Une percée majeure dans la surveillance en temps réel des modules de puissance des véhicules électriques
L’industrie automobile est en pleine mutation, avec l’électrification qui redéfinit non seulement les performances des véhicules, mais aussi la manière dont leurs composants les plus critiques sont gérés. Alors que l’attention se concentre sur l’autonomie et la puissance, un défi fondamental émerge : garantir la durabilité et la fiabilité des modules de puissance, le cœur du système de traction. Ces unités électroniques, chargées de convertir et de contrôler l’énergie entre la batterie et le moteur, fonctionnent dans des conditions thermiques extrêmes. Chaque accélération, chaque freinage récupératif, génère une vague de chaleur dans la puce semi-conductrice, suivie d’un refroidissement rapide. Ces cycles thermiques répétés sont la principale cause de fatigue des matériaux d’encapsulation, conduisant à l’apparition de microfissures et, éventuellement, à la panne catastrophique du module. Jusqu’à présent, l’évaluation de cette usure était un processus hors ligne, effectué après la conduite, ce qui retardait toute intervention préventive. Une nouvelle étude, cependant, est sur le point de changer cette donne.
Une équipe de chercheurs, dirigée par Xiang Enyao, Lu Yiping, Luo Haoze et Yang Huan de l’Université de Zhejiang, en collaboration avec Wang Haibing et Ruan Ou de Viridi E-Mobility Technology (Ningbo) Co., Ltd., a développé une méthode innovante permettant d’extraire en temps réel, directement pendant la conduite, les contraintes thermiques subies par ces modules. Publiée dans la prestigieuse revue Proceedings of the CSEE, cette recherche présente un algorithme sophistiqué qui surmonte les limitations des méthodes traditionnelles, permettant une évaluation continue et précise de la santé du module de puissance directement à bord du véhicule. Cette innovation représente un bond en avant majeur dans la maintenance prédictive, promettant des véhicules électriques plus fiables, plus sûrs et dotés d’une durée de vie considérablement prolongée.
Le cœur du problème réside dans l’analyse du profil de température de jonction (Tj), la température réelle de la puce semi-conductrice. Pour quantifier les dommages dus à la fatigue, les ingénieurs utilisent une méthode bien établie appelée « comptage rainflow » (ou comptage par flux de pluie). Cet algorithme transforme le profil de température irrégulier en une série de cycles de contrainte complets et de demi-cycles, chacun ayant une amplitude (différence de température) et une température moyenne spécifiques. Ces données sont ensuite intégrées à des modèles de durée de vie pour prédire le moment de la panne. Le problème est que la méthode rainflow standard est hors ligne : elle nécessite l’historique complet de la température pour être analysée en bloc, ce qui est irréaliste pour une surveillance continue à bord d’un véhicule, où les ressources informatiques et de mémoire sont limitées. L’approche traditionnelle consiste à enregistrer toutes les données et à les analyser ultérieurement sur un ordinateur puissant, un processus qui n’offre aucune utilité pour une maintenance proactive.
L’équipe de recherche a relevé ce défi avec une solution élégante et hautement efficace, basée sur trois piliers fondamentaux : un filtre adaptatif, un algorithme de comptage optimisé et une stratégie de stockage intelligente. Le premier pilier est un filtre à fenêtre de largeur variable. Toutes les fluctuations de température ne sont pas également préjudiciables. De petites oscillations ou du bruit de mesure peuvent fausser le comptage. Le nouvel algorithme résout ce problème en rendant le filtre « intelligent ». Sa sensibilité, ou largeur de la fenêtre, s’adapte dynamiquement à l’état de santé du module. Cet état est surveillé via la résistance thermique entre la puce et le boîtier (Zth(j-c)), un paramètre qui augmente à mesure que des microfissures apparaissent dans le matériau de soudure. En phase initiale, lorsque le module est neuf et robuste, le filtre est plus large, ignorant les cycles de contrainte mineurs. À mesure que le module vieillit et devient plus vulnérable, le filtre se resserre, devenant plus sensible aux cycles plus petits qui représentent désormais une menace croissante. Cette capacité d’adaptation améliore non seulement la précision, mais élimine également le bruit, optimisant l’ensemble du processus.
Le cœur du système est un algorithme de comptage rainflow amélioré, conçu spécifiquement pour fonctionner en temps réel. Contrairement aux méthodes traditionnelles qui nécessitent l’historique complet des données, cet algorithme se concentre exclusivement sur les points extrêmes (pics et creux) du profil de température. À chaque nouveau point extrême identifié, l’algorithme examine les trois points les plus récents stockés. En comparant les amplitudes entre ces points, il peut déterminer instantanément si un cycle complet de contrainte est fermé et l’enregistrer immédiatement. Cette méthode, basée sur le principe des « trois points et double intervalle », est extrêmement légère du point de vue informatique. Elle peut être exécutée sur des microcontrôleurs standards présents dans les systèmes de contrôle du véhicule, sans surcharger le système ni nécessiter de matériel supplémentaire. Des tests de simulation ont démontré que cette méthode en temps réel produit des résultats identiques à la méthode hors ligne standard, capturant chaque cycle sans omission, surpassant nettement d’autres algorithmes en temps réel existants qui ont montré un taux d’erreur significatif.
Le troisième pilier est la gestion des données. Stocker chaque cycle individuel avec son amplitude et sa température moyenne exactes générerait une quantité énorme de données, irréalisable pour un système embarqué. La solution de l’équipe est la « normalisation discrète ». Les cycles de contrainte sont regroupés en catégories prédéfinies. Par exemple, au lieu de stocker un cycle avec une amplitude de 21,81 °C, il est attribué à une catégorie « 20-25 °C ». Il en va de même pour la température moyenne. Ce processus de regroupement réduit considérablement la taille des données, transformant un flux continu d’informations en un tableau compact de comptages par catégorie. Cette efficacité est cruciale pour le « calcul en périphérie » (edge computing), où les données sont traitées directement dans le véhicule, et représente une étape cruciale vers un système de surveillance à faible coût et haute évolutivité.
L’efficacité de la méthode va bien au-delà de la théorie. L’équipe a mené une expérience pratique sur une voiture particulière de série, en installant son algorithme dans le microcontrôleur du véhicule. Pendant un trajet de test de 26 kilomètres comprenant du trafic urbain, une autoroute et des routes de montagne, le système a traité en temps réel les données de température provenant du capteur NTC (Coefficient de Température Négatif) intégré au module de puissance. À la fin du test, les données de dommage cumulé calculées en temps réel ont été comparées à l’analyse hors ligne du même profil de température. Le résultat a été impressionnant : l’erreur était inférieure à 1 %. Cette précision quasi parfaite dans des conditions de conduite réelles démontre que le système est non seulement théoriquement solide, mais aussi robuste et fiable dans le monde réel.
L’expérience a également fourni des aperçus précieux sur les différents styles de conduite. Les montées et descentes prononcées ont montré des pics aigus dans l’accumulation de dommages, directement corrélés aux rapides changements de température lors de l’accélération et du freinage régénératif. La conduite sur autoroute, malgré les vitesses élevées, a généré moins de contrainte thermique en raison de conditions de fonctionnement plus stables. La conduite en ville, avec ses démarrages et arrêts constants, a causé une accumulation constante de petits cycles de contrainte qui, à long terme, peuvent être tout aussi préjudiciables. Ces données offrent aux fabricants de voitures une vision sans précédent de l’impact réel des habitudes d’utilisation sur la durabilité des composants.
Un aspect crucial étudié a été l’influence de la période d’échantillonnage de la température sur la précision du calcul des dommages. L’équipe a testé des intervalles d’échantillonnage de 20 millisecondes à 5 secondes. Ils ont découvert que les intervalles entre 20 ms et 500 ms avaient un impact minimal sur la précision, avec des erreurs inférieures à 1 %. Au-delà d’une seconde, cependant, l’erreur augmentait rapidement, atteignant près de 60 % à 5 secondes. La raison est simple : des intervalles d’échantillonnage trop longs peuvent manquer les pics de température très rapides, typiques des manœuvres d’accélération, conduisant à une sous-estimation du nombre de cycles de contrainte. La conclusion est claire : une période d’échantillonnage de 500 ms représente le point d’équilibre optimal entre la puissance de calcul requise et la précision, la rendant idéale pour une évaluation de fiabilité en temps réel.
Les implications de cette recherche sont vastes. Pour les constructeurs automobiles, cette technologie est la clé de la maintenance prédictive. Imaginez un véhicule qui alerte le conducteur ou le centre de service lorsqu’un module de puissance approche de la fin de sa durée de vie, permettant un remplacement planifié avant qu’une panne coûteuse et potentiellement dangereuse ne se produise. Pour les flottes de véhicules commerciaux, l’analyse agrégée des données de contrainte pourrait être utilisée pour optimiser les habitudes de conduite et les itinéraires, maximisant la durée de vie des véhicules et réduisant les coûts opérationnels. Les données pourraient également alimenter des modèles de « jumeau numérique » pour des simulations de durée de vie basées sur des scénarios d’utilisation réels.
Un grand avantage de ce système est sa compatibilité avec le matériel existant. Il exploite les capteurs NTC déjà présents dans la plupart des modules de puissance, éliminant le besoin de capteurs supplémentaires coûteux. Sa faible consommation informatique signifie qu’il peut être exécuté sur des microcontrôleurs standards, ce qui en fait une solution hautement évolutible, adaptée aussi bien aux véhicules de luxe qu’aux modèles grand public.
Ce projet est un exemple parfait de synergie entre recherche académique et application industrielle. L’Université de Zhejiang a fourni l’excellence scientifique en électronique de puissance et en algorithmes, tandis que Viridi E-Mobility Technology a apporté l’expérience pratique de l’intégration de systèmes dans des véhicules réels. Cette collaboration a garanti que l’innovation était non seulement scientifiquement rigoureuse, mais aussi techniquement viable et prête pour le marché. Le soutien de programmes de recherche provinciaux et municipaux souligne l’importance stratégique de cette technologie pour le positionnement de la Chine à la pointe de la mobilité électrique mondiale.
En résumé, le travail de Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing et Ruan Ou représente un saut qualitatif fondamental. En transformant une analyse de fatigue hors ligne en un système de surveillance en temps réel, ils ont doté le véhicule électrique d’une nouvelle forme de conscience de soi. Cet algorithme ne promet pas seulement des véhicules plus fiables et plus sûrs, mais contribue également à la durabilité en prolongeant la durée de vie des composants critiques. Avec sa haute précision, son faible coût et sa facilité d’intégration, cette méthode est destinée à devenir une norme de l’industrie, jetant les bases de la prochaine génération de véhicules électriques intelligents, résilients et plus efficaces.
Xiang Enyao, Lu Yiping, Luo Haoze, Yang Huan, Wang Haibing, Ruan Ou, Université de Zhejiang et Viridi E-Mobility Technology (Ningbo) Co., Ltd., Proceedings of the CSEE, DOI: 10.13334/j.0258-8013.pcsee.231914