发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统技术方案

本发明专利技术的发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统执行以下步骤：步骤(S2)：获取发动机模型(10)的初始状态量；步骤(S3)，应用初始状态量并活用发动机模型(10)；步骤(S4)，得到估计状态量；步骤(S5)，获取测量状态量；步骤(S6)，将测量状态量与估计状态量的残差施加到非线性卡尔曼滤波器；步骤(S10)，将卡尔曼增益应用于发动机模型(10)并重复步骤(S4)～(S6)；步骤(S11)，计算测量状态量或残差的相关；步骤(S12)，进行因子分析，求出因子载荷量；步骤(S13)，计算因子得分，检测异常；步骤(S16)，将因子载荷量应用于机器学习；步骤(S17)，基于机器学习诊断异常；步骤(S18)，输出诊断结果。输出诊断结果。输出诊断结果。

【技术实现步骤摘要】
【国外来华专利技术】发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统


[0001]本专利技术涉及使用数学的发动机模型来对发动机的异常进行异常诊断的发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统。

技术介绍

[0002]从安全方面、效率方面等观点出发，在早期检测搭载于船舶等的发动机的异常至关重要。
[0003]在此，在专利文献1中，公开有一种燃气涡轮发动机的性能估计系统，利用由在发动机的某动作点中设计为最优的卡尔曼滤波器增益与忠实地模型化了实机发动机的非线性动态仿真模型构成的恒定增益扩展卡尔曼滤波器(CGEKF)，在观测变量与观测变量估计值之间产生差的情况下，通过对构成模型的状态变量的一部分的调参进行调整以使该差最小，从而将该非线性动态仿真模型制成始终相对于实机忠实的模型。此外，在段落0010中，记载有发动机性能估计系统及方法，通过发动机的非线性动态仿真模型与估计滤波器，始终估计、检测与监控由于发动机使用引起的经年变化或损伤引起的性能劣化。
[0004]此外，在专利文献2中，公开有一种系统，是用于在飞机飞行中实时决定飞机的飞行参数的系统，基于确定飞机的应被估计的至少2个事前选择的飞行参数之间的相互依赖关系的飞行力学方程式而构成，包含形成为在飞机的飞行中提供所选择的飞行参数的联合估计值的扩展卡尔曼滤波器。
[0005]此外，在专利文献3中，公开有一种卡尔曼滤波器，构成为在控制器的各执行周期中向控制器提供新的过程变量估计以能够由控制器生成用于控制过程的控制信号，并根据缓慢或间歇的过程反馈信号来产生过程变量值的估计。
[0006]现有技术文献
[0007]专利文献
[0008]专利文献1：日本特开2009
‑
68359号公报
[0009]专利文献2：日本特开2013
‑
49408号公报
[0010]专利文献3：日本特开2018
‑
88289号公报

技术实现思路

[0011]专利技术要解决的技术问题
[0012]在专利文献1中，如段落0005中的记载“可以成为充分反映了使可测量项目与无法测量项目之间的相关关系变化的经年劣化或损伤等的影响的高精度的非线性动态仿真模型”所述，专利文献1是依次调谐非线性动态仿真模型，根据可测量项目估计发动机的无法测量项目，使用该估计结果控制燃气涡轮发动机的专利技术，而并非进行发动机的异常的早期检测及其原因的诊断的专利技术。
[0013]专利文献2是通过扩展卡尔曼滤波器同时估计由飞行力学方程式相互关联的至少
两个飞行参数并用于飞机的飞行控制的专利技术，而并非进行发动机的异常的早期检测及其原因的诊断的专利技术。
[0014]专利文献3是涉及化学过程或石油过程等的过程控制系统中的卡尔曼滤波器的改善的专利技术，而并非进行发动机的异常的早期检测及其原因的诊断的专利技术。
[0015]因此，本专利技术的目的在于提供一种能够进行发动机的异常的早期检测及其原因的诊断的发动机的异常诊断方法、发动机的异常诊断程序及发动机的异常诊断系统。
[0016]用于解决上述技术问题的方案
[0017]与方案1的记载对应的发动机的异常诊断方法，是使用数学的发动机模型对发动机的异常进行异常诊断的方法，其特征在于，执行以下步骤：初始状态量获取步骤，获取发动机模型的初始状态量；发动机模型活用步骤，将初始状态量应用于发动机模型并活用发动机模型；发动机状态估计步骤，利用发动机模型基于初始状态量计算发动机的状态并得到估计状态量；测量状态量获取步骤，获取发动机的测量状态量；卡尔曼滤波步骤，将获取的测量状态量与计算出的估计状态量的残差施加到非线性卡尔曼滤波器；重复步骤，将施加到非线性卡尔曼滤波器而得到的卡尔曼增益应用于发动机模型，重复发动机状态估计步骤、测量状态量获取步骤、卡尔曼滤波步骤；相关计算步骤，计算施加到非线性卡尔曼滤波器时的测量状态量或者残差的相关；因子分析步骤，对测量状态量或残差的相关进行因子分析，求出因子载荷量；异常检测步骤，根据因子载荷量计算因子得分并检测异常；机器学习应用步骤，将因子载荷量应用于机器学习；异常诊断步骤，基于机器学习诊断异常；输出步骤，输出包含发动机的异常的诊断结果的异常信息。
[0018]根据方案1记载的本专利技术，能够通过利用测量状态量、或者测量状态量与计算出的估计状态量的残差来进行因子分析，基于计算出的因子得分早期地检测发动机的异常。此外，能够将因子载荷量应用于机器学习来诊断发动机的异常的原因。
[0019]方案2所记载的本专利技术的特征在于，进一步执行模型更新步骤，将在卡尔曼滤波步骤中得到的结果、或者对所获取的测量状态量进行处理而得的结果应用于发动机模型活用步骤，更新发动机模型。
[0020]根据方案2所记载的本专利技术，能够更新发动机模型并将估计状态量的计算精度始终保持为较高的状态。
[0021]方案3所记载的本专利技术的特征在于，基于相关矩阵进行相关计算步骤中的测量状态量或残差的相关的计算。
[0022]根据方案3所记载的本专利技术，能够通过简单的计算提高测量状态量或残差的相关的计算精度。
[0023]方案4所记载的本专利技术的特征在于，在因子分析步骤中，基于作为相关矩阵的协方差矩阵来进行奇异值分解(SVD)，从而导出因子载荷量。
[0024]根据方案4所记载的本专利技术，能够不受协方差矩阵的形状所限制而提取出本质上重要的内容，早期地检测发动机的异常。
[0025]方案5所记载的本专利技术的特征在于，机器学习使用自组织映射(SOM)。
[0026]根据方案5所记载的本专利技术，能够利用作为无监督机器学习的自组织映射(SOM)对发动机的异常的原因进行分类。
[0027]方案6所记载的本专利技术的特征在于，在初始状态量获取步骤中获取的初始状态量
是发动机的载荷(Q
p
)与包含燃料泵齿条位置(h
p
)的燃料供给量。
[0028]根据方案6所记载的本专利技术，能够基于在估计发动机的状态中至关重要的发动机的载荷(Q
p
)与包含燃料泵齿条位置(h
p
)的燃料供给量，得到估计状态量。
[0029]方案7所记载的本专利技术的特征在于，在测量状态量获取步骤中获取的测量状态量是发动机的转速(n
e
)。
[0030]根据方案7所记载的本专利技术，能够将对发动机而言测量的机会较多的发动机的转速(n
e
)用于发动机的异常诊断，还能够提高测量精度。
[0031]方案8所记载的本专利技术的特征在于，得到增压器转速(n
tc
)、扫气压力(P
s
)、扫气温度(T
s
)及排气温度(T
e
)作为发动机状态估计步骤的估计状态量。
[0032]根据方案8所记载的本专利技术，能够得到对于在估计发动机的状态中有用的增压器转速(n
tc
)、扫气压力(P...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种发动机的异常诊断方法，是使用数学的发动机模型对发动机的异常进行异常诊断的方法，其特征在于，执行以下步骤：初始状态量获取步骤，获取所述发动机模型的初始状态量；发动机模型活用步骤，将所述初始状态量应用于所述发动机模型并活用所述发动机模型；发动机状态估计步骤，利用所述发动机模型基于所述初始状态量计算所述发动机的状态并得到估计状态量；测量状态量获取步骤，获取所述发动机的测量状态量；卡尔曼滤波步骤，将获取的所述测量状态量与计算出的所述估计状态量的残差施加到非线性卡尔曼滤波器；重复步骤，将施加到所述非线性卡尔曼滤波器而得到的卡尔曼增益应用于所述发动机模型，重复所述发动机状态估计步骤、所述测量状态量获取步骤、所述卡尔曼滤波步骤；相关计算步骤，计算施加到所述非线性卡尔曼滤波器时的所述测量状态量或者所述残差的相关；因子分析步骤，对所述测量状态量或者所述残差的所述相关进行因子分析，求出因子载荷量；异常检测步骤，根据所述因子载荷量计算因子得分，对所述异常进行检测；机器学习应用步骤，将所述因子载荷量应用于机器学习；异常诊断步骤，基于所述机器学习对所述异常进行诊断；输出步骤，输出包含所述发动机的所述异常的诊断结果的异常信息。2.如权利要求1所述的发动机的异常诊断方法，其特征在于，进一步执行模型更新步骤，将在所述卡尔曼滤波步骤中得到的结果、或者对所获取的所述测量状态量进行处理而得的结果应用于所述发动机模型活用步骤，更新所述发动机模型。3.如权利要求1或权利要求2所述的发动机的异常诊断方法，其特征在于，基于相关矩阵进行所述相关计算步骤中的所述测量状态量或所述残差的所述相关的计算。4.如权利要求3所述的发动机的异常诊断方法，其特征在于，在所述因子分析步骤中基于作为所述相关矩阵的协方差矩阵来进行奇异值分解即SVD，从而导出所述因子载荷量。5.如权利要求1～4的任一项所述的发动机的异常诊断方法，其特征在于，所述机器学习使用自组织映射即SOM。6.如权利要求1～5的任一项所述的发动机的异常诊断方法，其特征在于，在所述初始状态量获取步骤中获取的所述初始状态量是所述发动机的载荷(Q
p
)与包含燃料泵齿条位置(h
p
)的燃料供给量。7.如权利要求1～6的任一项所述的发动机的异常诊断方法，其特征在于，在所述测量状态量获取步骤中获取的所述测量状态量是所述发动机的转速(n
e
)。8.如权利要求1～7的任一项所述的发动机的异常诊断方法，其特征在于，得到增压器转速(n

【专利技术属性】
技术研发人员：奥雷克谢，
申请(专利权)人：三井易艾斯机械有限公司，
类型：发明
国别省市：