteur et à un meilleur contrôle des systèmes de post traitement (filtre à particules, piège à NOx, etc. ...).

En conséquence de ces développements et pour maitriser la complexité de la mise au point, des méthodes systématiques de réglage des régulateurs sont développées. Parmi ces méthodes, une repose sur l'utilisation d'un optimiseur numérique directement relié à un banc d'essai moteur.

Le problème technique à l'origine de l'invention provient de la difficulté de réaliser une optimisation numérique en prenant en compte le problème de stabilité de boucle inhérent à la régulation. En effet, la problématique de stabilité introduit dans le problème d'optimisation : - une contrainte discrète (le réglage est stable ou n'est pas stable), une mauvaise définition des surfaces de réponse dans le domaine non stable (surface considérée comme plate). MS\REN068FR.dpt30 Les méthodes de mise au point actuels des régulateurs non linéaires présents dans le contrôle moteur reposent sur des méthodes essais / erreurs dont l'application est en grande partie manuelle. La réussite de ces méthodes est fortement liée à l'expérience de la personne chargée de la réalisation, elles ne permettent donc pas d'obtenir un niveau de résultat certain en un temps donné sur l'ensemble des applications projets. Il est en conséquence d'un grand intérêt de tendre vers la systématisation de ces tâches comme c'est le cas pour d'autres tâches de mise au point dans le contrôle moteur.

On connaît, dans un autre domaine technique (celui de l'usinage), de la demande de brevet US 2006/271231, un procédé pour la prédiction et la régulation de la stabilité de broutement dans des applications d'usinage simultané. Cette demande traite l'optimisation d'un procédé avec des contraintes discrètes (une zone de fonctionnement stable/une zone de fonctionnement instable ; plusieurs machines en parallèles).

On connaît aussi de la demande de brevet CN 1866780 un procédé de contrôle et d'optimisation de la gestion d'un réseau en essayant de 20 maximiser la stabilité de celui-ci.

On connaît enfin de la demande WO 2004/70569 un procédé de commande faisant intervenir un algorithme d'optimisation. Ce document met en lumière le lien existant entre les problématiques de stabilité et de 25 commande.

Le but de l'invention est de fournir un procédé d'optimisation permettant d'obvier aux inconvénients identifiés précédemment et permettant d'améliorer les procédés d'optimisation connus de l'art antérieur. En 30 particulier, l'invention propose un procédé d'optimisation permettant de rendre transparent les problèmes de contrainte discrète et de mauvaise MS\REN068FR.dpt définition des surfaces de réponse dans le domaine non stable et permettant de se ramener à un problème d'optimisation non linéaire standard. L'invention entre dans le cadre d'une méthode de systématisation de la mise au point des régulateurs.

Le procédé selon l'invention permet d'optimiser la valeur d'au moins un paramètre d'un système, le paramètre dépendant de plusieurs variables. Il comprend une étape de recherche d'un ensemble de valeurs des variables, appelé point de référence, pour lequel le système est stable, puis, à partir de ce point de référence, une étape de recherche de valeurs des variables conduisant à une valeur optimale du paramètre.

L'au moins un paramètre peut comprendre un paramètre d'un système de régulation du fonctionnement d'un moteur thermique.

L'étape de recherche d'un ensemble de valeurs de variables pour lequel le système est stable peut comprendre une ou plusieurs itérations des sous-étapes suivantes : déterminer un ensemble de valeurs des variables, évaluer la stabilité du système pour cet ensemble, ces sous-étapes étant itérées tant que deux ensembles de valeurs successifs ne conduisent pas à la stabilité du système.

Un deuxième ensemble de valeurs peut être déterminé à partir d'un 25 premier ensemble de valeurs par ajout d'un troisième ensemble de valeurs.

Le troisième ensemble de valeurs peut dépendre du niveau d'instabilité du système obtenu par l'application du premier ensemble de valeurs. MS\REN068FR.dpt 20 30 Dans l'étape de recherche d'un ensemble de valeurs des variables pour lequel le système est stable, les valeurs des variables peuvent ne plus être modifiées une fois qu'elles ont atteint une borne inférieure ou une borne supérieure. Dans l'étape de recherche d'un ensemble de valeurs de variables pour lequel le système est stable, le procédé peut prendre fin si toutes les valeurs des variables ont atteint une borne inférieure ou une borne supérieure. 10 L'étape de recherche des valeurs des variables conduisant à une valeur optimale de l'au moins un paramètre peut comprendre une phase de détermination de gradients telle que, pour chaque variable, on détermine un pas de modification de la valeur de la variable de manière à ce que le 15 système soit stable. Pour chaque variable, le pas de modification peut être limité par une borne inférieure et/ou par une borne supérieure de la valeur de la variable. L'étape de recherche des valeurs des variables conduisant à une valeur optimale du paramètre peut comprendre une phase de détermination de la valeur de l'au moins un paramètre, cette valeur étant biaisée si le système est instable. 25 Le support de données selon l'invention comprend des moyens logiciels de mise en oeuvre du procédé d'optimisation défini précédemment. Le dispositif d'optimisation selon l'invention comprend un support de 30 données défini précédemment et des moyens de régulation de valeurs de consigne de variables de fonctionnement d'un système et des moyens de détermination d'au moins un paramètre de fonctionnement du système. MS\REN068FR.dpt 20 Le banc d'essais moteur selon l'invention comprend un dispositif d'optimisation défini précédemment.

Les dessins annexés représentent, à titre d'exemple, un mode 5 d'exécution d'un procédé d'optimisation selon l'invention.

La figure 1 est un logigramme d'un mode d'exécution du procédé d'optimisation selon l'invention.

La figure 2 est un schéma illustrant un principe de recherche d'un optimum pouvant être mis en oeuvre par le procédé selon l'invention.

La figure 3 est un schéma illustrant les notions de domaines stable et de domaine instable. Le procédé selon l'invention s'appuie sur un algorithme d'optimisation déterministe basé sur la méthode des gradients.

Une fonction, aussi appelée objectif ou fonction objectif, permet 20 d'associer, à un ensemble de variables, un paramètre. En effet, une valeur du paramètre est l'image par la fonction de valeurs des variables. Un procédé ou algorithme d'optimisation permet de rechercher un ensemble de valeurs des variables définissant un optimum, en général un extremum (minimum ou maximum) au moins local de cette fonction 25 sur le domaine défini par les contraintes.

Le procédé d'optimisation selon l'invention permet de prendre en compte des problèmes non linéaires (relatifs à l'objectif et/ou aux contraintes).

30 Un mode d'exécution du procédé d'optimisation selon l'invention est décrit ci-après en référence à la figure 1. II est par exemple utilisé pour MS\REN068FR.dpt15

6 optimiser un paramètre d'un système de régulation, notamment de régulation du fonctionnement d'un moteur thermique.

On fait l'hypothèse qu'il est possible de définir deux zones distinctes sur la surface d'optimisation en fonction de la stabilité du système de régulation. Comrne représenté à la figure 3, il existe une première zone 1 dans laquelle le :système est stable, c'est-à-dire dans laquelle les valeurs des variables conduisent à un système stable et une deuxième zone 2 dans laquelle le système est instable.

Dans la zone 1, il est possible de réaliser un calcul de gradients pertinent.

Dans la zone 2, il n'est pas possible de réaliser un calcul de gradients fiable, cette zone est vue comme "plate" pour le problème d'optimisation c'est-à-dire que les gradients sont vus comme nuls. Ils ne permettent pas de déterminer un sens de variation des variables qui soit pertinent pour mener à une solution.

On fait encore une hypothèse de continuité c'est-à-dire l'hypothèse que la zone 1 n'est pas disjointe et que donc pour deux points quelconques de cette zone, il existe un chemin appartenant à cette zone qui permet de les relier.

Dans une première phase 300, on détermine le point de référence du procédé d'optimisation, c'est-à-dire les valeurs de référence des variables à partir desquelles on va lancer l'optimisation. Le but est de trouver un point dans la zone 1 et autour duquel une optimisation utilisant la méthode est applicable. On va donc chercher un point stable (dans la zone 1) qui se situe à une distance suffisamment éloigné de la frontière avec la zone 2. MS\REN068FR.dpt Dans une première étape 10, on considère un réglage initial définissant un ensemble de valeurs initiales des variables influençant la valeur du paramètre à optimiser. Ce réglage initial provient par exemple d'une saisie réalisée par un utilisateur d'une valeur pour chaque variable.

Dans une deuxième étape 20, on effectue un essai pour évaluer la stabilité du systèrne.

Dans une étape 30, on teste si les deux derniers essais réalisés ont conduit à une stabilité du système. Si tel est le cas, la phase 300 de détermination du point de référence du procédé d'optimisation est achevée et on passe à une étape 50 lançant la phase suivante de détermination du réglage optimal. Si tel n'est pas le cas, on modifie, dans une étape 40, les valeurs des variables puis on boucle sur l'étape 20.

Le point courant lors de l'étape 50 est le point de référence utilisé dans la suite du procédé.

Pour modifier le point défini par les variables, on applique une transformation règle métier dont on sait qu'elle augmente les marges de stabilité (c'est-à-dire qu'on réduit le gain de boucle) sur le point courant jusqu'à obtenir un point de fonctionnement du système suffisamment stable. Par exemple, pour un régulateur P.I.D, nous savons que, dans la grande majorité des cas, une diminution d'un des trois paramètres de réglage (Gain P. Gain I, Gain D) provoque une augmentation de la stabilité. Pour ce type de régulation, ce sera la règle rnétier considérée. Nous pouvons faire de même pour d'autres types de régulation. MS\REN068FR.dpt

8 Dans l'algorithme suivant permettant de réaliser cette transformation, cette dernière est illustrée par l'étape Point Courant = Point Courant -Perturbation Gradient .

Faire jusqu'à ce que deux points successifs soient dans la zone 1 : Évaluer la stabilité du point courant Si le point courant ou le point précédent n'est pas stable On applique la transformation suivante sur les coordonnées du point courant : Point Courant = Point Courant -Perturbation_Gradient Fin Si Fin Faire

L'ensemble de valeurs Perturbation_Gradient soustrait à l'ensemble de valeurs Point Courant peut être un ensemble cle valeurs fixes. Alternativement, il peut s'agir d'un ensemble de valeurs dépendantes notamment du degré d'instabilité du système dans les conditions définies par les valeurs du dernier point courant.

De préférence, dès que la valeur d'une des variables définissant le paramètre a atteint une borne supérieure ou une borne inférieure, la variable concernée est saturée sur cette borne et les transformations continuent de s'appliquer seulement aux autres variables.

De préférence, si toutes les bornes extrémales des variables sont atteintes, l'algorithme s'arrête et fait remonter un message à l'utilisateur lui demandant de modifier, soit les bornes minimales et/maximales, soit le seuil de définition de la stabilité. Cela signifie que le problème, tel que formulé initialement par l'utilisateur, n'a pas de solution.

MS\REN068FR.dpt En outre, le signe de variation pour des gradients tel qu'il est renseigné par l'utilisateur (par l'intermédiaire des pas pour le calcul des gradients) est très important, on doit toujours rentrer un signe qui augmente le gain de boucle. Dans une deuxième phase 310, on détermine le réglage optimal. Cette phase correspond à une optimisation non linéaire utilisant par exemple la méthode des gradients.

10 Dans une première sous-phase 320, on détermine les gradients relatifs aux différentes variables. Puis, dans une deuxième sous--phase 330, on applique la méthode des gradients pour déterminer le réglage optimal.

Dans une étape 60, on considère un gradient relatif à une variable puis 15 on réalise un essai avec la valeur de la variable modifiée du gradient par rapport à la valeur de la variable au niveau du point de référence. Dans cette étape une seule variable à la fois est modifiée.

Dans une étape 70, on teste si l'essai précédent est stable. Si tel est le 20 cas, on passe à une étape suivante 90. Si tel n'est pas le cas, on modifie le gradient dans une étape 80, puis on boucle sur l'étape 60.

Pour que l'algorithme d'optimisation puisse évaluer une direction d'optimisation (phase de fine search) de manière pertinente, il est 25 nécessaire que l'ensemble des gradients soient évalués dans la zone 1. Ceci est assuré en ajustant, dans l'étape 80, le pas de perturbation en fonction de la zone dans laquelle se trouve le point perturbé.

Une ou plusieurs itérations des étapes 60, 70 et 80 doit donc être 30 effectuée pour chaque gradient, soit pour chaque variable. Ceci peut être résumé par l'algorithme de l'exemple de réalisation suivant : MS\REN068FR.dpt5 A partir du point courant, faire jusqu'à ce que TEST = 1 Evaluer la stabilité de Point = Point Courant + Perturbation Gradient Si le Point est dans la zone 2 ou que la valeur de réglage obtenue est hors de la plage min/max, alors : Evaluer la stabilité de Point = Point Courant - Perturbation Gradient Si le point est dans la zone 2, ou que la valeur de réglage obtenue est hors de la plage min/max, alors Perturbation Gradient = Perturbation Gradient Mult Grad Sinon TEST = 1 Sinon TEST = 1 Fin faire Effectuer le calcul de gradient sur ce Point (objectif et contraintes)

La boucle de test doit s'arrêter lorsque le nouveau gradient calculé est inférieur à 25% du gradient d'origine. Dans ce cas-là, l'optimisation passe à la variable suivante, et la direction d'optimisation comprendra un gradient nul pour la variable considérée. Le but de cette vérification est d'éviter de faire des cycles avec un pas de perturbation trop faible et donc un gradient non pertinent.

Par exemple :

Sur une direction considérée : - le gain retenu par la phase de lino search est 10 (c'est le point courant), - le pas de gradient paramétré est 2, le paramètre Mult_grad vaut 0,7. MS\REN068FR.dpt On se met dans l'hypothèse que tous les cycles décrits ci-dessous se révèlent instables. 1. On applique un gradient de +2 au gain considéré 4 passage du cycle avec gain = 12. 2. On applique un gradient de -2 4 passage d'un cycle avec gain = 10 - 2 = 8. 3. On applique un gradient de +2 x Mult_grad soit +1,4 4 passage du cycle avec gain = 11,4. 4. On applique un gradient de -2 x Mult_grad soit -1,4 4 passage du cycle avec gain = 8,6. 5. On applique un gradient de +2 x Mult grade soit +0,98 4 gain = 10,98. 6. On applique un gradient de -2 x Mult grade soit -0,98 4 gain = 9,02. 7. On applique un gradient de +2 x Mult_grad3 soit +0,686 4 gain = 10,686. 8. On applique un gradient de -2 x Mult_grad3 soit -0,686 -~ gain = 9,314. 9. On applique un gradient de +2 x Mult_grad4 soit +0,4802 < 0,5 Ainsi, le gradient évolue de manière intelligente pour que l'optimisation puisse se dérouler de manière correcte. Dans le cas présent, on limite la réduction du gradient pour qu'il reste d'un ordre de grandeur pertinent.

Le gradient est détecté comme inférieur à 25% du gradient d'origine : l'optimisation passe donc à la variable suivante et le gradient retenu pour la variable considérée est un gradient nul (point courant du fine search précédent). Pour la phase de fine search qui suit cette phase de gradients, l'optimisation utilisera une information de composante nulle sur la variable considérée.

MS\REN068FR.dpt

12 On effectue un test de comparaison avec les bornes minimales et maximales pour chaque variable. Le gradient appliqué est éventuellement réduit pour ne pas dépasser ces bornes. Cette réduction ne s'applique évidemment qu'à la seule variable concernée.

Toute réduction du pas Perturbation_Gradient est un calcul local et ne doit pas être mémorisé d'un calcul de gradient à l'autre ; à chaque nouveau calcul de gradient il faut donc repartir de la valeur initiale renseignée par l'utilisateur. Le calcul de l'objectif et des contraintes est effectué normalement.

Le paramètre Mult_grad est un paramètre expert modifiable par l'utilisateur, sa valeur est comprise entre 0 et 1 (par exemple : valeur par 15 défaut : 0,7).

Le nouveau point intermédiaire est défini par l'ensemble des valeurs des variables en mémoires lors du passage à l'étape 90, c'est-à-dire l'ensemble des valeurs des variables modifiées ayant donné lieu à une 20 stabilité lors de l'étape 70.

Suite à l'étape 90, on teste dans une étape 100, si toutes les variables à régler pour modifier la valeur du paramètre à optimiser ont été traitées. Si tel est le cas, on passe à une étape 110. Si tel n'est pas le cas, on boucle 25 sur l'étape 60 pour traiter une variable non encore traitée.

Dans l'étape 110, on évalue si les essais réalisés à l'étape 60 permettent de penser que localement un meilleur point que le point courant existe. Dans la négative, on passe à une étape 180 dans laquelle il est mis fin 30 au procédé d'optimisation. Dans l'affirmative, on passe à une étape 120. MS\REN068FR.dpt 10 Après que la phase d'évaluation des gradients a été réalisée, l'algorithme passe dans une phase de recherche de point optimal. Il est indispensable que pendant cette phase de recherche l'outil puisse discriminer les points se trouvant dans la zone 2. Ceci est réalisé en introduisant un biais dans le calcul de l'objectif et des contraintes.

Dans l'étape 120, on détermine la direction dans laquelle on va modifier le point courant pour réaliser le premier essai. Cette direction est directement déduite de la phase précédente 320 dans laquelle on a déterminé les différents gradients. Elle correspond en général à la modification du point courant dans la direction permettant une plus grande baisse de la valeur du paramètre à optimiser dans le cas d'une minimisation ou à la modification du point courant dans la direction permettant une plus grande augmentation de la valeur du paramètre à optimiser dans le cas d'une maximisation. Une telle méthode est décrite par le schéma de la figure 2. Des tests sur des gradients selon deux variables xl et x2 permettent en effet de déterminer la combinaison linéaire des variables xl et x2 ou la direction de modification des variables ayant le plus grand impact sur la valeur du paramètre déterminé par ces variables. Par exemple, cette méthode peut être assurée par la fonction d'optimisation fmincon du logiciel Matlab (marque déposée).

Dans l'étape 120, on réalise également un essai avec les valeurs des variables modifiées.

Dans une étape 130, on détermine si le système est stable avec ces variables modifiées. Si tel n'est pas le cas, on biaise dans une étape 140 les valeurs de paramètre et de variables puis on boucle sur l'étape 120.

Si tel est le cas on passe à une étape 150 puis à une étape 160 dans laquelle on détermine si on peut améliorer l'optimisation. Dans ce cas, on MS\REN068FR.dpt effectue un nouveau pas d'optimisation en bouclant sur l'étape 120. Si tel n'est pas le cas, on passe à une étape 170 dans laquelle on teste si la direction de recherche d'optimum peut être améliorée. Si tel est le cas, on boucle sur l'étape 60 pour déterminer une nouvelle direction d'optimisation. Si tel n'est pas le cas, on passe à l'étape 180 dans laquelle il est mis fin au procédé d'optimisation.

Selon qu'un optimum local a été trouvé ou non par le procédé d'optimisation, on passe à l'étape 200 pour signaler à l'utilisateur l'absence d'optimum ou à l'étape 210 pour proposer à l'utilisateur un optimum.

Les étapes 120 à 150 décrites ci-dessus peuvent être réalisées par l'algorithme proposé ci-dessous : Si le point est dans la zone 1 Les gradients d'objectif et contraintes sont évalués normalement Sinon (ce point est dans la zone 2) On raisonne sur les objectifs et contraintes du point de référence : 20 Les valeurs de contraintes renvoyées à l'algorithme sont celles du point de référence modifiées d'une valeur non acceptable => Contraintes = Contraintes réf * Mult linesearch La valeur de l'objectif renvoyée à l'algorithme est celle du point de référence modifiée d'une valeur non acceptable 25 => Objectif = Objectif réf * Mult linesearch Fin Si

Le biais sur les fonctions objectif et contraintes est introduit uniquement sur la phase de détermination d'optimum et jamais lors des phases 30 d'évaluation des gradients. MS\REN068FR.dpt Le paramètre Mult_linesearch est un paramètre expert, sa valeur est supérieure à 1 (valeur par défaut : 1,3) dans le cas d'une minimisation et inférieure à 1 (valeur par défaut : 0,7) dans le cas d'une maximisation.

Le point optimisé est le dernier point ayant permis un fonctionnement stable du système dans l'étape 120.

Comme vu précédemment, l'invention porte aussi sur des moyens logiciels permettant de mettre en oeuvre le procédé objet de l'invention et en particulier sur un support de données comprenant de tels moyens logiciels.

Un tel support de données est avantageusement inclus dans un dispositif d'optimisation de la valeur d'un paramètre d'un système, le système pouvant notamment être un moteur thermique. Les moyens logiciels de mise en oeuvre du procédé objet de l'invention comprennent des moyens de mise en oeuvre des étapes de recherche d'un ensemble de valeurs de variables et de recherche de valeurs de variables conduisant à une valeur optimale du paramètre. Il comprend également des moyens de mise en oeuvre des étapes définies par les revendications 2 à 10. Ces moyens logiciels comprennent également des moyens d'enchaînement temporel, logique ou conditionnel des étapes entre elles.

Le dispositif d'optimisation comprend, de manière avantageuse, des moyens pour réguler chacune des variables influençant la valeur du paramètre à optimiser. En outre, le dispositif comprend des moyens pour déterminer la valeur du paramètre à optimiser alors que le système fonctionne avec des variables régulées à des valeurs déterminées. Ces moyens pour déterminer la valeur du paramètre à optimiser peuvent comprendre un ou plusieurs capteurs. Ils peuvent aussi comprendre des MS\REN068FR.dpt estimateurs pour estimer la valeur du paramètre à partir de mesure faites sur le système.

Un tel dispositif d'optimisation peut équiper un banc d'essais de moteur 5 thermique. MS\REN068FR.dp t

Claims (13)

1. Revendications

   : 1. Procédé d'optimisation de la valeur d'au moins un paramètre d'un système, le paramètre dépendant de plusieurs variables, comprenant une étape de recherche d'un ensemble de valeurs des variables, appelé point de référence, pour lequel le système est stable, puis, à partir de ce point de référence, une étape de recherche de valeurs des variables conduisant à une valeur optimale du paramètre.
2. 2. Procédé d'optimisation selon la revendication 1, caractérisé en ce que l'au moins un paramètre comprend un paramètre d'un système de régulation du fonctionnement d'un moteur therrnique.
3. 3. Procédé d'optimisation selon la revendication 1 ou 2, caractérisé en ce que l'étape de recherche d'un ensemble de valeurs de variables pour lequel le système est stable comprend une ou plusieurs itérations des sous-étapes suivantes : déterminer un ensemble de valeurs des variables, évaluer la stabilité du système pour cet ensemble, ces sous-étapes étant itérées tant que deux ensernbles de valeurs successifs ne conduisent pas à la stabilité du système.
4. 4. Procédé d'optimisation selon la revendication 3, caractérisé en ce qu'un deuxième ensemble de valeurs est déterrniné à partir d'un premier ensemble de valeurs par ajout d'un troisième ensemble de valeurs.
5. 5. Procédé d'optimisation selon la revendication 4, caractérisé en ce que le troisième ensemble de valeurs dépend du niveau d'instabilité MS\REN068FR.dpt 17du système obtenu par l'application du premier ensemble de valeurs.
6. 6. Procédé d'optimisation selon l'une des revendications précédentes, caractérisé en ce que, dans l'étape de recherche d'un ensemble de valeurs des variables pour lequel le système est :stable, les valeurs des variables ne sont plus modifiées une fois qu'elles ont atteint une borne inférieure ou une borne supérieure.
7. 7. Procédé d'optimisation selon l'une des revendications précédentes, caractérisé en ce que, dans l'étape de recherche d'un ensemble de valeurs de variables pour lequel le système est stable, le procédé prend fin si toutes les valeurs des variables ont atteint une borne inférieure ou une borne supérieure.
8. 8. Procédé d'optimisation selon l'une des revendications précédentes, caractérisé en ce que l'étape de recherche des valeurs des variables conduisant à une valeur optimale de l'au moins un paramètre comprend une phase de détermination de gradients telle que, pour chaque variable, on détermine un pas de modification de la valeur de la variable de manière à ce que le système soit stable.
9. 9. Procédé d'optimisation selon la revendication précédente, caractérisé en ce que, pour chaque variable, le pas de modification est limité par une borne inférieure et/ou par une borne supérieure de la valeur de la variable.
10. 10. Procédé d'optimisation selon l'une des revendications précédentes, caractérisé en ce que l'étape de recherche des valeurs des variables conduisant à une valeur optimale du paramètre comprend une phase de détermination de la valeur de l'au moins un paramètre, cette valeur étant biaisée si le système est instable. MS\REN068FR.dpt
11. 11. Support de données comprenant des moyens logiciels de mise en oeuvre du procédé d'optimisation défini selon l'une des revendications précédentes.
12. 12. Dispositif d'optimisation comprenant un support de données défini selon la revendication précédente et des moyens de régulation de valeurs de consigne de variables de fonctionnement d'un système et des moyens de détermination d'au moins un paramètre de fonctionnement du système.
13. 13. Banc d'essais moteur comprenant un dispositif d'optimisation défini selon la revendication précédente. MS\REN068FR.dpt