WO2017051575A1 - 異常診断システム及び異常診断方法 - Google Patents
異常診断システム及び異常診断方法 Download PDFInfo
- Publication number
- WO2017051575A1 WO2017051575A1 PCT/JP2016/068559 JP2016068559W WO2017051575A1 WO 2017051575 A1 WO2017051575 A1 WO 2017051575A1 JP 2016068559 W JP2016068559 W JP 2016068559W WO 2017051575 A1 WO2017051575 A1 WO 2017051575A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- abnormality
- cause
- pattern
- sign
- plant
- Prior art date
Links
Images
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21C—NUCLEAR REACTORS
- G21C17/00—Monitoring; Testing ; Maintaining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/001—Computer implemented control
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (AREA)
- Plasma & Fusion (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
プラントの異常を診断する異常診断システムにおいて、異常予兆があると判定されたプラントで計測される計測パラメータに対して、外挿により計測パラメータの進展を予測し、予測後の計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、プラントの異常原因CA1,CA2,CB1,CB2に対応する計測パラメータの挙動のパターンである異常モデルパターンPA,PBを複数記憶する記憶部と、を備え、異常診断制御部は、生成した異常兆候パターンと、記憶部に記憶された複数の異常モデルパターンPA,PBとの一致判定を行うと共に、一致していると判定された異常モデルパターンPA,PBの異常原因CA1,CA2,CB1,CB2を、異常兆候パターンの異常原因として特定する。
Description
本発明は、プラントの異常診断を行う異常診断システム及び異常診断方法に関するものである。
従来、監視対象における異常予兆の監視から故障診断までの一連の処理を自動化できる監視システムが知られている(例えば、特許文献1参照)。この監視システムは、監視対象データのマハラノビス距離を算出し、算出したマハラノビス距離に基づいて監視対象の異常を検知している。また、監視システムは、異常予兆が現れている監視対象データを異常信号として抽出し、異常信号に関連する監視対象データを関連信号として抽出すると共に、異常信号及び関連信号に基づいて所定の入力信号を生成する。そして、監視システムは、入力信号に基づきベイジアンネットワークを用いて監視対象の故障診断を行っている。
しかしながら、特許文献1の監視システムは、異常信号及び関連信号に基づいて故障診断を行うことから、異常信号の挙動のパターンを考慮することがないため、全ての異常信号を用いて故障診断を行うことになり、診断処理の負荷を軽減することが困難である。また、監視システムは、異常予兆を検知するためにマハラノビス距離を算出する必要があることから、計算負荷が高いものとなる。
そこで、本発明は、プラントの異常診断を迅速に行うことができる異常診断システム及び異常診断方法を提供することを課題とする。
本発明の異常診断システムは、プラントの異常を診断する異常診断システムにおいて、異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを複数記憶する記憶部と、を備え、前記異常診断制御部は、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする。
また、本発明の異常診断方法は、プラントの異常を診断する異常診断方法において、異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを異常診断制御部で生成し、前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを記憶部に複数記憶し、前記異常診断制御部により、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする。
この構成によれば、異常兆候パターンと異常モデルパターンとの一致判定を行うことで、プラントの異常原因を迅速に特定することができる。このとき、異常兆候パターンは、異常予兆があると判定された計測パラメータの進展を外挿により予測したものであるから、異常予兆の段階で異常原因を特定することができ、プラントの異常原因を早期に診断することができる。
また、前記計測パラメータの前記異常兆候パターンには、複数の前記異常原因と共に、前記各異常原因の発生確率がそれぞれ関連付けられていることが好ましい。
この構成によれば、異常兆候パターンに基づいて、プラントに発生する異常原因を複数特定することができ、また、各異常原因の発生確率を特定することができる。
また、前記記憶部は、前記異常兆候パターンに関連付けられる前記異常原因と前記異常原因の発生確率とに基づいて構築される統計モデルを記憶しており、前記異常診断制御部は、前記計測パラメータの前記異常兆候パターンが複数ある場合、前記統計モデルを用いて、複数の前記異常兆候パターンから、前記異常原因と前記異常原因の発生確率とを特定することが好ましい。
この構成によれば、複数の異常兆候パターンから、統計モデルを用いて、異常原因とその発生確率とを特定することができるため、精度の良い異常診断を行うことができる。
また、前記統計モデルは、ベイジアンネットワークであることが好ましい。
この構成によれば、確立している統計モデルを用いることができるため、ベイジアンネットワークを用いて特定した異常原因とその発生確率とを信頼性の高いものとすることができる。
また、前記異常診断制御部は、前記異常原因を特定するにあたり、前記計測パラメータの前記異常兆候パターンと、異常予兆がない前記計測パラメータの挙動のパターンである正常パターンとから、前記統計モデルを用いて、前記異常原因と前記異常原因の発生確率とを特定することが好ましい。
この構成によれば、異常兆候パターンと正常パターンとから、統計モデルを用いて、異常原因とその発生確率とを特定することができるため、より精度の高い異常診断を行うことができる。
以下に、本発明に係る実施形態を図面に基づいて詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。さらに、以下に記載した構成要素は適宜組み合わせることが可能であり、また、実施形態が複数ある場合には、各実施形態を組み合わせることも可能である。
[実施形態]
図1は、本実施形態に係る異常診断システムを含む原子力プラント運転システムに関する概略構成図である。図1に示すように、本実施形態に係る異常診断システム103は、原子力プラントを運転する際に使用される原子力プラント運転システム100に組み込まれている。ここで、原子力プラントとしては、例えば、原子炉を有する原子力発電プラント110であり、原子力発電プラント110は、ベースロード運転を行うように制御され、サイト115内に設けられている。先ず、図1を参照して、異常診断システム103の説明に先立ち、原子力プラント運転システム100について説明する。なお、本実施形態では、プラントとして、原子力発電プラント110に適用して説明するが、この構成に限定されず、原子力以外の他のプラント(例えば、化学プラントまたは火力発電プラント等)に適用してもよい。
図1は、本実施形態に係る異常診断システムを含む原子力プラント運転システムに関する概略構成図である。図1に示すように、本実施形態に係る異常診断システム103は、原子力プラントを運転する際に使用される原子力プラント運転システム100に組み込まれている。ここで、原子力プラントとしては、例えば、原子炉を有する原子力発電プラント110であり、原子力発電プラント110は、ベースロード運転を行うように制御され、サイト115内に設けられている。先ず、図1を参照して、異常診断システム103の説明に先立ち、原子力プラント運転システム100について説明する。なお、本実施形態では、プラントとして、原子力発電プラント110に適用して説明するが、この構成に限定されず、原子力以外の他のプラント(例えば、化学プラントまたは火力発電プラント等)に適用してもよい。
図1に示すように、原子力プラント運転システム100は、運転監視システム101と、異常予兆監視システム102と、異常診断システム103と、保守システム104と、運転履歴データベース105とを備えている。そして、原子力プラント運転システム100は、ステーションバス107及び複数のユニットバス108a,108b,108cにより、各システム101,102,103,104及び運転履歴データベース105が通信可能に接続されている。
運転監視システム101は、原子力発電プラント110の運転の監視及び制御を行っている。運転監視システム101は、分散制御システム(DCS:Distributed Control System)121と、プロセス制御システム(PCCS:Process Control Computer System)122と、ゲートウェイ123と、を備えている。
分散制御システム121は、原子力発電プラント110を制御可能に接続され、複数の制御機能を分散させた複数の制御装置を含んで構成されている。分散制御システム121は、原子力発電プラント110に設けられた図示しないポンプ及びバルブ等の各機器の作動を制御するシステムである。この分散制御システム121は、プロセス制御システム122からの制御信号に基づいて、各機器の作動を制御することにより、原子力発電プラント110の運転を制御している。また、分散制御システム121は、原子力発電プラント110に設けられる複数の計測機器に接続されており、複数の計測機器からそれぞれ出力される複数の計測パラメータをプラント運転データとして取得し、取得したプラント運転データをプロセス制御システム122に向けて出力している。
プロセス制御システム122は、ユニットバス108aを介して分散制御システム121と接続されており、原子力発電プラント110が設けられる建屋133から離れた中央制御室(MCR:Main Control Room)131に設けられている。プロセス制御システム122は、分散制御システム121から入力されるプラント運転データを取得すると共に、原子力発電プラント110の運転を制御するための制御信号を、分散制御システム121へ向けて出力している。また、プロセス制御システム122は、ゲートウェイ123及びステーションバス107を介して、分散制御システム121から取得したプラント運転データを、運転履歴データベース105へ向けて出力している。
ゲートウェイ123は、プロセス制御システム122とステーションバス107との間に設けられ、プロセス制御システム122及びステーションバス107にそれぞれ接続されている。このゲートウェイ123は、プロセス制御システム122からのプラント運転データの出力を許容する一方で、他のシステムからのプロセス制御システム122へのデータの入力を規制する。
このような運転監視システム101は、原子力発電プラント110からプラント運転データを取得し、取得したプラント運転データを監視する。また、運転監視システム101は、取得したプラント運転データに含まれる複数の計測パラメータが予め規定された目標値となるように、原子力発電プラント110にベースロード運転を行わせる。このように、原子力発電プラント110は、ベースロード運転を行うことから、目標値は、定常値となる。
運転履歴データベース105は、ユニットバス108b及びゲートウェイ124を介して、ステーションバス107に接続されている。つまり、ゲートウェイ124は、ユニットバス108bとステーションバス107との間に設けられ、ユニットバス108b及びステーションバス107にそれぞれ接続され、運転履歴データベース105は、ユニットバス108bに接続されている。運転履歴データベース105は、原子力発電プラント110が設けられる建屋133から離れた事務所132に設けられている。運転履歴データベース105は、分散制御システム121から出力されたプラント運転データを蓄積することで、プラント運転データの履歴を保存する。この運転履歴データベース105は、異常診断システム103及び保守システム104からの要求に応じて、プラント運転データを出力可能となっている。
異常予兆監視システム102は、ユニットバス108bに接続されており、運転履歴データベース105から出力されたプラント運転データを、ユニットバス108bを介して取得可能となっている。また、異常予兆監視システム102は、分散制御システム121から出力されたプラント運転データを、リアルタイムに取得可能となっている。異常予兆監視システム102は、運転履歴データベース105に保存された過去のプラント運転データに基づいて設定される正常範囲Wと、リアルタイムに取得した現在のプラント運転データとを比較し、プラント運転データが正常範囲Wを超えた場合、原子力発電プラント110の異常予兆を検知する。また、異常予兆監視システム102は、ユニットバス108bに接続されており、検知した異常予兆に関するデータである異常兆候データを、異常診断システム103へ向けて出力可能となっている。
異常診断システム103は、ユニットバス108bに接続されており、異常予兆監視システム102から出力された異常兆候データを、ユニットバス108bを介して取得可能となっている。異常診断システム103は、異常兆候データに基づいて、原子力発電プラント110を構成する各種設備及び各種機器の中から、異常を引き起こす原因となる設備または機器を特定する。また、異常診断システム103は、ユニットバス108cに接続されており、特定した設備または機器に関する診断結果を保守データとして、保守システム104へ向けて出力可能となっている。
保守システム104は、原子力発電プラント110を保守管理するためのシステムである。保守システム104は、異常診断システム103により診断した原子力発電プラント110の保守データを取得し、取得した保守データを保守作業員に提供したり、また、保守作業員による点検作業等によって得られる保守点検結果を保守データとして取得して蓄積したりする。この保守システム104は、保守データベース135と、保守端末136と、保守携帯端末137とを備えている。
保守データベース135は、事務所132に設けられ、ユニットバス108cに接続されている。保守データベース135は、保守データを異常診断システム103に出力したり、保守端末136及び保守携帯端末137から入力される保守データを蓄積したり、異常診断システム103から取得した保守データを保守端末136に出力したりする。
保守端末136は、原子力発電プラント110が設けられる非管理区域となる建屋133内に設けられ、ユニットバス108cに接続されている。保守端末136は、保守データベース135から取得した保守データを、保守作業員に提供したり、保守作業員により入力された保守データを、保守データベース135に出力したりする。なお、保守端末136は、事務所132内に設けてもよい。
保守携帯端末137は、保守作業員に携帯されており、保守端末136と無線通信可能となっている。保守携帯端末137は、保守作業員の点検作業及び外観検査等によって得られる保守点検結果が、保守データとして保守作業員により入力される。また、保守携帯端末137は、入力された保守データを、無線通信により保守端末136へ向けて出力される。このとき、保守端末136及び保守携帯端末137は、建屋133内に設けられており、保守端末136及び保守携帯端末137間の無線通信は、建屋133内で行われる。
このように、原子力プラント運転システム100は、各システム101,102,103,104及び運転履歴データベース105が、各バス107,108a,108b,108cによって接続されているため、各システム101,102,103,104で得た各種データを共有し、共有した各種データを処理することができる。
また、原子力プラント運転システム100には、事務所132内の会議室134に大型情報端末141が設けられており、大型情報端末141は、ユニットバス108bに接続されている。この大型情報端末141には、保守システム104に蓄積された保守データの他、各システム101,102,103において取得したデータが表示可能となっている。
次に、図2及び図3を参照して、異常診断システム103について説明する。図2は、本実施形態に係る異常診断システムを模式的に表した概略構成図である。図3は、計測パラメータを示す説明図である。
異常診断システム103は、記憶部10及び異常診断制御部11を有するコンピュータ等のハードウェア資源を用いて構成されている。この異常診断システム103は、異常予兆監視システム102から出力される異常兆候データを取得し、取得した異常兆候データに基づいて、原子力発電プラント110の異常診断を行っている。
ここで、図3を参照して、異常予兆監視システム102から出力される異常兆候データについて説明する。図3は、計測パラメータを示す説明図である。異常予兆監視システム102は、上記したように、運転履歴データベース105に保存された過去のプラント運転データに基づいて、プラント運転データが正常に推移する範囲となる正常範囲Wを設定している。また、異常予兆監視システム102は、リアルタイムに取得している現在のプラント運転データが、正常範囲Wにおいて推移しているか否かを判定している。ここで、計測パラメータは、異常の有無を判定するしきい値としての警報値Kによって、正常となる正常判定領域E1と、異常となる異常判定領域E2とに区分けされており、正常範囲Wは、正常判定領域E1内に設定されている。このため、異常予兆監視システム102は、原子力発電プラント110の異常ではないものの、原子力発電プラント110に異常の予兆があるか否かを検知する。
このように、異常予兆監視システム102によって異常予兆があると判定された計測パラメータは、正常範囲Wを超えて警報値Kに達する前の挙動となっており、この計測パラメータが異常兆候データとして、異常診断システム103に入力される。
異常診断システム103の記憶部10は、メモリ及び記憶装置等のハードウェア資源を用いて構成され、取得した異常兆候データの他、異常モデルパターンと、統計モデルとしてのベイジアンネットワークとを記憶している。
異常モデルパターンは、原子力発電プラント110の異常原因に応じて推移する計測パラメータの挙動のパターンである。この異常モデルパターンは、種々の異常原因に応じて複数設けられており、異常原因が関連付けられると共に、異常原因の発生確率が関連付けられている。図4を参照して、計測パラメータに対応する異常モデルパターンについて説明する。図4は、計測パラメータの異常モデルパターンと、異常モデルパターンに対応する異常原因とを示す説明図である。図4に示すように、例えば、計測パラメータAについては、2つの異常モデルパターンPA,PBが用意されている。一方の異常モデルパターンPAには、複数の異常原因CA1,CA2が関連付けられ、複数の異常原因CA1,CA2に複数の発生確率OA1,OA2がそれぞれ関連付けられている。他方の異常モデルパターンPBには、複数の異常原因CB1,CB2が関連付けられ、複数の異常原因CB1,CB2に複数の発生確率OB1,OB2がそれぞれ関連付けられている。なお、図4における計測パラメータAは、一例であり、異常モデルパターンが1つの場合、また、異常原因が1つの場合もある。
ベイジアンネットワークは、異常原因に対応する複数の異常モデルパターンと、複数の異常モデルパターンに関連付けられる異常原因の発生確率とに基づいて構築される統計モデルである。図5を参照して、ベイジアンネットワークの一例について説明する。図5は、ベイジアンネットワークの説明図である。ベイジアンネットワークMは、異常予兆があると判定された計測パラメータが複数ある場合、複数の計測パラメータから、異常原因と異常原因の発生確率とを導出するモデルとなっている。図4及び図5に示すように、異常モデルパターンPAには、異常原因CA1~3が関連付けられており、同様に、異常モデルパターンPB,PCにも、異常原因CB1~3,CC1~3が関連付けられている。また、異常原因としては、異常原因α,β,γがあり、異常原因α,β,γは、異常原因CA1~3,CB1~3,CC1~3と関連付けられている。具体的に、異常原因αには、異常原因CA1、異常原因CB1及び異常原因CC1が関連付けられており、異常原因αの発生確率は、異常原因CA1、異常原因CB1及び異常原因CC1の有無及び発生確率を考慮したものとなっている。異常原因β及び異常原因γについても、図4に示すとおりである。
異常診断制御部11は、異常兆候データに基づいて異常兆候パターンを生成する。上記したように、異常兆候データは、正常範囲Wを超えて警報値Kに達する前の挙動となる計測パラメータであることから、異常診断制御部11は、この計測パラメータに対して、外挿法により計測パラメータの進展を予測した予測モデルL(図3参照)を生成する。そして、異常診断制御部11は、予測モデルLの計測パラメータの挙動のパターンを、異常兆候パターンとして生成する。
また、異常診断制御部11は、生成した異常兆候パターンと、記憶部10に記憶された異常モデルパターンとの一致判定を行うことで、原子力発電プラント110の異常原因を特定している。具体的に、異常診断制御部11は、所定の計測パラメータの異常兆候パターンが、所定の計測パラメータに対応する複数の異常モデルパターンのうち、いずれかの異常モデルパターンと一致しているか否かを判定する。そして、異常診断制御部11は、一致していると判定された異常モデルパターンに対応する異常原因を、異常兆候パターンの異常原因として特定すると共に、特定した異常原因に対応する発生確率を特定し、特定した結果を、診断結果として出力する。このとき、異常診断制御部11は、異常モデルパターンに対応する異常原因が複数ある場合、図5に示すベイジアンネットワークを用いて、複数の異常原因と共に、各異常原因に対応する発生確率を特定する。そして、異常診断システム103は、診断結果を保守データとして、保守データベース135へ出力する。
以上のように、本実施形態によれば、異常診断制御部11は、異常兆候パターンと異常モデルパターンとの一致判定を行い、一致していると判定した異常兆候パターンを用いて原子力発電プラント110の異常原因を特定することができる。このため、異常診断制御部11は、複数の計測パラメータを用いることなく、一致判定された計測パラメータの異常兆候パターンを用いればよいことから、診断処理に係る負荷を軽減できると共に、原子力発電プラント110の異常原因を迅速に特定することができる。このとき、異常兆候パターンは、異常予兆があると判定された計測パラメータの進展を外挿により予測したものであるから、異常予兆の段階で異常原因を特定することができ、原子力発電プラント110の異常原因を早期に診断することができる。
また、本実施形態によれば、異常兆候パターンに基づいて、原子力発電プラント110に発生する異常原因を複数特定することができ、また、各異常原因の発生確率を特定することができる。
また、本実施形態によれば、複数の異常兆候パターンから、ベイジアンネットワークMを用いて、原子力発電プラント110の異常原因とその発生確率とを特定することができるため、精度の良い異常診断を行うことができる。
また、本実施形態によれば、統計モデルとしてベイジアンネットワークMを用いることで、確立している統計モデルを用いることができるため、ベイジアンネットワークMを用いて特定した異常原因とその発生確率とを信頼性の高いものとすることができる。
なお、本実施形態では、複数の異常兆候パターンから、ベイジアンネットワークMを用いて、異常原因と異常原因の発生確率とを特定したが、この構成に限定されない。例えば、異常診断システム103は、異常兆候パターンと、異常予兆がない計測パラメータの挙動のパターンである正常パターンとから、ベイジアンネットワークMを用いて、異常原因と異常原因の発生確率とを特定してもよい。この場合、ベイジアンネットワークMは、異常兆候パターンに関連付けられる異常原因と異常原因の発生確率、及び、正常パターンに関連付けられる異常原因と異常原因の発生確率とに基づいて構築される。この構成によれば、異常診断システム103は、異常兆候パターンと正常パターンとから、ベイジアンネットワークMを用いて、異常原因とその発生確率とを特定することができるため、より精度の高い異常診断を行うことができる。
また、本実施形態では、統計モデルとして、ベイジアンネットワークMを用いたが、この構成に限定されず、他の統計モデルを用いてもよい。
10 記憶部
11 異常診断制御部
100 原子力プラント運転システム
101 運転監視システム
102 異常予兆監視システム
103 異常診断システム
104 保守システム
105 運転履歴データベース
107 ステーションバス
108a,108b,108c ユニットバス
110 原子力発電プラント
115 サイト
121 分散制御システム
122 プロセス制御システム
123 ゲートウェイ
124 ゲートウェイ
131 中央制御室
132 事務所
133 建屋
134 会議室
135 保守データベース
136 保守端末
137 保守携帯端末
141 大型情報端末
W 正常範囲
K 警報値
E1 正常判定領域
E2 異常判定領域
M ベイジアンネットワーク
11 異常診断制御部
100 原子力プラント運転システム
101 運転監視システム
102 異常予兆監視システム
103 異常診断システム
104 保守システム
105 運転履歴データベース
107 ステーションバス
108a,108b,108c ユニットバス
110 原子力発電プラント
115 サイト
121 分散制御システム
122 プロセス制御システム
123 ゲートウェイ
124 ゲートウェイ
131 中央制御室
132 事務所
133 建屋
134 会議室
135 保守データベース
136 保守端末
137 保守携帯端末
141 大型情報端末
W 正常範囲
K 警報値
E1 正常判定領域
E2 異常判定領域
M ベイジアンネットワーク
Claims (6)
- プラントの異常を診断する異常診断システムにおいて、
異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、
前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを複数記憶する記憶部と、を備え、
前記異常診断制御部は、
生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする異常診断システム。 - 前記計測パラメータの前記異常兆候パターンには、複数の前記異常原因と共に、前記各異常原因の発生確率がそれぞれ関連付けられていることを特徴とする請求項1に記載の異常診断システム。
- 前記記憶部は、前記異常兆候パターンに関連付けられる前記異常原因と前記異常原因の発生確率とに基づいて構築される統計モデルを記憶しており、
前記異常診断制御部は、
前記計測パラメータの前記異常兆候パターンが複数ある場合、前記統計モデルを用いて、複数の前記異常兆候パターンから、前記異常原因と前記異常原因の発生確率とを特定することを特徴とする請求項2に記載の異常診断システム。 - 前記統計モデルは、ベイジアンネットワークであることを特徴とする請求項3に記載の異常診断システム。
- 前記異常診断制御部は、
前記異常原因を特定するにあたり、前記計測パラメータの前記異常兆候パターンと、異常予兆がない前記計測パラメータの挙動のパターンである正常パターンとから、前記統計モデルを用いて、前記異常原因と前記異常原因の発生確率とを特定することを特徴とする請求項3または4に記載の異常診断システム。 - プラントの異常を診断する異常診断方法において、
異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを異常診断制御部で生成し、
前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを記憶部に複数記憶し、
前記異常診断制御部により、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする異常診断方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP16848365.9A EP3299918B1 (en) | 2015-09-25 | 2016-06-22 | Abnormality diagnosis system and abnormality diagnosis method |
US15/580,357 US11152126B2 (en) | 2015-09-25 | 2016-06-22 | Abnormality diagnosis system and abnormality diagnosis method |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015-188600 | 2015-09-25 | ||
JP2015188600A JP6647824B2 (ja) | 2015-09-25 | 2015-09-25 | 異常診断システム及び異常診断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2017051575A1 true WO2017051575A1 (ja) | 2017-03-30 |
Family
ID=58385944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2016/068559 WO2017051575A1 (ja) | 2015-09-25 | 2016-06-22 | 異常診断システム及び異常診断方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11152126B2 (ja) |
EP (1) | EP3299918B1 (ja) |
JP (1) | JP6647824B2 (ja) |
WO (1) | WO2017051575A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6456580B1 (ja) * | 2018-06-14 | 2019-01-23 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
CN109614299A (zh) * | 2018-09-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及电子设备 |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6887361B2 (ja) | 2017-10-31 | 2021-06-16 | 三菱重工業株式会社 | 監視対象選定装置、監視対象選定方法、およびプログラム |
US10338994B1 (en) * | 2018-02-22 | 2019-07-02 | Sas Institute Inc. | Predicting and adjusting computer functionality to avoid failures |
CN108682467B (zh) * | 2018-05-24 | 2021-05-18 | 福建福清核电有限公司 | 一种压水堆核电厂核级数字化仪控系统运行维护方法 |
US10664555B2 (en) * | 2018-06-06 | 2020-05-26 | Sas Institute Inc. | Two-stage distributed estimation system |
JP7026012B2 (ja) * | 2018-07-06 | 2022-02-25 | 日立Geニュークリア・エナジー株式会社 | 機器状態監視システム及び機器状態監視方法 |
CN109977535B (zh) * | 2019-03-22 | 2023-05-02 | 南方电网科学研究院有限责任公司 | 一种线损异常诊断方法、装置、设备及可读存储介质 |
CN110795414B (zh) * | 2019-11-01 | 2023-04-14 | 北京北方华创微电子装备有限公司 | 半导体设备报警分析方法及装置 |
JP7416025B2 (ja) * | 2021-07-30 | 2024-01-17 | 横河電機株式会社 | 栽培支援システム、栽培支援方法、及びプログラム |
JP2023183830A (ja) * | 2022-06-16 | 2023-12-28 | 株式会社日立インダストリアルプロダクツ | 異常原因推定装置、異常原因推定方法、および、異常原因推定プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0423131A (ja) * | 1990-05-18 | 1992-01-27 | Mitsubishi Electric Corp | 故障診断システム |
JPH08220279A (ja) * | 1995-02-17 | 1996-08-30 | Hitachi Ltd | プラント制御装置、その異常同定方法および異常同定装置 |
JPH11344589A (ja) * | 1998-06-02 | 1999-12-14 | Hitachi Ltd | プラント診断システム |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5210704A (en) | 1990-10-02 | 1993-05-11 | Technology International Incorporated | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment |
US8021231B2 (en) * | 2005-12-02 | 2011-09-20 | Walker Digital, Llc | Problem gambling detection in tabletop games |
US20070174010A1 (en) * | 2006-01-24 | 2007-07-26 | Kiran Bhat | Collective Behavior Modeling for Content Synthesis |
US7496798B2 (en) | 2006-02-14 | 2009-02-24 | Jaw Link | Data-centric monitoring method |
US20080018792A1 (en) * | 2006-07-19 | 2008-01-24 | Kiran Bhat | Systems and Methods for Interactive Surround Visual Field |
JP2011090382A (ja) | 2009-10-20 | 2011-05-06 | Mitsubishi Heavy Ind Ltd | 監視システム |
WO2012001920A1 (ja) * | 2010-06-28 | 2012-01-05 | 日本電気株式会社 | 医療情報からの異常イベント抽出装置、方法及びプログラム |
US8638364B2 (en) * | 2010-09-23 | 2014-01-28 | Sony Computer Entertainment Inc. | User interface system and method using thermal imaging |
US20140058705A1 (en) * | 2011-04-27 | 2014-02-27 | Decision Makers Ltd. | System and Method for Detecting Abnormal Occurrences |
CN102495549B (zh) * | 2011-11-22 | 2013-08-07 | 中联重科股份有限公司 | 工程机械的远程维护决策系统及方法 |
WO2014147489A2 (en) * | 2013-03-15 | 2014-09-25 | Teva Pharmaceutical Industries Ltd. | Recombinant human albumin-human granulocyte colony stimulating factor for the prevention of neutropenia in pediatric patients |
US10719122B2 (en) * | 2013-11-15 | 2020-07-21 | Apple Inc. | Automated environment providing feedback based on user routine |
EP3072280A1 (en) * | 2013-11-20 | 2016-09-28 | Koninklijke Philips N.V. | Method and device for validating user behaviour |
FR3022625B1 (fr) * | 2014-06-19 | 2018-01-12 | Airbus Operations | Procede et dispositif de determination et de presentation d'impacts de couts generes par des ecarts lateraux de route d'un aeronef. |
-
2015
- 2015-09-25 JP JP2015188600A patent/JP6647824B2/ja active Active
-
2016
- 2016-06-22 US US15/580,357 patent/US11152126B2/en active Active
- 2016-06-22 EP EP16848365.9A patent/EP3299918B1/en active Active
- 2016-06-22 WO PCT/JP2016/068559 patent/WO2017051575A1/ja active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0423131A (ja) * | 1990-05-18 | 1992-01-27 | Mitsubishi Electric Corp | 故障診断システム |
JPH08220279A (ja) * | 1995-02-17 | 1996-08-30 | Hitachi Ltd | プラント制御装置、その異常同定方法および異常同定装置 |
JPH11344589A (ja) * | 1998-06-02 | 1999-12-14 | Hitachi Ltd | プラント診断システム |
Non-Patent Citations (1)
Title |
---|
See also references of EP3299918A4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6456580B1 (ja) * | 2018-06-14 | 2019-01-23 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
WO2019239542A1 (ja) * | 2018-06-14 | 2019-12-19 | 三菱電機株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
CN109614299A (zh) * | 2018-09-25 | 2019-04-12 | 阿里巴巴集团控股有限公司 | 一种系统异常检测方法、装置及电子设备 |
CN109614299B (zh) * | 2018-09-25 | 2022-05-31 | 创新先进技术有限公司 | 一种系统异常检测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US11152126B2 (en) | 2021-10-19 |
EP3299918B1 (en) | 2019-10-09 |
EP3299918A4 (en) | 2018-08-01 |
JP2017062728A (ja) | 2017-03-30 |
EP3299918A1 (en) | 2018-03-28 |
JP6647824B2 (ja) | 2020-02-14 |
US20180174694A1 (en) | 2018-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017051575A1 (ja) | 異常診断システム及び異常診断方法 | |
WO2017051576A1 (ja) | プラント運転システム及びプラント運転方法 | |
US9697722B2 (en) | Methods, systems, and devices for managing a plurality of alarms | |
US10503155B2 (en) | Method for controlling a process plant using a redundant local supervisory controller | |
US7133727B2 (en) | System and method for continuous online safety and reliability monitoring | |
US11262276B2 (en) | Monitoring system | |
JP6812312B2 (ja) | プラント支援評価システム及びプラント支援評価方法 | |
US10861610B2 (en) | Abnormality diagnosis system | |
TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
EP3312844B1 (en) | Abnormality indication monitoring system | |
KR101555225B1 (ko) | 전동기 제어반 고장 예측 진단 장치 | |
CN114341835A (zh) | 气体监测系统 | |
KR102519474B1 (ko) | 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법 | |
CN116449761B (zh) | 智能泵站智慧控制系统及方法 | |
KR20040050973A (ko) | 반도체 제조 설비의 실시간 모니터링을 위한 통합 관리시스템 및 그의 제어 방법 | |
KR102409863B1 (ko) | 로봇 예방 및 예측 조치 서비스 제공 방법, 서버 및 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 16848365 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 15580357 Country of ref document: US |
|
WWE | Wipo information: entry into national phase |
Ref document number: 2016848365 Country of ref document: EP |
|
NENP | Non-entry into the national phase |
Ref country code: DE |