JPH0829538A - 放射線検出装置 - Google Patents

Abstract

(57)【要約】 【目的】バックグラウンドレベルに近い被検出対象の放
射線のレベルの微小なレベルの変化を捉えて異常を検出
する。 【構成】 プラントの通常の放射線レベルの状態で、放
射線検出器からの検出信号をＡ／Ｄ変換して、その出力
Ｙｉ（Ｙ1,Ｙ2,Ｙ3,・・・の列データ）の波形の歪度を演
算器１７で演算し、その歪度を設定器１８に設定する。
被検出対象の放射線レベルの検出時に、被検出対象から
の放射線を検出し、この検出信号の歪度を演算器１７で
演算し、この演算結果と上記設定された歪度とを比較器
１９で比較し、演算結果が設定した歪度の例えば３倍以
上になると異常と判別して警報機２０で通報する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、放射線検出装置関す
るもので、特にノイズ中の微弱な放射線も検出できる放
射線検出装置に関するものである。

【０００２】

【従来の技術】図３５は、例えばグレン Ｆ．ノル「放
射線計測ハンドブック」（日刊工業新聞社）昭和５７年
に示された従来の放射線検出装置を示すブロック図であ
る。図において１は放射線を検出する被検出対処物で、
原子力発電プラントの配管内の流体などである。２は被
検出対象物からの放射線、３は放射線検出器、４は放射
線検出器と前置増幅器５を結線するケーブル、６は前置
増幅器と主増幅器７を結線するケーブル、８は波形整形
回路、９はレートメーター、１０はカウンタ等の出力装
置である。

【０００３】次に動作について説明する。被検出対象物
１からの放射線２は、放射線検出器３でパルス信号とし
て検出され、この検出信号がケーブル４から前置増幅器
５で増幅され、プラントの運転監視室までケーブル６で
伝送される。この検出信号は主増幅器７で増幅され、波
形整形回路８で一定の波形に整形されレートメータ９で
時間当たりの計数値、即ち、計数率が計測・表示され、
カウンタ等の出力装置１０でそのカウント値が計数・表
示される。

【０００４】

【発明が解決しようとする課題】原子力発電所などにお
いては、放射線検出器が多用されており、放射線漏れな
どが生じたりすることに対する監視や、炉出力の状態監
視に使用されている。放射線検出装置では被検出対象か
らの放射線による検出信号以外に、放射線検出装置の内
部や外部で使用されているケーブルあるいはこの装置内
で観測されるノイズによる信号、また、被測定対象以外
の例えば空気中の放射線による検出信号の影響があり、
更に、プラントの正常時でも被検出対象（例えば、被測
定対象が配管中の処理液である場合）から若干の放射線
を放出する場合があり、これらの原因によりあるレベル
のランダムな信号（バックグラウンド）が常に放射線検
出装置で検出される。

【０００５】従って、プラントの異常等で被測定対象の
放射線レベルが若干上昇してもバックグラウンドの影響
で放射線を検出することが困難であった。従って、ある
程度の放射線レベルの検出をしないと、放射線の異常を
検出することができないという問題点があった。

【０００６】図３６はこの状態を表したもので、図３６
（ａ）バックグラウンド（ＢＧ）のみの状態を表し、図
３６（ｂ）は配管やダクト等の被検出対象からの放射線
（ＲＩ）により放射線レベルが上昇した状態で異常状態
を示す。この場合であると一般に用いられる放射線測定
装置で異常の検出が可能でなる。しかし、図３６（ｃ）
のように放射線レベルの少し上昇した状態では、統計的
揺らぎによりバックグラウンドレベルとの区別ができず
異常が検出できない。もし、異常を検出するレベルの設
定点を下げるとバックグラウンドレベルの場合でも異常
検出レベルになり、正常の場合でも異常信号を発生する
という不都合が生じる。

【０００７】この発明は上記のような問題点を解消する
ためになされたもので、放射線レベルの若干の上昇が有
ってもその変化を検出することのできる放射線検出装置
を得ることを目的としている。

【０００８】

【課題を解決するための手段】この発明に係る放射線検
出装置は、被検出対象からの放射線を検出し検出信号を
送出する放射線検出器、上記被検出対象が通常の放射線
レベルの状態で、上記検出信号の歪度を演算して設定値
とする設定手段、上記被検出対象の放射線レベルの検出
時に、上記検出信号の歪度を演算する演算手段、この演
算結果と上記設定値との比較に応じて放射線レベルを判
定する判定手段を備えたものである。

【０００９】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の尖度を演算し
て設定値とする設定手段、上記被検出対象の放射線レベ
ルの検出時に、上記検出信号の尖度を演算する演算手
段、この演算結果と上記設定値との比較に応じて放射線
レベルを判定する判定手段を備えたものである。

【００１０】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果をニューラルネットワーク
に学習させた値を設定値とする設定手段、上記被検出対
象の放射線レベルの検出時に、上記検出信号の確率密度
分布関数を演算し、この演算結果を上記ニューラルネッ
トワークで演算する演算手段、この演算結果と上記設定
値との比較に応じて放射線レベルを判定する判定手段と
を備えたものである。

【００１１】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、予めファジールールの
基準値を設定する設定手段、上記被検出対象の放射線レ
ベルの検出時に、上記検出信号の確率密度分布関数を演
算する演算手段、この演算結果と上記設定値との比較に
応じて放射線レベルを判定する判定手段を備えたもので
ある。

【００１２】また、設定手段は確率密度分布関数の波形
の頂点に対応する計数値を設定値とすると共に、演算手
段は確率密度分布関数の波形の頂点に対応する計数値を
演算する手段としたものである。

【００１３】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、予め基準波形に基づく
基準値を設定する設定手段、上記被検出対象の放射線レ
ベルの検出時に、上記検出信号の確率密度分布関数を演
算する演算手段、この演算結果と上記基準値との比較に
応じて放射線レベルを判定する判定手段を備えたもので
ある。

【００１４】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差をニューラルネ
ットワークに学習させた値を第２の設定値とする第２の
設定手段、上記被検出対象の放射線レベルの検出時に、
上記検出信号の確率密度分布関数を演算し、この演算結
果と上記第１の設定値との差を演算する第１の演算手
段、この第１の演算手段の演算結果を上記ニューラルネ
ットワークで演算する第２の演算手段、この第２の演算
手段の演算結果と上記第２の設定値との比較に応じて放
射線レベルを判定する判定手段を備えたものである。

【００１５】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、予めファジールールの基準値を第２の設定
値として設定する第２の設定手段、上記被検出対象の放
射線レベルの検出時に、上記検出信号の確率密度分布関
数を演算し、この演算結果と上記第１の設定値との差を
演算する演算手段、この演算手段の演算結果と上記第２
の設定値との比較に応じて放射線レベルを判定する判定
手段を備えたものである。

【００１６】また、第１の設定手段は確率密度分布関数
の波形の頂点に対応する計数値を第１の設定値とすると
共に、演算手段は確率密度分布関数の波形の頂点に対応
する計数値を演算し、この演算結果と上記第１の設定値
との差を演算する手段としたものである。

【００１７】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、予め基準波形値を第２の設定値として設定
する第２の設定手段、上記被検出対象の放射線レベルの
検出時に、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差を演算する演算
手段、この演算手段の演算結果と上記第２の設定値との
比較に応じて放射線レベルを判定する判定手段を備えた
ものである。

【００１８】また、演算手段は確率密度分布関数を演算
し、この演算結果の波形を平滑化した波形値とて出力す
る手段としたものである。

【００１９】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差のフラクタル次
元を演算し、この演算結果を第２の設定値とする第２の
設定手段、上記被検出対象の放射線レベルの検出時に、
上記検出信号の確率密度分布関数を演算し、この演算結
果と上記第１の設定値との差を演算する第１の演算手
段、この第１の演算手段の演算結果のフラクタル次元を
演算する第２の演算手段、この第２の演算手段の演算結
果と上記第２の設定値との比較に応じて放射線レベルを
判定する判定手段を備えたものである。

【００２０】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差のカルバック情
報量を演算し、この演算結果を第２の設定値とする第２
の設定手段、上記被検出対象の放射線レベルの検出時
に、上記検出信号の確率密度分布関数を演算し、この演
算結果と上記第１の設定値との差を演算する第１の演算
手段、この第１の演算手段の演算結果のカルバック情報
量を演算する第２の演算手段、この第２の演算手段の演
算結果と上記第２の設定値との比較に応じて放射線レベ
ルを判定する判定手段を備えたものである。

【００２１】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の平均値を演算
し、この演算結果を第２の設定値とする第２の設定手
段、上記被検出対象の放射線レベルの検出時に、上記検
出信号の確率密度分布関数を演算し、この演算結果と上
記第１の設定値との差を演算する第１の演算手段、この
第１の演算手段の演算結果の平均値を演算する第２の演
算手段、この第２の演算手段の演算結果と上記第２の設
定値との比較に応じて放射線レベルを判定する判定手段
を備えたものである。

【００２２】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の分散値を演算
し、この演算結果を第２の設定値とする第２の設定手
段、上記被検出対象の放射線レベルの検出時に、上記検
出信号の確率密度分布関数を演算し、この演算結果と上
記第１の設定値との差を演算する第１の演算手段、この
第１の演算手段の演算結果の分散値を演算する第２の演
算手段、この第２の演算手段の演算結果と上記第２の設
定値との比較に応じて放射線レベルを判定する判定手段
を備えたものである。

【００２３】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の歪度を演算
し、この演算結果を第２の設定値とする第２の設定手
段、上記被検出対象の放射線レベルの検出時に、上記検
出信号の確率密度分布関数を演算し、この演算結果と上
記第１の設定値との差を演算する第１の演算手段、この
第１の演算手段の演算結果の歪度を演算する第２の演算
手段、この第２の演算手段の演算結果と上記第２の設定
値との比較に応じて放射線レベルを判定する判定手段を
備えたものである。

【００２４】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の尖度を演算
し、この演算結果を第２の設定値とする第２の設定手
段、上記被検出対象の放射線レベルの検出時に、上記検
出信号の確率密度分布関数を演算し、この演算結果と上
記第１の設定値との差を演算する第１の演算手段、この
第１の演算手段の演算結果の尖度を演算する第２の演算
手段、この第２の演算手段の演算結果と上記第２の設定
値との比較に応じて放射線レベルを判定する判定手段を
備えたものである。

【００２５】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差のセプストラム
を求めてニューラルネットワークに学習させた値を第２
の設定値とする第２の設定手段、上記被検出対象の放射
線レベルの検出時に、上記検出信号の確率密度分布関数
を演算し、この演算結果と上記第１の設定値との差を演
算する第１の演算手段、この第１の演算手段の演算結果
のセプストラムを上記ニューラルネットワークで演算す
る第２の演算手段、この第２の演算手段の演算結果と上
記第２の設定値との比較に応じて放射線レベルを判定す
る判定手段を備えたものである。

【００２６】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、予めファジールールの基準値を第２の設定
値として設定する第２の設定手段、上記被検出対象の放
射線レベルの検出時に、上記検出信号の確率密度分布関
数を演算し、この演算結果と上記第１の設定値との差を
演算する第１の演算手段、この演算結果と上記第１の設
定値との差のセプストラムを演算する第２の演算手段、
この第２の演算手段の演算結果と上記第２の設定値との
比較に応じて放射線レベルを判定する判定手段を備えた
ものである。

【００２７】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、予め基準波形値を第２の設定値として設定
する第２の設定手段、上記被検出対象の放射線レベルの
検出時に、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差を演算する第１
の演算手段、この演算結果のセプストラムを演算する第
２の演算手段、この第２の演算手段の演算結果と上記第
２の設定値との比較に応じて放射線レベルを判定する判
定手段を備えたものである。

【００２８】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、予め基準波形値を第２の設定値として設定
する第２の設定手段、上記被検出対象の放射線レベルの
検出時に、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差を演算する第１
の演算手段、この演算結果のセプストラムを演算する第
２の演算手段、この第２の演算手段の演算結果と上記第
２の設定値との比較に応じて放射線レベルを判定する判
定手段を備えたものである。

【００２９】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の高次スペクト
ラムを求めてニューラルネットワークに学習させた値を
第２の設定値とする第２の設定手段、上記被検出対象の
放射線レベルの検出時に、上記検出信号の確率密度分布
関数を演算し、この演算結果と上記第１の設定値との差
を演算する第１の演算手段、この第１の演算手段の演算
結果の高次スペクトラムを上記ニューラルネットワーク
で演算する第２の演算手段、この第２の演算手段の演算
結果と上記第２の設定値との比較に応じて放射線レベル
を判定する判定手段を備えたものである。

【００３０】また、被検出対象からの放射線を検出し検
出信号を送出する放射線検出器、上記被検出対象が通常
の放射線レベルの状態で、上記検出信号の確率密度分布
関数を演算し、この演算結果を第１の設定値とする第１
の設定手段、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の高次スペクト
ラムを求めて第２の設定値とする第２の設定手段、上記
被検出対象の放射線レベルの検出時に、上記検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算する第１の演算手段、この第１の演
算手段の演算結果の高次スペクトラムを演算する第２の
演算手段、この第２の演算手段の演算結果と上記第２の
設定値との比較に応じて放射線レベルを判定する判定手
段を備えたものである。

【００３１】また、第１の設定手段、第１の演算手段、
および第２の演算手段の構成を、第１の演算手段および
第２の演算手段の構成とし、第１の演算手段は、確率密
度分布関数を演算する手段とし、第２の演算手段は、こ
の演算した確率密度分布関数を入力として所定の演算を
する手段としたものである。

【００３２】

【作用】この発明における放射線検出装置は、被検出対
象が通常の放射線レベルの状態で、被検出対象からの放
射線を検出し、この検出信号の歪度を演算して設定値と
して格納し、被検出対象の放射線レベルの検出時に、被
検出対象からの放射線を検出し、この検出信号の歪度を
演算し、この歪度と上記設定値との比較に応じて放射線
レベルの判定を行う。

【００３３】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の尖度を演算して設定値として格納し、上記被検出対
象の放射線レベルの検出時に、放射線検出器からの検出
信号の尖度を演算し、この尖度と上記設定値との比較に
応じて放射線レベルの判定を行う。

【００３４】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果をニュー
ラルネットワークに学習させた値を設定値として格納
し、上記被検出対象の放射線レベルの検出時に、上記検
出信号の確率密度分布関数を演算し、この演算結果を上
記ニューラルネットワークで演算し、この演算結果と上
記設定値との比較に応じて放射線レベルの判定を行う。

【００３５】また、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この確率密度分布関数と、
予めファジールールの基準値を設定した設定値とを比較
し、この比較に応じて放射線レベルの判定を行う。

【００３６】また、設定手段は確率密度分布関数の波形
の頂点に対応する計数値を設定値とすると共に、演算手
段は確率密度分布関数の波形の頂点に対応する計数値を
演算する。

【００３７】また、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号
と、予め基準波形に基づく基準値を設定した設定値とを
比較し、この比較に応じて放射線レベルの判定を行う。

【００３８】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差をニューラルネ
ットワークに学習させた値を第２の設定値とし、上記被
検出対象の放射線レベルの検出時に、被検出対象からの
放射線を検出し、この検出信号の確率密度分布関数を演
算し、この演算結果と上記第１の設定値との差を演算
し、この差の演算結果を上記ニューラルネットワークで
演算し、この演算結果と上記第２の設定値との比較に応
じて放射線レベルの判定を行う。

【００３９】また、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この演算結果を第１の設定
値とすると共に、予めファジールールの基準値を第２の
設定値とし、上記被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算し、この演算結果と上記第２の設定
値との比較に応じて放射線レベルの判定を行う。

【００４０】また、第１の設定手段は確率密度分布関数
の波形の頂点に対応する計数値を第１の設定値とすると
共に、演算手段は確率密度分布関数の波形の頂点に対応
する計数値を演算し、この演算結果と上記第１の設定値
との差を演算する。

【００４１】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とすると共に、予め基準波形値を第２の設定値と
し、上記被検出対象の放射線レベルの検出時に、被検出
対象からの放射線を検出し、この検出信号の確率密度分
布関数を演算し、この演算結果と上記第１の設定値との
差を演算し、この演算結果と上記第２の設定値との比較
に応じて放射線レベルの判定を行う。

【００４２】また、演算手段は確率密度分布関数を演算
し、この演算結果の波形を平滑化した波形値とて出力す
る。

【００４３】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差のフラクタル次元を演算し、この演
算結果を第２の設定値とし、被検出対象の放射線レベル
の検出時に、被検出対象からの放射線を検出し、この検
出信号の確率密度分布関数を演算し、この演算結果と上
記第１の設定値との差を演算し、この演算結果のフラク
タル次元を演算し、この演算結果と上記第２の設定値と
の比較に応じて放射線レベルの判定を行う。

【００４４】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差のカルバック情報量を演算し、この
演算結果を第２の設定値とし、被検出対象の放射線レベ
ルの検出時に、被検出対象からの放射線を検出し、この
検出信号の確率密度分布関数を演算し、この演算結果と
上記第１の設定値との差を演算し、この演算結果のカル
バック情報量を演算し、この演算結果と上記第２の設定
値との比較に応じて放射線レベルの判定を行う。

【００４５】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差の平均値を演算し、この演算結果を
第２の設定値とし、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算し、この第１の演算手段の演算結果
の平均値を演算し、この演算結果と上記第２の設定値と
の比較に応じて放射線レベルの判定を行う。

【００４６】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差の分散値を演算し、この演算結果を
第２の設定値とし、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算し、この演算結果の分散値を演算
し、この演算結果と上記第２の設定値との比較に応じて
放射線レベルの判定を行う。

【００４７】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差の歪度を演算し、この演算結果を第
２の設定値とし、被検出対象の放射線レベルの検出時
に、被検出対象からの放射線を検出し、この検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算し、この演算結果の歪度を演算し、
この演算結果と上記第２の設定値との比較に応じて放射
線レベルの判定を行う。

【００４８】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、上記検出信号の確率密度分布関数を演算し、
この演算結果と上記第１の設定値との差の尖度を演算
し、この演算結果を第２の設定値とし、被検出対象の放
射線レベルの検出時に、被検出対象からの放射線を検出
し、この検出信号の確率密度分布関数を演算し、この演
算結果と上記第１の設定値との差を演算し、この演算結
果の尖度を演算し、この演算結果と上記第２の設定値と
の比較に応じて放射線レベルの判定を行う。

【００４９】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差のセプストラムを求めてニューラル
ネットワークに学習させた値を第２の設定値とし、上記
被検出対象の放射線レベルの検出時に、上記検出信号の
確率密度分布関数を演算し、この演算結果と上記第１の
設定値との差を演算し、この演算結果のセプストラムを
上記ニューラルネットワークで演算し、この演算結果と
上記第２の設定値との比較に応じて放射線レベルの判定
を行う。

【００５０】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とすると共に、予めファジールールの基準値を第
２の設定値として設定し、被検出対象の放射線レベルの
検出時に、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差を演算し、この演算結果と上記第１
の設定値との差のセプストラムを演算し、この演算結果
と上記第２の設定値との比較に応じて放射線レベルの判
定を行う。

【００５１】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とすると共に、予め基準波形値を第２の設定値と
して設定し、被検出対象の放射線レベルの検出時に、被
検出対象からの放射線を検出し、この検出信号の確率密
度分布関数を演算し、この演算結果と上記第１の設定値
との差を演算し、この演算結果のセプストラムを演算
し、この演算結果と上記第２の設定値との比較に応じて
放射線レベルの判定を行う。

【００５２】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とすると共に、予め基準波形値を第２の設定値と
して設定し、被検出対象の放射線レベルの検出時に、被
検出対象からの放射線を検出し、この検出信号の確率密
度分布関数を演算し、この演算結果と上記第１の設定値
との差を演算し、この演算結果のセプストラムを演算
し、この演算結果と上記第２の設定値との比較に応じて
放射線レベルの判定を行う。

【００５３】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差の高次スペクトラムを求めてニュー
ラルネットワークに学習させた値を第２の設定値とし、
被検出対象の放射線レベルの検出時に、被検出対象から
の放射線を検出し、この検出信号の確率密度分布関数を
演算し、この演算結果と上記第１の設定値との差を演算
し、この演算結果の高次スペクトラムを上記ニューラル
ネットワークで演算し、この演算結果と上記第２の設定
値との比較に応じて放射線レベルの判定を行う。

【００５４】また、被検出対象が通常の放射線レベルの
状態で、被検出対象からの放射線を検出し、この検出信
号の確率密度分布関数を演算し、この演算結果を第１の
設定値とし、再度上記被検出対象が通常の放射線レベル
の状態で、被検出対象からの放射線を検出し、この検出
信号の確率密度分布関数を演算し、この演算結果と上記
第１の設定値との差の高次スペクトラムを求めて第２の
設定値とし、被検出対象の放射線レベルの検出時に、被
検出対象からの放射線を検出し、この検出信号の確率密
度分布関数を演算し、この演算結果と上記第１の設定値
との差を演算し、この演算結果の高次スペクトラムを演
算し、この演算結果と上記第２の設定値との比較に応じ
て放射線レベルの判定を行う。

【００５５】また、第１の設定手段を省いて、第１の演
算器で確率密度分布関数を演算し、この確率密度分布関
数を入力として第２の演算器で所定の演算をする。

【００５６】

【実施例】

実施例１．以下、この発明の実施例を図１について説明
する。なお、従来の放射線検出装置と同様な構成要素に
は同一符号を使用しその説明は省略する。図において、
１１はＡ／Ｄ変換器で、所定の時間毎のカウント値（計
数値）をディジタル信号で出力する。１２は異常検出装
置で、Ａ／Ｄ変換器１１からの信号を受け放射線レベル
が所定値異常に上昇した場合に異常信号を発生する。

【００５７】異常検出装置１２内のブロック図を図２に
示す。なお、人的操作等に基づく外部指令により切り替
わる二つの動作態様（基準設定モードと検出モード）を
有している。図において、１７は演算器でＡ／Ｄ変換器
１１から出力される電圧信号の列データＹｉ（ｉ＝１，
２，……Ｎ）から電圧信号の歪度を演算する演算器、１
８は基準設定モードにおいて演算器１７から出力される
歪度を記憶する設定器、１９は演算器１７から出力され
る歪度を設定器１８の値と比較する比較器、２０はこの
比較器１９の比較結果に基づいて警報を出力する警報器
である。

【００５８】なお、ここで歪度とは、下記式（１）、
（２）により求められる平均値μ１と分散値μ２とか
ら、式（３）より求められる値μ３である。この歪度は
各数値の算術平均からの偏差の３乗に基づくもので、統
計データの処理によく用いられるものである。また、図
２において、基準設定モードにおける信号の流れを点線
で、検出モードにおける信号の流れを実線で示してあ
る。

【００５９】

【数１】

【００６０】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器１７がこ
の列データＹｉに対する式（１）〜（３）の演算を行っ
て、電圧信号の歪度を計算する。基準設定モードにおい
ては、通常のプラントの放射線レベルの状態で、この演
算器１７の出力は図２の点線に示すように設定器１８に
出力され、この設定器１８に格納される。

【００６１】一方、検出モードにおいては、演算器１７
が演算する歪度は比較器１９に出力される。そして、比
較器１９は演算器１７から出力される歪度が設定器１８
に格納された歪度の例えば３倍を超えたとき、警報器２
０に異常を示す信号を出力し、この信号を受けて警報器
２０が警報を出力する。なお、この検出モードにおける
一連の動作は、例えば一定のサイクルで繰り返される。

【００６２】以上の動作を図３のフローチャートで説明
すると、基準設定モードか否かを判断し（Ｓ１）、基準
設定モードであれば、通常の放射線レベルの状態で検出
信号の歪度を演算し（Ｓ２）、この歪度を設定器に格納
する（Ｓ３）。次に検出モードか否かを判断し（Ｓ
４）、検出モードであれば、検出信号の歪度を演算する
（Ｓ５）。演算した歪度と設定値を比較して、検出値が
設定値の３倍以上であれば（Ｓ６）、異常と判定して警
報を発生する。

【００６３】このため、この実施例の放射線検出装置に
よると、製造時あるいは据え付け時等の放射線検出装置
の検出器と出力増幅器間のノイズがなく、また、放射線
レベルが正常なときに、上記基準設定モードの動作を行
っておき、その後の稼働時には、上記検出モードの動作
を行うようにすれば、稼働時における電圧信号の性質を
示す歪度が逐次求められて正常時と比較され、正常時と
の違いが大きくなったときに警報が出力される。したが
って、稼働時における電圧信号が放射線による異常な性
質を示すものであれば警報が出力されるが、正常時に検
出される電圧信号のみであれば、前記歪度は正常時に近
いものとなり、警報は出力されない。

【００６４】歪度は確率密度分布関数の偏りを表す指標
であるから、異常が確率密度分布関数の偏りに表れる場
合に顕著に検出できる効果がある。

【００６５】ここで、確率密度分布関数とは、一つの不
規則波形の振幅がある時刻にどのような値で表れるかを
確率により表す周知の関数で、この場合は時間当たりの
各カウント値（計数値）をＸ軸として、Ｙ軸はそのカウ
ント値（計数値）の度数を表すものである。例えば、電
圧信号の列データＹｉ（ｉ＝１，２，……Ｎ）を１分間
毎のカウント値として、１０２，１００，９８，９９，
９９，１００，１０１カウントであれば、 Ｘ軸は、・・，９８，９９，１００，１０１，１０２，
１０３，・・ Ｙ軸は、 １， ２， ２， １， １，
０，・・となる。

【００６６】実際には、データの数がもっと多いので図
４（ａ）に示すような波形になり、データを非常に多く
（母集団が大きい）するか、または、図４（ａ）を平滑
化すると図４（ｂ）のようにガウス分布に近づいてく
る。図４の波形はいずれも左右対象に近いので歪度μ３
も零に近くなり、殆ど歪んでいない。図５は歪のある波
形を示し、ａは左側が歪んでいて左に歪んだ分布を示
し、ｂは右側が歪んでいて右に歪んだ分布を示す。設定
値が図４（ａ）のような波形の歪度μ３を設定している
とすると、図５のような波形になったとき、その歪度μ
３は確実に設定値と異なるので検出することができる。

【００６７】上記の例では、Ｎ個の時系列データＹｉ
（ｉ＝１，２，……Ｎ）は単位時間毎のカウント値であ
ったが、図６に示すようにＹ１から順次ｔ1時間遅らせ
て、Ｙ２，Ｙ３，・・・ＹＮと、計数するようにしても
よい。レートメータ９の出力をサンプリングすると図６
のようなデータの取り方となる。また、図１の主増幅器
７からのパルス出力をカウントした時系列データＹｉ
（ｉ＝１，２，……Ｎ）を得るようにしてもよい。

【００６８】実施例２．この発明の実施例を図７につい
て説明する。なお、この実施例は異常検出装置の内部構
成に特徴を有し、放射線検出装置全体の構成は図１に示
される実施例１の構成と同様である。

【００６９】図７はこの実施例における異常検出装置１
２の構成を示すブロック図で、図において、２１は図１
のＡ／Ｄ変換器１１から出力される電圧信号の列データ
Ｙｉ（ｉ＝１，２，……Ｎ）から電圧信号の尖度を演算
する演算器、２２は基準設定モードにおいて演算器２１
から出力される尖度を記憶する設定器、２３は演算器２
１から出力される尖度を設定器２２の値と比較する比較
器、２４はこの比較器２３の比較結果に基づいて警報を
出力する警報器である。

【００７０】なお、ここで尖度とは、前述の式（１）、
（２）により求められる平均値μ１と分散値μ２とか
ら、式（４）より求められる値μ４である。この尖度は
各数値の算術平均からの偏差の４乗の平均に基づくもの
であり、統計データの処理によく用いられるものであ
る。図８（ａ）は尖度の大きい波形、図８（ｂ）は尖度
の小さい波形であり、この尖度の差で区別することがで
きる。なお、式（４）の第１項（括弧内の式）は正規分
布の場合は３であり、−３して零となる。正規分布より
尖った分布では第１項は３より大となり、正規分布より
尖りが小さい分布では第１項は３より小さくなる。ま
た、図７において、基準設定モードにおける信号の流れ
を点線で、検出モードにおける流れを実線で示してあ
る。

【００７１】

【数２】

【００７２】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器２１がこ
の列データＹｉに対する前記式（１）、（２）、（４）
の演算を行って、電圧信号の尖度を計算する。基準設定
モードにおいては、通常のプラントの放射線レベルの状
態で、この演算器２１の出力は、図７の点線に示すよう
に設定器２２に出力され、この設定器２２に格納され
る。

【００７３】一方、検出モードにおいては、演算器２１
が演算する尖度は比較器２３に出力される。そして、比
較器２３は、演算器２１から出力される尖度が設定器２
２に格納された尖度の例えば３倍を超えたとき、警報器
２４に異常を示す信号を出力し、この信号を受けて警報
器２４が警報を出力する。なお、この検出モードにおけ
る一連の動作は、例えば一定のサイクルで繰り返され
る。

【００７４】尖度は確率密度分布関数の広がり具合を表
す指標であるから、異常が確率密度分布関数の広がりに
表れる場合に顕著に検出できる効果がある。

【００７５】実施例３．この発明の実施例を図９につい
て説明する。なお、この実施例は異常検出装置の内部構
成に特徴を有し、放射線検出装置全体の構成は図１に示
される実施例１の構成と同様である。

【００７６】図９は、この実施例における異常検出装置
１２の構成を示すブロックで、図において、２５は図１
のＡ／Ｄ変換器１１から出力される電圧信号の列データ
Ｙｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密度分
布関数を演算する演算器、２６は基準設定モードにおい
て演算器２５から出力される確率密度分布関数の形状を
学習するニューラルネットワーク演算器、２７はニュー
ラルネットワーク演算器２６から出力される適合度０〜
１の出力を格納する設定器、２８は演算器２６から出力
される適合度０〜１の信号を設定器２７の設定値と比較
する比較器、２９はこの比較器２８の比較結果に基づい
て警報を出力する警報器である。また、図９において、
基準設定モードにおける信号の流れを点線で、検出モー
ドにおける信号の流れを実線で示してある。

【００７７】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器２５がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。基準設定モードにおいては、この演算器２
５の出力は、図９の点線に示すように確率密度分布関数
の形状を学習するニューラルネットワーク演算器に出力
される。次にニューラルネットワーク演算器２６から出
力される適合度０〜１の出力は設定器２７に格納され
る。

【００７８】一方、検出モードにおいては、通常のプラ
ントの放射線レベルの状態で、演算器２７が演算する確
率密度分布関数は演算器２６に出力され、ニューラルネ
ットワークにより適合度０〜１が比較器２８に出力され
る。そして、比較器２８は、演算器２６から出力される
適合度が設定器２７に格納された適合度の例えば１／２
倍を下回ったとき、警報器２９に異常を示す信号を出力
し、この信号を受けて警報器２９が警報を出力する。な
お、この検出モードにおける一連の動作は、例えば一定
のサイクルで繰り返される。

【００７９】ここで、ニューラルネットワークとは、シ
グモイド特性を有するユニットで構成される多層ネット
ワークと誤差逆伝搬学習法の周知の手法で、与えられた
入力データ、出力データ（教師信号）の対に関して学習
の誤差評価関数を考え、これを最小化する結合重みを勾
配法で求めるものである。

【００８０】図１０はニューラルネットワーク演算器２
６の動作を示す図で、この演算器に内蔵されたニューラ
ルネットに確率密度分布関数の入力ａ１，ａ２，ａ３，
・・・，ａｍが入力され、学習され出力される。基準設
定モードではこの結果、出力が「１」となる。次に、検
出モードでは、放射線レベルが正常な場合は基準設定時
と類似の入力値になるので、出力は「０．９」等の
「１」に近い値を示す。放射線レベルに変動があり、例
えば、カウント値が高くなり確率密度分布関数の波形が
右に膨らむとニューラルネットワークの出力は「０．４
〜０．５」等になり異常を検出できる。

【００８１】ニューラルネットワークは確率密度分布関
数の正常とした波形を与えるだけで学習でき、学習の煩
雑さを減少できる効果がある。

【００８２】実施例４．この発明の実施例を図１１につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【００８３】図１１は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、３０は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する演算器、３１は演算器３０から出
力される確率密度分布関数から特徴を数値化する特徴抽
出器、３２は基準設定モードにおいて外部から与えられ
るメンバーシップ関数を格納しておく設定器、３３は特
徴抽出器３１から出力される記号化された特徴を設定器
３２のファジールールを実行するためのメンバーシップ
関数と比較する比較器、３４はこの比較器３３の比較結
果に基づいて警報を出力する警報器である。また、図１
１において、基準設定モードにおける信号の流れを点線
で、検出モードにおける信号の流れを実線で示してい
る。

【００８４】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器３０がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。基準設定モードにおいては、外部から与え
られるメンバーシップ関数が設定器３２に格納される。

【００８５】一方、検出モードにおいては、演算器３０
が演算する確率密度分布関数は特徴抽出器３１に出力さ
れ、その特徴は例えば確率密度分布関数の最大の度数
（頂点）のカウント値を抽出し、この特徴が比較器３３
へ入力される。そして、比較器３３は、この入力が予め
外部から与えられ設定器３２に格納されたメンバーシッ
プ関数の適合度との差が大きくなったとき、警報器３４
に異常を示す信号を出力し、この信号を受けて警報器３
４が警報を出力する。なお、この検出モードにおける一
連の動作は、例えば一定のサイクルで繰り返される。

【００８６】ファジールールでの比較動作を図１２で説
明する。図１２（ａ）は確率密度分布関数を表し、その
最大値（頂点）のカウント値を特徴抽出器３１で抽出す
る。この図では「１１０」が抽出される。そして、図１
２（ｂ）に設定されたメンバーシップ関数と比較され、
「１１０」までは正常で、「１１０」を超えると適合度
が悪くなり例えば、「１２０」を超えると異常とみなし
て警報を出す。

【００８７】上記の実施例では確率密度分布関数の最大
の度数分布を示すカウント値を抽出するようにしたが、
確率密度分布関数の波形からこの波形の重心を求め、そ
の重心の値と比較するようにしてもよい。ファジールー
ルは波形の特徴をメンバーシップ関数で表現する煩雑さ
はあるが、あいまいな波形を論理で取り扱える特徴があ
り、きめ細かな波形認識ができる効果がある。

【００８８】実施例５．この発明の実施例を図１３につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【００８９】図１３は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、３５は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する演算器、３６は演算器３５から出
力される確率密度分布関数からその波形の特徴を抽出す
る特徴抽出器、３７は基準設定モードにおいて外部から
与えられる基準波形を格納しておく設定器、３８は特徴
抽出器３６から出力される波形の特徴を設定器３７の基
準波形と比較する比較器、３９はこの比較器３８の比較
結果に基づいて警報を出力する警報器である。また、図
１３において、基準設定モードにおける信号の流れを点
線で、検出モードにおける信号の流れを実線で示してあ
る。

【００９０】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器３５がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。基準設定モードにおいては、外部から与え
られる基準波形が設定器３７に格納される。

【００９１】一方、検出モードにおいては、演算器３５
が演算する確率密度分布関数は特徴抽出器３６に出力さ
れ、その特徴は例えば確率密度分布関数の波形を平滑化
した波形として表す。この特徴が比較器３８へ入力され
る。そして、比較器３８は、この入力が予め外部から与
えられ設定器３７に格納された基準波形の適合度との差
が大きくなったとき、警報器３９に異常を示す信号を出
力し、この信号を受けて警報器３９が警報を出力する。
なお、この検出モードにおける一連の動作は、例えば一
定のサイクルで繰り返される。

【００９２】上記の特徴抽出器３６で抽出する波形値
は、図４（ａ）に示す確率密度分布関数の波形を入力
し、これを平滑化して図４（ｂ）に示す確率密度分布関
数の滑らかな波形を出力するもので、設定した波形との
比較が正確にでき、また、比較がしやすくなる。勿論、
平滑化せずに比較を行ってもよい。パターン比較は基準
パターンを与える必要があるが、基準パターンとの差の
検出には極めて優れているという効果がある。

【００９３】実施例６．この発明の実施例を図１４につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【００９４】図１４は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、４０は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する演算器、４１は基準設定モードに
おいて演算器４０から出力される確率密度分布関数を表
す列データと第１の設定器４２との差を計算する減算
器、４３はこの減算器４１の計算結果（列データ）の形
状を学習するニューラルネットワーク演算器、４４はニ
ューラルネットワーク演算器４３から出力される適合度
０〜１の出力を格納する第２の設定器、４５は演算器４
４から出力される適合度０〜１の信号を第２の設定器４
４の値と比較する比較器、４６はこの比較器４５の比較
結果に基づいて警報を出力する警報器である。

【００９５】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器４０がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。

【００９６】基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この演算器４０の出力は、
図１４の点線に示すようにまず第１の設定器４２に出力
され、この第１の設定器４２に格納される。そして、再
度列データＹｉのサンプリングがされ、このときは演算
器４０の出力は減算器４１に出力されて、この演算器４
０の演算結果と第１の設定器４２の格納データとの差
（列データのうち対応する個々のデータ毎の差）が減算
器４１により求められる。この減算器４１の出力は、図
１４の点線で示すように確率密度分布関数の差の形状を
学習するニューラルネットワーク演算器４３に出力され
る。次にニューラルネットワーク演算器４３から出力さ
れる適合度０〜１の出力は第２の設定器４４に格納され
る。

【００９７】一方、検出モードにおいては、演算器４０
が演算する確率密度分布関数の列データは常に減算器４
１に出力される。そして、演算器４０の演算結果と第１
の設定器４２の格納データの差が減算器４１より求めら
れる。次に、この減算器４１の出力する確率密度分布関
数の差はニューラルネットワーク演算器４３に出力さ
れ、ニューラルネットワークにより適合度０〜１が比較
器４５に出力される。そして、比較器４５はニューラル
ネットワーク演算器４３から出力される適合度が第２の
設定器４４に格納された適合度の例えば１／２倍を下回
ったとき、警報器４６に異常を示す信号を出力し、この
信号を受けて警報器４６が警報を出力する。なお、この
検出モードにおける一連の動作は、例えば一定のサイク
ルで繰り返される。

【００９８】以上の動作を図１５のフローチャートで説
明すると、基準設定モードか否かを判断し（Ｔ１）、基
準設定モードであれば、通常の放射線レベルの状態で、
検出信号の確率密度分布関数を演算し（Ｔ２）、この歪
度を第１の設定値として第１の設定器に格納する（Ｔ
３）。次に通常の放射線レベルの状態で、検出信号の確
率密度分布関数を演算し（Ｔ４）、この演算値と第１の
設定値との差をニューラルネットワークで学習し（Ｔ
５）、学習結果を第２の設定値として第２の設定器に格
納する（Ｔ６）。

【００９９】次に、検出モードか否かを判断し（Ｔ
７）、検出モードであれば、検出信号の確率密度分布関
数を演算し（Ｔ８）、この演算結果と第１の設定手段と
の差を演算し（Ｔ９）、差の演算結果をニューラルネッ
トワークで演算し（Ｔ１０）、この演算結果と第２の設
定手段との適合度が１／２以下になると（Ｔ１１）、異
常と判断して警報を発生する（Ｔ１２）。

【０１００】確率密度分布関数の差を取った場合のデー
タの状態を図１６に示す。図１６（ａ）は正常なプラン
トの状態で放射線レベルは通常の低いレベルである。図
１６（ｂ）は図１６（ａ）を平滑化したものであり、こ
の波形を用いる。放射線レベルに変動があると、図１６
（ｃ）の例のような形状になり、これを平滑化すると図
（ｄ）に示す形状になる。

【０１０１】ここで確率密度分布関数の差を用いるの
は、確率密度分布関数そのものを用いるよりも差を用い
る方が変化分のみが現われるので、放射線レベルの判定
がつけやすくなるためである。また、ニューラルネット
ワークを用いての演算は図１０に示したものと同様に行
われ、異なる所は、ニューラルネットワークへの入力が
確率密度分布関数でなく、確率密度分布関数の差が入力
されるところである。ニューラルネットワークは基準デ
ータとの差の正常とした波形を与えるだけで学習でき、
学習の煩雑さを減少できる効果がある。

【０１０２】実施例７．この発明の実施例を図１７につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【０１０３】図１７は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、４７は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する演算器、４８は基準設定モードに
おいて演算器４７から出力される確率密度分布関数を表
す列データと第１の設定器４９との差を計算する減算
器、５０は減算器４８から出力される確率密度分布関数
の差から特徴を数値化する特徴抽出器、５１は基準設定
モードにおいて外部から与えられるメンバーシップ関数
を格納しておく第２の設定器、５２は特徴抽出器５０か
ら出力される記号化された特徴を第２の設定器５１のフ
ァジールールを実行するためのメンバーシップ関数と比
較する比較器、５３はこの比較器５２の比較結果に基づ
いて警報を出力する警報器である。

【０１０４】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器４７がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この演算器４７の出力は、
図１７の点線に示すようにまず第１の設定器４９に出力
され、この第１の設定器４９に格納される。そして、再
度列データＹｉのサンプリングがされ、このときは演算
器４７の出力は減算器４８に出力されて、この演算器４
７の演算結果と第１の設定器４９の格納データとの差
（列データのうち対応する個々のデータ毎の差）が減算
器４８により求められる。基準設定モードにおいては、
外部から与えられるメンバーシップ関数が第２の設定器
５１に格納される。

【０１０５】一方、検出モードにおいては、演算器４７
が演算する確率密度分布関数の列データは常に減算器４
８に出力される。そして、演算器４７の演算結果と第１
の設定器４９の格納データの差が減算器４８より求めら
れる。次に、この減算器４８の出力する確率密度分布関
数の差は特徴抽出器５０に出力され、その特徴は例えば
確率密度分布関数の最大の度数（頂点）のカウント値を
抽出し、この特徴が比較器３３へ入力される。そして、
比較器５２は、この入力が予め外部から与えられ第２の
設定器５１に格納されたメンバーシップ関数の適合度と
の差が大きくなったとき、警報器５３に異常を示す信号
を出力し、この信号を受けて警報器５３が警報を出力す
る。なお、この検出モードにおける一連の動作は、例え
ば一定のサイクルで繰り返される。

【０１０６】なお、ファジールールを用いての比較判別
は実施例４の図１２で説明したと同様の比較が行われ
る。ファジールールは波形の特徴をメンバーシップ関数
で表現する煩雑さはあるが、あいまいな波形を論理で取
り扱える特徴があり、きめ細かな波形認識ができる効果
がある。

【０１０７】実施例８．この発明の実施例を図１８につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【０１０８】図１８は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、５４は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する演算器、５５は基準設定モードに
おいて演算器５４から出力される確率密度分布関数を表
す列データと第１の設定器５６との差を計算する減算
器、５７は減算器５５から出力される確率密度分布関数
の差から特徴を数値化する特徴抽出器、５８は基準設定
モードにおいて外部から与えられる基準波形を格納して
おく第２の設定器、５９は特徴抽出器５７から出力され
る波形の特徴を第２の設定器５８の基準波形と比較する
比較器、６０はこの比較器５９の比較結果に基づいて警
報を出力する警報器である。

【０１０９】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、演算器５４がこ
の列データＹｉに対応する電圧信号の確率密度分布関数
を演算する。基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この演算器５４の出力は、
図１８の点線に示すようにまず第１の設定器５６に出力
され、この第１の設定器５６に格納される。また、基準
設定モードにおいて、外部から与えられるメンバーシッ
プ関数が第２の設定器５８に格納される。

【０１１０】一方、検出モードにおいては、演算器５４
が演算する確率密度分布関数の列データは常に減算器５
５に出力される。そして、演算器５４の演算結果と第１
の設定器５６の格納データの差（列データのうち対応す
る個々のデータ毎の差）が減算器５５より求められる。
次に、この減算器５５の出力する確率密度分布関数の差
は特徴抽出器５７に出力され、その特徴は例えば確率密
度分布関数の波形を平滑化した波形として表す。この特
徴が比較器５９へ入力される。そして、比較器５９は、
この入力が予め外部から与えられ第２の設定器５８に格
納された基準波形の適合度との差が大きくなったとき、
警報器６０に異常を示す信号を出力し、この信号を受け
て警報器６０が警報を出力する。なお、この検出モード
における一連の動作は、例えば一定のサイクルで繰り返
される。

【０１１１】パターン比較は基準パターンをあたえる必
要があるが、基準パターンとの差の検出には極めて優れ
ているという効果がある。

【０１１２】実施例９．この発明の実施例を図１９につ
いて説明する。なお、この実施例は異常検出装置の内部
構成に特徴を有し、放射線検出装置全体の構成は図１に
示される実施例１の構成と同様である。

【０１１３】図１９は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、６１は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する第１の演算器、６２は基準設定モ
ードにおいて第１の演算器６１から出力される確率密度
分布関数を表す列データと第１の設定器６３との差を計
算する減算器、６４は減算器６２の計算結果（列デー
タ）のフラクタル次元を求める第２の演算器、６５は基
準設定モードにおいて第２の演算器６４から出力される
フラクタル次元を記憶する第２の設定器、６６は第２の
演算器６４から出力されるフラクタル次元を第２の設定
器６５の値と比較する比較器、６７はこの比較器６６の
比較結果に基づいて警報を出力する警報器である。

【０１１４】ここで、フラクタル次元とは、例えば二次
元空間上にある点列の性質を表す周知の関数で、前記点
列を構成する点の内、前記点列のいずれか一つを中心と
する半径ｒの円内に入っている点の数をＮ（ｒ）とした
場合に、このＮ（ｒ）に対して下記式（５）を満足する
νである。したがって、時系列のデータ部があれば、こ
れを二次元空間上の点と考えて、このフラクタル次元を
求めることができる。

【０１１５】

【数３】

【０１１６】フラクタル次元を図２０で説明すると、図
２０（ａ）は確率密度分布関数の差の波形を表し、その
波形の一部に半径ｒの円を描き、その円内のデータ数を
Ｎ（ｒ）とする。このＮ（ｒ）を満足するｒのν乗のν
（次元）を求める。この図では、ν＝１．２となってい
る。

【０１１７】もし、図２０（ｂ）のように確率密度分布
関数の差が零で一直線であれば、ν＝１で１次元にな
る。また、図２０（ｃ）のように、円内にデータが点在
して２次元に広がっている場合は、ν＝２で２次元にな
る。放射線レベルが上昇して図２０（ｄ）のようになっ
た場合は、ν＝１．５で１．５次元になる。更に放射線
レベルが上昇して図２０（ｅ）のようになるとデータの
広がりが２次元に近くなり、例えば、ν＝１．９で１．
９次元となる。

【０１１８】なお、フラクタル次元については、産業図
書株式会社、平成４年５月１５日、第２版発行、「カオ
スの中の秩序（乱流の理解へ向けて）」著者 相澤洋
二、１３５頁に記載されている。

【０１１９】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器６
１がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、この第１の演算器６
１の出力は、図１９の点線に示すようにまず第１の設定
器６３に出力され、この第１の設定器６３に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器６１の出力は減算器６２に出力
されて、この第１の演算器６１の演算結果と第１の設定
器６３の格納データとの差（列データのうち対応する個
々のデータ毎の差）が減算器６２により求められる。次
に、この減算器６２の出力データ（Ｎ個の列データ）の
フラクタル次元が第２の演算器６４により演算され、第
２の設定器６５に格納される。

【０１２０】検出モードにおいては、第１の演算器６１
が演算する確率密度分布関数の列データは常に減算器６
２に出力される。そして、第１の演算器６１の演算結果
と第１の設定器６３の格納データの差が減算器６２より
求められる。次に、この減算器６２の出力データのフラ
クタル次元が第２の演算器６４により演算され、このフ
ラクタル次元が第２の設定器６５に格納されたフラクタ
ル次元の例えば１．３倍を超えたとき、警報機６７に異
常を示す信号を出力し、この信号を受けて警報器６７が
警報を出力する。なお、この検出モードにおける一連の
動作は、例えば一定のサイクルで繰り返される。

【０１２１】フラクタル次元は観測された波形の相似度
を表す指標であるから、異常が相似度に表れる場合にき
わめて効果が高い。

【０１２２】実施例１０．この発明の実施例を図２１に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１２３】図２１は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、６８は
図１のＡ／Ｄ変換器１１から出力される電圧信号の別デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する第１の演算器、６９は基準設定モ
ードにおいて第１の演算器６８から出力される確率密度
分布関数を表す列データと第１の設定器７０との差を計
算する減算器、７１はこの減算器６９の計算結果（列デ
ータ）のカルバックの情報量を求める第２の演算器、７
２は基準設定モードにおいて第２の演算器７１から出力
されるカルバックの情報量を記憶する第２の設定器、７
３は第２の演算器７１から出力されるカルバックの情報
量を第２の設定器７２の値と比較する比較器、７４はこ
の比較器７３の比較結果に基づいて警報を出力する警報
器である。

【０１２４】ここで、カルバックの情報量基準とは、二
つの確率密度分布を比較するためのメジャーの一つであ
り、確率密度分布の列データｐ（ｘ），ｑ（ｘ）が与え
られた場合、下記式（６）で計算されるＩ［ｐ（ｘ），
ｑ（ｘ）］である。ｐ（ｘ）が検出値、ｑ（ｘ）が設定
値として演算する。

【０１２５】

【数４】

【０１２６】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器６
８がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、第１の演算器６８の
出力は、図２１の点線に示すようにまず第１の設定器７
０に出力され、この第１の設定器７０に格納される。そ
して、再度列データＹｉのサンプリングがされ、このと
きは第１の演算器６８の出力は減算器６９に出力され
て、この第１の演算器６８の演算結果と第１の設定器７
０の格納データとの差（列データのうち対応する個々の
データ毎の差）が減算器６９により求められる。次に、
この減算器６９の出力データ（Ｎ個の列データ）のカル
バックの情報量が第２の演算器７１により演算され、第
２の設定器７２に格納される。

【０１２７】一方、検出モードにおいては、第１の演算
器６８が演算する確率密度分布関数の列データは常に減
算器６９に出力される。そして、第１の演算器６８の演
算結果と第１の設定器７０の格納データの差が減算器６
９より求められる。次に、この減算器６９の出力データ
のカルバックの情報量が第２の演算器７１により演算さ
れ、このカルバックの情報量が第２の設定器７２に格納
されたカルバックの情報量の例えば３倍を超えたとき警
報器７４に異常を示す信号を出力し、この信号を受けて
警報器７４が警報を出力する。なお、この検出モードに
おける一連の動作は、例えば一定のサイクルで繰り返さ
れる。

【０１２８】カルバック情報量は多量の正常波形で基準
値を設定でき、異常対象データとの比較には純粋に統計
学にしたがって、危険率を含んだ表現が可能であるとい
う効果がある。

【０１２９】実施例１１．この発明の実施例を図２２に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１３０】図２２は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、７５は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する第１の演算器、７６は基準設定モ
ードにおいて第１の演算器７５から出力される確率密度
分布関数を表す列データと第１の設定器７７との差を計
算する減算器、７８はこの減算器７６の計算結果（列デ
ータ）の平均値を求める第２の演算器、７９は基準設定
モードにおいて第２の演算器７８から出力される平均値
を記憶する第２の設定器、８０は第２の演算器７８から
出力される平均値を第２の設定器７９の値と比較する比
較器、８１はこの比較器８０の比較結果に基づいて警報
を出力する警報器である。

【０１３１】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器７
５がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、この第１の演算器７
５の出力は、図２２の点線に示すようにまず第１の設定
器７７に出力され、この第１の設定器７７に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器７５の出力は減算器７６に出力
されて、この第１の演算器７５の演算結果と第１の設定
器７７の格納データとの差（列データのうち対応する個
々のデータ毎の差）が減算器７６により求められる。次
に、この減算器７６の出力データ（Ｎ個の列データ）の
平均値が前記式（１）に基づき第２の演算器７８により
演算され、第２の設定器７９に格納される。

【０１３２】一方、検出モードにおいては、第１の演算
器７５が演算する確率密度分布関数の列データは常に減
算器７６に出力される。そして、第１の演算器７５の演
算結果と第１の設定器７７の格納データの差が減算器７
６より求められる。次に、この減算器７６の出力データ
の平均値が前記式（１）に基づき第２の演算器７８によ
り演算され、比較器８０はこの平均値が第２の設定器７
９に格納された平均値の例えば３倍を超えたとき、警報
器８１に異常を示す信号を出力し、この信号を受けて警
報器８１が警報を出力する。なお、この検出モードにお
ける一連の動作は、例えば一定のサイクルで繰り返され
る。

【０１３３】平均値は処理アルゴリズムがきわめて簡単
で演算時間が短縮できる効果がある。

【０１３４】実施例１２．この発明の実施例を図２３に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１３５】図２３は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、８２は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する第１の演算器、８３は基準設定モ
ードにおいて第１の演算器８２から出力される確率密度
分布関数を表す列データと第１の設定器８４との差を計
算する減算器、８５はこの減算器８３の計算結果（列デ
ータ）の分散値を求める第２の演算器、８６は基準設定
モードにおいて演算器８５から出力される分散値を記憶
する設定器、８７は演算器８５から出力される分散値を
第２の設定器８６の値と比較する比較器、８８はこの比
較器８７の比較結果に基づいて警報を出力する警報器で
ある。

【０１３６】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器８
２がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、この第１の演算器８
２の出力は、図２３の点線に示すようにまず第１の設定
器８４に出力され、この第１の設定器８４に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器８２の出力は減算器８３に出力
されて、この第１の演算器８２の演算結果と第１の設定
器８４の格納データとの差（列データのうち対応する個
々のデータ毎の差）が減算器８３により求められる。次
に、この減算器８３の出力データ（Ｎ個の列データ）の
平均値が前記式（１）、（２）に基づき第２の演算器８
５により演算され、第２の設定器８６に格納される。

【０１３７】一方、検出モードにおいては、第１の演算
器８２が演算する確率密度分布関数の列データは常に減
算器８３に出力される。そして、第１の演算器８２の演
算結果と第１の設定器８４の格納データの差が減算器８
３より求められる。次に、この減算器８３の出力データ
の分散値が前記式（１）、（２）に基づき第２の演算器
８５により演算され、比較器８７はこの分散値と第２の
設定器８６に格納された分散値の例えば３倍を超えたと
き、警報器８８に異常を示す信号を出力し、この信号を
受けて警報器８８が警報を出力する。なお、この検出モ
ードにおける一連の動作は、例えば一定のサイクルで繰
り返される。

【０１３８】分散値は演算アルゴリズムが簡単であり、
ばらつきの度合いを示す指標であるから、異常がばらつ
きに表れる場合に感度が高く演算速度が早いという効果
がある。

【０１３９】実施例１３．この発明の実施例を図２４に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１４０】図２４は、この実施例における異常検出装
置１２の構成を示すブロック図である。図２４におい
て、８９は図１のＡ／Ｄ変換器１１から出力される電圧
信号の列データＹｉ（ｉ＝１，２，……Ｎ）から電圧信
号の確率密度分布関数を演算する第１の演算器、９０は
基準設定モードにおいて第１の演算器８９から出力され
る確率密度分布関数を表す列データと第１の設定器９１
との差を計算する減算器、９２はこの減算器９０の計算
結果（列データ）の歪度を求める第２の演算器、９３は
基準設定モードにおいて第２の演算器９２から出力され
る歪度を記憶する第２の設定器、９４は第２の演算器９
２から出力される歪度を第２の設定器９３の値と比較す
る比較器、９５はこの比較器９４の比較結果に基づいて
警報を出力する警報器である。

【０１４１】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器８
９がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、この第１の演算器８
９の出力は、図２４の点線に示すようにまず第１の設定
器９１に出力され、この第１の設定器９１に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器８９の出力は減算器９０に出力
されて、この第１の演算器８９の演算結果と第１の設定
器９１の格納データとの差（列データのうち対応する個
々のデータ毎の差）が減算器９０により求められる。次
に、この減算器９０の出力データ（Ｎ個の列データ）の
歪度は前記式（１）、（２）により求められる平均値μ
１と分数値μ２とから、式（３）より求められる値μ３
であり、第２の演算器９２により演算され、第２の設定
器９３に格納される。

【０１４２】一方、検出モードにおいては、第１の演算
器８９が演算する確率密度分布関数の列データは常に減
算器９０に出力される。そして、第１の演算器８９の演
算結果と第１の設定器９１の格納データの差が減算器９
０より求められる。次に、この減算器９０の出力データ
の歪度が前記式（３）に基づき第２の演算器９２により
演算され、比較器９４はこの歪度と第２の設定器９３に
格納された歪度の例えば３倍を超えたとき、警報器９５
に異常を示す信号を出力し、この信号を受けて警報器９
５が警報を出力する。なお、この検出モードにおける一
連の動作は、例えば一定のサイクルで繰り返される。

【０１４３】歪度は基準データとの差の偏りを表す指標
であるから、異常が基準データとの差の偏りに表れる場
合に顕著に検出できる効果がある。

【０１４４】実施例１４．この発明の実施例を図２４に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１４５】図２５は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、９６は
図１のＡ／Ｄ変換器１１から出力される電圧信号の列デ
ータＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率密
度分布関数を演算する第１の演算器、９７は基準設定モ
ードにおいて第１の演算器９６から出力される確率密度
分布関数を表す列データと第１の設定器９８との差を計
算する減算器、９９はこの減算器９７の計算結果（列デ
ータ）の尖度を求める第２の演算器、１００は基準設定
モードにおいて第２の演算器９９から出力される尖度を
記憶する第２の設定器、１０１は第２の演算器９９から
出力される尖度を第２の設定器１００の値と比較する比
較器、１０２はこの比較器１０１の比較結果に基づいて
警報を出力する警報器である。

【０１４６】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器９
６がこの列データＹｉに対応する電圧信号の確率密度分
布関数を演算する。基準設定モードにおいては、通常の
プラントの放射線レベルの状態で、この第１の演算器９
６の出力は、図２５の点線に示すようにまず第１の設定
器９８に出力され、この第１の設定器９８に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器９６の出力は減算器９７に出力
されて、この第１の演算器９６の演算結果と第１の設定
器９８の格納データとの差（列データのうち対応する個
々のデータ毎の差）が減算器９７により求められる。次
に、この減算器９７の出力データ（Ｎ個の列データ）の
尖度が、第２の演算器９９により演算され、第２の設定
器１００に格納される。この尖度は前記式（１）、
（２）により求められる平均値μ１と分数値μ２から、
式（４）より求められる値μ４である。

【０１４７】一方、検出モードにおいては、第１の演算
器９６が演算する確率密度分布関数の列データは常に減
算器９７に出力される。そして、第１の演算器９６の演
算結果と第１の設定器９８の格納データの差が減算器９
７より求められる。次に、この減算器９７の出力データ
の尖度が前記式（４）に基づき第２の演算器９９により
演算され、比較器１０１はこの尖度と第２の設定器１０
０に格納された尖度の例えば３倍を超えたとき、警報器
１０２に異常を示す信号を出力し、この信号を受けて警
報器１０２が警報を出力する。なお、この検出モードに
おける一連の動作は、例えば一定のサイクルで繰り返さ
れる。

【０１４８】尖度は基準データとの差の広がりを表す指
標であるから、異常が基準データとの差の広がりに表れ
る場合に顕著に検出できる効果がある。

【０１４９】実施例１５．この発明の実施例を図２６に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１５０】図２６は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、１０３
は図１のＡ／Ｄ変換器１１から出力される電圧信号の列
データＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率
密度分布関数を演算する第１の演算器、１０４は基準設
定モードにおいて第１の演算器１０３から出力される確
率密度分布関数を表す列データと第１の設定器１０５と
の差を計算する減算器、１０６はこの減算器１０４の計
算結果からセプストラムを演算する第２の演算器、１０
７はこの第２の演算器１０６の計算結果（列データ）の
形状を学習するニューラルネットワーク演算器、１０８
はニューラルネットワーク演算器１０７から出力される
適合度０〜１の出力を格納する第２の設定器、１０９は
ニューラルネットワーク演算器１０７から出力される適
合度０〜１の信号を第２の設定器１０８の値と比較する
比較器、１１０はこの比較器１０９の比較結果に基づい
て警報を出力する警報器である。

【０１５１】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器１
０３がこの列データＹｉに対応する電圧信号の確率密度
分布関数を演算する。基準設定モードにおいては、通常
のプラントの放射線レベルの状態で、この第１の演算器
１０３の出力は、図２６の点線に示すようにまず第１の
設定器１０５に出力され、この第１の設定器１０５に格
納される。そして、再度列データＹｉのサンプリングが
され、このときは第１の演算器１０３の出力は減算器１
０４に出力されて、この第１の演算器１０３の演算結果
と第１の設定器１０５の格納データとの差（列データの
うち対応する個々のデータ毎の差）が減算器１０４によ
り求められる。この減算器１０４の出力は、図２６の点
線に示すように第２の演算器１０６によってセプストラ
ムが計算される。第２の演算器１０６の列データは、セ
プストラムの形状を学習するニューラルネットワーク演
算器１０７に出力される。次にニューラルネットワーク
演算器１０７から出力される適合度０〜１の出力は第２
の設定器１０８に格納される。

【０１５２】一方、検出モードにおいては、第１の演算
器１０３が演算する確率密度分布関数の列データは常に
減算器１０４に出力される。そして、第１の演算器１０
３の演算結果と第１の設定器１０５の格納データの差が
減算器１０４より求められる。次に、この減算器１０４
の出力する確率密度分布関数の差は第２の演算器１０６
に出力されセプストラムが計算される。この列データセ
プストラムはニューラルネットワーク演算器１０７に出
力され、ニューラルネットワーク演算器１０７より適合
度０〜１が比較器１０９に出力される。そして、比較器
１０９は、ニューラルネットワーク演算器１０７から出
力される適合度が第２の設定器１０８に格納された適合
度の例えば１／２倍を下回ったとき、警報器１１０に異
常を示す信号を出力し、この信号を受けて警報器１１０
が警報を出力する。なお、この検出モードにおける一連
の動作は、例えば一定のサイクルで繰り返される。

【０１５３】セプストラム（エコー解析）については、
株式会社 朝倉書店、昭和５３年２月２０日第２刷発
行、著者 日野幹雄「スペクトル解析」２８０頁に記載
されている。このセプストラムは、例えば、地震計で観
測される震源からの直接の波と地表に反射された波が混
在した場合の解析に用いられる。

【０１５４】ある時系列ｘ（ｔ）にそれの時間τ遅れの
エコーαｘ（ｔ−τ）（α：反響率）が重ね合わさった
ランダム波ｚ（ｔ）とすると、 ｚ（ｔ）＝ｘ（ｔ）＋αｘ（ｔ−τ） もとの時系列ｘ（ｔ）のスペクトルをΦ（ｆ）とすれ
ば、ｚ（ｔ）のスペクトルは、 Φ（ｆ）（１＋２αｃｏｓ２πｆτ＋α²） となる。これの対数をとり、 ｌｏｇΦ（ｆ）＋２αｃｏｓ２πｆτ で近似できる。

【０１５５】これはもとのｘ（ｔ）のスペクトルに周期
τの余弦波が重なったもので、特にΦ（ｆ）＝一定 で
あるから、エコーの項２αｃｏｓ２πｆの波が明瞭とな
る。つまり、対数スペクトルは図２７（ａ）のようにな
り、この対数スペクトル（周波数系列）にフーリエ（自
己相関を求めこれをフーリエ変換して）解析をし、周波
数系列がどのような時間ラグτのエコーから成り立つか
を解析できる。これをｃｅｐｓｔｒｕｍと呼ぶ。

【０１５６】図２７（ａ）の対数スペクトルの「スペク
トル」即ち、セプストラムは図２７（ｂ）のようにな
る。横軸は反響の遅れ時間を表わすケフレンシー（Ｑｕ
ｅｆｒｅｎｃｙと云う）であり、縦軸は反響度に対応す
る。この例では、τ＝５．０ｓｅｃのエコーが混ざって
いることが分かる。

【０１５７】この実施例では、確率密度分布関数の差の
データに対し（図２８（ａ））、対数スペクトルを求め
（図２８（ｂ））、これをフーリエ変換してセプストラ
ムを求める（図２８（ｃ））。このセプストラムのピー
ク値（図２８（ｃ）では０．５）を抽出し、この値と設
定時の値と比較することによって異常を検出することが
できる。

【０１５８】更に、この実施例ではニューラルネットワ
ークで学習し、学習結果と比較するようにしたので、容
易に比較することが可能になる。即ち、セプストラムは
時間遅れの波形が混在する場合にどのくらいの時間遅れ
が存在するかを示す指標であるから、時間遅れが存在す
るような異常検知に効果がある。またニューラルネット
は正常とした波形を与えるだけで学習でき、学習の煩雑
さを減少できる効果がある。

【０１５９】実施例１６．この発明の実施例を図２９に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１６０】図２９は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、１１１
は図１のＡ／Ｄ変換器１１から出力される電圧信号の列
データＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率
密度分布関数を演算する第１の演算器、１１２は基準設
定モードにおいて第１の演算器１１１から出力される確
率密度分布関数を表す列データと第１の設定器１１３と
の差を計算する減算器、１１４は第１の減算器１１２か
ら出力される確率密度分布関数の差の列データからセプ
ストラムを計算する第２の演算器である。

【０１６１】１１５は第２の演算器１１４から出力され
るセプストラムの列データから特徴を数値化する特徴抽
出器、１１６は基準設定モードにおいて外部から与えら
れるメンバーシップ関数を格納しておく第２の設定器、
１１７は特徴抽出器１１５から出力される記号化された
特徴を第２の設定器１１６のファジールールを実行する
ためのメンバーシップ関数と比較する比較器、１１８は
この比較器１１７の比較結果に基づいて警報を出力する
警報器である。

【０１６２】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器１
１１がこの列データＹｉに対応する電圧信号の確率密度
分布関数を演算する。

【０１６３】基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この第１の演算器１１１の
出力は、図２９の点線に示すようにまず第１の設定器１
１３に出力され、この第１の設定器１１３に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器１１１の出力は減算器１１２に
出力されて、この第１の演算器１１１の演算結果と第１
の設定器１１３の格納データとの差（列データのうち対
応する個々のデータ毎の差）が減算器１１２により求め
られる。また、基準設定モードにおいては、外部から与
えられるメンバーシップ関数が第２の設定器１１６に格
納される。

【０１６４】一方、検出モードにおいては、第１の演算
器１１１が演算する確率密度分布関数の列データは常に
減算器１１２に出力される。そして、第１の演算器１１
１の演算結果と第１の設定器１１３の格納データの差が
減算器１１２より求められる。次に、この減算器１１２
の出力する確率密度分布関数の差は第２の演算器１１４
に出力され、確率密度分布関数の差のセプストラムが出
力される。このセプストラムの列データは特徴抽出器１
１５に出力され、その特徴は例えば振幅のピーク値（図
２８（ｃ）では０．５）として表す。この特徴が比較器
１１７に出力される。そして、比較器１１７は、予め外
部から与えられ第２の設定器１１６に格納されたメンバ
ーシップ関数の適合度との差が大きくなったとき、警報
器１１８に異常を示す信号を出力し、この信号を受けて
警報器１１８が警報を出力する。なお、この検出モード
における一連の動作は、例えば一定のサイクルで繰り返
される。

【０１６５】セプストラムは時間遅れの波形が混在する
場合にどのくらいの時間遅れが存在するかを示す指標で
あるから、時間遅れが存在するような異常検知に効果が
ある。またファジールールは波形の特徴をメンバーシッ
プ関数で表現する煩雑さはあるが、あいまいな波形を論
理で取り扱える特徴があり、きめ細かな波形認識ができ
る効果がある。

【０１６６】実施例１７．この発明の実施例を図３０に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１６７】図３０は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、１１９
は図１のＡ／Ｄ変換器１１から出力される電圧信号の列
データＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率
密度分布関数を演算する第１の演算器、１２０は基準設
定モードにおいて第１の演算器１１９から出力される確
率密度分布関数を表す列データと第１の設定器１２１と
の差を計算する減算器、１２２は減算器１２０から出力
される確率密度分布関数の差のセプストラムを計算する
第２の演算器である。

【０１６８】１２３は第２の演算器１２２から出力され
る確率密度分布関数の差のセプストラムの特徴を数値化
する特徴抽出器、１２４は基準設定モードにおいて外部
から与えられる基準波形を格納しておく第２の設定器、
１２５は特徴抽出器１２３から出力される波形の特徴を
第２の設定器１２４の基準波形と比較する比較器、１２
６はこの比較器１２５の比較結果に基づいて警報を出力
する警報器である。

【０１６９】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器１
１９がこの列データＹｉに対応する電圧信号の確率密度
分布関数を演算する。

【０１７０】基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この第１の演算器１１９の
出力は、図３０の点線に示すようにまず第１の設定器１
２１に出力され、この第１の設定器１２１に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器１１９の出力は減算器１２０に
出力されて、この第１の演算器１１９の演算結果と第１
の設定器１２１の格納データとの差（列データのうち対
応する個々のデータ毎の差）が減算器１２０により求め
られる。また、基準設定モードにおいては、外部から与
えられる基準波形が第２の設定器１２４に格納される。

【０１７１】一方、検出モードにおいては、第１の演算
器１１９が演算する確率密度分布関数の列データは常に
減算器１２０に出力される。そして、第１の演算器１１
９の演算結果と第１の設定器１２１の格納データの差が
減算器１２０より求められる。次に、この減算器１２０
の出力する確率密度分布関数の差は第２の演算器１２２
に出力されセプストラムが計算される。この第２の演算
器１２２の出力する確率密度分布関数の差のセプストラ
ムは特徴抽出器１２３に出力され、その特徴は例えばセ
プストラム波形を平滑化した波形として表す。この特徴
が比較器１２５に出力される。セプストラムの波形は平
滑化しなくても比較はできるが、平滑化しない波形は統
計的ゆらぎによる波形の細かな凹凸があるので平滑化し
た方が比較が容易で正確な比較ができる。

【０１７２】そして、比較器１２５は、予め外部から与
えられ第２の設定器１２４に格納された基準波形の適合
度との差が大きくなったとき、警報器１２６に異常を示
す信号を出力し、この信号を受けて警報器１２６が警報
を出力する。なお、この検出モードにおける一連の動作
は、例えば一定のサイクルで繰り返される。

【０１７３】セプストラムは時間遅れの波形が混在する
場合にどのくらいの時間遅れが存在するかを示す指標で
あるから、時間遅れが存在するような異常検知に効果が
ある。また、パターン比較は基準パターンをあたえる必
要があるが、基準パターンとの差の検出には極めて優れ
ているという効果がある。

【０１７４】実施例１８．この発明の実施例を図３１に
ついて説明する。なお、この実施例は異常検出装置の内
部構成に特徴を有し、放射線検出装置全体の構成は図１
に示される実施例１の構成と同様である。

【０１７５】図３１は、この実施例における異常検出装
置１２の構成を示すブロック図で、図において、１２７
は図１のＡ／Ｄ変換器１１から出力される電圧信号の列
データＹｉ（ｉ＝１，２，……Ｎ）から電圧信号の確率
密度分布関数を演算する第１の演算器、１２８は基準設
定モードにおいて第１の演算器１２７から出力される確
率密度分布関数を表す列データと第１の設定器１２９と
の差を計算する減算器、１３０はこの減算器１２８の計
算結果から高次スペクトラムを演算する第２の演算器で
ある。

【０１７６】１３１はこの第２の演算器１３０の計算結
果（列データ）の形状を学習するニューラルネットワー
ク演算器、１３２はニューラルネットワーク演算器１３
１から出力される適合度０〜１の出力を格納する第２の
設定器、１３３はニューラルネットワーク演算器１３１
から出力される適合度０〜１の信号を第２の設定器１３
２の値と比較する比較器、１３４はこの比較器１３３の
比較結果に基づいて警報を出力する警報器である。

【０１７７】次に動作について説明する。図１のＡ／Ｄ
変換器１１は、レートメータ９から出力される電圧信号
を等時間隔ごとにサンプリングしてＮ個の時系列データ
Ｙｉ（ｉ＝１，２，……Ｎ）を出力し、第１の演算器１
２７がこの列データＹｉに対応する電圧信号の確率密度
分布関数を演算する。

【０１７８】基準設定モードにおいては、通常のプラン
トの放射線レベルの状態で、この第１の演算器１２７の
出力は、図３１の点線に示すようにまず第１の設定器１
２９に出力され、この第１の設定器１２９に格納され
る。そして、再度列データＹｉのサンプリングがされ、
このときは第１の演算器１２７の出力は減算器１２８に
出力されて、この第１の演算器１２７の演算結果と第１
の設定器１２９の格納データとの差（列データのうち対
応する個々のデータ毎の差）が減算器１２８により求め
られる。この減算器１２８の出力は、図３１の点線に示
すように第２の演算器１３０によって高次スペクトラム
が計算される。第２の演算器１３０の列データは、高次
スペクトラムの形状を学習するニューラルネットワーク
演算器１３１に出力される。次にニューラルネットワー
ク演算器１３１から出力される適合度０〜１の出力は第
２の設定器１３２に格納される。

【０１７９】一方、検出モードにおいては、第１の演算
器１２７が演算する確率密度分布関数の列データは常に
減算器１２８に出力される。そして、第１の演算器１２
７の演算結果と第１の設定器１２９の格納データの差が
減算器１２８より求められる。次に、この減算器１２８
の出力する確率密度分布関数の差は第２の演算器１３０
に出力され高次スペクトラムが計算される。この列デー
タ高次スペクトラムはニューラルネットワーク演算器１
３１に出力され、ニューラルネットワーク演算器１３１
より適合度０〜１が比較器１３３に出力される。そし
て、比較器１３３は、ニューラルネットワーク演算器１
３１から出力される適合度が第２の設定器１３２に格納
された適合度の例えば１／２倍を下回ったとき、警報器
１３４が異常を示す信号を出力し、この信号を受けて警
報器１３４が警報を出力する。なお、この検出モードに
おける一連の動作は例えば一定のサイクルで繰り返され
る。

【０１８０】この実施例では、ニューラルネットワーク
１３１を用いたが、ニューラルネットワーク１３１を用
いずに、通常のプラントの放射線レベルの状態で、第２
の演算器１３０で演算した高次スペクトラムを第２の設
定値とし、検出モード時に第２の演算器１３０で演算し
た高次スペクトラムと比較するようにしてもよい。

【０１８１】高次スペストラムについては、株式会社
朝倉書店、昭和５３年２月２０日第２刷発行、著者 日
野幹雄「スペクトル解析」２４６頁に記載されている。
この高次スペクトラムは、乱流におけるエネルギー輸
送、波浪の成分波間のエネルギー輸送などの非線形型現
象に用いられる。例えば、水深と波浪との関連を調べる
場合に用いられる。もし、ランダム変動がＧａｕｓｓ分
布であれば、高次スペクトラムは零となる。

【０１８２】その概要を説明すると、まず、高速フーリ
ェ変換（ＦＦＴ）によってパワースペクトル（ＰＳＤ）
を計算する。 入力信号 ： ｘ（ｉ），ｉ＝０，・・・，Ｎ−１ ＰＳＤ ： ｙ（ｉ），ｉ＝０，・・・，Ｍ−１ ＦＦＴサイズ ： Ｍ （１）信号の分割 信号ｘ（ｉ）（ｉ＝０，・・・，Ｎ−１）をＭ点ずつに
分解する。図３２のように、信号が半分ずつ重なるよう
に分割する。 （２）Ｈａｎｎｉｎｇウインドウ 各分割信号ｘ_k（ｊ）（ｋ＝１，・・・，Ｋ，ｊ＝０，
・・・，Ｍ−１）に、Ｈａｎｎｉｎｇウインドウのエネ
ルギーＵを式（７）で示すように計算する。

【０１８３】

【数５】

【０１８４】（３）高速フーリエ変換および絶対値 各分割信号ｘ_k（ｊ）（ｋ＝１，・・・，Ｋ，ｊ＝０，
・・・，Ｍ−１）を高速フーリエ変換し、その絶対値ｚ
_k（ｊ）（ｋ＝１，・・・，Ｋ，ｊ＝１，・・・，Ｍ）
を計算する。 （４）平均 各分割信号のフーリエ変換の絶対値ｚ_kj（ｋ＝１，・・
・，Ｋ，ｊ＝１，・・・，Ｍ）の平均をとり、ウインド
ウエネルギーで除して、パワースペクトル（ＰＳＤ）ｙ
（ｊ）（ｊ＝０，・・・，Ｍ−１）を式（８）で求め
る。

【０１８５】

【数６】

【０１８６】このパワースペクトラムは、放射線の計測
に当てはめた場合、図３３のようになる。

【０１８７】次に高次スペクトラムについては、２次の
場合、２次スペクトラムをＹ（ｊ）とすると、２変数の
入力信号に対して式（９）のスペクトル計算をする。 ｘ（ｉ），ｉ＝０，・・・，Ｎ−１ →フーリエ変換
→ ｚ_k（ｊ） ｕ（ｉ），ｉ＝０，・・・，Ｎ−１ →フーリエ変換
→ ａ_k（ｊ）

【０１８８】

【数７】

【０１８９】ここで通常のプラントの放射線レベルの状
態での設定値をｘ（ｉ）とし、検出モードでの入力信号
をｕ（ｉ）とすると、この演算結果は図３４のようにな
り、２変数の干渉の度合い（２次スペクトラムＹ（Ｊ）
の高さ）で正常か異常かを判別することができる。即
ち、正常であれば干渉の山はあまり出ず、異常であれば
干渉の山が高く出るので判別することができる。

【０１９０】まとめると、最初、通常のプラントの放射
線レベルの状態で、時系列データをｘ（ｉ）とすると、
ｘ（ｉ）とｘ（ｉ）の２次スペクトラムｙ1（ｊ）求め
る。これを設定値とする。次に検出モードで、通常のプ
ラントの放射線レベルの状態の場合、時系列データｕ
（ｉ）とすると、ｘ（ｉ）とｕ（ｉ）の２次スペクトラ
ムｙ2（ｊ）を求め、ｙ1（ｊ）と比較する。ｙ1（ｊ）
−ｙ2（ｊ）≒０となり、図３４（ａ）のように大きな
山は生じない。次に検出モードで、放射線レベルが異常
である場合、時系列データをｗ（ｉ）とすると、ｘ
（ｉ）とｗ（ｉ）の２次スペクトラムｙ3（ｊ）を求
め、ｙ1（ｊ）と比較する。 ｙ1（ｊ）−ｙ3（ｊ）≠０ となり、図３４（ｂ）のように異常の場合は大きな山が
できる。

【０１９１】このように通常のプラントの放射線レベル
の状態で、ニューラルネットワークで高次スペクトラム
の波形を学習して設定しておき、検出モード時の高次ス
ペクトラムの波形と比較することにより正常・異常の判
定をすることができる。

【０１９２】ニューラルネットワークを用いない場合
は、通常のプラントの放射線レベルの状態での高次スペ
クトラムを設定値として格納しておき、放射線レベルの
検出時の高次スペクトルと比較することによって正常・
異常を検出することができる。

【０１９３】高次スペクトラムは２波形間の２次干渉を
評価する指標であるから、すなわち、観測される電圧信
号の特徴を表すデータを正常時と比較し、２次干渉に異
常が表れるものを検出する感度が高い効果がある。ま
た、ニューラルネットは正常とした波形を与えるだけで
学習でき、学習の煩雑さを減少できる効果がある。

【０１９４】実施例１９．実施例９〜１２および１５〜
１８では、確率密度分布関数の差から第２の演算器でフ
ラクタル次元、カルバック情報量、セプストラム等を演
算するようにしたが、確率密度分布関数の差でなく、確
率密度分布関数そのものを用いて第２の演算器で演算す
るようにしてもよい。この場合、確率密度分布関数の差
でないので判別が若干し難いが、減算器と第１の設定器
が不要になり経済的な回路構成ができる。

【０１９５】具体的には、実施例９〜１２および１５〜
１８に対応する図１９，２１，２２，２３，２６，２
９，３０，３１の各図の第１の演算器で確率密度分布関
数を演算し、この演算結果を第２の演算器で演算する。
従って、減算器と第１の設定器は不要になる。

【０１９６】実施例２０．以上の実施例では、図１のよ
うに従来の放射線検出装置（図３５）に異常検出装置を
付加した構成のもので説明したが、図１の構成でなく、
主増幅器からの出力をＡ／Ｄ変換器でＡ／Ｄ変換し、こ
の変換出力を異常検出装置で処理するようにしてもよ
い。

【０１９７】また、上記の実施例では放射線検出器はＮ
ａＩシンチレータ・ＧＭ計数管等のパルス出力を発生す
る検出信号で説明したが、パルスのみでなく電離箱線量
計などのようにアナログ信号で出力するものでもよく、
このアナログ信号をＡ／Ｄ変換器して異常を検出するよ
うにしてもよい。

【０１９８】また、被検出対象は配管中の液体を例にし
たが、この被検出対象は液体に限らず、気体や空間中の
放射線、固体からの放射線などを被検出対象としてもよ
い。また、上記の各実施例を任意に組み合わせてそれぞ
れの長所を持たせた放射線検出装置としてもよい。

【０１９９】

【発明の効果】以上のようにこの発明によれば、検出時
において、検出信号の歪度を演算し、この歪度と、予め
求めた基準値との比較に応じて放射線レベルを判定する
ようにしたので、歪度は確率密度分布関数の偏りを表す
指標であるから、異常が確率密度分布関数の偏りに表れ
る場合に顕著に検出できる効果がある。

【０２００】また、検出時において、検出信号の尖度を
演算し、この尖度と、予め求めた基準値と比較して、こ
の比較に応じて放射線レベルを判定するようにしたの
で、尖度は確率密度分布関数の広がり具合を表す指標で
あるから、異常が確率密度分布関数の広がりに表れる場
合に顕著に検出できる効果がある。

【０２０１】また、検出信号の確率密度分布関数を演算
し、この確率密度分布関数と、予めニューラルネットワ
ーク学習して求めた基準値とを比較し、この比較に応じ
て放射線レベルを判定するようにしたので、ニューラル
ネットワークは確率密度分布関数の正常とした波形を与
えるだけで学習でき、学習の煩雑さを減少できる効果が
ある。

【０２０２】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め決
定したファジールールの基準値とを比較して、この比較
に応じて放射線レベルを判定するようにしたので、ファ
ジールールは波形の特徴をメンバーシップ関数で表現す
る煩雑さはあるが、あいまいな波形を論理で取り扱える
特徴があり、きめ細かな波形認識ができる効果がある。

【０２０３】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め決
定したパターンの基準値とを比較して、この比較に応じ
て放射線レベルを判定するようにしたので、パターン比
較は基準パターンを与える必要があるが、基準パターン
との差の検出には極めて優れているという効果がある。

【０２０４】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、これをニューラルネッ
トワークに学習させ予め求めた基準値とを比較して、こ
の比較に応じて放射線レベルを判定するようにしたの
で、ニューラルネットワークは基準データとの差の正常
とした波形を与えるだけで学習でき、学習の煩雑さを減
少できる効果がある。

【０２０５】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、これを予め決定したフ
ァジールールの基準値とを比較して、この比較に応じて
放射線レベルを判定するようにしたので、ファジールー
ルは波形の特徴をメンバーシップ関数で表現する煩雑さ
はあるが、あいまいな波形を論理で取り扱える特徴があ
り、きめ細かな波形認識ができる効果がある。

【０２０６】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、これを予め決定したパ
ターンの基準値とを比較して、この比較に応じて放射線
レベルを判定するようにしたので、パターン比較は基準
パターンをあたえる必要があるが、基準パターンの差検
出には極めて優れているという効果がある。

【０２０７】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、さらにこの差のフラク
タル次元を求め、このフラクタル次元と所定の設定値と
の比較に応じて放射線レベルを判定するようにしたの
で、フラクタル次元は観測された波形の相似度を表す指
標であるから、異常が相似度に表れる場合にきわめて効
果が高い。

【０２０８】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、さらにこの差のカルバ
ック情報量を求め、このカルバック情報量と所定の設定
値との比較に応じて放射線レベルを判定するようにした
ので、カルバック情報量は多量の正常波形で基準値を設
定でき、異常対象データとの比較には純粋に統計学にし
たがって、危険率を含んだ表現が可能であるという効果
がある。

【０２０９】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、さらにこの差の平均値
を求め、この平均値と所定の設定値との比較に応じて放
射線レベルを判定するようにしたので、平均値は処理ア
ルゴリズムがきわめて簡単で演算時間短縮できる効果が
ある。

【０２１０】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、さらにこの差の分散値
を求め、この分散値と所定の設定値との比較に応じて放
射線レベルを判定するようにしたので、分散値は演算ア
ルゴリズムが簡単であり、ばらつきの度合いを示す指標
であるから、異常がばらつきに表れる場合に感度が高く
演算速度が早いという効果がある。

【０２１１】また、検出時において、検出信号の確率密
度分布関数を演算し、予め求めた基準データとの差を演
算し、さらにこの差の歪度を求め、この歪度と所定の設
定値との比較に応じて放射線レベルを判定するようにし
たので、歪度は基準データとの差の偏りを表す指標であ
るから、異常が基準データとの差の偏りに表れる場合に
顕著に検出できる効果がある。

【０２１２】また、検出時において、検出信号の確率密
度分布関数を演算し、この確率密度分布関数と、予め求
めた基準データとの差を演算し、さらにこの差の尖度を
求め、この尖度と所定の設定値との比較に応じて放射線
レベルを判定するようにしたので、尖度は基準データと
の差の広がりを表す指標であるから、異常が基準データ
との差の広がりに表れる場合に顕著に検出できる効果が
ある。

【０２１３】また、検出時において、検出信号の確率密
度分布関数を演算し、この検出時の確率密度分布関数
と、予め求めた基準データとの差を演算し、さらにこの
差のセプストラムを求め、これをニューラルネットに学
習させ予め求めた基準値とを比較して、この検出時のセ
プストラムと基準値との比較に応じて放射線レベルを判
定するようにしたので、プストラムは時間遅れの波形が
混在する場合にどのくらいの時間遅れが存在するかを示
す指標であるから、時間遅れが存在するような異常検知
に効果がある。またニューラルネットは正常とした波形
を与えるだけで学習でき、学習の煩雑さを減少できる効
果がある。

【０２１４】また、検出時において、検出信号の確率密
度分布関数を演算し、この検出時の確率密度分布関数
と、予め求めた基準データとの差を演算し、さらにこの
差のセプストラムを求め、これを予め決定したファジー
ルールの基準とを比較して、この比較に応じて放射線レ
ベルを判定するようにしたので、セプストラムは時間遅
れの波形が混在する場合にどのくらいの時間遅れが存在
するかを示す指標であるから、時間遅れが存在するよう
な異常検知に効果がある。またファジールールは波形の
特徴をメンバーシップ関数で表現する煩雑さはあるが、
あいまいな波形を論理で取り扱える特徴があり、きめ細
かな波形認識ができる効果がある。

【０２１５】また、検出時において、検出信号の確率密
度分布関数を演算し、この検出時の確率密度分布関数
と、予め求めた基準データとの差を演算し、さらにこの
差のセプストラムを求め、これを予めパターンの基準値
とを比較して、この検出時のセプストラムと前記基準と
の比較に応じて放射線レベルを判定するようにしたの
で、セプストラムは時間遅れの波形が混在する場合にど
のくらいの時間遅れが存在するかを示す指標であるか
ら、時間遅れが存在するような異常検知に効果がある。
パターン比較は基準パターンをあたえる必要があるが、
基準パターンとの差の検出には極めて優れているという
効果がある。

【０２１６】また、検出時において、検出信号の確率密
度分布関数を演算し、この検出時の確率密度分布関数
と、予め求めた基準データとの差を演算し、さらにこの
差の高次スペクトルを求め、これを予め求めた基準値と
を比較して、この検出時の高次スペクトルと前記基準と
の比較に応じて放射線レベルを判定するようにしたの
で、高次スペクトラムは２波形間の２次干渉を評価する
指標であるから、すなわち、観測される検出信号の特徴
を表すデータを正常時と比較し、２次干渉に異常が表れ
るものを検出する感度が高い効果がある。

【０２１７】また、第１の設定手段を省いて、第１の演
算手段で演算した確率密度分布関数を第２の演算手段へ
直接入力し演算するようにしたので、構成が簡単にな
り、経済的な効果がある。

【図面の簡単な説明】

【図１】 この発明の実施例１による放射線検出装置の
ブロック図である。

【図２】 図１の異常検出装置のブロック図である。

【図３】 この発明の実施例１による異常検出装置のフ
ローチャートである。

【図４】 この発明の実施例１による確率密度分布関数
を示す図である。

【図５】 この発明の実施例１による歪のある確率密度
分布関数を示す図である。

【図６】 この発明の実施例１によるカウントのタイミ
ングを示す図である。

【図７】 この発明の実施例２による異常検出装置のブ
ロック図である。

【図８】 この発明の実施例２による尖度の異なる確率
密度分布関数を示す図である。

【図９】 この発明の実施例３による異常検出装置のブ
ロック図である。

【図１０】 この発明の実施例３によるニューラルネッ
トワークを示す図である。

【図１１】 この発明の実施例４による異常検出装置の
ブロック図である。

【図１２】 この発明の実施例４によるファジールール
を説明する図である。

【図１３】 この発明の実施例５による異常検出装置の
ブロック図である。

【図１４】 この発明の実施例６による異常検出装置の
ブロック図である。

【図１５】 この発明の実施例６による異常検出装置の
フローチャートである。

【図１６】 この発明の実施例６による確率密度分布関
数の差を示す図である。

【図１７】 この発明の実施例７による異常検出装置の
ブロック図である。

【図１８】 この発明の実施例８による異常検出装置の
ブロック図である。

【図１９】 この発明の実施例９による異常検出装置の
ブロック図である。

【図２０】 この発明の実施例９によるファクタル次元
の説明図である。

【図２１】 この発明の実施例１０による異常検出装置
のブロック図である。

【図２２】 この発明の実施例１１による異常検出装置
のブロック図である。

【図２３】 この発明の実施例１２による異常検出装置
のブロック図である。

【図２４】 この発明の実施例１３による異常検出装置
のブロック図である。

【図２５】 この発明の実施例１４による異常検出装置
のブロック図である。

【図２６】 この発明の実施例１５による異常検出装置
のブロック図である。

【図２７】 この発明の実施例１５によるセプストラム
を説明する図である。

【図２８】 この発明の実施例１５によるセプストラム
を示す図である。

【図２９】 この発明の実施例１６による異常検出装置
のブロック図である。

【図３０】 この発明の実施例１７による異常検出装置
のブロック図である。

【図３１】 この発明の実施例１８による異常検出装置
のブロック図である。

【図３２】 この発明の実施例１８による高次スペクト
ラムの説明図である。

【図３３】 この発明の実施例１８による高次スペクト
ラムの説明図である。

【図３４】 この発明の実施例１８による高次スペクト
ラムの説明図である。

【図３５】 従来の放射線検出装置のブロック図であ
る。

【図３６】 放射線レベルとバックグラウンドレベルの
関係を示す図である。

【符号の説明】

１ 被検出対象物、２ 放射線、３ 放射線検出器、４
ケーブル、５ 前置増幅器、６ ケーブル、７ 主増
幅器、８ 波形整形回路、９ レートメータ、１０ 出
力装置、１１ Ａ／Ｄ変換器、１２ 異常検出装置、１
７，２１，２５，３０，３５，４０，４７，５４ 演算
器、１８，２２，２７，３２，３７， 設定器、１９，
２３，２８，３３，３８，４５，５２，５９，６６，７
３，８０，８７，９４，１０１，１０９，１１７，１２
５，１３３ 比較器、２０，２４，２９，３４，３９，
４６，５３，６０，３７，７４，８１，８８，９５，１
０２，１１０，１１８，１２６，１３４ 警報器、２
６，４３，１０７，１３１ ニューラルネットワーク演
算器、３１，３６，５０，５７，１１５，１２３ 特徴
抽出器、

───────────────────────────────────────────────────── フロントページの続き (72)発明者 藤原 博次 神戸市兵庫区和田崎町１丁目１番２号 三 菱電機株式会社制御製作所内

Claims (23)

【特許請求の範囲】
1. 【請求項１】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、上記被検出対象が通常の放
   射線レベルの状態で、上記検出信号の歪度を演算して設
   定値とする設定手段、上記被検出対象の放射線レベルの
   検出時に、上記検出信号の歪度を演算する演算手段、こ
   の演算結果と上記設定値との比較に応じて放射線レベル
   を判定する判定手段を備えたことを特徴とする放射線検
   出装置。
2. 【請求項２】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、上記被検出対象が通常の放
   射線レベルの状態で、上記検出信号の尖度を演算して設
   定値とする設定手段、上記被検出対象の放射線レベルの
   検出時に、上記検出信号の尖度を演算する演算手段、こ
   の演算結果と上記設定値との比較に応じて放射線レベル
   を判定する判定手段を備えたことを特徴とする放射線検
   出装置。
3. 【請求項３】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、上記被検出対象が通常の放
   射線レベルの状態で、上記検出信号の確率密度分布関数
   を演算し、この演算結果をニューラルネットワークに学
   習させた値を設定値とする設定手段、上記被検出対象の
   放射線レベルの検出時に、上記検出信号の確率密度分布
   関数を演算し、この演算結果を上記ニューラルネットワ
   ークで演算する演算手段、この演算結果と上記設定値と
   の比較に応じて放射線レベルを判定する判定手段とを備
   えたことを特徴とする放射線検出装置。
4. 【請求項４】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、予めファジールールの基準
   値を設定する設定手段、上記被検出対象の放射線レベル
   の検出時に、上記検出信号の確率密度分布関数を演算す
   る演算手段、この演算結果と上記設定値との比較に応じ
   て放射線レベルを判定する判定手段を備えたことを特徴
   とする放射線検出装置。
5. 【請求項５】 請求項４において、設定手段は確率密度
   分布関数の波形の頂点に対応する計数値を設定値とする
   と共に、演算手段は確率密度分布関数の波形の頂点に対
   応する計数値を演算する手段としたことを特徴とする放
   射線検出装置。
6. 【請求項６】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、予め基準波形に基づく基準
   値を設定する設定手段、上記被検出対象の放射線レベル
   の検出時に、上記検出信号の確率密度分布関数を演算す
   る演算手段、この演算結果と上記基準値との比較に応じ
   て放射線レベルを判定する判定手段を備えたことを特徴
   とする放射線検出装置。
7. 【請求項７】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、上記被検出対象が通常の放
   射線レベルの状態で、上記検出信号の確率密度分布関数
   を演算し、この演算結果を第１の設定値とする第１の設
   定手段、再度上記被検出対象が通常の放射線レベルの状
   態で、上記検出信号の確率密度分布関数を演算し、この
   演算結果と上記第１の設定値との差をニューラルネット
   ワークに学習させた値を第２の設定値とする第２の設定
   手段、上記被検出対象の放射線レベルの検出時に、上記
   検出信号の確率密度分布関数を演算し、この演算結果と
   上記第１の設定値との差を演算する第１の演算手段、こ
   の第１の演算手段の演算結果を上記ニューラルネットワ
   ークで演算する第２の演算手段、この第２の演算手段の
   演算結果と上記第２の設定値との比較に応じて放射線レ
   ベルを判定する判定手段を備えたことを特徴とする放射
   線検出装置。
8. 【請求項８】 被検出対象からの放射線を検出し検出信
   号を送出する放射線検出器、上記被検出対象が通常の放
   射線レベルの状態で、上記検出信号の確率密度分布関数
   を演算し、この演算結果を第１の設定値とする第１の設
   定手段、予めファジールールの基準値を第２の設定値と
   して設定する第２の設定手段、上記被検出対象の放射線
   レベルの検出時に、上記検出信号の確率密度分布関数を
   演算し、この演算結果と上記第１の設定値との差を演算
   する演算手段、この演算手段の演算結果と上記第２の設
   定値との比較に応じて放射線レベルを判定する判定手段
   を備えたことを特徴とする放射線検出装置。
9. 【請求項９】 請求項８において、第１の設定手段は確
   率密度分布関数の波形の頂点に対応する計数値を第１の
   設定値とすると共に、演算手段は確率密度分布関数の波
   形の頂点に対応する計数値を演算し、この演算結果と上
   記第１の設定値との差を演算する手段としたことを特徴
   とする放射線検出装置。
10. 【請求項１０】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、予め基準波形値を第２の設定値として設定す
    る第２の設定手段、上記被検出対象の放射線レベルの検
    出時に、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差を演算する演算手
    段、この演算手段の演算結果と上記第２の設定値との比
    較に応じて放射線レベルを判定する判定手段を備えたこ
    とを特徴とする放射線検出装置。
11. 【請求項１１】 請求項６または１０において、演算手
    段は確率密度分布関数を演算し、この演算結果の波形を
    平滑化した波形値とて出力する手段としたことを特徴と
    する放射線検出装置。
12. 【請求項１２】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差のフラクタル次元
    を演算し、この演算結果を第２の設定値とする第２の設
    定手段、上記被検出対象の放射線レベルの検出時に、上
    記検出信号の確率密度分布関数を演算し、この演算結果
    と上記第１の設定値との差を演算する第１の演算手段、
    この第１の演算手段の演算結果のフラクタル次元を演算
    する第２の演算手段、この第２の演算手段の演算結果と
    上記第２の設定値との比較に応じて放射線レベルを判定
    する判定手段を備えたことを特徴とする放射線検出装
    置。
13. 【請求項１３】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差のカルバック情報
    量を演算し、この演算結果を第２の設定値とする第２の
    設定手段、上記被検出対象の放射線レベルの検出時に、
    上記検出信号の確率密度分布関数を演算し、この演算結
    果と上記第１の設定値との差を演算する第１の演算手
    段、この第１の演算手段の演算結果のカルバック情報量
    を演算する第２の演算手段、この第２の演算手段の演算
    結果と上記第２の設定値との比較に応じて放射線レベル
    を判定する判定手段を備えたことを特徴とする放射線検
    出装置。
14. 【請求項１４】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の平均値を演算
    し、この演算結果を第２の設定値とする第２の設定手
    段、上記被検出対象の放射線レベルの検出時に、上記検
    出信号の確率密度分布関数を演算し、この演算結果と上
    記第１の設定値との差を演算する第１の演算手段、この
    第１の演算手段の演算結果の平均値を演算する第２の演
    算手段、この第２の演算手段の演算結果と上記第２の設
    定値との比較に応じて放射線レベルを判定する判定手段
    を備えたことを特徴とする放射線検出装置。
15. 【請求項１５】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の分散値を演算
    し、この演算結果を第２の設定値とする第２の設定手
    段、上記被検出対象の放射線レベルの検出時に、上記検
    出信号の確率密度分布関数を演算し、この演算結果と上
    記第１の設定値との差を演算する第１の演算手段、この
    第１の演算手段の演算結果の分散値を演算する第２の演
    算手段、この第２の演算手段の演算結果と上記第２の設
    定値との比較に応じて放射線レベルを判定する判定手段
    を備えたことを特徴とする放射線検出装置。
16. 【請求項１６】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の歪度を演算し、
    この演算結果を第２の設定値とする第２の設定手段、上
    記被検出対象の放射線レベルの検出時に、上記検出信号
    の確率密度分布関数を演算し、この演算結果と上記第１
    の設定値との差を演算する第１の演算手段、この第１の
    演算手段の演算結果の歪度を演算する第２の演算手段、
    この第２の演算手段の演算結果と上記第２の設定値との
    比較に応じて放射線レベルを判定する判定手段を備えた
    ことを特徴とする放射線検出装置。
17. 【請求項１７】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の尖度を演算し、
    この演算結果を第２の設定値とする第２の設定手段、上
    記被検出対象の放射線レベルの検出時に、上記検出信号
    の確率密度分布関数を演算し、この演算結果と上記第１
    の設定値との差を演算する第１の演算手段、この第１の
    演算手段の演算結果の尖度を演算する第２の演算手段、
    この第２の演算手段の演算結果と上記第２の設定値との
    比較に応じて放射線レベルを判定する判定手段を備えた
    ことを特徴とする放射線検出装置。
18. 【請求項１８】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差のセプストラムを
    求めてニューラルネットワークに学習させた値を第２の
    設定値とする第２の設定手段、上記被検出対象の放射線
    レベルの検出時に、上記検出信号の確率密度分布関数を
    演算し、この演算結果と上記第１の設定値との差を演算
    する第１の演算手段、この第１の演算手段の演算結果の
    セプストラムを上記ニューラルネットワークで演算する
    第２の演算手段、この第２の演算手段の演算結果と上記
    第２の設定値との比較に応じて放射線レベルを判定する
    判定手段を備えたことを特徴とする放射線検出装置。
19. 【請求項１９】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、予めファジールールの基準値を第２の設定値
    として設定する第２の設定手段、上記被検出対象の放射
    線レベルの検出時に、上記検出信号の確率密度分布関数
    を演算し、この演算結果と上記第１の設定値との差を演
    算する第１の演算手段、この演算結果と上記第１の設定
    値との差のセプストラムを演算する第２の演算手段、こ
    の第２の演算手段の演算結果と上記第２の設定値との比
    較に応じて放射線レベルを判定する判定手段を備えたこ
    とを特徴とする放射線検出装置。
20. 【請求項２０】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、予め基準波形値を第２の設定値として設定す
    る第２の設定手段、上記被検出対象の放射線レベルの検
    出時に、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差を演算する第１の
    演算手段、この演算結果のセプストラムを演算する第２
    の演算手段、この第２の演算手段の演算結果と上記第２
    の設定値との比較に応じて放射線レベルを判定する判定
    手段を備えたことを特徴とする放射線検出装置。
21. 【請求項２１】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の高次スペクトラ
    ムを求めてニューラルネットワークに学習させた値を第
    ２の設定値とする第２の設定手段、上記被検出対象の放
    射線レベルの検出時に、上記検出信号の確率密度分布関
    数を演算し、この演算結果と上記第１の設定値との差を
    演算する第１の演算手段、この第１の演算手段の演算結
    果の高次スペクトラムを上記ニューラルネットワークで
    演算する第２の演算手段、この第２の演算手段の演算結
    果と上記第２の設定値との比較に応じて放射線レベルを
    判定する判定手段を備えたことを特徴とする放射線検出
    装置。
22. 【請求項２２】 被検出対象からの放射線を検出し検出
    信号を送出する放射線検出器、上記被検出対象が通常の
    放射線レベルの状態で、上記検出信号の確率密度分布関
    数を演算し、この演算結果を第１の設定値とする第１の
    設定手段、再度上記被検出対象が通常の放射線レベルの
    状態で、上記検出信号の確率密度分布関数を演算し、こ
    の演算結果と上記第１の設定値との差の高次スペクトラ
    ムを求め第２の設定値とする第２の設定手段、上記被検
    出対象の放射線レベルの検出時に、上記検出信号の確率
    密度分布関数を演算し、この演算結果と上記第１の設定
    値との差を演算する第１の演算手段、この第１の演算手
    段の演算結果の高次スペクトラムを演算する第２の演算
    手段、この第２の演算手段の演算結果と上記第２の設定
    値との比較に応じて放射線レベルを判定する判定手段を
    備えたことを特徴とする放射線検出装置。
23. 【請求項２３】 請求項１２〜１５、１８〜２２のいず
    れか１項において、第１の設定手段、第１の演算手段、
    および第２の演算手段の構成を、第１の演算手段および
    第２の演算手段の構成とし、第１の演算手段は、確率密
    度分布関数を演算する手段とし、第２の演算手段は、こ
    の演算した確率密度分布関数を入力として所定の演算を
    する手段としたことを特徴とする放射線検出装置。