Contrôle des systèmes rapides non linéaires Application au moteur à allumage commandé turbocompressé à distribution variable Remerciements Guillaume.

Présentation au sujet: "Contrôle des systèmes rapides non linéaires Application au moteur à allumage commandé turbocompressé à distribution variable Remerciements Guillaume."— Transcription de la présentation:

1 Contrôle des systèmes rapides non linéaires Application au moteur à allumage commandé turbocompressé à distribution variable Remerciements Guillaume COLIN 12 octobre 2006

2 Introduction Evolution des normes de pollution
Engagement des constructeurs sur les émissions de CO2 Optimisation du fonctionnement du moteur Contrôle moteur Augmentation du nombre degrés de liberté Pour vous situer le contexte, … Normes de + en + strictes Emission de CO2 Essence > Diesel Objectif en rupture, + d’efforts à faire pour le moteur AC

3 Introduction Emissions de CO2
Motorisations à allumage commandé (AC) Motorisations diesel Technologies principalement étudiées pour améliorer le rendement du moteur AC Mélange pauvre homogène ou stratifié Distribution variable seule Downsizing : Déplacement, à iso performance, des points de fonctionnement moteur vers des zones à meilleur rendement Meilleur choix technologique à court terme Moteur à allumage commandé turbocompressé à distribution variable Challenge : contrôler ce système complexe

4 Plan de la présentation
1. Problématique 1.1 Moteur AC turbocompressé à distribution variable 1.2 Phénomènes associés 1.3 Méthodologie 2. Contrôle d’un moteur turbocompressé 2.1 Contrôle du papillon par modèle interne 2.2 Contrôle prédictif de la wastegate 2.3 Conclusion partielle 3. Extension au moteur turbocompressé à distribution variable 3.1 Observateur de masse d’air 3.2 Contrôle des déphaseurs 3.3 Résultats au banc moteur 3.4 Résultats sur véhicule 3.5 Conclusion partielle 4. Conclusions et perspectives

5 1.1 Moteur AC turbocompressé à distribution variable
1. Problématique 1.1 Moteur AC turbocompressé à distribution variable 1.2 Phénomènes associés 1.3 Méthodologie

6 Moteur AC turbocompressé à distribution variable
Suivi de couple à consommation minimale Réduction des émissions polluantes VPMH VPMB Vcyl pcyl Amélioration du rendement Boucle BP Optimiser Boucle HP Ouverture du papillon Réduction cylindrée Baisse de la performance Turbocompression Augmentation du temps de réponse + + - - Gaz résiduels Distribution pilotée Turbocompression + distrib pilotée  balayage phénomène très intéressant Injection directe est nécessaire avec un moteur AC turbo VCT Balayage d’air Injection directe 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

7 Moteur AC turbocompressé à distribution variable
Objectif principal Contrôler le couple en minimisant les polluants et la consommation Moyens d’actions Injecteurs Bobines d’allumage Chaîne d’air Papillon Wastegate Déphaseurs pman Tman Sthr WG Dcyl Dthr VCTexh VCTin Sonde de richesse turbine compresseur Papillon Collecteur pint pamb Tamb WasteGate Déphaseur admission Déphaseur échappement Pq la chaîne d’air : element prépondérant pour le couple et le + cplexe à gérer 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

8 Phénomènes associés Gaz résiduels Avantages  Pertes par pompage
Gaz d’échappement qui restent dans le cylindre une fois les soupapes fermées et avant la nouvelle combustion Avantages  Pertes par pompage  NOx (Giansetti et al. 2006) Inconvénients  instabilité de combustion Favorise le cliquetis Pas de mesure directe Mesure directe pas possible  estimer les gaz résiduels Necessaire de contrôler pour minimiser les polluants Nécessité : de les estimer de les contrôler 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

9 Phénomènes associés Balayage d’air Avantages Inconvénients
Quand pman>pcyl>pexh Avantages Vidange des gaz brûlés  recul de la limite cliquetis Diminution du temps de réponse Inconvénients Richesse dans le cylindre différente de la richesse à l’échappement Pas de mesure directe Mesure pas possible  estimer le balayage Contrôler pour diminuer le temps de réponse Nécessité : de l’estimer de le contrôler 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

10 Phénomènes associés Nécessité de contrôler
Gaz brûlés résiduels Balayage d’air Contrôle par une variable unique Masse de gaz recirculés Intérêt Réduction du nombre de variables à contrôler RGM = mgaz brûlés, - mair balayé, si mgaz brûlés > mair balayé sinon Même phénomène physique d’écoulement pb de supervision de définir les consignes en RGM : fixer les consignes pour diminuer les polluants ou le temps de réponse 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

11 Méthodologie Objectifs : contrôler la chaîne d’air
Suivi de couple en minimisant les polluants Variables contrôlées Variables manipulées Couple Masse d’air Papillon Wastegate Polluants Masse de gaz brûlés Déphaseurs admission et échappement 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

12 Méthodologie Utilisation de modèles Apprentissage Pré-calibration
Validation Minimisation des essais sur moteur 6. apprentissage de variables mesurées 7. Calibration 8. Test du contrôle 3. Schéma de Contrôle Modèle 0D-BF 2. apprentissage de variables non mesurées Contrôle moteur 4. Pré-calibration 5. Validation du contrôle Moteur 1. identification Simulateur moteur Modèle 0D-BF/HF Temps réel Modèle 0D/1D-HF ou 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

13 Modèles pour le contrôle moteur
Combinaison de modèles Modèles physiques Modèles neuronaux Modèles non linéaires globaux Modèles statiques ou dynamiques Modèles aisément embarquables Approche générique de modélisation et de contrôle Propriétés des modèles neuronaux Approximateurs universels Parcimonieux Flexibles Facilement dérivables 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

14 MOTEUR À COMBUSTION INTERNE
Périmètre des travaux CONTRÔLE MOTEUR MOTEUR À COMBUSTION INTERNE AUTOMATIQUE Modèles physiques 0D BF ou HF – 1D Modèles « commande » Contrôle par modèle interne Papillon Commande optimale Contrôle à base de modèles Chaîne d’air Distribution pilotée Commande prédictive Turbocompresseur Masse d’air Gaz résiduels Observateurs Balayage d’air

15 2. Contrôle d’un moteur turbocompressé
2.1 Contrôle du papillon par modèle interne 2.2 Contrôle prédictif de la wastegate 2.3 Conclusion partielle

16 Consignes Relation entre le couple indiqué et la masse d’air
Relation entre la masse d’air et la pression collecteur  Contrôle en pression collecteur La variable la plus influente sur le couple, c’est la masse d’air 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

17 Schéma général de contrôle
Superviseur Consigne en Couple indiqué Chaîne d’air Contrôle de la masse d’air pman Contrôle de la WasteGate pint mair_sp Sthr WG pman_sp Modèle de pression collecteur Contrôle du papillon 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

18 Contrôle par modèle interne du papillon
Principe du contrôle par modèle interne Caractéristiques Synthèse et implémentation faciles Restriction aux systèmes stables uniquement Connaissance d’un modèle Réglage aisé : uniquement le filtre + Perturbations Consigne Sortie = Consigne Système inverse Modèle inverse Système - + + - Modèle direct Filtre 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

19 Contrôle par modèle interne du papillon
Variable contrôlée : pman Variable manipulée : Sthr T m a n N e Perturbations p i n t p m a n s Modèle inverse de pression collecteur Collecteur S t h r + p m a n + + - p i n t T m a n N e Modèle direct de pression collecteur + - Filtre de robustesse 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

20 Contrôle par modèle interne du papillon
Soupape Collecteur D c y l t h r S p i n m a Modèle direct Equation de Barré de Saint Venant Cartographie de remplissage Modèle inverse statique Filtre de robustesse : 1er ordre 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

21 Contrôle par modèle interne du papillon
Moyens expérimentaux Prototypage rapide du contrôle Moteur Smart 3 cylindres turbocompressé Résultats très satisfaisants Temps de réponse Dépassement Sollicitation du papillon Le papillon n’est pas trop chahuté, la consigne d’ouverture du papillon n’est pas sursollicitante pour l’actionneur 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

22 Contrôle de la wastegate
Caractéristiques du contrôle du turbo Variable à contrôler Variable manipulée Variable d’état Contraintes Système non linéaire Dynamique lente du turbocompresseur Papillon le plus ouvert possible Temps de calcul limité Contrôle classique Non linéarités + dynamique du turbo  Résultats médiocres Commande prédictive Non linéarités Dynamique lente par rapport à la dynamique du collecteur 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

23 Commande prédictive 1ère étape 2ème étape 3ème étape Intérêts
Modèle de référence  exponentielle 2ème étape Modèle de prédiction  linéaire ou non  physique/générique 3ème étape Minimisation Intérêts Concept intuitif Système dynamique, multivariable, non linéaire Inconvénients Calculs lourds : systèmes rapides Stabilité Passé Futur Consigne Référence Sortie mesurée Sortie prédite du système Signal de commande BF Signal de commande BO temps t t + e t + c t + p 1ère étape : consigne n’est pas réalisable dans le transitoire 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

24 Commande prédictive Problème de minimisation Linéarisation instantanée
Sous contraintes avec modèle non linéaire : calculs lourds Sous contraintes avec modèle linéaire : calculs assez lourds Sans contraintes avec modèle linéaire : calculs légers Risque de pertes de performances Linéarisation instantanée Minimisation avec modèle linéarisé Avec contraintes : résolution itérative (programmation quadratique) Sans contraintes : résolution directe (analytique + saturation) 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

25 Contrôle prédictif de la wastegate Choix du modèle de prédiction
Modèle physique Non linéaire Difficile à dériver Basé sur des cartographies pauvres Impliquant des variables non mesurées Modèle identifié à partir de données Modèle neuronal Apprentissage Génération des signaux Banc moteur ou simulateur Optimisation de la structure Validation : corrélations, tests de prédiction mesuré calculé estimé Justifier les regresseurs ou entrées du réseau de neurones  les plus appopriés 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

26 Contrôle prédictif de la wastegate Schéma de commande
1ère étape : Modèle de référence p m a n s ! i t r e f 2ème étape : Modèle neuronal de prédiction ^ p i n t ( + 1 ) = f ; W G D c y l ) p i n t ( + 1 = a b c W G 3ème étape : Minimisation 1ère étape : permet d’avoir le papillon plein ouvert  contrainte intégrée sous les contraintes avec m i n W G J a x = t p P j 1 [ ( r e f + ) ^ ] 2 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

27 Contrôle prédictif de la wastegate Schéma de commande
Comparaison entre 3 approches Commande prédictive non linéaire neuronale sous contraintes Commande prédictive linéarisée neuronale sous contraintes Commande prédictive linéarisée neuronale saturée  Différences négligeables (100%) (4%) (0.06%) mais temps de calculs très différents Différences négligeables au regard de l’application 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

28 Contrôle prédictif de la wastegate Résultats au banc moteur
Solution choisie Commande prédictive neuronale linéarisée saturée Comparaison avec un contrôle PID Moyens expérimentaux Prototypage rapide du contrôle Moteur Smart 3 cylindres turbocompressé Objectifs satisfaits Temps de calcul <0.5ms Pas de dépassement Bon suivi Faible sollicitation des actionneurs Papillon le plus ouvert possible Dire que les créneaux sont différents 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

29 Conclusion partielle Structure générale Application
Structure générique (masse d’air) Décomposition en blocs interconnectés Contrôle à base de modèles Facilité de réglage Application Contrôle de la pression collecteur par modèle interne Performances très satisfaisantes Réglage aisé Contrôle prédictif neuronal du turbocompresseur Excellentes performances Approche générique et rapide 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

30 3. Extension au moteur turbocompressé à distribution variable
3.1 Observateur de masse d’air 3.2 Contrôle des déphaseurs 3.3 Résultats au banc moteur 3.4 Résultats sur véhicule 3.5 Conclusion partielle

31 Schéma général de contrôle
Δmair Contrôle de la masse d’air Contrôle du papillon et de la WasteGate Modèle de pression collecteur Actionneurs mair_sp pman_sp Consigne en Couple indiqué Capteurs Superviseur Chaîne d’air (papillon, turbo, distribution variable) Chaîne d’air (papillon, turbo) Contrôle des déphaseurs d’arbre à cames RGMsp VCTin VCTexh Contrôle de la masse de Gaz Recirculés pman Contrôle en pression collecteur pour le papillon et la wastegate 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

32 Modèle statique de pression collecteur
Relation directe entre couple et masse d’air Relation mair pman? Prise en compte des déphaseurs dans le modèle Prise en compte du biais de modèle Par exemple, pour une masse d’air de 200mg, il y aura une variation de pression collecteur de l’ordre de 20%  un effet non négligeable sur le couple Le modèle neuronal a un biais pris en compte dans un observateur de masse d’air p m a n s = f ( i r ; N e V C T x h ) p m a n s = f ( i r ; N e ) p m a n s = f ( i r ; N e V C T x h ) 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

33 Observateur de masse d’air
Objectif Estimer la masse d’air enfermée dans le cylindre Estimer biais de modèle Modèle statique Données disponibles Apprentissage (en simulation, 6800 points) Validation (en simulation et au banc moteur, 80 points) m a i r c y l = v o ( p b ; T n ) V f ( p m a n ; N e V C T i x h ) Bien dire pq il faut estimer la masse d’air 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

34 Observateur de masse d’air
Comparaison des modèles statiques sur les données de validation Problème Biais de l’estimateur (boucle ouverte) dû à l’erreur intrinsèque du simulateur  estimer ce biais RMSE (mg) Banc Simu Coefficients Neuronal 28.49 9.36 37 Polynomial linéaire en pman 30.67 15.66 69 Polynomial 28.87 9.88 70 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

35 Observateur de masse d’air
Idée : Reboucler l’estimateur sur la pression collecteur Bilan des débits au collecteur d p m a n t = r T V ( D e s u c y l b ) _ Dérivée nulle  erreur statique que je cherche à compenser U = @ D m e s u r c y l b a 1 A X p n _ X = A + B U Y C avec: m a i r X k + 1 = A d B U w ( ) Y C v Filtre de Kalman 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

36 Observateur de masse d’air
Estimateur rebouclé : Résultat au banc moteur ^ m a i r c y l = v o ( p b ; T n ) V + 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

37 Contrôle des déphaseurs
Schéma de contrôle Estimateur neuronal de la masse de gaz recirculés m i n J V C T 4 e x h J = \ R G M s p 2 + 1 V C T i n e x h \ R G M = f n ( p m a ; N e V C T i x h ) 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

38 Tests de la structure de contrôle
Couple constant pour toute la plage utile de RGM Test de la sensibilité du contrôle en couple Résultats dynamiques au banc moteur (moteur F5P, IFP) 2000 tr/min, 35Nm 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

39 Tests de la structure de contrôle
Variation de consigne de couple Comparaison contrôle classique/contrôle RGM Résultats dynamiques au banc moteur (moteur F5P, IFP) 2000tr/min, 10Nm210Nm Dire que le temps de réponse n’est pas complètement résolu! 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

40 Choix des consignes Structure de contrôle
Iso-couple avec différentes masses de gaz recirculés Possibilité d’optimisation Quelle est la meilleure consigne à donner au contrôle? Essai stationnaire à iso-couple de consigne, iso-masse d’air, iso-richesse à 1500 tr/min Point de référence Point à choisir Point instable à supprimer Dans cet exemple, le meilleur choix est le point avec minimum de polluants, etc… 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

41 Conclusion partielle Structure générale Application
Structure générique (variables internes de haut niveau) Décomposition en blocs interconnectés Contrôle à base de modèles Facilité de réglage Application Construction d’estimateurs et d’observateurs Nombreuses grandeurs physiques non mesurées Contrôle des déphaseurs Optimisation d’un critère Améliore le temps de réponse Du banc moteur au véhicule Stratégies de gestion moteur novatrices Le contrôle développé sur banc n’a pas nécessité de modification particulière pour passer sur véhicule 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

42 4. Conclusions et perspectives

43 Conclusions et perspectives
Downsizing Combinaison de nombreuses technologies existantes Gestion du moteur complexe Recours à des techniques évoluées de contrôle et de modélisation Contrôle d’un système rapide non linéaire Méthodologie reposant sur des commandes à base de modèles Applications Moteur AC turbocompressé Moteur AC turbocompressé à distribution variable 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

44 Conclusions et perspectives
Commande du papillon par modèle interne Performance très satisfaisantes Réglage aisé Commande prédictive du turbocompresseur Non linéarités  modèle neuronal Linéarisation et saturation  temps réel Performances  pas de dépassement Commande des déphaseurs Variable de haut niveau  RGM Sollicitation des actionneurs  réglable Temps de réponse en couple  amélioré Observateur de masse d’air Modèle neuronal  validé sur simulateur Biais de modèle  filtre de Kalman 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

45 Conclusions et perspectives
Downsizing Amélioration du temps de réponse et du suivi de couple Contrôle de la masse de gaz brûlés Décomposition du contrôle en modules Structure simple et caractère générique Extension du schéma initial aux déphaseurs Variables internes : masse d’air / masse de gaz recirculés Schéma de contrôle proposé Découplage couple/polluants  optimisation Nouvelles possibilités offertes 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

46 Conclusions et perspectives
Perspectives « Énergétique » Quantification du balayage d’air à l’aide de mesures et de modèles physiques Travail nécessaire sur le superviseur Observateur des espèces dans le cylindre et des polluants générés Trajectoires dynamiques des variables de haut niveau : masse d’air, masse de gaz brûlés, masse d’air balayée … Perspectives « Automatique » Apprentissage d’un modèle neuronal sur des données de simulation (exhaustives) tout en étant proche des mesures (limitées) Pertinence des signaux d’identification des modèles dynamiques non linéaires Optimisation globale d’un système 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions

47 Merci de votre attention

48 Résultats sur véhicule
Moyens expérimentaux (IFP) Véhicule Renault VelSatis Moteur identique au banc Exemple obtenu sur une partie d’un cycle européen normalisé 1. Problématique 2. Contrôle d’un moteur AC turbocompressé 3. Extension au moteur turbocompressé à distribution variable 4. Conclusions et perspectives

49 Schéma général de contrôle
^ m a i r c y l Super-viseur Contrôle de la masse d’air Chaîne d’air Dmesure Δmair Observateur de masse d’air 1 pman WG pman_sp Contrôle prédictif neuronal de la WasteGate 4 pint Modèle de pression collecteur 2 mair_sp Ne Sthr Contrôle avec prépositionnement du papillon 3 Consigne en Couple indiqué VCTin pman VCTexh Ne Contrôle optimal des déphaseurs d’arbre à cames 5 RGMsp VCTin VCTexh Contrôle de la masse de Gaz Recirculés

50 Modèle de pression collecteur
Equation générant la consigne de pression collecteur : p m a n s = f ( i r ) T b V c y l ; N e C x h