JPH063483A

JPH063483A - 機器異常監視方法およびその装置

Info

Publication number: JPH063483A
Application number: JP4188626A
Authority: JP
Inventors: Izumi Yamada; 泉山田; Yamato Asakura; 大和朝倉; Hiroshi Kamimura; 上村　　博; Shunsuke Uchida; 俊介内田; Osamu Oyamada; 修小山田; Mitsuharu Oibe; 光治及部
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1992-06-23
Filing date: 1992-06-23
Publication date: 1994-01-11
Anticipated expiration: 2016-02-05
Also published as: JP3131659B2

Abstract

(57)【要約】【目的】機器運転状態を高精度に検出し、かつ、記憶
容量を少容量化すると共に機器異常の監視性能を向上
し、予測していない異常を判定することにある。【構成】機器から複数の監視パラメータを計測して抽
出し、あらかじめ定めた監視パラメータを選択すると共
に学習モードまたは監視モードを設定し、学習モードの
とき、あらかじめ定めた監視パラメータの値に応じてそ
の他の監視パラメータの正常時の値を学習し、監視モー
ドのとき、あらかじめ定めた監視パラメータの値に応じ
て学習済みのその他の監視パラメータの代表値を出力
し、学習済みの正常なその他の監視パラメータの代表値
と現時刻のその他の監視パラメータの値を比較して、現
時刻のその他の監視パラメータの値が正常範囲外のとき
異常と判定し、判定結果を警報・表示する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、プラントで使用される
機器の稼働状態が正常であるか異常であるかの判定を行
うための機器異常監視方法およびその装置に係わり、特
に、この正常、異常の判定に学習機能を利用する機器異
常監視方法およびその装置に関する。

【０００２】

【従来の技術】従来の学習機能のついた監視機器として
は、例えば特開昭５８−１８９５１４号公報記載のよう
に、あらかじめ異常判定のアルゴリズムを機器のメカニ
ズムに応じて決めておき、それを前提にして学習機能を
利用するようになっていた。また、特開昭５９−１１４
０７号公報記載のように、機器運転時の最適な制御パラ
メータの値を学習制御しながら取得し、この学習制御の
情報によって診断用基準値を書き換える方式の学習機能
の利用であった。

【０００３】

【発明が解決しようとする課題】上記従来技術は、前者
について、異常判定のアルゴリズムが機器の動作のメカ
ニズムに応じて作成されたものであるため、その判定ア
ルゴリズムで考慮されない異常については検知できない
という点に問題があった。また、後者について、複数の
監視パラメータを同時に監視し、機器運転状態を高精度
に把握することにより、予想もしない異常を検出するい
う点および監視パラメータの値を記憶する記憶容量を少
容量化する点の配慮がなされていない。本発明の目的
は、上記事情に鑑み、機器運転状態を高精度に検出し、
かつ、記憶容量を少容量化すると共に機器異常の監視性
能を向上し、予測していない異常を判定するに好適な機
器異常監視方法およびその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】上記目的は、学習モード
において、あらかじめ定めた監視パラメータの値に応じ
てその他の監視パラメータの代表値を記憶した記憶装置
の記憶領域を選択し、選択した記憶領域の内容を学習時
のその他の監視パラメータの値に応じて更新し、監視モ
ードにおいては、上記のあらかじめ定めた監視パラメー
タの値に応じて記憶装置の記憶領域を選択し、その記憶
領域の内容と機器運転時のその他の監視パラメータパタ
ーンを比較し、機器の異常を検出することにより、達成
される。また、上記目的は、機器から複数の監視パラメ
ータを計測し、抽出する手段と、あらかじめ定めた監視
パラメータを選択する手段と、学習モードまたは監視モ
ードを設定する手段と、学習モードのとき、あらかじめ
定めた監視パラメータの値に応じてその他の監視パラメ
ータの正常時の値を学習し、監視モードのとき、あらか
じめ定めた監視パラメータの値に応じて学習済みのその
他の監視パラメータの代表値を出力する監視パラメータ
学習手段と、学習済みの正常なその他の監視パラメータ
の代表値と現時刻のその他の監視パラメータの値を比較
して、現時刻のその他の監視パラメータの値が正常範囲
外のとき異常と判定する手段と、判定結果を警報・表示
する手段から構成することにより、達成される。本発明
においては、正常運転時に学習で得た監視パラメータパ
ターンと、機器の通常運転時の監視パラメータパターン
を比較し、正常時の監視パラメータの組合せと違ったパ
ターンを検知したときに異常と判定するようにする。正
常運転時の各監視パラメータの関係を経験的に知ってい
れば、機器の構造や他の機器との連動の仕方についての
詳細な知識がなくても、異常の有無の判定は可能であ
る。この場合、学習時に経験できなかった正常監視パラ
メータパターン以外は異常と判断するため、予測してな
い異常の検出も可能となる。なお、通常の異常判定のア
ルゴリズムは、機器の動作メカニズムに基づいて組み立
てているため、予想しえなかった異常に関しては検出で
きない。

【０００５】

【作用】機器の正常状態を把握するためには、計測量の
絶対値や特定の周波数成分の振幅等の監視パラメータの
正常範囲を知ることが必要である。しかし、監視パラメ
ータそれぞれの正常範囲は、運転の条件毎に大きく変動
することがあり、個々の監視パラメータを独立に用いる
と、正常状態を把握する精度が悪い。一方、多くの監視
パラメータの値の組み合わせ、すなわち、監視パラメー
タパターンで正常状態を把握すれば、正常状態を把握す
る精度を向上させることができる。例えば、回転機械に
おいて、通常運転時の回転数が０〜１００％であり、そ
の振動の正常範囲が０〜１００μｍであるとする。とこ
ろが、１００μｍの振動振幅は危険速度である５０％回
転時（例えば、共振現象のとき）のみ生じるとすれば、
危険速度以外の回転数で１００μｍの振動が観測された
場合は異常である。このため、回転数毎に正常振幅を把
握すれば、より正常運転状態を把握する精度は高まる。
その結果、正常運転状態以外の状態の検出感度が向上で
き、予想してなかった回転機架台の剛性変化にともなう
危険速度の変化等を検出し得る。つまり、本発明におい
て複数の監視パラメータを同時に監視する理由は、機器
運転状態の把握をより高精度に行うことで正常状態の範
囲を従来方式以上に限定し、結果的に異常状態の検出範
囲を広げることで予想してない異常も検出できるからで
ある。機器の正常状態は、通常定期検査等で変化するた
め、定期検査の都度正常状態の把握作業が必要となる。
このため、多くの機器を有する原子力プラント等では正
常状態の把握作業に多くの時間を費やす可能性がある。
そこで、正常状態の把握を自動的に行えば作業時間の問
題は回避できる。この正常状態の把握を自動的に行う最
も単純な方法は、ともかく正常運転状態におけるすべて
の複数の監視パラメータ値の組み合わせをいったん記憶
しておき、記憶した複数の監視パラメータ値すべての組
み合わせと、通常運転状態での監視パラメータ値を比較
すれば良い。例えば、回転数１０％で振動振幅１０μ
ｍ、２０％で１１μｍというように記憶しておき、正常
運転時の監視パラメータの値が回転数１０％で振動振幅
１０μｍなら正常で、１１μｍなら異常と判定する。し
かし、この方法では監視パラメータの数が多くなると、
すべての正常状態を記憶することは、その記憶量が膨大
であるため不可能である。また、いわゆる学習理論で用
いられるニューラルネットワークを用いたとしても、監
視に有効な学習の実現は期待できない。教師有りの学習
機構では、多くの正常状態をどのように分類するかの概
念が不明であり、教師無しの学習機構においては、監視
に関わる学習のための評価関数が不明である。そこで、
本発明においては、上記の記憶容量の問題を回避するた
め、複数の監視パラメータのうちの監視対象の機器の状
態を支配する監視パラメータを選択し、これを主監視パ
ラメータとして、それ以外の監視パラメータを従属監視
パラメータとして、主監視パラメータの値に応じて従属
監視パラメータの代表値を記憶するようにした。ここで
いう代表値としては監視パラメータの平均値や中央値、
監視パラメータ変動の大きさを示す標準偏差や最大・最
小値などである。主監視パラメータを設けることで学習
におけるパラメータパターンの分類をあらかじめ行い、
従属監視パラメータの代表値を更新しながら記憶するこ
とで装置として実現可能な記憶容量にしている。機器異
常監視装置の監視モードにおいては、あらかじめ定めた
主監視パラメータの値に応じて、従属監視パラメータの
代表値を読みだし、運転状態における機器の従属監視パ
ラメータの値とを比較して、正常範囲以外ならば異常と
判定する。これにより、正常時の監視パラメータの組み
合わせすべてを記憶しなくてもほぼ同等の異常検出が可
能になる。上記の考え方は、学習という側面でみると、
正常状態が主監視パラメータごとに違っており、主監視
パラメータの値に応じて従属監視パラメータパターンを
分類することと等価である。この観点からすると、以下
の機器異常監視装置の構築も可能となる。すなわち、主
監視パラメータ値を教師信号として用い、従属監視パラ
メータをニューラルネットワークの入力信号とする。学
習においては、ニューラルネットワークの中間層の係数
がチューニングされて、運転状態が正常の場合、従属監
視パラメータを入力したとき、その出力は主監視パラメ
ータの値にほぼ一致する。中間層の係数のチューニング
と上述の方式の監視パラメータの代表値の算出が同一の
意味を持つ。異常判定においては、機器の通常運転時の
従属監視パラメータを学習済みのニューラルネットワー
クに入力した場合、その出力が主監視パラメータにほぼ
一致したときに正常とし、一致しないときに異常と判定
する。

【０００６】

【実施例】以下、本発明の第一の実施例を図１により説
明する。図１は、本発明を原子力発電プラントの再循環
ポンプループの異常監視に用いた例である。図１におい
て、原子炉１０１内部の炉心１０２で発生する熱は、炉
心１０２内部を流れる冷却水に伝達され、この冷却水は
沸騰して主蒸気配管１０３を通りタービン・発電機を回
転して電力を得る。タービン・発電機を回転した蒸気
は、再び水になって給水配管１０４を通って原子炉１０
１に導かれる。炉心１０２の発熱量は、再循環ポンプ１
０５、再循環配管１０６、ジェットポンプ１０７からな
る再循環ポンプループの流量に依存して変化する。炉心
１０２や配管等を通る冷却水の純度を保つため、再循環
配管１０６から冷却水を分岐して炉水浄化装置１０８で
浄化し、給水配管１０４に戻す。本実施例の機器異常監
視装置は、炉心１０２の発熱量を制御する再循環ポンプ
ループの監視のために設置してある。監視のため、再循
環ポンプ１０５の回転数計測装置１２１、振動計測装置
１２２、流量計測装置や軸受け温度計測装置等の再循環
ポンプループの運転状態を知るための各種の計測装置を
装備している。再循環ポンプループの運転状態に関する
情報を有する水質についても監視するため、炉水浄化装
置１０８にセンサを配して導電率を導電率計測装置１２
３で計測している。各計測装置で測定した信号は、交流
信号の直流レベル変換や、適当な時定数のフィルタリン
グ、アナログからディジタル信号に変換する機能を有す
る監視パラメータ抽出器２００に入力される。監視モー
ド設定器２５０は、本実施例の機器異常監視装置の２つ
のモードの切り換えを指示するものであり、学習モード
と監視モードが設定できる。監視パラメータパターン選
択器２２０の入力は、主監視パラメータである回転数が
入力され、その出力は監視パラメータ値を量子化した値
である。ここでいう量子化とは、例えば、回転数１１７
５ｒｐｍを１１７０に変換したりする操作であり、監視
パラメータの値を連続値でなく、あらかじめ設定した間
隔の離散値に変換する操作である。監視パラメータ学習
器２３０は、監視モード設定器２５０の出力が学習モー
ドの時、入力である主監視パラメータの量子化値に応じ
てその他の監視パラメータである従属監視パラメータの
正常時の値を学習する。監視モード設定器２５０の出力
が監視モードの時は、主監視パラメータの量子化値に応
じて学習済みの従属監視パラメータの代表値を出力す
る。異常検出器２６０は、監視モード設定器２５０の出
力が監視モードの時に動作し、学習済みの正常監視パラ
メータの代表値と、現時刻の従属監視パラメータの値を
比較して、現時刻の監視パラメータの値が正常範囲外な
ら異常と判定して、判定結果を警報・表示器２８０に出
力する。警報・表示器２８０は、判定結果に従ってあら
かじめ定めた警報・表示を行う。

【０００７】以上、本発明の実施例である再循環ポンプ
ループの機器異常監視装置の構成と各部のおおまかな機
能の説明をした。以下では、さらに主要部の構造と動作
について詳細に説明する。監視パラメータ学習器２３０
のより詳細な構成を図２に示す。学習データを記憶する
ための記憶器２３１、監視モードに応じて学習データの
出力先を変更するためのデータ切換器２３２、学習デー
タである従属監視パラメータの代表値を更新するための
累積器２３３から成る。ここで言う学習とは、従属監視
パラメータの正常時にとり得る範囲を、再循環ポンプル
ープの正常時の従属監視パラメータの値から決定するた
めの動作を指す。監視モードにおける監視パラメータ学
習器２３０内部のデータの流れを図３に示す。図３にお
いて、記憶器２３１には、主監視パラメータの量子化値
ｉに従って、従属監視パラメータの代表値である学習済
みの総データ数、監視パラメータ値の単純和、２乗和、
平均値、標準偏差、最大値、最小値が記憶されている。
一定時間経過毎に主監視パラメータの量子化値ｉに従っ
て、記憶器２３１の従属パラメータの代表値の記憶領域
を選択し、累積器２３３に選択した記憶領域の記憶内容
を送る。累積器２３３では、記憶器２３１から送られた
代表値と現時刻における従属監視パラメータの値Ｘ_jGか
ら新たな代表値を計算して、主監視パラメータの量子化
値ｉに対応する記憶領域の内容を更新する。学習モード
でこのような動作を繰り返すことにより、機器正常運転
時の従属監視パラメータの範囲が主監視パラメータの値
毎に記憶器２３１に記憶される。本実施例の機器異常監
視装置のデータ処理の流れを図４にフローチャートで示
す。あらかじめ定めた時間間隔毎に主監視パラメータで
ある回転数をＡＤ変換（アナログ信号をディジタル信号
に変換）し、あらかじめ定めたステップ毎に量子化す
る。量子化値ｉに対応する記憶領域の内容を読み出し、
現時刻の従属監視パラメータの値をＡＤ変換する。現在
設定されているモードが学習モードならば、代表値の更
新演算の後、記憶領域の内容を更新する。内容更新後、
再び主監視パラメータの入力待ちをする。一方、学習・
監視モード判定時、監視モードであった場合は、以下の
処理をする。まず、あらかじめ定めた許容幅係数ａを用
いて、学習データから各従属監視パラメータ毎の許容最
大値と許容最小値を計算で得る。計算式は、フローチャ
ート上に示した。この計算で得た許容幅を用いて、現時
刻の従属パラメータの値が許容幅内にあるかどうかを比
較して、従属監視パラメータのうち一つでも許容幅外な
らば、あらかじめ定めた手順により警報・表示を行う。
また、許容幅内ならば正常表示を行い、主監視パラメー
タの入力待ちをする。本実施例の機器異常検出装置の運
用は、前述したように定期検査の後の動作確認試験時に
学習モードで監視パラメータの正常範囲を学習させ、通
常運転時には監視モードで運用する。監視パラメータの
うち、例えば導電率などは、定期検査直後などに、正常
運転時等の値と違っている場合もあるので、学習時結果
を人間の介在で一部修正する機能を持たせることは可能
である。また、運転途中で新たにもしくは追加して学習
を行うことは、図１の構成で可能である。

【０００８】図５に、本実施例における異常検出の例を
示す。説明のため、図中には従来の単一監視パラメータ
毎に設定していた正常範囲も示してある。再循環ポンプ
ループにおいて、各種の計測量の変動を支配する可能性
があるのは、再循環ポンプ１０５の回転数であるため、
主監視パラメータとして回転数を選択してある。従属監
視パラメータとしては、再循環ポンプ１０５の振動、流
量、軸受温度導電率等である。監視パラメータ値は、あ
らかじめ検討した各監視パラメータの最大値を基準とし
て、百分率で表記してある。「━」は従来の監視法で定
めていた監視パラメータの正常範囲であり、「←→」は
本実施例の機器異常監視装置の学習で得た正常範囲であ
る。従来は、回転数の全範囲でとり得る振動の値を正常
値としていたため、正常の範囲が広くなっていたが、本
発明の学習機構の採用により正常の範囲が狭くなり、結
果として異常検出の感度が向上している。「○」は現時
刻の監視パラメータ値であり、軸受温度のみが学習で得
た正常範囲を逸脱している。異常検出後の調査により、
軸受の給油系統の不良によることが判明し、振動が増大
する前に対策した。従来の異常監視装置においては、図
５で示すようなわずかな異常は検出不可能であり、この
点で異常検出感度が向上していることがわかる。また、
本実施例により監視パラメータの値が正常範囲以外の場
合にすべて異常と判定するので、予想してなかった異常
についても検出できることがわかる。

【０００９】図６に、本実施例における警報・表示器２
８０の表示画面の例を示す。主監視パラメータである回
転数５０％における観測パターンの時間変化を、学習し
た正常パターンと観測監視パラメータパターン距離の差
の最小値（正常パターンの標準偏差と許容変動幅係数を
考慮）をパターン距離とし、そのパターン距離の時間変
化を示す。また、観測パラメータパターンのうちどの監
視パラメータがより警報レベル（平均値と標準偏差およ
び許容変動幅係数を考慮）に近いかを知ることができる
ように、各監視パラメータの現在値と学習で得た警報値
と平均値の関連も表示する。これにより、観測パラメー
タパターンの警報値からの余裕のトレンドが把握できる
とともに、その要因となる監視パラメータが何かが一目
瞭然となる。また、これらの表示は、それぞれ別画面と
してもそれなりに意味を持つ。以上述べた機器異常監視
装置のデータ処理において、従属監視パラメータの代表
値の一つに平均値を用いているが、これを中央値に変更
すること、あるいは、異常判定時に監視パラメータの学
習時の最大値や最小値を用いることが可能である。異常
検出においては、観測監視パラメーパターンと学習パタ
ーンの、パターン距離の差が設定範囲を越えたときに異
常と判定することも可能である。上記の装置構成におい
て使用しているハードウェアは、すべて従来技術の組み
合わせにより実現できる。

【００１０】次に、本発明の第二の実施例を図７により
説明する。図７は、原子力発電プラントのタービン・発
電機系統の異常監視に、本発明を適用した例である。図
７において、主蒸気配管１０３を通して高温・高圧蒸気
をタービン１１０に導き、タービン１１０を回転して、
タービン１１０に直結した発電機１１１により発電す
る。タービン１１０からでた蒸気は復水器１１２を通っ
て水になり、給水系に送られる。異常監視のための計測
量としては、発電機出力、振動、回転数（図示せず）、
軸受温度（図示せず）等の潤滑系計装、復水器１１２の
真空度、主蒸気流量等である。これらの計測量は、各種
の計測装置１２５〜１２８を通して監視パラメータ抽出
器２０１に導かれる。２つの監視パラメータパターン学
習器２３０、２４０の学習の制御は、監視モード設定器
２５０の設定モードに従って行われる。監視パラメータ
パターン選択器２２０は、第一の実施例の場合と同様の
機能を有する。監視モードでは、異常検出器２６５によ
り、２つの監視パラメータパターン学習器２３０、２４
０の出力と、現時刻での監視パラメータパターンを比較
して異常の有無を検出する。また、長期変動検出器２７
０は、監視パラメータパターンの長時間変動から異常検
知するために付加したものであり、詳細は後述する。警
報・表示器２８５は、異常検出器２５０や長期変動検出
器２７０の異常判定結果を表示するためのものである。
図７の実施例において特徴的な部分は、学習器として起
動用監視パラメータパターン学習器２３０と、監視用パ
ラメータパターン学習器２４０があることと、長期変動
検出器２７０が付加されている点である。起動用監視パ
ラメータ学習器２３０は、第一の実施例で述べたものと
同じものであり、定検等の機器の検査後の起動時に監視
パラメータの正常範囲を学習するためのものである。監
視用パラメータパターン学習器２４０は、監視パラメー
タパターンの正常範囲が機器の経年変化等によって変化
することを想定し、学習の重みを現時刻に大きくしたも
のである。長期変動検出器２７０は、監視用パラメータ
パターン学習器２４０の学習データを定期的に収録し、
その変化傾向から異常検出する機能を備えている。これ
により、プラント機器の経年変化にも対応できる機器異
常検出装置を実現できる。

【００１１】本実施例の機器異常監視装置の動作を図
８、図９のデータ処理の流れにしたがって説明する。タ
ービン回転数は一定の値に制御されており、本実施例の
主監視パラメータとしては発電機出力を用いている。従
属監視パラメータは、前述した発電機出力以外のもので
ある。一定時間毎に主監視パラメータを取り込み、量子
化して代表値を読みだす。次に、従属監視パラメータを
読みとり、監視モードか学習モードかを判定する。学習
モードでは第一の実施例と同様に学習データの更新を行
う。２つの学習器２３０、２４０ともに同じ学習を行う
ため、初期値が同じなら学習結果も同じとなる。一方、
監視モードの場合、許容値を算出する。２つの学習デー
タがあるので、両者に対応する許容値を算出するため、
許容幅係数を２つあらかじめ設定する必要がある。異常
判定においては、現時刻の監視パラメータの値がどちら
かの学習データの許容範囲外ならば、異常と判定する。
異常警報・表示処理では、どの学習データの許容範囲を
越えているのかを含めて関連情報を表示する。異常警報
・表示処理後学習・監視時刻待ちとなる。現時刻の監視
パラメータの値が２つの学習データの許容幅内にあった
ときは、図９に示す監視用パラメータパターン学習器２
４０の学習データの更新を行う。時間重みｌにより、現
時刻に重みを大きくした学習を実現している。学習デー
タ更新後、長期変動検出器２７０に学習データのファイ
リングを行うかどうかを判定し、不要なら図８に示した
正常表示処理を実施する。学習データのファイリングの
タイミイング（本実施例では、１０日毎に実施）の時
は、長期変動検出用ファイルに学習データを追加収録す
る。この収録データを個々の監視パラメータ毎に変動傾
向抽出を行い、その変動傾向が有意と検定したら、異常
警報・表示処理を行う。変動傾向抽出においては、監視
パラメータ代表値のうち、平均値と標準偏差を用いる。
有意な変動傾向がないときは、図８に示す正常表示処理
を行い、学習・監視時刻待ちをする。

【００１２】図１０に、長期変動検出器２７０の異常検
出例を示す。主監視パラメータである発電機出力が１０
０％のとき、振動レベルの漸増がみられる。原因究明の
結果、タービン・発電機の架台の沈下が緩やかに進み、
結果として振動が緩やかに増加したことがわかった。こ
のような、緩やかな変動傾向は、第一の実施例では検出
できない。以上述べた本実施例の機器異常監視装置にお
いて、経年変化等により、起動用パラメータパターン学
習器２３０の学習データと、監視パラメータの値に違い
が生じると、常に異常と判定することになる。この点
は、第一の実施例と同様に、監視員が学習データを書き
換えたり、異常検出の際に比較しないようにマスクする
ことで回避できる。また、装置構成の簡単化を図る場
合、時間重みの無い学習機構を２つ用意し、一方を監視
時にも学習させれば、正常な経年変化で誤操作機器異常
監視装置の実現が可能である。

【００１３】次に、本発明の第三の実施例を図１１によ
り説明する。図１１は高速増殖炉の蒸気発生器の異常音
監視に本説明を用いた例である。代表的な異常音とし
て、ナトリウム中に水が漏れだし、結果として生じるナ
トリウム水反応に伴う音がある。高温のナトリウムがナ
トリウム入口配管７０１を通り、伝熱管７０７の周囲を
通って、ナトリウム出口配管７０２からポンプ側に戻
る。容器銅７０５内には給水入口配管７０３から供給さ
れる給水が通る伝熱管７０７が配置されており、伝熱管
７０７は伝熱管支持構造体７０６で支えられている。容
器銅７０５外壁には複数の音響センサ７１１〜７１６を
配置しており、その出力は増幅器７２０〜７２５を通し
て、監視パラメータ抽出器２０２に入力している。ま
た、ナトリウム流量計測装置７２６の出力もまた、監視
パラメータ抽出器２０２に入力している。また、ナトリ
ウム流量計測装置７２６の出力もまた、監視パラメータ
抽出器２０２に入力している。監視モード設定器２５０
の設定が学習モードの時、監視パラメータパターン選択
器２２１とニューラルネットワーク２３５で正常監視パ
ラメータパターンの学習を行い、監視モードではニュー
ラルネットワーク２３５出力と主監視パラメータ量子化
値との比較を異常検出器２６６で行い、設定値以上にそ
の差が大きいとき異常と判定する。判定結果および関連
情報を、警報・表示器２８６で表示する。ニューラルネ
ットワーク２３５は、教師ありの学習機構を有する多層
ニューラルネットワークを用いている。

【００１４】図１２のフローチャートにより、本実施例
の機器異常監視装置の動作を説明する。本実施例におい
ては、主監視パラメータとしてナトリウム流量を用いて
おり、従属監視パラメータとして容器銅７０５外壁の各
位置における音響を用いている。蒸気発生器の発生音
は、主に蒸気やナトリウムの流動音であり、ナトリウム
流量により、その発生音レベルは変動する。学習・監視
時刻待ちして主監視パラメータを取り込む。主監視パラ
メータの量子化、従属監視パラメータの読みとり後、学
習モードか監視モードかを判定する。学習モードの場
合、ニューラルネットワークの入力を従属監視パラメー
タとし、そのときに出力が主監視パラメメータの量子化
値ｉとなるようにバックプロパゲーション演算により、
ニューラルネットワークの中間層の係数をチューニング
する。そして、学習・監視時刻待ちをする。監視モード
においては、ニューラルネットワークの入力を従属監視
パラメータとし、そのときのニューラルネットワーク出
力と、主監視パラメータの量子化値ｉとの差をとり、そ
の差があらかじめ設定した値以上の時、異常発生として
異常警報・表示処理をする。また、正常の場合は、その
判定結果と関連情報表示を含む正常表示処理を行う。表
示処理後、学習・監視時刻待ちをする。以上の異常監視
動作により、自動的に各ナトリウム流量毎の胴容器７０
５外壁の音響レベルを学習でき、従来以上の高感度な異
常音検出が可能となる。蒸気発生器内部の発生音は、流
体が接触する管内壁の表面状態にも依存する。表面状態
は、ある程度の経年変化も考えられるので、これに対処
するためには、ニューラルネットワークを２台用いて、
一方の学習済みのニューラルネットワークを監視に用
い、他方の初期化したニューラルネットワークを学習さ
せ、適当な時間間隔で交互に運用すれば、経年変化にも
対処できる。なお、学習機械として本実施例のニューラ
ルネットワークでなくとも、第一、第二の実施例に示し
た学習機構でも第３の実施例が実現できることはいうま
でもない。

【００１５】

【発明の効果】以上述べたように、本発明によれば、下
記のような特有の効果を奏する。（１）学習により自動的に正常監視パラメータ範囲が
明確になり、正常範囲外をすべて異常と判定するので、
予測していない異常の検出も可能になる。（２）監視パラメータの代表値として平均値等の時々
刻々と更新できるものを採用した学習方式を実現してい
るため、記憶容量が少なくて済み、機器異常検出装置の
ハードウェア規模を小さくできるので、経済性向上の効
果がある。（３）学習結果を監視パラメータの代表値すなわち平
均値や標準偏差等としているため、学習の結果に対する
評価が容易で修正等の判断がしやすくなるので、機器異
常監視装置の運用がし易くなり、使い勝手が著しく向上
する。（４）運転時の監視パラメータの正常範囲を自動的に
学習するので、正常範囲設定のための検討や試験に必要
な作業が低減でき、運用に関わるマンパワーを低減でき
るという点で経済性向上の効果がある。（５）監視パラメータ相互の関連性も含めてその正常
範囲を把握する方式としているため、異常検出感度が向
上し、機器異常検出装置としての性能が向上する。（６）異常検出において、正常範囲を決定する許容幅
を監視パラメータの標準偏差に比例した許容幅としてい
るため、通常変動の大きさに依存して監視範囲の許容幅
が自動的に定まることとなるので、装置の異常検出感度
の調整が許容幅係数（図４、図９参照）の変更だけで可
能となり、使い勝手が著しく向上する。（７）異常判定結果をパターン距離の時間変化と、各
監視パラメータの現在値として表示することで、監視パ
ラメータパターンの時間変動と、個々の監視パラメータ
の警報レベルまでの余裕が直感的に把握できるようにな
っているため、使い勝手が著しく向上する。また、（８）監視用パラメータパターン学習器を設けること
により、正常な機器等の経年変化に対しての誤警報を回
避できすることができる。（９）長期変動検出器を設けることにより、緩やかに
進行する異常検知が可能となり、機器異常監視の精度が
向上する。さらに、（１０）学習機械として比較的汎用的に用いられる学
習機能付きの多層ニューラルネットワークを用いるた
め、機器異常監視装置制作に関わる価格の低減が可能で
あり、機器異常監視装置の経済性向上の効果がある。（１１）２つのパラメータパターン学習器を学習と監
視の交互に使い分けることにより、正常時のパラメータ
パターンの経年変化に対する誤警報を回避することがで
きる。

【図面の簡単な説明】

【図１】本発明の第一の実施例の機器異常監視装置の構
成

【図２】監視パラメータ学習器の詳細構成

【図３】監視パラメータ学習器周辺のデータの流れ

【図４】機器異常監視装置のデータ処理の流れを示した
フローチャート

【図５】第一の実施例における異常検出例

【図６】警報・表示器の表示例

【図７】本発明の第二の実施例の機器異常監視装置の構
成

【図８】第二の実施例の機器異常監視装置のデータ処理
の流れを示すフローチャート

【図９】第二の実施例の機器異常監視装置のデータ処理
の流れを示すフローチャート

【図１０】長期変動検出機による異常検出例

【図１１】本発明の第三の実施例の機器異常監視装置の
構成

【図１２】第三の実施例の機器異常検出装置の構成図

【符号の説明】

２００監視パラメータ抽出器２２０監視パラメータパターン選択器２３０監視パラメータ学習器２５０監視モード設定器２６０異常検出器２８０警報・表示器２３１記憶器２３３累積器２４０監視パラメータパターン学習器（監視用）２６５異常検出器２７０長期変動検出器２８５警報表示器２２１監視パラメータパターン選択器２３５ニューラルネットワーク２６６異常検出器２８６警報表示器

───────────────────────────────────────────────────── フロントページの続き (72)発明者内田俊介茨城県日立市森山町1168番地株式会社日立製作所エネルギー研究所内 (72)発明者小山田修茨城県日立市幸町三丁目１番１号株式会社日立製作所日立工場内 (72)発明者及部光治茨城県日立市幸町三丁目１番１号株式会社日立製作所日立工場内

Claims

【特許請求の範囲】

【請求項１】学習モードにおいて、あらかじめ定めた
監視パラメータの値に応じてその他の監視パラメータの
代表値を記憶した記憶装置の記憶領域を選択し、選択し
た記憶領域の内容を学習時のその他の監視パラメータの
値に応じて更新し、監視モードにおいては、上記のあら
かじめ定めた監視パラメータの値に応じて記憶装置の記
憶領域を選択し、その記憶領域の内容と機器運転時のそ
の他の監視パラメータパターンを比較し、機器の異常を
検出することを特徴とする機器異常監視方法。
【請求項２】請求項１において、監視パラメータの代
表値は、それぞれの監視パラメータの平均値と標準偏差
もしくは最大・最小値であることを特徴とする機器異常
監視方法。
【請求項３】請求項１において、機器の異常は、学習
により得た正常監視パラメータの代表値から算出した個
々の監視パラメータの正常幅外に観測監視パラメータが
ある時に異常と判定することを特徴とする機器異常監視
方法。
【請求項４】請求項３において、学習により得た正常
監視パラメータの代表値から算出した個々の監視パラメ
ータの正常幅は、平均値と標準偏差および許容幅係数か
ら算出することを特徴とする機器異常監視方法。
【請求項５】請求項１または請求項３において、機器
の異常は、運転状態における監視パラメータパターン
と、記憶された監視パラメータの代表値のパターンとの
距離差があらかじめ定めた設定値を越えたときに異常と
判断することを特徴とする機器異常監視方法。
【請求項６】請求項１において、学習で得た正常監視
パラメータパターンと観測監視パラメータパターンのパ
ターン距離の差の時間変化と、学習で得た正常監視パラ
メータと観測監視パラメータの差を同時に、もしくは、
別々に表示することを特徴とする機器異常監視方法。
【請求項７】請求項１において、監視モードにおいて
も正常時の監視パラメータパターンの代表値を学習し、
両学習で得た正常パターンと運転状態の監視パラメータ
パターンとを比較し、どちらか一方もしくは両方の比較
結果が異常の場合に、異常発生と判定することを特徴と
する機器異常監視方法。
【請求項８】請求項７において、学習結果の監視パラ
メータの値を修正、もしくは、監視パラメータのうちの
任意の監視パラメータを異常検出時の比較から除くこと
を特徴とする機器異常監視方法。
【請求項９】請求項７において、監視モードにおいて
も正常時の監視パラメータパターンが正常の場合に、そ
の代表値は、現時刻に大きな重みを持って学習すること
を特徴とする機器異常監視方法。
【請求項１０】請求項９において、現時刻に大きな重
みを持って学習して得られる監視パラメータパターンの
代表値を定期的に記憶し、この定期的に記憶したパター
ンを比較して異常を判定することを特徴とする機器異常
監視方法。
【請求項１１】学習モードにおいて、学習機構の出力
が正常時のその他の監視パラメータを入力したときに、
あらかじめ定めた監視パラメータの量子化値となるよう
に学習させ、監視モードにおいては、その他の監視パラ
メータの値を入力したときの出力とあらかじめ定めた監
視パラメータの量子化値を比較して、その違いの大きさ
から異常を検知することを特徴とする機器異常監視方
法。
【請求項１２】請求項７または請求項１１において、
複数の学習機構を交互に学習および監視に用いる制御を
実行することを特徴とする機器異常監視方法。
【請求項１３】学習モードにおいて、あらかじめ定め
た監視パラメータの値に応じてその他の監視パラメータ
の代表値を記憶した記憶装置の記憶領域を選択し、選択
した記憶領域の内容を学習時のその他の監視パラメータ
の値に応じて更新し、監視モードにおいては、上記のあ
らかじめ定めた監視パラメータの値に応じて記憶装置の
記憶領域を選択する監視パラメータ学習手段と、その記
憶領域の内容と機器運転時のその他の監視パラメータパ
ターンを比較し、機器の異常を検出する異常検出手段か
らなることを特徴とする機器異常監視装置。
【請求項１４】請求項１３において、監視パラメータ
学習手段は、あらかじめ定めた監視パラメータの値に応
じてその他の監視パラメータの代表値を記憶する記憶装
置と、その他の監視パラメータの代表値を更新する装置
を有することを特徴とする機器異常監視装置。
【請求項１５】請求項１３において、監視モードにお
いても正常時の監視パラメータパターンの代表値を学習
する手段と、両学習で得た正常パターンと運転状態の監
視パラメータパターンとを比較し、どちらか一方もしく
は両方の比較結果が異常の場合に、異常発生と判定する
手段を有することを特徴とする機器異常監視装置。
【請求項１６】請求項１５において、学習手段とし
て、監視モードにおいても正常時の監視パラメータパタ
ーンの代表値を学習し、正常時の監視パラメータパター
ンが正常の場合に、その代表値は、現時刻に大きな重み
を持って学習する監視用パラメータパターン学習手段を
付加することを特徴とする機器異常監視装置。
【請求項１７】請求項１６において、現時刻に大きな
重みを持って学習する監視用パラメータパターン学習手
段から得られる監視パラメータパターンの代表値を定期
的に記憶する手段と、この定期的に記憶したパターンを
比較して異常を判定する手段を有することを特徴とする
機器異常監視装置。
【請求項１８】学習モードにおいて、学習機構の出力
が正常時のその他の監視パラメータを入力したときに、
あらかじめ定めた監視パラメータの量子化値となるよう
に学習させ、監視モードにおいては、その他の監視パラ
メータの値を入力したときの出力とあらかじめ定めた監
視パラメータの量子化値を比較する手段と、その違いの
大きさから異常を検知する手段からなることを特徴とす
る機器異常監視装置。
【請求項１９】請求項１８において、学習機構は、教
師有りの多層ニューラルネットワークであることを特徴
とする機器異常監視装置。
【請求項２０】請求項１５または請求項１８におい
て、複数の学習機構を交互に学習および監視に用いる制
御を実行する手段を有することを特徴とする機器異常監
視装置。