JP2005207724A - 動力装置の水質解析方法 - Google Patents
動力装置の水質解析方法 Download PDFInfo
- Publication number
- JP2005207724A JP2005207724A JP2004354547A JP2004354547A JP2005207724A JP 2005207724 A JP2005207724 A JP 2005207724A JP 2004354547 A JP2004354547 A JP 2004354547A JP 2004354547 A JP2004354547 A JP 2004354547A JP 2005207724 A JP2005207724 A JP 2005207724A
- Authority
- JP
- Japan
- Prior art keywords
- power plant
- data
- water quality
- plant water
- processor
- 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.)
- Abandoned
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/18—Water
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Food Science & Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Investigating Or Analyzing Non-Biological Materials By The Use Of Chemical Means (AREA)
- Devices For Executing Special Programs (AREA)
Abstract
【課題】動力装置の水質データの信頼性の改善と自動化された技術の提供。
【解決手段】動力装置水質分析装置及び方法は、動力装置水系の化学的水系の化学的活性を特徴付ける動力装置水質データ34を得るための水質センサに依っている。解析的モデルプロセッサ36を使用して、該動力装置水系に関するモデル予測値を発生する。統計的データ適合プロセッサ38は、該モデル予測値に対応する、該動力装置水質データから選別されたデータを選択する。該選別されたデータを、人工的インテリジェンスプロセッサ40により処理して、動力装置水質診断情報42を導く。該人工的インテリジェンスプロセッサ40は、エキスパートシステム50、ルールベース52、動力装置水質システムシミュレータ54、およびパターン認識モジュール56を含む。
【選択図】 図2
【解決手段】動力装置水質分析装置及び方法は、動力装置水系の化学的水系の化学的活性を特徴付ける動力装置水質データ34を得るための水質センサに依っている。解析的モデルプロセッサ36を使用して、該動力装置水系に関するモデル予測値を発生する。統計的データ適合プロセッサ38は、該モデル予測値に対応する、該動力装置水質データから選別されたデータを選択する。該選別されたデータを、人工的インテリジェンスプロセッサ40により処理して、動力装置水質診断情報42を導く。該人工的インテリジェンスプロセッサ40は、エキスパートシステム50、ルールベース52、動力装置水質システムシミュレータ54、およびパターン認識モジュール56を含む。
【選択図】 図2
Description
本発明は、一般的には動力装置の水システム(水系)に関する。より具体的には、本発明は、動力装置水質データを選別し、かつ解析して、動力装置の水質の問題を診断するための自動化されたシステムに関するものである。
多くの動力装置が、水を加熱して蒸気を発生している。次いで、この蒸気を使用して、タービンを回転させている。このタービンは、電気の発生のために使用する発電機を回転させる。
この型の動力装置における水質は、典型的には該装置内の幾つかの位置において監視されている。次に、集められた化学的データを使用して、トレンドグラフを構築する。熟練した化学的者がこのデータを精査して、不純物および添加剤レベルが要求規格値の範囲内にあることを保証し、かつ該装置の異常な動作を表す可能性のある、データにおける含蓄的な傾向を同定する。
データ入手装置が、動力装置の水質データを収集し、かつ表示するために開発された。また、該データにおける矛盾を同定し、かつ起こり得る異常な状態に対して警告を発するように、ルールベースを備えたエキスパートシステムも開発された。既存のエキスパートシステムは、化学データの初歩的な解析に制限されている。
動力装置の水質を解析するための、既存の公知技術を改善することが強く望まれている。特に、動力装置の水質データの信頼性を改善するための、自動化された技術を提供することが強く望まれている。更に、動力装置の水質データを評価して、そこにおける諸問題点を診断するための自動化された技術を提供することが強く望まれている。
本発明は、動力装置の水質解析装置および方法に関する。この装置は、動力装置の水系の化学的活性を特徴付ける、動力装置の水質データを得るための水質センサに基づいている。解析的モデルプロセッサを、該動力装置の水系に関するモデル予測値を得るのに使用する。統計データ適合プロセッサは、該モデル予測値に対応する、該動力装置水質データから選別したデータを選択する。この選別したデータを人工的なインテリジェンスプロセッサによって処理して、動力装置水質診断情報を導く。該人工的なインテリジェンスプロセッサは、エキスパートシステム、ルールベース、動力装置水質測定システムシミュレータおよびパターン認識モジュールを含む。
本発明は、動力装置水系における正常なおよび異常な状態を診断するのに使用される。単独でまたはオンラインデータ入手システムとの組み合わせで、本発明は、該動力装置水系の化学的状態を適正に説明するために収集する必要のある、データの量を最小化するのに利用される。本発明は、水質測定プログラムを維持するのに必要とされる、計測運転および職員両者に関連するコストを大幅に節減する。該システムは、また測定を容易にあるいは経済的に実施できない位置における、該システムの化学的状態に関する情報を与える。この情報を、システムの物質の劣化に関する知見との組み合わせで使用して、動力装置の動作に及ぼす化学的作用の影響を最小化する。
本発明の特徴並びに目的をよりよく理解するためには、以下の詳細な説明を、添付図と共に参照すべきである。
同様な参照番号は、添付図の数枚の図面に渡り、対応する部分を表す。
同様な参照番号は、添付図の数枚の図面に渡り、対応する部分を表す。
図1は本発明に従う動力装置の水質解析装置20を示す図である。この装置20は、動力装置(図示せず)内に配置された一組の水質センサ22を含む。これらの水質センサ22はデータ入手インターフェース24に接続され、該インターフェースは情報をディジタル化し、かつ該情報を動力装置水質データとして、コンピュータ26に送る。このコンピュータ26はシステムバス28を含み、該バスは該動力装置水質データを受け取る。中央処理装置(CPU)30は、該動力装置水質データを、メモリー32に送り、そこで該データは記憶される。
このCPU30は、該メモリー32に記憶された一組のプログラムを実行する。このメモリー32に記憶された実行可能なプログラムは、解析的モデルプロセッサ36、統計データ適合(SDF)プロセッサ38、および人工的インテリジェンスプロセッサ40を含む。これらプログラムは、CPU30に従って動作して、動力装置水質診断情報42を発生する。
ユーザーインターフェースデバイス46は、標準的な入力および出力デバイス、例えばキーボード、マウス、ビデオモニタ、プリンタ等を含む。このユーザーインターフェースデバイス46は、実行可能なプログラム36、38および40を変更し、かつ実施するのに使用され、該ユーザーインターフェースデバイス46は、また該動力装置水質診断情報42を搬送するようにも機能する。
水質センサ22、データ入手インターフェース24およびコンピュータ26の独立した動作は、当分野で公知である。本発明は、これらエレメントの組み合わせを意図する。より詳細には、本発明は、該コンピュータ26の実行可能なプログラムと組み合わせた、該水質センサ22および該データ入手インターフェース24の動作を意図する。
図2は本発明に関連する処理を示すものである。特に、図2は、図1に示された異なるデータおよび実行可能なプログラムと関連する処理を説明している。解析的モデルプロセッサ36は公知のデバイスである。例えば、カリホルニア州、パロアルトのエレクトリックパワーリサーチインスティチュート(Electric Power Research Institute)から入手できる、EPRIケムワークス(EPRI chemWORKSTM)ソフトウエア手段を、この解析的モデルプロセッサ36として使用することができる。このEPRIケムワークスソフトウエア手段は、動力装置に特異的な仕様および精巧な解析的モデルを使用して、動力装置の水サイクルの化学的状態を記載する。より詳しくは、該動力装置水サイクルの化学的状態は、物質収支定数、多−成分平衡の考察および化学速度情報に基づく、解析的モデルにより評価される。
図3は、該EPRIケムワークス(EPRI chemWORKSTM)ソフトウエア手段と関連するユーザーインターフェースを示すものである。ユーザーが、動力装置水系の配管部品の詳細な記載を特定することを可能とするように、公知のプログラミング技術を使用する。かくして、流体流、熱的条件、および配管系間の全ての相互接続を、該図式的ユーザーインターフェースを介して設定する。とりわけ、図3は、典型的な配管の配置および加圧水型原子炉(PWR)の二次系に関する所要熱収支情報を示す。図3に示された部品は、蒸気発生器のブローダウンドレン1、蒸気発生器2、高圧タービン3、低圧タービン4、水分分離器5、再加熱ステージ6、ドレンタンク7、給水加熱器8、給水ライン9、コンデンサ10およびホットウエル(hot well)11を含む。図3およびそれ以降の全ての図は、該EPRIケムワークスソフトウエア手段の図式的ユーザーインターフェースと関連する、入力または出力スクリーンである。従って、以下に説明するように、このEPRIケムワークスソフトウエア手段は、本発明の他のエレメントと結合できる。
図4は、図3に示された該蒸気発生機に関する入力スクリーンを示す。同様なスクリーンが、図3に示された全ての部品について存在する。
公知技術の解析的モデルプロセッサ36、例えばEPRIケムワークスソフトウエア手段を、スタンド−アロン式に使用して、系に対する最適の化学的状態を決定している。この方法に関連する問題は、ユーザーがある目的関数を特定できる場合にのみ、最適の化学的状態を得ることができることである。かくして、該解析的モデルは、動力装置の状態を診断するのに、単独で使用することはできない。
本発明は、実際の動力装置の測定と該解析的手段とを組み合わせ、選別されたデータを、該動力装置の測定値および該解析的手段のモデルによる予測値から選択し、かつ該選別されたデータを解析して、動力装置水質診断情報を得ることによって、既存の解析的モデルプロセッサ、例えばEPRIケムワークスソフトウエア手段の利用可能性を拡張する。この処理を図2に示す。
図2は、この解析的モデルプロセッサ36がモデルによる予測値を発生することを示す。上記のように、公知技術においては、これらのモデル予測値は独立している。即ち、該解析的モデルプロセッサ36は、単に該モデル予測値を発生する目的でのみ使用され、該予測値は、次に独立に解析された。図2に示したように、本発明によれば、該モデル予測値を、該水質センサ22から得た動力装置水質データ34と組み合わせる。該モデル予測値および動力装置水質データ34を、統計的データ適合(SDF)プロセッサ38により処理して、選別されたデータを得る。
この方法に関連する多数の利点がある。第一に、該公知技術の解析的モデルプロセッサ36の該限定された役割が拡張される。以下で論ずるように、該解析的モデルプロセッサ36は、最早スタンドアロン予測デバイスではなく、逆にその能力は、動力装置の水質の問題を実際に診断する際に利用される。第二に、該動力装置水質データ34の有効性は、該解析的モデルプロセッサ36から入手できる情報によって改善できる。即ち、該モデル予測値と該動力装置の測定値(動力装置水質データ)との組み合わせは、大幅に明確化された系をもたらし、より一層正確な情報を得るのに使用できる。
該解析的モデルプロセッサ36は、少数の未知のおよび/または動力装置に特異的なファクタから、システム化学モデル予測値を与える。既知量(例えば、測定値)の数が、(該モデルにおける)未知量の数を大幅に越えるように、該水質センサ22を使用して、該プロセス流中で多数の測定値を得る。該プロセス測定値および該モデルにおける幾つかのファクタは不正確であるので、最良のまたは最も確実性の高いモデル予測値を使用して、最少の確実な測定値を与える。また、逆も同様である。
SDFプロセッサ38は、独立変数(例えば、動力装置測定値)と従属変数(例えば、モデル予測値)とを互換性のものとする。従って、該SDFプロセッサ38は、該モデル予測値により与えられる制約を特定する、該動力装置測定値の統計的に最良の適合性を決定する。
本発明に従って使用できる統計的データ適合技術は、R.ネイル(Kneile),「動力装置データからより多くの情報を絞り出す(Wring More Information out ofPlant Data)」,Chemical Engineering,1995年3月,pp.110−116に記載されている。
該SDFプロセッサ38により得た該選別されたデータを、該人工インテリジェンスプロセッサ40に適用する。
本発明に従って使用できる統計的データ適合技術は、R.ネイル(Kneile),「動力装置データからより多くの情報を絞り出す(Wring More Information out ofPlant Data)」,Chemical Engineering,1995年3月,pp.110−116に記載されている。
該SDFプロセッサ38により得た該選別されたデータを、該人工インテリジェンスプロセッサ40に適用する。
図5は、図3の系に対応するサンプル入力スクリーンを示す。このスクリーンは、該動力装置水/蒸気サイクルにおける既知のまたは測定された濃度を示す。(図3に示したこの測定された種はナトリウム(Na)、塩素(Cl)、アンモニア(NH3)、ヒドラジン(N2H4)、メトキシプロピルアミン(Mpa)、およびエタノールアミン(Eta)を包含し、「サンプルLoc」は該入力値が規定されている位置を示し、従って「B」は蒸気発生器のブローダウンを示し、かつ「F」は給水を意味し、「Conc」は入力装置における該種の濃度を表し、「CPD」はある一つの種の復水ポンプ排出濃度であり、「BDE」はある一つの種のブローダウン脱塩装置流出液濃度であり、「CPE」はある一つの種の復水塔流出液濃度であり、また「ハイドアウト(Hideout)」は蒸気発生機における種の損失を規定する。)
これらの入力値は、典型的には該SDFプロセッサ38から受理するが、該水質センサから受け取る可能性もある。即ち、本発明の好ましい態様は、該SDFプロセッサ38からの選別されたデータを使用する。しかしながら、本発明は、同様に該水質センサ22から得た直接的な動力装置水質データによっても動作する。
該人工的なインテリジェンスプロセッサ40は、多数の動作を実行する。まず、これは該選別されたデータを解析して、任意の動力装置の問題を同定する。問題があった場合、該プロセッサは該問題の位置を特定しようとする。これは、エキスパートシステムのルールベース52によって実行される。このルールベースの動作は、しばしば該装置のユーザーに対する質問によって補充される。この問題を解決する動作も、動力装置水質システムシミュレータ54の使用によって補充することができる。このシミュレータ54を、該エキスパートシステム50により導かれた、種々の提案された解をテストするのに使用する。該エキスパートシステム50は、またデータ収集プロセスを最適化する際の情報を提供する。最後に、該人工的なインテリジェンスプロセッサ40は、パターン認識モジュール56を含む。このパターン認識モジュール56を使用して、化学的パラメータの変化が、過去の履歴と一致するか否か、あるいは計測の不履行が類似するかどうかを決定する。好ましくは、該パターン認識モジュール56は、ニューラルネットワークとして実現される。
該人工的インテリジェンスプロセッサ40の部品および動作を以下に説明する。
現時点においては、該プロセッサ40の部品のより詳細な議論に注目し、次いで本発明の動作をより一層十分に立証する一連の実施例を記載する。
現時点においては、該プロセッサ40の部品のより詳細な議論に注目し、次いで本発明の動作をより一層十分に立証する一連の実施例を記載する。
該エキスパートシステム50は、化学的なエクスカーションおよびその他の異常な活性を同定する。該エキスパートシステム50は、このような状態を、該動力装置水系におけるある故障によるものとみなす。好ましくは、このプロセスの該第一段階は、どのモデル予測値およびどの測定値が最も確からしいかを決定する。
この解析は、該ルールベース52および該SDFプロセッサ38の助けによって実行される。例えば、該ルールベースは、較正間の最長の動作時間を有する計測が、最も信頼性が低いことを特定することを可能とする。最良のデータを、該ルールベース52の助けによって選択した後、該ルールベース52は、再度該選択されたデータと、異なる動力装置状態および許容される動作とを相互に関連付けることを要求される。例えば、該ルールベース52におけるルールは、最良の適合性をもつ動力装置測定値(選別されたデータ)が越えてはならない閾値を与え得る。この種の閾値を越えた場合には、該エキスパートシステム50は、対応する計測器が適切に働いていないと結論する。
該ルールベース52は、また同定された変則的な状態の存在において、とるべき動作に関する情報をも含む。示唆された動作は、該ユーザーインターフェースデバイス46のビデオモニタ上に表示することができる。好ましくは、該示唆された動作は、最初に該動力装置水質システムシミュレータ54の使用によってテストされる。
このシミュレータ54は、質量収支および多成分平衡式を解いて、該動力装置の水系全体に渡る各点において、化学的種の形成を測定する。このシミュレータ54は、該動力装置全体を通しての、添加剤および不純物濃度の変化に対する、特定の応答の評価をもたらす。
上記の説明は、以下の実施例を参照することにより、より一層十分に理解される。
上記の説明は、以下の実施例を参照することにより、より一層十分に理解される。
図6及び図7は、図3及び図4における入力条件により特定される種の、選択された位置における、計算された分布を示す図である。図8は、全体としての系の物質収支が、どのように、図4によって指定される定常状態濃度を達成するように満たされるかを示している。この情報は以下の実施例に挿入されている。
実施例1:ボイラー中のハイドアウト速度の変動による、ボイラー水中のナトリウムおよび塩素濃度増加の解析動力装置は、通常水/蒸気サイクルにおいて、ナトリウムおよび塩素等の不純物の定常状態濃度の下で動作する。許容される不純物の最大濃度に関連する規格は、装置の供給業者によりまたは工業的ガイドラインにおいて与えられる。一般的には、該濃度が規格値以下であるか、あるいはこれらが上昇傾向にないか否かは問題ではない。にも拘らず、しばしば様々な理由、例えばコンデンサの漏れ、または復水および/または補充脱塩装置の機能不良等のために、これら濃度は増大する。該システムにおける不純物の挙動は、熱伝達表面の汚れまたは動力装置の作動条件における他の変動により、変化する可能性がある。これは、該システムにおける不純物の観測される濃度の増加をもたらす可能性がある。動力装置のオペレータは、不純物濃度の変動の原因を迅速に明らかにして、正しい動作をとらしめ、かつ該不純物に関連する腐食の問題を回避可能とすることが、必須である。
例えば、動力装置が、図5〜図8に示されたベースライン化学の下で作動していると仮定する。エキスパートシステム50、該ルールベース52および該シミュレータ54を使用して、該ボイラー水中のナトリウムおよび塩素の増加に関する最も可能性の高い原因を評価する。
好ましくは、該SDFプロセッサ38を使用して、図5に示されているベースライン化学データを設定する。本実施例においては、ブローダウンにおけるナトリウムの測定された1から2ppbへの緩慢な濃度増加および2から3.2ppbへの塩素濃度増加の源を評価する。
この新たな化学に関するモデルについての入力条件を、図9に示す。その第一段階は、ナトリウムおよび塩素についての測定された増加が、妥当であることを立証することである。該SDFプロセッサ38および該ルールベース52を、該測定値を実証するのに使用する。最低値において、該ルールベース52は、以下のルールからなっている:1)ナトリウム(および塩素)の較正は、これまでに増加を示した計器によるものであるか?、2)ナトリウム(および塩素)の測定値の傾きは多数の測定値に対して正であったか?、3)該動力装置は定常状態で動作しているか?、および、4)(該SDFプロセッサ38から)選別されたデータは、該測定されたナトリウム(および塩素)濃度における変動が、該測定値における相対誤差を越えていることを確認しているか?。
クリスプ(crisp)またはファジー論理技術を利用すると、該ナトリウム(および塩素)濃度は、幾つかの計算された不確定性限界範囲内で、不変であるか、あるいは増大するものとして判断される。その他の測定されたパラメータ、例えば硫酸根および電導度について同様なテストを実施する。というのは、これらの値は一定ではないが、ランダムに揺らぐか、あるいはナトリウムおよび/または塩素とは異なる傾きで増大する可能性があるからである。該不純物源の補給が、該ベースラインを越えて増大した種であることが決定される。
一旦上記の方法論を使用して、該測定された増加が妥当であることが確認されると、該増加の原因の解析が開始される。具体的には、該シミュレータ54を、幾つかの変更された条件下で作動させて、図9の新たな化学を与えるためには、(該解析的モデルプロセッサ36により指定された)該モデル中のどのパラメータを、図3〜図8に指定された該ベースライン状態から変化させる必要があるかを決定する。
第一段階は、測定値の変動が、該ベースライン状態を越える蒸気発生機への不純物の進入によるものであるか、あるいは該蒸気発生機内の該不純物の挙動の変化によるものであるかを決定することである。後者の場合、図8によって与えられる、指定されたナトリウムおよび塩のソースタームは依然として妥当である(図8は、種々の除去位置を介して、該システムから、1b/hr単位で除去された種の出力を表す)。このシナリオの下での該モデルへの入力は、図10に示されている。具体的には、該ベースライン化学について計算されたナトリウムおよび塩素に関するソースタームは、該モデルに対する入力条件として指定される。
蒸気発生機のパラメータ、例えば水分のキャリーオーバー、ハイドアウト速度およびブローダウン速度は、図4に示された該入力スクリーンを使用して変えることができ、得られる蒸気発生機のナトリウムおよび塩素濃度を、新たに測定した蒸気発生機の値と比較することができる。予測された値が該測定値の予測された許容度の範囲内である場合には、変えられた該モデルパラメータ(例えば、水分のキャリーオーバー、ハイドアウト速度およびブローダウン速度)に応じて、適当なルールを排除する。
例えば、図11は、該ハイドアウト速度が0まで減少した場合の、該蒸気発生機のブローダウンについての出力を示す。ナトリウムおよび塩素の予想された値は、新たに測定された値と極めて近いものである。しかしながら、ハイドアウト速度が時間の経過に応じて減少するものとは予想されず、従って確率の低いルールを排除する。水分のキャリーオーバーまたはブローダウン流動における変動は正確な応答を与えないので、これらのパラメータを更に考察し、あるいは確率の低いルールを排除する。各ルールに対する該「確率ファクタ」は、該モデルからの予測値がどの程度良好に、該観測値または測定値と一致するかに依存する。
次の段階は、図6に示したように、予想された濃度またはベースライン値に対する、測定された給水のナトリウムおよび塩素濃度の値をチェックすることである。(図6において、「pH(t)」は該当する部品の温度におけるpHであり、「pH(n)」は該部品の温度における、水の中性pHであり、「pH(25)」は25℃におけるpHであり、「pH(25C)w.o.cat」はカチオンを計算から除外した場合の25℃におけるpHであり、「Sp.Cond.」は該溶液の比電導度であり、また「Cat.Cond.」は該溶液のカチオン電導度である)。
この場合、ここでは説明しないが、該測定値は、該給水の化学が変動しないことを確認している。これは、蒸気発生機のナトリウムおよび塩素濃度の増加が、ハイドアウト速度の減少の結果であるという可能性を高くする。次いで、該エキスパートシステム50は、該インターフェースデバイス46を利用して、該ハイドアウトファクタを減ずる様式に関連する適当な重みファクタをもつ一連の照会(例えば、最近の動力装置の停止、ボイラーの化学洗浄、モル比における変動等)をユーザーに行わしめる。この場合、該エキスパートシステム50は、動力装置のトリップ後の該ハイドアウトファクタの減少を結論付けるかもしれない。
実施例2:供給水中のpH調節剤の供給過剰の診断 動力装置中でのpH調節剤の供給過剰は、幾つかの問題を生ずる可能性がある。
該pH調節試薬が高価なことに加えて、高いpHは脱塩装置の早期の消耗および銅を主体とする配管系の腐食の促進をもたらす。
本実施例においては、該動力装置は図5〜図8のベースライン条件下で稼働する。該給水および蒸気発生機ブローダウンにおいて測定された比電導度は、図12に示した値まで増大する。
好ましくは、該SDFプロセッサ38を使用して、これらパラメータの測定された変動が首尾一貫しており、かつ該SDFアルゴリズムにより設定された誤差を越えることを保証する。比電導度の増加は、該システム内の不純物または添加物濃度の変動に起因し、あるいは該システム内の幾つかの添加物の分解における変動によるものであり得る(実施例4参照)。この場合、該SDFプロセッサの実行した該SDFアルゴリズムは、該比電導度以外の全ての測定された種が変動しなかったことを立証する(注:図12に示した全てのパラメータが、実際に該動力装置において測定される訳ではない)。
該エキスパートシステム50は、該増大した電導度の源が、直接的に測定されるパラメータに由来するはずであるものと結論付ける。かくして、該シミュレータ54を稼働して、該動力装置全体を通じて、濃度が直接測定されない供給水中の添加物における変動に対する、比電導度応答を見積もる。この場合、該添加物はエタノールアミン(ETA)、メトキシプロピルアミン(MPA)、およびヒドラジンである。このコードが数回の実験を実行した後、該エキスパートシステム50は、該供給水および蒸気発生機ブローダウンにおける測定された量によって、該比電導度を変動する可能性のある、添加物濃度の唯一の変化が、ETAであるものと決定する。該エキスパートシステム50は、ETAの供給水濃度を2ppmから4ppm(図12参照)に変えることにより、該測定された比電導度と該予測された比電導度との間の良好な一致を達成できるものと結論付ける。次いで、該エキスパートシステム50は、該ETA濃度がファクタ2だけ増大したと考えられることを、オペレータに対して(ユーザーインターフェースデバイス46を通して)示す。該オペレータは該供給水のETAを測定し、診断を確認する。
供給過剰の根本的原因は、該ETA供給タンクの不十分な希釈であることが決定された。この場合、該オペレータは、この問題を完全に診断するために、一つの追加の測定のみを実施すればよい。
実施例3:コンデンサ漏洩の診断コンデンサ漏洩は、該ボイラー水中の高い不純物濃度および蒸気発生機並びに該動力装置内のその他の部品の腐食を招くであろう。
本実施例においては、該SDFプロセッサ38は、該蒸気発生機ブローダウンにおけるナトリウムおよび塩素濃度を明らかにし、かつ該システム全体を通して、該測定されたカチオン電導度の増加が見られること立証している。該エキスパートシステム50は、測定値を正当化し、かつ図5〜図8のベースライン化学と、該正当化されたデータとを比較するために、上で説明したものと同様な論理およびルールベース52を使用する。
該エキスパートシステム50は、該供給水化学が変更され、結果として増加の源が、実施例1において診断した如く、蒸気発生機の挙動の変化ではなく、該システム内への進入によるものと考えられることを認識する。該復水および復水塔流出液のカチオン電導度両者が増大するので、該進入源は該復水塔の上流であると考えられる。しかしながら、該エキスパートシステム50は、該復水塔の下流における変更された進入ソースタームについて該シミュレータ54を稼働させることにより、この仮説をチェックする。これは、該測定されたまたは観測された化学が該復水塔のソース下流によって設定できるか否かを決定するために行われる。低確率は、この増加の原因としての、このために規定されたルールに帰せられる。
次いで、該エキスパートシステム50は、該復水塔が該漏洩により枯渇した場合には、該測定された化学作用を、コンデンサの既知組成をもつ冷却水の漏れにより生じる可能性のあることを立証する。図13及び図14は、該コンデンサの漏洩が問題となり得ることを立証するであろう、ルールの排除に対応する入力および出力を示す。
該エキスパートシステム50は、該復水塔に対する入口および出口カチオン電導度が名目上等しく、また該システムにおける測定された増加の最も確からしい源としてのコンデンサの漏洩を排斥するルールを排除する。かくして、該エキスパートシステム50は、コンデンサの漏洩を探索する。
この場合、オペレータは該コンデンサおよび供給水中の水の組成の詳細な分析を待って、進入の源がコンデンサの漏洩であったことを決定する必要はない。
実施例4:PWRの二次系における有機汚染物質の進入の診断 加圧水型原子炉の二次系への有機汚染物質の幾つかの有力な進入源がある。その一つの源はジビニルベンゼンにより架橋され、復水塔およびブローダウン脱塩のために使用される、ポリスチレン樹脂ビーズの漏洩である。有機物の第二の源は、pH調節のために使用した有機アミン類、例えばモルホリンまたはETAの分解に由来する。これら2つの源以外にも、有機物は補充水を介して、該系への添加剤中の不純物として、あるいはグリースおよびオイルとして進入する可能性がある。有機物は、動力装置部品の腐食を促進し、また他の種の解析的測定を複雑化する可能性がある。
何れにしろ、有機化学物質は、通常加圧水型原子炉の作動温度および圧力において分解する。これらの分解生成物は、一般的に単鎖カルボン酸、例えば酢酸、蟻酸およびグリコール酸である。他の低分子量化合物は、有機物の分解反応の副生成物、例えば二酸化炭素であり得る。該進入は、通常該系内に幾分かのアセテートを生成し、従って測定された該系内のアセテート濃度は、親有機化合物の源を追跡するのに利用できる。
有機物質のベースラインは、通常pH調節のために添加されたアミン類を由来として、該二次系内に存在するであろう。該シミュレータ54は、アミン類の分解により、アセテート等の有機物の生成を可能とする。これら分解反応の予測における先験的な困難さのために、該シミュレータ54を、調節可能な分解速度定数によって、該動力装置ベースライン化学に適合させる。該ベースライン化学により該系内に発生するアセテート濃度を、図6及び図7に示した。使用した該速度定数を、該蒸気サイクルの3つの位置に対する動力装置データに適合させた。この技術により、該シミュレータ54は、アミンの供給量の変動に関連する、有機物濃度の変化を予測することができる。該エキスパートシステム50は、これらの変化と、もう一つの源を由来とする進入に基づいて予測された変化とを比較することができる。例えば、該系における該アセテート濃度が該ベースラインから増加した場合には、該源は以下のようにして該エキスパートシステム50によって診断されるであろう。
前に記載した方法論を使用して、該アセテート濃度を立証した後、該エキスパートシステム50は、どの程度のアミン濃度変化が、新たなレベルのアセテートを生成するのに必要かを決定する。本実施例においては、該蒸気発生機内のアセテートレベルが、そのベースライン値150ppbから595ppbまで増加したものと仮定する。該供給水中の面目上の6.14ppmというETAレベルが、図15に示すように、新たなアセテートレベルと一致するのに必要とされる。次に、該エキスパートシステム50は、該測定されたpHおよび比電導度をも、図15に示された予測値に従って変動するか否かを知るためにチェックする。この場合、該pHは必要な程度には変動せず、従って該エキスパートシステム50は、該アミンの分解速度が変動するか、あるいは該系における有機物の新たな源が存在するかであることを結論付ける。
該分解速度は、該系中に観測されたアセテートと一致するように変化し得る。
該新たなアセテート濃度と一致するように、該分解速度定数を調節した結果は、図16に示されている。図16に示したように、アミン濃度、pHおよび比電導度における予想された変動は小さい。しかしながら、該分解速度定数が変化しなければならない量は大きく、結果として該エキスパートシステム50は、新たな有機物源が該系内に存在するより高い可能性があると考える。3つの他の源をテストする必要がある。第一の源、即ち化学物質の漏洩は、零である該ベースラインからの漏洩流中の該アセテート濃度を増大することにより評価される。テストされた第二の源は補充水中のアセテートである。これは、コンデンサの漏洩としてのアセテートを入力することにより見積もられる。第三の源は、復水中の濃度を、そのベースラインよりも増大することによりモデル化される。この場合、該アセテート濃度は化学物質の漏洩(処理添加剤)によりまたは復水塔の漏洩を増大することにより適合させることができる。しかしながら、後者の場合には、該復水塔流出液の比電導度およびカチオン電導度も増大し、一方で化学物質漏洩の増大は、同一ベースラインの復水塔流出液の値をもたらす。本実施例では、該測定された復水塔流出液の電導度も増加するものと仮定しており、結果としてアセテート増加の源は、該復水塔の飽和によるものと考えられる。結局、動力装置のオペレータには、該復水脱塩装置を再生することが要求される。
該新たなアセテート濃度と一致するように、該分解速度定数を調節した結果は、図16に示されている。図16に示したように、アミン濃度、pHおよび比電導度における予想された変動は小さい。しかしながら、該分解速度定数が変化しなければならない量は大きく、結果として該エキスパートシステム50は、新たな有機物源が該系内に存在するより高い可能性があると考える。3つの他の源をテストする必要がある。第一の源、即ち化学物質の漏洩は、零である該ベースラインからの漏洩流中の該アセテート濃度を増大することにより評価される。テストされた第二の源は補充水中のアセテートである。これは、コンデンサの漏洩としてのアセテートを入力することにより見積もられる。第三の源は、復水中の濃度を、そのベースラインよりも増大することによりモデル化される。この場合、該アセテート濃度は化学物質の漏洩(処理添加剤)によりまたは復水塔の漏洩を増大することにより適合させることができる。しかしながら、後者の場合には、該復水塔流出液の比電導度およびカチオン電導度も増大し、一方で化学物質漏洩の増大は、同一ベースラインの復水塔流出液の値をもたらす。本実施例では、該測定された復水塔流出液の電導度も増加するものと仮定しており、結果としてアセテート増加の源は、該復水塔の飽和によるものと考えられる。結局、動力装置のオペレータには、該復水脱塩装置を再生することが要求される。
実施例5:データ収集の最適化 該人工的インテリジェンスプロセッサ40を使用して、該システム全体に渡る化学作用を説明するのに必要な測定値の数を最適化することができる。上記のように、該エキスパートシステム50で使用する該解析的モデルは、該システムにおいて得た測定値の数により、過大に特定される。該SDFプロセッサ38を使用して、該動力装置における各測定値の最良の評価値および該評価値の精度を決定する。
該エキスパートシステム50のユーザーによる、該モデル予測値の所定の精度の特定を可能とすることにより、該ユーザーは測定値の数および測定の頻度を減じたことにより、該システム予測値の全体としての精度に、如何なる影響がおよぼされるかを評価することができる。次いで、該ユーザーは、該モデル予測値の全体的な精度を有意に改善しない測定値を排除することが可能である。同様に、ユーザーは、動力装置の化学的パラメータの補足的測定を行うことにより、該モデル予測値を微調整することができる。このようにして、該ユーザーは、高い頻度でより精度の高い測定を実施することにより、該エキスパートシステム50の該結論を改善することができる。
上記全ての実施例において、正常でない化学作用の解析または診断は、説明の明確化のために単純化された。実際の使用においては、該動力装置水質データ34は、これら実施例で明らかにした如く、該モデル予測値とは正確に一致しない。
これら実施例においては、単一のモデルの入力値を、個々の動力装置の測定と一致するように調節した。実際には、該エキスパートシステム50は、多数の測定されたパラメータと該モデル入力値との間の差異または誤差を最小化するルーチンを使用する。ファジールールセットと組み合わせたこの技術は、該化学作用の最良の診断を確立するであろう。
本発明の特定の態様に関わる上記説明は、例示および説明のために提示した。
本発明の特定の態様に関わる上記説明は、例示および説明のために提示した。
これらは本発明を網羅するものではなく、あるいは記載した正確な態様に本発明を限定するものではなく、多くの改良並びに変更が上記の教示により可能であることは明らかである。これらの態様は、本発明の原理およびその実際の応用を最も良好に説明するために、従って当業者が本発明および意図した特定の態様に適合するように種々の変更を施した様々な態様を最も良好に利用できるように、選択され、かつ記載された。従って、本発明の範囲は以下の請求の範囲およびその等価物により規定されるものである。
Claims (7)
- 動力装置の水質を解析する方法であって、該方法が、
動力装置水系の化学的活性を特徴付ける、動力装置水質データを蓄積する工程と、 該動力装置水系に関するモデル予測値を発生する工程と、
該モデル予測値に対応する、該動力装置水質データから、選別データを選択する工程と、
を含むことを特徴とする、上記方法。 - 更に、該選別されたデータから、動力装置水質診断情報を誘導する工程をも含む請求項1記載の方法。
- 該誘導工程が、エキスパートシステムおよび関連するルールベースにより、該選別されたデータを処理する工程を含む、請求項2記載の方法。
- 該誘導工程が、動力装置水質システムシミュレータによって、該選別されたデータを処理する工程をも含む、請求項3記載の方法。
- 該誘導工程が、パターン認識モジュールによって、該選別されたデータを処理する工程をも含む、請求項4記載の方法。
- 動力装置の水質を解析する方法であって、該方法が、
動力装置水系の化学的活性を特徴付ける、動力装置水質データを蓄積する工程と、
ルールベースを呼び出すエキスパートシステムおよび動力装置水質システムシミュレータによって、該動力装置水質データを処理することにより、該動力装置水質データから、動力装置水質診断情報を誘導する工程と、
を含むことを特徴とする、上記方法。 - 該誘導工程が、パターン認識モジュールによって、該動力装置水質データを処理する工程を含む、請求項6記載の方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US08/588,194 US5724254A (en) | 1996-01-18 | 1996-01-18 | Apparatus and method for analyzing power plant water chemistry |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP9525963A Division JPH11503834A (ja) | 1996-01-18 | 1996-09-13 | 動力装置の水質を解析するための装置および方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005207724A true JP2005207724A (ja) | 2005-08-04 |
Family
ID=24352865
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP9525963A Pending JPH11503834A (ja) | 1996-01-18 | 1996-09-13 | 動力装置の水質を解析するための装置および方法 |
JP2004354547A Abandoned JP2005207724A (ja) | 1996-01-18 | 2004-12-07 | 動力装置の水質解析方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP9525963A Pending JPH11503834A (ja) | 1996-01-18 | 1996-09-13 | 動力装置の水質を解析するための装置および方法 |
Country Status (6)
Country | Link |
---|---|
US (3) | US5724254A (ja) |
EP (1) | EP0875033A4 (ja) |
JP (2) | JPH11503834A (ja) |
AU (1) | AU7160196A (ja) |
CA (1) | CA2243077C (ja) |
WO (1) | WO1997026606A1 (ja) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5724254A (en) * | 1996-01-18 | 1998-03-03 | Electric Power Research Institute | Apparatus and method for analyzing power plant water chemistry |
JP4393586B2 (ja) * | 1996-08-08 | 2010-01-06 | 株式会社ブリヂストン | 多成分系材料の設計方法、最適化解析装置及び多成分系材料の最適化解析プログラムを記録した記録媒体 |
US6192352B1 (en) * | 1998-02-20 | 2001-02-20 | Tennessee Valley Authority | Artificial neural network and fuzzy logic based boiler tube leak detection systems |
US6957172B2 (en) | 2000-03-09 | 2005-10-18 | Smartsignal Corporation | Complex signal decomposition and modeling |
US20020049548A1 (en) * | 2000-04-03 | 2002-04-25 | Libraria, Inc. | Chemistry resource database |
US7031779B2 (en) | 2000-06-14 | 2006-04-18 | General Electric Company | Method and apparatus for automated crack behavior prediction determination |
US20040059654A1 (en) * | 2000-07-07 | 2004-03-25 | Hans Schroder | Method and system for processing and display of variables in a user generated network diagram representing a balanced system |
WO2002005149A1 (en) * | 2000-07-07 | 2002-01-17 | Schroeder Hans | Method and system for processing and display of variables in a user generated network diagram representing a balanced system |
US6681153B1 (en) | 2000-08-02 | 2004-01-20 | General Electric Company | Automated, interactive data collection, data transmittal and data assessment method |
US6577988B1 (en) | 2000-08-08 | 2003-06-10 | International Business Machines Corporation | Method and system for remote gas monitoring |
US6468469B2 (en) * | 2000-09-27 | 2002-10-22 | Metrex Research Corporation | Reuse determination for high level disinfectant |
US6859739B2 (en) * | 2001-01-19 | 2005-02-22 | Smartsignal Corporation | Global state change indicator for empirical modeling in condition based monitoring |
US20090125241A1 (en) * | 2001-10-26 | 2009-05-14 | Innovative American Technology, Inc. | Real time water analysis system for metals, chemicals, radiological and biological materials (cbrnme) within water |
WO2003060812A2 (en) * | 2002-01-15 | 2003-07-24 | Suvajit Das | Computer-implemented system and method for measuring and improving manufacturing processes and maximizing product research and development speed and efficiency |
US7013224B2 (en) * | 2002-07-15 | 2006-03-14 | General Electric Company | Method and apparatus to perform crack estimations for nuclear reactor |
US7383167B2 (en) * | 2004-01-29 | 2008-06-03 | General Electric Company | Methods and systems for modeling power plants |
US7100427B2 (en) * | 2004-05-07 | 2006-09-05 | Sensicore, Inc. | Multi-sensor system for fluid monitoring with selective exposure of sensors |
US7104115B2 (en) * | 2004-05-07 | 2006-09-12 | Sensicore, Inc. | Fluid treatment apparatus with input and output fluid sensing |
US7249000B2 (en) * | 2004-05-07 | 2007-07-24 | Sensicore, Inc. | Fluid monitoring systems and methods with data communication to interested parties |
US20060020427A1 (en) * | 2004-05-07 | 2006-01-26 | Sensicore, Inc. | Systems and methods for fluid quality monitoring using portable sensors in connection with supply and service entities |
US20050251366A1 (en) * | 2004-05-07 | 2005-11-10 | Sensicore, Inc. | Monitoring systems and methods for fluid testing |
US7391333B2 (en) | 2004-09-27 | 2008-06-24 | Source Sentinel, Llc | System for monitoring quality of water system |
WO2006135849A2 (en) * | 2005-06-10 | 2006-12-21 | Sensicore, Inc. | Systems and methods for fluid quality sensing, data sharing and data visualization |
US8275577B2 (en) * | 2006-09-19 | 2012-09-25 | Smartsignal Corporation | Kernel-based method for detecting boiler tube leaks |
US8311774B2 (en) | 2006-12-15 | 2012-11-13 | Smartsignal Corporation | Robust distance measures for on-line monitoring |
JP2008190933A (ja) * | 2007-02-02 | 2008-08-21 | Japan Atom Power Co Ltd:The | Pwr型原子力発電所における二次冷却材中のイオン不純物濃度評価方法及びこの評価方法を用いたpwr型原子力発電所の二次冷却系統の運転システム |
US7904753B2 (en) * | 2009-01-06 | 2011-03-08 | International Business Machines Corporation | Method and system to eliminate disruptions in enterprises |
US9760914B2 (en) * | 2009-08-31 | 2017-09-12 | International Business Machines Corporation | Determining cost and processing of sensed data |
US10038670B2 (en) * | 2010-09-30 | 2018-07-31 | Saudi Arabian Oil Company | System and method for controlling access to a plant network |
US8999139B2 (en) * | 2011-05-26 | 2015-04-07 | Hach Company | Oxidation/reduction measurement |
US9256224B2 (en) | 2011-07-19 | 2016-02-09 | GE Intelligent Platforms, Inc | Method of sequential kernel regression modeling for forecasting and prognostics |
US9250625B2 (en) | 2011-07-19 | 2016-02-02 | Ge Intelligent Platforms, Inc. | System of sequential kernel regression modeling for forecasting and prognostics |
US8660980B2 (en) | 2011-07-19 | 2014-02-25 | Smartsignal Corporation | Monitoring system using kernel regression modeling with pattern sequences |
US8620853B2 (en) | 2011-07-19 | 2013-12-31 | Smartsignal Corporation | Monitoring method using kernel regression modeling with pattern sequences |
US9310288B2 (en) * | 2013-01-28 | 2016-04-12 | Fisher-Rosemount Systems, Inc. | Systems and methods to monitor operating processes |
CA2923243A1 (en) | 2013-09-06 | 2015-03-12 | Ge Intelligent Platforms, Inc. | Apparatus and method for model adaptation |
US9689823B2 (en) | 2015-03-10 | 2017-06-27 | Rosemount Inc. | Steam quality meter and measurement method |
CN106054990A (zh) * | 2016-07-04 | 2016-10-26 | 清华大学 | 垃圾渗滤液处理专家控制系统及方法 |
CN106338973A (zh) * | 2016-08-11 | 2017-01-18 | 塞壬智能科技(北京)有限公司 | 专家诊断服务系统 |
JP6727162B2 (ja) * | 2017-03-29 | 2020-07-22 | 株式会社日立製作所 | 水処理エネルギーシミュレータ及びそれを有する水処理システムの設計支援装置 |
CN107462282A (zh) * | 2017-08-17 | 2017-12-12 | 苏州市智水环境科研技术有限公司 | 环境和水质双检测系统 |
CN108395003B (zh) * | 2018-04-03 | 2020-04-21 | 东北师范大学 | 一种光催化-生物降解直接耦合降解抗生素废水的数值模拟方法及其应用 |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3302656C2 (de) * | 1983-01-27 | 1985-04-18 | Gkss - Forschungszentrum Geesthacht Gmbh, 2054 Geesthacht | Verfahren und Vorrichtung zur Bestimmung von in natürliche Wässer in Lösung gegangenen Kohlenwasserstoffen |
US4649515A (en) * | 1984-04-30 | 1987-03-10 | Westinghouse Electric Corp. | Methods and apparatus for system fault diagnosis and control |
US4833622A (en) * | 1986-11-03 | 1989-05-23 | Combustion Engineering, Inc. | Intelligent chemistry management system |
US4886590A (en) * | 1987-11-02 | 1989-12-12 | Man-Gill Chemical Company | Chemical process control system |
US5073499A (en) * | 1988-04-15 | 1991-12-17 | Westinghouse Electric Corp. | Chemical diagnostic system |
US4967337A (en) * | 1988-10-11 | 1990-10-30 | Texas Instruments Incorporated | Automated diagnostic system |
US4943929A (en) * | 1988-11-04 | 1990-07-24 | The United States Of America As Represented By The Secretary Of The Navy | Chemical agent monitor and control interface |
AU6354190A (en) * | 1989-08-21 | 1991-04-03 | Board Of Regents Of The University Of Washington, The | Multiple-probe diagnostic sensor |
JP2581833B2 (ja) * | 1989-09-11 | 1997-02-12 | 株式会社日立製作所 | プラントの運転状態監視システム |
GB8927567D0 (en) * | 1989-12-06 | 1990-02-07 | Gen Electric Co Plc | Detection of chemicals |
JP2947840B2 (ja) * | 1989-12-22 | 1999-09-13 | 株式会社日立製作所 | プラント運転監視装置 |
GB9018142D0 (en) * | 1990-08-17 | 1990-10-03 | Unilever Plc | Slip and antiblock agent for polyolefin films |
AU660661B2 (en) * | 1991-02-05 | 1995-07-06 | Storage Technology Corporation | Knowledge based machine initiated maintenance system |
US5504692A (en) * | 1992-06-15 | 1996-04-02 | E. I. Du Pont De Nemours Co., Inc. | System and method for improved flow data reconciliation |
WO1995026008A1 (en) * | 1994-03-22 | 1995-09-28 | Intelligent Monitoring Systems | Detecting and classifying contaminants in water |
US5696696A (en) * | 1994-10-11 | 1997-12-09 | Betzdearborn, Inc. | Apparatus and method for automatically achieving and maintaining congruent control in an industrial boiler |
US5737519A (en) * | 1995-08-22 | 1998-04-07 | Seagate Technology, Inc. | System and method for early disc drive fault detection |
US5724254A (en) * | 1996-01-18 | 1998-03-03 | Electric Power Research Institute | Apparatus and method for analyzing power plant water chemistry |
US6012152A (en) * | 1996-11-27 | 2000-01-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Software fault management system |
-
1996
- 1996-01-18 US US08/588,194 patent/US5724254A/en not_active Expired - Lifetime
- 1996-09-13 CA CA002243077A patent/CA2243077C/en not_active Expired - Fee Related
- 1996-09-13 EP EP96933027A patent/EP0875033A4/en not_active Withdrawn
- 1996-09-13 AU AU71601/96A patent/AU7160196A/en not_active Abandoned
- 1996-09-13 WO PCT/US1996/014787 patent/WO1997026606A1/en not_active Application Discontinuation
- 1996-09-13 JP JP9525963A patent/JPH11503834A/ja active Pending
-
1997
- 1997-09-15 US US08/929,618 patent/US5966683A/en not_active Expired - Lifetime
-
1999
- 1999-08-31 US US09/387,230 patent/US6591166B1/en not_active Expired - Lifetime
-
2004
- 2004-12-07 JP JP2004354547A patent/JP2005207724A/ja not_active Abandoned
Also Published As
Publication number | Publication date |
---|---|
US6591166B1 (en) | 2003-07-08 |
US5724254A (en) | 1998-03-03 |
EP0875033A4 (en) | 2005-08-03 |
JPH11503834A (ja) | 1999-03-30 |
CA2243077A1 (en) | 1997-07-24 |
CA2243077C (en) | 2003-06-10 |
WO1997026606A1 (en) | 1997-07-24 |
AU7160196A (en) | 1997-08-11 |
EP0875033A1 (en) | 1998-11-04 |
US5966683A (en) | 1999-10-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US6591166B1 (en) | Apparatus and method for analyzing chemical system data | |
JP4528335B2 (ja) | センサの性能確認装置および方法 | |
JP2824524B2 (ja) | 修理の優先順位決定方法 | |
EP0906593B1 (en) | Industrial process surveillance system | |
Stanfelj et al. | Monitoring and diagnosing process control performance: the single-loop case | |
Alferes et al. | Advanced monitoring of water systems using in situ measurement stations: data validation and fault detection | |
EP2171598B1 (en) | Fuzzy classification approach to fault pattern matching | |
Hu et al. | Fault diagnosis with dual cointegration analysis of common and specific nonstationary fault variations | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
CN111033253B (zh) | 水质诊断系统、发电站及水质诊断方法 | |
US4833622A (en) | Intelligent chemistry management system | |
WO2007038533A2 (en) | System to predict corrosion and scaling, program product, and related methods | |
Patil et al. | Reliability analysis of a steam boiler system by expert judgment method and best-fit failure model method: a new approach | |
Yoo et al. | Enhanced process monitoring for wastewater treatment systems | |
CN113505497B (zh) | 湿法烟气脱硫吸收塔浆液品质监测方法及系统 | |
Hines et al. | Process and equipment monitoring methodologies applied to sensor calibration monitoring | |
Li et al. | Condition monitoring of sensors in a NPP using optimized PCA | |
Rengaswamy et al. | An integrated framework for process monitoring, diagnosis, and control using knowledge-based systems and neural networks | |
US5132075A (en) | Method and apparatus for water chemistry diagnosis of atomic power plant | |
Aumeier et al. | Probabilistic techniques for diagnosis of multiple component degradations | |
Hu et al. | Nonstationary Fault Diagnosis by Dual Analysis of Common and Specific Fault Variations with Cointegration Analysis | |
Gałka | Evaluation of Diagnostic Symptoms for Object Condition Diagnosis and Prognosis | |
Garvey et al. | Nuclear power plant on-line sensor calibration monitoring implementation issues | |
Ma et al. | Study on fault diagnosis based on the qualitative/quantitative model of SDG and genetic algorithm | |
Alimohammad | USING DECISION TREES AND BAYESIAN LEARNNG FOR REDUCING FALSE ALARMS IN CONTROL CHARTS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A762 | Written abandonment of application |
Free format text: JAPANESE INTERMEDIATE CODE: A762 Effective date: 20051108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20051108 |