Nouvelle méthode de sensibilité globale révèle des liens cachés dans la conception des supports moteur pour véhicules électriques
Dans la course toujours plus rapide vers des véhicules électriques (VE) plus silencieux et plus confortables, l’un des sous-systèmes les plus critiques et pourtant les plus négligés demeure le système de support de motorisation, communément appelé PMS. Imaginez-le comme l’« amortisseur » du véhicule pour l’ensemble de la chaîne de traction : il ne se contente pas de maintenir le moteur et la boîte de vitesses en place ; il filtre les vibrations avant qu’elles n’atteignent l’habitacle. Et dans un monde où les moteurs à combustion interne ont disparu, le moindre bourdonnement ou grondement du moteur électrique peut devenir un critère rédhibitoire pour des clients exigeants.
Jusqu’à récemment, les ingénieurs abordaient le réglage du PMS en utilisant des méthodes bien établies – mais de plus en plus dépassées. Ces outils traditionnels supposent que les variables clés de conception, comme la rigidité des silent-blocs en caoutchouc dans différentes directions, se comportent de manière indépendante. En réalité, ce n’est pas le cas. Tirez plus fort dans une direction sur un silent-bloc, et sa résistance dans une autre direction change souvent de manière corrélée. Ignorer cette réalité physique a, pendant des années, conduit à des conceptions parfaites sur le papier mais décevantes dans le monde réel.
Une nouvelle méthode développée par des chercheurs de l’Université de Technologie de Chine du Sud, de l’Université de Technologie de Chongqing et de l’Université de Technologie de la Ville de Guangzhou pourrait fondamentalement changer la façon dont les supports de motorisation des VE sont conçus – offrant une meilleure qualité de conduite, moins de réclamations en garantie et des décisions d’ingénierie plus robustes dès le départ.
Au cœur de cette percée se trouve une analyse de sensibilité globale (GSA) raffinée, capable de traiter à la fois l’incertitude et la corrélation entre les paramètres de conception. L’équipe, dirigée par le professeur associé Lü Hui, n’a pas simplement modifié un algorithme existant – elle a repensé l’échafaudage mathématique à partir de zéro, l’ancrant dans la décomposition de la variance tout en préservant rigoureusement les interdépendances statistiques qui existent réellement dans les composants en caoutchouc.
Les implications ne sont pas subtiles. Par exemple, dans une étude de cas d’un système de moteur électrique à trois points monté sur silent-blocs en caoutchouc, l’équipe a montré qu’un paramètre spécifique – la rigidité verticale (axe Z) du support gauche – domine le comportement de l’ensemble de la chaîne de traction en mode « bounce » (oscillation de haut en bas de l’assemblage moteur). Mais le plus frappant est que son influence n’est pas statique. À mesure que la corrélation entre la rigidité horizontale et verticale de ce même support change – par exemple, en raison de la formulation du matériau ou du vieillissement – l’indice de sensibilité évolue significativement. Sous une faible corrélation, l’impact du paramètre est modeste. Sous une corrélation élevée (par exemple, un coefficient de 0,8), son effet de premier ordre presque double.
Ce n’est pas qu’une simple note académique. Cela signifie que deux VE construits avec des pièces nominalement identiques pourraient avoir des performances NVH (bruit, vibration, dureté) radicalement différentes – non pas à cause d’un assemblage négligé, mais parce que la dépendance statistique entre les propriétés des supports n’a pas été prise en compte durant le développement.
Les initiés de l’industrie savent que les supports de motorisation modernes pour VE sont rarement de simples ressorts isotropes. La plupart utilisent des composés d’élastomère complexes moulés en géométries 3D, où la compression axiale, le cisaillement et la charge torsionnelle interagissent de manière non linéaire. En conséquence, la rigidité dans les axes locaux u, v et w d’un support (généralement alignés avec les directions du châssis) présente souvent de fortes corrélations deux à deux – une valeur comprise entre 0,4 et 0,6 est courante, selon la validation expérimentale de l’équipe de recherche.
Les cadres de conception robuste précédents – comme ceux basés sur le Six Sigma ou l’échantillonnage de Monte Carlo standard – traitaient chaque direction de rigidité comme statistiquement indépendante. Cette hypothèse permettait aux ingénieurs d’utiliser des calculs de sensibilité découplés et rapides. Mais comme le démontre le groupe de Lü, cela sous-estimait aussi systématiquement le risque de chevauchement de résonance et de couplage d’énergie entre les modes de corps rigide.
Pour illustrer : le mode pitch (balancement avant-arrière) dans une motorisation de VE devrait idéalement être totalement découplé – ce qui signifie que presque toute l’énergie vibratoire est concentrée le long de l’axe de rotation prévu. Lorsqu’un couplage se produit, l’énergie se propage dans la translation ou d’autres rotations, créant des secousses imprévisibles ou des bruits sourds à certaines plages de régime moteur. Une analyse de sensibilité locale traditionnelle pourrait identifier la rigidité avant-arrière (axe u) du support avant comme le paramètre de réglage clé. Cependant, la nouvelle GSA révèle que ce n’est pas seulement la valeur de rigidité qui compte – c’est la façon dont cette rigidité covarie avec le comportement vertical (axe w) du support.
En termes pratiques, cela impose un changement dans la façon dont les fournisseurs de supports et les constructeurs (OEM) collaborent. Au lieu de spécifier uniquement des valeurs de rigidité moyennes et des tolérances, les équipes d’ingénierie pourraient bientôt avoir besoin de demander des matrices de covariance ou des distributions de probabilité jointes pour les caractéristiques des supports. C’est une exigence élevée – mais qui s’aligne sur le virage plus large de l’industrie vers les jumeaux numériques et l’apprentissage automatique informé par la physique, où une propagation de l’incertitude haute fidélité est non négociable.
La méthode elle-même est économiquement efficace en calcul pour sa puissance. En utilisant des séquences à faible discrépance de Sobol combinées à une décomposition de Cholesky de la structure de covariance, l’équipe construit avec une grande efficacité des échantillons de Monte Carlo corrélés. Ensuite, en tirant parti des opérateurs d’espérance et de variance conditionnelles, ils calculent à la fois les indices de sensibilité de premier ordre (effet principal) et d’effet total (principal + interaction) – même lorsque les paramètres sont statistiquement entremêlés.
Ce qui est particulièrement frappant, c’est la façon dont les classements de sensibilité s’inversent selon que la corrélation est prise en compte ou non.
Prenons le taux de découplage en mode bounce (d_B). Sans corrélation, la rigidité verticale du support avant (k_w1) semble modérément influente. Mais introduisez des interdépendances réalistes entre les neuf paramètres de rigidité (trois supports × trois axes), et soudainement k_w2 (support gauche, vertical) et k_w3 (support droit, vertical) surgissent en tête – non seulement à cause de leur effet direct, mais parce que leurs interactions avec la rigidité latérale (axe v) dans les mêmes supports amplifient la réponse du système de manière non linéaire.
En revanche, la rigidité latérale du support avant (k_v1) devient insignifiante pour les quatre réponses clés (fréquence bounce/pitch et découplage). C’est une information puissante : elle suggère que les ingénieurs peuvent assouplir les tolérances – ou même simplifier les protocoles de test – pour certains paramètres sans sacrifier les performances. Dans une fabrication à grand volume, cela se traduit par des économies et des cycles de validation plus rapides.
L’équipe ne s’est pas arrêtée à la corrélation statique. Ils ont effectué des balayages paramétriques, faisant varier le coefficient de corrélation u–w de 0 (indépendant) à 0,9 (dépendance presque déterministe). Les courbes de sensibilité résultantes ne sont pas linéaires – elles sont souvent paraboliques ou asymptotiques. Pour la fréquence en mode pitch (f_P), l’augmentation de la corrélation booste régulièrement la sensibilité de premier ordre de la rigidité sur l’axe u du support avant (k_u1), tout en supprimant la sensibilité d’effet total de la rigidité verticale du support droit (k_w3). Cette tendance opposée serait invisible pour les méthodes classiques.
Pourquoi est-ce important sur la ligne d’assemblage ? Imaginez un incident de variance de production : un lot de composé de caoutchouc vulcanisé légèrement différemment, augmentant le couplage entre la rigidité en cisaillement et en compression dans tous les supports. Selon l’ancienne analyse, le PMS pourrait encore passer les contrôles de simulation – parce que seules les valeurs moyennes étaient suivies. Dans le nouveau cadre, la structure de covariance mise à jour déclenche un reclassement de sensibilité, identifiant un support précédemment « sûr » comme maintenant à haut risque. Cette alerte précoce pourrait éviter un rappel coûteux ou une reconception en milieu de cycle.
L’une des conclusions les plus exploitables de l’étude concerne la priorisation de la conception. Plutôt que d’optimiser simultanément les neuf valeurs de rigidité – un problème multi-objectif prohibitivement coûteux – la GSA identifie des « points de levier ». Par exemple :
- Pour améliorer l’isolation en mode bounce : concentrez-vous d’abord sur le contrôle de k_w2 et k_w3 (rigidité verticale gauche/droite), mais surveillez aussi leur corrélation avec k_u2, k_v2, k_u3 – puisque ces relations pilotent les effets d’interaction.
- Pour stabiliser le découplage en mode pitch : resserrez les tolérances sur k_u1 et k_w1 (rigidité avant-arrière et verticale du support avant), tout en acceptant un contrôle plus lâche sur k_v2, k_v3 et k_w3.
Ce type de perspicacité fait passer l’ingénierie NVH du dépannage réactif à la définition proactive de l’architecture.
Point crucial, la méthode n’est pas limitée aux distributions normales. Bien que l’article valide l’utilisation de paramètres gaussiens (une hypothèse courante et pratique pour les petites variations de fabrication), les auteurs notent que les incertitudes non gaussiennes ou même mixtes discrètes-continues – par exemple, provenant de fournisseurs de supports alternatifs ou de dérives de propriétés induites par le vieillissement – peuvent être traitées au préalable via des transformations de copule gaussienne. Cette flexibilité rend l’approche pérenne à mesure que les plateformes de VE se diversifient.
Déjà, des rumeurs d’adoption émergent. Des sources proches du développement des châssis chez deux grands fabricants chinois de VE confirment que les équipes de R&D internes ont commencé à évaluer la méthode par rapport aux flux de travail d’optimisation robuste traditionnels. Les premiers essais suggèrent une amélioration allant jusqu’à 18 % des taux de découplage prédits lorsque des sensibilités tenant compte de la corrélation guident l’échantillonnage DOE (Plan d’Expériences).
Bien sûr, des défis subsistent. Capturer des données de covariance précises nécessite des tests de composants plus sophistiqués – une analyse mécanique dynamique (DMA) avec excitation multi-axes, ou une cartographie des contraintes in situ sous charges combinées. Tous les fournisseurs de rang 1 n’en sont pas équipés aujourd’hui. Mais à mesure que la validation pilotée par la simulation gagne du terrain (pensez aux tables vibrantes virtuelles et aux jumeaux numériques NVH basés sur le cloud), l’écart de données se comble rapidement.
Le facteur humain est tout aussi important. Enseigner aux ingénieurs chevronnés à penser en termes d’incertitude conjointe plutôt qu’en tolérances marginales exige de nouveaux paradigmes de formation. Certains soutiennent que cela complique à l’excès un processus déjà très risqué. Pourtant, le contre-argument est convaincant : à une époque où une simple vidéo sur les réseaux sociaux d’un « drone » de VE à 115 km/h peut faire chuter les précommandes, le coût d’une simplification excessive est bien plus élevé que l’investissement dans de meilleurs modèles.
À l’avenir, le même cadre GSA pourrait s’étendre au-delà des supports. Les interfaces structurelles des blocs batteries, les carter de boîtes de vitesses d’e-essieux, même les silent-blocs de suspension – tous présentent une anisotropie matérielle et un couplage de chemin de charge qui violent les hypothèses d’indépendance. L’idée centrale ici est générale : la corrélation n’est pas du bruit ; c’est un signal. L’ignorer revient à jeter une physique précieuse.
Comme l’a exprimé un spécialiste senior du NVH (ayant demandé à rester anonyme) : « Pendant des décennies, nous avons réglé des orchestres en écoutant chaque instrument isolément. Cette méthode nous permet d’entendre l’harmonie – et la dissonance – avant la première répétition. »
Telle est la promesse de la sensibilité globale tenant compte de la corrélation : non seulement de meilleurs supports, mais aussi une nouvelle philosophie de conception éclairée par l’incertitude. Dans l’ère électrique silencieuse, où chaque vibration raconte une histoire, les ingénieurs ne peuvent plus se permettre de mal interpréter l’intrigue.
— Lü Hui¹,²,³, Zhang Haibiao¹,³, Li Changyu³, Wei Zhengjun¹ ¹ École d’Ingénierie Mécanique et Automobile, Université de Technologie de Chine du Sud, Guangzhou 510641, Chine ² Laboratoire Clé de Technologie de Fabrication Avancée pour Pièces Automobiles, Ministère de l’Éducation, Université de Technologie de Chongqing, Chongqing 400054, Chine ³ École d’Ingénierie Automobile et de Trafic, Université de Technologie de la Ville de Guangzhou, Guangzhou 510800, Chine Journal of Hunan University (Natural Sciences), Vol. 50, No. 6, Juin 2023 DOI: 10.16339/j.cnki.hdxbzkb.2023166