Module de Diagnostic par "reconnaissance des formes" (RDF)
Objectifs du module
Les objectifs de ce module sont triples:
- De pallier certaines limites des fonctions d’auto-diagnostic des calculateurs. En effet, même si l'auto-diagnostic des calculateurs est de plus en plus évolué, de trop nombreuses pannes ne sont pas encore détectées ou le code défaut remonté par le calculateur est trop général pour permettre au garagiste de trouver l'origine de la panne.
- Diagnostiquer aussi bien des pannes d’origine électronique que mécanique. Un des principaux intérêts de ce module est de permettre l'isolation de panne d'origine mécanique dès que la panne influe sur une grandeur physique mesurée par un capteur
- Réduire l’effort de modélisation et d’expertise, car contrairement à d'autres méthodes de diagnostic, la RDF repose sur l'utilisation de techniques d'apprentissage automatiques pour créer les modèles du véhicule. Ces modèles sont de ce fait beaucoup moins coûteux à élaborer que des modèles basés sur l’avis d'experts.
Principe de fonctionnement
A l'heure actuelle, les calculateurs émettent un code défaut lorsque:
- Un paramètre sort d’un intervalle de valeurs prédéterminées
- Un paramètre ne suit pas une évolution « cohérente »
Nous allons illustrer le principe du diagnostic par RDF en prenant l’exemple de deux variables du système d’injection : Le débit d’air et la pression du carburant.
Dans cet exemple, si on étudie le fonctionnement du moteur dans le plan débit d’air / pression carburant (cf Figure 1), et si on suppose que le calculateur teste que chacune de ces variables évolue à l’intérieur d’un intervalle prédéfini, alors tout point de fonctionnement du moteur situé à l'extérieur du carré rouge provoquera l'émission d'un code défaut. |
Figure 1 : Comparaison zone de fonctionnement normal/émission d'un code défaut |
Etat avancement de l’étude :
Après une étude de faisabilité sur une Peugeot 406, des démonstrateurs ont été développés pour 2 autres véhicules :
- Un premier sur une Renault Safrane 2.5 essence. Sur ce véhicule, une dizaine de pannes ont été réalisées sur 5 organes différents du système d’injection. Aucune de ces pannes n’est détectée par les fonctions d’autodiagnostic du calculateur, donc aucun code défaut n'est émis, mais chacune de ces pannes est parfaitement détectée par l’approche RDF. Cette première expérimentation a également montré la capacité d’une telle approche RDF à déterminer l’origine de la panne. En étant les pannes au système d’allumage, nous avons toutefois noté, qu’à partir des corrélations choisies, il était difficile de faire la différence entre certaines pannes du système d’allumage et du système d’injection
- Un deuxième est en cours de développement sur une Peugeot 807 2.2 HDI.
Avantages / Inconvénients de l’approche RDF :
+ Capable de diagnostiquer des pannes non détectées par les calculateurs ;
+ Résout certaines ambiguïtés des codes défauts
+ Pas, ou du moins peu, de connaissances/modèles à saisir ;
+ Méthode statistique gérant bien les erreurs de mesures.
- Ne s’applique qu’à des systèmes ou sous-systèmes qui conduisent à des corrélations entre des variables mesurables.
-
Nécessité de faire appel à un expert motoriste pour définir les corrélations intéressantes (avec un outil d’aide).
Chercheurs concernés :
* Jérôme Thomas, ingénieur ACTIA
* Bruno JAMMES, LAAS-CNRS, Maître de Conférences à l’Université Paul Sabatier de Toulouse
Contact : Bruno JAMMES, jammes@laas.fr
MOTS-CLES : diagnostic par reconnaissance de forme, apprentissage
KEYWORDS : diagnostic using pattern recognition, machine learning |
