ETAS ASCMO-DYNAMIC permet aux utilisateurs de créer des modèles basés sur des données qui modélisent le comportement dynamique/transitoire de systèmes complexes. ASCMO-DYNAMIC offre une multitude de fonctions et d'options permettant de visualiser et d'analyser le comportement du système. Pour traiter les optimisations, un export vers ASCMO-MOCA est possible. Il permet également de réaliser des plans expérimentaux basés sur la méthodologie des plans d'expérience (Design of Experiments, DoE).
On utilise des méthodes d'IA issues du domaine de l'apprentissage machine pour permettre à l'utilisateur de modéliser avec précision des relations complexes sans connaissance précise des algorithmes en arrière-plan. Le logiciel est donc utilisé par un large éventail d'utilisateurs. Il s'agit d'utilisateurs moins expérimentés, appréciant la création automatisée de modèles sans paramètre, mais aussi d'experts, qui bénéficient de toute la liberté nécessaire grâce aux nombreuses options de configuration disponibles.
Typiquement, ASCMO-DYNAMIC est utilisé pour modéliser des procédés transitoires dans les moteurs à combustion interne. C'est notamment le cas dans le contexte des émissions en conditions de conduite réelles (RDE), pour lesquelles une évaluation purement permanente des émissions et de la consommation de carburant est souvent insuffisante. Les effets dynamiques (par exemple les pics) peuvent avoir une influence conséquente sur le résultat global. Lors de la modélisation de variables pertinentes comme la consommation de carburant et les émissions de polluants, le logiciel prend en compte non seulement les valeurs définies actuelles comme le régime moteur, la charge et les variables de contrôle du moteur, mais également les valeurs historiques et le taux de variation. Cela permet une analyse détaillée et résolue dans le temps de l'influence des manœuvres de conduite dynamiques sur les variables de sortie pertinentes.
La méthodologie utilisée dans ASCMO-DYNAMIC n'est pas liée au moteur à combustion interne. C'est pourquoi l'outil est également utilisé dans des domaines comme la mobilité électrique (par exemple pour la modélisation de batteries).
Avantages
- Simplicité d’utilisation ne requérant aucune connaissance spécifique
- Méthodes d'IA puissantes issues du domaine de l'apprentissage machine
- Représentation graphique interactive des données et des résultats
- Partage de modèles et de données sur la base de formats standard
- Interfaces MATLAB® et COM pour le contrôle à distance et l'intégration de fonctions propres au client
Caractéristiques et fonctions
Comme la modélisation basée sur des données est utilisée dans ASCMO-DYNAMIC, ces données doivent généralement être obtenues par des mesures sur un système réel. Dans cette optique, le plan d'expériences (DoE) est un élément essentiel car il permet d'atteindre une précision du modèle maximale avec des efforts de mesures minimaux.
Le module de plan expérimental pour le plan d'expériences (ExpeDesDynamic) permet de planifier facilement les mesures sous-jacentes. En utilisant des méthodes du plan d'expériences, une courbe temporelle des variables d'ajustement est proposée. Différentes valeurs finales avec différents gradients y sont approchées méthodiquement et de manière à occuper l'espace.
La plage de variation et les gradients maximaux des paramètres à ajuster peuvent être limités graphiquement ou numériquement dans un maximum de quatre dimensions dans chaque cas. Avec un éditeur de formules, le nombre de dimensions n'est pas limité. En outre, il est possible d'ajouter des points fixes et des extraits de cycles de conduite réels et de définir une consolidation des points dans certaines régions de l'espace expérimental. Les aspects spéciaux et particularités des mesures dynamiques effectuées sur des bancs d'essai de moteur sont pris en compte de manière très pratique. Des représentations graphiques des courbes (trajectoires) dans toutes les dimensions permettent la validation et l'évaluation simples du plan d'expériences.
ASCMO-DYNAMIC utilise des vues temporelles pour afficher le comportement du système en fonction du modèle. La partie supérieure montre les variables d'entrée et la partie inférieure les variables de sortie au fil du temps. Outre cette vue principale dans ASCMO-DYNAMIC, il existe également différentes options pour visualiser les dépendances et influences. Cela comprend par exemple le diagramme de dispersion, qui présente les données sous forme de nuage de points dans un certain nombre de combinaisons différentes.
Des options d'analyse complètes sont disponibles pour la qualité du modèle et la qualité de la prédiction. Par exemple, l'outil affiche diverses informations statistiques comme les valeurs moyennes et extrêmes ainsi que l'erreur quadratique moyenne du modèle (RMSE). De plus, la prédiction du modèle peut être comparée à une mesure réelle afin de comparer les courbes dans le temps.
Pour obtenir une modélisation réussie, il est important d'avoir un taux d'échantillonnage adapté pendant la mesure. Comme la tendance est généralement à l'échantillonnage trop élevé, ASCMO-DYNAMIC inclut la possibilité de réduire la quantité de données grâce au sous-échantillonnage. Cela augmente la qualité du modèle et réduit en même temps le temps nécessaire à son entraînement.
La modélisation dans ASCMO-DYNAMIC sert avant tout à prédire le comportement du système dynamique/transitoire avec précision, simplicité et fiabilité. L'outil permet aux utilisateurs moins expérimentés d'utiliser plus facilement les méthodes de modélisation avancées requises pour cela tout en donnant aux experts la liberté d'ajuster les paramètres du modèle avec un haut degré de flexibilité. Dans ASCMO-DYNAMIC, la modélisation s'appuie sur les modèles de processus gaussiens. Il s'agit d'une méthode d'apprentissage statistique utilisant des données de mesure basées sur des processus gaussiens qui a déjà fait ses preuves à de nombreuses reprises. Ainsi, la fonction mathématique spécifique qui représente le mieux le comportement réel du système est déterminée automatiquement.
Autres avantages des modèles de processus gaussiens :
- Prise en compte du bruit de mesure afin d'éviter le surapprentissage
- Robustesse aux valeurs extrêmes
- Grâce à la résolution de la variance du modèle en local, l'utilisateur dispose d'une mesure de la fiabilité de la prédiction du modèle
Lors de la modélisation du comportement dynamique du système, il est nécessaire de prendre en compte non seulement le moment actuel, mais aussi les étapes passées. Il existe différentes méthodes de modélisation pour y parvenir. Pour utiliser les modèles de processus gaussiens, on utilise une structure dans laquelle les étapes passées sont introduites dans le modèle en tant qu'entrées supplémentaires. ASCMO-DYNAMIC détermine automatiquement les étapes passées nécessaires à ce processus.
Pour les tâches spéciales, des types de modèles supplémentaires de la classe des réseaux de neurones récurrents (RNN) sont proposés avec les modèles de processus gaussiens. Par exemple, le type de cellule de réseau de neurones récurrents LSTM (mémoire à court et long terme) est bien adapté aux problèmes dont les influences remontent loin dans le passé.
Les utilisateurs expérimentés peuvent activer le mode expert, qui leur donne accès à toutes les options et paramètres du modèle et leur permet ainsi d'effectuer si nécessaire des ajustements spécifiques qui ont une influence sur l'entraînement du modèle. La qualité du modèle est indiquée par des graphiques et des chiffres clés faciles à comprendre.
Tous les modèles peuvent également être exportés dans différents formats et utilisés librement en dehors d’ASCMO en tant que modèle d'installation. Simulink, CCode et FMU/FMI sont des exemples bien connus de formats possibles.
Un format spécial permet la création de modèles destinés à l'accélérateur matériel AMU (Advanced Modeling Unit) de Bosch. L'AMU est un module spécial du calculateur Bosch MDG1. Il permet d'évaluer le modèle ASCMO stocké sur le calculateur dans des véhicules de série.
Dans ASCMO-DYNAMIC, les modèles peuvent être utilisés comme instruments de mesure virtuels. Cela sert par exemple à prédire des émissions sur un cycle de conduite complet selon des séries chronologiques pour les variables d'entrée. Le modèle calculera les variables de sortie correspondantes à toutes les combinaisons de paramètres de variables d'entrée souhaitées. À l'instar de mesures réelles (issues par exemple du banc d'essai moteur), ces données de mesures artificielles peuvent être utilisées, analysées graphiquement et exportées sous forme de fichier CSV pour un traitement ultérieur sous Excel.
Compatibilité
ASCMO-DYNAMIC est ouvert et flexible. L'outil prend en charge tous les formats de données pertinents qui sont utilisés, notamment pour les bancs d'essai et la calibration. ASCMO-DYNAMIC peut exporter les modèles créés dans différents formats pour les utiliser dans d'autres environnements. Grâce à l'interface MATLAB®, l'utilisateur peut facilement intégrer des fonctions et modèles propres au client, automatiser les opérations avec des scripts ou intégrer une automatisation du banc d'essai.
