JPH02183895A - 推論方法および装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は推論方法およびｌに係り、特に異常の波及の予
ｉ１＋１１に配慮した、プラン１−の運転支援に好適な
推論方法および装置に関する。

〔従来の技術〕

従来、プラントの運転支援に用いられているＪｌｌ論装
置は、特開昭６２−７５７２０号公報に記載の発明のよ
うに、異常伝播を表わす情報により推論を行うもので、
各異常弔電に実１１１１１値を反映することは行ってい
ない。

〔発明が解決しようとする課題〕

上記従来技術では、プラントの異常発生時、異常原因か
らその波及を推論するが、プラントの状態が異常の波及
を反映して時々刻々に変化していく点を考慮しておらず
、精度が充分でなかった。

即ち、異常の発火点から異常の伝播情報に基づいて推論
しただけでは、異常の波及経路上の各事象の実際の状態
が適切に反映されず、精度のよい異常波及の予測ができ
ない。

本発明の目的は、異常が発生し、その波及経路上のプラ
ント状態が変動している場合でも、発生した異常の伝播
によるプラント状態の変化を精度よく推論するにある。

〔課題を解決するための手段〕

上記の課題は、プラント事象の状態量を測定し。

測定された状態量が他の事象の状態量に及ぼす波及効果
を推論する方法において、前記プラント事象の状態量の
測定が連続して行われ、該状態量の変化に合わせて該状
態量が他の事象の状態量に及ぼす波及効果の推論が予め
定められた演算のためのデータに基づいて連続して行な
われる推論力ｌムにより達成さ才しろ。

また、プラント・ＩＧ象が他の事象に波及する経路上の
事象の状態量が連続して測定され、推論された前記プラ
ント事象が他のｉｌ（象に及ぼす波及効果が、前記波及
経路］二の事象の状態量に基づいて補正される請求項［
に記載の推論力；ムとしてもよい。

さらに、推論された波及効果に基づいてプラント事象の
状態をしめす数値が推論され、１Ｊｌｌ＋定されたプラ
ント状態量から算出されたプラント事象の状態をしめす
数値と前記推論された数値との差を減少させるようにｒ
め定められた演算のためのデータが変更される′「順を
備えている請求項１および２に記載の推論方法としても
よい。

上記の課題は、また、プラントの下位事象の状態が上位
事象に及ぼす効果を推論する装置に、プラント事象の状
態量を連続して記憶するプラントデータ記憶手段と、該
記憶手段に接続して設けられ前記状態量を事象の状態度
をしめす数値に変換する状態度演算手段と、該状態度演
算手段に接続して設けられ前記下位事象の状態度をしめ
す数値に基づいて該下位事象の状態が上位事象に及ぼす
波及効果を状態度をしめす数値として出力する状態度波
及推論手段と、前記状態度演算手段に接続して設けられ
状態度をしめす数値を記憶する状態度記憶手段と、該状
態度記憶手段と前記状態度波及推論手段とに接続して設
けられ状態度波及推論手段が出力する数値を状態度記憶
手段が記憶している数値に基づいて補正する状態度合成
手段と、を備えることによっても達成される。

また、状態度演算手段および状態度波及推論手段に接続
して設けられ前記各手段に演算のためのデータを供給す
る知識ベースと、状態度演算手段および状態度波及推論
手段に接続して設けられ状態度演算手段が出力する状態
度の数値と状態度波及推論手段が出力する状態度の数値
との差を演算する状態度誤差検出手段と、該誤差検出手
段および前記知識ベースに接続して設けられ前記差を減
少させるように前記知識ベースに記憶された演算のため
のデータを書き換える学習装置と、を備えている請求項
４に記載の推論装置としてもよい。

さらに、学習装置が、状態度誤差検出手段に接続されプ
ラント事象の状態度を時系列に記憶する来歴状態度記憶
手段と、該来歴状態度記憶手段に接続され誤差検出手段
が検出する差が零になる演算のためのデータを算出する
最適配分演算手段と。

該最適配分演算手段に接続して設けられ演算のためのデ
ータを時系列に記憶する来歴演算データ記憶手段と５該
来歴演算デ一タ記憶手段および前記最適配分演算手段に
接続して設けられ最適配分演算手段が出力する演算のた
めのデータと来歴演算データ記憶手段が出力する演算の
ためのデータとから平均化された演算のためのデータを
知識ベースに出力する演算データ平均化手段と、を備え
ている請求項５に記載の推論装置としてもよい。

〔作用〕

プラント事象の状態量が連続して測定され、Ｊｌ＋定さ
れた事象（下位事象）の状態量が他の事象（上位事象）
に及ぼす波及効果が、連続的に推論されるので、下位事
象の状態数の変動に基づく、上位事象への波及効果の大
きさが常に下位〕１【象の状態量を反映して推論される
。

また、下位事象の状態数が上位事象へ状態数に、その間
に介在するひとつ以北の・１工象を経て影響するとき、
その間の事象の状態量も連続的にイＩす定され、その値
に基づいて、下位−７ＪＣ象が１−位事象に及ぼす波及
効果の推論量が補正される。

さらに、プラント事象の実際の状態と、推論された状態
とが比較され、推論された状態が実際の状態に近ずくよ
うに、推論の演算のデータを変更する手順が設けられる
ので、推論が繰り返えされると、次第に前記演算のデー
タがプラント事象の特性に合った値に近ずく。

〔実施例〕

以下、本発明を適用した推論装置の一実施例を第１図に
より説明する。本実施例の推論量Ｆ１．１０は、蛤視対
象であるプラント１の各部の事象の状態量を示すセンサ
ーからの信号を、プロセス入力装置２を介して周期的に
取り込み、］二学単位に変換した後格納するプラントデ
ータ記憶手段であるプラントデータベース３と、運転員
のプラント運転に係るノーハウを記憶した知識ベース４
と、該知識ベース４および前記ブラントデータベース３
に接続された推論処理装置５と、該推論処理装置５に接
続された推論結果記憶メモリ６とを備えている。プラン
トデータベース３は、従って最大取り込み周期の遅れで
プラン１−の現在状態を反映しており、本装置は、ブラ
ントデータベースス３のプラント現在値を常に反映しな
がら知識ベースに従って推論処理を行う。推論処理の結
果は、推論結果記憶メモリ６に格納され、該推論結果記
憶メモリ６に接続されたＣＲＴ表示器７を介して運転員
に知らされる。

次に本装置における推論処理を第２図により説明する。

本装置は、プロセスの状態をプロセス入力装置を介して
ブラントデータベース３に入力されるプロセス状態信号
に基づいて常時監視し、プラント状態に何らかの異常が
検知されたら、その異常検知時点を起点（発火点）とし
て、知識ベース４に格納されたデータに基づいて、発生
した異常の波及を推論する。以下、プラントの状態をそ
の状態が異常かそうでないかを示す異常度で表現する。

推論処理装置５は、プラントデータベース３に接続され
た状態度演算手段であるプロセス異常度演算装置５Ａ、
該プロセス異常度演算装置５Ａに接続されたプロセス異
常度判定装置５Ｂ、該プロセス異常度判定装置５Ｂに接
続された状態度波及推論手段である異常度波及推論装置
５Ｃ１該異常度波及推論装置５Ｃに接続された状態度合
成手段である異常度合成装置５Ｄ、前記プロセス異常度
演算装置５Ａと前記異常度合成製′？１５Ｄに接続され
た状態度記憶手段であるプロセス異常度記憶装置５Ｅを
備えており、前記プロセス異常度演算装置５Ａ、異常度
波及推論装置５Ｃおよび異常度合成装置５Ｄは、それぞ
れ前記知識ベース４に接続され、異常度合成装置５Ｄに
は推論結果記憶メモリである異常波及経路情報記憶装置
６が接続されている。

プロセス異常度演算装置５Ａは、運転員、プラントメー
カのノーハウとして知識ベース４に格納された。プロセ
ス量と異常度の関係を表わすメンバーシップ関数により
、プロセス量を、０から１で正規化された異常度に変換
する。例えば、横軸にプロセス量Ｑ、縦軸に異常度Ｅを
とった第３図に示されるように５プロセス量が、２５０
°Ｃの場合には、それに対応したプロセス異常度は、知
識ベース４に格納されているメンバーシップ関数Ｍを用
いて０．８　（８０％）と求められる。メンバーシップ
関数は、プロセス量の特性に合った形で運転員等のノー
ハウに基づいて定められる。プロセス異常度判定装置５
Ｂは、プロセス異常度演算′！装置５Ａで演算されたプ
ロセス異常度が、該プロセスが異常であるかどうかを判
定するしきい値を越えているかどうかを判定する。第４
図に異常波及を推論するための知識例を示す。図ではＡ
５なる異常事象が発生するための原因をＡ４からＡ１ま
でさかのぼって示している。ここで、Ａ□〜Ａ５（以下
Ａ＋という）は、プロセス量データＢｌから変換された
異常度α１を有する。プロセス異常度判定装置５Ｂで、
ある事象例えばＡ２が異常と判定された時、異常度波及
推論装置５Ｃは、第４図のルートに従ってＡ２の異常が
Ａ、の異常度α、にどう波及するかを推論する。この場
合、Ａ、の異常度α２から推論されるＡ、の異常度と、
プロセスＨｋＢ３から演算されるＡＩの異常度が異常度
合成製Ｊ　５　Ｄにより合成され、この結果に基づいて
、Ａ、の予測異常度Ｚが推論される。

第５図はこの処理の流れをフローチャートで示したもの
で、最終段の事象まで推論が行われたら。

その結果が異常度波及経路情報記憶′！Ａ置５Ｅに格納
され、ガイドメツセージ等としてＣＲＴ表示器７に表示
される。

事象へ□から事象ＡＩ迄の異常の伝播する様子およびそ
れを推論により予測する様子を第６Ａ〜６０図に示す。

まず１時刻し□において、Ａ１の異常が検知され、この
異常の波及によるＡ２〜Ａ、の異常度が推論される。時
刻ｔ、における状態を示す第６Ａ図では、Ａ□の異常が
発生したばかりで。

まだＡ２以降に波及していないため、Ａ２〜Ａ５のプロ
セス異常度α（図のΔ）は正常に近い値を示している。

一方、推論された異常度Ｒ（図のＯ）によれば、Ａ、、
Ａ、の異常の発生が予１ｔｌ１１されている。合成異常
度（図の×）は、それぞ九の事象の現在の状態を示すプ
ロセス異常度Δと前段の推論された異常度による波及効
果とが合成された値で。

これが当該段の予ｆｌｌ１１異常度Ｚとなる。

時刻ｔ２を示す第６Ｂ図になると、Ａ２に異常が波及し
、Ａ２のプロセス異常度Δが推論異常度Ｏよりも高くな
っている。Ａ、の異常度の推論には、Ａ２のプロセス異
常度とＡ２の推論異常度が合成された、合成異常度Ｚ（
図の×）が用いられ、推Ｊｊの精度が高められている。

異常度の合成は、本実施例ではプロセス異常度と推論異
常度の最大をとったが、両者の加重平均などの方法もあ
る。

時刻ｔ３を示す第６Ｃ図では、Ａ１の異常が、Ａ、以降
の事象に波及してきている。

次に異常波及推論に学習装置を付加し、より正確に波及
予測を行う仕組みの例を第７図に示す。

この例では、第１図に示した装置に加えて、プロセス異
常度演算袋′ｌ１５Ａ及び異常度波及推論装置５Ｃに接
続された状態度誤差検出手段である異常度誤差検出装置
５Ｈと、該異常度誤差検出装置５Ｈと知識ベース４に接
続された学習装置５Ｇとが、設けられている。これは、
オンライン推論とは別に、推論の知識ベースを、推論結
果とプロセス異常度により補正していくもので、異常度
誤差検出装置５Ｈでは、プラントの異常現象が整定した
時点で、プロセス異常度演算＋ＪＡ７１５Ａが出力する
プロセス異常度αと、異常度波及推論装置５Ｃが出力す
る推論異常度Ｒの差（誤差という）が演算され、得られ
た結果が学習装置５Ｇに送ｊ）れる。学習装置５Ｇは異
常度誤差検出装置５　Ｈから送られてくる誤差を最少と
するように、知識ベース４に格納された異常波及伝播係
数βを変更する。ここで、変更された異常波及伝播係数
βに従って推論が行われ、再度誤差が評価されるという
学習が継続され、プロセスの特性に合った異常波及伝播
係数βが定められる。

以下に、上記推論の詳細を、火力発電プラントを例にと
り、第８図を参照して説明する。第８図はプラントに発
生する異常を予測するための知識を、フォールト・トリ
ー（ＦＴ）として因果関係を表現したものである。例え
ば事象″ケーシング熱的変形″″は、事象″負荷変化重
大″、″蒸気条件急変″゛′ヒータ温度特高″のいずれ
かを原因として発生することを意味している。また、各
ｒｌ［急白には、事象のプロセス異常度Ｙを導くための
関係式と、自事象から上位事象（ここでは事象間の位置
関係を表わす表現として、フォールト・トリーの頂点方
向、すなわち１図の左方向を上位。

逆方向を下位とする）への波及の程度を示す異常波及伝
播係数βが定義される。

事象のプロセス異常度Ｙは、その事象が意味する状態を
示したもので、Ｏから１の間の連続量で表される。例え
ばＹ＝Ｏとはその事象が異常である程度は０、すなわち
正常であることを表わし、逆にＹ＝１であれば、その事
象は全く異常であることを表している。事象のプロセス
量異常度はプロセス入力値から、そのプロセス量によっ
て表現される状態に基いて定められた関数（メンバシッ
プ関数）に従って求められる。これらの異常度を持った
事象群により、−Ｅ位方向に推論（前向推論）が行われ
、最終段の記１測事象である振動の発生する程度（異常
度）が予ｄ１すされる。

事象″ケーシング熱的変形″′の異常度を、その下位事
象群、゛′負荷変化率大″、“′蒸気条件急変″パヒー
タ温度特高″の異常度に基づいて推論するために、これ
ら事象群の関係が、プロダクション・ルール（以下ルー
ルという）、として表わされる。

パ負荷変化率大″′から″ケーシング熱的変形″が発生
する程度が″負荷変化重大″の異常度から１００％伝達
するとすれば、この関係は、以下のルールとして表わさ
れる。

■もし、″負荷変化重大″ならば、″ケーシング熱的変
形″が起こる。

同様に゛″蒸気条件急変″から″ケーシング熱的変形″
が発生する程度、″ヒータ温度特高″から″ケーシング
熱的変形”が発生する程度は、以下のようなルールで表
わされる。

）のもし、“蒸気条件急変″ならば、″ケーシング熱的
変形″が起こる。

（ルもし、″ヒータ温度特高″′ならば、゛′ケーシン
グ熱的変形″が起こる。

ここで、複数の下位事象が上位事象に波及するとき、そ
の波及の度合はコンバイン関数ｃｆにより表わされる。

コンバイン関数ｃｆ　（ｘＬｘ２）は。

入力Ｘ１１　Ｘ２が整数である場合には、ｃｆ（ｘ＋＋
ｘ２）＝　ｘ工＋ｘ２−ｘ□＊ｘ２で表オ）される。例
えばａ　ＩＩ負荷変化率大″′の異常度Ｙ、＝０．３ｂ
　　１１蒸気条件急変″の異常度Ｙ２＝０．４ｃ　１１
ヒ一タ温度時高＋１の異常度Ｙ３＝０．５とすると、″
ケーシング熱的変形″の異常度Ｙ、は、■〜■のルール
とａ　＝　ｄの異常度とから、下記のように推論される
。

ｉ）ルール■実行 Ｙ４″＝ｃｆ（Ｙ４．Ｙｌ）＝ｃｆ（０，０，３）　　
　　・・・（１）＝０．３−０＊０．３＝０．３ １）ルール■実行 Ｙ４”　＝ｃ　ｆ　（Ｙ−’、Ｙ−）＝ｃ　ｆ　（０、
３，０，４）　　・・（２）＝０．３＋０．４−０．３
＊０．４＝０．５８ｉ）ルール■実行 Ｙ４”’＝ｃ　ｆ（Ｙ４”、Ｙ、）＝ｃｆ（０，５８，
０，５）”’（３）＝０．５８＋０．５−０．５８＊０
．５＝０．７９上述のように、″負荷変化重大″′の異
常度が０．３、′″蒸気条件急変″′の異常度が０．４
．”ヒータ温度特高”の異常度が０．５であれば、これ
ら下位事象の異常の波及により、最終的に“ケーシング
熱的変形”が異常となる程度は、７９％と推論される。

尚、上記（１）、（２）、（３）式で、ｃｆ関数に上位
事象の異常度Ｙ　Ｊ　Ｉ　Ｙ　４　’　ｌ　Ｙ　、１　
”が入っているが、これは単に計算ロジック上のことで
ある。

次に第９図により、推論処理装置の動作を詳細に説明す
る。

（１）各事象のプロセス量が、各事象の異常を定義した
異常度定義式に基いて、あるスキャン速度で監視される
。プロセス量は異常度定義式に定められたメンバシップ
関数に基いて、Ｏから１の範囲のプロセス異常度α４に
変換される。

（２）異常度定義式に基いて算出される各事象のプロセ
ス異常度α、が、異常判定レベル（しきい値）ＴＨを超
えた場合、異常事象発生と判定され、異常と判定された
事象を発火点としてＬ位事象への異常波及推論が開始さ
れる。

（３）異常が下位事象から上位事象に伝播、波及するに
は時間遅れを伴う場合が多く、予測に遅れを生む原因と
なるが、実際に当該事象が異常となる前に、下位事象群
の異常推論値を用いて予測を行うことにより１時間遅れ
が補われる。従って事象ｊの推論結果に基づく予ｄｌす
異常度Ｚ、は、下位事象群からの異常波及を推論した推
論異常度Ｒ４と、プロセス量から定義されろプロセス異
常度α、とが合成されたもので、 Ｚ＋＝ｃｐｆ（αａ、Ｒ，Ｊ）　　　ｃｐｆ：合成関数
である。

（４）事象ｊから上位事象にへの異常度の伝播量Ｘ、は
、事象ｊの予測異常度ＺＪに異常度波及伝播係数β、を
乗じて算出される。すなわち。

Ｘ　Ｊ　＝βＪ＊ＺＪ である。但し、異常の波及が整定した状態では、ＸＪ＝
β４＊α４と考えてよい。

（５）上位事象にへ影響する下位事象が複数（Ｊ。

〜Ｊ、１）ある場合、それぞれの事象の異常度の伝播量
ＸＪＩ〜ＸＪ＋１が組み合わされて、事象にの推論異常
度Ｒ１となる。Ｒｋは下位事象群Ｊｌｌ・・・・・Ｊ。

と上位事象にとの関係を示すコンバイン関数ｃ　ｆを用
いて、 Ｒｈ＝　ｃ　ｆ　（ＸＪｏ、　ＸＪ２．−、　Ｘ−１）
で示される。ここでコンバイン関数ｃｆは、上位／下位
事象間の関係により、下記のように定義される。

（＋）ＯＲ：　ｃ　ｆ（ｘｚ＋ｘｚ）＝１−（１−ｘ、
）本（Ｌ−ｘ、）（Ｍ）　ＡＮＤ　：　ｃ　ｆ　（ｘ、
、ｘ２）＝ｘ、木ｘ２事象にの予測異常度Ｚｋは、事象
１（のプロセス量から定義されるプロセス異常度α１と
、前記推論異常度Ｒ１から１合成関数ｃｐｆにより。

Ｚ、＝ｃｐｆ（αｈ、Ｒｈ） で示される。

事象ｋから更に上位の事象への異常の伝播量Ｘ、は、異
常度波及伝播係数β、を用いて、Ｘ　ｈ　＝　β級＊　
ｚ。

で示され、上位ｌ＋ｒ、　象をＬとし、事象ｋかに１〜
ｋ　＋＋あるとすれば、４３ｉ４Ｌの推論異常度Ｒｉ、
は、コンバイン関数ｃｆを用い、 ＲＬ＝　Ｏｆ　（ｘ＋ｔ、、ｘｋ２１・−・Ｘｂｎ）で
示される。さらに事タシ［４のＰ　１ｌｌ１１異常度Ｚ
＋、は、合成関数ｃｐｆを用い、 ＺＬ：　ｃ　ｐ　ｆ　（ｎＬ、　ＩＬＬ）で示される。

（６）上記に３）〜（５）を繰り返すことにより、フォ
ールト・１−リーでの波及推論が行オ〕れる。

（７）異常波及路の決定には、発火点から生じた各波及
路のランク計算が行われ、ランク値（ＲＮＫ）の高いも
のが上位波及路とされる。ランク計算は、予測異常度２
を同一波及路上で平均をとることにより行われる。

ＲＮＫ＝＋Ｔｈ　　Ｚ、／ｎ ｎ二発火点より最終段の５象までの同一波及路上の事象
数 次に、学習装置５Ｇの構成の実施例を第１０図に示す。

異常度誤差検出装置５　Ｈに接続して、来歴状態度記憶
手段である来歴異常度記憶装置５ＧＡが設けられ、該来
歴異常度記憶装置ｉ！５ＧＡに最適配分演算手段である
最適配分演算装置５ＧＩ３が接続されている。最適配分
演算装置５ＧＢには来歴演算データ記憶手段である来歴
伝播係数記憶装置５０Ｃが接続され、該来歴伝播係数記
憶装置５０Ｃの出力側には分散処理装置５ＧＤが接続さ
れている。さらに、前記最適配分演算装置５ＧＢの出力
側および来歴伝播係数記憶装置５０　Ｃに接続して演算
データ平均化手段である伝播係数平均化装置５０Ｅが設
けられている。該伝播係数平均化装置５０Ｅの出力側は
、異常波及経路情報記憶装置５　ＬＥ、知識ベース４お
よび来歴伝播係数記憶装置５ＧＣに接続されている。こ
の構成の学習装置５Ｇを備えた第７図に示される推論装
置において。

プロセス異常度演算装置５Ａで求められた事象ｊのプロ
セス異常度αｊは、異常度誤差検出装置５Ｈを経由して
、学習装置５Ｇ内の来歴異常度記憶装置５ＧＡに送られ
、記憶される。最適配分演算装置５ＧＢは、来歴伝播係
数記憶装置５０Ｃに記憶されている事象ごとの時系列異
常度波及伝播係数β、。と、来歴異常度記憶装置５ＧＡ
に時系列に記憶されているプロセス異常度α、を読みこ
み。

これに基づいて最適な中間伝播係数β」ヨを定め。

伝播係数平均化装置５０Ｅへ出力する。伝播係数平均化
装置５０Ｅは、この中間伝播係数β４．が入力されると
、対応する時系列異常度波及伝播係数β」ｅを来歴伝播
係数記憶装置５０Ｃから読み出し。

人力された中間伝播係数βｊ、とａ、ν系列異常度波及
伝播係数β、。どの平均値βＪ、／２＋βｊ、・／２を
求め、これを今回の学習による伝播係数β４１として異
常波及経路情報記憶装置５Ｅ、知識ベース４および来歴
伝播係数記憶装置５０　Ｃへ出力する。来歴伝播係数記
憶袋ｆｆ１５０ｃへ入力された伝播係数βＪ＆は最新の
時系列異常度波及伝播係数β、Ｃとして記憶され、次回
の学習処理に用いられ、知識ベース４に送られたものは
、オンライン推論のデータとして用いられる。これら時
系列異常度波及伝播係数β−〇は、プロセスの特性に合
ったものであれば、分散はゼロになり、従って時系列異
常度波及伝播係数β４ｅの分散は未知量によるものとな
り、該伝播係数β、ｅの確かさを示すものとなる。分散
処理装置５ＧＤは、来歴伝播係数記憶装置に入力された
伝播係数β、の分散の度合を分散値として求め、この分
散値を推論における「あいまい量」として出力／表示す
ることにより、より精度の高い推論結果が運転員に提示
される。

本学習装置の処理フローを第１１図に示す。ステップ１
では、異常現象が整定した時点での時系列し。、ｔよ、
・・・ｔｌにおいて、下位事象Ｊ工〜Ｊ１、から伝播波
及される上位事象にの推論異常度とのプロセス異常度誤
差が演算される。αＪ１ｔＬｌｌα４□ｔｏｔ・・・α
Ｊｎｊｇは時刻ｔ０における下位事象Ｊよ〜Ｊｎのプロ
セス異常度で、αｈｔ。は時刻ｔ。

における上位事象にのプロセス異常度である。

β５、〜β４．１は、事象Ｊ、〜Ｊ、の前記異常度波及
伝播係数β、ｅであり、この伝播係数と時系列ｔ。〜ｔ
ｎにおけるプロセス異常度α１１Ｌ＋１１・・・、α、
ｚｔｏ＋αｊｎＬＯｒ”’＋　　αＪｌ　ｊ　＋＋＋　
”’　＋　　αＪｕｊ；ｎｌ　を用いてｃｆ関数で演算
されたηｐ象にの推論具す；（°度と実際の事象にの時
刻ｔ、。〜１．におけるプロセス異、常度αｋｔゎ、・
・α、シ、、の誤差（すなわち推論誤差）を０とする連
立方程式がβ１．〜β４．１を未知数として立てられる
。α４□ｔｅｌ　α１２ｔ０１・・・、α＋ｎｊｇ１α
４□し、、・・・、α１ｎＬａ＋　およびα、ｔ、。

αｔｔｔａはプロセス異常度で時刻し。〜し、で既知で
ある。

ステップ２ではステップ１で立てられた連立方程式の解
として、（ｍ−ｎ＋１）組の異常度波及伝播係数が求め
られる。

ステップ３では、この（ｍ−ｎ＋１）組の異常度波及伝
播係数群から、各組の変更量Ｅが求められ、ステップ４
で変更ｆｉｔＥが最小となる異常度波及伝播係数（β、
１′　　β４□　、・・・、βＪｎ’　）が１組求めら
れる。この（βＪ、′、β４□′、・・・、β、ｎ′）
が前述の中間伝播係数、β４．である。

ステップ５で、ステップ４で求められた中間伝播係数と
、来歴伝播係数記憶′！Ａ置５０Ｃに時系列に記憶され
ている異常度波及伝播係数の平均値が算出され、得られ
た値（β４０．βＪ２１・・、β４．１）が学習による
伝播係数β、＆とじて、異常度波及経路情報記憶装置、
来歴伝播係数記憶装置、および知識ベース４へ送られる
。以上のプロセスにより得られた伝播係数βＪａが、オ
ンライン推論の伝播係数として用いられる。

〔発明の効果〕

本発明によれば、推論にプラント事象の推論時の実際の
状態量を用いているので、プランＩ・の実際の状態が反
映された精度の高い推論値が得られ、子ａｌｌｌされる
プラント状態に対応することを可能とする効果がある。

また、学習機能を備えて、プラントの特性にあった知識
ベースを構築し、推論の信頼性を高める効果がある。

【図面の簡単な説明】

第１図は本発明を適用した推論装置の全体構成を示す概
念図、第２図は第１図に示された推論装置の推論処理部
分の詳細構成を示すブロック図、第３図はメンバシップ
関数の例を示すグラ乙第４図は事象の異常が波及・伝播
するようすを概念的に表わすフロー図、第５図は推論処
理手順を示すフローチャート、第６Ａ〜６０図は事象の
異常の波及・伝播と予知のようすを示す概念図、第７図
は学習機能を備えた本発明の実施例の構成を示すブロッ
ク図、第８図はフォールト・トリー図、第９図はフォー
ルト・トリーによる異常波及予知を示すフロー図、第１
０図は学習装置の詳細構成例を示すブロック図であり、
第１１図は学習機能の演算手順を示すフロー図である。 ３・・・プラントデータ記憶手段（プラントデータベー
ス）、４・・・知識ベース、５・・・推？１を処理装置
、５Ａ・・状態度演算手段（プロセス異常度演算装置）
、５Ｃ・・・状態度波及推論手段（異常度波及推論装置
）　、５１’）・・状態度合成手段（異常度合成装置）
、５Ｅ・・状態度記憶手段（プロセス異常度記憶装置）
、５Ｇ・・・学習装置、５ＧＡ・・・来歴状態度記憶手
段（来歴異常度記憶装置）。 ５ＧＢ・・最適配分演算手段（最適配分演算装置）、５
０Ｃ・・・来歴演算データ記憶手段（来歴伝播係数演算
装置）、５０Ｅ・・演算データ平均化手段（伝播係数］
ｌｌ均厚装置、５１（状態度誤差検出手段（異常度誤差
ゆ吊装置）。

Claims (1)

1. 【特許請求の範囲】 １、プラント事象の状態量を測定し、測定された状態量
   が他の事象の状態量に及ぼす波及効果を推論する方法に
   おいて、前記プラント事象の状態量の測定が連続して行
   われ、該状態量の変化に合わせて該状態量が他の事象の
   状態量に及ぼす波及効果の推論が予め定められた演算の
   ためのデータに基づいて連続して行なわれることを特徴
   とする推論方法。 ２、プラント事象が他の事象に波及する経路上の事象の
   状態量が連続して測定され、推論された前記プラント事
   象が他の事象に及ぼす波及効果が、前記波及経路上の事
   象の状態量に基づいて補正されることを特徴とする請求
   項１に記載の推論方法。 ３、推論された波及効果に基づいてプラント事象の状態
   をしめす数値が推論され、測定されたプラント状態量か
   ら算出されたプラント事象の状態をしめす数値と前記推
   論された数値との差を減少させるように予め定められた
   演算のためのデータが変更される手順を備えていること
   を特徴とする請求項１および２に記載の推論方法。 ４、プラントの下位事象の状態が上位事象に及ぼす効果
   を推論する装置において、プラント事象の状態量を連続
   して記憶するプラントデータ記憶手段と、該記憶手段に
   接続して設けられ前記状態量を事象の状態度をしめす数
   値に変換する状態度演算手段と、該状態度演算手段に接
   続して設けられ前記下位事象の状態度をしめす数値に基
   づいて該下位事象の状態が上位事象に及ぼす波及効果を
   状態度をしめす数値として出力する状態度波及推論手段
   と、前記状態度演算手段に接続して設けられ状態度をし
   めす数値を記憶する状態度記憶手段と、該状態度記憶手
   段と前記状態度波及推論手段とに接続して設けられ状態
   度波及推論手段が出力する数値を状態度記憶手段が記憶
   している数値に基づいて補正する状態度合成手段と、を
   備えていることを特徴とする推論装置。 ５、状態度演算手段および状態度波及推論手段に接続し
   て設けられ前記各手段に演算のためのデータを供給する
   知識ベースと、状態度演算手段および状態度波及推論手
   段に接続して設けられ状態度演算手段が出力する状態度
   の数値と状態度波及推論手段が出力する状態度の数値と
   の差を演算する状態度誤差検出手段と、該誤差検出手段
   および前記知識ベースに接続して設けられ前記差を減少
   させるように前記知識ベースに記憶された演算のための
   データを書き換える学習装置と、を備えていることを特
   徴とする請求項４に記載の推論装置。 ６、学習装置が、状態度誤差検出手段に接続されプラン
   ト事象の状態度を時系列に記憶する来歴状態度記憶手段
   と、該来歴状態度記憶手段に接続され誤差検出手段が検
   出する差が零になる演算のためのデータを算出する最適
   配分演算手段と、該最適配分演算手段に接続して設けら
   れ演算のためのデータを時系列に記憶する来歴演算デー
   タ記憶手段と、該来歴演算データ記憶手段および前記最
   適配分演算手段に接続して設けられ最適配分演算手段が
   出力する演算のためのデータと来歴演算データ記憶手段
   が出力する演算のためのデータとから平均化された演算
   のためのデータを知識ベースに出力する演算データ平均
   化手段と、を備えていることを特徴とする請求項５に記
   載の推論装置。