JPH09113671A - 原子炉プラントの実時間監視方法 - Google Patents
原子炉プラントの実時間監視方法Info
- Publication number
- JPH09113671A JPH09113671A JP7272196A JP27219695A JPH09113671A JP H09113671 A JPH09113671 A JP H09113671A JP 7272196 A JP7272196 A JP 7272196A JP 27219695 A JP27219695 A JP 27219695A JP H09113671 A JPH09113671 A JP H09113671A
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- reactor plant
- plant
- real
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
(57)【要約】
【課題】 原子炉プラントにおいて、
ａ．微少な異常兆候を早期に発見可能な、
ｂ．原子炉の起動から停止に至るまで広い炉出力範囲に
わたる全運転期間を通して適用できる、 ｃ．誤動作の少ない、実時間監視方法を提供することを
課題とする。 【解決手段】 原子炉プラントの実時間監視方法におい
て、原子炉から得られる、中性子束、温度、圧力、水量
および電気出力の少なくとも二つのプラントパラメータ
ーの測定データと、初期学習と適応学習からなるニュー
ラルネットワークを利用して推定したデータとを比較
し、当該データの差が、しきい値を越えた場合に、原子
炉プラントが異常であると判定することを特徴とする原
子炉プラントの実時間監視方法を解決手段とする。
わたる全運転期間を通して適用できる、 ｃ．誤動作の少ない、実時間監視方法を提供することを
課題とする。 【解決手段】 原子炉プラントの実時間監視方法におい
て、原子炉から得られる、中性子束、温度、圧力、水量
および電気出力の少なくとも二つのプラントパラメータ
ーの測定データと、初期学習と適応学習からなるニュー
ラルネットワークを利用して推定したデータとを比較
し、当該データの差が、しきい値を越えた場合に、原子
炉プラントが異常であると判定することを特徴とする原
子炉プラントの実時間監視方法を解決手段とする。
Description
【０００１】
【発明の属する技術分野】本発明は、ニューラルネット
ワークを用いて原子炉プラントをモデル化し、原子炉プ
ラントの起動から停止に至る全運転期間を通して、迅速
に微少な異常兆候を実時間で監視する方法に関する。
ワークを用いて原子炉プラントをモデル化し、原子炉プ
ラントの起動から停止に至る全運転期間を通して、迅速
に微少な異常兆候を実時間で監視する方法に関する。
【０００２】
【従来の技術】従来、原子炉プラントの安全保護システ
ムにおいては、あるプラントパラメーターに対し、一定
のしきい値を設定し、原子炉プラントからの信号がしき
い値を超えた場合にのみ警報を発するようになってい
る。そのため、序々に異常事象が進行する場合にあって
は、ある程度異常が大きくなるまで運転員は気づかず、
異常事態が大きくなり、現状状態への復帰が遅れるおそ
れがあった。
ムにおいては、あるプラントパラメーターに対し、一定
のしきい値を設定し、原子炉プラントからの信号がしき
い値を超えた場合にのみ警報を発するようになってい
る。そのため、序々に異常事象が進行する場合にあって
は、ある程度異常が大きくなるまで運転員は気づかず、
異常事態が大きくなり、現状状態への復帰が遅れるおそ
れがあった。
【０００３】また、原子炉の状態は、起動状態、定常運
転状態および停止状態およびそれらの遷移領域に大別さ
れるが、従来は、それぞれの状態のプラントパラメータ
ーに対し、一定のしきい値を設定する必要があり、監視
員の感覚に基づき、切り替え操作等により対処してい
た。すなわち、原子炉プラントの状態は、１回の燃料サ
イクルの間に、燃焼による反応度の変化等によってプラ
ント特性は徐々に変化していくという特殊性を有してお
り、さらに精密なプラントパラメーターに対するしきい
値が要求されていた。
転状態および停止状態およびそれらの遷移領域に大別さ
れるが、従来は、それぞれの状態のプラントパラメータ
ーに対し、一定のしきい値を設定する必要があり、監視
員の感覚に基づき、切り替え操作等により対処してい
た。すなわち、原子炉プラントの状態は、１回の燃料サ
イクルの間に、燃焼による反応度の変化等によってプラ
ント特性は徐々に変化していくという特殊性を有してお
り、さらに精密なプラントパラメーターに対するしきい
値が要求されていた。
【０００４】一方、原子炉プラントの起動時や大幅な出
力変更時には、正常に運転されていたとしても、原子炉
プラントからの信号がしきい値を越え、警報領域に入っ
てアラームが発せられる、いわゆる誤動作の問題もあ
り、点検等のために大幅に時間を要し、極端な場合には
原子炉プラントの運転を停止する必要も生じていた。
力変更時には、正常に運転されていたとしても、原子炉
プラントからの信号がしきい値を越え、警報領域に入っ
てアラームが発せられる、いわゆる誤動作の問題もあ
り、点検等のために大幅に時間を要し、極端な場合には
原子炉プラントの運転を停止する必要も生じていた。
【０００５】そこで、詳細な原子炉プラントの事故解析
コード等を利用して、一元的な物理モデルからプラント
監視システムを構築しようという試みもなされている。
しかしながら、原子炉プラントは非常に複雑でかつ非線
形なシステムであるので、低出力から定格出力、あるい
は停止に至るまでの広範囲に適応可能な一元的なモデル
化は未だ完成されていないという状況である。
コード等を利用して、一元的な物理モデルからプラント
監視システムを構築しようという試みもなされている。
しかしながら、原子炉プラントは非常に複雑でかつ非線
形なシステムであるので、低出力から定格出力、あるい
は停止に至るまでの広範囲に適応可能な一元的なモデル
化は未だ完成されていないという状況である。
【０００６】
【発明が解決しようとする問題点】すなわち、本発明
は、原子炉プラントの主要なプラントパラメータを用い
て、一元的な物理モデルとは異なる、ニューラルネット
ワークでプラントモデルを構築し、実際のデータ（信
号）とモデルによる推定値との誤差を監視することによ
って、 ａ．微少な異常兆候を早期に発見可能な、 ｂ．原子炉プラントの起動から停止に至る広範囲の状態
に適用でき、 ｃ．誤動作の少ない、原子炉プラントの実時間監視方法
の提供にある。
は、原子炉プラントの主要なプラントパラメータを用い
て、一元的な物理モデルとは異なる、ニューラルネット
ワークでプラントモデルを構築し、実際のデータ（信
号）とモデルによる推定値との誤差を監視することによ
って、 ａ．微少な異常兆候を早期に発見可能な、 ｂ．原子炉プラントの起動から停止に至る広範囲の状態
に適用でき、 ｃ．誤動作の少ない、原子炉プラントの実時間監視方法
の提供にある。
【０００７】
【問題点を解決するための手段】本発明は、原子炉プラ
ントの実時間監視方法において、原子炉プラントから得
られる、中性子束、温度、圧力、水量および電気出力の
少なくとも一つのプラントパラメーターの測定データ
（信号）と、初期学習と適応学習からなるニューラルネ
ットワークを利用して推定したデータとを比較し、当該
データの差が、しきい値を越えた場合に、原子炉プラン
トが異常であると判定することを特徴とする原子炉プラ
ントの実時間監視方法であって、かかる方法により従来
の問題が解決されるものである。以下、本発明を詳細に
説明する。
ントの実時間監視方法において、原子炉プラントから得
られる、中性子束、温度、圧力、水量および電気出力の
少なくとも一つのプラントパラメーターの測定データ
（信号）と、初期学習と適応学習からなるニューラルネ
ットワークを利用して推定したデータとを比較し、当該
データの差が、しきい値を越えた場合に、原子炉プラン
トが異常であると判定することを特徴とする原子炉プラ
ントの実時間監視方法であって、かかる方法により従来
の問題が解決されるものである。以下、本発明を詳細に
説明する。
【０００８】（原子炉プラント）本発明が適応される原
子炉プラントは、例えば、軽水炉、高速増殖炉、核融合
炉、あるいはかかる原子炉の実験プラントや付属物が該
当する。かかる軽水炉等の原子炉プラントは、燃料とし
て人体に危険性のある放射線物質を取り扱っており、高
度の安全監視システムが必要とされるためである。
子炉プラントは、例えば、軽水炉、高速増殖炉、核融合
炉、あるいはかかる原子炉の実験プラントや付属物が該
当する。かかる軽水炉等の原子炉プラントは、燃料とし
て人体に危険性のある放射線物質を取り扱っており、高
度の安全監視システムが必要とされるためである。
【０００９】また、本発明における原子炉プラントは、
広く介して、核燃料再処理プラント等も含むものであ
る。なんとならば、核燃料廃棄物や原子炉冷却水等は燃
料の燃焼自体程危険性は高くないものの、同様に高度の
安全監視システムが必要とされるためである。
広く介して、核燃料再処理プラント等も含むものであ
る。なんとならば、核燃料廃棄物や原子炉冷却水等は燃
料の燃焼自体程危険性は高くないものの、同様に高度の
安全監視システムが必要とされるためである。
【００１０】（プラントパラメーター）プラントパラメ
ーターとは、原子炉プラントを運転、維持するための重
要性の高い制御因子をいい、本発明においては、原子炉
プラントから得られる、中性子束、温度、圧力、水量お
よび電気出力の少なくとも２つをプラントパラメーター
として使用することが必要である。
ーターとは、原子炉プラントを運転、維持するための重
要性の高い制御因子をいい、本発明においては、原子炉
プラントから得られる、中性子束、温度、圧力、水量お
よび電気出力の少なくとも２つをプラントパラメーター
として使用することが必要である。
【００１１】かかる中性子束は、原子炉プラントの運転
能力を直接定める重要因子であり、温度は核反応による
原子炉出力を制御する重要因子であり、圧力、水量は、
原子炉プラントの冷却能力等に直接影響し、および電気
出力は、外部への電力供給能力に影響しているためであ
る。
能力を直接定める重要因子であり、温度は核反応による
原子炉出力を制御する重要因子であり、圧力、水量は、
原子炉プラントの冷却能力等に直接影響し、および電気
出力は、外部への電力供給能力に影響しているためであ
る。
【００１２】また、さらに、具体的なプラントパラメー
ターとしては、原子炉プラントの種類や規模により異な
るが、炉外中性子束、ＳＧ１給水圧力、ＳＧ２給水圧
力、１次系温度差Ｌ１、１次系温度差Ｌ２、ＳＧ１給水
流量、ＳＧ２給水流量、ＳＧ１蒸気圧力、ＳＧ２蒸気圧
力、ＳＧ１蒸気流量、ＳＧ２蒸気流量、電気出力等があ
る。
ターとしては、原子炉プラントの種類や規模により異な
るが、炉外中性子束、ＳＧ１給水圧力、ＳＧ２給水圧
力、１次系温度差Ｌ１、１次系温度差Ｌ２、ＳＧ１給水
流量、ＳＧ２給水流量、ＳＧ１蒸気圧力、ＳＧ２蒸気圧
力、ＳＧ１蒸気流量、ＳＧ２蒸気流量、電気出力等があ
る。
【００１３】ここで、具体的内容として、炉外中性子束
とは、原子炉容器の周囲に設置された中性子検出器によ
り測定される炉心中性子束レベルをいい、上述のとお
り、かかる炉外中性子束は、原子炉プラントの状態を監
視する重要な因子であるため、電離箱等を用いて測定さ
れる。
とは、原子炉容器の周囲に設置された中性子検出器によ
り測定される炉心中性子束レベルをいい、上述のとお
り、かかる炉外中性子束は、原子炉プラントの状態を監
視する重要な因子であるため、電離箱等を用いて測定さ
れる。
【００１４】また、ＳＧ１給水圧力とＳＧ２給水圧力に
ついて説明すると、適用した原子力プラントは、図９に
示すように、２つのループから構成されているため、Ｓ
Ｇ１給水圧力とＳＧ２給水圧力は、それぞれ、２つの蒸
気発生器の二次側の入口における給水の圧力を示してお
り、上述のとおり、蒸気発生器の挙動に影響する重要な
因子であるため、トランスデューサー等を用いて測定さ
れる。
ついて説明すると、適用した原子力プラントは、図９に
示すように、２つのループから構成されているため、Ｓ
Ｇ１給水圧力とＳＧ２給水圧力は、それぞれ、２つの蒸
気発生器の二次側の入口における給水の圧力を示してお
り、上述のとおり、蒸気発生器の挙動に影響する重要な
因子であるため、トランスデューサー等を用いて測定さ
れる。
【００１５】さらに、同様に、ＳＧ１給水流量とＳＧ２
給水流量についても、それぞれ、２つの蒸気発生器の二
次側の入口における給水の流量を示しており、上述のと
おり、蒸気発生器の挙動に影響する重要な因子であるた
め、ベンチュリー管等を用いて測定される。
給水流量についても、それぞれ、２つの蒸気発生器の二
次側の入口における給水の流量を示しており、上述のと
おり、蒸気発生器の挙動に影響する重要な因子であるた
め、ベンチュリー管等を用いて測定される。
【００１６】また、ＳＧ１蒸気圧力とＳＧ２蒸気圧力
は、２つの蒸気発生器の二次側の出口における蒸気の圧
力を示し、トランスデューサー等を用いて測定され、同
様に、ＳＧ１蒸気流量とＳＧ２蒸気流量は、２つの蒸気
発生器の二次側の出口における蒸気の流量を示し、ベン
チュリー管等を用いて測定され、これらはそれぞれ、蒸
気発生器における一次側と二次側の熱交換機及びタービ
ンの熱出力に影響するために測定される。
は、２つの蒸気発生器の二次側の出口における蒸気の圧
力を示し、トランスデューサー等を用いて測定され、同
様に、ＳＧ１蒸気流量とＳＧ２蒸気流量は、２つの蒸気
発生器の二次側の出口における蒸気の流量を示し、ベン
チュリー管等を用いて測定され、これらはそれぞれ、蒸
気発生器における一次側と二次側の熱交換機及びタービ
ンの熱出力に影響するために測定される。
【００１７】さらに、１次系温度差Ｌ１については、１
次系ループＮｏ１のホットレグ（原子炉容器から蒸気発
生器に向かう一次冷却材高温側配管）における温度と、
コールドレグ（蒸気発生器から一次冷却材ポンプを経
て、原子炉容器に向かう一次冷却材低温側配管）におけ
る温度差を示しており、同様に、１次系温度差Ｌ２は、
１次系ループＮｏ２のホットレグの温度と、コールドレ
グにおける温度差を示している。これらは、原子炉プラ
ントの出力を制御する重要な因子であり、熱電対等を用
いて測定される。
次系ループＮｏ１のホットレグ（原子炉容器から蒸気発
生器に向かう一次冷却材高温側配管）における温度と、
コールドレグ（蒸気発生器から一次冷却材ポンプを経
て、原子炉容器に向かう一次冷却材低温側配管）におけ
る温度差を示しており、同様に、１次系温度差Ｌ２は、
１次系ループＮｏ２のホットレグの温度と、コールドレ
グにおける温度差を示している。これらは、原子炉プラ
ントの出力を制御する重要な因子であり、熱電対等を用
いて測定される。
【００１８】最後に、電気出力については、発電機によ
って取り出される電気エネルギーと定義されるが、かか
る電気出力は、外部への電力供給能力を定める点で、重
要な因子である。
って取り出される電気エネルギーと定義されるが、かか
る電気出力は、外部への電力供給能力を定める点で、重
要な因子である。
【００１９】本発明においては、これらのプラントパラ
メーターは、少なくとも２つ測定されることにより、原
子炉プラントの異常を正確かつ迅速に判定することが可
能であるが、より正確を期すためには、３つあるいは３
つ以上のプラントパラメーターを測定することも好適で
ある。なんとならば、プラントパラメーターとして、複
数のものを選択し、原子炉プラントの複数箇所を測定す
ることにより、精度が著しく向上し、異常発生場所の推
定も可能となるためである。また、仮に、一カ所の測定
部位において、センサー等が破損した場合にも、迅速に
対処できるためである。
メーターは、少なくとも２つ測定されることにより、原
子炉プラントの異常を正確かつ迅速に判定することが可
能であるが、より正確を期すためには、３つあるいは３
つ以上のプラントパラメーターを測定することも好適で
ある。なんとならば、プラントパラメーターとして、複
数のものを選択し、原子炉プラントの複数箇所を測定す
ることにより、精度が著しく向上し、異常発生場所の推
定も可能となるためである。また、仮に、一カ所の測定
部位において、センサー等が破損した場合にも、迅速に
対処できるためである。
【００２０】（ニューラルネットワーク）ニューラルネ
ットワークは、神経細胞的構造により、過去の運転デー
タを学習によって、原子炉のような非常に複雑な非線形
系をモデル化することが可能なものと定義される。一般
に大別して、階層型と相互連結型のニューラルネットワ
ークがあり、どちらも本発明に使用可能である。階層型
のニューラルネットワークは、階層構造を有することを
特徴とし、入力層から出力層へと、一定方向に情報が流
れて行くものである。つまり、フィードバック結合や、
同一層のユニット間での結合が無く、比較的簡単なネッ
ワークである点で本発明に好適である。
ットワークは、神経細胞的構造により、過去の運転デー
タを学習によって、原子炉のような非常に複雑な非線形
系をモデル化することが可能なものと定義される。一般
に大別して、階層型と相互連結型のニューラルネットワ
ークがあり、どちらも本発明に使用可能である。階層型
のニューラルネットワークは、階層構造を有することを
特徴とし、入力層から出力層へと、一定方向に情報が流
れて行くものである。つまり、フィードバック結合や、
同一層のユニット間での結合が無く、比較的簡単なネッ
ワークである点で本発明に好適である。
【００２１】具体的な階層型のニューラルネットワーク
としては、図４に示すように、入力層、隠れ層（中間
層）、および出力層等とからなり、入力層は、プラント
パラメーター等のデータの入力を担保する部位であり、
隠れ層は、入力されたデータの関数処理等を担保する部
位であり、出力層は、該当するプラントパラメーター等
の推定値の出力を担保する部位を示している。
としては、図４に示すように、入力層、隠れ層（中間
層）、および出力層等とからなり、入力層は、プラント
パラメーター等のデータの入力を担保する部位であり、
隠れ層は、入力されたデータの関数処理等を担保する部
位であり、出力層は、該当するプラントパラメーター等
の推定値の出力を担保する部位を示している。
【００２２】また、具体的な相互連結型のニューラルネ
ットワークとしては、コホーネンネット、ホップフィー
ドモデル、ボルツマンマシン等がある。
ットワークとしては、コホーネンネット、ホップフィー
ドモデル、ボルツマンマシン等がある。
【００２３】しかしながら、原子炉プラントのモデルを
構築する場合には、対象となるシステムが時間とともに
変化していくため、一元的物理モデルでは対処できず、
本発明においては、ニューラルネットワークにおける学
習過程を２つに分ける必要があり、またそれを最大の特
徴としている。
構築する場合には、対象となるシステムが時間とともに
変化していくため、一元的物理モデルでは対処できず、
本発明においては、ニューラルネットワークにおける学
習過程を２つに分ける必要があり、またそれを最大の特
徴としている。
【００２４】すなわち、典型的な運転パターンを学習す
る初期学習と、時間とともに変化していく対象にあわせ
てニューラルネットワークの内部構造を変えていく実時
間適応学習の２つのモードに分けることが必要である。
る初期学習と、時間とともに変化していく対象にあわせ
てニューラルネットワークの内部構造を変えていく実時
間適応学習の２つのモードに分けることが必要である。
【００２５】ここで、初期学習では、過去における原子
炉プラントの起動、定常運転、停止の３つの通常運転パ
ターンを広出力範囲にわたって学習する。この際、幅広
い異常事態に対処可能となるべく、いろいろな出力範囲
の学習データを一様に選択することが好適である。
炉プラントの起動、定常運転、停止の３つの通常運転パ
ターンを広出力範囲にわたって学習する。この際、幅広
い異常事態に対処可能となるべく、いろいろな出力範囲
の学習データを一様に選択することが好適である。
【００２６】また、本来ニューラルネットワークは学習
データの範囲外での適用が困難なため、少なくとも適用
するプラントパラメーターの測定データの最大値と最小
値のデータは初期学習に加えておくことが本発明におい
て好適である。
データの範囲外での適用が困難なため、少なくとも適用
するプラントパラメーターの測定データの最大値と最小
値のデータは初期学習に加えておくことが本発明におい
て好適である。
【００２７】なお、かかる初期学習は一度のみで十分で
あり、原子炉プラントの起動、定常運転、停止の３つの
通常運転パターンに合わせて学習し、ニューラルネッワ
ークの初期状態を作成することとなる。
あり、原子炉プラントの起動、定常運転、停止の３つの
通常運転パターンに合わせて学習し、ニューラルネッワ
ークの初期状態を作成することとなる。
【００２８】次ぎに、本発明において、初期学習後、原
子炉プラントから実時間で送られてくるプラントパラメ
ーターのデータ（信号）を入力し、ニューラルネットワ
ーク、例えば３層構造のフィードフォワード（ｆｅｅｄ
−ｆｏｒｗａｒｄ）型で、図４に示されるような１２入
力、１２出力のオートアソシエイティブ（ａｕｔｏ−ａ
ｓｓｏｃｉａｔｉｖｅ）ネットワークによる推定を行
う。
子炉プラントから実時間で送られてくるプラントパラメ
ーターのデータ（信号）を入力し、ニューラルネットワ
ーク、例えば３層構造のフィードフォワード（ｆｅｅｄ
−ｆｏｒｗａｒｄ）型で、図４に示されるような１２入
力、１２出力のオートアソシエイティブ（ａｕｔｏ−ａ
ｓｓｏｃｉａｔｉｖｅ）ネットワークによる推定を行
う。
【００２９】ここで、オートアソシエイティブネットワ
ークとは、入力層と出力層のユニットが全く対称になっ
ており、学習時における入力値と出力値が同じ値になる
という特徴を有しているものをいう。
ークとは、入力層と出力層のユニットが全く対称になっ
ており、学習時における入力値と出力値が同じ値になる
という特徴を有しているものをいう。
【００３０】さらに、３層構造のフィードフォワード型
のニューラルネットワークは、モデルが簡単に作成で
き、また計算時間を短縮し、適応学習において、実時間
で処理することが可能となる点で、本発明に最適であ
る。
のニューラルネットワークは、モデルが簡単に作成で
き、また計算時間を短縮し、適応学習において、実時間
で処理することが可能となる点で、本発明に最適であ
る。
【００３１】そして、ニューラルネットワークは正常な
運転パターンのみを学習してモデル化を行っているの
で、もし、学習されていない運転パターンが入力された
場合には、各信号の推定値は、実際の値と異なってくる
はずである。したがって、その誤差を監視しておけば、
特にプラント特性に変化がない場合には、そのまま異常
兆候を検知できることになる。なお、入力信号は、学習
の容易性と迅速性確保のために、一定値、例えば、最大
値と最小値がそれぞれ、０．５と−０．５となるよう
に、線形に規格化しておくことが好適である。
運転パターンのみを学習してモデル化を行っているの
で、もし、学習されていない運転パターンが入力された
場合には、各信号の推定値は、実際の値と異なってくる
はずである。したがって、その誤差を監視しておけば、
特にプラント特性に変化がない場合には、そのまま異常
兆候を検知できることになる。なお、入力信号は、学習
の容易性と迅速性確保のために、一定値、例えば、最大
値と最小値がそれぞれ、０．５と−０．５となるよう
に、線形に規格化しておくことが好適である。
【００３２】次に、推定値と実際の信号値の差がしきい
値（許容範囲）内にある場合には、原子炉プラントは正
常とみなし、最新のデータを使って適応学習を行うこと
になる。すなわち、最新のデータから過去一定範囲内に
あるデータを学習し、初期学習における最大誤差を参考
にして、新たにしきい値を設定するものである。
値（許容範囲）内にある場合には、原子炉プラントは正
常とみなし、最新のデータを使って適応学習を行うこと
になる。すなわち、最新のデータから過去一定範囲内に
あるデータを学習し、初期学習における最大誤差を参考
にして、新たにしきい値を設定するものである。
【００３３】但し、実時間適応学習では、早期異常兆候
監視の要求から学習時間に制限があるため、最新のデー
タから過去一定範囲内にあるものを学習に用いることが
好適である。ここで、好適な学習時間としては、具体的
に、１〜４秒である。学習時間が、１秒未満となると、
監視精度が低下するおそれがあるためであり、また、学
習時間が、４秒を超えると、早期異常兆候監視の要求に
反するおそれがあるためである。
監視の要求から学習時間に制限があるため、最新のデー
タから過去一定範囲内にあるものを学習に用いることが
好適である。ここで、好適な学習時間としては、具体的
に、１〜４秒である。学習時間が、１秒未満となると、
監視精度が低下するおそれがあるためであり、また、学
習時間が、４秒を超えると、早期異常兆候監視の要求に
反するおそれがあるためである。
【００３４】また、適応学習範囲（データ数、Ｎ個、Ｎ
は自然数）の設定は、学習時間を基に、測定データのサ
ンプリング間隔とコンピュータの計算速度から決定され
るが、本発明において、適応学習範囲内にある個々のデ
ータの学習回数は一様ではなく、新しい測定データほど
学習の回数が多くなることが好適である（図２参照）。
なんとならば、測定データ数が、一定数であれば、新し
い測定データの学習回数が多くなる程、より現実のデー
タに近く、原子炉プラントの変化に対応したものとなる
ためである。
は自然数）の設定は、学習時間を基に、測定データのサ
ンプリング間隔とコンピュータの計算速度から決定され
るが、本発明において、適応学習範囲内にある個々のデ
ータの学習回数は一様ではなく、新しい測定データほど
学習の回数が多くなることが好適である（図２参照）。
なんとならば、測定データ数が、一定数であれば、新し
い測定データの学習回数が多くなる程、より現実のデー
タに近く、原子炉プラントの変化に対応したものとなる
ためである。
【００３５】すなわち、適応学習において、用いられる
全学習データの個数が、常に、Ｎ（Ｎ−１）／２個であ
り、時刻ｔにおける、各データ点Ｘ（ｔ−ｎ）（ｎ＝
０，Ｎ−１）のデータ使用個数は、（Ｎ−ｎ）個であ
り、すなわち、時刻ｔには、データＸ（ｔ）をＮ回（Ｎ
は２以上の自然数）学習し、さらに、データＸ（ｔ−
１）を（Ｎ−１）回．．．データＸ（ｔ−Ｎ＋１）を１
回、それぞれ学習するものであって、当該適応学習の学
習時間における学習データ数は、かかる時刻の学習デー
タ数の総計となることが好適である。
全学習データの個数が、常に、Ｎ（Ｎ−１）／２個であ
り、時刻ｔにおける、各データ点Ｘ（ｔ−ｎ）（ｎ＝
０，Ｎ−１）のデータ使用個数は、（Ｎ−ｎ）個であ
り、すなわち、時刻ｔには、データＸ（ｔ）をＮ回（Ｎ
は２以上の自然数）学習し、さらに、データＸ（ｔ−
１）を（Ｎ−１）回．．．データＸ（ｔ−Ｎ＋１）を１
回、それぞれ学習するものであって、当該適応学習の学
習時間における学習データ数は、かかる時刻の学習デー
タ数の総計となることが好適である。
【００３６】また学習の順序はランダムではなく、Ｘ
（ｔ−１）：（ｉ＝０、ｊ−１）（ｊ＝１，Ｎ）となる
のが好適である。そして、図２に示されている様に、こ
れらの適応学習データは、新しいデータが入力される度
に１つずつ右側にシフトしていくように設定されている
ことが好適である。
（ｔ−１）：（ｉ＝０、ｊ−１）（ｊ＝１，Ｎ）となる
のが好適である。そして、図２に示されている様に、こ
れらの適応学習データは、新しいデータが入力される度
に１つずつ右側にシフトしていくように設定されている
ことが好適である。
【００３７】一方、どれか一つでも学習データ（信号）
と推定値との誤差がしきい値を超えた場合には学習は中
断し、どの信号が異常であるかのメッセージを画面に出
力し警告を発することになる。なお、異常事態の警告中
には、次の新しいデータの学習は行わず、異常状態の警
告が解除されるまでは、学習機能は中断される。そし
て、異常状態の警告が一定時間以上、続いた場合には、
シンクロナイズして、自動的に原子炉プラントの運転
を、停止または中断等の状態にすることが好適である。
と推定値との誤差がしきい値を超えた場合には学習は中
断し、どの信号が異常であるかのメッセージを画面に出
力し警告を発することになる。なお、異常事態の警告中
には、次の新しいデータの学習は行わず、異常状態の警
告が解除されるまでは、学習機能は中断される。そし
て、異常状態の警告が一定時間以上、続いた場合には、
シンクロナイズして、自動的に原子炉プラントの運転
を、停止または中断等の状態にすることが好適である。
【００３８】さらに、本発明において、しきい値による
判定を１回で行わず、二段階に分けて行うことが好適で
ある。具体的には、ニューラルネットワークが原子炉プ
ラントの状態を正常であると見なしても、適応学習後に
もう１度推定を行い、誤差が新しいしきい値（第１段階
より厳しい）以内に収まっていることを確認することが
好適である。そして、もし、かかる誤差がしきい値を超
えている場合には、新しい適応学習によって更新された
重み等を破棄し、１ステップ前の状態に戻し、異常メッ
セージを出力するのである。
判定を１回で行わず、二段階に分けて行うことが好適で
ある。具体的には、ニューラルネットワークが原子炉プ
ラントの状態を正常であると見なしても、適応学習後に
もう１度推定を行い、誤差が新しいしきい値（第１段階
より厳しい）以内に収まっていることを確認することが
好適である。そして、もし、かかる誤差がしきい値を超
えている場合には、新しい適応学習によって更新された
重み等を破棄し、１ステップ前の状態に戻し、異常メッ
セージを出力するのである。
【００３９】すなわち、ニューラルネットワークを利用
した一段階での誤差判定でも、十分誤動作防止（ロバス
ト）性は有するものの、さらに二段階による判定によっ
て、異常事象を検知することにより、良好な誤動作防止
（ロバスト）性を持たせられる点で、本発明に好適であ
る。
した一段階での誤差判定でも、十分誤動作防止（ロバス
ト）性は有するものの、さらに二段階による判定によっ
て、異常事象を検知することにより、良好な誤動作防止
（ロバスト）性を持たせられる点で、本発明に好適であ
る。
【００４０】
【発明の実施の態様】本発明における原子炉プラントの
監視方法では、初期学習と適応学習からなるニューラル
ネットワークに過去の運転データを一定条件下に学習さ
せることにより、変化する原子炉プラントに適合したモ
デルを構築し、実際の信号とこのモデルによる予測値と
の誤差を監視することによって微少な異常兆候を早期に
発見するものである。
監視方法では、初期学習と適応学習からなるニューラル
ネットワークに過去の運転データを一定条件下に学習さ
せることにより、変化する原子炉プラントに適合したモ
デルを構築し、実際の信号とこのモデルによる予測値と
の誤差を監視することによって微少な異常兆候を早期に
発見するものである。
【００４１】図３に本発明を実施する場合の簡単な概念
図を示す。原子炉プラント（例えば発電所）から数秒毎
に送られて来ているプラントパラメーター（信号）は、
ニューラルネットワークの入力層に取り込まれる。ここ
で、使用したニューラルネットワークは、３層構造のフ
ィードフォワード（ｆｅｅｄ−ｆｏｒｗａｒｄ）型で、
図４に示されるような因子１２個の入力、因子１２個の
出力のオートアソシエイティブ（ａｕｔｏ−ａｓｓｏｃ
ｉａｔｉｖｅ）ネットワークである。このため、学習時
には入力と出力は全く同じ値になっている。
図を示す。原子炉プラント（例えば発電所）から数秒毎
に送られて来ているプラントパラメーター（信号）は、
ニューラルネットワークの入力層に取り込まれる。ここ
で、使用したニューラルネットワークは、３層構造のフ
ィードフォワード（ｆｅｅｄ−ｆｏｒｗａｒｄ）型で、
図４に示されるような因子１２個の入力、因子１２個の
出力のオートアソシエイティブ（ａｕｔｏ−ａｓｓｏｃ
ｉａｔｉｖｅ）ネットワークである。このため、学習時
には入力と出力は全く同じ値になっている。
【００４２】１２個の入力信号としては、原子炉プラン
トのプラントパラメータの中から、もっとも重要だと考
えられ、前述の炉外中性子束、ＳＧ１給水圧力、ＳＧ２
給水圧力、１次系温度差Ｌ１、１次系温度差Ｌ２、ＳＧ
１給水流量、ＳＧ２給水流量、ＳＧ１蒸気圧力、ＳＧ２
蒸気圧力、ＳＧ１蒸気流量、ＳＧ２蒸気流量、電気出力
である。
トのプラントパラメータの中から、もっとも重要だと考
えられ、前述の炉外中性子束、ＳＧ１給水圧力、ＳＧ２
給水圧力、１次系温度差Ｌ１、１次系温度差Ｌ２、ＳＧ
１給水流量、ＳＧ２給水流量、ＳＧ１蒸気圧力、ＳＧ２
蒸気圧力、ＳＧ１蒸気流量、ＳＧ２蒸気流量、電気出力
である。
【００４３】この監視システムを、図９に示す、燃料サ
イクルの最終炉停止時に、オンラインで適用した結果を
図５〜図８に示す。原子炉プラントの出力を１００％か
ら徐々に低下させていった後、しばらくの間、出力２０
０ＭＷで定常運転を行っている。その間にコンデンサの
リンシング（洗浄操作）という特殊な運転を試みている
が、この際にＳＧ１蒸気圧力とＳＧ２蒸気圧力の２次系
の２つのループの挙動が逆位相になることが判明した。
イクルの最終炉停止時に、オンラインで適用した結果を
図５〜図８に示す。原子炉プラントの出力を１００％か
ら徐々に低下させていった後、しばらくの間、出力２０
０ＭＷで定常運転を行っている。その間にコンデンサの
リンシング（洗浄操作）という特殊な運転を試みている
が、この際にＳＧ１蒸気圧力とＳＧ２蒸気圧力の２次系
の２つのループの挙動が逆位相になることが判明した。
【００４４】従って、炉停止を含めた通常運転時には、
正常という診断を、またコンデンサのリンシング時に
は、原子炉二次系のループ２の圧力、流量等が正常では
ないという診断を行っている。これは図５および図６
（あるいは図７および図８）とを見ると、ループ２の挙
動が逆位相になっており、実際の信号と予測値との誤差
が許容範囲を超えたためである。
正常という診断を、またコンデンサのリンシング時に
は、原子炉二次系のループ２の圧力、流量等が正常では
ないという診断を行っている。これは図５および図６
（あるいは図７および図８）とを見ると、ループ２の挙
動が逆位相になっており、実際の信号と予測値との誤差
が許容範囲を超えたためである。
【００４５】
【発明の効果】以上のように、本発明の学習方法を用い
たニューラルネットワークで、原子炉プラントのモデル
化を行うと、原子炉プラントの起動、停止、出力運転お
よびこれらの遷移領域の広出力範囲にわたって、微少な
異常兆候を早期に検知可能であり、しかも誤動作の少な
い実時間監視システムの構築が可能になった。
たニューラルネットワークで、原子炉プラントのモデル
化を行うと、原子炉プラントの起動、停止、出力運転お
よびこれらの遷移領域の広出力範囲にわたって、微少な
異常兆候を早期に検知可能であり、しかも誤動作の少な
い実時間監視システムの構築が可能になった。
【図１】 ニューラルネットワークの学習を、初期学習
と実時間適応学習の２段階に分けたアルゴリズムを表す
図である。
と実時間適応学習の２段階に分けたアルゴリズムを表す
図である。
【図２】 実時間適応学習で使用する学習データを表す
図である。
図である。
【図３】 本発明を実施する場合の簡単な概念図であ
る。
る。
【図４】 本発明の実施例で使用したニューラルネット
ワークのモデルを表す図である。
ワークのモデルを表す図である。
【図５】 最終炉停止時における原子炉プラントのＳＧ
２蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図で
ある。
２蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図で
ある。
【図６】 最終炉停止時における原子炉プラントのＳＧ
１蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図で
ある。
１蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図で
ある。
【図７】 最終炉停止時における原子炉プラントのＳＧ
２蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図
（図５の部分拡大図）である。
２蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図
（図５の部分拡大図）である。
【図８】 最終炉停止時における原子炉プラントのＳＧ
１蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図
（図６の部分拡大図）である。
１蒸気圧力における実際の信号の測定値とニューラルネ
ットワークによる予測値、及びそれらの誤差を表す図
（図６の部分拡大図）である。
【図９】 原子炉プラントを示す概略図である。
１：原子炉 ２：炉外中性子束 ３：冷却ポンプ ４：圧力機器 ５：タービン ６：コンデンサー ７：発電機 ８：蒸気発生器
───────────────────────────────────────────────────── フロントページの続き (72)発明者 オザー・チフチョーゲル 茨城県那珂郡東海村白方字白根２番地の４ 日本原子力研究所東海研究所内
Claims (7)
- 【請求項１】 原子炉プラントの実時間監視方法におい
て、原子炉から得られる、中性子束、温度、圧力、水量
および電気出力の少なくとも２つのプラントパラメータ
ーの測定データと、初期学習と適応学習からなるニュー
ラルネットワークを利用して推定したデータとを比較
し、当該データの差が、しきい値を越えた場合に、原子
炉プラントが異常であると判定することを特徴とする原
子炉プラントの実時間監視方法。 - 【請求項２】 前記初期学習が、前記原子炉プラント
の、起動、定常運転、停止の正常状態の運転パターンを
学習するものであって、かつ前記適応学習が、前記原子
炉プラントの運転状態により、ニューラルネットワーク
の構造を変化させることを特徴とする請求項１に記載の
原子炉プラントの実時間監視方法。 - 【請求項３】 前記ニューラルネットワークが、３層構
造のフィードフォワード（ｆｅｅｄ−ｆｏｒｗａｒｄ）
型であることを特徴とする請求項１または２に記載の原
子炉プラントの実時間監視方法。 - 【請求項４】 前記適応学習において、用いられる全学
習データの個数が、Ｎ（Ｎ−１）／２個であり、時刻ｔ
における、各データ点Ｘ（ｔ−ｎ）（ｎ＝０，Ｎ−１）
のデータ使用個数は、Ｎ−ｎ個であり、すなわち、時刻
ｔには、データＸ（ｔ）をＮ回（Ｎは２以上の自然数）
学習し、データＸ（ｔ−１）を（Ｎ−１）回．．．デー
タＸ（ｔ−Ｎ＋１）を１回学習するものであって、当該
適応学習の学習時間における学習データ数は、かかる時
刻の学習データ数の総計であることを特徴とする請求項
１〜３のいずれか１項に記載の原子炉プラントの実時間
監視方法。 - 【請求項５】 前記適応学習において、学習時間が、１
〜４秒であることを特徴とする、請求項１〜４のいずれ
か１項に記載の原子炉プラントの実時間監視方法。 - 【請求項６】 前記データの差が、前記しきい値を、複
数回越えた場合に、原子炉プラントが異常であると判定
することを特徴とする請求項１〜５のいずれか１項に記
載の原子炉プラントの実時間監視方法。 - 【請求項７】 前記プラントパラメーターを複数測定
し、いずれか一つのプラントパラメーターにおける、前
記データの差が、しきい値を越えた場合に、原子炉プラ
ントが異常であると判定することを特徴とする請求項１
〜６のいずれか１項に記載の原子炉プラントの実時間監
視方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7272196A JPH09113671A (ja) | 1995-10-20 | 1995-10-20 | 原子炉プラントの実時間監視方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7272196A JPH09113671A (ja) | 1995-10-20 | 1995-10-20 | 原子炉プラントの実時間監視方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09113671A true JPH09113671A (ja) | 1997-05-02 |
Family
ID=17510436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7272196A Pending JPH09113671A (ja) | 1995-10-20 | 1995-10-20 | 原子炉プラントの実時間監視方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09113671A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100617989B1 (ko) * | 1997-10-07 | 2006-12-04 | 프라마또므 | 원자로제어방법 |
| KR20220089541A (ko) * | 2020-12-21 | 2022-06-28 | 주식회사 엠앤디 | 원전의 감시 시스템 및 방법 |
| CN115618732A (zh) * | 2022-10-24 | 2023-01-17 | 上海交通大学 | 核反应堆数字孪生关键参数自主优化数据反演方法 |
| CN119551161A (zh) * | 2024-12-12 | 2025-03-04 | 集美大学 | 一种船舶航行环境信息采集系统 |
-
1995
- 1995-10-20 JP JP7272196A patent/JPH09113671A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100617989B1 (ko) * | 1997-10-07 | 2006-12-04 | 프라마또므 | 원자로제어방법 |
| KR20220089541A (ko) * | 2020-12-21 | 2022-06-28 | 주식회사 엠앤디 | 원전의 감시 시스템 및 방법 |
| CN115618732A (zh) * | 2022-10-24 | 2023-01-17 | 上海交通大学 | 核反应堆数字孪生关键参数自主优化数据反演方法 |
| CN119551161A (zh) * | 2024-12-12 | 2025-03-04 | 集美大学 | 一种船舶航行环境信息采集系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nguyen et al. | A digital twin approach to system-level fault detection and diagnosis for improved equipment health monitoring | |
| CN107301884B (zh) | 一种混合式核电站故障诊断方法 | |
| CN100504689C (zh) | 检测连续过程中的系统部件的故障 | |
| Kim et al. | Application of monitoring, diagnosis, and prognosis in thermal performance analysis for nuclear power plants | |
| Kim | Computerized systems for on-line management of failures: a state-of-the-art discussion of alarm systems and diagnostic systems applied in the nuclear industry | |
| FR2743642A1 (fr) | Procede et appareil de diagnostic d'anomalies d'une installation | |
| KR20010031164A (ko) | 원자로 노심의 상태를 나타내는 파라미터를 감시하여불안정 상태의 개시가 검출될 때 핵반응의 임계 상태를감소시키는 보호 시스템과 핵반응시 원자로 노심 감시 방법 | |
| Peng et al. | An intelligent hybrid methodology of on-line system-level fault diagnosis for nuclear power plant | |
| JP4005143B2 (ja) | 蒸気タービンにおける羽根温度推定方法 | |
| Saghafi et al. | Real-time estimation of break sizes during LOCA in nuclear power plants using NARX neural network | |
| Liu et al. | Improvement of fault diagnosis efficiency in nuclear power plants using hybrid intelligence approach | |
| Zhao et al. | Gas turbine exhaust system health management based on recurrent neural networks | |
| Berkan et al. | Advanced automation concepts for large-scale systems | |
| JPH09113671A (ja) | 原子炉プラントの実時間監視方法 | |
| Upadhyaya et al. | Development and testing of an integrated signal validation system for nuclear power plants | |
| Zhao | An integrated approach to performance monitoring and fault diagnosis of nuclear power systems | |
| Li et al. | A long-term dependable and reliable method for reactor accident prognosis using temporal fusion transformer | |
| Liu et al. | Parameter Optimization of Steam Generator Water Level Control System Based on Piecewise ARX Modeling | |
| Guohua et al. | Research on Fault Diagnosis Based on Hierarchical Signed Directed Graph for Nuclear Power Plants | |
| Doraiswami et al. | An intelligent sensor to monitor power system stability, performance and diagnose failures | |
| CN115049014A (zh) | 基于生成对抗网络的核电故障诊断和瞬态预测方法及系统 | |
| Na et al. | Estimation of axial DNBR distribution at the hot pin position of a reactor core using fuzzy neural networks | |
| RU2181510C1 (ru) | Способ управления ядерной энергетической установкой | |
| Ming et al. | A hybrid approach for fault diagnosis based on multilevel flow models and artificial neural network | |
| Liu et al. | An Accident Diagnosis Method of HTR-10 Based on Bayesian Inference Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20040604 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040630 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040903 |