JPH04151515A - 特性変化予測方法およびシステム - Google Patents

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。

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、プラントで稼動中のセンサーの特性の経年変
化を予測するシステムに関し、特に、経験量の多いもの
の実稼動データから経験量の少ないもの経年変化を予測
する特性変化予測システムに関する。

［従来の技術］ 第２Ａ図は、火力プラントのタービンをオンラインで診
断し、リアルタイムで異常を告知する遠隔診断システム
である。

各発電プラントｌａ、ｌｂ、ｌｃのセンサー情報１３は
電話回路６ａ、６ｂ、６ｃを利用して診断センタ１７に
集められ、エキスパートシステムによる一括診断に用い
られる。

これは、プラントの異常事象における各種の情報から、
異常な部品を特定し、プラントを停止して交換すべきか
否かの判断を行うものである。特にセンサーについては
、例えば、同一物理量を測定している複数のセンサー間
の相関関係をみて、異常なセンサーを割出す等の処理を
行っている。

第２Ｂ図は、本出願人が先に特願平１−９５０３４号と
して提案した先行例を示し、神経回路にューロ）モデル
を用いて振動の異常診断を行うものである。すなわち、
典型的な振動波形（ａ）を学習し、診断の対象となる波
形を入力し、その結果として（ｂ）の結果を得るもので
ある。今回提案する特性変化予測システムもこの方式と
類似しており、過去の経験から類似データを選び呂し、
それらの情報から将来の経年変化の予測を行うものであ
る。

［発明が解決しようとする課題］ プラントの計測制御において重要な役割をはだす各種セ
ンサー（または機器二以下同様）は、計測時間、プラン
ト運転状態等の被ストレス量に応じて劣化を余儀なくさ
れるが、その最適な交替時期を予測することは難しい、
そのため計測制御機能の保守のためには、耐久試験デー
タ、過去の経験等にもとづき定期的に交替するという方
法が多くとられている。

しかしながら、当該センサーの特性がプラントの運転状
態により変化するために詳細な挙動が必ずしも判明して
いない場合、あるいは新規モデルであって実プラントで
のデータが不足しており監視しながら使用していくこと
が好しい場合には、上記の従来方式では不十分である。

即ち、センサーの交換時期を誤ることを懸念し、安全側
に使用するために早めに交換を行うことになり、逆に経
済的な無駄を生ずる等の問題があった。

本発明の目的は、センサー等の各部品の使用限界を実時
間で推定し、この無駄を軽減することにある。即ち、可
能な限り有効に使用し効率を高めることにある。

なお、同様の目的を達成するものとして、本出願人は、
先に特願昭６２−７３４３０号（特開昭６３−２３８５
１５号）としてセンサーの使用限界時期を平均的なセン
サーの挙動に基づいて求めるものを提案しているが、本
発明はこの手法とは別に神経回路モデルを用いるものを
提案する。

［課題を解決するための手段］ 上記目的を達成するために１本発明によるシステムは、
プラントに使用されている部品の経時的な特性変化を予
測する特性変化予測システムであって、複数のプラント
における各種部品の特性の経時的変化情報を記憶する記
憶手段と、該記憶手段に記憶された経時的変化情報から
選出した同種部品の複数の経時的特性変化パターンを学
習する神経回路モデルと、予測対象部品の現在までの経
時的変化情報に基づくパターンを前記学習した神経回路
モデルに入力して得られる、前記複数の経時的特性変化
パターンの各々との類似度に基づいて、当該部品の将来
の経時的特性変化パターンを予測する予測手段とを備え
たものである。

前記神経回路モデルに入力する入力データとしては、未
経験の将来データを理論値で生成する手段を有し、入力
データを同一の時間幅とすることが望ましい。

また、前記予測手段は、例えば、前記学習した複数の経
時的特性変化パターンのデータを当該類似度に比例して
重み付けすることにより、当該部品の将来の経時的特性
変化パターンを求める。

本発明による方法は、プラントに使用されている部品の
経時的な特性変化を予測する特性変化予測方法であって
、経時的特性変化パターンを入力層とし、経時的特性変
化パターンの種別を出力層とする神経回路モデルを設け
、プラントの各種運転状態における各種部品の特性の経
時的変化情報を収集し、該収集された経時的変化情報か
ら前記神経回路モデルで学習すべき複数の経時的特性変
化パターンを選択し、該複数の経時的特性変化パターン
を入力信号とし、該経時的特性変化パターンの種別を教
師信号として前記神経回路モデルの学習を行い、該学習
を行った神経回路モデルに対して、特性変化を予測対象
部品の現在までの経時的変化情報に基づくパターンを入
力し、該入力に対する前記神経回路モデルの出力から当
該入カバターンの前記学習した経時的特性変化パターン
の各々との類似度を求め、該類似度に基づいて当該部品
の将来の経時的特性変化パターンを予測するようにした
ものである。

［作用］ 本発明のシステムでは、各プラントから遠隔通信回線を
介して診断センターに集められた各センサーの感度等の
特性情報を用い、各型式センサーの劣化特性を多様なプ
ラント運転に対応したストレス量に対してそれぞれ求め
、これにより各センサーの将来の感度経年変化を推定す
る。

即ち、多数のプラントに多数の同一型式センサーが据付
けられ使用されていれば、多様な運転状況に対する特性
劣化情報が得られる。従って、ある型式の一つのセンサ
ーに着目するとき、当該センサーによっては未だ経験の
ない使い方のされる運転計画であっても、他プラントの
過去の、あるいは現在進行中運転方法に対する情報から
将来の劣化特性を推定することができる。

即ち、各プラントに設置された各センサーの挙動をその
ときの運転状態に伴うストレス量との関係で整理する。

その中で、挙動の法則、例えば平均的な特性を明らかに
する。

しかし、当該センサーは、実プラントでの特性が、必ず
しも完全には判っていないので長時間に亘って経験情報
を貯えるとともに、実時間で、そのときまでの最新デー
タをもって推定する必要がある。

以上によって求められた知識から将来の挙動を各センサ
ーについて推定することにより、その使用限界あるいは
寿命を求めることができる。

具体的にはニューロモデルを用い、各実プラント稼動に
伴う多数の履歴データを横にらみし、さらに理論的な特
性変化曲線も加味し、将来を予測する。即ち、過去の実
績データの各々に重み付けをして推定する。

［実施例］ 以下、本発明の詳細な説明する。

第１図に全体システム構成及びセンサーの診断手順の概
要を示す。

各プラントＡ　（ｌａ）　、　Ｂ　（ｌｂ）　、　Ｃ（
ｌｃ）では、計測制御システム４ａ、４ｂ、４ｃが、各
種センサー３ａ、３ｂ、３ｃ・・によりプラントプロセ
ス２ａ。

２ｂ、２ｃの運転状態を監視・制御するとともに、各種
スイッチ１１および電磁弁１２等に指令を送り、プラン
ト運転制御を行う。

各センサーの状態情報は計測情報通信局５ａ。

５ｂ、５ｃに集められ、遠隔通信回線６ａ、６ｂ。

６ｃで遠隔診断センター７に送られる。遠隔診断センタ
ー７では、通信プロセッサ８に受信された状態情報はデ
ータバンク９に蓄積されニューロ診断システム１０に利
用される。

遠隔診断センター７では、各種センサーの多様な実運転
の感度または特性情報を実時間で収集し、各種センサ等
の各プラント実運転経年変化特性を学習する。その後、
この学習結果に基づいて、個々のセンサーの今後の特性
変化を予測し、プラント別、型式別の寿命等の予測を行
う。

第３図は、−例として原子力発電プラント内のシステム
構成を示したもので、計測制御システムとして中性子計
装系２２．安全保護系２３を例にとっている。

センサーの一例として挙げる中性子センサー３は、格納
容器１８内の圧力容器１９内に設けられた炉心２０内に
設置されている。中性子計装系２２は、中性子センサー
３により検出され前置増巾器２４で増巾されたアナログ
情報をＡＩ（Ａｎａｌｏｇ　Ｉｎｐｕｔ）装置ｉ２５を
介して取込み、記憶装置２６に組み込まれたアルゴリズ
ムに従ってプリプロセッサ２７でトリップ条件を判定し
、トリップ信号をＤ　Ｏ（Ｄｉｇｉｔａｌ　０ｕｔｐｕ
ｔ）装置２９より安全保護系２３へ送り出す。安全保護
系２３では、中性子計装系２２及び他計測系からのトリ
ップ信号に対し２／４０シック３０．１／Ｎロジツク３
１を演算し、スクラム要求信号をアクチュエータ３２を
介しスクラム電磁弁３３に与える。

中性子計装系２２に取込まれた計測情報は、直列伝送イ
ンターフェイス２８を介し、他計測系の計測情報、制御
情報と共に計測情報通信局５に集められ、モデムインタ
ーフェイス１６を介し電話回線６等の遠隔通信回線に乗
せられる。

第４図は、遠隔診断センサー７内のシステム構成を示し
たものである。

各プラント情報は、モデムインターフェイス１６で再び
信号変換され、通信プロセッサ８に取込まれる。これら
の情報はマルチアクセスコントローラ３８で集められ、
計測情報記憶装置９に蓄えられる。診断プロセッサ１０
は、記憶装置９から必要な情報を取出し、センサーの診
断、プラント機器の診断等を行う。診断結果は１表示制
御装置４２を介してＣＲＴ４４に表示されるとともに、
チャネル４１を介して外部記憶装置４３に記憶され、必
要に応じて診断情報を取出せるようにされている。

本発明は、各プラントの各種センサーの使用限界時期を
予測するもので、以下にその方法の詳細を説明する。

第５図に、各プラントからのセンサー感度情報と、全セ
ンサー感度情報のフォーマットを示す。

センサーは各型式でα、β、γ、・・・のように識別さ
れ、同一型式のセンサーには各プラント間の共通の一貫
番号を付け、α＋　（１”　１　＋　２＋・・・）。

β＋（ｉ＝１．２．・・・）として認識される。センサ
ーの感度は、校正用センサーを同じ計測位置に定期的に
設置し、その計測値に対する当該センサーの計測値の比
として求める。感度経時特性は、センサーの種類、個別
特性（異常の有無）及びプラント運転状態等により変動
する。

第６Ａ図、第６Ｂ図は、収集された感度情報から、ある
同一型式センサーαの感度経時変化の実測値トレンド、
及び将来の感度変化推定曲線をグラフに示したもので、
オペレータの要求に応じてＣＲＴ４４に表示される。グ
ラフの横軸は各プラント計測開始時からの計測時間、縦
軸はセンサー感度を示す。

感度変化推定曲線は、最新の実測値を基に実時間で計算
され、各センサーの使用限界時期の推定あるいは校正作
業等に用いられる。推定の方法として１本発明ではニュ
ーロモデルを用いて行うことを提案する。

第７図は、本発明における予測システムの構成を示すも
のである。

遠隔の各プラントから収集された「計測情報データ」は
「学習用サンプルデータ」として活用する（ＤＯＩ）。

神経回路モデルの学習時に、この学習用サンプルデータ
は学習管理機能により神経回路モデルに入力され（ＤＯ
４）、神経回路モデルの出力データは学習管理機能にフ
ィードバックされる（ＤＯ５）。学習済みの神経回路モ
デルを利用する場合には、計測情報データを神経回路モ
デルに入力しくＤＯ２）、その出力を予測結果として利
用する。

いま仮に計測情報データに番号をつけて、Ｊ　ｌ　ｔＪ
＊ｔＪｚｔ・・・とする。ＪｚｔＪｚｙ・・・の各々に
ついて「神経回路モデル」に入力し学習させ、認識可能
とする。ここで、使用実績あるいは経年変化の進んだデ
ータの順にＪ工、Ｊ２．・・・＋Ｊ）ｌとしておく。従
って、Ｊ、はＪ１〜Ｊ１−１の経年変化データをもって
参考とし、将来の予測に役立てることができる。

次に第８図、第９図をもって「神経回路モデル」を説明
する。

第８図で、神経回路モデルを構成するユニットへの入力
Ｘ、、Ｘ２．Ｘ３．・・・、Ｘゎは、Ｏ〜１までのアナ
ログ情報をもち、加重Ｗ１．Ｗ、、・・・、Ｗ。

は−ω〜十〇の値をとる。

Ｕ、＝Ｗ、Ｘ。

Ｕ＝ΣＵ。

よりユニットの出力ｙは と定義される。

第９図は、上記のユニットモデルを層状に配置し各ユニ
ットからの出力信号を次層の各ユニットの入力信号とし
た神経回路モデルを示す。ある入力信号に対する出力信
号が教師信号と一致するように両者の誤差に対応して、
入力層、中間層の接続の強さを調整する。即ち、学習ア
ルゴリズムにより行なわれる（パックプロパゲーション
）。本実施例においては第１０図に示す如く入力信号と
して、実プラントにおける各センサーの特性変化データ
（パターン）を入力する。入力値は０〜１の間として正
規化したものを用い、横軸には時間をとりその時系的変
化とする。教師信号としては、上記特性変化の各パター
ンのＩＤ番号とする。このように、学習アルゴリズムを
用いて学習することにより各パターンの識別を可能とす
る。

一般には、上記のデータは膨大となることが多いので、
いくつか典型的なものを選択して、例えば、長期間使用
し経験が豊富なものを選んで入力するのが現実的である
が、将来、非常に優れた計算機が実現し、学習アルゴリ
ズムを高速かつ情報処理、整理も容易にできるようにな
れば、そのような制約もなくなる。

このようにして、特性変化データとＩＤ番号の対応がで
きている（すなわち学習済みの）ニューロモデルを用い
、これから将来を予測しようとするセンサーの今まで経
験した特性データを入力層に入力する。そうすると今度
は、第１１図に示す如く、上記で学習されたＩＤ番号の
どれに近いかを「確信度」として出力することができる
。Ｔ！Ｊｔ実には完全に一致することはないので、複数
のＩＤ番号について有為な類似度の値が出力される。

なお、将来を予測しようとするセンサの特性データは、
第１１図の入力信号として示した全時間幅のデータのう
ちの途中までしか得られていないので、残りの部分のデ
ータとしては理論値を用いることができる。この理論値
の算出の仕方については前記特開昭６３−２３８５１５
号等に開示されているものを利用できる。理論値によっ
ても、センサーの使用限界時期が求まるが、これは必ず
しも精度が良好ではないので、この理論値を含めたパタ
ーンを神経回路モデルの入力として利用する。

このようにして、予測対象が上記で学習した典型例のど
のパターンに近いかを知ることができる。

この類似度出力から特性変化パターンを得るために、本
実施例においては将来予測データを次のように定義する
。

将来予測データ＝ Σ［ＩＤの番号ｉのデータ］Ｘ［確信度コ。

即ち、将来予測は、学習された各データに重み付けをし
て新たな予測パターンを算出することになる。

なお、上記学習を行う場合にも、あるものは４年、また
あるものは７年の経験があるというように、経験度のバ
ラツキがあるため入力層の横軸が一定とならない場合が
ある。このような場合にも、未経験ゾーンに対してはエ
ンジニアリングデータあるいは理論値を適切に追加し、
全データを同じ経年すべき時間として評価することがで
きる。

以上のようにすれば、当らずとも遠からずの解が必ず得
られ、実際に、将来の専門家が感により判定して推定し
ているのと同様のプロセスを行うことが可能となる。

以上においては、運転のモードとしては、起動運転、１
００％運転、停止等の極めて典型的な場合についてのみ
考察したが、実際には、その他にもいろいろな運転形態
がありうる。その各々に対して上記の手法で、センサー
に対する劣化特性の経験情報を貯え、他のプラントに用
いたり、あるいは将来の同様な運転モードに対しても役
立てることができる。

さらに、同様な手法により、平均的な振舞をしないセン
サーについても効果的な特性劣化の推定をすることがで
きる。例えば、異常なセンサーに対する経験情報を集約
し、それだけで一つの情報の集合を作成し、その中で上
記と同様な手法を用いて、やはり、その集合の中で予測
しようとする特性変化に近いパターンを見付けて将来予
測をすることができる。

［発明の効果］ 本発明によれば、各センサーの将来の経年変化を予測し
、また使用限界時期を推定することによりセンサーの効
果的な交替時期を予測することができる。また、これを
もとに効率的なプラント定検作業計画を立てることにも
貢献できる。

即ち、多様な運転パターンにおいて、必ずしもセンサー
の劣化特性が明確でないものに対して、その将来の振舞
を推定したり、あるいは、その振舞いが、他の同一型式
のセンサーに比べて異常であっても、可能な限り正確な
推定を行うことにより、より効果的に使用することがで
きる。

これにより、経済性を向上させることができる。

特にセンサーが高価である場合、あるいは、使用量が多
い場合に効果は大きい。しかも、本方式によれば、専門
家の力は減少させ、はぼ自動的に推定することができる
。個人差なく推定できることもメリットである。

【図面の簡単な説明】

第１図は本発明を適用する全体システム構成を示すブロ
ック図、第２Ａ図は従来技術例としてもタービン発電機
故障診断システムの説明図、第２Ｂ図は先行技術の説明
図、第３図は本発明が適用されるプラントの構成を示す
ブロック図、第４図は第３図に示したような各プラント
からデータを受は取り特性変化予測を行う遠隔診断セン
ターの構成を示すブロック図、第５図は遠隔診断センタ
ーに集められたデータの説明図、第６Ａ図は予測結果の
表示例の説明図、第７図は予測手段に用いられるニュー
ロシステム構成の説明図、第８図はニューロのユニット
の説明図、第９図はニューロシステムの説明図、第１０
図は本発明におけるニューロシステムの学習時の説明図
、第１１図は学習したニューロシステムの利用時の具体
例の説明図である。 １　ａ　、　　ｌ　ｂ　、　　１　ｃ−プラントＡ、Ｂ
、Ｃ１３ａ。 ３ｂ、３ｃｍセンサー、６　ａ　、　６　ｂ　、　６　
ｃ　−遠隔通信回線、７・・・遠隔診断センター、１０
・・・診断プロセッサ。

Claims (1)

1. 【特許請求の範囲】 １、プラントに使用されている部品の経時的な特性変化
   を予測する特性変化予測システムであって、 複数のプラントにおける各種部品の特性の経時的変化情
   報を記憶する記憶手段と、 該記憶手段に記憶された経時的変化情報から選出した同
   種部品の複数の経時的特性変化パターンを学習する神経
   回路モデルと、 予測対象部品の現在までの経時的変化情報に基づくパタ
   ーンを前記学習した神経回路モデルに入力して得られる
   、前記複数の経時的特性変化パターンの各々との類似度
   に基づいて、当該部品の将来の経時的特性変化パターン
   を予測する予測手段と を備えたことを特徴とする特性変化予測システム。 ２、前記神経回路モデルに入力する入力データとして、
   未経験の将来データを理論値で生成する手段を有し、入
   力データを同一の時間幅とすることを特徴とする請求項
   １記載の特性変化予測システム。 ３、前記予測手段は、前記学習した複数の経時的特性変
   化パターンのデータを当該類似度に比例して重み付けす
   ることにより、当該部品の経時的特性変化パターンを求
   めることを特徴とする請求項１記載の特性変化予測シス
   テム。 ４、プラントに使用されている部品の経時的な特性変化
   を予測する特性変化予測方法であって、経時的特性変化
   パターンを入力層とし、経時的特性変化パターンの種別
   を出力層とする神経回路モデルを設け、 プラントの各種運転状態における各種部品の特性の経時
   的変化情報を収集し、 該収集された経時的変化情報から前記神経回路モデルで
   学習すべき複数の経時的特性変化パターンを選択し、 該複数の経時的特性変化パターンを入力信号とし、該経
   時的特性変化パターンの種別を教師信号として前記神経
   回路モデルの学習を行い、該学習を行った神経回路モデ
   ルに対して、特性変化を予測対象部品の現在までの経時
   的変化情報に基づくパターンを入力し、 該入力に対する前記神経回路モデルの出力から当該入力
   パターンの前記学習した経時的特性変化パターンの各々
   との類似度を求め、 該類似度に基づいて当該部品の将来の経時的特性変化パ
   ターンを予測することを特徴とする特性変化予測方法。