FR3123476A1 - contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ - Google Patents

contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ Download PDF

Info

Publication number
FR3123476A1
FR3123476A1 FR2105400A FR2105400A FR3123476A1 FR 3123476 A1 FR3123476 A1 FR 3123476A1 FR 2105400 A FR2105400 A FR 2105400A FR 2105400 A FR2105400 A FR 2105400A FR 3123476 A1 FR3123476 A1 FR 3123476A1
Authority
FR
France
Prior art keywords
cooling system
vehicle
neural network
operating conditions
compressor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2105400A
Other languages
English (en)
Inventor
Hai Li
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
PSA Automobiles SA
Original Assignee
PSA Automobiles SA
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by PSA Automobiles SA filed Critical PSA Automobiles SA
Priority to FR2105400A priority Critical patent/FR3123476A1/fr
Publication of FR3123476A1 publication Critical patent/FR3123476A1/fr
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L1/00—Supplying electric power to auxiliary equipment of vehicles
    • B60L1/003—Supplying electric power to auxiliary equipment of vehicles to auxiliary motors, e.g. for pumps, compressors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/26—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by cooling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/613—Cooling or keeping cold
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
    • H01M10/625—Vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/65—Means for temperature control structurally associated with the cells
    • H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
    • H01M10/6567—Liquids
    • H01M10/6568—Liquids characterised by flow circuits, e.g. loops, located externally to the cells or cell casings
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Sustainable Energy (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Sustainable Development (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Air-Conditioning For Vehicles (AREA)

Abstract

L'invention concerne un procédé d’apprentissage d’au moins un réseau neuronal caractérisé en ce qu’il est configuré pour produire une pluralité de corrélations chacune avec un paramètre différent représentatif des conditions de fonctionnement d’un système de refroidissement des batteries tractrices (1) d’un véhicule sur la base d’une mesure de ces paramètres en conditions opérationnelles dudit véhicule ; et au moins une donnée de sortie du réseau neuronal correspond à une vitesse d’un compresseur (7) du système de refroidissement (1). [Fig 1]

Description

contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ
Domaine technique de l’invention
L'invention concerne, de façon générale, le domaine technique des systèmes de climatisation pour véhicule automobile.
L’invention se rapporte plus spécifiquement à un système de refroidissement des batteries tractrices d’un véhicule hybride ou complètement électrique.
La présente invention concerne le contrôle d’un système de refroidissement des batteries tractrices d’un véhicule par un réseau neuronal entraîné sur la base de données mesurées sur des véhicules tests en conditions réelles.
Elle concerne en outre la modélisation d’un système de refroidissement par l’apprentissage d’un réseau neuronal à partir de paramètres représentatifs des conditions de fonctionnement du système de refroidissement, mesurés en conditions réelles sur des véhicules tests. Cette modélisation permet le contrôle du système de refroidissement par logiciel.
L’invention s’applique aux systèmes refroidissement des batteries tractrices d’un véhicule hybride ou complètement électrique, et aux systèmes de refroidissement combiné des batteries tractrices et de l’habitacle de tels véhicules.
État de la technique antÉrieure
Les systèmes de refroidissement, aussi appelé climatiseurs dans la suite, se présentent comme un système d’écoulement multiphase avec des transitions de phase entre vapeur et liquide. Bien que ces systèmes soient connus depuis plusieurs dizaines d’années, leur modélisation est encore de nos jours un défi majeur dans la recherche scientifique.
Le contrôle conventionnel du système de refroidissement des batteries tractrices d’un véhicule automobile est du type « Tout Ou Rien » ou TOR. C’est-à-dire que typiquement deux seuils de température d’un fluide de refroidissement sont définis à partir desquelles pour un compresseur du climatiseur est activé ou désactivé. De ce fait, la vitesse de rotation du compresseur est soit zéro, soit sa vitesse maximale.
Ce contrôle TOR du climatiseur permet l’utilisation de la puissance maximale du climatiseur. Néanmoins, il entraîne d’importants changements de la vitesse du compresseur ce qui est néfaste à sa durée de vie. Un autre désavantage du contrôle TOR réside dans la variation de la température du fluide de refroidissement et donc de la température des batteries tractrices ou de l’habitacle du véhicule. Le contrôle TOR rend impossible le maintien d’une température à une valeur souhaitée.
En l’absence d’une régularisation continue du climatiseur, le maintien d’une température constante est impossible et les incessants cycles de démarrage et d’arrêt du compresseur en réduise la durée de vie.
Il existe donc un besoin pour un contrôle du fonctionnement du compresseur d’un système de refroidissement des batteries tractrices d’un véhicule à motorisation électrique ou hybride modélisation fiable ne nécessitant pas d’activer et de désactiver le compresseur dès que la température atteint un des seuils de température définis.
La présente invention a pour but de remédier à tout ou partie des inconvénients de l’état de la technique en proposant notamment une méthode de contrôle du climatiseur par modélisation basée sur l’apprentissage automatique supervisé d’un réseau neuronal à partir d’une base de données composée de valeurs de paramètres représentatifs de l’environnement de fonctionnement, et des performances du climatiseur mesurées en conditions réelles lors d’essais de véhicules.
À cet effet, il est proposé, selon un premier aspect de l'invention, un procédé d’apprentissage d’au moins un réseau neuronal configuré pour produire une pluralité de corrélations chacune avec un paramètre différent représentatif des conditions de fonctionnement d’un système de refroidissement des batteries tractrices d’un véhicule sur la base d’une mesure de ces paramètres en conditions opérationnelles dudit véhicule. Au moins, une donnée de sortie du réseau neuronal correspond à une vitesse d’un compresseur du système de refroidissement.
Grâce à une telle méthode d’apprentissage, l’invention profite des essais du véhicule pour accumuler les données nécessaires au développement de la méthode d’apprentissage. Basée sur les résultats des tests du véhicule réel, cette méthode de modélisation permet un contrôle du climatiseur par régulation de la vitesse du compresseur afin de stabiliser la température à une valeur souhaitée sans activation et désactivation du compresseur ce qui en prolonge la durée de fonctionnement.
Préférentiellement, au moins une de ladite pluralité de corrélations est une corrélation linéaire, et/ou des données d’entrée du réseau neuronal correspondent auxdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement.
Avantageusement, un premier desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement correspond à une vitesse d’un flux d’air, un deuxième desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement correspond à une température d’un fluide calorifique, un troisième desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement correspond à une température ambiante, et/ou un quatrième des desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement correspond à une puissance d’un évaporateur du système de refroidissement.
Il est proposé, selon un deuxième aspect de l'invention, un ensemble de modèles de simulation d’un système de refroidissement des batteries tractrices d’un véhicule mis en œuvre par ordinateur, obtenu selon le procédé décrit ci-dessus.
Il est proposé, selon un troisième aspect de l'invention, un procédé de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule comprenant la mise en œuvre d’un ensemble de modèles obtenus selon le procédé décrit ci-dessus, dans lequel il est produit une valeur de la puissance de l’évaporateur, un résultat de corrélation avec une pluralité de paramètres représentatifs des conditions de fonctionnement du système de refroidissement, et une valeur de la vitesse du compresseur.
Il est proposé, selon un quatrième aspect de l'invention, un produit-programme d’ordinateur comprenant des instructions de code pour la mise en œuvre du procédé décrit ci-dessus.
Il est proposé, selon un cinquième aspect de l'invention, un dispositif de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule selon le procédé de contrôle décrit ci-dessus, comprend un module d’acquisition d’une pluralité de paramètres représentatifs des conditions de fonctionnement du système de refroidissement, au moins un réseau neuronal entraîné selon le procédé d’apprentissage décrit ci-dessus, et préférentiellement un module de calcule de la puissance de l’évaporateur.
Avantageusement, l’au moins un réseau neuronal comprend au moins deux couches d’au moins quatre noeuds neuronaux chacune.
Préférentiellement, les paramètres représentatifs des conditions de fonctionnement du système de refroidissement forment les données d’entrée de l’au moins un réseau neuronal, et la vitesse du compresseur en forme une des données de sortie.
Il est proposé, selon un sixième aspect de l'invention, un support de stockage lisible par ordinateur apte à stocker des instructions qui lorsqu’elles sont exécutées par un dispositif de contrôle tel que décrit ci-dessus permet la mise en œuvre du procédé de contrôle décrit ci-dessus.
D’autres caractéristiques et avantages de l’invention sont mis en évidence par la description ci-après d’exemples non limitatifs de réalisation des différents aspects de l’invention.
brÈve description des figures
La description se réfère aux figures annexées qui sont aussi données à titre d’exemples de réalisation non limitatifs de l’invention :
la montre une vue schématique d’un système de refroidissement pour batterie tractrice ; et
la montre un graphique illustrant la relation entre la température du fluide calorifique et la vitesse du compresseur.
description DÉTAILLÉE d’un mode de rÉalisation
La montre schématiquement un système de refroidissement de la batterie tractrice d’un véhicule hybride ou entièrement électrique (non illustré). Le système de refroidissement des batteries 1 comprend un premier circuit 2 parcouru par un fluide calorifique. Ce premier circuit 2 traverse un refroidisseur de batterie 3. Le refroidisseur de batterie permet de transférer la chaleur générée par la batterie au fluide calorifique du premier circuit 2. Le fluide calorifique transporte la chaleur de la batterie vers une surface d’échange thermique d’un évaporateur 4. L’évaporateur 4 fait partie d’un deuxième circuit 5 dans lequel circule un fluide réfrigérant. Le fluide réfrigérant, dont le sens de circulation est indiqué par une flèche 6, entre dans l’évaporateur 4 en phase liquide et en ressort en phase gazeuse.
La chaleur du fluide calorifique du premier circuit 2 absorbée par le fluide réfrigérant du deuxième circuit 5 dans l’évaporateur 4 permet l’évaporation du fluide réfrigérant. Selon que l’on souhaite conserver une différence de température importante entre les deux fluides dans tout l’évaporateur 4 ou avoir une différence de température entre les deux fluides décroissante entre l’entrée de l’évaporateur 4 et sa sortie, le fluide calorifique traversera l’évaporateur dans le sens contraire du fluide réfrigérant ou dans le même sens. Dans l’exemple de mise en œuvre de l’invention décrit ici, le liquide réfrigérant du deuxième circuit 5 et le liquide calorifique du premier circuit 2 circulent en sens inverse dans l’évaporateur 4.
Le fluide réfrigérant sortant de l’évaporateur 4 en phase gazeuse est comprimé par un compresseur 7 situé en aval de l’évaporateur 4. La haute pression du fluide réfrigérant en phase gazeuse sortant du compresseur 7 favorise sa transition en phase liquide au travers d’un condenseur 8 situé en aval du compresseur 7. La chaleur transportée par le fluide réfrigérant est transférée à l’air ambiant au niveau du condenseur 8 lors du changement de phase du fluide réfrigérant. Un flux d’air traverse le condenseur 8. Ce flux d’air est généré par la vitesse du véhicule et/ou par un ventilateur 9. Ce ventilateur 9 est en général constitué par un groupe motoventilateur d’un radiateur (non illustré) qui assure également le refroidissement du moteur thermique si le véhicule est un véhicule hybride.
En aval du condenseur 8, le fluide réfrigérant passe au travers d’une valve d’expansion 10 afin d’en réduire la pression et de favoriser son évaporation au travers de l’évaporateur 4.
L’invention utilise une méthode de modélisation du système de refroidissement basée sur un apprentissage automatique supervisé d’un réseau neuronal (non illustré). Le processus de développement du modèle du système de refroidissement de la batterie tractrice 1 est intégré au développement du véhicule. Le développement d’un véhicule automobile comprend différentes phases de tests qui ont lieu chacune avec un véhicule présentant des niveaux de développement et de fonctionnalités différents. Afin d’accumuler les données qui sont nécessaires à l’apprentissage du réseau neuronal, le système de refroidissement 1 est installé par exemple dans un véhicule d’un B-sample ou d’un C-sample (échantillon B ou C en français) sur la base des données indiquées par le fournisseur du climatiseur. Le véhicule du B-sample (non illustré) correspond à un prototype de base avec une fonctionnalité de conduite complète et un degré de maturité élevé produit avec des outils de production de prototypes, alors qu’un véhicule C-sample est un véhicule complètement fonctionnel fabriqué avec des outils de production de grande série.
Ainsi, il est possible lors des tests habituels du véhicule B-sample ou C-sample de tester en parallèle le climatiseur et d’accumuler ainsi des données d’utilisation réelle du véhicule dans toutes les situations de conduite. C’est très important d’accumuler ces données au niveau du véhicule dans lequel le climatiseur est installé, car la configuration de l’implantation des composants du climatiseur dans le véhicule, et la vitesse de celui-ci durant les différentes phases de conduite influencent considérablement le fonctionnement du climatiseur.
Pendant les tests du véhicule B-sample ou C-sample dans différentes situations de roulage (par exemple à vitesse maximale, en pente…) ou de recharge des batteries tractrices (charge rapide, environnement du véhicule stationné…), les valeurs des paramètres représentatifs des conditions de fonctionnement des batteries du véhicule sont enregistrées après avoir été mesurées pour calculer la puissance de refroidissement de l’évaporateur 4. En effet, la quantité de chaleur produite par les batteries devant être dans sa quasi-totalité absorbée au niveau de l’évaporateur 4, la puissance de celui-ci permet de calculer la vitesse du compresseur 7 afin de contrôler le fonctionnement du climatiseur 1. Ainsi, la vitesse du compresseur 7 est calculée pour obtenir la puissance du climatiseur 1, et plus spécifiquement la puissance thermique de l’évaporateur 4 nécessaire pour maintenir le fluide calorifique du premier circuit 2 à la température souhaitée.
Pour le refroidissement des batteries, la chaleur qu’elles génèrent est absorbée par le fluide calorifique du premier circuit 2 entre l’entrée et la sortie du refroidisseur des batteries 3. La vitesse du compresseur 7 est ainsi adaptée en continu sur la base de cette température du fluide calorifique, pour maintenir un équilibre thermique. Ainsi, la température du fluide calorifique est contrôlée pour être maintenue à la valeur désirée sans variation entre deux seuils comme dans les systèmes de contrôle conventionnels. Il n’y a donc pas d’activation ou de désactivation du compresseur 7, et la vitesse du compresseur 7 est adaptée automatiquement à la situation de fonctionnement du véhicule pour absorber la chaleur générée par les batteries à tout moment.
La finalité du contrôle d’un climatiseur est d’obtenir une température désirée du fluide calorifique à l’entrée du refroidisseur de la batterie 3, ou à la sortie de l’évaporateur 4. Selon la méthode conventionnelle de contrôle TOR, si cette température est plus haute qu’un seuil de température haute prédéfini, le compresseur 7 est activé. Après avoir refroidi le fluide calorifique du premier circuit 2 à une température inférieure à un seuil de température basse prédéfini, le compresseur 7 est désactivé. Ainsi avec le contrôle TOR, la température du fluide calorifique varie entre ces deux seuils prédéfinis.
Selon le procédé de contrôle d’un système de refroidissement des batteries tractrices 1 décrit dans la suite, un autre procédé de contrôle est proposé qui est basé sur la modélisation du climatiseur par l’apprentissage automatique supervisé. Le processus du développement de la modélisation du climatiseur est décrit ci-dessous.
La performance du climatiseur est à mesurer au niveau du véhicule, parce que la vitesse du véhicule influence la performance du climatiseur. Pendant les tests du véhicule B-sample ou C-sample dans différentes situations de conduite (par exemple en vitesse maximale, en pente, en mode de chargement rapide des batteries) les paramètres représentatifs des conditions de fonctionnement d’un système de refroidissement des batteries 1 sont mesurés pour calculer la puissance de refroidissement de l’évaporateur 4. Pour calculer la puissance de refroidissement de l’évaporateur 4, on utilise la formule mathématique suivante :
Dans cette formule mathématique :
- Qévapindique la puissance de refroidissement de l’évaporateur 4,
- c indique la chaleur spécifique du fluide calorifique du refroidisseur de la batterie 3,
- m correspond au débit du fluide de refroidissement,
- T entrée est la température du fluide calorifique entrant dans l’évaporateur 4 qui est sensiblement égale à la température de sortie du refroidisseur des batteries 3, et
- T sortie est la température du fluide calorifique à la sortie de l’évaporateur 4 qui est sensiblement égale à la température d’entrée du refroidisseur des batteries 3.
Après avoir accumulé suffisamment de données expérimentales lors des tests du véhicule B-sample, un modèle de l’apprentissage automatique supervisé du réseau neuronal qui permet de modéliser le climatiseur, est développé avec ces données. En données d’entrée du réseau neuronal, on utilise, par exemple la vitesse du véhicule, la vitesse du ventilateur 9, la température ambiante au niveau du radiateur du véhicule et du condenseur 8, et la température d’entrée du fluide calorifique dans le refroidisseur des batteries 3, et la puissance thermique de l’évaporateur 4. La donnée de sortie de ce réseau neuronal est la vitesse du compresseur 7, appellée dans la suite Ncompresseur.
Différents types de réseaux neuronaux peuvent être utilisés, tels qu’un perceptron multicouche.
Pour décrire le processus du développement du modèle d’apprentissage automatique du réseau neuronal, les différentes corrélations entre les données d’entrée mentionnées ci-dessus, la puissance thermique de l’évaporateur Pévapet la vitesse du compresseur Ncompresseursont réduites à une combinaison de quatre corrélations linéaires. Néanmoins, un plus grand nombre de corrélations est possible avec plus de paramètres et en utilisant un réseau neuronal comprenant plus de neurones. De même, des corrélations non linéaires peuvent être utilisées si nécessaire pour approcher au mieux l’évolution du paramètre à corréler.
La première est une corrélation linéaire avec la somme de la vitesse du véhicule et du ventilateur qui conjointement donnent le flux d’air traversant le radiateur. La deuxième est d’une corrélation linéaire avec la température du fluide calorifique du refroidisseur de la batterie qui favorise une meilleure performance du climatiseur. La troisième est une corrélation linéaire avec la température ambiante, qui défavorise la performance du climatiseur. La quatrième est une corrélation linéaire avec la vitesse du compresseur. Cette modélisation simplifiée produit les données d’entrée et de sortie pour développer le modèle de l’apprentissage automatique. Avec une architecture de 2 couches et 4 nœuds neuronaux dans chaque couche, on peut déjà développer un modèle en moins d’une minute avec une erreur quadratique moyenne négligeable. Pour les données réelles provenant des expériences du véhicule, les corrélations sont beaucoup plus difficiles à trouver, et il faut une architecture beaucoup plus compliquée et un temps de développement beaucoup plus long.
La première corrélation linéaire utilise la somme de la vitesse du véhicule et de la vitesse du ventilateur 9 qui conjointement déterminent la vitesse du flux d’air traversant le radiateur du véhicule et le condenseur 8.
La deuxième corrélation linéaire utilise la température du fluide calorifique dans le premier circuit 2 au niveau du refroidisseur des batteries 3 qui favorise une meilleure performance du climatiseur.
La troisième corrélation linéaire utilise la température ambiante, qui défavorise la performance du climatiseur.
La quatrième corrélation linéaire utilise la puissance de l’évaporateur 4.
Cette modélisation réduite à ces quatre paramètres permet d’obtenir les données d’entrées et de sortie pour développer le modèle de l’apprentissage automatique souhaité. Ainsi, il est montré qu’avec une architecture de réseau neuronale simple à 2 couches et 4 nœuds neuronaux dans chaque couche, un modèle peut-être rapidement développé présentant une erreur quadratique moyenne négligeable. Néanmoins, il est possible d’utiliser plus de paramètres expérimentaux provenant des tests du véhicule B-sample avec une architecture de réseau neuronal plus complexe et des corrélations plus élaborées que la corrélation linéaire.
Le contrôle se fait selon les équations suivantes :
Qbatest la chaleur transférée des batteries au fluide calorifique dans le refroidisseur des batteries 3 tel que calculé dans la deuxième équation ci-dessus, où c est la chaleur spécifique du fluide calorifique, m' est le débit du fluide de calorifique, ∆T est la différence de température entre l’entrée et la sortie du refroidisseur des batteries 3. Qévapest la puissance thermique désirée à l’évaporateur. Le principe de ce procédé de contrôle est d’obtenir Qévapà tout moment égal à Qbaten ajustant la vitesse du compresseur Ncompresseurselon le modèle développé par l’apprentissage automatique supervisé.
Pour montrer les effets de ce contrôle, une simulation transitoire est effectuée pour la température du fluide calorifique au niveau du refroidisseur des batteries 3 comme montré dans la . Les équations utilisées sont indiquées ci-dessous, et sont résolues par algorithme explicite. Les températures d’entrée et de sortie correspondent à celles du refroidisseur des batteries 3. Les coefficients c et m sont choisis pour des plages de valeurs réelles de la température. Pour simplifier la résolution, la température ambiante, la vitesse du véhicule et celle du ventilateur du radiateur sont figées dans le modèle de l’apprentissage automatique.
Les avantages de ce procédé de contrôle sont illustrés dans la . L’objectif du contrôle est de maintenir la température du fluide calorifique à 20 °C. Avant d’atteindre cette température, la puissance du compresseur 7 reste au niveau le plus haut possible. Après avoir atteint cette température, la puissance du compresseur 7 bascule sur la valeur permettant d’absorber la chaleur générée par les batteries, sans variation de la température du fluide calorifique à l’entrée du refroidisseur 3, et sans qu’il soit nécessaire d’activer et de désactiver le compresseur 7.
Comme illustré à la , un des objectifs du climatiseur dans un véhicule électrique est de refroidir le fluide calorifique dans le refroidisseur des batteries 3 afin d’obtenir une température définie à l’entrée du refroidisseur des batteries 3, par exemple 20°C. Avec ce modèle simplifié, le contrôle des performances du climatiseur par un modèle basé sur un apprentissage automatique supervisé est démontré par la variation de la température du fluide et la vitesse du compresseur 7 qui détermine sa puissance.
Comme indiqué dans la description qui précède, les différents aspects de l’invention peuvent-être mis en œuvre selon le contexte dans des variantes de configuration différentes de celles décrites ci-dessus. Par exemple, un réseau neuronal comprenant plus de deux couches avec plus de quatre neurones chacune peut être utilisé. De même, le climatiseur peut être utilisé pour le refroidissement d’une batterie tractrice d’un véhicule hybride ou d’un véhicule entièrement électrique.

Claims (9)

  1. Procédé d’apprentissage d’au moins un réseau neuronal caractérisé en ce qu’il est configuré pour produire une pluralité de corrélations chacune avec un paramètre différent représentatif des conditions de fonctionnement d’un système de refroidissement des batteries tractrices (1) d’un véhicule sur la base d’une mesure de ces paramètres en conditions opérationnelles dudit véhicule ; et au moins une donnée de sortie du réseau neuronal correspond à une vitesse d’un compresseur (7) du système de refroidissement.
  2. Procédé d’apprentissage d’au moins un réseau neuronal selon la revendication précédente, caractérisé en ce que :
    - au moins une de ladite pluralité de corrélations est une corrélation linéaire ; et/ou
    - des données d’entrée du réseau neuronal correspondent auxdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1).
  3. Procédé d’apprentissage d’au moins un réseau neuronal selon l’une des revendications précédentes, caractérisé en ce que :
    - un premier desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) correspond à une vitesse d’un flux d’air ;
    - un deuxième desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) correspond à une température d’un fluide calorifique ;
    - un troisième desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) correspond à une température ambiante ; et/ou
    - un quatrième des desdits paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) correspond à une puissance d’un évaporateur (4) du système de refroidissement (1).
  4. Ensemble de modèles de modélisation d’un système de refroidissement des batteries tractrices d’un véhicule mis en œuvre par ordinateur, obtenu selon le procédé d’une des revendications précédentes.
  5. Procédé de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule comprenant la mise en œuvre d’un ensemble de modèles obtenus selon le procédé d’une des revendications 1 à 3, caractérisé en ce qu’il est produit :
    - une valeur de la puissance de l’évaporateur (4) ;
    - un résultat de corrélation avec une pluralité de paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) ; et
    - une valeur de la vitesse du compresseur (7).
  6. Dispositif de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule selon le procédé de la revendication 5, caractérisé en ce qu’il comprend :
    - un module d’acquisition d’une pluralité de paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) ;
    - au moins un réseau neuronal entraîné selon le procédé d’une des revendications 1 à 3 ; et
    - optionnellement un module de calcule de la puissance de l’évaporateur (4).
  7. Dispositif de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule selon la revendication précédente, caractérisé en ce que l’au moins un réseau neuronal comprend au moins deux couches d’au moins quatre noeuds neuronaux chacune.
  8. Dispositif de contrôle d’un système de refroidissement des batteries tractrices d’un véhicule selon l’une des revendications 6 et 7, caractérisé en ce que :
    - les paramètres représentatifs des conditions de fonctionnement du système de refroidissement (1) forment les données d’entrée de l’au moins un réseau neuronal ; et
    - la vitesse du compresseur (7) en forme une des données de sortie.
  9. Un support de stockage lisible par ordinateur apte à stocker des instructions qui lorsqu’elles sont exécutées par un dispositif selon l’une des revendications 6 à 8 permet la mise en œuvre du procédé selon la revendication 5.
FR2105400A 2021-05-25 2021-05-25 contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ Pending FR3123476A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2105400A FR3123476A1 (fr) 2021-05-25 2021-05-25 contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2105400A FR3123476A1 (fr) 2021-05-25 2021-05-25 contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ
FR2105400 2021-05-25

Publications (1)

Publication Number Publication Date
FR3123476A1 true FR3123476A1 (fr) 2022-12-02

Family

ID=77411794

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2105400A Pending FR3123476A1 (fr) 2021-05-25 2021-05-25 contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ

Country Status (1)

Country Link
FR (1) FR3123476A1 (fr)

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DE NUNZIO GIOVANNI ET AL: "Thermal management optimization of a heat-pump-based HVAC system for cabin conditioning in electric vehicles", 2018 THIRTEENTH INTERNATIONAL CONFERENCE ON ECOLOGICAL VEHICLES AND RENEWABLE ENERGIES (EVER), IEEE, 10 April 2018 (2018-04-10), pages 1 - 7, XP033348669, DOI: 10.1109/EVER.2018.8362408 *
PARK JONGHYUN ET AL: "Supervised-Learning-Based Optimal Thermal Management in an Electric Vehicle", IEEE ACCESS, vol. 8, 28 November 2019 (2019-11-28), pages 1290 - 1302, XP011764522, DOI: 10.1109/ACCESS.2019.2961791 *

Similar Documents

Publication Publication Date Title
FR2913102A1 (fr) Installation de climatisation equipee d'une vanne de detente electrique
FR2954405A1 (fr) Dispositif de refroidissement pour vehicule automobile
FR2983354A1 (fr) Procede de regulation de la temperature d'une batterie de traction d'un vehicule electrique en charge, en particulier lors d'une charge rapide de la batterie
EP2932063A1 (fr) Procede de gestion d'un groupe motopropulseur mettant en oeuvre une estimation de la temperature moteur a la fin d'un temps d'arret d'un element du groupe motopropulseur
EP1456045B1 (fr) Installation de climatisation de vehicule munie d'un dispositif electronique de controle
FR2976653A1 (fr) Circuit de fluide refrigerant et procede de controle d'un tel circuit.
FR3123476A1 (fr) contrÔle D’UN CLIMATISEUR PAR APPRENTISSAGE AUTOMATIQUE SUPERVISÉ
FR3118832A1 (fr) Dispositif de controle thermique de batterie de vehicule electrique par intelligence artificielle, procede, vehicule comprenant un tel dispositif
EP1403107B1 (fr) Installation de climatisation comprenant un dispositif électronique de contrôle
FR3077377A1 (fr) Procede de controle d'un systeme de traitement thermique d'un element d'une chaine de traction electrique de vehicule
FR3123478A1 (fr) Contrôle par l’apprentissage automatique d’un climatiseur à deux évaporateurs dans un véhicule électrique
FR3123477A1 (fr) Modélisation d’un climatiseur automobile par apprentissage automatique supervisé
FR2961264A1 (fr) Procede de controle de la combustion d'un moteur thermique et procede de detection d'un dysfonctionnement dudit moteur
FR3115733A1 (fr) Procédé de régulation d’un détendeur électronique d’un système de climatisation et système de climatisation associé
EP1856390A1 (fr) Procede de regulation optimise en phase transitoire dans un turbocompresseur
FR3111097A1 (fr) Système de conditionnement thermique pour véhicule automobile
FR3097472A1 (fr) Procédé de contrôle d’un circuit de conditionnement thermique d’un véhicule automobile
FR3082786A1 (fr) Procede de controle d’un circuit de fluide refrigerant pour vehicule
EP3747080B1 (fr) Procédé de refroidissement d'un dispositif de stockage électrique équipant un véhicule
FR3040332B1 (fr) Circuit de gestion thermique d'un vehicule automobile comprenant une boucle de rankine et procede de pilotage associe
CH717116A2 (fr) Dispositif de récupération et de régulation d'énergie thermique d'un véhicule électrique à générateur électrochimique avec un système HVAC.
FR3131660A1 (fr) Systeme de contrôle thermique a intelligence artificielle, procede et vehicule sur la base d’un tel systeme
EP4093956B1 (fr) Estimateur et procédé d'estimation d'une température d'un flux de fluide traversant un moteur à combustion interne
FR3118805A1 (fr) Dispositif de simulation thermique de batterie de vehicule electrique par apprentissage automatique, procede, vehicule comprenant un tel dispositif
FR3040333B1 (fr) Circuit de gestion thermique d'un vehicule automobile comprenant une boucle de rankine et procede de pilotage associe

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20221202

PLFP Fee payment

Year of fee payment: 3