CN116490933A - 使用神经网络模型跟踪异常状态判断依据的装置和方法 - Google Patents

使用神经网络模型跟踪异常状态判断依据的装置和方法 Download PDF

Info

Publication number
CN116490933A
CN116490933A CN202180079289.9A CN202180079289A CN116490933A CN 116490933 A CN116490933 A CN 116490933A CN 202180079289 A CN202180079289 A CN 202180079289A CN 116490933 A CN116490933 A CN 116490933A
Authority
CN
China
Prior art keywords
abnormal state
state judgment
abnormal
neural network
network model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180079289.9A
Other languages
English (en)
Inventor
金润玖
成鲁珪
朴大承
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.)
Korea Hydro and Nuclear Power Co Ltd
Original Assignee
Korea Hydro and Nuclear Power Co 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 Korea Hydro and Nuclear Power Co Ltd filed Critical Korea Hydro and Nuclear Power Co Ltd
Publication of CN116490933A publication Critical patent/CN116490933A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/04—Safety arrangements
    • G21D3/06—Safety arrangements responsive to faults within the plant
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Plasma & Fusion (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Emergency Management (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及一种使用神经网络模型跟踪异常状态判断依据的装置，包括：异常类型分类单元，其用于在存储有与所述异常状态相关的多个场景的异常运行场景中将异常状态分类为多个故障；运行变量推导单元，其用于针对经分类的多个故障中的每一个推导对异常状态判断结果产生影响的运行变量；电厂运行变量加权单元，其用于对运行变量中的与异常状态相关的变量进行加权；以及异常状态判断依据生成单元，其用于从通过被赋予权重值的电厂运行变量生成的异常状态判断结果中跟踪异常状态判断依据。

Description

使用神经网络模型跟踪异常状态判断依据的装置和方法
技术领域
本专利的相关研究是在贸易、工业和能源部的监管下在核电核心技术发展项目(项目名称：基于人工智能的核电厂启停运行资源技术开发，项目编号：1415159084)的支持下进行的。
本发明涉及一种跟踪异常状态判断依据的装置和方法，更具体地，涉及一种使用神经网络模型判断异常状态并跟踪判断依据的装置和方法。
背景技术
核电厂中存在各种异常运行状态。当异常运行状态发生时，在主控室中生成警报，并且电厂的相关状态改变。电厂的状态的改变包括温度、压力、流量等。
运行人员在电厂的警报的基础上判断出发生了哪种类型的异常运行状态，并根据针对该异常运行状态的程序采取适当的措施。
然而，由于核电厂中存在数百种异常运行状态，并且没有经验的运行人员难以准确判断出异常状态，因此可能无法正确地对异常状态采取措施。
因此，目前正在研究一种通过使用神经网络模型学习异常状态的运行数据来判断核电厂的异常状态的方法，使得运行人员可以及时判断出由于装置或设施的故障而导致的异常状态，并且然后可以采取适当的措施。然而，神经网络模型难以跟踪电厂的运行数据的哪些改变是判断异常状态的依据。
[相关技术文件]
[专利文件]
(专利文件1)韩国专利2095653(韩国核电股份有限公司(KHNP CO.,LTD)的使用神经网络模型判断异常运行状态的装置和方法(Device and method for diagnosingabnormal operation status using neural network model))
(专利文件2)美国专利10452845(通用电气公司(GENERAL ELECTRIC COMPANY)的检测电力电网中的网络威胁的通用框架(Generic framework to detect cyber threatsin electric power grid))。
(专利文件2)(美国专利20190164057(英特尔公司(INTEL CORP)的神经网络特征对可解释人工智能的影响的映射和量化(Mapping and quantification of influence ofneural network features for explainable artificial intelligence))。
发明内容
技术问题
因此，本发明是在铭记相关技术中出现的上述问题的情况下做出的，并且本发明的一个目标是提供一种用于估计作为使用神经网络模型判断核电厂的异常状态的依据的运行变量的方法以及使用神经网络模型跟踪异常状态判断依据的装置。
技术方案
在一个方面，一种使用神经网络模型跟踪异常状态判断依据的装置包括：异常分类单元，其用于将在存储有与所述异常状态相关的多个场景的异常运行场景中异常状态分类为多个故障；运行变量推导单元，其用于针对经分类的多个故障中每一个推导对异常状态判断结果产生影响的运行变量；电厂运行变量加权单元，其用于对运行变量中的与异常状态相关的变量赋予权重值；以及异常状态判断依据生成单元，其用于从通过被赋予权重值的电厂运行变量生成的异常状态判断结果中跟踪异常状态判断依据。
此外，用于对运行变量中的与异常状态相关的变量赋予权重值的电厂运行变量加权单元对考虑到与异常状态相关的系统的物理相关性而分类并且与异常状态相关的物理变量赋予权重值。
此外，异常分类单元将异常运行场景分类为包括阀门泄漏、泵故障、热交换器故障和冷却剂泄漏中的至少一个。
此外，用于针对经分类的多个故障中每一个推导对异常状态判断结果产生影响的运行变量的运行变量推导单元包括：当故障被分类为阀门泄漏时，推导与对应的阀门相关的系统的流量；当故障被分类为泵故障时，推导与对应的泵相关的系统的流量和压力；当故障被分类为热交换器故障时，推导与对应的热交换器相关的系统的温度；以及当故障被分类为冷却剂泄漏时，推导泄漏部位放射线水平。
此外，与异常状态相关的物理变量是参照异常程序或实际的电厂运行历史而建立的。
此外，异常状态判断依据是能够与不同的异常状态区分开的运行变量，并且用于验证异常状态判断系统中使用的异常状态判断逻辑。
此外，异常状态判断依据用于验证异常程序中记载的判断逻辑，并且异常程序中记载当异常状态发生时变化的运行变量。
此外，一种使用神经网络模型生成异常状态判断依据的方法包括：利用电厂运行数据和神经网络模型进行学习，以在神经网络模型的最后阶段生成异常状态判断结果；以及在生成异常状态判断结果之前的全连接层上，通过对异常状态判断结果执行影响分析，提取对异常状态判断结果产生影响的变量值。
此外，提取对异常状态判断结果产生影响的变量值包括：通过应用可视化算法虚拟地生成可视化的输入变化数据；通过将虚拟输入变化数据作为输入进行神经网络模型的计算，分析输入变化数据对异常状态判断结果的变化产生的影响；以及提取对推导异常状态判断结果的变化贡献最大的输入变化数据。
发明效果
根据本发明的实施例的使用神经网络模型跟踪异常状态判断依据的装置和方法可以在各种类型的异常状态发生时在短时间内准确判断出异常状态的类型并向运行人员提供该类型，从而据此能够快速、准确地对核电厂的异常状态进行响应，从而改善核电厂的安全性。
附图说明
图1是示意性地图示现有的使用神经网络模型的异常状态判断装置的图。
图2是示意性地图示根据本发明的实施例的使用神经网络模型跟踪异常状态判断依据的装置的运行过程的图。
图3是示意性地图示根据本发明的实施例的使用神经网络模型提取对异常状态判断结果产生影响的运行变量的运行过程的图。
图4是图示根据本发明的实施例的生成异常状态判断依据的运行过程的图。
图5是图示根据本发明的实施例的用于提取异常状态判断依据的装置的配置的示意性框图。
图6是图示根据本发明的实施例的使用通过应用神经网络模型推导的异常状态判断依据的图。
[附图标记说明]
100：异常运行状态判断装置
200、500：跟踪异常状态判断依据的装置
210：电厂运行数据
230：神经网络
510、600：异常运行场景
520：异常分类单元
530：运行变量推导单元
540：电厂运行变量加权单元
550：异常状态判断依据生成单元。
具体实施方式
下面，将参照附图描述本发明的优选实施例。与本发明的要点无关的一些部件将被省略或压缩，但省略的部件在本发明中并不是不必要的部件，并且可以由本领域的技术人员组合和使用。
图1是示意性地图示现有的使用神经网络模型的异常状态判断装置的图。
如图1所示，使用神经网络模型的异常运行状态判断装置100可以包括异常运行状态数据生成单元110、异常运行状态数据学习单元130、异常运行状态判断单元150以及异常运行状态监测单元170。
异常运行状态数据生成单元110是在关于异常运行状态的信息的基础上虚拟地生成异常运行状态数据的部件，并且可以包括场景数据库111和模拟器112。
场景数据库111被配置为包括与异常运行状态相关的多个场景。这些场景包括基于与核电厂装置的温度改变相关的运行变量的场景、基于与涡轮机轴承振动相关的运行变量的场景等，并且与各种异常运行状态相关的场景被存储在场景数据库111中。这里，运行变量是核电厂装置的运行状态的运行因素，并且对于每个装置可以包括约1000至2000个运行变量。这些运行变量可以包括压力、温度、流量等。
模拟器112被配置为关于从存储在场景数据库111中的与异常运行状态相关的场景中选择的场景模拟异常运行状态。因此，可以虚拟地生成关于异常运行状态的数据。
异常运行状态数据学习单元130被配置为通过在异常运行状态数据生成单元110中生成的异常运行状态数据的基础上应用可视化算法来可视化和学习异常运行状态。异常运行状态数据学习单元130可以包括第一可视化布置单元131和第二可视化布置单元132。
第一可视化布置单元131被配置为在运行变量的物理位置的基础上布置核电厂中提供的装置。也就是说，运行变量可以按照与实际核电厂的结构相同的布置进行布置。
第二可视化布置单元132被配置为优先布置物理上相同的运行变量。例如，与温度相关的运行变量被布置在同一区域，以示出发生温度改变时每个事件的特性。
异常运行状态判断单元150被配置为在应用可视化算法的异常运行状态数据学习单元130所指示的运行变量的基础上学习异常运行状态，并且在核电厂的过程监测和警告系统所获取的装置的运行变量的基础上判断是否发生了异常运行状态。此类异常运行状态判断单元150可以包括神经网络模型151和信号匹配单元152。
神经网络模型151被配置为在可视化算法的基础上学习由第一可视化布置单元131和第二可视化布置单元132可视化的异常运行状态数据。
信号匹配单元152被配置为将包括关于异常运行状态的信息的关于监测信号的信息传输到对应的装置。
异常运行状态监测单元170被配置为监测核电厂中提供的每个装置的运行状态是否在正常范围内。此类异常运行状态监测单元170可以周期性地获取包括关于每个装置的运行变量的信息的监测信号，并且将监测信号传输到异常运行状态判断单元150。
图2是示意性地图示根据本发明的实施例的使用神经网络模型跟踪异常状态判断依据的装置的运行过程的图。
如图2所示，异常状态判断依据跟踪装置200使用电厂运行数据210和神经网络模型230执行学习，以生成异常状态判断结果250。神经网络模型230通过多层神经网络(深度学习)进行计算，以有效地学习每个异常状态。在神经网络模型230的最后阶段，生成异常状态判断结果250，根据本发明，在生成异常状态判断结果250之前的全连接层上，通过对异常状态判断结果250执行影响分析270，提取对异常状态判断结果250产生影响的变量值。
图3是示意性地图示根据本发明的实施例的使用神经网络模型提取对异常状态判断结果产生影响的运行变量的运行过程的图。
如图3所示，根据本发明，首先，通过应用可视化算法虚拟地生成可视化的输入变化数据310。通过将虚拟输入变化数据310作为输入进行神经网络模型330的计算来分析每个项目的输入变化数据310对结果的变化350产生的影响，提取对推导结果的变化350贡献最大的输入变化数据310。
因此，可视化算法有利于在收集和布置实际事件(诸如管道断裂)发生的位置处的运行变量时的神经网络模型330的预处理卷积和池化期间提取对应的特性。
图4是图示根据本发明的实施例的生成异常状态判断依据的运行过程的图。
图5是图示根据本发明的实施例的用于提取异常状态判断依据的装置的配置的示意性框图。
如图4和图5所示，异常状态判断依据跟踪装置500可以包括异常运行场景510、异常分类单元520、运行变量推导单元530、电厂运行变量加权单元540和异常状态判断依据生成单元550。
异常运行场景500提供有与异常运行状态相关的多个场景。这些场景包括基于与核电厂装置的温度改变相关的运行变量的场景、以及基于与涡轮机轴承振动相关的运行变量的场景，异常分类单元520将异常运行场景500分类为阀门泄漏、泵故障、热交换器故障、冷却剂泄漏等，对于经分类的故障，运行变量推导单元530推导对异常判断结果产生影响的运行变量。根据实施例，在阀门泄漏的情况下，推导与对应的阀门相关的系统的流量，在泵故障的情况下，推导与对应的阀门相关的系统的流量和压力，在热交换器故障的情况下，推导与对应的热交换器相关的系统的温度，并且在冷却剂泄漏的情况下，推导泄漏部位放射线水平。影响异常状态结果的输入范围包括多个不确定性，为了提取异常状态判断结果的依据，重要的是改变与对应的异常状态物理相关的输入。
因此，考虑到相关系统的物理相关性，用于判断所提取的异常状态的依据的运行变量被用作用于判断神经网络的依据。在关于异常状态的信息的基础上对异常状态进行物理分类，并对与每个对应的异常状态相关的物理变量赋予权重值。
在实施例中，异常状态被分类为阀门泄漏，并且对系统的流量赋予高权重值，该流量与对应的系统热液压相关并且用于解释异常状态判断依据。与异常状态物理相关的运行变量是参照异常程序或实际电厂运行历史选择的。
电厂运行变量加权单元540为每个故障的运行变量中与异常状态相关的物理变量赋予权重值，并且最后，异常状态判断依据生成单元550可以通过在其中反映权重值的结果，更准确地跟踪依据。
图6是图示根据本发明的实施例的使用通过应用神经网络模型推导的异常状态判断依据的图。
如图6所示，根据针对从其中提供与异常状态相关的多个场景的异常运行场景600中选择的场景模拟的异常运行模拟数据610导出的异常状态判断依据620是可以将对应的异常状态与其他异常状态区分开的电厂运行变量。这可以用于对正在异常状态判断系统中使用的异常状态判断逻辑的验证630。即，可以确认：异常状态判断逻辑是否是通过利用由于异常状态而改变的运行变量而开发的。
此外，异常程序中记载了当对应的异常状态发生时变化的运行变量。异常程序的判断逻辑可以通过异常程序判断逻辑验证640使用异常状态判断依据620进行验证，并且可以对程序进行验证和修改，使得运行人员可以更有效地判断异常状态。

Claims (9)

1.一种使用神经网络模型跟踪异常状态判断依据的装置，所述装置包括：
异常分类单元，其用于在存储有与所述异常状态相关的多个场景的异常运行场景中将所述异常状态分类为多个故障；
运行变量推导单元，其用于针对经分类的所述多个故障中每一个推导对异常状态判断结果产生影响的运行变量；
电厂运行变量加权单元，其用于对所述运行变量中的与所述异常状态相关的变量赋予权重值；以及
异常状态判断依据生成单元，其用于从通过被赋予所述权重值的电厂运行变量生成的所述异常状态判断结果中跟踪异常状态判断依据。
2.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，用于对所述运行变量中的与所述异常状态相关的所述变量赋予所述权重值的所述电厂运行变量加权单元对考虑到与所述异常状态相关的系统的物理相关性而分类并且与所述异常状态相关的物理变量赋予所述权重值。
3.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，所述异常分类单元将所述异常运行场景分类为包括阀门泄漏、泵故障、热交换器故障和冷却剂泄漏中的至少一个。
4.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，在针对经分类的所述多个故障中每一个推导对所述异常状态判断结果产生影响的所述运行变量的所述运行变量推导单元中：当所述故障被分类为所述阀门泄漏时，推导与对应的阀门相关的系统的流量；当所述故障被分类为所述泵故障时，推导与对应的阀门相关的系统的流量和压力；当所述故障被分类为所述热交换器故障时，推导与对应的热交换器相关的系统的温度；以及当所述故障被分类为所述冷却剂泄漏时，推导泄漏部位放射线水平。
5.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，与所述异常状态相关的所述物理变量是参照异常程序或实际的电厂运行历史而建立的。
6.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，所述异常状态判断依据是能够与不同的异常状态区分开的所述运行变量，并且用于验证异常状态判断系统中使用的异常状态判断逻辑。
7.根据权利要求1所述的使用神经网络模型跟踪异常状态判断依据的装置，其中，所述异常状态判断依据用于验证所述异常程序中记载的判断逻辑，并且所述异常程序中记载当所述异常状态发生时变化的所述运行变量。
8.一种使用神经网络模型生成异常状态判断依据的方法，所述方法包括：
利用电厂运行数据和所述神经网络模型进行学习，以在所述神经网络模型的最后阶段生成异常状态判断结果；以及
在生成所述异常状态判断结果之前的全连接层上，通过对所述异常状态判断结果执行影响分析，提取对所述异常状态判断结果产生影响的变量值。
9.根据权利要求8所述的使用神经网络模型生成异常状态判断依据的方法，其中，提取对所述异常状态判断结果产生影响的所述变量值包括：通过应用可视化算法虚拟地生成可视化的输入变化数据；通过将所述虚拟输入变化数据作为输入进行所述神经网络模型的计算，分析所述输入变化数据对所述异常状态判断结果的变化产生的影响；以及提取对推导所述异常状态判断结果的变化贡献最大的所述输入变化数据。
CN202180079289.9A 2020-11-25 2021-11-15 使用神经网络模型跟踪异常状态判断依据的装置和方法 Pending CN116490933A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020200160251A KR102537723B1 (ko) 2020-11-25 2020-11-25 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법
KR10-2020-0160251 2020-11-25
PCT/KR2021/016627 WO2022114634A1 (ko) 2020-11-25 2021-11-15 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법

Publications (1)

Publication Number Publication Date
CN116490933A true CN116490933A (zh) 2023-07-25

Family

ID=81756116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180079289.9A Pending CN116490933A (zh) 2020-11-25 2021-11-15 使用神经网络模型跟踪异常状态判断依据的装置和方法

Country Status (6)

Country Link
US (1) US20230394301A1 (zh)
EP (1) EP4254430A1 (zh)
JP (1) JP2023548414A (zh)
KR (1) KR102537723B1 (zh)
CN (1) CN116490933A (zh)
WO (1) WO2022114634A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3087974B2 (ja) * 1991-08-28 2000-09-18 株式会社日立製作所 プラントの異常時運転支援方法及びその装置
US7277823B2 (en) * 2005-09-26 2007-10-02 Lockheed Martin Corporation Method and system of monitoring and prognostics
KR101829137B1 (ko) * 2016-08-29 2018-02-13 한국수력원자력 주식회사 기기 중요도와 경보 유효성 판단을 포함한 기기 이상징후 조기경보 방법 및 시스템
US10452845B2 (en) 2017-03-08 2019-10-22 General Electric Company Generic framework to detect cyber threats in electric power grid
KR102062992B1 (ko) * 2018-09-13 2020-01-06 한국수력원자력 주식회사 발전소 경보나 증상 및 주요 운전변수의 변화에 기반한 비정상 상태 판단 시스템 및 방법
KR102095653B1 (ko) 2018-10-12 2020-03-31 한국수력원자력 주식회사 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법
US20190164057A1 (en) 2019-01-30 2019-05-30 Intel Corporation Mapping and quantification of influence of neural network features for explainable artificial intelligence

Also Published As

Publication number Publication date
JP2023548414A (ja) 2023-11-16
US20230394301A1 (en) 2023-12-07
EP4254430A1 (en) 2023-10-04
KR20220072533A (ko) 2022-06-02
KR102537723B1 (ko) 2023-05-26
WO2022114634A1 (ko) 2022-06-02

Similar Documents

Publication Publication Date Title
CN111209131B (zh) 一种基于机器学习确定异构系统的故障的方法和系统
KR102344852B1 (ko) 펌프 베어링 시스템의 디지털 트윈 기반 예측진단 장치
CN108027611B (zh) 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法
KR101843365B1 (ko) 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스
KR102241650B1 (ko) 딥러닝 기반의 화력 발전소 재과열기 튜브의 누설 감지 방법 및 이를 수행하는 장치
EP3866177A1 (en) Abnormal driving state determination device and method using neural network model
JP2018190245A (ja) 設備機器の異常診断システム
KR102470112B1 (ko) 원전의 지능형 상태감시 방법 및 시스템
CN114860518A (zh) 功能安全系统的检测方法、系统、电子设备、存储介质
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN113313365A (zh) 一种一次风机的劣化预警方法及设备
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN112524077A (zh) 检测风机故障的方法及装置、系统
Kościelny et al. Towards a unified approach to detection of faults and cyber-attacks in industrial installations
CN114341814A (zh) 通过数字孪生中模拟故障进行有效的故障分析
CN116490933A (zh) 使用神经网络模型跟踪异常状态判断依据的装置和方法
CN114923287B (zh) 一种高压加热器故障预警方法、系统和介质
US11339763B2 (en) Method for windmill farm monitoring
KR102470804B1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템
KR20230102431A (ko) 인공지능 기반의 오일가스 플랜트 설비 고장 예측 및 진단시스템
Vasquez et al. Chronicle based alarm management in startup and shutdown stages
Uhrig Potential Use Of Neural Networks In Nuclear Power Plants
CN113283070B (zh) 一种工艺过程本质安全智能诊断方法及系统
CN118037063A (zh) 基于工业互联网云平台的化工园区安全管理方法及系统
CN116910615A (zh) 一种核电厂故障溯源及辅助决策系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination