JPS6057412A - ブラント異常診断装置 - Google Patents
ブラント異常診断装置Info
- Publication number
- JPS6057412A JPS6057412A JP58164168A JP16416883A JPS6057412A JP S6057412 A JPS6057412 A JP S6057412A JP 58164168 A JP58164168 A JP 58164168A JP 16416883 A JP16416883 A JP 16416883A JP S6057412 A JPS6057412 A JP S6057412A
- Authority
- JP
- Japan
- Prior art keywords
- data
- plant
- change
- abnormality
- small
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing And Monitoring For Control Systems (AREA)
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。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
〔発明の利用分野〕
本発明は各（４Ｉ（プラントのプラント状態を診断する
装置に係シ、特にプラントで発生した異常を早Ｊυ１に
・演出・診断するのに好適な診断装置に関する。
装置に係シ、特にプラントで発生した異常を早Ｊυ１に
・演出・診断するのに好適な診断装置に関する。
従来、原子カプラント等では、異常の原因とその異常発
生によって生じるプラントの変化（′４ｉ報元生など）
を、原因−結果関連樹木（ＣＣＴ：Ｃａｕｓｅ Ｃｏｎ
５ｅｑｕｅｏｃｅ ”ｆｒｅｅ） としてあらかじめ記
憶してお唇、１報が発生したとき、ｃｃ’ｒを解析して
静報発生の原因を診断する方式がとられている。この方
式では、プラントのトリップ、主機の停止など、太・中
規模な異常については診断できるが、小規模な異常につ
いでは、侵報レベルに到達するまで長時間かかるため、
ＣＣＴ方式では早期診断ができない。
生によって生じるプラントの変化（′４ｉ報元生など）
を、原因−結果関連樹木（ＣＣＴ：Ｃａｕｓｅ Ｃｏｎ
５ｅｑｕｅｏｃｅ ”ｆｒｅｅ） としてあらかじめ記
憶してお唇、１報が発生したとき、ｃｃ’ｒを解析して
静報発生の原因を診断する方式がとられている。この方
式では、プラントのトリップ、主機の停止など、太・中
規模な異常については診断できるが、小規模な異常につ
いでは、侵報レベルに到達するまで長時間かかるため、
ＣＣＴ方式では早期診断ができない。
また、他の異常診断方式として、プラントの異常に対応
した各プラントデータのパワースペクトル密度をデータ
ベースに記憶しておき、異常発生時のプラントデータの
パワースペクトル密度とのパターン比較から診断する方
式がある。この方式では異常が検知されてからの診断で
あるため、徴候段階での早期診断ができないという問題
点がある。
した各プラントデータのパワースペクトル密度をデータ
ベースに記憶しておき、異常発生時のプラントデータの
パワースペクトル密度とのパターン比較から診断する方
式がある。この方式では異常が検知されてからの診断で
あるため、徴候段階での早期診断ができないという問題
点がある。
本発明の目的は、プラントの異常および小故発生時に、
プラントの運転自体に明らかな＆化として顕在化してい
ない徴候の段階で、異〜および事故事象を実時間で検出
し、発生原因を診断するプラント異常診断方式を提供す
ることにちる。
プラントの運転自体に明らかな＆化として顕在化してい
ない徴候の段階で、異〜および事故事象を実時間で検出
し、発生原因を診断するプラント異常診断方式を提供す
ることにちる。
異常な変動データに何らかの外乱が加わった場合に、そ
の変化全感度よく検出するには、定常な変動を記述でき
る何らかの動特性モデルと実測値との残差信号を利用す
るとよいことが知られている。本発明の特徴の１つは、
このような残差信号の統計的処理により異常の早期検出
を果している点にある。この実現のためには、動特性モ
デルをあらかじめ作成する必要があるが、本発明では、
逐次モデルを更祈できる適応ディジタルフィルターを用
いることことによって、発明の装置自体で自１１１１ｊ
的に動特性モデルｔ １’「成できるようにしている。
の変化全感度よく検出するには、定常な変動を記述でき
る何らかの動特性モデルと実測値との残差信号を利用す
るとよいことが知られている。本発明の特徴の１つは、
このような残差信号の統計的処理により異常の早期検出
を果している点にある。この実現のためには、動特性モ
デルをあらかじめ作成する必要があるが、本発明では、
逐次モデルを更祈できる適応ディジタルフィルターを用
いることことによって、発明の装置自体で自１１１１ｊ
的に動特性モデルｔ １’「成できるようにしている。
本特許の最大の％徴は、異常の診断のために残差の統計
；五にもとづいたパターン比較を行なっていることでち
る。これは第１図に示すように、＞セ常変勧に加わる外
乱の大きさと残差の統ａ１゛祉との１：１の対応がつく
という原理を見出したことに基づいている。即ら、第１
図は、横軸に（重畳した白色雑音の分散値）／（定常デ
ータの分散１直）をとシ、縦軸に（規格化分Ｋｋ値）を
とっている。
；五にもとづいたパターン比較を行なっていることでち
る。これは第１図に示すように、＞セ常変勧に加わる外
乱の大きさと残差の統ａ１゛祉との１：１の対応がつく
という原理を見出したことに基づいている。即ら、第１
図は、横軸に（重畳した白色雑音の分散値）／（定常デ
ータの分散１直）をとシ、縦軸に（規格化分Ｋｋ値）を
とっている。
この規格化分散値は（区間分散１直）／（定常データの
分散値）で表わされる。ここで、白色雑音とは、周波数
スペクトルによって特定化できない雑音でちシ、有色雑
音の対称をなす。有色４（ｆｉ Ｉｔとは、周波数スペ
クトルによって特定化できる雑音全天う。
分散値）で表わされる。ここで、白色雑音とは、周波数
スペクトルによって特定化できない雑音でちシ、有色雑
音の対称をなす。有色４（ｆｉ Ｉｔとは、周波数スペ
クトルによって特定化できる雑音全天う。
これらによって、プラントの異常の検出のみならず診断
自体も、実測データ中の変化が微小な段階で行なえ、か
つ実時間で診断を可能にならしめた。
自体も、実測データ中の変化が微小な段階で行なえ、か
つ実時間で診断を可能にならしめた。
更に、本発明は、原子カプラントでの小規模破断の検出
に適する。原子カプラントの小規模破断についての説明
を第２図に示す。
に適する。原子カプラントの小規模破断についての説明
を第２図に示す。
第２図は、破断位置と計１１１信号とを示す図である。
原子炉２０１は、格納容器２００内に収容され、且つ原
子炉本体２０２を内部に持つ。格納容器２００の下部に
はサプレッションチェンバ２０３を設けている。原子炉
２０１の内部は、液相部分と気相部分とよシ成シ、液相
部分での容器の一部の破断を液相破断と呼び、気相部分
での容器の一部の破断を気相破断と呼ぶ。本発明で汲う
破断は、液相破断及び気相破断の両者であり、且つその
破断規模は小規模を対象とする。
子炉本体２０２を内部に持つ。格納容器２００の下部に
はサプレッションチェンバ２０３を設けている。原子炉
２０１の内部は、液相部分と気相部分とよシ成シ、液相
部分での容器の一部の破断を液相破断と呼び、気相部分
での容器の一部の破断を気相破断と呼ぶ。本発明で汲う
破断は、液相破断及び気相破断の両者であり、且つその
破断規模は小規模を対象とする。
本発明での小ＪＡ模破断の演出のために必要とする両側
信号は、第２図で示す如く各種ある。第２図によれば、
この計測・信号は、原子炉圧ツバ原子炉水位、主蒸気流
量、給水流量、格納容器（ドライウェル）圧ブハ烙納容
器（ドライウェル）温度、チェンバ圧力、プール水温、
プール水位となる。
信号は、第２図で示す如く各種ある。第２図によれば、
この計測・信号は、原子炉圧ツバ原子炉水位、主蒸気流
量、給水流量、格納容器（ドライウェル）圧ブハ烙納容
器（ドライウェル）温度、チェンバ圧力、プール水温、
プール水位となる。
これらの計測ＩＨ号は、第３図では、Ｐｌ＋ Ｐ！＋・
・・・・・ ｐ、に相当する。
・・・・・ ｐ、に相当する。
以下、本発明を実施例によって詳細に説明する。
第３図は本発明を原子カプラントの小規模破断事象診断
のシミュレーションテストに適用したときの実施列であ
る。
のシミュレーションテストに適用したときの実施列であ
る。
４３図において、１は診断対象である沸騰水形原子炉（
ＢＷＩ（、）プラント、２はデータ処理装置、３１＋３
２＋〜、３．は変化、６３出装置、４は変化データ記録
装置、５は原因推足装置、６はデータベース即ち、メモ
リ、７はＣＦ’ｔＴ表示装置４．８はオペレータコンソ
ールでアル。
ＢＷＩ（、）プラント、２はデータ処理装置、３１＋３
２＋〜、３．は変化、６３出装置、４は変化データ記録
装置、５は原因推足装置、６はデータベース即ち、メモ
リ、７はＣＦ’ｔＴ表示装置４．８はオペレータコンソ
ールでアル。
格納容器内の小規模破断事象（Ｓｍａｌｌ Ｌｏｓｓｏ
ｆ Ｃｏｏｌａｎｔ Ａｃｃｉｄｅｎｔ 二以下 小Ｌ
ＯＣＡと略す）の診断では、小ＬＯＣへ元生によって変
化するプラントデータとして、原子炉水位 １＠子炉圧
ツバ格納容器圧力等を用いている。データ処理装置？■
では、原子炉水位Ｐ１％原子炉圧力Ｐ！、・・・・・・
、小ＬＯＣＡ診断で使用する他のプラントデータＰ、ｆ
ｆｉ周期的に取込み、各データの直流成分Ｐ １０ ＋
Ｐ ２０ ＋・・・・・・。
ｆ Ｃｏｏｌａｎｔ Ａｃｃｉｄｅｎｔ 二以下 小Ｌ
ＯＣＡと略す）の診断では、小ＬＯＣへ元生によって変
化するプラントデータとして、原子炉水位 １＠子炉圧
ツバ格納容器圧力等を用いている。データ処理装置？■
では、原子炉水位Ｐ１％原子炉圧力Ｐ！、・・・・・・
、小ＬＯＣＡ診断で使用する他のプラントデータＰ、ｆ
ｆｉ周期的に取込み、各データの直流成分Ｐ １０ ＋
Ｐ ２０ ＋・・・・・・。
Ｐ ｎｏを除去し、各プラントデータの変化成分ＸＩｎ
Ｘ２＋・・・・・・、Ｘ９を出力する。
Ｘ２＋・・・・・・、Ｘ９を出力する。
変化検出装置３１ ＋ ３１ ＋・・・・・・１３１１
では、動特性モデルを用いて、サンプリング周助ごとの
各プラントデータの変化を予」ｌ］シ、実ｔ！ｌｌ瞳と
予ｊｌｌｌ ｌ直との予測残差の統計量から定常状態か
らの変化の有無を判定する。本実施例では、小ＬＯＣＡ
が発生したと色、原子炉圧力Ｐ２の変化検出について述
べる。第３図で、９は動特性モデル、１０は原子炉圧力
の実測値ｘ２と予測値ｙ２との予−１ｊ残差ｅ２、」？
よび実＋＋ｌｌＩ ｌ直Ｘ２の統計量を計算する統計処
理装置、１１は統計処理装置１０で計算された統計値か
ら原子炉圧力が定常状態から変化があったか否かを判定
する変化利足装置である。
では、動特性モデルを用いて、サンプリング周助ごとの
各プラントデータの変化を予」ｌ］シ、実ｔ！ｌｌ瞳と
予ｊｌｌｌ ｌ直との予測残差の統計量から定常状態か
らの変化の有無を判定する。本実施例では、小ＬＯＣＡ
が発生したと色、原子炉圧力Ｐ２の変化検出について述
べる。第３図で、９は動特性モデル、１０は原子炉圧力
の実測値ｘ２と予測値ｙ２との予−１ｊ残差ｅ２、」？
よび実＋＋ｌｌＩ ｌ直Ｘ２の統計量を計算する統計処
理装置、１１は統計処理装置１０で計算された統計値か
ら原子炉圧力が定常状態から変化があったか否かを判定
する変化利足装置である。
動特性モデル９として、本実施列では適応ディジタルフ
ィルタを用いた祠について述べる。適応ディジタルフィ
ルタの特性として、・下式に示す再帰型フィルタを用い
る。
ィルタを用いた祠について述べる。適応ディジタルフィ
ルタの特性として、・下式に示す再帰型フィルタを用い
る。
・・・・・・・・・（１）
上式でｔは現在の時刻、ｎ２はフィルターの次Ｉｓ ”
＋（ｋ＋ｔ） ｂｚ（ｈ＋ｔ）、ハフィルターノａ’Ｐ
係ｄ５−テある。上式に示すように、本実施例では、１
サンプリング周期前の原子炉圧力ｘ２の時系列データか
ら現在の原子炉圧力の予測値Ｙｚ（＊） ’！ｙ：計算
する。
＋（ｋ＋ｔ） ｂｚ（ｈ＋ｔ）、ハフィルターノａ’Ｐ
係ｄ５−テある。上式に示すように、本実施例では、１
サンプリング周期前の原子炉圧力ｘ２の時系列データか
ら現在の原子炉圧力の予測値Ｙｚ（＊） ’！ｙ：計算
する。
適応ディジタルフィルタでは、現在値Ｘ２（−と予測値
Ｖ２ ｆｔ）との予測残差ｅ宜（ｔ）が最小になるよう
にフィルターの重み１糸敢ａ２（１，、すｂ２（ｈ、
ｔ ）が逐次峰正される。フィルターの重み係ａ Ｃ２
（ｋ＋ｓ） ’）２（ｋ＋ｃｌはホワイト（ｗｂｉｔｅ
）の゛アルゴリズム（参考文献１参）Ｉ＠）を用いて、
以下の１ｔｌｌｉ化式で昨正される。
Ｖ２ ｆｔ）との予測残差ｅ宜（ｔ）が最小になるよう
にフィルターの重み１糸敢ａ２（１，、すｂ２（ｈ、
ｔ ）が逐次峰正される。フィルターの重み係ａ Ｃ２
（ｋ＋ｓ） ’）２（ｋ＋ｃｌはホワイト（ｗｂｉｔｅ
）の゛アルゴリズム（参考文献１参）Ｉ＠）を用いて、
以下の１ｔｌｌｉ化式で昨正される。
ここで、ｕ、■はあらかじめ決めておく漸近速度係数、
αｚ（ｋ＋ｔ）＋βｚ（ｋ＋ｔ）は以下のように定義す
る。
αｚ（ｋ＋ｔ）＋βｚ（ｋ＋ｔ）は以下のように定義す
る。
ｎつ
適応デ・ｒ′）タルフィルタ分用いる。・凸金、足帛状
態のプラントデータから、フィルター次数１１２および
（２）式で示したｉ；ｉｐｉ近速変速度係数＋ ｖＲを
あらかじめ決めておく必要がある。本実施例ではフィル
ター次数と漸近速度係数を情報量規準ＡＩＣ（Ａｈａｉ
ｋｅ’ｓ ｉｎｆｏｒｍａｔｉｏｎＣｒｉｔｅｒｉｏｎ
）の最小規範から決定した。情報量規準ＡＩＣは、予測
残差ｅ２の分散値をＣ２、母数Ｎ２とすると下式で表わ
される。
態のプラントデータから、フィルター次数１１２および
（２）式で示したｉ；ｉｐｉ近速変速度係数＋ ｖＲを
あらかじめ決めておく必要がある。本実施例ではフィル
ター次数と漸近速度係数を情報量規準ＡＩＣ（Ａｈａｉ
ｋｅ’ｓ ｉｎｆｏｒｍａｔｉｏｎＣｒｉｔｅｒｉｏｎ
）の最小規範から決定した。情報量規準ＡＩＣは、予測
残差ｅ２の分散値をＣ２、母数Ｎ２とすると下式で表わ
される。
ＡＩ Ｃ２＝Ｎ２ ・／−ｏ ｇａ ６雪＋２ ・ｎ２
・＝−（４）第４図にシミュレーションで得られた定
常状態におけるおよび気相破断が発生したときの原子炉
圧力の変化を示す。この第４図はせ辺に定常状態となっ
ており、５０秒陵に気相破断が発生した場合の原子炉圧
力の推移を示す。気相破断は破断面積をＳとすると、Ｓ
ｍ０．００１ｆｔ” 、Ｓｍ０．００５ｆｔ”。
・＝−（４）第４図にシミュレーションで得られた定
常状態におけるおよび気相破断が発生したときの原子炉
圧力の変化を示す。この第４図はせ辺に定常状態となっ
ており、５０秒陵に気相破断が発生した場合の原子炉圧
力の推移を示す。気相破断は破断面積をＳとすると、Ｓ
ｍ０．００１ｆｔ” 、Ｓｍ０．００５ｆｔ”。
Ｓｍ０．０１ ｆ ｔ” （ｉ旦し、ｆｔはフィートを
示す）の３つの場合ケそれぞれ示している。破断面ｔ’
ｓが小さい程、原子炉圧力変動は少なく、破断面積Ｓが
大きい（１、原、子炉圧力！勅は大きい。第４図に示す
定常状態のデータを適応ディジタルフィルタに人力し、
フィルタ次数および漸近速度係数を変えたときのＡｉＣ
の直ｔｌ−第１表に示す。ＡｌＣ０値は、ｎ、＝３．ｕ
２．ｖ２ ＝０．３で最小値トナっているが、本実施例
では、”＊ ＝４ ｌ”２ ＝Ｖ＊＝０．２とした。こ
れは、ＡＩＣが最小値となるフィルター次数および漸近
速度係数を用いた場合、高速度で小ＬＯＣＡによる原子
炉圧力の変化を検出できるが、ＬＯＧＡの規模が大きい
場ば、原子炉圧力の変化が大きくなりフィルターが追従
できなくなることを僻けるために、若干感度を悪くフィ
ルターの特性を決めた。なおフィルターの発散を防止す
る実施例については麦述子る。まだ、本実施例に示すデ
ータはＢＷＲプラントのＬＯＣＡを模擬した動特性プロ
グラムの解析結渠を用いたものである。
示す）の３つの場合ケそれぞれ示している。破断面ｔ’
ｓが小さい程、原子炉圧力変動は少なく、破断面積Ｓが
大きい（１、原、子炉圧力！勅は大きい。第４図に示す
定常状態のデータを適応ディジタルフィルタに人力し、
フィルタ次数および漸近速度係数を変えたときのＡｉＣ
の直ｔｌ−第１表に示す。ＡｌＣ０値は、ｎ、＝３．ｕ
２．ｖ２ ＝０．３で最小値トナっているが、本実施例
では、”＊ ＝４ ｌ”２ ＝Ｖ＊＝０．２とした。こ
れは、ＡＩＣが最小値となるフィルター次数および漸近
速度係数を用いた場合、高速度で小ＬＯＣＡによる原子
炉圧力の変化を検出できるが、ＬＯＧＡの規模が大きい
場ば、原子炉圧力の変化が大きくなりフィルターが追従
できなくなることを僻けるために、若干感度を悪くフィ
ルターの特性を決めた。なおフィルターの発散を防止す
る実施例については麦述子る。まだ、本実施例に示すデ
ータはＢＷＲプラントのＬＯＣＡを模擬した動特性プロ
グラムの解析結渠を用いたものである。
プラントが定常状態のとき、適応ディジタルフィルタは
ノ東子炉圧力ｘ２の変化に追従して動作し、予測残差ｅ
＠ 、 Ｑとなつ−Ｃいる。しかし、小ＬＯＣＡ等の
異常発生に伜って、原子炉圧力Ｘ２に異常雑音が重畳す
ると適応ディジタルフィルタが即応できないため、予測
残差ｅｌが急変する。本発明では予測残差を以丁に述べ
るように統計的に処理して異常発生によるプラントデー
タの変化を処理する。
ノ東子炉圧力ｘ２の変化に追従して動作し、予測残差ｅ
＠ 、 Ｑとなつ−Ｃいる。しかし、小ＬＯＣＡ等の
異常発生に伜って、原子炉圧力Ｘ２に異常雑音が重畳す
ると適応ディジタルフィルタが即応できないため、予測
残差ｅｌが急変する。本発明では予測残差を以丁に述べ
るように統計的に処理して異常発生によるプラントデー
タの変化を処理する。
統計処理装置１０では、各サンプリング周期ごとに原子
炉圧力の実測値Ｘ！と予測残差ｅ、の分散値ＶＸｚ 、
ＶＥＸ を下式で計算する。
炉圧力の実測値Ｘ！と予測残差ｅ、の分散値ＶＸｚ 、
ＶＥＸ を下式で計算する。
上式でＮはｆｆ１Ｍ、ＡＶＸｚ 、ＡＶＥ２は原子炉圧
力の実測、１敞ｘ２と予測残差ｅ２の多動平均値である
。定常状態からのプラントデータの変化の有無を判定す
る場ば、予測残差の分散値ｖＥ２を評価してもよいが、
変化判定のしきい値がプラントデータごとに異なるため
に、しきい値の設定がむずかしくなる。そこで、本実ｍ
列では、正規化した予測残差の分散値を用いてデータ変
化を判定するようにした。
力の実測、１敞ｘ２と予測残差ｅ２の多動平均値である
。定常状態からのプラントデータの変化の有無を判定す
る場ば、予測残差の分散値ｖＥ２を評価してもよいが、
変化判定のしきい値がプラントデータごとに異なるため
に、しきい値の設定がむずかしくなる。そこで、本実ｍ
列では、正規化した予測残差の分散値を用いてデータ変
化を判定するようにした。
正規化した予測残差η３（すの２乗和ｔ＊＆）は自由度
Ｎの７２分布に従うことが知られている。このことから
、ｔｔ （１）は正常な４合には相対的に小さな値に、
異常な場合には大きな１直となる。したがって、適当な
しきい値ε２を設定し、１１（１）≦Ｃのときデータ変
化無し ｔ２（ｔｌ ） ｅのときデータ変化壱りと判定する。
Ｎの７２分布に従うことが知られている。このことから
、ｔｔ （１）は正常な４合には相対的に小さな値に、
異常な場合には大きな１直となる。したがって、適当な
しきい値ε２を設定し、１１（１）≦Ｃのときデータ変
化無し ｔ２（ｔｌ ） ｅのときデータ変化壱りと判定する。
第５図に第４図で示した定常および気相破断発生時の原
子炉圧力の変化を統制処理装置１０で処理した結果の一
例を示す。図で気相破断が生ずるまでの時間が定常状態
での様子を示し、気相破断発生後は、破断面積Ｓ ＝
０．００１ ｆ ｔ”ではＸ印、Ｓ；０．００５ｆｔ”
ではΔ印、ｓ ＝ ｏ、ｏｉ ｒ ｔ”ではＯ印で示す
。特に第５図では、正規化した予測残差の分散値Ｌｚ
（χ２データ）の１０秒間の最大値と最小値を示したも
のである。χビ常状態ではｔりの値は約２以下の値とな
っておシ、仮に変化検出のしきい値ε２＝２と設定すれ
ば、破断面積０．００５ｆｔ”以上では、破断後１０秒
以内にデータ変化が横書できるが、破断面積０．００１
ｆｔ” と非常に小規模な破断ては、原子炉圧力は足常
状態と殆んど変らないため、変化が検出できない。この
ように、小ＬＯＣＡ発生時の予測残差の統計量は、ＬＯ
ＣＡの規模に対応して変化する。
子炉圧力の変化を統制処理装置１０で処理した結果の一
例を示す。図で気相破断が生ずるまでの時間が定常状態
での様子を示し、気相破断発生後は、破断面積Ｓ ＝
０．００１ ｆ ｔ”ではＸ印、Ｓ；０．００５ｆｔ”
ではΔ印、ｓ ＝ ｏ、ｏｉ ｒ ｔ”ではＯ印で示す
。特に第５図では、正規化した予測残差の分散値Ｌｚ
（χ２データ）の１０秒間の最大値と最小値を示したも
のである。χビ常状態ではｔりの値は約２以下の値とな
っておシ、仮に変化検出のしきい値ε２＝２と設定すれ
ば、破断面積０．００５ｆｔ”以上では、破断後１０秒
以内にデータ変化が横書できるが、破断面積０．００１
ｆｔ” と非常に小規模な破断ては、原子炉圧力は足常
状態と殆んど変らないため、変化が検出できない。この
ように、小ＬＯＣＡ発生時の予測残差の統計量は、ＬＯ
ＣＡの規模に対応して変化する。
統計処理装置１０で計算された統計量ＶＸｚ。
ＶＥｚ、η２．ｔ２は後述する原因推定で使用するだめ
、変化データ記録装置４に送られる。また、正規化した
予７１１１１残差の分散値７２は上述したデータ変化の
判定をするため、変化検出装置４１１に送られる。
、変化データ記録装置４に送られる。また、正規化した
予７１１１１残差の分散値７２は上述したデータ変化の
判定をするため、変化検出装置４１１に送られる。
４４１６図に変化ＩＵ定装置の処Ｊ１７０−を示す。処
ｊ里ス戸ツブＦＩでは、前述したように正規化した予測
残差の分散１直ｔ２としきい値６２を比較し、変化の有
無ｔ ４１１ 足する。もし％ Ａｔ ＞ ’の場合に
はＶル埋ステップＦ２でデータ変化７ラグＣ１＝１に設
定する。データ変化フラグＣ２の値は変化データ記録装
置４に送られる。
ｊ里ス戸ツブＦＩでは、前述したように正規化した予測
残差の分散１直ｔ２としきい値６２を比較し、変化の有
無ｔ ４１１ 足する。もし％ Ａｔ ＞ ’の場合に
はＶル埋ステップＦ２でデータ変化７ラグＣ１＝１に設
定する。データ変化フラグＣ２の値は変化データ記録装
置４に送られる。
以上、原子炉圧力Ｐｚｔ−例として変化検出装置３２の
処理パこついて述べたが、他のプラントデータＰ１．・
・・・・・ ｌ）、にりいても同様の処理で小ＬＯＣＡ
によるデータ変化を検出し、各々の統計量を変化データ
記録装置４に送る。
処理パこついて述べたが、他のプラントデータＰ１．・
・・・・・ ｌ）、にりいても同様の処理で小ＬＯＣＡ
によるデータ変化を検出し、各々の統計量を変化データ
記録装置４に送る。
第７図に２１化データ記録装置の処理フローを示す。処
理ステップＦ３では変化検出装置３から送られた各デー
タの統劇ハをあらかじめ決められたＴ１時間記録する。
理ステップＦ３では変化検出装置３から送られた各デー
タの統劇ハをあらかじめ決められたＴ１時間記録する。
つぎに、処理ステップＦ４でプラントデータＰＩ ＋
Ｐ２ ＋・・・・・・ ｐ、に対応したデータ変化フラ
グＣＩ ＊ ｃａ ｌ・・・・・・、Ｃｍを判定する。
Ｐ２ ＋・・・・・・ ｐ、に対応したデータ変化フラ
グＣＩ ＊ ｃａ ｌ・・・・・・、Ｃｍを判定する。
もし、データ変化フラグＣＩＩ ＣＩ ＋・・・・・・
ｙｃｌｌがすべてＯであれば処即金終了する。もし、デ
ータ変化フラグＣＩ ｒ Ｃ２＋・・・・・・ＩＣＲの
中で１個でも変化有りのフラグが設定されている場合に
は、処理ステップＦｌｌｔｌ岬’Ｍでデータ変化検出後
の各プラントデータの統計量をあらかじめ決められた記
録時間ｒｌｔ３時間だけ配録する。記録終了侵、原因推
定装置５を起動する。以上のように、データ変化記録装
置４では、データ変化が検出されるまでは、過去１１時
間のプラントデータの統計量を定時ＭＣ録し、変化検出
後は、Ｔ３時間の統計量を記憶する。
ｙｃｌｌがすべてＯであれば処即金終了する。もし、デ
ータ変化フラグＣＩ ｒ Ｃ２＋・・・・・・ＩＣＲの
中で１個でも変化有りのフラグが設定されている場合に
は、処理ステップＦｌｌｔｌ岬’Ｍでデータ変化検出後
の各プラントデータの統計量をあらかじめ決められた記
録時間ｒｌｔ３時間だけ配録する。記録終了侵、原因推
定装置５を起動する。以上のように、データ変化記録装
置４では、データ変化が検出されるまでは、過去１１時
間のプラントデータの統計量を定時ＭＣ録し、変化検出
後は、Ｔ３時間の統計量を記憶する。
つぎに、原因推定装置５の実施例について述べる。原因
推定装置５では、あらかじめ゛、抽々の小ＬＯＣＡが発
生したときの、プラントデータＰＩ＋Ｐ２．・・・・・
・ ｌ）ａの統計量をデータベース６に参照パターンと
して記憶しておき、データ変化が検出されたときのパタ
ーンと参照パターンとの距離から、発生した小ＬＯＣＡ
の規模を推定する。第８図に原因Ｆｌｕｌ装定べ５の痣
埋フローを示す。処理ステップＦ８では変化演出後に分
ける各プラントデータＰＩ’＋Ｐ２＋・・・・・・ ｌ
）、に対応したデータ変化フラグＣＩ＋Ｃ２＋・・・・
・・ Ｃ１のパターンを判定し、小ＬＯＣＡか、小ＬＯ
ＧＡ以外の異常によるデータ変化であるかを判別すめ。
推定装置５では、あらかじめ゛、抽々の小ＬＯＣＡが発
生したときの、プラントデータＰＩ＋Ｐ２．・・・・・
・ ｌ）ａの統計量をデータベース６に参照パターンと
して記憶しておき、データ変化が検出されたときのパタ
ーンと参照パターンとの距離から、発生した小ＬＯＣＡ
の規模を推定する。第８図に原因Ｆｌｕｌ装定べ５の痣
埋フローを示す。処理ステップＦ８では変化演出後に分
ける各プラントデータＰＩ’＋Ｐ２＋・・・・・・ ｌ
）、に対応したデータ変化フラグＣＩ＋Ｃ２＋・・・・
・・ Ｃ１のパターンを判定し、小ＬＯＣＡか、小ＬＯ
ＧＡ以外の異常によるデータ変化であるかを判別すめ。
第９図に判別の実施Ｉ＋Ｉｌ′ｆ、示す。第９図でＣＩ
は原子炉水位のデータ変化フラグ、Ｃ２は原子炉圧力の
データ変化フラグ、Ｃ３は格納容器圧力のデータ変化フ
ラグ、Ｃ４は格納容器圧力のデータ変化フラグ、１００
゜１０１は論理（口回路、１０２は論理積回路である。
は原子炉水位のデータ変化フラグ、Ｃ２は原子炉圧力の
データ変化フラグ、Ｃ３は格納容器圧力のデータ変化フ
ラグ、Ｃ４は格納容器圧力のデータ変化フラグ、１００
゜１０１は論理（口回路、１０２は論理積回路である。
第９図に示すように、原子炉内のデータと格納容器内の
データの両方で変化が演出されたとき、小ＬＯＣＡによ
るデータ変化と判定して、処理ステツ７’Ｆｅ以下で小
ＬＯＣＡの規模を推定する。このよう、に、処理ステッ
プＦ８で小ＬＯＣＡ以外の異常によるデータ変化を除外
することによって、データベース６にプラントデータｐ
、 ＃ Ｐ２ ＊・・・・・・。
データの両方で変化が演出されたとき、小ＬＯＣＡによ
るデータ変化と判定して、処理ステツ７’Ｆｅ以下で小
ＬＯＣＡの規模を推定する。このよう、に、処理ステッ
プＦ８で小ＬＯＣＡ以外の異常によるデータ変化を除外
することによって、データベース６にプラントデータｐ
、 ＃ Ｐ２ ＊・・・・・・。
Ｐ、に変化を与えるような、すべての異常についテ参照
ハターンを起重しておく必要がなく、データベース６の
記憶容量を少なくすることができる。
ハターンを起重しておく必要がなく、データベース６の
記憶容量を少なくすることができる。
いま、気相または液相の破断における破断面積Ａｋ （
ｋ＝ｌ、２．・・・、Ｐ）に×１応したプラントデータ
ｐ 、 、 ｌ）！、 ＋Ｈ・・Ｈ，ｐ、の統計１ｔ
（ＶＸｋｔ（ｔ） 。
ｋ＝ｌ、２．・・・、Ｐ）に×１応したプラントデータ
ｐ 、 、 ｌ）！、 ＋Ｈ・・Ｈ，ｐ、の統計１ｔ
（ＶＸｋｔ（ｔ） 。
ｖＸ ％ （ｔ） ＋ ・・”・＊ ＶＸ”ｍ （ｔ）
＊ ＶＥｋｔ ｂ） ｒ ＶＥ ｋ２（ｔ） ＊ ・
”川＋ｖＥ’ｍ（ｔ）＋ η’ｔ （ｔ） ＋ ’７’
ｓ （亀・・曲＋ １ ’ｍ（市Ｌ’ｒ （ｔ） ＋
ｔ’＊（＋） １・・・・・・、ｔ’−（ｔ））が参照
パターンとしてデータベース６に入っているとする。こ
こで、電は小ＬＯＣＡが発生した以後の時刻である。ま
た、以下の処理の説明では、各破断面績に対応したプラ
ントデータの統計量を” ＋ ｂＬ ’％（ｔ）＋ ”
・・”＋ ｕｋｍｔｔ）トシ”Ｃ述へる。
＊ ＶＥｋｔ ｂ） ｒ ＶＥ ｋ２（ｔ） ＊ ・
”川＋ｖＥ’ｍ（ｔ）＋ η’ｔ （ｔ） ＋ ’７’
ｓ （亀・・曲＋ １ ’ｍ（市Ｌ’ｒ （ｔ） ＋
ｔ’＊（＋） １・・・・・・、ｔ’−（ｔ））が参照
パターンとしてデータベース６に入っているとする。こ
こで、電は小ＬＯＣＡが発生した以後の時刻である。ま
た、以下の処理の説明では、各破断面績に対応したプラ
ントデータの統計量を” ＋ ｂＬ ’％（ｔ）＋ ”
・・”＋ ｕｋｍｔｔ）トシ”Ｃ述へる。
処理ステップＦ９で最初の破断面積に対応するｋの値を
設定する。次に、処理ステップＦ１ｅで、処理ステップ
■−９で設定した破断面積に対応した各プラントデータ
の参照パターンｕｋ＋（ｔ）、 ｕｋ、■。
設定する。次に、処理ステップＦ１ｅで、処理ステップ
■−９で設定した破断面積に対応した各プラントデータ
の参照パターンｕｋ＋（ｔ）、 ｕｋ、■。
・・・・・・ｌ ｕｋｍ（ｔ） ｆｆｉデータベース６
から取込む。
から取込む。
次に１処パ１！ステップＦ１１で破断面積ｋに対応した
参照パターンの共分散行列ｓｋを下式で計算する。
参照パターンの共分散行列ｓｋを下式で計算する。
ここで
である。ｕｋはｕｋの平均値を示す。この共分散行列は
事前にｎ１ｆｆしておいたものであってもよい。
事前にｎ１ｆｆしておいたものであってもよい。
処理ステップｐＨで計算した共分散行列ｓｋをもとに、
処理ステップＦ’ｓｓでメモリ４がら第７図で記録した
実測のデータＵωを読出し、且つ参照パターンｕｋとの
間で下式にょシマハラノビスの距離を計算する。
処理ステップＦ’ｓｓでメモリ４がら第７図で記録した
実測のデータＵωを読出し、且つ参照パターンｕｋとの
間で下式にょシマハラノビスの距離を計算する。
・・・・・・・・・（８）
上式で、Ｕ（ｔ）が今回、データ変化が検出されたとき
の各プラントデータの統計撹である。
の各プラントデータの統計撹である。
処理ステップＦｌ（１”Ｆｌｌをデータベース６に記憶
しているすべての破断面積の鍾頑ｋについて実行し、参
照パターンとデータ変化が検出された）（ターンとの距
離Ｄｋを計算する。
しているすべての破断面積の鍾頑ｋについて実行し、参
照パターンとデータ変化が検出された）（ターンとの距
離Ｄｋを計算する。
処１ｊｌステップＦ １４では、距離ｐｋの中で最小の
距離となるｋに相当する破断が今回発生した破断とし、
処理ステップＦ＋ｓでその結！１ｎＣｆＬ’ｌ’表示装
置７に表示する。推定結果の一列を第９図に示す。第１
０図では、横軸に薪照パターンとして記憶している破断
面積の種類（犬外さ）、縦ｔｉｌｌに参照パターンとの
距離を示したものである。また、第１０図では、原子炉
水位Ｐ１１原子炉圧力Ｐ２、格納容器圧力Ｐ３の予測残
差の分散線ＶＥＩ 。
距離となるｋに相当する破断が今回発生した破断とし、
処理ステップＦ＋ｓでその結！１ｎＣｆＬ’ｌ’表示装
置７に表示する。推定結果の一列を第９図に示す。第１
０図では、横軸に薪照パターンとして記憶している破断
面積の種類（犬外さ）、縦ｔｉｌｌに参照パターンとの
距離を示したものである。また、第１０図では、原子炉
水位Ｐ１１原子炉圧力Ｐ２、格納容器圧力Ｐ３の予測残
差の分散線ＶＥＩ 。
ＶＢ２．ＶＥ！ を用いて、参照パターンとの距離を計
算した。このレリでは、破断面積０．００３ｆｔ”の気
相破断が発生した例であシ、第１０図に示すように距離
が最小となシ、発生した破断の規模が本発明によって１
１ト定できることが確認できた。第１０図で示しだ＋Ｉ
ａ ｉ結果はＣｌ（Ｔ表示装置７に表示し、プラント運
転員に伝達する。
算した。このレリでは、破断面積０．００３ｆｔ”の気
相破断が発生した例であシ、第１０図に示すように距離
が最小となシ、発生した破断の規模が本発明によって１
１ト定できることが確認できた。第１０図で示しだ＋Ｉ
ａ ｉ結果はＣｌ（Ｔ表示装置７に表示し、プラント運
転員に伝達する。
ここで、前述しだ出ｍ１）ゝの計算について本発明の実
施例について述べる。データベース６に記憶している小
ＬＯＣＡの参照パターンは実機を模擬した動特性ンミュ
レータの解析結果あるいは実機データ等によって作成さ
れる。したがって、参照パターンの、場合は、小ＬＯＣ
Ａの発生時点があらかじめわかるため、小ＬＯＣＡ発生
以後の各プラントデータの統ａ１紙の時系列データで作
成することができる。しかし、新たにデータ変化が検出
された異常については、前述のようにしきい値を設定し
て・演出するため、異常発生後、あるｄ変時間が経過し
てからデータ変化が検出される。したがってＡｉｌ述の
ＤｋをＢｉ算するときの時間の原点が、参照パターンと
新発生した小ＬＯＣＡとのパターンでは、ずれてくるこ
とになる。このため、本発明では、変化データ記録装置
４で、変化検出前ＴＩ％変比変化検出後時１１１データ
を記録するようにして、この時間の原点のずれを補償す
るようにしている。
施例について述べる。データベース６に記憶している小
ＬＯＣＡの参照パターンは実機を模擬した動特性ンミュ
レータの解析結果あるいは実機データ等によって作成さ
れる。したがって、参照パターンの、場合は、小ＬＯＣ
Ａの発生時点があらかじめわかるため、小ＬＯＣＡ発生
以後の各プラントデータの統ａ１紙の時系列データで作
成することができる。しかし、新たにデータ変化が検出
された異常については、前述のようにしきい値を設定し
て・演出するため、異常発生後、あるｄ変時間が経過し
てからデータ変化が検出される。したがってＡｉｌ述の
ＤｋをＢｉ算するときの時間の原点が、参照パターンと
新発生した小ＬＯＣＡとのパターンでは、ずれてくるこ
とになる。このため、本発明では、変化データ記録装置
４で、変化検出前ＴＩ％変比変化検出後時１１１データ
を記録するようにして、この時間の原点のずれを補償す
るようにしている。
この時間の原点ずれをさらに無くするには、以下のよう
にすればよい。
にすればよい。
小ＬＯＧＡが発生した場合、格納容器内の圧ブハ温度は
単調に増加する傾向にある。したがって、データ変化が
演出された以後の洛納容冷内の圧力、温度の勾配から小
ＬＯＣＡ発生時点を推定し、その推定時間以降の記録デ
ータを参照パターンと廿で比較することによって、時間
の原点のずれをさらに改善することができる。本方法’
ｔ 適用する場合、第８図の処理ステップＦｎの距離の
計算をする前にＬＯＣＡ発生時点の推定処理を実行すれ
ばよい。
単調に増加する傾向にある。したがって、データ変化が
演出された以後の洛納容冷内の圧力、温度の勾配から小
ＬＯＣＡ発生時点を推定し、その推定時間以降の記録デ
ータを参照パターンと廿で比較することによって、時間
の原点のずれをさらに改善することができる。本方法’
ｔ 適用する場合、第８図の処理ステップＦｎの距離の
計算をする前にＬＯＣＡ発生時点の推定処理を実行すれ
ばよい。
このとき、ＬＯＣＡ発生時点が、あらかじめ決めたデー
タ変化検出前の記録時間ＴＩ より以前となる」ノオ会
は、データ変化検出前Ｔ＋ｅＬＯＣＡ発生時点と推定す
ればよい。
タ変化検出前の記録時間ＴＩ より以前となる」ノオ会
は、データ変化検出前Ｔ＋ｅＬＯＣＡ発生時点と推定す
ればよい。
本発明による小ＬＯＣＡの規模の推定精度は、データベ
ース６に記憶している参照パターンの種類にＩＫ＜存す
る。たとえば、参照パターンとして、破断面積が０．０
０１ｆｔ２，０．００２ｆｔ” 、・・・・・・のよう
に０．００１ ｆ ｔ’ ｉｌｌ隔で記１．！されでい
るとき、破断面積がｏ、００１５ｆｔ２の小ＬＯＣＡが
発生した場合には、０．００１ｆｔ２または０．００２
ｆｔ２の小ＬＯＣ＆が発生したと推定される。このため
、小ＬＯＣＡが発生して、破断面積が判明したとき、こ
のときのデータ変化を、新たに参照データバター／とし
て登録すれば、以１夛、同様の破断が発生したときには
、高いＡ′＃度で発生じた破断を推定できることになる
。このようシた、データベース６にｉ己・；意された参
照データパターンの追加、修ＩＥはオペレータコンソー
ル８を１１１！用して、変化データ記録装置４で記録し
た各データの１１ｉｉ ｉｔ 瞬に：データベースに記
憶させることによって可能で４５る。
ース６に記憶している参照パターンの種類にＩＫ＜存す
る。たとえば、参照パターンとして、破断面積が０．０
０１ｆｔ２，０．００２ｆｔ” 、・・・・・・のよう
に０．００１ ｆ ｔ’ ｉｌｌ隔で記１．！されでい
るとき、破断面積がｏ、００１５ｆｔ２の小ＬＯＣＡが
発生した場合には、０．００１ｆｔ２または０．００２
ｆｔ２の小ＬＯＣ＆が発生したと推定される。このため
、小ＬＯＣＡが発生して、破断面積が判明したとき、こ
のときのデータ変化を、新たに参照データバター／とし
て登録すれば、以１夛、同様の破断が発生したときには
、高いＡ′＃度で発生じた破断を推定できることになる
。このようシた、データベース６にｉ己・；意された参
照データパターンの追加、修ＩＥはオペレータコンソー
ル８を１１１！用して、変化データ記録装置４で記録し
た各データの１１ｉｉ ｉｔ 瞬に：データベースに記
憶させることによって可能で４５る。
以上、原子炉プラントの小ＬＯＧＡを対象に不発φＪの
実施例について述べたが、小ＬＯＣＡの場合、破断の規
模が大きくなるとプラントデータの変化も大きくなり、
フィルターが追従できなく発散する場合がある。フィル
ターが発散した）１４計には、データの変化は演出でき
るが、原因推定に必要なデータパターンを作成できない
。第１１図は、フィルターの発散を防止する一実７ｍ５
１１を示したものである。第１１図で９１ ＋ ９２
、・・・・・・、９１は１ｉｉＪ述した適応ディジタル
フィルタ、１２はフィルター出力判定装置、１３はフィ
ルター制御装置である。第１１図の実施例ではフィルタ
９１． ＋、９２ ＋・・・・・・、９１が各々対象と
する小ＬＯＣＡの規模をあらかじめ決めておき、発散し
たフィルターは除外するようにしている。
実施例について述べたが、小ＬＯＣＡの場合、破断の規
模が大きくなるとプラントデータの変化も大きくなり、
フィルターが追従できなく発散する場合がある。フィル
ターが発散した）１４計には、データの変化は演出でき
るが、原因推定に必要なデータパターンを作成できない
。第１１図は、フィルターの発散を防止する一実７ｍ５
１１を示したものである。第１１図で９１ ＋ ９２
、・・・・・・、９１は１ｉｉＪ述した適応ディジタル
フィルタ、１２はフィルター出力判定装置、１３はフィ
ルター制御装置である。第１１図の実施例ではフィルタ
９１． ＋、９２ ＋・・・・・・、９１が各々対象と
する小ＬＯＣＡの規模をあらかじめ決めておき、発散し
たフィルターは除外するようにしている。
フィルター９１ ＋ ９２ ＋・・・・・・、９＋がカ
バーする小ＬＯＣＡの規模は、前述した侃１近速度係数
’２＋ｖ２を変えることによって可能である。
バーする小ＬＯＣＡの規模は、前述した侃１近速度係数
’２＋ｖ２を変えることによって可能である。
第１２図はフィルター出力判定装置の処理フローを示す
。処理ステップＦ’ｓでフィルター出力を判定するフィ
ルターの１１ｉ号を設定する。次に、処理ステップＦ
１７で各フィルターの出力ｙ２Ｊが発散しているか否か
判定する。これは、あらかじめフィルター出力にしきい
値を設定しておき、しきい値１試上の場合は発散したと
判定する。処理ステップＩ”ｌ１ｌｓ Ｆ’＋９で発散
したか所かのフラグを設定する。処理ステップＦ！ｏで
出力を判定するフィルターの種−Ｊ、１！ｉを変更して
、■Ｉ’１７〜Ｆ１９ の処理を実行する。
。処理ステップＦ’ｓでフィルター出力を判定するフィ
ルターの１１ｉ号を設定する。次に、処理ステップＦ
１７で各フィルターの出力ｙ２Ｊが発散しているか否か
判定する。これは、あらかじめフィルター出力にしきい
値を設定しておき、しきい値１試上の場合は発散したと
判定する。処理ステップＩ”ｌ１ｌｓ Ｆ’＋９で発散
したか所かのフラグを設定する。処理ステップＦ！ｏで
出力を判定するフィルターの種−Ｊ、１！ｉを変更して
、■Ｉ’１７〜Ｆ１９ の処理を実行する。
１Ｉ）８１Ｆ！９ で設′Ｊ、ピされた発散フラグはフ
ィルター制御装置１３に送られる。フィルター制御装置
１３では発散フラグの値をチェックし、発散したフィル
ターの後芯機能を停止する。
ィルター制御装置１３に送られる。フィルター制御装置
１３では発散フラグの値をチェックし、発散したフィル
ターの後芯機能を停止する。
以上のように、フィルターを多重構成とすることによシ
、広軸囲の小ＬＯＣＡの原因推定が可能となる。
、広軸囲の小ＬＯＣＡの原因推定が可能となる。
以上、本発明金原子カプラントの小規模破断事象を対象
に吐べたが、本発明によれば、小ＬＯＣＡによるプラン
トデータの変化を徴候の段階で早期に検出でき、さらに
小ＬＯＣＡの規模も推定することができる。このため、
小１．ＯＣＡ発生後の異常の拡大防止処理が早期にでき
る効果がある。
に吐べたが、本発明によれば、小ＬＯＣＡによるプラン
トデータの変化を徴候の段階で早期に検出でき、さらに
小ＬＯＣＡの規模も推定することができる。このため、
小１．ＯＣＡ発生後の異常の拡大防止処理が早期にでき
る効果がある。
また、本発明を小ＬＯＣＡ以外の異常、事故＄象に適用
させる場合は、データベースに記憶する参照パターンを
対象とする異常・事故°４ｆ家に対応して記憶して訃け
ばよく、各拙プラントの異常診断装置として、本発明は
適用可能である。
させる場合は、データベースに記憶する参照パターンを
対象とする異常・事故°４ｆ家に対応して記憶して訃け
ばよく、各拙プラントの異常診断装置として、本発明は
適用可能である。
参考文献
１）菊池ほか：アダプテイブ・ディジタルフィルタによ
る信号およびその異常レベルの検出、ＬＭ気通信学会論
文誌八へ分冊、６１−Ａ巻７号、ＰＩ）６５７−６６４
（昭５３） −）フィルター発散
る信号およびその異常レベルの検出、ＬＭ気通信学会論
文誌八へ分冊、６１−Ａ巻７号、ＰＩ）６５７−６６４
（昭５３） −）フィルター発散
′ｉ１１１切は宇堂デーｌに里堂禰ミ仔力；重ノＪＬゾ
こと〜の予ｄｌｌｌ残差の分（ｆ（、値の変化を示す図
、第２図は破断位１１χと計測イＭ号との関係を示す図
、第３図は本発明を小規模破断事象の診断に適用したと
きの実施例図、第４図は原子炉圧力の変化図、第５図は
統計処理結果を示す図、第６図は変化検出の処理フロー
図、第７図は変化データ記録装置の処理フロー図、イ３
８図は原因推定装置の処理フロー図、第９図はパターン
判別回路を示す図、Ｍ２Ｏ図は原因推定結果の例を示す
図、第１１図は多重フィルタの構成図、第１２図はフィ
ルタ出力判定装置１ の処理フロー図である。 １・・・原子カプラント、２・・・データ処理装置、３
・・・変化検出装置、４・・・変化データ記録装置、訃
・・原因推定装置、６・・・データベース、７・・・Ｃ
ＲＴ表示装Ｌ ｓ・・・オペレータコンソール、ｐｔ
Ｉ Ｐ２ ｒ・・・・・・ ｐ３・・・プラントデータ
。 代理人 弁理士 秋本正実 茅 １ 目 第 ２ 昂 Ｑ３ 早 ！Ｓ 口 第 ６ 目 第 ７ 口 第 ８ （２） ＄ ｑ 固 茅／ｌ ｒＡ 様跡ｉ第１【 （メｌθ−匂ｔす 茅 １１ 目 某 ／２ 目
こと〜の予ｄｌｌｌ残差の分（ｆ（、値の変化を示す図
、第２図は破断位１１χと計測イＭ号との関係を示す図
、第３図は本発明を小規模破断事象の診断に適用したと
きの実施例図、第４図は原子炉圧力の変化図、第５図は
統計処理結果を示す図、第６図は変化検出の処理フロー
図、第７図は変化データ記録装置の処理フロー図、イ３
８図は原因推定装置の処理フロー図、第９図はパターン
判別回路を示す図、Ｍ２Ｏ図は原因推定結果の例を示す
図、第１１図は多重フィルタの構成図、第１２図はフィ
ルタ出力判定装置１ の処理フロー図である。 １・・・原子カプラント、２・・・データ処理装置、３
・・・変化検出装置、４・・・変化データ記録装置、訃
・・原因推定装置、６・・・データベース、７・・・Ｃ
ＲＴ表示装Ｌ ｓ・・・オペレータコンソール、ｐｔ
Ｉ Ｐ２ ｒ・・・・・・ ｐ３・・・プラントデータ
。 代理人 弁理士 秋本正実 茅 １ 目 第 ２ 昂 Ｑ３ 早 ！Ｓ 口 第 ６ 目 第 ７ 口 第 ８ （２） ＄ ｑ 固 茅／ｌ ｒＡ 様跡ｉ第１【 （メｌθ−匂ｔす 茅 １１ 目 某 ／２ 目
Claims (1)
- 【特許請求の範囲】 １、 プラントの時系列データから作成した動特性モデ
ルを用いて、プラントデータの変化を予測し、前記プラ
ントデータの実ｔｉｌｌｌｌ値と前記予測呟との予測残
差の統計量から前記プラントデータの変化を検出する変
化量検出装置と、変化検出前後の前記統計量を記録する
変化データ記録装ｄｔと、あらかじめ前記プラントの異
常発生時の前記統計量の変化を記憶しているメモリと、
前１．Ｈ＆比データ記録装置で記録した統計量と前記メ
モリの統計量とｔ比較して、発生した異盾を推定する原
因推定装置と、よシ成るプラント異常診断装置。 ２ 上記プラントは原子カプラントとし、上記異常は原
子炉の液相破断又は気相破断とする特許請求の範囲第１
項記載のプラント異常診断装置。 ３、 上記動特性モデルは適応形フィルタによって形成
させると共に、該フィルタの適応機能は予測残差の大き
さにより決定させた特ｆｆ′ｆｉＩ＃求の郵囲第１Ｊｊ
Ｉ記載のプラント異常診断装置。 ４、上記原因推定装置での異常栓類の判別は、データ変
化検出淡の各プラントデータの時系列データと事前に前
記メモリに格納されてなる一照パターンとから異常の種
頑を判別してなる特許請求の・１１叶口第１項のプラン
ト異常診断装置。 ５、上記原因推定装置における統ａ１量演算に用いる変
化連出以前のデータ母数は、プラントの変化傾向から決
定する特許請求の範囲第１項記載のプラント異常論断装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP58164168A JPS6057412A (ja) | 1983-09-08 | 1983-09-08 | ブラント異常診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP58164168A JPS6057412A (ja) | 1983-09-08 | 1983-09-08 | ブラント異常診断装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS6057412A true JPS6057412A (ja) | 1985-04-03 |
Family
ID=15788017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP58164168A Pending JPS6057412A (ja) | 1983-09-08 | 1983-09-08 | ブラント異常診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS6057412A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH086635A (ja) * | 1994-06-20 | 1996-01-12 | Toshiba Corp | プラント診断装置 |
| JP2010519636A (ja) * | 2007-02-27 | 2010-06-03 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム |
| CN111354497A (zh) * | 2018-12-21 | 2020-06-30 | 核动力运行研究所 | 一种核电站破口事故信息诊断方法 |
-
1983
- 1983-09-08 JP JP58164168A patent/JPS6057412A/ja active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH086635A (ja) * | 1994-06-20 | 1996-01-12 | Toshiba Corp | プラント診断装置 |
| JP2010519636A (ja) * | 2007-02-27 | 2010-06-03 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム |
| CN111354497A (zh) * | 2018-12-21 | 2020-06-30 | 核动力运行研究所 | 一种核电站破口事故信息诊断方法 |
| CN111354497B (zh) * | 2018-12-21 | 2022-03-22 | 核动力运行研究所 | 一种核电站破口事故信息诊断方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Dynamic risk assessment based on statistical failure data and condition-monitoring degradation data | |
| KR102694854B1 (ko) | 디지털 트윈 플랜트 시스템 및 디지털 트윈 플랜트의 이상 검출 방법 | |
| US7941701B2 (en) | Fuzzy classification approach to fault pattern matching | |
| Cassidy et al. | Advanced pattern recognition for detection of complex software aging phenomena in online transaction processing servers | |
| US8892478B1 (en) | Adaptive model training system and method | |
| JPH02245696A (ja) | プラントの運転状態を分析する方法及び装置 | |
| JPH02206721A (ja) | プラントの異常診断方法 | |
| Heo | Condition monitoring using empirical models: technical review and prospects for nuclear applications | |
| US20200348659A1 (en) | Automated model building and updating environment | |
| JP4922265B2 (ja) | プラント監視装置およびプラント監視方法 | |
| Notohardjono et al. | Time series control charts for correlated and contaminated data | |
| US20110178963A1 (en) | system for the detection of rare data situations in processes | |
| JPS6057412A (ja) | ブラント異常診断装置 | |
| GB2536567A (en) | System for supporting operation during plant accidents and method for supporting operation during plant accidents | |
| JPH05157668A (ja) | プラント機器の異常検知方法及び装置 | |
| JPH04175694A (ja) | プラントの異常診断装置 | |
| CN120541585B (zh) | 一种油井施工的安全监测方法及监测系统 | |
| JPS58119008A (ja) | 事故原因自動判定装置 | |
| Salahshoor et al. | A new on-line predictive monitoring using an integrated approach adaptive filter and PCA | |
| JPH0221307A (ja) | プラント診断装置 | |
| JPS61112214A (ja) | 予測ガイド出力装置 | |
| JPH05149762A (ja) | 異常診断装置 | |
| JP2783635B2 (ja) | プラント診断装置 | |
| TW202514853A (zh) | 製程處理裝置的診斷裝置、診斷系統及診斷方法 | |
| Garvey et al. | Nuclear power plant on-line sensor calibration monitoring implementation issues |