Nouvelle méthode affine l’analyse vibratoire des véhicules électriques
Dans l’industrie automobile, la quête du confort de conduite atteint des sommets inédits, particulièrement dans le domaine en pleine expansion des véhicules électriques (VE). Débarrassés du bruit de fond omniprésent des moteurs à combustion, les VE offrent un silence propice à une expérience de conduite premium. Cependant, ce calme, bien que recherché, rend les ingénieurs plus sensibles que jamais aux moindres vibrations transmises par le groupe motopropulseur au châssis et à l’habitacle. Les systèmes de suspension du moteur, conçus pour isoler ces perturbations, sont devenus un enjeu central de l’ingénierie NVH (Noise, Vibration, Harshness). Une étude récente, publiée dans le Journal of Hunan University (Natural Sciences) par une équipe de recherche de l’Université de Technologie du Sud de la Chine et de l’Université de Technologie de la Ville de Guangzhou, introduit une méthode novatrice qui promet de révolutionner la précision avec laquelle les ingénieurs peuvent prédire et optimiser les performances de ces systèmes. Cette avancée aborde un défi fondamental : la gestion simultanée de l’incertitude et de la corrélation des paramètres de conception.
Le travail, dirigé par le professeur Lü Hui, maître de conférences à l’École de génie mécanique et automobile de l’Université de Technologie du Sud de la Chine, en collaboration avec ses collègues Liao Zeyun, Li Changyu, Shangguan Wenbin et Xiao Guoquan, se concentre sur le système de fixation du groupe motopropulseur (PMS). Ce système, composé de supports en caoutchouc ou en matériaux composites, a pour mission cruciale d’absorber les forces et les vibrations générées par le moteur électrique lors de l’accélération, du freinage et de la circulation sur des routes irrégulières. L’efficacité d’un tel système est fréquemment mesurée par son « taux de découplage », c’est-à-dire sa capacité à confiner l’énergie vibratoire à un seul axe (par exemple, le mouvement vertical ou la rotation) sans qu’elle ne se propage aux autres. Un taux de découplage élevé est synonyme d’une conduite plus douce, plus silencieuse, et d’une expérience utilisateur nettement supérieure.
Le défi réside toutefois dans la complexité du monde réel. Pendant la production et l’utilisation, les paramètres clés des supports, tels que leur rigidité dynamique dans les directions X, Y et Z, ne sont pas des valeurs fixes et parfaitement contrôlées. Ils sont soumis à des variations dues aux tolérances de fabrication, aux différences entre les lots de matériaux, au vieillissement et aux fluctuations de température. Pendant des années, les ingénieurs ont fait face à cette incertitude en utilisant des modèles mathématiques simples, connus sous le nom de « modèles d’intervalle ». Ces modèles définissent une plage maximale et minimale pour chaque paramètre, en les traitant comme des variables indépendantes. Par exemple, la rigidité dans la direction X d’un support pourrait être définie entre 140 et 160 N/mm, tandis que celle en direction Y serait comprise entre 170 et 190 N/mm, sans tenir compte du fait que ces trois propriétés du même composant sont intrinsèquement liées.
Cette approche traditionnelle, bien qu’opérationnelle, présente une lacune critique : elle ignore la corrélation intrinsèque entre les paramètres. En pratique, les trois composantes de rigidité (X, Y, Z) d’un seul support en caoutchouc ne varient pas de façon aléatoire et indépendante. En raison des propriétés du matériau et du processus de vulcanisation, si la rigidité dans une direction est plus élevée que prévu, il est très probable que les rigidités dans les deux autres directions le soient également. Ces paramètres sont corrélés. En revanche, les supports montés à gauche, à droite et à l’avant du véhicule sont des unités distinctes ; la corrélation au sein d’un support unique n’implique pas une corrélation entre les différents supports. Modéliser cette structure complexe de dépendance et d’indépendance a longtemps été un obstacle majeur pour les méthodes d’analyse conventionnelles.
Des approches plus sophistiquées, telles que les modèles probabilistes ou ceux basés sur des ellipsoïdes multidimensionnels et des parallélépipèdes, ont tenté de capturer ces corrélations. Toutefois, les modèles probabilistes exigent une quantité massive de données statistiques pour être précis, des données souvent indisponibles dans les phases initiales de la conception. Les modèles géométriques, quant à eux, imposent une forme régulière (comme un ellipsoïde parfait) au domaine d’incertitude. En réalité, les données expérimentales forment des nuages de points aux contours irréguliers, qui ne s’ajustent pas parfaitement à ces formes idéalisées. L’utilisation d’un modèle avec une frontière trop régulière peut inclure de vastes « zones vides » dans le domaine d’incertitude, des régions où aucune combinaison physique réelle de paramètres n’existe. Cela conduit à des prévisions excessivement conservatrices sur la réponse du système, obligeant les ingénieurs à concevoir de façon plus robuste que nécessaire, avec une augmentation conséquente du poids, du coût et de la complexité.
Pour surmonter ces limites, l’équipe de Lü Hui a développé un nouveau cadre de modélisation appelé modèle d’ensemble convexe polygonal (PCS, Polygonal Convex Set). L’innovation centrale de cette approche réside dans sa capacité à fusionner deux visions de l’incertitude. Premièrement, elle utilise l’analyse en composantes principales (ACP), une technique statistique qui identifie les directions principales de variation au sein d’un ensemble de données multidimensionnelles. En appliquant l’ACP aux données de rigidité des supports, le modèle fait pivoter le système de coordonnées pour l’aligner sur les structures de corrélation réelles des données, créant ainsi un « modèle d’intervalle » dans ce nouveau système de coordonnées, qui est beaucoup plus compact que le modèle traditionnel.
Cependant, même ce modèle basé sur l’ACP peut s’étendre au-delà des limites physiques des paramètres individuels. C’est là qu’intervient la deuxième partie de la méthode PCS : l’intersection. Le modèle PCS prend l’intersection logique entre le domaine d’incertitude traditionnel (un hypercube qui respecte les limites physiques de chaque paramètre) et le domaine d’incertitude basé sur l’ACP (un parallélépipède aligné avec les corrélations). Le résultat est un domaine d’incertitude polygonal, avec une forme beaucoup plus irrégulière et ajustée, qui contient tous les points de données réels et exclut à la fois les « zones vides » du modèle traditionnel et les extensions non physiques du modèle ACP. Ce domaine plus réaliste permet une estimation beaucoup plus précise de la plage de réponse du système, en particulier pour des métriques critiques comme les taux de découplage.
Pour démontrer l’efficacité de leur méthode, l’équipe a appliqué le modèle PCS à une étude de cas réelle : le système de fixation à trois points d’une voiture électrique pour le marché des particuliers. Ils ont utilisé les valeurs de rigidité dynamique initiales des supports gauche, droit et avant comme point central et ont défini une incertitude de ±10%. Grâce à des simulations de Monte Carlo avec un million d’échantillons, ils ont généré des données synthétiques avec différents niveaux de corrélation (faible, moyenne et forte) pour simuler divers scénarios de production. Ensuite, ils ont comparé les prévisions du modèle PCS avec celles du modèle d’intervalle traditionnel et avec le modèle de parallélépipède multidimensionnel (MP).
Les résultats ont été décisifs. Lorsque la corrélation entre les paramètres était faible, les trois modèles produisaient des résultats similaires. Toutefois, à mesure que la corrélation augmentait, la supériorité du modèle PCS devenait évidente. Le modèle d’intervalle, incapable de capturer les corrélations, a produit les plages de réponse les plus larges et les plus conservatrices pour les taux de découplage dans les directions X, Z et θY (rotation du moteur). Le modèle MP a montré une légère amélioration, mais contenait encore des régions significatives d’« espace vide ». En revanche, le modèle PCS a obtenu un confinement beaucoup plus étroit de la réponse.
Par exemple, pour le taux de découplage sur l’axe X (DX) sous forte corrélation, le modèle d’intervalle a prédit une plage de 45,67 % à 81,69 %. Le modèle MP l’a réduit à 49,25 %–79,67 %. Le modèle PCS, cependant, a obtenu une plage significativement plus restreinte, de 59,77 % à 75,75 %. Cette réduction de l’amplitude ne représente pas seulement une prévision plus précise, mais aussi une réduction substantielle de la marge d’erreur, un élément crucial pour les ingénieurs qui cherchent à optimiser la conception. Des tendances similaires ont été observées pour les directions Z et θY, le modèle PCS montrant toujours la plus grande réduction de l’intervalle d’incertitude.
L’un des résultats les plus intéressants a été l’asymétrie avec laquelle la corrélation influence les limites supérieure et inférieure de la réponse. Dans toutes les directions, la limite inférieure (le pire des cas possibles) du taux de découplage a augmenté beaucoup plus avec la corrélation que la limite supérieure (le meilleur des cas possibles) n’a diminué. Cela suggère que la corrélation entre les paramètres a tendance à pousser le système vers un niveau de performance minimum plus élevé, réduisant ainsi le risque d’un comportement NVH médiocre. La direction θY a été la plus sensible, la limite inférieure augmentant de près de 13 % lorsque la corrélation est passée de zéro à 0,9, soulignant l’importance de prendre en compte les effets directionnels.
L’étude a également révélé quels supports ont le plus grand impact sur les performances du système. En introduisant la corrélation dans un seul support à la fois (avec un coefficient de 0,6), l’équipe a découvert que le support droit et celui de l’avant avaient l’influence la plus significative. La corrélation dans le support droit a fortement affecté la limite supérieure de DX, tandis que le support avant a eu un grand impact sur les limites inférieures de DX et DZ. Cette information est inestimable pour les concepteurs : elle indique qu’un contrôle qualité plus rigoureux sur la cohérence de la rigidité des supports droit et avant pourrait générer de plus grandes améliorations du confort global que de traiter tous les supports de la même manière.
Les implications de cette recherche sont profondes pour l’industrie automobile. Sur un marché des véhicules électriques où l’expérience de conduite silencieuse et fluide est un argument de vente clé, même de petites améliorations dans la précision de l’analyse NVH peuvent se traduire par des avantages concurrentiels significatifs. Les fabricants peuvent utiliser le modèle PCS pour concevoir des systèmes de fixation plus robustes qui maintiennent une performance cohérente malgré les variations de production, réduisant ainsi la nécessité de prototypes physiques coûteux et de modifications de conception tardives. De plus, sa nature non probabiliste le rend idéal pour les phases initiales de la conception, où les données statistiques complètes peuvent ne pas être disponibles.
Ce travail représente un pas en avant dans l’évolution de la conception automobile vers une approche de plus en plus fondée sur les données et les modèles. Alors que les véhicules deviennent des systèmes de plus en plus complexes, la capacité à modéliser avec précision l’incertitude et la corrélation devient un outil essentiel pour l’innovation. Le modèle PCS de Lü Hui et de son équipe n’est pas seulement une amélioration technique ; c’est un exemple de la manière dont une recherche académique rigoureuse peut impulser des progrès pratiques qui améliorent directement l’expérience de l’utilisateur final sur la route.
Lü Hui, Liao Zeyun, Li Changyu, Shangguan Wenbin, Xiao Guoquan, South China University of Technology, Guangzhou City University of Technology, Journal of Hunan University (Natural Sciences), DOI: 10.16339/j.cnki.hdxbzkb.2024185