JPH1020925A

JPH1020925A - プラント診断装置

Info

Publication number: JPH1020925A
Application number: JP19415096A
Authority: JP
Inventors: Takao Kageyama; 隆夫影山; Shugo Takayoshi; 修吾高吉
Original assignee: Toshiba Engineering Corp; Toshiba Corp
Current assignee: Toshiba Engineering Corp; Toshiba Corp
Priority date: 1996-07-05
Filing date: 1996-07-05
Publication date: 1998-01-23

Abstract

(57)【要約】【課題】不具合発生時の異常の起点及び伝播経路の探
索を自動的に速やかに行い、さらには、異常事象名とそ
の原因並びに対処法に関する精度の高い情報を提供する
ことができるプラント診断装置を得ることである。【解決手段】観測信号を分割した各々の周波数帯にお
ける現時点を含む観測時間での観測データｎ個の標準偏
差をＲＭＳ演算部５で求め、その標準偏差ＲＭＳが正常
時データの標準偏差に所定の正数を乗じて決定される第
１の閾値を超えたと異常徴候発生判定部７により判定さ
れたときは、標準偏差が正常時データの標準偏差に所定
の正数を乗じることによって別途設定される第２の閾値
を超える日時を、不具合発生日時推定部８は標準偏差の
時間推移に基づいて推定する。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、原子力発電プラン
ト、火力発電プラント、化学プラントなどの大規模なプ
ラントのプロセス信号を基に運転状態を監視して異常の
発生を早期に検出し診断するプラント診断装置に関す
る。

【０００２】

【従来の技術】一般に、原子力発電所のような大規模プ
ラントでは、多数の観測プロセス信号（観測信号）に基
づいて、プラントの異常ないし異常の徴候を早期に検知
しようとする試みがなされ、一部には実用に供されてい
るプラント診断装置がある。これらのプラント診断装置
では、一般には、次の二つの監視診断手法を用いてい
る。

【０００３】第１の監視診断手法は、観測信号の時間に
依存した特徴変化を過去の一定時間の観測データを用い
て統計処理し、例えば、標準偏差（以下、ＲＭＳ）を求
めることにより、対象となる時刻を含む時間の観測値が
前述の統計結果から異なる場合に異常発生の判断がなさ
れるものである。例えば、現時点の標準偏差値が正常時
の値の３倍となった場合に異常と判定する。

【０００４】第２の監視診断手法は、雑音解析と称され
る手法であり、時系列の観測データを、高速フーリエ変
換（ＦＦＴ）等を用いて周波数領域に変換し、複数の周
波数波帯、例えば、低周波数、中周波数、高周波数に分
割し、各周波数帯での観測信号のパワースペクトル密度
（ＰＳＤ）の周波数依存性が基準となる正常時の周波数
依存性から異なる場合に異常発生の判断がなされるもの
である。例えば、現時点のＰＳＤの加算量の平方根（周
波数依存性）が正常時の値の３倍となった場合に異常発
生の判断がなされるものである。

【０００５】これら監視診断手法の両方を採用したプラ
ント診断装置は、全ての周波数成分を含んだ観測信号の
統計量の時間変化と、複数の周波数帯でのスペクトルの
正常データからの差異を異常判定に用いるため、異常の
早期発見に有効である。

【０００６】

【発明が解決しようとする課題】しかしながら、これら
の監視診断手法では、各周波数帯でプラントの安定運転
に殆ど影響をあたえることのない微小な異常（異常徴
候）がプラントを一時停止至らしめる異常（不具合）に
成長する過程の追跡及び将来の成長予測をすることがで
きないという難点が残されていた。

【０００７】本発明の目的は、不具合発生時の異常の起
点及び伝播経路の探索を自動的に速やかに行い、さらに
は、異常事象名とその原因並びに対処法に関する精度の
高い情報を提供することができるプラント診断装置を得
ることである。

【０００８】

【課題を解決するための手段】請求項１の発明は、観測
信号を所定の複数の周波数帯に分割しその周波数帯にお
ける現時点を含む観測時間での観測データｎ個の標準偏
差を算出するＲＭＳ演算部と、標準偏差が第１の閾値を
越えたときは異常徴候の発生と判定する異常徴候発生判
定部と、異常徴候の発生が検出されたときは標準偏差の
時間推移に基づいて標準偏差が第２の閾値を越える日時
を推定し不具合発生日時として出力する不具合発生日時
推定部とを備えたものである。

【０００９】請求項１の発明では、観測信号を分割した
各々の周波数帯における現時点を含む観測時間での観測
データｎ個の標準偏差をＲＭＳ演算部で求め、その標準
偏差が第１の閾値を超えたと異常徴候発生判定部により
判定されたときは、標準偏差が別途設定される第２の閾
値を超える日時を、不具合発生日時推定部は標準偏差の
時間推移に基づいて推定する。

【００１０】請求項２の発明は、請求項１の発明におい
て、第１の閾値および第２の閾値は、正常時データの標
準偏差に、それぞれ別の所定の正数を乗じて決定するよ
うにしたものである。

【００１１】請求項２の発明では、正常時データの標準
偏差に所定の正数を乗じて決定される第１の閾値を標準
偏差が超えた場合に異常徴候を示したと判定し、また、
正常時データの標準偏差に所定の正数を乗じることによ
って別途設定される第２の閾値を標準偏差が超える予想
日時を不具合発生日時として推定する。

【００１２】請求項３の発明は、請求項１の発明におい
て、異常徴候発生判定部が異常徴候の発生を検出した後
は、ＲＭＳ演算部は標準偏差を演算する周期を短くし、
不具合発生日時推定部はその標準偏差の時間推移から第
２の閾値を超える日時を更新しながら逐次推定するよう
にしたものである。

【００１３】請求項３の発明では、請求項１の発明の作
用に加え、標準偏差が第１の閾値を超えた以降は、標準
偏差を演算する周期を短くした上で、その時間推移から
第２の閾値を超える日時を更新しながら逐次推定する。

【００１４】請求項４の発明は、請求項１の発明におい
て、ＲＭＳ演算部は、着目した周波数帯での標準偏差を
演算する際に、所定の観測周期において高速フーリエ変
換することによって算出されるパワースペクトル密度の
加算量の平方根を計算し、標準偏差を演算するようにし
たものである。

【００１５】請求項４の発明では、請求項１の発明の作
用に加え、所定の観測周期において高速フーリエ変換す
ることによって算出されるパワースペクトル密度の加算
量の平方根を計算することにより、着目した周波数帯で
の標準偏差を演算する。

【００１６】請求項５の発明は、請求項１の発明におい
て、ＲＭＳ演算部は、着目した周波数帯での標準偏差を
演算する際に、観測信号に対してバンドパスフィルター
にて観測信号を複数の周波数帯に分割し各種統計量を演
算することにより、標準偏差を演算するようにしたもの
である。

【００１７】請求項５の発明では、請求項１の発明にお
いて、観測信号に対してバンドパスフィルターにて観測
信号を複数の周波数帯に分割し各種統計量を演算するこ
とにより、着目した周波数帯での標準偏差を演算する。

【００１８】請求項６の発明は、請求項１の発明の標準
偏差に代えて、標準偏差を所定の時間における平均値で
除した値とし、また、請求項１の発明における第１の閾
値および第２の閾値は、正常時データの標準偏差を所定
の時間における平均値で除した値にそれぞれ別の所定の
正数を乗じた値としたものである。

【００１９】請求項６の発明では、標準偏差を所定の時
間における平均値で除した値が、正常時データの標準偏
差を所定の時間における平均値で除した値に任意の正数
を乗じて決定される第１の閾値を超えた場合に異常徴候
が発生したと判断し、正常時データの標準偏差に所定の
正数を乗じることによって別途設定される第２の閾値を
超える日時を不具合発生日時と推定する。

【００２０】請求項７の発明は、請求項１乃至請求項６
の発明において、標準偏差が第２の閾値を越えたときは
不具合が発生したと判定する不具合発生判定部と、不具
合が発生したと判定されたときは異常の発生の起点とな
った信号と過渡変化の伝搬経路とを推定する異常伝搬経
路推定部とを備えたものである。

【００２１】請求項７の発明では、請求項１乃至請求項
６の発明の作用に加え、標準偏差が実際に第２の閾値を
超えた場合に、当該観測信号を含むプロセス信号の定性
的な挙動を抽出し、予め作成しておいた信号間の物理的
因果関係と比較参照することによって、突変や過渡変化
の起点となった信号と突変や過渡変化の伝播経路とを推
定する。

【００２２】請求項８の発明は、請求項７の発明におい
て、パワースペクトル密度、異常の発生の起点となった
信号および過渡変化の伝搬経路に基づいて、予め記憶さ
れた知識ベースと比較し異常事象名とその原因および対
処法を提供するニューラルネットを備えたものである。

【００２３】請求項８の発明では、請求項７の発明の作
用に加え、標準偏差第２の閾値を超えた場合に、パワー
スペクトル密度分布、異常の起点、その伝播経路を入力
として、ニューラルネットを用いて予め登録された事象
と照し合せて異常事象名とその原因並びにその対処法を
利用者に提供する。

【００２４】請求項９の発明は、請求項８の発明におい
て、ニューラルネットにとって未知の事象が発生した場
合、またはニューラルネットによる判定結果と実際の異
常事象名およびその原因との差異が生じた場合に、その
未知の事象に対する異常事象名とその原因および対処法
を学習し、新たな知識ベースとして蓄積する学習手段を
備えたものである。

【００２５】請求項９の発明は、請求項８の発明の作用
に加え、ニューラルネットにとって未知の事象が発生し
た場合、あるいは、ニューラルネットによる判定結果と
実際の事象名やその原因との差異が生じた場合に、知識
ベースとして蓄積し学習することにより、同様な事象が
発生した際の判定精度を向上させる。

【００２６】

【発明の実施の形態】以下、本発明の実施の形態を説明
する。図１は本発明の実施の形態に係わるプラント診断
装置のブロック構成図である。プラント１からのデータ
はデータ収集装置２へ集められた後、プラント診断装置
３でプラントで異常が発生したか否かの診断をする。そ
して、その診断結果は表示装置１５に表示される。

【００２７】プラント診断装置３のＦＦＴ演算部４は、
データ収集装置２からの観測信号を所定の周期で入力
し、高速フーリエ演算処理を行うものである。すなわ
ち、観測信号を所定の複数の周波数帯に分割し、その周
波数帯における現時点を含む観測時間での観測データｎ
を得る。例えば、常時監視している中性子束や炉心流量
といった原子力プラントのプロセス信号の時系列データ
ａを一定時間間隔で入力し、高速フーリエ（ＦＦＴ）等
により周波数領域を変換して求めた各信号の周波数特性
を得る。つまり、パワースペクトル密度（ＰＳＤ）のパ
ターン信号ｂを算出する。図２に示すように、周波数帯
ｋ（ｆ１からｆｋ）でのＰＳＤ（ｋ）は、縦軸は最大値
が１となるように規格化されている。

【００２８】ＦＦＴ演算部４で得られたＰＳＤはＲＭＳ
演算部５に入力され、ここで標準偏差（ＲＭＳ）が算出
される。ＲＭＳは周波数帯ｋにおける現時点ｔを含む観
測時間Δｔでの観測データｎ個の標準偏差である。そし
て、ＲＭＳ演算部５にて、時刻ｔでの着目する周波数帯
ｋでのＲＭＳ（ｋ）は、信号ＰＳＤ（ｋ、ｉ）をＮ個の
周波数成分ｉについて積算し、その平方根をとることに
よって求められる。すなわち、ＲＭＳ演算部５では、次
の（１）式により周波数帯ｋでの標準偏差ＲＭＳ（ｋ）
を求める。

【００２９】

【数１】

【００３０】ここで、周波数帯ｋの中でＰＳＤが演算さ
れる周波数の数をｉ（ｉ＝１〜Ｎ）とし、この周波数の
数ｉは、雑音解析による診断を行う上で必要な分解能を
満足するものである。

【００３１】以上の説明では、各周波数帯ｋでのＲＭＳ
の算出は、観測信号ｓのＦＦＴによるＰＳＤを積算して
算出するようにしているが、着目する周波数帯ｋでのＲ
ＭＳ（ｋ）は、時系列の観測信号ｓに対してろ波回路
（バンドパスフィルター）および統計量演算回路を適用
することによっても算出することが可能である。このよ
うにして演算されたＲＭＳ（ｋ）は、異常徴候発生判定
部７に入力される。

【００３２】異常徴候発生判定部７は、ＲＭＳ演算部５
からの標準偏差ＲＭＳ（ｋ）および正常時ＲＭＳ保管部
６に記憶された正常時データの標準偏差を入力し、観測
信号に異常徴候が発生しているか否かを判定する。

【００３３】すなわち、異常徴候発生判定部では、周波
数帯ｋでの現時点ｔを含む演算周期Δｔでのｎ個の観測
データの標準偏差ＲＭＳ（ｋ）が、第１の閾値を超えた
か否かを判定し、第１の閾値を超えたときは異常町が発
生していると判定する。第１の閾値は、過去の正常時の
観測データから算出される標準偏差ＮＲＭＳ（ｋ）に対
して任意の正数ａを掛けることによって定められる。

【００３４】異常徴候発生判定部７で異常徴候の発生で
あると判定されたときは、不具合発生日時推定部８が起
動される。この不具合発生日時推定部８は、異常徴候の
発生と判定された後の標準偏差ＲＭＳ（ｋ）の時間変化
を追跡し、その変化率で代表される時間推移より、不具
合発生を判定する目的で設定される第２の閾値を超える
日時を予測する。その予測結果は表示装置１５に表示さ
れる。なお、第２の閾値は、正常時データの標準偏差Ｎ
ＲＭＳ（ｋ）に対して任意の正数ｂを掛けることによっ
て定められる。また、第１の閾値や第２の閾値を設定す
る際に決められる正数ａ、ｂは、ａ＜ｂのときもあれ
ば、ａ＞ｂのときも有り得る。

【００３５】ここで、異常徴候発生判定部７で異常徴候
の発生が検出されたときは、ＲＭＳでの標準偏差ＲＭＳ
を演算する周期を短くする。すなわち、不具合発生日時
の推定精度向上を図るために、標準偏差ＲＭＳ（ｋ）が
第１の閾値を超えた以降は、標準偏差ＲＭＳを演算する
周期を短くした上で、その時間推移から第２の閾値を超
える日時を更新しながら逐次推定を行う。

【００３６】ここで、不具合発生日時推定部８は図３
（ａ）に示すように、標準偏差ＲＭＳ（ｋ）が第１の閾
値を超えた時点でのＲＭＳ（ｋ）の時間変化率ｄとし
て、ｂ＝ｔａｎθ１＝（ΔＲＭＳ（ｔ，ｋ）／Δｔ）を
用いることにより、第２の閾値を超える日時を予想す
る。このとき、第１の閾値を超えた以降は、図３（ｂ）
に示すように、標準偏差ＲＭＳ（ｋ）を演算する時間周
期をΔｔ’（Δｔ’＜Δｔ）にすることにより、第２の
閾値を超えることによって決められる不具合発生予想日
時を更新する。

【００３７】次に、不具合発生判定部９は、標準偏差が
第２の閾値を超えたことを検出するものであり、実際に
標準偏差が第２の閾値を超えたときは、不具合発生判定
部９は異常談判経路推定部１０を起動する。

【００３８】異常伝播経路推定部１０は、不具合が発生
したと判定されたときは異常の発生の起点となった信号
と過渡変化の伝搬経路とを推定するものである。すなわ
ち、観測信号を含むプロセス信号の増加や減少、その他
の定性的な挙動を抽出し、予め作成しておいた信号間の
物理的因果関係と比較参照することによって、標準偏差
が第２の閾値を超えたときの突変や過渡変化の起点とな
った信号、および突変や過渡変化の伝播経路を推定す
る。

【００３９】この異常伝播経路推定部１０による推定手
法としては、例えば、本出願と同一出願人による特願平
６−９１８２０号（特開平７−２９４６９５号公報）に
開示された推定手法を適用する。図４に、異常伝播経路
推定部１０の構成図を示す。異常伝搬経路推定部１０
は、データ収集装置２によって読み込まれた観測信号ｓ
の初期の定性的な変化を抽出する変化パターン抽出手段
１０ａと、予め作成された観測信号ｓ間の定性的な因果
関係を記録する因果関係データベース１０ｂと、変化パ
ターン抽出手段１０ａによって抽出された初期の定性的
な変化と因果関係データベース１０ｂに記録されている
観測信号間の定性的な因果関係データとを比較すること
により、プラントの突変や過渡変化が伝播したと想定さ
れる因果関係のある経路を推定する伝播経路推定手段１
０ｃと、推定された経路の最も上流にある信号を突変や
過渡変化の起点として抽出し、変化の起点となった信号
とその挙動とに基づいて突変や過渡変化の原因候補の絞
込みを行う起点信号抽出手段１０ｄとを備えている。

【００４０】不具合発生が判定された場合には、異常伝
播経路推定部１０により不具合の起点信号の抽出が行わ
れる。すなわち、変化パターン抽出手段１０ａは、デー
タ収集装置２によって読み込まれた観測信号ｓの初期の
定性的な変化を抽出する。伝播経路推定手段１０ｃは、
変化パターン抽出手段１０ａによって抽出された初期の
定性的な変化と、因果関係データベース１０ｂに記録さ
れている観測信号間の定性的な因果関係データとを比較
し、プラントの突変や過渡変化が伝播したと想定される
因果関係のある経路を推定する。そして、起点信号抽出
手段１０ｄは、推定された経路の最も上流にある信号を
突変や過渡変化の起点として抽出し、変化の起点となっ
た信号とその挙動とに基づいて、突変や過渡変化の原因
候補の絞込みを行う。これにより、不具合の起点とその
伝搬経路の抽出を行う。

【００４１】次に、ニューラルネット１１は、ＦＦＴ演
算部４からのパワースペクトル密度、異常伝搬経路推定
部１０からの異常の発生の起点となった信号および過渡
変化の伝搬経路に基づいて、予め異常原因対処法保管部
１２に記憶された知識ベースと比較し、異常事象名とそ
の原因および対処法を提供するものである。

【００４２】また、ニューラルネット１１にとって未知
の事象が発生した場合、またはニューラルネット１１に
よる判定結果と実際の異常事象名およびその原因との差
異が生じた場合には、出力解釈部１３は学習部１４を起
動する。学習部１４は、その未知の事象に対する異常事
象名とその原因および対処法を学習し、新たな知識ベー
スとして異常原因対処法保管部１２に蓄積する。

【００４３】さらに、ニューラルネット１１、異常原因
対処法保管部１２、出力解釈部１３、学習部１４よる異
常発生の判定は、例えば、本出願と同一出願人による特
願平１−２２８４１１号（特開平３−９２７９５号公
報）に開示された判定手法を適用する。すなわち、常時
監視している中性子束や炉心流量といった原子力プラン
トのプロセス信号の時系列データである観測信号ｓを、
一定時間間隔でＦＦＴ等により周波数領域を変換して求
めた各信号の周波数特性（ＰＳＤのパターン信号）を入
力として使用する。

【００４４】図２で示すように、周波数帯ｋでのＰＳＤ
ｋは、縦軸は最大値が１となるように規格化されてお
り、ニューラルネット１１への入力は、診断に必要な分
解能が得られるだけ周波数領域を分割している。そし
て、それぞれの周波数分点（ｆｉ）における規格化され
たＰＳＤ値（Ｐｉ）を用いる。ニューラルネット１１
は、ＰＳＤｋについて与えられたパターンを識別し、Ｒ
ＭＳ（ｋ）の時間変化率ｄや、異常伝播経路推定部１０
からの異常の伝播経路および起点に関する情報に加え
て、前もって学習してある既知の情報を用いて、異常発
生の原因やその対処法の提供を行う。

【００４５】図５は、ニューラルネット１１の構成図で
ある。ニューラルネットの入力層には、ＰＳＤｋについ
て与えられたパターンであるそれぞれの周波数分点（ｆ
ｉ）における規格化されたＰＳＤ値（Ｐｉ）、ＲＭＳ
（ｋ）の時間変化、不具合検知信号、異常の起点信号等
が入力され、出力層からいずれの異常事象に該当するか
が演算される。例えば図６に示すような出力パターンで
ある場合には、事象２が発生した異常事象である。

【００４６】このように、図５および図６に示すよう
に、ニューラルネット１１の利用による発生事象名およ
びその原因やその対処法の提供がなされる。すなわち、
不具合事象が既知事象の事象２であれば、出力層のニュ
ーロンが興奮して、その事象名が直ちに同定され、異常
原因対処法保管部１２の知識ベースから異常の原因並び
にその対処法が提供される。この診断結果は表示装置１
５に表示される。

【００４７】一方、不具合事象が未知事象Ｘである場合
には、その未知事象Ｘに対する出力のニューロンを決
め、未知事象ＸのＰＳＤｋパターン、ＲＭＳ（ｋ）の時
間変化、および異常の起点や伝播経路に対してこのニュ
ーロンが興奮するような正解パターンを与え、ネットワ
ークの重みを最調整するように学習を行う。

【００４８】以上の説明では、ＲＭＳ（ｋ）を用いて異
常徴候発生の判定および不具合発生日時の予想を行って
いるが、大きさ（ゲイン）の増加に伴いＲＭＳ（ｋ）が
増加する性質を有する信号については、周波数帯ｋにお
ける現時点ｔを含む観測時間Δｔでの観測データｎ個の
標準偏差ＲＭＳ（ｋ）をΔｔでの平均値ＡＶＥ（ｋ）で
除した値が、正常時データの標準偏差ＮＲＭＳ（ｋ）を
ＡＶＥ（ｋ）で除した値に任意の正数ａを乗じて決定さ
れる第１の閾値ａ×ＮＲＭＳ（ｋ）／ＡＶＥ（ｋ）を超
えた場合に、同じく正常時データの標準偏差に任意の正
数ｂを乗じることによって別途設定される第２の閾値ｂ
×ＮＲＭＳ（ｋ）／ＡＶＥ（ｋ）を超える日時を、標準
偏差ＲＭＳ（Ｋ）／ＡＶＥ（ｋ）の時間推移に基づいて
推定する方法が有効である。

【００４９】

【発明の効果】以上述べたように、本発明によれば、異
常徴候が発生した日時の推定、および将来において不具
合に成長する日時を推定することができるため、不具合
に至る前に異常発生箇所を修繕することが可能であり、
プラントの稼働率と信頼性を向上させることができる。
また、不具合が発生した場合には、定性モデルによりプ
ラントの過渡特性に熟知していない経験の浅い技術者で
も異常の起点や伝播経路を短時間に推定することが可能
である。さらに、ニューラルネットにより不具合事象名
を知り、知識ベースにより原因に対する対処法として最
善の選択をすることができる。

【図面の簡単な説明】

【図１】本発明の実施の形態を示すブロック構成図。

【図２】本発明の実施の形態における周波数帯ｋでの規
格化されたパワースペクトル密度分布ＰＳＤ（ｋ）を表
わす説明図。

【図３】本発明の実施の形態における不具合発生日時推
定部での異常徴候検知時の標準偏差変化率からの不具合
発生予想日時の求め方を示す説明図。

【図４】本発明の実施の形態における異常伝播経路推定
部の構成図。

【図５】本発明の実施の形態におけるニューラルネット
の構成図。

【図６】本発明の実施の形態におけるニューラルネット
の出力パターンを表わす説明図。

【符号の説明】

１プラント２データ収集装置３プラント診断装置４ＦＦＴ演算部５ＲＭＳ演算部６正常時ＲＭＳ保管部７異常徴候発生判定部８不具合発生日時推定部９不具合発生判定部１０異常伝播経路推定部１１ニューラルネット１２異常原因対処方保管部１３出力解釈部１４学習部１５表示装置

Claims

【特許請求の範囲】

【請求項１】観測信号を所定の複数の周波数帯に分割
しその周波数帯における現時点を含む観測時間での観測
データｎ個の標準偏差を算出するＲＭＳ演算部と、前記
標準偏差が第１の閾値を越えたときは異常徴候の発生と
判定する異常徴候発生判定部と、前記異常徴候の発生が
検出されたときは前記標準偏差の時間推移に基づいて前
記標準偏差が第２の閾値を越える日時を推定し不具合発
生日時として出力する不具合発生日時推定部とを備えた
ことを特徴とするプラント診断装置。
【請求項２】前記第１の閾値および前記第２の閾値
は、正常時データの標準偏差に、それぞれ別の所定の正
数を乗じて決定するようにしたことを特徴とする請求項
１に記載のプラント診断装置。
【請求項３】前記異常徴候発生判定部が異常徴候の発
生を検出した後は、前記ＲＭＳ演算部は前記標準偏差を
演算する周期を短くし、前記不具合発生日時推定部はそ
の標準偏差の時間推移から前記第２の閾値を超える日時
を更新しながら逐次推定するようにしたことを特徴とす
る請求項１に記載のプラント診断装置。
【請求項４】前記ＲＭＳ演算部は、着目した周波数帯
での標準偏差を演算する際に、所定の観測周期において
高速フーリエ変換することによって算出されるパワース
ペクトル密度の加算量の平方根を計算し、前記標準偏差
を演算するようにしたことを特徴とする請求項１に記載
のプラント診断装置。
【請求項５】前記ＲＭＳ演算部は、着目した周波数帯
での標準偏差を演算する際に、観測信号に対してバンド
パスフィルターにて観測信号を複数の周波数帯に分割し
各種統計量を演算することにより、前記標準偏差を演算
するようにしたことを特徴とする請求項１に記載のプラ
ント診断装置。
【請求項６】前記標準偏差に代えて、前記標準偏差を
所定の時間における平均値で除した値とし、また、前記
第１の閾値および前記第２の閾値は、正常時データの標
準偏差を所定の時間における平均値で除した値にそれぞ
れ別の所定の正数を乗じた値としたことを特徴とする請
求項１に記載のプラント診断装置。
【請求項７】前記標準偏差が第２の閾値を越えたとき
は不具合が発生したと判定する不具合発生判定部と、前
記不具合が発生したと判定されたときは異常の発生の起
点となった信号と過渡変化の伝搬経路とを推定する異常
伝搬経路推定部とを備えたことを特徴とする請求項１乃
至請求項６に記載のプラント診断装置。
【請求項８】前記パワースペクトル密度、前記異常の
発生の起点となった信号および前記過渡変化の伝搬経路
に基づいて、予め記憶された知識ベースと比較し異常事
象名とその原因および対処法を提供するニューラルネッ
トを備えたことを特徴とする請求項７に記載のプラント
診断装置。
【請求項９】前記ニューラルネットにとって未知の事
象が発生した場合、または前記ニューラルネットによる
判定結果と実際の異常事象名およびその原因との差異が
生じた場合に、その未知の事象に対する異常事象名とそ
の原因および対処法を学習し、新たな知識ベースとして
蓄積する学習手段を備えたことを特徴とする請求項８に
記載のプラント診断装置。