Stratégie de freinage intelligente pour véhicules électriques
Dans l’univers en constante évolution de la mobilité électrique, où chaque watt-heure récupéré est une victoire contre l’autonomie limitée, une nouvelle étude émanant de l’Université des sciences et technologies du Jiangxi propose une révolution discrète mais profonde. Plutôt que de se concentrer uniquement sur la maximisation de l’énergie récupérée, les chercheurs, dirigés par le professeur Kaiqi Huang, ont mis au point une stratégie de freinage régénératif qui place le confort du conducteur au cœur du processus. Cette approche novatrice, qui s’adapte en temps réel au style de conduite individuel, marque un tournant dans la conception des véhicules électriques, démontrant que l’efficacité énergétique et une expérience de conduite harmonieuse ne sont pas des objectifs mutuellement exclusifs, mais des composantes d’un système intelligent et holistique.
Le défi central du freinage régénératif réside dans l’art délicat de la répartition du couple de freinage entre les essieux avant et arrière. Un système trop agressif, cherchant à capter chaque joule d’énergie cinétique, peut imposer une décélération brutale et désagréable, particulièrement pénible dans les embouteillages urbains caractérisés par des arrêts fréquents. À l’inverse, un système trop timide sacrifie une précieuse autonomie. Les stratégies traditionnelles ont longtemps oscillé entre ces deux extrêmes, optimisant soit la récupération d’énergie, soit la stabilité du véhicule, souvent au détriment du ressenti subjectif du conducteur. Cette nouvelle recherche, publiée dans le Journal of Chongqing University of Technology (Natural Science), bouscule ce paradigme en affirmant que le comportement du conducteur lui-même doit être l’élément déclencheur d’une réponse adaptative.
La clé de cette stratégie réside dans son cœur intelligent : un algorithme de contrôle multi-objectifs. Contrairement aux systèmes rigides, cette approche reconnaît que la « meilleure » stratégie de freinage varie d’un individu à l’autre. Un conducteur prudent, qui ralentit progressivement, privilégiera le confort et la fluidité. Un conducteur plus dynamique, qui appuie plus fermement sur la pédale, peut tolérer une décélération plus marquée en échange d’une récupération d’énergie accrue. Pour traduire cette nuance en données exploitables, l’équipe de Huang a introduit un paramètre central : le « coefficient de pondération du confort », noté ωc. Ce coefficient, compris entre 0 et 1, agit comme un curseur dynamique. Une valeur proche de 1 signifie que le système donnera la priorité au confort, tandis qu’une valeur proche de 0 favorisera la récupération d’énergie.
Le génie de la solution réside dans la manière dont ce coefficient est déterminé. Plutôt que d’être fixé par le constructeur, il est calculé en temps réel par un « contrôleur à logique floue ». Ce type de contrôleur est particulièrement adapté aux situations où les données d’entrée sont imprécises ou subjectives, comme le comportement humain. Le contrôleur prend en compte trois paramètres clés : l’intensité du freinage (Z), la vitesse du véhicule (V) et la décélération instantanée (a). Ces informations sont « floutées » – c’est-à-dire transformées en ensembles linguistiques comme « faible », « moyen » ou « élevé » – et soumises à une matrice de règles préprogrammées. Par exemple, une règle pourrait stipuler que si l’intensité de freinage est « élevée » et la vitesse est « élevée », alors le coefficient de confort doit être « faible », car le conducteur est probablement dans un état d’esprit plus dynamique. Inversement, une faible intensité de freinage à basse vitesse déclencherait une règle qui attribue un coefficient de confort « élevé ». Ce processus d’inférence floue permet au système de « comprendre » l’intention du conducteur avec une finesse que les algorithmes classiques ne peuvent pas atteindre.
Une fois le coefficient de confort déterminé, il est intégré dans un modèle d’optimisation multi-objectifs. L’objectif principal est double : maximiser l’efficacité de la récupération d’énergie, quantifiée par le ratio entre la puissance récupérée et la puissance cinétique disponible, et minimiser le « jerk », c’est-à-dire la variation de l’accélération, qui est la sensation la plus directe du confort en freinage. Ces deux objectifs sont fondamentalement en tension. L’optimisation consiste donc à trouver le point d’équilibre parfait, représenté par le coefficient de répartition du couple de freinage (β), qui satisfait au mieux les deux critères simultanément, pondérés par le coefficient ωc. L’algorithme NSGA-II, une méthode d’optimisation évolutive, est utilisé pour parcourir cet espace de solution complexe et trouver la répartition optimale du couple entre les moteurs de moyeu avant et arrière.
Bien sûr, ce processus sophistiqué est encadré par de nombreuses contraintes du monde réel. La stratégie prend en compte les caractéristiques physiques du véhicule, notamment les limites de puissance et de couple des moteurs électriques, qui varient selon la vitesse (régime de couple constant puis de puissance constante). Elle tient compte de l’état de charge (SOC) de la batterie ; si le SOC est supérieur à 95 %, la récupération est désactivée pour éviter une surcharge. Elle intègre également les limites mécaniques, comme le fait que les moteurs de moyeu deviennent inefficaces pour récupérer de l’énergie à très basse vitesse (en dessous de 10 km/h), moment où le freinage mécanique prend le relais. Un autre aspect crucial est la sécurité : en cas de freinage d’urgence (défini par une intensité de freinage Z > 0.7), la stratégie priorise la stabilité et la distance de freinage, désactivant la récupération d’énergie et confiant l’intégralité du freinage aux freins mécaniques. Enfin, la stratégie respecte scrupuleusement les réglementations internationales, comme la norme ECE R13, qui impose des courbes de répartition du freinage pour garantir la stabilité du véhicule sur différentes surfaces d’adhérence.
Pour valider leur concept, les chercheurs ont mené une campagne de simulation exhaustive dans l’environnement MATLAB/Simulink. Ils ont modélisé un véhicule électrique à quatre moteurs de moyeu avec une précision méticuleuse, en utilisant des paramètres réalistes pour la masse, la répartition des masses, la traînée aérodynamique et les caractéristiques des moteurs et de la batterie. La stratégie proposée, baptisée « stratégie 2 », a été comparée à une stratégie de référence, la « stratégie 1 », qui utilise un algorithme génétique pour optimiser uniquement la récupération d’énergie, représentant ainsi le meilleur cas possible en termes d’efficacité pure.
Les résultats des simulations sont éloquents et démontrent la pertinence de l’approche. Dans des scénarios de freinage standard avec différentes intensités (Z=0.1, Z=0.3, Z=0.5), la stratégie 2 a systématiquement offert une expérience de freinage plus douce. Par exemple, à une intensité de freinage modérée (Z=0.3), la décélération moyenne était réduite de 0.22 m/s² par rapport à la stratégie 1. Cette différence, bien que numérique, se traduit par une sensation très tangible de fluidité. L’effet est encore plus marquant à une intensité élevée (Z=0.5), où la réduction atteint 0.45 m/s². Cette amélioration est cruciale car elle fait passer la décélération du conducteur de la catégorie « inconfort sévère » (supérieure à 2.5 m/s²) à la catégorie « inconfort léger » (entre 1.3 et 2.5 m/s²), selon les normes ISO 2631-1. Cela signifie que le conducteur, qui aurait normalement ressenti un freinage brutal et stressant, bénéficie désormais d’une transition beaucoup plus douce et contrôlée.
Le test ultime a été effectué sur un cycle de conduite urbain standard, le Urban Dynamometer Driving Schedule (UDDS), qui simule parfaitement les conditions de circulation en ville. Les résultats de ce test sont probants. Sur l’ensemble du cycle, la stratégie 2 a permis d’augmenter la proportion de temps où le conducteur se sentait « à l’aise » de 3,4 points de pourcentage, passant de 80,94 % à 84,34 %. La proportion de temps de « légère gêne » a également augmenté de 1,58 points de pourcentage. Le résultat le plus frappant est que la « gêne sévère » a été complètement éliminée, passant de 4,98 % à 0,00 %. Cela signifie que pendant toute la durée du trajet en ville simulé, aucun passager n’a été soumis à une décélération suffisamment forte pour être qualifiée de vraiment désagréable.
Ce gain massif en confort a-t-il un coût en termes d’autonomie ? La réponse, selon les données de simulation, est rassurante. Sur le cycle UDDS, la stratégie de référence (1), qui est purement optimisée pour la récupération, a terminé avec un SOC de batterie 0,3183 % plus élevé que la stratégie 2. Cette différence est minime, équivalant à une fraction de pour cent de l’autonomie totale. Elle illustre un principe fondamental de l’ingénierie : les rendements décroissants. Les 90 % de l’énergie récupérable sont capturés par tout système régénératif compétent. Les derniers dixièmes de pour cent, qui nécessitent des compromis drastiques en matière de confort, ont une valeur marginale extrêmement faible. La stratégie de Huang et de son équipe fait donc un choix rationnel et intelligent : sacrifier une quantité négligeable d’énergie pour obtenir un gain énorme en bien-être des occupants.
Cette recherche a des implications profondes pour l’avenir des véhicules électriques. Elle illustre un passage d’une ère de l’optimisation purement technique à une ère de l’expérience utilisateur personnalisée. Un véhicule intelligent ne devrait pas imposer son comportement au conducteur, mais s’adapter à lui. Cette stratégie de freinage est un exemple parfait de cette philosophie. Elle reconnaît que les conducteurs ne sont pas des entités interchangeables, mais des individus avec des préférences, des niveaux de compétence et des états d’esprit différents. En apprenant à « lire » le style de conduite, le véhicule devient un partenaire plus empathique et plus agréable.
Le bénéfice dépasse le simple agrément. Un freinage plus fluide réduit la fatigue du conducteur, un facteur de sécurité critique sur les longs trajets. Il peut également réduire l’usure des composants de freinage mécanique, car ceux-ci sont sollicités de manière plus progressive, ce qui pourrait se traduire par des coûts d’entretien plus bas. Pour les constructeurs, une telle stratégie est un puissant argument de vente, car elle répond directement à une des principales réticences des nouveaux acquéreurs de véhicules électriques : la sensation désagréable de freinage régénératif.
Le chemin vers la production en série est clair. L’algorithme de contrôle, bien que sophistiqué, est conçu pour être implémenté sur les unités de contrôle électronique (ECU) existantes des véhicules modernes. Les étapes suivantes impliquent des essais sur route avec des prototypes pour valider les résultats de simulation et affiner les règles du contrôleur flou. Une évolution naturelle serait l’intégration d’un système d’apprentissage machine, permettant au véhicule de mémoriser les préférences d’un conducteur spécifique et d’ajuster automatiquement ses paramètres au fil du temps, créant ainsi une expérience de conduite véritablement personnalisée.
En conclusion, la stratégie de récupération d’énergie en freinage proposée par Kaiqi Huang, Yunzhen Xiong, Xinyuan Yuan et Ronghua Chen de l’Université des sciences et technologies du Jiangxi représente bien plus qu’une amélioration technique. C’est une philosophie de conception qui place l’humain au centre du processus d’ingénierie. En démontrant qu’il est possible de concilier une efficacité énergétique quasi optimale avec un confort de conduite inégalé, cette recherche ouvre la voie à une nouvelle génération de véhicules électriques. Ces véhicules ne seront pas seulement des moyens de transport durables, mais des compagnons de route intelligents, intuitifs et, surtout, agréables à conduire. Alors que le monde s’oriente vers une mobilité zéro émission, des innovations comme celle-ci seront essentielles pour transformer l’adoption des véhicules électriques d’une nécessité environnementale en un choix de plaisir pur.
Kaiqi Huang, Yunzhen Xiong, Xinyuan Yuan et Ronghua Chen de l’Université des sciences et technologies du Jiangxi ont publié leurs résultats dans la revue Journal of Chongqing University of Technology (Natural Science), doi: 10.3969/j.issn.1674-8425(z).2024.08.010.