Influence de la chute de pression sur la vitesse de rotation

Transformation et sélection de l’information

Pour la réduction de l’espace de représentation nous avons utilisé une analyse en composante principale pour palier le problème de redondance et sélectionner les composantes pertinentes. L’analyse en composante principale a été appliqué sur les données de pression d’admission, la vitesse de rotation et les données d’émission polluantes. 

ACP

Sur les données de pression d’admission Nous avons réalisé une A.C.P sur un ensemble de Cinq variables quantitatives représentant l’influence de quatre types de défauts sur la pression d’admission dans un moteur diesel. Après avoir importé les données dans le logiciel XLSTATE2009, nous avons calculé la matrice des données centrées et réduites afin de travailler avec la matrice de corrélations pour calculer les valeurs et les vecteurs propres.La valeur propre représente la variance des individus sur l’axe correspondant. Dans notre cas ont une variance de 3,545 sur le 1er axe, 1,453 sur le 2ème axe, 0,002 sur le 3ème axe … etc. Cette information n’est pas facilement interprétable, nous allons exprimer chaque variance en valeur relative de la variance totale. Dans notre exemple avec 5 variables initiales, les pourcentages de variation expliquée par les axes principaux sont donc respectivement : 100x (3,545 /5)=70,9% ; 100x (1,453/5)=29,06%, etc. … Les différentes composantes étant non corrélées par construction, la part d’information expliquée par 2axes données est égale à l’addition des parts expliqués par chaque axe. 70,894 + 29,068 = 99,962 % pour le plan 1-2 0 ,032 + 0,004 = 0,036 % pour le plan 3-4 … etc.Pour un axe donné, les variables qui on les plus forts coefficients en valeur absolue sont celles qui contribuent le plus d’information de cet axe, par exemple, ce sont la Pad Sans défaut, Pad défaut d’injection, Pad soup d’admission, Pad fuite d’admission qui ont contribué le plus à la formation du 1er axe, c’est les deux variables Pad compression et Pad soup d’admission qui à contribué le plus à la formation du 2ème axe, … etc. En pratique, on s’intéresse rarement aux vecteurs propres. Pour interpréter les axes, on regarde surtout les corrélations entre les variables et les axes.Interprétation Choix du nombre d’axes à retenir Nous utilisons pour cela le tableau A.2.6, le critère de Kaiser nous conduit à sélectionner deux axes, expliquant 99,96% de l’inertie totale du nuage. Ce qui est très bon. L’axe 1 retient 70,89% et l’axe 2 retient 29,07%, l’axe 3 retient 0,03%, l’axe 4 retient 0%, l’axe 5 retient 0%

FPGA Cyclone II

Les FPGA Cyclone II à 90 nm, sont conçus à partir de zéro pour un coût modique et pour fournir un ensemble de fonctions personnalisées pour les applications sensibles aux volumes élevés Les FPGA Cyclone II offrent des performances élevées et une faible consommation d’énergie à un coût qui rivalise avec celui des ASIC. La famille Cyclone II FPGA d’Altera est conçue sur un processus SRAM 1,2 V à couche de cuivre, à faible coefficient de perméabilité et est optimisée pour la plus petite taille de matrice possible. Basée sur la technologie de processus 90 nm de TSMC, qui utilise des plaquettes de 300 mm, la gamme Cyclone II FPGA offre des densités plus élevées, plus de fonctionnalités, des performances exceptionnelles et les avantages de la logique programmable aux prix ASIC. La famille FPGA Cyclone II étend la portée des FPGA dans des applications à haut volume et sensibles aux coûts, en continuant le succès de la famille FPGA Cyclone.