Les ingénieurs qui développent des véhicules électriques (VE), notamment les véhicules électriques hybrides (VEH), les véhicules électriques hybrides rechargeables (VEHR) et les véhicules électriques à batterie (VEB), ont recours à l'IA pour élaborer des modèles permettant d'estimer les valeurs que les capteurs ne peuvent pas mesurer directement, d'optimiser les stratégies de contrôle et d'accélérer les simulations. Ces techniques s'intègrent directement dans les workflows de l'approche Model-Based Design, venant ainsi compléter les modèles physiques, les algorithmes de contrôle et les processus de vérification que les équipes utilisent déjà.
Les équipes peuvent entraîner ces modèles d'IA directement dans MATLAB® et Simulink®, ou importer des modèles entraînés dans des frameworks open source tels que PyTorch, puis les soumettre à des simulations et à des vérifications avant leur déploiement.
Cette évolution est déjà en cours dans les programmes de production automobile. Hyundai, Cummins, Subaru, Schaeffler, Yanmar, Mercedes-Benz ainsi que d'autres constructeurs automobiles ont intégré l'IA dans leurs workflows de développement de VE. Les études de cas présentées dans ce livre blanc, qui s'appuient sur les projets menés par les équipes d'ingénierie de ces entreprises, montrent que l'ingénierie automobile fondée sur l'IA n'est pas seulement une promesse d'avenir : elle est déjà mise en œuvre. Les entreprises qui s'appuieraient exclusivement sur des méthodes traditionnelles pourraient avoir du mal à suivre le rythme des cycles de développement de plus en plus courts.
Approches fondées sur l'IA pour la modélisation des systèmes physiques, le design de systèmes de contrôle, le déploiement et la vérification dans le cadre de l'approche Model-Based Design.
L'IA s'intègre à différentes étapes des workflows de développement de VE :
- Modélisation de systèmes physiques : L'identification des systèmes permet de créer des modèles dynamiques directement à partir de données mesurées, tandis que la modélisation d'ordre réduit (ROM) remplace les modèles de composants, particulièrement gourmands en calculs (notamment les cosimulations lentes réalisées avec des outils tiers) par des modèles de substitution rapides et précis. Ensemble, ces approches permettent des simulations efficaces et une exécution temps réel pour le développement de systèmes de contrôle, l'optimisation, les études de compromis et les tests HIL (Hardware-in-the-Loop).
- Design de systèmes de contrôle : Des capteurs virtuels estiment les grandeurs dont dépend le contrôleur à partir des signaux déjà disponibles sur le bus du véhicule. Le Reinforcement Learning, le contrôle prédictif par modèle et d'autres méthodes de contrôle avancées permettent d'optimiser les stratégies de contrôle et les calibrages.
- Déploiement et vérification : Pour déployer des modèles d'IA sur les ECU automobiles et vérifier leur comportement dans des systèmes critiques, il faut un workflow qui va au-delà de l’apprentissage : compression, génération de code, tests de robustesse et surveillance de l'exécution.
Une fois qu'un véhicule est mis en service, un système de détection des anomalies fondé sur l'IA identifie la dégradation hardware et la détérioration de la batterie avant que des défaillances ne surviennent. Les données d'exploitation permettent de détecter les pannes à un stade précoce et d'estimer la durée de vie utile restante.
Les sections suivantes montrent comment les techniques d'IA permettent de relever ces défis techniques tout au long du workflow de développement des VE.
Applications d'IA pour relever les défis techniques tout au long du workflow de développement des VE.
L'IA générative et l'IA agentique commencent aussi à avoir un impact sur les workflows d'ingénierie, qu'il s'agisse de générer rapidement des artefacts ou d'exécuter des tâches en fonction d'objectifs définis par les ingénieurs. Ce livre blanc n'aborde pas ces cas d'utilisation. Il se concentre plutôt sur l'utilisation de modèles d'IA que les ingénieurs développent et vérifient dans le cadre de l'approche Model-Based Design, puis déploient sur du hardware de production.
Découvrez les capacités de l'IA générative et agentique dans MATLAB et Simulink.
Les modèles physiques haute-fidélité développés pour le design de composants, y compris ceux issus d'outils tiers, sont souvent utilisés dans le cadre d'une cosimulation avec Simulink, car ils fournissent des informations détaillées sur le comportement des composants. Ces informations sont indispensables pour évaluer les contrôles, les choix d'architecture et les interactions au niveau système. Ces modèles de composants peuvent s'avérer trop gourmands en calcul pour les itérations rapides requises dans le cadre des simulations au niveau système et du design des systèmes de contrôle, et ne pas être adaptés au temps réel pour les essais HIL ou les estimations en ligne. Ces modèles remplissent bien leur fonction initiale de design, mais ils ne s'adaptent pas au workflow d'ingénierie dans son ensemble.
La modélisation des systèmes physiques fondée sur l'IA relève ce défi grâce à deux approches complémentaires : l'identification des systèmes et la modélisation d'ordre réduit. L'identification des systèmes utilise des données mesurées en laboratoire, sur banc d'essai ou sur le terrain pour constituer des modèles dynamiques, lorsque le composant physique est disponible, mais qu'il n'existe aucun modèle de simulation adapté. Par exemple, une équipe d'ingénierie peut recevoir un composant d'un fournisseur et devoir créer un modèle pour une simulation au niveau système ou pour le design d'un système de contrôle. La modélisation d'ordre réduit utilise les données d'un modèle haute-fidélité pour entraîner un modèle de substitution plus rapide qui conserve le comportement d'entrée-sortie requis par le système global.
MATLAB et Simulink supportent ces deux types de workflows. Les ingénieurs peuvent recourir à des techniques d'identification de systèmes, notamment les modèles ARX non linéaires ou les modèles de représentation d'état, pour créer des modèles dynamiques fondés sur l'IA à partir de données mesurées. Ils peuvent également avoir recours à des plans d'expériences sur des modèles haute-fidélité pour générer des données d’apprentissage pour des modèles d'ordre réduit, notamment des lookup tables ou des modèles de substitution fondés sur l'IA et développés en utilisant des techniques de Deep Learning ou de Machine Learning.
Approches fondées sur l'IA et non fondées sur l'IA pour la création de ROM dans MATLAB et Simulink.
Le Hyundai America Technical Center (HATCI) avait besoin d'un environnement de simulation pour développer le système de contrôle thermique de l'Ioniq 5 AWD. Ce dernier devait pouvoir fonctionner plus rapidement qu'en temps réel grâce à un solveur à pas de temps fixe. Le modèle de référence GT-SUITE existant était trop lent pour le design itératif de systèmes de contrôle et ne pouvait pas être déployé dans d'autres environnements de simulation.
L'équipe a reconstitué l'ensemble du véhicule dans MATLAB et Simulink : un modèle de groupe motopropulseur fondé sur des cartes dans Simulink, ainsi qu'un système thermique complet dans Simscape®, couvrant les circuits de refroidissement de l'électronique de puissance et de la batterie, ainsi que le circuit frigorifique. Elle a validé le modèle sur un banc d'essai par rapport à des cycles standard et à des données de conduite sur route provenant d'une Ioniq 5 équipée d'instruments de mesure, confirmant ainsi que la consommation d'énergie s'écartait de moins de 1,3 % des valeurs mesurées.
Les transitoires liés à la mise en marche du compresseur et la dynamique du détendeur thermostatique dans le circuit de refroidissement ont provoqué un comportement numérique trop rigide, ce qui a entraîné l'échec de la simulation lors de l'utilisation d'un solveur à pas de temps fixe. Pour résoudre ce problème, l'équipe a remplacé l'intégralité du circuit frigorifique par un modèle de représentation d'état neuronal entraîné dans l'application Reduced Order Modeler. Le ROM utilise les températures du système, les positions du détendeur thermostatique et les vitesses des pompes comme données d'entrée, et prédit la température du réfrigérant au niveau du condenseur à eau, point d'interaction entre le circuit frigorifique et le reste du système de refroidissement. Les données d’apprentissage ont été recueillies lors de 35 essais routiers réalisés à des températures ambiantes comprises entre -20 et 35 °C, et l’apprentissage a été effectué en moins d'une heure.
Architecture du modèle thermique illustrant les circuits de refroidissement de l'électronique de puissance et de la batterie, conservées dans Simscape. Le circuit frigorifique a été remplacé par une ROM pilotée par des données qui indiquent la température du condenseur à eau. (Crédit image : Hyundai America Technical Center, Inc.)
Une fois la ROM installée, le modèle Ioniq 5 peut s'exécuter jusqu'à cinq fois plus vite qu'en temps réel grâce à un solveur à pas de temps fixe de 0,1 seconde. La validation par rapport aux données d'essai, tant en mode climatisation (30 °C) qu'en mode chauffage (-5 °C), a confirmé la précision sur toute la plage de fonctionnement.
Comparaison des températures simulées et mesurées pour les principaux composants thermiques (moteur, batterie, circuits d'huile, de liquide de refroidissement de l'électronique de puissance et du réfrigérant) en mode climatisation, à une température ambiante de 30 °C. (Crédit image : Hyundai America Technical Center, Inc.)
Cummins devait prédire 26 paramètres de réponse moteurs, tels que le débit, la température, la pression, les couples ou les émissions de NOx, lors de la simulation des cycles moteurs. Les simulations « 3D-to-1D » existantes, réalisées avec des outils tiers, s'exécutaient à une vitesse plus de 20 fois supérieure au temps réel, ce qui était trop lent pour permettre un développement et un calibrage itératifs.
L'équipe Cummins India a évalué deux approches en utilisant Deep Learning Toolbox™. Un réseau de neurones standard à propagation avant (six couches cachées de cinq neurones chacune) fonctionnait 1 500 fois plus vite que le temps réel, mais les prédictions de température qu'il produisait étaient d'une précision inacceptable, avec des valeurs R² pouvant descendre jusqu'à 0,85. Une architecture améliorée de type LSTM (Long Short-Term Memory), dotée de couches de dropout, a atteint des valeurs de R² supérieures à 0,95 pour l'ensemble des 26 réponses, tout en fonctionnant 800 fois plus vite que le temps réel.
« L'utilisation de MATLAB présente de nombreux avantages, notamment le fait qu'elle ne requiert aucune ou très peu d'expérience en programmation, ce qui permet même à un utilisateur débutant de développer ces modèles. »
Diagramme à barres comparant les valeurs de R² pour six paramètres de réponse moteur (débit d'échappement, vitesse du turbo, température d'échappement, pression maximale dans les cylindres, couple de freinage et NOx à la sortie du moteur) pour le modèle LSTM. Toutes ces valeurs sont supérieures à 0,95. (Crédit image : Cummins)
Les modèles entraînés supportent des applications couvrant l'ensemble du workflow de développement des moteurs : modélisation des émissions en conditions réelles de conduite, détection des cliquetis de combustion, transition entre les modes de combustion dans les moteurs multimodes et calibrage des moteurs. Cummins a utilisé Statistics and Machine Learning Toolbox™ ainsi que Deep Learning Toolbox, tandis que Parallel Computing Toolbox™ et MATLAB Parallel Server™ ont permis d'accélérer le processus d’apprentissage.
Subaru a utilisé Deep Learning Toolbox pour développer un modèle de substitution à équations différentielles ordinaires (ODE) neuronales qui reproduit les formes d'onde de pression hydraulique afin d'analyser le contrôle de boîtes de vitesses automatiques. Ce modèle de substitution utilise comme données d'entrée la pression à la source, la température d'huile et le courant, et remplace une simulation physique 1D tierce, très gourmande en calcul.
Le modèle à ODE neuronales a permis de réduire le temps de calcul de 99 %, tout en conservant la précision des formes d'onde, y compris dans des plages de température d'huile pour lesquelles le modèle n'avait pas été entraîné. Il a ainsi démontré ses capacités de généralisation au-delà des données d’apprentissage initiales.
Principaux points à retenir
- Remplacer les modèles physiques haute-fidélité, mais lents, par des modèles de substitution rapides, élaborés à partir de lookup tables basées sur des plans d'expériences ou avec des architectures d'IA telles que les LSTM ou les représentations d'états neuronaux. Lorsqu'il n'existe aucun modèle de composant, déterminer un modèle dynamique directement à partir des données mesurées.
- Intégrer ces modèles de substitution dans Simscape et Simulink pour réaliser des simulations au niveau système et des tests HIL temps réel, puis les partager entre les différentes équipes sans dévoiler la propriété intellectuelle contenue dans le modèle d'origine.
Les capteurs physiques ne peuvent pas toujours être installés là où les mesures seraient les plus précises. Les points chauds des enroulements des moteurs électriques se trouvent au cœur d'empilements de feuilles laminées. Il est impossible de mesurer la température des cellule individuelles d'un grand bloc-batterie à chaque emplacement. La composition des gaz d'échappement varie tout au long du système de post-traitement. Les capteurs virtuels fondés sur l'IA utilisent des modèles entraînés pour estimer ces grandeurs à partir des signaux déjà disponibles sur le bus du véhicule (régime moteur, commandes de couple, températures du liquide de refroidissement, conditions ambiantes), complétant ainsi l'instrumentation physique par des mesures calculées qui améliorent l'observabilité et la redondance sans nécessiter de hardware supplémentaire.
L'espace de design des capteurs virtuels fondés sur l'IA comprend des modèles de Machine Learning légers, tels que les arbres de décision et les machines à vecteurs de support, ainsi que des architectures de Deep Learning, tels que les LSTM et les réseaux entièrement connectés, sans oublier les réseaux de neurones informés par la physique (PINN) qui intègrent des connaissances métier. Des capteurs virtuels peuvent également être développés en utilisant des méthodes éprouvées fondées sur des observateurs, telles que les filtres de Kalman, les observateurs en mode glissant ou les observateurs d'états étendus. Dans la pratique, les capteurs virtuels fondés sur l'IA devraient être évalués par rapport à ces approches conventionnelles, car le choix optimal peut varier en fonction de la plage de fonctionnement. Des designs hybrides sont également possibles : par exemple, un modèle d'IA, tel qu'un modèle de représentation d'état neuronal, peut servir de modèle de prédiction au sein d'un filtre de Kalman sans parfum.
Les modèles fondés sur la physique contraignent l'IA à se comporter conformément aux équations régissant le phénomène, ce qui améliore la robustesse et l'interprétabilité, mais requiert un travail préalable pour définir les principes physiques en jeu. Les modèles purement fondés sur les données nécessitent moins de paramétrage spécifique au domaine, mais fournissent moins d'informations sur les raisons d'une prédiction et sont moins robustes face à des conditions de fonctionnement valides qui n'apparaissent pas dans les données d’apprentissage.
Schaeffler a développé un capteur virtuel pour un prototype de moteur électrique doté d'un nouveau système de refroidissement direct du bobinage. Pour éviter la démagnétisation des aimants permanents, il est essentiel de disposer de données précises sur la température en plusieurs points internes. Plutôt que d'équiper chaque point chaud thermique d'un capteur physique, l'équipe a mis au point un réseau de neurones thermique (TNN), une approche d'IA fondée sur la physique et utilisant des réseaux thermiques à paramètres concentrés.
Le TNN repose sur un principe d'ingénierie fondamental : la température à chaque nœud varie en fonction des pertes d'énergie locales (chaleur générée) et les flux thermiques sont proportionnels à la différence de température entre les nœuds. Les réseaux de neurones estiment les pertes de puissance et la conductance thermique à chaque pas de temps. Ces estimations sont intégrées à l'équation de mise à jour fondée sur la physique qui fait évoluer l'état thermique. Il en résulte un modèle hybride : les réseaux de neurones estiment les paramètres non linéaires, tandis que l'équation de mise à jour garantit un comportement cohérent sur le plan thermodynamique.
Moteur électrique Schaeffler DISC-O avec, à gauche, des exemples de points de mesure où des capteurs de température PT100 ont été intégrés au prototype afin de collecter des données d’apprentissage, et, à droite, un exemple d'équation de mise à jour utilisant les pertes de puissance estimées, P, et la conductance, C, calculées par des réseaux de neurones, pour mettre à jour l'état de température fondé sur la physique. (Crédit image : Schaeffler)
Schaeffler a entraîné le TNN à partir de 300 heures de données de cycles de conduite enregistrées par 12 capteurs de température installés sur le prototype, en utilisant Deep Learning Toolbox avec une définition de réseau personnalisée. L'apprentissage a duré environ une heure et demie. Le modèle entraîné permet de prédire les températures pour l'ensemble des 12 emplacements de capteurs avec une précision largement supérieure aux exigences de ± 5 °C. Le TNN a obtenu de meilleurs résultats que les approches fondée uniquement sur LSTM et le perceptron multicouche sur le même ensemble de données.
Au-delà de la précision, le TNN offre trois avantages concrets pour un déploiement en production :
- Explicabilité : les ingénieurs peuvent analyser les pertes de puissance et la conductance acquises au fil du temps, afin de vérifier que les schémas de flux thermique et les sources de production correspondent à l'intuition physique.
- Initialisation robuste : même lorsqu'il est initialisé avec un écart de 20 °C par rapport à la température réelle, le modèle se stabilise en environ 300 secondes, ce qui est essentiel lors du démarrage d'un véhicule, dont les conditions de départ sont inconnues.
- Taux d'inférence variable : un modèle entraîné avec un échantillonnage d'une seconde fonctionne avec précision à des intervalles de 5 ou 10 secondes, ce qui permet de s'adapter aux différentes contraintes de planification des ECU sans nécessiter de nouvel apprentissage.
Résultats relatifs à la température illustrant la robustesse du TNN face aux erreurs d'initialisation (à gauche) et aux variations des temps d'échantillonnage (à droite). (Crédit image : Schaeffler)
Renault a développé un capteur virtuel fondé sur l'architecture LSTM afin d'estimer les émissions de NOx à la sortie d'un moteur dans diverses conditions de fonctionnement, notamment les cycles de conduite WLTC, NEDC ou RDE. Les approches existantes fondées sur des lookup tables n'atteignaient qu'une précision de 60 à 70 %. Un modèle de combustion fondé sur la physique aurait permis d'améliorer la précision, mais il était trop complexe pour être exécuté en temps réel par l'ECU.
L'architecture finale (composée d'une couche LSTM, de trois couches ReLU, de trois couches entièrement connectées et d'une sortie de régression) prend en entrée le couple moteur, la vitesse, la température du liquide de refroidissement et le rapport de boîte de vitesse. L'équipe a procédé à des itérations pour trouver un équilibre entre la profondeur du réseau et les contraintes de mémoire de l'ECU grâce à Deep Learning Toolbox, aboutissant à un design capable de prédire les valeurs de NOx avec une précision comprise entre 85 et 90 %.
Renault a généré du code C à partir du réseau entraîné, dans le cadre d'une démonstration de faisabilité visant le déploiement sur des calculateurs embarqués, grâce à MATLAB Coder™ et Simulink Coder™.
« Le LSTM a été beaucoup plus facile à créer qu'un modèle de combustion. Bien que nous ne soyons pas des spécialistes du Deep Learning, en utilisant MATLAB et Deep Learning Toolbox, nous avons pu créer et entraîner un réseau qui prédit les émissions de NOx avec une précision proche de 90 %. »
Principaux points à retenir
- Estimer les grandeurs que vous ne pouvez pas mesurer directement à partir des signaux déjà présents sur le bus du véhicule. Pour ce faire, opter pour des réseaux fondés sur la physique lorsque celle-ci est bien comprise, ou pour des architectures fondées sur des données lorsque ce n'est pas le cas. Comparer ensuite ces deux approches à des méthodes basées sur des observateurs, telles que les filtres de Kalman, ainsi qu'à des approches hybrides.
- Vérifier la cohérence du capteur virtuel par rapport aux mesures physiques sur l'ensemble de la plage de fonctionnement avant de le déployer.
Le contrôle prédictif (MPC) et d'autres méthodes de régulation avancées peuvent apporter une réponse aux problèmes de régulation des VE lorsque les contraintes et les conditions de fonctionnement varient considérablement et que ces contraintes jouent un rôle déterminant. Le MPC est particulièrement adapté au contrôle MIMO (multi-entrées, multi-sorties) avec contraintes, notamment pour le contrôle thermique des batteries, la coordination entre la pompe à chaleur et le circuit de refroidissement, le freinage régénératif, la combinaison des couples et la gestion globale de l'énergie. Dans les workflows fondés sur l'IA, un modèle de prédiction entraîné peut être utilisé au sein d'un contrôleur MPC. D'autres méthodes fondées sur l'apprentissage et adaptatives peuvent être implémentées dans MATLAB et Simulink et sont particulièrement adaptées pour accompagner des workflows de développement spécifiques aux VE.
| Réglage de retour de référence virtuelle (VRFT) | Contrôle adaptatif à modèle de référence (MRAC) | Commande par rejet actif de perturbations (ADRC) | Contrôle par apprentissage itératif (ILC) | |
|---|---|---|---|---|
| Définition | Réglage direct de contrôleurs PI ou PID à paramètres fixes à partir de données d'entrée-sortie | Adaptation en ligne pour s'ajuster à la réponse souhaitée à mesure que le comportement du système physique évolue | Estimations de contrôle et capacité à s'adapter à des variations de charge inconnues | Apprentissage à partir d'essais répétés pour améliorer les performances de pistage |
| Avantage | Recalibrer rapidement à partir des données mesurées au lieu de reconstruire un modèle du système physique | Maintenir les performances de contrôle dans des conditions d'exploitation variables | Améliorer la robustesse lorsque les perturbations sont difficiles à prédire | Améliorer la précision du contrôle lors de tests répétés ou selon différents profils de fonctionnement |
| Cas d'utilisation |
|
|
|
|
La suite de cette section est consacrée au Reinforcement Learning (RL). Le RL est particulièrement utile lorsque les problèmes de contrôle impliquent un grand nombre de paramètres couplés, ce qui rend impossible la définition manuelle d'une stratégie optimale. La gestion de l'énergie dans les groupes motopropulseurs hybrides et électriques à batterie doit assurer un équilibre entre l'état de charge de la batterie, la consommation d'énergie et la maniabilité, et ce, dans des conditions de conduite imprévisibles. Le calibrage du système de post-traitement des émissions nécessite de régler au moins 20 cartes de dosage interdépendantes afin de minimiser simultanément les émissions de NOx, les fuites d'ammoniac et le coût des réactifs. Il s'agit de problèmes d'optimisation à objectifs multiples, pour lesquels les interactions entre les paramètres rendent difficile l'élaboration de stratégies de contrôle efficaces ou de calibrages optimaux par des méthodes manuelles.
Le RL entraîne un agent de contrôle en lui permettant d'interagir avec un environnement de simulation, de recevoir des récompenses pour les comportements souhaités et d'améliorer sa stratégie de manière itérative. Lorsque cet environnement est un modèle de système physique Simulink, les ingénieurs peuvent entraîner des agents RL sur la dynamique validée du système, sans risque pour le hardware. Ils peuvent ensuite évaluer la stratégie apprise dans le cadre d'une simulation desktop et de tests Software-in-the-Loop avant de la déployer sur un contrôleur cible. Reinforcement Learning Toolbox™ propose des algorithmes fondés sur la valeur, tels que le DQN (deep Q-network), des méthodes fondées sur les politiques, telles que PPO (Proximal Policy Optimization), ainsi que des algorithmes de type « acteur-critique », tels que DDPG (Deep Deterministic Policy Gradient) ou SAC (Soft Actor-Critic). Elle offre également une intégration directe dans Simulink pour l’apprentissage sur des systèmes physiques.
Comme les agents RL s'entraînent sur un modèle du système physique plutôt que sur le système physique lui-même, la stratégie ainsi apprise doit être robuste par rapport aux différences entre les dynamiques simulées et celles du monde réel. Des techniques telles que la randomisation de domaine, qui consiste à faire varier les paramètres du système physique au fil des épisodes d’apprentissage, permettent d'élaborer des politiques capables de s'adapter à l'incertitude inhérente à la modélisation et à la variabilité du monde réel. Une fois validées, les politiques entraînées peuvent être déployées sous forme de code C/C++ généré sur des cibles embarquées avec Embedded Coder®.
Yanmar America devait se conformer aux normes d'émissions CARB Tier 5, qui imposent une réduction de 90 % des émissions de NOx par rapport aux normes précédentes. Le calibrage du système de post-traitement par SCR (Selective Catalytic Reduction) fait intervenir plus de 20 cartes interdépendantes, chacune d'entre elles influençant le rendement de conversion du NOx, les fuites d'ammoniac et la consommation de réactif. Le calibrage manuel de ce système a nécessité plus de 240 heures de travail d'ingénierie, sans qu'il existe de méthode systématique permettant de déterminer si le résultat était optimal.
En coopération avec MathWorks Consulting Services, Yanmar a entraîné un agent DQN (deep Q-network) à partir d'un modèle Simulink couplé à un software tiers de simulation de catalyseurs. L'agent a appris à optimiser les profils de dosage d'urée sur l'ensemble de la plage de fonctionnement, en maximisant une fonction de récompense qui pénalisait les émissions de NOx et les fuites d'ammoniac, tout en minimisant la consommation de réactifs. Chaque séance d'apprentissage durait environ 30 minutes.
Capture d'écran de l'oscilloscope Simulink illustrant le niveau d'émissions de NOx lors d'une simulation utilisant les valeurs par défaut du système Yanmar (ligne jaune) par rapport au modèle de Reinforcement Learning profond développé dans le cadre de ce projet (ligne bleue). (Crédit image : Yanmar America)
L'agent RL a permis de réduire de 60 % la concentration en NOx par rapport à la base de référence du calibrage. Il a également mis en évidence des stratégies de dosage que l'équipe d'ingénierie n'avait pas identifiées avec des méthodes traditionnelles. La durée totale du calibrage a été réduite de moitié, le nombre total d'heures consacrées au projet a diminué de 30 % et les coûts ont été inférieurs de 41 % par rapport au processus de calibrage manuel. Le projet a été réalisé en six mois.
« Une fois la simulation terminée, au bout d'environ 30 minutes, l'agent a fourni un profil de dosage optimal, ce qui a permis d'améliorer de 60 % la réduction des émissions de NOx. »
Vitesco Technologies (qui fait désormais partie du groupe Schaeffler) a utilisé le Reinforcement Learning pour définir une stratégie de contrôle destinée à un système de post-traitement des gaz d'échappement. Après avoir créé un modèle Simulink détaillé du système physique, incluant le moteur et le système d'échappement, l'équipe a utilisé Reinforcement Learning Toolbox pour prototyper et optimiser des agents de RL capables de prendre des décisions de contrôle en temps réel en fonction de l'état actuel du système.
« Reinforcement Learning Toolbox a considérablement réduit notre temps de développement. La toolbox a grandement contribué au prototypage rapide et à la génération d'agents de Reinforcement Learning. »
Principaux points à retenir
- Il convient de recourir à des méthodes de contrôle avancées lorsque le problème de contrôle est dominé par des contraintes, des scénarios répétitifs ou des conditions d'exploitation changeantes, et au Reinforcement Learning lorsque des paramètres couplés rendent impossible la dérivation analytique d'une stratégie optimale, comme c'est le cas pour le calibrage des émissions ou la gestion de l'énergie.
- Entraîner des agents RL en utilisant un modèle de système physique Simulink validé, puis évaluer la stratégie apprise lors de simulations desktop et Software-in-the-Loop avant de la déployer sur le hardware.
Les véhicules électriques génèrent d'importants volumes de données d'exploitation provenant des batteries, des moteurs, des onduleurs et des systèmes thermiques. Chacun de ces sous-systèmes se dégrade avec le temps : les cellules de la batterie perdent de leur capacité ou présentent des anomalies qui entraînent leur vieillissement ou un emballement thermique, les roulements du moteur s'usent et les composants électroniques de puissance subissent une fatigue thermique. Les signes de dégradation sont souvent détectables dans les données des capteurs bien avant qu'un composant ne tombe en panne. La détection d'anomalies fondée sur l'IA permet d'identifier les écarts par rapport au comportement attendu qu'aucun capteur individuel ne serait en mesure de signaler. Ces écarts se présentent souvent sous la forme de schémas multivariés associant des signaux corrélés, comme la tension et le courant des cellules, ainsi que la température. Les estimations de la durée de vie utile restante (RUL) permettent de prédire le moment où une intervention de maintenance sera nécessaire. Cela favorise la mise en place d'un programme de maintenance basé sur l'état des équipements plutôt que sur un entretien à intervalles fixes.
Ces capacités peuvent être déployées à différentes étapes du pipeline de données. Les modèles en périphérie s'exécutent directement sur les ordinateurs embarqués des véhicules et traitent localement les données des capteurs pour détecter les pannes en temps réel. Les modèles fondés sur le cloud regroupent les données relatives à la flotte pour permettre une analyse plus poussée, la détection des tendances et le réapprentissage des modèles. Certains systèmes combinent les deux approches : les modèles exécutés en périphérie signalent les anomalies et extraient à bord les caractéristiques, puis transmettent les données compressées relatives à ces fonctionnalités vers le cloud pour une analyse à l'échelle de la flotte et une estimation de la RUL. Les modèles hébergés dans le cloud peuvent aussi s'adapter progressivement à mesure que la flotte vieillit, en actualisant la définition d'un comportement « normal » à mesure que les systèmes se dégradent petit à petit pendant leur durée de vie.
La plupart de ces modèles sont entraînés uniquement à partir de données d'exploitation normales, ce qui signifie qu'ils apprennent à reconnaître un comportement normal et à signaler les écarts sans avoir besoin d'exemples labellisés pour chaque mode de panne possible. Cette approche non supervisée permet de contourner un défi de longue date : les véhicules étant conçus pour ne jamais tomber en panne, les jeux de données sur les pannes réelles sont à la fois limités et déséquilibrés. Lorsque des données de défaillance labellisées sont nécessaires pour estimer la RUL ou pour classer les pannes, les jumeaux numériques créés dans Simscape permettent de simuler des scénarios de dégradation et des conditions de panne. Des données d’apprentissage synthétiques sont alors générées pour compléter les observations réelles, souvent limitées.
Tata Consultancy Services (TCS) a développé une architecture de Machine Learning distribuée pour la maintenance prédictive des véhicules, en déployant des modèles d'IA à la fois sur des ordinateurs périphériques embarqués et sur l'infrastructure cloud de Microsoft Azure. Le système traite les données provenant de plusieurs sous-systèmes du groupe motopropulseur : il détecte les anomalies, classe les types de pannes et extrait des fonctionnalités de diagnostic à partir des séries temporelles des données des capteurs.
L'équipe TCS a utilisé l'application Diagnostic Feature Designer de Predictive Maintenance Toolbox™ pour extraire et classer les caractéristiques à partir des signaux bruts des capteurs, puis a entraîné des modèles de classification et de régression en utilisant Statistics and Machine Learning Toolbox. Les modèles déployés en périphérie permettent de détecter les anomalies directement sur le véhicule, ce qui réduit le volume de données transmises au cloud. Les modèles hébergés dans le cloud prennent en charge l'agrégation au niveau de la flotte et les analyses nécessitant davantage de calculs.
MATLAB intègre de manière transparente l'ensemble du pipeline du Machine Learning, des ordinateurs embarqués jusqu'au cloud.
Schéma illustrant le workflow de création de modèles et d'algorithmes chez TCS, de l'exploitation de données archivées avec MATLAB et Simulink au déploiement de ces algorithmes, à la fois sur des systèmes périphériques et sur des modèles hébergés dans le cloud avec Docker. (Crédit image : Tata Consultancy Services)
Cette architecture permet de réduire les coûts liés au cloud computing en traitant les données localement dans la mesure du possible, tout en conservant la capacité d'effectuer une reconnaissance de patterns à l'échelle de la flotte dans le cloud. TCS a déployé les composants cloud en utilisant MATLAB Production Server™ sur Azure, avec des interfaces web développées grâce à MATLAB Web App Server™.
HL Mando a mis au point un système « Smart Lab » qui associe des test benches connectés à une surveillance via l'IoT, ainsi qu'à une maintenance prédictive fondée sur l'IA. Ce système est destiné aux équipements de test des composants de véhicules autonomes, tels que les systèmes de direction et de freinage « X-by-wire ». La collecte de données sur la durée de vie et la dégradation à partir de véhicules réels aurait pris des années. L'équipe a donc implémenté des essais de fatigue accélérée sur des test benches internes spécialement conçus à cet effet, en soumettant les composants à des cycles de fonctionnement contrôlés correspondant au kilométrage réel.
Les jumeaux numériques Simscape des composants du test bench ont facilité le développement d'algorithmes de contrôle et ont permis de simuler et de régler en parallèle les données d'essai réelles grâce à un flux de données virtuel. Les ordinateurs périphériques extraient des caractéristiques à partir des données du test bench en temps réel et entraînent des modèles d'IA, tandis qu'une plateforme web, développée avec MATLAB Production Server, affiche la surveillance de l'état des équipements et les estimations de la RUL en temps réel. L'équipe a utilisé des analyses fondées sur l'IA pour les modèles de similarité et de dégradation, ainsi que des méthodes de physique des défaillances (règle de Miner) pour les modèles de survie, lorsque des connaissances techniques sur les mécanismes de fatigue étaient disponibles.
Le workflow de HL Mando pour le développement d'une estimation de la RUL fondée sur l'IA utilisant Predictive Maintenance Toolbox. (Crédit image : HL Mando)
Principaux points à retenir
- Effectuer la détection des anomalies en périphérie afin d'identifier les pannes en temps réel. Dans le cloud, réaliser des analyses à l'échelle de la flotte et estimer la durée de vie utile restante en utilisant l'application Diagnostic Feature Designer pour extraire automatiquement des caractéristiques à partir des données brutes des capteurs.
- Lorsque les données réelles de défaillance sont limitées, les enrichir avec des données synthétiques issues de modèles Simscape fondés sur la physique, puis faire passer les modèles résultants à l'échelle de la production grâce à MATLAB Production Server et MATLAB Web App Server.
Le fait d'entraîner un réseau de neurones qui fonctionne bien sur une station de travail ne garantit pas qu'il fonctionnera sur du hardware embarqué automobile ni qu'il se comportera correctement dans toutes les conditions d'utilisation. Le passage d'un réseau entraîné à un déploiement embarqué implique la compression, la vérification et la génération de code. La vérification est effectuée de manière itérative à chaque étape.
Le workflow de déploiement embarqué commence par la compression du modèle d'IA avec des techniques telles que la quantification, la projection ou l'élagage, pour réduire l'empreinte mémoire et améliorer les performances d'inférence. Vient ensuite la simulation de l'algorithme d'IA compressé au sein d'un modèle de système Simulink, ainsi que le test de son intégration avec les composants environnants, avant tout investissement en termes de hardware.
La génération de code permet ensuite d'obtenir du code C/C++ optimisé pour le hardware cible. Tout au long de ce processus, la vérification permet de s'assurer que la compression et la quantification n'ont pas altéré le comportement du modèle au-delà des limites acceptables. Deep Learning Toolbox, Fixed-Point Designer™ et Embedded Coder supportent ce workflow dans MATLAB et Simulink.
De nombreuses équipes du secteur automobile commencent également par utiliser des modèles entraînés avec des frameworks open source tels que PyTorch. Ces modèles peuvent être importés dans MATLAB et Deep Learning Toolbox afin d'être compressés, intégrés à Simulink, vérifiés, puis déployés. Les modèles plus volumineux ou ceux comportant des couches non standard peuvent s'avérer difficiles à importer. Dans ce cas, les workflows de génération de code peuvent offrir une alternative aux modèles entraînés avec PyTorch pour obtenir du code C/C++ prêt à être déployé.
À mesure que les modèles d'IA sont intégrés à des systèmes automobiles critiques, comme la gestion des batteries ou le contrôle des moteurs, la vérification ne doit plus se limiter à la simple précision des données de test. Il n'est pas garanti qu'un réseau de neurones se comporte correctement face à des entrées contradictoires, à des conditions de fonctionnement hors distribution ou à des cas limites non représentés dans le jeu d’apprentissage. Les normes automobiles telles que ISO/PAS 8800 aident les ingénieurs à élaborer des mesures de sécurité permettant de faire face à ces risques.
Le processus de développement « en W » adapte le modèle « en V » traditionnel aux composants d'IA en y ajoutant des activités de vérification spécifiques au Machine Learning. Des activités telles que les tests de robustesse face à des perturbations des données d'entrée, la détection des valeurs hors distribution, la vérification des propriétés du réseau ou l'analyse de l'explicabilité permettent de s'assurer que le comportement du modèle correspond bien à l'intention des ingénieurs. Ce processus s'applique à chaque étape du cycle de vie de l'IA, depuis l’apprentissage initial du modèle jusqu'à sa compression, la génération de code et son déploiement.
AI Verification Library for Deep Learning Toolbox supporte ce workflow grâce aux fonctionnalités suivantes :
- Vérification de la robustesse : testez la sensibilité du modèle d'IA aux perturbations des données d'entrée et aux exemples contradictoires. Estimez les limites des résultats afin de vérifier que de légères variations des données d'entrée n'entraînent pas d'erreurs de prédiction importantes et inattendues.
- Surveillance en temps réel : créez des discriminateurs de distribution capables de détecter lorsque les modèles déployés sont confrontés à des entrées ne relevant pas de leur distribution d’apprentissage, ce qui permet au système de signaler les prédictions incertaines ou de se rabattre sur des algorithmes classiques.
- Explicabilité : visualisez les données d'entrée qui influencent les prédictions du modèle en utilisant des techniques telles que Grad-CAM et D-RISE.
- Deep Learning sous contraintes : intégrez des contraintes spécifiques au domaine dans l’apprentissage du réseau afin de faire respecter les limites physiques ou de sécurité dès la conception, plutôt que de vous fier uniquement à une vérification post-apprentissage.
Mercedes-Benz Research & Development India (MBRDI) a développé un capteur virtuel embarqué permettant d'estimer en temps réel le débit massique d'air dans l'habitacle, pour assurer le confort thermique, la régulation de l'humidité et le contrôle de la qualité de l'air. Une approche antérieure fondée sur le cloud avait entraîné des problèmes de latence, des coûts liés à la bande passante et des risques pour la confidentialité. L'équipe souhaitait que le modèle d'IA fonctionne directement sur l'ECU du véhicule.
Le réseau entraîné initial était trop volumineux pour le hardware cible. MBRDI a utilisé la projection par réseau de neurones, une technique de compression qui identifie et retire les neurones redondants tout en préservant la précision prédictive du réseau. Après la compression, l'équipe a appliqué une quantification sur 8 bits grâce à Fixed-Point Designer, convertissant ainsi les poids et les activations restants du format à virgule flottante 32 bits au format entiers 8 bits. Embedded Coder a ensuite généré du code C/C++ à partir du modèle compressé et quantifié en vue de son déploiement sur l'ECU.
Workflow d'IA embarquée Mercedes-Benz illustrant le processus, depuis le réseau de neurones entraîné jusqu'à la projection du réseau de neurones (compression), la quantification en 8 bits (Fixed-Point Designer), la génération de code C/C++ (Embedded Coder) et le déploiement sur l'ECU. (Crédit image : Mercedes-Benz Research & Development India)
Résultats : le capteur virtuel a permis de réduire l'erreur absolue moyenne de 50 % par rapport au modèle physique précédent, tout en augmentant l'utilisation de la mémoire vive de seulement 1 % sur l'ECU cible. Le modèle fonctionne entièrement en local, sans nécessiter de connexion à un cloud.
« Grâce aux solutions proposées par Deep Learning Toolbox, la durée totale de développement a été considérablement réduite. »
Mercedes-Benz a déployé un réseau de neurones profond pour estimer la pression dans les cylindres directement sur l'ECU d'un groupe motopropulseur de série, un microcontrôleur qui ne supporte pas les opérations en virgule flottante ni les frameworks standard de Deep Learning. L'équipe a entraîné un modèle LSTM quantifié grâce à la bibliothèque QKeras en Python, puis a importé le réseau dans MATLAB avec Deep Learning Toolbox. Fixed-Point Designer a converti le modèle d'une représentation en virgule flottante à une représentation en virgule fixe, puis l'équipe a vérifié la précision dans Simulink avant de le transmettre pour intégration dans l'ECU.
Le workflow automatisé a permis d'accélérer le processus de conversion en virgule fixe de 600 % par rapport à l'ancien processus manuel, qui nécessitait plusieurs semaines de travail et était source d'erreurs de transcription. Le pipeline a été adapté à deux contrôleurs de groupe motopropulseur différents, puis étendu à d'autres architectures de réseaux de neurones, notamment les GRU et les réseaux entièrement connectés.
« Grâce à Deep Learning Toolbox et à Fixed-Point Designer, nous avons environ multiplié par six la vitesse de développement par rapport à notre ancien processus de développement manuel. »
Principaux points à retenir
- Préparer des modèles d'IA entraînés pour un déploiement embarqué en important des réseaux depuis MATLAB ou des frameworks externes (Python, Keras, TensorFlow™), en les compressant par projection ou élagage, puis en les quantifiant en représentations 8 bits ou à virgule fixe afin de réduire la consommation de mémoire et le temps d'exécution.
- Valider les modèles dans Simulink en comparant les modèles compressés et quantifiés à l'original, en évaluant leur comportement dans des conditions contradictoires et en dehors de la distribution, puis mettre en place une surveillance à l'exécution. Pour finir, générer du code C/C++ de production avec Embedded Coder.
Les techniques présentées dans cet article (modèles d'ordre réduit, identification de systèmes, capteurs virtuels, Reinforcement Learning et détection d'anomalies) s'inscrivent dans l'approche Model-Based Design, depuis la modélisation du système physique jusqu'au design et au déploiement des systèmes de contrôle. Les ingénieurs peuvent entraîner des modèles d'IA directement dans MATLAB et Simulink ou importer des réseaux entraînés dans TensorFlow, PyTorch et d'autres frameworks open source. Quelle que soit l'origine d'un modèle, MATLAB et Simulink offrent un workflow unifié pour la compression, la vérification et la génération de code des modèles destinés aux ECU.
Les études de cas présentées dans cet article montrent que l'IA est aujourd'hui déjà mise en œuvre dans les programmes de production liés au développement des véhicules électriques. Les équipes ont obtenu une accélération des simulations d’un facteur 800, des workflows de déploiement 600 % plus rapides et des stratégies de contrôle plus efficaces que le calibrage manuel. Ces résultats sont accessibles dans le cadre des workflows existants pour les ingénieurs qui utilisent l'approche Model-Based Design, avec un parcours clair allant du modèle entraîné au code vérifié et déployé.
