JPS60171507A - プラントの異常診断方法 - Google Patents
プラントの異常診断方法Info
- Publication number
- JPS60171507A JPS60171507A JP59026097A JP2609784A JPS60171507A JP S60171507 A JPS60171507 A JP S60171507A JP 59026097 A JP59026097 A JP 59026097A JP 2609784 A JP2609784 A JP 2609784A JP S60171507 A JPS60171507 A JP S60171507A
- Authority
- JP
- Japan
- Prior art keywords
- fault
- abnormality
- plant
- failure
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
［発明の技術分野］
本発明は、プラントの異常診断方法、特にプラントに発
生する異常を微少な段階で感度良く検知・診断し、それ
が大きな異常に発展することを早期に防止するようにし
たプラントの異常診断方法に関する。
生する異常を微少な段階で感度良く検知・診断し、それ
が大きな異常に発展することを早期に防止するようにし
たプラントの異常診断方法に関する。
［発明の技術的背景とその問題点］
例えば、原子力発電プラントの状態を常時監視し、異常
発生の検出とその原因判別を迅速且つ的確に行なうこと
は、原子力発電プラントの稼動率を向上し、運転の信頼
性を高めることになる。そのために、原子力発止、プラ
ントの異常を如何にして早期に検出することができるか
について種々の異常診断方法が提案されている。
発生の検出とその原因判別を迅速且つ的確に行なうこと
は、原子力発電プラントの稼動率を向上し、運転の信頼
性を高めることになる。そのために、原子力発止、プラ
ントの異常を如何にして早期に検出することができるか
について種々の異常診断方法が提案されている。
ところで、プラントの異常診断方法に関する従来の技術
を大別すると、（１）、定常状態を仮定してプラントか
らの時系列データのフーリエ変換によりパワー・スペク
トル密度（ＰＳＤ）をめ、これと基準パワー・スペクト
ル密度との走により異常を検知し、また、その変化ハタ
ーンより異猟原因を究明する異常診断方法１（２）％予
じめシステムの動特性を現わすモデルを用意しておき、
そのモデルによる予測値とプラントからの観測値がずれ
た場合に異常と做す異常診断方法とに分けることができ
る。
を大別すると、（１）、定常状態を仮定してプラントか
らの時系列データのフーリエ変換によりパワー・スペク
トル密度（ＰＳＤ）をめ、これと基準パワー・スペクト
ル密度との走により異常を検知し、また、その変化ハタ
ーンより異猟原因を究明する異常診断方法１（２）％予
じめシステムの動特性を現わすモデルを用意しておき、
そのモデルによる予測値とプラントからの観測値がずれ
た場合に異常と做す異常診断方法とに分けることができ
る。
一方、早期異常診断という観点からみると、（ａ）、異
常検出感度が優れていること、（ｂ）迅速な異常検知・
診断ができること、（Ｃ）原因究明のための種々の情報
が得られることが挙けられるが、前記（１）の異常診断
方法は、（ａ）異常検出感度が優れている点と（Ｃ）原
因究明のための棟々の情報が得られる点では優れている
が、定常性を仮定するため、突発的に発生する異常等に
対しては（ｂ）迅速な異常検知・診断の面から不十分で
ある。また、前記（２）の異常診断方法はモデルが笑機
の動特性を十分精密に表現していれば、前記（ａ）〜（
ｂ）の特徴を備えた有利な異常診断方法になるが、一般
には定常状態でのプラントの各信号の変動状態を含めて
これを正確に表現するモデルを得る事は非常に雌かしい
。しかしながら、この様な正確なモデルを得ることがで
きれば、このモデルによる予測値と観測値との差は、プ
ラントに発生する予期しない外乱や異常発生をきわめて
敏感に表現することが期待される。
常検出感度が優れていること、（ｂ）迅速な異常検知・
診断ができること、（Ｃ）原因究明のための種々の情報
が得られることが挙けられるが、前記（１）の異常診断
方法は、（ａ）異常検出感度が優れている点と（Ｃ）原
因究明のための棟々の情報が得られる点では優れている
が、定常性を仮定するため、突発的に発生する異常等に
対しては（ｂ）迅速な異常検知・診断の面から不十分で
ある。また、前記（２）の異常診断方法はモデルが笑機
の動特性を十分精密に表現していれば、前記（ａ）〜（
ｂ）の特徴を備えた有利な異常診断方法になるが、一般
には定常状態でのプラントの各信号の変動状態を含めて
これを正確に表現するモデルを得る事は非常に雌かしい
。しかしながら、この様な正確なモデルを得ることがで
きれば、このモデルによる予測値と観測値との差は、プ
ラントに発生する予期しない外乱や異常発生をきわめて
敏感に表現することが期待される。
通常、観測信号の変化だけを見ている場合、わずかの外
乱の印加は、定常変動の中に隠れてしまい検知すること
はむづかしいが、前記（２〕のように、定常変動も含め
てモデル化しておき、このモデルからの予測値と観測値
の差をとれば小さな外乱でも感度良く検知できることが
期待できる。
乱の印加は、定常変動の中に隠れてしまい検知すること
はむづかしいが、前記（２〕のように、定常変動も含め
てモデル化しておき、このモデルからの予測値と観測値
の差をとれば小さな外乱でも感度良く検知できることが
期待できる。
従来、このような定常変動も答めたモデリングの方法と
して自己回帰モデル（以下ＡＲモデルという）が多く用
いられていた。これらのＡＩ（モデルは正常状態での観
測信号のゆらぎ成分から一定のアルゴリズムではソ自動
的に同定できるものである。
して自己回帰モデル（以下ＡＲモデルという）が多く用
いられていた。これらのＡＩ（モデルは正常状態での観
測信号のゆらぎ成分から一定のアルゴリズムではソ自動
的に同定できるものである。
しかしながら、従来の応用は、単変数ＡＲモデルに関す
るもので、多変数ＡＲモデルの応用についてはほとんど
なてれていない。特に、原子カプラントの制御系等にこ
の多変換ＡＲモデルをその′！、ま適用すると、モデル
の同定条件が満たされないことが多く、診断の基準モデ
ルとして用いることのできない場合がしばしば発生して
いプこ。
るもので、多変数ＡＲモデルの応用についてはほとんど
なてれていない。特に、原子カプラントの制御系等にこ
の多変換ＡＲモデルをその′！、ま適用すると、モデル
の同定条件が満たされないことが多く、診断の基準モデ
ルとして用いることのできない場合がしばしば発生して
いプこ。
しかしながら、多変数ＡＲモデルの適用は、単変数ＡＲ
モデルが異常の発生の検知だけにしか利用できないこと
に対し、多変数システム内での異常発生部所を推定でき
るという点で、大きな長所を持っており、プラントの異
常診断への適用が仮留されていた。
モデルが異常の発生の検知だけにしか利用できないこと
に対し、多変数システム内での異常発生部所を推定でき
るという点で、大きな長所を持っており、プラントの異
常診断への適用が仮留されていた。
［発明の目的］
本発明は、上記事情に鑑みてなされたもので、その目的
は一１多数の観測ｍ号を持つプラントに発生する異常を
感度良く検知し、異常発生［有］所を早期に推定するこ
とのできるプラントの異常診断方法を提供するにある。
は一１多数の観測ｍ号を持つプラントに発生する異常を
感度良く検知し、異常発生［有］所を早期に推定するこ
とのできるプラントの異常診断方法を提供するにある。
［発明の概要］
本発明は、上記目的を達成するために、プラントから得
られる複数の信号の変動成分から構造行列を用いて多変
数ＡＲモデルを同だする手段と、このＡＲモデルにより
予測される予測イｐ、と４６号の観測値との升から予６
１１ｊ瞑差の時系列データを算出する手段と、その１・
測癖差の続開的検定により異常発生を検出する手段と、
！１４常検出時に子側誤差の変化から異常発生箇所、異
常発生時間及び異常のタイプを推定する手段より構成さ
れるプラントの異常診断方法に関するものである。
られる複数の信号の変動成分から構造行列を用いて多変
数ＡＲモデルを同だする手段と、このＡＲモデルにより
予測される予測イｐ、と４６号の観測値との升から予６
１１ｊ瞑差の時系列データを算出する手段と、その１・
測癖差の続開的検定により異常発生を検出する手段と、
！１４常検出時に子側誤差の変化から異常発生箇所、異
常発生時間及び異常のタイプを推定する手段より構成さ
れるプラントの異常診断方法に関するものである。
［発明の実施例］
本発明の一実施例を第１図のシステムフローチャートに
ついて説明す小。
ついて説明す小。
第１図において、プラントの診断開始指令が出されると
、ブロック１ではｐ個の観測信号について、各々ザンプ
リング周期△を秒でＮ個の時系列データ（ｘｉ（ｔ）＋
ｊ＝１＋ ２＋ ”’＋ Ｎ＋ １＝：ｌ、 ２１
”’＋ ｐ）をとりこむ。次に、ブロック２ではこれら
のｐ個の観測信号間の伝達経路の存在を先験的に指定す
る構造行列をシステムに入力する。ところで、この構造
行列（ｒｉｊ ＋ ’＝Ｌ ２＋ ”’＋ Ｐ＋ Ｊ＝
＝ｌ、 ２＋ ”’＋ Ｐ）は次のように定義される。
、ブロック１ではｐ個の観測信号について、各々ザンプ
リング周期△を秒でＮ個の時系列データ（ｘｉ（ｔ）＋
ｊ＝１＋ ２＋ ”’＋ Ｎ＋ １＝：ｌ、 ２１
”’＋ ｐ）をとりこむ。次に、ブロック２ではこれら
のｐ個の観測信号間の伝達経路の存在を先験的に指定す
る構造行列をシステムに入力する。ところで、この構造
行列（ｒｉｊ ＋ ’＝Ｌ ２＋ ”’＋ Ｐ＋ Ｊ＝
＝ｌ、 ２＋ ”’＋ Ｐ）は次のように定義される。
ｒ１ｊ＝０：信号ｘｊ−４ｘ１に面接の伝達経路が存在
しない。
しない。
γｇ＝１：＠号Ｘｊ→ｘ１に直接の伝達経路が存在する
。
。
γ１ｊ＝−１：伯号ｘｊ−＋ｘ１の伝達経路に零回帰項
か存在する。
か存在する。
この構造行列を用いると、多次元自己回帰モデルは次の
（１）式で表わすことができる。
（１）式で表わすことができる。
たソしく＋＝１．２．・・・、Ｐ）
ここで、γ１ｊ＝−１のときのみ５１ｊ＝０であり、そ
の他の場合５１ｊ−１である。５１ｊ＝０の場合（］）
式右辺にａｌｊ（０） Ｘｊ（ｔ）という回帰項が現わ
れるが、これを零回帰項と呼んでいる。
の他の場合５１ｊ−１である。５１ｊ＝０の場合（］）
式右辺にａｌｊ（０） Ｘｊ（ｔ）という回帰項が現わ
れるが、これを零回帰項と呼んでいる。
次に、ブロック３ではＰｘＮ個の時系列データから（１
）式で与えられる人Ｒモデル内の未知係数ａ１ｊ（ｍ）
及びＡＲ次数Ｍ１を次の手順に従って同定する０ まず、ＡＲ係数ａ１ｊ（ｍ）は、次の（２）式の損失関
数（たソしｉ＝１．２．・・・、Ｐ） を最小にするように決められる。これは、（２）式を各
ａ１ｊ（ｍ）について微分して零とおくことにより達成
され、次の（８）式の代数方程式を得る事ができる。
）式で与えられる人Ｒモデル内の未知係数ａ１ｊ（ｍ）
及びＡＲ次数Ｍ１を次の手順に従って同定する０ まず、ＡＲ係数ａ１ｊ（ｍ）は、次の（２）式の損失関
数（たソしｉ＝１．２．・・・、Ｐ） を最小にするように決められる。これは、（２）式を各
ａ１ｊ（ｍ）について微分して零とおくことにより達成
され、次の（８）式の代数方程式を得る事ができる。
（たソしｒ＝ｘ、２．・・−Ｐ、に＝１％２．・・・Ｐ
＋ ’ ＝’ｉｋ ｌ Ｓｉｋ＋１＋・・Ｍｔ）この（
８１式の代数方程式を得ること（二より、係数ａ１ｊ（
ｍ）をめることができる。また、このときの予測誤差は
前記（２）式を用いて下記（４）式により得ることがで
きる。
＋ ’ ＝’ｉｋ ｌ Ｓｉｋ＋１＋・・Ｍｔ）この（
８１式の代数方程式を得ること（二より、係数ａ１ｊ（
ｍ）をめることができる。また、このときの予測誤差は
前記（２）式を用いて下記（４）式により得ることがで
きる。
ここで、ｃｌｊ（１）は次の（５）式で定義される相関
々数である。
々数である。
また、前記（１）式内のもうひとつの未知数Ｍｌは下記
（６）式で現わされる最終予測誤差を最小にするＭｌと
して自動的（二決定される。
（６）式で現わされる最終予測誤差を最小にするＭｌと
して自動的（二決定される。
（但し、１＝ｘ＝ｘ、 ２．・・・、Ｐ）以上述べた方
法により前記（１）式で与えられるＡＲモデルを観測デ
ータｘ１（ｔ）より自動的に決定することができる。と
くに、構造行列γ１ｊを導入したことにより前記（１）
式のＡＲモデルが診断対象であるシステム本来の物理モ
デルにより近いものになり、また、前記（６）式に従っ
て各観測信号ｘ１（ｔ）のＡＲモデルごとに次数Ｍ１を
変えることによりモデルの予測ｍ度を大きく改善するこ
とができ、従来の構造行列を用いない単なるＡＲモデル
（ｒｌｊをすべて１９Ｍ１をずべて共通にしたもの）に
比べて大きくモデル精度を改善することができる。
法により前記（１）式で与えられるＡＲモデルを観測デ
ータｘ１（ｔ）より自動的に決定することができる。と
くに、構造行列γ１ｊを導入したことにより前記（１）
式のＡＲモデルが診断対象であるシステム本来の物理モ
デルにより近いものになり、また、前記（６）式に従っ
て各観測信号ｘ１（ｔ）のＡＲモデルごとに次数Ｍ１を
変えることによりモデルの予測ｍ度を大きく改善するこ
とができ、従来の構造行列を用いない単なるＡＲモデル
（ｒｌｊをすべて１９Ｍ１をずべて共通にしたもの）に
比べて大きくモデル精度を改善することができる。
さらに、ブロック４以下では、上記手順により得られた
ＡＲモデルを基準にプラントの診断を実行する。すなわ
ち、ブロック４ではある時点ｔでのＰ信号の観測データ
をとりこみ、次のブロック５で予測誤差εｉ（りを計算
するが、これは次の（７）式の手順による。
ＡＲモデルを基準にプラントの診断を実行する。すなわ
ち、ブロック４ではある時点ｔでのＰ信号の観測データ
をとりこみ、次のブロック５で予測誤差εｉ（りを計算
するが、これは次の（７）式の手順による。
ここで、 ｘｌ（ｔ）は信号ｉの観測値、ｖ１（ｔ）は
予測誤差＋ ９１（’）はｘｌ（１）の条件付推定値、
９１（１）はＸｌ（ｔ）の最適推定値＋ Ｋｉｊは予じ
め適当に設定するゲイン行列である。直観的な説明とし
て仮にＫｎ ＝ １．’０とすると、ｘｌ（Ｕ＝Ｘ１
（ｉ）となり、Ｋ１１＝０．０とすると、ぐ１（ｔ）
＝ ＸＩ （ｔ）となる。これは、観測値Ｘ１（ｔ）が
観測ノイズを含まない完全に信頼できる値だとした場合
、最適推定値全１（ｔ）は、観測値ｘ１（ｔ）そのもの
になり、逆にｘｌ（ｔ）が観測ノイズばかりを含むとし
た場合、 ｘｌ（ｔ）は、条件付予測値々１（ｔ）で表
わされることを示している。
予測誤差＋ ９１（’）はｘｌ（１）の条件付推定値、
９１（１）はＸｌ（ｔ）の最適推定値＋ Ｋｉｊは予じ
め適当に設定するゲイン行列である。直観的な説明とし
て仮にＫｎ ＝ １．’０とすると、ｘｌ（Ｕ＝Ｘ１
（ｉ）となり、Ｋ１１＝０．０とすると、ぐ１（ｔ）
＝ ＸＩ （ｔ）となる。これは、観測値Ｘ１（ｔ）が
観測ノイズを含まない完全に信頼できる値だとした場合
、最適推定値全１（ｔ）は、観測値ｘ１（ｔ）そのもの
になり、逆にｘｌ（ｔ）が観測ノイズばかりを含むとし
た場合、 ｘｌ（ｔ）は、条件付予測値々１（ｔ）で表
わされることを示している。
こうして刊られた予測誤差ｖ１（ｔ）は異常発生がなけ
れば白色になる。一方、異常発生が起こった場合、観測
デー°夕は正常な状態で作成したＡＲモデルである前記
（１）式を用いて前記（７）式で予測した値からずれる
ために、非白色になる事が期待される０ ブロック６では、前記の原理を利用して白色性の検定を
行なう。この白色性検定手法としては、ここでは、最新
のＮｏ個の予測誤差列（ε１（ｔ’） 、 ｔ’＝ｔ−
Ｎ０＋ｌ、 ｔ−Ｎｏ＋２． ・ｔ）を用いて次の（８
）式で表わされる量を計算する。
れば白色になる。一方、異常発生が起こった場合、観測
デー°夕は正常な状態で作成したＡＲモデルである前記
（１）式を用いて前記（７）式で予測した値からずれる
ために、非白色になる事が期待される０ ブロック６では、前記の原理を利用して白色性の検定を
行なう。この白色性検定手法としては、ここでは、最新
のＮｏ個の予測誤差列（ε１（ｔ’） 、 ｔ’＝ｔ−
Ｎ０＋ｌ、 ｔ−Ｎｏ＋２． ・ｔ）を用いて次の（８
）式で表わされる量を計算する。
たｙし、ｉ＝１．２．・・・Ｐ
（１）
このＣ１は、 ｖｌ（ｔ）が白色ノイズの場合、自由度
Ｎ、のｘ２分布に従うことが知られている。
Ｎ、のｘ２分布に従うことが知られている。
従って、ブロック７で行なう異常検知は、有意水準αで
の検定を行なう場合下記（９）式の東件で異常とみなす
ものである０ （１） Ｃ１≧４．（α） −−−−−−一−−−−−−−−−
−−−（，９Ｉここで ｘ％。（α）はｘ２テーブルに
おいて、有意水準αでの値を示すものである。また、上
記（９）弐ζ二基づく異笥判定はｘ２分布を正規分布で
近似することにより下記（１０）式の判定式におきかえ
ることができる。
の検定を行なう場合下記（９）式の東件で異常とみなす
ものである０ （１） Ｃ１≧４．（α） −−−−−−一−−−−−−−−−
−−−（，９Ｉここで ｘ％。（α）はｘ２テーブルに
おいて、有意水準αでの値を示すものである。また、上
記（９）弐ζ二基づく異笥判定はｘ２分布を正規分布で
近似することにより下記（１０）式の判定式におきかえ
ることができる。
ここで、ｋは正常での標準偏差のに倍が異常判定しきい
値になることを意味している。実用レベルでの診断に際
しては上記（９）式に基づいた正確な検定でなく、この
叫式のよラカ拘易的な検定で十このようにして、異常が
検知された場合、フ゛ロック８では異常発生′箇所９時
間、大きさの推定を行なうわけであるが、その推定方法
を次（＝述べる。
値になることを意味している。実用レベルでの診断に際
しては上記（９）式に基づいた正確な検定でなく、この
叫式のよラカ拘易的な検定で十このようにして、異常が
検知された場合、フ゛ロック８では異常発生′箇所９時
間、大きさの推定を行なうわけであるが、その推定方法
を次（＝述べる。
このためには、まず、上記（１）式において起こり得る
故障のタイプを設定する必要がある。
故障のタイプを設定する必要がある。
そこで、本発明は次の故障タイプを仮定してしＡるＯ
（システム故障）
（観測器故障）
但し、ｉ＝１．２．・・・、Ｐである。また、ｆｔ、、
は故障の時間的変化を表わす関数であり、例えば、ステ
ップ状故障の場合、θを故障発生時間として、ｆｉ、５
＝１ ’（ｔ≧θ） ’ｔ、６＝０ （ｔ＜θ） と表現できる。また、パルス状故障は （、、＝’ｌ （ｔ＝θ） ｆ、、＝Ｑ （ｔ！ｑθ） と表現できる。またν１は故障の大きさである。
は故障の時間的変化を表わす関数であり、例えば、ステ
ップ状故障の場合、θを故障発生時間として、ｆｉ、５
＝１ ’（ｔ≧θ） ’ｔ、６＝０ （ｔ＜θ） と表現できる。また、パルス状故障は （、、＝’ｌ （ｔ＝θ） ｆ、、＝Ｑ （ｔ！ｑθ） と表現できる。またν１は故障の大きさである。
さらに、ｘｌ（’Ｌ ”ｔ（ｔ）は各々観測値状態量を
表わす変数であり、正常時は両者は一致するものとして
いる。上式（ＩＯＡＸＩＯＢ）で表わきれる故障をまと
めると次のものである。
表わす変数であり、正常時は両者は一致するものとして
いる。上式（ＩＯＡＸＩＯＢ）で表わきれる故障をまと
めると次のものである。
（１）故障タイプｆｔ、で与メられる時間変化（ステッ
プ状パルス状等） （２） システム故障か観測器故障 （８） 故障発生時間 θ （４）故障の大きさブー〔シｌ、シ２．・・・シ、〕１
上式（ＩＯＡＸＩＯＢ）のような故障モデルを仮定した
場合、異常が発生しなかったとした場合の予測誤羨をω
（ｔ）、異常発生があったとした場合の予測誤差なり（
ｔ）とすると、両者の関係は、下記αη式で表わすこと
ができる。
プ状パルス状等） （２） システム故障か観測器故障 （８） 故障発生時間 θ （４）故障の大きさブー〔シｌ、シ２．・・・シ、〕１
上式（ＩＯＡＸＩＯＢ）のような故障モデルを仮定した
場合、異常が発生しなかったとした場合の予測誤羨をω
（ｔ）、異常発生があったとした場合の予測誤差なり（
ｔ）とすると、両者の関係は、下記αη式で表わすこと
ができる。
ｖ（ｔ）＝ ｏ（ｔ−θ）ν＋ω（ｔ） −−−−−−
−−−−−−９℃ここで、Ｇ（ｔ＋１７）は故障指示行
列と呼ばれ、次の（１ｚ）式のように計算しておくこと
ができる。
−−−−−−９℃ここで、Ｇ（ｔ＋１７）は故障指示行
列と呼ばれ、次の（１ｚ）式のように計算しておくこと
ができる。
但し、■は単位行列、には（７）式のに１ｊを要素とす
る行列、Ａｏは（１）式のａｌｊ（ｏ）を袈素とする行
列。
る行列、Ａｏは（１）式のａｌｊ（ｏ）を袈素とする行
列。
Ａ （ｍ ）は（１）式のａｌｊ（ｍ）を要素とする行
列＋ ’に、ｌは（ＩＯＡＸＩＯＢ）で用いた故障の時
間変化を表わす関数である。またＮｏは適当な定数であ
るが、本発明では上記（８ン式のＮｏと同じ値を用いて
いる。また、■は単位行列である。これにより故障指示
行列を予じめ故障タイプｆｔ、、ごとに計算しておくこ
とができる。但しｔ−θ〈０の場合Ｇ（ｋ−θ）＝０で
ある。
列＋ ’に、ｌは（ＩＯＡＸＩＯＢ）で用いた故障の時
間変化を表わす関数である。またＮｏは適当な定数であ
るが、本発明では上記（８ン式のＮｏと同じ値を用いて
いる。また、■は単位行列である。これにより故障指示
行列を予じめ故障タイプｆｔ、、ごとに計算しておくこ
とができる。但しｔ−θ〈０の場合Ｇ（ｋ−θ）＝０で
ある。
ここで、システムに故障が発生したと仮定した場合の予
測誤差列の尤度関数をめる。これは上記００式のω（１
）が正規分布に従うことを用いると、下記（１Ｂ）式と
なる。
測誤差列の尤度関数をめる。これは上記００式のω（１
）が正規分布に従うことを用いると、下記（１Ｂ）式と
なる。
Ｌ ＜ｏｒ ｖ ）−Ｋ ｅｘｐ ｃ −’ ｉ （ｖ
＜Ｊ＞−Ｇ（ｊ−ｏ＞ｖ ）ｊ−１ Σ７（■（ｔ）−Ｇ（ｊ−θ）ν）〕・・・０９）さら
に、この対数尤度関数をめると下記惺）式％式％ ） ）） ］） ここで、ΣＶは予測誤差列の共分散行列であり、その要
素は上記（４）式で与えられる。この尤度を最大にする
ν及びθが故障の大きさ及び発生時間を示す最適推定値
になるわけであるが、νについては上記（１４）式をν
について微分して零とおくことにより下記（内式が得ら
れる。
＜Ｊ＞−Ｇ（ｊ−ｏ＞ｖ ）ｊ−１ Σ７（■（ｔ）−Ｇ（ｊ−θ）ν）〕・・・０９）さら
に、この対数尤度関数をめると下記惺）式％式％ ） ）） ］） ここで、ΣＶは予測誤差列の共分散行列であり、その要
素は上記（４）式で与えられる。この尤度を最大にする
ν及びθが故障の大きさ及び発生時間を示す最適推定値
になるわけであるが、νについては上記（１４）式をν
について微分して零とおくことにより下記（内式が得ら
れる。
′ｊン’＝ｃ−１（ｔ：’ｉゝ）イ（ｔ：θ＞−−−−
−〜−−−−−−−−−（向上記（Ｉ５）式を上記圓式
に戻すと、下記（１７）式となるｌ（θ、ν）＝ｃｏｎ
ｌｌｔ＋’ｄＴ（ｔ：０）ｃ−１（ｔ：ａ）ｄ（ｔ：θ
） ・・・（１７）この上記（１７）式を最大にするθ
が故障発生時間であり、具体的にはθ＝１．・・・、ｔ
について上記μ７）式の右辺第二項を割算することによ
りｔかめられる０ また、（ＩＯＡＸＩＯＢ）式で述べた故障タイプについ
ても各々１（θ、ν）をめ、その最大となる故障タイプ
が最適なタイプとして推定可能（：なる。
−〜−−−−−−−−−（向上記（Ｉ５）式を上記圓式
に戻すと、下記（１７）式となるｌ（θ、ν）＝ｃｏｎ
ｌｌｔ＋’ｄＴ（ｔ：０）ｃ−１（ｔ：ａ）ｄ（ｔ：θ
） ・・・（１７）この上記（１７）式を最大にするθ
が故障発生時間であり、具体的にはθ＝１．・・・、ｔ
について上記μ７）式の右辺第二項を割算することによ
りｔかめられる０ また、（ＩＯＡＸＩＯＢ）式で述べた故障タイプについ
ても各々１（θ、ν）をめ、その最大となる故障タイプ
が最適なタイプとして推定可能（：なる。
以上の＝＋算において、上記（１６） 、 ｔｌ？）式
でｊ＝１〜ｔの和が出てくるが、これをそのまオ行なう
とｋの増加とともにその割算自体も不可能になるので、
適当ガラインドウ幅Ｎｏを設定しｓ Ｊ ＝ｔ −Ｎ６
＋ １〜ｔの範囲で第１」をとるという近似を行なっ
ている。
でｊ＝１〜ｔの和が出てくるが、これをそのまオ行なう
とｋの増加とともにその割算自体も不可能になるので、
適当ガラインドウ幅Ｎｏを設定しｓ Ｊ ＝ｔ −Ｎ６
＋ １〜ｔの範囲で第１」をとるという近似を行なっ
ている。
このような推定方法では、故障の大きさ少、故障発生時
間？及び故障タイプが異常の要因として推定されるわけ
であるが１本発明では、これを、さらに限定して、故障
発生箇所を次の方式により推定する。
間？及び故障タイプが異常の要因として推定されるわけ
であるが１本発明では、これを、さらに限定して、故障
発生箇所を次の方式により推定する。
まず、故障の大きさνを下記（ト）式のよう（二仮定す
る。
る。
）＝〔シ□δ□１．シ、δ２．＋ ’−−−−−シｐａ
ｐａ３Ｔ−−−−−−−（１Ｂ）ここで、δ１．はｉ−
αのときのみ１であり、故障発生をチャンネルαに限定
している事になる。
ｐａ３Ｔ−−−−−−−（１Ｂ）ここで、δ１．はｉ−
αのときのみ１であり、故障発生をチャンネルαに限定
している事になる。
このとき上記０５）式の代りに下記ＩＩ（１１により故
障の大きさが推定できる。
障の大きさが推定できる。
νＱ＝ｂ合（を二〇）／峠（ｔ：θ＞ −−−−−−−
−−−−−−−α窃また上記（１７）式の代りに下記■
式を最大にするように故障発生チャンネル金、故障発生
時間舎及び故障タイプが推定できる。
−−−−−−−α窃また上記（１７）式の代りに下記■
式を最大にするように故障発生チャンネル金、故障発生
時間舎及び故障タイプが推定できる。
１２ 。
１、（ｔ：０）＝ｃｏ口ｓ ｔ ＋２ ｂ ｔｘ（ｔ
、θ）、／ａ、（ｔ：θ）−一一−−−−−−−−ψ値 上記翰式で力えられる１ａ（ｔ、θ）は、（α＝１．２
゜・・・Ｐ）、故障タイプＣｒｔ、６で任意に指定１例
えばステップ状やパルス状とする）、故障発生時間（θ
＝ ｔ−Ｎｏ＋ｌ、 ｔ−Ｎｏ＋２． ・ｔ ）という
故障モード各々について値が得られ、これを最大にする
１匿として故障発生チャンネル、故障タイプ、故障発生
時間がまる。また、この時の故障の大きさは上記（１９
）式により得られる。このように、故障発生チャンネル
の推定には複雑な計算を必要とするが、これを簡略化し
た形で行なうために、異常検知時の（１） 上記（８）式の値に注目し、Ｃｔ＋（’＝Ｌ・・・、Ｐ
）を最大にするチャンネルｉを故障チャンネルとみなす
方法も考えられる。このような方法も簡便かつ有力な方
法として実用上役立つものである。
、θ）、／ａ、（ｔ：θ）−一一−−−−−−−−ψ値 上記翰式で力えられる１ａ（ｔ、θ）は、（α＝１．２
゜・・・Ｐ）、故障タイプＣｒｔ、６で任意に指定１例
えばステップ状やパルス状とする）、故障発生時間（θ
＝ ｔ−Ｎｏ＋ｌ、 ｔ−Ｎｏ＋２． ・ｔ ）という
故障モード各々について値が得られ、これを最大にする
１匿として故障発生チャンネル、故障タイプ、故障発生
時間がまる。また、この時の故障の大きさは上記（１９
）式により得られる。このように、故障発生チャンネル
の推定には複雑な計算を必要とするが、これを簡略化し
た形で行なうために、異常検知時の（１） 上記（８）式の値に注目し、Ｃｔ＋（’＝Ｌ・・・、Ｐ
）を最大にするチャンネルｉを故障チャンネルとみなす
方法も考えられる。このような方法も簡便かつ有力な方
法として実用上役立つものである。
Ｍ稜にブロック９においては、ブロック７で異常が検出
されるとともにアラームが出力され、さらに診断結果と
して第２図に示したような故障発生信号に関する生デー
タと予測値の比較、予測誤差及び上記（８）式の異′吊
検知指標及び故障発生時間（矢印）が表示される。
されるとともにアラームが出力され、さらに診断結果と
して第２図に示したような故障発生信号に関する生デー
タと予測値の比較、予測誤差及び上記（８）式の異′吊
検知指標及び故障発生時間（矢印）が表示される。
次に、具体側１として沸ルま水膨原子炉の圧力制御系か
ら得られる加減弁位置信号（ＣＶ ＰＯ８ＩＴＩＯＮ
）。
ら得られる加減弁位置信号（ＣＶ ＰＯ８ＩＴＩＯＮ
）。
加減弁制御信号（ＣＶ Ｃ０ＮＴＲ０Ｌ ） 、タービ
ン入口圧力信号（ＴＴＪＲＢ ＰＲＨ８Ｓ ） 、 ト
ー ム圧力信号（ＤＯＭＥＰＲＥ８Ｓ ） 、中性子束
信号（ＡＰＲＭ ）の主イｉ号に対して第１図で示す本
発明のプラントの異常診断方法をあてはめた結果を第３
図〜第４図に示す。
ン入口圧力信号（ＴＴＪＲＢ ＰＲＨ８Ｓ ） 、 ト
ー ム圧力信号（ＤＯＭＥＰＲＥ８Ｓ ） 、中性子束
信号（ＡＰＲＭ ）の主イｉ号に対して第１図で示す本
発明のプラントの異常診断方法をあてはめた結果を第３
図〜第４図に示す。
ところで、圧力制御系は、加減弁位置を操作してタービ
ン入口圧力を一定に保つような構成になっており、さら
に、主蒸気管を介してドーム圧力及び炉心出力（これは
中性子束信号で代我される）（二影響を与えている。
ン入口圧力を一定に保つような構成になっており、さら
に、主蒸気管を介してドーム圧力及び炉心出力（これは
中性子束信号で代我される）（二影響を与えている。
しかして、第３図は、上記の圧力制御系内でタービン入
口圧力の観測器が故障した例であり、実線が生データの
経時変化、破線がＡＲモデルによる予測値を表わしたも
のである。
口圧力の観測器が故障した例であり、実線が生データの
経時変化、破線がＡＲモデルによる予測値を表わしたも
のである。
一方、第４図は、上記（８）式で与えられる故障検知指
標を示したものであり、破線が異常判定しきい値を示し
ている。この図によればタービン入口圧力信号がしきい
値を越えていることが明瞭であるので、タービン入口圧
力で故障が発生していることがα（ちに分るが、上述の
方法で故障発生チャンネルを検定した結果を下記第１表
に示している。
標を示したものであり、破線が異常判定しきい値を示し
ている。この図によればタービン入口圧力信号がしきい
値を越えていることが明瞭であるので、タービン入口圧
力で故障が発生していることがα（ちに分るが、上述の
方法で故障発生チャンネルを検定した結果を下記第１表
に示している。
第１表
上記第１表によれば、２通りの故障タイプに対して上記
一式で与えられる対数尤度を示したものであるが、これ
を最大にするシステムのステップ状異常のチャンネル３
すなわちタービン入口圧力が故障発生チャンネルと推定
することができ、さらに故障発生時間も２２．５秒と推
定することができる。ここで、タービン入口圧力の観測
器の信号は制御系への入力信号となっているため、観測
器の故障であっても本診〜１システムでは、システム故
障とみなしているがこれは受画な判断である。もしドー
ム圧力の観測器等に故障を起こした場合、これは、観測
器故障と診断されることは勿論である。
一式で与えられる対数尤度を示したものであるが、これ
を最大にするシステムのステップ状異常のチャンネル３
すなわちタービン入口圧力が故障発生チャンネルと推定
することができ、さらに故障発生時間も２２．５秒と推
定することができる。ここで、タービン入口圧力の観測
器の信号は制御系への入力信号となっているため、観測
器の故障であっても本診〜１システムでは、システム故
障とみなしているがこれは受画な判断である。もしドー
ム圧力の観測器等に故障を起こした場合、これは、観測
器故障と診断されることは勿論である。
なお、上記具体例は、沸騰水形原子炉についての例であ
るが、その他のプラントについてもそのプラントの異常
診断については同様な方法で適用できることは勿論であ
る。
るが、その他のプラントについてもそのプラントの異常
診断については同様な方法で適用できることは勿論であ
る。
［発明の効果コ
以上説明したように、本発明によれば、プラントの異常
を軽微な段階できわめて感度良く検出し。
を軽微な段階できわめて感度良く検出し。
しかも多信号の中で異常発生箇所を自動的に診断できる
という早期異常診断にとって非常に有利な 、長所を備
えたプラントの診断方法を提供することができるので、
その結果としてプラントの信頼向上、稼動率向上に寄与
するところが大きい。
という早期異常診断にとって非常に有利な 、長所を備
えたプラントの診断方法を提供することができるので、
その結果としてプラントの信頼向上、稼動率向上に寄与
するところが大きい。
第１図は本発明の一実施例の７０−チャート、第２図は
第１図による診断結果を表示した図、第３図はＳ膨水形
原子炉の圧力制御系における各借上の観測データとＡＩ
？モデルによる予測値を表示した図、第４図は沸騰水形
原子炉の圧力制御系における故障時の各信号の観１側デ
ータを本発明による信号処理方法で処理した結果を表示
した図である。 代理人 弁理士 猪 股 祥 晃Ｃはが１名）第 ２
図 １ｉＰ４Ｌ （５１Ｃ）
第１図による診断結果を表示した図、第３図はＳ膨水形
原子炉の圧力制御系における各借上の観測データとＡＩ
？モデルによる予測値を表示した図、第４図は沸騰水形
原子炉の圧力制御系における故障時の各信号の観１側デ
ータを本発明による信号処理方法で処理した結果を表示
した図である。 代理人 弁理士 猪 股 祥 晃Ｃはが１名）第 ２
図 １ｉＰ４Ｌ （５１Ｃ）
Claims (1)
- （１） プラントから得られる複数の信号の変動成分か
ら構造行列を用いて自己回帰モデルを同定する手段と、
この自己回帰モデルによる予測値と観測値との差より予
測誤差を算出する手段と、この予測誤差の統計的検定か
ら異常を検出する手段と、この異常検出時に予測誤差の
変化から異常発生個所、異常発生時間及び異常のタイプ
を推定する手段と、その推定結果を表示する手段とから
構成されることを特徴とするプラントの異常診断方法０
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59026097A JPS60171507A (ja) | 1984-02-16 | 1984-02-16 | プラントの異常診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP59026097A JPS60171507A (ja) | 1984-02-16 | 1984-02-16 | プラントの異常診断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPS60171507A true JPS60171507A (ja) | 1985-09-05 |
Family
ID=12184091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP59026097A Pending JPS60171507A (ja) | 1984-02-16 | 1984-02-16 | プラントの異常診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPS60171507A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6270914A (ja) * | 1985-09-24 | 1987-04-01 | Toshiba Corp | プラント診断装置 |
| JP2010519636A (ja) * | 2007-02-27 | 2010-06-03 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム |
| JP2012164314A (ja) * | 2011-02-08 | 2012-08-30 | General Electric Co <Ge> | 現象における変数の影響を決定する方法 |
| JP6153145B1 (ja) * | 2016-03-29 | 2017-06-28 | 巴バルブ株式会社 | バルブ診断方法及びバルブ診断装置 |
-
1984
- 1984-02-16 JP JP59026097A patent/JPS60171507A/ja active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6270914A (ja) * | 1985-09-24 | 1987-04-01 | Toshiba Corp | プラント診断装置 |
| JP2010519636A (ja) * | 2007-02-27 | 2010-06-03 | エクソンモービル リサーチ アンド エンジニアリング カンパニー | 連続工業プロセスでの異常事象検出のために推論計測を使用する方法およびシステム |
| JP2012164314A (ja) * | 2011-02-08 | 2012-08-30 | General Electric Co <Ge> | 現象における変数の影響を決定する方法 |
| JP6153145B1 (ja) * | 2016-03-29 | 2017-06-28 | 巴バルブ株式会社 | バルブ診断方法及びバルブ診断装置 |
| JP2017181203A (ja) * | 2016-03-29 | 2017-10-05 | 巴バルブ株式会社 | バルブ診断方法及びバルブ診断装置 |
| WO2017169849A1 (ja) * | 2016-03-29 | 2017-10-05 | 巴バルブ株式会社 | バルブ診断方法及びバルブ診断装置 |
| US10920907B2 (en) | 2016-03-29 | 2021-02-16 | Tomoe Valve Co., Ltd. | Valve diagnosis method and valve diagnosis device |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pilario et al. | Canonical variate dissimilarity analysis for process incipient fault detection | |
| US5761090A (en) | Expert system for testing industrial processes and determining sensor status | |
| KR100355970B1 (ko) | 센서의 초고감도 감시 및 프로세스 | |
| Zhao et al. | Online fault prognosis with relative deviation analysis and vector autoregressive modeling | |
| JP4308437B2 (ja) | センサの性能確認装置および方法 | |
| Adnan et al. | Study of generalized delay-timers in alarm configuration | |
| JPH08234832A (ja) | プラント監視診断装置および方法 | |
| KR100997009B1 (ko) | 산업설비의 공정 여유도에 대한 동적 감시 및 적시 경보 방법 | |
| US11960271B2 (en) | Power plant early warning device and method employing multiple prediction model | |
| Ali et al. | Multiscale monitoring of industrial chemical process using wavelet-entropy aided machine learning approach | |
| Ji | Data-driven sensor fault diagnosis under closed-loop control with slow feature analysis | |
| JPS60171507A (ja) | プラントの異常診断方法 | |
| Tamssaouet et al. | A contribution to online system-level prognostics based on adaptive degradation models | |
| Fantoni et al. | Applications of autoassociative neural networks for signal validation in accident management | |
| Pilario et al. | Reconstruction based fault prognosis in dynamic processes using canonical variate analysis | |
| SHAIKH et al. | Process monitoring using canonical correlation analysis | |
| Cheng et al. | Identification of root cause alarms by detecting correlations and time delays between alarm variables | |
| Upadhyaya et al. | Sensor fault analysis using decision theory and data-driven modeling of pressurized water reactor subsystems | |
| Strelet et al. | Continuous assessment of data sources quality for improving the resilience of multisource fusion platforms | |
| Jharko et al. | Intelligent Support Systems for NPP Operators: Dynamic Modeling and Operational Diagnostics | |
| Romano et al. | Robust design of fault detection and isolation systems | |
| Tylee et al. | Providing nuclear reactor control information in the presence of instrument failures | |
| Wang et al. | Fault modeling and prognosis based on combined relative analysis and autoregressive modeling | |
| Singer et al. | Power plant surveillance and fault detection: applications to a commercial PWR | |
| Fan et al. | Stationary Feature Extract and Process Monitoring Based on Autoencoder |