JP3718765B2 - プラント診断装置 - Google Patents
プラント診断装置 Download PDFInfo
- Publication number
- JP3718765B2 JP3718765B2 JP2001230153A JP2001230153A JP3718765B2 JP 3718765 B2 JP3718765 B2 JP 3718765B2 JP 2001230153 A JP2001230153 A JP 2001230153A JP 2001230153 A JP2001230153 A JP 2001230153A JP 3718765 B2 JP3718765 B2 JP 3718765B2
- Authority
- JP
- Japan
- Prior art keywords
- plant
- signal
- independent
- independent signal
- display device
- 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 - Lifetime
Links
Images
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
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明はプラント診断装置に係り、特に複数のプラントから得られる観測値を用いて、プラントの現在の状態を診断するとともに、将来の状態も予測するプラント診断装置に関する。
【０００２】
【従来の技術】
プラントから得られる各観測値は相関関係が複雑であるため、各観測値の波形から変動要因を特定することは難しい。
【０００３】
そこで、従来では、各観測値に対して、特徴を抽出できるような処理を施した後、診断や予測をすることが提案されている。例えば、特開平８−２２１１１７号公報には、自己相似性の高い信号を抽出するためにフラクタル次元を用いる方法や、信号の歪度を計算し、その絶対値が０に近い場合には、正規分布に近いため複雑度を低くし、逆に歪度の絶対値が０に近くない場合には、正規分布から外れるため複雑度を高くし、信号のゆらぎ成分を抽出する方法が示されている。
【０００４】
また、特開平８−３０４１２５号公報には、信号を周波数解析し、正常時の周波数解析結果と比較することで、異常を検知する方法が示されている。
【０００５】
【発明が解決しようとする課題】
しかしながら、上記従来技術では、観測値の変動をゆらぎと捉え、このゆらぎを検知することで異常を検出するようにしており、ゆらぎが生じた要因まで特徴付けられるような方法は考慮されていない。
【０００６】
プラントから得られる各観測値の相関関係は複雑であるため、変動要因までも考慮した過去データとの比較は困難である。例えば、原子力発電プラントの水質管理を行う上で、放射線量に直接影響を及ぼすＣｏイオン濃度を監視することは非常に重要であるが、上記従来技術では、Ｃｏイオン濃度が変動した事は検知できるが、どのような要因からＣｏイオン濃度が変動したのかは判らない。このような問題は、保全の観点から非常に重要な課題である。
【０００７】
本発明の目的は、プラントの観測値が変動した場合、その変動要因を考慮した幅広い診断を行うことのできるプラント診断装置を提供することにある。
【０００８】
【課題を解決するための手段】
上記目的を達成するために、本発明は、複数のプラントの状態を測定するとともに、その測定信号を用いて各プラントの状態を診断するプラント診断装置において、測定信号を取り込んで測定信号を独立な信号に分解する信号解析装置と、信号解析装置から出力された独立な信号や関連する情報を自プラント及び他プラント毎に保存するとともに、プラント異常時の原因データを保存するデータベースと、信号解析装置から出力された独立な信号とデータベースに保存された独立な信号とを比較する比較装置と、その比較結果に基づいてプラントの状態を診断する診断装置と、その診断結果を表示する診断結果表示装置と、比較装置での比較結果に基づいて、信号解析装置から出力された独立な信号に類似する他プラントの独立な信号をデータベースから取り込んで、他プラントの独立な信号を自プラントの独立な信号に変換する変換装置と、信号解析装置から出力された自プラントの独立な信号と変換装置により変換された独立な信号とが入力され、切換操作によって、前記入力された２種類の独立な信号のどちらか一方を選択する切換装置と、選択された独立な信号を取り込んで、自プラントの挙動を予測したプラントモデルを出力する予測手段と、予測手段の出力結果を表示する予測結果表示装置とを備えたことを特徴としている。
【０００９】
上記構成によれば、プラントの測定信号を独立な信号に分解し、その分解した独立な信号とデータベースに保存された独立な信号とを比較することにより、変動があった信号の変動要因を考慮して他プラントのデータを自プラントのデータに変換することができ、診断の幅を広げることができる。また、比較装置と変換装置によって、自プラントの予測や他プラントで発生した異常を自プラントで模擬することもできる。
【００１０】
信号解析装置は、独立成分解析を用いて測定信号を独立な信号に分解する。
データベースには、プラント正常時のデータとして、信号解析装置から出力された独立な信号と計算中に用いた変数及び平均値と分散値が、プラント異常時のデータとして、信号解析装置から出力された独立な信号と計算中に用いた変数が、プラント異常時の原因データとして、事故原因、事故の内容や対応策が、それぞれ最低限保存されている。
【００１１】
比較装置は、信号解析装置から出力された独立な信号を統計的に処理するとともに、自プラントの独立な信号とデータベースから取り込んだ他プラントの独立な信号との類似度を判定する。
【００１２】
比較装置での比較結果を表示する比較結果表示装置が設けられ、比較結果表示装置には、自プラントの独立な信号に対応する他プラントの独立な信号と、その他プラントの類似度とが表示される。
【００１３】
比較結果表示装置、診断結果表示装置および予測結果表示装置は、それぞれ独立した表示装置、同一の表示装置、または２つの表示装置がそれぞれ組み合わされた表示装置によって構成されている。
【００１４】
診断装置は、比較装置で統計的に処理された結果からプラントの正常・異常を判定する判定手段と、判定手段により異常と判定した場合又は比較装置によって類似度が高いと判定された場合に、データベースよりプラント異常の原因や対策を検索する検索手段とを有する。
【００１５】
変換装置は、他プラントの独立な信号を自プラントの独立な信号に変換するシステムを同定する同定手段と、同定されたシステムにより他プラントの独立な信号を自プラントの独立な信号に変換する変換手段とを有する。
【００１６】
予測手段は、複数のプラントモデルを保存したモデルデータベースを含み、モデルデータベースより該当するプラントモデルを抽出するとともに、切換装置によって選択された独立な信号を入力し、プラントモデルの出力値をデータベースより得られる独立成分解析の計算中に用いられた変数を使ってプラントの観測値データに変換する。
【００１７】
【発明の実施の形態】
以下、本発明の実施の形態について図面を参照して説明する。
（実施の形態１）
図１は、本発明に係るプラント診断装置の全体構成を示している。本プラント診断装置には信号解析装置１０が設けられ、この信号解析装置１０は、入力された観測値データ１を独立な信号に分解し、その分解した独立な信号を出力する。独立な信号は比較装置２０に入力され、比較装置２０は、過去事例が収録された過去事例データベース６０内の信号と信号解析装置１０から出力された独立な信号とを比較し、その比較結果を出力する。比較結果は比較結果表示装置１３０に表示される。比較装置２０での比較結果は診断装置３０に入力され、診断装置３０は比較結果により診断を実施する。その診断結果は診断結果表示装置４０に表示される。
【００１８】
また、変換装置５０が設けられ、この変換装置５０は、信号解析装置１０から出力される自プラントの独立な信号、比較装置２０から出力される比較結果、及び過去事例データベース６０内の信号を用いて、類似する他プラントの独立な信号を自プラントの独立な信号に変換する。他プラントの独立な信号を自プラントの独立な信号に変換した信号は予測機能切換装置７０に入力される。予測機能切換装置７０は、変換装置５０から入力した前記信号および信号解析装置１０から出力される自プラントの独立な信号のどちらかを、機能切換指令１２０に応じて選択する。
【００１９】
予測機能切換装置７０で選択された信号はモデル８０に入力され、モデル８０は、その入力信号に基づいて、モデルデータベース１００より該当するプラントモデルを抽出し、それを予測信号として出力する。その予測信号は予測結果表示装置９０に取り込まれ、予測表示装置９０に表示される。本実施の形態では、モデル８０及びモデルデータベース１００は予測手段を構成している。
【００２０】
なお、変換装置５０では、信号を変換するための関数を学習により同定しなければならないため、モード切換指令１１０により、学習モードと変換モードを切換えることで実現している。また、過去事例データベース６０には、図４に示すように、各プラント毎に正常時データ６１、異常時データ６２、原因データ６３がそれぞれ格納されている。
【００２１】
次に、診断と予測に関する動作についてそれぞれ説明する。
初めに、診断に関する動作について説明する。プラント設備に設けられたセンサにより得られる観測値データ１をフロッピーディスクや光磁気ディスクなどの記憶媒体や、専用又は一版電話回線、イーサネットなどのインターネット技術を用いて信号解析装置１０に入力する。
【００２２】
信号解析装置１０では、入力された観測値データ１を独立な信号に分解する。分解するためのアルゴリズムは、独立成分解析を用いる。アルゴリズムは、以下の数式（１）〜（４）を用いる。
【００２３】
【数１】
【００２４】
【数２】
【００２５】
【数３】
【００２６】
【数４】
【００２７】
ここで、ｙ(t)は時間ｔでの独立な信号をベクトル表現したもの、ｘ(t)は時間ｔでの観測値データをベクトル表現したもの、Ｗは観測値データを独立な信号に変換する行列、ΔＷ(t)は時間ｔでの行列の更新量、ΔＷｉｊ(t)は第ｉ行第ｊ列の行列の要素の更新量、ηｔは時間ｔでの更新ステップ、ｙｉ(t),ｙｊ(t)はそれぞれ時間ｔでのベクトルｙ(t)の要素、ｃは正の定数である。
【００２８】
数式（１）は、問題の定式化を表している。つまり、観測値データを行列Ｗによって独立な信号に変換することを意味している。この独立な信号を実現するように、行列Ｗを数式（２）のように更新していく。行列Ｗの各要素の更新量は、数式（３）によって与えられる。また、更新ステップは数式（４）によって定義され、時間が進むにつれて行列Ｗが収束するようになっている。
【００２９】
次に、このようなアルゴリズムで観測値データを独立な信号に分解できることについて説明する。行列Ｗが収束するまでアルゴリズムを繰り返していくと、数式（３）はゼロに収束していく。これは、数式（３）の右辺の期待値が０になることと等価であるから、Ｅ[ｙｉ ３ｙｊ]＝０がいえる。ｙｊが一番初めに作られるとすれば、当然独立であるため、その平均値を０とすれば（０でなければ、その分をバイアスとして引いておけばよい）、期待値 Ｅ[ｙｊ]＝０となる。これより、Ｅ[ｙｉ ３]Ｅ[ｙｊ]＝０となる。つまり、Ｅ[ｙｉ ３ｙｊ]＝Ｅ[ｙｉ ３]Ｅ[ｙｊ]となる。この式が成立するのは、ｙｉとｙｊが独立である場合だけである。よって、上記のアルゴリズムより、観測値データを独立な信号に分解できる。
【００３０】
次に、比較装置２０の動作を図２を用いて説明する。
図２に示すように、比較装置２０は、自プラントモード２１と他プラントモードの２種類の機能を有する。
【００３１】
自プラントモード２１では、自プラントの異常診断をするための処理を行う。具体的には、過去事例データベース６０内の正常時データから平均値と分散値を取得し、これを正規化ガウス分布２２にセットした後、信号解析装置１０から出力される独立な信号を入力し、正規化ガウス分布の出力値２３を得る。
【００３２】
他プラントモード２４では、自プラントの独立な信号と他プラントの独立な信号を類似度計算２５に入力する。具体的には、以下の数式（５）に示す相互情報量を用いて計算する。
【００３３】
【数５】
【００３４】
ここで、Ｉ(Ｘ１；Ｘ２)はＸ１とＸ２の相互情報量、Ｈ(Ｘ１)はＸ１のエントロピー、Ｈ(Ｘ１｜Ｘ２)はＸ２に対するＸ１の条件付きエントロピーである。数式（５）の右辺は、Ｘ２が持っているＸ１に関する情報の量を表している。このことから、相互情報量Ｉ(Ｘ１；Ｘ２)が０になるということは、Ｘ２がＸ１の情報を持っていないという事になるので、Ｘ１とＸ２は独立であるといえる。つまり、類似性がないという事になる。
【００３５】
上記のように類似度計算２５の結果をしきい値判定２６に入力する。しきい値判定２６では、相互情報量が設定されたしきい値よりも小さければ、類似性がないと判定し、しきい値よりも大きければ類似性があると判定する。類似性があると判定された独立な信号の組合せを類似独立信号の組合せデータ２７とする。
【００３６】
比較結果表示装置１３０では、その組合せデータをユーザに表示するための装置である。図６に、その比較結果の表示例を示す。この例では、自プラントの独立な信号が、ＸプラントとＹプラントの独立な信号とそれぞれどれくらいの類似度があるのかを示している。例えば、自プラントの第１信号は、Ｘプラントの第３信号に対して類似度０.７２、Ｙプラントの第２信号に対して類似度０.９２であり、自プラントの第２信号は、Ｘプラントの第１信号に対して類似度０.８４、Ｙプラントの第３信号に対して類似度０.２５であり、自プラントの第３信号は、Ｘプラントの第５信号に対して類似度０.８９、Ｙプラントの第１信号に対して類似度０.１１である。
【００３７】
次に、診断装置３０について図３を用いて説明する。自プラントモード２１の場合、比較装置２０からは正規化ガウス分布の出力値２３が出力される。そして、この出力値２３が、あるしきい値よりも大きいか否かで、プラント状態の正常又は異常が判定される。すなわち、正規化ガウス分布の出力値２３が、あるしきい値よりも大きいときは、正常値の分布よりも離れていないということで、しきい値判定３１によって、プラント状態が正常と判定される。その結果は診断結果表示装置４０に送られる。逆に、あるしきい値よりも小さいときは、正常値の分布よりも離れているということで、しきい値判定３１によって、プラント状態が異常と判定される。異常と判断した場合は、異常事例検索３２は過去事例データベース６０内の原因データ６３（図４参照）にアクセスし、異常原因を探索する。その結果は診断結果表示装置４０に送られる。
【００３８】
また、他プラントモード２４の場合、比較装置２０からは類似独立信号の組合せデータ２７が出力される。この場合には、類似独立信号抽出３３によって、異常と診断された独立な信号と類似な他プラントの独立な信号を類似独立信号の組合せデータ２７の中から抽出される。対応する他プラントの独立な信号があれば、異常事例検索３２によって、過去事例データベース６０内にある原因データ６３から該当する原因が抽出され、その結果は診断結果表示装置４０に送られる。
【００３９】
診断結果表示装置４０では、診断装置３０から送られてきた結果を、ＣＲＴなどの表示装置を用いて表示する。
【００４０】
また、正常と判定された場合には、その判定結果は過去事例データベース６０内の正常時データ６１に、異常と判定された場合には、その判定結果は過去事例データベース６０内の原因データ６３にそれぞれ格納される。
【００４１】
図７及び図８に異常時の表示例を示す。図７は正常時データ６１と比較した時、第２信号が正常な分布から逸脱し異常となった場合である。このとき、現在の独立な信号のデータと正常時の独立な信号のデータが対比して表示される。そして、詳細ボタン２００をクリックすれば、過去事例データベース６０から参照された原因等が表示される。
【００４２】
図８は他プラントの類似する独立な信号を用いて、過去事例データベース６０に参照した結果の表示例である。この例では、自プラントの独立な信号のうち第３信号が異常の原因となっており、比較装置２０によって、類似度が高いと判定されたＸプラントの独立な信号のうちの第５信号を基にして、過去の異常事例を過去事例データベース６０より参照した結果である。対策ボタン２０１を押せば、過去の対応策が表示される。
【００４３】
次に、本実施の形態において、予測に関する動作について説明する。
予測の場合にも、診断に関する動作で説明した信号解析装置１０及び比較装置２０での動作を実行する。その後、変換装置５０での動作に移る。
【００４４】
変換装置５０においては、図５に示すように、モード切換指令１１０によって、学習モード５１または変換モード５４が選択される。ここで、各動作の内容を説明する。
【００４５】
学習モード５１では、比較装置２０の他プラントモード２４の場合に出力される類似独立信号の組合せデータ２７を用いて、評価指標設定５２にて評価指標が設定される。具体的には、次の数式（６）によって設定される。
【００４６】
【数６】
【００４７】
ここで、Ｅは評価指標、Ｔは独立な信号の全時間、ｙ(t)は時間ｔの自プラントの独立な信号、ｙ^(t)は時間ｔの他プラントの独立な信号である。
【００４８】
ニューラルネットの学習５３では、数式（６）で示された評価指標を最小とするように学習をする。なお、ニューラルネットの学習については、「ニューラルネットと計測制御」西川，北村、朝倉出版（１９９５）に詳しい。これにより、他プラントの類似な独立な信号を自プラントの独立な信号に変換するニューラルネットが作成されたことになる。このニューラルネットは、同定されたニューラルネット５５となる。
【００４９】
変換モード５４では、過去事例データベース内にある異常時データから変換したい類似独立信号を同定されたニューラルネット５５に入力し、自プラントの対応する独立な信号に変換する。その変換された信号は、予測機能切換装置７０に送られる。
【００５０】
予測機能切換装置７０では、機能切換指令１２０により、予測モード１２１と異常模擬モード１２２を切換える。予測モード１２１では、信号解析装置１０から出力される自プラントの独立な信号をそのままモデル８０に対し出力する。異常模擬モード１２２では、信号解析装置１０からの独立な信号に対し、他プラントの独立な信号と類似な信号がある場合には、その信号を変換装置５０により他プラントの類似独立信号から変換された独立な信号と置き換え、モデル８０に対し出力する。
【００５１】
モデル８０では、モデルデータベース１００より対応するプラントのモデルを呼び出し、予測機能切換装置７０からのデータを入力値として、予測信号を出力する。モデルに関しては、ニューラルネットやＡＲＭＡモデルなどの統計的モデルや物理モデルなどを用いる。ただし、このとき得られる出力信号は独立な信号であるため、過去事例データベース６０の正常時データ６１や異常時データ６２内にある行列Ｗの要素を用いて観測値データに変換しなければばらない。具体的には、行列Ｗの逆行列を独立な信号に掛ければ、観測値データ１が求まる。得られた観測値データ１は予測結果表示装置９０に送られる。
【００５２】
予測結果表示装置９０では、ＣＲＴなどに代表される表示装置を用いて、予測モード１２１の場合は、自プラントの予測結果として表示し、異常模擬モード１２２の場合は、他プラントの異常原因を自プラントで模擬するとどのような結果となるのかを表示する。
【００５３】
（実施の形態２）
次に、実施の形態２について説明する。本実施の形態は、本発明に係るプラントの状態予測診断装置を原子力発電プラントの水質管理システムに適用した例で、図１における診断や予測をより具体化したものである。
【００５４】
観測値データ１としては、給水流量や電気出力などに代表される原子力プラントの状態を表すデータと、復水脱塩装置入口の導電率、ナトリウム濃度、塩素濃度などに代表される原子力プラントの水質を表すデータが挙げられる。これらの観測値データ１を図１に示す信号解析装置１０に入力する。そして、実施の形態１で説明したアルゴリズムにより、観測値データ１を独立な信号に分解する。
【００５５】
分解された独立な信号は、実施の形態１の場合と同様に比較装置２０で比較処理された後、診断装置３０によって水質に関する診断が行われる。具体的には、自プラントモード２１の場合、分解された独立な信号のうち第２の信号がしきい値判定３１によって異常と判定されると、過去事例データベース６０内を検索する。例えば、第２の信号が異常である場合、主復水器海水漏洩が対応すれば、診断結果表示装置４０には、「主復水器海水漏洩」と表示される。
【００５６】
また、他プラントモード２４の場合、比較装置２０によって類似度が高いと判断されたプラントの独立な信号のうち、図３のしきい値判定３１によって異常と判定された独立な信号と類似度が高い信号があれば、自プラントモードと同様に、過去事例データベース６０内を検索し、そのときの異常原因を特定する。例えば、上述での第２の信号とＹプラントの第５の信号が比較装置２０の結果、類似度が高いとすると、過去事例データベース６０内のＹプラントの第５の信号が異常である場合を検索する。この結果、Ｙプラントも主復水器海水漏洩であれば、診断結果表示装置４０に、Ｙプラントでの事故事例では「主復水器海水漏洩」と表示される。
【００５７】
次に、予測に関しても、実施の形態１で述べた方法と同様であるが、具体的には、自プラントと類似度の高い他プラントがＺプラントであるとする。
【００５８】
図１での機能切換指令１２０により、予測モード１２１が選択されている場合には、自プラントの独立な信号を入力とし、モデル８０の出力を予測信号とする。本実施の形態では、原子力発電プラントの水質管理システムに適用しているため、予測信号から推定される事は、水質管理に関するものである。予測結果表示装置９０では、例えば、「復水貯蔵タンク劣化水混入への傾向がある」や「復水脱塩装置樹脂リークへの傾向がある」などの水質管理に関する予測結果が表示される。
【００５９】
また、図１での機能切換指令１２０により、異常模擬モード１２１が選択されている場合には、比較装置２０により類似度が高いと判定された他プラントの独立な信号を入力とし、モデル８０の出力を異常模擬信号とする。これによって、類似度の高い他プラントでの事故事例データを自プラントで模擬することができる。この場合でも、上述した予測モード１２１での予測結果表示装置９０での表示と同様に、自プラントで今後発生するであろう水質管理に関する予測結果が予測結果表示装置９０に表示される。
【００６０】
以上に述べた実施の形態１・２では本発明を原子力発電プラントの水質管理システムに適用しているが、本発明は水質の予測や診断に限定されるものではなく、プラントの観測値データが得られるシステムであれば、本発明によって、同様の予測や診断にも対応できる。たとえば、火力発電プラントの状態量や各種プラントの機器データなども、センサからの観測値データとして得ることができるため、本発明はこれらの予測及び診断にも適用できる。
【００６１】
【発明の効果】
以上説明したように、本発明によれば、プラントの観測値が変動した場合に、その変動要因を考慮した幅広いプラント診断、及びプラント状態の予測を行うことができる。
【図面の簡単な説明】
【図１】本発明に係るプラントの状態予測診断装置の全体構成図である。
【図２】比較装置の動作を示す説明図である。
【図３】診断装置の動作を示す説明図である。
【図４】過去事例データベースの構成を示す図である。
【図５】変換装置の動作を示す説明図である。
【図６】類似度計算の表示例を示す図である。
【図７】異常診断結果の表示例を示す図である。
【図８】他プラントの類似データを用いた異常診断の表示例を示す図である。
【符号の説明】
１ 観測値データ
１０ 信号解析装置
２０ 比較装置
２１ 自プラントモード
２２ 正規化ガウス分布
２３ 正規化ガウス分布の出力値
２４ 他プラントモード
２５ 類似度計算
２６ しきい値判定
２７ 類似独立信号の組合せデータ
３０ 診断装置
３１ しきい値判定
３２ 異常事例検索
３３ 類似独立信号抽出
４０ 診断結果表示装置
５０ 変換装置
５１ 学習モード
５２ 評価指標設定
５３ ニューラルネットの学習
５４ 変換モード
５５ 同定されたニューラルネット
６０ 過去事例データベース
６１ 正常時データ
６２ 異常時データ
６３ 原因データ
７０ 予測機能切換装置
８０ モデル
９０ 予測結果表示装置
１００ モデルデータベース
１１０ モード切換指令
１２０ 機能切換指令
１２１ 予測モード
１２２ 異常模擬モード
１３０ 比較結果表示装置
【発明の属する技術分野】
本発明はプラント診断装置に係り、特に複数のプラントから得られる観測値を用いて、プラントの現在の状態を診断するとともに、将来の状態も予測するプラント診断装置に関する。
【０００２】
【従来の技術】
プラントから得られる各観測値は相関関係が複雑であるため、各観測値の波形から変動要因を特定することは難しい。
【０００３】
そこで、従来では、各観測値に対して、特徴を抽出できるような処理を施した後、診断や予測をすることが提案されている。例えば、特開平８−２２１１１７号公報には、自己相似性の高い信号を抽出するためにフラクタル次元を用いる方法や、信号の歪度を計算し、その絶対値が０に近い場合には、正規分布に近いため複雑度を低くし、逆に歪度の絶対値が０に近くない場合には、正規分布から外れるため複雑度を高くし、信号のゆらぎ成分を抽出する方法が示されている。
【０００４】
また、特開平８−３０４１２５号公報には、信号を周波数解析し、正常時の周波数解析結果と比較することで、異常を検知する方法が示されている。
【０００５】
【発明が解決しようとする課題】
しかしながら、上記従来技術では、観測値の変動をゆらぎと捉え、このゆらぎを検知することで異常を検出するようにしており、ゆらぎが生じた要因まで特徴付けられるような方法は考慮されていない。
【０００６】
プラントから得られる各観測値の相関関係は複雑であるため、変動要因までも考慮した過去データとの比較は困難である。例えば、原子力発電プラントの水質管理を行う上で、放射線量に直接影響を及ぼすＣｏイオン濃度を監視することは非常に重要であるが、上記従来技術では、Ｃｏイオン濃度が変動した事は検知できるが、どのような要因からＣｏイオン濃度が変動したのかは判らない。このような問題は、保全の観点から非常に重要な課題である。
【０００７】
本発明の目的は、プラントの観測値が変動した場合、その変動要因を考慮した幅広い診断を行うことのできるプラント診断装置を提供することにある。
【０００８】
【課題を解決するための手段】
上記目的を達成するために、本発明は、複数のプラントの状態を測定するとともに、その測定信号を用いて各プラントの状態を診断するプラント診断装置において、測定信号を取り込んで測定信号を独立な信号に分解する信号解析装置と、信号解析装置から出力された独立な信号や関連する情報を自プラント及び他プラント毎に保存するとともに、プラント異常時の原因データを保存するデータベースと、信号解析装置から出力された独立な信号とデータベースに保存された独立な信号とを比較する比較装置と、その比較結果に基づいてプラントの状態を診断する診断装置と、その診断結果を表示する診断結果表示装置と、比較装置での比較結果に基づいて、信号解析装置から出力された独立な信号に類似する他プラントの独立な信号をデータベースから取り込んで、他プラントの独立な信号を自プラントの独立な信号に変換する変換装置と、信号解析装置から出力された自プラントの独立な信号と変換装置により変換された独立な信号とが入力され、切換操作によって、前記入力された２種類の独立な信号のどちらか一方を選択する切換装置と、選択された独立な信号を取り込んで、自プラントの挙動を予測したプラントモデルを出力する予測手段と、予測手段の出力結果を表示する予測結果表示装置とを備えたことを特徴としている。
【０００９】
上記構成によれば、プラントの測定信号を独立な信号に分解し、その分解した独立な信号とデータベースに保存された独立な信号とを比較することにより、変動があった信号の変動要因を考慮して他プラントのデータを自プラントのデータに変換することができ、診断の幅を広げることができる。また、比較装置と変換装置によって、自プラントの予測や他プラントで発生した異常を自プラントで模擬することもできる。
【００１０】
信号解析装置は、独立成分解析を用いて測定信号を独立な信号に分解する。
データベースには、プラント正常時のデータとして、信号解析装置から出力された独立な信号と計算中に用いた変数及び平均値と分散値が、プラント異常時のデータとして、信号解析装置から出力された独立な信号と計算中に用いた変数が、プラント異常時の原因データとして、事故原因、事故の内容や対応策が、それぞれ最低限保存されている。
【００１１】
比較装置は、信号解析装置から出力された独立な信号を統計的に処理するとともに、自プラントの独立な信号とデータベースから取り込んだ他プラントの独立な信号との類似度を判定する。
【００１２】
比較装置での比較結果を表示する比較結果表示装置が設けられ、比較結果表示装置には、自プラントの独立な信号に対応する他プラントの独立な信号と、その他プラントの類似度とが表示される。
【００１３】
比較結果表示装置、診断結果表示装置および予測結果表示装置は、それぞれ独立した表示装置、同一の表示装置、または２つの表示装置がそれぞれ組み合わされた表示装置によって構成されている。
【００１４】
診断装置は、比較装置で統計的に処理された結果からプラントの正常・異常を判定する判定手段と、判定手段により異常と判定した場合又は比較装置によって類似度が高いと判定された場合に、データベースよりプラント異常の原因や対策を検索する検索手段とを有する。
【００１５】
変換装置は、他プラントの独立な信号を自プラントの独立な信号に変換するシステムを同定する同定手段と、同定されたシステムにより他プラントの独立な信号を自プラントの独立な信号に変換する変換手段とを有する。
【００１６】
予測手段は、複数のプラントモデルを保存したモデルデータベースを含み、モデルデータベースより該当するプラントモデルを抽出するとともに、切換装置によって選択された独立な信号を入力し、プラントモデルの出力値をデータベースより得られる独立成分解析の計算中に用いられた変数を使ってプラントの観測値データに変換する。
【００１７】
【発明の実施の形態】
以下、本発明の実施の形態について図面を参照して説明する。
（実施の形態１）
図１は、本発明に係るプラント診断装置の全体構成を示している。本プラント診断装置には信号解析装置１０が設けられ、この信号解析装置１０は、入力された観測値データ１を独立な信号に分解し、その分解した独立な信号を出力する。独立な信号は比較装置２０に入力され、比較装置２０は、過去事例が収録された過去事例データベース６０内の信号と信号解析装置１０から出力された独立な信号とを比較し、その比較結果を出力する。比較結果は比較結果表示装置１３０に表示される。比較装置２０での比較結果は診断装置３０に入力され、診断装置３０は比較結果により診断を実施する。その診断結果は診断結果表示装置４０に表示される。
【００１８】
また、変換装置５０が設けられ、この変換装置５０は、信号解析装置１０から出力される自プラントの独立な信号、比較装置２０から出力される比較結果、及び過去事例データベース６０内の信号を用いて、類似する他プラントの独立な信号を自プラントの独立な信号に変換する。他プラントの独立な信号を自プラントの独立な信号に変換した信号は予測機能切換装置７０に入力される。予測機能切換装置７０は、変換装置５０から入力した前記信号および信号解析装置１０から出力される自プラントの独立な信号のどちらかを、機能切換指令１２０に応じて選択する。
【００１９】
予測機能切換装置７０で選択された信号はモデル８０に入力され、モデル８０は、その入力信号に基づいて、モデルデータベース１００より該当するプラントモデルを抽出し、それを予測信号として出力する。その予測信号は予測結果表示装置９０に取り込まれ、予測表示装置９０に表示される。本実施の形態では、モデル８０及びモデルデータベース１００は予測手段を構成している。
【００２０】
なお、変換装置５０では、信号を変換するための関数を学習により同定しなければならないため、モード切換指令１１０により、学習モードと変換モードを切換えることで実現している。また、過去事例データベース６０には、図４に示すように、各プラント毎に正常時データ６１、異常時データ６２、原因データ６３がそれぞれ格納されている。
【００２１】
次に、診断と予測に関する動作についてそれぞれ説明する。
初めに、診断に関する動作について説明する。プラント設備に設けられたセンサにより得られる観測値データ１をフロッピーディスクや光磁気ディスクなどの記憶媒体や、専用又は一版電話回線、イーサネットなどのインターネット技術を用いて信号解析装置１０に入力する。
【００２２】
信号解析装置１０では、入力された観測値データ１を独立な信号に分解する。分解するためのアルゴリズムは、独立成分解析を用いる。アルゴリズムは、以下の数式（１）〜（４）を用いる。
【００２３】
【数１】
【数２】
【数３】
【数４】
ここで、ｙ(t)は時間ｔでの独立な信号をベクトル表現したもの、ｘ(t)は時間ｔでの観測値データをベクトル表現したもの、Ｗは観測値データを独立な信号に変換する行列、ΔＷ(t)は時間ｔでの行列の更新量、ΔＷｉｊ(t)は第ｉ行第ｊ列の行列の要素の更新量、ηｔは時間ｔでの更新ステップ、ｙｉ(t),ｙｊ(t)はそれぞれ時間ｔでのベクトルｙ(t)の要素、ｃは正の定数である。
【００２８】
数式（１）は、問題の定式化を表している。つまり、観測値データを行列Ｗによって独立な信号に変換することを意味している。この独立な信号を実現するように、行列Ｗを数式（２）のように更新していく。行列Ｗの各要素の更新量は、数式（３）によって与えられる。また、更新ステップは数式（４）によって定義され、時間が進むにつれて行列Ｗが収束するようになっている。
【００２９】
次に、このようなアルゴリズムで観測値データを独立な信号に分解できることについて説明する。行列Ｗが収束するまでアルゴリズムを繰り返していくと、数式（３）はゼロに収束していく。これは、数式（３）の右辺の期待値が０になることと等価であるから、Ｅ[ｙｉ ３ｙｊ]＝０がいえる。ｙｊが一番初めに作られるとすれば、当然独立であるため、その平均値を０とすれば（０でなければ、その分をバイアスとして引いておけばよい）、期待値 Ｅ[ｙｊ]＝０となる。これより、Ｅ[ｙｉ ３]Ｅ[ｙｊ]＝０となる。つまり、Ｅ[ｙｉ ３ｙｊ]＝Ｅ[ｙｉ ３]Ｅ[ｙｊ]となる。この式が成立するのは、ｙｉとｙｊが独立である場合だけである。よって、上記のアルゴリズムより、観測値データを独立な信号に分解できる。
【００３０】
次に、比較装置２０の動作を図２を用いて説明する。
図２に示すように、比較装置２０は、自プラントモード２１と他プラントモードの２種類の機能を有する。
【００３１】
自プラントモード２１では、自プラントの異常診断をするための処理を行う。具体的には、過去事例データベース６０内の正常時データから平均値と分散値を取得し、これを正規化ガウス分布２２にセットした後、信号解析装置１０から出力される独立な信号を入力し、正規化ガウス分布の出力値２３を得る。
【００３２】
他プラントモード２４では、自プラントの独立な信号と他プラントの独立な信号を類似度計算２５に入力する。具体的には、以下の数式（５）に示す相互情報量を用いて計算する。
【００３３】
【数５】
ここで、Ｉ(Ｘ１；Ｘ２)はＸ１とＸ２の相互情報量、Ｈ(Ｘ１)はＸ１のエントロピー、Ｈ(Ｘ１｜Ｘ２)はＸ２に対するＸ１の条件付きエントロピーである。数式（５）の右辺は、Ｘ２が持っているＸ１に関する情報の量を表している。このことから、相互情報量Ｉ(Ｘ１；Ｘ２)が０になるということは、Ｘ２がＸ１の情報を持っていないという事になるので、Ｘ１とＸ２は独立であるといえる。つまり、類似性がないという事になる。
【００３５】
上記のように類似度計算２５の結果をしきい値判定２６に入力する。しきい値判定２６では、相互情報量が設定されたしきい値よりも小さければ、類似性がないと判定し、しきい値よりも大きければ類似性があると判定する。類似性があると判定された独立な信号の組合せを類似独立信号の組合せデータ２７とする。
【００３６】
比較結果表示装置１３０では、その組合せデータをユーザに表示するための装置である。図６に、その比較結果の表示例を示す。この例では、自プラントの独立な信号が、ＸプラントとＹプラントの独立な信号とそれぞれどれくらいの類似度があるのかを示している。例えば、自プラントの第１信号は、Ｘプラントの第３信号に対して類似度０.７２、Ｙプラントの第２信号に対して類似度０.９２であり、自プラントの第２信号は、Ｘプラントの第１信号に対して類似度０.８４、Ｙプラントの第３信号に対して類似度０.２５であり、自プラントの第３信号は、Ｘプラントの第５信号に対して類似度０.８９、Ｙプラントの第１信号に対して類似度０.１１である。
【００３７】
次に、診断装置３０について図３を用いて説明する。自プラントモード２１の場合、比較装置２０からは正規化ガウス分布の出力値２３が出力される。そして、この出力値２３が、あるしきい値よりも大きいか否かで、プラント状態の正常又は異常が判定される。すなわち、正規化ガウス分布の出力値２３が、あるしきい値よりも大きいときは、正常値の分布よりも離れていないということで、しきい値判定３１によって、プラント状態が正常と判定される。その結果は診断結果表示装置４０に送られる。逆に、あるしきい値よりも小さいときは、正常値の分布よりも離れているということで、しきい値判定３１によって、プラント状態が異常と判定される。異常と判断した場合は、異常事例検索３２は過去事例データベース６０内の原因データ６３（図４参照）にアクセスし、異常原因を探索する。その結果は診断結果表示装置４０に送られる。
【００３８】
また、他プラントモード２４の場合、比較装置２０からは類似独立信号の組合せデータ２７が出力される。この場合には、類似独立信号抽出３３によって、異常と診断された独立な信号と類似な他プラントの独立な信号を類似独立信号の組合せデータ２７の中から抽出される。対応する他プラントの独立な信号があれば、異常事例検索３２によって、過去事例データベース６０内にある原因データ６３から該当する原因が抽出され、その結果は診断結果表示装置４０に送られる。
【００３９】
診断結果表示装置４０では、診断装置３０から送られてきた結果を、ＣＲＴなどの表示装置を用いて表示する。
【００４０】
また、正常と判定された場合には、その判定結果は過去事例データベース６０内の正常時データ６１に、異常と判定された場合には、その判定結果は過去事例データベース６０内の原因データ６３にそれぞれ格納される。
【００４１】
図７及び図８に異常時の表示例を示す。図７は正常時データ６１と比較した時、第２信号が正常な分布から逸脱し異常となった場合である。このとき、現在の独立な信号のデータと正常時の独立な信号のデータが対比して表示される。そして、詳細ボタン２００をクリックすれば、過去事例データベース６０から参照された原因等が表示される。
【００４２】
図８は他プラントの類似する独立な信号を用いて、過去事例データベース６０に参照した結果の表示例である。この例では、自プラントの独立な信号のうち第３信号が異常の原因となっており、比較装置２０によって、類似度が高いと判定されたＸプラントの独立な信号のうちの第５信号を基にして、過去の異常事例を過去事例データベース６０より参照した結果である。対策ボタン２０１を押せば、過去の対応策が表示される。
【００４３】
次に、本実施の形態において、予測に関する動作について説明する。
予測の場合にも、診断に関する動作で説明した信号解析装置１０及び比較装置２０での動作を実行する。その後、変換装置５０での動作に移る。
【００４４】
変換装置５０においては、図５に示すように、モード切換指令１１０によって、学習モード５１または変換モード５４が選択される。ここで、各動作の内容を説明する。
【００４５】
学習モード５１では、比較装置２０の他プラントモード２４の場合に出力される類似独立信号の組合せデータ２７を用いて、評価指標設定５２にて評価指標が設定される。具体的には、次の数式（６）によって設定される。
【００４６】
【数６】
ここで、Ｅは評価指標、Ｔは独立な信号の全時間、ｙ(t)は時間ｔの自プラントの独立な信号、ｙ^(t)は時間ｔの他プラントの独立な信号である。
【００４８】
ニューラルネットの学習５３では、数式（６）で示された評価指標を最小とするように学習をする。なお、ニューラルネットの学習については、「ニューラルネットと計測制御」西川，北村、朝倉出版（１９９５）に詳しい。これにより、他プラントの類似な独立な信号を自プラントの独立な信号に変換するニューラルネットが作成されたことになる。このニューラルネットは、同定されたニューラルネット５５となる。
【００４９】
変換モード５４では、過去事例データベース内にある異常時データから変換したい類似独立信号を同定されたニューラルネット５５に入力し、自プラントの対応する独立な信号に変換する。その変換された信号は、予測機能切換装置７０に送られる。
【００５０】
予測機能切換装置７０では、機能切換指令１２０により、予測モード１２１と異常模擬モード１２２を切換える。予測モード１２１では、信号解析装置１０から出力される自プラントの独立な信号をそのままモデル８０に対し出力する。異常模擬モード１２２では、信号解析装置１０からの独立な信号に対し、他プラントの独立な信号と類似な信号がある場合には、その信号を変換装置５０により他プラントの類似独立信号から変換された独立な信号と置き換え、モデル８０に対し出力する。
【００５１】
モデル８０では、モデルデータベース１００より対応するプラントのモデルを呼び出し、予測機能切換装置７０からのデータを入力値として、予測信号を出力する。モデルに関しては、ニューラルネットやＡＲＭＡモデルなどの統計的モデルや物理モデルなどを用いる。ただし、このとき得られる出力信号は独立な信号であるため、過去事例データベース６０の正常時データ６１や異常時データ６２内にある行列Ｗの要素を用いて観測値データに変換しなければばらない。具体的には、行列Ｗの逆行列を独立な信号に掛ければ、観測値データ１が求まる。得られた観測値データ１は予測結果表示装置９０に送られる。
【００５２】
予測結果表示装置９０では、ＣＲＴなどに代表される表示装置を用いて、予測モード１２１の場合は、自プラントの予測結果として表示し、異常模擬モード１２２の場合は、他プラントの異常原因を自プラントで模擬するとどのような結果となるのかを表示する。
【００５３】
（実施の形態２）
次に、実施の形態２について説明する。本実施の形態は、本発明に係るプラントの状態予測診断装置を原子力発電プラントの水質管理システムに適用した例で、図１における診断や予測をより具体化したものである。
【００５４】
観測値データ１としては、給水流量や電気出力などに代表される原子力プラントの状態を表すデータと、復水脱塩装置入口の導電率、ナトリウム濃度、塩素濃度などに代表される原子力プラントの水質を表すデータが挙げられる。これらの観測値データ１を図１に示す信号解析装置１０に入力する。そして、実施の形態１で説明したアルゴリズムにより、観測値データ１を独立な信号に分解する。
【００５５】
分解された独立な信号は、実施の形態１の場合と同様に比較装置２０で比較処理された後、診断装置３０によって水質に関する診断が行われる。具体的には、自プラントモード２１の場合、分解された独立な信号のうち第２の信号がしきい値判定３１によって異常と判定されると、過去事例データベース６０内を検索する。例えば、第２の信号が異常である場合、主復水器海水漏洩が対応すれば、診断結果表示装置４０には、「主復水器海水漏洩」と表示される。
【００５６】
また、他プラントモード２４の場合、比較装置２０によって類似度が高いと判断されたプラントの独立な信号のうち、図３のしきい値判定３１によって異常と判定された独立な信号と類似度が高い信号があれば、自プラントモードと同様に、過去事例データベース６０内を検索し、そのときの異常原因を特定する。例えば、上述での第２の信号とＹプラントの第５の信号が比較装置２０の結果、類似度が高いとすると、過去事例データベース６０内のＹプラントの第５の信号が異常である場合を検索する。この結果、Ｙプラントも主復水器海水漏洩であれば、診断結果表示装置４０に、Ｙプラントでの事故事例では「主復水器海水漏洩」と表示される。
【００５７】
次に、予測に関しても、実施の形態１で述べた方法と同様であるが、具体的には、自プラントと類似度の高い他プラントがＺプラントであるとする。
【００５８】
図１での機能切換指令１２０により、予測モード１２１が選択されている場合には、自プラントの独立な信号を入力とし、モデル８０の出力を予測信号とする。本実施の形態では、原子力発電プラントの水質管理システムに適用しているため、予測信号から推定される事は、水質管理に関するものである。予測結果表示装置９０では、例えば、「復水貯蔵タンク劣化水混入への傾向がある」や「復水脱塩装置樹脂リークへの傾向がある」などの水質管理に関する予測結果が表示される。
【００５９】
また、図１での機能切換指令１２０により、異常模擬モード１２１が選択されている場合には、比較装置２０により類似度が高いと判定された他プラントの独立な信号を入力とし、モデル８０の出力を異常模擬信号とする。これによって、類似度の高い他プラントでの事故事例データを自プラントで模擬することができる。この場合でも、上述した予測モード１２１での予測結果表示装置９０での表示と同様に、自プラントで今後発生するであろう水質管理に関する予測結果が予測結果表示装置９０に表示される。
【００６０】
以上に述べた実施の形態１・２では本発明を原子力発電プラントの水質管理システムに適用しているが、本発明は水質の予測や診断に限定されるものではなく、プラントの観測値データが得られるシステムであれば、本発明によって、同様の予測や診断にも対応できる。たとえば、火力発電プラントの状態量や各種プラントの機器データなども、センサからの観測値データとして得ることができるため、本発明はこれらの予測及び診断にも適用できる。
【００６１】
【発明の効果】
以上説明したように、本発明によれば、プラントの観測値が変動した場合に、その変動要因を考慮した幅広いプラント診断、及びプラント状態の予測を行うことができる。
【図面の簡単な説明】
【図１】本発明に係るプラントの状態予測診断装置の全体構成図である。
【図２】比較装置の動作を示す説明図である。
【図３】診断装置の動作を示す説明図である。
【図４】過去事例データベースの構成を示す図である。
【図５】変換装置の動作を示す説明図である。
【図６】類似度計算の表示例を示す図である。
【図７】異常診断結果の表示例を示す図である。
【図８】他プラントの類似データを用いた異常診断の表示例を示す図である。
【符号の説明】
１ 観測値データ
１０ 信号解析装置
２０ 比較装置
２１ 自プラントモード
２２ 正規化ガウス分布
２３ 正規化ガウス分布の出力値
２４ 他プラントモード
２５ 類似度計算
２６ しきい値判定
２７ 類似独立信号の組合せデータ
３０ 診断装置
３１ しきい値判定
３２ 異常事例検索
３３ 類似独立信号抽出
４０ 診断結果表示装置
５０ 変換装置
５１ 学習モード
５２ 評価指標設定
５３ ニューラルネットの学習
５４ 変換モード
５５ 同定されたニューラルネット
６０ 過去事例データベース
６１ 正常時データ
６２ 異常時データ
６３ 原因データ
７０ 予測機能切換装置
８０ モデル
９０ 予測結果表示装置
１００ モデルデータベース
１１０ モード切換指令
１２０ 機能切換指令
１２１ 予測モード
１２２ 異常模擬モード
１３０ 比較結果表示装置
Claims (9)
- 複数のプラントの状態を測定するとともに、その測定信号を用いて各プラントの状態を診断するプラント診断装置において、
前記測定信号を取り込んで該測定信号を独立な信号に分解する信号解析装置と、前記信号解析装置から出力された独立な信号や関連する情報を自プラント及び他プラント毎に保存するとともに、プラント異常時の原因データを保存するデータベースと、前記信号解析装置から出力された独立な信号と前記データベースに保存された独立な信号とを比較する比較装置と、前記比較結果に基づいてプラントの状態を診断する診断装置と、その診断結果を表示する診断結果表示装置と、
前記比較装置での比較結果に基づいて、前記信号解析装置から出力された独立な信号に類似する他プラントの独立な信号を前記データベースから取り込んで、該他プラントの独立な信号を自プラントの独立な信号に変換する変換装置と、前記信号解析装置から出力された自プラントの独立な信号と前記変換装置により変換された独立な信号とが入力され、切換操作によって、前記入力された２種類の独立な信号のどちらか一方を選択する切換装置と、前記選択された独立な信号を取り込んで、自プラントの挙動を予測したプラントモデルを出力する予測手段と、前記予測手段の出力結果を表示する予測結果表示装置と、を備えたことを特徴とするプラント診断装置。 - 請求項１に記載のプラント診断装置において、
前記信号解析装置は、前記測定信号を独立成分解析を用いて独立な信号に分解することを特徴とするプラント診断装置。 - 請求項１に記載のプラント診断装置において、
前記データベースには、プラント正常時のデータとして、前記信号解析装置から出力された独立な信号と計算中に用いた変数及び平均値と分散値が、プラント異常時のデータとして、前記信号解析装置から出力された独立な信号と計算中に用いた変数が、プラント異常時の原因データとして、事故原因、事故の内容や対応策が、それぞれ最低限保存されていることを特徴とするプラント診断装置。 - 請求項１に記載のプラント診断装置において、
前記比較装置は、前記信号解析装置から出力された独立な信号を統計的に処理するとともに、自プラントの独立な信号と前記データベースから取り込んだ他プラントの独立な信号との類似度を判定することを特徴とするプラント診断装置。 - 請求項１又は４に記載のプラント診断装置において、
前記比較装置での比較結果を表示する比較結果表示装置が設けられ、該比較結果表示装置には、自プラントの独立な信号に対応する他プラントの独立な信号と、その他プラントについての前記類似度とが表示されることを特徴とするプラント診断装置。 - 請求項５に記載のプラント診断装置において、
前記比較結果表示装置、前記診断結果表示装置および前記予測結果表示装置は、それぞれ独立した表示装置、同一の表示装置、または２つの表示装置がそれぞれ組み合わされた表示装置からなることを特徴とするプラント診断装置。 - 請求項１又は４に記載のプラント診断装置において、
前記診断装置は、前記比較装置で統計的に処理された結果からプラントの正常・異常を判定する判定手段と、該判定手段により異常と判定した場合又は前記比較装置によって前記類似度が高いと判定された場合に、前記データベースよりプラント異常の原因や対策を検索する検索手段と、を有することを特徴とするプラント診断装置。 - 請求項１に記載のプラント診断装置において、
前記変換装置は、他プラントの独立な信号を自プラントの独立な信号に変換するシステムを同定する同定手段と、同定されたシステムにより他プラントの独立な信号を自プラントの独立な信号に変換する変換手段と、を有することを特徴とするプラント診断装置。 - 請求項１に記載のプラント診断装置において、
前記予測手段は、複数のプラントモデルを保存したモデルデータベースを含み、前記モデルデータベースより該当するプラントモデルを抽出するとともに、前記切換装置によって選択された独立な信号を入力し、前記プラントモデルの出力値を前記データベースより得られる独立成分解析の計算中に用いられた変数を使ってプラントの観測値データに変換することを特徴とするプラント診断装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001230153A JP3718765B2 (ja) | 2001-07-30 | 2001-07-30 | プラント診断装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001230153A JP3718765B2 (ja) | 2001-07-30 | 2001-07-30 | プラント診断装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003044123A JP2003044123A (ja) | 2003-02-14 |
| JP3718765B2 true JP3718765B2 (ja) | 2005-11-24 |
Family
ID=19062401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001230153A Expired - Lifetime JP3718765B2 (ja) | 2001-07-30 | 2001-07-30 | プラント診断装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3718765B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105518432A (zh) * | 2013-09-06 | 2016-04-20 | 国际商业机器公司 | 检测设备、检测方法以及程序 |
Families Citing this family (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4183185B2 (ja) * | 2004-03-10 | 2008-11-19 | インターナショナル・ビジネス・マシーンズ・コーポレーション | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
| JP4651295B2 (ja) * | 2004-03-26 | 2011-03-16 | 株式会社日立ソリューションズ | ジョブスケジューリングシステムの監視方法 |
| US7424395B2 (en) * | 2004-09-10 | 2008-09-09 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
| US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
| US7349746B2 (en) * | 2004-09-10 | 2008-03-25 | Exxonmobil Research And Engineering Company | System and method for abnormal event detection in the operation of continuous industrial processes |
| US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
| JP4607702B2 (ja) * | 2005-08-10 | 2011-01-05 | 株式会社東芝 | プラント運転支援装置およびプラント運転支援方法 |
| JP2008020982A (ja) * | 2006-07-11 | 2008-01-31 | Hioki Ee Corp | 監視装置および監視システム |
| JP5299267B2 (ja) * | 2007-03-22 | 2013-09-25 | 日本電気株式会社 | 診断装置 |
| GB0922317D0 (en) * | 2009-12-22 | 2010-02-03 | Cybula Ltd | Asset monitoring |
| JP5899882B2 (ja) * | 2011-12-08 | 2016-04-06 | 株式会社豊田中央研究所 | 障害診断システム及び障害診断方法 |
| JP5792667B2 (ja) * | 2012-03-19 | 2015-10-14 | 日立Ｇｅニュークリア・エナジー株式会社 | センサ診断装置及びセンサ診断方法 |
| JP6823935B2 (ja) * | 2015-03-31 | 2021-02-03 | 三菱重工業株式会社 | 緊急時プラント状況表示装置および緊急時プラント状況表示方法 |
| CN108538407B (zh) * | 2018-06-01 | 2020-02-14 | 华北电力大学 | 模拟碎片对燃料组件压降影响的装置及冷段破口模拟方法 |
| JP7153585B2 (ja) * | 2019-02-27 | 2022-10-14 | 日立Ｇｅニュークリア・エナジー株式会社 | 異常原因推定方法、および、異常原因推定装置 |
-
2001
- 2001-07-30 JP JP2001230153A patent/JP3718765B2/ja not_active Expired - Lifetime
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105518432A (zh) * | 2013-09-06 | 2016-04-20 | 国际商业机器公司 | 检测设备、检测方法以及程序 |
| US10584986B2 (en) | 2013-09-06 | 2020-03-10 | International Business Machines Corporation | Detecting device, detecting method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003044123A (ja) | 2003-02-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3718765B2 (ja) | プラント診断装置 | |
| US8868985B2 (en) | Supervised fault learning using rule-generated samples for machine condition monitoring | |
| CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| Nguyen et al. | An automated health indicator construction methodology for prognostics based on multi-criteria optimization | |
| US10565080B2 (en) | Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring | |
| CN109917777B (zh) | 基于混合多采样率概率主成分分析模型的故障检测方法 | |
| CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及系统 | |
| JP2000259223A (ja) | プラント監視装置 | |
| CN110597235A (zh) | 一种通用智能故障诊断方法 | |
| JP2023501062A (ja) | 異常機器トレース検出および分類 | |
| CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
| Liao et al. | Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems | |
| CN112947649B (zh) | 一种基于互信息矩阵投影的多变量过程监控方法 | |
| CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
| CN117112336B (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
| CN112183555B (zh) | 焊接质量的检测方法、系统、电子设备和存储介质 | |
| CN116627116B (zh) | 一种流程工业故障定位方法、系统及电子设备 | |
| Dong et al. | Dynamic-inner canonical correlation analysis based process monitoring | |
| Zhang et al. | A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches | |
| CN114236268A (zh) | 一种基于机器学习的变压器故障诊断方法和系统 | |
| KR20220028727A (ko) | 열화에 따른 시계열 데이터를 이용한 실시간 이상 감지 방법 및 그를 위한 장치 | |
| CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
| CN112541554B (zh) | 基于时间约束的核稀疏表示的多模态过程监控方法及系统 | |
| CN117688496B (zh) | 面向卫星遥测多维时序数据的异常诊断方法、系统及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20050714 |
|
| 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: 20050726 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050823 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080916 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080916 Year of fee payment: 3 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090916 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090916 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100916 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100916 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110916 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120916 Year of fee payment: 7 |