WO2023242088A1 - Système et procédé de détermination d'une grandeur dans un véhicule automobile - Google Patents

Système et procédé de détermination d'une grandeur dans un véhicule automobile Download PDF

Info

Publication number
WO2023242088A1
WO2023242088A1 PCT/EP2023/065599 EP2023065599W WO2023242088A1 WO 2023242088 A1 WO2023242088 A1 WO 2023242088A1 EP 2023065599 W EP2023065599 W EP 2023065599W WO 2023242088 A1 WO2023242088 A1 WO 2023242088A1
Authority
WO
WIPO (PCT)
Prior art keywords
input data
output quantity
likelihood index
likelihood
interest
Prior art date
Application number
PCT/EP2023/065599
Other languages
English (en)
Inventor
Michael LEBLON
Nicolas LAMARQUE
Original Assignee
Vitesco 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 Vitesco Technologies GmbH filed Critical Vitesco Technologies GmbH
Publication of WO2023242088A1 publication Critical patent/WO2023242088A1/fr

Links

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
    • F02D41/02—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
    • F02D41/1405—Neural network control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • H02P29/66—Controlling or determining the temperature of the rotor
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
    • H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
    • H02P29/60—Controlling or determining the temperature of the motor or of the drive
    • H02P29/68—Controlling or determining the temperature of the motor or of the drive based on the temperature of a drive component or a semiconductor component
    • 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

Definitions

  • the present invention relates to methods for determining a quantity for controlling at least one organ of a motor vehicle powertrain, in particular when said quantity is not measured directly by a sensor. In this case, it is necessary to estimate said quantity from other information taken and/or other parameters.
  • the powertrain (thermal or electric) designates all the organs participating directly or indirectly in the traction of the vehicle, and may include ancillary processing organs such as pollution control organs.
  • Quantity designates at least one physical parameter. It is advantageously a temperature, for example an electric motor rotor temperature, or a temperature of a battery powering an electric motor, or a temperature of a power electronics component, or a fuel temperature. upstream of injection into the cylinders, etc.
  • a temperature for example an electric motor rotor temperature, or a temperature of a battery powering an electric motor, or a temperature of a power electronics component, or a fuel temperature. upstream of injection into the cylinders, etc.
  • the invention is, however, not limited to the case where the quantity of interest is a temperature.
  • the quantity of interest relates to at least one parameter whose value is used by at least one computer for controlling at least one organ of the powertrain.
  • Estimation systems are known using a model based on the laws of physics, to determine an estimate of the quantity of interest.
  • the model uses measurable quantities. Through the use of algorithmic functions, it can provide an output estimate of the quantity of interest, which cannot be measured directly.
  • the inventors sought to improve the situation.
  • a system for iteratively determining at least one quantity of interest in a vehicle engine system, said quantity of interest not being measured directly by a sensor, the system comprising:
  • a supervised learning estimation module taking as input a set of first input data Xi, and providing as output at least one intermediate output quantity Y,
  • a likelihood verification module MK, taking as input the set of first input data Xi and a set of second input data Cj, and providing as output a likelihood index IK,
  • downstream processing module taking as input the likelihood index IK and the intermediate output quantity Y, and providing as output a final output quantity Z corresponding to said quantity of interest
  • the downstream processing module being configured for: when the likelihood index IK is good, the final output quantity Z is representative of the intermediate output quantity Y, preferably equal to the latter; when the likelihood index IK is bad, the final output quantity comes in particular from a physical representation model (or simply “physical model”).
  • the supervised learning estimation module can for example be a neural network module.
  • other types of supervised learning modules can be considered, for example a decision tree, a kernel regression, a wide margin separator.
  • the neural network solution is now well known and easy to implement.
  • a likelihood index classified in the “good” category relates substantially to conditions covered by a learning plan of the supervised learning estimation module, for example a neural network module.
  • a likelihood index classified as “poor” relates to substantially to conditions not covered by a learning plan of the supervised learning estimation module.
  • the likelihood index (I K) By “good” or “bad”, we therefore designate two classes, or categories, for the likelihood index (I K), separated for example by one or more predetermined threshold values (depending on whether the likelihood index is a vector with one or more dimensions, for example).
  • the at least one threshold value is advantageously predetermined, taking into account the known learning plan of the supervised learning estimation module, and recorded in a memory of the downstream processing module.
  • the final output quantity Z is obtained using a model based on artificial intelligence, obtained at the end of a preliminary learning stage;
  • the final output quantity Z is obtained in particular using a physical representation model based on the laws of physics.
  • the switch from a good likelihood index to a poor likelihood index therefore results in a switch from a determination of the final quantity by artificial intelligence, using the supervised learning estimation module, to a determination of the final quantity using a physical model representing the evolution of said quantity as a function of predetermined physical parameters.
  • the final output quantity Z is determined using the supervised learning estimation module. It then has high precision, and obtaining it requires only limited computing power.
  • the invention makes it possible to offer a system for iterative determination of at least one quantity of interest, which requires limited computing power (with consequently a reduced manufacturing cost and/or high calculation speed), while providing high accuracy on average.
  • the quantity of interest relates to at least one parameter, the value of which is used by at least one computer to control at least one component of the powertrain as a function of the value taken by said quantity of interest.
  • the quantities Xi Cj YZ are time series of values.
  • Xi and Ci come from a sampling process and Y and Z are calculated iteratively by the aforementioned modules.
  • the notation Xi actually represents a time series Xi(t k )
  • the notation Cj represents a time series Cj(t k )
  • the notation Y represents a time series Y(t k )
  • the notation Z represents a time series Z(t k ).
  • the variable k here is an index of recurrence of sampling and calculation.
  • the final output quantity Z is representative of the intermediate output quantity Y
  • the final output quantity Z can be directly equal to Y, or correspond to Y values after application of a filter, for example a smoothing filter.
  • Z(t k ) F3 (Y(t k )), where the function F3 is for example a digital filter with smoothing and clipping.
  • Ci at least part of the input data belonging to the set of second input data, preferably the entire set of second input data;
  • Xj at least part of the input data belonging to the set of first input data, preferably the entire set of first input data;
  • CT is a constant.
  • the constant CT is capable of establishing continuity of the values taken by the final output quantity Z, when switching to the physical model.
  • CT is such that the output Z is devoid of discontinuity at time t1.
  • the F function is or uses an open loop model (YR) function.
  • YR open loop model
  • Such a function is simple to implement and requires very little memory.
  • the YR open loop model function represents a good, reliable fallback, although it may be a little less accurate than the neural network output.
  • the plausibility index characterizes a distance metric between the set of first input data (Xi) and a domain of first reference input data, and/or between the set of second input data (Ci) and a domain of second reference input data and the likelihood index is all the more “bad” as the value of the distance metric (MD) is large .
  • the likelihood index is all the more “good” as the value of the distance metric is small.
  • the switch to the physical model can thus occur when the value of the distance metric exceeds a first predetermined threshold (MD1).
  • MD1 a first predetermined threshold
  • MD2 a second predetermined threshold
  • the quantity of interest is a temperature of a member linked to the vehicle engine system, for example a temperature of an electric motor rotor, or a temperature of battery cells, or a temperature of a power electronics component, or a fuel temperature upstream of injection into the cylinders.
  • a temperature of a member linked to the vehicle engine system for example a temperature of an electric motor rotor, or a temperature of battery cells, or a temperature of a power electronics component, or a fuel temperature upstream of injection into the cylinders.
  • the quantity of interest is a temperature of a fluid in the system vehicle engine, for example a fuel temperature.
  • a fluid in the system vehicle engine for example a fuel temperature.
  • the temperature of certain fluids can substantially influence the calibration of the fuel injection and ignition control.
  • the quantity of interest can be a flow of fluid (for example air in a heat engine) or liquid (for example a fuel or a coolant of components of the heat or electric engine ).
  • the quantities Y and Z can be multidimensional quantities. For example, it may involve several temperatures estimated at different positions; for example for an electric traction motor rotor, we can consider the temperature of the shaft, the temperature of the windings or permanent magnets, a temperature gradient between one axial side and the other axial side of the rotor.
  • the downstream processing module includes a digital filtering function and/or a clipping function.
  • the clipping function makes it possible to exclude any aberrant value or value outside a normally expected interval, and the filtering function makes it possible to avoid sudden changes in the control function which uses the quantity of interest.
  • the three modules namely the supervised learning estimation module, the likelihood verification module, and the downstream processing module are contained in a single calculation unit. It may be a separate calculation unit or combined with the at least one calculator controlling at least one organ of the powertrain according to the value taken by said quantity of interest.
  • the three modules are hosted, for example, directly in the engine control computer or in a powertrain supervisor. It is the same for the case of an electric motor where the three modules can be implemented directly in the traction control computer or in an operating supervisor.
  • the three modules can be hosted in an additional calculation unit, connected to at least one additional computer using the quantity of interest to control at least one component of the powertrain.
  • modules may be in different units.
  • the calculation of the final output quantity (Z) is carried out with a frequency at least equal to once per second.
  • the calculation iteration is quite fast and the provision of information on the quantity of interest is made and refreshed in real time.
  • the invention also relates to a method for iteratively determining at least one quantity of interest used for controlling at least one member of a powertrain of a motor vehicle, said quantity of interest does not not being measured directly by a sensor, the method comprising:
  • the invention covers in particular a method for iteratively determining at least one quantity of interest in a vehicle engine system.
  • the final output quantity comes from a function F defined by:
  • Ci at least part of the data from the set of second input data
  • CT is a constant.
  • the plausibility index characterizes a distance metric between the set of first input data (Xi) and a domain of first reference input data, and/or between the set of second input data (Ci) and a domain of second reference input data and the likelihood index is all the more “bad” as the distance value (MD) is large.
  • the likelihood index is all the more “good” as the distance is small.
  • the switch to the physical model can thus occur when the value of the distance metric exceeds a first predetermined threshold (MD1).
  • MD1 a first predetermined threshold
  • MD2 a second predetermined threshold
  • CT when the likelihood index IK goes from good to bad, at a time t1, CT is such that the output Z is devoid of discontinuity at time t1.
  • the output Z switches to the output of the neural network, with possibly a discontinuity at time t2.
  • the tilting can also be stabilized by a hysteresis mechanism, particularly if the predetermined thresholds MD1 and MD2 described above are different.
  • the present invention also relates to a calculator characterized in that it includes a system as described above, or in that it implements a method as described above. It may directly be a computer dedicated to controlling at least one component of a motor vehicle powertrain, for example an engine control computer, or an additional computer connected to at least one computer for the control of at least one organ of a motor vehicle powertrain.
  • FIG. 1 illustrates a block diagram of an example of a system for iterative determination of at least one quantity of interest according to the present invention
  • FIG. 2 represents an illustrative example of a timing diagram concerning an output of the iterative determination system
  • Figure 3 is analogous to Figure 1 and shows the block diagram in the normal situation where the neural network is used completely,
  • Figure 4 is analogous to Figure 1 and shows the block diagram in the situation where a plausibility verification module prevails and where the neural network is short-circuited,
  • FIG. 6 schematically represents an example of a supervised learning neural network
  • Figure 7 illustrates a distance measurement metric used in the calculation of the likelihood index.
  • module designates a set of electronic circuits capable of carrying out a given function, all of said electronic circuits being able to be programmable and supporting the execution of the instructions of a software code.
  • module can designate a complete functional block or even a well-identified physical block.
  • the quantity of interest may be an electric motor rotor temperature.
  • the quantity of interest may be a fuel temperature upstream of injection into the cylinders.
  • the quantity of interest can be a temperature of the battery cells in the case of a hybrid or 100% electric vehicle.
  • the quantity of interest can be a flow of fluid for example in the gas phase, for example intake air in a heat engine; or in the liquid phase, for example a fuel flow or a coolant flow.
  • the quantities of interest presented above are used in at least one computer, which depending on the cases controls the operation of a thermal or electric powertrain of a motor vehicle, and in particular the operation of a thermal engine or an electric traction motor of the vehicle.
  • the invention proposes a system 10, to provide an estimate of the current value of a quantity of interest, when it is not possible to directly measure this current value.
  • the System 10 includes a neural network module, marked 1 or RN, see Figure 1.
  • the neural network module 1 comprises a calculator, and a memory storing a predictive model constructed during a preliminary learning phase. Said phase of construction of the predictive model implements learning algorithms of the “machine learning” type, which is why we speak in the example illustrated in practice of a “neural network” module.
  • the predictive model is constructed using measurements obtained using sensors which are only implemented during this learning phase, and which will no longer be available thereafter, when the system 10 is used in real conditions of use.
  • the neural network module is only one example among other types of supervised learning modules such as a decision tree, a kernel regression, a wide margin separator. This is how it can be stated that the system 10 according to the present invention generically comprises a “supervised learning module”.
  • the neural network module 1 takes as input a set 41 of first input data (X1 -Xm), and it is configured to output at least one quantity intermediate output Y.
  • the intermediate output quantity Y is an estimate of the current value of the quantity of interest, obtained using the predictive model stored in the neural network module 1.
  • the first input data Xi may include a volume flow rate of liquid, at least one temperature of fluid, and/or at least one pressure of fluid, and/or at least one temperature of mechanical component(s), and /or at least one speed, and/or the state of at least one actuator, and/or at least one piece of data relating to the surrounding conditions.
  • the first input data Xi may include the temperature of the engine coolant, the outside air temperature, the average speed of the vehicle over the last minute, the engine load , a fuel flow request, the flow or quantity of fuel consumed during the last 10 seconds, the air temperature under the engine hood, etc...
  • the first input data Xi may include, the exterior temperature, the average speed of the vehicle over the last minute, the load requested from the motor over the last 10 seconds, the average speed of the vehicle, the stator temperature, the temperature(s) of the electric battery(ies), the air temperature under the engine hood, etc.
  • the number m of first input data must not be too large so that real-time iterative calculations can be carried out by limiting the amount of memory and CPU resources (computing power) consumed.
  • the neural network must be of reasonable or even minimal size.
  • m can be between 5 and 20.
  • the system 10 further comprises a plausibility verification module, marked 2 or MK, taking as input the set 41 of first input data (X1 -Xm) and a set 42 of second input data ( C1 -Cn).
  • a plausibility verification module marked 2 or MK, taking as input the set 41 of first input data (X1 -Xm) and a set 42 of second input data ( C1 -Cn).
  • the plausibility verification module 2 is configured to provide as output a likelihood index note IK.
  • n can be between 10 and 30.
  • the likelihood index IK characterizes advantageously a distance metric MD between the set of first input data Xi and a domain of first reference input data Eapp.
  • the multidimensional space taken into account can also encompass the second input data Ci so that the distance metric MD can also take into account a distance between the set of second input data and a domain of second input data reference.
  • the likelihood index IK can also take into account the second set of input data (variables Cj), according to the same logic, to calculate distances Cjd.
  • the distance metric MD can be the sum of Xid and Cjd.
  • the calculation of the distance metric MD is carried out in a multidimensional space.
  • IK 1 / MD. So if MD is small or zero, the likelihood index IK is high, in other words good. In this case, and as detailed below, we can consider that confidence can be given to the intermediate output Y of the neural network RN.
  • the system according to the invention can then switch to an output representing a physical model, preferably an open loop model.
  • the first current operational conditions represented by the point P1 are inside the Eapp domain which has been the subject of supervised learning.
  • the likelihood index IK is good, and we can consider that confidence can be given to the intermediate output Y of the network of RN neurons.
  • the second operational conditions represented by the point P2 are at a certain distance MD from the domain Eapp, and it can then be decided to switch to an output representing a physical model, preferably an open loop model.
  • the switch to the physical model can occur when the value of the distance metric MD exceeds a first predetermined threshold MD1.
  • the return to normal that is to say to the use of the output of the neural network, can occur when the distance metric value falls below a second predetermined threshold MD2 (hysteresis).
  • the likelihood index IK can also give a low value in the event of strong discordance or inconsistency in all the data Xi, Cj.
  • the plausibility verification module 2 can thus include an algorithm for checking consistency between certain data, which makes it possible to detect a manifest malfunction of one of the sources of information.
  • the likelihood index in addition to the distance measurement mentioned above or in replacement of it, can be representative of an index of inconsistency of the input data.
  • the system 10 further comprises a calculator, configured to calculate safe haven values denoted YR.
  • YR safe havens are calculated using an open-loop physical representation model, or physical model. More precisely, a time series YR(t k ) is calculated.
  • the refuge values YR are calculated within the plausibility verification module 2. Alternatively, they can be calculated in a dedicated module, or in the downstream processing module described below.
  • YR FR (Ci, Xj), the refuge function FR having been characterized by previous tests on systems or on development vehicles.
  • system 10 further comprises a downstream processing module 3, taking as input the likelihood index IK and the intermediate output quantity Y.
  • the downstream processing module 3 also takes into account the refuge values denoted YR, which can be calculated directly by said downstream processing module 3, or be received as input by the latter as illustrated in Figure 1.
  • the downstream processing module 3 configured to output a final output quantity Z, corresponding to said quantity of interest.
  • the downstream processing module 3 is configured to determine the value of the final output quantity Z, on the basis of the following logic:
  • the final output quantity Z comes in particular from a physical representation model.
  • the final output quantity is then a function of the refuge values YR mentioned above.
  • the switch between the intermediate value Y and the refuge value YR can be gradual, over a time interval of a few seconds.
  • the downstream processing module 3 operates in a nominal mode in which the final output quantity comes essentially from the intermediate quantity Y coming from the neural network module 1.
  • a function F determining the value taken by the final output quantity when the likelihood index IK is bad.
  • This function F depends, at least, on the refuge value YR, which depends on Ci and Xj (see refuge function FR mentioned above).
  • the function F can also depend on: the intermediate value Y, to ensure the continuity of the output, the time t since a last switch from a good likelihood index to a bad likelihood index, the continuity of the output not having need to be ensured only over a predetermined time interval from this changeover.
  • the function F can also be a function of a constant CT, for optimal continuity of the output.
  • the output can be exactly equal to said intermediate output quantity Y, respectively refuge values YR, or that the output can come from filtering and/or clipping of said intermediate quantity of output Y, respectively said refuge values YR.
  • the downstream processing module 3 can therefore include a module 5 performing a digital filtering function and/or a clipping function.
  • the dashed arrows in Figure 6 illustrate the learning process in which the coefficients and weights of the neural network nodes are adjusted by means of a cost function calculated on the outputs for the entire domain where the supervised learning is carried out. Once learning has been completed, the coefficients and weights of the nodes are fixed in the neural network.
  • the three modules 1, 2, 3 of the system 10 according to the invention are contained in a calculation unit, which may or may not be an integral part of a control unit for controlling at least one organ. 'a motor vehicle powertrain.
  • the calculation of the intermediate quantity Y and the calculation of the final output quantity Z are iterative.
  • the calculation of the final output quantity Z is carried out with a frequency at least equal to once per second. This proves sufficient if the quantity of interest is a temperature.
  • the calculation of the final output quantity Z is carried out with a frequency at least equal to once per second, or even 4 times per second.
  • the calculation frequency can be at least equal to 10 times per second.
  • the neural network module carries out the calculations involved in a tiny amount of time, and it is the upstream sampling process which is the limiting factor. Of course, we can go up to a frequency greater than 10 times per second for certain applications.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Feedback Control In General (AREA)
  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

Méthode et système de détermination itérative d'une grandeur d'intérêt utilisée pour le pilotage d'au moins un organe d'un groupe motopropulseur de véhicule automobile, le système comprenant un module d'estimation à apprentissage supervisé, par exemple un réseau de neurones, qui prend en entrée un jeu de premières données d'entrée, et fournit en sortie au moins une grandeur intermédiaire de sortie (Y), un module de vérification de vraisemblance (2, MK), prenant en entrée le jeu de premières données d'entrée et un jeu de deuxièmes données d'entrée, et fournissant en sortie un index de vraisemblance (IK), un module de traitement aval (3) prenant en entrée l'index de vraisemblance et la grandeur intermédiaire de sortie, et fournissant en sortie une grandeur finale de sortie (Z), et lorsque l'index de vraisemblance est bon, la grandeur finale de sortie est issue de la grandeur intermédiaire de sortie, sinon la grandeur finale de sortie est issue d'un modèle de représentation physique.

Description

Description
Système et procédé de détermination d’une grandeur dans un véhicule automobile
Domaine technique et contexte
La présente invention est relative aux procédés de détermination d’une grandeur pour le pilotage d’au moins un organe d’un groupe motopropulseur de véhicule automobile, notamment lorsque ladite grandeur n’est pas mesurée directement par un capteur. Dans ce cas, il faut estimer ladite grandeur à partir d’autres prises d’informations et/ou d’autres paramètres.
Dans tout le texte, le groupe motopropulseur (thermique ou électrique) désigne l’ensemble des organes participant directement ou indirectement à la traction du véhicule, et peut inclure des organes annexes de traitement tels que les organes de dépollution.
La grandeur désigne au moins un paramètre physique. Il s’agit avantageusement d’une température, par exemple une température de rotor de moteur électrique, ou une température d’une batterie alimentant un moteur électrique, ou une température d’un composant d’électronique de puissance, ou une température de carburant en amont de l’injection dans les cylindres, etc. L’invention n’est cependant pas limitée au cas où la grandeur d’intérêt est une température. En tout état de cause, la grandeur d’intérêt se rapporte à au moins un paramètre dont la valeur est utilisée par au moins un calculateur pour le pilotage d’au moins un organe du groupe motopropulseur.
Dans les configurations de véhicule de série, il n’est pas possible d’imaginer qu’un capteur puisse mesurer directement ces grandeurs.
Art antérieur
On connaît des systèmes d’estimation utilisant un modèle basé sur les lois de la physique, pour déterminer une estimation de la grandeur d’intérêt. Le modèle utilise des grandeurs mesurables. Moyennant l’utilisation de fonctions algorithmiques, il peut fournir en sortie une estimation de la grandeur d’intérêt, non mesurable directement.
Il est aussi connu d’utiliser un réseau de neurones (‘RN’ en abrégé) à apprentissage supervisé. Le domaine d’apprentissage est limité à des manipulations d’apprentissage supervisées. Ainsi, il reste des lacunes sur la couverture des cas d’apprentissage du RN. Dans la pratique, cette couverture s’avère donc incomplète. Il existe donc un risque de divergence de la grandeur de sortie, en cas de survenance de cas non couverts par le plan d’expérience des situations d’apprentissage du réseau de neurones.
Les inventeurs ont cherché à améliorer la situation.
Résumé de l’invention
A cet effet, selon la présente divulgation, il est proposé un système de détermination itérative d’au moins une grandeur d’intérêt dans un système de motorisation de véhicule, ladite grandeur d’intérêt n’étant pas mesurée directement par un capteur, le système comprenant :
- un module d’estimation à apprentissage supervisé, prenant en entrée un jeu de premières données d’entrée Xi, et fournissant en sortie au moins une grandeur intermédiaire de sortie Y,
- un module de vérification de vraisemblance, MK, prenant en entrée le jeu de premières données d’entrée Xi et un jeu de deuxièmes données d’entrée Cj, et fournissant en sortie un index de vraisemblance IK,
- un module de traitement aval prenant en entrée l’index de vraisemblance IK et la grandeur intermédiaire de sortie Y, et fournissant en sortie une grandeur finale de sortie Z correspondant à ladite grandeur d’intérêt,
- le module de traitement aval étant configuré pour : lorsque l’index de vraisemblance IK est bon, la grandeur finale de sortie Z est représentative de la grandeur intermédiaire de sortie Y, de préférence égale à cette dernière ; lorsque l’index de vraisemblance IK est mauvais, la grandeur finale de sortie est issue notamment d’un modèle de représentation physique (ou « modèle physique », simplement).
On note que le module d’estimation à apprentissage supervisé peut être par exemple un module à réseau de neurones. Toutefois, d'autres types de modules à apprentissage supervisé peuvent être considérés comme par exemple un arbre de décision, une régression à noyau, une séparatrice à vaste marge. La solution du réseau de neurones est maintenant bien connue et facile à mettre en œuvre.
Un index de vraisemblance classé dans la catégorie « bon » se rapporte sensiblement à des conditions couvertes par un plan d’apprentissage du module d’estimation à apprentissage supervisé, par exemple un module à réseau de neurones. Un index de vraisemblance classé dans la catégorie « mauvais » se rapporte sensiblement à des conditions non couvertes par un plan d’apprentissage du module d’estimation à apprentissage supervisé.
Par « bon » ou « mauvais », on désigne donc deux classes, ou catégories, pour l’index de vraisemblance (I K), séparées par exemple par une ou plusieurs valeurs seuil prédéterminées (selon que l’index de vraisemblance est un vecteur à une ou plusieurs dimensions, par exemple). L’au moins une valeur seuil est avantageusement prédéterminée, compte tenu du plan d’apprentissage connu du module d’estimation à apprentissage supervisé, et enregistrée dans une mémoire du module de traitement aval.
Dit autrement :
- lorsque l’index de vraisemblance (IK) est bon, la grandeur finale de sortie Z est obtenue à l’aide d’un modèle basé sur l’intelligence artificielle, obtenu à l’issue d’une étape préliminaire d’apprentissage ; et
- lorsque l’index de vraisemblance (IK) est mauvais, la grandeur finale de sortie Z est obtenue notamment à l’aide d’un modèle de représentation physique basé sur les lois de la physique.
Le basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais, se traduit donc par un basculement d’une détermination de la grandeur finale par intelligence artificielle, à l’aide du module d’estimation à apprentissage supervisé, vers une détermination de la grandeur finale à l’aide d’un modèle physique représentant l’évolution de ladite grandeur en fonction de paramètres physiques prédéterminés.
Grâce à quoi, on peut éviter d’avoir à utiliser une sortie du module d’estimation à apprentissage supervisé aberrante dans le cas où les conditions circonstancielles particulières diffèrent beaucoup du domaine couvert par l’apprentissage supervisé. Dit autrement, lorsque les conditions opérationnelles courantes sont substantiellement en dehors du domaine où l’apprentissage supervisé a été pratiqué, on se rabat sur un modèle physique en boucle ouverte. Ce modèle physique en boucle ouverte, qui même s’il n’est pas très précis, ou en tout cas moins précis que la sortie du module d’estimation à apprentissage supervisé, permet d’éviter de tomber sur des valeurs aberrantes qui résulteraient d’une divergence module d’estimation à apprentissage supervisé (e.g. du réseau de neurones).
Dans les cas les plus courants, la grandeur finale de sortie Z est déterminée à l’aide du module d’estimation à apprentissage supervisé. Elle présente alors une précision élevée, et son obtention ne nécessite qu’une puissance de calcul limitée.
Les cas où la grandeur finale de sortie est déterminée à l’aide d’un modèle de représentation physique restent rares. Il n’est donc pas nécessaire que le modèle de représentation physique présente une précision très élevée, de sorte que là encore la détermination de la grandeur finale de sortie ne nécessite qu’une puissance de calcul limitée. Ainsi, l’invention permet d’offrir un système de détermination itérative d’au moins une grandeur d’intérêt, qui requiert une puissance de calcul limitée (avec par conséquent un coût de fabrication réduit et/ou une rapidité de calcul élevée), tout en offrant en moyenne une précision élevée.
La grandeur d’intérêt se rapporte à au moins un paramètre, dont la valeur est utilisée par moins un calculateur pour piloter au moins un organe du groupe motopropulseur en fonction de la valeur prise par ladite grandeur d’intérêt.
Il faut bien noter que les grandeurs Xi Cj Y Z sont des séries temporelles de valeurs. Xi et Ci sont issues d’un processus d’échantillonnage et Y et Z sont calculées itérativement par les modules susmentionnés. Ainsi, la notation Xi représente en réalité une série temporelle Xi(tk), la notation Cj représente lune série temporelle Cj(tk), la notation Y représente une série temporelle Y(tk), la notation Z représente une série temporelle Z(tk). La variable k est ici un indice de récurrence de l’échantillonnage et du calcul. Par la locution « la grandeur finale de sortie Z est représentative de la grandeur intermédiaire de sortie Y», il faut comprendre que la grandeur finale de sortie Z peut être directement égale à Y, ou bien correspondre à des valeurs Y après application d’un filtre, par exemple un filtre de lissage. Autrement dit, Z(tk) = F3 (Y(tk)), où la fonction F3 est par exemple un filtre numérique avec lissage et écrêtage.
De préférence, on a :
Z = F (Ci,Xj,Y, t) + CT ; avec :
Ci une partie au moins des données d’entrée appartenant au jeu de deuxièmes données d’entrée, de préférence tout le jeu de deuxièmes données d’entrée ;
Xj une partie au moins des données d’entrée appartenant au jeu de premières données d’entrée, de préférence tout le jeu de premières données d’entrée ;
Y la grandeur intermédiaire de sortie ; t un instant mesuré à compter d’un dernier instant de basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais (basculement vers le modèle physique) ; et
CT est une constante.
De préférence, la constante CT est apte à établir une continuité des valeurs prises par la grandeur finale de sortie Z, lors du basculement vers le modèle physique.
Dans divers modes de réalisation de l’invention, on peut éventuellement avoir recours en outre à l’une et/ou à l’autre des dispositions suivantes, prises isolément ou en combinaison.
Selon un aspect, il peut être prévu que lorsque l’index de vraisemblance IK passe de bon à mauvais, à un instant t1 , CT est tel que la sortie Z est dépourvue de discontinuité à l’instant t1 . Avantageusement, même en cas de basculement vers la solution du modèle de boucle ouverte, il n’y a pas de discontinuité pour les fonctions de pilotage qui utilise la grandeur d’intérêt.
Selon un aspect, la fonction F est ou utilise une fonction (YR) de modèle de boucle ouverte. Une telle fonction est simple de mise en œuvre et nécessite très peu de mémoire. La fonction de modèle de boucle ouverte YR représente une bonne solution de repli fiable, même si elle peut être un peu moins précise que la sortie du réseau de neurones.
Selon l’invention, dans le module de vérification de vraisemblance, l’index de vraisemblance caractérise une métrique de distance entre le jeu de premières données d’entrée (Xi) et un domaine de premières données d’entrée de référence, et/ou entre le jeu de deuxièmes données d’entrée (Ci) et un domaine de deuxièmes données d’entrée de référence et l’index de vraisemblance est d’autant plus « mauvais » que la valeur de la métrique de distance (MD) est grande.
À l’inverse l’index de vraisemblance est d’autant plus « bon » que la valeur de la métrique de distance est petite.
Le basculement vers le modèle physique peut ainsi se produire lorsque la valeur de la métrique de distance dépasse un premier seuil prédéterminé (MD1). Le retour à la normale c’est-à-dire à l’utilisation de la sortie du réseau de neurones peut se produire lorsque la valeur de la métrique de distance passe en dessous d’un deuxième seuil prédéterminé (MD2).
Selon un aspect, la grandeur d’intérêt est une température d’un organe lié au système de motorisation de véhicule, par exemple une température d’un rotor de moteur électrique, ou une température de cellules de batteries, ou une température d’un composant d’électronique de puissance, ou une température de carburant en amont de l’injection dans les cylindres. Les inventeurs ont remarqué qu’une mesure de température se prêtait particulièrement bien à l’application du procédé et du système promus ici.
Selon un aspect, la grandeur d’intérêt est une température d’un fluide du système de motorisation de véhicule, par exemple une température d’un carburant. Dans un véhicule à moteur thermique, la température de certains fluides peut influer substantiellement sur la calibration du pilotage de l’injection de carburant et de l’allumage.
Selon d’autres variantes encore, la grandeur d’intérêt peut être un débit de fluide (par exemple de l’air dans un moteur thermique) ou de liquide (par exemple un carburant ou un liquide de refroidissement de composants du moteur thermique ou électrique).
Selon un aspect, les grandeurs Y et Z peuvent être des grandeurs multidimensionnelles. Il peut s’agir par exemple de plusieurs températures estimées à des positions différentes ; par exemple pour un rotor de moteur de traction électrique, on peut considérer la température de l’arbre, la température des enroulements ou des aimants permanents, un gradient de température entre un côté axial et l’autre côté axial du rotor.
Selon un aspect, le module de traitement aval comprend une fonction de filtrage numérique et/ou une fonction d’écrêtage. La fonction d’écrêtage permet d’exclure toute valeur aberrante ou en dehors d’un intervalle normalement attendu, et la fonction filtrage permet d’éviter des changements brusques dans la fonction pilotage qui utilise la grandeur d’intérêt.
Selon un autre aspect, il peut être prévu que les trois modules, à savoir le module d’estimation à apprentissage supervisé, le module de vérification de vraisemblance, et le module de traitement aval sont contenus dans une seule unité de calcul. Il peut s’agir d’une unité de calcul distincte ou confondue avec l’au moins un calculateur pilotant au moins un organe du groupe motopropulseur en fonction de la valeur prise par ladite grandeur d’intérêt. Ainsi, dans le cas de système de motorisation à moteur thermique, les trois modules sont hébergés par exemple directement dans le calculateur de contrôle moteur ou dans un superviseur de groupe moto propulseur. Il en est de même pour le cas d’une motorisation électrique où les trois modules peuvent être implémentés directement dans le calculateur de contrôle de traction ou dans un superviseur de fonctionnement. En variante, les trois modules peuvent être hébergés dans une unité de calcul annexe, reliée à au moins un calculateur annexe utilisant la grandeur d’intérêt pour piloter au moins un organe du groupe motopropulseur.
Selon d’autres implémentations, les modules peuvent se trouver dans des unités différentes.
Selon un autre aspect, le calcul de la grandeur finale de sortie (Z) est réalisé avec une fréquence au moins égale à une fois par seconde. Ainsi, l’itération de calcul est assez rapide et la fourniture d’une information de la grandeur d’intérêt est faite et rafraîchie en temps réel.
Selon un autre aspect, l’invention concerne aussi un procédé de détermination itérative d’au moins une grandeur d’intérêt utilisée pour le pilotage d’au moins un organe d’un groupe motopropulseur de véhicule automobile, ladite grandeur d’intérêt n’étant pas mesurée directement par un capteur, le procédé comprenant :
- fournir un jeu de premières données d’entrée X,
- injecter le jeu de premières données d’entrée dans un module d’estimation à apprentissage supervisé,
- obtenir en sortie au moins une grandeur intermédiaire de sortie Y,
- fournir un jeu de deuxièmes données d’entrée C,
- injecter le jeu de premières données d’entrée X le jeu de deuxièmes données d’entrée C dans un module de vérification de vraisemblance et obtenir en sortie un index de vraisemblance (IK),
- injecter la grandeur intermédiaire de sortie Y et l’index de vraisemblance IK dans un module de traitement aval fournissant en sortie une grandeur finale de sortie Z correspondant à ladite grandeur d’intérêt,
- Lorsque l’index de vraisemblance IK est bon, choisir pour la grandeur finale de sortie Z une valeur représentative de la grandeur intermédiaire de sortie Y
- Lorsque l’index de vraisemblance IK est mauvais, choisir pour la grandeur finale de sortie des valeurs issues notamment d’un modèle de représentation physique.
L’invention couvre en particulier un procédé de détermination itérative d’au moins une grandeur d’intérêt dans un système de motorisation de véhicule.
Comme détaillé ci-avant, de manière avantageuse, lorsque l’index de vraisemblance (IK) est mauvais, la grandeur finale de sortie est issue d’une fonction F définie par :
Z = F (Ci,Xj,Y, t) + CT ; avec :
Ci une partie au moins des données du jeu de deuxièmes données d’entrée;
Wj une partie au moins des données du jeu de premières données d’entrée ;
Y la grandeur intermédiaire de sortie ; t un instant depuis un dernier basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais ; et
CT est une constante.
Selon l’invention, dans le module de vérification de vraisemblance, l’index de vraisemblance caractérise une métrique de distance entre le jeu de premières données d’entrée (Xi) et un domaine de premières données d’entrée de référence, et/ou entre le jeu de deuxièmes données d’entrée (Ci) et un domaine de deuxièmes données d’entrée de référence et l’index de vraisemblance est d’autant plus « mauvais » que la valeur de distance (MD) est grande.
À l’inverse l’index de vraisemblance est d’autant plus « bon » que la distance est petite.
Le basculement vers le modèle physique peut ainsi se produire lorsque la valeur de la métrique de distance dépasse un premier seuil prédéterminé (MD1). Le retour à la normale c’est-à-dire à l’utilisation de la sortie du réseau de neurones peut se produire lorsque la valeur de la métrique de distance passe en dessous d’un deuxième seuil prédéterminé (MD2).
Selon un aspect, lorsque l’index de vraisemblance IK passe de bon à mauvais, à un instant t1 , CT est tel que la sortie Z est dépourvue de discontinuité à l’instant t1 .
Et lorsque l’index de vraisemblance IK passe de mauvais à bon, à un instant t2, la sortie Z bascule sur la sortie du réseau de neurone, avec possiblement une discontinuité à l’instant t2.
De plus grâce à un système de basculement progressif (poids relatifs W1 W2 qui se croisent) on peut éviter les discontinuités de sortie dans les deux situations de basculement. On peut également stabiliser le basculement par un mécanisme d’hystérésis, notamment si les seuils prédéterminés MD1 et MD2 décrits plus haut sont différents.
La présente invention vise également un calculateur caractérisé en ce qu'il inclut un système tel que décrit plus haut, ou en ce qu'il met en œuvre un procédé tel que décrit plus haut. Il peut s’agir directement d’un calculateur dédié au contrôle d’au moins un organe d’un groupe motopropulseur de véhicule automobile, par exemple un calculateur de contrôle moteur, ou d’un calculateur annexe relié à au moins un calculateur pour le contrôle d’au moins un organe d’un groupe motopropulseur de véhicule automobile.
D’autres aspects, buts et avantages de l’invention apparaîtront à la lecture de la description suivante d’un mode de réalisation de l’invention, donné à titre d’exemple non limitatif. L’invention sera également mieux comprise en regard des dessins joints sur lesquels :
- la figure 1 illustre une un bloc diagramme d’un exemple de système de détermination itérative d’au moins une grandeur d’intérêt selon la présente invention,
- la figure 2 représente un exemple illustratif de chronogramme concernant une sortie du système de détermination itérative,
- la figure 3 est analogue à la figure 1 et montre le bloc diagramme dans la situation normale où le réseau de neurones est utilisé complètement,
- la figure 4 est analogue à la figure 1 et montre le bloc diagramme dans la situation où un module de vérification de vraisemblance prévaut et où le réseau de neurones est court-circuité,
- la figure 5 est analogue à la figure 1 et illustre des éléments de variation,
- la figure 6 représente schématiquement un exemple de réseau de neurones à apprentissage supervisé,
- la figure 7 illustre une métrique de mesure de distance utilisée dans le calcul de l’index de vraisemblance.
Description détaillée de modes de réalisation
Sur les différentes figures, les mêmes références désignent des éléments identiques ou similaires. Pour des raisons de clarté de l'exposé, certains éléments ne sont pas nécessairement représentés à l'échelle.
Dans le présent document, on désigne par le terme « module » un ensemble de circuits électroniques capables de réaliser une fonction donnée, l'ensemble desdits circuits électroniques pouvant être programmables et supporter l'exécution des instructions d’un code logiciel. Par extension ; le terme module peut désigner un bloc fonctionnel complet voire un bloc physique bien identifié.
On s’intéresse ici au groupe motopropulseur d’un véhicule automobile, et notamment aux systèmes de motorisation de véhicule, qu’ils fassent appel à un moteur à combustion interne brûlant du carburant, ou un moteur électrique de traction, ou les deux en même temps.
Il y a certaines grandeurs d’intérêt qui ne peuvent être mesurées directement sur les configurations de véhicule de série. Selon un exemple, la grandeur d’intérêt peut être une température de rotor de moteur électrique. Selon un autre exemple, la grandeur intérêt peut être une température de carburant en amont de l’injection dans les cylindres.
Selon encore un autre exemple, la grandeur d’intérêt peut être une température des cellules de batterie dans le cas d’un véhicule hybride ou 100 % électrique.
Selon encore un autre exemple, la grandeur d’intérêt peut être un débit de fluide par exemple en phase gazeuse, par exemple de l’air d’admission dans un moteur thermique ; ou bien en phase liquide, par exemple un débit de carburant ou un débit de liquide de refroidissement.
Les grandeurs d’intérêt présentées ci-dessus sont utilisées dans au moins un calculateur, qui selon les cas pilote le fonctionnement d’un groupe motopropulseur thermique ou électrique d’un véhicule automobile, et notamment le fonctionnement d’un moteur thermique ou d’un moteur électrique de traction du véhicule.
Dans les phases de développement du véhicule ou du groupe motopropulseur, les ingénieurs utilisent des moyens de laboratoire qui permettent d’avoir accès à ces grandeurs d’intérêt. Toutefois dans les véhicules ou les groupes motopropulseurs produits en grande série, il n’est pas réaliste d’avoir de tels capteurs installés et par conséquent la mesure de la grandeur intérêt n’est pas disponible directement. Il faut alors utiliser à la place un système d’estimation de cette grandeur d’intérêt.
A cet égard, l’invention propose un système 10, pour fournir une estimation de la valeur courante d’une grandeur d’intérêt, lorsqu’il n’est pas possible de mesurer directement cette valeur courante.
Le système 10 comprend un module à réseau de neurones, repéré 1 ou RN, voir figure 1 . Le module à réseau de neurones 1 comporte un calculateur, et une mémoire stockant un modèle prédictif construit lors d’une phase préalable d’apprentissage. Ladite phase de construction du modèle prédictif met en œuvre des algorithmes d’apprentissage de type « machine learning », c’est pourquoi on parle dans l'exemple illustré en pratique d’un module « à réseau de neurones ». Le modèle prédictif est construit en utilisant des mesures obtenues à l’aide de capteurs qui ne sont implémentés que durant cette phase d’apprentissage, et qui ne seront plus disponible ensuite, lorsque le système 10 est utilisé en conditions réelles d’utilisation.
Il faut bien remarquer que le module à réseau de neurones n'est qu'un exemple parmi d'autres types de modules à apprentissage supervisé comme par exemple un arbre de décision, une régression à noyau, une séparatrice à vaste marge. C'est ainsi que l’on peut énoncer que le système 10 selon la présente invention comprend de manière générique un « module à apprentissage supervisé ».
Le module à réseau de neurones 1 prend en entrée un jeu 41 de premières données d’entrée (X1 -Xm), et il est configuré pour fournir en sortie au moins une grandeur intermédiaire de sortie Y.
La grandeur intermédiaire de sortie Y est une estimation de la valeur courante de la grandeur d’intérêt, obtenue à l’aide du modèle prédictif stocké dans le module à réseau de neurones 1 .
Les premières données d’entrées Xi peuvent comprendre un débit volumique de liquide, au moins une température de fluide, et/ou au moins une pression de fluide, et/ou au moins une température de composant(s) mécanique(s), et/ou au moins une vitesse, et/ou l’état d‘au moins un actionneur, et/ou au moins une donnée relative aux conditions environnantes.
Dans le cas de figure d’une température de carburant, les premières données d’entrées Xi peuvent comprendre la température du liquide de refroidissement moteur, la température extérieure de l’air, la vitesse moyenne du véhicule sur la dernière minute, la charge moteur, une requête de débit de carburant, le débit ou la quantité de carburant consommé au cours des 10 dernières secondes, la température d’air sous capot moteur, etc...
Dans le cas de figure d’une température de rotor du moteur électrique de traction, les premières données d’entrées Xi peuvent comprendre, la température extérieure, la vitesse moyenne du véhicule sur la dernière minute, la charge demandée au moteur sur les 10 dernières secondes, la vitesse moyenne du véhicule, la température du stator, la température ou les températures de la ou des batteries électriques, la température d’air sous capot moteur, etc...
Il est important de noter que le nombre m des premières données d’entrées ne doit pas être trop important pour que les calculs itératifs temps réel puissent être réalisés en limitant la quantité de ressources mémoire et CPU (puissance de calcul) consommées. Autrement dit le réseau de neurones doit être de taille raisonnable voire minimale.
Selon un exemple, m peut être compris entre 5 et 20.
Le système 10 selon l’invention comprend en outre un module de vérification de vraisemblance, repéré 2 ou MK, prenant en entrée le jeu 41 de premières données d’entrée (X1 -Xm) et un jeu 42 de deuxièmes données d’entrée (C1 -Cn).
Le module de vérification de vraisemblance 2 est configuré pour fournir en sortie un index de vraisemblance note IK.
Selon un exemple, pour le jeu de deuxièmes données d’entrée, n peut être compris entre 10 et 30.
Comme illustré sur la figure 7, l’index de vraisemblance IK caractérise avantageusement une métrique de distance MD entre le jeu de premières données d’entrée Xi et un domaine de premières données d’entrée de référence Eapp.
L’espace multidimensionnel pris en compte peut aussi englober les deuxièmes données d’entrée Ci de sorte que la métrique de distance MD peut aussi prendre en compte une distance entre le jeu de deuxièmes données d’entrée et un domaine de deuxièmes données d’entrée de référence.
Si pour chaque dimension correspondant à une information en entrée, par exemple X1 , on dispose d’un intervalle de couverture de l’apprentissage supervisé exprimé sous forme [X1 min - X1 max], et si la valeur courante est en dehors de cet intervalle, on détermine la distance X1 d qui sépare X1 courante de la borne la plus proche (X1 min ou X1 max). Ce calcul est réalisé m fois, à savoir pour toutes les variables /dimensions, et ensuite on additionne les distances Xid. Ceci est un exemple de métrique de distance appliqué à un espace multidimensionnel. On peut choisir pour métrique une somme des carrés des distances individuelles, ou toute autre combinaison connue de l’homme du métier
Comme évoqué plus haut, l’index de vraisemblance IK peut également prendre en compte le deuxième jeu de données d’entrée (variables Cj), selon la même logique, pour calculer des distances Cjd. La métrique de distance MD peut être la somme des Xid et des Cjd.
De préférence, le calcul de la métrique de distance MD est réalisé dans un espace multidimensionnel.
On peut choisir par exemple IK = 1 / MD. Donc si MD est petit ou nul, l’index de vraisemblance IK est élevé, autrement dit bon. Dans ce cas, et comme détaillé dans la suite, on peut considérer que la confiance peut être donnée à la sortie intermédiaire Y du réseau de neurones RN.
A l’inverse, si MD est grand, l’index de vraisemblance IK est faible, autrement dit Mauvais. Dans ce cas, et comme détaillé dans la suite, on peut considérer que la confiance ne peut pas être donnée à la sortie intermédiaire Y du réseau de neurones RN. Comme détaillé dans la suite, le système selon l’invention peut alors basculer vers une sortie représentant un modèle physique, de préférence un modèle en boucle ouverte.
Par exemple, sur la figure 7, les premières conditions opérationnelles courantes représentées par le point P1 sont à l’intérieur du domaine Eapp ayant fait l’objet d’un apprentissage supervisé. Dans ce cas, l’index de vraisemblance IK est bon, et on peut considérer que la confiance peut être donnée à la sortie intermédiaire Y du réseau de neurones RN.
A l’inverse, les secondes conditions opérationnelles représentées par le point P2 sont à une certaine distance MD du domaine Eapp, et il peut alors être décidé de basculer vers une sortie représentant un modèle physique, de préférence un modèle en boucle ouverte.
Comme illustré à la figure 7, le basculement vers le modèle physique peut se produire lorsque la valeur de la métrique de distance MD dépasse un premier seuil prédéterminé MD1 . Le retour à la normale c’est-à-dire à l’utilisation de la sortie du réseau de neurones peut se produire lorsque la valeur de métrique de distance passe en dessous d’un deuxième seuil prédéterminé MD2 (hystérésis).
L’index de vraisemblance IK peut aussi donner une valeur faible en cas de discordance forte ou d’incohérence dans l’ensemble des données Xi, Cj. Le module de vérification de vraisemblance 2 peut ainsi comporter une algorithmique de vérification de cohérence entre certaines données, ce qui permet de détecter un dysfonctionnement manifeste d’une des sources d’information. L’index de vraisemblance, en complément de la mesure de distance mentionnée ci-dessus ou en remplacement de celle-ci peut être représentatif d’un indice d’incohérence des données d’entrée.
Selon l’invention, le système 10 comporte en outre un calculateur, configuré pour calculer des valeurs refuges notées YR. Les valeurs refuges YR sont calculées à l’aide d’un modèle de représentation physique, ou modèle physique, en boucle ouverte. Plus précisément, il est calculé une série temporelle YR(tk).
Ici, les valeurs refuge YR sont calculées au sein du module de vérification de vraisemblance 2. En variante, elles peuvent être calculées dans un module dédié, ou dans le module de traitement aval décrit dans la suite.
On a par exemple YR = FR (Ci ,Xj), la fonction refuge FR ayant été caractérisée par des essais antérieurs sur des systèmes ou sur des véhicules de développement.
Enfin, le système 10 selon l’invention comprend en outre un module de traitement aval 3, prenant en entrée l’index de vraisemblance IK et la grandeur intermédiaire de sortie Y.
Le module de traitement aval 3 prend aussi en compte les valeurs refuges notées YR, qui peuvent être calculées directement par ledit module de traitement aval 3, ou être reçues en entrée par ce dernier comme illustré à la figure 1 . Le module de traitement aval 3 configuré pour fournir en sortie une grandeur finale de sortie Z, correspondant à ladite grandeur d’intérêt. Selon l’invention, le module de traitement aval 3 est configuré pour déterminer la valeur de la grandeur finale de sortie Z, sur la base de la logique ci-après :
- lorsque l’index de vraisemblance IK est bon, la grandeur finale de sortie Z est représentative de la grandeur intermédiaire de sortie Y ; et
- lorsque l’index de vraisemblance IK est mauvais, la grandeur finale de sortie Z est issue notamment d’un modèle de représentation physique. Dit autrement, la grandeur finale de sortie est alors fonction des valeurs refuge YR mentionnée ci-dessus.
En régime établi, dans le cas fonctionnel normal, illustré la figure 3, la sortie est issue essentiellement de la grandeur intermédiaire de sortie Y.
À l’inverse dans le cas illustré à la figure 4, la sortie Z est issue essentiellement d’une fonction des valeurs refuges YR.
Pour assurer la continuité de la sortie, le basculement entre la valeur intermédiaire Y et la valeur refuge YR peut être progressif, sur un intervalle temporel de quelques secondes.
On peut par exemple appliquer la logique suivante :
Z = W1 x Y + W2 x YR.
Avec W1 + W2 = 1 , W1 et W2 étant des poids respectifs de la valeur intermédiaire de sortie Y et de la valeur refuge YR. Cette configuration est illustrée la figure 5.
Un basculement de W1 =1 à W1 =0 peut être fait graduellement, par exemple sur une fenêtre de temps de 5 à 10 secondes. De façon similaire, un basculement de W1 =0 à W1 =1 peut être fait graduellement, par exemple sur une fenêtre de temps de 5 à 10 secondes.
Sur la figure 2, il est illustré l’évolution, en fonction du temps, de la grandeur finale de sortie telle que fournie en sortie du système 10 selon l’invention.
Jusqu’à l’instant t1 , le module de traitement aval 3 fonctionne dans un mode nominal dans lequel la grandeur finale de sortie est issue essentiellement de la grandeur intermédiaire Y issue du module à réseau de neurones 1 .
À l’instant t1 , il se produit un basculement, sans discontinuité, vers la fonction de boucle ouverte avec les valeurs refuges YR.
À l’instant t2, il se produit un nouveau basculement, de retour vers le cas dans lequel la grandeur finale de sortie est issue essentiellement de la grandeur intermédiaire Y issue du module à réseau de neurones 1 .
En tout état de cause, on peut définir une fonction F déterminant la valeur prise par la grandeur finale de sortie lorsque l’index de vraisemblance IK est mauvais. Cette fonction F dépend, au moins, de la valeur refuge YR, laquelle dépend des Ci et Xj (voir fonction refuge FR mentionnée ci-dessus).
La fonction F peut dépendre également de : la valeur intermédiaire Y, pour assurer la continuité de la sortie, le temps t depuis un dernier basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais, la continuité de la sortie n’ayant besoin d’être assurée que sur un intervalle de temps prédéterminé à compter de ce basculement.
La fonction F peut également être fonction d’une constante CT, pour une continuité optimale de la sortie.
Comme mentionné ci-avant, en régime établi, la sortie est issue essentiellement de la grandeur intermédiaire de sortie Y, ou des valeurs refuge YR, selon le cas.
Par « issue essentiellement », on entend que la sortie peut être exactement égale à ladite grandeur intermédiaire de sortie Y, respectivement valeurs refuges YR, ou bien que la sortie peut être issue du filtrage et/ou de l’écrêtage de ladite grandeur intermédiaire de sortie Y, respectivement lesdites valeurs refuges YR.
Le module de traitement aval 3 peut donc comprendre un module 5 réalisant une fonction de filtrage numérique et/ou une fonction d’écrêtage.
On illustre ensuite, en référence à la figure 6, le réseau de neurones mis en œuvre dans le module à réseau de neurones 1 .
Le jeu de premières données d’entrée X1 à Xm est fourni à une couche d’entrée 11 du réseau de neurones. Les couches intermédiaires du réseau de neurones sont repérées 12,13, 14, 15, la couche de sortie donnant la valeur qui est ici la grandeur intermédiaire de sortie Y.
Les flèches en traits mixtes de la figure 6 illustrent le processus d'apprentissage dans lequel les coefficients et poids des nœuds du réseau de neurones sont ajustés au moyen d’une fonction de coût calculée sur les sorties pour l'ensemble du domaine où l'apprentissage supervisé est réalisé. Une fois l’apprentissage réalisé, les coefficients et poids des nœuds sont fixes dans le réseau de neurones.
De manière avantageuse, les trois modules 1 ,2,3 du système 10 selon l’invention sont contenues dans une unité de calcul, laquelle peut faire partie intégrante ou non d’une unité de commande pour le pilotage d’au moins un organe d’un groupe motopropulseur de véhicule automobile.
Bien entendu, le calcul de la grandeur intermédiaire Y et le calcul de la grandeur finale de sortie Z sont itératifs. De préférence, le calcul de la grandeur finale de sortie Z est réalisé avec une fréquence au moins égale à une fois par seconde. Ceci s'avère suffisant si la grandeur d'intérêt est une température. Selon un exemple particulier, le calcul de la grandeur finale de sortie Z est réalisé avec une fréquence au moins égale à une fois par seconde, voire 4 fois par seconde. Dans le cas où la grandeur d'intérêt est un débit de fluide, la fréquence de calcul peut être au moins égale à 10 fois par seconde. Il faut ici noter que le module à réseau de neurones réalise les calculs impliqués en un temps infime, et c'est le processus d'échantillonnage en amont qui est le facteur limitant. Bien entendu on peut monter à une fréquence supérieure à 10 fois par seconde pour certaines applications.

Claims

REVENDICATIONS
1 . Système de détermination itérative d’au moins une grandeur d’intérêt utilisée pour le pilotage d’au moins un organe d’un groupe motopropulseur de véhicule automobile, ladite grandeur d’intérêt n’étant pas mesurée directement par un capteur, le système comprenant :
- un module d’estimation à apprentissage supervisé (1), prenant en entrée un jeu de premières données d’entrée (X1 -Xm), et fournissant en sortie au moins une grandeur intermédiaire de sortie (Y),
- un module de vérification de vraisemblance (2, MK), prenant en entrée le jeu de premières données d’entrée (X1 -Xm) et un jeu de deuxièmes données d’entrée (C1 -On), et fournissant en sortie un index de vraisemblance (I K), l’index de vraisemblance caractérisant une métrique de distance entre le jeu de premières données d’entrée (Xi) et un domaine de premières données d’entrée de référence, et/ou entre le jeu de deuxièmes données d’entrée (Ci) et un domaine de deuxièmes données d’entrée de référence, et l’index de vraisemblance étant d’autant plus « mauvais » que la valeur de la métrique de distance (MD) est grande,
- un module de traitement aval (3) prenant en entrée l’index de vraisemblance (IK) et la grandeur intermédiaire de sortie (Y), et fournissant en sortie une grandeur finale de sortie (Z) correspondant à ladite grandeur d’intérêt,
- le module de traitement aval étant configuré pour : lorsque l’index de vraisemblance (IK) est bon, la grandeur finale de sortie Z est représentative de la grandeur intermédiaire de sortie Y, la grandeur finale de sortie Z étant alors directement égale à Y, ou correspondant à des valeurs Y après application d’un filtre, lorsque l’index de vraisemblance (IK) est mauvais, la grandeur finale de sortie est issue notamment d’un modèle de représentation physique.
2. Système selon la revendication 1 , dans lequel, le module d’estimation à apprentissage supervisé est un module à réseau de neurones (RN).
3. Système selon l’une des revendications 1 ou 2, dans lequel, lorsque l’index de vraisemblance (IK) est mauvais, la grandeur finale de sortie est issue d’une fonction F définie par : Z = F (Ci,Xj,Y, t) + CT ; avec :
Ci une partie au moins des données du jeu de deuxièmes données d’entrée;
Xj une partie au moins des données du jeu de premières données d’entrée ;
Y la grandeur intermédiaire de sortie ; t un instant depuis un dernier basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais ; et
CT est une constante.
4. Système selon la revendication 3, dans lequel lorsque l’index de vraisemblance (I K) passe de bon à mauvais, à un instant t1 , CT est tel que la sortie Z est dépourvue de discontinuité à l’instant t1 .
5. Système selon l’une des revendications 3 ou 4, dans lequel la fonction F est ou utilise une fonction (YR) de modèle de boucle ouverte.
6. Système selon l’une des revendications 1 à 5, dans lequel la grandeur d’intérêt est une température d’un organe du groupe motopropulseur de véhicule automobile.
7. Système selon l’une des revendications 1 à 5, dans lequel la grandeur d’intérêt est une température d’un fluide dans le groupe motopropulseur de véhicule automobile.
8. Système selon l’une des revendications 1 à 7, dans lequel le module de traitement aval comprend une fonction de filtrage numérique et/ou une fonction d’écrêtage pour former la grandeur finale de sortie Z à partir de la grandeur intermédiaire de sortie Y.
9. Système selon l’une des revendications 1 à 8, dans lequel les trois modules, à savoir le module d’estimation à apprentissage supervisé (1), le module de vérification de vraisemblance (2), et le module de traitement aval (3) sont contenus dans une seule unité de commande.
10. Procédé de détermination itérative d’au moins une grandeur d’intérêt utilisée pour le pilotage d’au moins un organe d’un groupe motopropulseur de véhicule automobile, ladite grandeur d’intérêt n’étant pas mesurée directement par un capteur, le procédé comprenant :
- fournir un jeu de premières données d’entrée (Xi),
- injecter le jeu de premières données d’entrée dans un module d’estimation à apprentissage supervisé (1),
- obtenir en sortie au moins une grandeur intermédiaire de sortie Y,
- fournir un jeu de deuxièmes données d’entrée (Cj),
- injecter le jeu de premières données d’entrée le jeu de deuxièmes données d’entrée dans un module de vérification de vraisemblance et obtenir en sortie un index de vraisemblance (I K), l’index de vraisemblance caractérisant une métrique de distance entre le jeu de premières données d’entrée (Xi) et un domaine de premières données d’entrée de référence, et/ou entre le jeu de deuxièmes données d’entrée (Ci) et un domaine de deuxièmes données d’entrée de référence, et l’index de vraisemblance étant d’autant plus « mauvais » que la valeur de la métrique de distance (MD) est grande,
- injecter la grandeur intermédiaire de sortie (Y) et l’index de vraisemblance (I K) dans un module de traitement aval fournissant en sortie une grandeur finale de sortie (Z) correspondant à ladite grandeur d’intérêt
- lorsque l’index de vraisemblance (I K) est bon, choisir pour la grandeur finale de sortie Z une valeur représentative de la grandeur intermédiaire de sortie (Y) la grandeur finale de sortie Z étant alors directement égale à Y, ou correspondant à des valeurs Y après application d’un filtre,
- lorsque l’index de vraisemblance IK est mauvais, choisir pour la grandeur finale de sortie des valeurs issues notamment d’un modèle de représentation physique.
11 . Procédé selon la revendication 10, dans lequel, lorsque l’index de vraisemblance (IK) est mauvais, la grandeur finale de sortie est issue d’une fonction F définie par :
Z = F (Ci,Xj,Y, t) + CT ; avec :
Ci une partie au moins des données du jeu de deuxièmes données d’entrée; Xj une partie au moins des données du jeu de premières données d’entrée ;
Y la grandeur intermédiaire de sortie ; t un instant depuis un dernier basculement d’un index de vraisemblance bon à un index de vraisemblance mauvais ; et
CT est une constante.
12. Procédé selon la revendication 10 ou 11 , dans lequel lorsque l’index de vraisemblance IK passe de bon à mauvais, à un instant t1 , CT est tel que la sortie Z est dépourvue de discontinuité à l’instant t1 .
13. Calculateur (10) de contrôle d’au moins un organe d’un groupe motopropulseur de véhicule automobile, caractérisé en ce qu’il inclut un système selon l’une des revendications 1 à 9 ou en ce qu’il met en œuvre un procédé selon l’une des revendications 10 à 12.
PCT/EP2023/065599 2022-06-17 2023-06-12 Système et procédé de détermination d'une grandeur dans un véhicule automobile WO2023242088A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2205960 2022-06-17
FR2205960A FR3136864B1 (fr) 2022-06-17 2022-06-17 Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule

Publications (1)

Publication Number Publication Date
WO2023242088A1 true WO2023242088A1 (fr) 2023-12-21

Family

ID=83690291

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/065599 WO2023242088A1 (fr) 2022-06-17 2023-06-12 Système et procédé de détermination d'une grandeur dans un véhicule automobile

Country Status (2)

Country Link
FR (1) FR3136864B1 (fr)
WO (1) WO2023242088A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996005421A1 (fr) * 1994-08-11 1996-02-22 Mecel Ab Procede et systeme de commande de moteurs a combustion
US20130110749A1 (en) * 2010-04-27 2013-05-02 Robert Bosch Gmbh Control device and method for calculating an output parameter for a controller
DE102008001081B4 (de) * 2008-04-09 2021-11-04 Robert Bosch Gmbh Verfahren und Motorsteuergerät zum Steuern eines Verbrennungsmotors

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1996005421A1 (fr) * 1994-08-11 1996-02-22 Mecel Ab Procede et systeme de commande de moteurs a combustion
DE102008001081B4 (de) * 2008-04-09 2021-11-04 Robert Bosch Gmbh Verfahren und Motorsteuergerät zum Steuern eines Verbrennungsmotors
US20130110749A1 (en) * 2010-04-27 2013-05-02 Robert Bosch Gmbh Control device and method for calculating an output parameter for a controller

Also Published As

Publication number Publication date
FR3136864B1 (fr) 2024-08-09
FR3136864A1 (fr) 2023-12-22

Similar Documents

Publication Publication Date Title
EP1496237B1 (fr) Système de contrôle du bruit de combustion d'un moteur Diesel de véhicule automobile
EP2991853B1 (fr) Procédé de gestion du refroidissement d'une batterie à seuils de refroidissement ajustables
FR2929995A1 (fr) Procede et appareil de commande d'un moteur a combustion interne
WO2018202977A2 (fr) Procede de reactualisation d'une dynamique d'adaptation d'une valeur de richesse à une consigne dans un moteur
FR2971009A1 (fr) Procede de determination de la teneur en alcool d'un nouveau melange de carburant dans un moteur a combustion interne d'un vehicule, et dispositif pour sa mise en oeuvre
EP1799983B1 (fr) Procede et systeme ameliores d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme
EP2619426A1 (fr) Procede d'estimation adaptative d'une charge courante en suie d'un filtre a particules
WO2023242088A1 (fr) Système et procédé de détermination d'une grandeur dans un véhicule automobile
WO2016051044A1 (fr) Moteur a combustion de véhicule automobile a pilotage de richesse améliore
FR2923266A1 (fr) Estimation des effets de l'evaporation du carburant dilue dans l'huile d'un moteur a combustion interne
FR2989113A1 (fr) Estimation d'une temperature virtuelle dans un moteur
FR2898936A1 (fr) Procede d'estimation de la richesse d'un melange air/carburant
EP2815114B1 (fr) Système et procédé d'estimation du rapport entre la pression en amont et la pression en aval de la turbine d'un moteur suralimenté d'un véhicule automobile
EP3067539B1 (fr) Procédé de détermination de la vitesse de rotation du turbocompresseur d'un moteur à combustion interne de véhicule automobile
FR2897650A1 (fr) Procede de commande d'un moteur de vehicule pour le declenchement d'une phase de regeneration d'un filtre a particules
FR3035450A1 (fr) Procede et dispositif de surveillance des quantites de carburant injectees dans un moteur a combustion interne
WO2023072565A1 (fr) Procédé d'estimation de la pression atmosphérique pour un moteur à combustion interne
FR3140908A1 (fr) Procédé d’estimation de la pression de suralimention naturelle dans un moteur thermique essence équipé d’un turbocompresseur de type à géometrie variable
EP2534355B1 (fr) Procede de regulation d'un parametre de fonctionnement d'un moteur et systeme de commande mettant en oeuvre un tel procede
FR2893982A1 (fr) Procede et systeme d'estimation d'une temperature des gaz d'echappement en interne d'un systeme de post traitement
FR2893983A1 (fr) Procede et systeme d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme
WO2020182808A1 (fr) Correction de la mesure de pression d'un capteur de pression de cylindre
FR3128974A1 (fr) Procédé d’estimation à basse fréquence d’un débit de gaz d’échappement recyclés à l’admission d’un moteur à combustion interne
EP4093956A1 (fr) Estimateur et procédé d'estimation d'une température d'un flux de fluide traversant un moteur à combustion interne
FR3001998A1 (fr) Procede d'estimation de la masse de suies dans un filtre a particules

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: 23732114

Country of ref document: EP

Kind code of ref document: A1