Développement d'un jumeau numérique de véhicule automobile - application à la dynamique temps réel de la liaison au sol

VIRTUAL SENSOR VEHICLE FOR THE REAL-TIME IDENTIFICATION OF GROUND BINDING EFFORTS AND WHEEL BASED EXCITATIONS

• Auteur / Autrice : Alexandre Débarbouillé
• Direction : Franck Renaud
• Type : Projet de thèse
• Discipline(s) : Mécanique des solides et des structures
• Date : Inscription en doctorat le 06/01/2020
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Sciences mécaniques et énergétiques, matériaux et géosciences (Gif-sur-Yvette, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : QUARTZ (ECS, L@RIS, LISMMA)
• Partenaire(s) de recherche : Référent : CentraleSupélec (2015-....)
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Sciences de l’ingénierie et des systèmes (2020-….)

Mots clés

Mots clés libres

Jumeau numérique

Multicorps

Filtre de Kalman

Estimation de forces

Contraintes cinématiques

Véhicule automobile

Digital twin

Multibody model

Kalman filters

Force estimation

Kinematic constraints

Automotive vehicle

Résumé

Le projet consiste à développer une méthode d'identification temps réel de la distribution des efforts issue de paramètres physiques décrivant le comportement dynamique du véhicule [3]. Un premier modèle multicorps non linéaire simplifié de véhicule (3008 _ P84 US) a permis déjà d'identifier les efforts verticaux et les excitations routes. L'identification tridimensionnelle des efforts et la diminution des temps de calcul (i.e. le temps réel) semblent atteignables : • D'une part par l'établissement d'un modèle au plus juste i.e. le nombre de capteurs (réels/virtuels) et leur placement pour décrire au mieux les efforts 3D de conceptions de la LAS et les excitations bases de roue ; • D'autre part par réduction du modèle multi corps non linéaire. Ici il s'agit de réduire au mieux le modèle multi corps en considérant les incertitudes du modèle et des mesures, les objectifs de précision des grandeurs d'intérêt et les bandes de fréquences étudiées. • Et de dernière part par une identification (prédiction /correction) non linéaire utilisant par des observateurs de type filtres de Kalman ou H-infini [4] . Il s'agit ici de mettre en place une méthode de machine learning visant à capter le comportement dynamique du véhicule et d'identifier finalement en temps réel (lors des roulages en direct) les efforts et les excitations base de roue.

We aim to develop a method for real-time identification of force distribution resulting from road excitations using a multi-body model describing the nonlinear dynamic behavior of a vehicle and some real observation data. A first simplified non-linear multibody model has been established which successfully identify the vertical forces and road excitations. The three-dimensional identification of these efforts and the reduction of the computation time (i.e. in real time) seem attainable: • On the one hand by the establishment of a model at the fairest i.e. the number of sensors (real / virtual) and their placement to best describe the 3D efforts and wheel base excitations; • On the other hand by reducing the nonlinear multibody model. Here it is a question of reducing at best the multi-body model by considering uncertainties of model and measurements, parametric identification accuracy and frequency bandwidth. • And lastly by a non-linear identification (prediction / correction) using for example observers such Kalman or H-infini. It is a matter here of setting up a method of machine learning aimed at capturing the dynamic behavior of the vehicle and finally identifying in real time (during the live runs) the efforts and excitations wheel base.