JP2000356696A

JP2000356696A - 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム

Info

Publication number: JP2000356696A
Application number: JP2000142431A
Authority: JP
Inventors: Christian Darken; ダーケンクリスチャン; Ai Santoso Nuguroho; アイサントソヌグロホ; Erutoman Jochen; エルトマンヨッヘン
Original assignee: Siemens Corporate Research Inc
Current assignee: Siemens Corporate Research Inc
Priority date: 1999-05-14
Filing date: 2000-05-15
Publication date: 2000-12-26
Also published as: EP1065578A1; US6785636B1

Abstract

(57)【要約】【課題】複雑な環境内でエラー状態を診断して、原因
と結果との確率的な関係を極めて高い程度で対応させる
と同様に、結果を理解し易く説明するのを支援するこ
と。【解決手段】検出された故障の確率の高い原因の診断
を生成するためのシステムであり、有利には、ユーザイ
ンターフェースが設けられており、Ｂａｙｅｓｉａｎネ
ットワークが使用され、その際、確率が自動的に生成さ
れ、確率表を構成するためにマニュアル過程が使用され
ている。システムにより、複数の仮説及び／又は診断が
オペレータに同時に提供される。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複雑系で診断を行
う方法、複雑系でのエラー状態を診断する際に支援する
ための装置、及び、複雑系でのエラー状態を診断するシ
ステムに関しており、つまり、複雑系、例えば、原子力
発電所のような複雑系において、確率的推論技術を使用
するエラー（故障）診断に関する。

【０００２】

【従来の技術】有利な実施形態では、Ｂａｙｅｓｉａｎ
（ベイジアン）ネットワークが利用される。この技術に
よると、因果ネットワークによって表現された離散型の
確率分布を用いた計算として意思決定過程を行うことに
よって、知識を獲得するやり方及び所定範囲内での合理
的な決定に達するやり方が提供される。この技術による
と、多重（複合）仮説及び／又は診断を、同時にオペレ
ータに呈示することができるようになる。

【０００３】原子力発電所のような最近の複雑系では、
システム上の問題を把握してトラブルシューティング
（故障を発見して修理）することがオペレーティングス
タッフ（操作員）に求められている。その際、１つの重
大な問題点は、操作上の決定を行う前にオペレータが吸
収、把握しておかなければならない情報量は膨大である
という点である。この問題点は、通常の運転中は目に付
かないが、異常事態又は事故生起状態では、決定時間が
限られているために極めて重大事となる。しかも、心理
的要因のために、危機的時点では、人間の行動の信頼性
は、不利な方向に影響されることが分かっている。診断
を実行し、復旧行動を開始するオペレータを支援するた
めの決定支援ツールにより、システムの安全性及び信頼
度が著しく改善される。説明の都合上、以下、原子力発
電所を例にして説明するが、本発明は、他のシステムに
も適用可能である。

【０００４】原子力発電所領域内での種々の診断上の問
題に対して、「インテリジェントな」アプローチが開発
されている。１つのアプローチでは、確率的リスク評価
（ＰｒｏｂａｂｉｌｉｓｔｉｃＲｉｓｋＡｓｓｅｓ
ｓｍｅｎｔ）が使用され、つまり、主にモデリング上で
の、異常事態に対する原子炉の、生起する可能性のある
応動及びその結果に焦点を合わせて評価するのである。
他のやり方では、ニューラルネットワーク及びエキスパ
ートシステムのようなＡＩ及び学習技術を用いて詳しく
検査するのである。これらのアプローチを用いると、シ
ステムが、その決定に達するやり方をユーザに説明する
のが難しい。ある種のエキスパートシステムは、説明し
易いが、観測されない膨大な数量の自由度のために、複
雑系で生起する原因と結果との確率的関係に十分に相応
していない。

【０００５】Ｂａｙｅｓｉａｎネットワークを使用して
もよい。Ｂａｙｅｓｉａｎネットワークの例が、図１及
び図２に示されている。図１のネットワークは、自動化
システムを使用して構築されており、その自動化システ
ムの多くは、当業者にはよく知られている。これらのシ
ステムは、効率的であるにも拘わらず、各変数間の依存
性（エキスパートが知っているに過ぎない）については
何ら根拠を明らかにしないことが屡々である。

【０００６】図２のような、Ｂａｙｅｓｉａｎネットワ
ークは、マニュアルにより構成してもよい。そのような
ネットワークは、基礎になっている相関関係を一層正確
に反映してもよいけれども、マニュアル方式は、高度に
熟練したエンジニアを必要とし、極端に時間が掛かる。

【０００７】上述の観点で、この種のシステムでは、複
雑な環境内でエラー状態を診断して、原因と結果との確
率的な関係を極めて高い程度で対応させると同様に、結
果を理解し易く説明するのを支援する必要がある。

【０００８】

【発明が解決しようとする課題】本発明の課題は、上述
の従来技術の欠点を克服して、複雑な環境内でエラー状
態を診断して、原因と結果との確率的な関係を極めて高
い程度で対応させると同様に、結果を理解し易く説明す
るのを支援することにある。

【０００９】

【課題を解決するための手段】この課題は、本発明によ
ると、複雑系から取得された実時間測定値から抽出され
た特徴の入力に基づいて診断するようにトレーニングさ
れている因果ネットワークを定立するステップ、複雑系
の診断に応答可能なオペレータに、複雑系の現在の状態
として連立した多重（複合）仮説を呈示するために、抽
出された特徴の入力に応答するグラフィックユーザイン
ターフェースを設定するステップを有することによって
解決される。

【００１０】この課題は、本発明によると、複雑系で生
起する過程の少なくとも一部分を写像するように構成さ
れている因果ネットワークを定立するステップを有して
おり、因果ネットワークを定立するステップは：特定の
エラー状態をシミュレーションするサブステップ、シミ
ュレーションの結果から特徴を抽出するサブステップ、
抽出された特徴を用いて因果ネットワークをトレーニン
グするサブステップ、複雑系から実時間測定値を取得す
るサブステップ、実時間測定値から特徴を抽出するサブ
ステップ、実時間測定から抽出した特徴を、因果ネット
ワークに適用して、該適用により複雑系の診断を発現す
るサブステップを有することによって解決される。

【００１１】この課題は、本発明によると、複雑系は、
因果ネットワークとグラフィックユーザインターフェー
スとを有しており、因果ネットワークは、複雑系から取
得された実時間測定値から抽出された特徴の入力に基づ
いて診断を提供するようにトレーニングされ、グラフィ
ックユーザインターフェースは、因果ネットワークから
抽出された特徴の入力に応答して、複雑系の診断に応答
可能なオペレータに対して、複雑系の現在の状態として
連立した多重（複合）仮説を呈示するように構成されて
いることによって解決される。

【００１２】この課題は、本発明によると、オペレータ
に、複雑系の状態に関する連立した多重（複合）仮説を
呈示するためのグラフィックユーザインターフェース
と、連立した多重（複合）仮説の１つ以上を選択するた
めの手段と、選択手段に応答して、観測時に、前述のよ
うにして選択された特定の仮説をトリガするか、又は、
トリガしないということのグラフィックな説明を呈示す
る表示手段とを有していることによって解決される。

【００１３】

【発明の実施の形態】本発明によると、因果ネットワー
クのグラフは、エキスパートの知識に基づいてマニュア
ルにより構成され、条件付確率表は、オートメーション
により生成される。付加的に、結果を有利に表示するた
めに、ユーザインターフェースが設けられている。ネッ
トワークのグラフは、ヒューマンデザインに十分に適し
た比較的簡単なオブジェクトである。他方、条件付確率
表は、非常に多数の数を含むことができる。従って、オ
ートメーションが適切である。手仕事によってグラフを
デザインする別の利点は、利用可能なデータセットが不
完全なために、手仕事により確率表を調整せざるを得な
い場合、自動的に生成された表よりもマニュアルにより
作成されたグラフ内の表を調整する方が簡単であるとい
う点である。グラフが自動的に構成されている場合、デ
ータ上の問題点を補正するには、不自然と思われ、且
つ、容易に計算できない所定の条件付確率を調整する必
要がある。本発明の別の観点では、リアルライン（リア
ルタイム）測定値から抽出された特徴の入力に基づいて
診断し、グラフィックユーザインターフェースを介して
連立した多重（複合）仮説を出力するようにトレーニン
グされた確率的グラフを使用することが含まれる。

【００１４】本発明の有利で合目的的な構成は、従属請
求項に記載されている。

【００１５】

【実施例】以下、図示の実施例を用いて、本発明を詳細
に説明する。

【００１６】図３には、オンライン診断スキーマ並びに
オフライントレーニングスキーマが図示されている。シ
ミュレータは、約１５００個のセンサ測定値を生成し、
その内、高々僅か３０個しか使用されない。特徴抽出オ
ペレータは、これらの選択されたセンサ値を変換して特
徴を生成する。それから、トレーニングスキーマで、こ
れらの特徴は、コンパイル、フォーマット及び圧縮され
て、Ｂａｙｅｓｉａｎネットワークをトレーニングする
のに適した形式にされる。それから、Ｂａｙｅｓｉａｎ
ネットワークは、トレーニングデータ構成器によって生
成されたデータを使用してトレーニングされる。トレー
ニング過程は、オフラインであるが、将来的には、新規
なデータを用いてＢａｙｅｓｉａｎネットワークを周期
的に更新するのに、オンサイトアプリケーション、セミ
オンラインプロセスを設けることができると思われる。

【００１７】テスト中、トレーニングされたＢａｙｅｓ
ｉａｎネットワークは、Ｂａｙｅｓｉａｎエラー診断モ
ジュール内にインストールされる。診断モジュールから
の出力は、基本的には、全ての質問（エラー（故障））
ノードの確率分布である。この結果は、ヒューマンマシ
ーンインターフェースモジュールによって、オペレータ
をガイドするために更に一層許容可能な表示に変換され
る。表示の初期バージョンは、交通信号スタイルであ
り、その際、赤色で、最も高い（所定の閾値設定に関し
て）確率のエラー（故障）が指示される。１つ以上の赤
色又は黄色との組合せを有するようにすることもでき、
例えば、この状態は、複合エラーによって生起される。

【００１８】ヒューマンマシーンインターフェースのシ
ナリオは、場合によっては、ユーザの必要性に従って一
連の表示を含んでいるようにしてもよい。１表示は、観
測時に診断が開始される（又は、開始されない）という
ことについてのグラフィックな説明を含んでいる。こう
することにより、ユーザが、診断について迅速に推論
し、妥当性を確認することができるようになる。更に、
ユーザは、何らかのパラメータを簡単に指示してクリッ
クし、その確率分布及び履歴（ヒストリ）にフルにアク
セスすることができる。

【００１９】考察中のタスクは、全ての主要なエラーク
ラスをカバーする初期アクシデント診断システムを生成
することができる。種々のネットワークが構成されてい
る。それらのアーキテクチュアは、完全にエンジニアリ
ング設計（ｅｎｇｉｎｅｅｒｅｄ）されたネットワーク
（ＤＡＧ、つまり、有向非循環グラフ）と、質問ノード
が観測ノードに直接結合されている純直観（ナイーブ）
ネットワークとの間にある。

【００２０】この説明での初期テストでは、４ループ型
加圧水型原子炉内での一次回路（冷却系）漏れの３つの
タイプを診断するための小さなシステムが生成される。
特に、ここでは、以下のタイプの小さな漏れについて考
察する：（流体）１次ループ漏れ（ＰＳＭＬ）、加圧器
蒸気漏れ（ＰＳＬ；スタックバルブを通してよりも寧ろ
加圧器壁を通して）、及び蒸気発生器管破裂（ＳＧＴＲ
１−４）。これらの故障のほぼ全ての場合、ある程度、
全て、１次回路からの冷却材容量を喪失させる事例に基
因する徴候と同様な徴候が生じる。所定の一層悪い条件
では、例えば、管破裂を経験したループ内の主冷却ポン
プが故障している場合、これらの各故障間を識別するの
は一層困難となる。

【００２１】各故障の５サイズで、１／２時間持続して
シミュレートしてランした状態が生成された。１次ルー
プの漏れ及び加圧器漏れに対して選定されたサイズは、
０．３〜１０ｃｍ²であり、蒸気発生器管破裂に対して
選定されたサイズは、１〜１２ｃｍ²である。ベンチマ
ークタスクの結果が図４，５及び６に図示されている。
システムは、あるケースでは、不正確な診断が一時的に
（約３分以下）出現したことがあるにも拘わらず（この
際、最も一般的に加圧器蒸気漏れの場合に、不正確な診
断により、１次ループ漏れと間違って分類されてい
た）、常に正確な診断を決定することができた。Ｂａｙ
ｅｓｉａｎネットワークに含まれている確率分布に基づ
いてシステムの診断を決定するのに使用される基準は、
故障が存在する周辺確率は、０．５以上の観測された証
拠があるということである。初期ネットワーク上でのベ
ンチマークデータ上のパフォーマンスは、かなり充足可
能なものであった。

【００２２】以下のステップでは、４つの初期条件（１
００％，６０％，３０％及び欠損ループ３）を含むよう
に、診断モジュールがカバーする適用範囲を拡張してい
る。６つの付加的な故障のタイプが診断スキーマに加え
られている。即ち、容量調整システムホットリーク（Ｖ
ＲＨＬ）、加圧器安全弁開放（ＰＳＶＯ）、ランアップ
ランダウン管路給水の供給漏れ（ＲＵＲＤＬＦＳＬ）、
格納容器蒸気管路破裂（ＣＳＬＲ）、バルブ間蒸気管路
破裂（ＢＶＳＬＲ）及び蒸気発生器前の給水供給漏れ
（ＢＳＧＦＳＬ）。前述の場合と同様に、５故障サイズ
が、新規な故障タイプのそれぞれにシミュレートされて
いる。

【００２３】２つのネットワークアーキテクチュアが考
慮される：僅かしかエンジニアリング設計されない直観
（ナイーブ）ネットワーク（図７）及び自動的に学習さ
れた一般化ＤＡＧ。

【００２４】実験は、以下の２つの異なったスキーマで
行われている。第１のスキーマでは、ネットワークは、
選択された初期条件（１００％及び６０％パワー、及
び、欠損ループ３）で、奇数サイズの故障全てでトレー
ニングされる。それから、同一初期条件で、偶数サイズ
でテストされる。結果は、全く良好である。エラーした
のは、単に、分類されていないケースと、２重に分類さ
れたケース（２つの故障として分類された）だけであっ
た。

【００２５】第２のスキーマでは、ネットワークは、初
期条件１００％及び６０％パワー、及びループ３なし
で、全てのサイズでトレーニングされる。テストは、初
期条件３０％内の全てのサイズで行われている。誤分類
は１回生起されるに過ぎないけれども、分類されないケ
ースが約１５％ある。将来の変更及び改善により、パフ
ォーマンスが改善されるのが期待される。図８には、直
観（ナイーブ）ネットワーク及び自動的に学習されたネ
ットワークから得られた結果が要約されている。故障及
びエラー時間の長さを検出するのに必要な時間の長さに
関してのパフォーマンス比が示されている（即ち、シス
テムが何らかの故障の存在を不正確に指示している時
間）。

【００２６】複雑系のＧＵＩは、オペレータに伝えたい
情報のグラフィックな表示である。ＧＵＩは、簡単な情
報表示であってよい（即ち、入力は、オペレータから要
求されない）。この明細書では、ＧＵＩの初期バージョ
ンについて、並びに、将来生成されるべき一層理想的な
バージョンについての論議を助長することが意図されて
いる。

【００２７】ＧＵＩを生成するために、２つの領域内で
決定する必要がある：・現在の診断システムの基礎となっているＢａｙｅｓｉ
ａｎネットワークにより、種々異なる種類の確率的情報
を計算することができる。以下のセクション２で極めて
魅力的な可能性についてリストアップする。どれを実行
すべきか？・情報を表示すべきものが選択されると、オペレータに
示されるインターフェースは如何なるものであるべきか
？診断モジュール用のインターフェースは、出来る限り極
めて大きな範囲にするためには、以下の属性を有する必
要がある。

【００２８】・基礎となっている概念（診断名及び確率
的情報の意味論）は、オペレータにとって都合の良いも
のであるべきである。

【００２９】・インターフェースは、診断所見が意味す
るものが不正確であるという印象をオペレータが誤って
持たないようにすべきである。

【００３０】・インターフェースは、少なくともトップ
レベルで、オペレータに情報を迅速且つ容易に伝えるた
めに、出来る限り単純であるべきである。

【００３１】以下、ユーザに表示するために選択される
可能な情報の幾つかをリストアップする。ここでは、蒸
気管破裂のような状態を意味する「故障」と、複合的な
故障が存在する（即ち、蒸気管破裂及び小さなＬＯＣＡ
（冷却材喪失事故））という主張からなる「診断」とを
区別する。

【００３２】最も直接的なアプローチは、各故障が存在
する単純な確率、即ち、他の故障が同時に存在するとい
うこととは無関係に、所定の故障が存在する確率を表示
することである。観測された証拠がＥであって、可能な
故障がＦ₁〜Ｆ_nである場合、Ｐ（Ｆ₁｜Ｅ）〜Ｐ（Ｆ_n｜
Ｅ）が表示される。このアプローチの弱点は、複数の故
障がある場合には、誤解を与える恐れがあるということ
である。特に、極めて類似した対の故障は、必ずしも、
単独で考えた場合に確率が最も高い２つの故障からなる
対であるとは限らないということに注意すべきである。
例えば、以下の図式では、各集合の領域が、Ｐ（Ａ）＝
Ｐ（Ｂ）＞Ｐ（Ｃ）＝Ｐ（Ｄ）であるにも拘わらず、そ
の確率に比例すべきであるとされており、その図式で
は、その領域は、Ｐ（Ｃ及びＤ）＞Ｐ（Ａ及びＢ）とい
う場合である。

【００３３】複数の故障が同時に存在する確率が、同時
に存在する故障の数が増大するに連れて極めて迅速に減
少する（即ち、同時に存在する３つの故障は、同時に存
在する２つの故障よりも生起する確率が高くない）の
で、単一の故障の確率を選択する場合の弱点を解決する
１つの可能な手段は、単に、対の故障（即ち、３対でも
なく、４対でもなく、等）の確率を表示することであ
る。即ち、全てのｊ及びｋに対して、Ｐ（Ｆ_j及びＦ_k｜
Ｅ）を表示することである。このアプローチによると、
単一の故障のアプローチの場合よりも一層詳細な情報が
提供されるという事実があるにも拘わらず、このアプロ
ーチの、それ以外の弱点は、２つ以上の故障が同時に存
在する場合には依然として処理されないという点にあ
る。

【００３４】極めて確率の高い診断は、各故障に対して
１つの値があって、各値の順序付けられた集合があり、
最も高い確率で証拠が与えられている、即ち、ａｒｇ
ｍｉｎＰ（Ｆ₁及びＦ₂及び．．．Ｆ_n｜Ｅ）の場合であ
る。このアプローチの利点は、どの程度多数の診断が正
当かということに拘わらず、各診断に対する値の、連立
する最も良好な集合が表示される。しかし、１弱点とし
ては、最も確率の高い診断の確率の大きさは、多数の理
由原因の説明（ｅｘｐｌａｎａｔｉｏｎ）が同様の確率
を有している場合にはあまり有意義ではない。他の弱点
としては、多数の個別診断がある場合に（明らかに、Ｎ
個の診断がある場合、２^N個の理由原因の説明があ
る）、最も確率の高い、１つ以上の理由原因の説明を計
算又は表示することは容易ではない。

【００３５】種々異なる提案間を正確に区別するため
に、以下、図９を参照して説明する。図では、Ａ，Ｂ，
及びＣは、単一の故障の名前とする。図の原子部分集合
（ａｔｏｍｉｃｓｕｂｓｅｔｓ）のそれぞれは、可能
な１つの診断に相応している。例えば、故障Ａ及びＣが
同時に存在するという主張からなる診断は、ＡＢＣとラ
ベリングされている（アンダーラインが引かれている診
断は存在しない、つまり、アンダーラインが引かれてい
る診断は、この明細書が印刷された形式で見られるか、
又は、モニタ上で高い解像度で見られる場合に可視であ
るに過ぎないということに注意すべきである！）。それ
から、単一の故障オプションは、単に、Ｐ（Ａ），Ｐ
（Ｂ），及び、Ｐ（Ｃ）とだけ表示される（証拠上の条
件は無視する）。Ｐ（Ａ）＝Ｐ（ＡＢＣ）＋Ｐ（ＡＢ
Ｃ）＋Ｐ（ＡＢＣ）＋Ｐ（ＡＢＣ）、等であることに注
意すべきである。故障の対オプションは、Ｐ（Ａの
み）、Ｐ（Ｂのみ）、Ｐ（Ｃのみ）、Ｐ（ＡＢ）、Ｐ
（ＡＣ）、及びＰ（ＢＣ）と、表示される。Ｐ（Ａの
み）＝Ｐ（ＡＢＣ）、Ｐ（ＡＢ）＝Ｐ（ＡＢＣ）＋Ｐ
（ＡＢＣ）、等である。最も確率の高い診断オプション
は、最も確率の高い原子部分集合の確率を表示する。部
分集合のサイズを、その確率に相応するものとするなら
ば、最も確率の高い３つの診断は、図９では、ＡＢＣ，
ＡＢＣ，及びＡＢＣであると思われる。

【００３６】上述の３つのオプションの選択を無視する
と（少なくとも暗黙のうちに）、ユーザに対して確率に
ついての情報が表示される。従って、ＧＵＩの表示様式
（ａｐｐｅａｒａｎｃｅ）に関して扱うべき第１の問題
点は、どの様に確率値が表現される（ｒｅｐｒｅｓｅｎ
ｔ）かということである。ここでは、以下、３つのオプ
ションを提案する。

【００３７】・バー（例えば、比較的大きな確率は、比
較的長い、シェードのある長方形である）・色・連続的なシェード（例えば、比較的大きな確率は、比
較的暗い色によって表現される）・少数の個別のシェード（例えば、ＯＫの場合には緑
色、確実性がかなり高い場合には黄色、診断が間違って
いることがほぼ確実である場合には赤色）・言葉（例えば、「ロー（”ｌｏｗ”）」、「ミディア
ム（”ｍｅｄｉｕｍ”）」、及び「ハイ（”ｈｉｇ
ｈ”）」）現在の最良の診断に加えて、過去数分からの過去の診断
の部分的な履歴記録を与えると所望である。こうするこ
とにより、オペレータは、オペレータの最終判断を形成
する際にトレンド情報を使用して診断システム自身の能
力を越えることができるようになる。例えば、オペレー
タは、以下の定式の推論（ａｒｇｕｍｅｎｔ）を行うこ
とができる。「Ａは、目下の所、最も確率の高い診断で
あるが、Ａの確率は、Ｂの確率が増大する時間に亘って
減少するように思われる。従って、所定の未来の時間
で、Ｂは、最も確率の高い診断となると推定される。」
当然、そのような推論は、特定の診断システムの特定の
属性に依存して、有用であるか、又は、有用でない。

【００３８】図を用いて、以下、インターフェースの見
え方、及び、表現（ａｐｐｅａｒａｎｃｅ）の解釈の仕
方について説明する。これらの図の目的は、特に図のど
れか１つを主張するものではなく、どのようなグラフィ
ックな要素及び表示すべき情報の選択が最も効率的であ
るのか理解することである。それらは、特定の順序では
与えられない。

【００３９】例１は、最も簡単な可能なインターフェー
スを示す。単一の故障の確率は、３つの量子化レベル、
緑色（ロー）、黄色（適当）、及び赤色（ハイ）で表示
される。

【００４０】例２は、事象（ｅｖｅｎｔ）対の確率を直
接直接呈示することである。同時に生起した２つの故障
は、任意に「故障１」及び「故障２」とラベリングされ
る。故障が１つしか生起していない場合には、故障２用
のリスト内に「故障なし。（”Ｎｏｆａｕｌｔ”）」
とラベリングされた、故障がない場合を含めて処理され
る。明らかに、故障１及び故障２が同じであるというこ
とを意味するものではない。その結果、上向きの三角形
マトリックス状の確率となる。比較的確率が高い黒色と
確率がほぼゼロの白色とを用いて、事象対の相対確率を
表すのに、グレイレベルの色の濃淡（ｓｈａｄｉｎｇ）
が使用される。このような表示技術は、何らかの環境下
では、種々異なったレベルのグレイ色間の差を検出する
ことは人間の目にとっては難しいという弱点がある。事
象対全ての確率は全て、加算されて１にならなければな
らない。故障の最大の確率対（即ち、最も確率の高い診
断）は、その名前をハイライトして赤色で指示される。

【００４１】例３は、故障対の確率を除いて、可能な全
ての表示要素を使用する。各要素の特定の選択は、以下
のリストで示されている。

【００４２】・最も確率の高い診断は、故障の何らかの
組合せを赤色でハイライトとすることによって与えられ
る。

【００４３】・単一の故障の確率は、例１に示されてい
るように、３つのレベルで識別することによって色を使
用して表示される。

【００４４】・更に、単一の故障の確率は、言葉「可能
性なし（”ｕｎｌｉｋｅｌｙ”）」、「幾分可能性あり
（”ｓｏｍｅｗｈａｔｌｉｋｅｌｙ”）」、又は「非
常に可能性あり（”ｖｅｒｙｌｉｋｅｌｙ”）」で表
現される。

【００４５】・つまり、単一の故障の確率の現在及び先
行の２つの値は、極端に右側にあるバーとして表示され
る。各診断のために、３つのバー表示があり（上から下
に）、つまり、適切な確率の場合に最も古い値（グレ
イ）、２番目に古い値（これもグレイ）、及び、現在の
値（黒色）で表示される。

【００４６】この例では、例２とは異なったやり方で故
障対の確率が表示されている。ここでは、確率は、最も
確率の高い対に対してしか与えられない。故障２が、例
２での「故障なし」であった場合、ここでは、故障２に
対するエントリは、単純に左側の黒色である。各故障の
名前は、特定の色に配属されていて、各特定の故障がリ
スト上に出現した回数が明らかにされる（例えば、”Ｓ
ＴＲＬｏｏｐ３”は、暗い緑色に配属することがで
き、”ＳｍａｌｌＬＯＣＡ”は、黒色に配属し、”Ｐ
ｒｉｍ．Ｍｉｎｉ−Ｌｅａｋ”は、青色に配属すること
ができる）。第３番目のコラムには、上述のような色及
び言葉での相対的な確率についての情報が表示される。
第４番目のコラムには、確率情報が第３の時間の間バー
として表示される。

【００４７】この例では、最も確率の高い４つの診断が
表示される。この例には示されていないが、原理的に、
このアプローチにより、同時に生起する所定数の故障を
検出して、表示することができる。各列は、複数の故障
が存在するという主張からなる、単一の完全な診断を示
している。故障の存在は、相応のボックスの赤色で色付
けすることにより指示される。ずっと右側では、バーに
より、各診断の相対確率が指示される。

【００４８】・Ｂａｙｅｓｉａｎネットワークの基礎と
なっているグラフの表示。

【００４９】・診断中のネットワークにとって最も重要
な観測の指示。

【００５０】・オペレータに対して、診断の背後の推論
について説明するための他のグラフィック表示。

【００５１】抽出された特徴の現在の集合が、トレーニ
ング中、十分にカバーされているということの確信の程
度を示す確信度インジケータを表示することができ、そ
の際、良好にカバーされているということは、所与の仮
定の確信度のレベルが高いということであり、カバーの
程度が低いということは、所与の仮定の確信度が低いレ
ベルであるということである。

【００５２】確率的推論に基づくスキーマは、故障の直
ぐ後に原子炉のトリップが続くような故障を識別するよ
うに展開される。異なった故障のタイプの場合に充足可
能な結果が見つかった。それから、スキーマは拡張さ
れ、更に６個の故障と３つの付加的な初期条件を含むよ
うに一般化される。予備テストによると、トレーニング
データと同様の初期条件で、テストデータの良好な結果
が達成された。上述の説明は、本発明の有利な実施例で
ある。種々異なる変形及び付加的な構成が、当業者には
明らかであり、本発明は、特許請求の範囲に記載されて
いる。

【図面の簡単な説明】

【図１】Ｂａｙｅｓｉａｎネットワークの例を示す図

【図２】Ｂａｙｅｓｉａｎネットワークの例を示す図

【図３】オンライン診断スキーマ並びにオフライントレ
ーニングスキーマを示す図

【図４】ベンチマークタスクの結果を示す図

【図５】ベンチマークタスクの結果を示す図

【図６】ベンチマークタスクの結果を示す図

【図７】僅かしかエンジニアリング設計されない直観
（ナイーブ）ネットワークを示す図

【図８】直観（ナイーブ）ネットワーク及び自動的に学
習されたネットワークから得られた結果を示す図

【図９】種々異なる提案間を正確に区別するための故障
の部分集合を示す図

【符号の説明】

ＤＡＧ有向非循環グラフＰＳＭＬ（流体）１次ループ漏れＰＳＬ加圧器蒸気漏れＳＧＴＲ１−４蒸気発生器管破裂

───────────────────────────────────────────────────── フロントページの続き (72)発明者ヌグロホアイサントソアメリカ合衆国ニュージャージープレインスボロヒルタウンコート 21 (72)発明者ヨッヘンエルトマンドイツ連邦共和国オーバーアスバッハコンラート−アデナウアー−シュトラーセ８

Claims

【特許請求の範囲】

【請求項１】複雑系で診断を行う方法において、前記
複雑系から取得された実時間測定値から抽出された特徴
の入力に基づいて診断するようにトレーニングされてい
る因果ネットワークを定立するステップ、前記複雑系の
診断に応答可能なオペレータに、前記複雑系の現在の状
態として連立した多重仮説（ｓｉｍｕｌｔａｎｅｏｕｓ
ｍｕｌｔｉｐｌｅｈｙｐｏｔｈｅｓｅｓ）を呈示す
るために、前記抽出された特徴の入力に応答するグラフ
ィックユーザインターフェースを設定するステップを有
することを特徴とする診断を行う方法。
【請求項２】複雑系で診断を行う方法において、複雑
系で生起する過程の少なくとも一部分を写像するように
構成されている因果ネットワークを定立するステップを
有しており、前記因果ネットワークを定立するステップ
は：特定のエラー状態をシミュレーションするサブステ
ップ、前記シミュレーションの結果から特徴を抽出する
サブステップ、前記抽出された特徴を用いて前記因果ネ
ットワークをトレーニングするサブステップ、前記複雑
系から実時間測定値を取得するサブステップ、前記実時
間測定値から特徴を抽出するサブステップ、前記実時間
測定から前記抽出した特徴を、前記因果ネットワークに
適用して、該適用により前記複雑系の診断を発現するサ
ブステップを有することを特徴とする診断を行う方法。
【請求項３】前記複雑系を、原子力発電所とし、前記
診断を故障の診断とする請求項２記載の方法。
【請求項４】前記因果ネットワーク用のグラフを、エ
キスパートの知識に基づいてマニュアルにより構成し、
条件付確率表を、前記Ｂａｙｅｓｉａｎ（ベイジアン）
ネットワーク用に自動的に構成する請求項２記載の方
法。
【請求項５】前記因果ネットワークに、Ｂａｙｅｓｉ
ａｎネットワークを含ませる請求項２記載の方法。
【請求項６】前記Ｂａｙｅｓｉａｎネットワーク用の
グラフを、マニュアルにより構成し、条件付確率表を、
前記Ｂａｙｅｓｉａｎネットワーク用に自動的に構成す
る請求項５記載の方法。
【請求項７】前記測定値を個数５０個より小さくする
請求項２記載の方法。
【請求項８】前記特徴抽出を、直接、特徴値を導出す
るのに使用する請求項２記載の方法。
【請求項９】前記Ｂａｙｅｓｉａｎネットワークを、
あらゆるエラーの確率値を導出するのに使用する請求項
２記載の方法。
【請求項１０】因果ネットワーク用のグラフを、マニ
ュアルにより構成し、条件付確率表を、自動的に構成す
る請求項１記載の方法。
【請求項１１】前記グラフィックユーザインターフェ
ースを設定するステップに、ユーザに、抽出された特徴
の現在の集合がトレーニング中十分にカバーされていた
ということの確信の程度を示す確信度インジケータを呈
示することを含ませ、良好にカバーされた状態とは、所
定の仮説に対して高い確信度を示す状態とし、低いカバ
ー状態とは、所定の仮説に対して低い確信度を示す状態
とする請求項１記載の方法。
【請求項１２】更に、前記グラフィックユーザインタ
ーフェースから１つ以上の項目を、前記項目上でクリッ
クすることにより選択するステップを有しており、前記
クリックに応答して、観測時に、前記診断が開始される
か、又は、前記診断が開始されないということについ
て、グラフィックな説明を表示する請求項１記載の方
法。
【請求項１３】更に、特定の観測を選択するステッ
プ、前記特定の観測を選択するステップに応答して、前
記観測用の確率分布を表示するステップを有している請
求項１２記載の方法。
【請求項１４】複雑系でのエラー状態を診断する際に
支援するための装置において、複雑系は、因果ネットワ
ークとグラフィックユーザインターフェースとを有して
おり、前記因果ネットワークは、前記複雑系から取得さ
れた実時間測定値から抽出された特徴の入力に基づいて
診断を提供するようにトレーニングされ、前記グラフィ
ックユーザインターフェースは、前記因果ネットワーク
から前記抽出された特徴の入力に応答して、複雑系の診
断に応答可能なオペレータに対して、前記複雑系の現在
の状態として連立した多重仮説を呈示するように構成さ
れていることを特徴とする装置。
【請求項１５】前記因果ネットワークは：シミュレー
ション手段と、トレーニングソフトウェアと、実時間モ
ニタリング及び診断ソフトウェアとを有しており；前記
シミュレーション手段は、特定のエラー状態をシミュレ
ートし、前記トレーニングソフトウェアは、前記シミュ
レーションの結果から特徴を抽出して、前記抽出された
特徴に基づいて前記因果ネットワークをトレーニングす
るように構成されており、前記実時間モニタリング及び
診断ソフトウェアは、実時間エラー又は潜在的なエラー
の結果から特徴を抽出するように構成されており、前記
実時間エラー又は潜在的なエラーから抽出された前記エ
ラーを、前記シミュレーションされたエラーから抽出し
た特徴と比較して、該比較により前記複雑系エラーの潜
在的な診断を発現する請求項１４記載の装置。
【請求項１６】前記モニタリング及び診断ソフトウェ
アは、前記複雑系の複数の可能な、潜在的な診断を行う
請求項１５記載の装置。
【請求項１７】更に、条件付確率表のＢａｙｅｓｉａ
ｎネットワークを生成するように構成されたコンピュー
タを有する請求項１６記載の装置。
【請求項１８】複雑系でのエラー状態を診断するシス
テムにおいて、オペレータに、前記複雑系の状態に関す
る連立した多重仮説を呈示するためのグラフィックユー
ザインターフェースと、前記連立した多重仮説の１つ以
上を選択するための手段と、前記選択手段に応答して、
観測時に、前述のようにして選択された特定の仮説をト
リガするか、又は、トリガしないということのグラフィ
ックな説明を呈示する表示手段とを有していることを特
徴とする複雑系でのエラー状態を診断するシステム。
【請求項１９】更に、特定の観測を選択し、前記観測
と関連する確率分布を表示するための手段を有している
請求項１８記載のシステム。