Génération et optimisation énergétique automatique d’architectures de système HEV

Télécharger le fichier original (Mémoire de fin d’études)

Méthodes d’optimisation multicritère

Les problèmes d’optimisation multicritère (ou encore appelés multi-objectif) consistent à chercher une solution optimale par rapport à plusieurs objectifs souvent contradictoires. La notion de contradiction signifie qu’il n’est pas possible d’améliorer un objectif sans dégrader un autre. Des méthodes d’aide à la décision permettent de faciliter le choix d’alternatives présentant les meilleurs compromis entre les différents objectifs à minimiser (ou maximiser). Ces méthodes peuvent permettre de comparer les alternatives soit dans l’espace de conception (défini par les variables de conception ou d’optimisation) ou bien dans l’espace des fonctions objectifs. Le premier est défini par le domaine de variation des paramètres ou variables caractérisant les solutions du problème de conception de système. Les critères de décision, ou encore les fonctions objectifs, définissent l’espace des fonctions objectifs.
Dans sa thèse, Rivallain [66] classe les méthodes permettant de gérer les problèmes d’optimisation multicritère en deux catégories :
• les méthodes basées sur les préférences : elles visent à transformer le problème d’optimisation multicritère en un problème d’optimisation monocritère. Elles ont besoin d’information préférentielle sur les critères en amont de la phase de recherche de solutions. Afin d’obtenir une solution optimale de qualité il est nécessaire de maitriser l’influence des préférences sur les résultats.
• les méthodes basées sur la génération de solutions : elles permettent d’identifier un ensemble de solutions non-dominées. Le choix de la solution optimale est ensuite laissé aux décideurs. Ces techniques ne nécessitent pas de formuler des hypothèses sur l’importance relative des critères les uns par rapport aux autres.
Vijayagopal et al formulent un problème d’optimisation du coût et de la consommation de carburant d’une architecture de système HEV [67]. La méthode d’optimisation multicritère présentée génère un ensemble de solutions non dominée au sens de Pareto. Les solutions intéressantes en termes de compromis sur les deux critères choisis se situent sur le front de Pareto. Les relations de dominance au sens de Pareto sont largement utilisées dans la littérature pour résoudre ce type de problème d’optimisation. En effet le front de Pareto aide à comprendre les compromis accessibles entre les critères et permet d’aider la prise de décision sur le choix de la solution optimale. Masfaraud et al présentent une méthode d’optimisation multi-objectifs de boîtes de vitesses [39]. Les deux objectifs à minimiser sont la longueur de la boite de vitesses (traduisant la compacité de la solution) et le coût. L’ensemble de solutions optimales est identifié via un front Pareto. Dans sa thèse [37], Kabalan formule également un problème multi-objectifs en prenant en compte un critère de compacité en plus des critères classiques de coût et de consommation énergétique. Le critère de compacité est formulé via un calcul donnant le volume en fonction de la puissance des machines électriques, du moteur thermique et de la batterie.
Enfin un exemple d’utilisation de méthode basée sur les préférences pour résoudre un problème d’optimisation multi-objectifs de système HEV est montré par Piechottka et al [38]. Ils définissent des coefficients de pondération pour les trois critères suivants : rendement énergétique, performance et confort. Ces coefficients sont basés sur la connaissance d’experts sur le système à concevoir et le marché de l’automobile.

Evaluation automatique d’architecture système

Au cours d’un processus de conception de système, l’étape d’évaluation d’une architecture système permet de s’assurer que les exigences soient bien respectées. Dans une approche système basée sur des outils MBSE, une attention particulière doit être portée sur l’utilisation des différentes représentations et modèles utilisés pour gérer la conception d’un système. La nature des représentations des systèmes et des modèles évoluent au passage du monde système vers le monde de la simulation. Une clé de la réussite de cette opération est le maintien de la cohérence entre les modèles et les représentations. Sirin [18] définit un nouveau métier (architecte modèle) pour faire le lien entre les deux points de vue. Son objectif est d’exprimer au mieux les souhaits de l’architecte système, qui sont purement liés à la conception du produit. De plus, le concept de MIC (Model Identity Card) est développé afin de faciliter les échanges de données entre des acteurs du processus de modélisation et simulation pour réduire les ambiguïtés. La MIC est un formalisme permettant de spécifier un modèle en caractérisant ses interfaces. La MIC ne contient que partiellement la définition des éléments constituant le modèle de simulation (interface et paramètres). Il ne comprend pas tous les éléments constituant le modèle (par exemple les variables internes ne sont pas spécifiées). Deux composants électriques d’une librairie ne peuvent pas être différenciés par une comparaison d’interfaces.
Fontaine [68] a permis de développer des mécanismes basés sur le concept de la MIC pour automatiser partiellement le processus de modélisation et de simulation. Pour cela l’auteur a enrichi la structure de la MIC en ajoutant des informations qui peuvent être trouvées dans l’architecture de simulation (par exemple les connexions entre les différents sous-modèles). Les mécanismes développés permettent de générer automatiquement des modèles de simulation à partir d’une architecture système, dans laquelle chaque bloc système est défini par ce concept de MIC enrichi. De plus une librairie de modèles de simulation indexés par leurs MIC enrichis permet de peupler automatiquement le squelette du modèle de simulation.
Il existe deux approches pour évaluer des architectures système : une première basée sur la géométrie et une seconde sur la simulation du comportement physique [69].
• Basée sur la géométrie : ces méthodes permettent d’enrichir les modèles système avec des caractéristiques géométriques tôt dans les phases de conception du système. Ces données géométriques peuvent être utilisées dans le processus de développement pour définir des critères traduisant par exemple la difficulté d’implantation et la complexité de la solution. Ce type d’évaluation d’architecture système ne prend en compte que les aspects géométriques des composants d’un système.
• Basée sur la simulation : les approches d’évaluation basées sur la simulation utilisent des caractéristiques géométriques et physiques des composants pour évaluer le comportement physique de l’architecture système étudiée. Généralement ces méthodes permettent de définir des critères de performance et énergétique.
Dans un processus de génération automatique d’architectures système, l’évaluation des alternatives doit également être automatisée. En effet, comme discuté précédemment ces processus appliqués aux systèmes complexes peuvent générer des milliers d’architectures système différentes. Il serait impossible de construire manuellement les modèles permettant d’évaluer cet ensemble de solutions.

Table des matières

Table des matières
Nomenclature
Chapitre 1 – Introduction
1.1 Contexte
1.1.1 Réchauffement climatique et législation
1.1.2 Cycles d’homologation
1.1.3 Tendances du marché de l’automobile
1.2 Electrification des véhicules
1.2.1 Systèmes véhicules hybrides
1.2.2 Systèmes de refroidissement
1.3 Processus de développement actuel
Chapitre 2 – Etat de l’art
2.1 Introduction
2.2 Développement de systèmes complexes
2.2.1 Approche ingénierie système
2.2.2 Approche MBSE
2.3 Introduction à la conception du système véhicule hybride
2.4 Introduction à la conception du sous système de refroidissement
2.5 Méthodes de génération d’architecture
2.5.1 Méthodes classiques
2.5.2 Méthodes assistées par ordinateur
2.6 Méthodes d’optimisation du dimensionnement
2.7 Méthodes d’optimisation du contrôle
2.8 Méthodes d’optimisation multicritère
2.9 Evaluation automatique d’architecture système
2.10 Modélisation et simulation énergétique pour système HEV et sous-système
de refroidissement
Conclusions sur l’état de l’art
Chapitre 3 – Génération et optimisation énergétique automatique
d’architectures de système HEV
3.1 Introduction
3.2 Représentation d’architecture organique de système HEV
3.3 Génération automatique d’architecture de système HEV
3.4 Analyse de la concurrence..
3.5 Modélisation énergétique d’architecture de système HEV
3.5.1 Modélisation véhicule et transmissions mécaniques
3.5.2 Modèles de moteur thermique
3.5.3 Modèles de machine électrique et électronique de puissance
3.5.4 Modèles de batterie
3.6 Evaluation et optimisation automatique d’architectures de système HEV
3.6.1 Détection de modes réalisables et filtre
3.6.2 Optimisation LGE (DP)
3.7 Exemple d’application
3.8 Conclusion
Chapitre 4 – Génération automatique d’architectures de sous-système de
refroidissement.
4.1 Introduction
4.2 Outil Studio (SIEMENS)
4.2.1 Présentation de l’outil Studio
4.2.2 Cas d’application sur véhicule conventionnel
4.3 Outil basé sur le concept d’arbre de décision
4.3.1 Représentation d’architecture de système de refroidissement
4.3.2 Génération automatique d’architectures de sous-système
refroidissement
4.3.3 Exemple d’application
4.4 Conclusion
Chapitre 5 – Optimisation énergétique d’architectures de sous-système
refroidissement
5.1 Introduction
5.2 Modélisation sous-système de refroidissement
5.2.1 Modélisation des composants primaires
5.2.2 Modélisation des composants secondaires.
5.2.3 Modélisation dans GT-SUITE
5.3 Optimisation hydraulique
5.3.1 Calcul hydraulique
5.3.2 Calcul des coefficients de pondération
5.3.3 Optimisation hydraulique
5.3.4 Etude de différents algorithmes d’optimisation
5.3.5 Permutation de composants sur branche hydraulique
5.3.6 Ordonnancement de branchement
5.3.7 Positionnement de vanne(s) hydraulique(s)
5.3.8 Corrélation résultats optimisation hydraulique et outil métier
(AMESim)
5.4 Optimisation 3D
5.5 Optimisation diamètres..
5.6 Optimisation multicritères
5.7 Exemples d’applications
5.7.1 Application méthode d’optimisation globale sur projet Renault
5.7.2 Etude d’influence de permutation composants
5.7.3 Etude d’influence de l’ordonnancement de branchement
5.7.4 Etude d’influence de l’architecture système HEV
5.7.5 Etude de sensibilité sur les exigences de refroidissement
5.8 Conclusion
Conclusion générale et perspectives
Annexe A Architectures parallèles « PX »
Annexe B Arbre de décision appliqué à la génération de numéros
téléphone
Annexe C Algorithme de détection de boucle hydraulique morte.
Annexe D Algorithme de positionnement de vanne(s) hydraulique(s)
Annexe E Méthode de prédiction d’échanges thermiques pour radiateur
Annexe F Méthode de prédiction de caractéristiques de pompe
hydraulique centrifuge
Annexe G Plans d’expériences 4 variables à 2 niveaux
Bibliographie