WO2020144287A1 - Procédé de calibration d'un système de transmission automatique - Google Patents

Procédé de calibration d'un système de transmission automatique Download PDF

Info

Publication number
WO2020144287A1
WO2020144287A1 PCT/EP2020/050447 EP2020050447W WO2020144287A1 WO 2020144287 A1 WO2020144287 A1 WO 2020144287A1 EP 2020050447 W EP2020050447 W EP 2020050447W WO 2020144287 A1 WO2020144287 A1 WO 2020144287A1
Authority
WO
WIPO (PCT)
Prior art keywords
context data
change
value
reduction ratio
gear change
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.)
Ceased
Application number
PCT/EP2020/050447
Other languages
English (en)
Inventor
Florent PAJOT
Grégory VIAL
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.)
Aumovio Germany GmbH
Original Assignee
Continental Automotive Technologies GmbH
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 Continental Automotive Technologies GmbH filed Critical Continental Automotive Technologies GmbH
Publication of WO2020144287A1 publication Critical patent/WO2020144287A1/fr
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the invention relates to a device and a method for calibrating an automatic vehicle transmission system.
  • a vehicle equipped with an automatic transmission system comprising several reduction ratios also includes a computer which is adapted to control a change in reduction ratio of the automatic transmission system.
  • the change in reduction ratio is controlled by the computer as a function of a number of parameters which relate to the state of the vehicle or of the transmission system (for example: engine torque, gear currently engaged, vehicle speed, etc. .) and parameters relating to the environment of the vehicle (for example: outside temperature, road slope, etc.).
  • the computer accesses calibration tables previously stored in memory, in which multiple values of these parameters are stored in connection with values of parameters for controlling the change in reduction ratio, these parameters of control being chosen to achieve a good compromise between the comfort of the driver while driving, for example by limiting the jolts linked to a gear change, and the torque or the recovery of the vehicle after the gear change, which characterize the sportiness of the driving offered to the driver.
  • the calibration tables are replaced by transfer functions, implemented by software functions of the computer, and which differ according to the environmental parameters encountered.
  • a drawback associated with this approach is that the behavior of a transmission system is non-linear, so that the extrapolation of the values of control parameters is not always optimized, and that this can result in an deterioration in the perceived quality of the gear change by the user.
  • the dimensions of the calibration tables are limited to the dimensions used during their generation, which can discard parameters which may be relevant for controlling a gear change, and prevent these parameters from being detected and their influence being understood. .
  • the method also includes optimizing the quality of the gear change to determine, for a given gear change context, the best parameters for controlling the gear change.
  • This method although it makes it possible to obtain more complete calibration tables, is however not without drawbacks.
  • the parameters taken into account for the generation of the calibration tables are those on which the transmission system modeling equations are based. However, other parameters can have an influence on the quality of the gear change, which are not taken into account.
  • this method is complex because it involves modeling the operation of a transmission system, and it is therefore specific to only one type of transmission system. A transmission system with a different structure must be re-modeled.
  • an object of the invention is to propose a device for calibrating a transmission system simplified compared to the prior art.
  • Another object of the invention is to allow many parameters of the context of a change in reduction ratio to be taken into account.
  • Another object of the invention is to be easily transposable to several types of transmission systems.
  • the invention relates to a device for calibrating an automatic vehicle transmission system having several reduction ratios, the calibration device comprising a computer and a memory,
  • the memory stores a learning database acquired on the transmission system, comprising, for a plurality of reduction ratio changes:
  • the calculator is configured to implement:
  • a generative model adapted to generate, from the learning database, additional context data
  • a predictive model driven on the training data base, and adapted to generate, for a context data item and a value of at least one parameter for controlling a change in determined reduction ratio, a value of at least minus an evaluation criterion for the gear change, and
  • an optimization model adapted to determine, for a given context data item among the set of context data comprising the context data of the training database and the additional context data, a value of at least at least one parameter for controlling a change in reduction ratio optimizing at least one criterion for evaluating the change in ratio for the given context data item, and for recording, in a calibration table stored in the memory, each parameter value determined control associated with the corresponding context data, for a plurality of context data.
  • the optimization model is suitable for:
  • the generative model is suitable for:
  • the generative model is a network of artificial neurons of the auto-encoder type.
  • the invention also relates to a method for calibrating an automatic vehicle transmission system having several reduction ratios, the method being implemented by a device comprising a computer and a memory storing a database of learning acquired on the transmission system, the learning database comprising, for a plurality of changes in reduction ratios of the transmission system:
  • each context data item of a gear change includes at least one value of an environment parameter of the transmission system before the gear change, and at least one value of a parameter transmission system status before changing gears.
  • the method may include a preliminary step of selecting the parameters of the context data for improving the prediction performance of the predictive model.
  • the criterion for evaluating the change in reduction ratio is calculated from the evolution of the acceleration of the vehicle during the change of ratio.
  • the gear change control parameter is the duration of the gear change.
  • the invention also relates to a computer program product, comprising instructions for the implementation of the method according to the preceding description, when it is implemented by a computer.
  • the calibration device of a transmission system is based on a predictive model driven on a learning database to generate a value of an evaluation criterion for a change in gear ratio. reduction of the transmission system, the training database being enriched with additional context data generated from the training database.
  • This predictive model combined with an optimization model, makes it possible to determine values optimizing control of the change in reduction ratio, including for context data which have not been previously encountered, that is to say - say who do not belong to the learning database. In this way, more reliable and complete calibration tables are obtained.
  • the predictive model is a model trained on a database: it can therefore be trained on a large number of parameters, to ensure that no important parameter is omitted for the control of a change reduction ratio.
  • FIG. 1 schematically represents a calibration device according to an embodiment of the invention
  • FIG. 2 schematically represents the main steps of a calibration method according to an embodiment of the invention
  • FIG. 3 shows an example of projecting context data from a learning database into a reduced dimensional space
  • FIG. 4 represents an example of the evolution of a criterion for evaluating the change in reduction ratio as a function of a control parameter, for a plurality of context data
  • a calibration device 1 is shown schematically according to an embodiment of the invention of an automatic transmission system of a vehicle, the automatic transmission system having several reduction ratios.
  • the automatic transmission system is an automatic gearbox with five or six gears.
  • the calibration device 1 is configured to generate calibration tables allowing the control of a change in reduction ratio, i.e. a change in speed, of the automatic transmission system.
  • a computer 10 for example a controller, a microcontroller, a processor, etc., and a memory 20.
  • the computer 10 is configured to implement an architecture shown schematically in [Fig. 1], which includes:
  • the predictive model 12 is suitable for generating, for context data of a change in reduction ratio, and for a value of at least one parameter for controlling the change in reduction ratio of the automatic transmission system, an estimate of a value of at least one criterion for evaluating the change in reduction ratio, for this value of control parameter and this context data.
  • the predictive model 12 simulates the behavior of the automatic transmission system.
  • the parameters for controlling the change in reduction ratio may include a duration of the change in reduction ratio. They can also include a hydraulic pressure in the clutch, a maximum admissible level of the engagement torque, a duration of the engagement phase, a duration of the synchronization phase, etc.
  • the criteria for evaluating the change in reduction ratio advantageously include at least one criterion calculated from a variation in acceleration of the vehicle during the change in reduction ratio.
  • This evaluation criterion is therefore a comfort criterion for vehicle passengers when changing gear.
  • this criterion, noted D may be that determined in the publication by Hua Huang et al., Cited above, and calculated as follows:
  • tsyn is the synchronization time, i.e. the time it takes for two drive shafts, in a double clutch gearbox, to reach the same speed
  • td is the time for the start of the gear change
  • tf is the end time of the gear change
  • a (t) the acceleration of the vehicle during the gear change.
  • another criterion for evaluating the change in reduction ratio may be the friction energy released in the clutch, or the derivative of acceleration.
  • Each context datum of a change in reduction ratio is a datum comprising a set of parameters linked, on the one hand, to the environment of the vehicle, and on the other hand, to the vehicle itself, to when the gear is changed, and more precisely when the reduction gear is started.
  • the parameters related to the vehicle can include all or part of the following parameters:
  • the predictive model 12 is an algorithm driven by automatic learning on a learning database.
  • the predictive model 12 is a forest of regression trees.
  • the learning database is stored in the memory 20. It is obtained prior to the calibration of the automatic transmission system, by means of pilots testing multiple gear changes in vehicles equipped with the same model of system. transmission, and under different conditions. Thus, it includes multiple occurrences ratio changes for each type of possible change of ratio of the transmission system (eg passing the 1st gear to the 2nd, the 2nd to the 3rd, etc.), and, for each occurrence:
  • learning the predictive model 12 is supervised learning.
  • the context data of the learning database are acquired by means of appropriate sensors on board the vehicle (not shown).
  • a selection of the parameters of the context data can be implemented by the computer 10 in order to limit the number of parameters in the context data, both for learning and for the application of the predictive model.
  • this selection can be implemented by a parameter classification technique with progressive elimination by cross-validation, or by a parameter importance analysis.
  • the predictive model 12 is then advantageously interrogated by the optimization model on a set of context data comprising, in addition to the context data of the training database, additional context data , generated by the generative model 11.
  • the context data of the learning database are necessarily limited since it is not possible, with some real experiences, to simulate all the possible values and combinations of the different parameters that compose them.
  • the generative model 11 is therefore configured to generate additional context data which supplements that of the training database.
  • the generative model 11 is advantageously a network of artificial neurons of the auto-encoder type.
  • This model is configured to project the context data of the training database into a space of reduced dimensionality compared to the dimensionality of the context data.
  • a correlation in this case a linear relationship, between the projected data corresponding to a same type of reduction gear change (for example, switching from first to second gear, from second to third, etc.).
  • FIG. 3 represents the projection of context data in a two-dimensional space, the dimensions corresponding to the axes of the abscissas and ordinates of the figure.
  • the scale on the side represents, for each point, the type of gear change associated with the point.
  • the generative model is configured to determine a correlation between the projected context data corresponding to the same type of gear change.
  • the generative model is configured to perform a linear interpolation of the projected data corresponding to the same type of gear change.
  • the generative model is also configured to generate at least one additional interpolated data in the space of reduced dimensionality.
  • each datum generated in the space of reduced dimensionality can then be converted into new context datum.
  • the generative model 1 1 therefore makes it possible to generate a set of additional data of context of change of reduction ratio, each data being a realistic data for a type of change of reduction ratio given.
  • the optimization model 13 is in turn configured to interrogate the predictive model with a plurality of values of the reduction ratio control parameter (s), for a given context datum, in order to determine, for this context data, the value of the control parameter (s) optimizing the value of the report change evaluation criterion (s).
  • the optimization model 13 receives from the predictive model 12 a value of the criterion or criteria for evaluating the change in ratio.
  • each context data from which the optimization is carried out is advantageously chosen from the set comprising the context data of the training database, and the additional context data generated by the model.
  • generative 1 1 and transmitted by the generative model 1 1 to the optimization model. This therefore makes it possible to explore, for optimization, context data which was not used during learning and therefore to obtain more exhaustive and more precise optimization tables.
  • FIG. 4 there is shown an example of optimization of a gear change evaluation criterion which is the comfort criterion indicated above (the values of which are indicated on the ordinate), by varying a control parameter from gear change which is the duration of the gear change (the values of which are indicated on the abscissa, in ms).
  • the different curves represent the exploration of the values of the parameter for evaluating the gear change for each of a plurality of context data.
  • the optimization model is of the particle swarm optimization type (also known by the acronym PSO for the English particle swarm optimization) since this type of model is suitable for a research space. continuous, and is capable of being used on a problem dynamic so as to find local optima in only a few iterations and requiring little computing power.
  • PSO particle swarm optimization
  • FIG. 2 there is shown schematically the main steps of a method for calibrating an automatic transmission system implemented by the device 1 described above.
  • This calibration process includes a first step 100 of supervised learning of the predictive model 12 of the computer 10 on the training database.
  • the selection of the parameters of the context data mentioned above can be implemented during a preliminary step 90 to reduce the dimensionality of the context data and to keep only the parameters having a preponderant influence on the criteria for evaluating the change of report.
  • step 200 additional context data is generated by the generative model 1 1, by projecting the context data from the training database into a space of reduced dimensionality, determination of a correlation between the projected data, and determination of additional data in the space of reduced dimensionality before deducing therefrom the additional context data corresponding to these reduced data.
  • the additional context data generated is added by the generative model 11 to the context data of the training database, to form a set of context data supplied at the input of the model d 'optimization.
  • Steps 100 and 200 can be implemented in any order, that is to say either step 100 first, or step 200 first, or the two steps 100 and 200 simultaneously.
  • the method then comprises an optimization step 300 during which the optimization model 13 determines at least one parameter for controlling the change in reduction ratio optimizing a value of at least one criterion for evaluating the change reduction ratio, for context data determined from the set of context data including the context data of the training database and the additional context data.
  • this step is performed by iterative interrogation of the predictive model 12 by the optimization model 13, by varying, for a fixed context data, the values of the reduction ratio change control parameter (s) .
  • the method comprises a step 400 of generation and recording, in a memory, of a calibration table, comprising a set of pairs each formed from context data and a value of the reduction ratio change parameters optimizing the value of the reduction ratio change criteria for this context data.
  • the calibration table can also include the value of the criterion or criteria for evaluating the change in reduction ratio corresponding to this couple.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Control Of Transmission Device (AREA)

Abstract

L'invention a pour objet un dispositif de calibration d'un système de transmission automatique, le dispositif de calibration comprenant un calculateur et une mémoire, la mémoire stockant une base de données d'apprentissage comprenant, pour une pluralité de changements de rapports: - une donnée de contexte du changement de rapport, - au moins un paramètre de contrôle du changement de rapport, et - au moins une valeur d'un critère d'évaluation du changement, et en ce que le calculateur est configuré pour mettre en œuvre : - un modèle génératif, adapté pour générer, à partir de la base de données d'apprentissage, des données de contexte supplémentaires, - un modèle prédictif entrainé sur la base de données d'apprentissage pour générer, pour une donnée de contexte et une valeur d'un paramètre de contrôle d'un changement de rapport déterminée, une valeur d'un critère d'évaluation du changement de rapport, et - un modèle d'optimisation, adapté pour déterminer pour une donnée de contexte déterminée parmi l'ensemble des données de contexte comprenant les données de la base d'apprentissage et les données supplémentaires, une valeur d'un paramètre de contrôle d'un changement de rapport optimisant un critère d'évaluation du changement de rapport pour la donnée de contexte déterminée, et pour enregistrer, dans une table de calibration, chaque valeur de paramètre de contrôle déterminée associée à la donnée de contexte correspondante, pour une pluralité de données de contexte.

Description

Description
Titre : Procédé de calibration d’un système de
transmission automatique
Domaine technique
[0001] L’invention concerne un dispositif et un procédé de calibration d’un système de transmission automatique de véhicule.
Technique antérieure
[0002] Un véhicule équipé d’un système de transmission automatique comprenant plusieurs rapports de réduction comprend également un calculateur qui est adapté pour commander un changement de rapport de réduction du système de transmission automatique.
[0003] Le changement de rapport de réduction est contrôlé par le calculateur en fonction d’un nombre de paramètres qui concernent l’état du véhicule ou du système de transmission (par exemple : couple moteur, rapport actuellement enclenché, vitesse du véhicule, etc.) et de paramètres qui concernent l’environnement du véhicule (par exemple : température extérieure, pente de la route, etc.).
[0004] Pour effectuer ce contrôle, le calculateur accède à des tables de calibration préalablement enregistrées en mémoire, dans lesquelles des valeurs multiples de ces paramètres sont stockées en lien avec des valeurs de paramètres de contrôle du changement de rapport de réduction, ces paramètres de contrôle étant choisi pour atteindre un bon compromis entre le confort du conducteur pendant la conduite, par exemple en limitant les à-coups liés à un changement de rapport, et le couple ou la reprise du véhicule à l’issue du changement de rapport, qui caractérisent la sportivité de la conduite proposée au conducteur. Dans d’autres cas, les tables de calibration sont remplacées par des fonctions de transfert, implémentées par des fonctions logicielles du calculateur, et qui diffèrent selon les paramètres environnementaux rencontrés.
[0005] Ces tables de calibration ou fonction de transfert sont générées expérimentalement, par des pilotes qui, au volant d’un véhicule, explorent différents contextes de changements de rapport, et déterminent les paramètres de contrôle de changement de rapport pour lesquels un bon compromis est atteint entre le confort du conducteur et la sportivité offerte par le système de transmission.
[0006] Lors de l’utilisation de ces tables de calibration, les valeurs de paramètres de contrôle de changement de rapport correspondant à des valeurs de paramètres de contexte inconnues sont extrapolées.
[0007] Un inconvénient lié à cette approche est que le comportement d’un système de transmission est non linéaire, de sorte que l’extrapolation des valeurs de paramètres de contrôle n’est pas toujours optimisée, et qu’il peut en résulter une dégradation dans la qualité perçue du changement de rapport par l’utilisateur.
[0008] En outre, les dimensions des tables de calibration sont limitées aux dimensions utilisées pendant leur génération, ce qui peut écarter des paramètres éventuellement pertinents pour le contrôle d’un changement de rapport, et empêcher de détecter ces paramètres et de comprendre leur influence.
[0009] Pour améliorer cette situation, il a été proposé par Hua Huang et al., dans « Model-based Calibration of Automated Transmissions », Advances in Automation Engineering, novembre 2016, un procédé de calibration d’un système de transmission automatique basé sur une modélisation du système de transmission. Ce procédé comprend l’utilisation d’un modèle prédictif adapté pour évaluer un changement de rapport de réduction d’un système de transmission, à partir de paramètres de contrôle du changement de rapport et de données de contexte du changement de rapport. La modélisation du système de transmission par le modèle prédictif repose sur un ensemble d’équations traduisant le comportement physique du système de transmission. En faisant varier des paramètres d’entrées de ces équations, il est donc possible de simuler un ensemble de changements de rapports plus complet que lorsque ces changements de rapports sont effectués dans un véhicule réel.
[0010] Le procédé comprend également l’optimisation de la qualité du changement de rapport pour déterminer, pour un contexte de changement de rapport donné, les meilleurs paramètres de contrôle du changement de rapport.
[0011] Ce procédé, bien qu’il permette d’obtenir des tables de calibration plus complètes, n’est cependant pas dépourvu d’inconvénients. En effet, d’une part, les paramètres pris en compte pour la génération des tables de calibration sont ceux sur lesquels reposent les équations de modélisation du système de transmission. Or, d’autres paramètres peuvent avoir une influence sur la qualité du changement de rapport, qui ne sont pas pris en compte. D’autre part, ce procédé est complexe car il implique de modéliser le fonctionnement d’un système de transmission, et il est donc spécifique à un seul type de système de transmission. Un système de transmission présentant une structure différente doit faire l’objet d’une nouvelle modélisation.
Exposé de l’invention
[0012] Compte tenu de ce qui précède, un but de l’invention est de proposer un dispositif de calibration d’un système de transmission simplifié par rapport à l’art antérieur.
[0013] Un autre but de l’invention est de permettre une prise en compte de nombreux paramètres de contexte d’un changement de rapport de réduction.
[0014] Un autre but de l’invention est d’être transposable aisément à plusieurs types de systèmes de transmission.
[0015] A cet égard, l’invention a pour objet un dispositif de calibration d’un système de transmission automatique de véhicule présentant plusieurs rapports de réduction, le dispositif de calibration comprenant un calculateur et une mémoire,
caractérisé en ce que la mémoire stocke une base de données d’apprentissage acquise sur le système de transmission, comprenant, pour une pluralité de changements de rapports de réduction:
- une donnée de contexte du changement de rapport de réduction,
- au moins un paramètre de contrôle du changement de rapport de réduction, et
- au moins une valeur d’un critère d’évaluation du changement de rapport, et en ce que le calculateur est configuré pour mettre en œuvre :
- un modèle génératif, adapté pour générer, à partir de la base de données d’apprentissage, des données de contexte supplémentaires,
- un modèle prédictif entraîné sur la base de données d’apprentissage, et adapté pour générer, pour une donnée de contexte et une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction déterminée, une valeur d’au moins un critère d’évaluation du changement de rapport, et
- un modèle d’optimisation, adapté pour déterminer, pour une donnée de contexte déterminée parmi l’ensemble des données de contexte comprenant les données de contexte de la base de données d’apprentissage et les données de contexte supplémentaires, une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction optimisant au moins un critère d’évaluation du changement de rapport pour la donnée de contexte déterminée, et pour enregistrer, dans une table de calibration stockée dans la mémoire, chaque valeur de paramètre de contrôle déterminée associée à la donnée de contexte correspondante, pour une pluralité de données de contexte.
[0016] Dans un mode de réalisation, le modèle d’optimisation est adapté pour :
- interroger itérativement le modèle prédictif avec une pluralité de valeurs de paramètres de contrôle de changement de rapport de réduction, pour la donnée de contexte déterminée,
- recevoir du modèle prédictif une valeur dudit critère d’évaluation de changement de rapport pour chaque valeur de paramètre de contrôle de changement de rapport de réduction, et
- déterminer une valeur du paramètre de contrôle de changement de rapport de réduction optimisant le critère d’évaluation du changement de rapport pour la donnée de contexte déterminée.
[0017] Dans un mode de réalisation, le modèle génératif est adapté pour :
- projeter les données de contexte de la base de données d’apprentissage dans un espace de dimensionnalité réduite,
- pour au moins un changement de rapports de réduction, déterminer une corrélation des données de contexte projetées dans l’espace de dimensionnalité réduite,
- à partir de la corrélation déterminée, générer au moins une donnée interpolée dans l’espace de dimensionnalité réduite, et
- déterminer une nouvelle donnée de contexte correspondant à la donnée extrapolée dans l’espace de dimensionnalité réduite.
[0018] Dans un mode de réalisation, le modèle génératif est un réseau de neurones artificiels du type auto-encodeur. [0019] L’invention a également pour objet un procédé de calibration d’un système de transmission automatique de véhicule présentant plusieurs rapports de réduction, le procédé étant mis en oeuvre par un dispositif comprenant un calculateur et une mémoire stockant une base de données d’apprentissage acquises sur le système de transmission, la base de données d’apprentissage comprenant, pour une pluralité de changements de rapports de réduction du système de transmission :
- une donnée de contexte du changement de rapport,
- au moins un paramètre de contrôle du changement de rapport de réduction, et
- au moins une valeur d’un critère d’évaluation du changement de rapport, le procédé étant caractérisé en ce qu’il comprend la mise en oeuvre d’étapes de :
- entrainement, sur la base de données d’apprentissage, d’un modèle prédictif adapté pour générer, à partir d’une donnée de contexte, et d’une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction, une valeur d’au moins un critère d’évaluation du changement de rapport,
- génération, à partir de la base de données d’apprentissage, de données de contexte supplémentaires,
- détermination d’au moins un paramètre de contrôle de changement de rapport de réduction optimisant une valeur d’au moins un critère d’évaluation du changement de rapport de réduction pour une donnée de contexte déterminée parmi l’ensemble des données de contexte comprenant les données de contexte de la base de données d’apprentissage et les données de contexte supplémentaires, et
- enregistrement, dans une table de calibration stockée dans une mémoire, de chaque valeur de paramètre de contrôle déterminée en association avec la donnée de contexte correspondante, pour une pluralité de données de contexte.
[0020] Dans un mode de réalisation, chaque donnée de contexte d’un changement de rapport comprend au moins une valeur d’un paramètre d’environnement du système de transmission avant le changement de rapport, et au moins une valeur d’un paramètre d’état du système de transmission avant le changement de rapport.
[0021] Le procédé peut comprendre une étape préliminaire de sélection des paramètres des données de contexte pour l’amélioration de performances de prédiction du modèle prédictif. [0022] Dans un mode de réalisation, le critère d’évaluation du changement de rapport de réduction est calculé à partir de l’évolution de l’accélération du véhicule pendant le changement de rapport.
[0023] Dans un mode de réalisation, le paramètre de contrôle du changement de rapport est la durée du changement de rapport.
[0024] L’invention a également pour objet un produit programme d’ordinateur, comprenant des instructions pour la mise en oeuvre du procédé selon la description qui précède, lorsqu’il est mis en oeuvre par un calculateur.
[0025] Le dispositif de calibration d’un système de transmission selon l’invention est basé sur un modèle prédictif entraîné sur une base de données d’apprentissage pour générer une valeur d’un critère d’évaluation d’un changement de rapport de réduction du système de transmission, la base de données d’apprentissage étant enrichie de données de contexte supplémentaires générées à partir de la base de données d’apprentissage.
[0026] Ce modèle prédictif, combiné à un modèle d’optimisation, permet de déterminer des valeurs optimisant contrôle du changement de rapport de réduction, y compris pour des données de contexte qui n’ont pas été préalablement rencontrées, c’est-à-dire qui n’appartiennent pas à la base de données d’apprentissage. De cette façon, des tables de calibration plus fiables et complètes sont obtenues.
[0027] En outre, le modèle prédictif est un modèle entraîné sur une base de données : il peut donc être entraîné sur un nombre important de paramètres, afin d’assurer qu’aucun paramètre important ne soit omis pour le contrôle d’un changement de rapport de réduction.
Brève description des dessins
[0028] 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, sur lesquels :
[0029] [Fig. 1 ] représente schématiquement un dispositif de calibration selon un mode de réalisation de l’invention ; [0030] [Fig. 2] représente schématiquement les principales étapes d’un procédé de calibration selon un mode de réalisation de l’invention ;
[0031] [Fig. 3] montre un exemple de projection des données de contexte d’une base de données d’apprentissage dans un espace de dimensionnalité réduite;
[0032] [Fig. 4] représente un exemple d’évolution d’un critère d’évaluation du changement de rapport de réduction en fonction d’un paramètre de contrôles, pour une pluralité de données de contexte,
Description des modes de réalisation
[0033] Il est maintenant fait référence à [Fig. 1 ], où on a représenté schématiquement un dispositif 1 de calibration selon un mode de réalisation de l’invention d’un système de transmission automatique d’un véhicule, le système de transmission automatique présentant plusieurs rapports de réduction. Par exemple, le système de transmission automatique est une boîte de vitesses automatique comprenant cinq ou six vitesses. Le dispositif de calibration 1 est configuré pour générer des tables de calibration permettant le contrôle d’un changement de rapport de réduction, i.e. d’un changement de vitesse, du système de transmission automatique. Pour ce faire il comprend un calculateur 10, par exemple un contrôleur, un microcontrôleur, un processeur, etc., et une mémoire 20.
[0034] Le calculateur 10 est configuré pour mettre en œuvre une architecture représentée schématiquement sur [Fig. 1 ], qui comprend :
- un modèle génératif 1 1 ,
- un modèle prédictif 12, et
- un modèle d’optimisation 13.
[0035] Le modèle prédictif 12 est adapté pour générer, pour une donnée de contexte d’un changement de rapport de réduction, et pour une valeur d’au moins un paramètre de contrôle du changement de rapport de réduction du système de transmission automatique, une estimation d’une valeur d’au moins un critère d’évaluation du changement de rapport de réduction, pour cette valeur de paramètre de contrôle et cette donnée de contexte. En d’autres termes, le modèle prédictif 12 simule le comportement du système de transmission automatique. [0036] A titre d’exemple non limitatif, les paramètres de contrôle du changement de rapport de réduction peuvent comprendre une durée du changement de rapport de réduction. Ils peuvent également comprendre une pression hydraulique dans l’embrayage, un niveau maximal admissible du couple d’engagement, une durée de la phase d’engagement, une durée de phase de synchronisation, etc.
[0037] Les critères d’évaluation du changement de rapport de réduction comprennent avantageusement au moins un critère calculé à partir d’une variation d’accélération du véhicule lors du changement de rapport de réduction. Ce critère d’évaluation est donc un critère de confort des passagers du véhicule lors du changement de rapport. Par exemple, ce critère, noté D, peut être celui déterminé dans la publication de Hua Huang et al., citée ci-avant, et calculé comme suit :
[0038] [Math. 1 ]
Figure imgf000010_0001
où tsyn est la durée de synchronisation, c’est-à-dire le temps nécessaires pour que deux arbres de transmission, dans une boîte à double embrayage, atteignent la même vitesse, td est le temps de début du changement de rapport, tf est le temps de fin du changement de rapport, et a(t) l’accélération du véhicule pendant le changement de rapport.
[0039] Alternativement ou en complément, un autre critère d’évaluation du changement de rapport de réduction peut être l’énergie de friction libérée dans l’embrayage, ou la dérivée de l’accélération.
[0040] Chaque donnée de contexte d’un changement de rapport de réduction est une donnée comprenant un ensemble de paramètres liés, d’une part, à l’environnement du véhicule, et d’autre part, au véhicule lui-même, au moment du changement de rapport, et plus précisément au moment de démarrer le changement de rapport de réduction.
[0041] Ces paramètres sont éventuellement nombreux, et peuvent par exemple comprendre tout ou partie des paramètres suivants, pour les paramètres liés à l’environnement du véhicule :
- température extérieure, - taux d’humidité,
- valeur de la pente de la route,
- etc.
[0042] Les paramètres liés au véhicule peuvent comprendre tout ou partie des paramètres suivants :
- couple moteur,
- vitesse de rotation du moteur,
- vitesse du véhicule,
- pression sur la pédale d’accélération,
- variation de pression sur la pédale d’accélération,
- vitesse d’entrée d’air dans le moteur,
- kilométrage du véhicule depuis le démarrage,
- température de l’huile moteur,
- accélération longitudinale du véhicule,
- poids du véhicule,
- type de moteur,
- puissance,
- etc.
[0043] Le modèle prédictif 12 est un algorithme entraîné par apprentissage automatique sur une base de données d’apprentissage. Dans un mode de réalisation préféré, le modèle prédictif 12 est une forêt d’arbres de régression.
[0044] La base de données d’apprentissage est stockée dans la mémoire 20. Elle est obtenue préalablement à la calibration du système de transmission automatique, au moyen de pilotes testant de multiples changements de rapport dans des véhicules équipés du même modèle de système de transmission, et dans des conditions différentes. Ainsi, elle comprend plusieurs occurrences de changements de rapport pour chaque type de changement de rapport possible du système de transmission (par exemple : passage de la 1 ère vitesse à la 2ème, de la 2ème à la 3ème, etc.), et, pour chaque occurrence :
- une donnée de contexte du changement de rapport,
- la valeur de chaque paramètre de contrôle du changement de rapport pris en compte par le modèle prédictif, par exemple la valeur de la durée du changement de rapport, et
- la valeur de chaque critère d’évaluation qui doit être retourné par le modèle prédictif.
[0045] Ainsi, l’apprentissage du modèle prédictif 12 est un apprentissage supervisé.
[0046] Les données de contexte de la base de données d’apprentissage sont acquises au moyen de capteurs appropriés embarqués dans le véhicule (non représentés).
[0047] Avantageusement, mais facultativement, avant l’apprentissage du modèle prédictif sur la base de données d’apprentissage, une sélection des paramètres des données de contexte peut être mise en oeuvre par le calculateur 10 afin de limiter le nombre de paramètres dans les données de contexte, à la fois pour l’apprentissage puis pour l’application du modèle prédictif. Par exemple, cette sélection peut être mise en oeuvre par une technique de classement des paramètres avec élimination progressive par validation croisée, ou par une analyse d’importance de paramètre.
[0048] Une fois entraîné, le modèle prédictif 12 est ensuite avantageusement interrogé par le modèle d’optimisation sur un ensemble de données de contexte comprenant, en plus des données de contexte de la base de données d’apprentissage, des données de contexte supplémentaires, générées par le modèle génératif 11.
[0049] En effet, les données de contexte de la base de données d’apprentissage sont nécessairement limitées puisqu’il n’est pas possible, avec quelques expériences réelles, de simuler toutes les valeurs et combinaisons possibles des différents paramètres qui les composent. Le modèle génératif 11 est donc configuré pour générer des données de contexte supplémentaires venant compléter celles de la base de données d’apprentissage.
[0050] Pour ce faire, le modèle génératif 11 est avantageusement un réseau de neurones artificiels de type auto-encodeur. Ce modèle est configuré pour projeter les données de contexte de la base de données d’apprentissage dans un espace de dimensionnalité réduite par rapport à la dimensionnalité des données de contexte. [0051] En référence à [Fig. 3], on constate que l’utilisation d'un auto-encodeur sur les données de contexte de la base de données d’apprentissage permet d’établir une corrélation, en l’occurrence une relation linéaire, entre les données projetées correspondant à un même type de changement de rapport de réduction (par exemple, passage de la première à la deuxième vitesse, de la deuxième à la troisième, etc.).
[0052] En effet, [Fig. 3] représente la projection de données de contexte dans un espace bidimensionnel, les dimensions correspondant aux axes des abscisses et des ordonnées de la figure. L’échelle sur le côté représente, pour chaque point, le type de changement de rapport associé au point.
[0053] Ainsi une fois les données de contexte projetées, le modèle génératif est configuré pour déterminer une corrélation entre les données de contexte projetées correspondant à un même type de changement de rapport. Typiquement, le modèle génératif est configuré pour réaliser une interpolation linéaire des données projetées correspondant à un même type de changement de rapport. Le modèle génératif est également configuré pour générer au moins une donnée interpolée supplémentaire dans l’espace de dimensionnalité réduite.
[0054] La projection appliquée par un auto-encodeur sur les données d’entrée étant inversible, chaque donnée générée dans l’espace de dimensionnalité réduite peut ensuite être convertie en une nouvelle donnée de contexte.
[0055] Le modèle génératif 1 1 permet donc de générer un ensemble de données supplémentaires de contexte de changement de rapport de réduction, chaque donnée étant une donnée réaliste pour un type de changement de rapport de réduction donné.
[0056] Le modèle d’optimisation 13 est quant à lui configuré pour interroger le modèle prédictif avec une pluralité de valeurs du ou des paramètres de contrôle de changement de rapport de réduction, pour une donnée de contexte déterminée, afin de déterminer, pour cette donnée de contexte, la valeur du ou des paramètres de contrôle optimisant la valeur du ou des critères d’évaluation du changement de rapport. [0057] Ainsi, à chaque interrogation, le modèle d’optimisation 13 reçoit du modèle prédictif 12 une valeur du ou des critères d’évaluation du changement de rapport. En parcourant ainsi, pour une donnée de contexte fixée, l’espace des valeurs possibles pour le ou les paramètres de contrôle de changement de rapport, il est possible de déterminer des couples comprenant une donnée de contrôle et une valeur de chaque paramètre de contrôle de changement de rapport, pour lesquels les valeurs du ou des critères d’évaluation de changement de rapport sont optimales.
[0058] De plus, chaque donnée de contexte à partir de laquelle l’optimisation est réalisée est avantageusement choisie dans l’ensemble comprenant les données de contexte de la base de données d’apprentissage, et les données de contexte supplémentaires générées par le modèle génératif 1 1 , et transmises par le modèle génératif 1 1 au modèle d’optimisation. Ceci permet donc d’explorer, pour l’optimisation, des données de contexte qui n’ont pas été utilisées lors de l’apprentissage et donc d’obtenir des tables d’optimisation plus exhaustives et plus précises.
[0059] En référence à [Fig. 4], on a représenté un exemple d’optimisation d’un critère d’évaluation de changement de rapport qui est le critère de confort indiqué ci-avant (dont les valeurs sont indiquées en ordonnées), en faisant varier un paramètre de contrôle de changement de rapport qui est la durée du changement de rapport (dont les valeurs sont indiquées en abscisses, en ms). Les différentes courbes représentent l’exploration des valeurs du paramètre d’évaluation du changement de rapport pour chacune d’une pluralité de données de contexte.
[0060] Tout ou partie de ces couples, une fois déterminés, sont ensuite sauvegardés, par exemple dans la base de données ou dans une mémoire distincte de celle-ci, sous forme de tables de calibration, qui répertorient, pour un ensemble de données de contexte, la valeur du paramètre de contrôle de changement de rapport optimisant le (ou les) critère(s) d’évaluation du changement de rapport.
[0061] Dans un mode de réalisation, le modèle d’optimisation est de type optimisation par essaim de particules (également connu sous l’acronyme PSO pour l’anglais particle swarm optimization) puisque ce type de modèle est adapté à un espace de recherche continu, et est capable d’être utilisé sur un problème dynamique de manière à retrouver des optima locaux en quelques itérations seulement et en requérant peu de puissance de calcul.
[0062] En référence à [Fig. 2], on a représenté schématiquement les principales étapes d’un procédé de calibration d’un système de transmission automatique mis en œuvre par le dispositif 1 décrit ci-avant.
[0063] Ce procédé de calibration comprend une première étape 100 d’apprentissage supervisé du modèle prédictif 12 du calculateur 10 sur la base de données d’apprentissage.
[0064] Optionnellement, la sélection des paramètres des données de contexte évoquée ci-avant peut être mise en œuvre lors d’une étape préliminaire 90 pour réduire la dimensionnalité des données de contexte et n’y conserver que les paramètres présentant une influence prépondérante sur le ou les critères d’évaluation du changement de rapport.
[0065] Au cours d’une deuxième étape 200, des données de contexte supplémentaires sont générées par le modèle génératif 1 1 , par projection des données de contexte de la base de données d’apprentissage dans un espace de dimensionnalité réduite, détermination d’une corrélation entre les données projetées, et détermination de données supplémentaires dans l’espace de dimensionnalité réduite avant d’en déduire les données de contexte supplémentaires correspondant à ces données réduites. A l’issue de l’étape 200 les données de contexte supplémentaires générées sont ajoutées par le modèle génératif 1 1 aux données de contexte de la base de données d’apprentissage, pour former un ensemble de données de contexte fourni en entrée du modèle d’optimisation.
[0066] Les étapes 100 et 200 peuvent être mises en œuvre dans un ordre quelconque, c’est-à-dire soit l’étape 100 en premier, soit l’étape 200 en premier, soit les deux étapes 100 et 200 simultanément.
[0067] Le procédé comprend ensuite une étape 300 d’optimisation au cours de laquelle le modèle d’optimisation 13 détermine au moins un paramètre de contrôle de changement de rapport de réduction optimisant une valeur d’au moins un critère d’évaluation du changement de rapport de réduction, pour une donnée de contexte déterminée parmi l’ensemble des données de contexte comprenant les données de contexte de la base de données d’apprentissage et les données de contexte supplémentaires. Comme décrit ci-avant, cette étape est réalisée par interrogation itérative du modèle prédictif 12 par le modèle d’optimisation 13, en faisant varier, pour une donnée de contexte fixée, les valeurs du ou des paramètres de contrôle de changement de rapport de réduction.
[0068] Enfin, le procédé comprend une étape 400 de génération et d’enregistrement, dans une mémoire, d’une table de calibration, comprenant un ensemble de couples formés chacun d’une donnée de contexte et d’une valeur du ou des paramètres de changement de rapport de réduction optimisant la valeur du ou des critères d’évaluation du changement de rapport de réduction, pour cette donnée de contexte. En option, la table de calibration peut également comprendre la valeur du ou des critères d’évaluation du changement de rapport de réduction correspondant à ce couple.

Claims

Revendications
[Revendication 1] Dispositif (1 ) de calibration d’un système de transmission automatique de véhicule présentant plusieurs rapports de réduction, le dispositif de calibration (1 ) comprenant un calculateur (10) et une mémoire (20),
caractérisé en ce que la mémoire (20) stocke une base de données d’apprentissage acquise sur le système de transmission, comprenant, pour une pluralité de changements de rapports de réduction:
- une donnée de contexte du changement de rapport de réduction,
- au moins un paramètre de contrôle du changement de rapport de réduction, et
- au moins une valeur d’un critère d’évaluation du changement de rapport, et en ce que le calculateur (10) est configuré pour mettre en oeuvre :
- un modèle génératif (1 1 ), adapté pour générer, à partir de la base de données d’apprentissage, des données de contexte supplémentaires,
- un modèle prédictif (12) entraîné sur la base de données d’apprentissage, et adapté pour générer, pour une donnée de contexte et une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction déterminée, une valeur d’au moins un critère d’évaluation du changement de rapport, et
- un modèle d’optimisation (13), adapté pour déterminer, pour une donnée de contexte déterminée parmi l’ensemble des données de contexte comprenant les données de contexte de la base de données d’apprentissage et les données de contexte supplémentaire, une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction optimisant au moins un critère d’évaluation du changement de rapport pour la donnée de contexte déterminée, et pour enregistrer, dans une table de calibration stockée dans la mémoire, chaque valeur de paramètre de contrôle déterminée associée à la donnée de contexte correspondante, pour une pluralité de données de contexte.
[Revendication 2] Dispositif de calibration (1 ) selon la revendication 1 , dans lequel le modèle d’optimisation (13) est adapté pour :
- interroger itérativement le modèle prédictif (12) avec une pluralité de valeurs de paramètres de contrôle de changement de rapport de réduction, pour la donnée de contexte déterminée,
- recevoir du modèle prédictif (12) une valeur dudit critère d’évaluation de changement de rapport pour chaque valeur de paramètre de contrôle de changement de rapport de réduction, et
- déterminer une valeur du paramètre de contrôle de changement de rapport de réduction optimisant le critère d’évaluation du changement de rapport pour la donnée de contexte déterminée.
[Revendication 3] Dispositif de calibration (1 ) selon l’une quelconque des revendications précédentes, dans lequel le modèle génératif (1 1 ) est adapté pour :
- projeter les données de contexte de la base de données d’apprentissage dans un espace de dimensionnalité réduite,
- pour au moins un changement de rapports de réduction, déterminer une corrélation des données de contexte projetées dans l’espace de dimensionnalité réduite,
- à partir de la corrélation déterminée, générer au moins une donnée interpolée dans l’espace de dimensionnalité réduite, et
- déterminer une nouvelle donnée de contexte correspondant à la donnée extrapolée dans l’espace de dimensionnalité réduite.
[Revendication 4] Dispositif de calibration (1 ) selon la revendication précédente, dans lequel le modèle génératif (1 1 ) est un réseau de neurones artificiels du type auto-encodeur.
[Revendication 5] Procédé de calibration d’un système de transmission automatique de véhicule présentant plusieurs rapports de réduction, le procédé étant mis en œuvre par un dispositif (1 ) comprenant un calculateur (10) et une mémoire (20) stockant une base de données d’apprentissage acquises sur le système de transmission, la base de données d’apprentissage comprenant, pour une pluralité de changements de rapports de réduction du système de transmission :
- une donnée de contexte du changement de rapport,
- au moins un paramètre de contrôle du changement de rapport de réduction, et
- au moins une valeur d’un critère d’évaluation du changement de rapport, le procédé étant caractérisé en ce qu’il comprend la mise en œuvre d’étapes de :
- entrainement (100), sur la base de données d’apprentissage, d’un modèle prédictif (12) adapté pour générer, à partir d’une donnée de contexte, et d’une valeur d’au moins un paramètre de contrôle d’un changement de rapport de réduction, une valeur d’au moins un critère d’évaluation du changement de rapport,
- génération (200), à partir de la base de données d’apprentissage, de données de contexte supplémentaires,
- détermination (300) d’au moins un paramètre de contrôle de changement de rapport de réduction optimisant une valeur d’au moins un critère d’évaluation du changement de rapport de réduction pour une donnée de contexte déterminée parmi l’ensemble des données de contexte comprenant les données de contexte de la base de données d’apprentissage et les données de contexte supplémentaires, et
- enregistrement (400), dans une table de calibration stockée dans une mémoire, de chaque valeur de paramètre de contrôle déterminée en association avec la donnée de contexte correspondante, pour une pluralité de données de contexte.
[Revendication 6] Procédé de calibration selon la revendication précédente, dans laquelle chaque donnée de contexte d’un changement de rapport comprend au moins une valeur d’un paramètre d’environnement du système de transmission avant le changement de rapport, et au moins une valeur d’un paramètre d’état du système de transmission avant le changement de rapport.
[Revendication 7] Procédé de calibration selon la revendication précédente, comprenant une étape préliminaire (90) de sélection des paramètres des données de contexte pour l’amélioration de performances de prédiction du modèle prédictif.
[Revendication 8] Procédé de calibration selon l’une quelconque des revendications 5 à 7, dans lequel le critère d’évaluation du changement de rapport de réduction est calculé à partir de l’évolution de l’accélération du véhicule pendant le changement de rapport.
[Revendication 9] Procédé de calibration selon l’une quelconque des revendications 5 à 8, dans lequel le paramètre de contrôle du changement de rapport est la durée du changement de rapport.
[Revendication 10] Produit programme d’ordinateur, comprenant des instructions pour la mise en oeuvre du procédé selon l’une des revendications 5 à 9, lorsqu’il est mis en oeuvre par un calculateur (10).
PCT/EP2020/050447 2019-01-09 2020-01-09 Procédé de calibration d'un système de transmission automatique Ceased WO2020144287A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1900172A FR3091611B1 (fr) 2019-01-09 2019-01-09 Procédé de calibration d’un système de transmission automatique
FR1900172 2019-01-09

Publications (1)

Publication Number Publication Date
WO2020144287A1 true WO2020144287A1 (fr) 2020-07-16

Family

ID=67107636

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/050447 Ceased WO2020144287A1 (fr) 2019-01-09 2020-01-09 Procédé de calibration d'un système de transmission automatique

Country Status (2)

Country Link
FR (1) FR3091611B1 (fr)
WO (1) WO2020144287A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140029743A (ko) * 2012-08-29 2014-03-11 콘티넨탈 오토모티브 시스템 주식회사 차량용 자동 변속기의 파워 온 다운 쉬프트 학습 방법
FR3005920A1 (fr) * 2013-05-27 2014-11-28 Peugeot Citroen Automobiles Sa Procede et dispositif de gestion de boite de vitesses d'un vehicule automobile prenant en compte un critere d'acceleration minimum
FR3052206A1 (fr) * 2016-06-03 2017-12-08 Peugeot Citroen Automobiles Sa Calibration d'un estimateur thermique embarque pour embrayage

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140029743A (ko) * 2012-08-29 2014-03-11 콘티넨탈 오토모티브 시스템 주식회사 차량용 자동 변속기의 파워 온 다운 쉬프트 학습 방법
FR3005920A1 (fr) * 2013-05-27 2014-11-28 Peugeot Citroen Automobiles Sa Procede et dispositif de gestion de boite de vitesses d'un vehicule automobile prenant en compte un critere d'acceleration minimum
FR3052206A1 (fr) * 2016-06-03 2017-12-08 Peugeot Citroen Automobiles Sa Calibration d'un estimateur thermique embarque pour embrayage

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
DAVID BERTHELOT ET AL: "Understanding and Improving Interpolation in Autoencoders via an Adversarial Regularizer", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 19 July 2018 (2018-07-19), XP081246886 *
GUIFANG LIU ET AL: "A Stacked Autoencoder-Based Deep Neural Network for Achieving Gearbox Fault Diagnosis", MATHEMATICAL PROBLEMS IN ENGINEERING, vol. 2018, 25 July 2018 (2018-07-25), CH, pages 1 - 10, XP055630356, ISSN: 1024-123X, DOI: 10.1155/2018/5105709 *
HUA HUANG ET AL.: "Model-based Calibration of Automated Transmissions", ADVANCES IN AUTOMATION ENGINEERING, November 2016 (2016-11-01)
HUA HUANG: "Model-based Calibration of Automated Transmissions", 17 November 2016 (2016-11-17), XP055629063, Retrieved from the Internet <URL:https://pdfs.semanticscholar.org/7b9f/7ca311a304de065e05121958e3ade249c1a0.pdf> [retrieved on 20191004] *
HUA HUANG: "Model-based gear-shift optimization for an automated manual transmission", vol. 233, no. 12, 20 December 2018 (2018-12-20), pages 3199 - 3208, XP009516466, ISSN: 0954-4070, Retrieved from the Internet <URL:http://journals.sagepub.com/doi/full-xml/10.1177/0954407018817016> [retrieved on 20181220], DOI: 10.1177/0954407018817016 *
ROOZEGAR M ET AL: "Design, modelling and estimation of a novel modular multi-speed transmission system for electric vehicles", MECHATRONICS, PERGAMON PRESS, OXFORD, GB, vol. 45, 4 July 2017 (2017-07-04), pages 119 - 129, XP085144484, ISSN: 0957-4158, DOI: 10.1016/J.MECHATRONICS.2017.06.002 *
ZENGCAI WANG ET AL: "Smart Shift Decision Method Based on Stacked Autoencoders", JOURNAL OF CONTROL SCIENCE AND ENGINEERING, vol. 2018, 31 May 2018 (2018-05-31), pages 1 - 13, XP055630374, ISSN: 1687-5249, DOI: 10.1155/2018/1098753 *

Also Published As

Publication number Publication date
FR3091611A1 (fr) 2020-07-10
FR3091611B1 (fr) 2022-06-03

Similar Documents

Publication Publication Date Title
EP1275551B1 (fr) Dispositif de contrôle du point de fonctionnement du groupe motopropulseur d&#39;un véhicule
US20180238257A1 (en) Torque security of mpc-based powertrain control
CN115626152B (zh) 车辆起步控制方法、装置、设备、介质和产品
US20180274453A1 (en) Coordination of torque interventions in mpc-based powertrain control
JP5741066B2 (ja) 車両用データ記録装置
EP2141379B1 (fr) Procédé pour contrôler la phase de fermeture d&#39;un embrayage d&#39;un système de transmission robotisée automobile
FR3091611A1 (fr) Procédé de calibration d’un système de transmission automatique
CN117669019A (zh) 变速器的数据调整方法、装置、系统、车辆及电子装置
US9174626B2 (en) Methods and systems for controlling shifting between operating modes in hybrid vehicles
KR20210157172A (ko) 인공 신경망을 이용한 dct 제어 장치 및 그 방법
Xu et al. Research on the DCT vehicle starting process evaluation based on LSTM neural network with attention mechanism
EP4639291A1 (fr) Procédé de contrôle d&#39;un actionneur par un système de contrôle et système de contrôle d&#39;un actionneur
EP3065982B1 (fr) Procédé de contrôle de l&#39;état d&#39;un chaîne de transmission cinématique, système de transmission cinématique et véhicule automobile associé
FR2847016A1 (fr) Procede de selection du rapport de transmission pour un vehicule
FR2875201A1 (fr) Procede de commande a plusieurs modes de fonctionnement d&#39;une transmission automatisee pour un vehicule automobile, notamment pour un avancement au ralenti du vehicule automobile avec frein active et dispositif correspondant
Catenaro et al. Semi-Automated Transmission Control for Motorcycle Gearshift: Design, Data-Driven Tuning, and Experimental Validation
FR2834939A1 (fr) Procede de commande du dispositif de transmission d&#39;un groupe motopropulseur de vehicule et dispositif de commande mettant en oeuvre un tel procede
FR3101045A1 (fr) Module de détermination en temps réel d’un profil de conduite personnalisé
FR2840958A1 (fr) Procede de controle du fonctionnement d&#39;un groupe motopropulseur et dispositif mettant en oeuvre le procede
Vossoughi et al. Development of an integrated computer environment for optimization of engine management system calibration
CN121302207A (zh) 一种混合动力汽车湿式双离合器摩擦系数确定方法
CN120986416A (zh) 能量分配方法、装置、车辆及存储介质
CN117662749A (zh) 自动变速器的换挡控制方法、装置、设备及存储介质
CN119042314A (zh) 一种行星式综合传动装置换挡过程目标油压自动寻优方法
CN121224654A (zh) 基于残差网络的amt起步控制方法、系统、设备及存储介质

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20700127

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20700127

Country of ref document: EP

Kind code of ref document: A1