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(t _k ), la notation Cj représente lune série temporelle Cj(t _k ), la notation Y représente une série temporelle Y(t _k ), la notation Z représente une série temporelle Z(t _k ). 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(t _k ) = F3 (Y(t _k )), 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(t _k ).

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.