JPH06289179A - プラントの自己学習診断、予測方法及び装置 - Google Patents
プラントの自己学習診断、予測方法及び装置Info
- Publication number
- JPH06289179A JPH06289179A JP5095465A JP9546593A JPH06289179A JP H06289179 A JPH06289179 A JP H06289179A JP 5095465 A JP5095465 A JP 5095465A JP 9546593 A JP9546593 A JP 9546593A JP H06289179 A JPH06289179 A JP H06289179A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- self
- simulation
- measured
- value
- 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.)
- Granted
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)
Abstract
(57)【要約】
【目的】 プラントの自己学習診断、予測方法におい
て、プラントの仕様、特性等の時間的な変化に対応して
モデルパラメータを自動修繕し、予測精度の劣化防止と
自己学習による精度の向上を図ることにある。 【構成】 シミュレーションモデルのモデルパラメータ
を実測された状態量の値と前記実測値に対応する解析値
との偏差の二乗和が最小になるように自動的に最適化す
るステップと、最適化後に残った前記偏差と全ての実測
された状態量との相関関係を解析するステップと、相関
の強い状態量を新たにモデルパラメータ算出の変数に加
えることにより自己学習するステップと、シミュレーシ
ョンにより事前に算出された状態量の予測値と新たに実
測された実測値とを比較して異常の有無を判定するステ
ップと、前記予測値と新たに実測された実測値の偏差に
基づき異常原因を同定するステップと、異常原因による
波及事象を予測するステップとを備える。
て、プラントの仕様、特性等の時間的な変化に対応して
モデルパラメータを自動修繕し、予測精度の劣化防止と
自己学習による精度の向上を図ることにある。 【構成】 シミュレーションモデルのモデルパラメータ
を実測された状態量の値と前記実測値に対応する解析値
との偏差の二乗和が最小になるように自動的に最適化す
るステップと、最適化後に残った前記偏差と全ての実測
された状態量との相関関係を解析するステップと、相関
の強い状態量を新たにモデルパラメータ算出の変数に加
えることにより自己学習するステップと、シミュレーシ
ョンにより事前に算出された状態量の予測値と新たに実
測された実測値とを比較して異常の有無を判定するステ
ップと、前記予測値と新たに実測された実測値の偏差に
基づき異常原因を同定するステップと、異常原因による
波及事象を予測するステップとを備える。
Description
【０００１】
【産業上の利用分野】本発明は、プラント内を循環する
冷却材と冷却材に接する機器・構造材料に生じる異常を
検出し、その原因を診断すると共に将来の変化を予測し
て余寿命を評価するプラントの診断、予測方法及び装置
に係わり、特に、物理的又は化学的シミュレーションモ
デルを自己学習により修繕しながら、解析結果を用いて
異常診断と予測を行なうプラントの自己学習診断、予測
方法及び装置に関する。
冷却材と冷却材に接する機器・構造材料に生じる異常を
検出し、その原因を診断すると共に将来の変化を予測し
て余寿命を評価するプラントの診断、予測方法及び装置
に係わり、特に、物理的又は化学的シミュレーションモ
デルを自己学習により修繕しながら、解析結果を用いて
異常診断と予測を行なうプラントの自己学習診断、予測
方法及び装置に関する。
【０００２】
【従来の技術】従来のシミュレーションモデルを利用し
たプラント診断システムとして、特願昭６２ー２２０１
７６号に記載されているように、原子炉一次冷却系の線
量率を低減するための水質診断システムがある。この水
質診断システムでは、現在の水質条件を入力として冷却
水中の放射能変化を推定するモデルを用いて、将来のプ
ラント線量率の予測し、その結果に基づき現在の水質条
件の良否を診断するものである。
たプラント診断システムとして、特願昭６２ー２２０１
７６号に記載されているように、原子炉一次冷却系の線
量率を低減するための水質診断システムがある。この水
質診断システムでは、現在の水質条件を入力として冷却
水中の放射能変化を推定するモデルを用いて、将来のプ
ラント線量率の予測し、その結果に基づき現在の水質条
件の良否を診断するものである。
【０００３】
【発明が解決しようとする課題】上記従来技術は、現在
測定されている水質条件を入力として、放射性腐食生成
物の挙動を記述するシミュレーションモデルを用い、次
の定期検査のための停止時まで、あるいはプラント寿命
末期までの長期の予測を行ない、その結果に基づきプラ
ント線量率を低く維持するという観点から、現在の水質
状態の良否を診断可能としている。しかしながら、上記
従来技術では、シミュレーションモデル及びモデルパラ
メータは既に存在し、かつ最適化されている必要があ
る。ところが現実には、同じプラントにおいても運転が
継続されていくに従って、機器、材料の交換等に伴って
モデル計算値と実測値の差が大きくなってくることがあ
る。即ち、モデルパラメータが時間的に変化することが
ある。さらに、プラントが異なれば最適なモデルパラメ
ータが異なってくることも多い。また、モデルパラメー
タの最適化は人の手によってかなり長い時間をかけて行
なわれているのが現状である。つまり、従来技術は、シ
ミュレーションモデルの完成度が高く、モデルパラメー
タが時間的にも変化しない場合には有効であるが、プラ
ントの仕様、特性等が時間的に変化する場合のパラメー
タの自己修繕という観点に欠けていた。本発明の目的
は、上記事情に鑑み、プラントの仕様、特性等の時間的
な変化に対応してモデルパラメータを自動修繕し、予測
精度の劣化を防ぐと共に、モデルを自己学習により改良
する機能を備えたプラントの自己学習診断、予測方法及
び装置を提供することにある。
測定されている水質条件を入力として、放射性腐食生成
物の挙動を記述するシミュレーションモデルを用い、次
の定期検査のための停止時まで、あるいはプラント寿命
末期までの長期の予測を行ない、その結果に基づきプラ
ント線量率を低く維持するという観点から、現在の水質
状態の良否を診断可能としている。しかしながら、上記
従来技術では、シミュレーションモデル及びモデルパラ
メータは既に存在し、かつ最適化されている必要があ
る。ところが現実には、同じプラントにおいても運転が
継続されていくに従って、機器、材料の交換等に伴って
モデル計算値と実測値の差が大きくなってくることがあ
る。即ち、モデルパラメータが時間的に変化することが
ある。さらに、プラントが異なれば最適なモデルパラメ
ータが異なってくることも多い。また、モデルパラメー
タの最適化は人の手によってかなり長い時間をかけて行
なわれているのが現状である。つまり、従来技術は、シ
ミュレーションモデルの完成度が高く、モデルパラメー
タが時間的にも変化しない場合には有効であるが、プラ
ントの仕様、特性等が時間的に変化する場合のパラメー
タの自己修繕という観点に欠けていた。本発明の目的
は、上記事情に鑑み、プラントの仕様、特性等の時間的
な変化に対応してモデルパラメータを自動修繕し、予測
精度の劣化を防ぐと共に、モデルを自己学習により改良
する機能を備えたプラントの自己学習診断、予測方法及
び装置を提供することにある。
【０００４】
【課題を解決するための手段】上記目的を達成するた
め、プラントデータベースからプラントパラメータを読
み込んでシミュレーション入力に変換する手段と、標準
モデルパラメータセットをシミュレーション入力に加え
る手段と、入力を用いてシミュレーションを実行する手
段と、順次入力のモデルパラメータを１つずつ変更して
シミュレーションを実行する手段と、変更入力で得られ
た結果と標準入力による結果とを比較して変化パターン
を作成する手段と、偏差パターンと前記変化パターンを
比較して偏差が最も小さくなるモデルパラメータを修正
する手段と、モデルパラメータの修正によって偏差の変
化を評価する手段と、前記修正プロセスを繰り返した際
に偏差が最小になったことを確認する手段と、最適化後
に残った前記偏差と全ての実測された状態量との相関関
係を解析する手段と、相関の強い状態量を新たにモデル
パラメータ算出の変数に加えることにより自己学習をす
る手段と、シミュレーションにより事前に算出された状
態量の予測値と新たに実測された実測値とを比較して異
常の有無を判定する手段と、上記偏差が最小になったこ
とを確認する手段、上記相関関係を解析する手段、上記
自己学習をする手段、上記異常の有無を判定する手段の
４つの手段を定期的にかつ必要に応じて順次動作させる
と共に異常検出時には前記予測値と新たに実測された実
測値との偏差に基づき異常原因を診断する手段と、最適
化されたモデルパラメータの値あるいは長期のシミュレ
ーション結果により、構成機器、材料の寿命あるいは放
射性核種の蓄積量を予測する手段と、予測結果を表示す
る手段を用いる。
め、プラントデータベースからプラントパラメータを読
み込んでシミュレーション入力に変換する手段と、標準
モデルパラメータセットをシミュレーション入力に加え
る手段と、入力を用いてシミュレーションを実行する手
段と、順次入力のモデルパラメータを１つずつ変更して
シミュレーションを実行する手段と、変更入力で得られ
た結果と標準入力による結果とを比較して変化パターン
を作成する手段と、偏差パターンと前記変化パターンを
比較して偏差が最も小さくなるモデルパラメータを修正
する手段と、モデルパラメータの修正によって偏差の変
化を評価する手段と、前記修正プロセスを繰り返した際
に偏差が最小になったことを確認する手段と、最適化後
に残った前記偏差と全ての実測された状態量との相関関
係を解析する手段と、相関の強い状態量を新たにモデル
パラメータ算出の変数に加えることにより自己学習をす
る手段と、シミュレーションにより事前に算出された状
態量の予測値と新たに実測された実測値とを比較して異
常の有無を判定する手段と、上記偏差が最小になったこ
とを確認する手段、上記相関関係を解析する手段、上記
自己学習をする手段、上記異常の有無を判定する手段の
４つの手段を定期的にかつ必要に応じて順次動作させる
と共に異常検出時には前記予測値と新たに実測された実
測値との偏差に基づき異常原因を診断する手段と、最適
化されたモデルパラメータの値あるいは長期のシミュレ
ーション結果により、構成機器、材料の寿命あるいは放
射性核種の蓄積量を予測する手段と、予測結果を表示す
る手段を用いる。
【０００５】
【作用】本発明において、プラントデータベースから診
断対象プラントの設計仕様に関わるデータを読み込ん
で、シミュレーションプログラムで必要な入力データを
作成し、標準モデルパラメータと共に解析の入力として
設定することは、モデルパラメータの自己修繕とモデル
の自己学習による自己改善の前提条件を与えることに相
当する。このようにして設定された初期入力を用いてシ
ミュレーションを実行し、解析結果と実測値を比較して
差分パターンを作成し、偏差二乗和を算出することは、
モデルパラメータ最適化の比較対象条件を設定する処理
に相当する。次に、各モデルパラメータを１つずつ順次
変化させてシミュレーションを実行して、標準入力に対
する解析結果と比較することにより変化パターンを作成
し、かつ、実測値に対する偏差二乗和を算出することは
各パラメータ変更時の影響を調べるための前処理であ
る。このようにして作成した変化パターンと差分パター
ンとから、各パラメータを変化させたときの改善度スコ
アを作成することは、どのパラメータを優先的に変化さ
せることがモデルパラメータの最適化に重要となるかを
判断する材料を提供する。改善度スコアの高いパラメー
タから順にパラメータを変更させ、偏差の二乗和が小さ
くなるものだけを採択してパラメータを変更することに
より、モデルパラメータの最適化が可能となる。また、
最適化後に残った前記偏差と全ての実測された状態量と
の相関関係を解析し、相関の強い状態量を新たにモデル
パラメータ算出の変数に加えることは、モデルパラメー
タの自己学習を実行することになる。また、シミュレー
ションにより事前に算出された状態量の予測値と新たに
実測された実測値とを比較して異常の有無を判定し、異
常検出時には前記予測値と新たに実測された実測値との
偏差に基づいて異常原因の同定を行ない、最適化された
モデルパラメータの値あるいは長期のシミュレーション
結果により、異常原因による将来の波及事象、つまり構
成機器、材料の寿命あるいは放射性核種の蓄積量を予測
することが可能となる。
断対象プラントの設計仕様に関わるデータを読み込ん
で、シミュレーションプログラムで必要な入力データを
作成し、標準モデルパラメータと共に解析の入力として
設定することは、モデルパラメータの自己修繕とモデル
の自己学習による自己改善の前提条件を与えることに相
当する。このようにして設定された初期入力を用いてシ
ミュレーションを実行し、解析結果と実測値を比較して
差分パターンを作成し、偏差二乗和を算出することは、
モデルパラメータ最適化の比較対象条件を設定する処理
に相当する。次に、各モデルパラメータを１つずつ順次
変化させてシミュレーションを実行して、標準入力に対
する解析結果と比較することにより変化パターンを作成
し、かつ、実測値に対する偏差二乗和を算出することは
各パラメータ変更時の影響を調べるための前処理であ
る。このようにして作成した変化パターンと差分パター
ンとから、各パラメータを変化させたときの改善度スコ
アを作成することは、どのパラメータを優先的に変化さ
せることがモデルパラメータの最適化に重要となるかを
判断する材料を提供する。改善度スコアの高いパラメー
タから順にパラメータを変更させ、偏差の二乗和が小さ
くなるものだけを採択してパラメータを変更することに
より、モデルパラメータの最適化が可能となる。また、
最適化後に残った前記偏差と全ての実測された状態量と
の相関関係を解析し、相関の強い状態量を新たにモデル
パラメータ算出の変数に加えることは、モデルパラメー
タの自己学習を実行することになる。また、シミュレー
ションにより事前に算出された状態量の予測値と新たに
実測された実測値とを比較して異常の有無を判定し、異
常検出時には前記予測値と新たに実測された実測値との
偏差に基づいて異常原因の同定を行ない、最適化された
モデルパラメータの値あるいは長期のシミュレーション
結果により、異常原因による将来の波及事象、つまり構
成機器、材料の寿命あるいは放射性核種の蓄積量を予測
することが可能となる。
【０００６】
【実施例】以下、本発明の実施例を図面により説明す
る。図１は、本発明のプラントの自己学習診断、予測装
置の構成と、この装置を原子力発電プラントに適用した
例を示す。プラントの自己学習診断、予測装置１は、プ
ラントの自己学習診断、予測制御部２、モデルパラメー
タ最適化部３、相関解析部４、自己学習部５、異常検出
部６、予測部７及び診断、予測結果表示部８から構成さ
れる。プラントの自己学習診断、予測装置１は、原子力
発電プラント９で使用されるプロセスコンピュータ１０
から熱出力等の運転データ及び各種の計測機器１１の出
力信号を取り込むようにしている。
る。図１は、本発明のプラントの自己学習診断、予測装
置の構成と、この装置を原子力発電プラントに適用した
例を示す。プラントの自己学習診断、予測装置１は、プ
ラントの自己学習診断、予測制御部２、モデルパラメー
タ最適化部３、相関解析部４、自己学習部５、異常検出
部６、予測部７及び診断、予測結果表示部８から構成さ
れる。プラントの自己学習診断、予測装置１は、原子力
発電プラント９で使用されるプロセスコンピュータ１０
から熱出力等の運転データ及び各種の計測機器１１の出
力信号を取り込むようにしている。
【０００７】モデルパラメータ最適化部の詳細構成を図
２に示す。モデルパラメータ最適化部３は、モデルパラ
メータ最適化制御部１２、プラントパラメータ設定部１
３、標準パラメータ設定部１４、モデルパラメータ収納
部１５、解析入力収納部１６、シミュレーション実行部
１７、解析結果収納部１８及び変化パターン作成部１９
から構成される。各部の具体的な記述を行う前に、シミ
ュレーションモデルの一例として、沸騰水型原子炉一次
冷却系における腐食生成物に関するマスバランスモデル
について、簡単に説明する。マスバランスモデルは、図
３に示すように、給水中に含まれている腐食生成物と炉
水に接する炉内外の構造材の腐食に伴って発生する腐食
生成物とが、炉水を介在して燃料棒表面や炉内外の構造
材表面に再付着したり、原子炉浄化系によって系外に除
去されたりする動的挙動をマクロな質量保存則によって
記述するものである。すなわち、腐食生成物のマスバラ
ンスは、以下に示す式１から式８のような連立微分方程
式群により記述される。
２に示す。モデルパラメータ最適化部３は、モデルパラ
メータ最適化制御部１２、プラントパラメータ設定部１
３、標準パラメータ設定部１４、モデルパラメータ収納
部１５、解析入力収納部１６、シミュレーション実行部
１７、解析結果収納部１８及び変化パターン作成部１９
から構成される。各部の具体的な記述を行う前に、シミ
ュレーションモデルの一例として、沸騰水型原子炉一次
冷却系における腐食生成物に関するマスバランスモデル
について、簡単に説明する。マスバランスモデルは、図
３に示すように、給水中に含まれている腐食生成物と炉
水に接する炉内外の構造材の腐食に伴って発生する腐食
生成物とが、炉水を介在して燃料棒表面や炉内外の構造
材表面に再付着したり、原子炉浄化系によって系外に除
去されたりする動的挙動をマクロな質量保存則によって
記述するものである。すなわち、腐食生成物のマスバラ
ンスは、以下に示す式１から式８のような連立微分方程
式群により記述される。
【数１】
【数２】
【数３】
【数４】
【数５】
【数６】
【数７】
【数８】 上記式において、Ｃは炉水中の腐食生成物濃度、具体的
には鉄、ニッケル、コバルトなどの濃度、Ｃfは前記腐
食生成物の給水中濃度、Ｆfは給水流量、Ｖは炉水保有
水量、Ｘは炉内外構造材の腐食により発生する前記腐食
生成物の発生率、Ｍは燃料棒上に蓄積する腐食生成物
量、ｍ1、ｍ2は炉内外の構造材表面に付着蓄積する腐食
生成物量、Ｓ1、Ｓ2は炉内外の構造材の表面積、ζ、ζ
p 1、ζp 2はそれぞれ燃料棒及び炉内外構造材付着物の溶
出あるいは剥離定数、δ、δp 1、δp 2はそれぞれ燃料棒
及び炉内外構造材への付着定数、βは原子炉浄化系にお
ける除去率、ｔは時間、Ｒは放射性腐食生成物濃度、具
体的には60Ｃｏ、58Ｃｏ、54Ｍｎなどの濃度、Ｙは炉内
構造材の腐食により発生する前記放射性腐食生成物の発
生率、Ａは燃料棒上に蓄積する放射性腐食生成物量、Γ
1、Γ2は炉内外の構造材表面に付着蓄積する放射性腐食
生成物量、λは前記放射性腐食生成物の崩壊定数、Ｇ、
Ｇ1は燃料棒及び炉内構造材上における放射性核種の生
成率をそれぞれ示している。上記変数の内、Ｃ、Ｃf、
Ｆf、Ｒ、Γ2は運転中に測定可能な状態量、Ｍ、Ａ、Γ
1は定期検査などの停止時に炉内から取り出したときに
測定可能な状態量、Ｖ、Ｓ1、Ｓ2はプラント固有のプラ
ントパラメータ、λ、Ｇ、Ｇ1は放射性腐食生成物の核
種に応じて定まる物理定数、Ｘ、Ｙ、ζ、ζp 1、ζp 2、
δ、δp 1、δp 2、βは原則的にモデルパラメータであ
る。なお、ｍ1、ｍ2は水側から付着したものと構造材の
腐食によって発生したものとの区別ができないので、通
常測定が困難な状態量である。
には鉄、ニッケル、コバルトなどの濃度、Ｃfは前記腐
食生成物の給水中濃度、Ｆfは給水流量、Ｖは炉水保有
水量、Ｘは炉内外構造材の腐食により発生する前記腐食
生成物の発生率、Ｍは燃料棒上に蓄積する腐食生成物
量、ｍ1、ｍ2は炉内外の構造材表面に付着蓄積する腐食
生成物量、Ｓ1、Ｓ2は炉内外の構造材の表面積、ζ、ζ
p 1、ζp 2はそれぞれ燃料棒及び炉内外構造材付着物の溶
出あるいは剥離定数、δ、δp 1、δp 2はそれぞれ燃料棒
及び炉内外構造材への付着定数、βは原子炉浄化系にお
ける除去率、ｔは時間、Ｒは放射性腐食生成物濃度、具
体的には60Ｃｏ、58Ｃｏ、54Ｍｎなどの濃度、Ｙは炉内
構造材の腐食により発生する前記放射性腐食生成物の発
生率、Ａは燃料棒上に蓄積する放射性腐食生成物量、Γ
1、Γ2は炉内外の構造材表面に付着蓄積する放射性腐食
生成物量、λは前記放射性腐食生成物の崩壊定数、Ｇ、
Ｇ1は燃料棒及び炉内構造材上における放射性核種の生
成率をそれぞれ示している。上記変数の内、Ｃ、Ｃf、
Ｆf、Ｒ、Γ2は運転中に測定可能な状態量、Ｍ、Ａ、Γ
1は定期検査などの停止時に炉内から取り出したときに
測定可能な状態量、Ｖ、Ｓ1、Ｓ2はプラント固有のプラ
ントパラメータ、λ、Ｇ、Ｇ1は放射性腐食生成物の核
種に応じて定まる物理定数、Ｘ、Ｙ、ζ、ζp 1、ζp 2、
δ、δp 1、δp 2、βは原則的にモデルパラメータであ
る。なお、ｍ1、ｍ2は水側から付着したものと構造材の
腐食によって発生したものとの区別ができないので、通
常測定が困難な状態量である。
【０００８】自己学習診断、予測方法の手順を図４を用
いて説明する。まず始めに、プラント設計パラメータに
基づき、前記プラントパラメータＶ、Ｓ1、Ｓ2、物理パ
ラメータλ、Ｇ、Ｇ1及び予め設定してある標準モデル
パラメータＸ、Ｙ、ζ、ζp 1、ζp 2、δ、δp 1、δp 2、
βをシミュレーションの初期入力として設定する。次
に、前記初期入力を用いてシミュレーションを実行す
る。シミュレーションが終了した時点で初期設定が終了
し、運転プラントからのデータの収集と診断が開始され
る。まず、プラントから運転パラメータである出力や給
水流量、及び測定可能な状態量である給水及び炉水の腐
食生成物濃度Ｃ、Ｃf、Ｒと炉外構造材に蓄積した放射
能Γ2を読み込む。運転パラメータから定常運転中か否
かを判定し、非定常運転中はシミュレーションモデルの
精度が向上するまでは診断不可能なので、次のデータ収
集プロセスに戻る。定常運転時には、シミュレーション
による解析値と測定可能な状態量とを比較することによ
り異常の判定を行なう。異常がない場合は、各測定可能
な状態量のデータ数が例えば５より大きくなった時に、
モデルパラメータの自己最適化プロセスに入り、データ
数が不足する場合はデータ収集プロセスに戻る。ここで
はプラント異常時及び過渡運転時の状態量の実測値を除
く。次に、モデルパラメータの自己最適化プロセス終了
後に算出した実測値と解析値との偏差二乗和が予め設定
してあるしきい値より大きい時にはモデルの自己学習プ
ロセスに入り、しきい値より小さいとき及び自己学習終
了後はデータ収集プロセスに戻る。一方、異常を確認し
たときは、異常原因の診断と波及事象の予測プロセスに
入り、終了後はデータ収集プロセスに戻る。ここで、モ
デルパラメータの自己最適化プロセス、モデルの自己学
習プロセス及び異常診断プロセスは、定期的にかつ必要
に応じて順次動作させる。また、モデルパラメータを自
己最適化する際に用いる測定可能な状態量は、期間を限
定して計測した状態量を用いる。
いて説明する。まず始めに、プラント設計パラメータに
基づき、前記プラントパラメータＶ、Ｓ1、Ｓ2、物理パ
ラメータλ、Ｇ、Ｇ1及び予め設定してある標準モデル
パラメータＸ、Ｙ、ζ、ζp 1、ζp 2、δ、δp 1、δp 2、
βをシミュレーションの初期入力として設定する。次
に、前記初期入力を用いてシミュレーションを実行す
る。シミュレーションが終了した時点で初期設定が終了
し、運転プラントからのデータの収集と診断が開始され
る。まず、プラントから運転パラメータである出力や給
水流量、及び測定可能な状態量である給水及び炉水の腐
食生成物濃度Ｃ、Ｃf、Ｒと炉外構造材に蓄積した放射
能Γ2を読み込む。運転パラメータから定常運転中か否
かを判定し、非定常運転中はシミュレーションモデルの
精度が向上するまでは診断不可能なので、次のデータ収
集プロセスに戻る。定常運転時には、シミュレーション
による解析値と測定可能な状態量とを比較することによ
り異常の判定を行なう。異常がない場合は、各測定可能
な状態量のデータ数が例えば５より大きくなった時に、
モデルパラメータの自己最適化プロセスに入り、データ
数が不足する場合はデータ収集プロセスに戻る。ここで
はプラント異常時及び過渡運転時の状態量の実測値を除
く。次に、モデルパラメータの自己最適化プロセス終了
後に算出した実測値と解析値との偏差二乗和が予め設定
してあるしきい値より大きい時にはモデルの自己学習プ
ロセスに入り、しきい値より小さいとき及び自己学習終
了後はデータ収集プロセスに戻る。一方、異常を確認し
たときは、異常原因の診断と波及事象の予測プロセスに
入り、終了後はデータ収集プロセスに戻る。ここで、モ
デルパラメータの自己最適化プロセス、モデルの自己学
習プロセス及び異常診断プロセスは、定期的にかつ必要
に応じて順次動作させる。また、モデルパラメータを自
己最適化する際に用いる測定可能な状態量は、期間を限
定して計測した状態量を用いる。
【０００９】異常診断と波及事象の予測の詳細手順を図
５を用いて説明する。測定した状態量と予測されていた
解析値とを比較して予め設定してあるしきい値より大き
い場合に異常診断プロセスに入るが、異常診断プロセス
では、まず、測定した状態量と予測されていた解析値と
から偏差パターンを作成する。偏差パターンは、表１
（図１５）に示すように１つの状態量に対応する解析値
と実測値の比の値によって、＋＋、＋、−、−−、＋
−、０の６通りの記号に分類し、測定している状態量の
数に相当する記号のパターンとして作成されるものであ
る。表１では比の値が２より大きいものを＋＋で、１．
５より大きく２以下のものを＋で、０．６７より小さく
０．５以上のものを−で、０．５より小さいものを−−
で、０より小さいものを＋−で、０．６７以上１．５以
下のものを０としたが、しきい値や分類数は別のものを
使用することもできる。異常検出時の偏差パターンの具
体例としては、表２（図１６）に示すパターンがある。
ここで、測定可能な状態量としては、炉水中のＦｅ、Ｎ
ｉ、Ｃｏ、Ｃｒ、Ｎａ及びその放射化生成物である54Ｍ
ｎ、58Ｃｏ、60Ｃｏ、51Ｃｒ、24Ｎａの１０種類の濃度
を考えている。次に、偏差パターンを作成した後、モデ
ルパラメータ変化時の変化パターンと前記偏差パターン
を比較して一致度の高いモデルパラメータを抽出する。
表３（図１７）に変化パターンの一例を示す。変化パタ
ーンの定義は表４（図１８）に示してある。表２の具体
例と一致する表３中のモデルパラメータとしては、炉内
インコネル材の腐食速度増加である。次に一致度の高い
モデルパラメータが変化する原因を予め作成されている
知識ベースから取り出してオペレータに表示する。先の
例では炉内インコネル材の腐食速度が増加する原因とし
て、知識ベースから燃料スペーサのフレッティング摩耗
が原因として取り出され、オペレータに表示される。こ
のようにして異常原因を同定する。次に、変化したモデ
ルパラメータを用いて最新の実測値に合うパラメータの
変化量を定め、そのパラメータ値を用いてシミュレーシ
ョンにより将来（長期）の波及事象を予測する。先の例
の波及事象としては、炉水放射能の上昇に伴う構造材に
蓄積する放射性核種の量が増大し、一次冷却系機器表面
の線量当量率が上昇することである。予測された結果、
例えば１０％以上の線量当量率の上昇が予測された場合
には、次回定期検査時の被曝線量に影響するとして、そ
の影響を定量的に示すと共に、異常原因を取り除くため
のガイダンスを表示する。具体的には摩耗率が大きく燃
料棒の健全性に影響しそうな場合には出力を低下させる
か運転を停止し、燃料集合体を交換する等の対策を、単
に被曝上の問題であれば、次回定検での遮蔽強化等の対
策を示す。波及事象が小さい場合には、その旨を示して
異常診断と予測プロセスを終了する。
５を用いて説明する。測定した状態量と予測されていた
解析値とを比較して予め設定してあるしきい値より大き
い場合に異常診断プロセスに入るが、異常診断プロセス
では、まず、測定した状態量と予測されていた解析値と
から偏差パターンを作成する。偏差パターンは、表１
（図１５）に示すように１つの状態量に対応する解析値
と実測値の比の値によって、＋＋、＋、−、−−、＋
−、０の６通りの記号に分類し、測定している状態量の
数に相当する記号のパターンとして作成されるものであ
る。表１では比の値が２より大きいものを＋＋で、１．
５より大きく２以下のものを＋で、０．６７より小さく
０．５以上のものを−で、０．５より小さいものを−−
で、０より小さいものを＋−で、０．６７以上１．５以
下のものを０としたが、しきい値や分類数は別のものを
使用することもできる。異常検出時の偏差パターンの具
体例としては、表２（図１６）に示すパターンがある。
ここで、測定可能な状態量としては、炉水中のＦｅ、Ｎ
ｉ、Ｃｏ、Ｃｒ、Ｎａ及びその放射化生成物である54Ｍ
ｎ、58Ｃｏ、60Ｃｏ、51Ｃｒ、24Ｎａの１０種類の濃度
を考えている。次に、偏差パターンを作成した後、モデ
ルパラメータ変化時の変化パターンと前記偏差パターン
を比較して一致度の高いモデルパラメータを抽出する。
表３（図１７）に変化パターンの一例を示す。変化パタ
ーンの定義は表４（図１８）に示してある。表２の具体
例と一致する表３中のモデルパラメータとしては、炉内
インコネル材の腐食速度増加である。次に一致度の高い
モデルパラメータが変化する原因を予め作成されている
知識ベースから取り出してオペレータに表示する。先の
例では炉内インコネル材の腐食速度が増加する原因とし
て、知識ベースから燃料スペーサのフレッティング摩耗
が原因として取り出され、オペレータに表示される。こ
のようにして異常原因を同定する。次に、変化したモデ
ルパラメータを用いて最新の実測値に合うパラメータの
変化量を定め、そのパラメータ値を用いてシミュレーシ
ョンにより将来（長期）の波及事象を予測する。先の例
の波及事象としては、炉水放射能の上昇に伴う構造材に
蓄積する放射性核種の量が増大し、一次冷却系機器表面
の線量当量率が上昇することである。予測された結果、
例えば１０％以上の線量当量率の上昇が予測された場合
には、次回定期検査時の被曝線量に影響するとして、そ
の影響を定量的に示すと共に、異常原因を取り除くため
のガイダンスを表示する。具体的には摩耗率が大きく燃
料棒の健全性に影響しそうな場合には出力を低下させる
か運転を停止し、燃料集合体を交換する等の対策を、単
に被曝上の問題であれば、次回定検での遮蔽強化等の対
策を示す。波及事象が小さい場合には、その旨を示して
異常診断と予測プロセスを終了する。
【００１０】モデルパラメータ最適化の詳細手順を図６
を用いて示す。全体の流れで前述したように、まず、モ
デルパラメータの初期値を設定してシミュレーションを
実行する。解析結果に基づき、差分パターン表を作成
し、偏差二乗和を算出する。差分パターンの定義例を表
５（図１９）に示す。差分パターンは偏差パターンと同
様なものであるが、測定可能な状態量ごとに解析値の総
和Ｙiと実測値の総和Ｖiとの比の値によって表５に示す
しきい値でパターンを定める。ここでいう偏差二乗和と
は、全ての測定可能な状態量の解析値と実測値の差を実
測値で割った値の二乗の値を加えたものである。直接の
差の値を用いないのは、状態量ごとに絶対値が異なるの
で、状態量ごとの重みを均一とするためである。次に、
モデルパラメータを全て変化させるためにｋという変数
を１として、ｋ番目のモデルパラメータをｍ倍してシミ
ュレーションを実行し、変化パターン表を作成する。変
化パターンの定義は既に表４に示したが、差分パターン
と異なるのは実測値が前回解析値となっている点であ
る。ｍの値としては例えば１０としてモデルパラメータ
の感度解析とする。同様にｋ番目のモデルパラメータを
ｍで割ってシミュレーションを実行し、変化パターン表
を作成する。ｋの値を１増やして次のモデルパラメータ
に対して同様のシミュレーションを行ない、変化パター
ン表を作成する操作を繰り返す。全てのモデルパラメー
タに対する感度解析が終了したら、差分パターン表と変
化パターン表から各パラメータ変更時の改善度スコアを
作成する。改善度スコアとは、表６（図２０）に示すよ
うに各状態量ごとの差分パターンと変化パターンの組合
せごとにスコアを設定しておき、表７（図２１）に具体
例を示すように各状態量（α1〜α5が測定可能な状態量
を示す。）のスコアを合計した値（表７の１１）をい
う。このようにして算出した改善度スコアの大きいモデ
ルパラメータから順にパラメータを変更して解析を実行
し、偏差二乗和が縮小することを確認して新たに差分パ
ターンを更新する。全ての差分パターンが０となるまで
更新された差分パターンに基づき改善度スコアを更新
し、スコアの高いモデルパラメータを変更し、偏差二乗
和の縮小確認と差分パターン更新の手順を繰り返す。こ
れによってモデルパラメータの自動最適化が可能とな
る。上述のようにｍとして例えば１０を用い、差分パタ
ーンや変化パターンのしきい値を表４、表５のように定
義した場合は、シミュレーションのフィッティング程度
は各状態量の実測値と解析値がファクター２以内で一致
することを意味しており、一致度を向上させるには、ｍ
の値を小さくすると共にしきい値を変化の小さい方向に
変更すればよい。ｍの値を最初に大きく、次第に小さく
することは、始めのうちは解析値のオーダーを実測値に
近付け、オーダーが一致したところで細かく合わせてい
くことに対応している。
を用いて示す。全体の流れで前述したように、まず、モ
デルパラメータの初期値を設定してシミュレーションを
実行する。解析結果に基づき、差分パターン表を作成
し、偏差二乗和を算出する。差分パターンの定義例を表
５（図１９）に示す。差分パターンは偏差パターンと同
様なものであるが、測定可能な状態量ごとに解析値の総
和Ｙiと実測値の総和Ｖiとの比の値によって表５に示す
しきい値でパターンを定める。ここでいう偏差二乗和と
は、全ての測定可能な状態量の解析値と実測値の差を実
測値で割った値の二乗の値を加えたものである。直接の
差の値を用いないのは、状態量ごとに絶対値が異なるの
で、状態量ごとの重みを均一とするためである。次に、
モデルパラメータを全て変化させるためにｋという変数
を１として、ｋ番目のモデルパラメータをｍ倍してシミ
ュレーションを実行し、変化パターン表を作成する。変
化パターンの定義は既に表４に示したが、差分パターン
と異なるのは実測値が前回解析値となっている点であ
る。ｍの値としては例えば１０としてモデルパラメータ
の感度解析とする。同様にｋ番目のモデルパラメータを
ｍで割ってシミュレーションを実行し、変化パターン表
を作成する。ｋの値を１増やして次のモデルパラメータ
に対して同様のシミュレーションを行ない、変化パター
ン表を作成する操作を繰り返す。全てのモデルパラメー
タに対する感度解析が終了したら、差分パターン表と変
化パターン表から各パラメータ変更時の改善度スコアを
作成する。改善度スコアとは、表６（図２０）に示すよ
うに各状態量ごとの差分パターンと変化パターンの組合
せごとにスコアを設定しておき、表７（図２１）に具体
例を示すように各状態量（α1〜α5が測定可能な状態量
を示す。）のスコアを合計した値（表７の１１）をい
う。このようにして算出した改善度スコアの大きいモデ
ルパラメータから順にパラメータを変更して解析を実行
し、偏差二乗和が縮小することを確認して新たに差分パ
ターンを更新する。全ての差分パターンが０となるまで
更新された差分パターンに基づき改善度スコアを更新
し、スコアの高いモデルパラメータを変更し、偏差二乗
和の縮小確認と差分パターン更新の手順を繰り返す。こ
れによってモデルパラメータの自動最適化が可能とな
る。上述のようにｍとして例えば１０を用い、差分パタ
ーンや変化パターンのしきい値を表４、表５のように定
義した場合は、シミュレーションのフィッティング程度
は各状態量の実測値と解析値がファクター２以内で一致
することを意味しており、一致度を向上させるには、ｍ
の値を小さくすると共にしきい値を変化の小さい方向に
変更すればよい。ｍの値を最初に大きく、次第に小さく
することは、始めのうちは解析値のオーダーを実測値に
近付け、オーダーが一致したところで細かく合わせてい
くことに対応している。
【００１１】モデル自己学習の詳細手順を図７を用いて
示す。前記のようにモデルパラメータの最適化を図る
と、図８に示すように点線の最適化前解析値が実線の最
適化後解析値となり、実測値（〇印）と合うようになる
が、それでも偏差二乗和の値が設定値より大きくなった
場合には全ての実測される状態量に対してモデルパラメ
ータの学習を試みる。すなわち、補助変数としてｉを１
に設定し、ｉ番目の状態量に関する偏差とｉ番目以外の
全ての実測できる状態量１つ１つとの相関を解析する。
解析した結果、ｉ番目の状態量と相関係数の高い他の状
態量を選択する。具体的には、図８に示す炉水60Ｃｏ濃
度に対する偏差δiと他の状態量であるｐＨとの相関を
取った時、図９に示すような負の強い相関が得られたと
すると、ｐＨを相関の高い状態量として選択することに
なる。次に、ｉ番目の状態量の解析結果に大きく影響す
るモデルパラメータを選択して、そのモデルパラメータ
を算出する式に前記選択した状態量の寄与項を加える。
図８、図９の例の場合は、炉水60Ｃｏ濃度に大きく影響
するモデルパラメータとしては、燃料棒からの溶出速度
ζを選択し、ζを算出する式にｐＨの項を追加する。つ
まり、追加前のζがζ＝ａ（定数）として定義されてい
たとき、ζ＝ａ＋ｂ・ｚ（ただし、ｚはｐＨの値、ｂは
比例係数）というようにｐＨの寄与項を加える。このよ
うにして、モデルパラメータ算出式を変更したシミュレ
ーションプログラムの暫定版を作成してコンパイル後実
行する。解析結果から偏差二乗和を算出して偏差二乗和
が縮小すれば、暫定版を改善版として採用し、比例係数
をパラメータとして最小の偏差二乗和を与える値をパラ
メータサーベイから決定する。縮小しない場合は追加項
の比例係数を変更して再度暫定版を作成して調べる。比
例係数を大小両方向に変更しても偏差二乗和が縮小しな
ければ、モデルパラメータの選択またはｉ番目の状態量
に対する相関が小さかったとして暫定版を廃棄して、次
のステップに進む。ｉを１つ増加させて同様の処理を行
ない、全ての状態量に対する処理が完了したところで自
己学習プロセスが終了する。本実施例によれば、シミュ
レーションモデルのモデルパラメータの最適化並びにモ
デルの自己学習による高度化の作業が計算機により自動
的に行なわれるので、労力が大幅に低減されると共に、
全てのパラメータ、状態量に関する相関を調べるので、
調査もれが無くなり、信頼性が向上する。
示す。前記のようにモデルパラメータの最適化を図る
と、図８に示すように点線の最適化前解析値が実線の最
適化後解析値となり、実測値（〇印）と合うようになる
が、それでも偏差二乗和の値が設定値より大きくなった
場合には全ての実測される状態量に対してモデルパラメ
ータの学習を試みる。すなわち、補助変数としてｉを１
に設定し、ｉ番目の状態量に関する偏差とｉ番目以外の
全ての実測できる状態量１つ１つとの相関を解析する。
解析した結果、ｉ番目の状態量と相関係数の高い他の状
態量を選択する。具体的には、図８に示す炉水60Ｃｏ濃
度に対する偏差δiと他の状態量であるｐＨとの相関を
取った時、図９に示すような負の強い相関が得られたと
すると、ｐＨを相関の高い状態量として選択することに
なる。次に、ｉ番目の状態量の解析結果に大きく影響す
るモデルパラメータを選択して、そのモデルパラメータ
を算出する式に前記選択した状態量の寄与項を加える。
図８、図９の例の場合は、炉水60Ｃｏ濃度に大きく影響
するモデルパラメータとしては、燃料棒からの溶出速度
ζを選択し、ζを算出する式にｐＨの項を追加する。つ
まり、追加前のζがζ＝ａ（定数）として定義されてい
たとき、ζ＝ａ＋ｂ・ｚ（ただし、ｚはｐＨの値、ｂは
比例係数）というようにｐＨの寄与項を加える。このよ
うにして、モデルパラメータ算出式を変更したシミュレ
ーションプログラムの暫定版を作成してコンパイル後実
行する。解析結果から偏差二乗和を算出して偏差二乗和
が縮小すれば、暫定版を改善版として採用し、比例係数
をパラメータとして最小の偏差二乗和を与える値をパラ
メータサーベイから決定する。縮小しない場合は追加項
の比例係数を変更して再度暫定版を作成して調べる。比
例係数を大小両方向に変更しても偏差二乗和が縮小しな
ければ、モデルパラメータの選択またはｉ番目の状態量
に対する相関が小さかったとして暫定版を廃棄して、次
のステップに進む。ｉを１つ増加させて同様の処理を行
ない、全ての状態量に対する処理が完了したところで自
己学習プロセスが終了する。本実施例によれば、シミュ
レーションモデルのモデルパラメータの最適化並びにモ
デルの自己学習による高度化の作業が計算機により自動
的に行なわれるので、労力が大幅に低減されると共に、
全てのパラメータ、状態量に関する相関を調べるので、
調査もれが無くなり、信頼性が向上する。
【００１２】以上説明した実施例では、１つのプラント
データに基づきシミュレーションモデルの自己学習を行
なっていたが、図１０に示すように複数のプラント９の
データを多プラントデータベース２０を介して、プラン
トの自己学習診断、予測装置１に取り込むことにより、
学習の幅を広げることができる。すなわち、１つのプラ
ントでは変化の小さい状態量も複数のプラントでは幅を
持つこともあるので、このような場合では複数のプラン
トでそれぞれ最適化されたモデルパラメータと前記の状
態量との相関を解析することにより、図１１に示すよう
な相関関係を得る可能性がある。このように複数のプラ
ントデータを用いて自己学習することにより、モデルの
汎用性が増し、新規プラントへの適用性が向上する。
データに基づきシミュレーションモデルの自己学習を行
なっていたが、図１０に示すように複数のプラント９の
データを多プラントデータベース２０を介して、プラン
トの自己学習診断、予測装置１に取り込むことにより、
学習の幅を広げることができる。すなわち、１つのプラ
ントでは変化の小さい状態量も複数のプラントでは幅を
持つこともあるので、このような場合では複数のプラン
トでそれぞれ最適化されたモデルパラメータと前記の状
態量との相関を解析することにより、図１１に示すよう
な相関関係を得る可能性がある。このように複数のプラ
ントデータを用いて自己学習することにより、モデルの
汎用性が増し、新規プラントへの適用性が向上する。
【００１３】また、図１にプラントの自己学習診断、予
測装置の装置構成を示したが、実際上は通常の計算機シ
ステムとして大部分が実現可能であり、自己学習診断、
予測の各機能はソフトウェア的に実現できる。本発明の
実施例を実現するためには、図１２に示すように上位に
プラントの自己学習診断、予測用のソフトウェアを設
け、シミュレーション用のソフトウェアを下位に位置付
ける構成とし、上位ソフトウェアからシミュレーション
ソフトウェアのプログラムのソースを修正、コンパイ
ル、実行制御して達成する。また、計算機システムとし
ては単独のプロセッサを持つものでも実現できるが、図
１３に示すようにシミュレーション専用計算機を用いた
システムとすることもできる。このようにシミュレーシ
ョン専用計算機を用いると大型シミュレーションを別の
計算機で高速に実行させることも可能となり、システム
としての応答性が向上する。特に、図１４に示すように
複数のシミュレーション専用計算機を用いたシステムで
はパラメータサーベイ機能を並行的に実施可能となり、
モデルパラメータの最適化及びモデルの自己学習時間を
大幅に短縮することができる。
測装置の装置構成を示したが、実際上は通常の計算機シ
ステムとして大部分が実現可能であり、自己学習診断、
予測の各機能はソフトウェア的に実現できる。本発明の
実施例を実現するためには、図１２に示すように上位に
プラントの自己学習診断、予測用のソフトウェアを設
け、シミュレーション用のソフトウェアを下位に位置付
ける構成とし、上位ソフトウェアからシミュレーション
ソフトウェアのプログラムのソースを修正、コンパイ
ル、実行制御して達成する。また、計算機システムとし
ては単独のプロセッサを持つものでも実現できるが、図
１３に示すようにシミュレーション専用計算機を用いた
システムとすることもできる。このようにシミュレーシ
ョン専用計算機を用いると大型シミュレーションを別の
計算機で高速に実行させることも可能となり、システム
としての応答性が向上する。特に、図１４に示すように
複数のシミュレーション専用計算機を用いたシステムで
はパラメータサーベイ機能を並行的に実施可能となり、
モデルパラメータの最適化及びモデルの自己学習時間を
大幅に短縮することができる。
【００１４】
【発明の効果】本発明により、実プラントの測定データ
に基づきシミュレーションモデルのモデルパラメータの
自己修繕、並びにモデルの自己学習による改善が可能と
なるので、診断、予測精度が向上すると共に、シミュレ
ーションモデルのメインテナンスに関わる労力の削減が
可能となり、ひいてはプラントの信頼性、経済性向上の
効果がある。
に基づきシミュレーションモデルのモデルパラメータの
自己修繕、並びにモデルの自己学習による改善が可能と
なるので、診断、予測精度が向上すると共に、シミュレ
ーションモデルのメインテナンスに関わる労力の削減が
可能となり、ひいてはプラントの信頼性、経済性向上の
効果がある。
【図１】本発明のプラントの自己学習診断、予測装置の
構成と原子力発電プラントへの適用例を示す。
構成と原子力発電プラントへの適用例を示す。
【図２】モデルパラメータ最適化部の構成を示す。
【図３】原子炉一次系腐食生成物のマスバランスモデル
を示す。
を示す。
【図４】自己学習診断、予測方法の手順を示す。
【図５】異常診断と波及事象の予測の詳細手順を示す。
【図６】モデルパラメータ最適化の詳細手順を示す。
【図７】自己学習の詳細手順を示す。
【図８】モデルパラメータを最適化を実施した例を示
す。
す。
【図９】実測パラメータと偏差の相関解析を実施した例
を示す。
を示す。
【図１０】多プラントデータを用いた自己学習診断、予
測装置構成を示す。
測装置構成を示す。
【図１１】多プラントデータに基づく相関解析を実施し
た例を示す。
た例を示す。
【図１２】プラントの自己学習診断、予測装置のソフト
ウェア構成を示す。
ウェア構成を示す。
【図１３】プラントの自己学習診断、予測装置を構成す
る計算機システム構成の１つを示す。
る計算機システム構成の１つを示す。
【図１４】プラントの自己学習診断、予測装置を構成す
る別の計算機システム構成の１つを示す。
る別の計算機システム構成の１つを示す。
【図１５】偏差パターンの定義例（表１）
【図１６】異常検出時の偏差パターン表の例（表２）
【図１７】変化パターン表の例（表３）
【図１８】変化パターンの定義例（表４）
【図１９】差分パターンの定義例（表５）
【図２０】改善度スコアの定義例（表６）
【図２１】改善度スコア作成例（表７）
１ プラントの自己学習診断、予測装置 ２ プラントの自己学習診断、予測制御部 ３ モデルパラメータ最適化部 ４ 相関解析部 ５ 自己学習部 ６ 異常検出部 ７ 予測部 ８ 診断予測結果表示部 ９ 原子力発電プラント １０ プロセスコンピュータ １１ 各種計測器 １２ モデルパラメータ最適化制御部 １３ プラントパラメータ設定部 １４ 標準パラメータ設定部 １５ モデルパラメータ収納部 １６ 解析入力収納部 １７ シミュレーション実行部 １８ 解析結果収納部 １９ 変化パターン作成部 ２０ 多プラントデータベース
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 // Ｇ０５Ｂ 23/00 Ｒ 7618−3Ｈ (72)発明者 内田 俊介 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所エネルギー研究所内 (72)発明者 有田 節男 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所エネルギー研究所内 (72)発明者 福崎 孝治 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所エネルギー研究所内 (72)発明者 高橋 文信 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所エネルギー研究所内
Claims (14)
- 【請求項１】 プラントを循環する冷却系に関わる物理
的又は化学的挙動を記述するシミュレーション結果を用
いてプラントの構成機器、材料あるいは放射性核種の生
成・蓄積の少なくとも１つ以上を対象として診断、予測
するプラントの自己学習診断、予測方法において、シミ
ュレーションモデルのモデルパラメータを実測された状
態量の値と前記実測値に対応する解析値との偏差の二乗
和が最小になるように自動的に最適化するステップと、
最適化後に残った前記偏差と全ての実測された状態量と
の相関関係を解析するステップと、相関の強い状態量を
新たにモデルパラメータ算出の変数に加えることにより
自己学習するステップと、シミュレーションにより事前
に算出された状態量の予測値と新たに実測された実測値
とを比較して異常の有無を判定するステップと、前記予
測値と新たに実測された実測値との偏差に基づき異常原
因を同定するステップと、最適化されたモデルパラメー
タの値あるいは長期のシミュレーション結果により、構
成機器、材料の寿命あるいは放射性核種の蓄積量を予測
するステップとを備えたことを特徴とするプラントの自
己学習診断、予測方法。 - 【請求項２】 実測された状態量の値と前記実測値に対
応する解析値との偏差の二乗和が最小になるように自動
的にモデルパラメータを最適化するステップの前に、プ
ラント異常時の実測値を除いて定常時の実測値を収集す
るステップを追加することを特徴とする請求項１記載の
プラントの自己学習診断、予測方法。 - 【請求項３】 プラント異常時の実測値に加えて過渡運
転時の実測値も除いて、プラント定常時の実測値を所定
数以上収集するようにしたことを特徴とする請求項２記
載のプラントの自己学習診断、予測方法。 - 【請求項４】 シミュレーションモデルのモデルパラメ
ータを実測された状態量の値と前記実測値に対応する解
析値との偏差の二乗和が最小になるように自動的に最適
化するステップとして、プラントデータベースからプラ
ントパラメータを読み込んでシミュレーション入力に変
換するステップと、標準モデルパラメータセットをシミ
ュレーション入力に加えるステップと、入力を用いてシ
ミュレーションを実行するステップと、順次入力のモデ
ルパラメータを１つずつ変更してシミュレーションを実
行するステップと、変更入力で得られた結果と標準入力
による結果とを比較して変化パターンを作成するステッ
プと、偏差パターンと前記変化パターンを比較して偏差
が最も小さくなるモデルパラメータを修正するステップ
と、モデルパラメータの修正によって偏差の縮小を評価
するステップと、前記修正プロセスを繰り返した際に偏
差が最小になったことを確認するステップから構成され
ることを特徴とする請求項１から請求項３記載のいずれ
かのプラントの自己学習診断、予測方法。 - 【請求項５】 複数プラントにおいて異なるモデルパラ
メータとプラント毎の運転期間中にはほとんど変化しな
い実測された状態量との相関解析を実施するステップ
と、前記相関解析の結果として相関の強い状態量を新た
にモデルパラメータ算出の変数に加えることにより自己
学習するステップを付加することを特徴とする請求項１
から請求項４記載のいずれかのプラントの自己学習診
断、予測方法。 - 【請求項６】 モデルパラメータを最適化する際に用い
る実測された状態量は期間を限定して計測することを特
徴とする請求項１から請求項５記載のいずれかのプラン
トの自己学習診断、予測方法。 - 【請求項７】 プラントを循環する冷却系に関わる物理
的又は化学的挙動を記述するシミュレーション結果を用
いてプラントの構成機器、材料あるいは放射性核種の生
成・蓄積の少なくとも１つ以上を対象として診断、予測
するプラントの自己学習診断、予測装置において、シミ
ュレーションモデルのモデルパラメータを実測された状
態量の値と前記実測値に対応する解析値との偏差の二乗
和が最小になるように自動的に最適化する手段と、最適
化後に残った前記偏差と全ての実測された状態量との相
関関係を解析する手段と、相関の強い状態量を新たにモ
デルパラメータ算出の変数に加えることにより自己学習
をする手段と、シミュレーションにより事前に算出され
た状態量の予測値と新たに実測された実測値とを比較し
て異常の有無を判定する手段と、上記４つの手段を定期
的にかつ必要に応じて順次動作させると共に異常検出時
には前記予測値と新たに実測された実測値との偏差に基
づき異常原因を診断する手段と、最適化されたモデルパ
ラメータの値あるいは長期のシミュレーション結果によ
り、構成機器、材料の寿命あるいは放射性核種の蓄積量
を予測する手段と、予測結果を表示する手段とを備えた
ことを特徴とするプラントの自己学習診断、予測装置。 - 【請求項８】 実測された状態量の値と前記実測値に対
応する解析値との偏差の二乗和が最小になるように自動
的にモデルパラメータを最適化する前処理として、プラ
ント異常時の実測値を除いて定常時の実測値を収集する
手段を有することを特徴とする請求項７記載のプラント
の自己学習診断、予測装置。 - 【請求項９】 プラント異常時の実測値に加えて過渡運
転時の実測値も除いて、プラント定常時の実測値を所定
数以上収集することを特徴とする請求項８記載のプラン
トの自己学習診断、予測装置。 - 【請求項１０】 シミュレーションモデルのモデルパラ
メータを実測された状態量の値と前記実測値に対応する
解析値との偏差の二乗和が最小になるように自動的に最
適化する手段として、プラントデータベースからプラン
トパラメータを読み込んでシミュレーション入力に変換
する手段と、標準モデルパラメータセットをシミュレー
ション入力に加える手段と、入力を用いてシミュレーシ
ョンを実行する手段と、順次入力のモデルパラメータを
１つずつ変更してシミュレーションを実行する手段と、
変更入力で得られた結果と標準入力による結果とを比較
して変化パターンを作成する手段と、偏差パターンと前
記変化パターンを比較して偏差が最も小さくなるモデル
パラメータを修正する手段と、モデルパラメータの修正
によって偏差の変化を評価する手段と、前記修正プロセ
スを繰り返した際に偏差が最小になったことを確認する
手段を用いることを特徴とする請求項７から請求項９記
載のいずれかのプラントの自己学習診断、予測装置。 - 【請求項１１】 複数プラントにおいて異なるモデルパ
ラメータとプラント毎の運転期間中にはほとんど変化し
ない実測された状態量との相関解析を実施する手段と、
前記相関解析の結果として相関の強い物理パラメータを
新たにモデルパラメータ算出の変数に加えることにより
自己学習をする手段とを付加することを特徴とする請求
項７から請求項１０記載のいずれかのプラントの自己学
習診断、予測装置。 - 【請求項１２】 シミュレーションを子プロセスとして
実行させることを特徴とする請求項７から請求項１１記
載のいずれかのプラントの自己学習診断、予測装置。 - 【請求項１３】 シミュレーションをプラントの自己学
習診断、予測用の処理装置とは別の処理装置上で実行さ
せることを特徴とする請求項７から請求項１２記載のい
ずれかのプラントの自己学習診断、予測装置。 - 【請求項１４】 シミュレーションを特に２つ以上の複
数の別々の処理装置上で同時並列的に実行させることを
特徴とする請求項１３記載のプラントの自己学習診断、
予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05095465A JP3094191B2 (ja) | 1993-03-30 | 1993-03-30 | プラントの自己学習診断、予測方法及び装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP05095465A JP3094191B2 (ja) | 1993-03-30 | 1993-03-30 | プラントの自己学習診断、予測方法及び装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06289179A true JPH06289179A (ja) | 1994-10-18 |
| JP3094191B2 JP3094191B2 (ja) | 2000-10-03 |
Family
ID=14138412
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP05095465A Expired - Fee Related JP3094191B2 (ja) | 1993-03-30 | 1993-03-30 | プラントの自己学習診断、予測方法及び装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3094191B2 (ja) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
| JP2015072714A (ja) * | 2006-10-02 | 2015-04-16 | フィッシャー−ローズマウント システムズ，インコーポレイテッド | プロセス制御ネットワークに統合された分析サーバ |
| JP2018141753A (ja) * | 2017-02-28 | 2018-09-13 | 株式会社Ｌｓｉメディエンス | 異常検出装置、異常検出方法及び異常検出プログラム |
| JP2020030142A (ja) * | 2018-08-23 | 2020-02-27 | 三菱重工業株式会社 | 評価条件作成方法、応答解析方法、評価条件作成装置及び応答解析装置 |
| JP2020095298A (ja) * | 2018-12-10 | 2020-06-18 | 株式会社Ｓｕｂａｒｕ | 故障診断システム |
| JP2020150692A (ja) * | 2019-03-14 | 2020-09-17 | 三菱電機株式会社 | モータ劣化傾向監視システム |
| JP2020154929A (ja) * | 2019-03-22 | 2020-09-24 | 三菱重工機械システム株式会社 | 油圧制御システムにおけるパラメータ同定を行う装置と方法、油圧制御システム、および状態検知方法 |
| CN112149278A (zh) * | 2020-08-21 | 2020-12-29 | 中国核电工程有限公司 | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 |
| JP2021050939A (ja) * | 2019-09-20 | 2021-04-01 | 日立Ｇｅニュークリア・エナジー株式会社 | 予測モデル構築方法および予測方法 |
| JP2021076466A (ja) * | 2019-11-08 | 2021-05-20 | 三菱重工業株式会社 | 原子力プラントの線量当量予測方法、線量当量予測プログラム、及び、線量当量予測装置 |
| JP2021081385A (ja) * | 2019-11-22 | 2021-05-27 | 日立Ｇｅニュークリア・エナジー株式会社 | 原子炉の炉水水質を予測する装置 |
| EP4057095A1 (en) * | 2021-03-10 | 2022-09-14 | Yokogawa Electric Corporation | Analysis apparatus, analysis method and program |
| WO2022196813A1 (ja) * | 2021-03-18 | 2022-09-22 | ダイキン工業株式会社 | 補正装置、予測装置、方法、プログラム、および補正モデル |
| US11487252B2 (en) | 2005-10-04 | 2022-11-01 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
| WO2023090967A1 (ko) * | 2021-11-22 | 2023-05-25 | 에스케이플래닛 주식회사 | 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법 |
| WO2023139927A1 (ja) * | 2022-01-21 | 2023-07-27 | 日立Ｇｅニュークリア・エナジー株式会社 | プラント計装装置およびそれを備えた設備劣化監視システムとプラント保全最適化システム |
-
1993
- 1993-03-30 JP JP05095465A patent/JP3094191B2/ja not_active Expired - Fee Related
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004531815A (ja) * | 2001-04-10 | 2004-10-14 | スマートシグナル・コーポレーション | 予測的状態監視のための診断システムおよび方法 |
| JP2008186472A (ja) * | 2001-04-10 | 2008-08-14 | Smartsignal Corp | 予測的状態監視のための診断システムおよび方法 |
| JP2012150820A (ja) * | 2001-04-10 | 2012-08-09 | Smartsignal Corp | 予測的状態監視のための診断システムおよび方法 |
| US11487252B2 (en) | 2005-10-04 | 2022-11-01 | Fisher-Rosemount Systems, Inc. | Process model identification in a process control system |
| JP2015072714A (ja) * | 2006-10-02 | 2015-04-16 | フィッシャー−ローズマウント システムズ，インコーポレイテッド | プロセス制御ネットワークに統合された分析サーバ |
| JP2018141753A (ja) * | 2017-02-28 | 2018-09-13 | 株式会社Ｌｓｉメディエンス | 異常検出装置、異常検出方法及び異常検出プログラム |
| JP2020030142A (ja) * | 2018-08-23 | 2020-02-27 | 三菱重工業株式会社 | 評価条件作成方法、応答解析方法、評価条件作成装置及び応答解析装置 |
| JP2020095298A (ja) * | 2018-12-10 | 2020-06-18 | 株式会社Ｓｕｂａｒｕ | 故障診断システム |
| JP2020150692A (ja) * | 2019-03-14 | 2020-09-17 | 三菱電機株式会社 | モータ劣化傾向監視システム |
| JP2020154929A (ja) * | 2019-03-22 | 2020-09-24 | 三菱重工機械システム株式会社 | 油圧制御システムにおけるパラメータ同定を行う装置と方法、油圧制御システム、および状態検知方法 |
| JP2021050939A (ja) * | 2019-09-20 | 2021-04-01 | 日立Ｇｅニュークリア・エナジー株式会社 | 予測モデル構築方法および予測方法 |
| US11342089B2 (en) | 2019-09-20 | 2022-05-24 | Hitachi-Ge Nuclear Energy, Ltd. | Predictive model construction and prediction method for radioactive metal corrosion concentration in nuclear reactor water |
| JP2021076466A (ja) * | 2019-11-08 | 2021-05-20 | 三菱重工業株式会社 | 原子力プラントの線量当量予測方法、線量当量予測プログラム、及び、線量当量予測装置 |
| JP2021081385A (ja) * | 2019-11-22 | 2021-05-27 | 日立Ｇｅニュークリア・エナジー株式会社 | 原子炉の炉水水質を予測する装置 |
| US11942228B2 (en) | 2019-11-22 | 2024-03-26 | Hitachi-Ge Nuclear Energy, Ltd. | Device for prediction of reactor water quality of nuclear reactor |
| CN112149278A (zh) * | 2020-08-21 | 2020-12-29 | 中国核电工程有限公司 | 基于多维状态参数的核电厂工况监视及异常诊断设计方法 |
| EP4057095A1 (en) * | 2021-03-10 | 2022-09-14 | Yokogawa Electric Corporation | Analysis apparatus, analysis method and program |
| WO2022196813A1 (ja) * | 2021-03-18 | 2022-09-22 | ダイキン工業株式会社 | 補正装置、予測装置、方法、プログラム、および補正モデル |
| JP2022145655A (ja) * | 2021-03-18 | 2022-10-04 | ダイキン工業株式会社 | 補正装置、予測装置、方法、プログラム、および補正モデル |
| WO2023090967A1 (ko) * | 2021-11-22 | 2023-05-25 | 에스케이플래닛 주식회사 | 센서의 문맥 인식 기반 결측값을 보간하기 위한 장치 및 이를 위한 방법 |
| WO2023139927A1 (ja) * | 2022-01-21 | 2023-07-27 | 日立Ｇｅニュークリア・エナジー株式会社 | プラント計装装置およびそれを備えた設備劣化監視システムとプラント保全最適化システム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3094191B2 (ja) | 2000-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH06289179A (ja) | プラントの自己学習診断、予測方法及び装置 | |
| Alaswad et al. | A review on condition-based maintenance optimization models for stochastically deteriorating system | |
| Montgomery | The economic design of control charts: a review and literature survey | |
| Farr | Software reliability modeling survey | |
| JP2021064370A (ja) | デジタル・ツイン・シミュレーション・データを利用した時系列データに基づく、大規模な産業用監視システム向けの半教師あり深層異常検出のための方法およびシステム | |
| Lennox et al. | Application of multivariate statistical process control to batch operations | |
| CN109186813A (zh) | 一种温度传感器自检装置及方法 | |
| KR100867938B1 (ko) | 종속변수 유사도와 커널 회귀법을 이용한 발전소 계측기성능감시용 예측방법 | |
| CN110262279A (zh) | 控制系统以及控制方法 | |
| Kumar et al. | Development of parameter based fault detection and diagnosis technique for energy efficient building management system | |
| Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
| CN110070269B (zh) | 一种风险指引的后处理设施中设备的管理优化方法 | |
| US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program | |
| Vilim et al. | Computerized operator support system and human performance in the control room | |
| Anniprincy et al. | Two dimensional software reliability growth models using Cobb-Douglas production function and Yamada S-shaped model | |
| KR100617989B1 (ko) | 원자로제어방법 | |
| JPS62192694A (ja) | プラント診断装置 | |
| US11942228B2 (en) | Device for prediction of reactor water quality of nuclear reactor | |
| JP7184636B2 (ja) | データ選別装置及び方法、ならびに監視診断装置 | |
| JPH03277938A (ja) | 電動弁余寿命診断エキスパートシステム | |
| Uhrig | Potential Use Of Neural Networks In Nuclear Power Plants | |
| JPH04169849A (ja) | データ判別用しきい値設定方式 | |
| Souza et al. | An online variable selection method using recursive least squares | |
| Erginel et al. | Reduce the failure rate of the screwing process with six sigma approach | |
| JPH04194788A (ja) | 高速炉の炉内異常検出方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |