JPH0660826B2 - プラントの異常診断方法 - Google Patents

プラントの異常診断方法

Info

Publication number
JPH0660826B2
JPH0660826B2 JP1028093A JP2809389A JPH0660826B2 JP H0660826 B2 JPH0660826 B2 JP H0660826B2 JP 1028093 A JP1028093 A JP 1028093A JP 2809389 A JP2809389 A JP 2809389A JP H0660826 B2 JPH0660826 B2 JP H0660826B2
Authority
JP
Japan
Prior art keywords
plant
abnormality
plant state
layer
neural network
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.)
Expired - Lifetime
Application number
JP1028093A
Other languages
English (en)
Other versions
JPH02206721A (ja
Inventor
兼秀 渡辺
清志 玉山
Original Assignee
動力炉・核燃料開発事業団
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 動力炉・核燃料開発事業団 filed Critical 動力炉・核燃料開発事業団
Priority to JP1028093A priority Critical patent/JPH0660826B2/ja
Priority to US07/476,922 priority patent/US5023045A/en
Publication of JPH02206721A publication Critical patent/JPH02206721A/ja
Publication of JPH0660826B2 publication Critical patent/JPH0660826B2/ja
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors
    • 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
    • Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
    • Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y10S706/00—Data processing: artificial intelligence
    • Y10S706/902—Application using ai with detail of the ai system
    • Y10S706/911—Nonmedical diagnostics
    • Y10S706/914—Process plant

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Plasma & Fusion (AREA)
  • General Engineering & Computer Science (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Monitoring And Testing Of Nuclear Reactors (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、監視すべきパラメータが多数あり、これらの
パラメータが相互に複雑に結びついている原子力発電
所、火力発電所等のプラントの異常検知と異常原因の同
定を行うようにしたプラントの異常診断方法に関するも
のである。
〔従来の技術〕
一般にプラント状態量が所定の制限値を越えた場合に警
報を出力し、運転員に異常の発生を知らせるようにした
アナウンシュータが原子力発電所、火力発電所等のプラ
ントに数多く用いられている。例えば、原子力プラント
等の場合には、このアナウンシュータの数が数千にも達
し、通常の軽微な故障の場合でも多数のランプが点滅
し、運転員に必要な情報だけを提供するのが難しくなっ
ている。このため、計算機を利用して異常診断するため
のシステムの開発が世界各国で行われており、代表的な
システムに日本の原子力発電支援システム、西ドイツの
Gesellschaft fr Reaktorischerheit（ＧＲＳ）、ノ
ルウェーのHaldenプロジェクトが開発しているＳＴＡ
Ｒ、ＥＲＰＩ（米国電力研究所）の委託により開発され
ているＤＡＳ等がある。
これらのシステムのなかでは原因結果論理法（ＣＣＴ）
といわれる異常診断法が用いられており、例えばＣＣＴ
では、異常の原因と結果の関係を樹木状に表し、異常が
生じた時には結果の状態をみてこの樹木の枝を逆方向に
辿っていけば、原因を求めることができる。
〔発明が解決しようとする課題〕
ところで、ＣＣＴの検索が開始するのは、通常、運転時
のプラント状態量の波高の±１０〜２０％のレベルに設
定されたアナウンシュータが作動しはじめた時からであ
るので、異常が数１０秒の速い速度で伝播する場合には
運転員が適当な回復操作を行えない場合が生じる可能性
がある。
本発明は上記課題を解決するためのもので、アナウンシ
ュータが作動する前に通常の運転時のプラント状態量の
波高の±３〜７％レベルで異常を検出するようにして異
常の原因を同定し、十分な時間裕度で運転員が適切な回
復操作を行えるようにして、プラントの稼動率・安全性
を向上させることを目的とする。
〔課題を解決するための手段〕
そのために本発明のプラントの異常診断方法は、異常時
のプラント状態量の変化をシミュレーションにより求
め、プラント状態量の変化を自己回帰分析して得られる
プラント状態量間の結合様式を作成する段階、作成した
プラント状態量間の結合様式を入力層、中間層、出力層
からなるニューラルネットに入れ、予め設定した精度以
内まで学習させる段階、入力層と中間層、中間層と出力
層の間の結合係数をもつニューラルネットに対し、実プ
ラント異常を検出後、プラント状態量から作成されるプ
ラント状態量間の結合様式を示すパターンを入力して異
常の原因を同定する段階からなることを特徴とする。
〔作用〕
本発明のプラントの異常診断方法は、プラント状態量の
変化をシミュレーションにより求め、これらのプラント
状態量の変化を自己回帰分析して得られるプラント状態
量間の結合様式を作成し、作成したプラント状態量間の
結合様式をニューラルネットに入れて予め設定した精度
以内まで学習させ、実プラントから収集したデータによ
り作成したプラント状態量間の結合様式を示すパターン
をニューラルネットに入れて異常の原因を同定するよう
にしたので、異常原因の早期同定が可能となり、十分な
時間裕度で運転員が回復操作を行ってプラント稼動率を
向上させると共に、プラントの安全性を向上させること
が可能となる。
〔実施例〕
以下、実施例を図面に基づき説明する。
第１図はプラントの異常診断の手順を説明するためのブ
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低
下、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸
気ドラム気相部の圧力増大の場合の中性子束・給水流量
間の周波数スペクトルの相関を示す図、第５図はニュー
ラルネットのモデルを示す図、第６図は周波数スペクト
ルの相関をパターン化した図、第７図はニューラルネッ
トモデルのなかの結合係数の学習情況を示す図、第８図
は異常原因の識別結果を示す図である。図中、１はカラ
ンドリアタンク、２は制御棒、３は圧力管集合体、４は
重水冷却系、５は蒸気ドラム、６は冷却材再循環系、７
はウォータードラム、８は再循環ポンプ、１０は給水
系、１１は主蒸気系、１２は出口管、１３は入口管、２
１、２４は電子計算機、２２はパターン記憶装置、２
３、３１はプラント、３２は電子計算機、３３は外部記
憶装置、３４は警報器である。
先ず、本発明によるプラントの異常診断方法の原理を説
明する。
プラントの異常診断を行うにあたって、先ず異常時のプ
ラント応答特性を求める。この異常時のプラント応答特
性を求めるのに、プラントに実際に異常を発生させるこ
とは出来ないので、プラント動特性解析コードを使用し
てシミュレーションを行い、外乱が加えられた時の異常
時のプラント応答を予測する。
例えば、異常の種類として「蒸気ドラム水位低下」を選
んだ場合、これを頂上事象とし、この事象を結果すると
考えられる原因事象、更にこの原因事象を結果すると考
えられる原因事象というように、順次各事象を結果する
原因事象を樹木状につなぎ合わせて得られるフォルト・
ツリーからプラント動特性解析コード入力可能な、例え
ば以下のような事象を選択する。
（イ）反応度の低下 （ロ）給水流量の低下 （ハ）蒸気ドラム気相部の圧力増大 （ニ）給水温度の低下 （ホ）主蒸気流量の増大 なお、「蒸気ドラム水位の低下」の発生は、例えば第２
図に示すような新型転換炉（ＡＴＲ）において炉心で発
生している熱を除去している水がなくなることに通じ、
炉心溶融にもつながりかねない異常に相当するので、こ
のため運転員は「蒸気ドラム水位」は、常に細心の注意
を払って監視している事象である。なお、第２図のＡＴ
Ｒでは、カランドリアタンク内に減速材としての重水を
循環させ、減速材中で発生する熱を重水冷却系４で除去
し、カランドリア管と圧力管との間は炭酸ガスで満たし
て熱絶縁材とし、冷却材再循環系６により圧力管を通し
て冷却水を循環させ、給水系１０により給水しつつ蒸気
ドラム５で発生した蒸気を主蒸気系１１で取り出して利
用している。
次にプラント動特性解析から求めたプラント状態量につ
いて、定常運転時からの偏差を(1)式のように求める。
但し、 ｘi,t：プラント状態量の種類ｉ、時刻ｔにおけるプラ
ント状態量の偏差値 ｙi,o：プラント状態量の種類ｉの定格運転時のプラン
ト状態量の値 ｙi,t：プラント状態量の種類ｉの時刻ｔにおけるプラ
ント状態量の値 である。なお、(1)式は、圧力，温度，流量等の次元の
異なったプラント状態量を相互に比較できるように、正
規化して無次元化している。
次に自己回帰分析コードを用いて計算機により正規化し
たプラント状態量について、状態量の周波数スペクトル
相互間の相関関係を示すパターンを作成する。自己回帰
分析コードのなかでは、まず最初に(2)式を用いて時系
列データＸ（ｔ）を自己回帰表現することができる。
但し、 Ｘ(t)：〔x1(t),x2(t),……ｘｋ(t)〕の転置行列 ｘｋ(t)：種類ｋのプラント状態量の時刻ｔにおける偏
差値 Ｕ（ｔ）：ホワイトノイズ Ｍ：自己回帰係数の次数 次に残差の共分散行列Σと自己回帰係数Ａ(m )からスペ
クトル密度関数Ｐ（ｆ）を次式に示すように求めること
ができる。
Ａ（ｆ）は（ｊ，ｓ）要素がＡjs（ｆ）の行列、Ｐ
（ｆ）は（ｉ，ｆ）要素がＰij（ｆ）の行列であり、
（ ）-1は逆行列、（ ）Ｔは転置行列、 は複素共役数を示している。なおＡjs（ｆ）は次式に示
すように自己回帰係数Ａ（ｍ）のフーリエ変換したもの
である。
プラント状態量ｉとｊの周波数スペクトル間の相関関数
は次式のコヒーレンス関数で示すことができる。
COH(f)ij＝｜P(f)ij｜/(P(f)ii・P(f)jj)…(5) これらの周波数スペクトル間の相関関係を調べるプラン
ト状態量の種類は、例えば第２図のＡＴＲのなかでみれ
ば、再循環系における中性子束、再循環流量、蒸気ドラ
ム内水位、給水系における給水流量、給水温度、主蒸気
系における主蒸気流量、混合部圧力、主蒸気加減弁開
度、タービン系におけるタービン出力のようなものであ
る。これらの状態量のなかの例えば中性子束と給水流量
の周波数スペクトルの相関関係（コヒーレンス関数）
は、第４図に示すようなものである。
第４図（イ）は反応度の低下、第４図（ロ）は給水流量
の低下、第４図（ハ）は蒸気ドラム気相部の圧力増大の
場合の図である。反応度の低下には、2.70×10-2＄/
秒、1.62×10-2＄/秒、0.41×10-2＄/秒の速さで異常の
速度を変えた。給水流量の場合には、３％、５％、７％
までステップ関数的に流量を小さくした。蒸気ドラム気
相部の圧力増大の場合には、２％、４％、６％までやは
りステップ関数的に圧力を増大させた。図において横軸
が周波数を縦軸が相関関係の大きさを示している。
これらの図から大局部にみるとパターンは異常の速度あ
るいは大きさに依存せず異常の原因毎に異なるといえ
る。しかし、局所的にみれば異常の速度あるいは大きさ
を変えた時にこれらのパターンがゆらいでいるといえ
る。即ち、あるひとつの周波数に対して相関値がある幅
を持つ。この幅を図の中に網をかけて示した。
このような異常時パターンを用いてニューラルネットの
なかの結合係数を学習させ、学習後の結合係数を用いて
ニューラルネットのモデルのなかに時々刻々変化する実
際のプラント状態量に対して得られるパターンを入力し
て異常の原因を識別する。
まず最初にニューラルネットのモデル、次にニューラル
ネットの学習則、最後に学習の実施例を示す。
第５図はニューラルネットのモデルを示す図である。図
中、４１は入力層、４２は中間層、４３は出力層であ
る。
ニューラルネットのモデルを図示するように入力層４
１、中間層４２、出力層４３の３層で構成した。これら
の入力層４１の要素の数は９６個、中間層４２の要素の
数は２〜９個、出力層４３の要素の数は５個とした。入
力層の要素の利用の仕方は学習の実施例の中で詳述す
る。中間層の要素の数は２〜９の間で計算機負荷が最も
小さくなる数を選ぶ。出力層の要素はそれぞれ識別する
異常に対応させているので、その数も識別する異常の数
に対応させ、各異常に対して、対応する要素からのみ出
力が生ずるようにする。ここでは反応度の低下、給水流
量の低下、蒸気ドラム気相部の圧力増大、給水温度の低
下、主蒸気流量の増大の５つを考える。
次に学習則を示す。
入力層に入力信号を入れる。
入力層から出力層の信号伝送過程に沿って、各ニュー
ロンの状態変化を順次計算する。
バックプロパゲーション法では、の計算の結果から
得られる出力層のｉ番目のニューロンの出力を０ｉと
し、入力信号に対するｉ番目のニューロンの望ましい出
力（教師信号）をｄｉとすると、望ましい出力と実際に
得られた出力との差の二乗誤差 を極小化するように、ネットワークの係数の値を変化さ
せる。いま、中間層を複数層からなるとし、バックプロ
パゲーション法の計算上では、最前層が入力層、後端層
が出力層と考える。中間層以降の第Ｎ段のｉ番目のニュ
ーロンの学習信号 を、第（Ｎ＋１）段の各ニューロンの学習信号 を用いて、(7)式に従って、再帰的に計算する。
ここで、ｕＮ：第Ｎ段のｉ番目のニューロンの内部状態 δの初期値、すなわち出力層の学習 は、(8)式で求められる ここで、出力層のｉ番目のニューロンの内部状態 の初期値 と、(7)式とを用いて、出力層から入力層に向って、順
次学習信号の値を計算する。
ある入力信号を入力するとともに、それに対応する望
ましい出力信号を提示して、結合係数を変化させる学習
過程を、いろいろな入力信号と対応する出力教師信号の
セットに対して、繰返し行なう。この各学習過程毎の結
合係数の変化則は、で求めた学習信号を用いて、(9)
式であたえられる。
ｎ：学習回数 η：学習定数 α：安定化定数 そして、各ステップ毎に、次々と入力信号と、それに対
応する出力教師信号をニューラルネットワークに提示す
る。こうして学習回数を重ねることにより、第７図に示
すように、(6)式で示す二乗誤差の総和は減少すること
になる。
次に学習の実施例を示す。
まず最初に入力層の９６個の要素の内訳を示し、次に異
常原因の識別に用いたプラント状態量の例を示す。
入力層の要素の中の６０個を入力パターン、即ちコヒー
レンススペクトルの形状を識別するのに用いた。そのた
めに、第６図に示すように、スペクトルを示す平面を６
０個の四角形で刻み、スペクトルの値がその範囲内に入
る四角形の場合は１（斜線部）、スペクトルの値がその
範囲内に入らない四角形の場合０（空白部）の信号で表
現し、６０通りに分割した近似表現として各６０個の入
力層の要素がそれぞれの四角形を分担する。四角形で分
割する時には最初にOHz から０．３Hzまでのスペクトル
の横軸を６つに等分割し、０から１の相関値を示す縦軸
を１０個に分けた。この分割は等分割ではなく、相関値
が小さい範囲を粗く、相関値が大きい範囲を細かく分割
して、大きな相関値の場合の分析精度を上げるようにす
る。０．０から０．４までが０．２毎に２分割、０．４
から０．８までが０．１毎に４分割、０．８から１．０
までが０．０５毎に４分割である。プラント状態量の組
合せの種類、即ちどのプラント状態量の組み合わせの周
波数スペクトルなのかを求めるのに３６個の要素を用い
た。この３６個の要素で、どのプラント状態量の組み合
わせの周波数スペクトルなのかを識別する。即ち、どの
要素に１の信号が入るかにより、どのような組み合わせ
の周波数スペクトルであるかを教えている。なお、６０
通りの分割は入力情報量を減らすための操作であって、
処理能力が充分であればより分割数を増やしてもよい。
なお、中間層の機能は、前述したバックプロパゲーショ
ン法の中の計算式から明らかとなり、この機能を入力層
と中間層、中間層と出力層との間に分けて簡単に説明す
る。
まず、入力層と中間層との関係に着目すると、(7)式に
示されるように、入力層の要素ｊの出力ｘｊに重みＷij
を乗じた値の総和が中間層第Ｎ段の要素ｉに入力され、
内部状態ｕＮとして示されている。
重みの値は(9)式から求められ、学習信号は(7)式から求
められることになる。これらの重みづけと総和を求める
ことについて、定性的な機能に置き換え、例えば入力と
してコヒーレンススペクトルを考える。
重みづけは、スペクトルの特徴を設けることと言うこと
ができる。例えば、第６図において、入力層の６０個の
要素はそれぞれ各四角形の領域を分担しており、これら
の要素における値に対してある重みづけで中間層の各要
素に対して入力され、中間層ではこれらの入力状態から
何でスペクトルを特徴づけるかの処理を行う。例えば、
周波数が０．１Ｈｚから０．１５Ｈｚの間で相関が０．
９から１．００の値をとることをこのスペクトルの特徴
とする場合、これを特徴づけるためには、これらの領域
のパターンを識別する要素からの重みを他の要素のもの
より大きくなるようにすればよい。中間層において総和
を求めているのは、特徴を組み合わせていることと言う
ことができる。例えば、０．１Ｈｚから０．１５Ｈｚの
間で相関が０．９から１．００の値をとる領域だけでな
く、周波数が０．２５Ｈｚから０．３Ｈｚの間で相関が
０．９５から１．００の値をとる領域も合わせて特徴と
するには、入力層のこの領域からの値の重みも大きくし
て、２つの領域からの値を加えればよい。こうすれば、
これらの特徴が同時に現れることを新たな特徴にするこ
とができる。前述したように、中間層の要素の数は計算
機負荷が最も小さくなるように少ない要素を選ぶので、
中間層は入力層におけるばらばらの情報からそれらの特
徴を縮約する機能を果たしていると言うことができる。
なお、中間層と出力層との関係に着目した場合、中間層
の要素の値を出力層の各要素に出力しており、この場合
の重みも、入力層と中間層の場合と同様に(9)式から求
められる。定性的には、パターンの識別がうまくいくよ
うに、中間層で縮約した特徴を出力層の各要素に配分し
ていることになる。
識別に用いたプラント状態量の組合せは中性子束・主蒸
気流量、蒸気ドラム水位・主蒸気流量、再循環流量・主
蒸気流量、混合部圧力・主蒸気加減弁開度、給水流量・
給水温度の５つである。識別誤差が十分小さな値（例え
ば±１０％）以内に収束するまで学習させる。学習定数
としては、例えばバックプロパゲーション法で一般的に
使用されている０．２５０、安定化定数に０．９の値を
用いる。結合係数の初期値、コヒーレンススペクトルを
入力する順序にランダムな数値を与える。
次に、パターンの照合を行う時の方法を示す。
まず最初にシミュレータを利用して作成したプラント状
態量の周波数スペクトルの相関関係を示すパターン
ｚ１，ｚ２……ｚｎをニューラルネットに入力し異常原
因の識別誤差が希望の値以内になるまで学習させ、入力
層・中間層、中間層・出力層の間の結合係数ｗN,N-1,ｗ
N+1,Nの値を決める。そしてこれらのニューラルネット
モデルと結合係数ｗの値を参照用異常時パターンとして
記憶しておき、蒸気ドラム水位の低下を検出した時に刻
々変化する実際のプラント状態量から得られるパターン
ｚ１′ｚ２′……ｚｎ′をこれらの結合係数を用いたニ
ューラルネットモデルのなかに入れ、異常の原因を同定
する。あるひとつの周波数に対して相関値がある幅をも
つあいまいなパターンを用いて異常の原因を同定するの
に、ニューラルネットを利用するのは都合がよい。
異常原因同定結果の一例を第８図に示す。
第８図は、例えば入力層に反応度低下を示す周波数スペ
クトルのパターンが入力されたとき、反応度低下に対応
する出力要素から、理想状態で得られる出力を１とした
ときに、０．９４±０．０１が得られ、他の出力要素か
らは最大で０．０５が得られたことを示している。同様
に給水流量の低下、蒸気ドラム圧力の増大、主蒸気流量
の増大、給水温度の低下を示す周波数スペクトルのパタ
ーンが入力されたとき、それぞれ対応する出力要素から
０．９５±０．０１、０．９６±０．０２、０．９６±
０．０１、０．９４±０．０１の出力が、またそのとき
他の出力要素からは最大で、それぞれ０．０６、０．０
５、０．０４、０．０５が得られた。したがって、直接
原因要素の出力が、それ以外の要素からの出力に対して
充分区別し得る程の大きさで得られるので、ただちに原
因の識別を行うことが可能である。
次に、第１図によりこのような原理に基づくプラントの
異常診断の手順を説明する。
図において、電子計算機２１は参照用異常時パターン作
成機能を有しており、異常プラント状態量間のパターン
を作成する。即ち、ステップでシミュレータ（プラン
ト動特性解析コード）を使用して異常時のプラント応答
解析を行い、ステップでプラント状態量の周波数スペ
クトルの相関関係を示すパターンを作成し、ステップ
でニューラルネットの学習を行いニューラルネットのモ
デルと結合係数を決定する。
次に、ステップにおいて、例えば磁気ディスク等から
なる外部記憶装置２２にステップで作成したニューラ
ルネットのモデルとこのモデルのなかの結合係数の値を
参照用異常時パターンとして記憶する。
プラント異常診断用電子計算機２４は、ステップにお
いて時々刻々変化する実プラント２３からプラント状態
量の収集を行い、ステップにおけるプラント状態量間
の結合様式を示すパターン作成の場合と同様にステップ
でプラント状態量間の結合様式パターンを作成する。
ステップでは、例えば蒸気ドラムの水位計の指示値が
通常のものより小さくなった場合等に異常を検出する。
この場合の異常の有・無をしきい値については、水位計
の測定ライン（ｘ２）に混入する雑音によって揺らいで
いる値（ｘ２±δｘ２）よりわずかに大きなものを使用
する。
ステップにおいて、ステップのプラント状態量間の
結合様式のパターンを参照用異常時のパターンとして記
憶している結合係数が決められたニューラルネットモデ
ルのなかに入力し、前述したようにして異常原因を識別
する。そして、ステップで異常の識別結果を計算機の
プリンター等に出力する。
こうして、ニューラルネットによる識別の結果、原因が
判明した場合にはプラント内の警報を点滅させる等によ
り報知する。また、原因が判明しない場合には、プラン
ト異常診断の開始時点に戻る。この場合、「確認操作」
を運転員に提示する等の措置を取るようにしてもよい。
以上のようにして、例えば原子炉プラントの中性子束、
温度、流量、圧力、バルブ開度等の中央制御室で容易に
監視することのできるプラント状態量の結合様式の変形
形態をニューラルネットモデルを利用して、異常原因の
同定を行うことができる。
第３図はこのような異常診断を行うためのハードウェア
構成を示す図で、３１はプラント、３２は電子計算機、
３３は外部記憶装置、３４は警報器であり、それぞれ前
述した作用を行う。
〔発明の効果〕
以上のように本発明によれば、プラントの全体の状態を
総合的に判断するようにしたので、小さな異常を原因を
同定して運転員に知らせることにより、早期に回復操作
を行うことができ、プラント稼動率を向上させることだ
けではなくプラントの安全性を向上させることが可能と
なる。
【図面の簡単な説明】
第１図はプラントの異常診断の手順を説明するためのブ
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低
下、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸
気ドラム気相部の圧力増大の場合の中性子束・給水流量
間の周波数スペクトルの相関を示す図、第５図はニュー
ラルネットのモデルを示す図、第６図は周波数スペクト
ルの相関をパターン化した図、第７図はニューラルネッ
トモデルのなかの結合係数の学習情況を示す図、第８図
は異常原因の識別結果を示す図である。 ２１、２４……電子計算機、２２……パターン記憶装
置、２３、３１……プラント、３２……電子計算機、３
３……外部記憶装置、３４……警報器。

Claims (2)

    【特許請求の範囲】
  1. 【請求項１】異常時のプラント状態量の変化をシミュレ
    ーションにより求め、プラント状態量の変化を自己回帰
    分析して得られるプラント状態量間の結合様式を作成す
    る段階、作成したプラント状態量間の結合様式を入力
    層、中間層、出力層からなるニューラルネットに入れ、
    予め設定した精度以内まで学習させてニューラルネット
    のモデル、及び入力層と中間層、中間層と出力層の間の
    結合係数を決定する段階、実プラント異常を検出後、プ
    ラント状態量から作成されるプラント状態量間の結合様
    式を示すパターンを前記ニューラルネットに入力して異
    常の原因を同定する段階からなることを特徴とするプラ
    ントの異常診断方法。
  2. 【請求項２】前記プラント状態量間の結合様式は、各プ
    ラント状態量の周波数スペクトルの相関関係を示すコヒ
    ーレンススペクトルである請求項１記載のプラントの異
    常診断方法。
JP1028093A 1989-02-07 1989-02-07 プラントの異常診断方法 Expired - Lifetime JPH0660826B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP1028093A JPH0660826B2 (ja) 1989-02-07 1989-02-07 プラントの異常診断方法
US07/476,922 US5023045A (en) 1989-02-07 1990-02-07 Plant malfunction diagnostic method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP1028093A JPH0660826B2 (ja) 1989-02-07 1989-02-07 プラントの異常診断方法

Publications (2)

Publication Number Publication Date
JPH02206721A JPH02206721A (ja) 1990-08-16
JPH0660826B2 true JPH0660826B2 (ja) 1994-08-10

Family

ID=12239172

Family Applications (1)

Application Number Title Priority Date Filing Date
JP1028093A Expired - Lifetime JPH0660826B2 (ja) 1989-02-07 1989-02-07 プラントの異常診断方法

Country Status (2)

Country Link
US (1) US5023045A (ja)
JP (1) JPH0660826B2 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2677383A2 (en) 2012-06-19 2013-12-25 Yokogawa Electric Corporation Process monitoring system and method

Families Citing this family (89)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06101079B2 (ja) * 1988-11-09 1994-12-12 三菱電機株式会社 プラント異常診断装置
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
JPH0692914B2 (ja) * 1989-04-14 1994-11-16 株式会社日立製作所 機器／設備の状態診断システム
US5315502A (en) * 1989-06-09 1994-05-24 Mitsubishi Denki Kabushiki Kaisha Plant operation support apparatus and method using expert systems
JPH03167655A (ja) * 1989-11-28 1991-07-19 Toshiba Corp ニューラルネットワーク
JPH0816956B2 (ja) * 1990-01-18 1996-02-21 株式会社日立製作所 フォールト・トリー表示方法、フォールト・トリー表示装置およびプロセス診断支援システム
US5402521A (en) * 1990-02-28 1995-03-28 Chiyoda Corporation Method for recognition of abnormal conditions using neural networks
US5122976A (en) * 1990-03-12 1992-06-16 Westinghouse Electric Corp. Method and apparatus for remotely controlling sensor processing algorithms to expert sensor diagnoses
JP2699607B2 (ja) * 1990-04-03 1998-01-19 三菱電機株式会社 神経回路網原子力プラント診断装置
US5630018A (en) * 1990-04-09 1997-05-13 Matsushita Electric Industrial Co., Ltd. Fuzzy inference device using neural network
US5175678A (en) * 1990-08-15 1992-12-29 Elsag International B.V. Method and procedure for neural control of dynamic processes
JP3231810B2 (ja) * 1990-08-28 2001-11-26 アーチ・デベロップメント・コーポレーション ニューラル・ネットワークを用いた鑑別診断支援方法
ATE163777T1 (de) * 1990-10-10 1998-03-15 Honeywell Inc Identifizierung eines prozesssystems
US5367612A (en) * 1990-10-30 1994-11-22 Science Applications International Corporation Neurocontrolled adaptive process control system
DE69225723T2 (de) * 1991-01-22 1998-12-03 Honeywell, Inc., Minneapolis, Minn. Zweistufige Systemidentifikationsvorrichtung mit Optimierung
US5319572A (en) * 1991-10-02 1994-06-07 Westinghouse Electric Corp. Electrohydraulic fluid monitor system
US5349541A (en) * 1992-01-23 1994-09-20 Electric Power Research Institute, Inc. Method and apparatus utilizing neural networks to predict a specified signal value within a multi-element system
US5629872A (en) * 1992-01-29 1997-05-13 Arch Development Corporation System for monitoring an industrial process and determining sensor status
US5459675A (en) * 1992-01-29 1995-10-17 Arch Development Corporation System for monitoring an industrial process and determining sensor status
US5410492A (en) * 1992-01-29 1995-04-25 Arch Development Corporation Processing data base information having nonwhite noise
US5353207A (en) * 1992-06-10 1994-10-04 Pavilion Technologies, Inc. Residual activation neural network
US5309485A (en) * 1992-07-06 1994-05-03 General Electric Company Core automated monitoring system
US5598509A (en) * 1992-08-28 1997-01-28 Hitachi, Ltd. Method of configuring a neural network and a diagnosis/recognition system using the same
US5412584A (en) * 1992-11-30 1995-05-02 Kabushiki Kaisha Toyota Chuo Kenkyusho Dynamic system diagnosing apparatus, tire air pressure diagnosing apparatus and vehicle body weight change detecting apparatus using same
WO1994020887A2 (en) * 1993-03-02 1994-09-15 Pavilion Technologies, Inc. Method and apparatus for analyzing a neural network within desired operating parameter constraints
US5623579A (en) * 1993-05-27 1997-04-22 Martin Marietta Energy Systems, Inc. Automated method for the systematic interpretation of resonance peaks in spectrum data
SE504401C2 (sv) * 1994-06-02 1997-02-03 Asea Atom Ab Förfarande för att övervaka neutrondetektorer i kärnreaktor
US5586066A (en) * 1994-06-08 1996-12-17 Arch Development Corporation Surveillance of industrial processes with correlated parameters
JP3253450B2 (ja) * 1994-06-21 2002-02-04 株式会社東芝 炉心性能推定装置および炉心性能推定方法
JP2829241B2 (ja) * 1994-07-26 1998-11-25 三菱電機株式会社 プラント支援装置
US5710723A (en) * 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
SE504945C2 (sv) * 1995-09-27 1997-06-02 Asea Atom Ab Förfarande och anordning för övervakning med avseende på stabilitet av en kokarvattenreaktor
US5761090A (en) * 1995-10-10 1998-06-02 The University Of Chicago Expert system for testing industrial processes and determining sensor status
DE19707173C5 (de) * 1997-02-22 2006-06-14 Voith Siemens Hydro Power Generation Gmbh & Co. Kg Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine
US5987398A (en) * 1998-04-30 1999-11-16 Sony Corporation Method and apparatus for statistical process control of machines and processes having non-constant mean of a response variable
FR2783620B1 (fr) * 1998-09-22 2002-03-29 De Micheaux Daniel Lafaye Procede et systeme multidimensionnel de maitrise statistique des processus
US6725208B1 (en) * 1998-10-06 2004-04-20 Pavilion Technologies, Inc. Bayesian neural networks for optimization and control
US7572169B1 (en) 1998-11-06 2009-08-11 Beaver Creek Concepts Inc Advanced finishing control
US20130189801A1 (en) * 1998-11-06 2013-07-25 Semcon Tech, Llc Advanced finishing control
US7037172B1 (en) 1999-04-01 2006-05-02 Beaver Creek Concepts Inc Advanced wafer planarizing
US7878882B2 (en) * 1999-04-01 2011-02-01 Charles J. Molnar Advanced workpiece finishing
US7575501B1 (en) 1999-04-01 2009-08-18 Beaver Creek Concepts Inc Advanced workpiece finishing
US7008300B1 (en) 2000-10-10 2006-03-07 Beaver Creek Concepts Inc Advanced wafer refining
US8353738B2 (en) * 1998-11-06 2013-01-15 Semcon Tech, Llc Advanced finishing control
US6739947B1 (en) 1998-11-06 2004-05-25 Beaver Creek Concepts Inc In situ friction detector method and apparatus
US7220164B1 (en) * 2003-12-08 2007-05-22 Beaver Creek Concepts Inc Advanced finishing control
US6986698B1 (en) 1999-04-01 2006-01-17 Beaver Creek Concepts Inc Wafer refining
US7131890B1 (en) * 1998-11-06 2006-11-07 Beaver Creek Concepts, Inc. In situ finishing control
US6748348B1 (en) 1999-12-30 2004-06-08 General Electric Company Design method for nuclear reactor fuel management
US6885975B2 (en) 2000-11-14 2005-04-26 Rajagopalan Srinivasan Method and apparatus for managing process transitions
US20030086520A1 (en) * 2001-11-07 2003-05-08 Russell William Earl System and method for continuous optimization of control-variables during operation of a nuclear reactor
US6785633B2 (en) * 2001-12-28 2004-08-31 General Electric Company Method and apparatus for assessing performance of combined cycle power-plants
US20030125906A1 (en) * 2001-12-28 2003-07-03 Guaglardi Paul A. Method and apparatus for assessing the impact of individual parts of a gas turbine component on the overall thermal performance of a gas turbine
US7444310B2 (en) * 2002-04-19 2008-10-28 Computer Associates Think, Inc. Automatic model maintenance through local nets
WO2003090122A2 (en) * 2002-04-19 2003-10-30 Computer Associates Think, Inc. Using neural networks for data mining
US7777743B2 (en) * 2002-04-19 2010-08-17 Computer Associates Think, Inc. Viewing multi-dimensional data through hierarchical visualization
US7483868B2 (en) * 2002-04-19 2009-01-27 Computer Associates Think, Inc. Automatic neural-net model generation and maintenance
US7487133B2 (en) * 2002-09-19 2009-02-03 Global Nuclear Fuel - Americas, Llc Method and apparatus for adaptively determining weight factors within the context of an objective function
US7313279B2 (en) * 2003-07-08 2007-12-25 Computer Associates Think, Inc. Hierarchical determination of feature relevancy
EP1636738A2 (en) * 2003-05-23 2006-03-22 Computer Associates Think, Inc. Adaptive learning enhancement to auotmated model maintenance
JP4789277B2 (ja) * 2004-04-22 2011-10-12 横河電機株式会社 プラント運転支援装置
CH697616B1 (fr) * 2004-04-27 2008-12-31 Charmilles Technologies Dispositif d'entraînement à contrôle numérique avec dispositif de détection d'anomalies de fonctionnement destiné à la détection de collisions accidentelles et procédé de détection d'anomalies de fonctionnement pour ce dispositif.
US20050286676A1 (en) * 2004-06-29 2005-12-29 Lahoda Edward J Use of isotopically enriched nitride in actinide fuel in nuclear reactors
US7567887B2 (en) * 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
US7424395B2 (en) * 2004-09-10 2008-09-09 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to olefins recovery trains
US7349746B2 (en) * 2004-09-10 2008-03-25 Exxonmobil Research And Engineering Company System and method for abnormal event detection in the operation of continuous industrial processes
US20060074598A1 (en) * 2004-09-10 2006-04-06 Emigholz Kenneth F Application of abnormal event detection technology to hydrocracking units
US8041548B2 (en) 2004-12-30 2011-10-18 Global Nuclear Fuels-Americas, LLC Method and apparatus for evaluating a proposed solution to a constraint problem for a nuclear reactor involving channel deformation
US7421348B2 (en) * 2005-03-18 2008-09-02 Swanson Brian G Predictive emissions monitoring method
US8768664B2 (en) * 2005-03-18 2014-07-01 CMC Solutions, LLC. Predictive emissions monitoring using a statistical hybrid model
US8065022B2 (en) * 2005-09-06 2011-11-22 General Electric Company Methods and systems for neural network modeling of turbine components
US7761172B2 (en) * 2006-03-21 2010-07-20 Exxonmobil Research And Engineering Company Application of abnormal event detection (AED) technology to polymers
DE102006017824B4 (de) * 2006-04-13 2018-10-11 Dspace Digital Signal Processing And Control Engineering Gmbh Methode zum Konstruieren einer Diagnosefunktion
US7720641B2 (en) * 2006-04-21 2010-05-18 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to delayed coking unit
US7991499B2 (en) * 2006-12-27 2011-08-02 Molnar Charles J Advanced finishing control
US8357286B1 (en) 2007-10-29 2013-01-22 Semcon Tech, Llc Versatile workpiece refining
US8165705B2 (en) * 2008-07-10 2012-04-24 Palo Alto Research Center Incorporated Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources
US8145334B2 (en) * 2008-07-10 2012-03-27 Palo Alto Research Center Incorporated Methods and systems for active diagnosis through logic-based planning
US8219437B2 (en) * 2008-07-10 2012-07-10 Palo Alto Research Center Incorporated Methods and systems for constructing production plans
US8266092B2 (en) 2008-07-10 2012-09-11 Palo Alto Research Center Incorporated Methods and systems for target value path identification
US8352236B2 (en) * 2008-10-16 2013-01-08 Institute Of Nuclear Energy Research Fault tree analysis system for the instrument control process for nuclear power plant with advanced boiling water reactor background
EP2192456B1 (en) * 2008-11-26 2017-11-01 Siemens Aktiengesellschaft Estimation an achievable power production of a wind turbine by means of a neural network
US8359110B2 (en) * 2009-03-23 2013-01-22 Kuhn Lukas D Methods and systems for fault diagnosis in observation rich systems
US8862250B2 (en) * 2010-05-07 2014-10-14 Exxonmobil Research And Engineering Company Integrated expert system for identifying abnormal events in an industrial plant
EP2608118B1 (en) * 2011-12-21 2017-08-02 Siemens Aktiengesellschaft A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant
US10955810B2 (en) * 2015-11-13 2021-03-23 International Business Machines Corporation Monitoring communications flow in an industrial system to detect and mitigate hazardous conditions
US10930535B2 (en) 2016-12-02 2021-02-23 Applied Materials, Inc. RFID part authentication and tracking of processing components
US12106865B2 (en) 2020-05-18 2024-10-01 Oregon State University Method and apparatus for real-time learning-based augmented irradiation control and optimization
CN113705615B (zh) * 2021-07-29 2024-05-28 南京邮电大学 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4807168A (en) * 1987-06-10 1989-02-21 The United States Of America As Represented By The Administrator, National Aeronautics And Space Administration Hybrid analog-digital associative neural network
WO1988010474A1 (en) * 1987-06-18 1988-12-29 University Of West Virginia State analog neural network and method of implementing same
US4906940A (en) * 1987-08-24 1990-03-06 Science Applications International Corporation Process and apparatus for the automatic detection and extraction of features in images and displays
US4853175A (en) * 1988-03-10 1989-08-01 The Babcock & Wilcox Company Power plant interactive display
US4933871A (en) * 1988-12-21 1990-06-12 Desieno Duane Graded learning device and method

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2677383A2 (en) 2012-06-19 2013-12-25 Yokogawa Electric Corporation Process monitoring system and method
JP2014002579A (ja) * 2012-06-19 2014-01-09 Yokogawa Electric Corp プロセス監視システム及び方法
US9646111B2 (en) 2012-06-19 2017-05-09 Yokogawa Electric Corporation Process monitoring system and method

Also Published As

Publication number Publication date
US5023045A (en) 1991-06-11
JPH02206721A (ja) 1990-08-16

Similar Documents

Publication Publication Date Title
JPH0660826B2 (ja) プラントの異常診断方法
Lee et al. A convolutional neural network model for abnormality diagnosis in a nuclear power plant
JPH0522241B2 (ja)
Kim et al. Nuclear power plant fault diagnosis using neural networks with error estimation by series association
KR102212022B1 (ko) 양수 수차의 건전성 자동 판정 방법 및 이를 위한 시스템
Shouman et al. A hybrid machine learning model for reliability evaluation of the reactor protection system
US7191108B2 (en) Structured approach for risk-informing deterministic safety analyses
JP5357389B2 (ja) 原子炉運転に関する作動限界までのマージンを判定する方法
Ebrahimzadeh et al. Detection and estimation of faulty sensors in NPPs based on thermal-hydraulic simulation and feed-forward neural network
Lee et al. Event diagnosis method for a nuclear power plant using meta-learning
Rivas et al. A system diagnostic and prognostic framework based on deep learning for advanced reactors
Najar et al. Comparative machine learning study for estimating Peak cladding temperature in AP1000 under LOFW
Arshad et al. Optimized utilization of neural networks for online efficiency monitoring and fault detection in PWR nuclear power plant
Jo et al. Bayesian belief network-based human reliability analysis methodology for start-up and shutdown operations in nuclear power plants
CN120145128B (zh) 基于深度学习耦合物理约束的冷却器堵塞预测方法
Upadhyaya et al. Development and testing of an integrated signal validation system for nuclear power plants
Lim et al. Smart soft-sensing for the feedwater flowrate at PWRs using a GMDH algorithm
Li et al. A long-term dependable and reliable method for reactor accident prognosis using temporal fusion transformer
Lee et al. Prediction of DNBR using fuzzy support vector regression and uncertainty analysis
Na et al. A smart software sensor for feedwater flow measurement monitoring
Na et al. Inferential sensing and monitoring for feedwater flowrate in pressurized water reactors
JPH02133900A (ja) プラントの異常診断方式
JPH0524521B2 (ja)
Talonen Fault detection by adaptive process modeling for nuclear power plant
Park et al. Machine Learning Accident Diagnosis Methodology of Nuclear Power Plant Using Mars-Ks Best-Estimate Performance and Safety Analysis Database