FR3116502A1

FR3116502A1 - Procédé et dispositif de détection d’anomalie de fonctionnement d’un véhicule

Info

Publication number: FR3116502A1
Application number: FR2012104A
Authority: FR
Inventors: Grégory VIAL; Marina LABALETTE
Original assignee: Vitesco Technologies; Continental Automotive France SAS
Current assignee: Vitesco Technologies GmbH; Continental Automotive Technologies GmbH
Priority date: 2020-11-25
Filing date: 2020-11-25
Publication date: 2022-05-27
Anticipated expiration: 2040-11-25
Also published as: FR3116502B1; WO2022112920A1

Abstract

L’invention concerne un procédé de détection d’anomalie de fonctionnement dans un véhicule comprenant des étapes d’obtention d’une vitesse de déplacement du véhicule, et d’une valeur représentative d’un régime moteur, et lorsqu’une vitesse de véhicule et une valeur représentative de régime moteur particulières sont détectées, des étapes de capture de données vibratoires à partir d’au moins un capteur du véhicule, de sélection d’un modèle de prédiction particulier selon au moins ladite vitesse de déplacement du véhicule et la valeur représentative de régime moteur détectées, de prédiction d’une probabilité de disfonctionnement par application du modèle de prédiction sélectionné à un vecteur caractéristique comprenant des valeurs obtenues à partir des données vibratoires capturées, et de signalisation d’un disfonctionnement si la probabilité prédite est supérieure à un seuil prédéterminé. L’invention concerne également un dispositif adapté pour mettre en œuvre un tel procédé. Figure 3.

Description

Procédé et dispositif de détection d’anomalie de fonctionnement d’un véhicule

L’invention appartient au domaine de la détection de panne sur un véhicule et concerne en particulier un procédé et un dispositif pour détecter des anomalies de fonctionnement sur un véhicule à partir d’un ou plusieurs capteurs de vibrations.

Art antérieur

De nombreuses techniques de diagnostic ont été développées pour détecter et/ou prévenir des disfonctionnements d’un véhicule. Ces techniques mettent en œuvre une variété de capteurs, tels des capteurs de pression de pneu, des capteurs de température, de vibration, d’humidité, des sondes d’échappement ou encore des capteurs de cliquetis, dont les mesures sont comparées avec des valeurs caractéristiques d’un disfonctionnement pour diagnostiquer une panne.

Malgré leur efficacité, ces techniques présentent l’inconvénient de nécessiter un capteur particulier pour chaque type de panne qu’on souhaite détecter. Or, la multiplication des capteurs implique un coût important. D’autre part, cette solution manque de flexibilité car la détection d’un nouveau type de panne nécessite souvent l’ajout d’un capteur spécifique.

Ainsi, il existe un besoin pour une solution permettant de détecter efficacement une variété de disfonctionnements avec un nombre limité de capteurs.

A cet effet, il est proposé un procédé de détection d’anomalie de fonctionnement dans un véhicule comprenant les étapes suivantes :

Obtention d’une vitesse de déplacement du véhicule, et d’une valeur représentative d’un régime moteur, et

Lorsqu’une vitesse de véhicule particulière et une valeur représentative de régime moteur particulière sont détectées :

Sélection d’un modèle de prédiction particulier selon au moins ladite vitesse de déplacement du véhicule et ladite valeur représentative de régime moteur détectées,
Capture de données vibratoires à partir d’au moins un capteur du véhicule,
Prédiction d’une probabilité de disfonctionnement par application du modèle de prédiction sélectionné à un vecteur caractéristique comprenant des valeurs obtenues à partir des données vibratoires capturées, et
Signalisation d’un disfonctionnement si la probabilité prédite est supérieure à un seuil prédéterminé.

Ainsi, lorsque qu’une vitesse particulière et un régime moteur particulier sont détectés lors de la circulation d’un véhicule, un modèle de prédiction spécifiquement entrainé pour détecter ce disfonctionnement dans ces conditions particulières est sélectionné et appliqué à des données capturées par au moins capteur de vibration dans ces conditions particulières. Certains défauts ou dysfonctionnements d’un véhicule génèrent un phénomène vibratoire particulier qui peut être considéré comme une signature du dysfonctionnement. Or, les inventeurs ont constaté que pour un dysfonctionnement particulier, la signature vibratoire correspondante est plus ou moins détectable selon la vitesse et le régime moteur du véhicule. En effet, d’autres phénomènes vibratoires produits par le fonctionnement normal du véhicule peuvent masquer la signature vibratoire d’un défaut dans certaines conditions de fonctionnement. A l’inverse, la signature vibratoire d’un défaut peut être particulièrement significative dans d’autres conditions de fonctionnement du véhicule.

En proposant d’associer un modèle de prédiction spécifiquement entrainé pour détecter un dysfonctionnement particulier avec des conditions de fonctionnement prédéterminées du véhicule, le procédé améliore significativement le taux de détection de dysfonctionnements. En outre, le procédé utilisant un unique type de capteur, son coût de mise en œuvre est très inférieur à l’utilisation d’un ensemble de capteurs dédiés.

Selon un mode particulier de réalisation, le procédé est tel que les données vibratoires sont capturées à partir d’au moins un capteur adapté pour capturer des vibrations dont la fréquence est comprise entre 70Hz et 3 kHz.

Une telle plage de fréquence permet la détection d’une pluralité défauts courants sur un véhicule, parmi lesquels :

Pneus sous-gonflés,
Pneus surgonflés,
Pneu usé,
Jante voilée,
Défaut de parallélisme, et
Equilibrage des roues.

Selon une réalisation particulière, le procédé est tel que les données vibratoires sont capturées à partir :

D’un premier capteur positionné sur un amortisseur du véhicule, et
D’un deuxième capteur positionné sur un bras de commande du véhicule.

Les tests ont montré que l’utilisation de capteurs montés sur un bras de commande et/ou un amortisseur et le permettent d’obtenir les meilleurs résultats, notamment parce que le bras de commande et l’amortisseur réalisent une liaison entre plusieurs pièces mécaniques.

Dans un mode de réalisation particulier, la valeur représentative d’un régime moteur est un rapport de transmission particulier.

Il est ainsi proposé d’associer un modèle d’apprentissage à une vitesse et un rapport de transmission particulier. La vitesse d’un véhicule associée à un rapport de transmission permet de caractériser un régime moteur particulier, et donc un régime vibratoire particulier.

Selon un mode particulier de réalisation, le procédé est tel que le vecteur caractéristique comprend en outre des valeurs obtenues par application d’une transformée Fourrier aux données capturées.

La prédiction est ainsi effectuée à partir de données vibratoires dans le domaine temporel et dans le domaine fréquentiel. Une telle disposition permet d’améliorer la prédiction.

Selon une réalisation particulière, le procédé tel qu’il comprend en outre une étape préalable d’entrainement d’un modèle de prédiction pour détecter une anomalie de fonctionnement d’un véhicule à partir de mesures issues d’au moins un capteur de vibrations du véhicule, l’étape d’entrainement comprenant les sous-étapes suivantes :

Acquisition de données en provenance d’au moins un capteur de vibrations du véhicule, le véhicule étant configuré pour qu’il présente un disfonctionnement particulier pendant l’acquisition des données, les données étant acquises au cours d’un cycle de conduite prédéfini comprenant une pluralité de vitesses du véhicule et une pluralité de valeurs représentatives d’un régime moteur,
Segmentation des données capturées pendant le cycle de conduite pour obtenir une pluralité de plages de données correspondant chacune à une vitesse de véhicule et une valeur représentative d’un régime moteur stabilisées,
Détermination, par classification supervisée des données segmentées, d’une plage de données dans laquelle une signature vibratoire du disfonctionnement particulier influence sensiblement le signal capturé par l’au moins un capteur de vibrations,
Entrainement du modèle de prédiction pour détecter un disfonctionnement particulier à partir des données vibratoires capturées pour la vitesse et la valeur représentative d’un régime moteur associées à la plage de données déterminée.

Le procédé permet ainsi de découvrir, pour un dysfonctionnement particulier, les plages de vitesse et les régimes moteurs ou rapports de transmissions pour lesquels la signature vibratoire du dysfonctionnement se dégage sensiblement d’autres phénomènes vibratoires. Autrement dit, le procédé permet d’identifier les conditions de vitesse et de régime moteur ou rapports de transmission les plus propices à la détection d’une anomalie de fonctionnement particulière. Les données capturées lorsque le véhicule circule dans les conditions de fonctionnement ainsi identifiées sont alors utilisées pour entrainer un modèle d’apprentissage adapté pour détecter une anomalie particulière à partir de données vibratoires capturées lorsque le véhicule atteint une vitesse et un régime moteur (ou un rapport de transmission) particulier.

Selon un autre aspect, l’invention concerne un dispositif de détection d’anomalie de fonctionnement d’un véhicule comprenant au moins un capteur de vibrations, le dispositif comprenant un processeur et une mémoire dans laquelle sont enregistrées des instructions de programme d’ordinateur configurées pour mettre en œuvre les étapes d’un procédé de détection tel que décrit précédemment à partir des données capturées par ledit au moins un capteur.

L’invention concerne aussi un véhicule comprenant un tel dispositif de détection d’anomalie.

Enfin, l’invention vise aussi un support d’information sur lequel sont enregistrées des instructions de programme d’ordinateur configurées pour mettre en œuvre les étapes d’un procédé de détection décrit précédemment.

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. Ainsi, 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 en question.

Les dispositifs, véhicules et supports d’informations présentent au moins des avantages analogues à ceux conférés par le procédé auquel ils se rapportent.

Brève description des figures

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 :

La représente schématiquement un véhicule comprenant des capteurs de vibrations agencés sur des éléments de suspension selon une réalisation particulière,

La représente un bras de commande et un amortisseur sur lesquels sont positionnés des capteurs de vibrations selon un mode particulier de réalisation,

La est un ordinogramme illustrant les principales étapes du procédé de détection selon une réalisation particulière,

La est un graphique montrant l’évolution de la vitesse d’un véhicule et des rapports de transmission en fonction du temps lors d’un cycle de conduite particulier.

La est un graphique montrant l’évolution de la vitesse d’un véhicule et des rapports de transmission en fonction du temps lors d’un cycle de conduite particulier sur lequel on a représenté des plages de données correspondant à des vitesses et des rapports de transmission stabilisés.

La est une table dans laquelle on a associé des plages de données avec des vitesses et des rapports de transmissions particuliers.

La représente l’architecture d’un dispositif de détection d’anomalie selon un mode de réalisation particulier.

Description détaillée

La représente schématiquement un véhicule 100. Le véhicule 100 comprend un calculateur, par exemple un ECU 101 (Unité de Commande Electronique) adapté pour traiter des signaux issus de capteurs comme des capteurs de vibrations 102, 104. Le calculateur 101 est en outre configuré pour recevoir et traiter des paramètres de fonctionnement du véhicule, par exemple une vitesse de déplacement, un régime moteur ou un rapport de transmission. Le calculateur 101 communique avec les capteurs et obtient des paramètres de fonctionnement par l’intermédiaire d’un bus de communication, par exemple un bus CAN (Controller Area Network).

Selon un mode particulier de réalisation, les capteurs de vibrations 102 et 104 sont des capteurs adaptés pour capturer des vibrations dont les fréquences sont comprises entre 70Hz et 3 kHz. Il s’agit par exemple de capteurs de cliquetis.

De préférence, au moins un capteur 102 est localisé sur un bras de commande 103 du véhicule et au moins un capteur 104 est localisé sur un amortisseur 105 du véhicule. En variante, d’autres emplacements peuvent être envisagés, par exemple sur le sous-châssis du véhicule, sur le train ou l’essieu arrière, ou encore sur une rotule de direction.

Le procédé de détection comprend une première phase d’entrainement et une deuxième phase de détection d’une anomalie, les deux phases pouvant être mises en œuvre sur des véhicules distincts. Par exemple, la phase d’entrainement peut être mise en œuvre à partir de données capturées sur un véhicule d’entrainement, et la phase de détection peut être mise en œuvre sur une pluralité de véhicules de même catégorie que le véhicule d’entrainement, comportant des capteurs de vibrations positionnés à des emplacements sensiblement identiques aux emplacements des capteurs de vibrations du véhicule d’entrainement.

La phase d’entrainement va maintenant être décrite en relation avec la . Au cours de cette phase d’entrainement préalable, une pluralité de modèles de prédictions sont entrainés et associés à des anomalies, des vitesses et des rapports de vitesses particuliers.

L’entrainement comprend une première étape 300 au cours de laquelle on réalise, au cours d’un cycle de conduite particulier, une première acquisition de données sur un véhicule ne comportant aucune anomalie. Les données capturées comprennent notamment des vitesses du véhicule, des rapports de transmissions et des données vibratoires capturées par des capteurs 102 et 104. Le cycle de conduite est caractérisé par une succession de vitesses de roulage stabilisées et de changement de rapports de vitesses. Un exemple d’un tel cycle de conduite est représenté sur la : le graphique 400 montre une évolution de la vitesse du véhicule au cours du temps, et le graphique 401 une évolution du rapport de transmission au cours du temps. Les données vibratoires collectées au cours du cycle de conduite réalisé par un véhicule sans anomalie sont représentées sur le graphique 402.

Lors d’une étape 301 on réalise, au cours d’un cycle de conduite identique au cycle de conduite de l’étape 300, une deuxième acquisition de données sur un véhicule comportant une anomalie particulière. Par exemple, on peut provoquer une anomalie sur le véhicule en sous-gonflant ou surgonflant un pneu, en montant une jante voilée ou un pneu usé, en provoquant un défaut de parallélisme ou d’équilibrage des roues. Les données vibratoires collectées au cours du cycle de conduite réalisé par un véhicule dont au moins un pneu est sous-gonflé sont représentées sur le graphique 403 de la .

A l’étape 302 les données 402 et 403 collectées lors des étapes 300 et 301 sont segmentées de manière à obtenir des jeux de données correspondant à des plages de vitesse et des rapports de transmission stabilisés. Ainsi, à partir des données de vitesse et des rapports de transmission qui caractérisent le cycle de conduite, on a défini 11 plages temporelles D0 à D10 représentées sur la , permettant de segmenter les données 402 et 403 capturées par les capteurs de vibration 102 et 104, chacune d’entre elles comprenant des données vibratoires capturées à vitesse et rapport de transmission constants. Les plages ainsi déterminées sont synthétisées dans la table de la , laquelle associe une plage de données à une vitesse et un rapport de transmission particulier.

Lors d’une étape 303, on effectue une classification supervisée des signaux vibratoires capturés pour chaque jeu de données. Une telle classification est par exemple réalisée par application d’un algorithme de régression logistique.

En pratique, pour chaque plage de données sur lesquelles la vitesse et le rapport de transmission sont stables, on extrait par exemple vingt fenêtres de 100 ms, dont la moitié sera utilisée pour entraîner le modèle d’apprentissage, et l’autre moitié pour le valider. On effectue ensuite un entrainement multi-classe par plage de données, et on observe, dans chaque cas, la matrice de confusion résultant de la soumission du jeu de données de validation de la plage correspondante à la plage des données utilisées pour l’entrainement. On retient alors, pour chaque type de panne, la plage de vitesse et de rapport qui a mené à un taux de vrais positifs le plus élevé.

La classification réalisée à l’étape 303 permet ainsi d’identifier les plages de vitesses et rapports de transmissions dans lesquelles la signature vibratoire de l’anomalie provoquée est particulièrement détectable. Par exemple, à l’issu de l’étape 303, on peut déterminer que le phénomène vibratoire induit par l’anomalie « pneu sous-gonflé » est particulièrement détectable sur la plage D8, c’est-à-dire lorsque le véhicule circule à 90 km/h et que le 5eme rapport de transmission est enclenché.

Lors d’une étape 304, les données 403 capturée sur la plage de vitesse et le rapport de transmission sélectionné à partir des capteurs 102 et 104 du véhicule présentant l’anomalie sont utilisées pour entrainer un modèle de prédiction pour prédire ladite anomalie à partir de données obtenues auprès de capteurs de vibration. Ainsi, en reprenant l’exemple du paragraphe précédent, le modèle est entrainé à partir des données 402 et 403 capturées sur la plage D8.

Pour chaque type de panne, l’apprentissage comprend, pour la plage de vitesse et de rapport optimal déterminés à l’étape 303, l’entrainement d’un modèle d’apprentissage supervisé sur la base de dix fenêtres de 100ms extraites de ladite plage pour chaque type de panne et pour un véhicule sain. Pour la panne qui nous intéresse, les dix fenêtres de temps seront labellisées comme « panne » à savoir « 1 », et pour toutes les autres (véhicule sain et autres types de pannes), les dix fenêtres de temps seront à chaque fois labélisées comme « sain » à savoir « 0 ».

Le modèle ainsi entrainé est alors associé à la vitesse et au rapport de transmission de la plage temporelle utilisée pour l’entrainement. On peut par exemple utiliser une base de données dans laquelle un modèle de prédiction entrainé est associé à une vitesse, un rapport de transmission et un type d’anomalie.

Dans un mode particulier de réalisation, les données d’apprentissage permettant la classification à l’étape 303 et l’entrainement à l’étape 304 comprennent, outre les données vibratoires capturées, une transformée de ces données dans le domaine fréquentiel, comme une transformée de fourrier.

Les étapes 301 à 304 sont répétées pour une pluralité d’anomalies comme un pneu surgonflé, une jante voilée, un défaut d’équilibrage ou un défaut de parallélisme. On dispose ainsi à l’issue de l’étape 304 d’une pluralité de modèles de prédiction, chacun étant entrainé pour prédire une anomalie particulière à une vitesse et un rapport de transmission particulier.

La phase d’entrainement peut être réalisée sur un banc de test en utilisant une boite de transmission robotisée. De cette manière, il est possible de reproduire le cycle de conduite avec précision, avec pour effet de faciliter l’étape de segmentation 302.

Les modèles ainsi entrainés peuvent alors être utilisés pour prédire et détecter des anomalies dans des véhicules dans des conditions de circulation réelles ou cours d’une phase de détection.

Pour cela, les modèles entrainés sont par exemple enregistrés sous la forme d’instructions de programme d’ordinateur dans un support de stockage connecté à un calculateur d’un véhicule routier, par exemple une mémoire flash ou un disque dur. Le véhicule en question est adapté pour mettre en œuvre la phase de détection selon les étapes qui vont maintenant être décrites.

Au cours de la circulation du véhicule, on obtient régulièrement sa vitesse de déplacement ainsi que le rapport de transmission engagé. Ces données sont par exemple obtenues par l’intermédiaire d’un bus CAN du véhicule au cours d’une étape 305 du procédé de détection.

Les données de vitesse et de rapport de transmission sont régulièrement comparées lors d’une étape 306 avec des vitesses et des rapports de transmission mémorisés dans une table ou une base de données en association avec un type d’anomalie et un modèle de prédiction particulier entrainé lors de la phase d’entrainement décrite précédemment, de sorte que lorsqu’une vitesse particulière est atteinte alors qu’un rapport de transmission particulier est engagé, on sélectionne dans la table le modèle de prédiction associé.

Le procédé comprend en outre une étape 307 au cours de laquelle sont capturées des données vibratoires à partir de capteurs de vibration du véhicule, tant que le véhicule circule à une vitesse stabilisée correspondant sensiblement à la vitesse associée au modèle de prédiction sélectionné, et que le rapport de transmission engagé correspond au rapport de transmission associé au modèle sélectionné. Par exemple, les données sont capturées sur une fenêtre de 100 millisecondes.

Le modèle de prédiction sélectionné est appliqué lors d’une étape 308 aux données vibratoires capturées à l’étape 307. Dans un mode particulier de réalisation, les données auxquelles on applique le modèle de prédiction sélectionné comprennent, outre les données vibratoires capturées, une transformée de ces données dans le domaine fréquentiel, comme une transformée de fourrier, lorsque le modèle a été entrainé avec des données comprenant également des données transformées.

L’étape 308 permet ainsi d’obtenir une probabilité que le véhicule soit victime de l’anomalie associée au modèle de prédiction.

Lorsque la probabilité obtenue à l’étape 308 est supérieur à un seuil prédéfini, par exemple lorsqu’elle est supérieure à 95%, une étape 309 est mise en œuvre au cours de laquelle une alerte à destination de l’utilisateur du véhicule est émise. L’alerte peut être visuelle et/ou sonore et signaler à l’utilisateur l’anomalie détectée.

Dans la description qui précède, on a entrainé un modèle de prédiction à partir de données vibratoires capturées dans des conditions dynamiques de fonctionnement du véhicule particulière comprenant la vitesse du véhicule et un rapport de transmission. On note toutefois que le régime moteur d’un véhicule étant directement lié à sa vitesse de déplacement et au rapport de transmission engagé, il est possible d’utiliser une valeur de régime moteur en lieu et place du rapport de transmission dans les étapes décrites ci-dessus, sans qu’il soit nécessaire de modifier l’invention.

On note également que le nombre et la position des capteurs de vibration peut être modifié sans qu’il soit pour autant nécessaire de modifier l’invention. Par exemple, on peut utiliser un unique capteur positionné sur le châssis du véhicule, ou bien 4 capteurs positionnés sur les quatre amortisseurs du véhicule, ou encore deux capteurs par roue, disposés sensiblement aux emplacements représentés sur la .

La représente l’architecture d’un dispositif 700 adapté pour mettre le procédé de détection d’une anomalie selon un mode de réalisation particulier.

Le dispositif 700 comprend un espace de stockage 701, par exemple une mémoire MEM, une unité de traitement 703 équipée par exemple d’un processeur PROC. L’unité de traitement peut être pilotée par un programme 702, par exemple un programme d’ordinateur PGR, mettant en œuvre le procédé de détection décrit en référence à la , et notamment les étapes d’obtention d’une vitesse de déplacement du véhicule, et d’une valeur représentative d’un régime moteur, de capture de données vibratoires à partir d’au moins un capteur du véhicule et de sélection d’un modèle de prédiction particulier lorsqu’une vitesse de véhicule particulière et une valeur représentative de régime moteur particulière sont détectées, de prédiction d’une probabilité de disfonctionnement par application du modèle de prédiction sélectionné à un vecteur caractéristique comprenant au moins des valeurs obtenues à partir des données vibratoires capturées, et de signalisation d’un disfonctionnement si la probabilité prédite est supérieure à un seuil prédéterminé.

A l’initialisation, les instructions du programme d’ordinateur 702 sont par exemple chargées dans une mémoire RAM (Random Access Memory) avant d’être exécutées par le processeur de l’unité de traitement 703. Le processeur de l’unité de traitement 703 met en œuvre les étapes du procédé de détection selon les instructions du programme d’ordinateur 702.

Pour cela, le dispositif comprend, outre la mémoire 701, un module de communication 704 adapté pour recevoir des signaux en provenance de capteurs du véhicule, et en particulier pour recevoir une vitesse de déplacement du véhicule et une valeur représentative d’un régime moteur en provenance de capteurs SPD et GR, comme un rapport de transmission engagé ou une valeur de régime moteur, et des données vibratoires en provenance d’au moins un capteur de vibrations KS adapté pour percevoir des vibrations dans la bande de fréquence 70Hz-3KHz. Le module de communication 704 est par exemple une interface CAN (Controller Area Network).

Le dispositif 700 comprend également un module de sélection 705 adapté pour sélectionner un modèle de prédiction particulier parmi une pluralité de modèles de prédiction mémorisés dans une base de données 706, selon une vitesse et une valeur représentative de régime moteur reçue par le module de communication 704. Le module 705 est par exemple mis en œuvre par des instructions de programme d’ordinateur configurées pour effectuer une requête vers la base de données 706, la requête comprenant au moins une vitesse et un rapport de transmission obtenus via l’interface CAN 704, et pour recevoir en retour un identifiant d’un modèle de prédiction associé à ladite vitesse et ledit rapport de transmission.

Le dispositif 700 comprend aussi un module de capture 707 adapté pour recevoir, mémoriser temporairement dans la mémoire 701 et traiter des données vibratoires reçues par l’interface CAN 704 en provenance d’au moins un capteur de vibration KS lorsque la vitesse et la valeur représentative de régime moteur reçues par le module de communication 704 correspondent à la vitesse et la valeur représentative de régime moteur ayant permis la sélection d’un modèle de prédiction par le module 705. Le module 707 est par exemple mis en œuvre par des instructions de programme d’ordinateur configurées pour échantillonner le signal vibratoire reçu, enregistrer les échantillons dans la mémoire 701 et effectuer une transformée de Fourrier afin d’obtenir une représentation du signal dans le domaine fréquentiel.

Le dispositif comprend encore un module de prédiction 708 adapté pour appliquer les données vibratoires capturées, mémorisées et traitées par le module 707 au modèle de prédiction sélectionné par le module de sélection 705. Ce module 708 peut être mis en œuvre par des instructions de programme d’ordinateur configurées pour construire un vecteur caractéristique à partir des données traitées par le module 707 et appliquer le modèle de prédiction associé à l’identifiant obtenu par le module de sélection 705 à ce vecteur caractéristique de sorte à obtenir une probabilité de détection d’une anomalie particulière.

Le dispositif comporte enfin un module de signalisation d’une anomalie 709, par exemple un afficheur DISP, configuré pour générer une alerte visuelle et/ou sonore à destination de l’utilisateur du véhicule lorsque la probabilité de détection d’une anomalie excède un seuil prédéfini.

Selon une réalisation particulière, le dispositif est intégré à un véhicule routier.

Claims

Procédé de détection d’anomalie de fonctionnement dans un véhicule comprenant les étapes suivantes :
Obtention d’une vitesse de déplacement du véhicule, et d’une valeur représentative d’un régime moteur,

Lorsqu’une vitesse de véhicule particulière et une valeur représentative de régime moteur particulière sont détectées :

Capture de données vibratoires à partir d’au moins un capteur du véhicule,

Sélection d’un modèle de prédiction particulier selon au moins ladite vitesse de déplacement du véhicule et ladite valeur représentative de régime moteur détectées,

Prédiction d’une probabilité de disfonctionnement par application du modèle de prédiction sélectionné à un vecteur caractéristique comprenant des valeurs obtenues à partir des données vibratoires capturées,

Signalisation d’un disfonctionnement si la probabilité prédite est supérieure à un seuil prédéterminé.
Procédé selon la revendication 1 dans lequel les données vibratoires sont capturées à partir d’au moins un capteur adapté pour capturer des vibrations dont la fréquence est comprise entre 70Hz et 3 kHz.
Procédé selon l’une quelconque des revendications précédentes dans lequel les données sont capturées à partir :
D’un premier capteur positionné sur un amortisseur du véhicule, et

D’un deuxième capteur positionné sur un bras de commande du véhicule.
Procédé selon l’une quelconque des revendications précédentes dans lequel la valeur représentative d’un régime moteur est un rapport de transmission particulier.
Procédé selon l’une quelconque des revendications précédentes dans lequel le vecteur caractéristique comprend en outre des valeurs obtenues par application d’une transformée Fourrier aux données capturées.
Procédé selon l’une quelconque des revendications précédentes tel qu’il comprend en outre une étape préalable d’entrainement d’un modèle de prédiction pour détecter une anomalie de fonctionnement d’un véhicule à partir de mesures issues d’au moins un capteur de vibrations du véhicule, l’étape d’entrainement comprenant les sous-étapes suivantes :
Acquisition de données en provenance d’au moins un capteur de vibrations du véhicule, le véhicule étant configuré pour qu’il présente un disfonctionnement particulier pendant l’acquisition des données, les données étant acquises au cours d’un cycle de conduite prédéfini comprenant une pluralité de vitesses du véhicule et une pluralité de valeurs représentatives d’un régime moteur,

Segmentation des données capturées pendant le cycle de conduite pour obtenir des plages de données correspondant à des vitesses de véhicule et des rapports de transmission stabilisés,

Détermination, par classification supervisée des données segmentées, d'une plage de données dans laquelle une signature vibratoire du disfonctionnement particulier influence le signal capturé par l'au moins un capteur de vibrations,

Entrainement du modèle de prédiction pour détecter un disfonctionnement particulier à partir des données vibratoires capturées pour la vitesse et la valeur représentative d'un régime moteur associées à la plage de données déterminée.
Dispositif de détection d’anomalie de fonctionnement d’un véhicule comprenant au moins un capteur de vibrations positionné sur un amortisseur et/ou un bras de commande d’un véhicule, le dispositif comprenant un processeur et une mémoire dans laquelle sont enregistrées des instructions de programme d’ordinateur configurées pour mettre en œuvre, à partir des données capturées par ledit capteur, les étapes d’un procédé de détection selon l’une quelconque des revendications 1 à 6.
Véhicule comprenant un dispositif de détection selon la revendication 7.
Support d’information sur lequel sont enregistrées des instructions de programme d’ordinateur configurées pour mettre en œuvre les étapes d’un procédé de détection selon l’une quelconque des revendications 1 à 6 lorsqu’elles sont exécutées par un processeur.