Réduire le temps de développement des véhicules tout en assurant la conformité aux normes d'émissions polluantes est un défi majeur pour l'industrie automobile. OSE a développé une approche innovante pour optimiser les plans d'essais moteur.
contexte
OSE a collaboré avec les experts des mesures de pollution d'un grand constructeur automobile pour développer un algorithme capable de réduire significativement la durée des essais moteur et véhicule, tout en préservant la richesse de l'information. Ces essais, essentiels pour mesurer les émissions de polluants, sont traditionnellement longs et coûteux, nécessitant des centaines d'heures sur banc moteur ou banc à rouleaux avec des temps de refroidissement importants entre chaque cycle.
COMBINER EXPERTISE MÉTIER ET APPROCHE SCIENTIFIQUE
Cette collaboration a réuni le savoir-faire du constructeur et l’expertise scientifique d’OSE pour élaborer un plan d’essais moteur allégé, riche en données pertinentes et parfaitement adapté aux contraintes opérationnelles.
Christophe LECLERCQ
Directeur général
objectifs
La complexité résidait dans la nécessité de respecter des contraintes techniques strictes (durée des cycles, temps de macération, profils de vitesse spécifiques) et d'assurer une couverture exhaustive des scénarios de conduite possibles.
01
Optimiser le plan d'essais pour réduire la durée des tests sans perte d'information.
02
Alimenter un modèle de machine learning interne avec des données variées et en volume suffisant.
03
Gagner du temps sur les campagnes de tests.
04
Préserver l'information cruciale dans les données d'apprentissage.
approche
OSE a apporté son expertise en modélisation physique, en machine learning et en recherche opérationnelle. Nos missions principales ont été les suivantes :
Constitution d'une base de données de motifs
Nous avons extrait et analysé des motifs (parties de cycles entre deux points de vitesse nulle) à partir de cycles véhicules existants, en intégrant des descripteurs variés (température, régime moteur, couple, vitesse, pente).
Analyse et classification des motifs
nous avons utilisé une ACP (Analyse en Composantes Principales) pour la réduction de dimensionnalité et un algorithme de clustering pour regrouper les motifs par similarité de comportement. Un point clé fut la corrélation identifiée entre l'erreur du modèle du constructeur et les émissions cumulées, soulignant l'importance de cibler les motifs à fortes émissions.
Développement d'un algorithme de sélection et de reconstruction
Nous avons priorisé les motifs à fortes émissions tout en assurant une couverture maximale de tous les clusters de motifs et le respect de contraintes sur les profils de vitesse. Nous avons appliqué un algorithme de recherche locale itératif pour assembler les motifs sélectionnés en un plan d'essais final qui respecte toutes les contraintes opérationnelles et maximise la fonction objectif.
bénéfices
Grâce à notre intervention, OSE a pu fournir au constructeur automobile une méthodologie robuste et des conseils opérationnels pour l'optimisation de leurs campagnes d'essais. Bien qu'il s'agisse d'une solution en phase de prototypage (TRL plus bas qu'un outil industrialisé), les gains concrets sont les suivants :
réduction du temps d'essai
D'environ 20%, soit des centaines d'heures.
Préservation des données
Alimentant les modèles de machine learning.
voir également
Modélisation & simulation
OSEroad, le générateur automatique de cycles RDE
Computer science
Et si nos véhicules utilitaires légers roulaient à l'hydrogène ?
