On utilise ici 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-STATIC peut être utilisé pour modéliser la consommation de carburant et des émissions polluantes de moteurs à combustion interne complexes en fonction du régime, de la charge et de toutes les variables de contrôle du moteur. Le logiciel peut faire des prédictions précises et permet de mettre en œuvre des optimisations manuelles et automatiques sur la base de ces modèles. Cela permet d'obtenir le meilleur compromis entre les émissions de polluants et la consommation de carburant ainsi que d'autres conditions limites lors du fonctionnement du moteur.
Avantages
- Simplicité d’utilisation ne requérant aucune connaissance spécifique
- Méthodes d'IA puissantes issues du domaine de l'apprentissage machine
- Représentation graphique interactive de dépendances multidimensionnelles
- Partage de modèles et de données sur la base de formats standard
- Réduction de la complexité du modèle pour les applications urgentes, telles que le déploiement sur des calculateurs
- Interfaces MATLAB® et COM puissantes permettant d’intégrer des outils et fonctions propres aux clients et de connecter un système d’automatisation de banc d’essai
Caractéristiques et fonctions
Le module de plan expérimental pour le plan d'expériences (ExpeDes) permet de planifier facilement les mesures sous-jacentes. Grâce aux méthodes du plan d'expériences, les positions des points de mesure où les mesures sont obtenues sont proposées méthodiquement et dans une dynamique d'occupation de l'espace. La plage de variation des paramètres à ajuster peut être limitée 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. Grâce à un découpage intelligent du plan expérimental en blocs, il est possible d'ajuster le temps et l'effort nécessaires à la mesure pour qu'elle soit adaptée au degré de précision souhaité. En outre, il est possible de définir l'ordre de tri des points de mesure ainsi qu'une compression des points dans certaines régions de l'espace expérimental. Les exigences concernant l'automatisation des bancs d'essai (par exemple le tri et l'aménagement des points d'exploitation) sont également prises en compte de manière très concrète. Des représentations graphiques des points dans toutes les dimensions permettent la validation et l'évaluation simples du plan d'expériences.
La modélisation dans ASCMO-STATIC sert avant tout à prédire le comportement du système 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-STATIC, 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. Cela permet de déterminer automatiquement la fonction mathématique spécifique qui représente le mieux le comportement réel du système.
Il est très facile de créer un tel modèle. Après avoir sélectionné les entrées et les sorties pertinentes du système (variables d'influence et valeurs cibles), l'utilisateur peut immédiatement lancer l'apprentissage du modèle sans paramétrage supplémentaire.
Le temps nécessaire à l'entrainement du modèle dépend du nombre de points de mesure et d'entrées. Il faut généralement quelques secondes à quelques minutes. 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.
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
Outre la méthode de modélisation standard, l'outil fournit également d'autres algorithmes pour des tâches spéciales. Cela inclut des modèles de classification et de réduction de la complexité. 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.
Une des vues standard pour la visualisation des modèles est appelée diagramme d'intersection. Ces diagrammes d'intersection interactifs offrent des visualisations simples des dépendances multidimensionnelles. L'axe des abscisses affiche les entrées dans le système, et l'axe des ordonnées les sorties.
Dans chaque sous-diagramme, la courbe noire (modèle de prévision) montre l'influence d'une entrée (axe des abscisses) sur la sotie correspondante (axe des ordonnées). En d'autres termes, si l'entrée varie, le système réel influencera la sortie de la manière indiquée par la courbe noire, à condition que toutes les autres entrées ne soient pas ajustées. Dès lors qu'une autre saisie est ajustée, cette dépendance peut évoluer. Cela montre comment les interactions des entrées ont un effet sur la sortie. Une courbe en pointillés rouge est également affichée au-dessus et en dessous de la courbe noire, indiquant la fiabilité de la prédiction du modèle. Plus elle se rapproche de la courbe noire, plus le modèle est certain que la prédiction peut être calculée de manière fiable.
Outre cette vue principale dans ASCMO-STATIC, il existe également différentes options pour visualiser les dépendances et influences. Cela comprend également, par exemple, la possibilité d'afficher des cartographies ou un diagramme de dispersion, qui présente les données sous forme de nuage de points dans un certain nombre de combinaisons différentes.
L'utilisateur dispose donc d'un large éventail d'options pour analyser et visualiser le comportement du système modélisé. L'outil permet d'effectuer facilement des tâches de validation et d'établir une compréhension du système sans avoir à effectuer de mesures complexes et chronophages sur le système réel.
Pour optimiser les variables d'entrée pour contrôler un moteur, par exemple, il est possible de définir différents critères, tels que la minimisation/maximisation, les valeurs limites supérieures/inférieures et les valeurs cibles pour les variables de sortie. Lors de l'optimisation, il est possible de pondérer ces critères ou de calculer la courbe de compensation complète (courbe de Pareto). L'utilisateur peut ensuite sélectionner le compromis approprié dans la courbe de compensation. Pour les applications moteur, une optimisation globale peut être effectuée sur l'ensemble de la plage de fonctionnement. L'utilisateur reçoit alors très rapidement une calibration optimale des cartes de caractéristiques de toutes les variables d'entrée. Les cartes de caractéristiques peuvent également être ajustées manuellement ou verrouillées. L'utilisateur voit toujours immédiatement les effets des changements sur les valeurs de sortie. Ceci est vrai pour la valeur individuelle au point de fonctionnement actuel ainsi que pour la valeur cumulée par rapport au cycle de conduite complet.
Les résultats de l'optimisation peuvent être exportés sous différents formats. Pour la calibration de la gestion du moteur, DCM et CDFX sont les formats habituels. Les formats Excel XLS et XLSX ainsi que le format CSV sont également pris en charge.
Dans ASCMO-STATIC, les modèles peuvent être utilisés comme instrument de mesure virtuel pour générer artificiellement de grandes quantités de données de mesure. Dans cette optique, l'utilisateur peut définir n'importe quelle taille de grille pour les variables d'entrée en ajustant la taille de pas, de nombre de pas et de points de rupture libres directement dans l'outil ou en important des listes Excel. 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-STATIC 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-STATIC 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. Il est également possible de connecter une automatisation du banc via l'interface COM.
