JPH0392795A - 原子力発電プラントの診断方法 - Google Patents
原子力発電プラントの診断方法Info
- Publication number
- JPH0392795A JPH0392795A JP1228411A JP22841189A JPH0392795A JP H0392795 A JPH0392795 A JP H0392795A JP 1228411 A JP1228411 A JP 1228411A JP 22841189 A JP22841189 A JP 22841189A JP H0392795 A JPH0392795 A JP H0392795A
- Authority
- JP
- Japan
- Prior art keywords
- pattern
- event
- plant
- cause
- spectral density
- 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.)
- Pending
Links
- 238000002405 diagnostic procedure Methods 0.000 title description 3
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000003595 spectral effect Effects 0.000 claims abstract description 9
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 abstract description 20
- 230000005856 abnormality Effects 0.000 abstract description 16
- 238000003745 diagnosis Methods 0.000 abstract description 11
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000005281 excited state Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
［発明の目的］
（産業上の利用分野）
本発明は、原子力発電プラントの診断方法、特に原子力
発電プラントのプロセス異常の診断方法に関する。
発電プラントのプロセス異常の診断方法に関する。
（従来の技術）
原子力発電プラントには極めて高い安全性が要求され、
異常が発生した場合には可能なかぎり早期に検出される
ことが望まれる。このための方法としては、中性子束等
のプロセス信号のゆらぎ（雑音）戊分に高速フーリエ変
換（ＦＦＴ）等の信号処理をほどこして、周波数に対す
る信号のパワースペクトル密度（Ｐ Ｓ Ｄ）をプロッ
トしたグラフ波形から異常を診断する雑音解析方法が知
られている。
異常が発生した場合には可能なかぎり早期に検出される
ことが望まれる。このための方法としては、中性子束等
のプロセス信号のゆらぎ（雑音）戊分に高速フーリエ変
換（ＦＦＴ）等の信号処理をほどこして、周波数に対す
る信号のパワースペクトル密度（Ｐ Ｓ Ｄ）をプロッ
トしたグラフ波形から異常を診断する雑音解析方法が知
られている。
（発明が解決しようとする課題）
しかしながら、上記の雑音解析方法では、ＰＳＤ波形を
解釈するためには専門的な知識が必要で、現場の運転員
や保守員が判断するのは困難であった。また、この解釈
をコンピュータで行う方法も考えられているが、現状で
は波形を認識して微妙な違いを識別する強力なパターン
認識のアルゴリズムが確立されていない。
解釈するためには専門的な知識が必要で、現場の運転員
や保守員が判断するのは困難であった。また、この解釈
をコンピュータで行う方法も考えられているが、現状で
は波形を認識して微妙な違いを識別する強力なパターン
認識のアルゴリズムが確立されていない。
本発明は上記事情に鑑みてなされたもので、その目的は
原子力発電プラントで発生した異常を初期段階で検出し
、この異常が既知の事象であればその原因を速やかに判
定し、未知の事象であれば学習して以後の診断が可能な
原子力発電プラントの診断方法を提供することにある。
原子力発電プラントで発生した異常を初期段階で検出し
、この異常が既知の事象であればその原因を速やかに判
定し、未知の事象であれば学習して以後の診断が可能な
原子力発電プラントの診断方法を提供することにある。
［発明の構戊］
（課題を解決するための手段）
上記目的を達威するために、本発明はプラントのプロセ
ス信号をＦＦＴ等の信号処理技術を用いて求めたパワー
スペクトル密度（Ｐ Ｓ Ｄ）のパターンを人力し、ニ
ューラルネットを州いてパターン認識を行い、過去に経
験したパターンはすべて同定できるように学習させてお
き、未知のパターンが現れれば以後これを認識できるよ
うに自動的に学習させることにより、原子力プラントの
既知の異常を早期に検出して原因を同定するとともに、
未知の異常については以後の診断が可能となるようにし
たことを特徴とするものである。
ス信号をＦＦＴ等の信号処理技術を用いて求めたパワー
スペクトル密度（Ｐ Ｓ Ｄ）のパターンを人力し、ニ
ューラルネットを州いてパターン認識を行い、過去に経
験したパターンはすべて同定できるように学習させてお
き、未知のパターンが現れれば以後これを認識できるよ
うに自動的に学習させることにより、原子力プラントの
既知の異常を早期に検出して原因を同定するとともに、
未知の異常については以後の診断が可能となるようにし
たことを特徴とするものである。
（作 用）
本発明によれば、原子力発電プラン１・に異常が発生し
た場合に、既知の異常であれば直ちにこれを検出して原
因を同定することができ、未知の異常であればこれを自
動的に学習して以後の診断が可能となる。これによって
運転員が早期に適切な応対をとることができ、プラント
の健全性の監視、維持に貢献するとともに、不必要なプ
ラン１・停止が回避できるので稼働率の向上につながる
。
た場合に、既知の異常であれば直ちにこれを検出して原
因を同定することができ、未知の異常であればこれを自
動的に学習して以後の診断が可能となる。これによって
運転員が早期に適切な応対をとることができ、プラント
の健全性の監視、維持に貢献するとともに、不必要なプ
ラン１・停止が回避できるので稼働率の向上につながる
。
（実施例）
本発明の実施例を図面を参照して説明する。
第１図は本発明の一実施例の措或図である。
図に示すように、ブラン１・１からのデータはデータ収
集装置２へ集められた後診断装置３でプラントで異常が
発生したか否かの診断をする。この診断装置３はＦＦＴ
演算部４，入力パターン作或部５，ニューラルネット６
，出力解釈部７，学習部８，異常原因部９とから構威さ
れている。診断結果は表示装置１０で表示される。
集装置２へ集められた後診断装置３でプラントで異常が
発生したか否かの診断をする。この診断装置３はＦＦＴ
演算部４，入力パターン作或部５，ニューラルネット６
，出力解釈部７，学習部８，異常原因部９とから構威さ
れている。診断結果は表示装置１０で表示される。
ところで、ニューラルネット６の構成は、第２図に示す
ように入力層１１と出力層１２がそれぞれ１層、中間層
１３が数層の多層構造となっている。入力層１１、出力
層１２、中間層１３は多数のニューロンｊ４から構成さ
れており、各ニューロン１４は同一層内の他のニューロ
ン１４との間の結合はなく、上流層のすべてのニューロ
ン１４と結合の強さを表すある重みＷを持って結合して
おり、それらの出力と重みを掛け合わせた値の総和を入
力として、演算規則、例えば次に示したシグモイド関数
ｆ （１） ＝−！− （１． ＋ｔａｎ ｈ （一
） ）２ Ｕｏ （Ｕｏはシグモイド関数の傾き） に従って計算された０から１の間の値を下流のすべての
ニューロン１４に伝える。
ように入力層１１と出力層１２がそれぞれ１層、中間層
１３が数層の多層構造となっている。入力層１１、出力
層１２、中間層１３は多数のニューロンｊ４から構成さ
れており、各ニューロン１４は同一層内の他のニューロ
ン１４との間の結合はなく、上流層のすべてのニューロ
ン１４と結合の強さを表すある重みＷを持って結合して
おり、それらの出力と重みを掛け合わせた値の総和を入
力として、演算規則、例えば次に示したシグモイド関数
ｆ （１） ＝−！− （１． ＋ｔａｎ ｈ （一
） ）２ Ｕｏ （Ｕｏはシグモイド関数の傾き） に従って計算された０から１の間の値を下流のすべての
ニューロン１４に伝える。
入力層１１のニューロン１４の数は上記の出力分点の数
とし、それぞれの周波数におけるＰＳＤの値５ が各ニューロン１４の入力となる。出力層１２のニュー
ロン１４は診断結果として得られる異常事象に相当し、
その数は既知の異常パターンよりも多めにとっておく。
とし、それぞれの周波数におけるＰＳＤの値５ が各ニューロン１４の入力となる。出力層１２のニュー
ロン１４は診断結果として得られる異常事象に相当し、
その数は既知の異常パターンよりも多めにとっておく。
中間層１３の数とそれぞれの層のニューロン数は、以下
に説明する学習が速やかに行なわれるように試行錯誤に
より選定する。
に説明する学習が速やかに行なわれるように試行錯誤に
より選定する。
事前の学習とは、正常時と既知の異常時のプロセス信号
のＰＳＤパターンを識別できるように、ネットワークの
重みＷを調整することである。
のＰＳＤパターンを識別できるように、ネットワークの
重みＷを調整することである。
まず適当な重みの初期値の下に、正常時と既知の異常時
に対する離散化したＰＳＤパターンを人力し、演算規則
に従って各ニューロンの出力を計算してニューラルネッ
ト全体の出力パターンを求める。ネットワークの出力パ
ターンは、プラントの既知状態や未知状態に対応する出
力層の二二一ロンの興奮状態で表現される。この状態は
０から１で表わされ、０に近ければ（興奮していなけれ
ば）その事象が起こっている可能性が小さく、１に近け
れば（興奮していれば）その事象が起こっている可能性
が高いことを表わしている。学習の６ 初期の段階ではネットワーク結合の重みの値が調整され
ていないので、既知の事象のＰＳＤパターンを人力して
も正しい出力パターン（入力に応対する事象を示すニュ
ーロンのみ興奮して、他のニューロンは興奮しない）は
得られない。そこで、正解のパターンを与えてネットワ
ークの出力パターンとの誤差をニューロンごとに算出し
、誤差逆伝播アルゴリズム（甘利優一「神経回路の数理
」産業図書株式会社発行 参照）にしたがって誤差が小
さくなるようにネットワークの重みを出力側から人力側
に向かって順番に調整してゆく。これを既知のすべての
パターンが識別できるようになるまで繰り返し行うこと
により、ネットワークの学習が終了する。
に対する離散化したＰＳＤパターンを人力し、演算規則
に従って各ニューロンの出力を計算してニューラルネッ
ト全体の出力パターンを求める。ネットワークの出力パ
ターンは、プラントの既知状態や未知状態に対応する出
力層の二二一ロンの興奮状態で表現される。この状態は
０から１で表わされ、０に近ければ（興奮していなけれ
ば）その事象が起こっている可能性が小さく、１に近け
れば（興奮していれば）その事象が起こっている可能性
が高いことを表わしている。学習の６ 初期の段階ではネットワーク結合の重みの値が調整され
ていないので、既知の事象のＰＳＤパターンを人力して
も正しい出力パターン（入力に応対する事象を示すニュ
ーロンのみ興奮して、他のニューロンは興奮しない）は
得られない。そこで、正解のパターンを与えてネットワ
ークの出力パターンとの誤差をニューロンごとに算出し
、誤差逆伝播アルゴリズム（甘利優一「神経回路の数理
」産業図書株式会社発行 参照）にしたがって誤差が小
さくなるようにネットワークの重みを出力側から人力側
に向かって順番に調整してゆく。これを既知のすべての
パターンが識別できるようになるまで繰り返し行うこと
により、ネットワークの学習が終了する。
本実施例の診断方法では、常時監視している中性子束や
炉心流量といった原子力プラントのプロセス信号の時系
列データを一定時間間隔で高速フーリエ変換（ＦＦＴ）
等により周波数領域へ変換して求めた各信号の周波数特
性、ここではパワースペクトル密度（ＰＳＤ）のパター
ンを入力として使用する。すなわち、第３図に示すよう
にＰＳＤは信号ごとに調べる周波数領域を定め、縦軸は
最大値が１−となるように規格化しておく。ニコ．ーラ
ルネットへの人力は、診断に必要な分解能が得られるだ
け周波数領域を分割し、それぞれの周波数分点（ｆ１）
におりる規格化されたＰＳＤ値（ｐｉ）を用いる。ニュ
ーラルネツ１・は与えられたパターンを識別し、前もっ
て学習してある既知の異常事象のどれに該当するかを調
べて原因を同定する。例えば第３図の入力パターンに対
して第４図に示す出力パターンが得られたとする。この
第４図の出力パターンに該当するものがない場合には未
知のパターンとして学習して識別できるようにし、原因
が解明された時点でこれをパターンに対応させて記憶さ
せることにより、以後の診断では原因同定までできるよ
うになる。
炉心流量といった原子力プラントのプロセス信号の時系
列データを一定時間間隔で高速フーリエ変換（ＦＦＴ）
等により周波数領域へ変換して求めた各信号の周波数特
性、ここではパワースペクトル密度（ＰＳＤ）のパター
ンを入力として使用する。すなわち、第３図に示すよう
にＰＳＤは信号ごとに調べる周波数領域を定め、縦軸は
最大値が１−となるように規格化しておく。ニコ．ーラ
ルネットへの人力は、診断に必要な分解能が得られるだ
け周波数領域を分割し、それぞれの周波数分点（ｆ１）
におりる規格化されたＰＳＤ値（ｐｉ）を用いる。ニュ
ーラルネツ１・は与えられたパターンを識別し、前もっ
て学習してある既知の異常事象のどれに該当するかを調
べて原因を同定する。例えば第３図の入力パターンに対
して第４図に示す出力パターンが得られたとする。この
第４図の出力パターンに該当するものがない場合には未
知のパターンとして学習して識別できるようにし、原因
が解明された時点でこれをパターンに対応させて記憶さ
せることにより、以後の診断では原因同定までできるよ
うになる。
第５図は本発明による診断方法の具体例を示す。
上述のようにして既知事象Ｅｌ， Ｅ２， Ｅ３Ｅ
ｎが識別できるように学習したネットワークに対して、
プラントで観測された事象ＸのＰＳＤパターンを入力す
る。同図（ａ）に示すように事象Ｘが学習済みの既知事
象Ｅ２であれば、これに対応する出力層のニューロンが
興奮して異常原因がただちに同定される。また、同図（
ｂ）に示すように事象Ｘが未知事象であれば、対応する
特定のニューロンがないので正解のパターンは得られな
い。
ｎが識別できるように学習したネットワークに対して、
プラントで観測された事象ＸのＰＳＤパターンを入力す
る。同図（ａ）に示すように事象Ｘが学習済みの既知事
象Ｅ２であれば、これに対応する出力層のニューロンが
興奮して異常原因がただちに同定される。また、同図（
ｂ）に示すように事象Ｘが未知事象であれば、対応する
特定のニューロンがないので正解のパターンは得られな
い。
このような場合には未知事象Ｘに対応する出力のニュー
ロンを決め、事象ＸのＰＳＤパターンに対してこのニュ
ーロンが興奮するような正解パターンを与え、ネットワ
ークの重みを再調整するように学習を行う。その後の解
析により事象Ｘを引き起こす原因が判明すれば、これを
記憶させてお《ことにより、以後事象Ｘが発生したとき
にはただちに検出して原因を同定することができる。
ロンを決め、事象ＸのＰＳＤパターンに対してこのニュ
ーロンが興奮するような正解パターンを与え、ネットワ
ークの重みを再調整するように学習を行う。その後の解
析により事象Ｘを引き起こす原因が判明すれば、これを
記憶させてお《ことにより、以後事象Ｘが発生したとき
にはただちに検出して原因を同定することができる。
（発明の効果）
以上説明したように、本発明の原子力プラントの診断方
法によれば、プラントに異常が生した時にこれを早期に
検出して異常原因を同定できるようになる。このためプ
ラントの健全性の監視や維持に何効であるとともに、不
必要なプラント停止９ を回避できるので稼働率が向上するという効果を奏する
。
法によれば、プラントに異常が生した時にこれを早期に
検出して異常原因を同定できるようになる。このためプ
ラントの健全性の監視や維持に何効であるとともに、不
必要なプラント停止９ を回避できるので稼働率が向上するという効果を奏する
。
第１−図は本発明の一実施例の構或図、第２図は第１図
のニューラルネットの構戒図、第３図は第１図の入力パ
ターンを示す図、第４図は第１図の出力パターンを示す
図、第５図は本発明による診断方法の具体例を説明する
ための図である。 １・・・プラント ２・・・データ収集装置 ３・・・診断装置 ４・・・ＦＦＴ演算部 ５・・・入力パターン作成部 ６・・・ニューラルネッｌ・ ７・・・出力解析部 ８・・・学習部 ９・・・異常原因部 １０・・・表示装置 （８７３３）代理人 弁理士 猪 股 祥 晃（ほか
１名） １０ 〇一 −Ｏ：（１”（ｌｌ：’−−−− 幹ｅ？’＋Ｊ−！？へ− ０ （ｂ） 第 ５ 図
のニューラルネットの構戒図、第３図は第１図の入力パ
ターンを示す図、第４図は第１図の出力パターンを示す
図、第５図は本発明による診断方法の具体例を説明する
ための図である。 １・・・プラント ２・・・データ収集装置 ３・・・診断装置 ４・・・ＦＦＴ演算部 ５・・・入力パターン作成部 ６・・・ニューラルネッｌ・ ７・・・出力解析部 ８・・・学習部 ９・・・異常原因部 １０・・・表示装置 （８７３３）代理人 弁理士 猪 股 祥 晃（ほか
１名） １０ 〇一 −Ｏ：（１”（ｌｌ：’−−−− 幹ｅ？’＋Ｊ−！？へ− ０ （ｂ） 第 ５ 図
Claims (1)
- 原子力プラントのプロセス信号の時系列データに高速フ
ーリエ変換等の信号処理をほどこしてパワースペクトル
密度関数を求め、正常時のパワースペクトル密度パター
ンと原因の分かっている異常時のパワースペクトル密度
パターンからプラントが正常か異常かを判断できるよう
に前もって学習させておいたニューラルネットを準備し
ておき、求めたパワースペクトル密度のパターンを入力
して現在のプラントの状態を速やかに判定するとともに
、未知のパワースペクトル密度パターンが入力された場
合にはそのパターンを認識して識別できるように自動的
に学習し直し、原因が明らかになった時点で学習したパ
ターンに原因を関連づけて記憶させておくことにより、
以後の診断では経験済みのすべての事象を診断できるよ
うに自動学習することを特徴とする原子力発電プラント
の診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1228411A JPH0392795A (ja) | 1989-09-05 | 1989-09-05 | 原子力発電プラントの診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1228411A JPH0392795A (ja) | 1989-09-05 | 1989-09-05 | 原子力発電プラントの診断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0392795A true JPH0392795A (ja) | 1991-04-17 |
Family
ID=16876050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1228411A Pending JPH0392795A (ja) | 1989-09-05 | 1989-09-05 | 原子力発電プラントの診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0392795A (ja) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05157662A (ja) * | 1991-12-04 | 1993-06-25 | Sumitomo Heavy Ind Ltd | 射出成形機の故障診断方法及び故障診断装置 |
| JPH05207985A (ja) * | 1991-11-29 | 1993-08-20 | Nec Corp | 心電図波形認識方式 |
| WO1994012917A1 (en) * | 1992-11-23 | 1994-06-09 | Architectural Energy Corporation | Automated diagnostic system having temporally coordinated wireless sensors |
| EP0633536A1 (en) * | 1993-07-09 | 1995-01-11 | International Business Machines Corporation | Diagnosis method and system for predictive machine maintenance |
| JPH07168619A (ja) * | 1993-10-20 | 1995-07-04 | Hitachi Ltd | 機器／設備診断方法およびシステム |
| JPH10274558A (ja) * | 1997-01-28 | 1998-10-13 | Matsushita Electric Works Ltd | 回転機器の異常診断方法およびその装置 |
| JPH11212947A (ja) * | 1998-01-26 | 1999-08-06 | Chugoku Electric Power Co Inc:The | 時系列データ予測方法および装置 |
| JP2003114294A (ja) * | 2001-10-04 | 2003-04-18 | Toshiba Corp | 発電プラントの監視・診断・検査・保全システム |
| JP2019204321A (ja) * | 2018-05-24 | 2019-11-28 | 株式会社ジェイテクト | 情報処理方法、情報処理装置、及びプログラム |
| JP2021015086A (ja) * | 2019-07-16 | 2021-02-12 | 株式会社東芝 | プラント評価システム及びプラント評価方法 |
| JP2021085708A (ja) * | 2019-11-26 | 2021-06-03 | 株式会社東芝 | プラント評価システム、方法及びプログラム |
| US11614205B2 (en) | 2016-02-26 | 2023-03-28 | Nec Corporation | Piping diagnostic device, piping diagnostic method, discriminant-problem optimizing device, discriminant-problem optimizing method, criteria distribution generating device, criteria distribution generating method, and storage medium |
-
1989
- 1989-09-05 JP JP1228411A patent/JPH0392795A/ja active Pending
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH05207985A (ja) * | 1991-11-29 | 1993-08-20 | Nec Corp | 心電図波形認識方式 |
| JPH05157662A (ja) * | 1991-12-04 | 1993-06-25 | Sumitomo Heavy Ind Ltd | 射出成形機の故障診断方法及び故障診断装置 |
| WO1994012917A1 (en) * | 1992-11-23 | 1994-06-09 | Architectural Energy Corporation | Automated diagnostic system having temporally coordinated wireless sensors |
| EP0633536A1 (en) * | 1993-07-09 | 1995-01-11 | International Business Machines Corporation | Diagnosis method and system for predictive machine maintenance |
| JPH0793018A (ja) * | 1993-07-09 | 1995-04-07 | Internatl Business Mach Corp <Ibm> | 動作状態の診断方法及びシステム |
| JPH07168619A (ja) * | 1993-10-20 | 1995-07-04 | Hitachi Ltd | 機器／設備診断方法およびシステム |
| JPH10274558A (ja) * | 1997-01-28 | 1998-10-13 | Matsushita Electric Works Ltd | 回転機器の異常診断方法およびその装置 |
| JPH11212947A (ja) * | 1998-01-26 | 1999-08-06 | Chugoku Electric Power Co Inc:The | 時系列データ予測方法および装置 |
| JP2003114294A (ja) * | 2001-10-04 | 2003-04-18 | Toshiba Corp | 発電プラントの監視・診断・検査・保全システム |
| US11614205B2 (en) | 2016-02-26 | 2023-03-28 | Nec Corporation | Piping diagnostic device, piping diagnostic method, discriminant-problem optimizing device, discriminant-problem optimizing method, criteria distribution generating device, criteria distribution generating method, and storage medium |
| JP2019204321A (ja) * | 2018-05-24 | 2019-11-28 | 株式会社ジェイテクト | 情報処理方法、情報処理装置、及びプログラム |
| JP2021015086A (ja) * | 2019-07-16 | 2021-02-12 | 株式会社東芝 | プラント評価システム及びプラント評価方法 |
| JP2021085708A (ja) * | 2019-11-26 | 2021-06-03 | 株式会社東芝 | プラント評価システム、方法及びプログラム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Paya et al. | Artificial neural network based fault diagnostics of rotating machinery using wavelet transforms as a preprocessor | |
| Guh et al. | Recognition of control chart concurrent patterns using a neural network approach | |
| CN108569607B (zh) | 基于双向门控循环神经网络的电梯故障预警方法 | |
| EP0855061B1 (en) | An expert system for testing industrial processes and determining sensor status | |
| Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
| CN109740523A (zh) | 一种基于声学特征和神经网络的电力变压器故障诊断方法 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| EP0433626A2 (en) | Physiologic waveform analysis | |
| Martinez-Garcia et al. | Visually interpretable profile extraction with an autoencoder for health monitoring of industrial systems | |
| JPH0392795A (ja) | 原子力発電プラントの診断方法 | |
| CN103678881B (zh) | 一种基于人工免疫与证据理论相结合的复合故障诊断方法 | |
| CN108647707A (zh) | 概率神经网络创建方法、故障诊断方法及装置、存储介质 | |
| CN104634603A (zh) | 一种复杂设备早期故障诊断方法 | |
| Samhouri et al. | An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network | |
| Hou et al. | An artificial neural network based anomaly detection algorithm for nuclear power plants | |
| CN117556347A (zh) | 一种基于工业大数据的电力设备故障预测与健康管理方法 | |
| Rosnelly et al. | Tropical diseases identification using neural network adaptive resonance theory 2 | |
| CN116720073A (zh) | 一种基于分类器的异常检测提取方法与系统 | |
| CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 | |
| KR960012078B1 (ko) | 자동차부품의 고장진단방법 | |
| Calado et al. | A hierarchical fuzzy neural network approach for multiple fault diagnosis | |
| Keyvan | Traditional signal pattern recognition versus artificial neural networks for nuclear plant diagnostics | |
| Chin et al. | A method of fault signature extraction for improved diagnosis | |
| CN112307918A (zh) | 一种基于模糊神经网络的变压器直流偏磁的诊断方法 | |
| Hou et al. | Manufacturing process monitoring using neural networks |