Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Sanden améliore l'efficacité de la modélisation de la climatisation automobile avec MATLAB
Précision et vitesse de calcul améliorées grâce aux nouveaux modèles
Le but de ce projet était de voir s’il était possible d’utiliser un réseau de neurones pour garantir la précision tout en réduisant le temps d’échantillonnage dans la simulation de modèles de moteurs. MathWorks a proposé d’utiliser une méthode de Deep Learning appelée LSTM et cette introduction initiale était nécessaire pour accélérer les travaux futurs.
Principaux résultats
- La création d'un modèle de substitution de haute précision du système de climatisation automobile
- Une vitesse de calcul des modèles améliorée jusqu'à 100 fois
- Une modélisation réussie ouvrant la voie à l’intégration de paramètres du monde réel, notamment la chaleur, à l’avenir
Grâce à l’IA, les ingénieurs de Sanden ont automatisé une partie de leur processus de modélisation des composants.
Sanden est l'un des principaux fabricants de systèmes de climatisation automobile en Europe et en Chine. L'entreprise a une longue histoire d'adaptation de sa technologie pour répondre aux évolutions de l'industrie automobile, comme le développement de pompes à chaleur permettant un chauffage efficace dans les voitures électriques qui ne peuvent pas utiliser la chaleur résiduelle du moteur. Cependant, alors que l’industrie automobile subit des changements substantiels, ayant pour conséquence une augmentation des heures de travail nécessaires au développement de nouveaux systèmes, le développement basé sur des modèles devient de plus en plus important pour les fabricants de pièces.
Lors de la création de modèles de compresseurs électriques pour la climatisation, Sanden doit équilibrer les demandes des clients entre un temps de calcul du modèle plus rapide et une précision améliorée. Pour atteindre ces objectifs contradictoires, Sanden a utilisé des outils de MATLAB® et Simulink® permettant d’intégrer un réseau neuronal de Deep Learning dans ses modèles.
L’équipe a utilisé Deep Learning Toolbox™ pour former un réseau de neurones à mémoire à long terme qui a été intégré au modèle du système moteur avec Simscape Electrical™. Ce réseau a été utilisé comme modèle de substitution pour les moteurs et les contrôleurs de climatisation afin de rationaliser le traitement du signal et de supprimer les données inutiles. Ces outils ont permis d’obtenir des modèles très précis et d’améliorer la vitesse de calcul.
