L'intelligence artificielle basée sur la physique pour réduire les émissions des freins des véhicules électriques – PI-CUBE

Deux voies ont été initialement menées en parallèle consistant d’un côté en l’exploitation de données existantes issues des bancs d’essai industriels et d’un autre côté en une extension des fonctionnalités d’un banc d’essai de laboratoire (tribomètre) fortement instrumenté.
L’exploitation des données des essais industriels à l’aide d’algorithmes d’apprentissage a été menée sur les nuisances sonores (crissement), puisqu’il n’existe pas à ce jour de données suffisantes concernant la mesure des émissions de particules. Ces données se sont avérées insuffisantes pour une prédiction très robuste.
C’est tout l’enjeu des essais menés sur tribomètre de laboratoire dont l’intérêt principal est d’intégrer une instrumentation riche permettant d’identifier des mécanismes prépondérants et de disposer des données associées. La première étape a consisté à définir les conditions d’essai permettant de reproduire des sollicitations proches du cas réel (en termes d’efforts, de température…) tout en obtenant une réponse en émissions satisfaisante. Une sélection des matériaux de friction a été conduite sur une première campagne expérimentale, permettant en outre la prise en main du banc d’essai et son instrumentation multimodale. Deux couples de friction ont été sélectionnés suivant 6 critères jugés essentiels pour le projet, avec des réponses tribologiques et de sensibilité aux émissions distinctes.
Plusieurs évolutions du montage d’essai et de l’instrumentation ont été réalisés permettant de fiabiliser le système et d’accroître les mesures (notamment une chaîne de collecte et de mesure operando des particules a été adjointe, ainsi qu’un suivi discret des surfaces, c’est-à-dire entre chaque essai, à l’aide de deux profilomètres optiques côté pion et côté disque).
Différents algorithmes de classification ont permis de répertorier et classer les épisodes des émissions tant sonores que de particules. Des algorithmes de prédiction ont été testés afin de prédire les émissions, permettant également d’identifier les paramètres influents. Des croisements sont faits avec les interprétations physiques dans le but d’enrichir les prédictions.
La mise au point de prédictions par apprentissage, guidées par la physique, a finalement été utilisée pour une prédiction temps réels sur le tribomètre de freinage. Une première phase d’apprentissage est conduite, puis le prédicteur est utilisé pour moduler l’actionneur du frein à friction dans le but de réduire les émissions. Cette modulation tient compte des possibilités de combinaison entre le frein à friction et le frein régénératif (électrique).

L’exploitation des données des bancs industriels avec un nombre de données important a montré qu’une prédiction relativement satisfaisante pouvait être obtenue avec une interpolation fiable dans un domaine défini d’exploitation (vitesse, pression…). Néanmoins ces prédictions sont liées à une application donnée (type de frein), avec une robustesse limitée ni extrapolation possible à d’autres configurations de freinage par manque de données mesurées et de compréhension des mécanismes physiques prépondérants associés.
Une configuration d’essai sur tribomètre en laboratoire fortement instrumentée a été développée, associant mesures operando mécaniques et thermiques avec quantification des émissions de bruit et de particules (comptage et collecte) et suivi discret des surfaces en contact (entre chaque freinage).
Des analyses approfondies des données ont été réalisées du point de vue physique par interprétation et modélisation des phénomènes identifiés comme clés dans les émissions : ouverture/fermeture de contact, rôle de la température, conditionnement initial des surfaces…). Ces paramètres clés ont été confirmés par les méthodes d’apprentissage (feature importance). Cette confrontation, entre interprétation physique et identification des paramètres clés, s’est avérée très satisfaisante et a permis d’éclairer à la fois les mécanismes physiques prépondérants et les méthodes nécessaires pour la prédiction de ces nuisances, tant sonores (crissement) que des émissions de particules.
A partir de la classification des émissions et de l’identification des paramètres clés, des algorithmes d’apprentissage ont été enrichis et testés sur plusieurs campagnes. L’aboutissement est une campagne avec prédiction en temps réel des émissions à l’aide de l’algorithme développé, avec apprentissage sur les campagnes préalables. Le résultat est un prédicteur des émissions permettant d’ajuster l’effort de freinage pour limiter les émissions, tout en garantissant la dissipation de la fraction d’énergie du frein mécanique, en complément du frein régénératif. Ce démonstrateur de laboratoire permet de valider la méthodologie développé d’enrichissement de l’algorithme d’apprentissage par la physique.

Le projet a montré la faisabilité d’une prédiction des émissions de bruit et des particules du système de freinage par friction, à condition d’y inclure des données sensibles aux phénomènes physiques prépondérant dans ces émissions (tribologiques et thermomécaniques principalement). Ce résultat novateur ouvre la voie à une optimisation de l’utilisation des systèmes de freinage par friction, avec la possibilité de modulation de la combinaison avec le frein régénératif sur les véhicules électriques.
Néanmoins une contrainte est de passer par une phase d’apprentissage sur des essais fortement instrumentés, ce qui est coûteux et chronophage. Une amélioration serait d’être en mesure de lier des mesures globales, disponibles sur les bancs industriels (vitesse, force…) avec les données nécessaires à la prédiction. Cela peut être fait par des méthodes d’apprentissage intégrant explicitement les phénomènes physiques liant les paramètres globaux à ceux identifiés comme clés dans le projet PI-CUBE. Des premiers développements ont été conduits dans le projet PI-CUBE qui se sont avérés prometteurs. Ils montrent la nécessité d’inclure des modélisations physiques plus approfondies permettant de décrire le système de freinage (réponse dynamique et thermomécanique) et des mécanismes tribologiques. La nécessité d’associer ces modèles à des méthodes issues de l’IA est également essentielle. Ce point est crucial mais aussi complexe car s’attaque aux mécanismes de frottement qui combinent des phénomènes mécaniques et physico-chimiques à plusieurs échelles, qui sont impossibles à modéliser explicitement à ce jour. Une perspective serait d’ajouter une dimension mesoscopique à la description macroscopique utilisée dans le projet PI-CUBE, et lier cette modélisation à l’échelle mesoscopique des débits matières avec apprentissage des données d’activation de ces débits. La part de caractérisation expérimentale s’en verrait fortement réduite à l’obtention des données nécessaire à identifier l’apprentissage de l’algorithme associé à la modélisation physique. Un projet ANR franco-allemand (SLOPE) a été déposé dans cet objectif.

Articles dans des revues à comité de lecture:
VV. LAI, I. PASZKIEWICZ, JF. BRUNEL, P. DUFRENOY (2022) Squeal occurrence related to the tracking of the bearing surfaces on a pin-on-disc system Mechanical Systems and Signal Processing 165, n°108364 (IF 6.82) DOI:10.1016/j.ymssp.2021.108364
C. GEIER, S. HAMDI, T. CHANCELIER, P. DUFRENOY, N. HOFFMANN, M. STENDER (2023) Machine learning-based state maps for complex dynamical systems: applications to friction-excited brake system vibrations Nonlinear Dynamics 111(24) 22137-22151 (IF 5.74) DOI: 10.1007/s11071-023-08739-6
3 soumissions en processus de reviewing dans MSSP, WEAR et LUBRICANTS

Conférences:
ENOC 2022 (10th European Nonlinear Dynamics Confeence), A machine learning perspective on frictional contacts and self-excited vibrations Maël Thévenot, Charlotte Geier, Jean-François Brunel, Merten Stender, Philippe Dufrénoy and Norbert Hoffmann
GAMM 2022, Data-driven stability maps for friction-induced vibrations Charlotte Geier, Merten Stender, Saïd Hamdi, Norbert Hoffmann, Thierry Chancelier
ASIABRAKE 2022 Identification of key parameters of braking emissions by model-experience dialogue Philippe Dufrénoy, Yannick Desplanques, Jean-François Brunel, Mael Thevenot
CFM 2022 (Congrès Français de Mécanique) Relation tribologie-thermomécanique par dialogues modèles-expériences Philippe Dufrénoy (conférencier invité)
EUROBRAKE 2023 Tribological analysis and link with particles emission of a pin-on-disc during braking. Maël Thévenot, Jean-François Brunel, Yannick Desplanques, Philippe Dufrénoy
JIFT 2023 Analyses tribologiques et lien avec les émissions de bruit et particules d’un système pion-disque en situation de freinage. Maël Thévenot, Jean-François Brunel, Yannick Desplanques, Philippe Dufrénoy, Merten Stender, Norbert Hoffmann
EUROBRAKE 2024 Analysis of multimodal experimental data for physical understanding of emissions mechanisms during braking events. Maël Thévenot, Quentin Caradec, Jean-François Brunel, Nathanael Winter, Merten Stender, Norbert Hoffmann, Yannick Desplanques, Philippe Dufrénoy
LEEDS-LYON 2024 Analysis of multimodal experimental data for physical understanding of emissions mechanisms during braking events. Maël Thévenot, Quentin Caradec, Jean-François Brunel, Florent Brunel, Merten Stender, Norbert Hoffmann, Philippe Dufrénoy

Ce projet vise à développer un nouveau système de pilotage du freinage des véhicules électriques ayant recours à l’intelligence artificielle (IA), pour une réduction significative (i) des émissions de particules de frein et (ii) des émissions sonores. Ces deux émissions constituent des sources majeures de pollution environnementale et de risques pour la santé dans les zones urbaines : Il existe aujourd'hui un consensus sur le fait que les freins à friction des véhicules actuels émettent environ la même quantité de particules que les moteurs à combustion actuels. Avec les moteurs électriques, le frein à friction (conjointement avec les pneus) deviendra le principal émetteur de poussières hautement toxiques des véhicules. Il en est de même avec la disparition de la plupart des sources de bruit des moteurs à combustion qui rendent de plus en plus audible et nocifs les bruits issus du frottement des composants des freins. En raison de la complexité de la physique et de la chimie impliquées dans le freinage par friction, il n'a pas été possible jusqu'à présent de générer des modèles satisfaisants, ou un "jumeau virtuel", à partir de la théorie fondamentale et des principes de base. Les récents progrès des méthodes d’IA suggèrent qu'une combinaison de physique et de méthodes basées sur le traitement de données est la voie à suivre pour passer à une modélisation, une simulation et un pilotage applicables pour une mobilité plus verte et plus saine. Avec le changement de paradigme vers les véhicules électriques, il est maintenant urgent d'obtenir un contrôle des futurs freins à friction en ce qui concerne la réduction des émissions de particules et du bruit par une utilisation intelligente du freinage. Le fait de disposer de deux moyens de freinage ouvre une voie d’optimisation de leur combinaison. Différentes méthodes d’IA seront intégrées : pour enrichir les modèles physiques à l’aide d’un capteur virtuel, pour la mise au point de descripteurs des émissions et pour une amélioration continue de la stratégie de pilotage par apprentissage avec l’usage. Les modèles de prévision des variables de charge attendues lors du prochain freinage détermineront le risque d'une forte augmentation des émissions afin d'éviter les points de fonctionnement critiques en utilisant un contrôle basé sur les données (apprentissage par renforcement) des freins électriques et mécaniques. Le fonctionnement du système sera démontré sur un prototype de laboratoire. L'université de technologie de Hambourg possède une expertise de longue date en matière de science des données et de modélisation informatique des émissions sonores des freins à friction, elle est l'une des principales équipes dans ce domaine en Allemagne et dans le monde. L'Université de Lille, qui possède une longue expérience des problèmes de frottement et d'usure, est la plus importante institution de recherche européenne travaillant sur la tribologie des freins à friction. Volkswagen AG et AUDI AG sont les principaux constructeurs automobiles allemands et permettent d'accéder à des essais de freins commerciaux en situation réelle et à des données de terrain. Hitachi Automotive Systems est l'un des principaux fabricants de freins à friction automobiles au monde. Tous les partenaires fournissent les connaissances, les capacités et l'excellence nécessaires pour développer cette nouvelle stratégie de pilotage du freinage basée sur l’IA qui aidera les partenaires industriels à développer de nouveaux produits numériques, tandis que les institutions de recherche définiront les besoins futurs en IA pour les systèmes mécaniques. Ainsi, le projet représente le noyau de futures collaborations interdisciplinaires et de développements technologiques dans le but de mettre en place des transports respectueux de l'environnement. Le projet renforce également l'industrie européenne de la mobilité, tout en poussant la recherche en IA à s'intégrer dans les systèmes mécaniques.