FR3136864A1 - Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule - Google Patents

Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule Download PDF

Info

Publication number
FR3136864A1
FR3136864A1 FR2205960A FR2205960A FR3136864A1 FR 3136864 A1 FR3136864 A1 FR 3136864A1 FR 2205960 A FR2205960 A FR 2205960A FR 2205960 A FR2205960 A FR 2205960A FR 3136864 A1 FR3136864 A1 FR 3136864A1
Authority
FR
France
Prior art keywords
input data
output quantity
likelihood index
index
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2205960A
Other languages
English (en)
Inventor
Michael Leblon
Nicolas LAMARQUE
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Vitesco Technologies
Original Assignee
Vitesco Technologies
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 filed Critical Vitesco Technologies
Priority to FR2205960A priority Critical patent/FR3136864A1/fr
Priority to PCT/EP2023/065599 priority patent/WO2023242088A1/fr
Publication of FR3136864A1 publication Critical patent/FR3136864A1/fr
Pending legal-status Critical Current

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

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)

Abstract

Méthode et système de détermination itérative d’une grandeur d’intérêt dans un système de motorisation de véhicule, le système comprenant un module d’estimation à apprentissage supervisé module, 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. Figure pour l’abrégé : Fig. 1

Description

Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule Domaine technique et contexte
La présente invention est relative aux procédés de détermination d’une grandeur dans un système de motorisation de véhicule, 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.
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. 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.
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 estbon, 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 estmauvais, 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 (IK), 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) estbon, 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) estmauvais, 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.
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 variablekest 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 fonctionF3 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 debonàmauvais, à un instant t1, CT est tel que la sortie Z estdépourvue de discontinuitéà 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 un aspect, dans le module de vérification de vraisemblance,l’index de vraisemblancecaractérise une métrique dedistanceentre 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’indexde vraisemblanceest d’autant plus «mauvais» que la valeur de la métrique de distance (MD) est grande.
À l’inverse l’indexde vraisemblanceest 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 unetempératured’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. 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 unetempératured’unfluidedu 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 defiltragenumérique et/ou une fonctiond’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 seuleunité de commande.Ainsi, dans le cas de système de motorisation à moteur thermique, les trois modules sont hébergés 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 dans le calculateur de contrôle de traction ou dans un superviseur de fonctionnement.
Selon d’autres implémentations, les modules peuvent se trouver dans des unités différentes.
Selon un autre aspect, lecalculde la grandeur finale de sortie (Z) est réalisé avec unefréquenceau 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 unprocédéde déterminationitérative d’au moins unegrandeur d’intérêtdans un système de motorisation de véhicule, ladite grandeur d’intérêt n’étantpas mesuréedirectement 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 unmodule de traitement avalfournissant en sortie unegrandeur finale de sortieZ correspondant à ladite grandeur d’intérêt,
- Lorsque l’index de vraisemblance IK estbon, choisir pour la grandeur finale de sortie Z une valeur représentative de la grandeur intermédiaire de sortie Y
- Lorsque l’index de vraisemblance IK estmauvais, choisir pour la grandeur finale de sortie des valeurs issues notamment d’un modèle de représentation physique.
Comme détaillé ci-avant, de manière avantageuse, lorsque l’index de vraisemblance (IK) estmauvais, 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 un aspect, dans le module de vérification de vraisemblance,l’index de vraisemblancecaractérise une métrique dedistanceentre 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’indexde vraisemblanceest d’autant plus «mauvais» que la valeur de distance (MD) est grande.
À l’inverse l’indexde vraisemblanceest 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 debonà mauvais, à un instant t1, CT est tel que la sortie Z estdépourvue de discontinuitéà l’instant t1.
Et lorsque l’index de vraisemblance IK passe demauvaisàbon, à un instant t2, la sortie Z bascule sur la sortie du réseau de neurone, avec possiblement unediscontinuitéà 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 de contrôle moteur 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.
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 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 représente un exemple illustratif de chronogramme concernant une sortie du système de détermination itérative,
- la est analogue à la et montre le bloc diagramme dans la situation normale où le réseau de neurones est utilisé complètement,
- la est analogue à la 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 est analogue à la et illustre des éléments de variation,
- la représente schématiquement un exemple de réseau de neurones à apprentissage supervisé,
- la 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 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 uncalculateurde contrôle moteur, qui selon les cas pilote le fonctionnement d’un moteur thermique ou d’un moteur électrique de traction du véhicule.
Dans les phases de développement du véhicule ou du système de motorisation, les ingénieurs utilisent des moyens de laboratoire qui permettre d’avoir accès à ces grandeurs d’intérêt. Toutefois dans les véhicules ou les systèmes de motorisation 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, repéré1ou RN, voir . 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 41de premières données d’entrée(X1-Xm), et il est configuré pour fournir en sortie au moins unegrandeur intermédiaire de sortie Y.
La grandeur intermédiaire de sortieYest 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’entréesXipeuvent 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’entréesXipeuvent 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’entréesXipeuvent 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 nombremdes 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,mpeut être compris entre 5 et 20.
Le système 10 selon l’invention comprend en outre un module de vérification de vraisemblance, repéré2ouMK, 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 vraisemblance2est configuré pour fournir en sortie un index de vraisemblance noteIK.
Selon un exemple, pour le jeu de deuxièmes données d’entrée,npeut être compris entre 10 et 30.
Comme illustré sur la ,l’index de vraisemblance IKcaractérise avantageusement une métrique dedistance MDentre le jeu de premières données d’entrée Xi et un domaine de premières données d’entrée de référenceEapp.
L’espace multidimensionnel pris en compte peut aussi englober les deuxièmes données d’entréeCide sorte que la métrique de distanceMDpeut 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 exempleX1, on dispose d’un intervalle de couverture de l’apprentissage supervisé exprimé sous forme [X1min – X1max], et si la valeur courante est en dehors de cet intervalle, on détermine la distanceX1dqui sépareX1courante de la borne la plus proche (X1min ou X1max). Ce calcul est réalisémfois, à savoir pour toutes les variables /dimensions, et ensuite on additionne les distancesXid. 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 (variablesCj), selon la même logique, pour calculer des distanceCjd. La métrique de distanceMDpeut être la somme desXidet desCjd.
De préférence, le calcul de la métrique de distanceMDest réalisé dans un espace multidimensionnel.
On peut choisir par exempleIK = 1 / MD. Donc siMDest petit ou nul, l’index de vraisemblanceIKest élevé, autrement ditbon. Dans ce cas, et comme détaillé dans la suite,on peut considérer que la confiance peut être donnée à la sortie intermédiaireYdu réseau de neuronesRN.
A l’inverse, siMDest grand, l’index de vraisemblance IK est faible, autrement ditMauvais. Dans ce cas, et comme détaillé dans la suite, on peut considérer que la confiance ne peut pas être donnée à la sortie intermédiaireYdu réseau de neuronesRN. 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 , les premières conditions opérationnelles courantes représentées par le pointP1sont à l’intérieur du domaineEappayant fait l’objet d’un apprentissage supervisé. Dans ce cas, l’index de vraisemblanceIKestbon, et on peut considérer que la confiance peut être donnée à la sortie intermédiaireYdu réseau de neuronesRN.
A l’inverse, les secondes conditions opérationnelles représentées par le pointP2sont à une certaine distanceMDdu domaineEapp, et il peut alors être décidé de basculer vers une sortie représentant un modèle physique, de préférence un modèle en boucle ouverte.
Comme illustré la , le basculement vers le modèle physique peut se produire lorsque la valeur de la métrique de distanceMDdépasse un premier seuil prédéterminéMD1. 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 prédéterminéMD2(hystérésis).
L’index de vraisemblanceIKpeut aussi donner une valeur faible en cas de discordance forte ou d’incohérence dans l’ensemble des donnéesXi, Cj. Le module de vérification de vraisemblance2peut 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 notéesYR.Les valeurs refugeYRsont calculées à l’aide d’un modèle de représentation physique, ou modèle physique, en boucle ouverte. Plus précisément, il est calculé une série temporelleYR(tk).
Ici, les valeurs refugeYRsont calculées au sein du module de vérification de vraisemblance2. En variante, elles peuvent être calculées dans un module dédié, ou dans le module de traitement aval décrit dans la suite.
On a par exempleYR=FR(Ci,Xj), la fonction refugeFRayant 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 aval3,prenant en entrée l’index de vraisemblanceIKet la grandeur intermédiaire de sortieY.
Le module de traitement aval3prend aussi en compte les valeurs refuges notéesYR, qui peuvent être calculées directement par ledit module de traitement aval 3, ou être reçues en entrée par ce dernier comme illustré à la . Le module de traitement aval3configuré pour fournir en sortie une grandeur finale de sortieZ,correspondant à ladite grandeur d’intérêt.
Selon l’invention, le module de traitement aval3est configuré pour déterminer la valeur de la grandeur finale de sortieZ, sur la base de la logique ci-après :
- lorsque l’index de vraisemblanceIKestbon, la grandeur finale de sortieZest représentative de la grandeur intermédiaire de sortieY; et
-lorsque l’index de vraisemblanceIKestmauvais, la grandeur finale de sortieZest issue notamment d’un modèle de représentation physique. Dit autrement, la grandeur finale de sortie est alors fonction des valeurs refugeYRmentionnée ci-dessus.
En régime établi, dans le cas fonctionnel normal, illustré la , la sortie est issue essentiellement de la grandeur intermédiaire de sortie Y.
À l’inverse dans le cas illustré à la , la sortie Z est issue essentiellement d’une fonction des valeurs refugesYR.
Pour assurer la continuité de la sortie, le basculement entre la valeur intermédiaireYet la valeur refugeYRpeut être progressif, sur un intervalle temporel de quelques secondes.
On peut par exemple appliquer la logique suivante :
Z = W1 x Y + W2 x YR.
AvecW1+W2= 1,W1etW2étant des poids respectifs de la valeur intermédiaire de sortieYet de la valeur refugeYR. Cette configuration est illustrée la .
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 , 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’instantt1, le module de traitement aval3fonctionne dans un mode nominal dans lequel la grandeur finale de sortie est issue essentiellement de la grandeur intermédiaireYissue du module à réseau de neurones 1.
À l’instantt1, il se produit un basculement, sans discontinuité, vers la fonction de boucle ouverte avec les valeurs refugesYR.
À l’instantt2, il se produit un nouveau basculement, de retour vers le cas dans lequel la grandeur finale de sortie est issue essentiellement de la grandeur intermédiaireYissue 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 vraisemblanceIKestmauvais.
Cette fonction F dépend, au moins, de la valeur refugeYR, laquelle dépend desCietXj(voir fonction refugeFRmentionnée ci-dessus).
La fonction F peut dépendre également de :
la valeur intermédiaireY, 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 fonctionFpeut 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 sortieY, ou des valeurs refugeYR, selon le cas.
Par « issue essentiellement », on entend que la sortie peut être exactement égale à ladite grandeur intermédiaire de sortieY, respectivement valeurs refugeYR, ou bien que la sortie peut être issue du filtrage et/ou de l’écrêtage de ladite grandeur intermédiaire de sortieY, respectivement lesdites valeurs refugeYR.
Le module de traitement aval3peut donc comprendre un module5réalisant une fonction de filtrage numérique et/ou une fonction d’écrêtage.
On illustre ensuite, en référence à la , le réseau de neurones mis en œuvre dans le module à réseau de neurones 1.
Le jeu de premières données d’entréeX1àXmest fourni à une couche d’entrée11du réseau de neurones. Les couches intermédiaires du réseau de neurones sont repérées12,13,14,15, la couche de sortie donnant la valeur qui est ici la grandeur intermédiaire de sortie Y.
Les flèches en traits mixtes de la 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 calculer 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 uneunité de commande.
Bien entendu, le calcul de la grandeur intermédiaire Y et le calcul de la grandeur finale de sortie Z sont itératifs. De préférence, lecalculde la grandeur finale de sortie Z est réalisé avec unefréquenceau moins égale à une fois par seconde. Ceci s'avère suffisant si la grandeur d'intérêt est une température. Selon un exemple particulier, lecalculde la grandeur finale de sortie Z est réalisé avec unefréquenceau 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 (15)

  1. Systèmededéterminationitérative d’au moins unegrandeur d’intérêtdans un système de motorisation de véhicule, ladite grandeur d’intérêt n’étantpas mesuréedirectement par un capteur,
    le système comprenant :
    - un module d’estimation à apprentissage supervisé (1), prenant en entrée un jeude premières données d’entrée(X1-Xm), et fournissant en sortie au moins unegrandeur intermédiaire de sortie(Y),
    - un module de vérification de vraisemblance (2,MK), prenant en entrée le jeu de premières données d’entrée (X1-Xm)etun jeu dedeuxièmes données d’entrée(C1-Cn), et fournissant en sortie unindex de vraisemblance(IK),
    - un module de traitement aval (3) prenant en entrée l’index de vraisemblance (IK) etla grandeur intermédiaire de sortie(Y), et fournissant en sortie unegrandeur finale de sortie(Z) correspondant à ladite grandeur d’intérêt,
    - lemodule de traitement avalétant configuré pour :
    lorsque l’index de vraisemblance (IK) estbon, la grandeur finale de sortie Z est représentative de la grandeur intermédiaire de sortie Y,
    lorsque l’index de vraisemblance (IK) estmauvais, la grandeur finale de sortie est issue notamment d’un modèle de représentation physique.
  2. Système selon la revendication 1, dans lequel, 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) estmauvais, 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 (IK) passe debonàmauvais, à un instant t1, CT est tel que la sortie Z estdépourvue de discontinuitéà 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, dans le module de vérification de vraisemblance,l’index de vraisemblancecaractérise une métrique dedistanceentre 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’indexde vraisemblanceest d’autant plus « mauvais » que la valeur de la métrique de distance (MD) est grande.
  7. Système selon l’une des revendications 1 à 6, dans lequel la grandeur d’intérêt est unetempératured’un organe lié au système de motorisation de véhicule.
  8. Système selon l’une des revendications 1 à 6, dans lequel la grandeur d’intérêt est unetempératured’unfluidedu système de motorisation de véhicule.
  9. Système selon l’une des revendications 1 à 7, dans lequel le module de traitement aval comprend une fonction defiltragenumérique et/ou une fonctiond’écrêtage.
  10. 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 seuleunité de commande.
  11. Procédédedéterminationitérative d’au moins unegrandeur d’intérêtdans un système de motorisation de véhicule, ladite grandeur d’intérêt n’étantpas mesuréedirectement 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 (IK),
    - injecter la grandeur intermédiaire de sortie (Y) et l’index de vraisemblance (IK) dans unmodule de traitement avalfournissant en sortie unegrandeur finale de sortie(Z) correspondant à ladite grandeur d’intérêt
    - lorsque l’index de vraisemblance (IK) estbon, choisir pout la grandeur finale de sortie Z une valeur représentative de la grandeur intermédiaire de sortie (Y),
    - lorsque l’index de vraisemblance IK estmauvais, choisir pour la grandeur finale de sortie des valeurs issues notamment d’un modèle de représentation physique.
  12. Procédé selon la revendication 11, dans lequel, lorsque l’index de vraisemblance (IK) estmauvais, 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.
  13. Procédé selon l’une des revendications 11 à 12, dans lequel, dans le module de vérification de vraisemblance,l’index de vraisemblancecaractérise une métrique dedistanceentre 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 (Cj) et un domaine de deuxièmes données d’entrée de référence, et l’indexde vraisemblanceest d’autant plus «mauvais »que la valeur de distance (MD) est grande.
  14. Procédé selon la revendication 13 en ce qu’elle dépend de la revendication 12, dans lequel lorsque l’index de vraisemblance IK passe debonàmauvais, à un instant t1, CT est tel que la sortie Z estdépourvue de discontinuitéà l’instant t1.
  15. Calculateur(10) de contrôle moteur, pour moteur thermique ou électrique, caractérisé en ce qu’il inclut un système selon l’une des revendications 1 à 10 ou en ce qu’il met en œuvre un procédé selon l’une des revendications 11 à 14.
FR2205960A 2022-06-17 2022-06-17 Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule Pending FR3136864A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
FR2205960A FR3136864A1 (fr) 2022-06-17 2022-06-17 Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule
PCT/EP2023/065599 WO2023242088A1 (fr) 2022-06-17 2023-06-12 Système et procédé de détermination d'une grandeur dans un véhicule automobile

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2205960 2022-06-17
FR2205960A FR3136864A1 (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
FR3136864A1 true FR3136864A1 (fr) 2023-12-22

Family

ID=83690291

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2205960A Pending FR3136864A1 (fr) 2022-06-17 2022-06-17 Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule

Country Status (2)

Country Link
FR (1) FR3136864A1 (fr)
WO (1) WO2023242088A1 (fr)

Citations (2)

* 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010028266A1 (de) * 2010-04-27 2011-10-27 Robert Bosch Gmbh Steuergerät und Verfahren zur Berechnung einer Ausgangsgröße für eine Steuerung

Patent Citations (2)

* 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

Also Published As

Publication number Publication date
WO2023242088A1 (fr) 2023-12-21

Similar Documents

Publication Publication Date Title
CA2926240C (fr) Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance
FR2939170A1 (fr) Detection d'anomalie dans un moteur d'aeronef.
FR3005374A1 (fr) Procede de gestion du refroidissement d'une batterie a seuils de refroidissement ajustables
EP1496237A1 (fr) Système de contrôle du bruit de combustion d'un moteur Diesel de véhicule automobile
WO2012052696A1 (fr) Procede et dispositif de surveillance d'une boucle d'asservissement d'un systeme d'actionnement de geometries variables d'un turboreacteur.
WO2018202977A2 (fr) Procede de reactualisation d'une dynamique d'adaptation d'une valeur de richesse à une consigne dans un moteur
WO2020217004A1 (fr) Système et procédé de surveillance d'un moteur d'aéronef
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
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
FR2862342A1 (fr) Procede et systeme d'estimation de quantites de particules emises dans les gaz d'echappement d'un moteur diesel d'un vehicule automobile
WO2012038627A1 (fr) Procede d'estimation adaptative d'une charge courante en suie d'un filtre a particules
FR3136864A1 (fr) Système et procédé de détermination d’une grandeur dans un système de motorisation de véhicule
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
FR3012882A1 (fr) Procede d'essai technique
FR2927662A1 (fr) Dispositif et procede d'estimation de la temperature d'un composant dans un compartiment moteur, en particulier lors du demarrage moteur.
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
FR2893983A1 (fr) Procede et systeme d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme
FR3030624A1 (fr) Procede et dispositif d'obtention d'une pression differentielle de reference d'un fluide traversant un filtre d'un moteur d'aeronef
FR2893982A1 (fr) Procede et systeme d'estimation d'une temperature des gaz d'echappement en interne d'un systeme de post traitement
WO2021148345A1 (fr) Estimateur et procédé d'estimation d'une température d'un flux de fluide traversant un moteur à combustion interne

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20231222