JP4170843B2 - Instrument calibration support system - Google Patents

Instrument calibration support system Download PDF

Info

Publication number
JP4170843B2
JP4170843B2 JP2003201058A JP2003201058A JP4170843B2 JP 4170843 B2 JP4170843 B2 JP 4170843B2 JP 2003201058 A JP2003201058 A JP 2003201058A JP 2003201058 A JP2003201058 A JP 2003201058A JP 4170843 B2 JP4170843 B2 JP 4170843B2
Authority
JP
Japan
Prior art keywords
instrument
calibration
drift
model
function
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 - Fee Related
Application number
JP2003201058A
Other languages
Japanese (ja)
Other versions
JP2005043121A (en
Inventor
尚弘 楠見
幸治 大賀
光子 福田
俊介 臺
彰彦 前田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2003201058A priority Critical patent/JP4170843B2/en
Publication of JP2005043121A publication Critical patent/JP2005043121A/en
Application granted granted Critical
Publication of JP4170843B2 publication Critical patent/JP4170843B2/en
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

Landscapes

  • Testing Or Calibration Of Command Recording Devices (AREA)

Description

【０００１】
【発明の属する技術分野】
本発明は、原子力プラントや火力プラントに代表される大規模プラントに設置されている計器を対象に計器校正の時期を提示する計器校正支援システムに関する。
【０００２】
【従来の技術】
原子力発電プラントでは、流量、圧力、温度などの計器により計測されるプロセス値は、プラントの運転に係る制御やプラント運転の正常性を確認するために用いられている。このため、計器により出力される値の健全性を保つことは、非常に重要である。
一方、プラントに設置されている計器は、その内部で計測した値を電気信号に変換し、さまざまな装置への入力信号を提供している。計器の入力と出力には、一定の関係があり、この関係をもとに計測した値を電気信号へと変換しているが、運用を続けていくうちに、入力と出力の関係に偏差が生じてくる。これをドリフトと呼び、各計器に運用上定められた許容精度を保つように校正する必要がある。
通常、計器の校正は、基準となる入力信号を入力し、計器の出力が定められた値であるのかをチェックする。この値が定められた基準値に対して大きな偏差を持っていることが確認された場合、校正を実施する。１つの計器に対してチェックする箇所は、計測範囲の０％、２５％、５０％、７５％、１００％、７５％、５０％、２５％、０％と往復し、９点を要する。原子力プラントなどでは、校正を必要とする計器は数千台から数万台あるため、その校正作業には多大な労力と時間が必要となる。
従来、計器の校正作業を低減する目的で、過去の校正データをもとに計器の特性値と時間との相互関係をモデル化し、校正周期を予測していた（特許文献１）。
【０００３】
【特許文献１】
特開２００２−２２８４９５号公報
【０００４】
【発明が解決しようとする課題】
しかし、従来の計器校正を支援するシステムでは、時間計画保全によるものであるため、予定した校正周期前に許容精度を超える計器があり、信頼性の観点から問題がある。また、蓄積された過去の校正データを用いているため、新設プラントや途中で計器を交換した場合など過去の校正データが無い状況に対応することが出来ない。
【０００５】
本発明の課題は、計器校正の時期の信頼性を確保した計器の校正支援に好適であり、かつ、新設プラントや計器を交換した場合など過去の校正データが存在しない場合にも計器の校正支援に好適な計器校正支援システムを提供することにある。
【０００６】
【課題を解決するための手段】
上記課題を解決するために、本発明は、計器の校正データを用いて校正周期を予測した結果と、オンラインによるドリフト検出の結果を総合して計器の校正周期を提示する計器校正支援システムであって、前記校正データを格納した計器校正履歴データベースと、前記校正データをもとに計器の校正周期を予測する計器校正データ解析部と、計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトをオンラインで検出する計器ドリフト検出部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、前記計器ドリフト検出部は、計器により測定されたプロセス値をオンラインで取得し、前記プロセス値格納データベースに蓄積した前記プロセス値を用いてモデルを作成する場合と、既作成モデルを用いて推定する場合とを切り換える手段を有する学習／推定切換機能と、前記プロセス値を用いてモデルを作成する手段を有するモデル作成機能と、前記モデルを用いてドリフトを含まないプロセス値を推定する手段を有する真値推定機能と、前記プロセス値から前記ドリフトを含まないプロセス値を減算する手段を有する減算機能と、前記減算機能の結果を用いてドリフトの有無を判定する手段を有するドリフト検出機能とを備える計器校正支援システムである。
また、本発明は、計器の校正データを用いて校正周期を予測した結果と、オンラインによるドリフト検出の結果を総合して計器の校正周期を提示する計器校正支援システムであって、前記校正データを格納した計器校正履歴データベースと、前記校正データをもとに計器の校正周期を予測する計器校正データ解析部と、計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトをオンラインで検出する計器ドリフト検出部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、前記計器校正データ解析部は、前記計器校正履歴データベースにデータベース化して格納している過去の計器校正の結果と計器の仕様をもとに計器のドリフト量を計算し、外れ値を除去する手段を有する入力データ処理機能と、前記ドリフト量をもとに任意の時刻でのドリフト量を予測するモデルを作成する手段を有する校正周期予測モデル作成機能と、前記モデルを用いて計器の校正周期を予測する手段を有する予測機能とを備え、前記校正周期予測モデル作成機能で作成された校正周期予測モデルと、前記モデル作成機能により作成された真値推定用モデルを格納する手段を有するモデルデータベースを有する計器校正支援システムである。
そして、本発明は、オンラインによる計器のドリフト検出の結果と、オンラインによる計器の推定ドリフト量をもとに校正周期を予測した結果を総合して計器の校正周期を提示する計器校正支援システムであって、計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトを推定し、オンラインで検出する計器ドリフト検出部と、前記ドリフト検出部で推定したドリフト量をもとに計器の校正周期を予測する計器校正データ解析部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、前記計器ドリフト検出部は、計器により測定されたプロセス値をオンラインで取得し、前記プロセス値格納データベースに蓄積した前記プロセス値を用いてモデルを作成する場合と、既作成モデルを用いて推定する場合とを切り換える手段を有する学習／推定切換機能と、前記プロセス値を用いてモデルを作成する手段を有するモデル作成機能と、前記モデルを用いてドリフトを含まないプロセス値を推定する手段を有する真値推定機能と、前記プロセス値から前記ドリフトを含まないプロセス値を減算し、推定ドリフト量を得る手段を有する減算機能と、前記推定ドリフト量を用いてドリフトの有無を判定する手段を有するドリフト検出機能とを有し、前記計器校正データ解析部は、前記推定ドリフト量をもとに任意の 時刻でのドリフト量を予測するモデルを作成する手段を有する校正周期予測モデル作成機能と、前記モデルを用いて計器の校正周期を予測する手段を有する予測機能とを備える計器校正支援システムである。
【０００７】
【発明の実施の形態】
以下、本発明の実施形態について図面を参照しながら説明する。
図１は、本発明による計器校正支援システムの第１の実施形態を示す。
本発明の計器校正支援システムは、計器校正履歴データベース１、計器校正データ解析部２、総合判断部３、プロセス値格納データベース４、計器ドリフト検出部５、モデルデータベース６、入力部７、出力表示部８を備える。
計器校正データ解析部２では、計器校正履歴データベース１に格納されている校正データを入力データ処理機能２１、校正周期予測モデル作成機能２２、予測機能２３により処理し、校正周期を予測する。また、計器ドリフト検出部５では、プラントのプロセス値をオンラインで収集し、データベース化して格納する機能をもつプロセス値格納データベース４からプラントのプロセス値を入力とし、学習／推定切換機能５１、モデル作成機能５２、真値推定機能５３、減算機能５４、ドリフト検出機能５５によってプラント運転中オンラインにて計器のドリフトを検出する。また、モデルデータベース６は、校正周期予測モデル作成機能２２で作成された校正周期予測モデルと、モデル作成機能５２により作成された真値推定用モデルを格納する。
【０００８】
次に、図１の計器校正支援システムの動作および信号の流れについて説明する。
初めに、過去の計器校正データがある場合について説明する。
まず、計器校正履歴データベース１に格納されている校正データをもとにドリフト量を計算した後、計器校正データ解析部２に入力し、解析を実施する。計器校正データ解析部２では、入力データ処理機能２１によって計器校正履歴データベース１への入力ミス等で発生する外れ値などを除去する。入力データ処理機能２１によって外れ値を除外された校正データは、校正周期予測モデル作成機能２２により幾つかのグループに分類され、グループごとにドリフト量分布が作成される。計器の校正データを分類する方法としては、例えば、原子力発電プラントの場合、原子炉系や制御棒駆動水系などの系統別に分類する方法、原子炉建屋地下２階など計器が設置されている場所で分類する方法、計器が測定している物質の温度や圧力、測定物質などで分類する方法などがあり、入力部７からのユーザの指令等により決定される。作成されたドリフト量分布をもとに予測に用いるモデルを作成する。作成されたモデルは、モデルデータベース６に保存し、適宜、必要なモデルを呼出すことが可能である。次に、予測機能２３では、校正周期予測モデル作成機能２２にて作成されたモデルを用いて適正な校正周期を予測し、その結果を総合判定部３に送る。
【０００９】
以下では、グループ化した校正データからドリフト量分布及びモデルを作成し、校正周期を予測する過程について詳細に説明する。
時刻ｔ（＞０）を校正が実施されてからの経過時刻とする。また、時刻ｔ−１からｔまでの間で生じるドリフト量を確率変数Ｘｔで表すと、時刻ｎまでのドリフト量の総和Ｘｎは、数式１で表現できる。
【数１】

Figure 0004170843
ここで、各時刻で生じるドリフト量Ｘｔは、幾つかの計器のドリフト量をグループ化したものであるため、その母集団分布が何であっても中心極限定理より正規分布であると見なしてよい。よって、Ｘｔは平均０、分散σ０ ２の正規分布Ｎ（０，σ０ ２）に従う。よって、数式１で表現される時刻ｎまでのドリフト量の総和Ｘｔの分布は、正規分布の再生性より、Ｎ（０，ｎσ０ ２）に従う。以上より、時刻ｎまでのドリフト量分布の標準偏差σｎは数式２となる。
【数２】
Figure 0004170843
数式２の結果を用いて計器校正の適正な周期を決定するために許容値逸脱確率を求める。対象となる計器の許容精度を±Ｌ（＞０）とする。ＸｎがＮ（０，ｎσ０ ２）に従うため、標準化変数Ｚを導入し、Ｚ＝Ｘｎ／σｎとおくと、ＺはＮ（０，１）に従う。よって、時刻ｎでのドリフト量が許容精度±Ｌを逸脱する確率は、数式３で求まる。
【数３】
Figure 0004170843
適正な校正周期を算出する場合には、数式３に許容値逸脱確率の値と計器で予め定められている許容精度を入力し、与えられた許容値逸脱確率を超える時刻ｎを求め、これを校正周期とする。
ここまで述べた校正周期の算出は、各校正点ごとに実施する。
【００１０】
一方、プラントからオンラインでプロセス値を収集し、蓄積する機能をもつプロセス値格納データベース４からのプロセス値を用いてドリフトを検知する計器ドリフト検出部５には、計器の真値を推定するためのモデルを作成する機能と、そのモデルを用いて真値を推定する機能がある。
計器の真値を推定するためのモデルを作成する機能では、ユーザが入力部７から「学習」の指令を学習／推定切換機能５１に送ると、モデル作成機能５２が選択され、プロセス値格納データベース４からのプロセス値が入力される。モデル作成機能５２では、自己連想型ニューラルネットワークを用いてモデルを作成する。なお、自己連想型ニューラルネットワークの構造やその学習方法については、周知の技術であるため、次の“Ｍ．Ａ．Ｋｒａｍｅｒ：Ｎｏｎｌｉｎｅａｒ Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ Ｕｓｉｎｇ Ａｕｔｏａｓｓｏｃｉａｔｉｖｅ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ， ＡｌＣｈＥ Ｊｏｕｒｎａｌ， Ｖｏｌ．３７， Ｎｏ．２， １９９１”を参考文献として示しておく。
自己連想型ニューラルネットワークの特徴は、入力信号と同じ信号を教師信号として与えることにある。これによって、入力信号にドリフトを含んでいない信号を選ぶと、出力信号もドリフトを含んでいない真値を出力するように自己連想型ニューラルネットワークが学習される。このとき、ドリフトを含んでいない入力信号を選択する方法として、定期検査完了後にプラントを起動した後のプラントのプロセス値を選択する方法がある。この場合、定期検査が完了した直後であるので、計器の校正がされており、プロセス値にはドリフトを含んでいないと考えられるからである。一方、作成されるモデルは、プラントの全プロセス値を一括して入力するようなモデルではなく、関連するプロセス値や系統ごとに分類し、それぞれでモデル化を実施する。分類例として、原子力発電プラントの場合には、ジェットポンプ流量に関するプロセス値での分類、給水系に関するプロセス値の分類などがその具体例である。このように分類する理由として、モデルに用いている自己連想型ニューラルネットワークは入力信号間の相互関係をモデル化しているため、入力信号として相互関係のあるプロセス値を分類し、選択することにより、モデルに入力信号の相互関係がより反映され、真値推定の精度が向上するからである。モデル作成機能５２で作成されたモデルは、モデルデータベース６に保存することが可能である。
【００１１】
次に、ユーザが入力部７から「推定」の指令を学習／推定切換機能５１に送ると、真値推定機能５３が選択され、モデルデータベース６に保存されている該当モデルをロードし、プロセス値格納データベース４よりプラントのプロセス値をモデルに入力する。その結果、真値推定機能５３からの出力として入力されたプロセス値のドリフトを含まない真値推定値が得られる。この真値推定値とプロセス値格納データベース４からのプラントのプロセス値を減算機能５４にそれぞれ入力し、プラントの現在のプロセス値から真値推定機能５３によって得られた真値推定値を減算することで推定ドリフト量を得る。
この推定ドリフト量をドリフト検出機能５５に入力し、ドリフトの有無を判定する。具体的には、逐次確率比検定を用いて判定する。
【００１２】
逐次確率比検定を用いてドリフトの有無を判定する理由について述べる。
通常、異常などの判定ではしきい値による判定が用いられる。本実施形態でも、各計器で定められている許容範囲の値をしきい値として用いる事が考えられるが、プラントのプロセス値は変動があるため、誤認識をする場合が多くなる。逐次確率比検定では、２つの状態を仮定しておき、尤度という値を定義する。仮定した２つの状態のうち、一方の状態が継続することでこの値が増減するようになっている。予め誤検出確率と検出漏確率の値を設定することで計算されるしきい値よりも尤度が上回るか下回るかで、仮定した２つの状態のうち、どちらの状態であるのかを判定する。ここでは、逐次確率比検定をドリフトの有無の判定に用いるため、ドリフトの無い状態と有る状態という２つの状態を仮定する。
計器のドリフトは、継続的に発生するものであるから、計器の許容範囲を逸脱したドリフトが発生する状態が継続すると、逐次確率比検定により検出できる。従って、プロセス値のゆらぎ等により突発的に計器の許容範囲を逸脱するような場合でも、誤認識することがない。なお、逐次確率比検定についての具体的な数式の説明については、次の“Ｋ．Ｃ．Ｇｒｏｓｓ他：Ｓｅｑｕｅｎｔｉａｌ Ｐｒｏｂａｂｉｌｉｔｙ Ｒａｔｉｏ Ｔｅｓｔ ｆｏｒ Ｎｕｃｌｅａｒ Ｐｌａｎｔ Ｃｏｍｐｏｎｅｎｔ Ｓｕｒｖｅｉｌｌａｎｃｅ， Ｎｕｃｌｅａｒ Ｔｅｃｈｎｏｌｏｇｙ， Ｖｏｌ．９３， ＦＥＢ．， １９９１”という参考文献を示しておく。ドリフト検出機能５５の結果は、総合判断部３に送られる。
【００１３】
総合判断部３では、計器校正データ解析部２と計器ドリフト検出部５からの結果を総合し、各計器の状態や校正の有無を出力表示部８によってユーザに提示する。
具体的には、計器校正データ解析部２による校正周期予測により、次回定期検査で校正が必要と判断された計器のリストと、計器ドリフト検出部５にてドリフトが検出された計器のリストとをまとめて出力表示部８に表示する。例えば、計器校正データ解析部２で次回定期検査の予定でない計器が計器ドリフト検出部５でドリフトが検出された場合には、次回定期検査の計器リストに該当計器を含める。また、計器ドリフト検出部５でドリフトが検出されていない計器に対しても、推定ドリフト量をもとに計器の許容範囲の最大値からの余裕をユーザに表示し、各計器の状態を把握できるようにする。
【００１４】
ここまでは、過去の計器校正データがある場合について説明したが、以下では、新設プラントや途中で計器を交換した場合など過去の計器校正データがない場合について、図１の計器校正支援システムの動作および信号の流れについて説明する。
初めに、プラント起動後のプロセス値をプロセス値格納データベース４より獲得する。入力部７から「学習」の指令を学習／推定切換機能５１に入力し、モデル作成機能５２にプロセス値を入力する。モデル作成機能５２では、入力されたプロセス値を入力信号および教師信号とし、自己連想型ニューラルネットワークを学習する。作成されたモデルはモデルデータベース６に保存される。定期検査時の校正作業を立案するサイクル末期に、入力部７より「推定」の指令を学習／推定切換機能５１に入力し、現在のプラントのプロセス値を真値推定機能５３に入力する。真値推定機能５３では、入力信号のプロセス値に対応するモデルをモデルデータベース６よりロード後、プロセス値を入力し、真値推定値を出力する。次に、減算機能５４で、プロセス値格納データベース４から獲得した現在のプラントのプロセス値から真値推定機能５３より出力された真値推定値を減算し、推定ドリフト量を計算する。推定ドリフト量をドリフト検出機能５５に入力し、ドリフトの有無を判定後、その結果を総合判定部３に送る。
【００１５】
次に、推定ドリフト量を校正データとみなし、計器校正データ解析部２に入力する。計器校正データ解析部２では、入力されたデータを入力データ処理機能２１により計器異常等の外れ値を除外する。校正周期予測モデル作成機能２２では、入力部７からユーザによる分類の指令或いは予め定めておいた分類方法によりデータをグループ化し、それぞれのグループでドリフト量分布を作成する。作成されたドリフト量分布をもとに予測に用いるモデルを作成する。作成されたモデルはモデルデータベース６に保存し、適宜、必要なモデルを呼出すことが可能である。予測機能２３では、校正周期予測モデル作成機能２２にて作成されたモデルを用いて適正な校正周期を予測し、その結果を総合判定部３に送る。
【００１６】
総合判定部３では、計器ドリフト検出部５で得られた推定ドリフト量およびドリフト検出結果と、推定ドリフト量を校正データとみなし、計器校正データ解析部２での解析結果を統合し、出力表示部８に表示する。
【００１７】
以下、その具体例を図面に基づいて説明する。
図２は、本発明の具体的な実現例を示す。プラント内に設置された計器１０７ａ、１０７ｂ、１０７ｃより得られるプラントのプロセス値をプロセス入出力伝送装置１０８により、プロセス値格納データベース４に格納する。後述する各計器の校正記録結果を保存している計器校正履歴データベース１とプロセス値格納データベース４は入力ポート１０１を介してマイクロコンピュータ１００に接続される。ここで、計器校正履歴データベース１とプロセス値格納データベース４は周知のデータベース装置を用いて実現する。１００は、周知のマイクロコンピュータであり、ＣＰＵ１０３、ＲＡＭ１０４、ＲＯＭ１０５、ＨＤ１０６という基本的な構成をもつ。ＲＯＭ１０５にはＣＰＵ１０３を制御するプログラムが書き込まれており、ＣＰＵ１０３はこのプログラムに従い、入力ポート１０１から外部データを取り込んだり、ＲＡＭ１０４やＨＤ１０６との間でデータを授受し、演算した結果を出力ポート１０２に出力する。出力ポート１０２には出力表示装置部８が接続され、演算した結果を表示する。また、入力部７も入力ポート１０１に接続され、ユーザからの入力をマイクロコンピュータ１００で受付けることができる。
図１で示した構成のうち、モデルデータベース６はＨＤ１０６内に、計器校正データ解析部２、総合判断部３、計器ドリフト検出部５の各機能はプログラムされ、ＲＯＭ１０５に書き込まれる。ＲＯＭ１０５に書き込まれている各機能のプログラムをフローチャートで示すと、図１４〜図１６のようになる。図面を用いたプログラムのフローチャートの説明は、図３〜図１３を説明した後にする。
【００１８】
図３は、図１での計器校正履歴データベース１に格納されている各計器の校正記録結果の例を表したものである。
計器を特定するための計器番号、その計器により計測されているものを示す計測点名称、校正を実施した日を示す校正日、何回目の定期検査であるのかを示す定期検査回数、計器の入出力範囲を示す入力レンジと出力レンジ、校正作業を実施するか否かを判断するための計器の許容精度、計器が設置されている場所を示す設置場所、各校正点における入出力の基準値と校正前後の出力値等が情報として含まれている。
この校正記録結果をもとにドリフト量を算出する場合、同じ計器の２回分の校正記録結果が必要となる。プラント建設後、実際の運転に入る前には必ず計器校正を実施しているため、その後、少なくとも１回は校正を実施している必要がある。そうでなければ、前述した新設プラントや計器を交換した場合での対応方法を用いる。ドリフト量の算出は、ある定期検査の校正前出力から前回の定期検査での校正後出力を引くことで求めることができる。このとき、それぞれの校正記録結果にある校正日をもとに校正間隔を求める。
通常、計器のドリフト量や許容精度などは％ＦＳという計器の測定範囲の割合で表現される場合が多い。一方、校正前出力や校正後出力は、計器が伝送器の場合、測定値を電気信号に変換するため、電流値等で表現される場合がある。このときは、校正記録結果に記述されている出力レンジの範囲で割算すれば、％ＦＳという単位に変換することができる。
【００１９】
図４は、図１での計器校正履歴データベース１に格納されている各計器の計器仕様表の例を表したものである。
計器を特定するための計器番号、計器が測定しているものを示す測定点名称、計器が測定している物質名（原子力発電プラントの場合には、蒸気、窒素、脱塩水などが挙げられる。）、測定している物質の最高使用温度と常用温度および最高使用圧力と常用圧力等が記述されている。校正データを計器が測定している物質の温度や圧力、測定物質などで分類する場合、これらの情報を活用する。
【００２０】
図５は、図１での校正周期予測モデル作成機能２２において、校正データを分類する際、ユーザが必要な校正データ検索するための機能を表す画面例である。
画面上段では、検索したい校正データの条件を入力或いは予め用意されている項目をプルダウンメニュー等により選択し、検索を実施する。検索結果は、画面の下段に該当計器ごとに表示される。また、検索結果での校正日をクリックすると、該当する計器の校正記録結果が表示され、計器番号をクリックすると、該当する計器の計器仕様表が表示される。
【００２１】
図６は、図１での校正周期予測モデル作成機能２２において、ユーザがモデルの対象となる校正データをグループ化し、ドリフト量分布を作成する機能の画面例である。選択した校正データのドリフト量を縦軸に、校正間隔を横軸にとった散布図を用いる。
モデル化の際、校正間隔が近いものでドリフト量分布を構成する必要があるため、開始日と終了日の欄にユーザが任意の校正間隔の数値を入れ、グループ設定のボタンを押すことでどの校正間隔をグループ化するのかを設定する。設定されたグループを確認できるように、散布図では選択された期間の背景色が変化する。また、対象となる校正データの校正点を変更する際は、画面上部のプルダウンメニューにより選択したい校正点をユーザが選ぶことで変更できる。なお、プルダウンメニューで選択できる校正点は、校正記録結果に記載されている校正点の情報を用いて表示されるようになっている。
【００２２】
図７は、図１の校正周期予測モデル作成機能２２においてモデルの作成結果をユーザに示す画面例である。
本実施形態では、校正周期予測モデルとして正規分布を用いたモデルを適用している。そのため、モデルのパラメータは平均と分散である。ドリフト量分布の平均は０を仮定しているため、パラメータは分散のみとなる。標準偏差を自乗すれば分散となるため、ここでは標準偏差を考慮する。
モデルの対象として選択した校正データを用いて母標準偏差の区間推定を実施する。区間推定を実施する際には、信頼度を設定する必要があるため、画面右上部にてユーザが任意に設定できるようになっている。通常は信頼度を９０％に設定するのが一般的である。設定された信頼度をもとに区間推定した結果が画面下部に数値として表示される。また、対応するグループの校正間隔の位置に区間推定の上限値と下限値を示す横棒が入った区間バーが表示される。ここで、グループ内の各校正間隔が違う場合には、平均値を求め、その平均値をグループ全体の校正間隔とする。区間推定の中央値は、モデルのパラメータ、つまり数式２のσ０を求めるのに使用する。具体的には、数式２のｎにモデル化の対象グループの校正間隔を、σｎに区間推定の中央値を代入し、σ０について解けばよい。数式２からも分かるように、求めるモデルは累乗関数であるため、グラフ上には累乗関数が描かれている。
また、モデルの予測評価のための機能として、モデルに用いていない校正データの区間推定結果も合わせて表示できる。図７では、区間バーの中央値が黒丸になっている。この位置は、定期検査の間隔が２回の校正データであり、予測の結果である累乗関数がこの区間バーを通過するか否かで予測モデルの評価が可能である。
【００２３】
図８は、図１の予測機能２３において校正周期予測の結果をユーザに示す画面例である。
数式３より、校正周期を計算するためには、計器の許容精度と許容値逸脱確率を設定する必要があり、それぞれ画面右上部よりユーザが設定できるようになっている。つまり、数式３の右辺第２項にあるＬには計器許容精度の設定値を代入し、σ０はモデル作成で求めた値を代入し、ｎは１から順次インクリメントし、それぞれのｎの値で数式３の右辺を計算し、許容値逸脱確率Ｐｎを求め、グラフにプロットする。Ｐｎが許容値逸脱確率設定の値となる位置を適正な校正周期とし、校正周期予測結果として画面下部に表示する。
図８では、許容値逸脱確率設定が０．１（％）となっているため、グラフの縦軸である許容値逸脱確率の０．１をグラフが通過する校正間隔８５０（日）が適正な校正周期として予測されている。
【００２４】
図９は、図１のモデル作成機能５２およびドリフト検出機能５５においてユーザがモデルの設定および逐次確率比検定の設定を実施する際の画面例である。
初めにモデルの設定に関して説明する。画面左上部にてモデルの名称を設定後、モデル化するプロセスを入出力変数として設定する。選択された入出力変数を自己連想型ニューラルネットワークでモデル化する際、学習に必要なパラメータを画面右上部で設定する。学習回数やシグモイド関数の傾きを示すシグモイド係数、学習アルゴリズムの設定に必要な学習係数とモーメント係数を設定後、自己連想型ニューラルネットワークの構造を決める。
図９では、自己連想型ニューラルネットワークの層数を５に設定している。自己連想型ニューラルネットワークは、左右対称の構造をしているため、入力層と出力層のユニット数、２層と４層のユニット数はそれぞれ同じ値となる。そのため、図９に示すように、一括でユニット数を入力できるようになっている。また、層数を変化させれば、それに応じてユニット数の設定箇所も変化するように設定されている。
【００２５】
次に、ドリフト検出機能５５で用いている逐次確率比検定の設定について説明する。
画面下部にてモデルの入出力変数に用いたプロセスの番号と名称がリストとして表示され、それぞれのプロセスを逐次確率比検定に適用する際に必要となる誤検出確率と検出漏確率を設定する。また、逐次確率比検定では、ドリフトが無いと仮定した場合の分布と、ドリフトが有ると仮定した場合の分布を設定する必要があり、前者は平均０、分散が許容精度の正規分布を、後者は平均が許容精度の２倍、分散が許容精度の正規分布を用いるため、各プロセスを計測している計器の許容精度が必要となり、本画面にて設定する。
【００２６】
図１０は、図１のモデル作成機能５２において自己連想型ニューラルネットワークの学習に用いる入力信号の期間を設定する画面例である。
モデルの入力信号として選択されたプラントのプロセス値がトレンド表示されており、ユーザが２つのヘアカーソルを学習開始時と終了時の位置にそれぞれ移動することにより、学習に用いるプロセス値の期間を設定する。１画面に表示するトレンドの時間スケールを変更する場合には、画面左下部のプルダウンメニューより該当するスケールを選択する。入力信号が１画面にすべて収まらない場合には、２画面以上を用いてトレンド画面が割付られ、画面下部の前頁あるいは次頁をクリックすることで割付けられている画面を切り替える。
【００２７】
図１１は、図１の真値推定機能５３およびドリフト検出機能５５において推定された真値のトレンド表示およびドリフト検出の有無をユーザに表示する画面例である。
対象となるプロセス値のトレンド表示では、オンラインで得られるプラントの計測値とそれに対する真値推定値を同時にトレンド表示する場合、あるいはプラントの計測値から真値推定値を引くことで得られる推定ドリフト値を表示する場合をユーザが選択し、画面に割付ける。１画面に表示するトレンドの時間スケールを変更する場合には、画面左下部のプルダウンメニューより該当するスケールを選択する。入力信号が１画面にすべて収まらない場合には、２画面以上を用いてトレンド画面が割付られ、画面下部の前頁あるいは次頁をクリックすることで割付けられている画面を切り替える。
ドリフト検出については、あるプロセスの推定ドリフト量がドリフト検出機能５５にてドリフトと判定された場合、画面上部にあるドリフト検知が点滅し、ユーザに知らせる。また、リストをクリックすると、ドリフトが検出されたプロセス値の名称、検出時の推定ドリフト量、許容範囲がリスト表示され、トレンドをクリックすると、ドリフトが検出された時刻から時間を遡ったトレンドが表示される。
【００２８】
図１２は、図１の総合判断部３において計器校正データ解析部２および計器ドリフト検出部５の結果を総合し、ユーザに表示する画面例である。
各プロセス値に対し、計器校正データ解析部２の結果として予定定期検査を、計器ドリフト検出部５の結果として推定ドリフト量を表示する。ユーザは、推定ドリフト量と許容精度の差から、次回定期検査の計器でなくとも、許容精度を逸脱するまでどれくらいの余裕があるのかを確認することができる。画面右にある次回定期検査表示、全表示、系統別表示をそれぞれクリックすることでユーザに該当する情報を表示する。また、検索ボタンをクリックすることで検索条件を入力するフォームが表示され、ユーザが必要とする計器の校正状態を検索することができる。
【００２９】
図１３は、図１２において次回定期検査表示をクリックした際、表示される画面例である。
計器番号、計測点名称のあとに、計器校正データ解析部２での結果と計器ドリフト検出部５での結果が表示され、最後の項の上部に推定ドリフト量、下部に許容精度が表示される。このとき、計器校正データ解析結果では次回の定期検査の対象となっていなかったが、計器ドリフト検出結果で次回の定期検査が必要とはった場合、計器校正データ解析結果で次回の定期検査の対象であり、かつ、計器ドリフト検出結果でも次回の定期検査の対象となった場合でそれぞれ背景色が変化する。
【００３０】
図１４は、図２のＲＯＭ１０５に書き込まれている計器校正データ解析部２のプログラムのフローチャートを示す。
プログラムがスタートすると、入力ポート１０１を通じて図１に示す計器校正履歴データベース１より計器校正データが読み込まれ、ドリフト量を算出し、外れ値がないかを確認する（ステップ（１））。また、新規プラントや計器を交換した場合など過去の計器校正履歴データベースがない場合には、図１に示す計器ドリフト検出部５より算出された推定ドリフト量が読み込まれ、同様に外れ値の確認を実施する。外れ値があれば、これを除去する（ステップ（２））。次に、対象となる計器校正データを予め決められたグループ、あるいは入力部７からのユーザの指示によりグループに分類する（ステップ（３））。各グループに対してモデルを作成するのかを選択し（ステップ（４））、以前作成したモデルを用いる場合には、これをロードし（ステップ（５））、前述した数式３により校正周期の予測を実施する（ステップ（１０））。新たにモデルを作成する場合には、校正記録結果をもとに各計器のドリフト量分布を作成する（ステップ（６））。前述した数式１と数式２を用いてモデルを作成する（ステップ（７））。作成したモデルを保存するかどうかを選択し（ステップ（８））、保存しない場合はそのままステップ（１０）へ（ステップ（８））、保存する場合はモデルデータベース６に校正周期予測モデルとして保存してからステップ（１０）へ進む（ステップ（９））。ステップ（１０）で数式３を用い校正周期を予測した後、全てのグループに対して予測を実施したのかを確認する（ステップ（１１））。未実施の場合は、ステップ（４）へ戻る。全てのグループに対し校正周期を予測すると、その結果を総合判断部３に出力する（ステップ（１２））。
【００３１】
図１５は、図２のＲＯＭ１０５に書き込まれている計器ドリフト検出部５のプログラムのフローチャートを示す。
プログラムがスタートすると、学習か推定かの確認をする（ステップ（１３））。学習か推定かの指令は、入力部７から入力されるユーザの指令に基づいている。
初めに、指令が学習である場合について説明する。
まず、モデルである自己連想型ニューラルネットワークの学習に必要な設定を実施する（ステップ（１４））。学習に用いるプロセス値の期間を選択する（ステップ（１５））。その後、モデルの学習を実施し（ステップ（１６））、モデルを保存するかどうかを確認する（ステップ（１７））。保存する場合は、図１に示すモデルデータベース６に真値推定用モデルとして保存する（ステップ（１８））。対象モデルについて全て実施したのかを判定し（ステップ（１９））、全て実施していれば、学習を終了する（ステップ（２０））。未実施のものがあれば、ステップ（１４）に戻る。
【００３２】
次に、指令が推定である場合について説明する。
まず、モデルデータベース６に保存されている真値推定用モデルから該当するモデルをロードする（ステップ（２１））。ロードしたモデルに図１に示すプロセス値格納データベース４から該当する入力信号を入力し（ステップ（２２））、推定値を得る（ステップ（２３））。対象モデル全てについて実施したのかを判定し（ステップ（２４））、未実施であれば、ステップ（２１）に戻る。全て実施済みであれば、推定値と現在のプロセス値から推定ドリフト量を算出する（ステップ（２５））。算出した推定ドリフト量をもとに逐次確率比検定を実施し、ドリフトの有無を判定する（ステップ（２６））。得られた結果を図１に示す総合判断部３に出力する（ステップ（２７））。
【００３３】
図１６は、図２のＲＯＭ１０５に書き込まれている総合判断部３のプログラムのフローチャートを示す。この一連の処理を対象となる計器について全て実施する。
プログラムがスタートすると、まず、図１に示す計器校正データ解析部２の結果で次回の定期検査が必要であるのかを確認する（ステップ（２８））。次回定期検査が必要であれば、次回定期検査実施とする（ステップ（２９））。次回定期検査が必要でなければ、計器ドリフト検出部の結果でドリフトが検出されているか確認する（ステップ（３０））。ドリフトが検出されていれば、次回定期検査実施とする（ステップ（２９））。ドリフトが検出されていなければ、次回定期検査未実施とする（ステップ（３１））。
【００３４】
図１７は、本発明の第２の実施形態としての実現例を示す。
この第２の本実施形態は、図２に示した本発明の第１の実施形態としての実現例における計器校正履歴データベース１、プロセス値格納データベース４、入力部７、出力表示部８、計器１０７ａ、１０７ｂ、プロセス入出力伝送装置１０８に加えて、インテリジェント計器１０９、ネットワーク１１０、入出力ポート１１１、マイクロコンピュータ１１２ａ、１１２ｂ、１１２ｃを備えている。
インテリジェント計器１０９とは、計測した値を電気信号に変換した後、その信号を接続先に伝送する機能を備えた計器を指す。ネットワーク１１０は、周知のインターネット技術を用いて実現する。入出力ポート１１１は、第１の実施形態での入力ポート１０１と出力ポート１０２を組み合わせたものであり、第２の実施形態での使用に限定するのではなく、第１の実施形態でも代価して用いることができる。
また、マイクロコンピュータ１１２ａ、１１２ｂ、１１２ｃは周知のマイクロコンピュータ技術を用いて実現した。よって、その構成は、ＣＰＵ１１３ａ、１１３ｂ、１１３ｃ、ＲＡＭ１１４ａ、１１４ｂ、１１４ｃ、ＲＯＭ１１５ａ、１１５ｂ、１１５ｃ、ＨＤ１１６ａ、１１６ｂ、１１６ｃという一般的なものである。第１の実施形態と同様に、ＲＯＭ１１５ａ、１１５ｂ、１１５ｃに書き込まれたプログラムにより、ＣＰＵ１１３ａ、１１３ｂ、１１３ｃを制御したり、外部からのデータや内部に保持しているデータを用いて演算する。
第１の実施形態と異なる点は、図１に示した構成のうち、計器校正データ解析部２の機能をプログラム化し、ＲＯＭ１１５ａに、計器ドリフト検出部５の機能をプログラム化し、ＲＯＭ１１５ｂに、総合判断部３の機能をプログラム化し、ＲＯＭ１１５ｃにそれぞれ書き込んでおり、各機能の出力結果を確認する出力表示部８と入力部７も含めて独立してネットワーク１１０に接続するということである。これにより、ユーザは、ネットワーク１１０を介するこによって場所の限定なく、本発明による機能の効果を受けることができる。
【００３５】
以下、ＲＯＭ１１５ａ、１１５ｂ、１１５ｃに書き込まれた機能について説明する。なお、各プログラムのフローチャートは、図１４〜図１６に示したものと同様である。ただし、各プログラムでのやり取りされるデータはネットワーク１１０を介して実施される点が異なる。
計器校正データ解析部２では、計器校正履歴データベース１に格納されている校正データを入力データ処理機能２１、校正周期予測モデル作成機能２２、予測機能２３により処理し、校正周期を予測する。また、計器ドリフト検出部５では、プラントのプロセス値をオンラインで収集し、データベース化して格納する機能をもつプロセス値格納データベース４からプラントのプロセス値を入力とし、学習／推定切換機能５１、モデル作成機能５２、真値推定機能５３、減算機能５４、ドリフト検出機能５５によってプラント運転中オンラインにて計器のドリフトを検出する。
第２の本実施形態のプロセス値格納データベース４は、プラント内にある各計器と伝送ラインにより接続されている。各計器は、自身で測定値を転送する手段を有しているインテリジェント計器１０９の場合、プロセス値を計測し、伝送ラインを介してプロセス値格納データベース４にその情報を送る。上記の手段を持たない計器１０７ａ、１０７ｂについては、プロセス入出力伝送装置１０８を介してプロセス値格納データベース４にその情報を送る。
【００３６】
次に、図１７の計器校正支援システムの動作および信号の流れについて説明する。
初めに、過去の計器校正データがある場合について説明する。
計器校正履歴データベース１に格納されている校正データをもとにドリフト量を計算後、計器校正データ解析部２（ＲＯＭ１１５ａ）に入力し、解析を実施する。計器校正データ解析部２では、入力データ処理機能２１によって計器校正履歴データベース１への入力ミス等で発生する外れ値などを除去する。入力データ処理機能２１によって外れ値を除外された校正データは、校正周期予測モデル作成機能２２により幾つかのグループに分類され、グループごとにドリフト量分布が作成される。計器の校正データを分類する方法としては、第１の実施形態と同様の方法を用いる。作成されたドリフト量分布をもとに予測に用いるモデルを作成する。作成されたモデルは、モデルデータベース６に保存し、適宜、必要なモデルを呼出すことが可能である。次に、予測機能２３では、校正周期予測モデル作成機能２２にて作成されたモデルを用いて、適正な校正周期を予測し、その結果を総合判定部３に送る。グループ化した校正データからドリフト量分布及びモデルを作成し、校正周期を予測する過程については、第１の実施形態と同様である。
【００３７】
一方、ドリフトを検知する計器ドリフト検出部５（ＲＯＭ１１５ｂ）には、オンラインでプラントからのプロセス値を収集し、転送されたプロセス値を蓄積する機能をもつプロセス値格納データベース４からのプロセス値を用いて、計器の真値を推定するためのモデルを作成する機能と、そのモデルを用いて真値を推定する機能がある。
計器の真値を推定するためのモデルを作成する機能では、ユーザが入力部７から「学習」の指令を学習／推定切換機能５１に送ると、モデル作成機能５２が選択され、プロセス値格納データベース４からのプロセス値が入力される。モデル作成機能５２では、自己連想型ニューラルネットワークを用いてモデルを作成する。自己連想型ニューラルネットワークの学習時に用いる入力信号の期間および選択方法については、第１の実施形態と同様である。
次に、ユーザが入力部７から「推定」の指令を学習／推定切換機能５１に送ると、真値推定機能５３が選択され、モデルデータベース６に保存されている該当モデルをロードし、プロセス値格納データベース４を介しプラントのプロセス値をモデルに入力する。その結果、真値推定機能５３からの出力として、入力されたプロセス値のドリフトを含まない真値推定値が得られる。この真値推定値とプロセス値格納データベース４を介して得られるプラントのプロセス値を減算機能５４にそれぞれ入力し、プラントの現在のプロセス値から真値推定機能５３によって得られた真値推定値を減算することで推定ドリフト量を得る。この推定ドリフト量をドリフト検出機能５５に入力し、ドリフトの有無を判定する。具体的には、逐次確率比検定を用いて判定する。
【００３８】
総合判断部３（ＲＯＭ１１５ｃ）では、計器校正データ解析部２と計器ドリフト検出部５からの結果を総合し、各計器の状態や校正の有無を出力表示部８によってユーザに提示する。具体的には、計器校正データ解析部２による校正周期予測により、次回定期検査で校正が必要と判断された計器のリストと、計器ドリフト検出部５にてドリフトが検出された計器のリストとをまとめて出力表示部８に表示する。
例えば、計器校正データ解析部２で次回定期検査の予定でない計器が計器ドリフト検出部５でドリフトが検出された場合には、次回定期検査の計器リストに該当計器を含める。また、計器ドリフト検出部５でドリフト検知されていない計器に対しても、推定ドリフト量をもとに計器の許容範囲の最大値からの余裕をユーザに表示し、各計器の状態を把握できるようにする。
【００３９】
ここまでは、過去の計器校正データがある場合について説明したが、以下では、新設プラントや途中で計器を交換した場合など過去の計器校正データがない場合について、図１４の計器校正支援システムの動作および信号の流れについて説明する。
初めに、プラント起動後のプロセス値をプロセス値格納データベース４を介して獲得する。計器ドリフト検出部５（ＲＯＭ１１５ｂ）には、入力部７から「学習」の指令を学習／推定切換機能５１に入力し、モデル作成機能５２にプロセス値を入力する。モデル作成機能５２では、入力されたプロセス値を入力信号および教師信号とし自己連想型ニューラルネットワークを学習する。作成されたモデルは、モデルデータベース６に保存される。定期検査時の校正作業を立案するサイクル末期に、入力部７より「推定」の指令を学習／推定切換機能５１に入力し、現在のプラントのプロセス値を真値推定機能５３に入力する。真値推定機能５３では、入力信号のプロセス値に対応するモデルをモデルデータベース６よりロード後、プロセス値を入力し真値推定値を出力する。次に、減算機能５４でプロセス値格納データベース４を介して得られた現在のプラントのプロセス値から真値推定機能５３より出力された真値推定値を減算し、推定ドリフト量を計算する。推定ドリフト量をドリフト検出機能５５に入力し、ドリフトの有無を判定後、その結果を総合判定部３に送る。
【００４０】
次に、推定ドリフト量を校正データとみなし、計器校正データ解析部２（ＲＯＭ１１５ａ）に入力する。計器校正データ解析部２では、入力されたデータを入力データ処理機能２１により計器異常等の外れ値を除外する。校正周期予測モデル作成機能２２では、入力部７からユーザによる分類の指令或いは予め定めておいた分類方法によりデータをグループ化し、それぞれのグループでドリフト量分布を作成する。作成されたドリフト量分布をもとに予測に用いるモデルを作成する。作成されたモデルは、モデルデータベース６に保存し、適宜、必要なモデルを呼出すことが可能である。予測機能２３では、校正周期予測モデル作成機能２２にて作成されたモデルを用いて適正な校正周期を予測し、その結果を総合判定部３（ＲＯＭ１１５ｃ）に送る。総合判定部３では、計器ドリフト検出部５で得られた推定ドリフト量およびドリフト検出結果と、推定ドリフト量を校正データとみなし、計器校正データ解析部２での解析結果を統合し、出力表示部８に表示する。
【００４１】
以上説明した本発明の実施形態では、本発明を原子力発電プラントの計器校正支援として適用しているが、本発明の適用対象は、原子力発電プラントに限定されない。例えば、火力発電プラントや化学プラントに代表される大規模なシステムにはじまり、規模に関らず計器が取り付けられている一般産業システムについても計器校正を実施しており、その支援の必要性も同様であることから、本発明はこれらの計器校正支援にも適用することができる。
【００４２】
【発明の効果】
以上説明したように、本発明によれば、プラントの過去の校正データをもとに、計器の校正周期を予測する機能に加えてオンラインにて計器のドリフトを検出する機能を有することにより、信頼性を確保した計器の校正周期を提示するすることができる。
また、新設プラントや計器を交換した場合等で過去の校正データがない場合にも、オンラインにて得られた推定ドリフト量を校正データとみなすことにより、計器の校正周期を容易に予測することができる。
【図面の簡単な説明】
【図１】本発明による計器校正支援システムの第１の実施形態を示すブロック図
【図２】本発明の第１の実施形態の実現例を示すブロック図
【図３】本発明の計器校正履歴データベースに格納されている校正記録結果の例を示す図
【図４】本発明の計器校正履歴データベースに格納されている計器仕様表の例を示す図
【図５】本発明の校正周期予測モデル作成機能において、校正データを分類する際、必要な校正データを検索するための機能を出力表示部に表示する画面例
【図６】本発明の校正周期予測モデル作成機能において、選択した校正データの散布図を用いてグループ化する機能を出力表示部に表示する画面例
【図７】本発明の校正周期予測モデル作成機能において、選択した校正データのモデルを作成する機能を出力表示部に表示する画面例
【図８】本発明の予測機能において、選択した校正データのモデルを用いた校正周期予測日を出力表示部に表示する画面例
【図９】本発明のモデル作成機能およびドリフト検出機能において、ユーザがモデルの設定および逐次確率比検定の設定をする際の画面例
【図１０】本発明のモデル作成機能において、自己連想型ニューラルネットワークの学習に用いる入力信号の期間を選択する画面例
【図１１】本発明の真値推定機能およびドリフト検出機能において、真値推定した結果およびドリフトの検出結果を監視する画面例
【図１２】本発明の総合判断部において、計器校正データ解析部の結果と計器ドリフト検出部の結果を総合し、ユーザに示すための出力表示部に表示する画面例
【図１３】本発明の総合判断部において、計器校正データ解析部の結果と計器ドリフト検出部の結果を総合し、ユーザに示すための表示で次回定期検査表示を選択したときの画面例
【図１４】本発明の計器校正データ解析部における処理手順のフローチャート
【図１５】本発明の計器ドリフト検出部における処理手順のフローチャート
【図１６】本発明の総合判断部における処理手順のフローチャート
【図１７】本発明の第２の実施形態としての実現例を示すブロック図
【符号の説明】
１…計器校正履歴データベース、２…計器校正データ解析部、３…総合判断部、４…プロセス値格納データベース、５…計器ドリフト検出部、６…モデルデータベース、７…入力部、８…出力表示部、２１…入力データ処理機能、２２…校正周期予測モデル作成機能、２３…予測機能、５１…学習／推定切換機能、５２…モデル作成機能、５３…真値推定機能、５４…減算機能、５５…ドリフト検出機能、１００…マイクロコンピュータ、１０１…入力ポート、１０２…出力ポート、１０３…ＣＰＵ、１０４…ＲＡＭ、１０５…ＲＯＭ、１０６…ＨＤ（ハード・デスク）、１０７ａ，１０７ｂ，１０７ｃ…計器、１０８…プロセス入出力伝送装置、１０９…インテリジェント計器、１１０…ネットワーク、１１１…入出力ポート、１１２ａ，１１２ｂ，１１２ｃ…マイクロコンピュータ、１１３ａ，１１３ｂ，１１３ｃ…ＣＰＵ、１１４ａ，１１４ｂ，１１４ｃ…ＲＡＭ、１１５ａ，１１５ｂ，１１５ｃ…ＲＯＭ、１１６ａ，１１６ｂ，１１６ｃ…ＨＤ[0001]
BACKGROUND OF THE INVENTION
The present invention relates to an instrument calibration support system that presents the timing of instrument calibration for instruments installed in large-scale plants represented by nuclear power plants and thermal power plants.
[0002]
[Prior art]
In nuclear power plants, process values measured by instruments such as flow rate, pressure, and temperature are used for control related to plant operation and normality of plant operation. For this reason, it is very important to maintain the soundness of the values output by the instrument.
On the other hand, an instrument installed in a plant converts an internally measured value into an electrical signal and provides input signals to various devices. There is a certain relationship between the input and output of the meter, and the measured value is converted into an electrical signal based on this relationship. However, as the operation continues, there is a deviation in the relationship between the input and output. Will arise. This is called drift, and it is necessary to calibrate each instrument so as to maintain the permissible accuracy specified for operation.
Normally, calibration of an instrument is performed by inputting a reference input signal and checking whether the output of the instrument is a predetermined value. When it is confirmed that this value has a large deviation from the determined reference value, calibration is performed. A point to be checked for one meter goes back and forth with 0%, 25%, 50%, 75%, 100%, 75%, 50%, 25%, 0% of the measurement range, and requires 9 points. In nuclear power plants and the like, there are thousands to tens of thousands of instruments that need to be calibrated, and thus the calibration work requires a great deal of labor and time.
Conventionally, in order to reduce the calibration work of the instrument, the correlation between the characteristic value of the instrument and the time is modeled based on the past calibration data to predict the calibration period (Patent Document 1).
[0003]
[Patent Document 1]
JP 2002-228495 A
[0004]
[Problems to be solved by the invention]
However, since the conventional system for supporting the calibration of the instrument is based on time-planned maintenance, there is an instrument that exceeds the allowable accuracy before the scheduled calibration cycle, and there is a problem from the viewpoint of reliability. In addition, since the accumulated past calibration data is used, it is not possible to deal with a situation where there is no past calibration data, such as when a new plant is installed or an instrument is replaced on the way.
[0005]
The problem of the present invention is that it is suitable for the calibration support of the instrument that ensures the reliability of the timing of the instrument calibration, and the calibration support of the instrument even when there is no past calibration data such as when a new plant or instrument is replaced It is another object of the present invention to provide an instrument calibration support system suitable for the above.
[0006]
[Means for Solving the Problems]
  In order to solve the above-described problems, the present invention is an instrument calibration support system that presents a calibration cycle of an instrument by integrating a result of predicting a calibration period using calibration data of the instrument and an online drift detection result. The instrument calibration history database that stores the calibration data, the instrument calibration data analysis unit that predicts the calibration cycle of the instrument based on the calibration data, and the process values measured by the instrument are acquired online and stored. A process value storage database having means, a model based on the process value, and an instrument drift detector for detecting instrument drift online; a result of the instrument calibration data analyzer; and an instrument drift detector Comprehensive determination unit for integrating the results, and an output display unit for displaying the results of the comprehensive determination unitThe instrument drift detection unit obtains a process value measured by the instrument online, creates a model using the process value accumulated in the process value storage database, and estimates using an already created model A learning / estimation switching function having means for switching between cases, a model creation function having means for creating a model using the process value, and a true means having means for estimating a process value without drift using the model. An instrument comprising a value estimation function, a subtraction function having means for subtracting the process value not including the drift from the process value, and a drift detection function having means for determining the presence or absence of drift using the result of the subtraction function This is a calibration support system.
  Further, the present invention is an instrument calibration support system that presents a calibration cycle of a meter by combining a result of predicting a calibration cycle using calibration data of the meter and a result of online drift detection, the calibration data being Stored instrument calibration history database, instrument calibration data analysis unit for predicting the calibration period of the instrument based on the calibration data, and process value storage having means for acquiring and storing process values measured by the instrument online Comprehensive judgment that creates a model based on the database and the process values, and detects the drift of the instrument online, and the results of the instrument calibration data analyzer and the instrument drift detector And an output display unit for displaying the result of the comprehensive judgment unit,The instrument calibration data analysis unit calculates a drift amount of the instrument based on the past instrument calibration results stored in the instrument calibration history database and stored in the instrument, and removes outliers. A calibration cycle prediction model creation function having an input data processing function and a means for creating a model for predicting a drift amount at an arbitrary time based on the drift amount, and predicting a calibration cycle of the instrument using the model A prediction function having means forAn instrument calibration support system having a model database having a calibration cycle prediction model created by the calibration cycle prediction model creation function and a means for storing a true value estimation model created by the model creation function.
  The present invention is an instrument calibration support system that presents the calibration cycle of an instrument by combining the result of online instrument drift detection and the result of predicting the calibration period based on the estimated drift amount of the instrument online. TotalProcess values measured by the instrument online,A process value storage database having means for accumulating, a model is created based on the process value, a drift of the instrument is estimated, an instrument drift detector that detects on-line, and a drift amount estimated by the drift detector An instrument calibration data analysis unit that predicts the calibration cycle of the instrument, a comprehensive judgment unit that combines the results of the instrument calibration data analysis unit and the results of the instrument drift detection unit, and the results of the comprehensive judgment unit are displayed. An output display unit, the instrument drift detection unit obtains a process value measured by the instrument online, and creates a model using the process value accumulated in the process value storage database; A learning / estimation switching function having means for switching between estimation using a model and the process value is used to create a model. A model creation function having means, a true value estimation function having means for estimating a process value not including drift using the model, and a process value not including the drift is subtracted from the process value to obtain an estimated drift amount. A subtraction function having means for obtaining and the estimated drift amountDrift detection function having means for determining the presence or absence of drift usingThe instrument calibration data analysis unit has an arbitrary value based on the estimated drift amount. A calibration period prediction model creation function having means for creating a model for predicting a drift amount at time, and a prediction function having means for predicting a calibration period of an instrument using the model;TheThis is an instrument calibration support system.
[0007]
DETAILED DESCRIPTION OF THE INVENTION
Hereinafter, embodiments of the present invention will be described with reference to the drawings.
FIG. 1 shows a first embodiment of an instrument calibration support system according to the present invention.
The instrument calibration support system of the present invention includes an instrument calibration history database 1, an instrument calibration data analysis unit 2, a comprehensive judgment unit 3, a process value storage database 4, an instrument drift detection unit 5, a model database 6, an input unit 7, and an output display unit. 8 is provided.
In the instrument calibration data analysis unit 2, the calibration data stored in the instrument calibration history database 1 is processed by the input data processing function 21, the calibration period prediction model creation function 22, and the prediction function 23 to predict the calibration period. In addition, the instrument drift detection unit 5 collects plant process values online, inputs the process values of the plant from the process value storage database 4 having a function of storing it in a database, the learning / estimation switching function 51, and model creation The function 52, the true value estimation function 53, the subtraction function 54, and the drift detection function 55 detect the drift of the instrument online during plant operation. The model database 6 stores the calibration cycle prediction model created by the calibration cycle prediction model creation function 22 and the true value estimation model created by the model creation function 52.
[0008]
Next, the operation and signal flow of the instrument calibration support system of FIG. 1 will be described.
First, a case where there is past instrument calibration data will be described.
First, after calculating the drift amount based on the calibration data stored in the instrument calibration history database 1, the drift amount is input to the instrument calibration data analysis unit 2 for analysis. In the instrument calibration data analysis unit 2, the input data processing function 21 removes outliers and the like generated due to an input error to the instrument calibration history database 1. The calibration data from which outliers are excluded by the input data processing function 21 is classified into several groups by the calibration period prediction model creation function 22, and a drift amount distribution is created for each group. For example, in the case of a nuclear power plant, the method of classifying the calibration data of the instrument is a method of classifying by system such as a reactor system or a control rod drive water system, or a place where the instrument is installed such as the second floor of the reactor building. There are a method of classification, a method of classification based on the temperature and pressure of the substance being measured by the instrument, a measurement substance, and the like, which are determined by a user command from the input unit 7 or the like. A model used for prediction is created based on the created drift amount distribution. The created model can be stored in the model database 6 and a necessary model can be called as appropriate. Next, the prediction function 23 predicts an appropriate calibration period using the model created by the calibration period prediction model creation function 22, and sends the result to the comprehensive judgment unit 3.
[0009]
Hereinafter, a process of creating a drift amount distribution and a model from grouped calibration data and predicting a calibration cycle will be described in detail.
Let time t (> 0) be the time elapsed since the calibration was performed. Further, when the drift amount generated between time t-1 and t is represented by a random variable Xt, the total amount Xn of drift amounts up to time n can be expressed by Equation 1.
[Expression 1]
Figure 0004170843
Here, since the drift amount Xt generated at each time is a group of drift amounts of several instruments, it may be regarded as a normal distribution by the central limit theorem regardless of the population distribution. Therefore, Xt is 0 on average and variance σ0 2Normal distribution N (0, σ0 2) Therefore, the distribution of the total amount Xt of drift amounts up to time n expressed by Equation 1 is N (0, nσ) from the reproducibility of the normal distribution.0 2) From the above, the standard deviation σn of the drift amount distribution up to time n is expressed by Equation 2.
[Expression 2]
Figure 0004170843
In order to determine an appropriate cycle of the instrument calibration using the result of Equation 2, an allowable value deviation probability is obtained. Let the tolerance accuracy of the target instrument be ± L (> 0). Xn is N (0, nσ0 2Therefore, if a standardized variable Z is introduced and Z = Xn / σn, Z follows N (0,1). Therefore, the probability that the drift amount at time n deviates from the allowable accuracy ± L is obtained by Equation 3.
[Equation 3]
Figure 0004170843
When calculating an appropriate calibration cycle, the value of the tolerance deviation probability and the tolerance accuracy determined in advance by the instrument are input to Equation 3, and the time n exceeding the given tolerance deviation probability is obtained. Calibration cycle.
The calculation of the calibration cycle described so far is performed for each calibration point.
[0010]
On the other hand, the instrument drift detector 5 for detecting drift using the process value from the process value storage database 4 having the function of collecting and accumulating process values online from the plant is used to estimate the true value of the instrument. There is a function of creating a model and a function of estimating a true value using the model.
In the function of creating a model for estimating the true value of the instrument, when the user sends a “learning” command from the input unit 7 to the learning / estimation switching function 51, the model creation function 52 is selected, and the process value storage database The process value from 4 is input. The model creation function 52 creates a model using a self-associative neural network. Since the structure of the self-associative neural network and the learning method thereof are well-known techniques, the following “MA Kramer: Nonlinear Principal Component Analyzing Neural Network, AlChE J. Vol. 2, 1991 "is shown as a reference.
The feature of the self-associative neural network is that the same signal as the input signal is given as a teacher signal. Thus, when a signal that does not include drift is selected as the input signal, the self-associative neural network is learned so that the output signal also outputs a true value that does not include drift. At this time, as a method of selecting an input signal that does not include drift, there is a method of selecting a process value of the plant after starting the plant after completion of the periodic inspection. In this case, since it is immediately after the completion of the periodic inspection, the instrument is calibrated and it is considered that the process value does not include drift. On the other hand, the model to be created is not a model in which all process values of the plant are input at once, but is classified into related process values and systems, and modeling is performed for each. As a classification example, in the case of a nuclear power plant, specific examples include classification by a process value related to a jet pump flow rate, classification of a process value related to a water supply system, and the like. The reason for this classification is that the self-associative neural network used in the model models the interrelationships between the input signals, so by classifying and selecting the process values that are interrelated as input signals, This is because the correlation of input signals is more reflected in the model, and the accuracy of true value estimation is improved. The model created by the model creation function 52 can be stored in the model database 6.
[0011]
Next, when the user sends an “estimate” command from the input unit 7 to the learning / estimation switching function 51, the true value estimation function 53 is selected, the corresponding model stored in the model database 6 is loaded, and the process value The process value of the plant is input to the model from the storage database 4. As a result, a true value estimated value including no drift of the process value input as an output from the true value estimating function 53 is obtained. The true value estimated value and the process value of the plant from the process value storage database 4 are respectively input to the subtracting function 54, and the true value estimated value obtained by the true value estimating function 53 is subtracted from the current process value of the plant. To obtain the estimated drift amount.
This estimated drift amount is input to the drift detection function 55 to determine the presence or absence of drift. Specifically, determination is performed using a sequential probability ratio test.
[0012]
The reason for determining the presence or absence of drift using the sequential probability ratio test will be described.
Usually, determination by a threshold value is used for determination of abnormality or the like. Even in the present embodiment, it is conceivable to use a value within an allowable range defined by each meter as a threshold value. However, since the process value of the plant fluctuates, there are many cases where erroneous recognition is performed. In the sequential probability ratio test, two states are assumed and a value called likelihood is defined. This value increases or decreases as one of the two assumed states continues. Whether the state is one of the two assumed states is determined based on whether the likelihood exceeds or falls below a threshold value calculated by setting values of a false detection probability and a detection failure probability in advance. Here, since the sequential probability ratio test is used to determine the presence or absence of drift, two states are assumed: a state without drift and a state with drift.
Since the drift of the instrument occurs continuously, if the state where the drift that deviates from the allowable range of the instrument continues, it can be detected by the sequential probability ratio test. Accordingly, even when the value suddenly deviates from the allowable range of the instrument due to fluctuations in the process value or the like, there is no erroneous recognition. In addition, about description of the specific numerical formula about a sequential probability ratio test, the following "K. C. Gross et al .: Sequential Probability Ratio Test for Nuclean Plant Component Survey, Nuclear Technology, Vol. Here are some references. The result of the drift detection function 55 is sent to the comprehensive judgment unit 3.
[0013]
In the comprehensive judgment unit 3, the results from the instrument calibration data analysis unit 2 and the instrument drift detection unit 5 are synthesized, and the status of each instrument and the presence / absence of calibration are presented to the user by the output display unit 8.
Specifically, a list of instruments that are determined to be calibrated in the next periodic inspection by a calibration cycle prediction by the instrument calibration data analysis unit 2 and a list of instruments in which drift is detected by the instrument drift detection unit 5 are obtained. They are displayed together on the output display unit 8. For example, if a meter that is not scheduled for the next periodic inspection is detected by the instrument calibration data analysis unit 2 and drift is detected by the instrument drift detection unit 5, the corresponding instrument is included in the instrument list for the next periodic inspection. In addition, even for instruments for which no drift is detected by the instrument drift detector 5, the margin from the maximum allowable range of the instrument can be displayed to the user based on the estimated drift amount, and the state of each instrument can be grasped. Like that.
[0014]
Up to this point, the case where there is past instrument calibration data has been described. However, in the following, the operation of the instrument calibration support system of FIG. 1 is performed when there is no past instrument calibration data, such as when a new plant is installed or when the instrument is replaced in the middle. The signal flow will be described.
First, the process value after starting the plant is obtained from the process value storage database 4. A “learning” command is input to the learning / estimation switching function 51 from the input unit 7, and a process value is input to the model creation function 52. The model creation function 52 learns a self-associative neural network using the input process values as input signals and teacher signals. The created model is stored in the model database 6. At the end of the cycle when the calibration work for the periodic inspection is planned, an “estimation” command is input to the learning / estimation switching function 51 from the input unit 7, and the process value of the current plant is input to the true value estimation function 53. In the true value estimation function 53, after loading a model corresponding to the process value of the input signal from the model database 6, the process value is input, and the true value estimated value is output. Next, the subtraction function 54 subtracts the true value estimated value output from the true value estimation function 53 from the current plant process value obtained from the process value storage database 4 to calculate the estimated drift amount. The estimated drift amount is input to the drift detection function 55, and after the presence / absence of drift is determined, the result is sent to the comprehensive determination unit 3.
[0015]
Next, the estimated drift amount is regarded as calibration data and input to the instrument calibration data analysis unit 2. In the instrument calibration data analysis unit 2, outliers such as instrument abnormalities are excluded from the input data by the input data processing function 21. In the calibration cycle prediction model creation function 22, data is grouped according to a classification command from the user from the input unit 7 or a predetermined classification method, and a drift amount distribution is created for each group. A model used for prediction is created based on the created drift amount distribution. The created model can be stored in the model database 6 and a necessary model can be called as appropriate. The prediction function 23 predicts an appropriate calibration cycle using the model created by the calibration cycle prediction model creation function 22, and sends the result to the comprehensive judgment unit 3.
[0016]
The overall judgment unit 3 regards the estimated drift amount and drift detection result obtained by the instrument drift detection unit 5 and the estimated drift amount as calibration data, integrates the analysis results from the instrument calibration data analysis unit 2, and outputs an output display unit. 8 is displayed.
[0017]
Specific examples thereof will be described below with reference to the drawings.
FIG. 2 shows a specific implementation of the present invention. Plant process values obtained from the meters 107a, 107b, 107c installed in the plant are stored in the process value storage database 4 by the process input / output transmission device. An instrument calibration history database 1 and a process value storage database 4 that store calibration record results of each instrument, which will be described later, are connected to the microcomputer 100 via an input port 101. Here, the instrument calibration history database 1 and the process value storage database 4 are realized using a known database device. Reference numeral 100 denotes a known microcomputer, which has a basic configuration of a CPU 103, a RAM 104, a ROM 105, and an HD 106. A program for controlling the CPU 103 is written in the ROM 105, and the CPU 103 fetches external data from the input port 101 according to this program, exchanges data with the RAM 104 and the HD 106, and outputs the calculation result to the output port 102. Output. An output display unit 8 is connected to the output port 102 and displays the calculated result. The input unit 7 is also connected to the input port 101 so that the microcomputer 100 can accept input from the user.
In the configuration shown in FIG. 1, the model database 6 is programmed in the HD 106 and the functions of the instrument calibration data analysis unit 2, the comprehensive judgment unit 3, and the instrument drift detection unit 5 are programmed and written in the ROM 105. If the program of each function written in ROM105 is shown with a flowchart, it will become like FIG. The explanation of the flowchart of the program using the drawings will be made after the explanation of FIGS.
[0018]
FIG. 3 shows an example of the calibration record result of each instrument stored in the instrument calibration history database 1 in FIG.
Instrument number for identifying the instrument, measurement point name indicating what is measured by the instrument, calibration date indicating the date of calibration, number of periodic inspections indicating the number of periodic inspections, input of the instrument Input range and output range indicating the output range, allowable accuracy of the instrument to determine whether or not to perform calibration, installation location indicating the location where the instrument is installed, input / output reference values at each calibration point Output values before and after calibration are included as information.
When calculating the drift amount based on the calibration record result, two calibration record results of the same instrument are required. Since the instrument calibration is always performed after the plant construction and before the actual operation starts, the calibration must be performed at least once thereafter. Otherwise, the countermeasure method in the case of replacing the above-described new plant or instrument is used. The calculation of the drift amount can be obtained by subtracting the post-calibration output of the previous periodic inspection from the pre-calibration output of a certain periodic inspection. At this time, the calibration interval is obtained based on the calibration date in each calibration record result.
Usually, the drift amount and allowable accuracy of a meter are often expressed as a percentage of the measurement range of the meter called% FS. On the other hand, when the meter is a transmitter, the pre-calibration output and the post-calibration output are sometimes expressed as current values or the like because the measured values are converted into electric signals. At this time, by dividing by the range of the output range described in the calibration record result, it can be converted into a unit of% FS.
[0019]
FIG. 4 shows an example of the instrument specification table of each instrument stored in the instrument calibration history database 1 in FIG.
The instrument number for identifying the instrument, the name of the measuring point indicating what the instrument is measuring, the name of the substance being measured by the instrument (in the case of a nuclear power plant, steam, nitrogen, demineralized water, etc.). ), The maximum use temperature and normal temperature of the substance being measured, and the maximum use pressure and normal pressure are described. This information is used when the calibration data is classified by the temperature and pressure of the substance being measured by the instrument and the substance to be measured.
[0020]
FIG. 5 is a screen example showing a function for searching for calibration data required by the user when the calibration data is classified in the calibration cycle prediction model creation function 22 in FIG.
In the upper part of the screen, the condition of the calibration data to be searched is input or an item prepared in advance is selected from a pull-down menu or the like, and the search is performed. Search results are displayed for each instrument in the lower part of the screen. When the calibration date in the search result is clicked, the calibration record result of the corresponding instrument is displayed, and when the instrument number is clicked, the instrument specification table of the corresponding instrument is displayed.
[0021]
FIG. 6 is a screen example of a function for creating a drift amount distribution by grouping calibration data to be modeled by the user in the calibration cycle prediction model creation function 22 in FIG. A scatter plot is used in which the drift amount of the selected calibration data is on the vertical axis and the calibration interval is on the horizontal axis.
When modeling, it is necessary to configure the drift amount distribution with the calibration interval close, so the user can enter any calibration interval value in the start date and end date fields and press the group setting button to select which Sets whether to group calibration intervals. In the scatter chart, the background color of the selected period changes so that the set group can be confirmed. Further, when changing the calibration point of the target calibration data, it can be changed by the user selecting the calibration point to be selected from the pull-down menu at the top of the screen. The calibration points that can be selected from the pull-down menu are displayed using the calibration point information described in the calibration record result.
[0022]
FIG. 7 is a screen example showing a model creation result to the user in the calibration cycle prediction model creation function 22 of FIG.
In this embodiment, a model using a normal distribution is applied as the calibration cycle prediction model. Therefore, the model parameters are mean and variance. Since the average of the drift amount distribution is assumed to be 0, the parameter is only dispersion. If the standard deviation is squared, the variance is obtained, so the standard deviation is considered here.
Estimate the interval of the population standard deviation using the calibration data selected as the model target. Since the reliability needs to be set when the section estimation is performed, the user can arbitrarily set it in the upper right part of the screen. Usually, the reliability is generally set to 90%. The result of section estimation based on the set reliability is displayed as a numerical value at the bottom of the screen. In addition, a section bar in which a horizontal bar indicating the upper limit value and the lower limit value of the section estimation is displayed at the position of the calibration interval of the corresponding group is displayed. Here, if the calibration intervals within the group are different, an average value is obtained, and the average value is taken as the calibration interval for the entire group. The median of the interval estimation is the model parameter, that is, σ in Equation 20Used to find Specifically, the calibration interval of the target group to be modeled is substituted for n in Equation 2, and the median value of the section estimation is substituted for σn.0You can solve about. As can be seen from Equation 2, since the model to be obtained is a power function, the power function is drawn on the graph.
In addition, as a function for predictive evaluation of the model, it is also possible to display a section estimation result of calibration data not used in the model. In FIG. 7, the median value of the section bar is a black circle. This position is calibration data with two periodic inspection intervals, and the prediction model can be evaluated based on whether or not the power function that is the result of prediction passes through this interval bar.
[0023]
FIG. 8 is a screen example showing the result of calibration cycle prediction to the user in the prediction function 23 of FIG.
From Equation 3, in order to calculate the calibration period, it is necessary to set the allowable accuracy of the instrument and the allowable value deviation probability, which can be set by the user from the upper right part of the screen. That is, the set value of the allowable instrument accuracy is substituted for L in the second term on the right side of Equation 3, and σ0Substitutes the value obtained in model creation, n increments sequentially from 1, calculates the right side of Equation 3 with each n value, finds the allowable value deviation probability Pn, and plots it on the graph. The position where Pn becomes the allowable deviation probability setting value is set as an appropriate calibration cycle, and is displayed at the bottom of the screen as a calibration cycle prediction result.
In FIG. 8, since the tolerance deviation probability setting is 0.1 (%), the calibration interval 850 (days) through which the graph passes the tolerance deviation probability 0.1 on the vertical axis of the graph is appropriate. Estimated as calibration period.
[0024]
FIG. 9 is a screen example when the user performs model setting and sequential probability ratio test setting in the model creation function 52 and the drift detection function 55 in FIG. 1.
First, the setting of the model will be described. After setting the model name in the upper left of the screen, set the modeling process as an input / output variable. When the selected input / output variable is modeled by the self-associative neural network, parameters necessary for learning are set in the upper right part of the screen. After setting the number of learning, the sigmoid coefficient indicating the slope of the sigmoid function, and the learning coefficient and moment coefficient necessary for setting the learning algorithm, the structure of the self-associative neural network is determined.
In FIG. 9, the number of layers of the self-associative neural network is set to five. Since the self-associative neural network has a symmetric structure, the number of units in the input layer and the output layer is the same as the number of units in the second layer and the fourth layer. Therefore, as shown in FIG. 9, the number of units can be input at once. Further, if the number of layers is changed, the setting location of the number of units is also changed accordingly.
[0025]
Next, the setting of the sequential probability ratio test used in the drift detection function 55 will be described.
At the bottom of the screen, the process numbers and names used as input / output variables of the model are displayed as a list, and the false detection probability and the detection failure probability necessary for applying each process to the sequential probability ratio test are set. Further, in the sequential probability ratio test, it is necessary to set a distribution when it is assumed that there is no drift, and a distribution when it is assumed that there is a drift. Uses a normal distribution whose average is twice the allowable accuracy and whose variance is the allowable accuracy, so that the allowable accuracy of the instrument that measures each process is required and is set on this screen.
[0026]
FIG. 10 is an example of a screen for setting a period of an input signal used for learning of the self-associative neural network in the model creation function 52 of FIG.
The process value of the plant selected as the model input signal is displayed as a trend, and the user moves the two hair cursors to the start and end positions of learning to set the period of the process value used for learning. To do. To change the time scale of the trend displayed on one screen, select the corresponding scale from the pull-down menu at the lower left of the screen. When all the input signals do not fit on one screen, the trend screen is assigned using two or more screens, and the assigned screen is switched by clicking the previous page or the next page at the bottom of the screen.
[0027]
FIG. 11 is an example of a screen for displaying to the user whether or not there is a trend display of the true value estimated by the true value estimation function 53 and the drift detection function 55 in FIG.
In the trend display of the target process value, when the measured value of the plant obtained online and the estimated true value for the trend are simultaneously displayed, or the estimated drift obtained by subtracting the estimated true value from the measured value of the plant The user selects to display the value and assigns it to the screen. To change the time scale of the trend displayed on one screen, select the corresponding scale from the pull-down menu at the lower left of the screen. When all the input signals do not fit on one screen, the trend screen is assigned using two or more screens, and the assigned screen is switched by clicking the previous page or the next page at the bottom of the screen.
Regarding drift detection, if the estimated drift amount of a process is determined to be drift by the drift detection function 55, the drift detection at the top of the screen blinks to notify the user. If you click the list, the name of the process value where the drift was detected, the estimated drift amount at the time of detection, and the allowable range are displayed in a list. Is done.
[0028]
FIG. 12 is a screen example in which the results of the instrument calibration data analysis unit 2 and the instrument drift detection unit 5 are integrated in the comprehensive judgment unit 3 of FIG. 1 and displayed to the user.
For each process value, a scheduled periodic inspection is displayed as a result of the instrument calibration data analysis unit 2, and an estimated drift amount is displayed as a result of the instrument drift detection unit 5. From the difference between the estimated drift amount and the permissible accuracy, the user can check how much room is left before the permissible accuracy is deviated without using the next periodic inspection instrument. Information corresponding to the user is displayed by clicking the next periodic inspection display, all display, and system-specific display on the right side of the screen. In addition, by clicking the search button, a form for inputting a search condition is displayed, and the calibration state of the instrument required by the user can be searched.
[0029]
FIG. 13 is an example of a screen displayed when the next periodic inspection display is clicked in FIG.
After the instrument number and measurement point name, the result of the instrument calibration data analysis unit 2 and the result of the instrument drift detection unit 5 are displayed, the estimated drift amount is displayed above the last term, and the allowable accuracy is displayed below. . At this time, the instrument calibration data analysis result was not the subject of the next periodic inspection, but if the instrument drift detection result requires the next periodic inspection, the instrument calibration data analysis result indicates the next periodic inspection. The background color changes in each case when it is the target and the target of the next periodic inspection is the result of the instrument drift detection.
[0030]
FIG. 14 shows a flowchart of the program of the instrument calibration data analysis unit 2 written in the ROM 105 of FIG.
When the program starts, the instrument calibration data is read from the instrument calibration history database 1 shown in FIG. 1 through the input port 101, the drift amount is calculated, and it is confirmed whether there is an outlier (step (1)). When there is no past instrument calibration history database, such as when a new plant or instrument is replaced, the estimated drift amount calculated by the instrument drift detector 5 shown in FIG. carry out. If there is an outlier, it is removed (step (2)). Next, the target instrument calibration data is classified into a predetermined group or a group in accordance with a user instruction from the input unit 7 (step (3)). Select whether to create a model for each group (step (4)). If a previously created model is to be used, load it (step (5)) and predict the calibration period using Equation 3 above. (Step (10)). When a new model is created, a drift amount distribution of each instrument is created based on the calibration record result (step (6)). A model is created using Equation 1 and Equation 2 described above (Step (7)). Select whether to save the created model (step (8)). If not, go to step (10) (step (8)). If you want to save it, save it in the model database 6 as a calibration cycle prediction model. Then, the process proceeds to step (10) (step (9)). After predicting the calibration period using Equation 3 in step (10), it is confirmed whether prediction has been performed for all groups (step (11)). If not, return to step (4). When the calibration cycle is predicted for all groups, the result is output to the comprehensive judgment unit 3 (step (12)).
[0031]
FIG. 15 shows a flowchart of the program of the instrument drift detector 5 written in the ROM 105 of FIG.
When the program starts, it is confirmed whether it is learning or estimation (step (13)). The instruction of learning or estimation is based on a user instruction input from the input unit 7.
First, a case where the command is learning will be described.
First, settings necessary for learning of a model self-associative neural network are performed (step (14)). The period of the process value used for learning is selected (step (15)). Thereafter, learning of the model is performed (step (16)), and it is confirmed whether or not the model is stored (step (17)). In the case of saving, it is saved as a true value estimation model in the model database 6 shown in FIG. 1 (step (18)). It is determined whether all the target models have been implemented (step (19)), and if all have been implemented, the learning is terminated (step (20)). If there are unexecuted ones, the process returns to step (14).
[0032]
Next, a case where the command is an estimation will be described.
First, the corresponding model is loaded from the true value estimation model stored in the model database 6 (step (21)). A corresponding input signal is input to the loaded model from the process value storage database 4 shown in FIG. 1 (step (22)), and an estimated value is obtained (step (23)). It is determined whether all target models have been implemented (step (24)), and if not implemented, the process returns to step (21). If all have been performed, an estimated drift amount is calculated from the estimated value and the current process value (step (25)). A sequential probability ratio test is performed based on the calculated estimated drift amount to determine the presence or absence of drift (step (26)). The obtained result is output to the comprehensive judgment unit 3 shown in FIG. 1 (step (27)).
[0033]
FIG. 16 shows a flowchart of the program of the comprehensive judgment unit 3 written in the ROM 105 of FIG. This series of processing is performed for all the target instruments.
When the program starts, first, it is confirmed from the result of the instrument calibration data analysis unit 2 shown in FIG. 1 whether the next periodic inspection is necessary (step (28)). If the next periodic inspection is necessary, the next periodic inspection is carried out (step (29)). If the next periodic inspection is not necessary, it is confirmed whether a drift is detected based on the result of the instrument drift detector (step (30)). If drift is detected, the next periodic inspection is performed (step (29)). If no drift is detected, the next periodic inspection is not performed (step (31)).
[0034]
FIG. 17 shows an implementation example as the second embodiment of the present invention.
This second embodiment is an instrument calibration history database 1, a process value storage database 4, an input unit 7, an output display unit 8, an instrument 107a in the example of realization as the first embodiment of the present invention shown in FIG. 107b, in addition to the process input / output transmission device 108, an intelligent instrument 109, a network 110, an input / output port 111, and microcomputers 112a, 112b, 112c are provided.
The intelligent instrument 109 refers to an instrument having a function of transmitting a signal to a connection destination after converting a measured value into an electrical signal. The network 110 is realized using a well-known Internet technology. The input / output port 111 is a combination of the input port 101 and the output port 102 in the first embodiment, and is not limited to use in the second embodiment. Can be used.
The microcomputers 112a, 112b, and 112c are realized by using known microcomputer technology. Therefore, the configuration is general such as CPUs 113a, 113b, 113c, RAMs 114a, 114b, 114c, ROMs 115a, 115b, 115c, HDs 116a, 116b, 116c. As in the first embodiment, the CPUs 113a, 113b, and 113c are controlled by programs written in the ROMs 115a, 115b, and 115c, and calculations are performed using data from the outside and data held inside.
The difference from the first embodiment is that, in the configuration shown in FIG. 1, the function of the instrument calibration data analysis unit 2 is programmed, the function of the instrument drift detection unit 5 is programmed in the ROM 115a, and the comprehensive judgment is made in the ROM 115b. The functions of the unit 3 are programmed and written in the ROM 115c, and the output display unit 8 and the input unit 7 for confirming the output result of each function are connected to the network 110 independently. Thereby, the user can receive the effect of the function by this invention via the network 110, without limitation of a place.
[0035]
Hereinafter, functions written in the ROMs 115a, 115b, and 115c will be described. The flowchart of each program is the same as that shown in FIGS. However, the data exchanged in each program is different in that it is executed via the network 110.
In the instrument calibration data analysis unit 2, the calibration data stored in the instrument calibration history database 1 is processed by the input data processing function 21, the calibration period prediction model creation function 22, and the prediction function 23 to predict the calibration period. In addition, the instrument drift detection unit 5 collects plant process values online, inputs the process values of the plant from the process value storage database 4 having a function of storing it in a database, the learning / estimation switching function 51, and model creation The function 52, the true value estimation function 53, the subtraction function 54, and the drift detection function 55 detect the drift of the instrument online during plant operation.
The process value storage database 4 of the second embodiment is connected to each instrument in the plant by a transmission line. In the case of an intelligent instrument 109 having its own means for transferring measurement values, each instrument measures a process value and sends the information to the process value storage database 4 via a transmission line. For the meters 107 a and 107 b that do not have the above means, the information is sent to the process value storage database 4 via the process input / output transmission device 108.
[0036]
Next, the operation and signal flow of the instrument calibration support system of FIG. 17 will be described.
First, a case where there is past instrument calibration data will be described.
After calculating the drift amount based on the calibration data stored in the instrument calibration history database 1, it is input to the instrument calibration data analysis unit 2 (ROM 115a) for analysis. In the instrument calibration data analysis unit 2, the input data processing function 21 removes outliers and the like generated due to an input error to the instrument calibration history database 1. The calibration data from which outliers are excluded by the input data processing function 21 is classified into several groups by the calibration period prediction model creation function 22, and a drift amount distribution is created for each group. As a method of classifying the calibration data of the instrument, the same method as that of the first embodiment is used. A model used for prediction is created based on the created drift amount distribution. The created model can be stored in the model database 6 and a necessary model can be called as appropriate. Next, the prediction function 23 predicts an appropriate calibration cycle using the model created by the calibration cycle prediction model creation function 22, and sends the result to the comprehensive determination unit 3. The process of creating the drift amount distribution and model from the grouped calibration data and predicting the calibration period is the same as in the first embodiment.
[0037]
On the other hand, the instrument drift detector 5 (ROM 115b) for detecting drift uses process values from the process value storage database 4 having a function of collecting process values from the plant online and storing the transferred process values. Thus, there are a function for creating a model for estimating the true value of the instrument and a function for estimating the true value using the model.
In the function of creating a model for estimating the true value of the instrument, when the user sends a “learning” command from the input unit 7 to the learning / estimation switching function 51, the model creation function 52 is selected, and the process value storage database The process value from 4 is input. The model creation function 52 creates a model using a self-associative neural network. The input signal period and selection method used during learning of the self-associative neural network are the same as in the first embodiment.
Next, when the user sends an “estimate” command from the input unit 7 to the learning / estimation switching function 51, the true value estimation function 53 is selected, the corresponding model stored in the model database 6 is loaded, and the process value The plant process values are input to the model via the storage database 4. As a result, as the output from the true value estimation function 53, a true value estimate value that does not include the drift of the input process value is obtained. The true value estimated value and the process value of the plant obtained through the process value storage database 4 are respectively input to the subtraction function 54, and the true value estimated value obtained by the true value estimating function 53 from the current process value of the plant is obtained. The estimated drift amount is obtained by subtraction. This estimated drift amount is input to the drift detection function 55 to determine the presence or absence of drift. Specifically, determination is performed using a sequential probability ratio test.
[0038]
In the comprehensive judgment section 3 (ROM 115c), the results from the instrument calibration data analysis section 2 and the instrument drift detection section 5 are synthesized, and the status of each instrument and the presence / absence of calibration are presented to the user by the output display section 8. Specifically, a list of instruments that are determined to be calibrated in the next periodic inspection by a calibration cycle prediction by the instrument calibration data analysis unit 2 and a list of instruments in which drift is detected by the instrument drift detection unit 5 are obtained. They are displayed together on the output display unit 8.
For example, if a meter that is not scheduled for the next periodic inspection is detected by the instrument calibration data analysis unit 2 and drift is detected by the instrument drift detection unit 5, the corresponding instrument is included in the instrument list for the next periodic inspection. In addition, even for instruments that are not drift-detected by the instrument drift detector 5, the margin from the maximum value of the allowable range of the instrument is displayed to the user based on the estimated drift amount so that the state of each instrument can be grasped. To.
[0039]
Up to this point, the case where there is past instrument calibration data has been described, but in the following, the operation of the instrument calibration support system of FIG. The signal flow will be described.
First, the process value after plant startup is obtained via the process value storage database 4. In the instrument drift detection unit 5 (ROM 115 b), a “learning” command is input from the input unit 7 to the learning / estimation switching function 51 and a process value is input to the model creation function 52. The model creation function 52 learns a self-associative neural network using the input process values as input signals and teacher signals. The created model is stored in the model database 6. At the end of the cycle when the calibration work for the periodic inspection is planned, an “estimation” command is input to the learning / estimation switching function 51 from the input unit 7, and the process value of the current plant is input to the true value estimation function 53. The true value estimation function 53 loads a model corresponding to the process value of the input signal from the model database 6, inputs the process value, and outputs a true value estimated value. Next, the estimated drift value is calculated by subtracting the true value estimated value output from the true value estimating function 53 from the current process value of the plant obtained by the subtracting function 54 via the process value storage database 4. The estimated drift amount is input to the drift detection function 55, and after the presence / absence of drift is determined, the result is sent to the comprehensive determination unit 3.
[0040]
Next, the estimated drift amount is regarded as calibration data and input to the instrument calibration data analysis unit 2 (ROM 115a). In the instrument calibration data analysis unit 2, outliers such as instrument abnormalities are excluded from the input data by the input data processing function 21. In the calibration cycle prediction model creation function 22, data is grouped according to a classification command from the user from the input unit 7 or a predetermined classification method, and a drift amount distribution is created for each group. A model used for prediction is created based on the created drift amount distribution. The created model can be stored in the model database 6 and a necessary model can be called as appropriate. The prediction function 23 predicts an appropriate calibration period using the model created by the calibration period prediction model creation function 22, and sends the result to the comprehensive judgment unit 3 (ROM 115c). The overall judgment unit 3 regards the estimated drift amount and drift detection result obtained by the instrument drift detection unit 5 and the estimated drift amount as calibration data, integrates the analysis results from the instrument calibration data analysis unit 2, and outputs an output display unit. 8 is displayed.
[0041]
In the embodiment of the present invention described above, the present invention is applied as instrument calibration support for a nuclear power plant, but the application target of the present invention is not limited to a nuclear power plant. For example, in addition to large-scale systems represented by thermal power plants and chemical plants, general industrial systems with instruments installed regardless of scale are also being calibrated, and the need for support is also the same. Therefore, the present invention can also be applied to the instrument calibration support.
[0042]
【The invention's effect】
As described above, according to the present invention, on the basis of the past calibration data of the plant, in addition to the function of predicting the calibration period of the instrument, it has the function of detecting the drift of the instrument online, It is possible to present the calibration cycle of the instrument that ensures the performance.
In addition, even if there is no past calibration data, such as when a new plant or instrument is replaced, the estimated calibration amount can be easily predicted by considering the estimated drift amount obtained online as calibration data. it can.
[Brief description of the drawings]
FIG. 1 is a block diagram showing a first embodiment of an instrument calibration support system according to the present invention.
FIG. 2 is a block diagram showing an implementation example of the first embodiment of the present invention.
FIG. 3 is a diagram showing an example of calibration record results stored in the instrument calibration history database of the present invention.
FIG. 4 is a diagram showing an example of an instrument specification table stored in the instrument calibration history database of the present invention.
FIG. 5 shows an example of a screen displaying a function for searching for necessary calibration data on the output display unit when classifying calibration data in the calibration cycle prediction model creation function of the present invention.
FIG. 6 shows an example of a screen displaying a function for grouping using a scatter diagram of selected calibration data in the calibration cycle prediction model creation function of the present invention.
FIG. 7 shows an example of a screen for displaying a function for creating a model of selected calibration data on the output display unit in the calibration cycle prediction model creating function of the present invention.
FIG. 8 shows an example of a screen for displaying a predicted calibration cycle date using a model of selected calibration data on the output display unit in the prediction function of the present invention.
FIG. 9 is a screen example when the user sets a model and a sequential probability ratio test in the model creation function and drift detection function of the present invention.
FIG. 10 is a screen example for selecting a period of an input signal used for learning of a self-associative neural network in the model creation function of the present invention;
FIG. 11 is a screen example for monitoring a result of true value estimation and a drift detection result in the true value estimation function and the drift detection function of the present invention;
FIG. 12 shows an example of a screen in which the result of the instrument calibration data analysis unit and the result of the instrument drift detection unit are combined and displayed on the output display unit for showing to the user in the overall judgment unit
FIG. 13 shows a screen example when the result of the instrument calibration data analysis unit and the result of the instrument drift detection unit are combined and the next periodic inspection display is selected for display to the user in the overall judgment unit of the present invention.
FIG. 14 is a flowchart of a processing procedure in the instrument calibration data analysis unit of the present invention.
FIG. 15 is a flowchart of a processing procedure in the instrument drift detection unit of the present invention.
FIG. 16 is a flowchart of a processing procedure in the comprehensive judgment unit of the present invention.
FIG. 17 is a block diagram showing an implementation example as the second embodiment of the present invention;
[Explanation of symbols]
DESCRIPTION OF SYMBOLS 1 ... Instrument calibration history database, 2 ... Instrument calibration data analysis part, 3 ... Comprehensive judgment part, 4 ... Process value storage database, 5 ... Instrument drift detection part, 6 ... Model database, 7 ... Input part, 8 ... Output display part , 21 ... input data processing function, 22 ... calibration cycle prediction model creation function, 23 ... prediction function, 51 ... learning / estimation switching function, 52 ... model creation function, 53 ... true value estimation function, 54 ... subtraction function, 55 ... Drift detection function, 100 ... microcomputer, 101 ... input port, 102 ... output port, 103 ... CPU, 104 ... RAM, 105 ... ROM, 106 ... HD (hard desk), 107a, 107b, 107c ... instrument, 108 ... Process input / output transmission device 109 ... intelligent instrument 110 ... network 111 ... input / output port 112a, 12b, 112c ... micro computer, 113a, 113b, 113c ... CPU, 114a, 114b, 114c ... RAM, 115a, 115b, 115c ... ROM, 116a, 116b, 116c ... HD

Claims (5)

計器の校正データを用いて校正周期を予測した結果と、オンラインによるドリフト検出の結果を総合して計器の校正周期を提示する計器校正支援システムであって、
前記校正データを格納した計器校正履歴データベースと、前記校正データをもとに計器の校正周期を予測する計器校正データ解析部と、計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトをオンラインで検出する計器ドリフト検出部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、
前記計器ドリフト検出部は、計器により測定されたプロセス値をオンラインで取得し、前記プロセス値格納データベースに蓄積した前記プロセス値を用いてモデルを作成する場合と、既作成モデルを用いて推定する場合とを切り換える手段を有する学習／推定切換機能と、前記プロセス値を用いてモデルを作成する手段を有するモデル作成機能と、前記モデルを用いてドリフトを含まないプロセス値を推定する手段を有する真値推定機能と、前記プロセス値から前記ドリフトを含まないプロセス値を減算する手段を有する減算機能と、前記減算機能の結果を用いてドリフトの有無を判定する手段を有するドリフト検出機能とを備えることを特徴とする計器校正支援システム。An instrument calibration support system that presents the calibration cycle of the instrument by combining the result of predicting the calibration period using the calibration data of the instrument and the result of online drift detection,
An instrument calibration history database storing the calibration data, an instrument calibration data analysis unit for predicting a calibration cycle of the instrument based on the calibration data, and means for acquiring and storing process values measured by the instrument online A process value storage database having a model, a model is created based on the process value, and an instrument drift detector that detects instrument drift online, a result of the instrument calibration data analyzer, and a result of the instrument drift detector A comprehensive judgment unit for synthesis, and an output display unit for displaying a result of the comprehensive judgment unit ,
The instrument drift detector obtains a process value measured by the instrument online, creates a model using the process value stored in the process value storage database, and estimates using an already created model A learning / estimation switching function having means for switching between, a model creation function having means for creating a model using the process value, and a true value having means for estimating a process value not including drift using the model Rukoto includes an estimation function, the subtraction function having means for subtracting the process value not including the drift from the process value, and a drift detection function having a means for determining whether the drift using the result of the subtraction function An instrument calibration support system characterized by 計器の校正データを用いて校正周期を予測した結果と、オンラインによるドリフト検出の結果を総合して計器の校正周期を提示する計器校正支援システムであって、
前記校正データを格納した計器校正履歴データベースと、前記校正データをもとに計器の校正周期を予測する計器校正データ解析部と、計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトをオンラインで検出する計器ドリフト検出部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、
前記計器校正データ解析部は、前記計器校正履歴データベースにデータベース化して格納している過去の計器校正の結果と計器の仕様をもとに計器のドリフト量を計算し、外れ値を除去する手段を有する入力データ処理機能と、前記ドリフト量をもとに任意の時刻でのドリフト量を予測するモデルを作成する手段を有する校正周期予測モデル作成機能と、前記モデルを用いて計器の校正周期を予測する手段を有する予測機能とを備え、
前記校正周期予測モデル作成機能で作成された校正周期予測モデルと、前記モデル作成機能により作成された真値推定用モデルを格納する手段を有するモデルデータベースを有することを特徴とする計器校正支援システム。 An instrument calibration support system that presents the calibration cycle of the instrument by combining the result of predicting the calibration period using the calibration data of the instrument and the result of online drift detection,
An instrument calibration history database storing the calibration data, an instrument calibration data analysis unit for predicting a calibration cycle of the instrument based on the calibration data, and means for acquiring and storing process values measured by the instrument online A process value storage database having a model, a model is created based on the process value, and an instrument drift detector that detects instrument drift online, a result of the instrument calibration data analyzer, and a result of the instrument drift detector A comprehensive judgment unit for synthesis, and an output display unit for displaying a result of the comprehensive judgment unit,
The instrument calibration data analysis unit calculates a drift amount of the instrument based on the past instrument calibration results stored in the instrument calibration history database and stored in the instrument, and removes outliers. A calibration cycle prediction model creation function having an input data processing function and a means for creating a model for predicting a drift amount at an arbitrary time based on the drift amount, and predicting a calibration cycle of the instrument using the model A prediction function having means for
An instrument calibration support system comprising a model database having a calibration cycle prediction model created by the calibration cycle prediction model creation function and means for storing a true value estimation model created by the model creation function . オンラインによる計器のドリフト検出の結果と、オンラインによる計器の推定ドリフト量をもとに校正周期を予測した結果を総合して計器の校正周期を提示する計器校正支援システムであって、
計器により測定されたプロセス値をオンラインで取得し、蓄積する手段を有するプロセス値格納データベースと、前記プロセス値をもとにモデルを作成し、計器のドリフトを推定し、オンラインで検出する計器ドリフト検出部と、前記ドリフト検出部で推定したドリフト量をもとに計器の校正周期を予測する計器校正データ解析部と、前記計器校正データ解析部の結果および前記計器ドリフト検出部の結果を総合する総合判断部と、前記総合判断部の結果を表示する出力表示部とを備え、
前記計器ドリフト検出部は、計器により測定されたプロセス値をオンラインで取得し、前記プロセス値格納データベースに蓄積した前記プロセス値を用いてモデルを作成する場合と、既作成モデルを用いて推定する場合とを切り換える手段を有する学習／推定切換機能と、前記プロセス値を用いてモデルを作成する手段を有するモデル作成機能と、前記モデルを用いてドリフトを含まないプロセス値を推定する手段を有する真値推定機能と、前記プロセス値から前記ドリフトを含まないプロセス値を減算し、推定ドリフト量を得る手 段を有する減算機能と、前記推定ドリフト量を用いてドリフトの有無を判定する手段を有するドリフト検出機能とを有し、前記計器校正データ解析部は、前記推定ドリフト量をもとに任意の時刻でのドリフト量を予測するモデルを作成する手段を有する校正周期予測モデル作成機能と、前記モデルを用いて計器の校正周期を予測する手段を有する予測機能とを備えることを特徴とする計器校正支援システム。 An instrument calibration support system that presents the calibration cycle of an instrument by combining the results of online instrument drift detection and the results of predicting the calibration period based on the estimated drift amount of the instrument online,
Get the measured process values by meter device online, the process values stored database having means for storing, the process value to create a model based on estimates drift of the instrument, the instrument drift detected online The detection unit, the instrument calibration data analysis unit that predicts the calibration period of the instrument based on the drift amount estimated by the drift detection unit, the result of the instrument calibration data analysis unit, and the result of the instrument drift detection unit are integrated. A comprehensive judgment unit, and an output display unit for displaying the result of the comprehensive judgment unit,
The instrument drift detector obtains a process value measured by the instrument online, creates a model using the process value stored in the process value storage database, and estimates using an already created model A learning / estimation switching function having means for switching between, a model creation function having means for creating a model using the process value, and a true value having means for estimating a process value not including drift using the model and estimating function, and subtracts the process values not including the drift from the process values, the subtraction function having a hand stage to obtain the estimated drift amount, a drift detection with means for determining the presence or absence of drift using said estimated drift amount and a function, the instrument calibration data analysis unit, the drift amount at any time on the basis of the estimated drift amount Instrument calibration support system characterized in that it comprises a prediction function having a calibration interval predictive modeling function having means for creating a model that predicts, means for predicting a calibration cycle of the instrument by using the model. 請求項３に記載の計器校正支援システムにおいて、
前記校正周期予測モデル作成機能で作成された校正周期予測モデルと、前記モデル作成機能により作成された真値推定用モデルを格納する手段を有するモデルデータベースを有することを特徴とする計器校正支援システム。 The instrument calibration support system according to claim 3 ,
An instrument calibration support system comprising a model database having a calibration cycle prediction model created by the calibration cycle prediction model creation function and means for storing a true value estimation model created by the model creation function . 請求項１から請求項４のいずれか１項に記載の計器校正支援システムにおいて、
複数の計器が分散して設置され、計器自身に測定したプロセス値を前記プロセス値格納データベースに転送する機能を有する計器と、計器により測定したプロセス値を通信手段を介して前記プロセス値格納データベースに転送する計器とを備えることを特徴とする計器校正支援システム。 In the instrument calibration support system according to any one of claims 1 to 4,
A plurality of meters are installed in a distributed manner and have a function of transferring process values measured by the meters themselves to the process value storage database, and process values measured by the meters are stored in the process value storage database via communication means. An instrument calibration support system comprising an instrument for transferring .
JP2003201058A 2003-07-24 2003-07-24 Instrument calibration support system Expired - Fee Related JP4170843B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2003201058A JP4170843B2 (en) 2003-07-24 2003-07-24 Instrument calibration support system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2003201058A JP4170843B2 (en) 2003-07-24 2003-07-24 Instrument calibration support system

Publications (2)

Publication Number Publication Date
JP2005043121A JP2005043121A (en) 2005-02-17
JP4170843B2 true JP4170843B2 (en) 2008-10-22

Family

ID=34261259

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2003201058A Expired - Fee Related JP4170843B2 (en) 2003-07-24 2003-07-24 Instrument calibration support system

Country Status (1)

Country Link
JP (1) JP4170843B2 (en)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4789952B2 (en) * 2006-12-27 2011-10-12 株式会社インテリジェントセンサーテクノロジー Taste recognition device and taste recognition system using the same
JP5082506B2 (en) * 2007-03-05 2012-11-28 オムロン株式会社 Calibration support apparatus, calibration support method, program, and recording medium
JP5164954B2 (en) * 2009-09-30 2013-03-21 日立Ｇｅニュークリア・エナジー株式会社 Device diagnostic method and device diagnostic device
JP5063723B2 (en) * 2010-03-19 2012-10-31 中国電力株式会社 Instrument maintenance management system
JP5240383B2 (en) * 2012-06-12 2013-07-17 オムロン株式会社 Calibration support apparatus, calibration support method, program, and recording medium
JP5961330B1 (en) * 2016-03-18 2016-08-02 善郎 水野 Sensor management system
JP6965013B2 (en) * 2017-04-17 2021-11-10 日置電機株式会社 Measurement data processor and measurement system
JP6887407B2 (en) * 2018-08-28 2021-06-16 横河電機株式会社 Equipment, programs, program recording media, and methods
CN112325918A (en) * 2020-10-19 2021-02-05 中国电子科技集团公司第三十八研究所 State prediction processing system of standard instrument

Also Published As

Publication number Publication date
JP2005043121A (en) 2005-02-17

Similar Documents

Publication Publication Date Title
US11275357B2 (en) Event analyzing device, event analyzing system, event analyzing method, and non-transitory computer readable storage medium
JP4046309B2 (en) Plant monitoring device
JP5303474B2 (en) Method and system for using inference measurements for abnormal event detection in continuous industrial processes
CN108628281A (en) Abnormality detection system and method for detecting abnormality
US10444121B2 (en) Fault detection using event-based predictive models
JP2010506258A (en) Online multivariate analysis in distributed process control systems.
KR101948604B1 (en) Method and device for equipment health monitoring based on sensor clustering
KR102343752B1 (en) Computer-implemented method and system for automatically monitoring and determining the status of entire process segments in a process unit
KR102408426B1 (en) Method for detecting anomaly using equipment age index and apparatus thereof
JP2010181949A (en) Gauge drift detection device and gauge drift detection method
JP4170843B2 (en) Instrument calibration support system
CN115640860B (en) Electromechanical equipment remote maintenance method and system for industrial cloud service
JP2012099071A (en) Plant analysis system
JPH08234832A (en) Device and method for monitoring and diagnostic plant
Thöns et al. On damage detection system information for structural systems
KR102266182B1 (en) Method and apparatus for monitoring a plurality of streaming data
CN117216481A (en) Remote monitoring method and system for electric appliance
CN117556366B (en) Data abnormality detection system and method based on data screening
JP6765769B2 (en) State change detection device and state change detection program
JP7349187B1 (en) Output method, output device and program
Tang et al. An IoT inspired semiconductor Reliability test system integrated with data-mining applications
KR20130000654A (en) Monitoring the long-span bridge by using the real-time structure analysis considering enviormental factor
JP7149499B2 (en) Data analysis method, data analysis device and data analysis program
CN114868364A (en) Data collection and analysis system, data collection and analysis device, machine learning device, and data collection and analysis method
CN101556168A (en) Equipment operating data monitoring device

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20050809

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20080314

RD02 Notification of acceptance of power of attorney

Free format text: JAPANESE INTERMEDIATE CODE: A7422

Effective date: 20080411

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20080507

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20080704

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20080805

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20080807

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20110815

Year of fee payment: 3

R150 Certificate of patent or registration of utility model

Ref document number: 4170843

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

Free format text: JAPANESE INTERMEDIATE CODE: R150

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120815

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20120815

Year of fee payment: 4

FPAY Renewal fee payment (event date is renewal date of database)

Free format text: PAYMENT UNTIL: 20130815

Year of fee payment: 5

LAPS Cancellation because of no payment of annual fees