JP7423911B2

JP7423911B2 - 監視支援システムおよび監視支援方法

Info

Publication number: JP7423911B2
Application number: JP2019108873A
Authority: JP
Inventors: 司林; 稔谷川; 敬之山本; 佳孝重本; 健三宮; 健太郎高瀬; 典子児玉
Original assignee: Chugoku Electric Power Co Inc
Current assignee: Chugoku Electric Power Co Inc
Priority date: 2019-06-11
Filing date: 2019-06-11
Publication date: 2024-01-30
Anticipated expiration: 2039-06-11
Also published as: JP2020201764A

Description

特許法第３０条第２項適用一般社団法人日本保全学会、日本保全学会第１５回学術講演会要旨集、平成３０年７月１０日発行日本保全学会第１５回学術講演会、平成３０年７月１１日開催ＮＨＫニュースおはよう日本、平成３１年２月３日放送日本工業出版株式会社、検査技術２０１９年６月号、令和１年６月１日発行

本発明は、発電所など各種プラントの故障予兆を監視する故障予兆監視システムの運用を支援するための監視支援システムおよび監視支援方法に関する。

発電所の発電プラントには、蒸気タービンやボイラーなどの各種の機器や給排気系のような系統（「機器系統」という）が使用されている。発電プラントはこれらの機器系統により発電を行っている。こうした発電プラントでは、例えばＳＩＡＴ技術（ＳｙｓｔｅｍＩｎｖａｒｉａｎｔＡｎａｌｙｓｉｓＴｅｃｈｎｏｌｏｇｙ：インバリアント解析技術）を応用したシステムにより、プラントの各機器系統に設けられている機器や系統について、故障の予兆を監視している（例えば、特許文献１参照。）。この故障予兆監視システムによれば、プラントの各機器系統に設置されている各種のセンサからの計測値を次のように用いている。

故障予兆監視システムは、プラントが正常に動いている場合の各種のセンサからの計測値を基に、センサ間の相関関係のような関係性（不変関係、インバリアントともいう）を調べる。そして、故障予兆監視システムは、センサ間の関係性の強さを表す監視モデルをプラント全体、または機器系統ごと、あるいは状態（点検中、起動中、定格運転中、定期試験中、停止中など）ごとに作成する。この後、監視システムは、監視モデルを基にしたセンサの予測値と、定期的に取得した実測値とにより、センサ間の関係性を監視し、関係性に崩れ（変化）があると、監視システムはアラーム（警報）を通知する。

特許文献１の技術を利用した従来の監視システムでは、プラント全体の監視モデル、機器系統ごとの監視モデルなど、複数の監視モデルを同時に動作させて、プラント全体および重要な機器系統を監視し、プラントの異常を予兆の段階で早期に検知することを可能としている。

このように、関係性の崩れを検知する手法によれば、従来のしきい値監視による検知より早期に予兆の段階で異常を検知でき、事象が拡大する前に処置を行うことが可能となる。

特開２０１７－０２１７０２号公報

しかしながら、上記のような故障予兆監視システムによって、プラントの異常を予兆の段階で早期に検知したとしても、検知した異常の原因究明、対処方法導出および進展予測などについては、豊富な経験を有する運転員や保修員等のベテラン技術者に依存しているのが実情である。今後、技術者の世代交代、ベテラン技術者の大量退職等を考慮すると、検知した事象の正確な把握、原因究明等を人に依存し続けることは好ましくない。そこで、ベテラン技術者の培ったノウハウに代替するようなシステムを構築し、ベテランの運転員のマンパワーに対する依存を軽減することが求められている。

本発明は、プラントの異常を予兆の段階で検知したときに、運転員に過去の事象の原因、進展、対処法を示して、運転員の予兆事象への対処を支援し、事象の進展を未然に防ぐことを目的とする。

上記課題を解決するために請求項１に記載の発明は、監視対象となるプラントの機器や系統である機器系統にセンサが設けられ、前記機器系統が正常時の各センサ間の関係性を表す監視モデルを作成し、実働する前記機器系統について前記監視モデルを基にして前記各センサ間の関係性の崩れを検知し、前記各センサ間の関係性の崩れが所定の数以上あったときに前記監視対象となるプラントの異常の予兆と判定し、アラームと関係性の崩れのあった異常箇所を示す異常情報とを出力する故障予兆監視手段と、前記監視対象となるプラントを含む複数のプラントの運転に関する情報が記憶された外部サーバから、前記運転に関する情報を取得し、前記運転に関する情報に含まれるデータを人工知能による学習機能によって整理し、分類して過去の事象の原因、進展および対処法を含む事象データを事象データベースに記憶するデータベース構築手段と、前記故障予兆監視システムが前記異常情報を出力すると、前記異常情報から検索条件を作成し、前記事象データベースを検索して前記異常情報と関連性の高い過去の事象の原因、進展および対処法を含む検索結果を出力する検索手段と、前記検索結果を表示する表示手段と、を備え、前記検索手段は、人工知能による学習機能によって前記事象データベースに記憶されたデータに含まれる用語を分析し、前記異常情報に示された前記異常箇所と対応する１以上の同意語に置き換えるためのキーワード変換テーブルを作成し、前記異常箇所を系統レベルと、機器レベルと、部位・物理量レベルと、の検索レベルに分け、前記キーワード変換テーブルを用いて前記検索レベルごとにキーワードを設定し、前記検索レベルおよびキーワードをａｎｄ条件とした検索条件を作成する、ことを特徴とする。

請求項２に記載の発明は請求項１に記載の監視支援システムであって、前記データベース構築手段は、前記監視対象となるプラントの前記トラブル情報に含まれない事象記録または過去の作業記録情報を取得して、前記作業記録情報に含まれるデータを人工知能による学習機能によって整理し、分類して前記事象データベースに記憶する、ことを特徴とする。

請求項３に記載の発明は、請求項１または２に記載の監視支援システムであって、前記検索条件を入力する入力手段を備えたことを特徴とする。

請求項４に記載の発明は、監視対象となるプラントの機器や系統である機器系統にセンサが設けられ、前記機器系統が正常時の各センサ間の関係性を表す監視モデルを作成し、実働する前記機器系統について前記監視モデルを基にして前記各センサ間の関係性の崩れを検知し、前記各センサ間の関係性の崩れが所定の数以上あったときに前記監視対象となるプラントの異常の予兆と判定し、アラームと関係性の崩れのあった異常箇所を示す異常情報とを出力する故障予兆監視ステップと、前記監視対象となるプラントを含む複数のプラントの運転に関する情報が記憶された外部サーバから、前記運転に関する情報を取得し、前記運転に関する情報に含まれるデータを人工知能による学習機能によって整理し、分類して過去の事象の原因、進展および対処法を含む事象データを事象データベースに記憶するデータベース構築ステップと、前記異常情報が出力されると、前記異常情報から検索条件を作成し、前記事象データベースを検索して前記異常情報と関連性の高い過去の事象の原因、進展および対処法を含む検索結果を出力する検索ステップと、前記検索結果を表示する表示ステップと、を備え、前記検索ステップは、人工知能による学習機能によって前記事象データベースに記憶されたデータに含まれる用語を分析し、前記異常情報に示された前記異常箇所と対応する１以上の同意語に置き換えるためのキーワード変換テーブルを作成し、前記異常箇所を系統レベルと、機器レベルと、部位・物理量レベルと、の検索レベルに分け、前記キーワード変換テーブルを用いて前記検索レベルごとにキーワードを設定し、前記検索レベルおよびキーワードをａｎｄ条件とした検索条件を作成する、ことを特徴とする監視支援方法である。

請求項１または４に記載の発明によれば、故障予兆監視システムのアラームを受けると、予兆の原因となった事象と関連性の高い過去の事象を事象データベースから検索し、関連性の高い過去の事象の原因、進展および対処法を含む検索結果を出力することができるので、原子力プラントの運転員に検索結果が示す過去の事象から、予兆の原因究明と原因除去等の対処にあたって参照できる資料を示すことができ、経験の浅い運転員であっても、故障の予兆の段階で、原因の推定や今後の事象の進展の予測を容易に行うことができる。結果として、プラントの運転、保守の負担を軽減することができ、設備管理、運転管理の品質向上を図ることが可能となる。

請求項１に記載の発明によれば、人工知能の学習機能により、キーワード変換テーブルを作成することで、「用語の揺らぎ」が考慮され、より精度の高い検索が可能となる。

請求項２に記載の発明によれば、外部のサーバに登録されていないオリジナルのデータも事象データベースに取り入れることで、学習データの量を増やすことができ、学習精度が上がることで、検索精度を向上させることができる。

請求項３に記載の発明によれば、検索条件を入力できるので、より関連性の高い情報を絞り込んで検索できる。

この発明の実施の形態に係る原子力プラントに設けられた監視支援システムを示す概略構成図である。この発明の実施の形態に係る連携サーバと人工知能プラットフォームの機能構成を示すブロック図である。事象データベースに記憶されるデータを説明する図である。キーワード変換テーブルを示す図であり、（ａ）は追加学習前、（ｂ）は追加学習後である。生成された検索パターンの一例を示す図である。生成された検索パターンの一例を示す図である。監視支援システムにおける事象データベースの作成から検索結果を出力するまでのフローチャートである。検索結果の表示画面を示す図である。監視支援システムの追加学習工程を示すフローチャートである。

以下、この発明を図示の実施の形態に基いて説明する。

図１～図９は、この発明の実施の形態に係る監視支援システムを示す。図１は、監視支援システム１の構成を示す概略構成図である。図１に示す監視支援システム１は、原子力発電所で用いられる故障予兆監視システム２２が検知した予兆をもとに、過去の関連する事象を検索して提示することで故障予兆監視システム２２の運用を支援するシステムである。

本実施の形態の監視支援システム１は原子力プラント２１と、故障予兆監視システム２２と、連携サーバ３０と、人工知能プラットフォーム４０と、ユーザ端末５０とからなる。連携サーバ３０は、所内ネットワークを通じて故障予兆監視システム２２と接続され、インターネット等の通信ネットワークＮを通じて人工知能プラットフォーム４０と接続されている。さらに連携サーバ３０はユーザ端末５０と通信可能に接続されている。

原子力プラント２１は、原子力発電プラントであり、図示を省略しているが、原子炉、タービン、発電機、ポンプや配管などの多数の機器や系統を備えている。原子力プラント２１には、各機器系統の状態を調べるために、各種のセンサが設置されている。各センサによって計測された計測値は故障予兆監視システム２２に送られる。

故障予兆監視システム２２は、原子力プラント２１のセンサが計測した計測値をリアルタイムで監視し、原子力プラント２１のトラブルを予兆の段階で検知するシステムである。故障予兆監視システム２２は、原子力プラント２１が正常に動いている場合の各センサからの計測値を基に、センサ間の計測値の関係性（不変関係、インバリアントともいう）を調べる。そして、故障予兆監視システム２２は、センサ間の関係性の強さを表す監視モデルをプラント全体、または機器系統ごと、あるいは状態（点検中、起動中、定格運転中、定期試験中、停止中など）ごとに作成する。この後、故障予兆監視システム２２は、監視モデルを基にしたセンサの予測値と、定期的に取得した実測値とにより、センサ間の関係性を監視し、関係性に崩れ（変化）があると、故障予兆監視システム２２はアラーム（警報）と異常情報とを出力する。異常情報とは、故障予兆監視システム２２は、関係性の崩れのあった複数の要因箇所から予兆の主な要因となっているものを選択し、異常情報として要因箇所名を出力する。

連携サーバ３０は、故障予兆監視システム２２と人工知能プラットフォーム４０を連携させるために機能する中間サーバである。連携サーバ３０は故障予兆監視システム２２がアラームを受信すると、アラームと共に出力された異常情報の要因箇所名を人工知能プラットフォーム４０に送り、検索の指示をする。

人工知能プラットフォーム４０は、複数の人工知能サービスを実行するコンピュータであって、インターネット等の通信ネットワークＮを介して外部のサーバやデータベースなどからデータを収集することが可能なクラウドネットワーク上に構成され、通信ネットワークＮを介して外部サーバ６０と社内データベース７０に接続されている。人工知能プラットフォーム４０によって実行される人工知能サービスは主として、原子力施設のトラブル等情報を取得し、整理して分類してデータベースを構築する人工知能サービスと、集められたデータから用語を分析し検索条件を生成するためのキーワード変換テーブルを作成するため人工知能サービスと、データベースから関連性の高い事象を検索する人工知能サービスとの３つの人工機能サービスによって機能する。人工知能プラットフォーム４０は外部のＷｅｂサイトやデータベース等から原子力施設のトラブル等情報を収集し、過去のトラブルを整理して、分類し、記憶装置に記憶して事象データベース４１を構築する。

ユーザ端末５０は検索結果等を表示するディスプレイと、各種入力を行うキーボードとマウスを備えたＰＣであり、保修員によって操作が行われる。

図２の機能ブロック図を参照して連携サーバ３０および人工知能プラットフォーム４０の機能を説明する。

図２に示すように、連携サーバ３０は、受信部３１と、処理部３２と、通信部３３と、入出力部３４とを備える。受信部３１は故障予兆監視システム２２のアラームおよび異常情報の要因箇所名を受信する部分である。処理部３２はＣＰＵからなり、各種情報を処理し、通信部３３と入出力部３４を機能させる。通信部３３は、人工知能プラットフォーム４０と通信ネットワークＮを介して通信可能に接続され、連携サーバ３０と人工知能プラットフォーム４０とのデータの送受信を行う。入出力部３４は後述するユーザ端末５０と通信可能に接続されデータを送受信する。

人工知能プラットフォーム４０は事象データベース４１と、データ取得部４２と、データベース構築部４３と、キーワード変換テーブル作成部４４と、キーワード変換テーブルメモリ４５と、検索部４６と、通信部４７とによって構成される。

事象データベース４１は過去の事象記録、例えば過去の事象の原因、進展、対処法が記載された事象データを記憶するクラウドネットワーク上に構築された記憶装置である。

データ取得部４２は、通信ネットワークＮを介して原子力発電所のトラブル等が公表されているＷｅｂサイトやデータベースから、原子力発電所のトラブル等が記載されたデータを取得する。原子力発電所のトラブル等が記載されたトラブル等情報のデータは、様々な種類・形式が含まれる非構造化・非定型的データであり、継時的に新たな情報が追加されていく、いわゆるビッグデータである。本実施の形態では、取得するデータとして一般社団法人原子力安全推進協会が公開する原子力施設情報公開ライブラリー「ニューシア（ＮＵＣＩＡ）」（登録商標）を利用する。ニューシアは、原子力発電所や原子燃料サイクル施設の運転に関する情報を広く共有化するためのＷｅｂサイトである。ニューシアにおいては、原子炉施設の故障が原因で原子炉を停止したり、基準を超える放射性物質の漏れが発生したりした場合など、法令に基づき国への報告が必要となる事象をトラブルと呼んでおり、トラブルの内容や原因、対策などを「トラブル情報」と呼んでいる。このサイトへはさらに、機器・配管の小さなひび割れなど、国へ報告する必要のない軽微な事象であるが、保安活動の向上の観点から電力各社で共有化するだけでなく、産官学でも情報共有化することが有益な情報が「保全品質情報」が登録されている。本実施の形態ではニューシアに登録されているデータの内、上記の「トラブル情報」に「保全品質情報」を含めた「トラブル等情報」を取得するデータとして採用している。

さらにデータ取得部４２は、発電所のオリジナルデータとして、ニューシアに登録する要件に満たない事象記録や、過去の保修、保守、点検の作業記録である過去事象情報を記憶している社内データベース７０からもデータを取得する。

データベース構築部４３は人工知能モジュールとして機能し、データ取得部４２によって取得したデータを解析して、過去の事象の原因、進展、対処法等が整理された事象データとして事象データベース４１に記憶する。すなわちデータベース構築部４３は、データ取得部４２が取得したデータを１件ごとに、テキストの用語、文脈を人工知能が分析し、事象を検索しやすいようにデータの内容をカテゴリ毎に整理して記憶する。

ここで、図３によって事象データベース４１のデータ構造について説明する。

事象データベース４１に記憶されるデータには会社名データがある。会社名データは原子力発電所を運用している電力会社名が記録されている。

事象データベース４１に記憶されているデータには発電所名データがある。発電所名データは発電所名が記録されている。

事象データベース４１に記憶されているデータには件名データがある。件名データには事象の件名が記録されている。

事象データベース４１に記憶されているデータには国への法令報告根拠データがある。国への法令報告根拠データには事象の報告根拠となっている法令が記憶される。例えば「実用炉規則１３４条第３号」というように記憶され、根拠法令の無い「保全品質情報」や独自の運転記録である場合は「無し」と記憶される。

事象データベース４１に記憶されているデータには国際原子力事象評価尺度がある。国際原子力事象評価尺度（ＩＮＥＳ）は、国際原子力機関（ＩＡＥＡ）と経済協力開発機構原子力機関（ＯＥＣＤ／ＮＥＡ）が定めた尺度で、原子力施設等の異常事象や事故を、その深刻度に応じて分類したもので、深刻度の低いものから順に０～７のカテゴリに分けられたものが記憶される。

事象データベース４１に記憶されているデータには事象発生箇所データがある。事象発生個所データは、事象の発生個所を示すもので「設備」、「系統」、「機器」、「部品」の４つの階層によって、例えば、「設備：原子炉冷却系統設備」「系統：一次冷却系」「機器：熱交換器・冷却器装置＞蒸気発生器」「部品：伝熱管」というように記憶される。

事象データベース４１に記憶されているデータには事象発生時の状況データがある。事象発生時の状況データには、事象の発生時の状況を示すテキストデータが記憶されている。例えば「定格熱出力一定運転中の○○原子力発電所２号機において、○月×日、原子炉圧力と原子炉熱出力の変化を運転員が確認した。現場を確認した結果、タービン建物２階の主油タンク室床面に水溜りと、Ｃ－主蒸気圧力検出器付近からの水の漏えいを確認したため、当該検出器の元弁を閉止したところ、漏えいは停止した。」というようなテキストデータが記載されている。

事象データベース４１に記憶されているデータには原因調査の概要データがある。原因調査の概要データには、原因調査を実施した報告内容が記憶されている。例えば、「（１）外観検査および浸透探傷検査（２）放射線透過検査（３）エネルギー分散蛍光Ｘ線分析（４）破面ミクロ観察（５）機械的性質（６）ブルドン管母材成分分析（７）低サイクル疲労試験および破壊靭性試験」といったテキストデータが記憶されている。

事象データベースに記憶されているデータには事象の原因データがある。事象の原因データには原因調査の結果が記憶されている。例えば、「漏えいの原因調査を行った結果、ブルドン管の材質、強度など材料に問題はなく、成型、加工を行う際、ブルドン管の型くずれを防ぐために使用するハンダ材（Ｂｉ、Ｐｂ、Ｓｎ、Ｃｄなど）が完全に抜取れず、極わずかであるが内部に残存したことに伴い、ハンダ成分であるＢｉが誘発した低融点金属割れが主要因となり、割れが生じ漏えいしたものと推定した。」といったテキストデータが記憶される。

事象データベース４１に記憶されているデータには原因分類データがある。原因分類データには事象の原因をカテゴリ毎に分類したカテゴリ名が記憶されている。例えば、「保守・施工不良＞保守不良」といったように記憶される。

事象データベース４１に記載されているデータには再発防止対策データがある。「事象の原因」において記載した原因に対して行った再発防止対策について記憶されている。

また、図示はしないが事象データベース４１には他に参考資料データ、プラント状況データ、分析用情報データ、関連情報データ等のデータが記憶されている。

このようにデータ取得部４２によって取得されたデータは人工知能機能によって解析され、カテゴリごとに整理された事象データとして、１件毎に、事象データベース４１に記憶される。

キーワード変換テーブル作成部４４は、人工知能モジュールとして機能し、キーワード変換テーブルを作成する。キーワード変換テーブルは、故障予兆監視システム２２が検知した関係性の崩れの要因となった要因箇所名を示す特定文字列を、対応する任意の文字列に置き換えるためのデータ変換表であって、キーワード変換テーブルによって要因箇所名の集合を検索パターンに置き換える。キーワード変換テーブル作成部４４は、事象データベースの事象データに含まれる用語を分析し、故障予兆監視システム２２が監視しているセンサ、すなわち要因箇所と対応する用語を選ぶ。

図４（ａ）に示すように、例えば、要因箇所名を示す特定文字列を「ＰＬＲ系」とすると、事象データベース４１の事象データの中での用語の頻出度合い、使用傾向等を人工知能が解析し、同じ意味をもつ用語として、「原子炉再循環系」を見つける。この場合キーワード変換テーブル作成部４４は特定文字列を「ＰＬＲ系」としたときの対応する任意の文字列を「ＰＬＲ系」、「原子炉再循環系」としてキーワード変換テーブルを作成する。キーワード変換テーブルによって作成されたキーワード変換テーブルは、キーワード変換テーブルメモリ４５に記憶される。キーワード変換テーブル作成部４４は学習によって、「ＰＬＲ系」や「原子炉再循環系」の用語と同一の文脈で「原子炉冷却再循環系」といった用語が用いられていると学習すると、図４（ｂ）に示すように対応する任意の文字列に「原子炉冷却再循環系」を追加する。キーワード変換テーブル作成部４４が作成したキーワード変換テーブルは、キーワード変換テーブルメモリ４５に記憶される。

検索部４６は、人工知能モジュールとして機能し、故障予兆監視システム２２が出力した異常情報をもとに、事象データベース４１から関連性の高い事象データを検索する。故障予兆監視システム２２のアラームの関係性の崩れの要因となった要因箇所を受けると、キーワード変換テーブルメモリ４５からキーワード変換テーブルを読み出し、要因箇所からキーワード検索パターンを生成する。キーワード検索パターンを例示すると、図５で示すように、「主蒸気ヘッダ圧力」が箇所情報だとすると、「主蒸気ヘッダ圧力」を「系統レベル」、「機器レベル」、「部位・物理量レベル」の三つの検索レベルに分け、「［系統レベル／主蒸気］ａｎｄ［機器レベル／主蒸気ヘッダ］ａｎｄ［部位・物理量レベル／圧力］」というような検索パターンとなる。

通信部４７は、連携サーバ３０を介して、故障予兆監視システム２２およびユーザ端末５０との通信を行い。また、クラウドネットワーク上から他のＷｅｂサーバや外部データベースとの通信を行う。

つぎにこの監視支援システム１における事象データベースの作成から検索結果を出力するまでのフローを図７に沿って説明する。

故障予兆監視システム２２は原子力プラント２１の運転監視用計算機が出力するプラントセンサー情報の監視を行う（ステップＳ１）。故障予兆監視システム２２は所定の数以上の各センサ間の関係性の崩れを検知すると、（ステップＳ２）、故障予兆事象をキーワード化する（ステップＳ３）。そして人工知能プラットフォーム４０に連携サーバ３０を介して人工知能プラットフォーム４０にアラームとキーワードを含む異常情報が伝達される（ステップＳ４）。

故障予兆監視システム２２による監視と平行して、人工知能プラットフォーム４０のデータ取得部４２は、ニューシアの登録情報が記憶されている外部サーバ６０および発電所内独自のデータが記憶されている社内データベース７０から、事象データベース４１の作成に必要なデータを検索して取得する（ステップＳ５）。取得されたデータは、データベース構築部４３の人工知能によって解析されカテゴリ毎に整理された事象データとして、１件ごとに事象データベース４１に記憶され、事象データベース４１が作成される（ステップＳ６）。

人工知能プラットフォーム４０のキーワード変換テーブル作成部４４は、事象データに含まれる用語を分析し、キーワード変換テーブルを作成する。作成されたキーワード変換テーブルはキーワード変換テーブルメモリ４５に記憶される。

人工知能プラットフォーム４０は事象データベース４１に記憶されている多数の事象データを用いてデータベース構築部４３、キーワード変換テーブル作成部４４、検索部４６の学習を行う。特定用語についての時系列での頻出度合い、用語間の関連性や関連度合い、さらには感情分析など様々な分析を行う。データベース構築部４３は、人工知能によって事象データを解析し、その内容について様々な角度で分類する。キーワード変換テーブル作成部４４は事象データの要因箇所名についての時系列での頻出度合い、用語間の関連性や関連度合いを分析し、キーワード変換テーブルの要因箇所に対応する文字列を更新する。

人工知能プラットフォーム４０はキーワードを受信すると、事象データベース４１の検索を行う。まず、検索部４６が、キーワード変換テーブルメモリ４５からキーワード変換テーブルを読み出し、受信したキーワードをキーワード変換テーブルによって対応する語句に変換して検索パターンを生成する。そして検索部４６はステップ６で生成された検索パターンをもとにした検索条件によって事象データベースを検索する（ステップＳ７）。この時、検索条件は、単に要因箇所に対応するキーワードではなく、文脈での検索条件を作成することも出来る。例えば「温度が異常に上昇した」事象と、「温度が適切に上昇しなかった」事象があったとすると、「温度」「上昇」というキーワードの組み合わせの検索では双方とも該当してしまうが、「温度が異常に上昇した」というようにキーワードを文書にして検索することができる。

検索部４６が、事象データベース４１から類似事象他を検索して数件から数十件に絞り込むと（ステップＳ８）、検索結果を連携サーバ３０に送信し、連携サーバ３０は、ユーザ端末５０にデータを送信する。そして、ユーザ端末５０が検索結果を出力する（ステップＳ９）。検索結果は、ディスプレイ上に図８で示すような画面で、検索結果が関連性の高いものから順に表示される。検索結果のタイトルを選択すると、事象データを閲覧することができる。このように保修員は、ディスプレイに表示された検索結果を選択し、情報を得る。

ユーザ端末５０を操作する保修員は表示された検索結果を確認し、検索結果の件数や内容に過不足がないか確認する（ステップＳ１０）。

過不足が無ければ運転員、保修員他に検索結果を提示し（ステップＳ１１）、検索結果を故障予兆監視システム内のデータベースへフィードバックする（ステップＳ１２）。

ここで検索結果に過不足があれば追加で絞り込みや広げて検索することができる。例えば検索結果が少ない、あるいは関連性のあるものではない場合はｏｒ検索をすることで、関連性の高い事象を検索する。逆に検索結果が多い場合は、キーワードをａｎｄ検索で加えることで、検索結果を絞り込むことができる。また、この追加検索の際に、「圧力が上昇した例」等の文脈で検索して絞り込んでもよい。このように保修員は追加のキーワードを入力して、キーワード検索の追加、修正を行う（ステップＳ１３）。人工知能プラットフォーム４０はキーワード検索の追加、修正をもとに再検索を行う（ステップＳ５～Ｓ１０）。

人工知能プラットフォーム４０のデータ取得部４２は外部サーバ６０および社内データベース７０に定期的にアクセスして、新たな情報が追加されていると、新たな事象データとして取得し、データベース構築部４３が事象データベースに記憶する。新しい事象データが追加されると追加学習を行う。

また、検索結果についてフィードバックがされると、これらのデータを学習データに追加して追加学習を行う。

ここで追加学習のフローを図９に沿って説明する。例えば、保修員は、今回起こった事象についての対処が完了すると報告書を作成する。報告書はニューシアへの登録要件を満たせばニューシアに登録され、登録要件を満たさなければ所内データベースに登録される。取得部は、定期的にニューシアおよび所内データベースから情報を取得する。新しい事象が登録されていた場合は、取得部はこの新しい情報を取得し、データベース構築手段は、新しい事象をデータベースに分類して登録する。またユーザ端末５０などから直接入力してもよい。このように、監視支援システム１の人工知能プラットフォーム４０は事象データと検索結果のフィードバックを学習データにして、検索に最適なように事象データベースの分析、分類を行う（ステップＳ１１０）。

追加検索の入力が行われたときは、連携サーバ３０は、追加検索の内容を人工知能プラットフォーム４０に送信する。追加検索の内容を受けると、検索部４６は追加の検索内容を検索パターンに追加して事象データベース４１を検索する。さらにキーワード変換テーブル作成部４４は、追加検索の内容を学習データに追加して、キーワード変換テーブルを更新する。例えば、ｏｒ検索の場合は検索に不足があった、事象データベース内の関連性の高い用語が変換テーブルに含まれていなかったことを学習して、キーワード変換テーブルを更新する。ａｎｄ検索をした場合は検索結果が過剰であったと判断し、例えば、キーワード変換テーブルの変換候補ワードから関連性の低いと考えられるワードを削除するなどしてキーワード変換テーブルを更新する（ステップＳ１２０）。

更新された事象データベース４１の事象データを用いて、検索部は追加学習を行う（Ｓ１３０）。

以上で説明したように、本実施の形態に係る監視支援システムおよび監視支援方法によれば、故障予兆監視システム２２のアラームを受けると、予兆の原因となった事象と関連性の高い過去の事象を事象データベース４１から検索し、検索結果を出力することができるので、原子力プラントの運転員に検索結果が示す過去の事象から、予兆の原因究明と原因除去等の対処にあたって参照できる資料を示すことができ、経験の浅い運転員、保修員であっても、故障の予兆の段階で、原因の推定や今後の事象の進展の予測を容易に行うことができる。結果として、プラントの運転、保守の負担を軽減することができ、設備管理、運転管理の品質向上を図ることが可能となる。

また、人工知能プラットフォーム４０の学習機能により、事象データベース４１は検索しやすいように整理されて分類され、キーワード変換テーブルは検索結果のフィードバックや事象データベース４１に追加されたデータを学習して更新するので、漏れがなく精度の高い検索が可能となる。また、事象データベース４１は、人工知能の学習機能によって分類されている為、素早い検索が可能となる。検索部４６はキーワードの集合だけでなく文脈を入力することでの検索が可能であり、異常情報と関連性の高い事象に絞り込むことができる。

以上、この発明の実施の形態について説明したが、具体的な構成は、上記の実施の形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計の変更等があっても、この発明に含まれる。

例えば、故障予兆監視システム２２は関係性の崩れの合計値（アノマリスコア）が一定値を超えるとアラームを出力する構成とし、合計値の内、関係性の崩れの値の大きい上位要因箇所を元に検索パターンを生成してもよい。

上記の実施の形態では、国内のトラブル等データが集積されたニューシアからデータを取得しているが、それだけに限らず、例えば、海外のトラブル等データが集積された日本語以外の言語によるデータが集積されたサーバやデータベースを加えてもよい。また、セキュリティ対策としてデータダイオードの設置や、データの暗号化などを採用してもよい。

１監視支援システム
２１原子力プラント
２２故障予兆監視システム
３０連携サーバ
３１受信部
３２処理部
３３通信部
３４入出力部
４０人工知能プラットフォーム
４１事象データベース
４２データ取得部
４３データベース構築部
４４キーワード変換テーブル作成部
４５キーワード変換テーブルメモリ
４６検索部
４７通信部
５０ユーザ端末
６０外部サーバ
７０社内データベース
Ｎ通信ネットワーク

Claims

監視対象となるプラントの機器や系統である機器系統にセンサが設けられ、前記機器系統が正常時の各センサ間の関係性を表す監視モデルを作成し、実働する前記機器系統について前記監視モデルを基にして前記各センサ間の関係性の崩れを検知し、前記各センサ間の関係性の崩れが所定の数以上あったときに前記監視対象となるプラントの異常の予兆と判定し、アラームと関係性の崩れのあった異常箇所を示す異常情報とを出力する故障予兆監視手段と、
前記監視対象となるプラントを含む複数のプラントの運転に関する情報が記憶された外部サーバから、前記運転に関する情報を取得し、前記運転に関する情報に含まれるデータを人工知能による学習機能によって整理し、分類して過去の事象の原因、進展および対処法を含む事象データを事象データベースに記憶するデータベース構築手段と、
前記故障予兆監視手段が前記異常情報を出力すると、前記異常情報から検索条件を作成し、前記事象データベースを検索して前記異常情報と関連性の高い過去の事象の原因、進展および対処法を含む検索結果を出力する検索手段と、
前記検索結果を表示する表示手段と、を備え、
前記検索手段は、人工知能による学習機能によって前記事象データベースに記憶されたデータに含まれる用語を分析し、前記異常情報に示された前記異常箇所と対応する１以上の同意語に置き換えるためのキーワード変換テーブルを作成し、前記異常箇所を系統レベルと、機器レベルと、部位・物理量レベルと、の検索レベルに分け、前記キーワード変換テーブルを用いて前記検索レベルごとにキーワードを設定し、前記検索レベルおよびキーワードをａｎｄ条件とした検索条件を作成する、
ことを特徴とする監視支援システム。
前記データベース構築手段は、前記監視対象となるプラントの前記運転に関する情報に含まれない過去の記録情報を取得して、前記記録情報に含まれるデータを人工知能による学習機能によって整理し、分類して前記事象データベースに記憶する、
ことを特徴とする請求項１に記載の監視支援システム。
前記検索条件を入力する入力手段を備えたことを特徴とする請求項１または２に記載の監視支援システム。
監視対象となるプラントの機器や系統である機器系統にセンサが設けられ、前記機器系統が正常時の各センサ間の関係性を表す監視モデルを作成し、実働する前記機器系統について前記監視モデルを基にして前記各センサ間の関係性の崩れを検知し、前記各センサ間の関係性の崩れが所定の数以上あったときに前記監視対象となるプラントの異常の予兆と判定し、アラームと関係性の崩れのあった異常箇所を示す異常情報とを出力する故障予兆監視ステップと、
前記監視対象となるプラントを含む複数のプラントの運転に関する情報が記憶された外部サーバから、前記運転に関する情報を取得し、前記運転に関する情報に含まれるデータを人工知能による学習機能によって整理し、分類して過去の事象の原因、進展および対処法を含む事象データを事象データベースに記憶するデータベース構築ステップと、
前記異常情報が出力されると、前記異常情報から検索条件を作成し、前記事象データベースを検索して前記異常情報と関連性の高い過去の事象の原因、進展および対処法を含む検索結果を出力する検索ステップと、
前記検索結果を表示する表示ステップと、を備え、
前記検索ステップは、人工知能による学習機能によって前記事象データベースに記憶されたデータに含まれる用語を分析し、前記異常情報に示された前記異常箇所と対応する１以上の同意語に置き換えるためのキーワード変換テーブルを作成し、前記異常箇所を系統レベルと、機器レベルと、部位・物理量レベルと、の検索レベルに分け、前記キーワード変換テーブルを用いて前記検索レベルごとにキーワードを設定し、前記検索レベルおよびキーワードをａｎｄ条件とした検索条件を作成する、
ことを特徴とする監視支援方法。