ETUDE DE STRATEGIES DE COMMANDE POUR VEHICULES HYBRIDE

ETUDE DE STRATEGIES DE COMMANDE
POUR VEHICULES HYBRIDE

Modélisation du moteur diesel 2018

Introduction Ce travail porte essentiellement sur la modélisation du moteur diesel conçu pour les véhicules hybrides séries-parallèles (HEV), ce type d’hybridation est intéressant au niveau des objectifs mais complexe au niveau de l’optimisation des performances. Pour cela on impose une rigueur des plus sévères quant à l’approximation du modèle. Notre choix s’est porté sur un modèle neuronal pouvant réaliser un traitement réparti entre éléments et composants du modèle physique. Une étude comparative est effectuée sur plusieurs cycles avec et sans bruit blanc, mettant en examen la robustesse et la bonne conduite de ce modèle. L’utilisation du simulateur «HEVMBFS» et le modèle neuronal ont permis de dégager des résultats assez encourageants.

Le modèle physique

Pour cette étude nous allons considérer l’un des types d’injection existante à savoir le système d’injection haute pression à rampe commune. Ce dernier consiste à alimenter, à l’aide d’une pompe haute pression pilotée électroniquement par une rampe commune en anglais « Common Rail » (Han et al., 2014), qui assure la fonction d’accumulateur du carburant. Cette rampe est connectée à des injecteurs qui assurent une pulvérisation très fine directement dans la chambre de combustion grâce à une pression comprise entre 1350 et 2000 bars. Cette pulvérisation très fine permet d’améliorer la combustion (Lafifi et al., 2006). Voir le schéma représenté dans la figure 2.1.  Le système est mis sous forme de représentation d’espace d’état dont les variables sont décrites dans le tableau 2.1: Tableau 2.1. Grandeurs de la représentation de l’espace d’état. Variable Symbol Désignation u1 Xegr Taux de recirculation du gaz d’échappement u2 mf Débit d’injection u3 xvgt Variation de la géométrie de la turbine u4 Mload Moment de charge X1 n Vitesse du vilebrequin X2 Pman Pression du collecteur d’admission X3 mff Débit du film d’injection X4 Pc Puissance du compresseur X5 Pex Pression du collecteur d’échappement X6 Tman Température du collecteur d’admission X7 Texo Température du collecteur d’échappement Figure 2.1: Schéma simplifié du moteur diesel. Chapitre 2 : Modélisation du moteur diesel 2018 25 Le modèle physique représentant le moteur diesel se compose des dynamiques suivantes: -Dynamique de l’air d’admission représentée par les équations: (3), (5), (7). -Dynamique de la combustion donnée par les équations (2), (4). -Dynamique de l’échappement donnée par les équations (6), (8). Le modèle est obtenu par les méthodes expérimentales basées sur les relations thermodynamiques et les relations mécaniques, il en résulte un modèle fortement non linéaire ce qui rend son utilisation pour la commande du système très difficile à mettre en œuvre. La modélisation des systèmes non linéaires par réseaux de neurones a fait l’objet de nombreux travaux de recherche depuis une dizaine d’années à cause de la capacité d’apprentissage, d’approximation et de généralisation que possèdent ces réseaux (Chen and Billings, 1992; Narendra, 1998). En effet, cette nouvelle approche fournit une solution efficace à travers laquelle de larges classes des systèmes non linéaires peuvent être modélisés sans une description mathématique précise. Il existe plusieurs méthodes d’identification des systèmes non linéaire, dans cette partie nous avons porté une attention particulière à la modélisation du moteur diesel par le modèle neuronal.

Le modèle neuronal

Les modèles neuronaux les plus utilisés, les perceptrons multicouches en anglais « Multilayer Feed Forward Network, ou multilayer Perceptron=MLP », sont présentés dans le cadre de l’identification des systèmes non linéaire. (Norgaard et al., 2000; Pawlus et al., 2012). Le choix s’est porté sur la régression du modèle NARX « Nonlinear Autoregressive Neural Network With External Input » est composée des sorties et des entrées passées (Sjöberg et al., 1995), voir l’équation  Afin de modéliser le moteur à combustion on doit d’abord l’isoler du simulateur HEVMBFS, puis injecter un signal avec différentes amplitudes et différentes variation. Dans le but d’obtenir des donnés riches en information pour l’estimation des paramètres du modèle du moteur diesel, voir figure 2.2. Après simulation selon le schéma de la figure 2.2 nous obtenons les gradeurs d’entrée et de sortie représentées sur la figure 2.3. (9) Figure 2.2: Schéma de simulation de l’estimation des paramètres du modèle du moteur diesel.  Nous avons choisi un échantillon de données qui sera utilisé dans la phase d’apprentissage, et un autre pour le test du modèle neuronal. L’algorithme de Levenberg-Marquardt est utilisé pour la phase d’apprentissage des paramètres du réseau neuronal. Le modèle NARX est construit à partir d’une couche à quatre entrées, d’une couche cachée de quatre neurones et d’une couche de sortie d’un neurone, voir figure 2.4. Figure 2.4: Le modèle neuronal NARX. Figure 2.3: Signal d’entrée-sortie du moteur à combustion. Sortie EntréeL’implémentation du modèle NARX sur Matlab/Simulink nous a permi l’obtention des résultats suivant : – Le rendement d’apprentissage du modèle neuronal est représenté dans la figure 2.5. – La régression est montrée dans la figure 2.6. A travers la figure 2.5 on peut voir trois courbes, la courbe bleue représente l’erreur de l’apprentissage, la courbe verte représente l’erreur de la validation, et la courbe rouge représente l’erreur du test. Au début de l’apprentissage, les erreurs sont généralement élevées; grâce à l’apprentissage, ces trois erreurs décroissent et deviennent négligeable. Quant à la régression d’apprentissage du réseau neuronal celle-ci est présenté dans la figure 2.6. Figure 2.5: Rendement d’apprentissage du réseau neuronal. Les trois graphes de la figure 2.6 représentent les données d’apprentissage, de validation et du test. La valeur R est une indication de la relation entre les sorties et les références. Les données d’apprentissage indiquent un bon ajustement. Les résultats de validation et du test montrent également des valeurs R = 1, cela indique qu’il existe une relation linéaire exacte entre les sorties et les références. Figure 2.6: Régression d’apprentissage du réseau neuronal. Chapitre 2 : Modélisation du moteur diesel 2018 31 2.4 Résultats de la simulation Après l’implémentation et la validation du modèle NARX, nous allons pouvoir tester ce dernier dans le simulateur HEVMBFS, cette architecture est montrée dans la figure 2.7. L’entrée du moteur à combustion , est reliée à plusieurs unités de retard (Memory), afin de générer les entrées et du réseau neuronal. La sortie du moteur à combustion , est reliée à travers les Figure 2.7: Le modèle neuronal connecté au moteur à combustion dans un schéma de simulation du véhicule hybride unités de retard à la troisième entrée du réseau neuronal et à la quatrième entrée du réseau neuronal . La sortie du réseau neuronal est un modèle de régime du moteur à combustion, ce dernier sera comparé avec le régime du moteur à combustion réel. Un filtre passe-bas « Low-Pass Filter » appelé ‘B’, peut être manuellement sélectionné à travers l’interrupteur ‘A’ pour réduire l’effet de la perturbation sur le système. Ceci est utilisé pour tester la robustesse du modèle neuronal. Il est à souligné et après un certain nombre de simulation que des modifications ont été apportées au niveau du régulateur de vitesse PI par l’introduction d’une contrainte sur la commande « Le contour en vert (C) », afin de faire disparaitre les pics d’accélérations qui peuvent être très néfaste pour la bonne conduite du moteur, voir figure 2.8. Les figures 2.9 et 2.10 indiquent clairement l’allure des courbes de l’accélération avant et après modification de la valeur du limiteuR.