Agent IA pour la calibration des nouvelles fonctions de véhicule

Pour faire face à la complexité croissante des fonctions des véhicules modernes et améliorer l’efficacité du développement, Porsche Engineering utilise l’intelligence artificielle (IA) pour calibrer les unités de contrôle et les données d’entrée. « Avec le Porsche Engineering Reinforcement Learning—PERL en abrégé—nous transformons la calibration des fonctions de conduite en un processus de prise de décision intelligent », déclare Matteo Skull, ingénieur en chef chez Porsche Engineering.

Introduction à PERL : une révolution dans la calibration des véhicules

La mise en œuvre de nouvelles fonctions de véhicule nécessite un travail accru des ingénieurs en raison de l’augmentation des tests et des paramètres nécessaires pour la calibration. Pour gérer cette complexité tout en augmentant l’efficacité du développement, Porsche Engineering utilise l’intelligence artificielle (IA) pour calibrer les unités de contrôle et les données d’entrée. « Avec le Porsche Engineering Reinforcement Learning—PERL en abrégé—nous transformons la calibration des fonctions de conduite en un processus de prise de décision intelligent », explique Matteo Skull, ingénieur en chef chez Porsche Engineering.

Le principe de PERL

PERL repose sur l’apprentissage par renforcement profond, un processus d’IA auto-apprenant. Au lieu d’optimiser des paramètres individuels, l’IA développe une stratégie qui conduit au meilleur résultat possible pour une fonction entière. Les avantages incluent une grande efficacité de processus et une applicabilité universelle à de nombreux domaines du développement de véhicules. Depuis 2017, Porsche Engineering travaille sur PERL avec des experts en IA des sites de Cluj et Timisoara en Roumanie, développant continuellement la méthodologie.

Porsche Engineering a enregistré plus de 50 brevets pour PERL.

Applications pratiques de PERL

PERL a déjà été utilisé dans deux projets clients. Dans le premier, en collaboration avec le FZI Research Center for Information Technology à Karlsruhe et Porsche, PERL est utilisé pour coordonner la formation du mélange de carburant pour un nouveau moteur à essence pour véhicules hybrides. Dans le second projet, PERL est utilisé pour la calibration de l’amortissement des vibrations dans la chaîne cinématique d’un véhicule électrique Porsche.

Calibration des contrôleurs

L’utilisation de l’IA pour calibrer les contrôleurs pose un défi particulier. Thomas Rudolf, doctorant chez Porsche Engineering et le FZI, explique que la calibration des fonctions de contrôle est complexe car elle nécessite de contrôler précisément des processus très dynamiques. Par exemple, dans la formation du mélange pour un moteur, la quantité d’injection doit être ajustée correctement pour chaque combinaison de vitesse et de couple en utilisant des cartes de paramètres afin que la valeur lambda corresponde à la cible.

Le principal défi réside dans le temps mort résultant de la distance spatiale entre le moteur et le système de capteurs à l’extrémité du système d’échappement, couplé à la vitesse élevée à laquelle le système de contrôle doit fonctionner. Si le système réagit trop lentement, la fonction du système de contrôle des émissions sera altérée et les émissions augmenteront. Une régulation trop agressive peut entraîner des oscillations. Il est donc crucial de trouver un équilibre entre ces deux extrêmes.

“Les méthodes d’apprentissage modernes peuvent accélérer considérablement la calibration extensive, coûteuse et parfois manuelle et la rendre plus efficace.”
Prof. Dr.-Ing. Sören Hohmann, Head of the Institute for Control Systems at KIT and Director at the FZI

Avantages de PERL

PERL permet d’aligner une large gamme de paramètres de contrôle pour une opération moteur hautement dynamique de manière à obtenir le mélange optimal. Cela rend PERL indispensable, surtout pour les futures normes d’émissions plus strictes nécessitant un contrôle lambda encore plus précis dans toutes les zones de fonctionnement. Selon Dr. Galabina Aleksieva-Rausch, responsable des processus, de la qualité et du développement des méthodes chez Porsche, une étude a montré que la calibration utilisant l’approche IA était presque aussi bonne que celle de la calibration en série, même sans ajustement fin.

La maturité des données de calibration générées par l’IA dépend fortement de la tâche en question, mais se situe généralement entre 80 et 90 %. La validation et l’ajustement fin sont ensuite effectués par des tests sur banc et des essais routiers, qui doivent rester une partie intégrante de la calibration à l’avenir en raison des exigences de contrôle et d’assurance qualité. PERL soutient également l’applicateur dans ces tâches en utilisant les données obtenues pour proposer des suggestions d’optimisation supplémentaires.

Cas d’application : Amortissement des vibrations

Le deuxième cas d’application de PERL concerne l’amortissement des vibrations dans la chaîne cinématique d’un véhicule électrique. Les ingénieurs tentent d’atténuer une vibration perturbatrice dans la chaîne cinématique en appliquant une contre-mesure spécifique, similaire au principe de l’annulation de bruit utilisé dans les écouteurs. Cette calibration concerne principalement les excitations dans la plage de 1 à 15 hertz, souvent perçues comme des vibrations par les occupants du véhicule et pouvant même endommager la chaîne cinématique.

Trouver l’équilibre optimal

Les applicateurs doivent trouver un équilibre optimal entre confort et sportivité lors de la conception de l’amortissement des vibrations. Pour obtenir le meilleur résultat possible, trois cartes par essieu entraîné électriquement sont simultanément alimentées en données pour atteindre l’amortissement des vibrations. En raison de la complexité élevée, une entrée initiale robuste des données dans les unités de contrôle nécessite beaucoup d’efforts si elle est effectuée manuellement. PERL vise à raccourcir cette période en fournissant des données précalculées dès le début.

Formation de la politique PERL

Pour utiliser PERL, les équipes de développement ont d’abord utilisé des données de banc d’essai pour compiler un modèle de la physique du châssis des profils de vibration réels, élargi ensuite à l’aide de réseaux neuronaux. Le modèle matériel simule la physique tandis que le réseau neuronal artificiel comble l’écart de précision entre le monde réel et la simulation. L’agent IA a été formé sur le modèle hybride en utilisant un grand ensemble de données et des cartes initialisées aléatoirement, garantissant une bonne généralisation de la stratégie.

Après une formation intensive, il a fallu seulement quelques secondes pour que l’agent complète l’adaptation de la calibration spécifique au véhicule. De plus, il a été possible de transférer la stratégie IA du véhicule original à d’autres dérivés sans modification et parfois sans mesures spécifiques au véhicule. Les attentes associées à l’utilisation de PERL ont ainsi été largement dépassées.

“PERL a prouvé que l’approche est universellement applicable à tous les types d’entrée de données et que l’IA peut réduire considérablement le travail et le temps nécessaires à la calibration.”
Dr. Matthias Bach, Senior Manager Battery Calibration and Diagnostics at Porsche Engineering

Conclusion

Après l’achèvement réussi des deux projets clients, l’évaluation a été entièrement positive. PERL a prouvé que l’approche est universellement applicable à tous les types d’entrée de données et que l’IA peut réduire considérablement le travail et le temps nécessaires à la calibration. Cela contribue à un objectif stratégique de Porsche Engineering : garantir un délai de livraison court de solutions de haute qualité pour des tâches complexes, au bénéfice de leurs clients. Une expansion de l’utilisation de PERL chez Porsche est déjà en cours de planification.

Crédits

Sources utilisées :

• Porsche Engineering Magazine
• FZI Research Center for Information Technology
• Karlsruhe Institute of Technology (KIT)