WO2022157429A1 - Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique - Google Patents
Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique Download PDFInfo
- Publication number
- WO2022157429A1 WO2022157429A1 PCT/FR2021/052135 FR2021052135W WO2022157429A1 WO 2022157429 A1 WO2022157429 A1 WO 2022157429A1 FR 2021052135 W FR2021052135 W FR 2021052135W WO 2022157429 A1 WO2022157429 A1 WO 2022157429A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- value
- model
- term
- learning
- learning function
- Prior art date
Links
- 230000006870 function Effects 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000002485 combustion reaction Methods 0.000 title abstract 2
- 238000005259 measurement Methods 0.000 claims abstract description 14
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 41
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000033228 biological regulation Effects 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 12
- 238000003745 diagnosis Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 10
- 238000005457 optimization Methods 0.000 description 6
- 230000000670 limiting effect Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 238000007435 diagnostic evaluation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2441—Methods of calibrating or learning characterised by the learning conditions
- F02D41/2448—Prohibition of learning
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2454—Learning of the air-fuel ratio control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
- F02D41/2464—Characteristics of actuators
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
- F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
- F02D41/2425—Particular ways of programming the data
- F02D41/2429—Methods of calibrating or learning
- F02D41/2477—Methods of calibrating or learning characterised by the method used for learning
- F02D41/2483—Methods of calibrating or learning characterised by the method used for learning restricting learned values
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
- F02D—CONTROLLING COMBUSTION ENGINES
- F02D41/00—Electrical control of supply of combustible mixture or its constituents
- F02D41/02—Circuit arrangements for generating control signals
- F02D41/14—Introducing closed-loop corrections
- F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
- F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
La présente invention a pour objet un procédé de sécurisation d'une fonction d'apprentissage d'un modèle de contrôle d'actionneurs d'un moteur thermique pour véhicule automobile, dans lequel le procédé comporte les étapes suivantes de calcul (25) d'un écart entre une première valeur mémorisée par la fonction d'apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées, de détermination (26) d'un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle, de détermination (27) de la valeur d'un paramètre de sécurisation dépendant dudit écart et de l'indice de confiance, de mise à jour (28) du terme du modèle par une troisième valeur constituée de la somme des parts de la première valeur et de la deuxième valeur, lors de laquelle l'une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.
Description
DESCRIPTION
TITRE : PROCEDE DE SECURISATION D’UNE FONCTION D’APPRENTISSAGE D’UN MODELE D’ACTIONNEURS DE MOTEUR THERMIQUE
La présente invention revendique la priorité de la demande française N°2100573 déposée le 21 .01 .2021 dont le contenu (texte, dessins et revendications) est ici incorporé par référence.
Le domaine de l’invention concerne un procédé de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs d’un moteur thermique de véhicule automobile.
Les actionneurs de moteurs thermiques de véhicule ont un comportement pouvant différer des modèles de comportements intégrés dans l’unité de contrôle du moteur, du fait des dispersions de fabrication, de l’usure, de l’encrassement et de la qualité de représentation des actionneurs du moteur. Dans le cas des modèles d’actionneurs relatifs à la branche d’admission et la branche d’injection, ce décalage peut amener à des dérives de la richesse du mélange. Cette situation provoque une surconsommation et/ou une augmentation des émissions polluantes. Cela peut entrainer également des impacts sur l’agrément de conduite. Il est nécessaire tout au long de la vie du véhicule de corriger ces dérives de richesse.
Classiquement, cette correction est réalisée par des modèles de contrôle moteur, réalisant la fonction de régulation de richesse, qui corrige en permanence le temps de commande de l’injecteur en se basant sur la mesure de richesse fournie par la sonde de richesse présente à l’échappement. De plus, pour optimiser cette correction, l’unité de commande du moteur exécute en parallèle une fonction d’apprentissage de contrôle moteur en charge de mémoriser la correction nécessaire pour des champs de fonctionnement du moteur. Plus précisément, sur un point stabilisé de champ de fonctionnement moteur, dès que les conditions d’apprentissage sont respectées, la fonction d’apprentissage mémorise pour ce point la valeur de correction déterminée par le modèle de contrôle moteur en charge de la régulation de richesse. Par exemple, le processus d’apprentissage peut se réaliser au moyen d’un réseau de neurones de type
auto-adaptatif. Simultanément, l’unité de commande communique la valeur en cours de mémorisation, ce qui a pour effet de faire converger la valeur de correction de régulation de richesse. Ainsi, le travail de régulation est minimisé et on améliore la dynamique de correction.
La fonction d’apprentissage joue un rôle majeur lorsque le modèle de régulation de richesse ne peut pas corriger la richesse, notamment lorsque la sonde de richesse n’est pas disponible, et améliore significativement le contrôle moteur lors de transitoire de charge en minimisant le travail de la fonction de régulation de richesse.
On connaît le document FR3057031A1 décrivant un procédé de correction de la richesse déposé par la demanderesse. Le procédé décrit est une technique d'optimisation de type minimisation des moindres carrés se basant sur l’analyse des erreurs présentes sur le système afin de déterminer des termes de la fonction de correction et dont le but étant de corriger les erreurs en améliorant les modèles. Ce procédé décrit des tests sur la qualité des termes de correction en cours de calcul pour orienter la convergence de la boucle d’optimisation. Ces tests sont inclus dans la boucle de calcul des termes de correction et s’appliquent sur les corrections en cours de convergence. On connaît également le document FR2979390A1 décrivant une technique d’optimisation se basant sur un filtre de Kalman.
Lorsqu’une nouvelle valeur de correction est calculée, des stratégies d’apprentissage consiste à apprendre totalement la valeur et à écraser la valeur qui est enregistrée en mémoire du modèle d’apprentissage. Cependant, un inconvénient survient lorsque la valeur courante est calculée à partir de mesures relevées dans des conditions atypiques de fonctionnement moteur, par exemple si un événement particulier est survenu et décale temporairement le système de régulation de richesse. La fonction apprend alors une valeur erronée, non représentative de la zone de fonctionnement, ce qui provoque un décalage de la richesse sur tout le champ de fonctionnement attribué une fois que l’évènement atypique a disparu. D’autres stratégies consistent à apprendre une partie seulement de la correction courante pour limiter les effets négatifs provoqués par un évènement atypique et ponctuel. Cependant, en contrepartie, si la valeur courante est correcte, la vitesse d’apprentissage est réduite.
Il existe donc un besoin de palier les problèmes précités et d’améliorer le processus d’apprentissage d’une fonction de contrôle moteur. Un objectif de l’invention
est de sécuriser les modèles d’apprentissage afin de limiter l’impact d’une valeur ponctuellement décalées du fait d’un évènement atypique.
Plus précisément, l’invention concerne un procédé de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs d’un moteur thermique pour véhicule automobile, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire d’une unité de commande du moteur thermique et étant adaptée à opérer un cycle d’apprentissage constitué de boucles de mise à jour des termes de contrôle.
Selon l’invention, le procédé comporte les étapes suivantes :
Calcul d’un écart entre une première valeur mémorisée par la fonction d’apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées,
Détermination d’un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle,
Détermination de la valeur d’un paramètre de sécurisation dépendant dudit écart et de l’indice de confiance,
Mise à jour du terme du modèle par une troisième valeur constituée de parts de la première valeur et de la deuxième valeur, lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.
Selon un mode préférentiel de l’invention, ledit paramètre de sécurisation est un coefficient de pondération délivré par une matrice prédéterminée ayant en paramètre d’entrée ledit écart et l’indice de confiance, et lors de l’étape de mise à jour du terme du modèle, la part de la deuxième valeur courante est calculée en fonction de la valeur dudit coefficient de pondération.
Selon une variante, le procédé comporte en outre préalablement au cycle de boucles de mises à jour une étape d’initialisation de l’indice de confiance du terme du modèle à un niveau de confiance initial.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est supérieur ou égal au niveau de confiance initial et :
Si, de plus, l’écart est supérieur ou égal à un premier seuil et inférieur ou égal à un deuxième seuil, la part de la deuxième valeur est strictement inférieure à la part de la première valeur mémorisée,
Si, de plus, l’écart est supérieur au deuxième seuil, la part de la deuxième valeur est nulle de sorte à conserver en totalité la part de la première valeur mémorisée.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est strictement inférieur au niveau de confiance initial et supérieur à une première limite minimum, la part de la deuxième valeur est nulle de sorte à conserver en totalité la part de la première valeur mémorisée.
Selon une variante, lors de la mise à jour du terme du modèle, si l’indice de confiance est égal à une deuxième limite minimum, la part de la deuxième valeur est au moins égale ou supérieure à la part de la première valeur mémorisée.
Selon une variante, la première limite minimum est égale à la deuxième limite minimum, ou supérieure à la deuxième limite minimum.
Selon un deuxième mode de réalisation du procédé, la fonction d’apprentissage comporte en outre un paramètre de configuration interne représentatif d’un niveau de confiance de la valeur mémorisée du terme du modèle, et en ce que ledit paramètre interne est configuré en fonction de la valeur du paramètre de sécurisation.
Selon une variante, le procédé comporte en outre, à chaque boucle de mise à jour, une étape d’actualisation de la valeur de l’indice de confiance en fonction dudit écart et lorsque ledit écart est supérieur à un troisième seuil, l’indice de confiance est décrémenté d’une valeur prédéterminée et lorsque ledit écart est inférieur audit troisième seuil l’indice de confiance est incrémenté de ladite valeur prédéterminée.
Selon une variante, le module de contrôle est une fonction de régulation de la richesse prévue pour calculer des termes d’adaptatifs de correction et la fonction d’apprentissage est adaptée à mémoriser suivant une matrice des variables de régime et de charge moteur lesdits termes d’adaptatifs de correction.
L’invention prévoit une unité de commande d’un moteur thermique de véhicule automobile comprenant une fonction d’apprentissage d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande
et étant adaptée à opérer un cycle de mises à jour des termes de contrôle. Selon l’invention, l’unité de commande est configurée pour mettre en œuvre le procédé de sécurisation de la fonction d’apprentissage selon l’une quelconque des modes de réalisations précédents.
L’invention concerne également un véhicule automobile comportant un moteur thermique piloté par une telle unité de commande.
L’invention concerne une unité de commande d’un moteur thermique mettant en œuvre une fonction d’apprentissage d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande et étant adaptée à opérer un cycle de mises à jour des termes de contrôle, comportant en outre : un moyen de calcul d’un écart entre une première valeur mémorisée par la fonction d’apprentissage pour ledit terme du modèle et une deuxième valeur courante dudit terme du modèle estimée à partir de mesures instantanées, un moyen de détermination d’un indice de confiance attribué à la première valeur mémorisée dudit terme du modèle, un moyen de détermination de la valeur d’un paramètre de sécurisation dépendant dudit écart et de l’indice de confiance, un moyen de mise à jour du terme du modèle par une troisième valeur constituée de la somme des parts de la première valeur et de la deuxième valeur, lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation.
Grâce à l’invention, le procédé et dispositif de sécurisation d’une fonction d’apprentissage permet d’établir un diagnostic concernant la fiabilité des valeurs mémorisées d’un modèle de contrôle d’actionneurs de moteur. La mise à jour d’une fonction d’apprentissage est généralement soumise à un mécanisme de convergence natif dont le but est de mettre à jour graduellement les valeurs mémorisées par une partie seulement des nouvelles valeurs mesurées. Lorsque le diagnostic établit qu’une valeur d’un terme du modèle n’est pas fiable, le procédé de sécurisation permet d’accélérer la convergence vers les nouvelles valeurs mesurées. Cette accélération de convergence
est en outre soumise à des contrôles supplémentaires pour empêcher une mise à jour sur des valeurs ponctuellement erronées.
L’invention trouve une application préférentielle dans le cadre de modèle de contrôle de la richesse et participe donc activement à une maîtrise de l’erreur de richesse rapide et robuste tout au long de la vie du véhicule. De manière générale, l’invention aide à améliorer les performances des stratégies d’apprentissage des modèles de contrôles d’actionneurs du moteur et participe donc à une amélioration de ses performances.
D’autres caractéristiques et avantages de la présente invention apparaitront plus clairement à la lecture de la description détaillée qui suit comprenant des modes de réalisation de l’invention donnés à titre d’exemples nullement limitatifs et illustrés par les dessins annexés, dans lesquels :
[Fig .1 ] représente un dispositif de sécurisation d’une fonction d’apprentissage d’un modèle de contrôle d’actionneurs de moteur thermique selon l’invention ;
[Fig.2] représente un mode de réalisation préférentiel de l’algorithme du procédé de sécurisation selon l’invention ;
[Fig.3] représente un exemple d’une matrice de calcul du paramètre de sécurisation opérant la pondération d’une valeur d’adaptatif de correction de la richesse pour le mode de réalisation préférentiel du procédé de sécurisation selon l’invention ;
[Fig.4] représente une deuxième variante du dispositif de sécurisation d’une fonction d’apprentissage selon l’invention.
L’invention trouve une application pour les modèles de contrôles d’actionneurs de moteur thermique et en particulier pour la sécurisation d’une fonction d’apprentissage pour de tels modèles de contrôle. A cet effet, dans un premier mode de réalisation préférentiel, l’invention prévoit une fonction additionnelle de sécurisation d’une fonction native d’apprentissage permettant d’établir un diagnostic de sécurisation relatif aux adaptatifs mémorisés et les adaptatifs courant avant l’enregistrement de la nouvelle valeur dans la matrice d’apprentissage. Dans un deuxième mode de réalisation, la fonction de sécurisation additionnelle coopère avec la fonction d’apprentissage de manière à moduler le bruit de modèle des termes du modèle en fonction du résultat du diagnostic réalisé par la fonction de sécurisation. Le bruit de modèle désigne tout paramètre de configuration du modèle représentatif d’un niveau de confiance dans le
modèle. Selon le résultat, la fonction de sécurisation accélère le processus de convergence natif vers la valeur des nouveaux adaptatifs en diminuant dans cette variante le niveau de confiance du modèle.
Dans la présente description, le terme modèle de contrôle d’actionneurs désigne toute fonction de contrôle d’actionneurs du moteur. La fonction d’apprentissage met en œuvre la fonction de mémorisation des termes calculés par le modèle de contrôle, la fonction de mise à jour des termes du modèle et la fonction de restitution desdits termes. Le terme valeur mémorisée de la fonction d’apprentissage désigne la valeur du modèle de contrôle qui est enregistrée en mémoire de l’unité de commande du moteur thermique. Le terme valeur courante de la fonction d’apprentissage désigne la valeur estimée à partir des mesures instantanées de grandeurs physiques issu de capteur du moteur, par exemple la sonde de richesse à l’échappement.
Les modes de réalisation de l’invention seront décrits plus précisément à titre d’exemple non limitatif pour le cas d’une fonction d’apprentissage d’un modèle de régulation de la richesse. Le modèle de contrôle est une fonction de régulation de la richesse en charge de calculer des termes de correction des actionneurs du moteur permettant de réguler la richesse. Dans ce cas d’exemple, un terme de contrôle désigne les adaptatifs de correction de la richesse et la fonction d’apprentissage est adaptée à mémoriser lesdits adaptatifs de correction de la richesse, suivant par exemple une matrice des variables de régime et de charge moteur. La valeur courante est estimée à partir de mesure de pression de collecteur du moteur et une teneur en oxygène d’un gaz d’échappement du moteur. Les adaptatifs de correction ajustent les actionneurs de la branche d’admission et/ou la branche d’injection du moteur thermique permettant de contrôler la richesse, soit la commande d’ouverture de vanne d’admission de gaz et/ou la commande de durée d’injection de carburant.
La figure 1 représente le premier mode de réalisation préférentiel des modules fonctionnels d’une unité de commande de moteur thermique permettant la réalisation du procédé de sécurisation selon l’invention.
L’unité de commande est munie d’un calculateur à circuits intégrés et de mémoires électroniques, le calculateur et les mémoires étant configurés pour exécuter le procédé de sécurisation. Mais cela n’est pas obligatoire. En effet, le calculateur pourrait être externe à l’unité de commande du moteur, tout en étant couplé à cette dernière. Dans ce
dernier cas, il peut être lui-même agencé sous la forme d’un calculateur dédié comprenant un éventuel programme dédié, par exemple. Par conséquent, l’unité de commande, selon l’invention, peut être réalisé sous la forme de modules logiciels (ou informatiques (ou encore « software »)), ou bien de circuits électroniques (ou « hardware »), ou encore d’une combinaison de circuits électroniques et de modules logiciels.
Plus précisément, l’unité de commande comporte une fonction d’apprentissage 11 du modèle de contrôle d’actionneurs de régulation de la richesse et un module de sécurisation 1 de la valeur du terme à apprendre par la fonction d’apprentissage 11 . La fonction d’apprentissage 11 est configurée pour mémoriser un adaptatif de correction en conditions d’apprentissage préétablies, en particulier sur un point de fonctionnement stabilisé en charge et régime moteur ou une zone de fonctionnement stabilisée en régime et charge moteur. Le processus d’apprentissage exécute continuellement durant le fonctionnement du moteur des boucles de mises à jour des termes de la matrice d’apprentissage lorsque les conditions d’apprentissage sont établies. En d’autres termes la fonction d’apprentissage procède de façon itérative, ou récursives, à des calculs de valeurs des termes du modèle issues de mesures instantanées de grandeurs physiques relevées par un ou des capteurs du moteur pour une évaluation en comparaison avec une valeur mémorisée issue de la boucle de mise à jour précédente. En fonction de la technique d’optimisation utilisée, la nouvelle valeur mémorisée par une boucle de mise à jour, comprend tout ou partie de la valeur courante, ou conserve en totalité la valeur mémorisée lors de la boucle précédente.
Par exemple, les valeurs mises à jour par la fonction d’apprentissage peuvent être obtenues en utilisant une technique d'optimisation de type minimisation des moindres carrés, comme illustré par le document FR3057031A1 , ou un filtre de Kalman comme illustré par la demande FR2979390A1 . Ces deux techniques sont citées à titre d’exemple illustratif et l’homme du métier saura adapter la mise en œuvre de l’invention à toute fonction d’apprentissage utilisée pour l’optimisation des modèles de contrôle d’actionneurs de moteur.
Conformément à l’invention, le module de sécurisation 1 comporte un moyen de calcul 2 apte à recevoir en entrée une première valeur mémorisée 10 par la fonction d’apprentissage 11 pour un terme du modèle et une deuxième valeur courante 12 dudit terme estimée à partir de mesures instantanées. Le moyen de calcul 2 est configuré pour
calculer l’écart entre ces deux valeurs. Le module de sécurisation 1 peut être utilisé pour l’évaluation d’un point, plusieurs points, une zone ou chaque zone de fonctionnement moteur définie par la matrice d’apprentissage. Le calcul de l’écart est apte à être opéré à chaque boucle de mise à jour de la fonction d’apprentissage. La valeur de l’écart 6 est délivrée en sortie du module 2.
Le module de sécurisation 1 comporte en outre un moyen de configuration et détermination 3 d’un indice de confiance 7 attribué à la première valeur mémorisée 10 dudit terme du modèle dans la matrice d’apprentissage. Le moyen de calcul 3 est apte à configurer un niveau de confiance prédéterminé initial et à modifier la valeur de l’indice de confiance en fonction de l’évaluation de l’écart 6, délivré par le moyen 2, en comparaison avec un seuil prédéterminé. L’indice de confiance 7 est un paramètre permettant d’élaborer le diagnostic de sécurisation relatif aux valeurs mémorisées du modèle.
L’indice de confiance 7 fait fonction d’échelle d’évaluation, par exemple en pourcentage entre 0% et 100%. Mais ce n’est pas obligatoire. Cet indice de confiance 7 a pour but quantifier le degré de confiance quant à la fiabilité de la valeur mémorisée et d’avoir une indication sur ce qui s’est passé dans les précédentes boucles de mise à jour. La valeur du niveau prédéterminé initial configurable en début de cycle d’apprentissage pour la première valeur mémorisée d’un terme de la matrice d’apprentissage est dans cet exemple la valeur intermédiaire moyenne 50%. Le moyen de configuration et détermination 3 est apte à incrémenter et décrémenter la valeur de l’indice par paliers prédéterminés de valeur constante, comprise entre 1 % et 10% par exemple. Dans le cadre de l’invention, le palier détermine le nombre de boucles de mise à jour avant de déclencher une remise en question de la valeur mémorisée.
Le module de sécurisation 1 comporte en outre un moyen de détermination 4 de la valeur d’un paramètre de sécurisation 8 prenant en paramètre d’entrée la valeur de l’écart 6 et la valeur de l’indice de confiance 7 permettant d’établir le diagnostic de sécurisation dans les valeurs mémorisées 10 et les valeurs courantes 12 du modèle de contrôle lors d’une boucle de mise à jour. Le moyen de détermination 4 délivre dans ce mode de réalisation une valeur de coefficient de pondération 8 permettant d’ajuster la part de la valeur courante 12 du terme du modèle calculé à partir des mesures instantanées pour la mise à jour du modèle d’apprentissage 13. Plus précisément, en
fonction de l’indice de confiance 7 et de l’écart 6, le coefficient de pondération permet de mémoriser lors de la mise à jour qu’une partie seulement de la valeur courante 12, d’ignorer la valeur courante 12 en cas d’écart très important si l’indice de confiance est élevé, une partie importante si l’indice de confiance de la valeur mémorisée 10 est faible, c’est-à-dire a atteint une limite minimum prédéterminée, et la valeur complète si l’écart est nul. Un mode de calcul du paramètre de sécurisation 8 sera décrit à titre d’exemple dans la suite de la description. Le calcul du paramètre de sécurisation 8, sous la forme d’un paramètre de pondération, peut prendre la forme d’une matrice, délivrant des valeurs prédéterminées, à deux variables d’entrée qui sont l’écart 6 et l’indice de confiance 7. Les valeurs du paramètre de pondération 8 sont par exemple comprise entre 0 et 1 .
Le module de sécurisation 1 comporte en outre un moyen de détermination 5 dont la fonction est de mettre à jour un terme du modèle par une troisième valeur à mémoriser constituée la somme de parts de la première valeur 10 et de la deuxième valeur 12, lors de laquelle la part de la deuxième valeur 12 est calculée à partir de la valeur du paramètre de pondération 8 attribuée à la valeur courante du terme du modèle. Le moyen de détermination 5 délivre la nouvelle valeur 14 correspondant à la valeur courante de la correction de richesse à laquelle est attribuée le paramètre de pondération 8 pour sa mise à jour par la fonction d’apprentissage 11 . La nouvelle valeur mémorisée dans la matrice d’apprentissage 13 par la fonction d’apprentissage est constituée de la somme des parts de la première valeur 10 et de la deuxième valeur 12 qui sont calculées en fonction du coefficient de pondération 8. La nouvelle valeur mémorisée est obtenue suivant un calcul de barycentre. Plus précisément, la part de la deuxième valeur 12 correspond au produit de cette deuxième valeur 12 avec le coefficient de pondération 8 et la part de la première valeur 10 correspond au produit de cette première valeur 10 avec un terme de pondération valant un moins la valeur du paramètre de pondération 8. Les valeurs actualisées à mémoriser sont enregistrées en mémoire de l’unité de commande du moteur, dans un moyen de stockage à mémoire volatile et mémoire non volatile et programmable de manière à être réutilisées ultérieurement, notamment à un arrêt du moteur et reprise de fonctionnement.
On décrit maintenant à travers la figure 2 un exemple d’algorithme du premier mode de réalisation préférentiel du procédé de sécurisation selon l’invention dans lequel
le paramètre de sécurisation 8 est un paramètre de pondération déterminant la part de la valeur courante 12 du terme du modèle à mémoriser dans la matrice d’apprentissage.
Un cycle d’apprentissage conformément à l’invention prévoit pour un point, chaque point de fonctionnement, une zone ou chaque zone de fonctionnement moteur, une phase d’initialisation 200 du modèle d’apprentissage. A ce stade, la matrice d’apprentissage ne contient aucune valeur de terme de contrôle pour le point de fonctionnement ou zone de fonctionnement sujette au contrôle.
Dans le but d’initialisation, à une première étape, le procédé opère un contrôle 20 des conditions d’apprentissage, propres à la fonction, lors de laquelle on vérifie notamment si le moteur fonctionne en régime et charge stabilisés. Cette condition de stabilisation n’est pas limitative. D’autres conditions peuvent déterminer le déclenchement d’un calcul d’un terme de correction de la richesse du modèle. En cas de détection d’un fonctionnement stabilisé du moteur, le procédé mémorise, à une étape 21 , la totalité de la valeur courante du terme de contrôle issue des mesures instantanées, le coefficient de pondération 8 est donc configuré à 1 , et, à une étape 22, configure la valeur de l’indice de confiance attribué audit terme à la valeur d’initialisation, par exemple 50%. Le niveau de confiance initial est représentatif d’un niveau moyen, c’est-à-dire en dessous duquel le diagnostic de sécurisation doute de la valeur et au-dessus duquel le diagnostic de sécurisation estime que la valeur est fiable. L’indice de confiance sera utilisé en combinaison avec la valeur de l’écart durant le cycle d’apprentissage pour déterminer à partir de quelle boucle de mise à jour on pourra accélérer la convergence de la valeur mémorisée vers la valeur courante.
Ensuite, le procédé de sécurisation entre dans une phase 201 de mise à jour de la matrice d’apprentissage pour le terme de contrôle ou chaque terme de contrôle pour lequel une première valeur est enregistrée. Cette phase de mise à jour est récursive et dont le déclenchement est conditionné à la détection de conditions d’apprentissage optimale, par un fonctionnement en régime et charge stabilisé.
A une étape de surveillance 23, lorsque la fonction d’apprentissage 11 détecte pour un terme du modèle que les conditions d’apprentissage sont réunies pour opérer une mise à jour des termes du modèle, la fonction d’apprentissage à une étape 24 calcule une nouvelle valeur courante du terme de correction de la richesse du modèle à partir des mesures instantanées.
Le procédé de sécurisation comporte ensuite une étape 25 de calcul de l’écart entre la valeur mémorisée du terme de correction par la fonction d’apprentissage 11 , issue de la boucle précédente, et la valeur courante dudit terme estimée à partir de mesures instantanées par la fonction d’apprentissage 11 .
Le procédé comporte, une étape 26, lors de laquelle la fonction de sécurisation 1 détermine la valeur de l’indice de confiance attribué à la valeur mémorisée dudit terme du modèle dans la matrice d’apprentissage. Lors de la 2ème boucle de mise à jour d’un terme de la matrice d’apprentissage, la fonction de sécurisation lit la valeur 50% dans cet exemple. Pour une boucle de mise à jour suivante, l’indice de confiance dépendra de révolution de l’apprentissage.
Ensuite, le procédé comporte une étape 27 de détermination de la valeur d’un coefficient de pondération à attribuer à la valeur courante pour la mise à jour de la matrice d’apprentissage. Le coefficient de pondération est le résultat d’une évaluation de diagnostic de sécurisation dépendant dudit écart calculé lors de cette boucle de mise à jour et de l’indice de confiance associé à la valeur mémorisée du terme du modèle. En fonction du résultat du diagnostic de sécurisation, la fonction de sécurisationl définit la valeur du coefficient de pondération qui sera multipliée à la valeur courante du terme de correction de la richesse du modèle.
La détermination du coefficient de pondération est réalisée dans ce cas d’exemple par une matrice de diagnostic ayant en paramètre d’entrée ledit écart et l’indice de confiance.
En figure 3, on a représenté un exemple non limitatif de la matrice. La première colonne représente des valeurs de l’indice de confiance, graduée entre 0% et 100%, de la valeur mémorisée, et la première ligne représente la valeur de l’écart entre la valeur mémorisée et la valeur courante du terme du modèle, comprise entre 0 et 0,1 .
Le diagnostic de sécurisation s’opère selon la stratégie suivante pour calculer le coefficient de pondération.
Dans le cas où l’écart entre la valeur mémorisée et la valeur courante est nulle, le coefficient de pondération est égal à 1. Ne montrant pas d’écart entre le modèle d’apprentissage et les mesures réelles, la stratégie d’apprentissage enregistre la totalité de la valeur courante.
Dans le cas où l’indice de confiance est supérieur ou égal au niveau de confiance initial, dans cet exemple 50% et :
Si, de plus, l’écart est supérieur ou égal à un premier seuil S1 (0,01 dans cet exemple), et inférieur ou égal à un deuxième seuil S2 (0,06 dans cet exemple), le coefficient de pondération est gradué en décroissance, entre les valeurs 0,3 et 0,05 par exemple, proportionnellement à l’écart de manière que la part de la valeur courante du terme de correction soit strictement inférieure à la part de la valeur mémorisée dans la matrice d’apprentissage. La nouvelle valeur courante de correction de la richesse est partiellement, ou peu, prise en compte pour la mise à jour, du fait notamment que la valeur mémorisée est, à ce stade du cycle d’apprentissage, jugée comme étant encore fiable. L’objectif du diagnostic de sécurisation est que la mise à jour s’opère selon un premier rythme de convergence gradué en fonction de la valeur de l’écart. Plus l’écart augmente et tant que l’indice de confiance est fiable, et plus la vitesse de convergence est réduite.
Si, de plus, l’écart est supérieur au deuxième seuil S2 (0,06), le coefficient de pondération est égal à 0 de sorte à conserver en totalité la part de la première valeur mémorisée. La nouvelle valeur courante du terme de correction de la richesse n’est donc pas prise en compte. Dans cette situation, du fait notamment que la valeur mémorisée est, à ce stade du cycle d’apprentissage, jugée comme étant fiable, la convergence du terme de correction vers la valeur courante est arrêtée tant que l’indice de confiance est supérieur au niveau initial de 50%.
Toutefois, lorsque l’indice de confiance devient strictement inférieur au niveau de confiance initial, 50% dans cet exemple, qu’il reste supérieur à une première limite minimum Lim, 0% par exemple, le coefficient de pondération est égal à 0. Cela implique que la part de la valeur courante du terme de correction de la richesse est nulle et n’est pas prise en comprise. Le diagnostic de sécurisation agit de sorte à conserver en totalité la part de la première valeur mémorisée pour cette zone d’incertitude basée sur la valeur l’indice. La stratégie du diagnostic consiste à inhiber temporairement durant un certain nombre de boucles de mise à jour la modification de la valeur mémorisée. Il existe à ce stade du cycle d’apprentissage une phase durant laquelle le diagnostic de sécurisation doute de la valeur mémorisée et de la valeur courante.
Cependant, si cet écart mesuré persiste durant plusieurs boucles de mises à jour, la fonction de sécurisation est configurée pour mettre à jour la valeur mémorisée et à cet effet déclenche un processus de convergence accéléré vers les valeurs courantes mesurées. Plus précisément, dans le but d’accélérer la convergence, si l’indice de confiance est égal à la limite minimum Lim, ici 0%, le coefficient de pondération est configuré à la valeur 0,5. On envisage que d’autres valeurs supérieures comprises entre 0,5 et 1 puissent être configurées de manière que la part de la valeur courante du terme de correction soit au moins égale ou supérieure à la part de la valeur mémorisée dans le but d’accélérer la convergence vers la valeur courante. La valeur du coefficient de pondération est spécifiquement prévue pour accélérer le cycle de convergence par rapport au mécanisme natif d’apprentissage mis en œuvre par la fonction d’apprentissage 11 . A cet effet, dans cette situation le coefficient de pondération a une valeur pilotant une vitesse de convergence vers la valeur courante qui est supérieure à celle du mécanisme de convergence natif de la fonction d’apprentissage 11 .
On précisera que le nombre de boucles de mise à jour nécessaire pour atteindre la limite minimum Lim peut être calibré par la valeur de palier d’incrémentation et décrémentation de l’indice de confiance.
Ensuite, à une étape 28, la fonction de sécurisation 1 , calcule la nouvelle valeur à mémoriser dans la matrice d’apprentissage, lors de laquelle la valeur courante du terme de correction de la richesse est pondéré par le coefficient de pondération issu du diagnostic de l’étape précédente.
De plus, le procédé de sécurisation comporte une étape d’actualisation 29 de la valeur de l’indice de confiance en fonction de l’écart calculé à l’étape 25 entre la valeur mesurée et la valeur courante d’une boucle de mise à jour. Lorsque ledit écart est supérieur à un seuil prédéterminé (par exemple S2 égal à 0,06), l’indice de confiance est décrémenté de la valeur prédéterminée du palier. La fonction de sécurisation 1 détecte dans ce cas une incohérente importante entre la valeur mémorisée et la valeur courante du terme de correction de la richesse. La fonction diminue donc le niveau de confiance dans la valeur mémorisée. Et, lorsque l’écart est inférieur au seuil S2, l’indice de confiance est incrémenté de la valeur du palier du fait qu’elle détecte peu de différence entre les valeurs mémorisée et courante. On envisage que la valeur du seuil soit
différente, par exemple supérieure à S2, ou comprise entre S1 et S2, ou même égale à S1.
Enfin, une fois que la nouvelle valeur de correction de richesse est mémorisée dans la matrice d’apprentissage et que l’indice de confiance associé est actualisé, le procédé de sécurisation passe à l’étape de surveillance 23 d’une boucle de mise à jour suivante de la phase 201 de l’apprentissage. L’apprentissage consiste à exécuter un cycle de boucles de mises à jour, lors duquel chaque boucle est déclenchée quand les conditions d’apprentissage sont réunies pour calculer, dans cet exemple, une valeur de correction de la richesse.
On décrit maintenant en figure 4 le deuxième mode de réalisation de la fonction de sécurisation 11 . Dans ce mode de réalisation, la fonction de sécurisation 1 utilise les mêmes blocs fonctionnels 2, 3 et 4 que ceux mis en œuvre pour le premier mode de réalisation. Les références sont conservées à l’identique. Ce mode de réalisation se différencie néanmoins en ce que la fonction de sécurisation 1 n’exécute pas la fonction 5 de calcul de la valeur du terme de correction de la richesse à mémoriser qui est décrite dans le premier mode de réalisation.
Le paramètre de sécurisation 8 calculé par le module 4 est utilisé pour configurer un paramètre interne de la fonction d’apprentissage 11 , dans laquelle le paramètre interne est représentatif d’un niveau de confiance en la valeur mémorisée du terme du modèle. Un module de calcul 51 de la fonction d’apprentissage 11 utilise ce paramètre interne pour définir un bruit de modèle associé aux termes mémorisés du modèle et pour piloter nativement le processus de convergence vers la valeur courante de correction de richesse. Dans un cas d’exemple non limitatif, ce paramètre interne dépend de l’historique de modification du modèle lors d’un cycle d’apprentissage. Dans le cadre de l’invention, la fonction d’apprentissage 11 est adaptée pour modifier ledit paramètre interne de la fonction d’apprentissage 11 en fonction de la valeur du paramètre de sécurisation 8. Ce paramètre interne est par exemple utilisé par des fonctions d’apprentissage de type filtre de Kalman.
Identiquement au premier mode de réalisation, le module 4 permet d’établir le diagnostic de sécurisation des valeurs mémorisées 10 et des valeurs courantes 12 en fonction de l’écart 6 entre les valeurs 10 et 12 et de la valeur de l’indice de confiance 7 calculé par le module 3. En fonction du résultat du diagnostic, le moyen de détermination
4 augmente ou diminue le niveau de confiance du paramètre interne de la fonction d’apprentissage ce qui a pour effet lors du processus de mise à jour de ralentir ou d’accélérer la convergence vers la valeur courante calculée par la fonction d’apprentissage 11. Selon ce mode de réalisation, la modification du paramètre interne lors d’une boucle de mise à jour « n », détermine la part de la valeur mémorisée du modèle pour le calcul de la nouvelle valeur à enregistrer 141 de la boucle de mise à jour suivante « n+1 ».
De plus, à la différence du premier mode de réalisation, le procédé de sécurisation ne modifie pas directement la valeur du terme de correction mémorisé, mais conserve le mode de gestion natif de la convergence des termes de contrôle de la fonction d’apprentissage 11 et la valeur de ce paramètre interne représentatif du bruit de modèle pour piloter la vitesse de convergence vers les valeurs courantes.
Ainsi, lorsque plusieurs boucles de mise à jour sont réalisées et que la fonction de sécurisation 1 détecte un écart important constant, l’invention permet d’accélérer la convergence vers la nouvelle valeur courante.
Dans le cadre de l’invention, le procédé de sécurisation envisage en outre une fonction de sélection du mode de convergence d’une valeur mémorisée vers une valeur courante du modèle. La sélection est configurable et permet de sélectionner pour le cycle d’apprentissage soit la mise en œuvre du premier mode de réalisation, soit la mise en œuvre du deuxième mode de réalisation. Dans le premier mode de réalisation, le paramètre de sécurisation 8 affecte directement le calcul de la part de la valeur courante constituant la nouvelle valeur mémorisée, tandis que dans le deuxième mode de réalisation, le paramètre de sécurisation 8 affecte directement le paramètre interne natif utilisé par la fonction d’apprentissage pour déterminer la part de la valeur mémorisée constituant la nouvelle valeur à enregistrer.
Dans ce deuxième mode de réalisation, le procédé de sécurisation se différencie de la séquence de la figure 2 en ce que l’étape 27 calcule un paramètre de sécurisation prévu pour modifier la valeur du paramètre interne de la fonction d’apprentissage représentatif du niveau de confiance du modèle et en ce que l’étape 28 consiste à modifier cette valeur du paramètre interne pour freiner ou accélérer la processus de convergence vers la valeur courante, en augmentant la part ou réduisant la part de la valeur mémorisée dans le calcul de la nouvelle valeur à mémoriser. A chaque boucle de
mise à jour, la part de la valeur mémorisée dépend de la valeur du paramètre de sécurisation calculée lors de la boucle précédente.
L’invention s’applique à toute fonction d’apprentissage de modèles d’actionneurs de moteur thermique, notamment pour les moteurs de véhicules automobiles.
Claims
REVENDICATIONS Procédé de sécurisation d’une fonction d’apprentissage (11 ) d’un modèle de contrôle d’actionneurs d’un moteur thermique pour véhicule automobile, la fonction d’apprentissage se basant sur un modèle (13) constitué de termes de contrôle enregistrés en mémoire d’une unité de commande du moteur thermique et étant adaptée à opérer un cycle d’apprentissage constitué de boucles de mise à jour des termes de contrôle, caractérisé en ce qu’il comporte les étapes suivantes :
- Calcul (25) d’un écart (6) entre une première valeur mémorisée (10) par la fonction d’apprentissage (11 ) pour ledit terme du modèle (13) et une deuxième valeur courante (12) dudit terme du modèle (13) estimée à partir de mesures instantanées,
- Détermination (26) d’un indice de confiance (7) attribué à la première valeur mémorisée (10) dudit terme du modèle (13),
- Détermination (27) de la valeur d’un paramètre de sécurisation (8) dépendant dudit écart et de l’indice de confiance^
- Mise à jour (28) du terme du modèle (13) par une troisième valeur constituée de la somme des parts de la première valeur (10) et de la deuxième valeur (12), lors de laquelle l’une desdites parts ou chacune desdites parts est dépendante dudit paramètre de sécurisation (8). Procédé de sécurisation selon la revendication 1 , caractérisé en ce que ledit paramètre de sécurisation (8) est un coefficient de pondération délivré par une matrice prédéterminée ayant en paramètre d’entrée ledit écart (6) et l’indice de confiance (7), et lors de l’étape de mise à jour du terme du modèle (13), la part de la deuxième valeur courante (12) est calculée en fonction de la valeur dudit coefficient de pondération (8). Procédé de sécurisation selon la revendication 2, caractérisé en ce qu’il comporte en outre préalablement au cycle de boucles de mises à jour une étape d’initialisation (22) de l’indice de confiance (7) du terme du modèle (13) à un niveau de confiance initial.
4. Procédé de sécurisation selon la revendication 3, caractérisé en ce que, lors de la mise à jour du terme du modèle (13), si l’indice de confiance est supérieur ou égal au niveau de confiance initial et :
- Si, de plus, l’écart (6) est supérieur ou égal à un premier seuil (S1 ) et inférieur ou égal à un deuxième seuil (S2), la part de la deuxième valeur (12) est strictement inférieure à la part de la première valeur mémorisée (10),
- Si, de plus, l’écart est supérieur au deuxième seuil (S2), la part de la deuxième valeur (12) est nulle de sorte à conserver en totalité la part de la première valeur mémorisée (10).
5. Procédé de sécurisation selon la revendication 3 ou 4, caractérisé en ce que, lors de la mise à jour du terme du modèle, si l’indice de confiance (7) est strictement inférieur au niveau de confiance initial et supérieur à une première limite minimum (Lim), la part de la deuxième valeur (12) est nulle de sorte à conserver en totalité la part de la première valeur mémorisée (10).
6. Procédé de sécurisation selon l’une quelconque des revendications 2 à 5, caractérisé en ce que lors de la mise à jour du terme du modèle, si l’indice de confiance est égal à une deuxième limite minimum (Lim), la part de la deuxième valeur (12) est au moins égale ou supérieure à la part de la première valeur mémorisée (10).
7. Procédé de sécurisation selon l’une quelconque des revendications 1 à 6, caractérisé en ce que la fonction d’apprentissage (11 ) comporte en outre un paramètre de configuration interne représentatif d’un niveau de confiance de la valeur mémorisée du terme du modèle (13), et en ce que ledit paramètre interne est configuré en fonction de la valeur du paramètre de sécurisation (8).
8. Procédé de sécurisation selon l’une quelconque des revendications 1 à 7, caractérisé en ce qu’il comporte en outre, à chaque boucle de mise à jour, une étape d’actualisation (29) de la valeur de l’indice de confiance (7) en fonction dudit écart (6) et en ce que lorsque ledit écart (6) est supérieur à un troisième seuil, l’indice de confiance est décrémenté d’une valeur prédéterminée et lorsque ledit écart est inférieur audit troisième seuil l’indice de confiance est incrémenté de ladite valeur prédéterminée.
Procédé de sécurisation selon l’une quelconque des revendications 1 à 8, caractérisé en ce que le module de contrôle (13) est une fonction de régulation de la richesse prévue pour calculer des termes d’adaptatifs de correction et la fonction d’apprentissage (11 ) est adaptée à mémoriser suivant une matrice des variables de régime et de charge moteur lesdits termes d’adaptatifs de correction. Unité de commande d’un moteur thermique de véhicule automobile comprenant une fonction d’apprentissage (11 ) d’un module de contrôle d’actionneurs dudit moteur thermique, la fonction d’apprentissage (11 ) se basant sur un modèle constitué de termes de contrôle enregistrés en mémoire de l’unité de commande et étant adaptée à opérer un cycle de mises à jour des termes de contrôle, caractérisée en ce qu’elle est configurée pour mettre en œuvre le procédé de sécurisation de la fonction d’apprentissage selon l’une quelconque des revendications 1 à 9.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21827204.5A EP4281662A1 (fr) | 2021-01-21 | 2021-11-30 | Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique |
CN202180091362.4A CN116745513A (zh) | 2021-01-21 | 2021-11-30 | 用于使热力发动机的致动器模型的学习功能安全化的方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FRFR2100573 | 2021-01-21 | ||
FR2100573A FR3118995B1 (fr) | 2021-01-21 | 2021-01-21 | Procede de securisation d’une fonction d’apprentissage d’un modele d’actionneurs de moteur thermique |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022157429A1 true WO2022157429A1 (fr) | 2022-07-28 |
Family
ID=75278181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/FR2021/052135 WO2022157429A1 (fr) | 2021-01-21 | 2021-11-30 | Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4281662A1 (fr) |
CN (1) | CN116745513A (fr) |
FR (1) | FR3118995B1 (fr) |
WO (1) | WO2022157429A1 (fr) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2100573A1 (fr) | 1968-08-09 | 1972-03-24 | Magnesium Elektron Ltd | |
FR2979390A1 (fr) | 2011-08-23 | 2013-03-01 | Valeo Sys Controle Moteur Sas | Procede et systeme de commande du fonctionnement d'un moteur de vehicule |
FR3033840A1 (fr) * | 2015-03-16 | 2016-09-23 | Peugeot Citroen Automobiles Sa | Procede de gestion de l’alimentation d’un moteur a combustion interne |
FR3055667A1 (fr) * | 2016-09-06 | 2018-03-09 | Peugeot Citroen Automobiles Sa | Procede de gestion de l’alimentation d’un moteur thermique, et calculateur mettant en œuvre ledit procede |
FR3057031A1 (fr) | 2016-10-03 | 2018-04-06 | Peugeot Citroen Automobiles Sa | Procede de recalage des modeles de comportement d’actionneurs de lignes d’admission et d’injection de moteur a combustion interne |
-
2021
- 2021-01-21 FR FR2100573A patent/FR3118995B1/fr active Active
- 2021-11-30 WO PCT/FR2021/052135 patent/WO2022157429A1/fr active Application Filing
- 2021-11-30 CN CN202180091362.4A patent/CN116745513A/zh active Pending
- 2021-11-30 EP EP21827204.5A patent/EP4281662A1/fr active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2100573A1 (fr) | 1968-08-09 | 1972-03-24 | Magnesium Elektron Ltd | |
FR2979390A1 (fr) | 2011-08-23 | 2013-03-01 | Valeo Sys Controle Moteur Sas | Procede et systeme de commande du fonctionnement d'un moteur de vehicule |
FR3033840A1 (fr) * | 2015-03-16 | 2016-09-23 | Peugeot Citroen Automobiles Sa | Procede de gestion de l’alimentation d’un moteur a combustion interne |
FR3055667A1 (fr) * | 2016-09-06 | 2018-03-09 | Peugeot Citroen Automobiles Sa | Procede de gestion de l’alimentation d’un moteur thermique, et calculateur mettant en œuvre ledit procede |
FR3057031A1 (fr) | 2016-10-03 | 2018-04-06 | Peugeot Citroen Automobiles Sa | Procede de recalage des modeles de comportement d’actionneurs de lignes d’admission et d’injection de moteur a combustion interne |
Also Published As
Publication number | Publication date |
---|---|
EP4281662A1 (fr) | 2023-11-29 |
FR3118995B1 (fr) | 2023-04-28 |
CN116745513A (zh) | 2023-09-12 |
FR3118995A1 (fr) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4424417B2 (ja) | 燃料中のアルコール成分量の推定装置 | |
FR2901847A1 (fr) | Dispositif et procede de commande d'injection de carburant | |
FR2721351A1 (fr) | Système de commande de dosage de carburant d'un moteur combustion interne. | |
FR2945077A1 (fr) | Dispositif de commande d'injection de carburant | |
EP1058781B1 (fr) | Procede et dispositif d'autoadaptation rapide de richesse pour moteur a combustion interne | |
EP1936156B1 (fr) | Procédé de régulation d'un moteur à combustion interne | |
FR2979390A1 (fr) | Procede et systeme de commande du fonctionnement d'un moteur de vehicule | |
WO2022157429A1 (fr) | Procede de securisation d'une fonction d'apprentissage d'un modele d'actionneurs de moteur thermique | |
EP3212920B1 (fr) | Procédé de diagnostic du fonctionnement de la purge d'un canister | |
WO2016207556A1 (fr) | Procédé et calculateur pour le contrôle de la pression à l'intérieur d'un réservoir de carburant d'un véhicule automobile | |
WO2022053256A1 (fr) | Diagnostic defaillance jeu aux soupapes ou papillon de tondeuse | |
FR3088965A1 (fr) | Procede de correction de commande d’un moteur thermique | |
WO2022018332A1 (fr) | Procede de correction d'une derive de mesure de richesse | |
FR3033840A1 (fr) | Procede de gestion de l’alimentation d’un moteur a combustion interne | |
FR3073570A1 (fr) | Procede de correction de richesse moteur | |
EP4320342A1 (fr) | Procede de validation d'un diagnostic de deviation de la richesse sous critere de conditions similaires | |
FR2864162A1 (fr) | Procede et dispositif de gestion d'un moteur a combustion interne | |
EP3006716B1 (fr) | Procédé de commande d'un moteur à combustion interne muni d'un dispositif de traitement de gaz | |
FR3123387A1 (fr) | Procede de surveillance d’adaptatifs dans un controle moteur | |
FR2861427A1 (fr) | Procede d'injection de carburant dans un moteur a combustion interne mettant en oeuvre le calcul d'une valeur de consigne | |
FR3139162A1 (fr) | Procede de la regulation de la richesse aval en phase de purge d’un catalyseur | |
FR3061746A1 (fr) | Procede de correction d'une duree d'injection de carburant dans un cylindre de moteur thermique de vehicule automobile | |
WO2022248782A1 (fr) | Procede de limitation d'une correction de parametre effectuee par plusieurs adaptatifs dans un controle moteur | |
FR3122218A1 (fr) | Procede de surveillance des adaptatifs de correction delivres par une fonction d’apprentissage de regulation de la richesse d’un moteur thermique | |
WO2020245522A1 (fr) | Procédé de correction de richesse de carburant lors d'un démarrage a froid d'un moteur thermique |
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: 21827204 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 202180091362.4 Country of ref document: CN |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
ENP | Entry into the national phase |
Ref document number: 2021827204 Country of ref document: EP Effective date: 20230821 |