Observateur thermique hybride modèle données pour l'estimation des températures critiques d'une chaîne de traction électrique

IFP Energies nouvelles - Mobilité et Systèmes

---

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de quatre priorités stratégiques : CLIMAT, ENVIRONNEMENT ET ÉCONOMIE CIRCULAIRE, ÉNERGIES RENOUVELABLES, MOBILITÉ DURABLE et HYDROCARBURES RESPONSABLES.

L’engagement d’IFPEN en faveur d’un mix énergétique durable se traduit par des actions visant :

• à gagner en efficacité énergétique ;
• à réduire les émissions de CO2 et de polluants ;
• à améliorer l’empreinte environnementale de l’industrie et des transports ;

tout en répondant à la demande mondiale en mobilité, en énergie et en produits pour la chimie.

Dans cet objectif, IFPEN développe des solutions permettant, d’une part, d’utiliser des sources d’énergie alternatives et, d’autre part, d’améliorer les technologies existantes liées à l’exploitation des énergies fossiles.

Observateur thermique hybride modèle données pour l’estimation des températures critiques d’une chaîne de traction électrique 

Les chaînes de traction électriques (véhicules hybrides/électriques, mobilité urbaine, etc.) reposent sur l’interaction de plusieurs sous-systèmes : batterie, électronique de puissance (onduleur), machine électrique, transmission mécanique et roues. La performance, la sécurité et la durée de vie de l’ensemble dépendent fortement des contraintes thermiques subies par chacun de ces éléments et de la manière dont ces contraintes se propagent le long de la chaîne de traction. 

Certaines températures sont directement mesurables (batterie, boîtier des composants de puissance, bobinages, fluide de refroidissement), mais de nombreuses grandeurs internes critiques restent difficilement accessibles en exploitation (température interne des cellules, jonctions semi-conductrices, aimants rotoriques, interfaces de contact, etc.). Or, les études de fiabilité montrent que la plupart des modes de défaillance et une partie importante du vieillissement accéléré (batterie, composants de puissance, machine, transmission) sont liés à des surchauffes locales et des cycles thermiques répétés. 

Disposer d’une estimation cohérente et robuste des températures critiques le long de la chaîne de traction est donc essentiel pour :  

• prévenir les dégradations irréversibles et améliorer la sûreté de fonctionnement  
• prolonger la durée de vie utile de la batterie et des composants clés  
• optimiser les stratégies de gestion thermique et de limitation de puissance, en exploitant le système au plus près de ses capacités réelles. 

Dans ce contexte, des travaux internes récents ont montré qu’un modèle thermique hybride « grey-box » basé sur des « PINN » permettait de bien reproduire l’évolution de la température des aimants rotoriques d’une machine synchrone à aimants permanents (PMSM) à partir d’un nombre limité de capteurs standards pour ce type de machine. 

Objectif du stage : 

En s’appuyant sur des travaux internes, l’objectif du stage est de développer un observateur thermique robuste des températures critiques de la chaîne de traction (batterie, onduleur, machine électrique, transmission mécanique, roues), combinant modélisation hybride physique – apprentissage et techniques d’observation, avec une complexité compatible avec une future implémentation temps réel. Les trois grandes étapes du stage seront les suivantes : 

Étape 1 – Appropriation du modèle thermique hybride déjà réalisé 

• Reprise et compréhension des modèles thermiques « Grey-Box PINN » issus des travaux précédents. 
• Analyse de sensibilité et de robustesse des températures prédites vis-à-vis des paramètres (pertes, conductances, capacités, etc.) et de l’architecture du réseau. 

Étape 2 – Conception d’un observateur thermique  

• Conception d’un observateur des températures critiques à partir des mesures disponibles (courants, tensions, vitesse, températures mesurées : ambiante, refroidissement, bobinage, onduleur, …). 
• Étude de la robustesse aux variations de fonctionnement, au vieillissement et aux incertitudes de modèle. 
• Comparaison de plusieurs structures d’observateurs (Luenberger, filtres de Kalman, observateurs à modes glissants, observateur hybride, …). 

Étape 3 – Implémentation et validation 

• Étude de la faisabilité d’une implémentation sur une cible temps réel. 
• Réduction de la complexité (architectures de réseau minimales, « pruning », quantification …). 
• Validation sur données de banc d’essai. 

Profil recherché 

M2 ou 3ᵉ année d’école d’ingénieur en automatique, mathématiques appliquées, informatique industrielle ou domaine proche. 

• Compétences souhaitées : apprentissage automatique, modélisation et observation de systèmes dynamiques, notions d’électrotechnique / machines électriques (PMSM) et de thermique. 
• Qualités : autonomie, curiosité scientifique, rigueur, intérêt pour la modélisation « physique ». 

Mots-clés : Chaîne de traction électrique, modélisation thermique, observateurs, apprentissage automatique, physics-informed neural networks (PINN), temps réel, réduction de modèle. 

DUREE ET LIEUX : Durée de 5 à 6 mois à partir de mars 2027, à Rueil-Malmaison OU à Solaize. 

Personnes à contacter pour postuler : Ngoc Tu TRINH, Gontran LANCE ou Stéphane TURPAULT

---

---

Annonces similaires