Modélisation du moteur diesel, en vue de sa commande dynamique par réseaux de neurones pour minimiser les émissions

Le transport routier est l un des contributeurs majeurs au réchauffement climatique et à la pollution de l air. La réduction de ces effets, passe par la minimisation de la consommation de carburant, dans le respect des réglementations imposées. Dans cette thèse, nous proposons une procédure automatique pour déterminer les valeurs optimales des paramètres de contrôle du moteur Diesel, satisfaisant les critères de consommation et émissions minimales, dans toute sa plage de fonctionnement, en régime dynamique. Ce contrôle comprend deux étapes : une recherche préalable Off Line des valeurs optimales des paramètres, suivie d une intégration des valeurs obtenues dans un contrôleur à réseaux de neurones On Line . Dans ce but, des modèles sont d abord élaborés pour décrire le comportement mécanique du moteur et les émissions elles-mêmes (CO2, CO, HC, NOx, PM), en suivant deux approches : les modèles physiques en valeurs moyennes et les réseaux de neurones. Les coefficients de ces modèles sont identifiés à partir des données expérimentales, acquises sur banc d essais moteur. Ensuite l optimisation est faite Off Line sur un ordinateur puissant dans le but d obtenir les cartographies dynamiques multidimensionnelles décrivant les valeurs à attribuer aux paramètres de contrôle, sur un cycle (par exemple NEDC) ou sur toute la plage de fonctionnement du moteur. L exploitation directe des résultats d optimisation exige cependant un nombre très important de cartographies. Or l ECU n a pas actuellement la capacité de mémoriser ni de gérer toutes ces cartes. Les cartographies dynamiques constituent alors la base d apprentissage permettant de déterminer les valeurs des poids et biais d un contrôleur à réseaux de neurones. Ce contrôleur a l avantage de reproduire On Line et avec une grande précision les paramètres de contrôle optimaux, dans un temps de calcul très court. Il est donc exploitable dans les applications moteur en temps réel. Nous avons appliqué cette méthodologie, en tout ou partie, à trois moteurs différents. Sur un moteur automobile répondant aux normes Euro 5 et commandé via 12 paramètres de contrôle, nous avons établi et validé un modèle physique du mouvement du vilebrequin et des modèles des émissions à réseaux de neurones. Le modèle physique est basé sur des modèles empiriques de la PMI et de la PMF et sur le calcul de la charge du véhicule (frottements roues-sol, traînée aérodynamique, inertie véhicule) rapportée sur l axe du vilebrequin. Sur un second moteur automobile répondant aux normes Euro 3 et commandé via 6 paramètres de contrôle, nous avons établi des modèles à réseaux de neurones du mouvement du vilebrequin et des émissions. Les modèles des émissions sont précis et fiables alors que le modèle du vilebrequin manque de précision à cause de l insuffisance des données d apprentissage. Ensuite ces modèles sont exploités pour minimiser les émissions du moteur sur le cycle NEDC. Les résultats d optimisation montrent les effets contradictoires du débit Pilot, des avances à l injection Main et Pilot et de la pression rail, sur l émission des NOx et de l opacité et éventuellement le compromis à faire entre la réduction des NOx et des PM. Sur un moteur de poids lourds commandé via la géométrie variable du turbocompresseur, nous avons établi des modèles physiques en valeurs moyennes du moteur et un modèle semi-empirique de l opacité. Un contrôleur du débit d air, à réseaux de neurones, construit d après les valeurs optimales de la géométrie variable de la turbine et des variables moteur minimisant l opacité, a été exploité sur des simulations en temps réel du moteur. Sur des trajets dynamiques, l opacité est réduite jusqu à 70%, montrant tout l intérêt de ce contrôleur. Cette méthodologie peut être étendue, sans restriction, à plusieurs variables à commander.LYON-Ecole Centrale (690812301) / SudocSudocFranceF