FR3107979A1 - Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne - Google Patents
Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne Download PDFInfo
- Publication number
- FR3107979A1 FR3107979A1 FR2002259A FR2002259A FR3107979A1 FR 3107979 A1 FR3107979 A1 FR 3107979A1 FR 2002259 A FR2002259 A FR 2002259A FR 2002259 A FR2002259 A FR 2002259A FR 3107979 A1 FR3107979 A1 FR 3107979A1
- Authority
- FR
- France
- Prior art keywords
- engine
- data
- training
- prediction model
- value
- 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.)
- Granted
Links
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002485 combustion reaction Methods 0.000 title claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 68
- 238000002790 cross-validation Methods 0.000 claims abstract description 20
- 239000003344 environmental pollutant Substances 0.000 claims abstract description 15
- 231100000719 pollutant Toxicity 0.000 claims abstract description 15
- 238000010200 validation analysis Methods 0.000 claims abstract description 14
- 230000001052 transient effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 33
- 238000012545 processing Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 11
- 239000000523 sample Substances 0.000 description 7
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
Abstract
L’invention concerne un procédé d’entrainement d’un modèle de prédiction d‘émissions d’un moteur à combustion interne. Le procédé comprend une étape d’acquisition d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants, une mesure étant associée à au moins un paramètre moteur stabilisé particulier, une étape d’acquisition d’un second jeu de données comprenant, pour une pluralité d’instants d’acquisition au cours d’un cycle de conduite réel, une mesure d’émission de gaz polluants associée à au moins un paramètre moteur au moment de l’acquisition, une étape de détermination d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données, et une étape d’entrainement du modèle de prédiction à partir du premier jeu de données et de l’hyperparamètre. L’invention concerne également un procédé de prédiction d‘émissions à partir d’un modèle entrainé selon le procédé d’entrainement. Figure 1
Description
L’invention appartient au domaine de l’estimation des émissions de gaz polluants d’un moteur à combustion interne et concerne en particulier un procédé pour entrainer un modèle de prédiction de telles émission et un procédé de prédiction d’émission mettant en œuvre un tel modèle.
Art antérieur
L’impact environnemental de la circulation des véhicules à moteur à combustion interne fait aujourd’hui consensus. Les enjeux sanitaires et climatiques poussent les gouvernements à imposer des normes de plus en plus sévères en matière d’émissions de gaz polluant par les véhicules équipés de moteurs à combustion interne.
Afin de se conformer à ces nouvelles exigences, les constructeurs d’automobiles ont mis en place des outils leur permettant d’évaluer précisément les quantités de gaz polluants émis par leurs véhicules.
A cet égard, différentes techniques ont été développées.
Selon une première technique, des mesures sont effectuées sur des bancs de test moteur dans diverses conditions. Les mesures sont par exemple effectuées pour un certain nombre de régimes moteurs stabilisés et différentes pressions cylindre. Les données ainsi capturées sont ensuite utilisées afin de prédire des émissions pour une variété de régimes moteurs et de pressions cylindre. Toutefois, cette technique fournit uniquement des données à régime stabilisé et n’est pas toujours représentative des émissions sur un cycle de conduite réel. En effet, les bancs de tests ne prennent en considération qu’un nombre limité de paramètres moteurs, et les données sont manquantes entre deux régimes moteurs ou pressions cylindre pour lesquels des mesures ont été effectuées. En outre, ces mesures ne tiennent pas compte des paramètres cinématiques d’une circulation réelle.
Une deuxième technique consiste à développer et mettre en œuvre des modèles physiques configurés pour simuler le comportement d’un moteur à combustion interne. Toutefois, la conception et la mise en œuvre de tels modèles physiques s’avère extrêmement complexe et donc très couteuse.
Une troisième approche propose de construire un modèle par apprentissage à partir de données mesurées sur des bancs moteurs dans différentes conditions moteur. Une telle solution basée sur des techniques d’apprentissage automatique devrait permettre d’améliorer la qualité des prédictions à un coût maitrisé. Toutefois, on constate que ces méthodes d’apprentissage sont défaillantes car elles conduisent souvent à un phénomène de surapprentissage («overfitting» en anglais) ayant pour conséquence des erreurs de prédiction lorsque les modèles obtenus sont appliqués à un cycle de conduite réel.
Ainsi, il existe un besoin pour une solution permettant d’entrainer un modèle d’apprentissage et de prédire des émissions de gaz polluants qui ne présente pas les inconvénients précités.
A cet effet, l’invention concerne un procédé d’entrainement d’un modèle de prédiction d‘émissions d’un moteur à combustion interne tel qu’il comporte les étapes suivantes:
- Acquisition d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à une valeur d’au moins un paramètre moteur,
- Acquisition d’un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisée en conditions moteur transitoires au cours d’un cycle de conduite réel, une mesure étant associée à une valeur du au moins un paramètre moteur,
- Détermination d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données,
- Entrainement du modèle de prédiction à partir du premier jeu de données et de l’hyperparamètre.
Ainsi, au moins un hyperparamètre est ajusté par validation croisée à partir d’un jeu de données d’entrainement comprenant des mesures discrètes réalisées dans des conditions moteur stabilisées sur banc moteur et validées par un jeu de données capturés dans des conditions moteur non stabilisées au cours d’un cycle de conduite réel. Ainsi, les données d’entrainement et de validation utilisées pour la validation croisée sont de nature différente, les premières étant acquises par exemple à des régimes ou pressions stabilisés, c’est-à-dire stables pendant une certaine période, les secondes étant capturées à différents instants d’un cycle de conduite réel dans des conditions moteur transitoires. De cette façon l’hyperparamètre est optimisé de façon à faire correspondre les données d’entrainement avec les données issues d’un cycle de conduite réel. Une telle disposition permet d’éviter que se produise un phénomène de surapprentissage. En effet, en réalisant une validation croisée à partir de données provenant uniquement d’un banc d’essai, on observe que le modèle obtenu prédit des valeurs fantaisistes lorsque qu’il est appliqué à des données de fonctionnement en cycle réel. En effet, les conditions de fonctionnement d’un moteur sur banc d’essai et durant un cycle réel sont très différentes. En effectuant une validation croisée à partir de jeux de données de nature différente on évite que le modèle soit trop ajusté aux données de fonctionnement sur banc, limitant ainsi le risque de surapprentissage. De cette façon, le modèle peut être entrainé à partir de données obtenues de manière peu coûteuse sur un banc moteur, un unique cycle de conduite réel étant nécessaire pour ajuster l’hyperparamètre.
Par opposition à une mesure réalisée dans des conditions moteur stabilisées, selon lesquelles des paramètres moteur sont maintenus stables pendant une certaine période, par exemple 30 secondes, une mesure réalisée dans des conditions moteurs transitoires est une mesure réalisée dans des conditions moteur ponctuelles observées au cours d’un changement d’état du moteur. Il s’agit par exemple d’une mesure effectuée à un régime moteur courant Rc particulier au cours d’une évolution d’un régime initial Ri vers un régime cible Rc. Parce qu’une mesure en cycle de conduite réel prend en compte un état transitoire du moteur, et donc une composante dynamique, pour un même régime moteur une mesure d’émissions de gaz effectuée dans des conditions stabilisées peut donner des résultats différents d’une mesure effectuée dans des conditions transitoires.
Selon une réalisation particulière, le modèle de prédiction est un réseau de neurone dont la couche de perte estdéfinie par la fonction suivante :
Dans laquelle f(x) est un cumul des émission et g(x) le cumul prédit.
La couche de perte spécifie comment l'entrainement du réseau pénalise l'écart entre le signal prévu et réel. De manière classique, dans un modèle d’apprentissage, l’objectif d’entrainement est défini point à point, c’est-à-dire qu’on cherche à minimiser l’écart entre une prédiction et une observation. Or, les données d’entrainement et de validation étant de nature différente, il est difficile de comparer les scores pour chaque prédiction: en effet, les données de validation étant issue d’un cycle de conduite réel, elles comprennent du bruit qui qui rend difficile leur mise en correspondance avec les données prédites.
En outre, le positionnement de la sonde dans la ligne d’échappement est déterminant pour la fiabilité des mesures dans le cas de mesures en condition de conduite réelles. En effet, le temps de trajet des gaz dans la ligne d’échappement jusqu’à la sonde doit être pris en compte afin de mettre en correspondance un paramétrage moteur particulier et la mesure effectuée. Or, la vitesse des gaz et donc leur temps de parcours dans la ligne d’échappement varient selon les paramètres moteurs tels que la pression cylindre ou le régime. Il est ainsi difficile et coûteux d’obtenir des mesures fiables en cycle de conduite réel.
En définissant la fonction de perte sur l’intégrale des prédictions point à point, c’est-à-dire un cumul d’émission, plutôt que sur des valeurs ponctuelles pour évaluer la performance du modèle de prédiction, le procédé permet un entrainement plus efficace. En effet, bien que chaque donnée individuelle soit difficilement comparable, un cumul sur une période est comparable. Ainsi, il est proposé d’utiliser une fonction de perte qui prenne en compte un cumul d’émission plutôt que des données individuelles.
Selon un mode particulier de réalisation, une mesure est au moins associée à un régime moteur et une pression cylindre.
Ainsi, dans le premier et le second jeu de données, chaque mesure de gaz polluant est associée à une valeur de régime moteur et une valeur de pression cylindre. Ces paramètres moteurs sont facilement accessibles via des capteurs standards d’un moteur à combustion interne et sont fortement corrélés à des niveaux d’émission de gaz polluants.
Selon un autre aspect, l’invention concerne un procédé de prédiction d’émissions polluantes d’un moteur à combustion interne, le procédé comprenant les étapes suivantes:
- Obtention d’une valeur d’au moins un paramètre moteur au cours d’un cycle de conduite réel,
- Prédiction d’une valeur d’émission de gaz polluant par application de la valeur du au moins un paramètre moteur obtenu à un modèle de prédiction entrainé selon un procédé d’entrainement tel que décrit ci-dessus.
L’utilisation d’un modèle de prédiction entrainé selon le procédé d’entrainement décrit ci-avant permet d’obtenir des prédictions d’émission précises et fiables pour des paramètres moteurs qui n’ont pas été explorés dans un cycle de conduite réel ni sur banc de test. En particulier, les prédictions ne souffrent pas d’un éventuel surapprentissage du modèle de prédiction et tiennent compte d’un comportement dynamique du moteur. Leur fiabilité est ainsi améliorée.
L’invention concerne aussi un dispositif d’entrainement d’un modèle de prédiction d‘émissions d’un moteur à combustion interne, le dispositif comprenant une mémoire et un processeur, le processeur étant configuré par des instructions enregistrées dans la mémoire pour mettre en œuvre les étapes suivantes:
- Acquisition d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à une valeur d’au moins un paramètre moteur,
- Acquisition d’un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisée en conditions moteur transitoires au cours d’un cycle de conduite réel, une mesure étant associée à une valeur du au moins un paramètre moteur,
- Détermination d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données,
- Entrainement du modèle de prédiction à partir du premier jeu de données et de l’hyperparamètre.
L’invention concerne aussi un dispositif de prédiction d’émissions polluantes d’un moteur à combustion interne, le dispositif comprenant une mémoire et un processeur, le processeur étant configuré par des instructions enregistrées dans la mémoire pour mettre en œuvre les étapes suivantes :
- Obtention d’une valeur d’au moins un paramètre moteur au cours d’un cycle de conduite réel,
- Prédiction d’une valeur d’émission de gaz polluant par application de la valeur du au moins un paramètre moteur obtenu à un modèle de prédiction entrainé selon un procédé d’entrainement tel que décrit ci-dessus.
Enfin, l’invention concerne un support d'informations lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l’exécution des étapes d’un procédé d’entrainement et/ou les étapes d’un procédé de prédiction tel que décrit ci-avant.
Le support d'information peut être un support d'information non transitoire tel qu'un disque dur, une mémoire flash, ou un disque optique par exemple.
Le support d'informations peut être n'importe quelle entité ou dispositif capable de stocker des instructions. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, RAM, PROM, EPROM, un CD ROM ou encore un moyen d'enregistrement magnétique, par exemple un disque dur.
D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens.
Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Les différents modes ou caractéristiques de réalisation précités peuvent être ajoutés indépendamment ou en combinaison les uns avec les autres, aux étapes du procédé d’entrainement et/ou aux étapes du procédé de prédiction.
Les dispositifs et supports d’informations présentent au moins des avantages analogues à ceux conférés par les procédés auxquels ils se rapportent.
D’autres caractéristiques, détails et avantages de l’invention apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, parmi lesquels :
Description détaillée
Le procédé d’entrainement va maintenant être décrit en relation avec la figure 1.
Lors d’une première étape 100, des mesures de gaz polluants sont réalisées sur un banc moteur dans des conditions stabilisées.
Les bancs d’essai moteurs sont largement utilisés dans l’industrie automobile pour mettre un moteur dans des conditions paramétrables et contrôlées afin d’observer et de mesurer son comportement. En particulier, ces bancs d’essai permettent de mesurer les émissions de gaz polluants pour différent régimes moteurs et différentes pressions cylindre. Pour cela, une sonde adaptée est positionnée dans la ligne d’échappement. La mesure étant réalisée une fois les conditions moteurs (régime, pression) stabilisées, la mesure est fiable quelque soit la position de la sonde dans la ligne d’échappement.
De telles mesures permettent de compléter des tables, comme la table représentée sur la figure 2, dans laquelle figurent des mesures d’émissions de gaz polluants selon différents régimes moteurs (RPM en abscisse, pour Round Per Minute en anglais) et différentes pressions cylindre (MEP en ordonnée, pour Mean Effective Pressure en anglais). Chaque point représenté sur le graphique de la figure 2 représentant une mesure massique d’émission pour un régime et une pression stabilisés.
On note qu’au sens de l’invention, une mesure est effectuée dans des conditions moteur dites stabilisées lorsque qu’un paramétrage particulier est appliqué au moteur pendant une durée minimale au cours de laquelle son état se stabilise. Par exemple, une mesure de gaz polluant réalisée à régime moteur stabilisé peut correspondre à une mesure effectuée 30 secondes après que le moteur ait atteint le régime cible. Une telle durée de stabilisation peut bien entendu dépendre du type de mesure effectuée. Par exemple, lorsqu’il s’agit de mesurer une température moteur, le temps de stabilisation peut compter plusieurs minutes.
Les données ainsi obtenues sont mémorisées, par exemple dans une base de données. Les données peuvent être mémorisées dans un format modifié. Par exemple, les données peuvent être normalisées et/ou être mises en forme à l’aide de traitements statistiques afin de mettre en évidence certaines caractéristiques tels que des gradients par exemple. On obtient ainsi un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, chacune associée à une valeur de régime moteur et/ou de pression cylindre. Bien entendu, les mesures peuvent être associées à des valeurs d’autres paramètres moteurs, comme par exemple à des températures.
Des mesures réalisées en condition de circulation réelle sont obtenues lors d’une étape 101. Pour cela, un véhicule est équipé d’un dispositif permettant de mesurer et d’enregistrer des valeurs d’émissions en association avec des paramètres moteurs au moment de la mesure. Un tel dispositif comprend par exemple une sonde positionnée dans la ligne d’échappement, par exemple une sonde PEMS (portable emissions measuring system), et un calculateur adapté pour obtenir des paramètres moteurs à partir d’un bus CAN (Controller Area Network). Le dispositif permet ainsi d’obtenir, par exemple à chaque seconde, des paramètres du véhicule (la vitesse du véhicule, le régime moteur, les températures, des valeurs de pression, etc.) et des mesures d’émission de gaz polluants, comme des Nox ou du Co2. Contrairement aux mesures réalisées à l’étape 100, ces mesures sont réalisées dans des conditions moteurs transitoires, c’est-à-dire non stabilisées. Les mesures en cycle de conduite réel peuvent être réalisées sur un banc à rouleaux sur lequel le véhicule est installé. De cette façon, des valeurs de régime moteur et de pressions cylindre peuvent être obtenues directement à partir de capteurs, sans qu’il soit nécessaire d’utiliser une interface CAN. Une telle disposition permet en outre d’éviter l’utilisation d’une sonde portable au profit d’instruments de mesure plus précis.
Un cycle de conduite réel est par exemple un cycle transitoire conduit sur rouleaux, tel que le cycle FTP-75 (Federal Test Procedure), WLTC (Worldwide harmonized Light vehicles Test Cycle) ou le cycle Artemis, qui comportent de nombreuses variations de vitesse, typiques des conditions de conduite sur route.
Les données ainsi obtenues sont mémorisées, par exemple dans une base de données. Les données peuvent être mémorisées dans un format modifié. Par exemple, les données peuvent être normalisées et/ou être mises en forme afin de mettre en évidence certaines caractéristiques tels que des gradients par exemple.
On obtient ainsi un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur transitoires au cours d’un cycle de conduite réel, chacune associée à une valeur de régime moteur et/ou de pression cylindre. Bien entendu, les mesures peuvent être associées à des valeurs d’autres paramètres moteurs, comme par exemple à des températures.
A l’étape 102, au moins un hyperparamètre d’un modèle de prédiction est déterminé par validation croisée («cross validation» en anglais). Un hyperparamètre est un paramètre permettant d’ajuster le comportement d’un modèle. Par exemple, lorsque le modèle est un réseau de neurone, un hyperparamètre peut être le nombre de couches du réseau, le nombre de neurones par couche, la quantité de régularisation, etc.
La validation croisée est une méthode permettant d’estimer la fiabilité d’un modèle de prédiction et d’ajuster au moins un hyperparamètre. De manière classique, la validation croisée permet prédire l'efficacité d'un modèle sur un ensemble de validation hypothétique lorsqu'un ensemble de validation indépendant n'est pas disponible. Selon un mode particulier de réalisation, le modèle est une adaptation paramétrable de la régression linéaire de type Lasso (Least Absolute Shrinkage and Selection Operator), qui présente l’avantage d’être totalement interprétable. Dans ce cas, un hyperparamètre est par exemple un paramètre permettant de déterminer un niveau de régularisation du modèle.
Ainsi, de manière classique, la validation croisée permet d’utiliser l’intégralité d’un jeu de données pour l’entrainement et la validation d’un modèle de prédiction. Il n’est pas nécessaire de réserver une partie des données pour la validation. L’apprentissage est alors plus efficace car il bénéficie d’un jeu de données plus important.
Le procédé d’entrainement en question propose de mettre en œuvre une technique de validation croisée dans laquelle le jeu d’entrainement est défini à partir des mesures effectuées sur banc moteur dans des conditions stabilisées, c’est-à-dire par exemple à partir des données issues du premier jeu obtenu à l’étape 100, et dans lequel le jeu de test est obtenu à partir des mesures réalisées en cycle de conduite réel lors de l’étape 101.
La figure 3 montre un premier jeu de données 300 correspondant à des données obtenues en conditions moteurs stabilisées lors de l’étape 100 décrite ci-avant, et un second jeu de données obtenues en conditions moteur transitoires lors d’un cycle de conduite réel selon l’étape 102.
Les jeux de données 300 et 301 sont découpés en k parties («k-folds» en anglais) pour être traitées en k itérations successives. Dans cet exemple, les jeux de données sont découpés en 5 parties, mais d’autres découpages peuvent être envisagés.
Lors d’une première itération I1, une première partie 302 du jeu de données 301 est utilisé pour valider un premier jeu 303 de données d’entrainement composé de k-1 parties du jeu de données 300, soit 4 parties dans cet exemple.
Lors d’une deuxième itération I2, une deuxième partie 304 du jeu de données 301 est utilisé pour valider un premier jeu 305 de données d’entrainement composé de k-1 parties du jeu de données 300, soit 4 parties dans cet exemple.
De la même manière, au cours d’itérations I3 à I5, les parties 307 à 311 du jeu de données 300 sont validées respectivement à partir des parties 306 à 310 du deuxième jeu de données.
L’étape de validation croisée qui vient d’être décrite est répétée pour une pluralité de valeur d’hyperparamètre. La valeur d’hyperparamètre sélectionnée pour le modèle est celle qui minimise l’erreur pour chaque itération de validation croisée. Par exemple, l’hyperparamètre retenu est celui qui minimise la somme des carrés des erreurs. Plus précisément, plusieurs ensembles d’hyperparamètres sont testés. Pour chaque ensemble d’hyperparamètres on réalise les k entrainements et les k prédictions, et le score est mesuré sur chacune de ces prédictions selon une métrique particulière, par exemple selon la somme des moindres carrés ou selon la fonction de coût décrites plus haut. Le score attribué à un ensemble d’hyperparamètres correspond à la moyenne des k scores.
Lors d’une étape 103, le modèle est configuré avec l’hyperparamètre déterminé à l’étape 102 et entrainé à partir du jeu de données issu des mesures sur banc à l’étape 100.
Selon une réalisation particulière, les données d’entrainement sont présentées au modèle d’apprentissage sous la forme d’une pluralité de vecteurs de caractéristiques associés à une ou plusieurs variables cibles. Un vecteur caractéristique comprend un nombre prédéfini de paramètres moteur, par exemple une ou plusieurs températures, un régime, une pression cylindre. Les variables cibles comprennent par exemple des valeurs massiques de gaz polluants, par exemple des valeurs massiques d’oxydes d’azote (NOx).
Dans une réalisation particulière, lors de l’obtention des premiers et seconds jeux de données, des valeurs correspondant à une pluralité de paramètres moteurs sont acquises, par exemple des valeurs d’une soixantaine de paramètres moteurs. Ainsi, une mesure d’émission de gaz polluant est par exemple associée à des valeurs de températures, de pressions, à une quantité de carburant injecté en pré-injection, en post-injection et/ou en injection principale, à des valeurs de calibration de bielle, ou encore à des quantités de recirculation de gaz d’échappement, etc. Des traitements statistiques sont appliqués à ces variables, afin de faire apparaître par exemple des variations ou des gradients. Il s’agit par exemple d’élévation au carré, d’inverse exponentiel ou de logarithme. Ainsi, à partir de la soixantaine de paramètres acquis, on obtient par exemple 224 variables. La variable cible est par exemple une quantité de Nox émis par unité de temps, par exemple pour 100 ms.
Selon un mode de réalisation particulier, le modèle de prédiction comprend une couche de perte définit par la fonction de perte («loss» en anglais) suivante:
Dans laquelle f(x) est la valeur cumulée des émission observées et g(x) la valeur cumulée d’émissions prédites.
La variable cible à partir de laquelle le modèle est entrainé comprend ainsi une valeur d’émission cumulée sur une période particulière, par exemple sur l’intégralité d’un cycle de conduite. Par exemple, le cumul est réalisé sur une durée de 30 minutes et comprend 18000 enregistrements pour une unité de temps de 100ms.
Selon une réalisation particulière, le procédé est mis en œuvre par un dispositif d’entrainement, le dispositif comprenant une mémoire et un processeur, le processeur étant configuré par des instructions enregistrées dans la mémoire pour mettre en œuvre les étapes 100 à 103 décrites ci-avant.
Le modèle obtenu par la mise en œuvre des étapes 100 à 103 peut être utilisé pour prédire des émissions de gaz polluants d’un moteur à combustion interne. A cet effet, l’invention concerne un procédé de prédiction d’émissions polluantes d’un moteur à combustion interne. Les étapes d’un tel procédé de prédiction vont maintenant être décrites en relation avec la figure 4.
Lors d’une première étape 400, la valeur d’au moins un paramètre moteur d’un véhicule est obtenu au cours d’un cycle de conduite réel.
Le paramètre moteur obtenu au cours d’un cycle de conduite réel est par exemple une valeur de pression cylindre, et/ou un régime moteur, ou toute combinaison de paramètres moteurs décrits ci-avant à partir desquels un modèle de prédiction est entrainé. Ces valeurs de paramètres sont obtenues à partir de capteurs installés à cet effet sur un moteur à combustion interne, tels que des capteurs de pression piézoélectriques ou des capteurs PMH et d’arbre à cames permettant de déterminer le régime moteur. Ces valeurs de paramètres sont accessibles par l’intermédiaire d’un bus CAN (Controller Area Network) du véhicule.
Selon une réalisation particulière, les valeurs de paramètres moteurs proviennent d’un enregistrement de paramètres de fonctionnement obtenus à partir d’un bus CAN au cours d’un cycle de conduite sur route.
Lors d’une étape 401, les paramètres obtenus sont utilisés pour construire un vecteur caractéristique de structure similaire à celui utilisé pour entrainer le modèle et décrit en référence à l’étape d’entrainement 103. Ainsi, les mêmes paramètres auxquels sont appliqués les mêmes traitements statistiques sont utilisés pour créer à la fois le vecteur caractéristique utilisé pour l’entrainement et celui utilisé pour la prédiction.
A l’étape 402, le modèle de prédiction entrainé selon le procédé d’entrainement décrit en référence aux étapes 100 à 103 est appliqué au vecteur caractéristique pour obtenir une prédiction d’une valeur d’émission de gaz polluant.
La figure 5 représente l’architecture d’un dispositif 500 adapté pour mettre en œuvre le procédé d’entrainement selon un mode de réalisation particulier. Le dispositif 500 comprend un espace de stockage 502, par exemple une mémoire MEM, une unité de traitement 501 équipée par exemple d’un processeur PROC. L’unité de traitement peut être pilotée par un programme 503, par exemple un programme d’ordinateur PGR, mettant en œuvre le procédé d’entrainement, et notamment les étapes d’acquisition 200 d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à la valeur d’au moins un paramètre moteur stabilisé particulier, d’acquisition 201 d’un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur transitoires d’un cycle de conduite réel, une mesure étant associée à la valeur d’au moins un paramètre moteur, de détermination 202 d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données, et d’entrainement 203 du modèle de prédiction à partir du premier jeu de données et de l’hyperparamètre.
À l’initialisation, les instructions du programme d’ordinateur 503 sont par exemple chargées dans une mémoire RAM (Random Access Memory en anglais) avant d’être exécutées par le processeur de l’unité de traitement 501. Le processeur de l’unité de traitement 501 met en œuvre les étapes du procédé d’entrainement selon les instructions du programme d’ordinateur 503.
Pour cela, outre la mémoire et le processeur, le dispositif 500 comprend des moyens de communication 504, par exemple une interface réseau Ethernet, permettant au dispositif d’échanger des messages avec d’autres dispositifs au travers d’un réseau de communication, et en particulier d’effectuer des requêtes vers une base de données 508 dans laquelle est stocké un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à au moins un paramètre moteur stabilisé particulier et un second jeu de données comprenant, pour une pluralité d’instants d’acquisition au cours d’un cycle de conduite réel, une mesure d’émission de gaz polluants réalisée en conditions moteur transitoires, associée à au moins un paramètre moteur au moment de l’acquisition. Dans un mode de réalisation particulier, la base de données 508 est comprise dans une mémoire du dispositif 500. Dans ce cas, le module de communication 504 est par exemple une interface d’accès à la base de données 504, par exemple une interface de programmation (API, pour Application Programing Interface).
Le dispositif 500 comprend un modèle d’apprentissage 505. Il s’agit par exemple d’une implémentation logicielle d’un réseau de neurones artificiels ou d’un modèle linéaire de type Lasso. Le modèle est mis en œuvre par des instructions de programme d’ordinateur mémorisées dans la mémoire 502 et adaptées pour être exécutées par l’unité de traitement 501, les instructions étant configurées pour permettre l’entrainement du modèle à partir des jeux de données obtenus lorsqu’elles sont exécutées par le processeur de l’unité de traitement.
Le dispositif 500 comprend en outre un module 506 de validation croisée. Le module 506 est par exemple mis en œuvre par des instructions de programme d’ordinateur mémorisées dans la mémoire 501 du dispositif et configurées pour déterminer au moins un hyperparamètre du modèle de prédiction 505 par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données provenant de la base de données 508.
Le dispositif 500 comprend enfin un module d’entrainement 507 adapté pour entrainer le modèle de prédiction 505 à partir des jeux de données obtenus par le module 504 et d’au moins un hyperparamètre déterminé par le module 506. Selon une réalisation particulière, le module d’entrainement est mis en œuvre par des instructions de programme d’ordinateur mémorisées dans la mémoire 502 du dispositif et adaptées pour être exécutées par le processeur de l’unité de traitement 501.
Selon un mode particulier de réalisation, le dispositif 500 est intégré dans un ordinateur, par exemple un serveur.
La figure 6 représente l’architecture d’un dispositif de prédiction 600 selon une réalisation particulière de l’invention. Le dispositif 600 comprend un espace de stockage 602, par exemple une mémoire MEM, une unité de traitement 601 équipée par exemple d’un processeur PROC. L’unité de traitement peut être pilotée par un programme 603, par exemple un programme d’ordinateur PGR, mettant en œuvre le procédé de prédiction selon une réalisation particulière, et notamment les étapes d’obtention d’au moins un paramètre moteur au cours d’un cycle de conduite réel, et de prédiction d’une valeur d’émission de gaz polluant par application du au moins un paramètre moteur obtenu à un modèle de prédiction entrainé selon un procédé d’entrainement tel que décrit ci-avant.
À l’initialisation, les instructions du programme d’ordinateur 603 sont par exemple chargées dans une mémoire RAM (Random Access Memory en anglais) avant d’être exécutées par le processeur de l’unité de traitement 601. Le processeur de l’unité de traitement 601 met en œuvre les étapes du procédé de prédiction selon les instructions du programme d’ordinateur 603.
Pour cela, outre la mémoire et le processeur, le dispositif 600 comprend un module d’acquisition 604, par exemple une interface CAN, permettant au dispositif 600 d’échanger des données avec au moins un capteur 605 par l’intermédiaire d’un bus CAN pour obtenir un paramètre moteur au cours d’un cycle de conduite réel. Selon un mode particulier de réalisation, le module d’acquisition 604 permet au dispositif d’obtenir une valeur de régime moteur et/ou une pression cylindre d’un moteur à combustion interne. Dans une réalisation particulière, le module 604 est une interface logicielle permettant au dispositif d’obtenir la valeur d’au moins un paramètre moteur à partir d’une base de données dans laquelle sont mémorisés une pluralité de paramètres moteurs obtenus lors d’un cycle de conduite réel.
Le dispositif 600 comprend également un modèle d’apprentissage 606 entrainé selon un procédé d’entrainement tel que décrit ci-avant. Le modèle d’apprentissage est par exemple un réseau de neurones artificiels ou un modèle linéaire, par exemple un modèle linéaire de type Lasso. Selon un mode de réalisation particulier, le modèle d’apprentissage 606 est mis en œuvre par des instructions de programme d’ordinateur enregistrées dans la mémoire 602 et adaptée pour mettre être exécuté par le processeur de l’unité de traitement 601.
Le dispositif 600 comporte enfin un module de prédiction 607, adapté pour prédire une valeur d’émission de gaz polluant par application d’au moins un paramètre moteur obtenu par le module d’acquisition 604 au modèle de prédiction 606.
Claims (7)
- Procédé d’entrainement d’un modèle de prédiction d‘émissions d’un moteur à combustion interne caractérisé en ce qu’il comporte les étapes suivantes:
- Acquisition (200) d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à au moins un paramètre moteur,
- Acquisition (201) d’un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisée en conditions moteur transitoires au cours d’un cycle de conduite réel, une mesure étant associée à une valeur du au moins un paramètre moteur,
- Détermination (202) d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données,
- Entrainement (203) du modèle de prédiction à partir du premier jeu de données et de l’hyperparamètre.
- Procédé selon la revendication 1 dans lequel le modèle de prédiction est un réseau de neurone dont la couche de perte estdéfinie par la fonction suivante :
où f(x) est un cumul des émission et g(x) le cumul prédit. - Procédé selon l’une quelconque des revendications précédentes dans lequel une mesure est au moins associée à un régime moteur et une pression cylindre.
- Procédé de prédiction d’émissions polluantes d’un moteur à combustion interne caractérisé en ce qu’il comprend des étapessuivantes :
- Obtention (400) d’une valeur d’au moins un paramètre moteur au cours d’un cycle de conduite réel,
- Prédiction (402) d’une valeur d’émission de gaz polluant par application de la valeur du au moins un paramètre moteur obtenu à un modèle de prédiction entrainé selon un procédé d’entrainement tel que décrit ci-dessus.
- Dispositif d’entrainement d’un modèle de prédiction 505 d‘émissions d’un moteur à combustion interne, le dispositif comprenant une mémoire 502 et un processeur 501, le processeur étant configuré par des instructions 503 enregistrées dans la mémoire 502 pour mettre en œuvre les étapes suivantes:
- Acquisition d’un premier jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisées en conditions moteur stabilisées, une mesure étant associée à une valeur d’au moins un paramètre moteur,
- Acquisition d’un second jeu de données comprenant une pluralité de mesures d’émission de gaz polluants réalisée en conditions moteur transitoires au cours d’un cycle de conduite réel, une mesure étant associée à une valeur du au moins un paramètre moteur,
- Détermination d’au moins un hyperparamètre du modèle de prédiction par validation croisée de données d’apprentissage issues du premier jeu de données avec des données de validation issues du second jeu de données, et
- Entrainement du modèle de prédiction 505 à partir du premier jeu de données et de l’hyperparamètre.
- Dispositif de prédiction d’émissions polluantes d’un moteur à combustion interne, le dispositif comprenant une mémoire 602 et un processeur 601, le processeur étant configuré par des instructions 603 enregistrées dans la mémoire 602 pour mettre en œuvre les étapes suivantes :
- Obtention d’une valeur d’au moins un paramètre moteur au cours d’un cycle de conduite réel,
- Prédiction d’une valeur d’émission de gaz polluant par application de la valeur du au moins un paramètre moteur obtenu à un modèle de prédiction 606 entrainé selon un procédé d’entrainement selon l’une quelconque des revendications 1 à 3.
- Support d'informations lisible par un processeur sur lequel est enregistré un programme d'ordinateur comprenant des instructions pour l’exécution d’un procédé d’entrainement selon l’une quelconque des revendications 1 à 3 et/ou les étapes d’un procédé de prédiction selon la revendication 4.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2002259A FR3107979B1 (fr) | 2020-03-06 | 2020-03-06 | Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2002259A FR3107979B1 (fr) | 2020-03-06 | 2020-03-06 | Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne |
| FR2002259 | 2020-03-06 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3107979A1 true FR3107979A1 (fr) | 2021-09-10 |
| FR3107979B1 FR3107979B1 (fr) | 2022-11-25 |
Family
ID=70456997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2002259A Active FR3107979B1 (fr) | 2020-03-06 | 2020-03-06 | Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3107979B1 (fr) |
-
2020
- 2020-03-06 FR FR2002259A patent/FR3107979B1/fr active Active
Non-Patent Citations (1)
| Title |
|---|
| DOMÍNGUEZ-SÁEZ AIDA ET AL: "Prediction of exhaust emission in transient conditions of a diesel engine fueled with animal fat using Artificial Neural Network and Symbolic Regression", ENERGY, ELSEVIER, AMSTERDAM, NL, vol. 149, 19 February 2018 (2018-02-19), pages 675 - 683, XP085378668, ISSN: 0360-5442, DOI: 10.1016/J.ENERGY.2018.02.080 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3107979B1 (fr) | 2022-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CA2943397C (fr) | Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef | |
| CA2744977C (fr) | Detection d'anomalie dans un moteur d'aeronef | |
| FR3035232A1 (fr) | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe | |
| EP3454034B1 (fr) | Procédé et dispositif de mesure d'une marge de poussée d'une turbomachine | |
| FR3107979A1 (fr) | Procédé d’entrainement d’un modèle de prédiction d’émission d’un moteur à combustion interne | |
| FR3084170A1 (fr) | Procede de determination d'une matrice de covariance de bruit d'etat pour le reglage d'un observateur de l'etat de charge d'une batterie et dispositif correspondant | |
| FR2926886A1 (fr) | Procede de generation d'un plan d'experience d'essais successifs a executer sur un banc moteur | |
| FR2966928A1 (fr) | Procede et dispositif de surveillance d'une chaine de mesure redondee | |
| EP2082253B1 (fr) | Procede et dispositif d'estimation d'une trajectoire decrite par un vehicule | |
| FR3070513B1 (fr) | Methode de reparation d’un vehicule | |
| FR3124868A1 (fr) | Procédé de contrôle d’un système et produit programme d’ordinateur associé | |
| FR3069573B1 (fr) | Procede d'analyse du fonctionnement d'un systeme anti-pollution d'un vehicule automobile | |
| FR3116502A1 (fr) | Procédé et dispositif de détection d’anomalie de fonctionnement d’un véhicule | |
| FR3012882A1 (fr) | Procede d'essai technique | |
| WO2021180726A1 (fr) | Procédé et système de contrôle non destructif d'une pièce aéronautique | |
| FR2979013A1 (fr) | Systeme de surveillance en banc d'essai de moteur d'aeronef | |
| FR3138555A1 (fr) | Procédé de détermination de la température des gaz de sortie d’un moteur et procédé de mesure de l’usure d’un moteur | |
| FR3117291A1 (fr) | Procédé et système de transfert sécurisé de données d’essais | |
| WO2007048972A2 (fr) | Unite de controle electronique pour moteur de vehicule comportant au moins une loi de commande amelioree | |
| FR3115824A1 (fr) | Procédé de détermination de défaut d’un rendement d’un module d’un turbomoteur d’un aéronef | |
| WO2023209111A1 (fr) | Procede et systeme de detection d'anomalie(s) dans une structure | |
| FR3130371A1 (fr) | Procédé de surveillance d’au moins un état caractéristique du déplacement d’un système mécanique | |
| FR3115826A1 (fr) | Procédé de détermination d’un indicateur de stabilité d’une combustion dans un cylindre d’un moteur à combustion interne | |
| FR3000206A1 (fr) | Procede de caracterisation du fonctionnement d'un moteur a combustion interne | |
| FR3009399A1 (fr) | Recherche de limite de performance d'une infrastructure informatique |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210910 |
|
| TP | Transmission of property |
Owner name: VITESCO TECHNOLOGIES, DE Effective date: 20210930 |
|
| CA | Change of address |
Effective date: 20220103 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |