Capteurs virtuels de forces roue

Approches complémentaires : modèles physiques et apprentissage automatique 

Résumé 

Ce rapport présente une approche accessible et structurée pour estimer les forces roue à partir de signaux dynamiques disponibles sans instrumentation lourde. L’objectif est de construire un capteur virtuel capable de reconstruire les efforts appliqués aux roues à partir de données véhicule disponibles. 

La méthode repose sur une chaîne simple : préparation des données, réduction de la redondance, sélection des variables les plus utiles, puis comparaison de plusieurs modèles d’estimation. Les résultats montrent qu’un modèle à arbres boostés offre la meilleure performance globale pour la reconstruction des efforts, tandis qu’un modèle physique apporte une cohérence mécanique utile pour l’interprétation et la robustesse. 

Les efforts reconstruits peuvent ensuite constituer une entrée pour différentes applications d’ingénierie, notamment des analyses de durabilité, sous réserve d’une validation dédiée à l’usage visé. 

Mots-clés : capteur virtuel, forces roue, modèle physique, apprentissage automatique, PCA, arbres boostés, MLP 

1. Introduction 

L’estimation des efforts roue est un sujet important pour le dimensionnement, la validation et le suivi de la tenue en service d’un véhicule. Mesurer directement ces efforts exige des capteurs physiques spécifiques et des campagnes instrumentées coûteuses, ce qui limite la fréquence et l’ampleur des essais. L’enjeu est donc de construire une alternative plus légère, basée sur des signaux déjà disponibles et sur des modèles d’estimation crédibles. 

Le problème consiste à reconstruire les forces roue à partir de signaux véhicule généraux tels que la vitesse, les accélérations, le lacet, le freinage, l’angle de volant et les informations liées aux roues. Les forces ainsi estimées peuvent ensuite alimenter différents usages d’ingénierie selon les besoins du projet. 

L’intérêt d’une telle approche est double : elle réduit la dépendance à l’instrumentation physique et elle permet de comparer plusieurs méthodes d’estimation dans un cadre unifié. Cet article  suit cette logique avec une progression simple : préparation des données, estimation des forces et comparaison des modèles. 

2. Données et préparation 

2.1 Jeux de données et variables 

Les données d’entrée proviennent de signaux dynamiques véhicule couvrant plusieurs familles physiques : vitesse véhicule, vitesses roue, accélérations longitudinale et transversale, lacet, freinage, angle de volant, couple et variables liées à la dynamique verticale. L’idée n’est pas de conserver toutes les variables possibles, mais de retenir celles qui apportent une information réellement utile pour la reconstruction des efforts roue. 

Les cibles physiques sont les composantes d’efforts et de moments aux quatre roues. Dans ce travail, l’analyse se concentre surtout sur la roue avant gauche pour illustrer la méthode, puis les résultats sont étendus aux autres roues selon les besoins. 

2.2 Nettoyage et synchronisation 

La première étape élimine les signaux inutilisables : valeurs constantes, signaux nuls, colonnes remplies de zéros, présence de NaN ou signaux trop peu échantillonnés. Après ce filtrage, les données sont resynchronisées sur une base commune à 100 Hz. Cette étape est essentielle pour garantir que toutes les variables peuvent être comparées à la même instantanéité. 

2.3 Réduction de redondance 

Une analyse en composantes principales est utilisée pour mesurer la redondance du jeu de données. Ce travail montre qu’un nombre limité de composantes suffit à résumer une grande partie de l’information, ce qui confirme qu’il existe une structure interne forte dans les signaux. 

Cette analyse est suivie d’une étude de corrélation entre signaux. L’objectif est de repérer les variables les plus informatives et d’éviter de conserver plusieurs signaux qui décrivent presque la même grandeur physique. Finalement, on obtient une base d’entrée plus compacte, plus lisible et plus adaptée à l’apprentissage. 

Figure 1 — Évolution temporelle des composantes principales 

La figure 1 illustre l’évolution temporelle des trois premières composantes principales calculées sur les signaux CAN. À chaque instant, les scores de PCA représentent la projection de l’état du véhicule sur les directions de variance dominantes. Cette représentation permet de visualiser l’évolution de la structure du jeu de données au cours du trajet, sans attribuer directement une composante principale à un signal physique particulier. 

3. Estimation des forces roue 

3.1 Principe général 

L’objectif de cette partie est de reconstruire les efforts roue à partir des signaux véhicule retenus. Pour chaque roue et pour chaque composante d’effort, les variables d’entrée sont associées à la cible correspondante, puis plusieurs modèles sont entraînés et comparés. 

Les trois familles de modèles retenues sont : 

un réseau de neurones de type MLP, 

un modèle à arbres boostés, représenté ici par la meilleure version de la famille testée, 

un modèle physique fondé sur la dynamique véhicule. 

Le choix final conserve uniquement la meilleure version du modèle à arbres boostés, car elle donne les meilleurs résultats globaux parmi les variantes testées. 

3.2 Pipeline d’apprentissage 

Le pipeline est identique pour toutes les composantes : construction de la matrice d’entrée, association avec la cible, séparation des trajets entre jeux d’entraînement, de validation et de test, puis entraînement. Les performances sont ensuite évaluées avec trois métriques complémentaires : R², RMSE et MAE. 

Le R² mesure la qualité globale de reconstruction. Le RMSE met en évidence les grandes erreurs. Le MAE donne une erreur moyenne plus intuitive. Utiliser les trois ensemble permet de juger à la fois la qualité globale, les pics d’erreur et l’erreur moyenne. 

3.3 Modèles comparés 

Le MLP offre une approche souple et simple à déployer. Il est capable de capturer des relations non linéaires, mais il dépend fortement du réglage de sa taille et de sa normalisation. 

Le modèle à arbres boostés donne en général les meilleurs résultats sur les données tabulaires. Il suit bien les variations rapides et reste robuste sur de nombreuses composantes d’effort. 

Le modèle physique, quant à lui, n’est pas toujours le plus précis en reconstruction instantanée, mais il apporte une cohérence mécanique importante et aide à interpréter les résultats. 

Tableau 1 — Comparaison des familles de modèles 

Tableau 2 — Synthèse des résultats de reconstruction des forces 

Figure 2 — Exemple de reconstruction des efforts roue. 

FIGURE 2-a : Courbes FLFz– vrai vs prédiction ML avec modèle à arbres boostés 

FIGURE 2-b : Courbes FLFz– vrai vs prédiction ML avec model MLP-medium 

FIGURE 2-c : Courbes Fx mesuré vs Fxphys pour la roue FL 

3.4 Conclusion partielle 

Les résultats de cette partie montrent qu’un modèle à arbres boostés bien réglé fournit la meilleure reconstruction globale parmi les modèles testés. Le MLP reste intéressant, surtout lorsque la normalisation est bien maîtrisée. Le modèle physique complète utilement l’ensemble en apportant une lecture mécanique claire. 

4. Approches physiques et apprentissage automatique 

4.1 Rôle du modèle physique 

Le modèle physique sert à encadrer les résultats de l’apprentissage automatique. Il s’appuie sur la dynamique véhicule, la répartition de charge et les transferts liés aux accélérations longitudinales et latérales. Même s’il ne capture pas toutes les non-linéarités, il reste précieux pour garder une estimation mécaniquement plausible. 

Ce travail montre que ce modèle est particulièrement utile sur les tendances globales et dans les situations où la cohérence mécanique est prioritaire. Il constitue donc une référence solide pour comparer les sorties des modèles appris. 

4.2 Complémentarité des approches 

Les approches fondées sur la physique et celles issues de l’apprentissage automatique répondent à des objectifs complémentaires. Les modèles physiques apportent une lecture directement liée à la dynamique du véhicule, tandis que les modèles appris permettent de représenter des relations complexes présentes dans les données. Selon le contexte industriel, ces approches peuvent être évaluées afin de rechercher le meilleur compromis entre précision, robustesse et interprétabilité. 

5. Applications potentielles 

5.1 Exploitation des efforts reconstruits 

Une fois les forces roue estimées, elles peuvent servir d’entrée à différentes chaînes d’analyse selon le besoin industriel. Elles peuvent notamment contribuer à des études de validation, de suivi de l’usage ou de durabilité, à condition que chaque application fasse l’objet d’une validation adaptée. 

L’objectif est ainsi de disposer d’une information virtuelle exploitable au-delà de la reconstruction du signal, sans présumer de la performance d’une application aval particulière. 

6. Discussion 

Les résultats confirment que la combinaison entre réduction de redondance, sélection des variables et apprentissage automatique constitue une approche solide pour construire un capteur virtuel de forces roue. La PCA et la corrélation permettent de simplifier le problème avant l’apprentissage, ce qui améliore la stabilité et la lisibilité des modèles. 

Le meilleur modèle à arbres boostés apparaît comme la solution la plus efficace pour la reconstruction des efforts. Le modèle physique, même un peu moins précis en reconstruction pure, joue un rôle essentiel dans l’interprétation et la cohérence mécanique. La comparaison de ces approches permet d’évaluer le compromis entre précision, robustesse et interprétabilité selon le contexte d’utilisation. 

Les efforts reconstruits peuvent ensuite être utilisés comme entrées de traitements aval, notamment pour des problématiques de validation ou de durabilité. La pertinence de ces usages dépend toutefois de la qualité de reconstruction requise et doit être évaluée spécifiquement pour chaque application. 

7. Conclusion 

Ce rapport montre qu’il est possible de construire une chaîne cohérente de capteurs virtuels pour estimer les forces roue à partir de signaux dynamiques disponibles. La méthode suit une logique simple : préparer les données, réduire leur redondance, choisir les variables utiles puis comparer plusieurs modèles d’estimation. 

Le meilleur modèle à arbres boostés fournit la meilleure reconstruction globale parmi les approches testées. Le modèle physique reste une référence utile pour la cohérence et la compréhension mécanique du problème. Ces résultats constituent une base solide pour développer des capteurs virtuels plus légers qu’une instrumentation complète et pour explorer, après validation dédiée, des applications aval telles que la durabilité.