FR3131660A1 - ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM - Google Patents
ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM Download PDFInfo
- Publication number
- FR3131660A1 FR3131660A1 FR2200030A FR2200030A FR3131660A1 FR 3131660 A1 FR3131660 A1 FR 3131660A1 FR 2200030 A FR2200030 A FR 2200030A FR 2200030 A FR2200030 A FR 2200030A FR 3131660 A1 FR3131660 A1 FR 3131660A1
- Authority
- FR
- France
- Prior art keywords
- battery
- learning model
- pump
- control system
- fluid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 238000013473 artificial intelligence Methods 0.000 title 1
- 239000012530 fluid Substances 0.000 claims abstract description 32
- 238000010801 machine learning Methods 0.000 claims abstract description 25
- 238000010438 heat treatment Methods 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims abstract description 6
- 238000001994 activation Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 12
- 238000005485 electric heating Methods 0.000 claims description 11
- 230000000454 anti-cipatory effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 230000003116 impacting effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002528 anti-freeze Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
-
- 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
- B60L1/00—Supplying electric power to auxiliary equipment of vehicles
- B60L1/02—Supplying electric power to auxiliary equipment of vehicles to electric heating circuits
-
- 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
- B60L58/27—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 heating
-
- 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
- H01M10/615—Heating or keeping warm
-
- 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
-
- 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
- H01M10/657—Means for temperature control structurally associated with the cells by electric or electromagnetic means
- H01M10/6571—Resistive heaters
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
L’invention concerne un système de contrôle thermique pour batterie (B) de véhicule automobile (V), le système de contrôle coopérant avec un système thermique (ST) de la batterie comprenant un chauffage électrique (H), une pompe (P) et d’un circuit calorifique comprenant un fluide, caractérisé en ce que le système de contrôle comprend - des données d’un modèle d'apprentissage automatique (M), relatives à des activations du chauffage électrique (H) et de la pompe (P), et des paramètres de chauffage effectif de la batterie (B) ;- un contrôleur (C2) configuré pour contrôler la pompe (P) et le chauffage (H) en fonction des données du modèle d'apprentissage automatique (M). L’invention concerne en outre un procédé et un véhicule automobile (V) sur la base d’un tel système. Figure 2The invention relates to a thermal control system for a battery (B) of a motor vehicle (V), the control system cooperating with a thermal system (ST) of the battery comprising an electric heater (H), a pump (P) and of a heating circuit comprising a fluid, characterized in that the control system comprises - data from an automatic learning model (M), relating to activations of the electric heater (H) and of the pump (P) , and effective battery heating parameters (B);- a controller (C2) configured to control the pump (P) and heater (H) based on data from the machine learning model (M). The invention further relates to a method and a motor vehicle (V) based on such a system. Figure 2
Description
L’invention se rapporte au domaine des batteries de traction de véhicules automobiles connectées à un système thermique avec une pompe et un chauffage électrique. L’invention concerne plus précisément un système de contrôle thermique pour ces batteries.The invention relates to the field of traction batteries for motor vehicles connected to a thermal system with a pump and electric heating. The invention relates more precisely to a thermal control system for these batteries.
Le contrôle de la pompe et celui du chauffage électrique dépendent de la température du fluide calorifique à cause des caractéristiques thermiques dudit chauffage. Ces caractéristiques thermiques changent en fonction de la température notamment pour une plage basse d’utilisation.The control of the pump and that of the electric heating depend on the temperature of the heat fluid because of the thermal characteristics of said heating. These thermal characteristics change depending on the temperature, particularly for a low range of use.
Pour répondre au besoin d’un certain débit du fluide, la vitesse de la pompe change en fonction de la température.To meet the need for a certain fluid flow, the pump speed changes depending on the temperature.
Actuellement le calcul se fait par l’interpolation linéaire entre les points de mesure les plus proches du point d’opération. La même situation se présente pour le chauffage électrique, dont la puissance maximale dépend de la température du fluide du système thermique et de son débit.Currently the calculation is done by linear interpolation between the measurement points closest to the operating point. The same situation occurs for electric heating, the maximum power of which depends on the temperature of the thermal system fluid and its flow rate.
L’interpolation linéaire pour la pompe et le chauffage électrique, n’est pas une solution précise. En effet, la corrélation entre les facteurs impactants et le paramètre à contrôler, est non linéaire. Le contrôle de la pompe et du chauffage électrique, qui se base sur l’interpolation linéaire entre les points de mesure, présente des marges importantes d’amélioration en termes de précision.Linear interpolation for the pump and electric heating is not a precise solution. Indeed, the correlation between the impacting factors and the parameter to be controlled is non-linear. The control of the pump and electric heating, which is based on linear interpolation between measuring points, has significant room for improvement in terms of accuracy.
Un objectif de l’invention est d’améliorer la précision du contrôle anticipatif du système thermique.An objective of the invention is to improve the precision of anticipatory control of the thermal system.
Pour atteindre cet objectif, l’invention propose un système de contrôle thermique pour batterie de véhicule automobile, le système de contrôle coopérant avec un système thermique de la batterie comprenant un circuit calorifique qui comprend un fluide, le circuit calorifique reliant la batterie à un chauffage électrique et à une pompe, caractérisé en ce que le système de contrôle comprend
- des données d’un modèle d'apprentissage automatique, relatives à des activations du chauffage électrique et de la pompe, et des paramètres de chauffage effectif de la batterie ;
- un contrôleur configuré pour contrôler la pompe et le chauffage en fonction des données du modèle d'apprentissage automatique.To achieve this objective, the invention proposes a thermal control system for a motor vehicle battery, the control system cooperating with a thermal system of the battery comprising a heat circuit which comprises a fluid, the heat circuit connecting the battery to a heater electric and with a pump, characterized in that the control system comprises
- data from a machine learning model, relating to activations of the electric heating and the pump, and effective heating parameters of the battery;
- a controller configured to control the pump and heater based on data from the machine learning model.
Avantageusement, l’invention optimise le contrôle anticipatif du système thermique par l’apprentissage automatique.Advantageously, the invention optimizes the anticipatory control of the thermal system by automatic learning.
Le modèle de l’apprentissage automatique s’adapte mieux que l’interpolation linéaire pour la corrélation non-linéaire dans le cadre du contrôle anticipatif. Cela permet de contrôler la pompe et le chauffage électrique de manière plus précise.The machine learning model fits better than linear interpolation for nonlinear correlation in feedforward control. This allows the pump and electric heater to be controlled more precisely.
Selon une variante, le modèle d'apprentissage automatique est basé sur une architecture en réseau neuronal simplifié. Cela permet d’être adapté à un contrôleur ayant peu de capacités de calcul tel qu’un contrôleur de véhicule automobile.According to a variant, the machine learning model is based on a simplified neural network architecture. This makes it suitable for a controller with little computing capacity such as a motor vehicle controller.
Selon une variante, le modèle d'apprentissage automatique est configuré pour un contrôle anticipatif d’une augmentation rapide de la température de la batterie. Cela permet d’améliorer l’efficacité du contrôle de température lorsqu’il y a un besoin de chauffage rapide de la batterie.Alternatively, the machine learning model is configured for anticipatory control of a rapid increase in battery temperature. This helps improve the efficiency of temperature control when there is a need for rapid heating of the battery.
Selon une variante, le modèle d'apprentissage automatique est configuré pour un contrôle anticipatif du débit de fluide en tenant compte de la viscosité dudit fluide. Cela permet d’améliorer l’efficacité du contrôle de température en dépit de la viscosité du fluide.According to a variant, the machine learning model is configured for anticipatory control of the fluid flow taking into account the viscosity of said fluid. This improves the efficiency of temperature control despite the viscosity of the fluid.
L’invention concerne également un procédé de calibration de contrôle thermique pour batterie de véhicule automobile, sur la base d’un système thermique de la batterie comprenant un circuit calorifique qui comprend un fluide, le circuit calorifique reliant la batterie à un chauffage électrique et à une pompe, caractérisé en ce que le procédé comprend des étapes de création d’un modèle d’apprentissage automatique au moyen de données relatives aux activations du chauffage électrique et de la pompe, et des paramètres de chauffage effectif de la batterie.The invention also relates to a thermal control calibration method for a motor vehicle battery, based on a thermal system of the battery comprising a heat circuit which comprises a fluid, the heat circuit connecting the battery to an electric heater and to a pump, characterized in that the method comprises steps of creating a machine learning model using data relating to the activations of the electric heater and the pump, and the effective heating parameters of the battery.
Selon une variante, les données du modèle d’apprentissage automatique comprennent les températures et les débits du fluide comme données d’entrée, et les vitesses de la pompe comme données de sortie.Alternatively, the machine learning model data includes fluid temperatures and flow rates as input data, and pump speeds as output data.
Cela permet d’avoir des données de contrôle anticipatif pour améliorer l’efficacité du contrôle de température lorsqu’il y a un besoin de chauffage rapide de la batterie.This provides feedforward control data to improve the efficiency of temperature control when there is a need for rapid heating of the battery.
Selon une variante, les données du modèle d’apprentissage automatique comprennent les températures et les débits du fluide comme données d’entrée, et les puissances maximales du chauffage électrique comme données de sortie.Alternatively, the machine learning model data includes fluid temperatures and flow rates as input data, and maximum electric heater powers as output data.
Cela permet d’avoir des données de contrôle anticipatif pour améliorer l’efficacité du contrôle de température en dépit de la viscosité du fluide.This provides feedforward control data to improve the effectiveness of temperature control despite fluid viscosity.
Selon une variante, le modèle d’apprentissage automatique est créé via des essais réalisés sur le véhicule automobile en hiver.According to one variant, the machine learning model is created via tests carried out on the motor vehicle in winter.
Cela permet de prendre en compte les éléments du circuit comme les tuyaux, les refroidisseurs, les valves, le chauffage électrique qui influencent les résultats du contrôle ; et de profiter des basses températures de l’hiver pour réaliser un modèle précis.This makes it possible to take into account circuit elements such as pipes, coolers, valves, electric heating which influence the control results; and take advantage of the low temperatures of winter to create a precise model.
Un autre objet de l’invention a trait à un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes du procédé de calibration selon l’invention, lorsque ledit programme fonctionne sur un ordinateur.Another object of the invention relates to a computer program comprising program code instructions for executing the steps of the calibration method according to the invention, when said program operates on a computer.
L’invention a également trait à un véhicule automobile comprenant un système de contrôle selon l’invention.The invention also relates to a motor vehicle comprising a control system according to the invention.
L’invention sera davantage détaillée par la description de modes de réalisation non limitatifs, et sur la base des figures annexées illustrant des variantes de l’invention, parmi lesquelles :The invention will be further detailed by the description of non-limiting embodiments, and on the basis of the appended figures illustrating variants of the invention, among which:
L’invention concerne un système de contrôle thermique pour un système thermique de batterie comprenant une pompe P et un chauffage électrique H.The invention relates to a thermal control system for a battery thermal system comprising a pump P and an electric heater H.
Le contrôle de la pompe P se base sur une courbe caractéristique de la pompe P, « vitesse – débit ». Cette courbe est réalisée au moyen d’essais avec un fluide calorifique défini dans le circuit dédié, par exemple de l’eau avec un antigel.The control of the pump P is based on a characteristic curve of the pump P, “speed – flow”. This curve is produced by means of tests with a calorific fluid defined in the dedicated circuit, for example water with antifreeze.
Pour compenser les effets de la température, à savoir l’augmentation de la viscosité en baissant la température du fluide, plusieurs courbes pour différentes températures du fluide sont à réaliser.To compensate for the effects of temperature, namely the increase in viscosity by lowering the fluid temperature, several curves for different fluid temperatures must be produced.
La
Pour répondre aux points non mesurés, une interpolation linéaire entre les quatre points les plus proches est généralement réalisée. Ce moyen est effectif uniquement si le maillage de mesures est assez intense, ce qui n’est pas le cas en réalité.To accommodate unmeasured points, a linear interpolation between the four closest points is usually performed. This method is only effective if the measurement network is sufficiently intense, which is not the case in reality.
L’invention se base sur un système et un procédé de calibration pour réaliser tous les points de mesure, par exemple par un seul essai. De préférence, la calibration est basée sur au moins une ou de préférence toutes les spécifications suivantes :
- (1) Ces mesures sont à réaliser au niveau du véhicule, parce que les éléments du circuit comme les tuyaux, les refroidisseurs, les valves, le chauffage électrique influencent les résultats.
- (2) Ces mesures sont à réaliser pendant les essais d’hiver pour profiter de la basse température ambiante.
- (3) Le chauffage électrique H est activé avec une puissance très basse. La température du fluide augmente lentement. Un temps caractéristique pour évaluer la vitesse d’augmentation de la température du fluide est le temps pendant lequel le fluide termine une fois la circulation dans le circuit à condition de la vitesse minimale de la pompe P. Un capteur de température T est par exemple prévu pour les températures. Il faut de préférence s’assurer que l’augmentation de la température n’est pas significative par rapport au changement de la viscosité pendant un balayage de la vitesse de la pompe P.
- (4) Faire varier la vitesse de la pompe P du minimum au maximum en gardant une variation de la viscosité du fluide ; et mesurer le débit avec un débitmètre D intégré dans le circuit.The invention is based on a calibration system and method for carrying out all the measurement points, for example by a single test. Preferably, the calibration is based on at least one or preferably all of the following specifications:
- (1) These measurements must be carried out at vehicle level, because circuit elements such as pipes, coolers, valves, electric heating influence the results.
- (2) These measurements are to be carried out during winter tests to take advantage of the low ambient temperature.
- (3) The electric heating H is activated with very low power. The fluid temperature increases slowly. A characteristic time for evaluating the speed of increase in the temperature of the fluid is the time during which the fluid finishes circulating in the circuit provided the minimum speed of the pump P. A temperature sensor T is for example provided for temperatures. It is preferably ensured that the increase in temperature is not significant in relation to the change in viscosity during a sweep of the pump speed P.
- (4) Vary the speed of the pump P from minimum to maximum while maintaining a variation in the viscosity of the fluid; and measure the flow with a flow meter D integrated into the circuit.
Pour contrôler la vitesse de la pompe P pour répondre le besoin de débit, la modélisation de l’apprentissage automatique s’effectue avec les données d’entrée comme la température du fluide et le débit, et avec les données de sortie comme la vitesse de la pompe P accumulés dans cet essai. Un modèle M est illustré dans les figures à cet effet. Le contrôleur C1 peut être utilisé.To control the speed of the pump P to meet the flow requirement, machine learning modeling is carried out with input data such as fluid temperature and flow rate, and with output data such as flow speed. the pump P accumulated in this test. An M model is shown in the figures for this purpose. The C1 controller can be used.
L’originalité de cette modélisation se situe sur l’identification des facteurs impactants, et le procédé mathématique, tout comme l’entraînement, et la validation croisée des données.The originality of this modeling lies in the identification of the impacting factors, and the mathematical process, as well as the training, and the cross-validation of the data.
La construction de l’architecture du réseau neuronal peut être classique. Plusieurs architectures du réseau neuronal peuvent fonctionner, et celle la plus simple peut être choisie pour éviter le surapprentissage et aussi minimiser le coût du calcul dans l’ordinateur on bord du véhicule.The construction of the neural network architecture can be classic. Several neural network architectures can work, and the simplest one can be chosen to avoid overfitting and also minimize the cost of calculation in the vehicle's on-board computer.
Le même type de problème se présente pour le chauffage électrique H. Le chauffage électrique H est utilisé pour augmenter la température de la batterie B le plus rapidement possible.The same type of problem occurs for the electric heater H. The electric heater H is used to increase the temperature of the battery B as quickly as possible.
La difficulté se présente dans la déterminaison de la puissance maximale. Le chauffage électrique H fournit de la chaleur au fluide calorifique en portant une température beaucoup plus haute. Pour éviter la surchauffe de l’élément de chauffage H, la puissance électrique est limitée. La température du chauffage électrique H dépend de son refroidissement, qui dépend de la température du fluide calorifique et de son débit.The difficulty arises in determining the maximum power. The electric heater H provides heat to the calorific fluid by bringing a much higher temperature. To prevent overheating of the heating element H, the electrical power is limited. The temperature of the electric heater H depends on its cooling, which depends on the temperature of the heat fluid and its flow rate.
L’invention propose d’éviter l’implantation d’un capteur thermique T sur le chauffage électrique H dans la production série en profitant du contrôle anticipatif (feed-forward), qui se base sur un modèle de l’apprentissage automatique M. Le modèle de l’apprentissage automatique M fait une interpolation non linéaire entre les points de mesure.The invention proposes to avoid the installation of a thermal sensor T on the electric heater H in series production by taking advantage of anticipatory control (feed-forward), which is based on an automatic learning model M. Le M machine learning model does non-linear interpolation between measurement points.
Le développement se compose également de deux parties : essais et modélisations. Les essais se font avec les spécifications suivantes :
- (1) Rattacher un capteur thermique T sur le chauffage électrique H pour contrôler sa température.
- (2) Pour une température du fluide à l’entrée et un débit donné, la puissance maximale est à trouver pour maintenir la température du chauffage électrique H à la valeur maximale à l’équilibre thermique.
- (3) Répéter cet essai pour plusieurs températures du fluide et plusieurs valeurs du débit.The development also consists of two parts: testing and modeling. The tests are carried out with the following specifications:
- (1) Connect a thermal sensor T to the electric heater H to control its temperature.
- (2) For a fluid temperature at the inlet and a given flow rate, the maximum power must be found to maintain the temperature of the electric heating H at the maximum value at thermal equilibrium.
- (3) Repeat this test for several fluid temperatures and several flow values.
La modélisation intègre les données d’entrée comme la température du fluide et son débit, et les données de sortie comme la puissance maximale. L’originalité de cette modélisation réside dans l’identification des facteurs impactants, et le procédé mathématique reste classique.The modeling integrates input data such as fluid temperature and flow rate, and output data such as maximum power. The originality of this modeling lies in the identification of the impacting factors, and the mathematical process remains classic.
Les données des premiers et deuxièmes essais peuvent être combinées, ou les essais peuvent aboutir à des modèles d’apprentissage séparés.Data from the first and second trials can be combined, or the trials can result in separate learning models.
L’avantage de l’apprentissage automatique contre l’interpolation linéaire est significatif pour le cas où plusieurs facteurs, au lieu d’un seul, sont impactants et la corrélation entre les données de sortie et celles de l’entrée est non linéaire comme dans les cas évoqués ici.The advantage of machine learning against linear interpolation is significant for the case where multiple factors, instead of just one, are impacting and the correlation between the output and input data is non-linear as in the cases mentioned here.
Avec moins de points de mesure, l’apprentissage automatique réalise une estimation plus raisonnable pour les points d’opération non mesurés, ce qui donne un contrôle plus précis.With fewer measurement points, machine learning makes a more reasonable estimate for unmeasured operating points, resulting in more precise control.
Ce modèle d’apprentissage automatique M est ensuite utilisé en série pour effectuer un contrôle anticipatif du système thermique. La
Le système de contrôle thermique obtenu comprend des données d’un modèle d’apprentissage automatique M, relatives à des activations du chauffage électrique H et de la pompe P, et des paramètres de chauffage effectif de la batterie B.The resulting thermal control system includes data from a machine learning model M, relating to activations of the electric heater H and the pump P, and effective heating parameters of the battery B.
Le système de contrôle thermique comprend en outre un contrôleur C2 configuré pour contrôler la pompe P et le chauffage H en fonction des données du modèle d’apprentissage automatique M.The thermal control system further includes a controller C2 configured to control the pump P and the heater H based on data from the machine learning model M.
En résumé, cette invention d’invention décrit un moyen d’amélioration du contrôle anticipatif (feedback-forward) pour la pompe P du circuit de fluide, et le chauffage électrique H. Cette invention propose aussi les procédés d’essais pour accumuler les données pour la modélisation de manière plus économique en temps d’essais et d’analyse. Avec modélisation de l’apprentissage automatique, cette invention élimine la nécessité du mesurer la température du chauffage électrique H dans les véhicules en production série, et offre ainsi une solution plus pratique.In summary, this invention describes a means of improving feed-forward control for the pump P of the fluid circuit, and the electric heater H. This invention also provides testing methods for accumulating data for modeling in a more economical way in terms of testing and analysis time. With machine learning modeling, this invention eliminates the need to measure the temperature of the electric heater H in vehicles in mass production, and thus provides a more practical solution.
L’invention porte en outre sur un programme d’ordinateur comprenant des instructions de code de programme pour l’exécution des étapes d’un procédé de contrôle tel que décrit précédemment, lorsque ledit programme fonctionne sur un ordinateur. Le programme peut être chargé dans un ordinateur de bord d’un véhicule automobile V incluant un contrôleur C2 ou dans un contrôleur C2 dédié.The invention further relates to a computer program comprising program code instructions for executing the steps of a control method as described above, when said program is running on a computer. The program can be loaded into an on-board computer of a motor vehicle V including a C2 controller or into a dedicated C2 controller.
Un autre objet de l’invention concerne un véhicule automobile V comprenant un système de contrôle selon l’invention.Another object of the invention relates to a motor vehicle V comprising a control system according to the invention.
Claims (10)
- des données d’un modèle d’apprentissage automatique (M), relatives à des activations du chauffage électrique (H) et de la pompe (P), et des paramètres de chauffage effectif de la batterie (B) ;
- un contrôleur (C2) configuré pour contrôler la pompe (P) et le chauffage (H) en fonction des données du modèle d’apprentissage automatique (M).Thermal control system for a battery (B) of a motor vehicle (V), the control system cooperating with a thermal system (ST) of the battery comprising a heat circuit which comprises a fluid, the heat circuit connecting the battery (B) to an electric heater (H) and a pump (P), characterized in that the control system comprises
- data from a machine learning model (M), relating to activations of the electric heating (H) and the pump (P), and the effective heating parameters of the battery (B);
- a controller (C2) configured to control the pump (P) and the heater (H) based on data from the machine learning model (M).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200030A FR3131660A1 (en) | 2022-01-04 | 2022-01-04 | ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2200030 | 2022-01-04 | ||
| FR2200030A FR3131660A1 (en) | 2022-01-04 | 2022-01-04 | ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3131660A1 true FR3131660A1 (en) | 2023-07-07 |
Family
ID=81327857
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2200030A Pending FR3131660A1 (en) | 2022-01-04 | 2022-01-04 | ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3131660A1 (en) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109193075A (en) * | 2018-09-28 | 2019-01-11 | 合肥工业大学 | Power battery of pure electric automobile method for controlling cooling system based on intensified learning |
| CN111572407A (en) * | 2020-04-29 | 2020-08-25 | 辽宁工业大学 | Hybrid electric vehicle thermal management system and control method thereof |
| CN113193269A (en) * | 2021-04-23 | 2021-07-30 | 恒大恒驰新能源汽车研究院(上海)有限公司 | Battery thermal management method and device |
-
2022
- 2022-01-04 FR FR2200030A patent/FR3131660A1/en active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109193075A (en) * | 2018-09-28 | 2019-01-11 | 合肥工业大学 | Power battery of pure electric automobile method for controlling cooling system based on intensified learning |
| CN111572407A (en) * | 2020-04-29 | 2020-08-25 | 辽宁工业大学 | Hybrid electric vehicle thermal management system and control method thereof |
| CN113193269A (en) * | 2021-04-23 | 2021-07-30 | 恒大恒驰新能源汽车研究院(上海)有限公司 | Battery thermal management method and device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FR3007371B1 (en) | METHOD FOR MANAGING THE AGING OF A COMPONENT AND THE ENERGY CONSUMPTION IN PARTICULAR OF A MOTOR VEHICLE | |
| EP2932063B1 (en) | Method for managing a power train implementing an estimation of the engine temperature at the end of a stop time of an element of the power train | |
| EP2338712A1 (en) | Optimization of a general warming capacity of an air conditioning system | |
| FR2926330A1 (en) | CONTROL METHOD AND APPARATUS FOR DETERMINING BLACK EMISSIONS OF SMOKE AND NITROGEN OXIDES PRODUCED BY THE OPERATION OF AN INTERNAL COMBUSTION ENGINE | |
| FR3095246A1 (en) | Method and control system of a size of a wind turbine by choice of controller by automatic learning | |
| FR3118832A1 (en) | DEVICE FOR THERMAL CONTROL OF AN ELECTRIC VEHICLE BATTERY BY ARTIFICIAL INTELLIGENCE, METHOD, VEHICLE COMPRISING SUCH A DEVICE | |
| FR3131660A1 (en) | ARTIFICIAL INTELLIGENCE THERMAL CONTROL SYSTEM, METHOD AND VEHICLE BASED ON SUCH SYSTEM | |
| EP1799983B1 (en) | Improved method and system for estimating exhaust gas temperature and internal combustion engine equipped with such a system | |
| EP3974104B1 (en) | System for controlling machining of a part | |
| EP2240676B1 (en) | Method for detecting electric power blips and managing the operation of a motor | |
| FR2906311A3 (en) | METHOD FOR DIAGNOSING THE DETERIORATION OF A TURBOCHARGER | |
| WO2011051618A1 (en) | System and method for controlling the cooling circuit of an internal-combustion engine | |
| EP3643986B1 (en) | Method for detecting and locating a defect in a thermal solar field | |
| WO2015067872A1 (en) | Technical trial method | |
| FR2910059A1 (en) | Exhaust gas pressure estimating method for oil engine of motor vehicle, involves estimating pressure of exhaust gas in upstream of turbine by choosing one of two formulas comprising parameters e.g. pressure of gas in downstream of turbine | |
| FR3118805A1 (en) | DEVICE FOR THERMAL SIMULATION OF AN ELECTRIC VEHICLE BATTERY BY AUTOMATIC LEARNING, METHOD, VEHICLE COMPRISING SUCH A DEVICE | |
| FR3123476A1 (en) | CONTROL OF AN AIR CONDITIONER BY SUPERVISED MACHINE LEARNING | |
| WO2011124860A1 (en) | Method for estimating the initial temperature of a mechanical member of a vehicle at the start-up of the vehicle | |
| CN112989699A (en) | New energy automobile performance evaluation method based on deep reinforcement learning | |
| FR3123477A1 (en) | MODELING AN AUTOMOTIVE AIR CONDITIONER USING SUPERVISED MACHINE LEARNING | |
| FR2909127A1 (en) | METHOD FOR DIAGNOSING AN EXHAUST GAS PURIFYING MEMBER OF A MOTOR VEHICLE | |
| FR2989424A1 (en) | METHOD AND DEVICE FOR THERMOREGULATION OF A MOTOR VEHICLE ENGINE | |
| FR3135786A1 (en) | SYSTEM FOR PREDICTING THE STATE OF HEALTH OR REMAINING LIFE OF AN AUTOMOTIVE VEHICLE BATTERY, METHOD AND PROGRAM BASED ON SUCH A SYSTEM | |
| FR3040332B1 (en) | THERMAL MANAGEMENT CIRCUIT OF A MOTOR VEHICLE COMPRISING A RANKINE LOOP AND ASSOCIATED STEERING METHOD | |
| FR2740837A1 (en) | COOLING SYSTEM OF A VEHICLE WITH INTERNAL COMBUSTION ENGINE |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230707 |