JP2005042583A

JP2005042583A - Knocking detection method and knocking detection device for engine

Info

Publication number: JP2005042583A
Application number: JP2003201634A
Authority: JP
Inventors: Hiroshi Takeda; 博竹田; Hiroyuki Tachibana; 弘幸橘; Atsushi Sakane; 篤坂根
Original assignee: Mitsui Engineering and Shipbuilding Co Ltd
Current assignee: Mitsui Engineering and Shipbuilding Co Ltd
Priority date: 2003-07-25
Filing date: 2003-07-25
Publication date: 2005-02-17

Abstract

<P>PROBLEM TO BE SOLVED: To provide a knocking detection method and a knocking detection device for an engine for prematurely detecting the knocking of the engine. <P>SOLUTION: This device 10 comprises vibration sensors 12 (12<SB>1</SB>to 12<SB>n</SB>) measuring the vibrating state of each of the cylinders of the engine, an angle sensor 14 measuring the crank angle of the engine, a waveform picking part 20 picking the output signals of the vibration sensors 12 when the cylinder of the engine is burned based on output signals from the angle sensor 14, and a filter part 22 for passing, therein, signals in a frequency band in which a variation occurs when knocking occurs in the engine of the output signals of the waveform picking part 20. In addition, the device 10 comprises a feature amount extraction part 24 for obtaining the feature amount of the signals passed through the filter part 22 and a knocking determination part 26 for determining the presence or absence of the knocking of the engine by obtaining the correlation of the feature amount obtained by the feature amount extraction part 24 to a pre-obtained reference feature amount. <P>COPYRIGHT: (C)2005,JPO&NCIPI

Description

【０００１】
【発明の属する技術分野】
本発明はエンジン用ノッキング検出方法および検出装置に係り、特にエンジンのノッキング等の異常燃焼を早期に検出するのに好適なエンジン用ノッキング検出方法および検出装置に関する。
【０００２】
【従来の技術】
近年、地球環境の保全のためクリーンなエネルギ源が求められている。この観点から、分散型電源の重要性が認識されており、主要な分散型電源の１つである天然ガスを燃料とするガスエンジンを用いた発電設備の普及が望まれている。
【０００３】
ところで、ガスエンジンを安定に高効率かつクリーンに稼動させることは比較的困難であり、また安定運転のためにはノッキングや失火などの異常燃焼を早期に検出し、これを回避することが必須となっている。
そのため、異常燃焼を早期に検出するために、シリンダに取付けられたセンサで計測される振動に基づいてノッキングを検出する装置や、エンジンの出力に基づいてノッキングの発生を予測する装置が用いられている。
【０００４】
また特許文献１には、ガスエンジンの各シリンダに取付けられた振動センサで検出した振動と、シリンダの点火タイミングを演算する点火タイミング演算手段から出力した点火タイミング信号とからシリンダ毎に燃焼時間中の振動信号の最大値を検出し、この振動信号の最大値と予め記憶された基準値とを比較して、シリンダ毎にノッキングが発生していないか判断することが記載されている。
【０００５】
【特許文献１】特許第３０９７４７７号公報
【０００６】
【発明が解決しようとする課題】
しかしながら、ノッキング等の異常燃焼を検出する従来装置では、小さなノッキングの発生を検出できない問題点や、ノッキングを直接計測していないためにノッキングの発生を正確に検出できない問題点を有している。
【０００７】
また特許文献１に記載された発明では、振動信号を所定回数づつサンプリングして所定個数の最大値を得、これを算術平均して出力して基準値と比較しているので、大きなノッキングが発生しない限り振動信号の最大値に有意の変化が生じず、ノッキングの発生を検出することができない。このため、小さなノッキングの発生を検出できない問題点がある。
【０００８】
本発明は上記問題点を解決するためになされたもので、サイクル毎にノッキングの判定を高速で行うとともに、微小なノッキングの検出を行うエンジン用ノッキング検出方法および検出装置を提供することを目的とする。
【０００９】
【課題を解決するための手段】
上記目的を達成するために、本発明に係るエンジン用ノッキング検出方法は、エンジンに設けられたシリンダ毎の燃焼時における振動を計測し、検出した振動からノッキング時に変化が生じる周波数帯域の特徴量を抽出して、予め求めた基準特徴量との相関を求めてノッキングの有無を判定することを特徴としている。また前記特徴量は線形予測係数であることを特徴としている。
【００１０】
また本発明に係るエンジン用ノッキング検出装置は、エンジンのシリンダ毎の振動状態を計測する振動センサと、エンジンのクランク角度を計測する角度センサと、前記角度センサからの出力信号に基づいて、エンジンのシリンダの燃焼時における振動センサの出力信号を切り出す波形切り出し部と、前記波形切り出し部の出力信号からエンジンのノッキング現象時に変化が発生する周波数帯域の信号を通過させるフィルタ部と、前記フィルタ部を通過した信号の特徴量を求める特徴量抽出部と、前記特徴量抽出部の求めた特徴量と予め求めた基準特徴量との相関を求め、エンジンのノッキングの有無を判定するノッキング判定部と、を有することを特徴としている。また前記特徴量は予測線形係数であることを特徴としている。また前記ノッキング判定部は境界学習型ニューラルネットワークを有することを特徴としている。
【００１１】
【作用】
上記方法および装置によれば、振動センサで計測されたシリンダの振動状態の信号は、シリンダの燃焼時刻に対応して切り出される。この切り出された結果の中から、ノッキングが発生したときに変化が生じる周波数帯域のみが取り出されるので、ノッキングが発生したときの信号情報のみが特徴量抽出部に入力される。このため処理する信号が少ないので、ノッキングの発生を高速で判定することができる。
【００１２】
またノッキングの発生を判定するための特徴量として線形予測係数を用いるので、燃焼時刻におけるノッキングの発生の有無を明確に捕らえることができ、微小なノッキングの変化でも明確に特徴付けることができる。
また特徴量である線形予測係数と予め求めた基準特徴量との相関を求めることにより、ノッキングの発生を正確に判定することができるとともに、出力値の大小に基づいてノッキングの程度を判定することができる。そしてノッキングの発生の判定に境界学習型ニューラルネットワークを用いることにより、ノッキングの発生の判定精度が向上する。また境界学習型ニューラルネットワークの出力は０から１の値をとるため、出力値の大小に基づいてノッキングの程度を判定できる。
【００１３】
【発明の実施の形態】
以下に、本発明に係るエンジン用ノッキング検出方法および検出装置の実施の形態について説明する。図１に本実施の形態に係るノッキング検出装置のブロック図を示す。ノッキング検出装置１０には、検出対象となるガスエンジンのシリンダ毎（不図示）に振動センサ１２（１２_１………１２_ｎ）が取付けられている。この振動センサ１２はシリンダの燃焼状態を計測する加速度センサ等からなり、シリンダ毎に燃焼状態を計測するのに必要な個数だけ、すなわち単数または複数個取付けられている。振動センサ１２の出力信号はノック信号として出力され、この振動センサ１２の出力側に接続されたアナログ／ディジタル（Ａ／Ｄ）変換部１６で、ノック信号をアナログ信号からディジタル信号へ変換する構成である。そして、このＡ／Ｄ変換部１６の出力側には波形切り出し部２０が接続されている。
【００１４】
また前記ガスエンジンには、クランク（不図示）の角度を計測してクランク角度信号を出力する角度センサ１４が取付けられている。この角度センサ１４はパルスエンコーダや磁気センサ等の回転パルス送出センサからなる。角度センサ１４の出力側にはクランク角度信号をＡ／Ｄ変換するＡ／Ｄ変換部１６が接続され、このＡ／Ｄ変換部１６の出力側にはクランク角度信号を基に各シリンダの燃焼時刻を算出する燃焼時刻算出部１８が接続されている。そして燃焼時刻算出部１８の出力側には波形切り出し部２０が接続されている。なお、本実施の形態に係るノッキング検出装置１０は、振動センサ１２からの出力と角度センサ１４からの出力を同時にサンプリングすることができ、またマルチプレクサを使用してサンプリングすることもできる。
【００１５】
波形切り出し部２０は、振動センサ１２側から入力されるノック信号の波形の中で、燃焼時刻算出部１８から入力される各シリンダの燃焼時刻に基づいて、ノッキングが発生する可能性のある燃焼時間帯を切り出し、フィルタ部２２へ出力する構成である。フィルタ部２２はノッキング現象により発生する周波数帯域の信号のみを通過させる構成である。このフィルタ部２２はアナログフィルタとして構成し、Ａ／Ｄ変換器の入力側の前段に設ける構成としてもよい。そしてフィルタ部２２の出力側には特徴量抽出部２４が接続されている。この特徴量抽出部２４はフィルタ部２２を通過した信号の特徴量となる線形予測係数を最大エントロピー法に基づいて算出する構成である。
【００１６】
ここで線形予測係数について説明すると、線形予測係数とは信号処理で使われる特徴量の一つで、信号の周波数情報を圧縮した形で保存できるのが特徴である。すなわち線形予測係数は、数式１のα_ｋで表される係数である。
【数１】

ただし、ｘ（ｎ）：時刻ｎΔｔにおける信号の値、Δｔ：サンプリング間隔、ｍ：モデル次数である。
【００１７】
数式１は、任意の時刻の信号はそれ以前の信号の加重和として表すことを示しており、自己回帰モデルと呼ばれている。そして、線形予測係数を基に数式２に示すように信号のパワースペクトルを算出することができる。
【数２】

ただし、Ｐ（ｆ）：周波数ｆのスペクトル値、Ｐ_ｍ：予測誤差の分散である。
【００１８】
数式２に示されるようにスペクトルと線形予測係数に対応関係があり、スペクトルに違いがみられれば線形予測係数に違いがみられるため、線形予測係数を信号の特徴量として利用できることが分かる。また、通常は少数の線形予測係数でスペクトルが計算できるため、特徴量の数が減少する。通常、信号の特徴を識別するためには線形予測係数の個数は２０個程度で自己診断が可能なレベルまでになり、波形を基にした自動診断において有効な方法となっている。
【００１９】
また最大エントロピー法により求めた線形予測係数は次の特徴がある。
１）モデル次数ｍを変えても係数値は変化しない。他の方法はモデル次数を変えると変わる。
２）線形予測係数を用いてスペクトルを計算する場合、時間的に短いデータに対して高精度のスペクトルが得られる。したがって、速い減少でも特徴量を取得できる。
【００２０】
そして特徴量抽出部２４の出力側はノッキング判定部２６に接続されている。このノッキング判定部２６は、特徴量抽出部２４で算出された線形予測係数と、予め求めた基準特徴量との相関を求めてノッキングの発生の有無を判定し、その強度を算出する構成である。このノッキング判定部２６は境界学習型ニューラルネットワークで構築されている。ノッキングの判定方法は、信号に対応する制御出力を得るように識別すべきパターンを入力し、対応する出力を教師パターンと対比することによって修正する学習作業を繰り返した後、以後は任意の識別パターンを入力することで自動判別させるようにしたものである。詳しくは、入力ユニット群に複数の学習用入力パターンを入力するとともに、入力した学習用入力パターンに対応した出力ユニット群の出力パターンを予め定めた教師パターンと比較して両者の誤差を求め、この誤差に基づいて各ユニット群を構成しているユニットのしきい値と、各ユニット群を連結している結合素子の重み係数とを補正する操作を繰り返して前記学習用入力パターンを学習させたのち、任意のパターンを前記入力ユニット群に入力して前記出力ユニット群の出力パターンを、学習させた入力パターンに対応した出力パターンと対比する方法である。そして学習データから特徴量の平均値ｍと標準偏差σを算出し、学習データの一部または全部をｍ±ａσ（ａはある実数値）に変更したデータを境界データとする。このようにして作成した境界データを学習データに加えてニューラルネットワークの学習を行う。また実数値ａをどのように決めるかについては、正規分布の知識を参考にして求めればよい。これにより、望ましいパターン認識能力を持ったニューラルネットワークが構築される。
【００２１】
次に、エンジン用ノッキング検出装置１０の作用について説明する。前記ガスエンジンの前記シリンダに取付けた振動センサ１２でノッキングを計測する。図２および図３に振動センサ１２の計測結果を示す。図２は正常燃焼時における振動センサ１２から出力されるノック信号の波形である。図３は微小なノッキングが発生したときの振動センサ１２から出力されるノック信号の波形である。図２および図３に示される波形では、正常燃焼時の波形と微小なノッキングが発生した波形で大きな違いが見られない。
【００２２】
そしてノック信号はＡ／Ｄ変換された後、角度センサ１４から出力されるクランク角度信号に基づいて算出される各シリンダの燃焼時刻に対応して、前記ノック信号の波形が切り出される。この切り出された波形のうちノッキング現象により発生する周波数帯域のみフィルタ部２２を通過して、特徴量抽出部２４で線形予測係数が算出される。図４および図５に線形予測係数の算出結果を示す。図４は正常燃焼時の線形予測係数を示し、図５は微小なノッキングが発生したときの線形予測係数を示す。なお図４および図５は１０ミリ秒毎に計算した線形予測係数を４０ミリ秒間にわたり計算したものである。図４および図５から、正常燃焼時と微小なノッキングが発生したときで線形予測係数値が異なることがわかる。
【００２３】
そして線形予測係数はノッキング判定部２６に出力され、線形予測係数を特徴量として境界学習型ニューラルネットワークでノッキングの発生の有無を判定し、その強度を算出する。図６にノッキングの発生の有無を判定した結果を示す。境界学習型ニューラルネットワークはノッキングが発生するときに大きな値を出力し、正常燃焼時には小さな値を出力するので、ニューラルネットワークの出力値の大小でノッキングの発生の有無を判定している。
【００２４】
このようなエンジン用ノッキング検出装置１０および検出方法によれば、振動センサ１２で計測したノック信号は、角度センサ１４から出力されるクランク角度信号に基づいて算出された各シリンダの燃焼時刻に対応して切り出される。すなわちシリンダが燃焼しているときのノック信号のみ切り出されて信号情報が限定されるので、ノッキングの発生を高速で判定することができる。またフィルタ部２２でノッキングが発生したときに生じる周波数帯域のみを通過させるので信号情報がより限定され、ノッキングの発生をさらに高速で判定することができる。
【００２５】
また振動センサ１２出力の特徴量として線形予測係数を用いることにより次の効果が得られる。すなわち、波形切り出し部２０とフィルタ部２２を通過して得られる限定された信号情報であっても元信号の周波数分析が可能なため、燃焼時刻におけるノッキングの発生の有無を明確に捕らえることができる。このため他の方法、例えば元信号の最大振幅値を評価基準とする方法や、高速フーリエ変換により元信号の周波数特性を算出してその特徴量とする方法とを比較すると、より微小なノッキングの検出を行うことができる。また線形予測係数の計算時間が速いために、サイクル毎に振動センサ１２の特徴量を計算することができる。さらに線形予測係数は信号の周波数特性を反映しているため、振幅の変化として生じない微小なノッキングでも変化を捉えることができ、ノッキングの検出感度が向上する。
【００２６】
また各振動センサ１２で得られた複数の特徴量に基づいてノッキング発生の有無を判定するのにニューラルネットワークを用いたので、ノッキングの発生有無を判定することができ、さらにニューラルネットワークを境界学習型としたことによりノッキングの発生の判定精度が向上する。また境界学習型ニューラルネットワークの出力は０から１の値をとるため、出力値の大小に基づいてノッキングの程度を判定できる。
【００２７】
【発明の効果】
以上説明したように、本発明に係るエンジン用ノッキング検出方法は、エンジンに設けられたシリンダ毎の燃焼時における振動を計測し、検出した振動からノッキング時に生じる周波数帯域を求め、求めた周波数帯域の特徴量を抽出して、予め求めた基準特徴量との相関を求めてノッキングの有無を判定する構成としたので、サイクル毎にノッキングの判定を高速で行うことができ、微小なノッキングの検出を行うことができる。
【図面の簡単な説明】
【図１】本実施の形態に係るノッキング検出装置のブロック図である。
【図２】正常燃焼時における振動センサからの出力波形の図である。
【図３】微小なノッキングが発生したときの振動センサからの出力波形の図である。
【図４】正常燃焼時における線形予測係数を示す図である。
【図５】微小なノッキングが発生したときの線形予測係数を示す図である。
【図６】ノッキングの発生の有無を判定した結果を示す図である。
【符号の説明】
１０………ノッキング検出装置、１２………振動センサ、１４………角度センサ、１６………アナログ／ディジタル（Ａ／Ｄ）変換部、１８………燃焼時刻算出部、２０………波形切り出し部、２２………フィルタ部、２４………特徴量抽出部、２６………ノッキング判定部。[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an engine knocking detection method and detection apparatus, and more particularly to an engine knocking detection method and detection apparatus suitable for early detection of abnormal combustion such as engine knocking.
[0002]
[Prior art]
In recent years, a clean energy source has been demanded for conservation of the global environment. From this point of view, the importance of distributed power sources is recognized, and the spread of power generation facilities using gas engines that use natural gas as fuel as one of the main distributed power sources is desired.
[0003]
By the way, it is relatively difficult to operate a gas engine stably and efficiently and cleanly, and for stable operation, it is essential to detect abnormal combustion such as knocking and misfire early and to avoid this. It has become.
Therefore, in order to detect abnormal combustion at an early stage, a device that detects knocking based on vibration measured by a sensor attached to a cylinder or a device that predicts the occurrence of knocking based on the output of an engine is used. Yes.
[0004]
Further, in Patent Document 1, the combustion time for each cylinder is calculated from the vibration detected by the vibration sensor attached to each cylinder of the gas engine and the ignition timing signal output from the ignition timing calculating means for calculating the ignition timing of the cylinder. It is described that the maximum value of the vibration signal is detected and the maximum value of the vibration signal is compared with a reference value stored in advance to determine whether knocking has occurred in each cylinder.
[0005]
[Patent Document 1] Japanese Patent No. 3097477 [0006]
[Problems to be solved by the invention]
However, the conventional apparatus that detects abnormal combustion such as knocking has a problem that the occurrence of small knocking cannot be detected, and a problem that the occurrence of knocking cannot be accurately detected because knocking is not directly measured.
[0007]
In the invention described in Patent Document 1, the vibration signal is sampled a predetermined number of times to obtain a predetermined number of maximum values, which are arithmetically averaged and output and compared with the reference value, so that a large knocking occurs. Unless this occurs, no significant change occurs in the maximum value of the vibration signal, and the occurrence of knocking cannot be detected. For this reason, there is a problem that the occurrence of small knocking cannot be detected.
[0008]
The present invention has been made to solve the above-described problems, and an object thereof is to provide an engine knocking detection method and a detection device that perform knocking determination at high speed for each cycle and detect minute knocking. To do.
[0009]
[Means for Solving the Problems]
In order to achieve the above object, an engine knocking detection method according to the present invention measures vibrations at the time of combustion for each cylinder provided in an engine, and calculates a characteristic amount in a frequency band in which a change occurs at the time of knocking from the detected vibrations. It is characterized in that it is extracted, and the presence or absence of knocking is determined by obtaining a correlation with a reference feature amount obtained in advance. The feature amount is a linear prediction coefficient.
[0010]
An engine knocking detection apparatus according to the present invention includes a vibration sensor that measures a vibration state of each cylinder of the engine, an angle sensor that measures a crank angle of the engine, and an output signal from the angle sensor. A waveform cutout unit that cuts out an output signal of the vibration sensor at the time of combustion of the cylinder, a filter unit that passes a signal in a frequency band in which a change occurs during an engine knocking phenomenon from the output signal of the waveform cutout unit, A feature amount extraction unit for obtaining a feature amount of the signal obtained, a knock determination unit for obtaining a correlation between the feature amount obtained by the feature amount extraction unit and a reference feature amount obtained in advance, and determining whether or not the engine is knocked. It is characterized by having. The feature quantity is a predicted linear coefficient. Further, the knocking determination unit has a boundary learning type neural network.
[0011]
[Action]
According to the above method and apparatus, the signal of the vibration state of the cylinder measured by the vibration sensor is cut out corresponding to the combustion time of the cylinder. Since only the frequency band that changes when knocking occurs is extracted from the extracted results, only the signal information when knocking occurs is input to the feature quantity extraction unit. For this reason, since there are few signals to process, the occurrence of knocking can be determined at high speed.
[0012]
In addition, since a linear prediction coefficient is used as a feature amount for determining the occurrence of knocking, it is possible to clearly capture the presence or absence of knocking at the combustion time, and to clearly characterize even a slight change in knocking.
In addition, it is possible to accurately determine the occurrence of knocking by determining the correlation between the linear prediction coefficient, which is a feature value, and the reference feature value obtained in advance, and to determine the degree of knocking based on the magnitude of the output value. Can do. By using the boundary learning type neural network for determining the occurrence of knocking, the accuracy of determining the occurrence of knocking is improved. Since the output of the boundary learning type neural network takes a value from 0 to 1, the degree of knocking can be determined based on the magnitude of the output value.
[0013]
DETAILED DESCRIPTION OF THE INVENTION
Embodiments of an engine knocking detection method and detection apparatus according to the present invention will be described below. FIG. 1 shows a block diagram of a knocking detection apparatus according to the present embodiment. In the knocking detection device 10, a vibration sensor 12 (12 ₁ ... 12 _n ) is attached to each cylinder (not shown) of the gas engine to be detected. The vibration sensor 12 is composed of an acceleration sensor or the like for measuring the combustion state of the cylinder, and is installed in the number necessary for measuring the combustion state for each cylinder, that is, one or a plurality. The output signal of the vibration sensor 12 is output as a knock signal, and the analog / digital (A / D) converter 16 connected to the output side of the vibration sensor 12 converts the knock signal from an analog signal to a digital signal. is there. A waveform cutout unit 20 is connected to the output side of the A / D conversion unit 16.
[0014]
The gas engine is provided with an angle sensor 14 that measures the angle of a crank (not shown) and outputs a crank angle signal. The angle sensor 14 includes a rotation pulse sending sensor such as a pulse encoder or a magnetic sensor. An A / D converter 16 for A / D converting the crank angle signal is connected to the output side of the angle sensor 14, and the combustion time of each cylinder based on the crank angle signal is connected to the output side of the A / D converter 16. Is connected to a combustion time calculation unit 18. A waveform cutout unit 20 is connected to the output side of the combustion time calculation unit 18. Note that the knocking detection apparatus 10 according to the present embodiment can sample the output from the vibration sensor 12 and the output from the angle sensor 14 at the same time, and can also sample using a multiplexer.
[0015]
The waveform cutout unit 20 is a combustion time in which knocking may occur based on the combustion time of each cylinder input from the combustion time calculation unit 18 in the waveform of the knock signal input from the vibration sensor 12 side. The band is cut out and output to the filter unit 22. The filter unit 22 is configured to pass only the signal in the frequency band generated by the knocking phenomenon. The filter unit 22 may be configured as an analog filter and may be provided in the preceding stage on the input side of the A / D converter. A feature amount extraction unit 24 is connected to the output side of the filter unit 22. The feature amount extraction unit 24 is configured to calculate a linear prediction coefficient that is a feature amount of a signal that has passed through the filter unit 22 based on the maximum entropy method.
[0016]
Here, the linear prediction coefficient will be described. The linear prediction coefficient is one of feature quantities used in signal processing, and is characterized in that the frequency information of a signal can be stored in a compressed form. That is, the linear prediction coefficient is a coefficient represented by α _k in Equation 1.
[Expression 1]

Where x (n) is the value of the signal at time nΔt, Δt is the sampling interval, and m is the model order.
[0017]
Formula 1 indicates that a signal at an arbitrary time is expressed as a weighted sum of signals before that, and is called an autoregressive model. Based on the linear prediction coefficient, the power spectrum of the signal can be calculated as shown in Equation 2.
[Expression 2]

Where P (f) is the spectrum value of the frequency f, and P _m is the variance of the prediction error.
[0018]
As shown in Formula 2, there is a correspondence relationship between the spectrum and the linear prediction coefficient, and if the spectrum is different, the linear prediction coefficient is different, and thus it can be understood that the linear prediction coefficient can be used as the feature amount of the signal. In addition, since the spectrum can be usually calculated with a small number of linear prediction coefficients, the number of feature amounts is reduced. Usually, in order to identify the characteristics of a signal, the number of linear prediction coefficients is about 20 and reaches a level where self-diagnosis is possible, which is an effective method in automatic diagnosis based on a waveform.
[0019]
The linear prediction coefficient obtained by the maximum entropy method has the following characteristics.
1) The coefficient value does not change even if the model order m is changed. Other methods change with changing model order.
2) When calculating a spectrum using a linear prediction coefficient, a highly accurate spectrum can be obtained for temporally short data. Therefore, the feature amount can be acquired even with a rapid decrease.
[0020]
The output side of the feature amount extraction unit 24 is connected to the knocking determination unit 26. The knocking determination unit 26 is configured to determine the presence / absence of knocking by calculating the correlation between the linear prediction coefficient calculated by the feature amount extraction unit 24 and the reference feature amount obtained in advance, and calculate the intensity thereof. . The knocking determination unit 26 is constructed by a boundary learning type neural network. The knocking determination method includes inputting a pattern to be identified so as to obtain a control output corresponding to the signal, repeating a learning operation for correcting by comparing the corresponding output with a teacher pattern, and thereafter identifying an arbitrary identification pattern. Is automatically discriminated by inputting. Specifically, a plurality of learning input patterns are input to the input unit group, and the output pattern of the output unit group corresponding to the input learning input pattern is compared with a predetermined teacher pattern to obtain an error between them. After learning the learning input pattern by repeating the operation of correcting the threshold value of the units constituting each unit group based on the error and the weighting factor of the coupling element connecting the unit groups. In this method, an arbitrary pattern is input to the input unit group, and the output pattern of the output unit group is compared with the output pattern corresponding to the learned input pattern. Then, an average value m and a standard deviation σ of feature quantities are calculated from the learning data, and data obtained by changing part or all of the learning data to m ± aσ (a is a real value) is used as boundary data. The neural network is learned by adding the boundary data created in this way to the learning data. In addition, how to determine the real value a may be obtained with reference to knowledge of normal distribution. Thereby, a neural network having a desirable pattern recognition capability is constructed.
[0021]
Next, the operation of the engine knock detection device 10 will be described. Knocking is measured by a vibration sensor 12 attached to the cylinder of the gas engine. 2 and 3 show the measurement results of the vibration sensor 12. FIG. 2 is a waveform of a knock signal output from the vibration sensor 12 during normal combustion. FIG. 3 is a waveform of a knock signal output from the vibration sensor 12 when minute knocking occurs. In the waveforms shown in FIGS. 2 and 3, there is no significant difference between the waveform during normal combustion and the waveform in which minute knocking occurs.
[0022]
Then, the knock signal is A / D converted, and the waveform of the knock signal is cut out corresponding to the combustion time of each cylinder calculated based on the crank angle signal output from the angle sensor 14. Of the extracted waveform, only the frequency band generated by the knocking phenomenon passes through the filter unit 22, and the feature amount extraction unit 24 calculates the linear prediction coefficient. 4 and 5 show the calculation results of the linear prediction coefficient. FIG. 4 shows the linear prediction coefficient during normal combustion, and FIG. 5 shows the linear prediction coefficient when minute knocking occurs. 4 and 5 show linear prediction coefficients calculated every 10 milliseconds over 40 milliseconds. 4 and 5, it can be seen that the linear prediction coefficient value is different between normal combustion and minute knocking.
[0023]
Then, the linear prediction coefficient is output to the knocking determination unit 26, and the presence or absence of knocking is determined by a boundary learning type neural network using the linear prediction coefficient as a feature quantity, and the intensity is calculated. FIG. 6 shows the result of determining whether or not knocking has occurred. Since the boundary learning type neural network outputs a large value when knocking occurs and outputs a small value during normal combustion, the presence / absence of knocking is determined based on the output value of the neural network.
[0024]
According to the engine knocking detection device 10 and the detection method, the knock signal measured by the vibration sensor 12 corresponds to the combustion time of each cylinder calculated based on the crank angle signal output from the angle sensor 14. And cut out. That is, only the knock signal when the cylinder is burning is cut out and the signal information is limited, so that the occurrence of knocking can be determined at high speed. Further, since only the frequency band generated when knocking occurs in the filter unit 22 is passed, the signal information is further limited, and the occurrence of knocking can be determined at a higher speed.
[0025]
Moreover, the following effect is acquired by using a linear prediction coefficient as a feature-value of vibration sensor 12 output. That is, since the frequency analysis of the original signal is possible even with limited signal information obtained by passing through the waveform cutout unit 20 and the filter unit 22, the presence or absence of knocking at the combustion time can be clearly captured. . For this reason, when compared with other methods, for example, a method that uses the maximum amplitude value of the original signal as an evaluation criterion, and a method that calculates the frequency characteristic of the original signal by fast Fourier transform and uses it as a feature amount, a smaller amount of knocking is achieved. Detection can be performed. In addition, since the calculation time of the linear prediction coefficient is fast, the feature amount of the vibration sensor 12 can be calculated for each cycle. Furthermore, since the linear prediction coefficient reflects the frequency characteristics of the signal, the change can be captured even with a minute knock that does not occur as a change in amplitude, and the detection sensitivity of knocking is improved.
[0026]
Further, since the neural network is used to determine the presence / absence of knocking based on a plurality of feature values obtained by each vibration sensor 12, it is possible to determine the presence / absence of knocking, and the neural network can be used as a boundary learning type. As a result, the determination accuracy of the occurrence of knocking is improved. Since the output of the boundary learning type neural network takes a value from 0 to 1, the degree of knocking can be determined based on the magnitude of the output value.
[0027]
【The invention's effect】
As described above, the engine knocking detection method according to the present invention measures vibrations at the time of combustion for each cylinder provided in the engine, obtains a frequency band generated at the time of knocking from the detected vibrations, and Since it is configured to extract the feature value and determine the presence or absence of knocking by obtaining the correlation with the reference feature value obtained in advance, knocking can be determined at high speed for each cycle, and detection of minute knocking can be performed It can be carried out.
[Brief description of the drawings]
FIG. 1 is a block diagram of a knocking detection apparatus according to an embodiment.
FIG. 2 is a diagram of an output waveform from a vibration sensor during normal combustion.
FIG. 3 is a diagram of an output waveform from a vibration sensor when minute knocking occurs.
FIG. 4 is a diagram showing linear prediction coefficients during normal combustion.
FIG. 5 is a diagram illustrating a linear prediction coefficient when minute knocking occurs.
FIG. 6 is a diagram showing a result of determining whether knocking has occurred or not.
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 10 ......... Knocking detection apparatus, 12 ......... Vibration sensor, 14 ...... Angle sensor, 16 ...... Analog / digital (A / D) conversion part, 18 ...... Combustion time calculation part, 20 ...... Waveform cutout unit, 22... Filter unit, 24... Feature amount extraction unit, 26.

Claims

Measure vibration during combustion for each cylinder installed in the engine, extract feature values in the frequency band where changes occur at the time of knocking from the detected vibrations, and determine whether or not knocking occurs by correlating with the reference feature value obtained in advance A knock detection method for an engine, characterized in that

The engine knock detection method according to claim 1, wherein the feature amount is a linear prediction coefficient.

A vibration sensor for measuring the vibration state of each cylinder of the engine;
An angle sensor that measures the crank angle of the engine;
Based on the output signal from the angle sensor, a waveform cutout unit that cuts out the output signal of the vibration sensor during combustion of the cylinder of the engine,
A filter unit that passes a signal in a frequency band in which a change occurs during an engine knocking phenomenon from an output signal of the waveform cutout unit;
A feature amount extraction unit for obtaining a feature amount of a signal that has passed through the filter unit;
A knock determination unit for determining a correlation between a feature amount obtained by the feature amount extraction unit and a reference feature amount obtained in advance and determining whether or not the engine is knocked;
An engine knocking detection device comprising:

The engine knock detection device according to claim 3, wherein the feature amount is a predicted linear coefficient.

The engine knock detection device according to claim 3 or 4, wherein the knock determination unit includes a boundary learning type neural network.