La présente invention concerne le domaine du diagnostic de l'état de gonflage des pneumatiques équipant des roues d'un véhicule automobile. Plus particulièrement, l'invention concerne les méthodes conduisant à une détection indirecte d'un état de gonflage des pneumatiques.

Un état de gonflage défaillant d'un pneumatique, autrement dit un sous- gonflage de ce pneumatique, se caractérise par une baisse de pression du pneumatique par rapport à une pression normale de celui-ci, étant entendu que les cas de sous-gonflage englobent les cas de crevaison. Or, un état de gonflage défaillant d'un pneumatique peut provoquer l'éclatement de celui-ci, dans certaines conditions de conduite, mettant gravement en danger la sécurité des personnes embarquées dans le véhicule. Même en l'absence d'éclatement, un sous-gonflage présente l'inconvénient d'accroître la consommation de carburant du véhicule et la rapidité d'usure du pneumatique.

C'est pourquoi, une réglementation en cours d'adoption à l'échelle mondiale impose d'équiper progressivement tous les nouveaux véhicules automobiles de systèmes de surveillance de la pression des pneumatiques ou SSPP. La majorité de ces systèmes utilisent des capteurs de pression installés sur chaque pneumatique pour transmettre une information sur la pression des pneumatiques en temps réel à l'unité de contrôle moteur ou à une unité de calcul spécifique du véhicule pour traitement et prise en compte de cette information parmi divers phénomènes dynamiques susceptibles d'affecter eux aussi, de manière transitoire par exemple, la pression dans les pneumatiques. En cas de sous-gonflage, le système est conçu pour transmettre automatiquement un message d'alerte au conducteur, par exemple sous la forme d'un affichage sur le tableau de bord. Ce type de système nécessite toutefois d'intégrer aux pneumatiques un équipement de mesure relativement coûteux.

Par opposition avec ce premier type de système SSPP, un second type de système SSPP, dit SSPP indirect, se caractérise par l'absence de capteurs de pression et repose sur une estimation par des algorithmes appropriés de la probabilité de sous-gonflage de chaque pneumatique sur une plage de vitesse donnée, ainsi que d'un taux de confiance associé à cette probabilité, dépendant du temps passé dans la plage de vitesse, à partir de l'étude de la vitesse des roues du véhicule. La probabilité représente les chances en pourcentage d'être dans un état de sous-gonflage pour une roue donnée. Cette valeur est calculée en instantanée sur quelques périodes d'échantillonnage. Le taux de confiance représente un facteur d'oubli nécessaire au changement de plage de vitesse.

Même si ce second type de système de surveillance peut facilement être mis en œuvre par exemple à partir des valeurs de vitesse de rotation des roues estimées ou mesurées par les capteurs du contrôle d'anti-blocage des roues, il est toutefois moins précis que les systèmes de surveillance directs. En effet, en raison de l'absence de capteurs de pression, le nombre de fausses alertes de détection de sous-gonflage est susceptible d'augmenter car la probabilité estimée par les algorithmes dépend du temps de roulage, de l'apprentissage et de leur fiabilité à toutes les situations.

Les systèmes de surveillance indirects reposent plus précisément soit sur une analyse du rayon de roulement de la roue, soit sur une analyse des vibrations de la roue. L'analyse du rayon de la roue est mise en œuvre par les systèmes de surveillance indirects qui reposent sur un algorithme basé sur l'étude de l'écart de vitesse entre chacune des roues. L'effet ici exploité tient au fait qu'un sous-gonflage d'un pneumatique induit une variation du rayon de roulement et donc de la vitesse angulaire. Ainsi, dès qu'un écart de vitesse entre des roues s'accroît, un problème de sous-gonflage est remonté. On connaît par exemple du document de brevet FR2927018 un système de surveillance indirect de l'état de gonflage des pneumatiques, mettant en œuvre un tel algorithme de calcul comportant une mesure des vitesses angulaires des roues du véhicule, un calcul de plusieurs critères de comparaison des vitesses angulaires mesurées des roues et une analyse des critères calculés pour détecter l'état de gonflage de chaque roue du véhicule. La validité de ces critères, basés sur l'étude de l'écart des vitesses angulaires mesurées entre chacune des roues, est importante dans la mesure où de nombreux phénomènes dynamiques sont susceptibles de provoquer des variations non homogènes parmi les rayons de roulement des roues et ainsi augmenter de taux de fausses alertes concernant un état défectueux des pneumatiques. L'algorithme est alors conçu pour s'assurer qu'une disparité parmi les vitesses angulaires mesurées des roues présente une probabilité forte de traduire un état de gonflage défectueux d'au moins un des pneumatiques équipant le véhicule. La performance de cet algorithme dépend cependant du nombre de roues qui sont dégonflées. Ainsi, si un tel algorithme possède de bonnes performances lorsque la situation du véhicule correspond à une crevaison (dégonflage d'une roue), il n'est pas suffisamment performant dans les cas de diffusion (dégonflage lent de plusieurs roues).

L'analyse de la vibration de la roue est quant à elle mise en œuvre par les systèmes de surveillance indirects fondés sur un algorithme qui repose sur l'étude spectrale de la vitesse de roue afin de surveiller des modes spécifiques. L'effet ici exploité tient au fait que les caractéristiques spectrales (par exemple, la distribution d'énergie dans différentes bandes de fréquences) d'un signal de vitesse angulaire de roue dépendent de la pression du pneumatique. Ainsi, si les modes surveillés sortent des gabarits qui leur sont propres, le système en déduit un problème de sous-gonflage. On connaît par exemple du document de brevet WO2012127139 un système de détection indirecte de l'état de gonflage des pneumatiques mettant en œuvre un tel algorithme. Contrairement à l'algorithme précédent, qui repose sur l'analyse du rayon de roulement, cet algorithme exploitant l'étude spectrale du signal de vitesse angulaire de roue possède de bonnes performances dans les cas de diffusion (dégonflage lente de plusieurs roues), tandis qu'il n'est pas suffisamment performant pour les cas de crevaison (dégonflage d'une roue).

Il s'avère ainsi que les performances de chacun des algorithmes selon les deux méthodes d'analyse mises en œuvre par les systèmes de surveillance indirects, dépendent du nombre de roues qui sont dégonflées.

Le brevet US2007061 100 décrit un système de surveillance de la pression des pneumatiques mettant en œuvre les deux méthodes d'analyses ci-dessus exposées, basées respectivement sur l'analyse du rayon de la roue et sur l'analyse de la vibration de la roue, dans lequel l'estimation de l'état de gonflage pour chaque pneumatique est basée à la fois sur les valeurs de sortie de l'algorithme selon la méthode d'analyse du rayon de la roue et sur les valeurs de sortie de l'algorithme selon la méthode d'analyse de la vibration des roues, de façon à compenser les carences individuelles des algorithmes selon les deux méthodes d'analyse. Plus précisément, on calcule, pour chaque pneumatique, une première valeur de probabilité de sous-gonflage issue de la valeur de sortie de l'algorithme selon la méthode d'analyse du rayon de la roue et une seconde valeur de probabilité de sous-gonflage issue de la valeur de sortie de l'algorithme selon la méthode d'analyse de la vibration de la roue, chaque valeur de probabilité étant indicative d'un écart entre la valeur de sortie et une valeur nominale et étant une fonction de répartition cumulative de probabilité. De là, l'estimation de l'état de gonflage pour chaque pneumatique est calculée à partir du produit des première et seconde valeurs de probabilité de sous-gonflage. Cette méthode de fusion des différentes valeurs de probabilité issues des algorithmes selon les deux méthodes d'analyse différentes n'est toutefois pas optimale.

Un but de l'invention est de proposer un procédé d'estimation en temps réel de l'apparition d'un défaut de pression sur au moins un pneumatique équipant des roues d'un véhicule automobile, capable de fusionner les données issues des algorithmes selon les deux méthodes d'analyse des vitesses de roue exposées plus haut et d'améliorer la robustesse de l'estimation dans les cas de dégonflage en tenant compte des performances des deux algorithmes en particulier selon les plages de vitesses des roues.

A cette fin, l'invention a pour objet un procédé d'estimation de l'apparition d'un défaut de pression sur au moins un des pneumatiques équipant des roues d'un véhicule automobile, ladite estimation résultant d'une analyse des vitesses angulaires des roues selon un premier algorithme basé sur une analyse de l'écart de vitesses entre chacune des roues et selon un deuxième algorithme basé sur une analyse spectrale de la vitesse de roue, dans lequel chacun des premier et deuxième algorithmes fournit, pour chaque roue, des valeurs de probabilité de sous-gonflage définies pour chaque plage de vitesse d'une pluralité de plages de vitesse de la roue et un taux de confiance associé à chaque valeur de probabilité fournie dépendant du temps de roulage de la roue dans la plage de vitesse concernée, ledit procédé étant caractérisé en ce qu'il utilise un module de décision basé sur la théorie des sous-ensembles flous dont les signaux d'entrée sont les valeurs de probabilité de sous-gonflage issues du premier et du second algorithme ainsi que les taux de confiance associés appliqués à chaque plage de vitesse, ledit module de décision fournissant en sortie une valeur de probabilité robuste indicative dudit défaut de pression prenant en compte toutes les plages de vitesse pour chaque roue et chaque algorithme.

Avantageusement, le procédé comprend une étape de fusion des valeurs de probabilité de sous-gonflage et de taux de confiance associés issues du premier et du second algorithme, utilisant un premier processus de logique floue pour déterminer des valeurs de probabilité robuste intermédiaire pour une plage de vitesse donnée et une roue donnée ayant intégrées les valeurs de taux de confiance, respectivement pour chaque couple de valeurs de probabilité et de taux de confiance associé issu du premier algorithme et pour chaque couple de valeurs de probabilité et de taux de confiance associé issu du deuxième algorithme.

De préférence, le procédé comprend une étape de sélection consistant à sélectionner la valeur de probabilité robuste intermédiaire maximum pour chaque algorithme afin de déterminer lesdites valeurs de probabilité robuste prenant en compte toutes les plages de vitesse pour chaque roue et chaque algorithme.

Avantageusement, le procédé comprend une étape de fusion des valeurs de probabilité robuste estimées à partir des premier et deuxième algorithmes, ladite étape de fusion utilisant un deuxième processus de logique floue fournissant en sortie une valeur de probabilité robuste fusionnée pour chaque roue.

Avantageusement, le procédé comprend une étape consistant à définir des relations à paramètres flous, destinées à être utilisées dans le deuxième processus de logique floue pour pondérer la fusion des valeurs de probabilité robuste en fonction de paramètres de mise au point représentant les poids respectifs des premier et deuxième algorithmes dans l'estimation de chaque situation du véhicule en termes de nombre de roues ayant un défaut de pression pneumatique.

Avantageusement, la valeur de probabilité robuste fusionnée pour chaque roue est utilisé pour diagnostiquer l'état de gonflage des pneumatiques de chaque roue du véhicule.

L'invention concerne également un système de surveillance de la pression des pneumatiques équipant les roues d'un véhicule automobile du type comportant un premier algorithme d'estimation de l'apparition d'un défaut de pression sur au moins un des pneumatiques basé sur une analyse de l'écart de vitesses entre chacune des roues et un deuxième algorithme d'estimation de l'apparition d'un défaut de pression sur au moins un des pneumatiques basé sur une analyse spectrale de la vitesse de roue, chacun des premier et deuxième algorithmes étant adapté pour fournir pour chaque roue du véhicule, des valeurs de probabilité de sous-gonflage définies pour chaque plage de vitesse d'une pluralité de plages de vitesse de la roue et un taux de confiance associé à chaque valeur de probabilité fournie dépendant du temps de roulage de la roue dans la plage de vitesse concernée, ledit système étant caractérisé en ce qu'il comprend un module de décision basé sur la théorie des sous- ensembles flous dont les signaux d'entrée sont les valeurs de probabilité de sous-gonflage issues du premier et du deuxième algorithme ainsi que les taux de confiance associés, ledit module de décision étant apte à fournir une valeur de probabilité robuste indicative dudit défaut de pression prenant en compte toutes les plages de vitesse pour chaque roue et chaque algorithme.

Avantageusement, le module de décision comprend des moyens de fusion des valeurs de probabilité robuste estimées à partir des premier et deuxième algorithmes, lesdits moyens de fusion utilisant un deuxième processus de logique floue fournissant en sortie une valeur de probabilité robuste fusionnée pour chaque roue.

D'autres particularités et avantages de l'invention ressortiront à la lecture de la description faite ci-après d'un mode de réalisation particulier de l'invention, donné à titre indicatif mais non limitatif, en référence aux dessins annexés sur lesquels :

- la Figure 1 est un schéma illustrant la structure générale du module de décision en logique floue mis en œuvre dans le procédé d'estimation selon l'invention;

- la Figure 2 est un schéma illustrant le fonctionnement d'un premier processus de logique floue implémenté dans une première phase dite de prétraitement, mise en œuvre par le module de décision;

- la Figure 3 est un schéma illustrant le fonctionnement d'un deuxième processus de logique floue implémenté dans une deuxième phase dite de fusion, mise en œuvre par le module de décision; On souhaite donc caractériser de façon robuste l'apparition d'un défaut de pression sur au moins un des pneumatiques équipant les roues du véhicule en répondant à la question de savoir si l'un des pneumatiques présente un état de gonflage défaillant compte tenu des valeurs de probabilité et de confiance fournies pour chaque pneumatique et par plage de vitesse, par les deux algorithmes travaillant respectivement selon la méthode d'analyse de l'écart de vitesse angulaire entre chacune des roues et selon la méthode d'analyse spectrale de la vitesse de roue. Selon l'invention, il a été validé que l'apport de la logique floue, qui s'appuie sur la théorie mathématique des sous-ensembles flous, pour la réalisation de cette caractérisation est particulièrement pertinente. Elle présente en effet l'intérêt d'être plus facile et moins coûteuse à implémenter qu'une logique probabiliste dans la mesure où, en particulier, les fonctions utilisées dans le processus de logique floue qui sera détaillé plus loin sont des droites simples et des opérations de calcul basiques. Elle autorise en outre différents degrés d'énoncés de réponse à la question de savoir si l'un des pneumatiques présente un état de gonflage défaillant, de façon à pouvoir s'adapter aux valeurs de probabilité et de confiance sur toutes les plages de vitesse des quatre roues et des deux algorithmes à chaque instant d'échantillonnage. Egalement, une famille de paramètres de mise au point limités en nombre permet à un même module de décision de s'adapter à différentes conditions de validité de la décision en incarnant des logiques plus ou moins strictes. La mise en œuvre d'un nombre limité de paramètres pour la mise au point du module de décision est particulièrement avantageuse, notamment en termes de gain de temps, car il est nécessaire d'appliquer la mise au point du module de décision à toutes les roues du véhicule et pour les deux algorithmes.

Le procédé d'estimation de l'apparition d'un défaut de pression sur un des pneumatiques selon l'invention met donc en œuvre un module de décision 1 basé sur la théorie des sous-ensembles flous dont la structure générale de fonctionnement est illustrée en référence à la figure 1 . Le module de décision 1 reçoit en tant que signaux d'entrée les données issues du système de surveillance de la pression des pneumatiques indirect 2 implémentant un premier algorithme 3 basé sur l'analyse de l'écart de vitesse entre les roues et un second algorithme 4 basé sur l'analyse spectrale de la vitesse de roue. En particulier le module de décision 1 reçoit d'une part, les valeurs de probabilité de sous-gonflage PT et de taux de confiance CT associées à ces valeurs de probabilité PT issues du premier algorithme 3 et, d'autre part, les valeurs de probabilité PF et de taux de confiance CF associées à ces valeurs de probabilité PF issues du second algorithme 4. Les valeurs de taux de confiance fournies par les deux algorithmes prennent en compte le temps de roulage dans chaque plage de vitesse considérée. Ainsi, si le véhicule roule dans une plage de vitesse donnée, le taux de confiance associé à la valeur de probabilité de sous-gonflage des roues dans cette plage de vitesse augmente, tandis que le taux de confiance associé aux autres valeurs de probabilité diminue. Le module de décision reçoit également en entrées des paramètres de mise au point du module de décision, respectivement P1 , P2, P3, P4 et P5.

Plus précisément, les entrées du module de décision 1 sont :

PTij = probabilités de crevaison issues du premier algorithme 3, i variant de 1 à 4 (un index pour chaque roue) et j variant de v1 à vn (un index par plage de vitesse) ;

PFij = probabilités de crevaison issues du second algorithme 4, i variant de 1 à 4 (un index pour chaque roue) et j variant de v1 à vn (un index par plage de vitesse) ;

CTij = taux de confiance associé à PTij, qui dépend du temps de roulage passé dans la plage de vitesse vj ;

CFij = taux de confiance associé à PFij, qui dépend du temps de roulage passé dans la plage de vitesse vj.

En vue de fusionner correctement les données issues des deux algorithmes, le module de décision 1 met préalablement en œuvre une phase de prétraitement de ces données (partie « TRAITEMENT » sur la figure 1 ) pour simplifier le problème à résoudre, étant donné le trop grand nombre de données d'entrée empêchant de les fusionner directement. Cette phase de prétraitement comprend une première étape, correspondant aux blocs référencés TEMP et FREQ sur la figure 1 , consistant à fusionner les valeurs de probabilité et de confiance, c'est-à-dire les variables PT et CT, d'une part et les variables PF et CF d'autre part d'une part, de manière à opérer un traitement des valeurs de probabilité issues des deux algorithmes avec les valeurs de confiance. Pour ce faire, le module de décision 1 utilise dans cette première étape un premier processus de logique floue mis en œuvre de la même façon qui sera détaillé ci- après pour fusionner les valeurs de probabilité et de confiance issues respectivement du premier algorithme 3 et du second algorithme 4.

Le premier processus de logique floue utilisé dans cette première étape utilise les trois phases connues de la logique floue (fuzzification, conditions et défuzzification) représentées sur la figure 2.

Pendant le traitement du bloc TEMP, respectivement FREQ, les valeurs de probabilité et de confiance associée PT et CT, respectivement PF et CF, soumises en entrée au processus de logique floue sont d'abord transformées pour obtenir des variables linguistiques correspondantes. Ainsi, la variable P est la variable linguistique correspondant à la valeur de probabilité fournie en entrée et la variable T est la variable linguistique correspondant à la valeur de taux de confiance associée à la valeur de probabilité fournie en entrée. Les variables linguistiques ont une valeur numérique entre 0 et 1 . La valeur correspond au pourcentage de coïncidence des valeurs de probabilité et de confiance associée à leur signifiant linguistique.

Un paramètre X de mise au point de valeur P1 , respectivement P2 est également fourni en entrée pour le traitement du bloc TEMP, respectivement FREQ. Ce paramètre a une valeur comprise entre 0 et 1 et devra permettre d'ajuster le modèle pour les différents algorithmes et roues. Ce paramètre sera préférentiellement choisi constant pour les différentes plages de vitesse.

Ainsi, pendant le traitement du bloc TEMP, respectivement FREQ, les valeurs numériques d'entrée P, T et X sont soumises à une fuzzification en 10, puis soumises à un moteur d'inférence en 1 1 qui effectue la sélection et l'application de règles en fonction de conditions en vue de la résolution du problème de fusion des valeurs de probabilité et confiance associés. Le résultat du traitement effectué par le moteur d'inférence en 1 1 est soumis à une défuzzification en 1 2, ce dont il résulte une variable numérique PTRUE correspondant à une valeur de la probabilité dite robuste, respectivement PRT en sortie du bloc TEMP et PRF en sortie du bloc FREQ.

Suivant l'exemple de réalisation de la figure 2, s'agissant de la fuzzification en 10, si on a par exemple PTij=0.6, on positionne cette valeur sur le diagramme d'abscisse P et on obtient ainsi 3 variables linguistiques correspondantes PH, PM, PL présentant chacune une valeur entre 0 et 1 et correspondant respectivement à un niveau de probabilité haut, un niveau de probabilité moyen et un niveau de probabilité bas. Selon l'exemple de la figure 2, la valeur 0.6 positionné sur le diagramme d'abscisse P correspond à 0% de PH, 20% de PL et 80% de PM, avec toujours PH+PB+PM=100% pour chaque valeur de probabilité soumise à la fuzzification.

De même, toujours suivant l'exemple de réalisation de la figure 2, si on a par exemple CTij=0.5, on positionne cette valeur sur le diagramme d'abscisse T et on obtient ainsi 2 variables linguistiques correspondantes TH et TL présentant chacune une valeur entre 0 et 1 et correspondant respectivement à un niveau de confiance haut et à un niveau de confiance bas. Selon l'exemple de la figure 2, la valeur 0.5 positionné sur le diagramme d'abscisse T donne TH=50% et TL=50%.

Ainsi, au terme de la fuzzification en 10, chaque valeur de probabilité d'entrée PTij, respectivement PFij, est représenté par 3 valeurs correspondant aux variables linguistiques PH, PL et PM et chaque valeur de taux de confiance associé CTij, respectivement CFij, est représenté par 2 valeurs correspondant aux variables linguistiques TH et TL.

Ces variables linguistiques PH, PL, PM et TH et TL sont alors soumises au moteur d'inférence en 1 1 , fournissant des relations directes et simples entre ces variables linguistiques représentatives de la probabilité et de la confiance, permettant de fusionner taux de confiance et probabilité et ainsi d'obtenir pour chaque couple (PTij, CTij), respectivement (PFij, CFij), trois nouvelles variables linguistiques nécessaires pour la défuzzification en 12 : H, M et L correspondant respectivement à un niveau de probabilité robuste haut, moyen et bas.

Par exemple, les règles établissant les relations entre les variables linguistiques PH, PL, PM et TH et TL en vue de déterminer les variables linguistiques H, M et L sont du type :

H = min[PH, TH]

M = max(min[PH, TL], min[PM, TH])

L = max(min[PM, TL], min[PL, TH], min [PL, TL])

Ces variables H, M et L obtenues grâce aux conditions appliquées dans le moteur d'inférence en 1 1 sont soumises à la défuzzification pour le calcul de la probabilité robuste PTRUE, respectivement PRT en sortie du bloc TEMP pour chaque couple (PTij, CTij) et PRF en sortie du bloc FREQ pour chaque couple (PFij, CFij). Plus précisément, suivant l'exemple de réalisation de la figure 2, on définit un diagramme d'abscisse PTRUE et d'ordonnée H/M/L, avec trois triangles de sommet 1 en ordonnée et dont les bases respectives recouvrent des plages de pourcentage en abscisse se chevauchant, par exemple [-50%, 50%], [0%, 1 00%] et [50%, 150%], correspondant respectivement aux variables linguistiques L, M et H. Puis, on remplit le premier triangle correspondant à la variable linguistique L d'une hauteur correspondant à la valeur de la variable L prédéterminée. De même, on remplit le deuxième triangle correspondant à la variable linguistique M d'une hauteur correspondant à la valeur de la variable M prédéterminée et enfin le troisième triangle correspondant à la variable linguistique H d'une hauteur correspondant à la valeur de la variable H prédéterminée, comme illustré à la figure 2. Le calcul de la probabilité robuste PTRUE consiste alors à déterminer le centre de masse cdg de la surface ainsi obtenue, dont l'abscisse PTRUE fournit la valeur numérique de la probabilité robuste pour une plage de vitesse donnée et une roue donnée. Ainsi, en sortie des blocs TEMP et FREQ, on obtient des valeurs de probabilité robuste inntermédiaire, respectivement PRT pour chaque couple (PTij, CTij) en entrée du bloc TEMP et PRF pour chaque couple (PFij, CFij) en entrée du bloc FREQ, ayant avantageusement intégrées les valeurs de taux de confiance grâce au processus de logique floue mis en œuvre. Le nombre de variables à traiter est avantageusement réduit de moitié.

Suite à cette première étape de fusion des valeurs de probabilité et de confiance conduisant à la détermination d'une valeur de probabilité robuste intermédiaire pour une plage de vitesse donnée et une roue donnée pour chacun des deux algorithmes, la phase de prétraitement met en œuvre une étape de sélection des plages de vitesse, correspondant aux blocs SPVT et SPVF de la figure 1 , à partir des valeurs de probabilité robuste intermédiaire PRT et PRF issues respectivement des blocs TEMP et FREQ.

L'étape de sélection de la plage de vitesse consiste à sélectionner la probabilité robuste intermédiaire maximum obtenue par la fonction de fusion des valeurs de probabilité et de confiance associée. Dit autrement, en sortie du bloc SPVT, on a PRSTi = max(PRTij) et en sortie du bloc SPVF, on a PRSFi = max(PRFij). En effet, le but du module de décision 1 est de détecter un problème de pression pneumatique. Aussi, dès lors que pour une plage de vitesse, on a une probabilité robuste intermédiaire indiquant un problème de pression pneumatique, on considère que c'est suffisant car les plages de vitesse sont indépendantes entre elles. En outre, la valeur de taux de confiance, déjà fusionnée avec la valeur de probabilité telle qu'estimée par les premier et second algorithmes, prend en compte le temps de roulage dans chaque plage de vitesse. Ainsi, grâce à cette fusion, il y toujours en sortie des blocs TEMP et FREQ des probabilités robustes intermédiaires pour une plage de vitesse donnée et une roue donnée avec une plage de vitesse correspondant à un taux de confiance élevé et d'autres avec un taux de confiance bas. Il y a donc au minimum une plage de vitesse pour laquelle la probabilité robuste intermédiaire est très fiable.

Dans cette étape, le paramètre P3 de mise au point destiné au bloc SPVF sert éventuellement de paramètre de pondération dans le cas où deux processus différents de logique floue sont utilisés dans le bloc FREQ pour les roues arrière, à partir des données issues du second algorithme 4.

La phase de prétraitement des données issues des deux algorithmes 3 et 4 mise en œuvre par le module de décision 1 permet donc de fournir pour chaque algorithme des probabilités robustes pour une roue donnée respectivement PRSTi et PRFTi, prenant avantageusement en compte le temps de roulage dans chaque plage de vitesse, en sélectionnant la probabilité robuste intermédiaire maximum.

Le module de décision 1 met alors en œuvre une phase de fusion (partie « FUSION » sur la figure 1 ) utilisant un deuxième processus de logique floue pour fusionner les valeurs de probabilité robuste PRST et PRSF issues de chaque algorithme et par roue. Cette phase de fusion mise en œuvre dans le bloc référencé MIXER sur la figure 1 est décrite plus précisément en référence à la figure 3. Ainsi, la phase de fusion comprend une première étape, correspondant au bloc 5 référencé « générateur de paramètres » sur la figure 3, consistant à définir des relations à paramètres flous A, B, C, D, qui seront utilisées dans le moteur d'inférence mis en œuvre en 21 dans le deuxième processus de logique floue. Dans cette étape, on prend en compte la situation du véhicule et, plus précisément, le nombre de roues ayant un problème de pression pneumatique, découlant des probabilités robustes de chaque algorithme et par roue, respectivement PRST et PRSF, fournies en entrée du bloc 5 générateur de paramètres. On prend également en compte dans cette étape un paramètre de mise au point P4, fourni en entrée du bloc 5 générateur de paramètres, qui regroupe 4 paramètres TL, TH, FL et FH permettant d'ajuster respectivement le poids du premier algorithme 3 dans l'estimation d'une situation sans problème de pression pneumatique, le poids du premier algorithme 3 dans l'estimation d'une situation avec problème de pression pneumatique, le poids du deuxième algorithme 4 dans l'estimation d'une situation sans problème de pression pneumatique et enfin le poids du deuxième algorithme 4 dans l'estimation d'une situation avec problème de pression pneumatique.

Par ailleurs, des relations établissant le poids des probabilités robustes obtenues de chaque algorithme 3 et 4, respectivement %TEMP et %FREQ, en fonction des situations du véhicule, peuvent par exemple être définies de la manière suivante :

- 0 roue avec problème de pression pneumatique estimée par le premier algorithme 3 : %TEMP = 0,5 et %FREQ = 0,5 ;

- 1 ou 2 roues avec problème de pression pneumatique estimée par le premier algorithme 3 : %TEMP = 0,5 + PROB/2 et %FREQ = 0,5 - PROB/2 ;

- 3 ou 4 roues avec problème de pression pneumatique estimée par le premier algorithme 3 : %TEMP = 0,5 - PP.OB/2 et %FREQ = 0,5 + PROB/2 ; avec PROB : la valeur de probabilité PTij maximale issue du premier algorithme 3.

On définit alors les relations suivantes :

A = TH ^* (%TEMP) + FH ^* (%FREQ)

B = TL ^* (%TEMP) + FL ^* (%FREQ)

C = TL ^* (%TEMP) + FH ^* (%FREQ)

D = TH ^* (%TEMP) + FL ^* (%FREQ)

Ces relations fournissent les paramètres flous A, B, C et D nécessaires pour la mise en œuvre du deuxième processus de logique floue. Par exemple, si le véhicule est dans une situation de crevaison (1 roue dégonflée), le poids du premier algorithme 3 est plus grand que le poids du deuxième algorithme 4, selon les relations énoncées ci-dessus établissant le poids des probabilités robustes de chaque algorithme. Dans ce cas, la valeur des paramètres flous A, B, C, D sera pondérée d'une manière plus forte par les paramètres de mise au point représentant le poids du premier algorithme 3, soient par les paramètres TL et TH.

Le deuxième processus de logique floue peut alors être mis en œuvre afin de fusionner les probabilités robustes PRST et PRSF estimées à partir des premier et deuxième algorithmes 3 et 4. Comme pour le premier processus de logique floue mis en œuvre dans la phase de prétraitement, ce processus utilise les trois phases connues de la logique floue (fuzzification, conditions et défuzzification), telle que représentées sur la figure 3.

Ainsi, les valeurs de probabilité robustes PRST et PRSF soumises en entrée au processus de logique floue sont d'abord transformées pour obtenir des variables linguistiques correspondantes, respectivement T et F. On sépare les deux variables en deux niveaux (haut et bas). Ainsi, chacune des variables peut prendre deux valeurs linguistiques, respectivement une valeur « haute » Thigh, Fhigh, pour les cas de « roue dégonflée » et une valeur « basse » Tlow, Flow, pour les cas de « roue non dégonflée ». L'utilisation de ces deux valeurs linguistiques permet ainsi de traiter les deux cas possibles avec des conditions simples et directes.

Ainsi, après l'étape de fuzzification en 20, les quatre valeurs linguistiques Thigh, Tlow, Fhigh et Flow sont soumises à un moteur d'inférence en 21 permettant de fusionner les quatre valeurs linguistiques pour obtenir quatre nouvelles valeurs de condition :

C1 = MIN(Thigh, Fhigh)

C2 = MIN(Tlow,Flow)

C3 = MIN(Tlow,Fhigh)

C4 = MIN(Thigh,Flow)

Le résultat du traitement effectué par le moteur d'inférence en 21 est soumis à une étape de défuzzification en 22, fournissant en sortie une valeur de probabilité robuste fusionnée PNRT pour chaque roue, résultant de la fusion des quatre valeurs de condition avec les quatre paramètres flous calculés dans le bloc 5 générateur de paramètres. Un exemple de mise en œuvre est d'utiliser la moyenne.

Cette valeur de probabilité robuste fusionnée par roue PNRT est fournie à un bloc référencé PHASE sur la figure 1 , conçu pour traiter la valeur de probabilité robuste PNRT pour chaque roue en incrémentant ou décrémentant un signal de compteur PNT pour chaque roue à chaque détection ou non détection d'un défaut de pression pneumatique selon la valeur de probabilité robuste, de façon à permettre d'adapter la vitesse de détection en fonction des besoins. Le signal de compteur PNT par roue est ensuite utilisé en sortie du bloc PHASE par un intégrateur de contrôle (un intégrateur de contrôle par roue) prévu pour contrôler l'état de gonflage du pneumatique de la roue concernée, dont le signal de sortie représente l'intégrale du signal d'entrée en ce qui concerne la durée, soit la valeur totale accumulée dans le temps. Lorsqu'un défaut de pression pneumatique est détecté sur une roue au travers du signal de sortie de l'intégrateur de contrôle associé, une alerte globale est déclenchée.