L'intelligence artificielle est apparue comme une force transformatrice dans toutes les disciplines de l'ingénierie, et son application aux systèmes de propulsion électrique représente l'une des frontières les plus prometteuses dans les domaines de l'aérospatiale et de l'automobile. La propulsion électrique, qu'elle soit utilisée pour diriger les satellites dans le vide spatial ou pour conduire la prochaine génération de véhicules électriques, repose sur un contrôle précis des champs électromagnétiques et de la physique du plasma.

Comprendre les systèmes de propulsion électrique

Contrairement aux fusées chimiques, qui reposent sur des réactions exothermiques, les propulseurs électriques obtiennent une impulsion spécifique (Isp) beaucoup plus élevée en accélérant les ions ou le plasma à des vitesses extrêmement élevées. Les types les plus courants sont les propulseurs à effet Hall, les propulseurs à ions tressés et les propulseurs électrothermiques tels que les résistos et les jets d'arc. Des concepts plus avancés comme le Rocket à impulsion spécifique variable (VASIMR) et les propulseurs inductifs pulsés sont également en cours de développement actif.

Dans le domaine automobile, la propulsion électrique se réfère au groupe motopropulseur des véhicules électriques à batterie (VAB), qui convertissent l'énergie électrique de la batterie en couple mécanique via un moteur électrique. Bien que la physique diffère des systèmes spatiaux, les défis d'optimisation sont remarquablement similaires : à la fois exiger un contrôle précis du courant et de la tension, la gestion thermique et l'ajustement en temps réel des paramètres de fonctionnement pour correspondre à la demande tout en conservant l'énergie.

Les éléments clés de tout système de propulsion électrique comprennent l'unité de traitement de la puissance (UPU), qui convertit l'entrée électrique brute aux tensions et courants nécessaires au propulseur; le propulseur lui-même; un système de gestion du propulseur; et une unité de commande qui orchestre le fonctionnement. L'unité de commande utilise traditionnellement des boucles de dérivation proportionnelle-intégrale (PID) et des tables de recherche adaptées aux conditions nominales.

Intersection de l'intelligence artificielle et de la propulsion électrique

L'IA améliore la propulsion électrique en ingérant la télémétrie haute fréquence à partir de capteurs intégrés dans tout le système et en utilisant ces données pour construire des modèles prédictifs de comportement. Les algorithmes d'apprentissage automatique, y compris les réseaux neuronaux, les machines vectorielles de soutien et les arbres à gradient peuvent identifier des modèles invisibles aux opérateurs humains. Les architectures d'apprentissage profond sont particulièrement efficaces lorsque la dynamique du système est non linéaire et fortement interconnectée.

L'intégration de l'IA ne remplace pas le matériel de contrôle existant, mais l'accroît. Les modèles d'IA peuvent fonctionner sur des processeurs de bord co-implantés avec le PPU ou sur un accélérateur d'inférence dédié. Dans les applications spatiales, des FPGA à rayonnement ou des puces d'IA spécialisées comme l'Intel Myriad X sont utilisées. Dans les EV, l'unité centrale de calcul du véhicule peut gérer l'inférence d'IA en plus d'autres tâches.

Surveillance et contrôle en temps réel

Un des avantages les plus immédiats de l'IA est la capacité de surveiller les performances de propulsion électrique en temps réel et de faire des micro-ajustements plus rapides que n'importe quel algorithme humain ou fixe. Pour un propulseur Hall, qui fonctionne en piégeant les électrons dans un champ magnétique pour ioniser le propergol, la tension de décharge optimale et la résistance au champ magnétique varient en fonction de la température, de l'état de la cathode et de la pression de fond.

Dans le contexte des véhicules électriques, la commande en temps réel de l'IA optimise la transmission du couple du moteur pour tenir compte du gradient de route, de l'état de charge de la batterie, du glissement des pneus et des limites de freinage régénératifs. Par exemple, lorsque le véhicule entre dans une surface à faible friction, un contrôleur de l'IA peut réduire de façon préventive le couple pour empêcher le roulement des roues, puis réutiliser la puissance en douceur au retour de la traction.

Case in point: Des chercheurs du Jet Propulsion Laboratory (JPL) ont démontré un contrôleur AI pour propulseurs ionique qui a réduit la consommation de puissance jusqu'à 12% tout en maintenant le même niveau de poussée. Le système a utilisé un réseau neuronal convolutionnel pour analyser les formes d'onde des capteurs et les commandes de tension de sortie en microsecondes. Ce type de performance est critique pour les missions interplanétaires où chaque watt des panneaux solaires doit être utilisé avec soin.

Entretien prédictif

Les électrodes de trituration s'érodent, les isolants se décomposent et les roulements se dégradent dans le temps. Dans l'espace, la réparation est généralement impossible, de sorte que les défaillances non planifiées peuvent mettre fin à une mission. L'entretien prédictif à l'aide de l'IA peut prévoir quand un composant risque de échouer en fonction de changements subtils dans les données opérationnelles. Par exemple, l'efficacité d'ionisation d'un propulseur Hall diminue progressivement à mesure que le canal de décharge s'érode. Un modèle d'IA peut suivre cette baisse et estimer la durée de vie utile restante avec une grande confiance.

Dans les véhicules électriques, l'entretien prédictif prolonge la durée de vie de la batterie en identifiant les cellules qui se dégradent plus rapidement que les autres. Un système AI peut recommander de rééquilibrer le pack ou de réduire le courant de charge pour les cellules plus faibles, ce qui permet d'égaliser le vieillissement de la batterie.

Les signatures de vibration, les profils de température, les ondulations de tension et les harmoniques actuelles encodent toutes les informations de santé. Les autoencodeurs profonds peuvent apprendre une signature de base "normale" et des anomalies de drapeau. Au fil du temps, le modèle met à jour avec de nouvelles données pour rester précis au fur et à mesure que le système vieillit.

Principaux domaines d'optimisation

Au-delà de la surveillance et de la maintenance, l'IA conduit à des optimisations dans plusieurs dimensions de la performance de propulsion électrique. Chaque domaine tire parti de la capacité de l'IA à gérer des relations complexes et multivariables qui seraient intractables pour des solutions analytiques.

Efficacité énergétique

Dans les propulseurs Hall, l'efficacité est le produit de l'utilisation de propulseurs, de l'efficacité électrique et de la divergence des faisceaux. L'IA peut optimiser l'échange entre ces facteurs en manipulant la topologie du champ magnétique et le débit massique. Par exemple, en apprenant la relation non linéaire entre la force du champ magnétique et la focalisation du panache, un système d'IA peut sélectionner un champ qui minimise la divergence sans sacrifier l'ionisation. Dans les EV, l'IA ajuste la région de ralentissement du flux, l'angle de couple et la fréquence de commutation de l'onduleur pour minimiser les pertes sur toute la carte de fonctionnement.

Une technique émergente est l'utilisation d'un apprentissage de renforcement pour contrôler directement les modes de commutation des onduleurs. Les schémas traditionnels de modulation de la largeur des impulsions (PWM) sont statiques, mais un agent RL peut sélectionner dynamiquement les états de commutation pour équilibrer les pertes de conduction et de commutation au fur et à mesure que la charge change.

Contrôle vectorielle de poussée

Dans un système à propulseurs multiples, l'IA peut calculer la combinaison optimale de tir pour obtenir la poussée nette et le couple souhaités tout en réduisant la consommation de propulseurs. Il s'agit d'un problème d'optimisation limité qui peut être résolu en ligne à l'aide d'un réseau neuronal formé qui rapproche la solution d'un programme convexe. Pour les satellites agiles qui doivent effectuer une rotation rapide, l'allocation de vecteurs de poussée basée sur l'IA réduit le temps de dépose et la consommation par rapport aux approches de programmation linéaire.

Gestion thermique

Les systèmes de propulsion électrique génèrent une chaleur importante, en particulier dans l'unité de traitement de la puissance et le corps du propulseur. La surchauffe dégrade les performances et peut causer une défaillance catastrophique. L'IA peut prédire les transitoires thermiques et régler le cycle de travail du propulseur ou engager des mécanismes de refroidissement (comme l'orientation du panneau de radiateur) avant que les températures ne dépassent les limites.

Applications et études de cas dans le monde réel

Plusieurs organisations déploient déjà l'IA dans des systèmes de propulsion électrique opérationnels. Les exemples les plus notables viennent du secteur spatial, où le coût de la défaillance est extrêmement élevé et le bénéfice pour l'optimisation est énorme.

Le programme NASA de Xenon Thruster (NEXT), qui a développé un propulseur ionique de haute puissance, a intégré des outils de diagnostic basés sur l'IA pour analyser les données de test. Le système a utilisé la détection d'anomalies pour identifier des événements rares comme la formation de spots cathodiques, qui pourraient raccourcir la vie du propulseur. En faisant automatiquement apparaître ces événements, les ingénieurs ont pu modifier les procédures d'exploitation pour les éviter lors de futurs tests.

Ad Astra Rocket Company, développeur du moteur VASIMR, utilise l'apprentissage automatique pour modéliser les instabilités plasmatiques à l'intérieur du propulseur. VASIMR génère du plasma à l'aide d'ondes radiofréquences, et les instabilités peuvent réduire l'efficacité et les composants de dommages. En formant un modèle sur des milliers de lectures de capteurs, l'équipe peut prédire le début d'une instabilité spécifique appelée «mode local de pointe» et ajuster les paramètres pour la supprimer.

SpaceX n'a pas publié de spécifications détaillées, mais les analystes de l'industrie croient que ses satellites Starlink utilisent l'IA pour optimiser le système de propulsion électrique qui fournit l'orbite et la tenue de la station. Le nombre absolu de satellites (plus de 4 000 à 2024) nécessite un fonctionnement entièrement autonome.

Dans le secteur des véhicules électriques, Tesla]Ses mises à jour logicielles ont inclus des améliorations du contrôle du couple moteur et du freinage régénératif grâce à l'IA. Le «mode Track» de l'entreprise utilise un réseau neuronal pour prédire le sous-virage et le survirage, puis applique le vecteur de couple pour améliorer la manutention.

Défis et considérations

Malgré sa promesse, l'intégration de l'IA dans les systèmes de propulsion électrique n'est pas sans obstacles importants. Le premier est la qualité des données et la disponibilité. Les modèles d'IA sont seulement aussi bons que leurs données de formation. Pour les propulseurs spatiaux, obtenir des ensembles de données complets couvrant les modes de défaillance est difficile parce que les défaillances sont rares et les stands d'essai sont coûteux à opérer.

En second lieu, la latence de calcul de l'inférence AI doit être compatible avec les boucles de commande en temps réel. Certains propulseurs nécessitent des mises à jour de contrôle à des taux de kilohertz; l'exploitation d'un réseau neuronal profond qui peut rapidement être difficile sur le matériel de vol à faible puissance. Des techniques d'optimisation telles que la quantification du modèle, la taille et l'utilisation d'accélérateurs de réseau neuronal dédiés sont nécessaires. La certification des systèmes critiques pour la sécurité complique encore le déploiement.

Troisièmement, la cybersécurité est primordiale. Les systèmes d'IA qui contrôlent les propulseurs pourraient être vulnérables aux attaques contradictoires qui causent des comportements dangereux.

Enfin, l'intégration de l'IA introduit de nouveaux modes de défaillance. Un modèle qui était précis pendant la formation peut produire des sorties erronées lors de la rencontre de données hors distribution. La conception de systèmes d'IA robustes nécessite des tests complets dans des conditions extrêmes, et de nombreuses organisations adoptent le concept de cadres d'IA «safe», comme l'utilisation d'un contrôleur de sauvegarde plus simple et conservateur qui peut prendre le relais si la confiance de l'IA tombe en dessous d'un seuil.

Orientations futures

La prochaine décennie verra une accélération de l'adoption de l'IA dans la propulsion électrique. Une direction prometteuse est l'utilisation de l'apprentissage du renforcement pour la planification de mission autonome de bout en bout. Au lieu d'optimiser un seul tir de propulseur, un agent de l'IA pourrait planifier l'ensemble de la trajectoire et du programme de propulsion pour une mission en espace profond, équilibrer le retour scientifique, les contraintes de puissance et la durée de vie du propulseur.

Les réseaux antagonistes (RPG) et les réseaux neuronaux (RPN) de nature physique peuvent proposer de nouvelles géométries de propulseur qui maximisent les mesures de performance. Par exemple, les RPNP peuvent résoudre les équations de flux plasmatique à l'intérieur d'un propulseur Hall pour concevoir une topologie de champ magnétique optimale, beaucoup plus efficace que les méthodes traditionnelles d'éléments finis. Ces composants conçus par l'IA peuvent ensuite être fabriqués avec une fabrication additive, en fermant la boucle de la conception à la production.

L'informatique quantique, bien qu'elle en soit encore à ses débuts, peut éventuellement aider à résoudre les problèmes complexes d'optimisation inhérents à la propulsion électrique. Les algorithmes hybrides IA-quantum pourraient gérer l'explosion combinatoire de la programmation des propulseurs pour les grandes constellations ou le contrôle en temps réel de milliers de propulseurs interdépendants sur un seul vaisseau spatial.

Conclusion

L'intelligence artificielle remodele fondamentalement la conception, le fonctionnement et l'entretien des systèmes de propulsion électrique.En permettant l'optimisation en temps réel, la maintenance prédictive et le contrôle autonome, l'IA débloque des niveaux d'efficacité et de fiabilité qui étaient auparavant hors de portée. Bien que des défis subsistent en matière de qualité des données, de contraintes informatiques et de certification, la trajectoire est claire : l'IA deviendra une partie intégrante de chaque système de propulsion électrique avancé, du plus petit propulseur CubeSat au plus grand vaisseau spatial interplanétaire et au plus puissant groupe motopropulseur électrique.