JP2020165330A - State determination method and state determination program of prime mover - Google Patents
State determination method and state determination program of prime mover Download PDFInfo
- Publication number
- JP2020165330A JP2020165330A JP2019064106A JP2019064106A JP2020165330A JP 2020165330 A JP2020165330 A JP 2020165330A JP 2019064106 A JP2019064106 A JP 2019064106A JP 2019064106 A JP2019064106 A JP 2019064106A JP 2020165330 A JP2020165330 A JP 2020165330A
- Authority
- JP
- Japan
- Prior art keywords
- prime mover
- state
- singular value
- value decomposition
- machine learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 45
- 238000002485 combustion reaction Methods 0.000 claims description 74
- 238000012706 support-vector machine Methods 0.000 claims description 34
- 238000003909 pattern recognition Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 34
- 230000008569 process Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Description
本発明は、原動機の状態判断方法及び状態判断プログラムに関する。 The present invention relates to a state determination method and a state determination program for a prime mover.
ガスエンジン等の内燃機関では熱効率を向上させるためにノッキング発生に近い状態で運転されることが多い。図１４は、横軸を燃料空気比とし、縦軸を燃焼室内の平均有効圧力として、ノッキングが発生する状態、安定燃焼する状態及び失火する状態を示した状態図である。図１４において安定燃焼領域からノッキング発生領域へ入った境界領域付近では、燃焼室内における自然発火に伴って図１５に示すように圧力振動が生ずるおそれがある。このような圧力振動は、内燃機関の損傷の可能性を生じさせる。 Internal combustion engines such as gas engines are often operated in a state close to knocking in order to improve thermal efficiency. FIG. 14 is a state diagram showing a state in which knocking occurs, a state in which stable combustion occurs, and a state in which a misfire occurs, with the horizontal axis representing the fuel-air ratio and the vertical axis representing the mean effective pressure in the combustion chamber. In the vicinity of the boundary region from the stable combustion region to the knocking generation region in FIG. 14, pressure vibration may occur as shown in FIG. 15 due to spontaneous combustion in the combustion chamber. Such pressure vibrations create the potential for damage to the internal combustion engine.
そこで、内燃機関の燃焼室において生ずるノッキングを解析する技術が開示されている。例えば、燃焼エンジンの燃焼チャンバ内又は付近に配置されたノックセンサによって感知されたノイズ信号を事前調整して事前調整ノイズ信号を生成し、当該事前調整ノイズ信号に対してウェーブレット処理等を施して燃焼エンジンの燃焼チャンバにおけるピーク燃焼圧力の位置又は時間を判断する技術が開示されている（特許文献１）。 Therefore, a technique for analyzing knocking that occurs in the combustion chamber of an internal combustion engine is disclosed. For example, the noise signal detected by the knock sensor located in or near the combustion chamber of the combustion engine is pre-adjusted to generate a pre-adjusted noise signal, and the pre-adjusted noise signal is subjected to wavelet processing or the like for combustion. A technique for determining the position or time of a peak combustion pressure in an engine combustion chamber is disclosed (Patent Document 1).
また、原信号に対して離散ウェーブレット変換を施し、２つのレベルのウェーブレット係数を算出して、当該ウェーブレット係数に基づいてノイズ除去の必要性を特定すると共に、ノイズ除去の必要がある場合に当該ウェーブレット係数のレベルを抑制し、抑制後のウェーブレット係数に基づいてノッキングの発生の有無を判定する技術が開示されている（特許文献２）。 In addition, the original signal is subjected to a discrete wavelet transform, two levels of wavelet coefficients are calculated, the necessity of noise removal is specified based on the wavelet coefficients, and the wavelet is necessary when noise removal is necessary. A technique for suppressing the coefficient level and determining the presence or absence of knocking based on the suppressed wavelet coefficient is disclosed (Patent Document 2).
また、エンジンのシリンダブロックの振動を検知するノックセンサにより検知された信号をクランク軸角度に対応させて記憶させると共に、当該信号を短い時間間隔に分割して当該時間間隔毎に周波数解析（ＦＦＴ）した結果に基づいてノッキングの発生の有無を判定する技術が開示されている（特許文献３）。 In addition, the signal detected by the knock sensor that detects the vibration of the engine cylinder block is stored in correspondence with the crankshaft angle, and the signal is divided into short time intervals and frequency analysis (FFT) is performed for each time interval. A technique for determining the presence or absence of knocking based on the result is disclosed (Patent Document 3).
また、ノックセンサから出力される信号を周波数分析すると共に、１燃焼サイクル中に燃料が噴射される燃料噴射回数と周波数成分の補正量との対応付けに基づいてノッキングの発生の有無を判定する技術が開示されている（特許文献４）。 In addition, a technique for frequency-analyzing the signal output from the knock sensor and determining the presence or absence of knocking based on the correspondence between the number of fuel injections in which fuel is injected during one combustion cycle and the correction amount of the frequency component. Is disclosed (Patent Document 4).
しかしながら、従来技術では、内燃機関を含む原動機においてノッキング等の異常を早期かつ適切に検知する技術としては不十分であった。したがって、ノッキング等の異常を軽度のうちに検知してアラームを出したり、アラームに応じて対処を行ったりすることが困難であった。 However, the conventional technique is insufficient as a technique for early and appropriately detecting an abnormality such as knocking in a prime mover including an internal combustion engine. Therefore, it is difficult to detect an abnormality such as knocking in a mild manner and issue an alarm, or take measures in response to the alarm.
本発明は、内燃機関を含む原動機においてノッキング等の異常を早期かつ適切に検知することを可能にする状態判断方法及び状態判断プログラムを提供することを目的とする。 An object of the present invention is to provide a state determination method and a state determination program that enable early and appropriate detection of abnormalities such as knocking in a prime mover including an internal combustion engine.
本発明の請求項１に係る原動機の状態判断方法は、原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得し、取得した前記データの周波数解析を行い、前記周波数解析の結果に対して特異値分解（ＳＶＤ）を行い、さらに前記特異値分解（ＳＶＤ）により抽出された特徴空間を入力データとして前記原動機の作動状態を出力とする機械学習を行い、前記機械学習の結果に基づいて前記原動機の作動状態の判断情報を導出することを特徴とする。 The method for determining the state of the prime mover according to claim 1 of the present invention acquires at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover, performs frequency analysis of the acquired data, and performs the frequency analysis. Singular value decomposition (SVD) is performed on the analysis result, and machine learning is performed by using the feature space extracted by the singular value decomposition (SVD) as input data and outputting the operating state of the prime mover. It is characterized in that the determination information of the operating state of the prime mover is derived based on the result of.
ここで、前記周波数解析として、ウェーブレット変換を用いた解析を行うことが好適である。 Here, as the frequency analysis, it is preferable to perform an analysis using a wavelet transform.
また、前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師あり学習を用いてパターン認識を行うサポートベクターマシン（ＳＶＭ)を用いた学習を行うことが好適である。 Further, as the machine learning, it is preferable to perform learning using a support vector machine (SVM) that performs pattern recognition using supervised learning on the feature space extracted by the singular value decomposition (SVD). is there.
また、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、ファジイ・シー・ミーンズ(ＦｕｚｚｙＣ-Ｍｅａｎｓ)法を用いてクラスタへの帰属度を求めて、前記サポートベクターマシン（ＳＶＭ)へ適用することが好適である。 Further, for the feature space extracted by the singular value decomposition (SVD), the degree of attribution to the cluster is obtained by using the fuzzy C-Means method, and the support vector machine (SVM) is used. It is preferable to apply.
また、前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師なし学習である自己組織化写像（ＳＯＭ）を用いることが好適である。 Further, as the machine learning, it is preferable to use self-organizing mapping (SOM), which is unsupervised learning, for the feature space extracted by the singular value decomposition (SVD).
また、前記作動状態の前記判断情報に基づいて、さらに前記原動機の前記作動を制御することが好適である。 Further, it is preferable to further control the operation of the prime mover based on the determination information of the operating state.
また、前記原動機は、内燃機関及び／又は内燃機関に付随した可動部であることが好適である。 Further, the prime mover is preferably an internal combustion engine and / or a movable part attached to the internal combustion engine.
また、前記作動状態の前記判断情報として、前記内燃機関のノッキング状態の判断情報を導出することが好適である。 Further, it is preferable to derive the knocking state determination information of the internal combustion engine as the determination information of the operating state.
また、前記ノッキング状態の前記判断情報として、ノッキング指標を導出することが好適である。 Further, it is preferable to derive a knocking index as the determination information of the knocking state.
また、前記ノッキング状態の前記判断情報に基づいて、前記内燃機関の前記ノッキング状態を解消する制御を行うことが好適である。 Further, it is preferable to control the internal combustion engine to eliminate the knocking state based on the determination information of the knocking state.
本発明の請求項１１に係る原動機の状態判断プログラムは、コンピュータに、原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得させるデータ取得ステップと、取得した前記データの周波数解析を行う周波数解析ステップと、前記周波数解析の結果に対して特異値分解（ＳＶＤ）を行う特異値分解ステップと、前記特異値分解（ＳＶＤ）により抽出された特徴空間を入力データとして前記原動機の作動状態を出力とする機械学習を行う機械学習ステップと、前記機械学習の結果に基づいて前記原動機の作動状態の判断情報を出力する出力ステップを実行させることを特徴とする。 The motor state determination program according to claim 11 of the present invention includes a data acquisition step of causing a computer to acquire at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover, and the acquired data. The prime mover uses a frequency analysis step for performing frequency analysis, a singular value decomposition step for performing singular value decomposition (SVD) on the result of the frequency analysis, and a feature space extracted by the singular value decomposition (SVD) as input data. It is characterized in that a machine learning step for performing machine learning that outputs the operating state of the above and an output step for outputting determination information of the operating state of the prime mover based on the result of the machine learning are executed.
ここで、前記周波数解析ステップにおける前記周波数解析として、ウェーブレット変換を用いた解析を行うことが好適である。 Here, as the frequency analysis in the frequency analysis step, it is preferable to perform an analysis using a wavelet transform.
また、前記機械学習ステップにおける前記機械学習として、前記特異値分解ステップの前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師あり学習を用いてパターン認識を行うサポートベクターマシン（ＳＶＭ)を用いた学習を行なうことが好適である。 Further, as the machine learning in the machine learning step, a support vector machine (SVM) that performs pattern recognition using supervised learning for the feature space extracted by the singular value decomposition (SVD) in the singular value decomposition step. ) Is preferable for learning.
また、前記特異値分解ステップにおいて、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、ファジイ・シー・ミーンズ(ＦｕｚｚｙＣ-Ｍｅａｎｓ)法を用いて、前記サポートベクターマシン（ＳＶＭ)へ適用するためのクラスタへの帰属度を求めることが好適である。 Further, in the singular value decomposition step, the feature space extracted by the singular value decomposition (SVD) is applied to the support vector machine (SVM) by using the Fuzzy C-Means method. It is preferable to determine the degree of attribution to the cluster for this purpose.
また、前記機械学習ステップにおける前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師なし学習である自己組織化写像（ＳＯＭ）を用いた学習を行なうことが好適である。 Further, as the machine learning in the machine learning step, it is preferable to perform learning using the self-organizing map (SOM), which is unsupervised learning, on the feature space extracted by the singular value decomposition (SVD). Is.
また、前記出力ステップにおける前記作動状態の前記判断情報に基づいて、前記原動機の前記作動を制御する作動制御ステップをさらに備えたことが好適である。 Further, it is preferable to further include an operation control step for controlling the operation of the prime mover based on the determination information of the operation state in the output step.
また、前記原動機は、内燃機関及び／又は内燃機関に付随した可動部であることが好適である。 Further, the prime mover is preferably an internal combustion engine and / or a movable part attached to the internal combustion engine.
また、前記出力ステップにおいて、前記作動状態の前記判断情報として、前記内燃機関のノッキング状態の判断情報を出力することが好適である。 Further, in the output step, it is preferable to output the knocking state determination information of the internal combustion engine as the determination information of the operating state.
また、前記出力ステップにおいて、前記ノッキング状態の前記判断情報としてノッキング指標を導出して出力することが好適である。 Further, in the output step, it is preferable to derive and output a knocking index as the determination information of the knocking state.
また、前記出力ステップにおける前記ノッキング状態の前記判断情報に基づいて、前記作動制御ステップで前記内燃機関及び／又は前記内燃機関に付随した可動部の前記作動を制御することが好適である。 Further, it is preferable to control the operation of the internal combustion engine and / or the movable portion associated with the internal combustion engine in the operation control step based on the determination information of the knocking state in the output step.
本発明の請求項１に係る状態判断方法によれば、原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得し、取得した前記データの周波数解析を行い、前記周波数解析の結果に対して特異値分解（ＳＶＤ）を行い、さらに前記特異値分解（ＳＶＤ）により抽出された特徴空間を入力データとして前記原動機の作動状態を出力とする機械学習を行い、前記機械学習の結果に基づいて前記原動機の作動状態の判断情報を導出することによって、原動機の作動状態を適切に判断することができる。 According to the state determination method according to claim 1 of the present invention, at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover is acquired, frequency analysis of the acquired data is performed, and the frequency is described. Singular value decomposition (SVD) is performed on the analysis result, and machine learning is performed using the feature space extracted by the singular value decomposition (SVD) as input data and the operating state of the prime mover as output. By deriving the determination information of the operating state of the prime mover based on the result of the above, the operating state of the prime mover can be appropriately determined.
ここで、前記周波数解析として、ウェーブレット変換を用いた解析を行うことによって、原動機の作動状態に関する機械学習を適切に行うことができる。 Here, as the frequency analysis, machine learning regarding the operating state of the prime mover can be appropriately performed by performing an analysis using a wavelet transform.
また、前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師あり学習を用いてパターン認識を行うサポートベクターマシン（ＳＶＭ)を用いた学習を行うことによって、原動機の作動状態を複数のクラスタに分類するための機械学習を適切に行うことができる。 Further, as the machine learning, the feature space extracted by the singular value decomposition (SVD) is learned by using a support vector machine (SVM) that performs pattern recognition using supervised learning. Machine learning for classifying the operating state of is into multiple clusters can be performed appropriately.
また、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、ファジイ・シー・ミーンズ(ＦｕｚｚｙＣ-Ｍｅａｎｓ)法を用いてクラスタへの帰属度を求めて、前記サポートベクターマシン（ＳＶＭ)へ適用することによって、原動機の作動状態を複数のクラスタに分類するための教師付き機械学習を適切に行うことができる。 Further, for the feature space extracted by the singular value decomposition (SVD), the degree of attribution to the cluster is obtained by using the fuzzy C-Means method, and the support vector machine (SVM) is used. By applying it, supervised machine learning for classifying the operating state of the prime mover into a plurality of clusters can be appropriately performed.
また、前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師なし学習である自己組織化写像（ＳＯＭ）を用いることによって、原動機の作動状態を複数のクラスタに分類するための機械学習を適切に行うことができる。 Further, as the machine learning, the operating state of the prime mover is divided into a plurality of clusters by using self-organizing mapping (SOM), which is unsupervised learning, for the feature space extracted by the singular value decomposition (SVD). Machine learning for classification can be performed appropriately.
また、前記作動状態の前記判断情報に基づいて、さらに前記原動機の前記作動を制御することによって、原動機の作動状態を適切に判断した判断結果に基づいて原動機を適切に制御することができる。 Further, by further controlling the operation of the prime mover based on the determination information of the operating state, the prime mover can be appropriately controlled based on the determination result of appropriately determining the operating state of the prime mover.
また、前記原動機は、内燃機関及び／又は内燃機関に付随した可動部であることによって、内燃機関及び／又は内燃機関に付随した可動部の作動状態を適切に判断した判断結果に基づいて内燃機関及び／又は内燃機関に付随した可動部を適切に制御することができる。 Further, since the prime mover is an internal combustion engine and / or a moving part attached to the internal combustion engine, the internal combustion engine is based on a judgment result of appropriately determining the operating state of the internal combustion engine and / or the moving part attached to the internal combustion engine. And / or the moving parts associated with the internal combustion engine can be appropriately controlled.
また、前記作動状態の前記判断情報として、前記内燃機関のノッキング状態の判断情報を導出することによって、内燃機関のノッキング状態を適切に判断することができる。 Further, the knocking state of the internal combustion engine can be appropriately determined by deriving the determination information of the knocking state of the internal combustion engine as the determination information of the operating state.
また、前記ノッキング状態の前記判断情報として、ノッキング指標を導出することによって、内燃機関のノッキング状態を示す判断結果をノッキング指標として得ることができる。 Further, by deriving the knocking index as the judgment information of the knocking state, the judgment result indicating the knocking state of the internal combustion engine can be obtained as the knocking index.
また、前記ノッキング状態の前記判断情報に基づいて、前記内燃機関の前記ノッキング状態を解消する制御を行うことによって、内燃機関のノッキング状態を適切に判断した判断結果に基づいて内燃機関を適切に制御することができる。 Further, by performing control to eliminate the knocking state of the internal combustion engine based on the determination information of the knocking state, the internal combustion engine is appropriately controlled based on the determination result of appropriately determining the knocking state of the internal combustion engine. can do.
本発明の請求項１１に係る原動機の状態判断プログラムによれば、コンピュータに、原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得させるデータ取得ステップと、取得した前記データの周波数解析を行う周波数解析ステップと、前記周波数解析の結果に対して特異値分解（ＳＶＤ）を行う特異値分解ステップと、前記特異値分解（ＳＶＤ）により抽出された特徴空間を入力データとして前記原動機の作動状態を出力とする機械学習を行う機械学習ステップと、前記機械学習の結果に基づいて前記原動機の作動状態の判断情報を出力する出力ステップを実行させることによって、原動機の作動状態を適切に判断することができる。 According to the state determination program of the prime mover according to claim 11 of the present invention, the data acquisition step of causing the computer to acquire at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover, and the acquired data acquisition step. The frequency analysis step of performing frequency analysis of the data, the singular value decomposition step of performing singular value decomposition (SVD) on the result of the frequency analysis, and the feature space extracted by the singular value decomposition (SVD) are used as input data. By executing a machine learning step that performs machine learning that outputs the operating state of the prime mover and an output step that outputs determination information of the operating state of the prime mover based on the result of the machine learning, the operating state of the prime mover can be changed. Can be judged appropriately.
ここで、前記周波数解析ステップにおける前記周波数解析として、ウェーブレット変換を用いた解析を行うことによって、原動機の作動状態に関する機械学習を適切に行うことができる。 Here, as the frequency analysis in the frequency analysis step, machine learning regarding the operating state of the prime mover can be appropriately performed by performing an analysis using a wavelet transform.
また、前記機械学習ステップにおける前記機械学習として、前記特異値分解ステップの前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師あり学習を用いてパターン認識を行うサポートベクターマシン（ＳＶＭ)を用いた学習を行なうことによって、原動機の作動状態を複数のクラスタに分類するための機械学習を適切に行うことができる。 Further, as the machine learning in the machine learning step, a support vector machine (SVM) that performs pattern recognition using supervised learning for the feature space extracted by the singular value decomposition (SVD) in the singular value decomposition step. By performing learning using)), machine learning for classifying the operating state of the prime mover into a plurality of clusters can be appropriately performed.
また、前記特異値分解ステップにおいて、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、ファジイ・シー・ミーンズ(ＦｕｚｚｙＣ-Ｍｅａｎｓ)法を用いて、前記サポートベクターマシン（ＳＶＭ)へ適用するためのクラスタへの帰属度を求めることによって、原動機の作動状態を複数のクラスタに分類するための教師付き機械学習を適切に行うことができる。 Further, in the singular value decomposition step, the feature space extracted by the singular value decomposition (SVD) is applied to the support vector machine (SVM) by using the Fuzzy C-Means method. By determining the degree of attribution to the clusters, supervised machine learning for classifying the operating state of the prime mover into a plurality of clusters can be appropriately performed.
また、前記機械学習ステップにおける前記機械学習として、前記特異値分解（ＳＶＤ）により抽出された特徴空間に対して、教師なし学習である自己組織化写像（ＳＯＭ）を用いた学習を行なうことによって、原動機の作動状態を複数のクラスタに分類するための機械学習を適切に行うことができる。 Further, as the machine learning in the machine learning step, the feature space extracted by the singular value decomposition (SVD) is learned by using self-organizing map (SOM) which is unsupervised learning. Machine learning for classifying the operating state of the prime mover into multiple clusters can be performed appropriately.
また、前記出力ステップにおける前記作動状態の前記判断情報に基づいて、前記原動機の前記作動を制御する作動制御ステップをさらに備えたことによって、原動機の作動状態を適切に判断した判断結果に基づいて原動機を適切に制御することができる。 Further, by further providing an operation control step for controlling the operation of the prime mover based on the determination information of the operation state in the output step, the prime mover is based on the determination result of appropriately determining the operation state of the prime mover. Can be controlled appropriately.
また、前記原動機は、内燃機関及び／又は内燃機関に付随した可動部であることによって、内燃機関及び／又は内燃機関に付随した可動部の作動状態を適切に判断した判断結果に基づいて内燃機関及び／又は内燃機関に付随した可動部を適切に制御することができる。 Further, since the prime mover is an internal combustion engine and / or a moving part attached to the internal combustion engine, the internal combustion engine is based on a judgment result of appropriately determining the operating state of the internal combustion engine and / or the moving part attached to the internal combustion engine. And / or the moving parts associated with the internal combustion engine can be appropriately controlled.
また、前記出力ステップにおいて、前記作動状態の前記判断情報として、前記内燃機関のノッキング状態の判断情報を出力することによって、内燃機関のノッキング状態を適切に判断することができる。 Further, in the output step, the knocking state of the internal combustion engine can be appropriately determined by outputting the knocking state determination information of the internal combustion engine as the determination information of the operating state.
また、前記出力ステップにおいて、前記ノッキング状態の前記判断情報としてノッキング指標を導出して出力することによって、内燃機関のノッキング状態を示す判断結果をノッキング指標として得ることができる。 Further, in the output step, by deriving and outputting the knocking index as the judgment information of the knocking state, the judgment result indicating the knocking state of the internal combustion engine can be obtained as the knocking index.
また、前記出力ステップにおける前記ノッキング状態の前記判断情報に基づいて、前記作動制御ステップで前記内燃機関及び／又は前記内燃機関に付随した可動部の前記作動を制御することによって、内燃機関のノッキング状態を適切に判断した判断結果に基づいて内燃機関を適切に制御することができる。 Further, the knocking state of the internal combustion engine is controlled by controlling the operation of the internal combustion engine and / or the movable portion attached to the internal combustion engine in the operation control step based on the determination information of the knocking state in the output step. The internal combustion engine can be appropriately controlled based on the judgment result of appropriately judging.
［基本構成］
本発明の実施の形態における原動機の状態判断装置１００は、図１に示すように、学習用データ取得手段１０、周波数解析手段１２、特異値分解手段１４、機械学習手段１６、判断対象データ取得手段１８及び判断予測手段２０を含んで構成される。
[Basic configuration]
As shown in FIG. 1, the motor state determination device 100 according to the embodiment of the present invention includes learning data acquisition means 10, frequency analysis means 12, singular value decomposition means 14, machine learning means 16, and determination target data acquisition means. It is composed of 18 and the judgment prediction means 20.
状態判断装置１００は、原動機(図示せず)の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得することによって、当該データに基づいて原動機の作動状態を判断する処理を行う。 The state determination device 100 acquires at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover (not shown), and determines the operating state of the prime mover based on the data. Do.
本実施の形態において、原動機とは、自然界に存在するエネルギーを機械動力に変換する機械や変換したエネルギーを利用する機械全般を意味する。例えば、原動機は、熱機関、流体機械、電動機等、又はそれらに付随する軸受やプロペラ等の可動部を含むものである。 In the present embodiment, the prime mover means a machine that converts energy existing in the natural world into mechanical power and a machine that uses the converted energy in general. For example, the prime mover includes a heat engine, a fluid machine, an electric motor, and the like, or moving parts such as bearings and propellers attached thereto.
状態判断装置１００は、図２に示すように、処理部３０、記憶部３２、入力部３４、出力部３６及び通信部３８を含んで構成されるコンピュータによって実現することができる。 As shown in FIG. 2, the state determination device 100 can be realized by a computer including a processing unit 30, a storage unit 32, an input unit 34, an output unit 36, and a communication unit 38.
処理部３０は、ＣＰＵ等を含んで構成され、状態判断装置１００における処理を統合的に行う。処理部３０は、記憶部３２に記憶されている状態判断プログラムを実行することにより、本実施の形態における状態判断方法を実現することを可能にする。すなわち、コンピュータを学習用データ取得手段１０、周波数解析手段１２、特異値分解手段１４、機械学習手段１６、判断対象データ取得手段１８及び判断予測手段２０として機能させる。記憶部３２は、状態判断装置１００における状態判断処理において用いられる状態判断プログラムや機械学習に用いられる学習用データや状態判断する対象となる判断対象データ等の処理に用いられる情報を記憶する。記憶部３２は、例えば、半導体メモリ、ハードディスク等で構成することができる。入力部３４は、状態判断装置１００に対して情報を入力するための手段を含む。入力部３４は、例えば、キーボードやマウス等を含んで構成される。出力部３６は、状態判断装置１００で処理された情報を表示させる手段を含む。出力部３６は、例えば、ディスプレイとすることができる。通信部３８は、外部の装置との情報交換を行うためのインターフェースを含んで構成される。通信部３８は、例えば、インターネット等の情報通信網や専用回線に接続されることによって外部の装置との通信を可能にする。なお、状態判断装置１００として、処理部３０を除く組み合わせは、この構成に限定されない。 The processing unit 30 is configured to include a CPU and the like, and performs processing in the state determination device 100 in an integrated manner. The processing unit 30 makes it possible to realize the state determination method in the present embodiment by executing the state determination program stored in the storage unit 32. That is, the computer is made to function as a learning data acquisition means 10, a frequency analysis means 12, a singular value decomposition means 14, a machine learning means 16, a judgment target data acquisition means 18, and a judgment prediction means 20. The storage unit 32 stores information used for processing such as a state determination program used in the state determination process in the state determination device 100, learning data used for machine learning, and determination target data to be subject to state determination. The storage unit 32 can be composed of, for example, a semiconductor memory, a hard disk, or the like. The input unit 34 includes means for inputting information to the state determination device 100. The input unit 34 includes, for example, a keyboard, a mouse, and the like. The output unit 36 includes means for displaying the information processed by the state determination device 100. The output unit 36 can be, for example, a display. The communication unit 38 includes an interface for exchanging information with an external device. The communication unit 38 enables communication with an external device by being connected to an information communication network such as the Internet or a dedicated line, for example. The combination of the state determination device 100 excluding the processing unit 30 is not limited to this configuration.
［機械学習処理］
以下、図３のフローチャートを参照して、状態判断装置１００における原動機の作動状態に関する機械学習処理について説明する。状態判断装置１００は、記憶部３２に記憶されている状態判断プログラムを実行することによって以下の機械学習処理を行う。
[Machine learning process]
Hereinafter, the machine learning process regarding the operating state of the prime mover in the state determination device 100 will be described with reference to the flowchart of FIG. The state determination device 100 performs the following machine learning process by executing the state determination program stored in the storage unit 32.
ステップＳ１０では、原動機の作動状態に関する機械学習を行うための学習用データの取得処理が行われる。当該ステップにおける処理によって、状態判断装置１００は学習用データ取得手段１０として機能する。処理部３０は、入力部３４又は通信部３８を介して、機械学習を行うためのデータを取得する。例えば、解析対象である原動機や周辺に設けられたセンサによって原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つの時間的な変化を示す時系列データを取得する。取得されたデータは、記憶部３２に記憶される。 In step S10, learning data acquisition processing for performing machine learning regarding the operating state of the prime mover is performed. By the processing in the step, the state determination device 100 functions as the learning data acquisition means 10. The processing unit 30 acquires data for performing machine learning via the input unit 34 or the communication unit 38. For example, time-series data indicating at least one temporal change of sound, vibration, and pressure fluctuation generated by the operation of the prime mover by the prime mover to be analyzed or a sensor provided in the vicinity is acquired. The acquired data is stored in the storage unit 32.
図４は、学習用データの一例として、内燃機関のクランク軸角度に対する燃焼室内の圧力変化を示す。ただし、学習用データは、これに限定されるものではなく、原動機の作動に伴って発生する音響データや振動データとしてもよい。 FIG. 4 shows the pressure change in the combustion chamber with respect to the crankshaft angle of the internal combustion engine as an example of the learning data. However, the learning data is not limited to this, and may be acoustic data or vibration data generated by the operation of the prime mover.
ステップＳ１２では、学習用データに対して周波数解析処理が行われる。当該ステップにおける処理によって、状態判断装置１００は周波数解析手段１２として機能する。処理部３０は、ステップＳ１０において取得された時系列データを周波数空間における周波数データに変換する周波数解析処理を施す。周波数解析処理としては、例えば、ウェーブレット変換（Ｗａｖｅｌｅｔ Ｔｒａｎｓｆｏｒｍａｔｉｏｎ）を適用することが好適である。ウェーブレット変換は、周波数解析の手法の一つであり、基底関数としてウェーブレット関数を用いた周波数解析である。基本的には、小さい波（ウェーブレット）を拡大縮小及び平行移動して足し合わせることで、与えられた学習用データの波形を表現するものである。ウェーブレット変換では、基底関数の拡大縮小を行うので、広い周波数領域の解析が可能である。 In step S12, frequency analysis processing is performed on the learning data. By the processing in the step, the state determination device 100 functions as the frequency analysis means 12. The processing unit 30 performs frequency analysis processing for converting the time series data acquired in step S10 into frequency data in the frequency space. As the frequency analysis process, for example, it is preferable to apply a wavelet transform (Wavelet Transformation). The wavelet transform is one of the frequency analysis methods, and is a frequency analysis using a wavelet function as a basis function. Basically, the waveform of the given learning data is expressed by scaling and translating small waves (wavelets) and adding them together. In the wavelet transform, the basis function is scaled, so that a wide frequency domain can be analyzed.
ステップＳ１４では、学習用データに対して特異値分解処理が行われる。当該ステップにおける処理によって、状態判断装置１００は特異値分解手段１４の一部として機能する。処理部３０は、ステップＳ１２において周波数解析された学習用データに対して特異値分解処理（ＳＶＤ：Ｓｉｎｇｕｌａｒ Ｖａｌｕｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）を施す。特異値分解とは、線形代数学において複素数又は実数を成分とする行列に対する行列分解の手法である。なお、特異値分解（ＳＶＤ）は、行列の特異値分解の際に特異値をより強調する変換特異値分解（ＴＳＶＤ）であることが好適である。 In step S14, the singular value decomposition process is performed on the learning data. By the processing in the step, the state determination device 100 functions as a part of the singular value decomposition means 14. The processing unit 30 performs singular value decomposition processing (SVD: Singular Value Decomposition) on the learning data frequency-analyzed in step S12. Singular value decomposition is a method of matrix factorization for a matrix whose components are complex numbers or real numbers in linear algebra. The singular value decomposition (SVD) is preferably a conversion singular value decomposition (TSVD) that emphasizes the singular value when the singular value decomposition of the matrix is performed.
図５は、ウェーブレット変換及び特異値分解処理された学習用データの一例を示す。また、図６は、図５に示した学習用データの空間変換を行う変換特異値分解処理（ＴＳＶＤ：Ｔｒａｎｓｆｏｒｍｅｄ ＳＶＤ）された学習用データの一例を示す。 FIG. 5 shows an example of learning data that has undergone wavelet transform and singular value decomposition processing. Further, FIG. 6 shows an example of learning data that has undergone conversion singular value decomposition processing (TSVD: Transfersformed SVD) that spatially transforms the learning data shown in FIG.
ステップＳ１６では、特異値分解処理された学習用データから特徴量の抽出処理が行われる。当該ステップにおける処理によって、状態判断装置１００は特異値分解手段１４の一部として機能する。特異値分解処理された学習用データにおいて所定の基準値以上の信号エネルギーを有する状態を学習用データの特徴を示す特徴量として抽出する。 In step S16, a feature amount extraction process is performed from the learning data that has undergone the singular value decomposition process. By the processing in the step, the state determination device 100 functions as a part of the singular value decomposition means 14. In the learning data subjected to the singular value decomposition processing, a state having a signal energy equal to or higher than a predetermined reference value is extracted as a feature amount indicating the characteristics of the learning data.
図７は、図６に示した学習用データの例から抽出された特徴量の例を示す。図７において、σｉ（チルト）は信号エネルギー、ｔｉ（バー）はクランク軸角度（時間）、ｆｉ（バー）は周波数、ｔｉ（ハット）はクランク軸角度幅（時間スパン）を示している。図７では、信号エネルギーに対する基準値を０．６５として、０．６５以上のエネルギーを有する５つの状態が特徴量として抽出された例を示している。 FIG. 7 shows an example of the feature amount extracted from the example of the learning data shown in FIG. In FIG. 7, σi (tilt) indicates signal energy, ti (bar) indicates crankshaft angle (time), fi (bar) indicates frequency, and ti (hat) indicates crankshaft angle width (time span). FIG. 7 shows an example in which five states having an energy of 0.65 or more are extracted as feature quantities, with the reference value for the signal energy being 0.65.
機械学習には様々な学習用データに対する特徴量の抽出が必要であるので、必要に応じてステップＳ１０からステップＳ１６までの処理を繰り返すことが好適である。図８は、多くの学習用データから抽出された特徴量を特徴量空間にプロットした例を示す。図８に示す例では、原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つの学習用データから抽出された特徴量がクランク軸角度及び周波数で表される特徴量空間において２つのクラスタ（分類群）に分かれている。 Since it is necessary to extract features for various learning data in machine learning, it is preferable to repeat the processes from step S10 to step S16 as necessary. FIG. 8 shows an example in which the features extracted from many learning data are plotted in the feature space. In the example shown in FIG. 8, the feature quantities extracted from at least one learning data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover are two in the feature quantity space represented by the crankshaft angle and frequency. It is divided into clusters (taxa).
ステップＳ１８では、特異値分解によって得られた学習用データの特徴量を入力データとして原動機の作動状態に判断するための機械学習が行われる。当該ステップにおける処理によって、状態判断装置１００は機械学習手段１６として機能する。機械学習は、原動機の作動状態を複数の状態のいずれかに分類するためのクラスタ分類が可能なものであれば特に限定されるものではないが、例えばサポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、自己組織化写像（ＳＯＭ：Ｓｅｌｆ−Ｏｒｇａｎｉｚｉｎｇ Ｍａｐｓ）等から選択して適用することができる。 In step S18, machine learning is performed to determine the operating state of the prime mover by using the feature amount of the learning data obtained by the singular value decomposition as input data. By the processing in the step, the state determination device 100 functions as the machine learning means 16. Machine learning is not particularly limited as long as it is capable of cluster classification for classifying the operating state of the prime mover into any of a plurality of states, but for example, a support vector machine (SVM), a support vector machine, etc. It can be selected and applied from a self-organizing map (SOM: Self-Organizing Maps) or the like.
機械学習としてサポートベクターマシン（ＳＶＭ）を適用する場合、学習に使用する入力データとなる特徴量に対して予めクラスタ（分類群）への帰属度を求めて特徴量とクラスタへの帰属度を関連付けて教師あり学習用データとして使用する。例えば、ファジィ・シー・ミーンズ法（ＦｕｚｚｙＣ−Ｍｅａｎｓ）を特異値分解で得られた特徴量空間に適用することによって特徴量に対してクラスタへの帰属度を求めることができる。 When a support vector machine (SVM) is applied as machine learning, the degree of attribution to the cluster (classification group) is obtained in advance for the feature amount that is the input data used for learning, and the feature amount is associated with the degree of attribution to the cluster. Used as supervised learning data. For example, by applying the fuzzy sea-means method (FuzzyC-Means) to the feature space obtained by the singular value decomposition, the degree of attribution to the cluster can be obtained for the feature.
図９は、図８に示した特徴量空間に対してファジィ・シー・ミーンズ法（ＦｕｚｚｙＣ−Ｍｅａｎｓ）を適用して各特徴量に対してクラスタへの帰属度を求めた例を示す。図９における等高線は、特徴量の各々に対して求められたクラスタ１（Ｃｌｕｓｔｅｒ１）とクラスタ２（Ｃｌｕｓｔｅｒ２）への帰属度を示している。 FIG. 9 shows an example in which the fuzzy C-Means method is applied to the feature space shown in FIG. 8 to obtain the degree of belonging to the cluster for each feature. The contour lines in FIG. 9 indicate the degree of attribution to cluster 1 (Cruster 1) and cluster 2 (Cruster 2) obtained for each of the feature quantities.
このようにして得られたクラスタへの帰属度を教師データとして特異値分解で得られた特徴量と組み合わせて教師あり学習用データとしてサポートベクターマシンを適用する。サポートベクターマシンは、線形入力素子を利用してクラスのパターン識別器を構成する。具体的には、教師あり学習用データに基づいて各特徴量との距離が最大となるマージン最大化超平面を求めるという基準（超平面分離定理）で線形入力素子のパラメータを学習する。これによって、図１０に示すように、入力データをクラスタ１とクラスタ２とにクラスタ化する識別器（本実施の形態では判断予測手段２０）を得ることができる。 The support vector machine is applied as supervised learning data by combining the degree of attribution to the cluster thus obtained as supervised data with the features obtained by singular value decomposition. Support vector machines utilize linear input elements to construct class pattern classifiers. Specifically, the parameters of the linear input element are learned based on the criterion (hyperplane separation theorem) of finding the margin maximizing hyperplane that maximizes the distance from each feature based on supervised learning data. As a result, as shown in FIG. 10, it is possible to obtain a classifier (determination prediction means 20 in the present embodiment) that clusters the input data into cluster 1 and cluster 2.
また、機械学習として、サポートベクターマシン（ＳＶＭ）に代えて自己組織化写像（ＳＯＭ）を適用してもよい。機械学習として自己組織化写像（ＳＯＭ）を適用する場合、特異値分解で得られた特徴量空間からなる教師なし学習用データを入力データとして機械学習を行う。自己組織化写像は、ニューラルネットワークの一種であり、教師なし学習によって入力データを任意の次元へ写像して入力データをクラスタ１とクラスタ２とにクラスタ化する識別器（本実施の形態では判断予測手段２０）を得ることができる。図１１は、図８に示した特徴量空間に対して自己組織化写像を適用した場合の学習結果の例を示す。図１１に示すように、自己組織化写像を適用することによって、入力データを複数のクラスタにクラスタ化する識別器（本実施の形態では判断予測手段２０）を得ることができる。 Further, as machine learning, a self-organizing map (SOM) may be applied instead of the support vector machine (SVM). When a self-organizing map (SOM) is applied as machine learning, machine learning is performed using unsupervised learning data consisting of a feature space obtained by singular value decomposition as input data. The self-organizing map is a kind of neural network, and is a classifier that maps input data to an arbitrary dimension by unsupervised learning and clusters the input data into cluster 1 and cluster 2 (judgment prediction in this embodiment). Means 20) can be obtained. FIG. 11 shows an example of the learning result when the self-organizing map is applied to the feature space shown in FIG. As shown in FIG. 11, by applying the self-organizing map, it is possible to obtain a classifier (determination prediction means 20 in the present embodiment) that clusters the input data into a plurality of clusters.
以上のように、状態判断装置１００は、機械学習処理によって原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つを学習用データとして、当該データに基づいて原動機の作動状態を複数のクラスタ（分類群）のいずれかに属するかを判断する識別器（判断予測手段２０）を生成する。 As described above, the state determination device 100 uses at least one of the sounds, vibrations, and pressure fluctuations generated by the operation of the prime mover by the machine learning process as learning data, and sets a plurality of operating states of the prime mover based on the data. A classifier (judgment prediction means 20) for determining whether or not the data belongs to any of the clusters (classification group) is generated.
［作動状態の判断処理］
以下、図１２のフローチャートを参照して、機械学習処理によって得られた識別器（判断予測手段２０）を用いて入力データから原動機の作動状態を判断する処理について説明する。状態判断装置１００は、記憶部３２に記憶されている状態判断プログラムを実行することによって以下の作動状態の判断処理を行う。
[Operation status judgment process]
Hereinafter, a process of determining the operating state of the prime mover from the input data using the classifier (judgment prediction means 20) obtained by the machine learning process will be described with reference to the flowchart of FIG. The state determination device 100 performs the following operation state determination processing by executing the state determination program stored in the storage unit 32.
ステップＳ２０では、作動状態を判断する対象となる原動機の作動状態を示す入力データの取得処理が行われる。当該ステップにおける処理によって、状態判断装置１００は判断対象データ取得手段１８として機能する。処理部３０は、入力部３４又は通信部３８を介して、原動機の作動状態を示す判断対象データを取得する。例えば、原動機に設けられたセンサによって原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つの時間的な変化を示す時系列データを取得する。取得されたデータは、記憶部３２に記憶される。当該処理によって得られる判断対象データは、図４に示した学習用データと同様のデータとなる。 In step S20, an input data acquisition process indicating the operating state of the prime mover to be determined for the operating state is performed. By the processing in the step, the state determination device 100 functions as the determination target data acquisition means 18. The processing unit 30 acquires determination target data indicating the operating state of the prime mover via the input unit 34 or the communication unit 38. For example, a sensor provided in the prime mover acquires time-series data indicating at least one temporal change of sound, vibration, and pressure fluctuation generated by the operation of the prime mover. The acquired data is stored in the storage unit 32. The judgment target data obtained by the processing is the same data as the learning data shown in FIG.
ステップＳ２２では、判断対象データに対して周波数解析処理が行われる。当該ステップにおける処理によって、状態判断装置１００は周波数解析手段１２として機能する。当該処理は、上記ステップＳ１２と同様の処理であるので説明を省略する。 In step S22, frequency analysis processing is performed on the determination target data. By the processing in the step, the state determination device 100 functions as the frequency analysis means 12. Since this process is the same process as in step S12, description thereof will be omitted.
ステップＳ２４では、判断対象データに対して特異値分解処理が行われる。当該ステップにおける処理によって、状態判断装置１００は特異値分解手段１４の一部として機能する。当該処理は、上記ステップＳ１４と同様の処理であるので説明を省略する。 In step S24, the singular value decomposition process is performed on the judgment target data. By the processing in the step, the state determination device 100 functions as a part of the singular value decomposition means 14. Since this process is the same process as in step S14, description thereof will be omitted.
ステップＳ２６では、特異値分解処理された判断対象データから特徴量の抽出処理が行われる。当該ステップにおける処理によって、状態判断装置１００は特異値分解手段１４の一部として機能する。当該処理は、上記ステップＳ１６と同様の処理であるので説明を省略する。 In step S26, a feature amount extraction process is performed from the determination target data that has undergone the singular value decomposition process. By the processing in the step, the state determination device 100 functions as a part of the singular value decomposition means 14. Since this process is the same process as in step S16, description thereof will be omitted.
ステップＳ２８では、特異値分解によって得られた判断対象データの特徴量を入力データとして原動機の作動状態を判断する処理が行われる。当該ステップにおける処理によって、状態判断装置１００は判断予測手段２０として機能する。このとき、上記ステップＳ１８における機械学習によって得られた識別器（判断予測手段２０）に判断対象データの特徴量を入力することによって原動機の作動状態を判断した結果を示す判断結果が出力される。 In step S28, a process of determining the operating state of the prime mover is performed using the feature amount of the determination target data obtained by the singular value decomposition as input data. By the processing in the step, the state determination device 100 functions as the determination prediction means 20. At this time, a judgment result indicating the result of judging the operating state of the prime mover is output by inputting the feature amount of the judgment target data into the classifier (judgment prediction means 20) obtained by the machine learning in step S18.
判断予測手段２０から出力された判断結果は、原動機の作動を制御するために利用することができる。例えば、原動機の作動状態に異常が発生しているという判断結果が得られた場合、原動機の作動条件を調整して異常が解消されるように制御してもよい。また、原動機の作動状態に異常が発生しているという判断結果が得られた場合、出力部３６又は通信部３８を用いてアラームを出力し、アラームに応じて原動機をメンテナンスするようにしてもよい。作動状態を常時表示し、異常時は表示方法を変えるなどの方法を採ってもよい。 The determination result output from the determination prediction means 20 can be used to control the operation of the prime mover. For example, when it is determined that an abnormality has occurred in the operating state of the prime mover, the operating conditions of the prime mover may be adjusted so as to eliminate the abnormality. Further, when it is determined that an abnormality has occurred in the operating state of the prime mover, an alarm may be output using the output unit 36 or the communication unit 38, and the prime mover may be maintained in response to the alarm. .. The operating state may be displayed at all times, and if an abnormality occurs, the display method may be changed.
図１３は、内燃機関のクランク軸角度に対する燃焼室内の圧力変化を学習用データとして機械学習させた識別器（判断予測手段２０）に当該内燃機関のクランク軸角度に対する燃焼室内の圧力変化を判断対象データとして入力させてノッキング発生の有無を判断させた結果を示す。図１３では、横軸は判断対象データを取得して判断を行った判断回数（Ａｎａｌｙｓｅｄ Ｉｎｓｔａｎｃｅ：１プロットが１０燃焼サイクルを示す）、縦軸はノッキングが発生していないことを示す指数（Ｎｏｎ−ｋｎｏｃｋｉｎｇ Ｉｎｄｅｘ）及びノッキングが発生していることを示す指数（Ｋｎｏｃｋｉｎｇ Ｉｎｄｅｘ）を示している。図１３では、燃焼サイクル数が増加することによって、判断回数が５００を超える辺りからノッキング発生を示す判断結果が出力されている。 FIG. 13 shows a discriminator (judgment prediction means 20) machine-learned using the pressure change in the combustion chamber with respect to the crankshaft angle of the internal combustion engine as learning data to determine the pressure change in the combustion chamber with respect to the crankshaft angle of the internal combustion engine. The result of inputting as data and judging the presence or absence of knocking is shown. In FIG. 13, the horizontal axis is the number of judgments made by acquiring the judgment target data (Analyset Instance: 1 plot shows 10 combustion cycles), and the vertical axis is an index (Non−) indicating that knocking has not occurred. It shows the knocking index) and the index indicating that knocking is occurring (knocking index). In FIG. 13, as the number of combustion cycles increases, a determination result indicating knocking occurs is output from around 500 determination times.
状態判断装置１００では、当該ノッキング発生を示す判断結果に基づいて内燃機関のノッキングを解消する制御を行うようにしてもよい。例えば、ノッキングが発生していることを示す指数に応じて、内燃機関の燃料空気比を調整してノッキングが発生しないように制御すればよい。 The state determination device 100 may control to eliminate the knocking of the internal combustion engine based on the determination result indicating the occurrence of the knocking. For example, the fuel-air ratio of the internal combustion engine may be adjusted according to the index indicating that knocking has occurred to control the knocking so that it does not occur.
本発明は、原動機の作動状態を判断するために利用することができる。特に、ガスエンジンは熱効率を上げるためにノッキング発生に近い状態で運転されることが多く、負荷変動を起こし易い船舶で用いられるガスエンジンに利用することが有効である。硫黄成分規制によってディーゼル機関では船舶燃料として適合重油を使うが、低負荷状態においてノッキングを起こし易いのでディーゼル油に換える必要がある。そこで、本発明をディーゼル機関のノッキング発生の判断に利用することで燃料の切り替えを適切に制御することができる。 The present invention can be used to determine the operating state of the prime mover. In particular, gas engines are often operated in a state close to knocking in order to increase thermal efficiency, and it is effective to use them for gas engines used in ships that are prone to load fluctuations. Diesel engines use compatible heavy oil as marine fuel due to sulfur component regulations, but it is necessary to replace it with diesel oil because knocking is likely to occur under low load conditions. Therefore, by utilizing the present invention for determining the occurrence of knocking in a diesel engine, it is possible to appropriately control the switching of fuel.
１０ 学習用データ取得手段、１２ 周波数解析手段、１４ 特異値分解手段、１６ 機械学習手段、１８ 判断対象データ取得手段、２０ 判断予測手段、３０ 処理部、３２ 記憶部、３４ 入力部、３６ 出力部、３８ 通信部、１００ 状態判断装置。 10 Learning data acquisition means, 12 Frequency analysis means, 14 Singular value decomposition means, 16 Machine learning means, 18 Judgment target data acquisition means, 20 Judgment prediction means, 30 Processing unit, 32 Storage unit, 34 Input unit, 36 Output unit , 38 communication unit, 100 status judgment device.
Claims (20)
原動機の作動に伴って発生する音、振動、圧力変動の少なくとも１つのデータを取得させるデータ取得ステップと、
取得した前記データの周波数解析を行う周波数解析ステップと、
前記周波数解析の結果に対して特異値分解（ＳＶＤ）を行う特異値分解ステップと、
前記特異値分解（ＳＶＤ）により抽出された特徴空間を入力データとして前記原動機の作動状態を出力とする機械学習を行う機械学習ステップと、
前記機械学習の結果に基づいて前記原動機の作動状態の判断情報を出力する出力ステップを実行させることを特徴とする原動機の状態判断プログラム。 On the computer
A data acquisition step to acquire at least one data of sound, vibration, and pressure fluctuation generated by the operation of the prime mover, and
A frequency analysis step for performing frequency analysis of the acquired data, and
A singular value decomposition step of performing singular value decomposition (SVD) on the result of the frequency analysis, and
A machine learning step that performs machine learning that uses the feature space extracted by the singular value decomposition (SVD) as input data and outputs the operating state of the prime mover.
A state determination program for a prime mover, which comprises executing an output step for outputting determination information of an operating state of the prime mover based on the result of the machine learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019064106A JP7349124B2 (en) | 2019-03-28 | 2019-03-28 | Method and program for determining the condition of a prime mover |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019064106A JP7349124B2 (en) | 2019-03-28 | 2019-03-28 | Method and program for determining the condition of a prime mover |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020165330A true JP2020165330A (en) | 2020-10-08 |
| JP7349124B2 JP7349124B2 (en) | 2023-09-22 |
Family
ID=72717299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019064106A Active JP7349124B2 (en) | 2019-03-28 | 2019-03-28 | Method and program for determining the condition of a prime mover |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7349124B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733900A (en) * | 2020-12-31 | 2021-04-30 | 华北电力大学 | Boiler combustion state stability judgment method based on deep migration learning |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11242674A (en) * | 1997-10-31 | 1999-09-07 | Internatl Business Mach Corp <Ibm> | Method for displaying multi-dimensional data, program storage device, and program product for computer |
| JP2008192006A (en) * | 2007-02-06 | 2008-08-21 | Mitsubishi Electric Corp | Proper input support device and proper input support program |
| JP2013073436A (en) * | 2011-09-28 | 2013-04-22 | Fujitsu Ltd | Computation method, computation program and computation apparatus |
| JP2015158756A (en) * | 2014-02-24 | 2015-09-03 | ブラザー工業株式会社 | Information processing device, information processing system, and program |
| JP2015185149A (en) * | 2014-03-26 | 2015-10-22 | 日本電気株式会社 | Mechanical learning device, mechanical learning method, and program |
| JP2016521895A (en) * | 2013-06-14 | 2016-07-25 | イー． ラリモア，ウォレス | A method for forming a dynamic model for machine behavior from detected data, a system for modifying machine dynamic response characteristics |
| JP2018500611A (en) * | 2015-11-20 | 2018-01-11 | 小米科技有限責任公司Ｘｉａｏｍｉ Ｉｎｃ． | Image processing method and apparatus |
| JP2018178810A (en) * | 2017-04-10 | 2018-11-15 | 株式会社デンソーテン | Knocking controller, knocking adaptation method and knocking adaptation program |
| JP2019040431A (en) * | 2017-08-25 | 2019-03-14 | 三菱重工業株式会社 | Abnormality determination system, abnormality determination method, program, learnt model, and learnt model production method |
-
2019
- 2019-03-28 JP JP2019064106A patent/JP7349124B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11242674A (en) * | 1997-10-31 | 1999-09-07 | Internatl Business Mach Corp <Ibm> | Method for displaying multi-dimensional data, program storage device, and program product for computer |
| JP2008192006A (en) * | 2007-02-06 | 2008-08-21 | Mitsubishi Electric Corp | Proper input support device and proper input support program |
| JP2013073436A (en) * | 2011-09-28 | 2013-04-22 | Fujitsu Ltd | Computation method, computation program and computation apparatus |
| JP2016521895A (en) * | 2013-06-14 | 2016-07-25 | イー． ラリモア，ウォレス | A method for forming a dynamic model for machine behavior from detected data, a system for modifying machine dynamic response characteristics |
| JP2015158756A (en) * | 2014-02-24 | 2015-09-03 | ブラザー工業株式会社 | Information processing device, information processing system, and program |
| JP2015185149A (en) * | 2014-03-26 | 2015-10-22 | 日本電気株式会社 | Mechanical learning device, mechanical learning method, and program |
| JP2018500611A (en) * | 2015-11-20 | 2018-01-11 | 小米科技有限責任公司Ｘｉａｏｍｉ Ｉｎｃ． | Image processing method and apparatus |
| JP2018178810A (en) * | 2017-04-10 | 2018-11-15 | 株式会社デンソーテン | Knocking controller, knocking adaptation method and knocking adaptation program |
| JP2019040431A (en) * | 2017-08-25 | 2019-03-14 | 三菱重工業株式会社 | Abnormality determination system, abnormality determination method, program, learnt model, and learnt model production method |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733900A (en) * | 2020-12-31 | 2021-04-30 | 华北电力大学 | Boiler combustion state stability judgment method based on deep migration learning |
| CN112733900B (en) * | 2020-12-31 | 2024-01-23 | 华北电力大学 | Boiler combustion state stability judging method based on deep migration learning |
Also Published As
| Publication number | Publication date |
|---|---|
| JP7349124B2 (en) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10605188B2 (en) | Control device, control method, and control program | |
| EP3515040B1 (en) | Reliable cyber-threat detection in rapidly changing environments | |
| Puchalski | A technique for the vibration signal analysis in vehicle diagnostics | |
| Liu et al. | A fault diagnosis approach for diesel engines based on self-adaptive WVD, improved FCBF and PECOC-RVM | |
| WO2018005996A1 (en) | System, device, and method for feature generation, selection, and classification for audio detection of anomalous engine operation | |
| US8326518B2 (en) | Knocking detecting apparatus for internal combustion engine | |
| US20200244677A1 (en) | Scalable hierarchical abnormality localization in cyber-physical systems | |
| CN115409052A (en) | Fault diagnosis method and system for wind generating set bearing under data imbalance | |
| JP7349124B2 (en) | Method and program for determining the condition of a prime mover | |
| Li et al. | MITDCNN: A multi-modal input Transformer-based deep convolutional neural network for misfire signal detection in high-noise diesel engines | |
| Dişli et al. | Deep transfer learning-based broken rotor fault diagnosis for Induction Motors | |
| Geraei et al. | A noise invariant method for bearing fault detection and diagnosis using adapted local binary pattern (ALBP) and short-time Fourier transform (STFT) | |
| Verma et al. | Signal transforms for feature extraction from vibration signal for air compressor monitoring | |
| Barbosa et al. | Fault detection and classification in cantilever beams through vibration signal analysis and higher-order statistics | |
| CN111595585B (en) | Diesel engine cylinder fault diagnosis method, device and equipment and readable storage medium | |
| CN116699400A (en) | Generator rotor short-circuit fault monitoring system, method and readable storage medium | |
| Yu et al. | Local preserving projections-based feature selection and Gaussian mixture model for machine health assessment | |
| CN112801151B (en) | Wind power equipment fault detection method based on improved BSMOTE-Sequence algorithm | |
| Galloway et al. | Anomaly detection techniques for the condition monitoring of tidal turbines | |
| CN115901281A (en) | Fault diagnosis method and system for gas injection valve of LNG engine | |
| Chen et al. | A New Approach for Power Signal Disturbances Classification Using Deep Convolutional Neural Networks | |
| Rajapaksha et al. | Sensitivity analysis of SVM kernel functions in machinery condition classification | |
| Chu et al. | Visualized Feature Extraction Method of Diesel Engine Based on Texture Enhanced Block NMF (TE-BNMF) | |
| JP2021125035A (en) | Detection program, detection method, and detection device | |
| CN117828481B (en) | Fuel system fault diagnosis method and medium for common rail ship based on dynamic integrated frame |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220207 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230117 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230317 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230523 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230718 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230829 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230904 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7349124 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |