JP6715057B2 - エンジン事象の時間を推定するシステムおよび方法 - Google Patents

Description

本明細書で開示される主題は、燃焼エンジンのエンジン事象のタイミングを推定するシステムおよび方法に関する。

燃焼エンジンは、一般的に、天然ガス、ガソリン、ディーゼル等の炭素質燃料を燃焼させ、それに伴う高温高圧ガスの膨張を用いて、構成部品がある距離で移動するように、エンジンの特定の構成部品（例えば、シリンダ内に配置されたピストン）に力を印加する。各シリンダは、炭素質燃料の燃焼と共に開閉する、１つ以上の弁を含むことができる。例えば、吸気弁は、シリンダ内に空気等の酸化剤を導くことができる。燃料は酸化剤と混ざり合い、（高温ガス等の）燃焼流体を生成するために燃焼（火花を介して点火する等）して、燃焼流体は、その後、排気弁を介してシリンダから出る。

一部のエンジン事象（例えば、吸排気弁の不適切な開閉や機械的な故障）は、エンジン性能にとって有害な場合がある。残念なことに、このような事象がいつ発生するか、および／または発生するかどうかを監視するのは困難な場合がある。

米国特許出願公開第２０１０／００４９４２０号明細書

本明細書に開示された特定の実施形態の概要が、以下に記載される。なお、これらの態様は、これらの実施形態の概要を読者に提供するためにのみ提示されており、これらの態様は、本開示の範囲を限定するものではないことが理解されるべきである。実際に、本開示は、以下に記載されていない場合がある様々な態様を包含することができる。

１つの実施形態で、エンジン事象がいつ発生するかを推定するシステムは、コントローラを備える。コントローラは、燃焼エンジンに連結された少なくとも１つのノックセンサから第１の信号を受け、燃焼エンジンに連結された少なくとも１つのエンジンクランク軸センサから第２の信号を受け、多変量変換アルゴリズムを用いて、第１の信号および第２の信号を複数の特徴ベクトルに変換し、統計アルゴリズムでエンジン事象の予期ウィンドウを決定し、予期ウィンドウの周囲で、複数の特徴ベクトルのセグメントを中心化し、統計アルゴリズムを用いて、エンジン事象が発生した時点に対応する予期ウィンドウの時間を推定し、かつこの時間に基づいて、燃焼エンジンの動作を調整するように構成される。

別の実施形態において、エンジン事象のタイミングを推定するためにコントローラを訓練する方法は、少なくとも１つのノックセンサから信号を受信するステップを含み、信号は、エンジン事象に対応するデータを有する。この方法はまた、多変量変換アルゴリズムを用いて、信号を複数の特徴ベクトルに変換し、複数の特徴ベクトルを第１の状態と第２の状態とに分類するステップを含む。第１の状態は、エンジン事象の前の時間に対応し、第２の状態は、エンジン事象の後の時間に対応する。この方法はまた、第１の状態を用いて第１の統計モデルを形成するステップ、および第２の状態を用いて第２の統計モデルを形成するステップをさらに含む。最終的に、この方法は、第１の統計モデルと第２の統計モデルとを組み合わせて第３の統計モデルにし、第３の統計モデルは、通常のエンジン運転中に、エンジン事象がいつ発生するかを予測するように構成される。

別の実施形態において、エンジン事象の時間を推定する方法は、燃焼エンジンに連結された、少なくとも１つのノックセンサから第１の信号を受信するステップ、および少なくとも１つのエンジンクランク軸センサから第２の信号を受信するステップを含む。この方法はまた、第１および第２の信号を複数の特徴ベクトルに変換し、統計アルゴリズムで、エンジン事象の予期ウィンドウを決定するステップを含む。この方法はまた、エンジン事象の予期ウィンドウの周囲で、複数の特徴ベクトルのセグメントを中心化し、統計アルゴリズムを用いて、エンジン事象の時間を推定する。最終的に、この方法は、エンジン事象の時間に基づいて、少なくとも燃焼エンジンのための制御動作を出力する。

本開示のこれらその他の特徴、態様、および利点は、全図面を通して同一の符号が同一の要素を表す、添付の図面を参照しながら以下の詳細な説明が読まれるときに、よりよく理解されるようになろう。

本開示の態様による、レシプロ式内燃エンジンを有する、エンジン駆動発電システムの一部のブロック図を示す。 本開示の態様による、図１のレシプロエンジンの、シリンダ内に配置されたピストンを有する、ピストンシリンダ組立体の側断面図を示す。 本開示の態様による、図１および図２のエンジン等のエンジンの通常運転中に、エンジン事象が発生した時点に対応する、時間を推定する方法のフローチャートを示す。 本開示の態様による、図３の方法等の、エンジン事象が発生した時点に対応する、時間を推定する方法を実施するために、統計モデルを開発することによって、制御ユニットを訓練する方法のフローチャートを示す。 本開示の態様による、ノックセンサによって測定されたエンジンノイズプロット、およびエンジンノイズプロットに多変量変換アルゴリズムを適用することによって形成された、スペクトログラムプロットの一実施形態を示す。 本開示の態様による、図５のスペクトログラムプロット等のスペクトログラムプロットから決定された複数の特徴ベクトルを示し、ここで特徴ベクトルは、エンジン事象の周囲で中心化されている。 本開示の態様による、エンジン事象の予期タイミングウィンドウの周囲で中心化された、特徴ベクトルの可能な配列を示す図である。 本開示の態様による、開発された異なる統計アルゴリズムの、標準偏差のグラフである。 本開示の態様による、統計アルゴリズムを用いた、エンジン事象の推定時間と、エンジン事象の真の時間との比較に関する値の表を示す。

本開示の１つ以上の特定の実施形態について、以下で説明する。これらの実施形態の簡潔な説明を提供する目的において、実際の実装の全ての特徴が本明細書に記載されていなくてもよい。このような実際の実装の開発においては、いずれの工学プロジェクトまたは設計プロジェクトにおいても同様であるが、開発者の特定の目標を達成するために、実装によって異なり得るシステム関連およびビジネス関連の制約の遵守等の、実装に固有の多くの判断がなされる必要があることが理解されるべきである。さらに、このような開発努力は複雑で時間がかかる場合があるが、それにも関わらず、この開示の利益を得る当業者にとっては、設計、製作、および製造を行う日常的な作業になることが理解されるべきである。

本開示の様々な実施形態の要素を紹介するとき、冠詞「１つの（ａ）」、「１つの（ａｎ）」、「前記（ｔｈｅ）」、および「前記（ｓａｉｄ）」は、１つ以上の要素の存在を意味することが意図される。「備える（ｃｏｍｐｒｉｓｉｎｇ）」、「含む（ｉｎｃｌｕｄｉｎｇ）」、および「有する（ｈａｖｉｎｇ）」という用語は、包括的であることを意図し、かつ列挙された要素以外に追加の要素があり得ることを意味する。

本明細書に開示されるシステムおよび方法は、ノックセンサ等の１つ以上のセンサを使用して、レシプロ式内燃エンジンにおける、突発的な開始事象を検出することに関する。ノックセンサは、音響センサ、振動センサ、またはそれらの任意の組み合わせを含むことができる。例えば、ノックセンサは、圧電加速度計、微小電気機械システム（ＭＥＭＳ）センサ、ホール効果センサ、磁歪センサ、ならびに／あるいは振動、加速度、音響、および／または移動を感知するように設計された、任意の他のセンサであってもよい。ノックセンサは、ノック状態（例えば、燃焼のための通常の時間のウィンドウの間ではない、予期しない時間での燃焼）、あるいはエンジンのシリンダ内で音響および／または振動の変化を生成する場合がある、（エンジン内での閉弁やカウンタウェイトの緩み等の）その他のエンジン状態を検出するために、エンジンの燃焼に関する音響および／または振動を監視することができる。他の実施形態では、センサは、ノックセンサではなく、振動、圧力、加速、偏向、または動きを感知できる任意のセンサであってもよい。

場合によっては、通常のエンジン運転中に発生する様々なエンジン事象（例えば、排気弁および／または吸気弁６２の閉鎖）だけでなく、起こり得るエンジンの誤動作やエンジン故障を予測できる事象を検出することが望ましい場合がある。このような事象を検出することで、予期されるエンジン故障を防ぐのに役立つだけではなく、エンジンの効率に関する情報を提供することもできる。したがって、エンジン性能を最適化するために、ユーザまたはコントローラは、検出された動作状態の情報に基づいて様々なパラメータを調整することができる。

燃焼エンジンの衝撃性により、ノックセンサは、エンジンシリンダの外側に取り付けられたときに、振動、衝撃、および／または音響の特徴を検出することができる。しかしながら、ノックセンサは、１つ以上のシリンダの中または周囲の様々な位置に配置されてもよい。ノックセンサは、例えばシリンダの振動を検出し、コントローラは、ノックセンサによって提供されたシリンダの一次元プロファイル（例えば音響や振動）を、シリンダ内の燃焼状態を判定するための有用なパラメータに変換することができる。例えば、ノックセンサは、シリンダ内の、またはシリンダの近くの振動を検出し、振動プロファイルを示す信号をコントローラに伝達する。ノックセンサ信号は、一次元の振動プロファイルであってもよく、さらに、ノックセンサ信号の周波数成分は、シリンダ内の多種類の乱れを特徴付けることができる。

通常のエンジン動作事象（例えば、吸気弁６２の閉鎖）、または有害なエンジン事象（例えば、エンジン内のカウンタウェイトの緩み）を示すノックセンサ信号は、このような事象をコントローラまたは他のコンピュータで予測できるように、分析しモデル化することが望ましい場合がある。統計モデルは、信号内の衝撃または振動の周波数を、特定のエンジン事象に関連付けることができる。さらに、統計モデルは、様々な周波数範囲を、そのような事象の前兆として特徴付けることができる。したがって、統計モデルは、エンジンが（停止等の）修正動作をとれるように、いつ事象が発生するかを予測することができる。

次に図面を参照すると、図１は、レシプロ式内燃エンジンを有する、エンジン駆動発電システムの一部の、一実施形態のブロック図を示す。以下で詳細に説明されるように、システム８は、１つ以上の燃焼室１２（例えば、１、２、３、４、５、６、７、８、１０、１２、１４、１６、１８、２０、またはそれ以上の燃焼室１２）を有するエンジン１０（例えばレシプロ式内燃エンジン）を含む。酸化剤供給源１４（例えば空気源）は、空気、酸素、酸素富化空気、酸素減少空気、またはそれらの任意の組み合わせ等の、加圧された酸化剤１６を各燃焼室１２に供給するように構成される。また、燃焼室１２は、燃料源１９から燃料１８（例えば、液体および／または気体燃料）を受けるように構成され、燃料空気混合気に点火し、各燃焼室１２内で燃焼させる。高温加圧燃焼ガスによって、各燃焼室１２に隣接するピストン２０が、シリンダ２６内で直線的に移動し、ガスが及ぼす圧力を回転運動に変換して、軸２２を回転させる。また、軸２２は、軸２２の回転を介して給電される、負荷２４に連結することができる。例えば、負荷２４は、エンジン１０の回転出力を介して電力を生成できる、発電機等の任意適当な装置であってもよい。また、以下の説明は、酸化剤１６として空気に言及するが、開示される実施形態で、任意適当な酸化剤が使用されてもよい。同様に、燃料１８は、天然ガス、随伴石油ガス、プロパン、バイオガス、消化ガス、埋立地ガス、炭鉱ガス等の任意適当な気体燃料であってもよい。燃料１８はまた、ガソリンまたはディーゼル燃料等の様々な液体燃料を含んでもよい。

本明細書に開示されるシステム８は、定置用途（例えば工業用発電エンジン）、または移動用途（例えば自動車または航空機）での使用に適合させることができる。エンジン１０は、２ストロークエンジン、３ストロークエンジン、４ストロークエンジン、５ストロークエンジン、または６ストロークエンジンであってもよい。エンジン１０はまた、任意の数の燃焼室１２、ピストン２０、および関連するシリンダ２６（例えば、１〜２４個）を含むことができる。例えば、ある実施形態では、システム８は、シリンダ２６内で往復する、４、６、８、１０、１６、２４個かまたはそれ以上のピストン２０を有する、大規模な工業用レシプロエンジンを備えることができる。いくつかのこのような事例では、シリンダ２６および／またはピストン２０は、約１３．５〜３４センチメートル（ｃｍ）の直径を有することができる。いくつかの事例では、シリンダ２６および／またはピストン２０は、約１０〜４０ｃｍ、１５〜２５ｃｍ、または約１５ｃｍの直径を有することができる。システム８は、１０ｋＷから１０ＭＷの範囲で発電することができる。いくつかの実施形態では、エンジン１０は、１分あたり約１８００回転（ＲＰＭ）未満で動作することができる。いくつかの実施形態では、エンジン１０は、約２０００ＲＰＭ、１９００ＲＰＭ、１７００ＲＰＭ、１６００ＲＰＭ、１５００ＲＰＭ、１４００ＲＰＭ、１３００ＲＰＭ、１２００ＲＰＭ、１０００ＲＰＭ、９００ＲＰＭ、または７５０ＲＰＭ未満で動作することができる。いくつかの実施形態では、エンジン１０は、約７５０〜２０００ＲＰＭ、９００〜１８００ＲＰＭ、または１０００〜１６００ＲＰＭで動作することができる。いくつかの実施形態では、エンジン１０は、約１８００ＲＰＭ、１５００ＲＰＭ、１２００ＲＰＭ、１０００ＲＰＭ、または９００ＲＰＭで動作することができる。例示的なエンジン１０は、例えばゼネラル・エレクトリック社のイエンバッハエンジン（例えば、イエンバッハＴｙｐｅ２、Ｔｙｐｅ３、Ｔｙｐｅ４、Ｔｙｐｅ６またはＪ９２０ ＦｌｅＸｔｒａ）、またはＷａｕｋｅｓｈａエンジン（例えば、Ｗａｕｋｅｓｈａ ＶＧＦ、ＶＨＰ、ＡＰＧ、２７５ＧＬ）を含むことができる。

駆動発電システム８は、エンジンの「ノック」を検出するのに適した、１つ以上のノックセンサ２３を備えることができる。ノックセンサ２３は、起爆、プレイグニッション、および／またはノックによる振動または音響等の、エンジン１０の燃焼によって生じる振動または音響を感知することができる。また、振動または音響は、エンジン１０の吸排気弁の閉鎖、または機械的故障（例えば、ピストンの緩み、バルブの破損、コンロッドボルトの緩み）等の突発的な開始事象によっても引き起こされる場合がある。したがって、ノックセンサ２３は、音響センサ、振動センサ、またはそれらの組み合わせを含むことができる。例えば、ノックセンサ２３は、圧電振動センサを含むことができる。ノック状態、例えば、燃焼のための通常の時間のウィンドウの間ではない、予期しない時間での燃焼を検出するために、ノックセンサ２３は、エンジン１０の燃焼に関連する音響および／または振動をモニタすることができる。ノックセンサ２３は、エンジン制御ユニット（ＥＣＵ）２５等の、制御システムまたはコントローラ２５に通信可能に連結されていることが示されている。動作時に、ノックセンサ２３からの信号は、ＥＣＵ２５に伝達される。ＥＣＵ２５は、次に、ＥＣＵ２５が受信した信号を処理し、それに応じて特定のエンジン１０のパラメータを調整することができる。例えば、ＥＣＵ２５は、エンジンの性能を向上させるために、点火タイミング、および／または燃料／酸化剤の比率を調整することができる。

図２は、本開示の態様による、レシプロエンジン１０のシリンダ２６（例えばエンジンシリンダ）内に配置されたピストン２０を有する、ピストンシリンダ組立体の一実施形態の側断面図を示す。シリンダ２６は、円筒状のキャビティ３０（例えば穴）を画定する、内側環状壁２８を有する。ピストン２０は、軸線または軸線方向３４、放射軸線または半径方向３６、および円周軸線または周方向３８によって定義することができる。ピストン２０は、頂部４０（例えばトップランド）を含む。頂部４０は、通常、燃料１８および空気１６、または燃料空気混合気３２を、ピストン２０の往復運動中に燃焼室１２から逃げないように遮断する。

示されているように、ピストン２０は、コンロッド５６およびピン５８を介してクランク軸５４に取り付けられている。クランク軸５４は、ピストン２０の往復直線運動を回転運動に変換する。上述のように、ピストン２０が移動すると、クランク軸５４は、負荷２４（図１に示す）に動力を供給するために回転する。示されているように、燃焼室１２は、ピストン２０のトップランド４０に隣接して配置される。燃料噴射器６０は、燃焼室１２に燃料１８を供給し、吸気弁６２は、燃焼室１２への酸化剤（例えば空気１６）の送出を制御する。排気弁６４は、エンジン１０からの排気の放出を制御する。しかしながら、燃焼室１２に燃料１８および空気１６を供給するため、ならびに／あるいは排気を放出するためには、任意適当な部品および／または技術を使用してもよく、いくつかの実施形態では、燃料噴射が使用されないことが理解されるべきである。動作時には、燃料１８が、燃焼室１２内で酸化剤１６と共に燃焼することによって、シリンダ２６のキャビティ３０内で、ピストン２０を軸線方向３４に（例えば前後に）往復移動させることができる。

動作中に、ピストン２０がシリンダ２６内の最高点にあるとき、これは、上死点（ＴＤＣ）と呼ばれる位置にある。ピストン２０がシリンダ２６内の最低点にあるとき、これは、下死点（ＢＤＣ）と呼ばれる位置にある。ピストン２０が、ＴＤＣからＢＤＣへ、またはＢＤＣからＴＤＣへ移動するように、クランク軸５４は半回転する。ピストン２０のＴＤＣからＢＤＣへ、またはＢＤＣからＴＤＣへのそれぞれの移動はストロークと呼ばれ、エンジン１０の実施形態は、２ストロークエンジン、３ストロークエンジン、４ストロークエンジン、５ストロークエンジン、６ストロークエンジン、またはそれ以上のストロークを含むことができる。

エンジン１０の動作中は、通常、吸気工程、圧縮工程、動力工程、および排気工程を含む手順が生じる。吸気工程は、燃料１８、および（空気等の）酸化剤１６などの可燃性混合物が、シリンダ２６の中に引き込まれることを可能にし、したがって、吸気弁６２が開き、排気弁６４が閉じる。圧縮工程は、可燃性混合物をより小さい空間に圧縮するため、吸気弁６２と排気弁６４との両方が閉じられる。動力工程は、圧縮された燃料空気混合気に点火し、これは、スパークプラグシステムを介した火花点火、および／または圧縮熱を介した圧縮点火を含んでもよい。燃焼から生じる圧力は、次に、ピストン２０をＢＤＣにする。排気工程は、通常、排気弁６４を開いたままにしてピストン２０をＴＤＣに戻す。排気工程は、このように排気弁６４を介して、使用済みの燃料空気混合気を放出する。シリンダ２６ごとに、１つ以上の吸気弁６２および排気弁６４が使用されてもよいことに留意すべきである。

図示されているエンジン１０は、クランク軸センサ６６、ノックセンサ２３、およびエンジン制御ユニット（ＥＣＵ）２５を備えることができ、エンジン制御ユニット（ＥＣＵ）２５は、プロセッサ７２およびメモリユニット７４を含む。クランク軸センサ６６は、クランク軸５４の位置および／または回転速度を感知する。したがって、クランク角またはクランクタイミング情報は、クランク軸センサ６６から得ることができる。つまり、燃焼エンジンを監視するときに、タイミングは、しばしばクランク軸の角度で表される。例えば、４ストロークエンジン１０の全サイクルは、７２０度のサイクルとして測定することができる。ノックセンサ２３は、圧電加速度計、微小電気機械システム（ＭＥＭＳ）センサ、ホール効果センサ、磁歪センサ、ならびに／あるいは、振動、加速度、音響および／または移動を感知するように設計された、任意の他のセンサであってもよい。他の実施形態では、センサ２３は、ノックセンサではなく、振動、圧力、加速、偏向、または動きを感知できる任意のセンサであってもよい。

ノックセンサ２３は、エンジン１０の衝撃性により、シリンダ２６の外側に取り付けられた場合でも、特徴を検出することができる。しかしながら、ノックセンサ２３は、シリンダ２６の中または周囲の様々な位置に配置されてもよい。また、いくつかの実施形態において、単一のノックセンサ２３が、例えば、１つ以上の隣接するシリンダ２６と共有されてもよい。他の実施形態では、各シリンダが、１つ以上のノックセンサ２３を含むことができる。クランク軸センサ６６およびノックセンサ２３は、ＥＣＵ（例えばコントローラ）２５と電気的に通信していることが示されている。ＥＣＵ２５は、本明細書に開示された技術を実施するために、機械可読媒体（例えばメモリユニット７４）に記憶され、プロセッサ（例えばプロセッサ７２）によって使用される非一時的コード、または命令を含む。メモリは、プロセッサ７２によって実行可能なコンピュータ命令を記憶することができる。また、メモリは、ルックアップテーブル、および／または他の関連データを記憶することができる。ＥＣＵ２５は、点火タイミングを調整すること、弁６２および６４の開閉のタイミング、燃料および（空気等の）酸化剤の供給を調整すること等によって、エンジン１０の動作を監視し、制御する。

ある実施形態では、他のセンサもまたシステム８に含まれ、ＥＣＵ２５に連結することができる。例えば、センサは、圧力センサ、温度センサ、速度センサ等の、大気圧センサおよびエンジンセンサを含むことができる。例えば、センサは、ノックセンサ、クランク軸センサ、酸素センサまたはラムダセンサ、エンジン吸気温度センサ、エンジン吸気圧センサ、ジャケット水温度センサ、エンジン排気温度センサ、エンジン排気圧センサ、および排気ガス組成センサを含むことができる。他のセンサもまた、温度と圧力に対応する、圧縮機入口センサおよび出口センサを含むことができる。

ノックセンサその他のセンサは、エンジン性能に関する有用なデータを提供することができる。場合によっては、このようなデータは、特定のエンジン事象が発生した時点に対応する、時間を推定するために使用されてもよい。ある実施形態では、このような事象は、短時間の高エネルギー事象（例えば、短時間の衝撃事象）の場合がある。短時間の高エネルギー事象は、１００ミリ秒未満の場合があるが、そのような事象は、信号の大きさに短いが著しい変化をもたらすことができるので、ノックセンサ２３から受信した信号で容易に検出することができる。例えば、このような事象のタイミングが、最適なエンジン性能と相関するかどうかを判定するために、エンジン１０の吸気弁６２をいつ閉じるか、および／または閉じるかどうかを判定することが有利な場合がある。また、今後の運転中に、このような事象を予測し、防止することができるように、潜在的に有害なエンジン事象（例えば、ピストン、弁またはコンロッドボルトの緩みまたはずれ）がいつ起こるかを判定することが望ましい場合がある。

図３は、通常のエンジン運転中の、エンジン事象の時間を推定することに関する、本開示の一実施形態のブロック図１００を示す。すなわち、ブロック図１００は、エンジン１０に連結されたセンサからの入力を利用して、エンジンの通常運転中（例えば、負荷への動力供給中）に、特定のエンジン事象（例えば吸気弁６２の閉鎖）がいつ発生するか、および／または発生したかどうかを判定しようとするものである。

ブロック１０２で、ＥＣＵ２５（例えば、コントローラその他の計算装置）は、エンジン１０の少なくとも１つのシリンダ２６の振動、音響、衝撃等に関して、ノックセンサ２３から第１の信号を受信する。ノックセンサ信号については、図５を参照して、本明細書でより詳細に説明する。ブロック１０４で、ＥＣＵ２５（例えば、コントローラ）はまた、クランク軸５４の位置に関して、クランク軸センサ６６から第２の信号を受信する。例えば、クランク軸センサ６６は、０〜７２０度の間のクランク軸５４の角度を含む信号を送信することができる。ノックセンサ２３からの信号とクランク軸センサ６６からの信号との両方を取得することによって、ＥＣＵ２５は、振動、音響等の変化を特定のクランク軸の角度（例えばエンジンのタイミング）に結び付けることができる。

ブロック１０６で、ＥＣＵ２５（例えばコントローラ）は、ブロック１０２からの第１の信号、およびブロック１０４からの第２の信号を、複数の特徴ベクトルに変換するようにプログラムすることができる。ある実施形態では、ブロック１０６の変換は、２つのステップで行うことができる。第１のステップにおいて、ＥＣＵ２５のメモリユニット７４に記憶されている多変量変換アルゴリズム１０８は、ノックセンサ２３およびクランク軸センサ６６からの信号を、（例えば図５に示す）スペクトログラムに変換するために使用することができる。スペクトログラムは、例えば、ノックセンサ信号を経時的に（例えばクランク軸の角度）、任意の表現で表示することができる。ある実施形態では、多変量変換アルゴリズム１０８は、短時間フーリエ変換（「ＳＴＦＴ」）である。他の実施形態では、多変量変換アルゴリズム１０８は、別のタイプのフーリエ変換、ラプラス変換、メリン変換、ハートレー変換、チャープレット変換、ハンケル変換、メル周波数ケプストラム係数（「ＭＦＣＣ」）、線形予測係数（「ＬＰＣ」）、またはそれらの任意の組み合わせである。さらに別の実施形態では、元の一次元のノック信号は、多変量変換アルゴリズム１０８によって変換されなくてもよく、その結果、スペクトログラムは生成されない。第２のステップで、スペクトログラムは、複数の特徴ベクトルに変換することができる。ある実施形態では、複数の特徴ベクトルは、例えば、スペクトログラムの行にわたって（例えば、エンジン時間の範囲にわたって）、ノックセンサ２３から信号の平均周波数を取得することによって、スペクトログラムから決定することができる。複数の特徴ベクトルは、各特徴ベクトルが表す特性または特徴の数に相関する、均一な長さ（「Ｄ」）を有することができる。ある実施形態では、この特徴は、振幅、周波数の強度に関する分類（例えば、スペクトログラム上に示された色）、あるいはベクトルに含まれる任意の他の特性または特徴を含んでいてもよい。

ある実施形態では、ＥＣＵ２５は、スペクトログラムを物理的に生成しなくてもよいことに留意すべきである。むしろ、ＥＣＵ２５は、ノックセンサ２３からの信号を複数の特徴ベクトルに直接変換してもよい。他の実施形態では、スペクトログラムが表示されないように、あるいはユーザによって取得されないように、プロセッサ７２によって実行され、かつ／またはメモリユニット７４に記憶される処理のステップにおいて、ＥＣＵ２５は、スペクトログラムによって提供される機能をカプセル化するか、または隠すことができる。また、スペクトログラムは、ノックセンサ信号の周波数を経時的に、断定的もしくはまたは定性的に表すことが意図される、任意のデータ、データテーブル、アルゴリズム、グラフ、チャート等を表示することができる。

他の実施形態では、第１および第２の信号の特徴ベクトルへの変換は、（例えば、スペクトログラムが生成されない）１つのステップで行われてもよい。さらに別の実施形態では、第１および第２の信号を特徴ベクトルに変換する上述の２つのステップは、同時に起こってもよい。

ブロック１１０で、ＥＣＵ２５は、検出されるエンジン事象の予期タイミングウィンドウを、決定するように構成することができる。予期タイミングウィンドウは、統計アルゴリズム１１２に基づいて、ＥＣＵ２５によって決定される。統計アルゴリズム１１２は、特定のエンジンタイプの特定のエンジン事象がいつ発生するか、および／または発生したかどうかを検出するように訓練された、数式またはアルゴリズムであってもよい。例えば、統計アルゴリズム１１２は、特定のエンジン事象を示す様々な周波数パターンを、リアルタイムのノックセンサ信号に関連付けることによって、特定のエンジン事象の予期タイミングウィンドウを予測する、統計モデルを使用することができる。したがって、統計アルゴリズム１１２は、予期タイミングウィンドウを決定するために、履歴データ、経験的データ、知識ベースのデータ等を使用することができる。言い換えれば、統計アルゴリズム１１２は、ノックセンサ２３からの第１の信号を分析し、特定のエンジン事象が発生する可能性があることを示す、様々な予測周波数パターンを配置することによって、特定のエンジン事象の予期タイミングウィンドウを推定することができる。例えば、統計アルゴリズム１１２は、第１のエンジンの状態と第２のエンジンの状態との間の遷移を検出し、その遷移を特定のエンジン事象の発生と相関させるように訓練することができる。この相関によって、統計アルゴリズム１１２は、予期タイミングウィンドウを決定することができる。他の実施形態では、統計アルゴリズム１１２は、特定のエンジン状態に基づいて予期タイミングウィンドウを決定できるように、特定のエンジン状態を特定のエンジン事象の発生に相関させるように訓練することができる。

ある実施形態では、統計アルゴリズム１１２は、ガウス混合モデル（「ＧＭＭ」）であってもよい。他の実施形態では、統計アルゴリズム１１２は、別の統計的混合モデル、ベイジアンモデル、グラフィカルモデル、機械学習モデル、隠れマルコフモデル、または特定のエンジン事象（例えば吸気弁６２の閉鎖）の知られている周波数パターンを、通常のエンジン運転中に受信した信号（例えばノックセンサ信号）に関連付けるように構成された、任意の他のモデルであってもよい。統計アルゴリズム１１２の形成については、本明細書で、図４を参照してより詳細に説明される。

本明細書で使用される「特定のエンジン事象」とは、検出することが望ましい場合がある、エンジン１０内で発生する出来事に関する。例えば、通常のエンジン運転中に起こる出来事（例えば弁の閉鎖）、または潜在的なエンジンの故障が予測され得る出来事を、検出することが望ましい場合がある。したがって、吸気弁６２がスタックすることによって、シリンダに入ってくる酸化剤１６が過剰または不足になるが、これを判定するために、吸気弁６２がいつ閉じるかを検出することが望ましい場合がある。また、排気弁６４がスタックすることによって、燃焼ガスをシリンダ２６内に閉じ込めたり、シリンダ２６内の酸化剤１６および燃料１８の圧縮を妨げたりするようになるが、これを判定するために、排気弁６４がいつ閉じるかを検出することが望ましい場合がある。また、例えば、エンジン部品の緩みや不適合、ピストン２０のシリンダ２６との接触、排気弁６４または吸気弁６２の破損、コンロッド５６のボルトの緩み等の、エンジン１０の機械的な故障を検出することが望ましい場合がある。ある実施形態では、統計アルゴリズム１１２は、１つの特定のエンジン事象を含むことが分かっている、ＥＣＵ２５が受信した信号から学習することによって、１つの特定のエンジン事象を検出するように訓練することができる。他の実施形態では、統計アルゴリズム１１２は、１つ以上の特定のエンジン事象を検出するように訓練することができる。例えば、統計アルゴリズム１１２は、ＥＣＵ２５が受信した信号に含まれる、異なる大きさに基づいて、通常のエンジン運転中に発生する出来事（例えば弁の閉鎖）と、潜在的なエンジン故障を予測する出来事とを区別することができる。

ブロック１１４で、ＥＣＵ２５は、ブロック１１０で決定された、予期タイミングウィンドウの周囲の複数の特徴ベクトルを中心化することができる。予期タイミングウィンドウの周囲で、複数の特徴ベクトルを中心化するステップは、各特徴ベクトルを、統計アルゴリズム１１２の特定の状態（例えば第１のグループまたは第２のグループのいずれか）に対応するものとして特徴付けることを含んでもよい。ある実施形態では、第１の状態（例えば第１のグループ）が、特定のエンジン事象が発生する前のタイミングに関連し、第２の状態（例えば第２のグループ）が、特定のエンジン事象が発生する後のタイミングに関連していてもよい。他の実施形態では、統計アルゴリズム１１２は、任意の数の状態を含んでいてもよい（例えば、１、３、４、５、６、７、８、９、１０、またはそれ以上）。しかしながら、ＥＣＵ２５は、特定の特徴ベクトルが対応する状態を知らない場合がある。ある実施形態では、ＥＣＵ２５は、予期タイミングウィンドウの周囲で、全ての特徴ベクトルを中心化することができる。他の実施形態では、ＥＣＵ２５は、予期ウィンドウの周囲で、信号からの特徴ベクトルの一部のみを中心化することができる。例えば、ＥＣＵ２５は、予期タイミングウィンドウの周囲で中心化するために、２、４、６、８、１０、１２、１４、１６、１８、２０、２２、２４、２６、２８、３０、４０、または５０個のみの特徴ベクトルを選択することができる。

ブロック１１６で、ＥＣＵ２５は、特定のエンジン事象が発生した、予期タイミングウィンドウ内の時間を推定することができる。ＥＣＵ２５は、特徴ベクトルを、統計モデルの任意の数のエンジン状態に属するものとして分類できるので、ＥＣＵ２５は、どの配列が、そして特定の事象のどのタイミングが最も可能性が高いかを判定するために、特徴ベクトルの有限個（おそらく非常に大きい）の潜在的な配列を検索することができる。例えば、６つの特徴ベクトルが、予期タイミングウィンドウの周囲で中心化されている場合は、第２の状態に属する特徴ベクトルは、第１の状態に属する特徴ベクトルの後に来るので（例えば図７）、７つの配列のみが可能である。ある実施形態では、特徴ベクトルの各配列は、例えば、何個の特徴ベクトルが第１の状態および第２の状態に属しているかに基づいて、特定のエンジン事象の潜在的なタイミングに対応する。ＥＣＵ２５は、各配列の個々の尤度を計算するために統計アルゴリズム１１２を使用することができ、そして最も尤度の高い配列は、特定のエンジン事象の推定時間に対応することができる。

ブロック１１８で、ＥＣＵ２５は、特定のエンジン事象の推定時間に基づいて修正動作をとるように、アクチュエータその他の装置へ信号を送信または出力することができる。例えば、ＥＣＵ２５が、予期したよりも遅い吸気弁６２の閉鎖の推定時間を計算した場合、ＥＣＵ２５は、エンジン１０の点火タイミング（例えば、火花がシリンダ内に導入されるクランク軸角度）を調整するために、信号を送信することができる。さらに、エンジン事象がエンジンの故障につながる可能性がある（吸気弁６２が損傷または破損する等）場合は、ＥＣＵ２５は、吸気弁６２を交換または修理できるように、完全に動作を停止するようエンジン１０に命令する信号を送信することができる。

図４は、エンジン１０がオフラインの間（例えば通常のエンジン運転中ではないとき）に、統計アルゴリズム１１２を形成することに関する、本開示の一実施形態のブロック図１３０を示す。ある実施形態では、ブロック図１３０は、統計アルゴリズム１１２によって推定された推定時間と、（例えばセンサによって検出された）特定のエンジン事象の真の時間との間の（相違等の）タイミングエラーが、（例えば０．５度より小さい）一定の値に達するまで繰り返すことができる。さらに、ブロック図１３０は、特定のエンジンタイプに固有の統計アルゴリズム１１２を作成することができる。したがって、ブロック図１３０は、特定のエンジン事象が発生する場合がある、エンジンのタイプごとに実行することができる。

ブロック１３２で、ＥＣＵ２５その他の計算装置（例えば、統計ソフトウェアを有するコンピュータ）は、ノックセンサ２３からの信号を受信することができる。ノックセンサ２３によって送信される信号は、特定のエンジン事象（例えば、吸気弁６２の閉鎖）に関する周波数データが含まれている。例えば、特定のエンジン事象が吸気弁６２の閉鎖である場合は、ノックセンサ２３から受信した信号は、吸気弁６２が閉鎖している間に収集されたことが分かっている周波数データを含む。ブロック図１００と同様に、ブロック１３４で、ノックセンサ２３から受信した信号は、複数の特徴ベクトルに変換される。ある実施形態では、この変換は、２つのステップで行うことができる。第１に、ノックセンサ２３からの信号は、多変量変換アルゴリズム１０８を用いて、スペクトログラムに変換することができる。この変換は、ＥＣＵ２５または計算装置のメモリユニット７４に記憶されている多変量変換アルゴリズム１０８を用いて行うことができる。ある実施形態では、多変量変換アルゴリズム１０８は、短時間フーリエ変換（「ＳＴＦＴ」）である。他の実施形態では、多変量変換アルゴリズム１０８は、別のタイプのフーリエ変換、ラプラス変換、メリン変換、ハートレー変換、チャープレット変換、ハンケル変換、メル周波数ケプストラム係数（「ＭＦＣＣ」）、線形予測係数（「ＬＰＣ」）、またはそれらの任意の組み合わせである。第２に、スペクトログラムは、複数の特徴ベクトルに変換することができる。さらに別の実施形態では、元の一次元のノック信号は、多変量変換アルゴリズム１０８によって変換されなくてもよく、その結果、スペクトログラムは生成されない。複数の特徴ベクトルは、各特徴ベクトルが表す特性または特徴の数に相関する、均一な長さ（「Ｄ」）を有することができる。ある実施形態では、この特徴は、振幅、色（例えば、スペクトログラム上に示された色）、あるいはベクトルに含まれる任意の他の特性または特徴を含んでいてもよい。他の実施形態では、ノックセンサから複数の特徴ベクトルへの信号の変換は、単一のステップで行われてもよく、あるいは第１のステップと第２のステップとが同時に起こってもよい。

ノックセンサ信号に含まれる、特定のエンジン事象の真の時間は、特定のエンジン事象を検出するように構成された別のセンサ（例えば、圧力センサ、弁角度センサ）から受信した、第２の信号１３６と、クランク軸センサ６６からの、クランク軸角度に対応する第３の信号１３８とを介して、ＥＣＵ２５または計算装置によって知ることができる。これらの既知の入力は、ブロック１４０で、複数の特徴ベクトルを第１の状態と第２の状態とに分類するために、ＥＣＵ２５または計算装置によって使用される。ある実施形態では、第１の状態は、特定のエンジン事象が発生する直前の時間に対応する特徴ベクトルを含み、第２の状態は、特定のエンジン事象が発生した直後の時間に対応する特徴ベクトルを含む。ＥＣＵ２５または計算装置は、特定のエンジン事象の実際のタイミングを決定するために、信号１３６および１３８を使用し、次に、それに応じて複数の特徴ベクトルを分離し、その結果、特定のエンジン事象の直前の時間は、特定のエンジン事象の直後の時間とは別に特徴付けることができる。

ブロック１４２で、ＥＣＵ２５または計算装置は、第１の状態の特徴ベクトルを、特定のエンジン事象が発生する直前の時間に関連付けるように、再プログラムされるか、または構成される（例えば「訓練される」）。つまり、第１の統計モデルは、第１の状態の特徴ベクトルを用いて形成される。第１の統計モデルは、特徴ベクトルに含まれる特徴を比較することによって、通常のエンジン動作中に受信された今後の特徴ベクトル（例えばブロック図１００のもの）が、特定のエンジン事象が発生する直前の時間に対応するかどうかを判定することができる。

同様に、ブロック１４４で、ＥＣＵ２５または計算装置は、第２の状態の特徴ベクトルを、特定のエンジン事象が発生する直後の時間に関連付けるように、再プログラムされるか、または構成される（例えば「訓練される」）。第２の統計モデルは、第２の状態の特徴ベクトルから作成される。第２の統計モデルは、特徴ベクトルに含まれる特徴を比較することによって、通常のエンジン動作中に受信された今後の特徴ベクトル（例えばブロック図１００のもの）が、特定のエンジン事象が発生した直後の時間に対応するかどうかを判定することができる。

ブロック１４６で、ＥＣＵ２５または計算装置は、第１の統計モデルを第２の統計モデルと組み合わせて、第３の全体的な統計モデル（例えば統計アルゴリズム１１２）を形成し、これは、受信した特徴ベクトル（例えばブロック図１００のもの）を、特定のエンジン事象の直前または直後のいずれかの時間に関連付けることによって、特定のエンジン事象の時間を推定する。

ある実施形態では、第３の統計モデルは、特徴ベクトルの有限の可能な配列の各配列が、特定のエンジン事象の実際のタイミングに対応する尤度を計算することができる。この工程は、本明細書で、図７を参照してより詳細に説明される。

図５は、ノックセンサ２３によって測定されたエンジンノイズプロット１７０（例えばノック信号）の一実施形態、および多変量変換アルゴリズム１０８をエンジンノイズプロット１７０に適用した後に生成された、スペクトログラムプロット１７２の一実施形態である。図５に示すように、エンジンノイズプロット１７０（例えばノック信号）は、一次元の信号を含む。ある実施形態では、エンジンノイズプロット１７０は、エンジンタイミング（例えばクランク軸の角度）にわたるノックセンサ電圧を測定する。他の実施形態では、エンジンノイズプロット１７０は、エンジンシリンダ２６の振動、加速、または音響に対応できる、抵抗または任意の他の出力であってもよい。

エンジンノイズプロット１７０はまた、検出される特定のエンジン事象（例えば吸気弁６２の閉鎖）の真のタイミング１７４を示している。図５から分かるように、エンジンノイズプロット１７０の信号は、エンジン事象の発生と同時に著しく変化することはない。むしろ、信号は、エンジン事象が発生した後に、大きさがクランク軸の約５度急上昇する。したがって、ノックセンサ信号に遅延があるため、信号の大きさの最大の変化率の判定は、必ずしも特定のエンジン事象の実際の時間の正確な推定値を提供しない。エンジンノイズプロット１７０はまた、特定のエンジン事象が発生した後に、どのようにして信号の大きさが最終的に安定するかを示す。したがって、特定のエンジン事象によってノック信号の大きさが著しく変化することが、エンジンノイズプロット１７０から明らかであるが、そのような変化は一時的（例えば１００ミリ秒以下）である。

図５には、エンジンノイズプロット１７０を表す、スペクトログラムプロット１７２の一実施形態も示されている。スペクトログラムは、エンジンノイズプロット１７０に含まれる周波数の、視覚的またはその他の方法での、表示またはデータ構造であってもよい。例えば、スペクトログラムプロット１７２は、周波数の強度に応じて、エンジンノイズプロット１７０の異なる周波数を分類することができる（例えば視覚的に表現されるとき、スペクトログラムプロット１７２上の異なる陰影は、所与の周波数の強度が異なることを示している）。スペクトログラムプロット１７２は、エンジンノイズプロット１７０に多変量変換アルゴリズム１０８を適用して生成することができる。ある実施形態では、多変量変換アルゴリズム１０８は、短時間フーリエ変換（「ＳＴＦＴ」）である。他の実施形態では、多変量変換アルゴリズム１０８は、別のタイプのフーリエ変換、ラプラス変換、メリン変換、ハートレー変換、チャープレット変換、ハンケル変換、メル周波数ケプストラム係数（「ＭＦＣＣ」）、線形予測係数（「ＬＰＣ」）、またはそれらの任意の組み合わせである。さらに別の実施形態では、元の一次元のノック信号は、多変量変換アルゴリズム１０８によって変換されなくてもよく、その結果、スペクトログラムは生成されない。特定のエンジン事象の時間を推定するために、スペクトログラムは、複数の特徴ベクトルに変換することができる。特徴ベクトルは、信号の周波数に関する有益な情報を常に提供することができる。

この場合もまた、ある実施形態では、ＥＣＵ２５は、スペクトログラムのプロット１７２を物理的に生成しなくてもよいことに留意すべきである。むしろ、ＥＣＵ２５は、本明細書で説明するいくつかのステップを合理化するために、ノックセンサ２３からの信号を特徴ベクトルに直接変換することができ、あるいはスペクトログラムによって提供された機能を１つ以上の変換関数、または同等の数学的構造に組み込むことができる。また、スペクトログラムプロット１７２（またはそのデータ構造の均等物）は、図５に示した実施形態に限定されるべきではない。他の実施形態では、スペクトログラムプロット１７２は、経時的に、ノックセンサ信号の周波数、およびこれらの周波数の強度を表すことを意図する、任意のデータ、データテーブル、アルゴリズム、グラフ、チャート等であってもよい。例えば、スペクトログラムプロット１７２は、色以外の方法（例えば、図形、文字、数字、陰影等）で、周波数の強度を分類することができる。

図６は、スペクトログラムプロット１７２を使用して生成された、複数の特徴ベクトル１９０の一実施形態を示す図である。特徴ベクトル１９０は、ブロック図１３０のブロック１４０に従って、第１のエンジン事象１９２、および第２のエンジン事象１９４の周囲で中心化されている。ある実施形態では、第１のエンジン事象１９２、および第２のエンジン事象１９４は、同一の特定のエンジン事象である。図６に示すように、特徴ベクトル１９０は、第１のエンジン事象１９２の前、および第１のエンジン事象１９２の後に、等しい数の特徴ベクトル１９０が存在するように、第１のエンジン事象１９２の周囲で中心化されている。したがって、示されている実施形態では、特徴ベクトル１９０は、第１のエンジン事象１９２の前の時間に対応する第１の状態１９６、および第１のエンジン事象１９２の後の時間に対応する第２の状態１９８に分類される。なお、第２のエンジン事象１９４にも同様の工程が実行されることに留意すべきである。第１のエンジン事象１９２の時間、および第２のエンジン事象１９４の時間は、ＥＣＵ２５その他の計算装置が、このような情報を提供する他のセンサから信号を受信できるため、知ることができる。複数の特徴ベクトル１９０が、第１の状態１９６および第２の状態１９８に分類されると、ＥＣＵ２５その他の計算装置は、第１の状態１９６の特徴および特性の関連付けを開始することができ、その結果、第１の統計アルゴリズムは、特徴ベクトルが、特定のエンジン事象の直前の時間を示す時点を予測するように形成することができる。同様に、ＥＣＵ２５その他の計算装置は、第２の状態１９８の特徴および特性を関連付けることができ、その結果、第２の統計アルゴリズムは、特徴ベクトルが、特定のエンジン事象の直後の時間を示す時点を予測するように形成することができる。最後に、ＥＣＵ２５その他の計算装置は、第１の統計アルゴリズムと第２の統計アルゴリズムとを組み合わせて統計アルゴリズム１１２にすることができ、これは、特定のエンジン事象の時間を推定するために使用することができる。

ある実施形態では、エンジン１０を通常の状態で運転しているときに、複数の特徴ベクトル１９０は、前述のように、予期タイミングウィンドウの周囲で中心化することができる。通常運転中は、エンジン事象の真の時間が不明であるため、特徴ベクトルは、２等分に分けられなくてもよい。第１のエンジン事象１９２の予期タイミングウィンドウは、エンジンが、（例えば通常の運転状態ではなく）オフラインで運転している間に作成された統計アルゴリズム１１２を用いて、ＥＣＵ２５または他の計算装置によって推定することができる。例えば、統計アルゴリズム１１２は、履歴データ、経験的データ、知識ベースのデータ等に基づいて、予期タイミングウィンドウを推定することができる。上述したように、統計アルゴリズム１１２は、第１のエンジンの状態と第２のエンジンの状態との間の遷移を検出し、その遷移を特定のエンジン事象の発生と相関させるように訓練することができる。この相関によって、統計アルゴリズム１１２は、予期タイミングウィンドウを決定することができる。他の実施形態では、統計アルゴリズム１１２は、特定のエンジン状態に基づいて予期タイミングウィンドウを決定できるように、特定のエンジン状態を特定のエンジン事象の発生に相関させるように訓練することができる。

次に、ＥＣＵ２５または計算装置は、予期タイミングウィンドウの周囲で特徴ベクトル１９０を中心化する。予期タイミングウィンドウの周囲で中心化された複数の特徴ベクトル１９０は、その後、第１の状態１９６または第２の状態１９８に分類することができるが、しかしながら、複数の特徴ベクトル１９０が、状態１９６、１９８のどちらに実際に対応するかは未知である。ある実施形態では、予期タイミングウィンドウの周囲で中心化された複数の特徴ベクトル１９０は、全て第１の状態１９６に属するか、全て第２の状態１９８に属するか、あるいは一部が第１の状態１９６に属し、一部が第２の状態１９８に属してもよい。他の実施形態では、統計アルゴリズム１１２の２つ以上の状態が含まれていてもよい。各特徴ベクトルは、１つの状態のみ（例えば、第１の状態１９６、または第２の状態１９８のみのいずれか）に属する場合があるため、いずれにしても、特徴ベクトル１９０の有限個の可能な配列を形成することができる。さらに、第１の状態１９６に属する特徴ベクトル１９０は、時間的に先に来るため、第２の状態１９８に属する特徴ベクトルは、第１の状態１９６に属する特徴ベクトルの前に来ることはできない。

図７は、合計６個の特徴ベクトルがある場合に、特定のエンジン事象の予期タイミングウィンドウの周囲で中心化された、特徴ベクトルの可能な配列の実施形態２１０を示す。図７は、統計アルゴリズム１１２によって６個の特徴ベクトルが使用される場合の、７個の可能な配列を示しているが、任意の数の特徴ベクトルが使用されてもよいことに留意すべきである。例えば、統計アルゴリズム１１２は、１、２、３、４、５、６、７、８、９、１０、１２、１４、１６、１８、２０、２５、３０、３５、４０、４５、５０またはそれ以上の特徴ベクトルを使用することができる。特徴ベクトルの数は、「Ｎ」で表すことができる。統計アルゴリズムによって使用される特徴ベクトルの数に関わらず、特徴ベクトルの可能な配列の数は、Ｎ＋１とすることができる。

前述したように、図７は、ある実施形態において、統計アルゴリズム１１２の第２の状態１９８に属する特徴ベクトル（例えば「２」と記載されているボックス）が、第１の状態１９６に属する特徴ベクトル（例えば「１」と記載されているボックス）の前に来られないことを示している。第２の状態１９８に属する特徴ベクトルは、第１の状態１９６に属する特徴ベクトルよりも時間的に後に来る場合があり、時間的に先に発生するものは、時間的に後で発生するものの後に来ることはできないので、ここでもまた、可能な配列のこの属性が生じる。図示されている実施形態に見られるように、配列が第１の状態１９６から第２の状態１９８に切り換わるポイント２１２は、特定のエンジン事象の推定されたタイミングに対応することができる。したがって、各配列は、特定のエンジン事象の時間が異なることを表している。他の実施形態では、特定のエンジン事象のタイミングは、特定のエンジン状態を、特定のエンジン事象または他の任意適当な手段に相関させることによって、統計アルゴリズム１１２で決定されてもよい。

特徴ベクトルの全ての可能な配列を決定した後、ＥＣＵ２５または計算装置は、統計アルゴリズム１１２を使用して、各配列が、最も厳密に特定のエンジン事象の真の時間を表す尤度（例えば確率）を計算する。最も高い尤度を有する配列が、特定のエンジン事象が発生した時間の最終的な推定値として選択される。

図８は、特定のエンジン事象の時間を予測するために異なる統計アルゴリズムが使用されたときに生じる、標準偏差値のグラフ２２０を示す。図８に示すグラフは、開示された実施形態によって達成できることを表すことを意図し、したがって、本明細書に開示される実施形態を、このような結果のみに限定することは意図していない。図８は、２つのグラフを示している。第１のグラフ２２２は、第１の状態１９６に１５個の特徴ベクトル、および第２の状態１９８に１５個の特徴ベクトル（合計３０個の特徴ベクトル）を使用する、ガウス混合モデル（例えば統計アルゴリズム１１２）の標準偏差値を示す。第１のグラフ２２２はまた、異なる数のガウス混合を用いて、ガウス混合モデルの標準偏差値を示す。ガウス混合の数は、モデルに入力する入力パラメータであってもよく、精度を最適化するために変更することができる。ある実施形態では、ガウス混合の数は、２、３、４、５、６、７、８、９、１０、１１、１２、１５、２０、２５、３０、３５、４０、４５、５０、またはそれ以上であってもよい。第１のグラフ２２２は、表示されているデータで、８個のガウス混合を選択することによって、３０個の特徴ベクトルを使用するガウス混合モデルの標準偏差が最小化されたことを示す。

また、図８は、第１の状態１９６で８個の特徴ベクトルを用い、かつ第２の状態１９８で８個の特徴ベクトル（合計１６個の特徴ベクトル）を用いて、ガウス混合モデルで生成された標準偏差値を含む、第２のグラフ２２４を示す。グラフ２２４は、合計１６個の特徴ベクトルを用いた統計モデルからのデータで、６個のガウス混合が含まれるモデルが、最も低い標準偏差をもたらしたことを示す。

同様に、図９は、統計アルゴリズム１１２を使用した特定のエンジン事象の推定時間と、特定のエンジン事象の真の時間とを比較した値を含む、表２３０を示す。ここでもまた、図９は、開示された実施形態によって達成できることを表すことを意図し、したがって、本明細書に開示される実施形態を、このような結果のみに限定することは意図していない。図９は、統計アルゴリズム１１２が、クランク軸の０．１度以内で、特定のエンジン事象の時間を潜在的に予測できることを示す。ある実施形態では、統計アルゴリズム１１２は、０〜３０度、０〜２５度、０．０５〜１５度、あるいはその間のどこかで、特定のエンジン事象の時間を推定することができる。また、図９は、統計アルゴリズム１１２が、比較的高い精度で、特定のエンジン事象が発生するかどうかを予測できることを示している。図９は、統計アルゴリズム１１２が、通常運転中のエンジン１０内で使用され、特定のエンジン事象の時間を正確に推定できることを示している。

本発明の技術的効果は、エンジン事象に関連するノックセンサからの信号を受信することを含む。信号は、エンジンをオフラインで運転していた間に開発された統計アルゴリズムを使用して、特定のエンジン事象の時間を推定するために使用することができる。燃費を向上させ、電源出力を向上させる等のために、時間推定に基づいてエンジンのパラメータを調整することができる。

ここに記載された説明は、最良の態様を含む本発明を開示するため、また、任意の装置またはシステムの作成および使用、ならびに任意の組み合わせられた方法の実行を含み、当業者が本発明を実施できるようにするために例を用いる。本発明の特許性のある範囲は、特許請求の範囲によって定義され、当業者が思いつく他の例を含み得る。このような他の例は、特許請求の範囲の文言と異ならない構成要素を有する場合、または特許請求の範囲の文言とごくわずかしか異ならない同等の構成要素を含む場合は、特許請求の範囲内であることが意図される。
［実施態様１］
エンジン事象がいつ発生するかを推定するためのシステムであって、
コントローラであって、
燃焼エンジンに連結された少なくとも１つのノックセンサから第１の信号を受け、前記燃焼エンジンに連結された少なくとも１つのエンジンクランク軸センサから第２の信号を受け、多変量変換アルゴリズムを用いて、前記第１の信号および前記第２の信号を複数の特徴ベクトルに変換し、統計アルゴリズムでエンジン事象の予期ウィンドウを決定し、前記予期ウィンドウの周囲で、前記複数の特徴ベクトルのセグメントを中心化し、前記統計アルゴリズムを用いて、エンジン事象が発生した時点に対応する前記予期ウィンドウの時間を推定し、かつ前記時間に基づいて、前記燃焼エンジンの動作を調整するように構成された、
コントローラを備える、
システム。
［実施態様２］
前記エンジン事象が、１００ミリ秒（「ｍｓ」）以下持続する、実施態様１に記載のシステム。
［実施態様３］
前記エンジン事象が、閉弁である、実施態様１に記載のシステム。
［実施態様４］
前記エンジン事象が、前記燃焼エンジンの機械的故障である、実施態様１に記載のシステム。
［実施態様５］
前記統計アルゴリズムが、ガウス混合モデルである、実施態様１に記載のシステム。
［実施態様６］
前記統計アルゴリズムが、機械学習アルゴリズムである、実施態様１に記載のシステム。
［実施態様７］
前記多変量変換アルゴリズムが、短時間フーリエ変換である、実施態様１に記載のシステム。
［実施態様８］
前記統計アルゴリズムが、前記エンジン事象の発生の最尤を含む前記特徴ベクトルの配列を決定することによって、前記エンジン事象の前記時間を推定する、実施態様１に記載のシステム。
［実施態様９］
前記統計アルゴリズムが、前記エンジン事象の前記時間を推定するためにオフラインで訓練される、実施態様１に記載のシステム。
［実施態様１０］
前記エンジン事象の前記時間の前記推定が、真の前記エンジン事象の３０度以内である、実施態様１に記載のシステム。
［実施態様１１］
エンジン事象のタイミングを推定するために、コントローラを訓練する方法であって、
少なくとも１つのノックセンサから信号を受信するステップであって、前記信号は、エンジン事象に対応するデータを含む、信号を受信するステップと、
多変量変換アルゴリズムを用いて、前記信号を複数の特徴ベクトルに変換するステップと、
前記複数の特徴ベクトルを第１の状態および第２の状態に分類するステップであって、前記第１の状態は、前記エンジン事象の前の時間に対応し、前記第２の状態は、前記エンジン事象の後の時間に対応する、分類するステップと、
前記第１の状態を用いて第１の統計モデルを形成するステップと、前記第２の状態を用いて第２の統計モデルを形成するステップと、前記第１の統計モデルと前記第２の統計モデルとを組み合わせて第３の統計モデルにするステップであって、前記第３の統計モデルは、通常のエンジン運転中に、前記エンジン事象がいつ発生するかを予測するように構成される、組み合わせるステップとを含む、
方法。
［実施態様１２］
前記信号が、一次元の周波数信号である、実施態様１１に記載の方法。
［実施態様１３］
前記第１の統計モデルが、第１のガウス混合モデルであり、前記第２の統計モデルが、第２のガウス混合モデルである、実施態様１１に記載の方法。
［実施態様１４］
前記第１のガウス混合モデル、および前記第２のガウス混合モデルのガウス混合の数が、０〜１０の間である、実施態様１３に記載の方法。
［実施態様１５］
前記第１の状態および前記第２の状態が、１〜２０個の特徴ベクトルを含む、実施態様１３に記載の方法。
［実施態様１６］
エンジン事象の時間を推定する方法であって、
燃焼エンジンに連結された、少なくとも１つのノックセンサから第１の信号を受信するステップと、
少なくとも１つのエンジンクランク軸センサから第２の信号を受信するステップと、
前記第１の信号および前記第２の信号を複数の特徴ベクトルに変換するステップと、
統計アルゴリズムでエンジン事象の予期ウィンドウを決定するステップと、
前記統計アルゴリズムで、エンジン事象の前記予期ウィンドウの周囲の、前記複数の特徴ベクトルのセグメントを中心化するステップと、
前記統計アルゴリズムを用いて、前記エンジン事象の時間を推定するステップと、
前記エンジン事象の前記時間に基づいて、少なくとも前記燃焼エンジンのための制御動作を出力するステップとを含む、
方法。
［実施態様１７］
前記エンジン事象が、閉弁である、実施態様１６に記載の方法。
［実施態様１８］
前記エンジン事象が、前記燃焼エンジンの機械的故障である、実施態様１６に記載の方法。
［実施態様１９］
前記統計アルゴリズムが、ガウス混合モデルである、実施態様１６に記載の方法。
［実施態様２０］
前記制御動作が、前記燃焼エンジンを停止することを含む、実施態様１６に記載の方法。

８ 駆動発電システム、システム
１０ エンジン
１２ 燃焼室
１４ 酸化剤供給源
１６ 酸化剤、空気
１８ 燃料
１９ 燃料源
２０ ピストン
２２ 軸
２３ ノックセンサ
２４ 負荷
２５ エンジン制御ユニット（ＥＣＵ）、制御システムまたはコントローラ
２６ シリンダ
２８ 内側環状壁
３０ キャビティ
３２ 燃料空気混合気
３４ 軸線方向
３６ 半径方向
３８ 周方向
４０ 頂部、トップランド
５４ クランク軸
５６ コンロッド
５８ ピン
６０ 燃料噴射器
６２ 吸気弁
６４ 排気弁
６６ クランク軸センサ
７２ プロセッサ
７４ メモリユニット
１００ ブロック図
１０２ ブロック
１０４ ブロック
１０６ ブロック
１０８ 多変量変換アルゴリズム
１１０ ブロック
１１２ 統計アルゴリズム
１１４ ブロック
１１６ ブロック
１１８ ブロック
１３０ ブロック図
１３２ ブロック
１３４ ブロック
１３６ 第２の信号
１３８ 第３の信号
１４０ ブロック
１４２ ブロック
１４４ ブロック
１４６ ブロック
１７０ エンジンノイズプロット
１７２ スペクトログラムプロット
１７４ 真のタイミング
１９０ 特徴ベクトル
１９２ 第１のエンジン事象
１９４ 第２のエンジン事象
１９６ 第１の状態
１９８ 第２の状態
２１０ 特徴ベクトルの可能な配列の実施形態
２１２ ポイント
２２０ グラフ
２２２ 第１のグラフ
２２４ 第２のグラフ
２３０ 表
Ｄ 長さ

Claims (14)

1. エンジン事象がいつ発生するかを推定するためのシステム（８）であって、
   コントローラ（２５）であって、
   燃焼エンジン（１０）に連結された少なくとも１つのノックセンサ（２３）から第１の信号を受け、前記燃焼エンジン（１０）に連結された少なくとも１つのエンジンクランク軸センサ（６６）から第２の信号を受け、多変量変換アルゴリズム（１０８）を用いて、前記第１の信号および前記第２の信号を複数の特徴ベクトル（１９０）に変換し、統計アルゴリズム（１１２）でエンジン事象の予期ウィンドウを決定し、前記予期ウィンドウの周囲で、前記複数の特徴ベクトル（１９０）のセグメントを中心化し、前記統計アルゴリズム（１１２）を用いて、エンジン事象が発生した時点に対応する前記予期ウィンドウの時間を推定し、かつ前記時間に基づいて、前記燃焼エンジン（１０）の動作を調整するように構成された、
   コントローラ（２５）を備え、
   前記エンジン事象が、閉弁および／または前記燃焼エンジン（１０）の機械的故障である、
   システム。
2. 前記エンジン事象が、１００ミリ秒（「ｍｓ」）以下持続する、請求項１に記載のシステム。
3. 前記統計アルゴリズム（１１２）が、ガウス混合モデルまたは機械学習アルゴリズムである、請求項１に記載のシステム。
4. 前記多変量変換アルゴリズム（１０８）が、短時間フーリエ変換である、請求項１に記載のシステム。
5. 前記統計アルゴリズム（１１２）が、前記エンジン事象の発生の最尤を含む前記特徴ベクトル（１９０）の配列を決定することによって、前記エンジン事象の前記時間を推定する、請求項１に記載のシステム。
6. 前記統計アルゴリズム（１１２）が、前記エンジン事象の前記時間を推定するためにオフラインで訓練される、請求項１に記載のシステム。
7. 前記エンジン事象の前記時間の前記推定が、真の前記エンジン事象の３０度以内である、請求項１に記載のシステム。
8. エンジン事象のタイミングを推定するために、コントローラ（２５）を訓練する方法であって、
   少なくとも１つのノックセンサ（２３）から信号を受信するステップであって、前記信号は、エンジン事象に対応するデータを含む、信号を受信するステップと、
   多変量変換アルゴリズム（１０８）を用いて、前記信号を複数の特徴ベクトル（１９０）に変換するステップと、
   前記複数の特徴ベクトル（１９０）を第１の状態（１９６）および第２の状態（１９８）に分類するステップであって、前記第１の状態（１９６）は、前記エンジン事象の前の時間に対応し、前記第２の状態（１９８）は、前記エンジン事象の後の時間に対応する、分類するステップと、
   前記第１の状態（１９６）を用いて第１の統計モデルを形成するステップと、前記第２の状態（１９８）を用いて第２の統計モデルを形成するステップと、前記第１の統計モデ
   ルと前記第２の統計モデルとを組み合わせて第３の統計モデルにするステップであって、前記第３の統計モデルは、通常のエンジン運転中に、前記エンジン事象がいつ発生するかを予測するように構成される、組み合わせるステップとを含む、
   方法。
9. 前記信号が、一次元の周波数信号である、請求項８に記載の方法。
10. 前記第１の統計モデルが、第１のガウス混合モデルであり、前記第２の統計モデルが、第２のガウス混合モデルである、請求項８に記載の方法。
11. 前記第１のガウス混合モデル、および前記第２のガウス混合モデルのガウス混合の数が、０〜１０の間である、請求項１０に記載の方法。
12. 前記第１の状態（１９６）および前記第２の状態（１９８）が、１〜２０個の特徴ベクトル（１９０）を含む、請求項１０に記載の方法。
13. エンジン事象の時間を推定する方法であって、
    燃焼エンジン（１０）に連結された、少なくとも１つのノックセンサ（２３）から第１の信号を受信するステップと、
    少なくとも１つのエンジンクランク軸センサ（６６）から第２の信号を受信するステップと、
    前記第１の信号および前記第２の信号を複数の特徴ベクトル（１９０）に変換するステップと、
    統計アルゴリズム（１１２）でエンジン事象の予期ウィンドウを決定するステップと、
    前記統計アルゴリズム（１１２）で、エンジン事象の前記予期ウィンドウの周囲の、前記複数の特徴ベクトル（１９０）のセグメントを中心化するステップと、
    前記統計アルゴリズムを用いて、前記エンジン事象の時間を推定するステップと、
    前記エンジン事象の前記時間に基づいて、少なくとも前記燃焼エンジン（１０）のための制御動作を出力するステップとを含み、
    前記エンジン事象が、閉弁および／または前記燃焼エンジン（１０）の機械的故障である、
    方法。
14. 前記制御動作が、前記燃焼エンジンを停止することを含む、請求項１３に記載の方法。