JP7450238B2 - エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム - Google Patents

エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム Download PDF

Info

Publication number
JP7450238B2
JP7450238B2 JP2022535361A JP2022535361A JP7450238B2 JP 7450238 B2 JP7450238 B2 JP 7450238B2 JP 2022535361 A JP2022535361 A JP 2022535361A JP 2022535361 A JP2022535361 A JP 2022535361A JP 7450238 B2 JP7450238 B2 JP 7450238B2
Authority
JP
Japan
Prior art keywords
engine
abnormality
state quantity
abnormality diagnosis
model
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.)
Active
Application number
JP2022535361A
Other languages
English (en)
Other versions
JPWO2022009904A1 (ja
Inventor
オレクシー ボンダレンコ
哲吾 福田
修二郎 宮川
健 宮地
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Institute of Maritime Port and Aviation Technology
Mitsui E&S Co Ltd
Original Assignee
Mitsui E&S Holdings Co Ltd
National Institute of Maritime Port and Aviation Technology
Mitsui E&S Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsui E&S Holdings Co Ltd, National Institute of Maritime Port and Aviation Technology, Mitsui E&S Co Ltd filed Critical Mitsui E&S Holdings Co Ltd
Publication of JPWO2022009904A1 publication Critical patent/JPWO2022009904A1/ja
Application granted granted Critical
Publication of JP7450238B2 publication Critical patent/JP7450238B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • F02D41/221—Safety or indicating devices for abnormal conditions relating to the failure of actuators or electrically driven elements
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D45/00—Electrical control not provided for in groups F02D41/00 - F02D43/00
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1413—Controller structures or design
    • F02D2041/1415—Controller structures or design using a state feedback or a state space representation
    • F02D2041/1417—Kalman filter
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、エンジンの異常を数学的なエンジンモデルを用いて異常診断する、エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システムに関する。
船舶等に搭載されているエンジンの異常を早期に検知することは安全面や効率面等の観点から重要である。
ここで、特許文献１には、エンジンのある作動点で最適に設計されたカルマンフィルタ・ゲインと、実機エンジンを忠実にモデル化した非線形ダイナミックシミュレーション・モデルとから成る一定ゲイン拡張カルマンフィルタ（ＣＧＥＫＦ）を利用して、観測変数と観測変数推定値との間に差が生じる場合はモデルの状態変数の一部分を成すチューニングパラメータをその差が最小となるように調整することにより、その非線形ダイナミックシミュレーション・モデルを常に実機に忠実なモデルとするガスタービンエンジンの性能推定システムが開示されている。また、段落００１０には、エンジン使用による経年変化や損傷による性能劣化を、エンジンの非線形ダイナミックシミュレーション・モデルと推定フィルタにより常に推定・検出・監視するエンジン性能推定システムおよび方法であることが記載されている。
また、特許文献２には、航空機の飛行中に航空機の飛行パラメータをリアルタイムで決定するためのシステムであって、航空機の推定されるべき少なくとも２個の事前選択された飛行パラメータ間の相互依存関係を定める飛行力学方程式に基づき構成されて、航空機の飛行中に、選択された飛行パラメータの合同推定値を供するように形成された拡張カルマンフィルタを含むシステムが開示されている。
また、特許文献３には、プロセスを制御するのに用いられる制御信号をコントローラが生成できるようにするためにコントローラの各実行サイクル中にコントローラに新しいプロセス変数推定を提供しながら、遅い又は間欠的なプロセスフィードバック信号からプロセス変数値の推定を生じるように構成されるカルマンフィルタが開示されている。
特開２００９－６８３５９号公報 特開２０１３－４９４０８号公報 特開２０１８－８８２８９号公報
特許文献１は、段落０００５に、「計測可能項目と計測不能項目との間の相関関係を変化させる経年劣化や損傷等の影響が十分に反映された高精度な非線形ダイナミックシミュレーション・モデルとすることが可能となる。」と記載されているように、非線形ダイナミックシミュレーション・モデルを逐次チューニングし、エンジンの計測不能項目を計測可能項目から推定し、その推定結果を用いてガスタービンエンジンを制御するものであり、エンジンの異常の早期検知とその原因の診断を行うものではない。
特許文献２は、飛行力学方程式によって相互に関連付けられた少なくとも２個の飛行パラメータを拡張カルマンフィルタによって同時に推定して航空機の飛行制御に用いるものであり、エンジンの異常の早期検知とその原因の診断を行うものではない。
特許文献３は、化学プロセスや石油プロセス等のプロセス制御システムにおけるカルマンフィルタの改善に関するものであり、エンジンの異常の早期検知とその原因の診断を行うものではない。
そこで本発明は、エンジンの異常の早期検知とその原因の診断を行うことができるエンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システムを提供することを目的とする。
請求項１記載に対応したエンジンの異常診断方法においては、エンジンの異常を、数学的なエンジンモデルを用いて異常診断する方法であって、エンジンの仕様及び特性に基づいて予め構築されたエンジンモデルの初期状態量を取得する初期状態量取得ステップと、エンジンモデルに初期状態量を適用しエンジンモデルを活用するエンジンモデル活用ステップと、エンジンモデルで初期状態量に基づいてエンジンの状態を計算し推定状態量を得るエンジン状態推定ステップと、エンジンモデルの構築の基となったエンジンの計測状態量を取得する計測状態量取得ステップと、取得した計測状態量と計算した推定状態量との残差を非線形カルマンフィルタにかけるカルマンフィルタリングステップと、非線形カルマンフィルタにかけて得られたカルマンゲインをエンジンモデルに適用し、エンジン状態推定ステップと、計測状態量取得ステップと、カルマンフィルタリングステップを繰り返す繰返ステップと、非線形カルマンフィルタにかけたときの計測状態量と推定状態量との残差の相関行列を計算する相関計算ステップと、相関行列の計算結果に対して因子分析し因子負荷量を求める因子分析ステップと、因子負荷量から因子スコアを計算し異常を検知する異常検知ステップと、因子負荷量を機械学習に適用する機械学習適用ステップと、機械学習に基づいて異常を診断する異常診断ステップと、エンジンの異常の検知結果、及び異常の診断結果を出力する出力ステップとを実行することを特徴とする。
請求項１に記載の本発明によれば、計測状態量と計算した推定状態量との残差を利用して因子分析にかけることにより、計算した因子スコアに基づきエンジンの異常を早期に検知することができる。また、因子負荷量を機械学習に適用しエンジンの異常の原因を診断することができる。また、簡単な計算により計測状態量と推定状態量との残差の相関の計算精度を向上させることができる。
請求項２記載の本発明は、カルマンフィルタリングステップで得られた結果、又は取得した計測状態量を計測値のある期間の平均値や平均値との差として処理した結果をエンジンモデル活用ステップに適用して、エンジンモデルを更新するモデル更新ステップをさらに実行することを特徴とする。
請求項２に記載の本発明によれば、エンジンモデルを更新して推定状態量の計算精度を常に高い状態に保つことができる。
請求項３記載の本発明は、因子分析ステップにおいて、相関行列としての共分散行列に基づいて特異値分解(ＳＶＤ)をして因子負荷量を導出することを特徴とする。
請求項３に記載の本発明によれば、共分散行列の形に捉われず本質的に重要なものを抽出し、エンジンの異常を早期に検知することができる。
請求項４記載の本発明は、機械学習は、自己組織化マップ(ＳＯＭ)を用いることを特徴とする。
請求項４に記載の本発明によれば、教師なし機械学習である自己組織化マップ（ＳＯＭ）を利用してエンジンの異常の原因を分類することができる。
請求項５記載の本発明は、初期状態量取得ステップで取得する初期状態量は、エンジンの負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量であることを特徴とする。
請求項５に記載の本発明によれば、エンジンの状態を推定する上で重要であるエンジンの負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量に基づいて、推定状態量を得ることができる。
請求項６記載の本発明は、計測状態量取得ステップで取得する計測状態量は、エンジンの回転数(ｎｅ)であることを特徴とする。
請求項６に記載の本発明によれば、エンジンとして計測する機会の多いエンジンの回転数(ｎｅ)を、エンジンの異常診断に用いることができ、計測精度も高くすることができる。
請求項７記載の本発明は、エンジン状態推定ステップの推定状態量として、過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)を得ることを特徴とする。
請求項７に記載の本発明によれば、エンジンの状態を推定する上で有用な過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、又は排気ガス温度(Ｔｅ)についての診断結果を得ることができる。
請求項８記載に対応したエンジンの異常診断プログラムにおいては、エンジンの異常を、数学的なエンジンモデルを用いて異常診断するプログラムであって、コンピュータに、エンジンの異常診断方法における初期状態量取得ステップ、エンジンモデル活用ステップ、エンジン状態推定ステップ、計測状態量取得ステップ、カルマンフィルタリングステップ、繰返ステップ、相関計算ステップ、因子分析ステップ、異常検知ステップ、機械学習適用ステップ、異常診断ステップ、及び出力ステップを実行させることを特徴とする。
請求項８に記載の発明によれば、計測状態量、又は計測状態量と計算した推定状態量との残差を利用して因子分析にかけることにより、計算した因子スコアに基づきエンジンの異常を早期に検知することができる。また、因子負荷量を機械学習に適用しエンジンの異常の原因を診断することができる。
請求項９記載に対応したエンジンの異常診断システムにおいては、エンジンと、エンジンモデルの初期状態量を入力する条件入力手段と、エンジンの状態を計測し計測状態量を得る状態量計測手段と、エンジンの異常診断方法、又はエンジンの異常診断プログラムを実行するコンピュータと、コンピュータより出力されるエンジンの異常の診断結果を含む異常情報を提供する情報提供手段とを備えたことを特徴とする。
請求項９に記載の本発明によれば、コンピュータを利用して、エンジンの異常の早期検知とその原因の診断を行った結果を含む異常情報を提供することができる。
請求項１０記載の本発明は、コンピュータで、エンジンモデルの更新を行うことを特徴とする。
請求項１０に記載の本発明によれば、コンピュータで、エンジンモデルを更新することにより推定状態量の計算精度の向上が容易にできる。
請求項１１記載の本発明は、状態量計測手段で、計測状態量としてエンジンの回転数(ｎｅ)を得ることを特徴とする。
請求項１１に記載の本発明によれば、エンジンとして計測する機会の多いエンジンの回転数(ｎｅ)を、エンジンの異常診断に用いることができ、計測精度も高くすることができる。
請求項１２記載の本発明は、情報提供手段で、異常の診断結果として、エンジンの過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)の少なくとも１つの結果を提供することを特徴とする。
請求項１２に記載の本発明によれば、エンジンの状態を推定する上で有用な過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、又は排気ガス温度(Ｔｅ)についての診断結果を得ることができる。
請求項１３記載の本発明は、異常情報の出力に基づいて、異常時にエンジンの異常が悪化したり故障に至ることを防止する制御を行う異常時制御手段を備えたことを特徴とする。
請求項１３に記載の本発明によれば、異常時にエンジンを制御することにより、エンジンの異常が悪化したり、故障に至ることを防止できる。
請求項１４記載の本発明は、情報提供手段として、ヒューマンインターフェース手段を用いて異常情報を提供することを特徴とする。
請求項１４に記載の本発明によれば、ヒューマンインターフェース手段からエンジンの異常情報が提供されることで、乗組員等は異常時に迅速かつ適切に対応することが可能となる。
請求項１５記載の本発明は、情報提供手段で提供される異常情報を、他の箇所に送信する送信手段を備えたことを特徴とする。
請求項１５に記載の本発明によれば、エンジンから離れた場所においてもリアルタイムにエンジンの異常を含む診断結果を知ることができる。
請求項１６記載の本発明は、状態量計測手段と、コンピュータと、情報提供手段とをオンラインで接続する接続手段を備えたことを特徴とする。
請求項１６に記載の本発明によれば、エンジンの異常を含む診断結果を、オンラインでリアルタイムに伝送して提供することができる。
本発明のエンジンの異常診断方法によれば、計測状態量と計算した推定状態量との残差を利用して因子分析にかけることにより、計算した因子スコアに基づきエンジンの異常を早期に検知することができる。また、因子負荷量を機械学習に適用しエンジンの異常の原因を診断することができる。また、簡単な計算により計測状態量と推定状態量との残差の相関の計算精度を向上させることができる。
また、カルマンフィルタリングステップで得られた結果、又は取得した計測状態量を計測値のある期間の平均値や平均値との差として処理した結果をエンジンモデル活用ステップに適用して、エンジンモデルを更新するモデル更新ステップをさらに実行する場合は、エンジンモデルを更新して推定状態量の計算精度を常に高い状態に保つことができる。
また、因子分析ステップにおいて、相関行列としての共分散行列に基づいて特異値分解(ＳＶＤ)をして因子負荷量を導出する場合は、共分散行列の形に捉われず本質的に重要なものを抽出し、エンジンの異常を早期に検知することができる。
また、機械学習は、自己組織化マップ(ＳＯＭ)を用いる場合は、教師なし機械学習である自己組織化マップ（ＳＯＭ）を利用してエンジンの異常の原因を分類することができる。
また、初期状態量取得ステップで取得する初期状態量は、エンジンの負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量である場合は、エンジンの状態を推定する上で重要であるエンジンの負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量に基づいて推定状態量を得ることができる。
また、計測状態量取得ステップで取得する計測状態量は、エンジンの回転数(ｎｅ)である場合は、エンジンとして計測する機会の多いエンジンの回転数(ｎｅ)をエンジンの異常診断に用いることができ、計測精度も高くすることができる。
また、エンジン状態推定ステップの推定状態量として、過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)を得る場合は、エンジンの状態を推定する上で有用な過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、又は排気ガス温度(Ｔｅ)についての診断結果を得ることができる。
また、本発明のエンジンの異常診断プログラムによれば、計測状態量、又は計測状態量と計算した推定状態量との残差を利用して因子分析にかけることにより、計算した因子スコアに基づきエンジンの異常を早期に検知することができる。また、因子負荷量を機械学習に適用しエンジンの異常の原因を診断することができる。
また、本発明のエンジンの異常診断システムによれば、コンピュータを利用して、エンジンの異常の早期検知とその原因の診断を行った結果を含む異常情報を提供することができる。
また、コンピュータで、エンジンモデルの更新を行う場合は、コンピュータで、エンジンモデルを更新することにより推定状態量の計算精度の向上が容易にできる。
また、状態量計測手段で、計測状態量としてエンジンの回転数(ｎｅ)を得る場合は、エンジンとして計測する機会の多いエンジンの回転数(ｎｅ)をエンジンの異常診断に用いることができ、計測精度も高くすることができる。
また、情報提供手段で、異常の診断結果として、エンジンの過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)の少なくとも１つの結果を提供する場合は、エンジンの状態を推定する上で有用な過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、又は排気ガス温度(Ｔｅ)についての診断結果を得ることができる。
また、異常情報の出力に基づいて、異常時にエンジンの異常が悪化したり故障に至ることを防止する制御を行う異常時制御手段を備えた場合は、異常時にエンジンを制御することにより、エンジンの異常が悪化したり、故障に至ることを防止できる。
また、情報提供手段として、ヒューマンインターフェース手段を用いて異常情報を提供する場合は、ヒューマンインターフェース手段からエンジンの異常情報が提供されることで、乗組員等は異常時に迅速かつ適切に対応することが可能となる。
また、情報提供手段で提供される異常情報を、他の箇所に送信する送信手段を備えた場合は、エンジンから離れた場所においてもリアルタイムにエンジンの異常を含む診断結果を知ることができる。
また、状態量計測手段と、コンピュータと、情報提供手段とをオンラインで接続する接続手段を備えた場合は、エンジンの異常を含む診断結果を、オンラインでリアルタイムに伝送して提供することができる。
本発明の実施形態によるエンジンの異常診断システムのブロック図 同エンジンの異常診断プログラムのフローチャート 同エンジンの異常診断の概要図 同因子分析の概念図 同計測データを用いた因子分析の例を示す図 同因子スコアの例を示す図 同各計測値の因子負荷量の変化を示す図 同エンジンの数学モデルの例を示す図 同エンジンモデルのパラメータを示す図 同カルマンフィルタの予測（推定）ステップと更新（修正）ステップの概念と計算式を示す図 同カルマンフィルタと因子分析との関係を示す図 同因子スコアによる異常検知の例を示す図
以下に、本発明の実施形態によるエンジンの異常診断方法、エンジンの異常診断プログラム及びエンジンの異常診断システムについて説明する。
図１はエンジンの異常診断システムのブロック図である。
エンジンの異常診断システムは、船舶等に搭載されているエンジン１の異常を数学的なエンジンモデル１０を用いて診断する。
エンジンの異常診断システムは、エンジンモデル１０の初期状態量を入力する条件入力手段２、エンジン１の状態を計測し計測状態量を得る状態量計測手段３、エンジンの異常診断方法又はプログラムを実行するコンピュータ４、コンピュータ４より出力されるエンジン１の異常の診断結果を含む異常情報を提供する情報提供手段（ヒューマンインターフェース手段：ＨＭＩ）５、異常情報の出力に基づいて異常時にエンジン１を制御する異常時制御手段６、情報提供手段５で提供される異常情報を他の箇所に送信する送信手段７、及び各機器をオンラインで接続する接続手段８を備えている。エンジンモデル１０は、エンジン１に対応して最初からコンピュータ４に組み込まれていることが好ましいが、例えば船舶のメンテナンス等に関連してエンジン１の一部又は全部が異なった状態に変更された場合は、条件入力手段２等を介して途中で変更することも可能である。
接続手段８は、例えばルーターやＬＡＮ等であり、状態量計測手段３と、コンピュータ４と、情報提供手段５とをオンラインで接続する。これにより、エンジン１の異常を含む診断結果を、オンラインでリアルタイムに伝送して提供することができる。なお、オンライン接続は、接続手段８を介して無線、有線いずれも利用することが可能である。
送信手段７はコンピュータ４に設けられている。また、コンピュータ４は、制御部１１、初期状態量取得部１２、エンジン状態推定部１３、計測状態量取得部１４、カルマンフィルタリング部１５、繰返部１６、相関計算部１７、因子分析部１８、異常検知部１９、機械学習適用部２０、異常診断部２１、エンジンモデル更新部２２、主メモリ２３、補助メモリ２４、エンジンモデル活用部２７、出力部２８等を備える。
補助メモリ２４は、例えばハードディスク等である。補助メモリ２４には、エンジンモデル１０、因子負荷量スペース２５、及び機関故障データベース２６が格納されている。エンジンモデル１０は、エンジン１の仕様及び特性に基づいて予め構築されたものである。因子負荷量スペース２５には、エンジン１の異常を検知してから因子負荷量データが蓄積される。また、機関故障データベース２６には、シミュレーションプログラムでエンジン１の故障のシミュレーションを行い収集したデータが集積される。なお、実際に故障したときのエンジン状態値がある場合は、そのエンジン状態値を機関故障データベース２６に集積することもできる。
条件入力手段２は、マウス、キーボード、及びタッチパネル等である。コンピュータ４の操作者、又はユーザ１０１は、条件入力手段２を用いて初期状態量を入力する。初期状態量としては、エンジン１の負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量を入力することが好ましい。これにより、エンジン１の状態を推定する上で重要であるエンジン１の負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量に基づいて推定状態量を得ることができる。入力された初期状態量は、コンピュータ４の初期状態量取得部１２へ送信され取得される。また、エンジンモデル１０が変わるくらい運転条件が変わったときに、条件入力手段２により、条件信号を入力することもできる。
状態量計測手段３は各種センサ等である。状態量計測手段３では、計測状態量としてエンジン１の回転数(ｎｅ)を得ることが好ましい。これにより、エンジン１として計測する機会の多いエンジン１の回転数(ｎｅ)をエンジン１の異常診断に用いることができ、計測精度も高くすることができる。なお、状態量計測手段３で計測される計測状態量としては、この他に例えばエンジン１の掃気圧（Ｐｓ）、排気ガス温度（Ｔｅ）、及びエンジン１の負荷（Ｑｐ）等がある。状態量計測手段３によって計測された計測状態量は、コンピュータ４の計測状態量取得部１４へ送信される。また、計測状態量としては、計測値そのもの以外に、計測値のある期間の平均値や平均値との差など、計測値に基づいて処理したものであってもよい。
出力部２８は、コンピュータ４によるエンジン１の診断結果を、送信手段７、情報提供手段（ヒューマンインターフェース手段）５、及び異常時制御手段６へ出力する。
なお、情報提供手段５、異常時制御手段６、及び送信手段７は、コンピュータ４の外部に設けることも可能である。
情報提供手段５は、エンジン１の異常の診断結果として、エンジン１の過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)のうち少なくとも１つの結果を提供することが好ましい。これにより、エンジン１の状態を推定する上で有用な過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、又は排気ガス温度(Ｔｅ)についての診断結果を得ることができる。また、情報提供手段５は、エンジン１の異常の診断結果のみならず異常検知情報を含むあらゆる異常に関連した情報を提供することが可能である。
送信手段７は、出力された診断結果を、コンピュータ４とは別の場所に設置された機器へ接続手段８を介し有線又は無線ＬＡＮを通じて送信する。これにより、エンジン１から離れた場所においてもリアルタイムにエンジン１の異常の診断結果を含む異常情報を知ることができる。なお、図１では、異常情報を受信する箇所としてブリッジ１００、及び船社等の陸上のユーザ１０１を示している。例えばコンピュータ４が機関室にある場合、情報提供手段５は異常情報を船内ＬＡＮを通じてブリッジ１００へ送信する。
情報提供手段（ヒューマンインターフェース手段）５は、例えばモニタやスピーカー等である。情報提供手段（ヒューマンインターフェース手段）５からエンジン１の異常情報が提供されることで、乗組員等は異常時に迅速かつ適切に対応することが可能となる。なお、情報提供手段５には、ヒューマンインターフェース手段以外に、異常情報を一時的に蓄える記憶手段や、異常情報を例えばスマートフォンに転送する転送手段等あらゆる情報の提供に関わる手段を含む。
異常時制御手段６は、異常検知結果又は異常の診断結果に基づいて異常時にエンジン１を自動的に又は乗組員からの操作によって制御する。異常時にエンジン１を制御することにより、エンジン１の異常が悪化したり、故障に至ることを防止できる。なお、異常時制御手段６に提供される情報又は信号は、情報提供手段５に提供される情報の未加工の情報又は信号であってもよい。
図２はエンジンの異常診断方法のフローチャート、図３はエンジンの異常診断の概要図である。なお、エンジンの異常診断方法はプログラムとして提供可能であるため、以下では、エンジンの異常診断プログラムがエンジンの異常診断方法における各ステップをコンピュータに実行させるものとして説明する。
パソコンがエンジンの異常診断プログラムの実行を開始すると、制御部１１は、補助メモリ２４に記憶されているエンジンモデル１０を読み込む（エンジンモデル読込ステップＳ１）。
エンジンモデル読込ステップＳ１の後、初期状態量取得部１２は、条件入力手段２で入力されたエンジンモデル１０の初期状態量を取得する（初期状態量取得ステップＳ２）
初期状態量取得ステップＳ２の後、制御部１１は、エンジンモデル活用部２７において読み込んだエンジンモデル１０に初期状態量を適用しエンジンモデル１０を活用する（エンジンモデル活用ステップＳ３）。エンジンモデル活用ステップＳ３においては、エンジンモデル１０の初期設定や更新が行われる。エンジンモデル１０を使うために任意の初期状態量を適用する必要があるが、エンジンモデル１０を活用するエンジンモデル活用ステップＳ３において出来るだけ現在の状態に近い初期状態量（例えば負荷や燃料量）を適用すれば、エンジンモデル１０での計算時間が少なくなったり、エンジンモデル１０による推定計算の精度が上がる等のエンジンモデル１０の活用が図られる。また、カルマンフィルタリングステップＳ６での残差の入力、または取得した計測状態量を処理した結果をエンジンモデル活用ステップＳ３において活用することによりエンジンモデル１０の更新が行われ、エンジンモデル１０が実物のエンジン１に忠実になり活用が図られる。
エンジン状態推定部１３は、エンジンモデル１０で初期状態量に基づいてエンジン１の状態を計算し推定状態量を得る（エンジン状態推定ステップＳ４）。
また、計測状態量取得部１４は、状態量計測手段３による計測により得られたエンジン１の計測状態量を取得する（計測状態量取得ステップＳ５）。
カルマンフィルタリング部１５は、取得した計測状態量と計算した推定状態量との残差を非線形カルマンフィルタに入力する（カルマンフィルタリングステップＳ６）。カルマンフィルタリングステップＳ６においては、状態推定とモデルパラメータの推定を行う。
カルマンフィルタリングステップＳ６の後、エンジンモデル更新部２２は、エンジンモデル１０を更新する必要があるか否かを判定する（モデル更新判定ステップＳ７）。
エンジンモデル更新部２２は、モデル更新判定ステップＳ７において「Ｙｅｓ」、すなわちエンジンモデル１０を更新する必要があると判定した場合は、カルマンフィルタリングステップＳ６で得られた結果、又は取得した計測状態量を処理した結果をエンジンモデル活用ステップＳ３に適用して、モデルパラメータを更新することによりエンジンモデル１０を更新する（モデル更新ステップＳ８）。エンジンモデル１０を更新することで、エンジン１の経年劣化等に対応し、推定状態量の計算精度を常に高い状態に保つことができる。また、コンピュータ４でエンジンモデル１０を更新することにより、推定状態量の計算精度の向上が容易にできる。モデル更新判定ステップＳ７における判定は、予めモデルパラメータに閾値を設定することにより行われる。
一方、モデル更新判定ステップＳ７において「Ｎｏ」、すなわちエンジンモデル１０を更新する必要がないとエンジンモデル更新部２２が判定した場合、繰返部１６は、所定の時間が経過したか否かを判定する（時間経過判定ステップＳ９）。繰返部１６は、例えば０．１秒などの時間で区切って、ｋ、ｋ+１、ｋ+２…と繰り返す。
繰返部１６は、時間経過判定ステップＳ９において「Ｎｏ」、すなわち所定の時間が経過していないと判定した場合は、非線形カルマンフィルタに入力して得られたカルマンゲインをエンジンモデル１０に適用し、エンジン状態推定ステップＳ４と、計測状態量取得ステップＳ５と、カルマンフィルタリングステップＳ６を繰り返す（繰返ステップＳ１０）。
このように、状態推定とモデルパラメータ推定というカルマンフィルタの二つの機能を使い、エンジンモデル１０の更新と状態推定を繰り返す。なお、計測状態量が確かな場合は、トラッキングフィルタを用いモデルパラメータを同定し、カルマンフィルタは状態推定のみを行うこともできる。
また、非線形カルマンフィルタは、アンセンテッドカルマンフィルタ又は拡張カルマンフィルタとすることが好ましい。これにより、非線形システムであるエンジン１に対して、カルマンゲインをより適切なものとし推定状態量の計算精度を向上させることができる。
一方、時間経過判定ステップＳ９において「Ｙｅｓ」、すなわち所定の時間が経過したと繰返部１６が判定した場合、相関計算部１７は、非線形カルマンフィルタへの入力時に得た残差の相関を計算する（相関計算ステップＳ１１）。相関計算ステップＳ１１における残差の相関の計算は、相関行列に基づいて行うことが好ましい。これにより、簡単な計算により残差の相関の計算精度を向上させることができる。
なお、非線形カルマンフィルタへの入力時に得た残差の代わりに、取得した計測状態量を用いて、相関を計算することもできる。
相関計算ステップＳ１１の後、因子分析部１８は、残差の相関に対して因子分析し因子負荷量を求める（因子分析ステップＳ１２）。
なお、残差の相関の代わりに、取得した計測状態量の相関を用いて因子分析を行い、因子負荷量を求めることもできる。
因子分析ステップＳ１２の後、異常検知部１９は、因子負荷量から因子スコアを計算し異常を検知する（異常検知ステップＳ１３）。異常検知ステップＳ１３で検知された異常は、異常情報として出力することもできる。
因子分析ステップＳ１２においては、相関行列としての共分散行列に基づいて特異値分解(ＳＶＤ)をして因子負荷量を導出することが好ましい。これにより、共分散行列の形に捉われず本質的に重要なものを抽出し、エンジン１の異常を早期に検知することができる。
因子分析ステップＳ１２で求めた因子負荷量は因子負荷量スペース２５に蓄積される（因子負荷量蓄積ステップＳ１４）。機械学習適用部２０は、機関故障データベース２６に記憶されているデータを読み出す（機関故障データ読出ステップＳ１５）と共に、因子負荷量を機械学習に適用する（機械学習適用ステップＳ１６）。機械学習は、自己組織化マップ(ＳＯＭ)を用いる。これにより、教師なし機械学習であるＳＯＭを利用してエンジン１の異常の原因を明確に分類することができる。なお、機械学習アルゴリズムとしては、ＳＯＭ以外にＳＶＭ（Support vector machine）や、Fuzzy C-means等を用いることもできる。
異常診断部２１は、機械学習に基づいて異常を診断する（異常診断ステップＳ１７）。
異常検知ステップＳ１３及び異常診断ステップＳ１７の後、出力部２８は、エンジン１の異常の診断結果を含む異常情報を出力する（出力ステップＳ１８）。出力ステップＳ１８における異常情報の出力には異常の診断結果以外にも異常検知情報や付随した情報を含めることができる。出力先は、上述のように情報提供手段（ヒューマンインターフェース手段）５、異常時制御手段６、及び送信手段７である。
以下に因子分析を用いたエンジン１の異常診断について詳細に説明する。
図４は因子分析の概念図である。因子分析は、すべての計測値（計測状態量）ｙｍに共通で、その関係性がａｉｍで表せる隠れた（計測できない）変数因子Ｆを探すことである。これは線形の関係パラメータａを使って下式（１）のように表される。
式１において、ｆは共通因子、ａｉｍは線形係数、残ったｕｉは説明できない因子で計測エラーかノイズである。
個々の計測値ｙｍは、ある数の共通因子ｆに線形で結びついている。線形係数ａｉｍは因子負荷量と呼ばれる。因子分析とは隠れた変数（因子）を探すことであるが、この因子は計測値が変化した際の何らかの異常（事故原因）とみなすことができる。
図５は計測データを用いた因子分析の例を示す図である。図５に示すように、計測データＹを使った因子分析の例として、計測値の具体的な追跡変化による主因子と因子負荷量Ａの計算例を挙げると、計測値ｙ１，ｙ２，.....ｙｍは例えばエンジン１の掃気圧，排ガス温度，.....エンジン負荷を表し、ある時刻の区間（例えば０～ｔ区間）をひとまとめにして行列を作る（図５（ａ））。この行列の共分散行列を計算し各変数の標準偏差で割ってＲを求める（図５（ｂ））。Ｒを特異値分解（ＳＶＤ）して特異値Ｓを求める。次に第１因子負荷量Ａを求める（図５（ｃ））。各第１因子負荷量ａの二乗を足して分散の総和で割ったものが因子スコアＤ（インデックス）である（図５（ｄ））。
なお、共分散行列の相関行列を特異値分解（ＳＶＤ）することにより第１段階の因子負荷量を求め、これをＥＭ（Expectation Maximization)法を使い、さらに特徴のある顕著な因子負荷量を求めることもできる。
図６は因子スコアの例を示す図であり、図６（ａ）は生の因子スコアＦ１（Ｄ１）を示し、図６（ｂ）はフィルタ後の因子スコアＦ１（Ｄ１）を示している。また、図７は各計測値の因子負荷量の変化を示す図であり、図７（ａ）は掃気圧、図７（ｂ）は過給機回転数、図７（ｃ）は排気ガス温度、図７（ｄ）は掃気温度である。因子スコアＤ１（主インデックス）は、時系列に並べていくと、例えば図６に示すようにエンジン１の空気冷却器の冷却水の流量が減り始めた時など、エンジン１に異常（何らかの変化）が起こった時に変化がみられる。
換言すると、図７に示すように因子負荷量行列Ａに含まれている情報は推進システムの何らかの変化による異常を表すものである。更に、因子負荷量（行列Ａの行）は誤差の要素としての推進システムパラメータ間の関係強度を表しており、異常原因の特徴を表す。従って、因子負荷量を機械学習アルゴリズム、例えば自己組織化マップ（ＳＯＭ）等を使い機械学習をすることにより、推進システムの事故の原因分類に利用される。また、因子スコアＤ１は異常の早期検知に利用される。
図３に示すように本発明ではカルマンフィルタリング部１５としてカルマンフィルタ観測器を用い、ここでは、計測状態量と推定状態量との残差を使い因子分析をする。すなわち本発明では、もう一つの方法として計測値（計測状態量）Ｙの代わりに計測状態量とエンジン状態推定部１３による推定状態量とのカルマンフィルタリング部１５で固有に計算される残差Ｅを用いて上記と同様の因子分析を行う。この残差Ｅは推定状態量からの乖離を意味するものであり、推定状態量が正常状態と考えると正常状態からの乖離を反映するものである。したがって、エンジン１に何らかの異常が発生したことを残差Ｅに基づいて検知できる。
カルマンフィルタ観測器は、デジタルツインのエンジンモデル１０をベースとしている。カルマンフィルタ観測器においては、エンジン１の動的プロセスにより取得した計測状態量と、初期状態量に基づき数学的なエンジンモデル１０のプロセスにより計算した推定状態量との残差Ｅを非線形カルマンフィルタに入力する。これによりカルマンゲインが得られる。カルマンゲインは、エンジンモデル１０に適用され、数学的なエンジンモデル１０のプロセス制御に用いられる。
このように、エンジン１のデジタルツインモデルとしてのエンジンモデル１０を用いて、エンジン状態をモニタリングすることにより、早い段階でエンジン１の故障を検知し、原因を診断することができる。
図８はエンジンの数学モデルの例を示す図である。
図８中の矢印の左側は、実際のエンジン１における燃料供給系（燃料ポンプラック位置（ｈｐ））とエンジン１の回転数（ｎｅ）等の計測系の関係図であり、エンジン１における計測点と計測値を示している。図８中の右側は、エンジン１の数学モデルであるエンジンモデル１０を示している。
また、図８においては状態量計測手段３を〇囲みの英文字で示している。〇で囲った「Ｔ」は温度計、〇で囲った「Ｐ」は圧力計、〇で囲った「ｎ」は回転数計、〇で囲った「Ｑ」は軸馬力計である。負荷変動は軸馬力計で計測する。
計測値は毎ステップ（ｋ，ｋ＋１，ｋ＋２，・・・）計測し、エンジンモデル１０で毎ステップ計算（推定）する。エンジンモデル１０の推定精度をあげるために、もっとも確実に高い精度で計測できるエンジン１の回転数（ｎｅ）を取得してカルマンゲインを算出してエンジンモデル１０を修正していく。これがカルマンフィルタリングである。
図８に示すエンジン１の数学モデルにおいて、通常状態における挙動は非線形の状態空間モデルで表すことができる。非線形の状態空間モデルは、状態方程式Ｘで表される方程式、状態量ｘで表される各パラメータ、入力量ｕで表される入力で構成される。状態方程式Ｘの右辺は、右側の真ん中のブロックに示される各関数で表現され、状態量ｎｅ,ｎｔｃ,Ｐｓ,Ｔｅ,Ｐｅ,Ｇｆと入力量ｈｐ、Ｑｐとの関係が５つの式で表現される。
例えば、入力として燃料ポンプラック位置（ｈｐ）とエンジンの負荷（Ｑｐ）をとり、状態（ｘ）と出力（ｙ）として、エンジン１の回転数（ｎｅ）、過給機回転数（ｎｔｃ）、掃気圧（Ｐｓ）、排気ガス圧（Ｐｅ）、排気ガス温度（Ｔｅ）、燃料流量（Ｇｆ）をとり、それぞれのシステム関数Ｆと観測方程式ｙ（ｔ）の出力関数Ｈを表す。
図８の例では出力される観測値ｙは状態量ｘと等しい。
図９はエンジンモデルのパラメータを示す図である。
モデルパラメータとしては、プロペラトルク等のエンジンの負荷（Ｑｐ）、エンジントルク（Ｑｅ）、慣性モーメント（Ｉｅ，Ｉｔｃ）、燃料ポンプラック位置(ｈｐ)、エンジンの回転数（ｎｅ）、過給機回転数（ｎｔｃ）、大気圧（Ｐａ）、大気温度（Ｔａ）、掃気圧（Ｐｓ）、掃気温度（Ｔｓ）、シリンダ内最大圧縮圧（Ｐｃ）、シリンダ内最大燃焼圧（Ｐｚ）、シリンダ内平均有効圧（Ｐｉ）、掃気レシーバー体積（Ｖａ．ｒ）、排気レシーバー体積（Ｖｅ．ｒ）、熱力学定数（Ｒａ、Ｒｅ、ｋｅ、Ｃｐｅ、Ｃｐａ）、冷却水温度（Ｔｗ）、コンプレッサー出口温度（Ｔｃ）、排気ガス圧（Ｐｅ）、排気ガス温度（Ｔｅ）、タービン出口温度（Ｔｏｕｔ）、タービン出口圧（Ｐｏｕｔ）、燃料流量（Ｇｆ）、掃気流量（Ｇａ）、コンプレッサー空気流量（Ｇｃ）、排気ガス流量（Ｇｅ）が挙げられる。
図１０はカルマンフィルタの予測（推定）ステップ（カルマンフィルタリングステップＳ６）と更新（修正）ステップ（モデル更新ステップＳ８）の概念と計算式を示す図である。
エンジンモデル１０の実体との違いと、状態量計測手段３による計測の不確かさを考慮すると、エンジンモデル１０による推定状態量と計測状態量との間に誤差（残差）が生じる。この誤差を計算し、計測状態量で修正しながら、推定状態量をできるだけ正しい値に近づけるのが非線形カルマンフィルタであるアンセンテッドカルマンフィルタである。図１０にアンセンテッドカルマンフィルタの基礎を示す。
カルマンフィルタを適用することで、離散的な各サンプリング時間ｋにおいて、計測とモデリングの不確かさを考慮に入れながら、推進システムの挙動を計算された誤差で繰り返し表される（下式２）。
通常状態の運転では、誤差の分布は０平均の正規分布とみなされる。異常状態を検知するために、カルマンフィルタで生成された誤差を因子分析に供する。
図１１はカルマンフィルタと因子分析との関係を示す図である。
因子分析モデル（Ｙ＝ＡＦ＋Ｕ）のパラメータＡは、相関行列（共分散行列）から推定される。上述のように、カルマンフィルタ観測器は、デジタルツインのエンジンモデル１０をベースとし、共分散推定が毎回行われ、カルマンゲインはどの状態量を修正すべきかのインジケータとして使われる。
図１２は因子スコアによる異常検知の例を示す図である。
図１２は、実エンジン１の過給機吸い込みフィルターの閉塞模擬実験を行い、エンジンの異常診断システムで異常を迅速に検知した例である。なお、グラフの横軸はサンプルの回数であり１回数は０．１秒である。過給機吸い込みフィルターが徐々に閉塞し圧損が増えていくが、圧損が増え始める初期に因子スコアＦ１が急上昇するため異常を検知できる。
このように、計測状態量と計算した推定状態量との残差を利用して因子分析にかけることにより、計算した因子スコアに基づきエンジン１の異常を早期に検知することができる。また、因子負荷量を機械学習に適用しエンジン１の原因を診断することができる。また、コンピュータ４を利用して、エンジン１の異常の早期検知とその原因の診断を行った結果を含む異常情報を提供することができる。
なお、コンピュータ４の各構成要素及び周辺手段は、適宜、外付けすることや内蔵することが可能であり、コンピュータ４を複数のコンピュータで役割分担をしたり、一部をディスクリート回路とすることも可能である。
本発明は、例えば就航船のエンジンの異常の早期検知と診断を行い、離れた場所においてもリアルタイムにエンジンの異常を含む診断結果を知ることができるため、安全かつ効率的な運航に寄与する。また、船舶以外のエンジンの異常の早期検知と異常診断にも利用することができる。
１ エンジン
２ 条件入力手段
３ 状態量計測手段
４ コンピュータ
５ 情報提供手段（ヒューマンインターフェース手段）
６ 異常時制御手段
７ 送信手段
８ 接続手段
１０ エンジンモデル
Ｓ２ 初期状態量取得ステップ
Ｓ３ エンジンモデル活用ステップ
Ｓ４ エンジン状態推定ステップ
Ｓ５ 計測状態量取得ステップ
Ｓ６ カルマンフィルタリングステップ
Ｓ８ モデル更新ステップ
Ｓ１０ 繰返ステップ
Ｓ１１ 相関計算ステップ
Ｓ１２ 因子分析ステップ
Ｓ１３ 異常検知ステップ
Ｓ１６ 機械学習適用ステップ
Ｓ１７ 異常診断ステップ
Ｓ１８ 出力ステップ

Claims (16)

  1. エンジンの異常を、数学的なエンジンモデルを用いて異常診断する方法であって、
    前記エンジンの仕様及び特性に基づいて予め構築された前記エンジンモデルの初期状態量を取得する初期状態量取得ステップと、
    前記エンジンモデルに前記初期状態量を適用し前記エンジンモデルを活用するエンジンモデル活用ステップと、
    前記エンジンモデルで前記初期状態量に基づいて前記エンジンの状態を計算し推定状態量を得るエンジン状態推定ステップと、
    前記エンジンモデルの構築の基となった前記エンジンの計測状態量を取得する計測状態量取得ステップと、
    取得した前記計測状態量と計算した前記推定状態量との残差を非線形カルマンフィルタにかけるカルマンフィルタリングステップと、
    前記非線形カルマンフィルタにかけて得られたカルマンゲインを前記エンジンモデルに適用し、前記エンジン状態推定ステップと、前記計測状態量取得ステップと、前記カルマンフィルタリングステップを繰り返す繰返ステップと、
    前記非線形カルマンフィルタにかけたときの前記計測状態量と前記推定状態量との前記残差の相関行列を計算する相関計算ステップと、
    前記相関行列の計算結果に対して因子分析し因子負荷量を求める因子分析ステップと、
    前記因子負荷量から因子スコアを計算し前記異常を検知する異常検知ステップと、
    前記因子負荷量を機械学習に適用する機械学習適用ステップと、
    前記機械学習に基づいて前記異常を診断する異常診断ステップと、
    前記エンジンの前記異常の検知結果、及び前記異常の診断結果を出力する出力ステップと
    を実行することを特徴とするエンジンの異常診断方法。
  2. 前記カルマンフィルタリングステップで得られた結果、又は取得した前記計測状態量を計測値のある期間の平均値や平均値との差として処理した結果を前記エンジンモデル活用ステップに適用して、前記エンジンモデルを更新するモデル更新ステップをさらに実行することを特徴とする請求項１に記載のエンジンの異常診断方法。
  3. 前記因子分析ステップにおいて、前記相関行列としての共分散行列に基づいて特異値分解(ＳＶＤ)をして前記因子負荷量を導出することを特徴とする請求項１又は請求項２に記載のエンジンの異常診断方法。
  4. 前記機械学習は、自己組織化マップ(ＳＯＭ)を用いることを特徴とする請求項１から請求項３のいずれか１項に記載のエンジンの異常診断方法。
  5. 前記初期状態量取得ステップで取得する前記初期状態量は、前記エンジンの負荷(Ｑｐ)と燃料ポンプラック位置(ｈｐ)を含む燃料供給量であることを特徴とする請求項１から請求項４のいずれか１項に記載のエンジンの異常診断方法。
  6. 前記計測状態量取得ステップで取得する前記計測状態量は、前記エンジンの回転数(ｎｅ)であることを特徴とする請求項１から請求項５のいずれか１項に記載のエンジンの異常診断方法。
  7. 前記エンジン状態推定ステップの前記推定状態量として、過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)を得ることを特徴とする請求項１から請求項５のいずれか１項に記載のエンジンの異常診断方法。
  8. エンジンの異常を、数学的なエンジンモデルを用いて異常診断するプログラムであって、
    コンピュータに、請求項１から請求項７のいずれか１項に記載のエンジンの異常診断方法における前記初期状態量取得ステップ、前記エンジンモデル活用ステップ、前記エンジン状態推定ステップ、前記計測状態量取得ステップ、前記カルマンフィルタリングステップ、前記繰返ステップ、前記相関計算ステップ、前記因子分析ステップ、前記異常検知ステップ、前記機械学習適用ステップ、前記異常診断ステップ、及び前記出力ステップを実行させることを特徴とするエンジンの異常診断プログラム。
  9. エンジンと、
    エンジンモデルの初期状態量を入力する条件入力手段と、
    前記エンジンの状態を計測し計測状態量を得る状態量計測手段と、
    請求項１から請求項７のいずれか１項に記載のエンジンの異常診断方法、又は請求項８に記載のエンジンの異常診断プログラムを実行するコンピュータと、
    前記コンピュータより出力される前記エンジンの異常の診断結果を含む異常情報を提供する情報提供手段とを備えたことを特徴とするエンジンの異常診断システム。
  10. 前記コンピュータで、前記エンジンモデルの更新を行うことを特徴とする請求項９に記載のエンジンの異常診断システム。
  11. 前記状態量計測手段で、前記計測状態量として前記エンジンの回転数(ｎｅ)を得ることを特徴とする請求項９又は請求項１０に記載のエンジンの異常診断システム。
  12. 前記情報提供手段で、前記異常の診断結果として、前記エンジンの過給機回転数(ｎｔｃ)、掃気圧(Ｐｓ)、掃気温度（Ｔｓ）、及び排気ガス温度(Ｔｅ)の少なくとも１つの結果を提供することを特徴とする請求項９又は請求項１０に記載のエンジンの異常診断システム。
  13. 前記異常情報の前記出力に基づいて、異常時に前記エンジンの異常が悪化したり故障に至ることを防止する制御を行う異常時制御手段を備えたことを特徴とする請求項１０から請求項１２のいずれか１項に記載のエンジンの異常診断システム。
  14. 前記情報提供手段として、ヒューマンインターフェース手段を用いて前記異常情報を提供することを特徴とする請求項９から請求項１３のいずれか１項に記載のエンジンの異常診断システム。
  15. 前記情報提供手段で提供される前記異常情報を、他の箇所に送信する送信手段を備えたことを特徴とする請求項９から請求項１４のいずれか１項に記載のエンジンの異常診断システム。
  16. 前記状態量計測手段と、前記コンピュータと、前記情報提供手段とをオンラインで接続する接続手段を備えたことを特徴とする請求項９から請求項１５のいずれか１項に記載のエンジンの異常診断システム。
JP2022535361A 2020-07-06 2021-07-06 エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム Active JP7450238B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020116438 2020-07-06
JP2020116438 2020-07-06
PCT/JP2021/025526 WO2022009904A1 (ja) 2020-07-06 2021-07-06 エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム

Publications (2)

Publication Number Publication Date
JPWO2022009904A1 JPWO2022009904A1 (ja) 2022-01-13
JP7450238B2 true JP7450238B2 (ja) 2024-03-15

Family

ID=79553234

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022535361A Active JP7450238B2 (ja) 2020-07-06 2021-07-06 エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム

Country Status (4)

Country Link
JP (1) JP7450238B2 (ja)
KR (1) KR20230009484A (ja)
CN (1) CN115702288A (ja)
WO (1) WO2022009904A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102645702B1 (ko) * 2023-04-10 2024-03-11 사단법인 한국선급 선박용 엔진 연소실 고장 진단시스템 및 이를 이용한 고장 진단방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019175707A1 (ja) 2018-03-16 2019-09-19 株式会社半導体エネルギー研究所 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10339664A (ja) * 1997-06-10 1998-12-22 Babcock Hitachi Kk 監視装置及び方法
JP5046104B2 (ja) 2007-09-11 2012-10-10 独立行政法人 宇宙航空研究開発機構 ガスタービンエンジンの性能推定方法およびシステム
FR2978858B1 (fr) 2011-08-01 2013-08-30 Airbus Operations Sas Procede et systeme pour la determination de parametres de vol d'un aeronef
US9436174B2 (en) 2013-03-01 2016-09-06 Fisher-Rosemount Systems, Inc. Kalman filters in process control systems

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019175707A1 (ja) 2018-03-16 2019-09-19 株式会社半導体エネルギー研究所 二次電池の充電状態推定装置、二次電池の異常検出装置、二次電池の異常検出方法、及び二次電池の管理システム

Also Published As

Publication number Publication date
JPWO2022009904A1 (ja) 2022-01-13
WO2022009904A1 (ja) 2022-01-13
CN115702288A (zh) 2023-02-14
KR20230009484A (ko) 2023-01-17

Similar Documents

Publication Publication Date Title
JP5575792B2 (ja) 航空機エンジンの異常検出
US8417432B2 (en) Method for calculating confidence on prediction in fault diagnosis systems
US11003178B2 (en) Facility diagnosis device, facility diagnosis method, and facility diagnosis program
JP5405587B2 (ja) 航空エンジンを監視するために使用されるデータの標準化
KR102202161B1 (ko) 감시 장치, 대상 장치의 감시 방법 및 프로그램
JP6610987B2 (ja) 異常診断方法及び異常診断システム
KR102202159B1 (ko) 감시 장치, 대상 장치의 감시 방법 및 프로그램
EP1656597B1 (en) method and flight management system for mathematically modeling the performance characteristics of an aircraft
WO2018044507A1 (en) Machine learning-aided model-based method for estimating gas turbine component life
WO2016039805A1 (en) Apparatus and method for ensembles of kernel regression models
JP7450238B2 (ja) エンジンの異常診断方法、エンジンの異常診断プログラム、及びエンジンの異常診断システム
JP6803788B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP7460090B2 (ja) 船舶の主機モニタリング方法、主機モニタリングシステム、主機状態予測システム、及び運航状況予測システム
EP2583146A1 (en) Asset health monitoring using stable distributions for heavy-tailed data
WO2023054039A1 (ja) 船舶の実船モニタリング解析による性能評価方法、性能評価プログラム、及び性能評価システム
JP6404700B2 (ja) センサ組合せ決定装置及びセンサ組合せ決定方法
DK180041B1 (en) DEVICE, PROGRAM, RECORDING MEDIUM, AND METHOD FOR DETERMINING WHETHER STATUS OF LOAD BEARING DEVICE IS NORMAL OR ABNORMAL
JP7487412B2 (ja) プラント監視方法、プラント監視装置及びプラント監視プログラム
JP7472685B2 (ja) 要因分析装置、要因分析方法、及び要因分析プログラム
US20230415921A1 (en) Method for determining an efficiency fault of an aircraft turboshaft engine module
JP2024064562A (ja) 船舶推進システムの性能劣化モニタリング方法、性能劣化モニタリングプログラム、及び性能劣化モニタリングシステム
Schadler et al. Distance-Based Data Selection for Regression Models Used in an Adaptive Fault Detection Approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220913

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A821

Effective date: 20220902

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230926

A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A712

Effective date: 20231108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231120

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: 20240206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240226

R150 Certificate of patent or registration of utility model

Ref document number: 7450238

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150