JP3087974B2 - プラントの異常時運転支援方法及びその装置 - Google Patents
プラントの異常時運転支援方法及びその装置Info
- Publication number
- JP3087974B2 JP3087974B2 JP03216992A JP21699291A JP3087974B2 JP 3087974 B2 JP3087974 B2 JP 3087974B2 JP 03216992 A JP03216992 A JP 03216992A JP 21699291 A JP21699291 A JP 21699291A JP 3087974 B2 JP3087974 B2 JP 3087974B2
- Authority
- JP
- Japan
- Prior art keywords
- combination
- plant
- measurement signals
- neural network
- devices
- 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
Links
Classifications
-
- 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
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は多数の系統・機器を備え
るプラントの異常時運転支援方法及びその装置に係り、
特に、プラント各種計測信号からニューラルネットを用
いて異常事象を同定するのに好適な異常時運転支援方法
及びその装置を提供することにある。
るプラントの異常時運転支援方法及びその装置に係り、
特に、プラント各種計測信号からニューラルネットを用
いて異常事象を同定するのに好適な異常時運転支援方法
及びその装置を提供することにある。
【０００２】
【従来の技術】鉄鋼プラント，化学プラント，原子力発
電プラントを含む各種発電プラントの様に、大型で構成
系統や構成機器が多くあるプラントでは、異常が発生し
たとき大事に至る前に異常の原因となる異常事象を同定
し、異常に対する対策を講じる必要がある。例えば、原
子力発電プラントでは、各種の計測信号（パラメータと
もいう。）の挙動に基づいて異常事象を同定するとき、
パターン認識の技術が用いられるようになってきてい
る。
電プラントを含む各種発電プラントの様に、大型で構成
系統や構成機器が多くあるプラントでは、異常が発生し
たとき大事に至る前に異常の原因となる異常事象を同定
し、異常に対する対策を講じる必要がある。例えば、原
子力発電プラントでは、各種の計測信号（パラメータと
もいう。）の挙動に基づいて異常事象を同定するとき、
パターン認識の技術が用いられるようになってきてい
る。
【０００３】このパターン認識の最近の動向として、生
物の神経回路網を模擬したニューラルネットワークのパ
ターン認識の有効性が確認されている。このニューラル
ネットは処理速度が遅いという課題があるものの、入力
信号中に多少のノイズが混入しても、的確なパターン認
識が可能であるという優れた利点を持っている。
物の神経回路網を模擬したニューラルネットワークのパ
ターン認識の有効性が確認されている。このニューラル
ネットは処理速度が遅いという課題があるものの、入力
信号中に多少のノイズが混入しても、的確なパターン認
識が可能であるという優れた利点を持っている。
【０００４】このニューラルネットを原子力発電プラン
トの異常診断に適用した従来技術として、日本原子力学
会１９８９年会（１９８９年４月４日〜６日）Ｂ９の
「階層型ニューラルネットの異常診断への応用」（原研
の鍋島等）や日本原子力学会１９８９秋大会（１９８９
年１０月１７日〜１９日）Ｂ４２の「階層型ニューラル
ネットの異常診断への応用（２）」（同）がある。これ
らの論文では、プラントに設置された各種検出器からの
検出信号のパターンが各異常事象毎に一意的に定まり、
これは、任意の時刻におけるプラント状態を同定する情
報として使用できるとしている。また、異常診断にニュ
ーラルネットを応用することについて、ノイズ耐性，実
時間処理が可能であり有効性があるとしている。
トの異常診断に適用した従来技術として、日本原子力学
会１９８９年会（１９８９年４月４日〜６日）Ｂ９の
「階層型ニューラルネットの異常診断への応用」（原研
の鍋島等）や日本原子力学会１９８９秋大会（１９８９
年１０月１７日〜１９日）Ｂ４２の「階層型ニューラル
ネットの異常診断への応用（２）」（同）がある。これ
らの論文では、プラントに設置された各種検出器からの
検出信号のパターンが各異常事象毎に一意的に定まり、
これは、任意の時刻におけるプラント状態を同定する情
報として使用できるとしている。また、異常診断にニュ
ーラルネットを応用することについて、ノイズ耐性，実
時間処理が可能であり有効性があるとしている。
【０００５】
【発明が解決しようとする課題】対象とするプラントが
大型になればなるほど、構成系統や構成機器の数が膨大
となり、これに伴ってニューラルネットに入力するデー
タ数が膨大になってしまう。前記したように、ニューラ
ルネットは処理速度が遅いという課題があり、更に入力
データ数が多くなって処理速度が低下すると、実用に供
しなくなってしまう。また、入力データ数が多くなると
ニューラルネット処理を行う装置として大型化のものが
必要となり、実用化途上にあるニューラルネット型コン
ピュータを実際に用いることが不可能になってしまう。
特に、原子力発電プラントでは、近年、各構成系統，構
成機器毎に個別に検出器を設ける傾向にあり、これに伴
って膨大な種類の検出信号を取り扱う必要が生じてきて
おり、小型で迅速に処理ができるものが必要になってき
ている。
大型になればなるほど、構成系統や構成機器の数が膨大
となり、これに伴ってニューラルネットに入力するデー
タ数が膨大になってしまう。前記したように、ニューラ
ルネットは処理速度が遅いという課題があり、更に入力
データ数が多くなって処理速度が低下すると、実用に供
しなくなってしまう。また、入力データ数が多くなると
ニューラルネット処理を行う装置として大型化のものが
必要となり、実用化途上にあるニューラルネット型コン
ピュータを実際に用いることが不可能になってしまう。
特に、原子力発電プラントでは、近年、各構成系統，構
成機器毎に個別に検出器を設ける傾向にあり、これに伴
って膨大な種類の検出信号を取り扱う必要が生じてきて
おり、小型で迅速に処理ができるものが必要になってき
ている。
【０００６】本発明の目的は、プラントに異常が発生し
たとき迅速且つ的確に異常事象を同定することのできる
プラントの異常時運転支援方法及びその装置を提供する
ことにある。
たとき迅速且つ的確に異常事象を同定することのできる
プラントの異常時運転支援方法及びその装置を提供する
ことにある。
【０００７】
【課題を解決するための手段】上記目的は、プラントの
各種計測信号を入力データとし、前記プラントに異常が
発生したときこの異常事象を同定する信号を出力するニ
ューラルネットを備えるプラントの異常時運転支援装置
において、プラントを構成する各種系統・機器の組み合
せに対応して診断に用いる計測信号の組み合せを予め決
めておき、プラント異常発生時の前記各種系統・機器の
作動状態から系統・機器の組み合せを求め、この系統・
機器の組み合せから前記計測信号の組み合せを求め、こ
の計測信号の組み合せをニューラルネットの前記入力デ
ータとすることで、達成される。
各種計測信号を入力データとし、前記プラントに異常が
発生したときこの異常事象を同定する信号を出力するニ
ューラルネットを備えるプラントの異常時運転支援装置
において、プラントを構成する各種系統・機器の組み合
せに対応して診断に用いる計測信号の組み合せを予め決
めておき、プラント異常発生時の前記各種系統・機器の
作動状態から系統・機器の組み合せを求め、この系統・
機器の組み合せから前記計測信号の組み合せを求め、こ
の計測信号の組み合せをニューラルネットの前記入力デ
ータとすることで、達成される。
【０００８】上記目的はまた、計測信号中に変化のある
ものは該変化を増幅した信号の値をニューラルネットの
入力データとすることで、達成される。
ものは該変化を増幅した信号の値をニューラルネットの
入力データとすることで、達成される。
【０００９】上記目的はまた、プラントを構成する各種
系統・機器の組み合せに対応して診断に用いる計測信号
の組み合せを予め決めておき、計測信号の組み合せに対
応して予め前記ニューラルネットを学習させ該ニューラ
ルネットの特性を決める重み係数，閾値を求めて記憶装
置に格納しておき、プラント異常発生時の前記各種系統
・機器の作動状態から系統・機器の組み合せを求め、こ
の系統・機器の組み合せから対応する計測信号の組み合
せを求め、この計測信号の組み合せを該計測信号の組み
合せに対応する特性にて動作するニューラルネットの入
力データにすると共に、該入力データ中に変化のあるデ
ータは該変化を増幅したデータを前記入力データとする
ことも、達成される。
系統・機器の組み合せに対応して診断に用いる計測信号
の組み合せを予め決めておき、計測信号の組み合せに対
応して予め前記ニューラルネットを学習させ該ニューラ
ルネットの特性を決める重み係数，閾値を求めて記憶装
置に格納しておき、プラント異常発生時の前記各種系統
・機器の作動状態から系統・機器の組み合せを求め、こ
の系統・機器の組み合せから対応する計測信号の組み合
せを求め、この計測信号の組み合せを該計測信号の組み
合せに対応する特性にて動作するニューラルネットの入
力データにすると共に、該入力データ中に変化のあるデ
ータは該変化を増幅したデータを前記入力データとする
ことも、達成される。
【００１０】
【作用】例えば系統・機器ａ，ｂ，ｃ，ｄ，ｅのうちｂ
が使用不能，ｅが一部不能となっているときは計測信号
α，β，γ，δ，εのうち（α，β，γ，δ）の組み合
せを用い、例えば系統・機器のうちａが使用不能のとき
は計測信号（γ，δ，ε）を用いる。このように系統・
機器の作動状態に応じて予め定められた計測信号のみを
用いることで、入力データ数を減らし、ニューラルネッ
ト処理の処理速度の向上を図ることが可能となる。どの
ような信号の組み合せにするかは、異常事象毎に変動の
大きい計測信号の組み合せとするのが好ましい。
が使用不能，ｅが一部不能となっているときは計測信号
α，β，γ，δ，εのうち（α，β，γ，δ）の組み合
せを用い、例えば系統・機器のうちａが使用不能のとき
は計測信号（γ，δ，ε）を用いる。このように系統・
機器の作動状態に応じて予め定められた計測信号のみを
用いることで、入力データ数を減らし、ニューラルネッ
ト処理の処理速度の向上を図ることが可能となる。どの
ような信号の組み合せにするかは、異常事象毎に変動の
大きい計測信号の組み合せとするのが好ましい。
【００１１】ニューラルネットへの入力データのうち変
化のあるものはその変化を増幅して入力することで、ニ
ューラルネットの各ノードの判定の動作の安定を図ると
共にそれに要する時間を短くし、処理速度の向上及び処
理結果の精度，信頼度を向上させることが可能となる。
化のあるものはその変化を増幅して入力することで、ニ
ューラルネットの各ノードの判定の動作の安定を図ると
共にそれに要する時間を短くし、処理速度の向上及び処
理結果の精度，信頼度を向上させることが可能となる。
【００１２】ニューラルネットを予め対応する計測信号
の模擬信号にて学習させておき、学習結果を計測信号の
組み合せ毎に記憶装置に格納しておくことで、異常発生
時に入力データとする計測信号の組み合せを求めると共
にこの組み合せ対応の学習結果にてニューラルネットを
動作させることができるので、ニューラルネットが出力
するまでの時間を速めることが可能となる。
の模擬信号にて学習させておき、学習結果を計測信号の
組み合せ毎に記憶装置に格納しておくことで、異常発生
時に入力データとする計測信号の組み合せを求めると共
にこの組み合せ対応の学習結果にてニューラルネットを
動作させることができるので、ニューラルネットが出力
するまでの時間を速めることが可能となる。
【００１３】
【実施例】以下、本発明の一実施例を図面を参照して説
明する。図１は、本発明の一実施例に係るプラントの異
常時運転支援装置の構成図である。図１において、１０
は異常事象を同定する対象のプラントであり、本実施例
では、原子力発電プラントを対象とする。このプラント
１０の構成系統，構成機器には夫々検出器が取り付けら
れており、これら検出器の時系列の検出信号２０は、事
象同定用データ装置７０に取り込まれる。これとは別
に、プラント１０の構成系統，構成機器からは夫々の系
統・機器の作動状態を示す論理信号３０が出力され、こ
の信号３０も事象同定用データ装置７０に取り込まれ
る。事象同定用データ装置７０の出力信号８０は事象同
定装置９０に送られ、ここで同定された異常事象を示す
信号１２０が記憶装置１３０に出力され、記憶装置１３
０からは該異常事象を示す画像データ及びその異常事象
に対する運転ガイド等を表示装置１４０に出力するよう
になっている。同定装置９０に内蔵されるニューラルネ
ットワークは、その特性を決めるための重み係数や閾値
等があり、これらは記憶装置１００内に格納されてい
る。また、同定装置９０が異常事象の特定をパターン認
識で行うための異常事象パターンは対応データテーブル
の形で外部記憶装置１１０に格納されている。
明する。図１は、本発明の一実施例に係るプラントの異
常時運転支援装置の構成図である。図１において、１０
は異常事象を同定する対象のプラントであり、本実施例
では、原子力発電プラントを対象とする。このプラント
１０の構成系統，構成機器には夫々検出器が取り付けら
れており、これら検出器の時系列の検出信号２０は、事
象同定用データ装置７０に取り込まれる。これとは別
に、プラント１０の構成系統，構成機器からは夫々の系
統・機器の作動状態を示す論理信号３０が出力され、こ
の信号３０も事象同定用データ装置７０に取り込まれ
る。事象同定用データ装置７０の出力信号８０は事象同
定装置９０に送られ、ここで同定された異常事象を示す
信号１２０が記憶装置１３０に出力され、記憶装置１３
０からは該異常事象を示す画像データ及びその異常事象
に対する運転ガイド等を表示装置１４０に出力するよう
になっている。同定装置９０に内蔵されるニューラルネ
ットワークは、その特性を決めるための重み係数や閾値
等があり、これらは記憶装置１００内に格納されてい
る。また、同定装置９０が異常事象の特定をパターン認
識で行うための異常事象パターンは対応データテーブル
の形で外部記憶装置１１０に格納されている。
【００１４】記憶装置１００に格納されている重み係数
や閾値等の特性データは、プラントに異常が発生してい
ない通常運転時に、同定装置９０のニューラルネットに
模擬信号を入力することで学習により求めている。この
為、シミュレータ４０が設けられ、入力装置を兼ねる表
示装置１４０から学習指令が入力されると、表示装置１
４０から切替信号１５０，１６０，１７０が夫々同定装
置９０，事象同定用データ装置７０，シミュレータ４０
に出力される。これにより、シミュレータ４０は、信号
２０，３０を模擬する時系列信号５０，論理信号６０を
事象同定用データ装置７０に出力し、事象同定装置７０
は信号２０，３０に基づく信号に代えて信号５０，６０
に基づく信号を信号８０として同定装置９０に出力す
る。同定装置９０は、この学習用の信号８０にて行った
学習結果を、記憶装置１００に格納するようになってい
る。
や閾値等の特性データは、プラントに異常が発生してい
ない通常運転時に、同定装置９０のニューラルネットに
模擬信号を入力することで学習により求めている。この
為、シミュレータ４０が設けられ、入力装置を兼ねる表
示装置１４０から学習指令が入力されると、表示装置１
４０から切替信号１５０，１６０，１７０が夫々同定装
置９０，事象同定用データ装置７０，シミュレータ４０
に出力される。これにより、シミュレータ４０は、信号
２０，３０を模擬する時系列信号５０，論理信号６０を
事象同定用データ装置７０に出力し、事象同定装置７０
は信号２０，３０に基づく信号に代えて信号５０，６０
に基づく信号を信号８０として同定装置９０に出力す
る。同定装置９０は、この学習用の信号８０にて行った
学習結果を、記憶装置１００に格納するようになってい
る。
【００１５】図２は、上述した構成の異常時運転支援装
置の動作手順を示すフローチャートである。先ず、ステ
ップ１ｅにて、ユーザの要求が学習モードであるか否か
を判断する。学習モードでなく異常事象同定モード（プ
ラントに異常が発生すると自動的にこの異常事象同定モ
ードになる。）の場合には、ステップ１ｅからステップ
１ａに進んで、事象同定用データ装置７０は検出器から
の時系列データ信号２０と、系統・機器の運転状態を示
す論理信号３０をそのまま取り込む。
置の動作手順を示すフローチャートである。先ず、ステ
ップ１ｅにて、ユーザの要求が学習モードであるか否か
を判断する。学習モードでなく異常事象同定モード（プ
ラントに異常が発生すると自動的にこの異常事象同定モ
ードになる。）の場合には、ステップ１ｅからステップ
１ａに進んで、事象同定用データ装置７０は検出器から
の時系列データ信号２０と、系統・機器の運転状態を示
す論理信号３０をそのまま取り込む。
【００１６】次ぎのステップ１ｂでは、論理信号３０か
ら、どの系統・機器がどのような作動状態にあるかの組
み合せを知る。そして、系統・機器の組み合せに対応し
て各検出器からの夫々の計測信号の組み合せを決める。
この決定は、予め定められた対応表（系統・機器の組み
合せ−計測信号の組み合せ）に基づいて行う。この対応
表は、系統・機器の作動状態からどの計測信号の上昇・
下降等の変化の兆候が大きくなるかを予め予測して決め
ておく。この計測信号の組み合せが決定されると、決定
された計測信号の夫々の時系列データ信号を事象同定用
データ装置７０から同定装置９０に出力する。
ら、どの系統・機器がどのような作動状態にあるかの組
み合せを知る。そして、系統・機器の組み合せに対応し
て各検出器からの夫々の計測信号の組み合せを決める。
この決定は、予め定められた対応表（系統・機器の組み
合せ−計測信号の組み合せ）に基づいて行う。この対応
表は、系統・機器の作動状態からどの計測信号の上昇・
下降等の変化の兆候が大きくなるかを予め予測して決め
ておく。この計測信号の組み合せが決定されると、決定
された計測信号の夫々の時系列データ信号を事象同定用
データ装置７０から同定装置９０に出力する。
【００１７】次ぎのステップ１ｃでは、同定装置９０が
事象同定用データ装置７０から送られてきた計測信号の
時系列データをニューラルネットに入力する。このとき
のニューラルネットの各ノードの重み係数や閾値等の特
性データは、記憶装置１００から前記の計測信号の組み
合せに対応する特性データを読み出して使用する。ニュ
ーラルネットから処理結果が出力されると、この処理結
果は記憶装置１１０に記憶されている異常事象パターン
と比較され、異常事象が同定される。この異常事象を示
す信号１２０が記憶装置１３０に出力されると、記憶装
置１３０からはこの異常事象を示す画データとその異常
事象に対する運転ガイドが表示装置１４０に表示され
（ステップ１ｄ）、本異常事象同定処理が終了する。
事象同定用データ装置７０から送られてきた計測信号の
時系列データをニューラルネットに入力する。このとき
のニューラルネットの各ノードの重み係数や閾値等の特
性データは、記憶装置１００から前記の計測信号の組み
合せに対応する特性データを読み出して使用する。ニュ
ーラルネットから処理結果が出力されると、この処理結
果は記憶装置１１０に記憶されている異常事象パターン
と比較され、異常事象が同定される。この異常事象を示
す信号１２０が記憶装置１３０に出力されると、記憶装
置１３０からはこの異常事象を示す画データとその異常
事象に対する運転ガイドが表示装置１４０に表示され
（ステップ１ｄ）、本異常事象同定処理が終了する。
【００１８】異常が生起した場合は、異常の原因である
異常事象毎に固有のパラメータが特有の時系列的な振舞
いで変化することが経験的に判っている。そこで、本実
施例では、上述した様に、異常が生起した時に特に注目
しなければならないパラメータ（計測信号）の組み合せ
をその時の系統・機器の作動状態の組み合せで予め決め
ておき、異常事象同定に有益な情報は残しニューラルネ
ットへの入力データ数を減少させる。
異常事象毎に固有のパラメータが特有の時系列的な振舞
いで変化することが経験的に判っている。そこで、本実
施例では、上述した様に、異常が生起した時に特に注目
しなければならないパラメータ（計測信号）の組み合せ
をその時の系統・機器の作動状態の組み合せで予め決め
ておき、異常事象同定に有益な情報は残しニューラルネ
ットへの入力データ数を減少させる。
【００１９】プラントの通常運転中に表示装置１４０か
らユーザが学習モードの選択指令を入力した場合には、
ステップ１ｅからステップ１ｆに進み、シミュレータ４
０が起動すると共に、事象同定用データ装置７０と同定
装置９０は学習モードに切り替わる。シミュレータ４０
が起動すると、シミュレータ４０は、プラントで想定さ
れる異常事象に対して各種の検出器の計測信号の模擬時
系列データ５０及び各系統・機器の作動状態信号の模擬
論理信号６０を生成する（ステップ１ｇ）。このデータ
５０の作成に際しては、異常時における原子力発電プラ
ントのパラメータの上昇傾向・下降傾向といった変化の
兆候が明確となるように、系統・機器の作動状態に基づ
く模擬論理信号６０に応じて作成する。これらの模擬信
号５０，６０は事象同定用データ装置７０に送られる。
事象同定用データ装置７０では、異常事象同定モードの
ときと同様に、事象同定用のデータ８０を生成し、同定
装置９０に出力する。
らユーザが学習モードの選択指令を入力した場合には、
ステップ１ｅからステップ１ｆに進み、シミュレータ４
０が起動すると共に、事象同定用データ装置７０と同定
装置９０は学習モードに切り替わる。シミュレータ４０
が起動すると、シミュレータ４０は、プラントで想定さ
れる異常事象に対して各種の検出器の計測信号の模擬時
系列データ５０及び各系統・機器の作動状態信号の模擬
論理信号６０を生成する（ステップ１ｇ）。このデータ
５０の作成に際しては、異常時における原子力発電プラ
ントのパラメータの上昇傾向・下降傾向といった変化の
兆候が明確となるように、系統・機器の作動状態に基づ
く模擬論理信号６０に応じて作成する。これらの模擬信
号５０，６０は事象同定用データ装置７０に送られる。
事象同定用データ装置７０では、異常事象同定モードの
ときと同様に、事象同定用のデータ８０を生成し、同定
装置９０に出力する。
【００２０】同定装置９０では、ニューラルネットを学
習モードで動作させて前記データ８０を入力データと
し、教師データ（図８参照）として記憶装置１１０に格
納されている異常事象パターン（対応データテーブルと
してニューラルネット出力パターンと異常事象パターン
が対応付けられている。）を与え、通常の誤差伝播アル
ゴリズム等により学習させる（ステップ１ｈ）。
習モードで動作させて前記データ８０を入力データと
し、教師データ（図８参照）として記憶装置１１０に格
納されている異常事象パターン（対応データテーブルと
してニューラルネット出力パターンと異常事象パターン
が対応付けられている。）を与え、通常の誤差伝播アル
ゴリズム等により学習させる（ステップ１ｈ）。
【００２１】次ぎに、模擬する事象を他の事象に変更し
（ステップ１ｊ）、ステップ１ｆに戻って以下のステッ
プ１ｇ，１ｈ，１ｉ，１ｊを同定する事象の数だけ繰り
返えす。この手順を事象同定装置９０が予め設定された
学習終了条件（二乗誤差小、所定学習回数終了）を満た
したとき（ステップ１ｉ）、学習結果としての重み係数
や閾値等を記憶装置１００に格納し（ステップ１ｋ）、
ステップ１ｅに戻る。図３は、事象同定用データ装置７
０の内部構成図である。切替スイッチ７０ｃは、切替信
号１６０に応じて計測信号２０，論理信号３０と学習用
模擬信号５０，６０を切り替える。入力してきた信号の
うち系統・機器の作動状態を示す論理信号３０あるいは
その模擬信号６０は、論理信号記録部７０ｃ−２に格納
され、時系列信号２０あるいはその模擬信号５０は時系
列信号記録部７０ｃ−１に格納される。７０ａ−２は出
力用の論理信号記録部であり、前記論理信号記録部７０
ｃ−２の内容がそのまま転送される。記録部７０ｃ−１
に記録された時系列データ信号２０はこの中から選択さ
れた種類の計測信号の時系列データ信号のみがサンプリ
ングされ、出力用の記録部７０ａ−１に移される。この
選択を行うために、論理信号３０或いは模擬論理信号６
０に応じて動作する計測信号サンプリング装置７０ａが
設けられている。このサンプリング装置７０ａは、前記
論理信号３０，６０に基づき、記憶装置７０ｂの格納デ
ータ（論理信号３０或いは模擬論理信号６０の組み合せ
に対応して格納されている計測信号の組み合せ）によ
り、異常事象の同定に必要な計測信号を選択する。
（ステップ１ｊ）、ステップ１ｆに戻って以下のステッ
プ１ｇ，１ｈ，１ｉ，１ｊを同定する事象の数だけ繰り
返えす。この手順を事象同定装置９０が予め設定された
学習終了条件（二乗誤差小、所定学習回数終了）を満た
したとき（ステップ１ｉ）、学習結果としての重み係数
や閾値等を記憶装置１００に格納し（ステップ１ｋ）、
ステップ１ｅに戻る。図３は、事象同定用データ装置７
０の内部構成図である。切替スイッチ７０ｃは、切替信
号１６０に応じて計測信号２０，論理信号３０と学習用
模擬信号５０，６０を切り替える。入力してきた信号の
うち系統・機器の作動状態を示す論理信号３０あるいは
その模擬信号６０は、論理信号記録部７０ｃ−２に格納
され、時系列信号２０あるいはその模擬信号５０は時系
列信号記録部７０ｃ−１に格納される。７０ａ−２は出
力用の論理信号記録部であり、前記論理信号記録部７０
ｃ−２の内容がそのまま転送される。記録部７０ｃ−１
に記録された時系列データ信号２０はこの中から選択さ
れた種類の計測信号の時系列データ信号のみがサンプリ
ングされ、出力用の記録部７０ａ−１に移される。この
選択を行うために、論理信号３０或いは模擬論理信号６
０に応じて動作する計測信号サンプリング装置７０ａが
設けられている。このサンプリング装置７０ａは、前記
論理信号３０，６０に基づき、記憶装置７０ｂの格納デ
ータ（論理信号３０或いは模擬論理信号６０の組み合せ
に対応して格納されている計測信号の組み合せ）によ
り、異常事象の同定に必要な計測信号を選択する。
【００２２】図４は、図３に示す事象同定用データ装置
７０の動作手順を示すフローチャートである。先ず、入
力装置１４０からユーザが学習指令を入力したか否かを
信号１６０により判定し（ステップ２ａ）、学習モード
でない場合にはステップ２ｂに進んで入力データを実プ
ラントのデータ２０，３０とすべく切替スイッチ７０ｃ
を信号１６０により切り換え、ステップ２ｄで実プラン
トデータ２０，３０を記録部７０ｃ−２，７０ｃ−１に
格納する。学習モードの場合には、ステップ２ｃにて入
力データを模擬データ５０，６０とすべく切替スイッチ
７０ｃを信号１６０により切り換え、ステップ２ｄにて
模擬データ５０，６０を夫々記録部７０ｃ−２，７０ｃ
−１に記録する。
７０の動作手順を示すフローチャートである。先ず、入
力装置１４０からユーザが学習指令を入力したか否かを
信号１６０により判定し（ステップ２ａ）、学習モード
でない場合にはステップ２ｂに進んで入力データを実プ
ラントのデータ２０，３０とすべく切替スイッチ７０ｃ
を信号１６０により切り換え、ステップ２ｄで実プラン
トデータ２０，３０を記録部７０ｃ−２，７０ｃ−１に
格納する。学習モードの場合には、ステップ２ｃにて入
力データを模擬データ５０，６０とすべく切替スイッチ
７０ｃを信号１６０により切り換え、ステップ２ｄにて
模擬データ５０，６０を夫々記録部７０ｃ−２，７０ｃ
−１に記録する。
【００２３】計測信号サンプリング装置７０ａは、次ぎ
のステップ２ｅで、論理信号３０（或いは模擬論理信号
６０）により時系列データ２０（或いは模擬時系列デー
タ５０）の中から予め決められている計測信号群の１つ
を選択し、ステップ２ｆで選択した計測信号群を記録部
７０ｃ−１から記録部７０ａ−１に移し、また、論理信
号（或いは模擬論理信号６０）を記録部７０ｃ−２から
記録部７０ａ−２に移す。そして、最後のステップ２ｇ
で、両記録部７０ａ−１，７０ａ−２の格納データを信
号８０として事象同定装置９０に出力する。
のステップ２ｅで、論理信号３０（或いは模擬論理信号
６０）により時系列データ２０（或いは模擬時系列デー
タ５０）の中から予め決められている計測信号群の１つ
を選択し、ステップ２ｆで選択した計測信号群を記録部
７０ｃ−１から記録部７０ａ−１に移し、また、論理信
号（或いは模擬論理信号６０）を記録部７０ｃ−２から
記録部７０ａ−２に移す。そして、最後のステップ２ｇ
で、両記録部７０ａ−１，７０ａ−２の格納データを信
号８０として事象同定装置９０に出力する。
【００２４】記録部７０ｃ−２の格納データを記録部７
０ａ−２に移す場合に、事象同定用データ装置７０は、
時系列的に当該計測信号が上昇，下降等の変化を伴って
いるときは、その変化を増幅して記録部７０ａ−２に移
す。これを図５により説明する。
０ａ−２に移す場合に、事象同定用データ装置７０は、
時系列的に当該計測信号が上昇，下降等の変化を伴って
いるときは、その変化を増幅して記録部７０ａ−２に移
す。これを図５により説明する。
【００２５】今、プラントを構成する系統がＡ，Ｂの２
系統であるとする。そして、異常が発生したときの系統
作動状態としては、系統Ｂに故障が生じ、系統Ａは正常
であったとする。このとき、プラントから得られる全計
測信号としてＣ，Ｄ，Ｅ，Ｆ，Ｇ，Ｈがあるとする。図
５（ａ）で、系統の作動状態の組み合せで選択される計
測信号の組み合わせは（Ｃ，Ｄ，Ｅ，Ｆ）であり、この
うち、計測信号Ｃは徐々に上昇し、計測信号Ｆは徐々に
下降しているとする。本実施例では、計測信号Ｃ，Ｄ，
Ｅ，Ｆが記録部７０ａ−２に転送されるときに信号Ｃ，
Ｆに代えてその変化の度合を増幅した信号Ｘ，Ｙを記録
部７０ａ−２に格納する。これにより、変化の兆候が明
確になり、ニューラルネットによる処理が速くなり且つ
求めた解の精度が高くなる。上記の例とは逆に、図５
（ｂ）に示す様に、系統Ａが故障で系統Ｂが正常であっ
たとする。この場合には別の計測信号の組み合せ（Ｄ，
Ｆ，Ｇ，Ｈ）が選択され、信号Ｄ，Ｈが変化している時
には、その変化分を増幅した信号Ｘ’，Ｙ’が使われ
る。
系統であるとする。そして、異常が発生したときの系統
作動状態としては、系統Ｂに故障が生じ、系統Ａは正常
であったとする。このとき、プラントから得られる全計
測信号としてＣ，Ｄ，Ｅ，Ｆ，Ｇ，Ｈがあるとする。図
５（ａ）で、系統の作動状態の組み合せで選択される計
測信号の組み合わせは（Ｃ，Ｄ，Ｅ，Ｆ）であり、この
うち、計測信号Ｃは徐々に上昇し、計測信号Ｆは徐々に
下降しているとする。本実施例では、計測信号Ｃ，Ｄ，
Ｅ，Ｆが記録部７０ａ−２に転送されるときに信号Ｃ，
Ｆに代えてその変化の度合を増幅した信号Ｘ，Ｙを記録
部７０ａ−２に格納する。これにより、変化の兆候が明
確になり、ニューラルネットによる処理が速くなり且つ
求めた解の精度が高くなる。上記の例とは逆に、図５
（ｂ）に示す様に、系統Ａが故障で系統Ｂが正常であっ
たとする。この場合には別の計測信号の組み合せ（Ｄ，
Ｆ，Ｇ，Ｈ）が選択され、信号Ｄ，Ｈが変化している時
には、その変化分を増幅した信号Ｘ’，Ｙ’が使われ
る。
【００２６】図６は、事象同定装置９０の内部構成図で
あり、図７は、事象同定装置９０での処理手順を示すフ
ローチャートである。事象同定装置９０は、ニューラル
ネットワークの処理を行う同定演算処理装置９０ｃと、
入力装置１４０からのユーザの指令信号１５０により学
習モード，異常事象同定モードを切り替る切替スイッチ
９０ｄと、ニューラルネットの出力パターンと記憶装置
１１０内のパターンとの照合を行うパターン照合装置９
０ｂを備える。信号１５０が異常事象同定モードを示す
場合には、図７のステップ３ａの判定結果が否定となっ
てステップ３ｂに進む（このステップ３ａの判定結果に
より、切替スイッチ９０ｄが同定側となる。）。ステッ
プ３ｂで、同定演算処理装置９０ｃは、事象同定データ
装置７０から送られてくる信号８０中の論理信号（記録
部７０ａ−１からの信号）に基づき記憶装置１１０から
該論理信号に対応するニューラルネットの特性データ１
００ａを読み出し、次ぎのステップ３ｃで、信号８０中
の計測信号をニューラルネットの入力層に入力する。
あり、図７は、事象同定装置９０での処理手順を示すフ
ローチャートである。事象同定装置９０は、ニューラル
ネットワークの処理を行う同定演算処理装置９０ｃと、
入力装置１４０からのユーザの指令信号１５０により学
習モード，異常事象同定モードを切り替る切替スイッチ
９０ｄと、ニューラルネットの出力パターンと記憶装置
１１０内のパターンとの照合を行うパターン照合装置９
０ｂを備える。信号１５０が異常事象同定モードを示す
場合には、図７のステップ３ａの判定結果が否定となっ
てステップ３ｂに進む（このステップ３ａの判定結果に
より、切替スイッチ９０ｄが同定側となる。）。ステッ
プ３ｂで、同定演算処理装置９０ｃは、事象同定データ
装置７０から送られてくる信号８０中の論理信号（記録
部７０ａ−１からの信号）に基づき記憶装置１１０から
該論理信号に対応するニューラルネットの特性データ１
００ａを読み出し、次ぎのステップ３ｃで、信号８０中
の計測信号をニューラルネットの入力層に入力する。
【００２７】同定演算処理装置９０ｃでの演算が終了し
出力９０ａがあると、記憶装置１１０の出力パターン異
常事象対応テーブルから照合装置９０ｂにデータを取り
込み（ステップ３ｅ）、ニューラルネット出力９０ｂと
のパターン照合を行い（ステップ３ｆ）、一致する出力
パターンを検出しこれを結果１２０として出力する。こ
の結果１２０は記憶装置１３０に送られ、記憶装置１３
０に格納されている当該結果（異常事象）に対応する運
転ガイド等が表示装置１４０に表示される（ステップ３
ｇ）。
出力９０ａがあると、記憶装置１１０の出力パターン異
常事象対応テーブルから照合装置９０ｂにデータを取り
込み（ステップ３ｅ）、ニューラルネット出力９０ｂと
のパターン照合を行い（ステップ３ｆ）、一致する出力
パターンを検出しこれを結果１２０として出力する。こ
の結果１２０は記憶装置１３０に送られ、記憶装置１３
０に格納されている当該結果（異常事象）に対応する運
転ガイド等が表示装置１４０に表示される（ステップ３
ｇ）。
【００２８】ステップ３ａでの判定結果が学習モードの
場合には、切替スイッチ９０ｄが学習モード側となっ
て、照合装置９０ｂは信号８０中に含まれる模擬論理信
号に対応した出力パターン９０ａを記憶装置１１０から
読み出しこれをニューラルネットに教師データとして与
える（ステップ３ｈ）。そして、信号８０中に含まれる
模擬計測信号をこのニューラルネットに入力する（ステ
ップ３ｉ）。これらの入力により、ニューラルネットは
学習を行って重み係数や閾値等の特性データの修正を行
い（ステップ３ｊ）、その後に学習条件を満たしたか否
かを判定し（ステップ３ｋ）、満たしていない場合には
ステップ３ｌで別の異常事象の学習を選択してステップ
３ｈに戻り、以下の処理ステップ３ｉ，３ｊ，３ｋ，３
ｌを繰り返す。学習条件を満たしたときは、ステップ３
ｋからステップ３ｍに進んで学習後の特性データ１００
ｂを記憶装置１００に格納して、事象同定装置９０の実
行開始時点に戻って待機する。
場合には、切替スイッチ９０ｄが学習モード側となっ
て、照合装置９０ｂは信号８０中に含まれる模擬論理信
号に対応した出力パターン９０ａを記憶装置１１０から
読み出しこれをニューラルネットに教師データとして与
える（ステップ３ｈ）。そして、信号８０中に含まれる
模擬計測信号をこのニューラルネットに入力する（ステ
ップ３ｉ）。これらの入力により、ニューラルネットは
学習を行って重み係数や閾値等の特性データの修正を行
い（ステップ３ｊ）、その後に学習条件を満たしたか否
かを判定し（ステップ３ｋ）、満たしていない場合には
ステップ３ｌで別の異常事象の学習を選択してステップ
３ｈに戻り、以下の処理ステップ３ｉ，３ｊ，３ｋ，３
ｌを繰り返す。学習条件を満たしたときは、ステップ３
ｋからステップ３ｍに進んで学習後の特性データ１００
ｂを記憶装置１００に格納して、事象同定装置９０の実
行開始時点に戻って待機する。
【００２９】図８は、出力パターンつまり学習モードで
用いる教師データと異常事象との対応を示す図である。
ニューラルネットワークからの出力は、数値、それも多
くの場合は“０”，“１”の値で出力されるので、図８
にある出力パターンに対応したパターンを与える表を作
成しておく必要がある。
用いる教師データと異常事象との対応を示す図である。
ニューラルネットワークからの出力は、数値、それも多
くの場合は“０”，“１”の値で出力されるので、図８
にある出力パターンに対応したパターンを与える表を作
成しておく必要がある。
【００３０】上述した実施例によれば、系統・機器の作
動状態の組み合せに応じてパラメータ群を代えること
で、異常事象特有の兆候を素早く捉えることができ、事
象の誤認識を減少させることが可能となる。
動状態の組み合せに応じてパラメータ群を代えること
で、異常事象特有の兆候を素早く捉えることができ、事
象の誤認識を減少させることが可能となる。
【００３１】
【発明の効果】本発明によれば、系統・機器の作動状態
に応じて予め定められた計測信号のみを用いるので、入
力データ数を減らし、ニューラルネット処理の処理速度
の向上を図ることが可能となる。
に応じて予め定められた計測信号のみを用いるので、入
力データ数を減らし、ニューラルネット処理の処理速度
の向上を図ることが可能となる。
【００３２】また、ニューラルネットへの入力データの
うち変化のあるものはその変化を増幅して入力するの
で、ニューラルネットの各ノードの判定の動作の安定を
図ると共にそれに要する時間を短くし、処理速度の向上
及び処理結果の精度，信頼度を向上させることが可能と
なる。
うち変化のあるものはその変化を増幅して入力するの
で、ニューラルネットの各ノードの判定の動作の安定を
図ると共にそれに要する時間を短くし、処理速度の向上
及び処理結果の精度，信頼度を向上させることが可能と
なる。
【００３３】更に、ニューラルネットを予め対応する計
測信号の模擬信号にて学習させておき、学習結果を計測
信号の組み合せ毎に記憶装置に格納しておくので、異常
発生時に入力データとする計測信号の組み合せを求める
と共にこの組み合せ対応の学習結果にてニューラルネッ
トを動作させることができ、ニューラルネットが出力す
るまでの時間を速めることが可能となる。
測信号の模擬信号にて学習させておき、学習結果を計測
信号の組み合せ毎に記憶装置に格納しておくので、異常
発生時に入力データとする計測信号の組み合せを求める
と共にこの組み合せ対応の学習結果にてニューラルネッ
トを動作させることができ、ニューラルネットが出力す
るまでの時間を速めることが可能となる。
【図１】本発明の一実施例に係るプラントの異常時運転
支援装置の構成図である。
支援装置の構成図である。
【図２】図１に示す異常時運転支援装置の処理手順を示
すフローチャートである。
すフローチャートである。
【図３】図１に示す事象同定用データ装置の内部構成図
である。
である。
【図４】図３に示す事象同定用データ装置の処理手順を
示すフローチャートである。
示すフローチャートである。
【図５】計測信号の変化の増幅を説明するグラフであ
る。
る。
【図６】図１に示す事象同定装置の内部構成図である。
【図７】図６に示す事象同定装置の処理手順を示すフロ
ーチャートである。
ーチャートである。
【図８】ニューラルネットの出力パターン（教師デー
タ）と異常事象との対応関係図である。
タ）と異常事象との対応関係図である。
１０…プラント、２０…実プラントからの計測信号、３
０…系統・機器の作動状態を示す論理信号、４０…シミ
ュレータ、５０…模擬計測信号、６０…模擬論理信号、
７０…事象同定用データ装置、８０…事象同定用デー
タ、９０…事象同定装置、９０ｂ…パターン照合装置、
９０ｃ…ニューラルネットワークを用いた同定演算処理
装置、１００，１１０…外部記憶装置、１４０…表示装
置兼入力装置。
０…系統・機器の作動状態を示す論理信号、４０…シミ
ュレータ、５０…模擬計測信号、６０…模擬論理信号、
７０…事象同定用データ装置、８０…事象同定用デー
タ、９０…事象同定装置、９０ｂ…パターン照合装置、
９０ｃ…ニューラルネットワークを用いた同定演算処理
装置、１００，１１０…外部記憶装置、１４０…表示装
置兼入力装置。
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G01D 21/00 G05B 23/02 302 G21C 17/00 G05B 13/02
Claims (5)
- 【請求項１】 プラントの各種計測信号を入力データと
し、前記プラントに異常が発生したときこの異常事象を
同定する信号を出力するニューラルネットを備えるプラ
ントの異常時運転支援装置において、プラントを構成す
る各種系統・機器の組み合せに対応して診断に用いる計
測信号の組み合せを予め決めておき、プラント異常発生
時の前記各種系統・機器の作動状態から系統・機器の組
み合せを求め、この系統・機器の組み合せから前記計測
信号の組み合せを求め、この計測信号の組み合せをニュ
ーラルネットの前記入力データとすることを特徴とする
プラントの異常時運転支援方法。 - 【請求項２】 プラントの各種計測信号を入力データと
し、前記プラントに異常が発生したときこの異常事象を
同定する信号を出力するニューラルネットを備えるプラ
ントの異常時運転支援装置において、プラントを構成す
る各種系統・機器の組み合せに対応して診断に用いる計
測信号の組み合せを予め決めておき、計測信号の組み合
せに対応して予め前記ニューラルネットを学習させ該ニ
ューラルネットの特性を決める重み係数・閾値を求めて
記憶装置に格納しておき、プラント異常発生時の前記各
種系統・機器の作動状態から系統・機器の組み合せを求
め、この系統・機器の組み合せから対応する計測信号の
組み合せを求め、この計測信号の組み合せを該計測信号
の組み合せに対応する特性にて動作するニューラルネッ
トの前記入力データとすることを特徴とするプラントの
異常時運転支援方法。 - 【請求項３】 プラントの各種計測信号を入力データと
し、前記プラントに異常が発生したときこの異常事象を
同定する信号を出力するニューラルネットを備えるプラ
ントの異常時運転支援装置において、プラントを構成す
る各種系統・機器の組み合せに対応して診断に用いる計
測信号の組み合せを予め決めておき、プラント異常発生
時の前記各種系統・機器の作動状態から系統・機器の組
み合せを求め、この系統・機器の組み合せから前記計測
信号の組み合せを求め、この計測信号の組み合せをニュ
ーラルネットの前記入力データとすると共に、該入力デ
ータ中に変化のあるデータは該変化を増幅したデータを
前記入力データとすることを特徴とするプラントの異常
時運転支援方法。 - 【請求項４】 請求項１乃至請求項３のいずれかにおい
て、プラントを構成する各種系統・機器の組み合せに対
応して予め決めておく計測信号の組み合せは、異常事象
毎に変動の大きい計測信号の組み合せとすることを特徴
とするプラントの異常時運転支援方法。 - 【請求項５】 プラントの各種計測信号を入力データと
し、前記プラントに異常が発生したときこの異常事象を
同定する信号を出力するニューラルネットを備えるプラ
ントの異常時運転支援装置において、プラントを構成す
る各種系統・機器の組み合せに対応して診断に用いる計
測信号の組み合せを予め決めておきプラント異常発生時
の前記各種系統・機器の作動状態から系統・機器の組み
合せを求める手段と、求めた系統・機器の組み合せから
対応する計測信号の組み合せを求めた計測信号の組み合
せをニューラルネットの前記入力データとする手段とを
備えることを特徴とするプラントの異常時運転支援装
置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03216992A JP3087974B2 (ja) | 1991-08-28 | 1991-08-28 | プラントの異常時運転支援方法及びその装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP03216992A JP3087974B2 (ja) | 1991-08-28 | 1991-08-28 | プラントの異常時運転支援方法及びその装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0552607A JPH0552607A (ja) | 1993-03-02 |
| JP3087974B2 true JP3087974B2 (ja) | 2000-09-18 |
Family
ID=16697117
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP03216992A Expired - Fee Related JP3087974B2 (ja) | 1991-08-28 | 1991-08-28 | プラントの異常時運転支援方法及びその装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3087974B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102095653B1 (ko) * | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
| WO2022114634A1 (ko) * | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6717555B1 (ja) * | 2019-03-27 | 2020-07-01 | 三菱ロジスネクスト株式会社 | 通知機能を備えたトラブルシューティングシステム |
| JP2022117290A (ja) * | 2021-01-29 | 2022-08-10 | 三菱重工業株式会社 | 対処法提示システム、対処法提示方法およびプログラム |
-
1991
- 1991-08-28 JP JP03216992A patent/JP3087974B2/ja not_active Expired - Fee Related
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102095653B1 (ko) * | 2018-10-12 | 2020-03-31 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
| WO2020076081A1 (ko) * | 2018-10-12 | 2020-04-16 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 운전 상태 판단 장치 및 방법 |
| EP3866177A4 (en) * | 2018-10-12 | 2022-06-01 | Korea Hydro & Nuclear Power Co., Ltd | DEVICE AND METHOD FOR DETERMINING ABNORMAL DRIVING STATE USING A NEURONAL NETWORK MODEL |
| WO2022114634A1 (ko) * | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
| KR20220072533A (ko) * | 2020-11-25 | 2022-06-02 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
| KR102537723B1 (ko) * | 2020-11-25 | 2023-05-26 | 한국수력원자력 주식회사 | 신경망 모델을 이용한 비정상 상태 판단 근거 추적 장치 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0552607A (ja) | 1993-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6243696B1 (en) | Automated method for building a model | |
| US6879971B1 (en) | Automated method for building a model | |
| US20210035001A1 (en) | Causation estimation apparatus, causation estimation method and program | |
| Knegtering et al. | Application of micro Markov models for quantitative safety assessment to determine safety integrity levels as defined by the IEC 61508 standard for functional safety | |
| JPH08234832A (ja) | プラント監視診断装置および方法 | |
| CN115640159A (zh) | 一种微服务故障诊断方法及系统 | |
| JP3087974B2 (ja) | プラントの異常時運転支援方法及びその装置 | |
| CN111079348B (zh) | 一种缓变信号检测方法和装置 | |
| Anaissi et al. | Multi-objective variational autoencoder: an application for smart infrastructure maintenance | |
| Gharehbaghi et al. | A novel approach for deterioration and damage identification in building structures based on Stockwell-Transform and deep convolutional neural network | |
| CN114860542A (zh) | 趋势预测模型的优化方法、优化装置、电子设备和介质 | |
| CN108415819A (zh) | 一种硬盘故障追踪方法和装置 | |
| CN116627116A (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| Rao et al. | A hybrid technique to enhance the performance of recurrent neural networks for time series prediction | |
| JP3012297B2 (ja) | 異常事象同定方法及び装置 | |
| Buceti et al. | Automatic validation of the five-channel DCN interferometer in ENEA-FTU based on soft-computing techniques | |
| CN115221942A (zh) | 一种基于时序融合和神经网络的设备缺陷预测方法及系统 | |
| JPH1124545A (ja) | プラント模擬装置 | |
| CN112348175A (zh) | 一种基于强化学习来进行特征工程的方法 | |
| Suahati et al. | Academic early warning system: At-risk student prediction using artificial neural network | |
| JP2585457B2 (ja) | 最適性判定装置を付加した電子線描画装置 | |
| CN117349770B (zh) | 一种结构健康监测多应变传感器数据异常检测与修复方法 | |
| JPH0490076A (ja) | 医用画像特徴抽出方法 | |
| JP3201001B2 (ja) | プロセス制御における自己回帰モデルの無駄時間処理装置 | |
| JP2002024052A (ja) | コンピュータ周辺機器のエラー再現試験方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |