Optimiser les essais moteur : un enjeu clé_
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.
Une optimisation stratégique des plans d'essais_
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.
L'objectif principal était de :
Optimiser le plan d'essais pour réduire la durée des tests sans perte d'information.
Alimenter un modèle de machine learning interne au constructeur avec des données à forte variance et au volume nécessaire.
Gagner du temps sur les campagnes de tests.
Préserver l'information cruciale dans les données d'apprentissage.
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.
Le rôle d'OSE_
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.
Cette approche, contrairement à une solution "brute force", a permis de gérer la grande quantité de motifs (plus de 100 000) et de générer des plans d'essais optimisés dans un temps raisonnable.
Cette collaboration a permis de combiner l’expertise métier du constructeur avec les compétences scientifiques d’OSE pour concevoir un plan d’essais moteur allégé, riche en informations pertinentes et compatible avec les contraintes opérationnelles.
Bénéfices de la solution OSE_
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 significative du temps d'essais : notre algorithme a permis de réduire le temps total des tests d'environ 20%, soit des centaines d'heures.
Préservation de l'information et diversité des données : le plan d'essais optimisé garantit la qualité des données alimentant les modèles de machine learning.
