JPH10143343A

JPH10143343A - 連想型プラント異常診断装置

Info

Publication number: JPH10143343A
Application number: JP29470996A
Authority: JP
Inventors: Kenji Goto; 賢治後藤; Keiichi Ishimaru; 恵一石丸; Hirohisa Uda; 博久右田
Original assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Current assignee: Fuji Electric Co Ltd; Fuji Facom Corp
Priority date: 1996-11-07
Filing date: 1996-11-07
Publication date: 1998-05-29

Abstract

(57)【要約】【課題】プラントなどのシステムの異常原因を診断す
る装置に関し、雑音が重畳されたり、欠損が生じている
症状データの入力に対しても、異常の原因を的確に推定
する。【解決手段】観測項目の時系列データに対応する異常
状態の症状データとその既知の原因データとをペア情報
として記憶する手段１と、そのペア情報から作成される
連想記憶モデルとしての相互相関行列を記憶する手段２
と、その連想記憶モデルとシステムの現況を示す時系列
データに対応する症状データとを用いて、システムの現
況としての異常の原因を推定する手段３とを備える。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明はプラントなどのシス
テムの異常原因を診断する異常診断装置に係り、更に詳
しくはプラントの異常状態としての症状データと、その
症状の原因としての原因データとに対応する連想記憶モ
デルを用いて、プラントに何らかの異常が発生する前後
の症状データからその症状の原因を推定する連想型プラ
ント異常診断装置に関する。

【０００２】

【従来の技術】例えばプラントの運転時において異常が
検出された場合には、その異常を起こしている原因など
を探索して、異常に対する事後対策を行う必要がある。
更に可能であれば異常が起きる前に異常を起こす原因な
どを探索して、必要な事前対策を行うことが望ましい。

【０００３】このため例えば従来のプラント異常診断装
置においては、プラントからの応答としての出力と、そ
の動特性モデルの出力との偏差に着目して異常診断を行
う方法が用いられている。しかしながら比較的簡単なプ
ラントではその動作を実用的な精度でモデル化すること
ができるため、このような方法を用いた異常診断が可能
であるが、大規模なプラントでは現象が複雑多岐にわた
り、発生した異常に対する原因を診断することは困難で
あった。

【０００４】このように大規模なプラントでは専門家の
経験的知識を条件命題の形で表現した知識ベースと、診
断を実行するための推論機構を用いて、異常の原因を推
定する知識工学的手法も用いられている。このような方
法では、症状・兆候と異常原因との因果関係を経験的知
識として、「もし症状・兆候がＢであればその原因はＡ
である。」という形で知識ベースに蓄えておき、現時点
の症状・兆候からその原因などを探索することになる。

【０００５】

【発明が解決しようとする課題】しかしながら専門家か
ら得られる診断の知識は、「もし原因Ａが起きればその
結果として症状・兆候Ｂが現れる。」という因果関係と
して得られることが多い。このため異常診断のための知
識ベースを構築することは、専門家の知識を獲得すると
いうよりは因果関係の逆問題を解く知識を生成すること
に相当し、制約条件を付加して解を導いているために、
解の存在性・一意性には問題があった。

【０００６】すなわち未知の症状・兆候に対してその原
因は不明であり、解が得られないことがあり、また１つ
の症状・兆候に対して複数の原因がある場合には、前述
の診断知識を用いて原因を一意に決定することはできな
いという問題点があった。

【０００７】本発明は、監視対象から入力される時系列
データなどの症状・兆候の観測値と、異常の原因との既
知の関係に基づいて、あらかじめ連想記憶モデルとして
の相互相関行列を作成し、未知の症状・兆候、例えば雑
音が重畳されたり、欠損が生じたりしている症状・兆候
データの入力に対しても、対応する異常の原因を的確に
連想推論するプラント異常診断装置を提供することを目
的とする。

【０００８】

【課題を解決するための手段】図１は本発明の原理構成
ブロック図である。同図は監視対象から入力される観測
データに基づいて、プラントの異常状態に対する原因を
診断する、連想型プラント異常診断装置の原理構成ブロ
ック図である。

【０００９】図１において症状・原因データ記憶手段１
は、例えば複数の観測項目に対するそれぞれの時系列デ
ータに対応して、異常状態としての症状のデータとその
異常状態に対する既知の原因のデータとをペア情報とし
て記憶するものである。この症状・原因データ記憶手段
１に記憶されている症状データとしての異常状態は、そ
の原因が既知のものであり、原因データは例えばオペレ
ータによって与えられる。

【００１０】相互相関行列記憶手段２は、症状・原因デ
ータ記憶手段１に記憶されている症状データと、その症
状の原因としての原因データとのペア情報に応じて作成
される相互相関行列を連想記憶モデルとして記憶するも
のである。

【００１１】連想記憶モデルを用いた異常診断手段３
は、監視対象の現況を示す時系列データに対応する症状
データと、相互相関行列記憶手段２に記憶されている相
互相関行列とを用いて、監視対象の現況としての異常に
対する原因を推定するものである。ここで監視対象の現
況を示す時系列データには、例えば雑音が重畳された
り、データの一部欠損が起こっていることもあり、不完
全でその原因が未知である時系列データの入力に対し
て、異常に対する原因が推定される。

【００１２】本発明においては相互相関行列は、例えば
バイポーラデータとして表現された症状データと原因デ
ータとに応じて作成され、相互相関行列記憶手段２にす
でに記憶されている相互相関行列に加算されて、その加
算結果が再び相互相関行列記憶手段２に記憶されるか、
またはすでに記憶されている相互相関行列とは別の相互
相関行列として記憶される。従って相互相関行列記憶手
段２の内部には、一般に連想記憶モデルとしての複数の
相互相関行列が記憶される。

【００１３】連想記憶モデルを用いた異常診断手段３に
よる異常診断においては、相互相関行列記憶手段２に記
憶されている複数の連想記憶モデルとしての相互相関行
列の中から、監視対象の現況を示す時系列データに対応
する症状データの入力に対して相互相関行列を用いた双
方向連想作用が繰り返され、その双方向連想作用の結果
が安定した時に、その安定状態における症状データと原
因データとに対応するエネルギーが最小となる相互相関
行列行列が選択され、原因データに対応する原因が異常
に対する原因として推定されることになる。

【００１４】以上のように、本発明によればその関係が
既知である原因データと症状データとに応じて作成され
る相互相関行列を連想記憶モデルとして用いて、原因が
未知である症状データの入力に対してその原因の推定が
行われる。

【００１５】

【発明の実施の形態】図２は本発明の連想型プラント異
常診断装置の実施例のシステム構成ブロック図である。
同図において、連想型プラント異常診断装置１０は、監
視対象プラント１１から入力される、一般に複数項目の
観測値に対応して異常の原因を診断し、その診断結果を
表示装置１２に出力する。

【００１６】連想型プラント異常診断装置１０は、例え
ば１台のコンピュータシステムとして実現される。その
内部の観測値ベクトル入力部２１は、監視対象プラント
１１に対する一般に複数の監視項目のそれぞれに対する
時系列データの組、すなわち時系列パターンを受け取
り、それぞれの時系列パターンを１組、すなわちそれぞ
れ１つの観測値ベクトルとして、ベクトル量子化学習部
２２、またはベクトル量子化想起部２４に出力するもの
である。ここで１つの監視項目に対する時系列データ
は、ｎ個のサンプリング時刻、すなわちｔ₁，ｔ₂，・
・・，ｔ_nにおける観測値とし、それぞれの監視項目に
対する観測値ベクトルはｎ次元のベクトルとして出力さ
れるものとする。

【００１７】ベクトル量子化学習部２２は、観測値ベク
トル入力部２１から与えられる、それぞれの観測項目の
時系列パターンとしての観測値ベクトルを用いて、学習
ベクトル量子化の手順に従って、それぞれの観測項目に
対応するニューラルネットワークの学習を行い、その学
習結果としてのネットワークの出力を量子化データ記憶
部２５に与えると共に、学習後のニューラルネットワー
クの重みを重みベクトル記憶部２３に出力するものであ
る。

【００１８】ベクトル量子化学習部２２の内部には、監
視対象プラント１１に対する観測項目のそれぞれに対応
して、入力層と出力層の２層を持つ階層型ニューラルネ
ットワークが備えられている。図３はこのニューラルネ
ットワークの構造を示す。同図において入力層のニュー
ロン数はｎ個であり、それぞれのニューロンにある１つ
の観測項目の時系列パターン、すなわちｎ個のサンプリ
ング時刻ｔ₁，ｔ₂，・・・，ｔ_nに対応する観測値ｘ
₁，ｘ₂，・・・，ｘ_nが入力される。

【００１９】出力層のニューロン数はｍ個であり、その
うちｊ番目のニューロンは入力層のニューロンと、それ
ぞれ重みｗ_j1，ｗ_j2，・・・，ｗ_jnによって結合され
る。図３では出力層のニューロンは平面内に分布してい
るように描かれているが、これは本来一次元的に入力層
と同様に横に並べてもよいものを結合重みベクトルの代
表点を概念的に示すために平面上に示してある。すなわ
ち平面上の×印は入力層ニューロンへの入力を表し、こ
れらの入力に対応して出力層ニューロンが結合重みベク
トルの代表点を表すことを概念的に示している。

【００２０】なお出力層のニューロン数ｍは、監視対象
の１つの観測項目の時系列パターンを分類すべきカテゴ
リの個数に対応し、ｍ個の出力ニューロンの出力が、症
状・兆候の量子化情報として図１の症状・原因データ記
憶手段１に対応する量子化データ記憶部２５に出力され
る。例えば観測項目が温度であるとすると、温度が高
い、やや高い、・・・等のカテゴリーの数が、前述の出
力層のニューロン数ｍになる。

【００２１】図４はベクトル量子化学習部２２における
学習ベクトル量子化処理のフローチャートである。前述
のように、それぞれの観測項目に対応する２層の階層型
ニューラルネットワークのそれぞれにおいて、同図のフ
ローチャートを用いて結合重みベクトルの学習が行われ
る。

【００２２】図４において処理が開始されると、まずス
テップＳ１で入力層ニューロンと出力層ニューロンの間
の重みの初期値が例えば乱数を用いて設定され、ネット
ワークの初期化が行われる。続いてステップＳ２で入力
層ニューロンに対して、次式で与えられる入力ベクトル
が入力される。なお、本文中ベクトル文字については
“ベクトル”の文字を付して表現する。

【００２３】ベクトルＸ＝（ｘ₁，ｘ₂，・・・，ｘ_n）^T・・・・（１）続いてステップＳ３で、出力層の各ニューロンの結合重
みベクトルと入力ベクトルとの距離が計算される。出力
層のｊ番目のニューロンと入力ベクトルとの距離は次式
によって計算される。

【００２４】

【数１】

【００２５】なおこの距離の計算や学習ベクトル量子化
処理の制御は、ベクトル量子化学習部２２の内部の、図
示しない学習制御部によって行われる。ステップＳ４
で、出力層のニューロンのうちでその結合重みベクトル
と入力ベクトルとの距離が最小となるニューロンが選択
される。このニューロンは勝者ニューロンと呼ばれる。

【００２６】この勝者ニューロンの選択に対応して、ス
テップＳ５で結合重みベクトルの学習が行われる。この
結合重みベクトルの学習、すなわち重みの更新に際して
は、ネットワークが正しく認識した時と誤認識した時と
で、その更新方法が異なる。ネットワークが正しく認識
した時、すなわち勝者ニューロンと与えられる教師値が
最大のニューロンとが一致した時には、次式に基づいて
勝者ニューロンの重みの更新が行われる。

【００２７】Δｗ_ji＝＋η（ｘ_i−ｗ_ji）・・・
（３），ここでηは学習定数ネットワークが誤認識した時、すなわち勝者ニューロン
と与えられる教師値が最大のニューロンとが異なる場合
には、距離が２番目に小さいニューロンが教師値が最大
のニューロンと一致し、かつ勝者ニューロンと２番目の
ニューロンとの距離の差が小さいという条件が満足され
れば、勝者ニューロンおよび２番目のニューロンに対す
る重みが次式によって更新される。

【００２８】Δｗ_ji＝−η（ｘ_i−ｗ_ji）・・・（４）重みの更新が行われた後、ステップＳ６で学習すべき入
力データがまだあるか否かが判定され、ある場合にはス
テップＳ２以降の処理が異なる入力データに対して繰り
返され、ステップＳ６で入力データがないと判定された
時点で処理を終了する。なお異なる入力データは、異な
るｎ個のサンプリング時刻に対応する１つの観測値の時
系列パターンであり、このパターンの数に一致する回数
だけステップＳ２〜Ｓ５の処理が繰り返され、ネットワ
ークの重みの学習が行われる。

【００２９】なお図３において出力層ニューロンの出力
は、重み行列と入力ベクトルおよびシグモイド関数Ｆを
用いて次式によって与えられる一般的なものである。Ｆ（ベトクルＷベトクルＸ）・・・（５）図２の量子化データ記憶部２５は、学習が終了した後の
ベクトル量子化学習部２２の出力、すなわち複数の観測
項目の時系列データに対応するそれぞれのニューラルネ
ットワークの出力パターン、すなわちｍ個の出力ニュー
ロンの出力として与えられる症状・兆候の量子化データ
と、その症状・兆候に対応する原因のデータとをペアと
して、その値が−１、または＋１のいずれれかによって
表されるバイポーラ情報として記憶するものである。こ
こでベクトル量子化学習部２２から出力される症状・兆
候データに対応する原因は既知のものであり、その原因
データは例えば連想型プラント異常診断装置のオペレー
タによって与えられ、量子化データ記憶部２５に記憶さ
れる。なおニューロンの出力０はバイポーラ情報では−
１、出力１はそのまま＋１とする変換が行われる。出力
０を−１に変換するのは後述する行列の演算（乗算）に
おいて０という値が演算結果の意味を不明にする（どん
な値でも０と乗算すると０になる）ためである。

【００３０】量子化データ記憶部２５に記憶される原因
データをＡ、原因Ａに対応する症状・兆候のデータをＢ
とすると、Ｂはベクトル量子化学習部２２の出力として
のｍ個の要素を持つが、原因はＡはｌ（エル）個の要素
を持つものとしてそれぞれ１行の行列で表わし、次式で
表されるものとする。なおこれらの行列のすべての要素
は＋１、または−１の値を持つ。

【００３１】ベクトルＡ＝（ａ₁ａ₂・・・ａ_l）・・・（６）ベクトルＢ＝（ｂ₁ｂ₂・・・ｂ_m）・・・（７）図２の分散型連想記憶モデル学習部２６は、量子化デー
タ記憶部２５に記憶されている症状・兆候の量子化デー
タと、それに対応する原因データとのペア情報を用いて
相互相関行列を作成し、それを相互相関行列記憶部２７
に記憶させるものである。

【００３２】この相互相関行列は異常の原因と症状・兆
候の関係のモデルとしての双方向連想記憶モデルであ
り、未知の原因から生じる症状・兆候データからその原
因を推定するために用いられる。すなわち、量子化デー
タ記憶部２５に記憶されている既知の原因とその原因に
よる症状・兆候のペア情報を基にして作成された相互相
関行列は相互相関行列記憶部２７に記憶され、その双方
向連想記憶モデルを用いて異常診断が行われる。

【００３３】異常の原因とその原因に対する症状・兆候
との関係から相互相関行列を作成するにあたって、相互
相関行列記憶部２７の記憶容量に限界があるために、次
のような方法がとられる。すなわち量子化データ記憶部
２５に記憶された新たな症状・兆候の量子化データと原
因データとのペア情報を用いて双方向連想記憶モデルと
しての相互相関行列を作成する時、すでに相互相関行列
記憶部２７に記憶されている相関行列に新たに作成され
るべき相関行列を加算した行列を用いた双方向連想作用
によって既に記憶されている相関行列作成に用いられた
ペア情報の関係が連想されるか否かを判定し、連想され
ない場合に限って新たな双方向連想記憶モデルとしての
相互相関行列の作成が行われる。

【００３４】図５は分散型連想記憶モデル学習部２６に
よる、新たな症状・兆候の量子化データとそれに対する
原因データとのぺア情報からの相互相関行列作成処理の
詳細フローチャートである。同図において処理が開始さ
れると、まずステップＳ１１で相互相関行列の最大個数
Ｌの初期値を１とする。そしてステップＳ１２で原因と
症状のペア情報（Ａ_k，Ｂ_k）の読み込みカウント数ｋ
が初期化され、ｋ＝０と置かれる。その後相互相関行列
として表現（これを以後記銘と称する）すべき新たなペ
ア情報の全てについて、ステップＳ１３〜ステップＳ３
１までの処理が繰り返される。

【００３５】ここで相互相関行列に記銘すべきペア情報
としては（Ａ₁，Ｂ₁），（Ａ₂，，Ｂ₂），・・・，
（Ａ_kmax，Ｂ_kmax）のｋｍａｘ組があるものとする。ま
ずステップＳ１３でｋの値が歩進、ここでは１とされ、
ステップＳ１４でｋ番目、ここでは１番目のペア情報
（Ａ_k, Ｂ_k）に関する相互相関行列ベクトルＵが次式
を用いて生成される。

【００３６】ベクトルＵ＝ベクトルＡ^TベクトルＢ＝（ａ₁ａ₂・・ａ_l）^T（ｂ₁ｂ₂・・ｂ_m）・・・（８）ステップＳ１５で、すでに作成され相互相関行列記憶部
２７に記憶されている相関行列ベクトルＷ_qの読み込み
カウント数の初期化として、ｑの値が０にセットされ、
ステップＳ１６でペア情報（Ａ_k，Ｂ_k）の相関行列ベ
クトルＷ_qへの記銘の可否フラグの値が０にセットされ
る。そしてすでに相互相関行列記憶部２７に記憶されて
いる相関行列のそれぞれを対象として、ステップＳ１７
〜Ｓ２８の処理が繰り返される。

【００３７】まずステップＳ１７で相関行列の読み込み
カウントの数の値が歩進され、ここではまずｑ＝１とさ
れる。そしてステップＳ１８でフラグの値が０であるか
否かが判定され、０である場合にはステップＳ１９でフ
ラグの値が１とされ、また相関行列ベクトルＷ_q、ここ
ではベクトルＷ₁とステップＳ１４で作成された相互相
関行列ベクトルＵとの和が算出され、その結果がベクト
ルＷ_q′とされる。ステップＳ２０で相関行列ベクトル
Ｗ_q、ここではベクトルＷ₁にすでに記銘されているペ
ア情報の読み込みカウント数ｚの値が０に初期化され、
相関行列ベクトルＷ₁に記銘されたペア情報のそれぞれ
についてステップＳ２１〜ステップＳ２５の処理が繰り
返される。

【００３８】ステップＳ２１でペア情報の読み込みカウ
ント数ｚの値が歩進され、ここではその値が１とされ
る。そしてステップＳ２２で、ペア情報（Ｃ_qz，Ｄ_qz）
を用いて相互相関行列ベクトルＷ_q′による双方向連想
作用が行われ、その連想作用（想起演算）の結果として
安定状態のペア情報（Ｘ，Ｙ）が求めら（出力さ）れ
る。この双方向連想作用（想起演算）については図６で
詳しく説明する。

【００３９】ステップＳ２２で求められた安定状態の出
力ＸおよびＹが次の条件を満足するか否かが、ステップ
Ｓ２３で判定される。Ｘ＝Ｃ_qzかつＹ＝Ｄ_qz・・・（９）この条件が満足される場合には、すでに相互相関行列ベ
クトルＷ_qに記銘されているペア情報ここでは（Ｃ₁₁，
Ｄ₁₁）がステップＳ１９で作成された新しい相関行列ベ
クトルＷ_q′を用いても連想されることになるため、ス
テップＳ２４の処理を行うことなくステップＳ２５に移
行する。

【００４０】これに対してこの条件を満足しない場合に
は、新しく作成された相関行列ベクトルＷ_q′を用いる
とペア情報（Ｃ₁₁，Ｄ₁₁）が連想されないことになるた
め、ステップＳ２４でベクトルＷ_q′からステップＳ１
４で作成された相関行列ベクトルＵが減算され、元の相
関行列ベクトルＷ_qに戻されてフラグの値が０にセット
され、ステップＳ２５の処理に移行する。

【００４１】ステップＳ２５では、相互相関行列ベクト
ルＷ_qにすでに記銘されたペア情報の読み込みカウント
数ｚがすでに記銘されているペア情報の数ｋ_qに達した
か否かが判定され、達していない場合にはステップＳ２
１以降の処理が繰り返される。すなわちステップＳ２１
で、ここではｚの値が２とされ、ステップＳ２２でペア
情報（Ｃ₁₂，Ｄ₁₂）に対する連想作用が行われ、その安
定状態の出力が求められ、続いてステップＳ２３以降の
処理が行われる。

【００４２】ステップＳ２５で相関行列ベクトルＷ_qに
すでに記銘されているペア情報の読み込みカウント数が
記銘されているペア情報の数ｋ_qに達したと判定される
と、ステップＳ２６でフラグの値が１であるか否かが判
定される。このフラグの値は、ステップＳ１９で１にさ
れた後にステップＳ２４で０にセットされない限りは、
１に保たれている。ステップＳ２４でフラグの値が０に
セットされるのは、相関行列ベクトルＷ_qにすでに記銘
されているペア情報、全部でｋ_q組のうちで、相関行列
ベクトルＵをＷ_qに加えた行列ベクトルＷ_q′によって
連想されなかったペア情報が１組でも存在する場合に限
られる。

【００４３】そのためフラグが１となっている時には、
ステップＳ１４で生成された相関行列ベクトルＵの基と
なったペア情報、ここでは（Ａ₁、Ｂ₁）が相互相関行
列ベクトルＷ_qに記銘されていたペア情報を含めてベク
トルＷ_q′に記銘できることになるため、ステップＳ２
７でこの相関行列に記銘されているペア情報の数が歩進
され、その歩進された数、すなわちｋ_q＋１番目のペア
情報が相関行列ベクトルＷ_qにすでに記銘されたペア情
報に加えられ、ステップＳ２８の処理に移行する。

【００４４】ステップＳ２６でフラグが１でない場合に
は、ステップＳ１４で作成された相関行列の基となった
ペア情報を相関行列ベクトルＷ_qに記銘することができ
ないため、ステップＳ２７の処理を行うことなく、ステ
ップＳ２８の処理に移行する。

【００４５】ステップＳ２８で、相互相関行列ベクトル
Ｗ_qの読み込みカウント数ｑが、すでに相互相関行列記
憶部２７に格納されている相関行列の数Ｌに達したか否
かが判定される。ここではｑの値は１であり、まだ一般
的にはＬに達していないため、ステップＳ１７以降の処
理が繰り返される。すなわちステップＳ１７でｑの値が
２とされ、すでに作成されている相関行列のうち２番目
の行列ベクトルＷ₂に対してステップＳ１８以降の処理
が繰り返され、ペア情報（Ａ₁，Ｂ₁）が相関行列ベク
トルＷ₂に記銘できるか否かの判定と、その判定結果に
応じた処理が繰り返される。

【００４６】ステップＳ２８ですでに作成されている相
関行列の全てに対する処理が終了したと判定されると、
ステップＳ２９の処理に移行する。あるいは、ステップ
Ｓ１８においてフラグの値が０でないと判定された場合
にもステップＳ２９の処理に移行する。ステップＳ１８
でフラグの値が０でない、すなわち１であると判定され
るのは、ステップＳ２６でフラグの値が１であると判定
される場合であり、例えばペア情報（Ａ₁，Ｂ₁）に関
して生成された相関行列ベクトルＵがベクトルＷ_qに加
えられた相関行列ベクトルＷ_q′によって相関行列ベク
トルＷ_qに記銘されているペア情報の全てが連想される
場合であり、ペア情報（Ａ₁，Ｂ₁）がステップＳ２７
ですでに記銘されているペア情報に加えられた場合であ
る。この場合には、このペア情報に関して生成された相
関行列ベクトルＵが加算された相関行列によるすでに記
銘されているペア情報の連想可能性の判定、およびそれ
に対応する処理は打ち切られ、ステップＳ２９の処理に
移行することになる。

【００４７】ステップＳ２９でフラグが０であるか否か
が判定され、０の場合にはステップＳ３０の処理を経由
して、また０でない場合にはステップＳ３０の処理を行
うことなく、ステップＳ３１の処理に移行する。フラグ
が０となっているのは、ステップＳ２４で相関行列ベク
トルＷ_q′によってベクトルＷ_qにすでに記銘されてい
るペア情報のいずれかが連想されなかった場合であり、
しかもそのような状態がすでに相互相関行列記憶部２７
に記憶されている全ての相関行列に対して起こり、ステ
ップＳ２８で相関行列の読み込みカウント数ｑがＬに達
した場合に相当する。この場合には全く新しい相関行列
が作成されることになり、ステップＳ３０ですでに作成
された相関行列の数Ｌの値が歩進され、ペア情報、例え
ば（Ａ₁，Ｂ₁）がすでに記銘されたペア情報とされ、
ステップＳ１４で生成された相関行列ベクトルＵは新し
い相関行列ベクトルＷＬとして相互相関行列記憶部２７
に格納され、ステップＳ３１の処理に移行する。

【００４８】ステップＳ３１ではペア情報の読み込みカ
ウント数ｋがｋ_maxに達したか否かが判定され、達した
場合に処理を終了する。達していない場合にはステップ
Ｓ１３以降の処理が繰り返される。すなわちステップＳ
１３でｋの値が歩進され、ここではｋ＝２とされて２番
目のペア情報（Ａ₂，Ｂ₂）に関する相互相関行列の生
成としてのステップＳ１４の処理以降が繰り返される。

【００４９】以上によって本発明の連想型プラント異常
診断装置における診断の準備、すなわち学習動作が終了
する。学習動作が終了すると、図２において監視対象プ
ラント１１から入力される各観測項目の監視データ、す
なわち原因が未知である異常状態が示される可能性のあ
る入力データから、その異常の原因を診断する異常診断
が行われる。

【００５０】この異常診断にあたっては、監視対象プラ
ント１１から入力される症状・兆候のデータは観測値ベ
クトル入力部２１を介してベクトル量子化想起部２４に
与えられる。ベクトル量子化想起部２４にはベクトル量
子化部学習部２の内部と同様に、各観測項目に対してそ
れぞれ２層のニューラルネットワークが備えられてお
り、そのネットワークの結合重みは重みベクトル記憶部
２３に記憶されている重みの値に設定されている。

【００５１】ベクトル量子化想起部２４に備えられてい
る各ニューラルネットワークはベクトル量子化部学習部
２２におけると同様に前述の症状データとしてのパター
ンを出力する。その出力はバイポーラ情報に変換され
て、分散型連想記憶モデルによる異常診断部２８によっ
て異常診断のために用いられる。すなわちベクトル量子
化想起部２４にって出力されるデータはバイポーラ情報
に変換される前の症状データのパターンであり、バイポ
ーラ情報に変換された結果が前述の行列ベクトルＢに相
当する。

【００５２】分散型連想記憶モデルによる異常診断部２
８は、相互相関行列記憶部２７に記憶されている相関行
列を用いて、与えられた症状・兆候のパターンＢに基づ
いて双方向連想作用を繰り返し、安定状態に達した時の
Ａに対応するデータを監視対象プラント１１から入力さ
れた、原因が未知の症状・兆候に対する原因として表示
装置１２に出力する。

【００５３】分散型連想記憶モデルによる異常診断部２
８には、図６に示す双方向に結合を持つ２層のニューラ
ルネットワークが備えられる。同図において四角はニュ
ーロンを表し、四角内の記号ａ₁，・・・，ａ_l，
ｂ₁，・・・，ｂ_mはそれぞれニューロンへの入力、ま
たはニューロンの出力を表す。層１から層２への結合の
重みは相互相関行列記憶部２７に記憶されている相関行
列である重み行列ベクトルＷによって、また層２から層
１への結合の重みはその転置行列ベクトルＷ^Tによって
表される。

【００５４】相互相関行列記憶部２７に記憶されている
相関行列を連想記憶モデルとして用いる双方向連想（想
起演算）過程においては、ベクトル量子化想起部２４か
ら出力される症状・兆候パターンのバイポーラ情報への
変換結果としての症状データパターンＢが層２の各ニュ
ーロンへ入力させ、層１の各ニューロンの出力が求めら
れる。そして次には逆方向の動作、すなわち層１で得ら
れた出力を新しい入力として層１の各ニューロンに入力
され、層２の各ニューロンの出力を得る。このような動
作を繰り返し、安定状態での層１の出力、すなわちパタ
ーンＡが監視対象プラント１１から入力される監視デー
タとしての症状・兆候に対する原因の候補とされる。

【００５５】相互相関行列記憶部２７には一般に複数の
相関行列が記憶されているので、それぞれの相関行列を
用いた双方向連想作用における安定状態のエネルギーが
最小の相互相関行列を用いた場合の層１の出力としての
パターンＡが異常の原因として診断され、表示装置１２
に出力される。これについては図７で説明する。この双
方向連想（想起演算）過程を数式を用いて示せば次のよ
うになる。

【００５６】

【数２】

【００５７】ただし、ベクトルＢ：層２の出力ベクトルの転置行列ベクトルＡ：層１の出力ベクトルの転置行列ベクトルＷ：層１と層２の間の相互相関行列ベクトルＷ^T：ベクトルＷの転置行列Ｆ：活性度関数（たとえば、シグモイド関数） NET_i：ニューロンｉへの入力の重み付き合計 λ：活性度関数の傾きなお前述の図５、ステップＳ２２における双方向連想
（想起演算）過程では異常の原因Ａに相当するＣ_qzが最
初の（層１への）入力とされ、双方向想起演算が実行さ
れ、安定状態における出力がペア状態（Ｘ，Ｙ）として
求められる。

【００５８】図７は分散型連想記憶モデルによる異常診
断部２８によって行われる異常診断処理のフローチャー
トである。同図において処理が開始されると、まずステ
ップＳ４１で相互相関行列記憶部２７に記憶されている
相関行列ベクトルＷ_qの読み込みカウント数ｑの値が０
に初期化され、ステップＳ４２でその値が歩進される。

【００５９】そしてステップＳ４３で入力パターン、す
なわち症状・兆候のバイポーラ情報としてのパターンＢ
が図６の層２に与えられ、相関行列ベクトルＷ_qを用い
た双方向連想作用が行われ、安定状態としての共鳴パタ
ーン（Ｘ_q，Ｙ_q）が出力される。ここでＸ_qは原因の
パターンＡ、Ｙ_qは症状のパターンＢに相当する。

【００６０】そしてステップＳ４４でこの共鳴パターン
のエネルギーＥ_qが、またステップＳ４５で入力パター
ンＢと共鳴出力パターンＸ_qのエネルギーが次式によっ
て計算される。

【００６１】

【数３】

【００６２】ここで上式がエネルギーに相当する理由を
説明する。物理的な運動エネルギーは（１／２）×質量
×速度×速度で表される。エネルギーの多くは係数×あ
る物理量×ある物理量の形で表現できる。上式はこれに
相当し、エネルギーと考えることができる。

【００６３】続いてステップＳ４６で、Ｓ４４とＳ４５
で求められたエネルギーが一致するか否かが判定され、
一致しない場合にはステップＳ４８で相関行列の読み込
みカウント数ｑが相互相関行列記憶部２７に記憶されて
いる行列の数Ｌに達したか否かが判定され、達していな
い場合にはステップＳ４２以降の処理が繰り返され、次
の相関行列を用いた双方向連想作用の結果としての共鳴
パターン出力を行うステップＳ４３以降の処理が行われ
る。

【００６４】ステップＳ４６で２つのエネルギーＥ_qと
Ｅ_q′とが一致したと判定された場合には、ステップＳ
４７でこの相互相関行列に対する共鳴パターン（Ｘ，
Ｙ）が監視対象プラント１１から入力された監視データ
に対応する症状・兆候パターンの原因に対応するものと
して、このパターンのＸ＝Ａが異常の原因として診断さ
れる。一般に、不安定な状態から安定な状態に達すると
エネルギーは最小となる。そこでＥ_qとＥ_q′とが一致
することはエネルギーが最小化されたことを意味する。
なおこの場合にも、ステップＳ４２以降の一連の処理
は、ステップＳ４８で相関行列の読み込みカウント数ｑ
がＬに達するまで行われ、Ｌに達した時点で処理を終了
する。

【００６５】

【発明の効果】以上詳細に説明したように、本発明の連
想型プラント異常診断装置を用いることによって、以下
のような効果が生ずる。第１に、異常の原因と症状・兆
候とのペア情報を分散させて複数の相互相関行列として
記憶しておくことによって、すでに記憶されている相互
相関行列にその記憶状態を破壊することなく、新たなペ
ア情報を付け加えることもでき、メモリの記憶容量をあ
まり意識しなくてすむことになり、異常の原因と症状・
兆候のペア情報を大量に記憶することができ、異常診断
を的確に行うことができる。

【００６６】第２に、雑音が重畳されたり、欠損が生じ
ている症状・兆候のデータを与えても、ニューラルネッ
トワークを用いた連想作用によって、記憶されている相
互相関行列の中で最も適切な相関行列を選択することに
よって、異常の原因を的確に診断することができる。

【００６７】第３に、症状・兆候に対する異常の原因と
異常の原因に対する症状・兆候とを双方向に評価するこ
とによって、個別に評価する場合に発生する曖昧さの増
大を押さえることができ、症状・兆候の傾向に合致した
異常の原因を診断することができる。

【図面の簡単な説明】

【図１】本発明の原理構成ブロック図である。

【図２】本発明の連想型プラント異常診断装置の実施例
の構成を示すブロック図である。

【図３】ベクトル量子化学習部に備えられるニューラル
ネットワークの構造を示す図である。

【図４】学習ベクトル量子化処理のフローチャートであ
る。

【図５】分散型連想記憶モデル学習部の処理フローチャ
ートである。

【図６】分散型連想記憶モデルによる異常診断部に備え
られる双方向ニューラルネットワークの構成を示す図で
ある。

【図７】分散型連想記憶モデルによる異常診断部の処理
フローチャートである。

【符号の説明】

１症状・原因データ記憶手段２相互相関行列記憶手段３連想記憶モデルを用いた異常診断手段１０連想型プラント異常診断装置１１監視対象プラント１２表示装置２１観測値ベクトル入力部２２ベクトル量子化学習部２３重みベクトル記憶部２４ベクトル量子化想起部２５量子化データ記憶部２６分散型連想記憶モデル学習部２７相互相関行列記憶部２８分散型連想記憶モデルによる異常診断部

───────────────────────────────────────────────────── フロントページの続き (72)発明者右田博久東京都日野市富士町１番地富士ファコム制御株式会社内

Claims

【特許請求の範囲】

【請求項１】監視対象から入力される観測データに基
づいて、プラントの異常状態に対する原因を診断するプ
ラント異常診断装置であって、観測項目に対する時系列データに対応して異常状態とし
ての症状のデータと該異常状態の既知の原因のデータと
をペア情報として記憶する症状・原因データ記憶手段
と、該症状・原因データ記憶手段に記憶されている症状デー
タと原因データのペア情報に応じて作成される相互相関
行列を連想記憶モデルとして記憶する相互相関行列記憶
手段と、監視対象の現況を示す時系列データに対応する症状デー
タと、該相互相関行列記憶手段に記憶されている連想記
憶モデルとしての相互相関行列とを用いて、該監視対象
の現況としての異常に対する原因を推定する、連想記憶
モデルを用いた異常診断手段とを備えることを特徴とす
る連想型プラント異常診断装置。
【請求項２】前記プラント異常診断装置において、前記観測項目に対する時系列データに対応して、異常状
態としての症状データを学習ベクトル量子化によって算
出し、該算出結果を前記症状・原因データ記憶手段に出
力するベクトル量子化学習手段を更に備えることを特徴
とする請求項１記載の連想型プラント異常診断装置。
【請求項３】前記相互相関行列記憶手段が、それぞれ
バイポーラデータとして表現された前記症状データと原
因データとのペア情報に応じて作成される相互相関行列
を記憶することを特徴とする請求項１記載の連想型プラ
ント異常診断装置。
【請求項４】前記バイポーラデータとして表現された
症状データと原因データとのペア情報に応じて作成され
る相互相関行列が、前記相互相関行列記憶手段にすでに
記憶されている相互相関行列に加算されて該加算結果が
再び該相互相関行列記憶手段に記憶されるか、または該
すでに記憶されている相互相関行列とは別の相互相関行
列として該相互相関行列記憶手段に記憶されることを特
徴とする請求項３記載の連想型プラント異常診断装置。
【請求項５】前記連想記憶モデルを用いた異常診断手
段が、前記相互相関行列記憶手段に記憶されている複数
の連想記憶モデルとしての相互相関行列の中から、前記
監視対象の現況を示す時系列データに対応する症状デー
タの入力に対して該相互相関行列を用いた双方向連想作
用を繰り返し、該双方向連想作用の結果が安定した時に
該安定状態における症状データと原因データとに対応す
るエネルギーが最小となる相互相関行列を選択して、該
原因データに対応する原因を前記監視対象の現況として
の異常に対する原因として推定することを特徴とする請
求項１記載の連想型プラント異常診断装置。