JPH0436621A

JPH0436621A - 機器監視装置および機器監視方法

Info

Publication number: JPH0436621A
Application number: JP14355090A
Authority: JP
Inventors: Takayoshi Yamamoto; 隆義山本
Original assignee: Babcock Hitachi KK
Current assignee: Mitsubishi Power Ltd
Priority date: 1990-06-01
Filing date: 1990-06-01
Publication date: 1992-02-06

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、機器内での異常の有無を監視する機器の監視
装置および監視方法に係り、特に流体が入った機器内で
発生した音響を解析して、異常が発生しているか否かを
判断する機器監視装置および監視方法に関する。

〔従来の技術〕

原子炉やこれに接続する蒸気発生部等、原子炉装置の蒸
気や液体が流動する管路からなる各種循環系において装
置部品の脱落が生じると、この脱落部品（ルースパーツ
）により各種機器が損傷を受けたり、内部流体の流れが
阻害される等の問題が生じる。原子炉技術は他の技術分
野以上に安全性が強く要求されるものであって、ルース
パーツ（脱落部品）の発生は極力低減する必要があり、
またルースパーツが発生したならば、その事実を早く察
知し、かつ発生部位およびこのルースバーツの移動状態
を正確に検知する必要がある。このため、従来からいろ
いろの対策が考えられている。

この−例としてルース・パーツ・モニタリング・システ
ム（ＬＰＭＳ）があり、その概要について第９〜１１図
を用いて説明する。

原子炉１次冷却系内において脱落部品（ルースパーツ）
が発生し、系を構成する壁に衝突して異音を発生すると
、第９図のように系内各所の流路壁に配置された圧電型
加速度計（センサ）１〜１２により、このときの振動が
検知され、その振動を電気信号に変換する。

この電気信号は、ライントライバ１３〜２４によって増
幅された後、ルースパーツディテクタ２５〜３６に送ら
れる。ここでこの信号の大きさを測定し、もし規定値を
超える大きさの信号であれば、ルースバーツ検出を示す
信号（電圧パルス）をディジタル・ルースパーツ・ロケ
ータ３７に送る。

ディジタル・ルースパーツ・ロケータ３７は、各チャン
ネルのルースバーツ検出信号の発生時の時間差より、ル
ースバーツ発生の正誤判断を行う。

その結果、妥当と判断された場合はマスク・アラーム３
８が警報音を発生する。また、警報発生と同時にデータ
レコーダ３９が自動起動し、ルースバーツ衝突音の信号
データが記録され、その後のデータ解析に用いられる。

上記のようにして得られたデータより第１０図に示す方
法で、ルースパーツ発生位置を検知する。

すなわち、センサＡとセンサＣの検出信号の検出時間差
より、ルースパーツＰ１とセンサＡ、センサＣ間の距離
の差がわかるので、それに基づいて得られる曲線ｆｆ１
ｌ　　（時間差一定の双曲線）と、センサＢとセンサＣ
の検出信号における検出信号の時間差により得られる曲
線！２との交点を求め、ルースバーツのインパクト位置
Ｐ１を検出する。

第１１図はセンサＡ、Ｂ、Ｃ・・・・・・を有する各チ
ャンネルにおける検出信号の遅延時間の測定方法を示し
、例えばセンサＡにおける信号波形ＩＷ、とセンサＣに
おける信号波形■Ｗ２において、信号の大きさが急に増
加した時点の時間差ｔを測定することにより求める。

上記した従来の原子カプラントのルースパーツ監視装置
においては、原子炉や蒸気発生器等１次冷却系の各機器
に取付けた検出器（例えば加速度計）にて検出されたル
ースパーツのインパクト波形の値が、各機器に発生する
通常のノイズ（例えばポンプやモータの運転音、あるい
は流体の流動音など、これらをバックグラウンドノイズ
という）に比し、一定率以上の大きさであればハイアラ
ーム警報を発することにしている。また、ルースパーツ
監視装置には、各機器に取付けた検出器の検出信号の正
誤を判断する装置（以後、ロケータと呼ぶ）が内蔵され
ており、このロケータでは各検出器からの信号の正誤を
判断する機能を持たせていた。その正誤判断の基準とし
ては、（イ）５０ミリ秒（ｍｍｓｅｃ）以内にハイアラ
ーム警報の受信回数が１以下の場合は誤信号とみなす。

その理由は、鋼中の音速は３ｍ／ミリ秒であり、５０ミ
リ秒間には１５０ｍの距離を伝わることになる。各機器
に取付けた検出器間の距離は最大２０ｍ程度であり、ル
ースバーツが発生しているのであれば、短時間内に付近
の検出器から多数の信号が発信されるはずである。（ロ
）０．５ミリ秒以内に３つ以上の警報信号が受信された
ときは誤信号とみなす。検出器の配置上、０．５ミリ秒
以内に３つ以上の警報が受信されることはほとんどあり
得ないことであり、これは各検出器から制御盤までを接
続するケーブル間で電気ノイズを誘導して発したパルス
信号である可能性が高いためである。

以上、（イ）および（ロ）の場合は、信号調整器、検出
器をリセットすると同時に、集中警報器やロケータなど
もリセットし、データをキャンセルすることにしていた
。

上記正誤判断部をクリヤした信号は、以下説明するパタ
ーン分析においてさらに信号の正誤が判断される。

すなわち、原子炉あるいは熱交換器等の１次系各機器に
は、所要位置に加速度計などの検出器（センサ）が取付
けられており、ルースバーツが発生した場合、ルースパ
ーツの場所によりぞれを検出するセンサの組合わせが決
まってくる。したがって、最も近距離のセンサがまず検
出信号を発信し、次いで２番目に近い距離に配置された
センサが検出信号を発信するのである。そして、各セン
サの取付は位置が決まれば両センサの発信信号の時間的
ズレ（最大遅延時間）は決まってくる。

すなわち、信号の先発信センサチャンネル（ＣＨ）と、
次に発信するセンサチャンネルの組合わせと両チャンネ
ル間の最大遅延時間を、あらかじめイベント表として装
置内のメモリに記憶しておき、実際に受信した信号パタ
ーンを比較して信号の正誤を判断させるのである。

イベントの表の例を第１表に示す。

第　　　　１　　　　表上記イベント表を用いて、第８図に示す手順にてパター
ン分析を行う。

すなわち、原子力発電プラントの流路内でルースパーツ
が発生して、ルースバーツが配管内の壁などに衝突した
場合、その場所によって衝突音を検出する複数の検出器
の組合わせ、検出遅延時間パターンを、模擬インパクト
テストによって求めておき、異音発生時のルースバーツ
警報発生チャンネルと比較し、合致しない場合には誤警
報としてキャンセルするのである。

また、特願昭６３−０４０３７９号（第１２図）にて示
すように、３個以上の正信号の組合わせを用い、ルース
パーツ発生の有無を判定しているが、該検出装置からの
信号は、その値がある規定値以上の場合に、ルースパー
ツディテクタ装置よりルースパーツ検出信号を発信する
。つまり、バックグラウンドノイズに比較して一定比率
以上の強さの異常音のみが検知され、この警報によりＦ
ＥＲ（Ｆａｆｓｅ　　Ａｌａｒｍ　　ＥｖａｆｕａＬｉ
ｏｎ　　ａｎｄ　　Ｒｅｃｏｒｄｉｎｇ　　Ｕｎｉｔ）
２１によって総合的にルースパーツが発生しているか否
かの妥当性チエツクを行う。ハックグラウンドノイズの
２〜３倍以上の強さのインパクト音は、ルースバーツ検
出信号として発信されるが、それ以下の異常音は見逃さ
れる。

したがって、バックグラウンドノイズの大きな場所はど
、検知可能なインパクトエネルギーは大きくなり、ＬＰ
ＭＳの検知機能は大幅に低下する。

特に沸騰水型原子炉では、加圧水型原子炉と比較してバ
ックグラウンドノイズが大きく、異常音の検知能力を高
めるため対策が必要である。バックグラウンドノイズの
強さに対し、前記規定値を２倍以下にして検知能力を高
めようとすると、誤警報が頻発しＬＰＭＳの信転性が低
下し、その機能を充分に発揮できない。

〔発明が解決しようとする課題〕

上記従来技術は、バックグラウンドノイズの変動や微小
なインパクト音についての配慮がなされておらず、検知
能力に問題があった。

本発明の目的は、バックグラウンドノイズに埋もれてい
る異常音を検知し、異常の度合いを自己認識できる〈名
称〉を提供することにある。

〔課題を解決するための手段〕

上記目的は、センサからの音響信号を周波数域に分割し
てニューラルネットワークに入力し、正常音、異常音な
どを自己認識させることにより達成される。すなわち、
従来技術の問題点は、機器に取付けられ機器内で発生し
た音響振動を受信し信号を発信する複数個のセンサ装置
と、センサ装置からの信号に基づき機器内の音響が正常
か否かを判断する装置とを有する機器監視装置において
、各センサ装置からの信号ごとにこれを複数個の周波数
域に分割するフィルタ装置と、フィルタ装置からの信号
を複数個の周波数帯ごとに入力し、前記音響が正常なも
のか否かを判断してその結果を出力するニューラルネッ
トワーク装置とを備えたことを特徴とする機器監視装置
、機器壁に取付けられ機器内で発生した音響振動を受信し
信号を発信する複数個のセンサと１．センサからの信号
に基づき機器内の音響が正常か否かを判断する判断装置
とを有する機器監視装置において、各センサ装置からの
信号を複数個の周波数域に分割するフィルタ装置と、分
割された上記信号を周波数域ごとに入力して、前記音響
が正常音か異常音かを判断するニューラルネットワーク
装置とを設け、ニューラルネットワーク装置はそれぞれ
所要数のニューロンを持つ入力層、中間層、出力層から
なり、各層間のニューロンはシナプスで結合され、かつ
中間層ニューロンは入出力変換とし′てロジィスティッ
ク関数を、出力層のニューロンは人出力変換として区分
線型関数を備えていることを特徴とする機器監視装置、および機器内で発生した音響に基づき機器壁に取付けら
れた複数個のセンサから信号を発信する工程と、上記各
センサからの信号を判断装置で受信して音響が正常か否
かを判断する工程とを有する機器監視方法において、各
センサからの信号をバンドパスフィルタにより複数の周
波数域に分割する工程と、上記信号を分割された周波数
域ごとにニューラルネットワーク判断装置に入力する工
程と、ニューラルネットワーク判断装置でのあらかじめ
学習された判断機能と、上記入力信号に基づき前記音響
が正常音か異常音かの判断を行い判断結果を出力する工
程とを有することを特徴とする機器監視方法により解決
される。

〔作用〕

本発明による音響認識を用いた異常監視装置は、ニュー
ラルネットワークを最適に構成し、正常な音を学習させ
、“正常゛′と自己認識することにより、微小な異音を
検知することができ、かつ誤警報を発することがなくな
る。

音の入力は、周波数域を複数個の成分に分割した音の強
さを用いることにより、総合した音の強さはハックグラ
ウンドノイズと同程度であっても、微小な異常の度合い
を判別できる。

〔実施例］本発明の具体的実施例として、第１図に全体の構成を示
す。

ベッセル壁１に伝播してきた音響振動は、その加速度が
センサ２により電化信号に変換された後、プリアンプ３
により電圧信号に変換される。この電圧信号は、可聴域
周波数の分布を有するアナログ信号であり、バンドパス
フィルタ４により、複数の、ここではＯ〜２０ＫＨｚの
範囲の信号を１０分割した１０個の周波数域に分け、２
乗器５および平均化回路６により、各周波数域ごとの音
の平均強度を求めることができる。

この１０個の周波数域ごとの音の強度を、階層型ニュー
ラルネットワーク７０入力として用いる。

このニューラルネットワーク７は、５層（Ｓ　ｅ　ｎｓ
ｏｒ層：入力層）、Ａ層（Ａｓｓｏｃｉａｔｉｏｎ層：
中間層）およびＲ層（Ｒｅｓｐｏｎｓｅ層：出力層）よ
りなる階層型ネットワークである。

本実施例では、８層８は工０個のニューロン、Ａ層９は
４個、８層１０は１個のニューロンとし、これらのニュ
ーロン１１．１４．１５を階層的にシナプス１２．１３
で結合させた構成とした。

ここで、ニューロンとは人間の神経細胞のことをいい、
制御回路では同様の働きをするものをいう。各ニューロ
ンを結んで信号のやり取りをするためのものをシナプス
という。脳の中での処理機構は、第１図のＡ層に示すモ
デルで実行されている。ニューロンｊへの入力は、各ニ
ューロンからの信号強度Ｘｉにシナプスの結合重みωｉ
を乗じたものの総和である。

Σ　ωｉ　Ｘｉがそのニューロンｊのしきい値りより大
きくなると、ニューロンｊからの出力が出る。

ニューロン１個の信号処理は比較的簡単であるが、多数
のネットワークが並列で高速な判断機能を有している。

３層では入力信号を受取り、Ａ層では入力信号パターン
を変換し、Ｒ層からはネットワークの応答としての電力
ができる。二〇ニューラルネットワークを音響による異
常監視装置として実用化するには、まず、正常な音響を
°“正常“と認識するための学習の収束性を確立するこ
とが不可欠である（学習が収束するとは、３層の各ニュ
ーロンに所定の入カバターンを入力したときの、Ｒ層か
らの出力の値が正解出力となることをいい、Ｓ肩とＡ層
間のシナプスの結合重み、Ａ層とＲ層間のシナプス結合
重みを修正してやることが学習である）。このための主
な検討パラメタとして下記がある。

（１）Ａ層および８層ニューロン１４および１５の入出
力関数ｆおよびｇ。

（２）Ａ層９のニューロン１１の数ｍ個。

（３）８層８とＡ層９０間のシナプス１２およびＡ層８
と８層１０の間のシナプス１３の結合重みの初期値と修
正パラメタε。

学習の過程では、１つの入カバターンを入れて、ネット
ワークの出力値が正解出力と異なっている場合は、その
出力値と正解出力（教師信号という）の差に基づいて、
Ｒ層〜Ａ層間のω、次にＡ層〜Ｓ層間のωを修正してや
る。

以下余白 ω（ｔ＋１）＝ω（１）＋ε　（Ｔ−０）　　・ｆ９ε
を修正パラメータという。

誤差に基づく値（Ｔ−０）で、そのまま前回の結合重み
ωを修正すると、修正幅が大きすぎて、ネットワークの
出力が学習回数に対し発散する。

これを防ぐために０〈さくｌを乗じる。

学習の手法について第２図および以下の式（％式％） ■　Ｒ層のｎユニットへの入力の総和をｉ　とすると、ここで、ω　；Ａ１１ｍユニットから８層ｎユニットへ
の結合の重み０　；Ａ層のｍユニットからの出力＝ｇ（ｉ・・・　（２）各ユニットの入出力関数ｇ　（ｘ）　＝１　（ｘ≧ｘｏ）０（ｘ≦ｘ＋）ａｘ（）（。

＜ｘ＜ｘ。

時刻（ｔ＋１）での結合の重みは、第１図のニューラルネットワークにおいて、入力信号〜
出力信号の信号の流れは、Ｓ層＝Ａ層−Ｒ層となってい
る。学習におけるシナプス結合重みωの修正は、この信
号の流れとは逆に、Ｒ−Ａ−Ｓの順に行う。表現として
、誤差逆伝播という形をとっている。これはωの修正の
ベースは、Ｒ層での出力と教師信号Ｔとの差に基づいて
いるからである。異音認識を目的とした正常音の学習の
収束性のために、前記（１）〜（３）のパラメタの決定
を行った結果、本発明のニューラルネットワークの適用
を実現することができた。

まず、Ａ層９のニューロン１４の入出力関数ｆを、第３
図に示すロジスティック関数にすることにより、入力と
しての周波数域ごとの音の強度の分布が大きい場合でも
、０〜１の間の数値を出力するとともに、大きい入力値
（絶対値）の場合は、入力値が０近傍と比較して、その
傾きが緩やかであることから、学習過程における３層８
とＡ層９の間のシナプス結合１２の重みの修正（（５）
、（６）式）がスムーズに行われるので、学習の収束が
安定で早くなった。

すなわち、第３図のロジスティック関数ｆにすると、（
５）式の右辺のとなる。これは、第６Ａ図のような関係となるので、ニ
ューロンｍの出力０　が０〜１間の中間の０．５付近を
出力しているときはｆｏが大きい。つまり、このときは
シナプスの修正量を大きくしても発散しにくい。一方、
出力ＯがＯやｌに近いときは、第６Ａ図の両端に近い値
なので学習が発散し易い。このときはｆｏは小さいので
、シナプスの修正量を小さくしてやる。

次に、８層１０のニューロン１５の入出力関数ｇは、従
来のニューラルネットワークでは、Ａ層９と同じ関数ｆ
が通用されるが、本発明の実施例の音響認識では微小な
異音を検知し、出力層の１個のニューロンで正常、異常
等を判定する目的から、Ｒ層の入出力関数ｇを、Ａ層の
入出力関数ｆ：ロジスティック関数と同じとせず、第４
図に示す区分線形関数とすることで、学習や異音検知が
可能となった。

Ｒ層の入出力関数ｇを第４図の区分線形関数にした場合
について説明する。このニューロンの入出力関数ｇを第
６Ｂ図のようなものとすると、ｇの微分関数ｇ°は第６
Ｃ図に示すものとなる。

したがって（４）式は、となり、Ａ層とＲ層間の結合重みω〜“の修正量は（３
）式した修正量となる。この方がロジスティック関数ｆの１
次微分子′のような形の値をネットワークになる）で修
正するよりは、修正すべき値が明確である。９層ニュー
ロンの出力値はＯ（正常）〜１　（完全に異常）の間の
アナログ的数値で表現する。これが異音の程度をあられ
すので、線形でないとこの程度が不明確となる。

中間層であるＡ層９のニューロン数ｍについても、音響
認識を早く安定した学習をさせるために、最適なニュー
ロン数の範囲を決定することにより、実用化が可能とな
った。

つまり、ニューロン数ｍが少ないと、１回当たりの学習
時間は短いが、収束までの回数が増加するし、ｍが多す
ぎると１回当たりの学習時間は長くなるが、回数は減少
する傾向にあるため、安定で収束の速い学習を実現する
ための最適な中間層Ａ層のニューロン数は、本実施例の
場合は３〜６個であった。これより入力層のニューロン
数１０個に対し３〜６個であることから、最適な中間層
ニューロン数は入力層ニューロン数の３０〜６０％であ
ることがわかった。この最適な範囲については第５図に
示す。この中間層Ａ層のニューロンの数ｍについては、
入力層Ａ層および出力層Ｒ層のニューロンの数や、学習
させるべき入力データと教師信号との関連でその最適範
囲は変化するが、ニューラルネットワークのハード構成
を考えて、できる限りこの中間層ニューロン数ｍは少な
い方が実用的である。

本ニューラルネットワークを組み込んだ監視装置では、
第６図の実線に示す正常な音に対し、第６図の点線のよ
うな周波数全体にわたる強度は、実線と同じである微小
な異音も、確実に異音として認識することが可能となっ
た。

本発明の他の実施例を第７図に示す。センサ２およびプ
リアンプ３からの音響の電圧信号は、可聴域全域の周波
数分布を有しているが、被診断系のバックグラウンドノ
イズは、その系の部位により特徴を有している場合があ
るし、また異常音もその異常原因により周波数の特徴を
有している。

これらの相互の特徴に注目して、あらかじめあるいは自
動的にある範囲の周波数域の音に限定するために、プレ
フィルタ１６を設けることを特徴とする監視装置であり
、本ニューラルネットワークは、この範囲の音について
学習し、さらに検知能力を高めることが可能となる。

また、本発明によるセンサごとのニューラルネットワー
クの出力である異常程度を示す情報をもとに、被診断系
全体の運転状況を推定する監視装置が実現できる。

以上述べた本発明のニューラルネットワークとしては、
電子回路で構成すること、生体系の神経細胞を利用する
ことができるが、恒久的設備としては、現在では電子回
路によるものが優れている。

また、本発明により正常音か異常音かの識別を行い、異
常音と判断した後のルースパーツ等の対象物の位置確認
は、従来技術のロケータにより行つ。

〔発明の効果〕

本発明によれば、被診断系に取付けたセンサからの音響
信号を周波数ごとに分割した後に、入力層に入力し、中
間層で変換し、出力層よりそのセンサに入力された音が
、正常か異常か、異常ならその程度を自己判断する機能
を有するニューラルネットワークを組み込んだ監視装置
が実現でき、バックグラウンドノイズに埋もれた微小差
の異音を、誤警報の発生なく検知可能となった。

【図面の簡単な説明】

第１図は、本発明の実施例図、第２図は、本発明で使用
するニューラルネットワークの学習を説明する図、第３
図は、中間層ニューロンの入出力関数実施例図、第４図
は、出力層ニューロンの入出力関数実施例図、第５図は
、中間層ニューロンの最適数を示す図、第６図は、本発
明の効果を示す図、第６Ａ図は、中間層ニューロンの出
力と入出力関数の微分との関係図、第６Ｂ図、第６Ｃ図
は、出力層ニューロンの入出力関数およびその微分関数
の実施例図、第７図は、本発明の他の実施例図、第８図
から第１２図までは、従来技術の説明図である。ｌ・・・ベッセル壁、２・・・センサ、３・・・プリア
ンプ、４・・・バンドパスフィルタ、５・・・２乗器、
６・・・平均化回路、７・・・階層型ニューラルネット
ワーク、８・・・入力層、９・・・中間層、１０・・・
出力層、１１．１４．１５・・・ニューロン、１２．１
３・・・シナプス。第図５層Ａ層Ｒ層第図第６Ａ図第６Ｂ図第６Ｃ図第図第図第１０図ゞ：／’ｔ　ＡＸゝン、第図

Claims

【特許請求の範囲】

（１）機器に取付けられ機器内で発生した音響振動を受
信し信号を発信する複数個のセンサ装置と、センサ装置
からの信号に基づき機器内の音響が正常か否かを判断す
る装置とを有する機器監視装置において、各センサ装置
からの信号ごとにこれを複数個の周波数域に分割するフ
ィルタ装置と、フィルタ装置からの信号を複数個の周波
数帯ごとに入力し、前記音響が正常なものか否かを判断
してその結果を出力するニューラルネットワーク装置と
を備えたことを特徴とする機器監視装置。
（２）ニューラルネットワーク装置がそれぞれ所定数の
ニューロンを持つ入力層、中間層、出力層の３層からな
るニューラルネットワークを備え、中間層のニューロン
の数が入力層のニューロンの数の３０〜６０％であるこ
とを特徴とする請求項（１）記載の機器監視装置。
（３）機器壁に取付けられ機器内で発生した音響振動を
受信し信号を発信する複数個のセンサと、センサからの
信号に基づき機器内の音響が正常か否かを判断する判断
装置とを有する機器監視装置において、各センサ装置か
らの信号を複数個の周波数域に分割するフィルタ装置と
、分割された上記信号を周波数域ごとに入力して、前記
音響が正常音か異常音かを判断するニューラルネットワ
ーク装置とを設け、ニューラルネットワーク装置はそれ
ぞれ所要数のニューロンを持つ入力層、中間層、出力層
からなり、各層間のニューロンはシナプスで結合され、
かつ中間層ニューロンは入出力変換としてロジィスティ
ック関数を、出力層のニューロンは入出力変換として区
分線型関数を備えていることを特徴とする機器監視装置
。
（４）機器内で発生した音響に基づき機器壁に取付けら
れた複数個のセンサから信号を発信する工程と、上記各
センサからの信号を判断装置で受信して音響が正常か否
かを判断する工程とを有する機器監視方法において、各
センサからの信号をバンドパスフィルタにより複数の周
波数域に分割する工程と、上記信号を分割された周波数
域ごとにニューラルネットワーク判断装置に入力する工
程と、ニューラルネットワーク判断装置でのあらかじめ
学習された判断機能と、上記入力信号に基づき前記音響
が正常音か異常音かの判断を行い判断結果を出力する工
程とを有することを特徴とする機器監視方法。