JPH02206721A - 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
- JPH02206721A JPH02206721A JP1028093A JP2809389A JPH02206721A JP H02206721 A JPH02206721 A JP H02206721A JP 1028093 A JP1028093 A JP 1028093A JP 2809389 A JP2809389 A JP 2809389A JP H02206721 A JPH02206721 A JP H02206721A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- abnormality
- plant state
- state quantities
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 64
- 238000002405 diagnostic procedure Methods 0.000 title 1
- 230000008878 coupling Effects 0.000 claims abstract description 26
- 238000010168 coupling process Methods 0.000 claims abstract description 26
- 238000005859 coupling reaction Methods 0.000 claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 17
- 238000003062 neural network model Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 abstract 2
- 239000010410 layer Substances 0.000 description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 29
- 230000007423 decrease Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 19
- 230000008859 change Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000009257 reactivity Effects 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 6
- 230000004907 flux Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 5
- 230000001364 causal effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 239000002826 coolant Substances 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 239000003758 nuclear fuel Substances 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000498 cooling water Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007142 ring opening reaction Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
- G21D—NUCLEAR POWER PLANT
- G21D3/00—Control of nuclear power plant
- G21D3/04—Safety arrangements
-
- 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
-
- 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
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/914—Process plant
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Plasma & Fusion (AREA)
- General Engineering & Computer Science (AREA)
- High Energy & Nuclear Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (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】
〔産業上の利用分野〕
本発明は、監視すべきパラメータ力（多数あり、これら
のパラメータが相互に複雑に結びついている原子力発電
所、火力発電所等のプラントの異常検知と異常原因の同
定を行うようにしたプラントの異常診断方法に関するも
のである。
のパラメータが相互に複雑に結びついている原子力発電
所、火力発電所等のプラントの異常検知と異常原因の同
定を行うようにしたプラントの異常診断方法に関するも
のである。
一般にプラント状態量が所定の制限値を越えた場合に警
報を出力し、運転員に異常の発生を知らせるようにした
アナウンシエータが原子力発電所、火力発電所等のプラ
ントに数多く用いられている。
報を出力し、運転員に異常の発生を知らせるようにした
アナウンシエータが原子力発電所、火力発電所等のプラ
ントに数多く用いられている。
例えば、原子カプラント等の場合には、このアナウンシ
ェータの数が数千にも達し、通常の軽微な故障の場合で
も多数のランプが点滅し、運転員に必要な情報だけを提
供するのが難しくなっている。
ェータの数が数千にも達し、通常の軽微な故障の場合で
も多数のランプが点滅し、運転員に必要な情報だけを提
供するのが難しくなっている。
このため、計算機を利用して異常診断するためのシステ
ムの開発が世界各国で行われており、代表的なシステム
に日本の原子力発電支援システム、西ドイツのＧｅ５ｅ
ｌｌｓｃｈａｆｔ ｆｔ１ｒ Ｒｅａｋｔｏｒｉｓｃｈ
ｅｒｈｅｉｔ（ＧＲ５）、ノルウェーのＨａｉｄｅｎプ
ロジェクトが開発している５ＴＡＲ％ＥＲＰＩ （米
国電力研究所）の委託により開発されているＤＡＳ等が
ある。
ムの開発が世界各国で行われており、代表的なシステム
に日本の原子力発電支援システム、西ドイツのＧｅ５ｅ
ｌｌｓｃｈａｆｔ ｆｔ１ｒ Ｒｅａｋｔｏｒｉｓｃｈ
ｅｒｈｅｉｔ（ＧＲ５）、ノルウェーのＨａｉｄｅｎプ
ロジェクトが開発している５ＴＡＲ％ＥＲＰＩ （米
国電力研究所）の委託により開発されているＤＡＳ等が
ある。
これらのシステムのなかでは原因結果論理法（ＣＣＴ）
といわれる異常診断法が用いられており、例えばＣＣＴ
では、異常の原因と結果の関係を樹木状に表し、異常が
生じた時には結果の状態をみてこの樹木の技を逆方向に
辿っていけば、原因を求めることができる。
といわれる異常診断法が用いられており、例えばＣＣＴ
では、異常の原因と結果の関係を樹木状に表し、異常が
生じた時には結果の状態をみてこの樹木の技を逆方向に
辿っていけば、原因を求めることができる。
ところで、ＣＣＴの検索が開始するのは、通常、運転時
のプラント状態量の波高の±１０〜２０％のレベルに設
定されたアナランシェークが作動しはじめた時からであ
るので、異常が数１０秒の速い速度で伝播する場合には
運転員が適当な回復操作を行えない場合が生じる可能性
がある。
のプラント状態量の波高の±１０〜２０％のレベルに設
定されたアナランシェークが作動しはじめた時からであ
るので、異常が数１０秒の速い速度で伝播する場合には
運転員が適当な回復操作を行えない場合が生じる可能性
がある。
本発明は上記課題を解決するためのもので、アナランシ
ェークが作動する前に通常の運転時のプラント状態量の
波高の±３〜７％レベルで異常を検出するようにして異
常の原因を同定し、十分な時間裕度で運転員が適切な回
復操作を行えるようにして、プラントの稼動率・安全性
を向上させることを目的とする。
ェークが作動する前に通常の運転時のプラント状態量の
波高の±３〜７％レベルで異常を検出するようにして異
常の原因を同定し、十分な時間裕度で運転員が適切な回
復操作を行えるようにして、プラントの稼動率・安全性
を向上させることを目的とする。
そのために本発明のプラントの異常診断方法は、異常時
のプラント状ｉｌｌの変化をシミュレーションにより求
め、プラント状態量の変化を自己回帰分析して得られる
プラント状態量間の結合様式を作成する段階、作成した
プラント状態量間の結合様式を入力層、ψ間層、出力層
からなるニューラルネットに入れ、予め設定した精度以
内まで学習させる段階、入力層と中間層、中間層と出力
層の間の結合係数をもつニューラルネットに対し、実プ
ラント異常を検出後、プラント状Ｈｇ１１から作成され
るプラント状態量間の結合様式を示すパターンを入力し
て異常の原因を同定する段階からなることを特徴とする
。
のプラント状ｉｌｌの変化をシミュレーションにより求
め、プラント状態量の変化を自己回帰分析して得られる
プラント状態量間の結合様式を作成する段階、作成した
プラント状態量間の結合様式を入力層、ψ間層、出力層
からなるニューラルネットに入れ、予め設定した精度以
内まで学習させる段階、入力層と中間層、中間層と出力
層の間の結合係数をもつニューラルネットに対し、実プ
ラント異常を検出後、プラント状Ｈｇ１１から作成され
るプラント状態量間の結合様式を示すパターンを入力し
て異常の原因を同定する段階からなることを特徴とする
。
本発明のプラントの異常診断方法は、プラント状態量の
変化をシミコレ−ジョンにより求め、これらのプラント
状態量の変化を自己回帰分析して得られるプラント状！
ｓＩ間の結合様式を作成し、作成したプラント状態量間
の結合様式をニューラルネットに入れて予め設定した精
度以内まで学習させ、実プラントから収集したデータに
より作成したプラント状態量間の結合様式を示すパター
ンをニューラルネットに入れて異常の原因を同定するよ
うにしたので、異常原因の早期同定が可能となり、十分
な時間裕度で運転員が回復操作を行ってプラント稼動率
を向上させると共に、プラントの安全性を向上させるこ
とが可能となる。
変化をシミコレ−ジョンにより求め、これらのプラント
状態量の変化を自己回帰分析して得られるプラント状！
ｓＩ間の結合様式を作成し、作成したプラント状態量間
の結合様式をニューラルネットに入れて予め設定した精
度以内まで学習させ、実プラントから収集したデータに
より作成したプラント状態量間の結合様式を示すパター
ンをニューラルネットに入れて異常の原因を同定するよ
うにしたので、異常原因の早期同定が可能となり、十分
な時間裕度で運転員が回復操作を行ってプラント稼動率
を向上させると共に、プラントの安全性を向上させるこ
とが可能となる。
以下、実施例を図面に基づき説明する。
第１図はプラントの異常診断の手順を説明するためのブ
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低下
、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸気
ドラム気相部の圧力増大の場合の中性子束・給水流量間
の周波数スペクトルの相関を示す図、第５図はニューラ
ルネットのモデルを示す図、第６図は周波数スペクトル
の相関をパターン化した図、第７図はニューラルネット
モデルのなかの結合係数の学習情況を示す図、第８図は
異常原因の識別結果を示す図である。図中、■はカラン
ドリアタンク、２は制御棒、３は圧力管集合体、４は重
水冷却系、５は蒸気ドラム、６は冷却材再循環系、７は
ウォータードラム、８は再循環ポンプ、１０は給水系、
１１は主蒸気系、１２は出口管、１３は人口管、２１．
２４は電子計算機、２２はパターン記憶装置、２３．３
１はプラント、３２は電子計算機、３３は外部記憶装置
、３４は警報器である。
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低下
、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸気
ドラム気相部の圧力増大の場合の中性子束・給水流量間
の周波数スペクトルの相関を示す図、第５図はニューラ
ルネットのモデルを示す図、第６図は周波数スペクトル
の相関をパターン化した図、第７図はニューラルネット
モデルのなかの結合係数の学習情況を示す図、第８図は
異常原因の識別結果を示す図である。図中、■はカラン
ドリアタンク、２は制御棒、３は圧力管集合体、４は重
水冷却系、５は蒸気ドラム、６は冷却材再循環系、７は
ウォータードラム、８は再循環ポンプ、１０は給水系、
１１は主蒸気系、１２は出口管、１３は人口管、２１．
２４は電子計算機、２２はパターン記憶装置、２３．３
１はプラント、３２は電子計算機、３３は外部記憶装置
、３４は警報器である。
先ず、本発明によるプラントの異常診断方法の原理を説
明する。
明する。
プラントの異常診断を行うにあたって、先ず異常時のプ
ラント応答特性を求める。この異常時のプラント応答特
性を求めるのに、プラントに実際に異常を発生させるこ
とは出来ないので、プラント動特性解析コードを使用し
てシミュレーションを行い、外乱が加えられた時の異常
時のプラント応答を予測する。
ラント応答特性を求める。この異常時のプラント応答特
性を求めるのに、プラントに実際に異常を発生させるこ
とは出来ないので、プラント動特性解析コードを使用し
てシミュレーションを行い、外乱が加えられた時の異常
時のプラント応答を予測する。
例えば、異常の種類として「蒸気ドラム水位低下」を選
んだ場合、これを頂上事象とし・、この事象を結果する
と考えられる原因事象、更にこの原因事象を結果すると
考えられる原因事象というように、順次各事象を結果す
る原因事象を樹木状につなぎ合わせて得られるフォルト
・ツリーからプラント動特性解析コード入力可能な、例
えば以下のような事象を選択する。
んだ場合、これを頂上事象とし・、この事象を結果する
と考えられる原因事象、更にこの原因事象を結果すると
考えられる原因事象というように、順次各事象を結果す
る原因事象を樹木状につなぎ合わせて得られるフォルト
・ツリーからプラント動特性解析コード入力可能な、例
えば以下のような事象を選択する。
（イ）反応度の低下
（ロ）給水流量の低下
（ハ）蒸気ドラム気相部の圧力増大
（ニ）給水温度の低下
（ホ）主蒸気流量の増大
なお、「蒸気ドラム水位の低下」の発生は、例えば第２
図に示すような新型転換炉（ＡＴＲ）において炉心で発
生している熱を除去している水がなくなることに通じ、
炉心溶融にもつながりかねない異常に相当するので、こ
のため運転員は「蒸気ドラム水位」は、常に細心の注意
を払って監視している事象である。なお、第２図のＡＴ
Ｒでは、カランドリアタンク内に減速材としての重水を
循環させ、減速材中で発生する熱を重水冷却系４で除去
し、カランドリア管と圧力管との間は炭酸ガスで満たし
て熱絶縁材とし、冷却材再循環系６により圧力管を通し
て冷却水を循環させ、給水系１０により給水しつつ蒸気
ドラム５で発生した蒸気を主蒸気系１１で取り出して利
用している。
図に示すような新型転換炉（ＡＴＲ）において炉心で発
生している熱を除去している水がなくなることに通じ、
炉心溶融にもつながりかねない異常に相当するので、こ
のため運転員は「蒸気ドラム水位」は、常に細心の注意
を払って監視している事象である。なお、第２図のＡＴ
Ｒでは、カランドリアタンク内に減速材としての重水を
循環させ、減速材中で発生する熱を重水冷却系４で除去
し、カランドリア管と圧力管との間は炭酸ガスで満たし
て熱絶縁材とし、冷却材再循環系６により圧力管を通し
て冷却水を循環させ、給水系１０により給水しつつ蒸気
ドラム５で発生した蒸気を主蒸気系１１で取り出して利
用している。
次にプラント動特性解析から求めたプラント状態量につ
いて、定常運転時からの偏差を（１）式のように求める
。
いて、定常運転時からの偏差を（１）式のように求める
。
ｙｔ＋。
但し、
ＸＩ＋１ ニブラント状態量の種類】、時刻ｔにおける
プラント状態量の偏差値 ｙｌ、。ニブラント状態量の種類ｉの定格運転時のプラ
ント状態量の値 Ｖｔ＋ｔ ’プラント状態量の種類ｉの時刻ｔにおけ
るプラント状態量の値 である。なお、（１）式は、圧力、温度、°流量等の次
元の異なったプラント状態量を相互に比較できるように
、正規化して無次元化している。
プラント状態量の偏差値 ｙｌ、。ニブラント状態量の種類ｉの定格運転時のプラ
ント状態量の値 Ｖｔ＋ｔ ’プラント状態量の種類ｉの時刻ｔにおけ
るプラント状態量の値 である。なお、（１）式は、圧力、温度、°流量等の次
元の異なったプラント状態量を相互に比較できるように
、正規化して無次元化している。
次に自己回帰分析コードを用いて計算機により正規化し
たプラント状態量について、状態量の周波数スペクトル
相互間の相関関係を示すパターンを作成する。自己回帰
分析コードのなかでは、まず最初に〔２〕式を用いて時
系列データＸ （ｔ）を自己回帰表現することができる
。
たプラント状態量について、状態量の周波数スペクトル
相互間の相関関係を示すパターンを作成する。自己回帰
分析コードのなかでは、まず最初に〔２〕式を用いて時
系列データＸ （ｔ）を自己回帰表現することができる
。
Ｘ（ｔ）＝Σ Ａ（ｍ）Ｘ（ｔ −ｍ）＋ＩＩ（ｔ）
−−（２）但し、 Ｘ （ｔ） ： （ＸＩ （ｔ）、 ｘ２（ｔ）、Ｘｋ
（ｔ） ）の転置行列ｘｋ（ｔ）：種Ｑｋのプラント
状態量の時刻ｔにおける偏差値 Ｕ（ｔ）：ホワイトノイズ Ｍ：自己回帰係数の次数 次に残差の共分散行列Σと自己回帰係数Ａ（ｍ）からス
ペクトル密度関数Ｐ（「）を次式に示すように求めるこ
とができる。
−−（２）但し、 Ｘ （ｔ） ： （ＸＩ （ｔ）、 ｘ２（ｔ）、Ｘｋ
（ｔ） ）の転置行列ｘｋ（ｔ）：種Ｑｋのプラント
状態量の時刻ｔにおける偏差値 Ｕ（ｔ）：ホワイトノイズ Ｍ：自己回帰係数の次数 次に残差の共分散行列Σと自己回帰係数Ａ（ｍ）からス
ペクトル密度関数Ｐ（「）を次式に示すように求めるこ
とができる。
Ｐ（ｆ）＝（Ａ（ｆ）） −’）： （（６） ” ）
−’ （３）Ａ （ｆ）は（ｊ、 ｓ）要
素がＡｒ−（ｆ）の行列、Ｐ （ｆ）は（ｉ、、ｊ）要
素がＰ＋Ｊ（ｆ）の行列であり、（）−１は逆行列、（
）Ｔは転置行列、（）は複素共役数を示している。なお
Ａ、、（ｆ）は次式に示すように自己回帰係数Ａ （ｍ
）のフーリエ変換したものである。
−’ （３）Ａ （ｆ）は（ｊ、 ｓ）要
素がＡｒ−（ｆ）の行列、Ｐ （ｆ）は（ｉ、、ｊ）要
素がＰ＋Ｊ（ｆ）の行列であり、（）−１は逆行列、（
）Ｔは転置行列、（）は複素共役数を示している。なお
Ａ、、（ｆ）は次式に示すように自己回帰係数Ａ （ｍ
）のフーリエ変換したものである。
プラント状態量１とｊの周波数スペクトル間の相関関数
は次式のコヒーレンス関数で示すことができる。
は次式のコヒーレンス関数で示すことができる。
Ｃ０ｔｌ（ｆ）、＝ ｌ Ｐ（ｆ）ｌｊ ｌ ／（Ｐ（
ｆ） ｔｔ−Ｐ（ｆ）＊ｊ）・・・（５）これらの周波
数スペクトル間の相関関係を調べるプラント状態量の種
類は、例えば第２図のＡＴＲのなかでみれば、再循環系
における中性子束、再１１！流量、蒸気ドラム内水位、
給水系における給水流量、給水温度、主蒸気系における
主蒸気流量、混合部圧力、主蒸気加減弁開度、タービン
系におけるタービン出力のようなものである。これらの
状態量のなかの例えば中性子束と給水流量の周波数スペ
クトルの相関関係（コヒーレンス関数）は、第４図に示
すようなものである。
ｆ） ｔｔ−Ｐ（ｆ）＊ｊ）・・・（５）これらの周波
数スペクトル間の相関関係を調べるプラント状態量の種
類は、例えば第２図のＡＴＲのなかでみれば、再循環系
における中性子束、再１１！流量、蒸気ドラム内水位、
給水系における給水流量、給水温度、主蒸気系における
主蒸気流量、混合部圧力、主蒸気加減弁開度、タービン
系におけるタービン出力のようなものである。これらの
状態量のなかの例えば中性子束と給水流量の周波数スペ
クトルの相関関係（コヒーレンス関数）は、第４図に示
すようなものである。
第４図（イ）は反応度の低下、第４図（ロ）は給水流量
の低下、第４図（ハ）は蒸気ドラム気相部の圧力増大の
場合の図である。反応度の低下には、２． Ｔｏ ｘ
ｔｏ−２＄ ／秒、１．６２Ｘ１０−２＄／秒、０．４
１ＸＩＯ−２＄／秒の速さで異常の速度を変えた。給水
流量の場合には、３％、５％、７％までステップ関数的
に流量を小さくした。蒸気ドラム気相部の圧力増大の場
合には、２％、４％、６％までやはりステップ関数的に
圧力を増大させた。図において横軸が周波数を縦軸が相
関関係の大きさを示している。
の低下、第４図（ハ）は蒸気ドラム気相部の圧力増大の
場合の図である。反応度の低下には、２． Ｔｏ ｘ
ｔｏ−２＄ ／秒、１．６２Ｘ１０−２＄／秒、０．４
１ＸＩＯ−２＄／秒の速さで異常の速度を変えた。給水
流量の場合には、３％、５％、７％までステップ関数的
に流量を小さくした。蒸気ドラム気相部の圧力増大の場
合には、２％、４％、６％までやはりステップ関数的に
圧力を増大させた。図において横軸が周波数を縦軸が相
関関係の大きさを示している。
これらの図から大局的にみるとパターンは異常の速度あ
るいは大きさに依存せず異常の原因毎に異なるといえる
。しかし、局所的にみれば異常の速度あるいは大きさを
変えた時にこれらのパターンがゆらいでいるといえる。
るいは大きさに依存せず異常の原因毎に異なるといえる
。しかし、局所的にみれば異常の速度あるいは大きさを
変えた時にこれらのパターンがゆらいでいるといえる。
即ち、あるひとつの周波数に対して相関値がある幅を持
つ。この幅を図の中に網をかけて示した。
つ。この幅を図の中に網をかけて示した。
このような異常時パターンを用いてニューラルネットの
なかの結合係数を学習させ、学習後の結合係数を用いて
ニューラルネットのモデルのなかに時々刻々変化する実
際のプラント状態量に対して得られるパターンを入力し
て異常の原因を識別する。
なかの結合係数を学習させ、学習後の結合係数を用いて
ニューラルネットのモデルのなかに時々刻々変化する実
際のプラント状態量に対して得られるパターンを入力し
て異常の原因を識別する。
まず最初にニューラルネットのモデル、次にニューラル
ネットの学習則、最後に学習の実施例を示す。
ネットの学習則、最後に学習の実施例を示す。
第５図はニューラルネットのモデルを示ス図である。図
中、４１は入力層、４２は中間層、４３は出力層である
。
中、４１は入力層、４２は中間層、４３は出力層である
。
ニューラルネットのモデルを図示するように入力層４１
、中間層４２、出力層４３の３層で構成した。これらの
入力層４１の要素の数は９６個、中間層４２の要素の数
は２〜９個、出力層４３の要素の数は５個とした。入力
層の要素の利用の仕方は学習の実施例の中で詳述する。
、中間層４２、出力層４３の３層で構成した。これらの
入力層４１の要素の数は９６個、中間層４２の要素の数
は２〜９個、出力層４３の要素の数は５個とした。入力
層の要素の利用の仕方は学習の実施例の中で詳述する。
中間層の要素の数は２〜９の間で計算機負荷が最も小さ
くなる数を選ぶ。出力層の要素はそれぞれ識別する異常
に対応させているので、その数も識別する異常の数に対
応させている。ここでは反応度の低下、給水流量の低下
、蒸気ドラム気相部の圧力増大、給水温度の低下、主蒸
気流量の増大の５つを考える。
くなる数を選ぶ。出力層の要素はそれぞれ識別する異常
に対応させているので、その数も識別する異常の数に対
応させている。ここでは反応度の低下、給水流量の低下
、蒸気ドラム気相部の圧力増大、給水温度の低下、主蒸
気流量の増大の５つを考える。
次に学習則を示す。
■入力層に入力信号を入れる。
■入力層から出力層の信号伝送過程に沿って、各ニュー
ロンの状態変化を順次計算する。
ロンの状態変化を順次計算する。
■バックプロパゲーション法では、■の計算の結果から
得られる出力層の１番目のニューロンの出力をＯｌとし
、入力信号に対するニューロンの望ましい出力（教師信
号）をｄ、とすると、望ましい出力と実際に得られた出
力との差の二乗誤差Ｅ ＝ −’ｆ： （ｄ、−Ｏｌ
） ’ （６）を拍車化するように
、ネットワークの係数の値を変化させる。中間層以降の
第Ｎ段の１番目のニューロンの学習信号δ、を、第（Ｎ
＋１）段の各二ｙすｌ ニーロンの学習信号δ、を用いて、（７）式に従って、
再帰的に計算する。
得られる出力層の１番目のニューロンの出力をＯｌとし
、入力信号に対するニューロンの望ましい出力（教師信
号）をｄ、とすると、望ましい出力と実際に得られた出
力との差の二乗誤差Ｅ ＝ −’ｆ： （ｄ、−Ｏｌ
） ’ （６）を拍車化するように
、ネットワークの係数の値を変化させる。中間層以降の
第Ｎ段の１番目のニューロンの学習信号δ、を、第（Ｎ
＋１）段の各二ｙすｌ ニーロンの学習信号δ、を用いて、（７）式に従って、
再帰的に計算する。
δ＋；ｆｔ（ｕ”）Σδ＠ ＊ ｌ ｗ ＩＩ ＋ Ｉ
＋ Ｗ （７）Ｋ Ｋ。
＋ Ｗ （７）Ｋ Ｋ。
ここで、ｕ″：第Ｎ段のｉ番目のニューロンの内ノ
ｒ、：第Ｎ段の１番目のニューロンの出力関数（Ｘ＋
＝ｆ ｔ （Ｕ＋ ） ） ｆ、：ｆｔの微分値 δの初期値、すなわち出力層の学習δｉは、（８）式で
求められる δ＋＝（ｄｔ−Ｏｔ）ｆ’（ｕｔ） ””’（８
）ここで、出力層のｉ番目のニューロンの内部状態ｕ１
の初期値ｕｌと、（７）式とを用いて、出力層から入力
層に向って、順次学習信号の値を計算する。
＝ｆ ｔ （Ｕ＋ ） ） ｆ、：ｆｔの微分値 δの初期値、すなわち出力層の学習δｉは、（８）式で
求められる δ＋＝（ｄｔ−Ｏｔ）ｆ’（ｕｔ） ””’（８
）ここで、出力層のｉ番目のニューロンの内部状態ｕ１
の初期値ｕｌと、（７）式とを用いて、出力層から入力
層に向って、順次学習信号の値を計算する。
■ある入力信号を入力するとともに、それに対応する望
ましい出力信号を提示して、結合係数を変化させる学習
過程を、いろいろな入力信号と対応する出力教師信号の
セットに対して、繰返し行なう。この各学習過程毎の結
合係数の変化期は、■ｎ：学習回数 η：学習定数 α：安定化定数 そして、各ステップ毎に、次々と入力信号と、それに対
応する出力教師信号をニューラルネットワークに提示す
る。こうして学習回数を重ねることにより、第７図に示
すように、（６）式で示す二乗誤差の総和は減少するこ
とになる。
ましい出力信号を提示して、結合係数を変化させる学習
過程を、いろいろな入力信号と対応する出力教師信号の
セットに対して、繰返し行なう。この各学習過程毎の結
合係数の変化期は、■ｎ：学習回数 η：学習定数 α：安定化定数 そして、各ステップ毎に、次々と入力信号と、それに対
応する出力教師信号をニューラルネットワークに提示す
る。こうして学習回数を重ねることにより、第７図に示
すように、（６）式で示す二乗誤差の総和は減少するこ
とになる。
次に学習の実施例を示す。
まず最初に入力層の９６個の要素の内訳を示し、次に異
常原因の識別に用いたプラント状態量の例を示す。
常原因の識別に用いたプラント状態量の例を示す。
入力層の要素の中の６０個を人カバターン、即ちコヒー
レンススペクトルの形状を識別するのに用いた。そのた
めに、第６図に示すように、スペクトルを示す平面を６
０個の四角形で刻み、スペクトルの値がその範囲内に入
る四角形の場合は１（斜線部）、スペクトルの値がその
範囲内に入らない四角形の場合Ｏ（空白部）の信号で表
現し、６０通りに分割した近似表現として各６０個の入
力層の要素がそれぞれの四角形を分担する。四角形で分
割する時には最初にＯＨｚから０．３Ｈｚまでのスペク
トルの横軸を６つに等分割し、０から１の相関値を示す
縦軸を１０個に分けた。この分割は等分割ではなく、相
関値が小さい範囲を粗く、相関値が大きい範囲を細かく
分割して、大きな相関値の場合の分析精度を上げるよう
にする。０゜０から０．４までが０．２毎に２分割、０
．４から０． ８までが０． １毎に４分割、０．８か
ら１゜０までが０．０５毎に４分割である。プラント状
態量の組合せの種類、即ちどのプラント状態量の組み合
わせの周波数スペクトルなのかを求めるのに３６個の要
素を用いた。この３６個の要素で、どのプラント状態量
の組み合わせの周波数スペクトルなのかを識別する。即
ち、どの要素に１の信号が入るかにより、どのような組
み合わせの周波数スペクトルであるかを教えている。な
お、６０通りの分割は入力情報量を減らすための操作で
あって、処理能力が充分あればより分割数を増やしても
よい。
レンススペクトルの形状を識別するのに用いた。そのた
めに、第６図に示すように、スペクトルを示す平面を６
０個の四角形で刻み、スペクトルの値がその範囲内に入
る四角形の場合は１（斜線部）、スペクトルの値がその
範囲内に入らない四角形の場合Ｏ（空白部）の信号で表
現し、６０通りに分割した近似表現として各６０個の入
力層の要素がそれぞれの四角形を分担する。四角形で分
割する時には最初にＯＨｚから０．３Ｈｚまでのスペク
トルの横軸を６つに等分割し、０から１の相関値を示す
縦軸を１０個に分けた。この分割は等分割ではなく、相
関値が小さい範囲を粗く、相関値が大きい範囲を細かく
分割して、大きな相関値の場合の分析精度を上げるよう
にする。０゜０から０．４までが０．２毎に２分割、０
．４から０． ８までが０． １毎に４分割、０．８か
ら１゜０までが０．０５毎に４分割である。プラント状
態量の組合せの種類、即ちどのプラント状態量の組み合
わせの周波数スペクトルなのかを求めるのに３６個の要
素を用いた。この３６個の要素で、どのプラント状態量
の組み合わせの周波数スペクトルなのかを識別する。即
ち、どの要素に１の信号が入るかにより、どのような組
み合わせの周波数スペクトルであるかを教えている。な
お、６０通りの分割は入力情報量を減らすための操作で
あって、処理能力が充分あればより分割数を増やしても
よい。
識別に用いたプラント状態量の組合わせは中性子束・主
蒸気流量、蒸気ドラム水位・主蒸気流量、再循環流最・
主蒸気流量、混合部圧力・主蒸気加減弁開度、給水流１
・給水温度の５つである。識別誤差が十分率さな値（例
えば±１０％）以内に収束するまで学習させる。学習定
数としては、例えばバックプロパゲーション法で一般的
に使用されている０、２５０、安定化定数に０．９の値
を用いる。結合係数の初期値、コヒーレンススペクトル
を入力する順序にランダムな数値を与える。
蒸気流量、蒸気ドラム水位・主蒸気流量、再循環流最・
主蒸気流量、混合部圧力・主蒸気加減弁開度、給水流１
・給水温度の５つである。識別誤差が十分率さな値（例
えば±１０％）以内に収束するまで学習させる。学習定
数としては、例えばバックプロパゲーション法で一般的
に使用されている０、２５０、安定化定数に０．９の値
を用いる。結合係数の初期値、コヒーレンススペクトル
を入力する順序にランダムな数値を与える。
次に、パターンの照合を行う時の方法を示す。
まず最初にシミュレータを利用して作成したプラント状
態量の周波数スペクトルの相関関係を示スハターンＺ
＋ ＋ ２２ −”−”Ｚ ＩＩ ヲニューラルネッ
トに入力し異常原因の識別誤差が希望の値以内になるま
で学習させ、入力層・中間層、中間層・出力層の間の結
合係数ｗ”・Ｗ−１，ｌｌ＋１・０の値を決める。そし
てこれらのニューラルネットモデルと結合係数Ｗの値を
参照用異常時パターンとして記憶しておき、蒸気ドラム
水位の低下を検出した時に刻々変化する実際のプラント
状態量から得られるパターンｚ、’ ｚ、” ””ｚ。
態量の周波数スペクトルの相関関係を示スハターンＺ
＋ ＋ ２２ −”−”Ｚ ＩＩ ヲニューラルネッ
トに入力し異常原因の識別誤差が希望の値以内になるま
で学習させ、入力層・中間層、中間層・出力層の間の結
合係数ｗ”・Ｗ−１，ｌｌ＋１・０の値を決める。そし
てこれらのニューラルネットモデルと結合係数Ｗの値を
参照用異常時パターンとして記憶しておき、蒸気ドラム
水位の低下を検出した時に刻々変化する実際のプラント
状態量から得られるパターンｚ、’ ｚ、” ””ｚ。
′をこれらの結合係数を用いたニューラルネットモデル
のなかに入れ、異常の原因を同定する。あるひとつの周
波数に対して相関値がある幅をもつあいまいなパターン
を用いて異常の原因を同定するのに、ニューラルネット
を利用するのは都合がよい。
のなかに入れ、異常の原因を同定する。あるひとつの周
波数に対して相関値がある幅をもつあいまいなパターン
を用いて異常の原因を同定するのに、ニューラルネット
を利用するのは都合がよい。
異常原因同定結果の一例を第８図に示す。
第８図は、例えば入力層に反応度低下を示す周波数スペ
クトルのパターンが入力されたとき、反応度低下に対応
する出力要素から、理想状態で得られる出力を１とした
ときに、０．９４±０，０１が得られ、他の出力要素か
らは最大で０．０５が得られたことを示している。同様
に給水流量の低下、蒸気ドラム圧力の増大、主蒸気流量
の増大、給水温度の低下を示す周波数スペクトルのパタ
ーンが入力されたとき、それぞれ対応する出力要素から
０．９５±０．０１．０．９６±０．０２．０．９６±
０．０１，０．９４±０．０１の出力が、またそのとき
他の出力要素からは最大で、それぞれ０．０６．０，０
５．０．０４．０．０５が得られた。したがって、直接
原因要素の出力が、それ以外の要素からの出力に対して
充分区別し得る程の大きさで得られるので、ただちに原
因の識別を行うことが可能である。
クトルのパターンが入力されたとき、反応度低下に対応
する出力要素から、理想状態で得られる出力を１とした
ときに、０．９４±０，０１が得られ、他の出力要素か
らは最大で０．０５が得られたことを示している。同様
に給水流量の低下、蒸気ドラム圧力の増大、主蒸気流量
の増大、給水温度の低下を示す周波数スペクトルのパタ
ーンが入力されたとき、それぞれ対応する出力要素から
０．９５±０．０１．０．９６±０．０２．０．９６±
０．０１，０．９４±０．０１の出力が、またそのとき
他の出力要素からは最大で、それぞれ０．０６．０，０
５．０．０４．０．０５が得られた。したがって、直接
原因要素の出力が、それ以外の要素からの出力に対して
充分区別し得る程の大きさで得られるので、ただちに原
因の識別を行うことが可能である。
次に、第１図によりこのような原理に基づくプラントの
異常診断の手順を説明する。
異常診断の手順を説明する。
図において、電子計算機２１は参照用異常時パターン作
成機能を有しており、異常プラント状態量間のパターン
を作成する。即ち、ステップ■でシミュレータ（プラン
ト動特性解析コード）を使用して異常時のプラント応答
解析を行い、ステップ■でプラント状態量の周波数スペ
クトルの相関関係を示すパターンを作成し、ステップ■
でニューラルネットの学習を行いニューラルネットのモ
デルと結合係数を決定する。
成機能を有しており、異常プラント状態量間のパターン
を作成する。即ち、ステップ■でシミュレータ（プラン
ト動特性解析コード）を使用して異常時のプラント応答
解析を行い、ステップ■でプラント状態量の周波数スペ
クトルの相関関係を示すパターンを作成し、ステップ■
でニューラルネットの学習を行いニューラルネットのモ
デルと結合係数を決定する。
次に、ステップ■において、例えば磁気ディスク等から
なる外部記憶装置２２にステップ■で作成したニューラ
ルネットのモデルとこのモデルのなかの結合係数の値を
参照用異常時パターンとして記憶する。
なる外部記憶装置２２にステップ■で作成したニューラ
ルネットのモデルとこのモデルのなかの結合係数の値を
参照用異常時パターンとして記憶する。
プラント異常診断用電子計算機２４は、ステップ■にお
いて時々刻々変化する実プラント２３からプラント状態
量の収集を行い、ステップ■におけるプラント状態壷間
の結合様式を示すパターン作成の場合と同様にステップ
■でプラント状態量間の結合様式パターンを作成する。
いて時々刻々変化する実プラント２３からプラント状態
量の収集を行い、ステップ■におけるプラント状態壷間
の結合様式を示すパターン作成の場合と同様にステップ
■でプラント状態量間の結合様式パターンを作成する。
ステップ■では、例えば蒸気ドラムの水位計の指示値が
通常のものより小さくなった場合等に異常を検出する。
通常のものより小さくなった場合等に異常を検出する。
この場合の異常の有・無をしきい値については、水位計
の測定ライン（ｘ２）に混入する雑音によって揺らいで
いる値（Ｘ２±δＸ、）よりわずかに大きなものを使用
する。
の測定ライン（ｘ２）に混入する雑音によって揺らいで
いる値（Ｘ２±δＸ、）よりわずかに大きなものを使用
する。
ステップ■において、ステップ■のプラント状態量間の
結合様式のパターンを参照用異常時のパターンとして記
憶している結合係数が決められたニューラルネットモデ
ルのなかに入力し、前述したようにして異常原因を識別
する。そして、ステップ■で異常の識別結果を計算機の
プリンター等に出力する。
結合様式のパターンを参照用異常時のパターンとして記
憶している結合係数が決められたニューラルネットモデ
ルのなかに入力し、前述したようにして異常原因を識別
する。そして、ステップ■で異常の識別結果を計算機の
プリンター等に出力する。
こうして、ニューラルネットによる識別の結果、原因が
判明した場合にはプラント内の警報を点滅させる等によ
り報知する。また、原因が判明しない場合には、プラン
ト異常診断の開始時点に戻る。
判明した場合にはプラント内の警報を点滅させる等によ
り報知する。また、原因が判明しない場合には、プラン
ト異常診断の開始時点に戻る。
この場合、ｒ ｍ Ｍｍ 操作」を運転員に提示する等
の措置を取るようにしてもよい。
の措置を取るようにしてもよい。
以上のようにして、例えば原子炉プラントの中性子束、
温度、流量、圧力、バルブ開度等の中央制御室で容易に
監視することのできるプラント状態量の結合様式の変形
形態をニューラルネットモデルを利用して、異常原因の
同定を行うことができる。
温度、流量、圧力、バルブ開度等の中央制御室で容易に
監視することのできるプラント状態量の結合様式の変形
形態をニューラルネットモデルを利用して、異常原因の
同定を行うことができる。
第３図はこのような異常診断を行うためのハードウェア
構成を示す図で、３１はプラント、３２は電子計算機、
３３は外部記憶装置、３４は警報器であり、それぞれ前
述した作用を行う。
構成を示す図で、３１はプラント、３２は電子計算機、
３３は外部記憶装置、３４は警報器であり、それぞれ前
述した作用を行う。
以上のように本発明によれば、プラントの全体の状態を
総合的に判断するようにしたので、小さな異常を原因を
同定して運転員に知らせることにより、早期に回復操作
を行うことができ、プラント稼動率を向上させることだ
けではなくプラントの安全性を向上させることが可能と
なる。
総合的に判断するようにしたので、小さな異常を原因を
同定して運転員に知らせることにより、早期に回復操作
を行うことができ、プラント稼動率を向上させることだ
けではなくプラントの安全性を向上させることが可能と
なる。
第１図はプラントの異常診断の手順を説明するためのブ
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低下
、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸気
ドラム気相部の圧力増大の場合の中性子束・給水流量間
の周波数スペクトルの相関を示す図、第５図はニューラ
ルネットのモデルを示す図、第６図は周波数スペクトル
の相関をパターン化した図、第７図はニューラルネット
モデルのなかの結合係数の学習情況を示す図、第８図は
異常原因の識別結果を示す図である。 ２１．２４・・・電子計算機、２２・・・７（ターン記
憶装置、２３．３１・・・プラント、３２・・・電子計
算機、３３・・・外部記憶装置、３４・・・警報器。 出 願 人 動力炉・核燃料開発事業団代理人弁理
士 蛭 川 昌 信（外５名）第 図（イ） ｍ：を歓バＨｚ） 第 図（ロ） 第 図（ハ） 第 図 第 図 （Ｉ：Ｌｋ度の低下） 開環＆（Ｈｚ）
ロック図、第２図は新型転換炉（ＡＴＲ）の全体構成を
示す図、第３図はプラントの異常診断を行うハードウェ
ア構成を示すブロック図、第４図（イ）は反応度の低下
、第４図（ロ）は給水流量の低下、第４図（ハ）は蒸気
ドラム気相部の圧力増大の場合の中性子束・給水流量間
の周波数スペクトルの相関を示す図、第５図はニューラ
ルネットのモデルを示す図、第６図は周波数スペクトル
の相関をパターン化した図、第７図はニューラルネット
モデルのなかの結合係数の学習情況を示す図、第８図は
異常原因の識別結果を示す図である。 ２１．２４・・・電子計算機、２２・・・７（ターン記
憶装置、２３．３１・・・プラント、３２・・・電子計
算機、３３・・・外部記憶装置、３４・・・警報器。 出 願 人 動力炉・核燃料開発事業団代理人弁理
士 蛭 川 昌 信（外５名）第 図（イ） ｍ：を歓バＨｚ） 第 図（ロ） 第 図（ハ） 第 図 第 図 （Ｉ：Ｌｋ度の低下） 開環＆（Ｈｚ）
Claims (2)
- （１）異常時のプラント状態量の変化をシミュレーショ
ンにより求め、プラント状態量の変化を自己回帰分析し
て得られるプラント状態量間の結合様式を作成する段階
、作成したプラント状態量間の結合様式を入力層、中間
層、出力層からなるニューラルネットに入れ、予め設定
した精度以内まで学習させてニューラルネットのモデル
、及び入力層と中間層、中間層と出力層の間の結合係数
を決定する段階、実プラント異常を検出後、プラント状
態量から作成されるプラント状態量間の結合様式を示す
パターンを前記ニューラルネットに入力して異常の原因
を同定する段階からなることを特徴とするプラントの異
常診断方法。 - （２）前記プラント状態量間の結合様式は、各プラント
状態量の周波数スペクトルの相関関係を示すコヒーレン
ススペクトルである請求項１記載のプラントの異常診断
方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1028093A JPH0660826B2 (ja) | 1989-02-07 | 1989-02-07 | プラントの異常診断方法 |
| US07/476,922 US5023045A (en) | 1989-02-07 | 1990-02-07 | Plant malfunction diagnostic method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1028093A JPH0660826B2 (ja) | 1989-02-07 | 1989-02-07 | プラントの異常診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH02206721A true JPH02206721A (ja) | 1990-08-16 |
| JPH0660826B2 JPH0660826B2 (ja) | 1994-08-10 |
Family
ID=12239172
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1028093A Expired - Lifetime JPH0660826B2 (ja) | 1989-02-07 | 1989-02-07 | プラントの異常診断方法 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US5023045A (ja) |
| JP (1) | JPH0660826B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03287098A (ja) * | 1990-04-03 | 1991-12-17 | Mitsubishi Electric Corp | 神経回路網原子力プラント診断装置 |
| CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
Families Citing this family (87)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06101079B2 (ja) * | 1988-11-09 | 1994-12-12 | 三菱電機株式会社 | プラント異常診断装置 |
| JP2533942B2 (ja) * | 1989-03-13 | 1996-09-11 | 株式会社日立製作所 | 知識抽出方法およびプロセス運転支援システム |
| JPH0692914B2 (ja) * | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器／設備の状態診断システム |
| US5315502A (en) * | 1989-06-09 | 1994-05-24 | Mitsubishi Denki Kabushiki Kaisha | Plant operation support apparatus and method using expert systems |
| JPH03167655A (ja) * | 1989-11-28 | 1991-07-19 | Toshiba Corp | ニューラルネットワーク |
| JPH0816956B2 (ja) * | 1990-01-18 | 1996-02-21 | 株式会社日立製作所 | フォールト・トリー表示方法、フォールト・トリー表示装置およびプロセス診断支援システム |
| US5402521A (en) * | 1990-02-28 | 1995-03-28 | Chiyoda Corporation | Method for recognition of abnormal conditions using neural networks |
| US5122976A (en) * | 1990-03-12 | 1992-06-16 | Westinghouse Electric Corp. | Method and apparatus for remotely controlling sensor processing algorithms to expert sensor diagnoses |
| US5630018A (en) * | 1990-04-09 | 1997-05-13 | Matsushita Electric Industrial Co., Ltd. | Fuzzy inference device using neural network |
| US5175678A (en) * | 1990-08-15 | 1992-12-29 | Elsag International B.V. | Method and procedure for neural control of dynamic processes |
| JP3231810B2 (ja) * | 1990-08-28 | 2001-11-26 | アーチ・デベロップメント・コーポレーション | ニューラル・ネットワークを用いた鑑別診断支援方法 |
| DE69128996T2 (de) * | 1990-10-10 | 1998-09-10 | Honeywell Inc | Identifizierung eines Prozesssystems |
| US5367612A (en) * | 1990-10-30 | 1994-11-22 | Science Applications International Corporation | Neurocontrolled adaptive process control system |
| DE69225723T2 (de) * | 1991-01-22 | 1998-12-03 | Honeywell, Inc., Minneapolis, Minn. | Zweistufige Systemidentifikationsvorrichtung mit Optimierung |
| US5319572A (en) * | 1991-10-02 | 1994-06-07 | Westinghouse Electric Corp. | Electrohydraulic fluid monitor system |
| US5349541A (en) * | 1992-01-23 | 1994-09-20 | Electric Power Research Institute, Inc. | Method and apparatus utilizing neural networks to predict a specified signal value within a multi-element system |
| US5629872A (en) * | 1992-01-29 | 1997-05-13 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
| US5410492A (en) * | 1992-01-29 | 1995-04-25 | Arch Development Corporation | Processing data base information having nonwhite noise |
| US5459675A (en) * | 1992-01-29 | 1995-10-17 | Arch Development Corporation | System for monitoring an industrial process and determining sensor status |
| US5353207A (en) * | 1992-06-10 | 1994-10-04 | Pavilion Technologies, Inc. | Residual activation neural network |
| US5309485A (en) * | 1992-07-06 | 1994-05-03 | General Electric Company | Core automated monitoring system |
| US5598509A (en) * | 1992-08-28 | 1997-01-28 | Hitachi, Ltd. | Method of configuring a neural network and a diagnosis/recognition system using the same |
| DE4340746C2 (de) * | 1992-11-30 | 2003-11-27 | Toyota Chuo Kenkyusho Aichi Kk | Diagnoseeinrichtung zum Diagnostizieren eines dynamischen Systems |
| AU6358394A (en) * | 1993-03-02 | 1994-09-26 | Pavilion Technologies, Inc. | Method and apparatus for analyzing a neural network within desired operating parameter constraints |
| US5623579A (en) * | 1993-05-27 | 1997-04-22 | Martin Marietta Energy Systems, Inc. | Automated method for the systematic interpretation of resonance peaks in spectrum data |
| SE504401C2 (sv) * | 1994-06-02 | 1997-02-03 | Asea Atom Ab | Förfarande för att övervaka neutrondetektorer i kärnreaktor |
| US5586066A (en) * | 1994-06-08 | 1996-12-17 | Arch Development Corporation | Surveillance of industrial processes with correlated parameters |
| JP3253450B2 (ja) * | 1994-06-21 | 2002-02-04 | 株式会社東芝 | 炉心性能推定装置および炉心性能推定方法 |
| JP2829241B2 (ja) * | 1994-07-26 | 1998-11-25 | 三菱電機株式会社 | プラント支援装置 |
| US5710723A (en) * | 1995-04-05 | 1998-01-20 | Dayton T. Brown | Method and apparatus for performing pre-emptive maintenance on operating equipment |
| SE504945C2 (sv) * | 1995-09-27 | 1997-06-02 | Asea Atom Ab | Förfarande och anordning för övervakning med avseende på stabilitet av en kokarvattenreaktor |
| US5761090A (en) * | 1995-10-10 | 1998-06-02 | The University Of Chicago | Expert system for testing industrial processes and determining sensor status |
| DE19707173C5 (de) * | 1997-02-22 | 2006-06-14 | Voith Siemens Hydro Power Generation Gmbh & Co. Kg | Maschinendiagnosesystem und Verfahren zur zustandsorientierten Betriebsüberwachung einer Maschine |
| US5987398A (en) * | 1998-04-30 | 1999-11-16 | Sony Corporation | Method and apparatus for statistical process control of machines and processes having non-constant mean of a response variable |
| FR2783620B1 (fr) * | 1998-09-22 | 2002-03-29 | De Micheaux Daniel Lafaye | Procede et systeme multidimensionnel de maitrise statistique des processus |
| US6725208B1 (en) * | 1998-10-06 | 2004-04-20 | Pavilion Technologies, Inc. | Bayesian neural networks for optimization and control |
| US6986698B1 (en) | 1999-04-01 | 2006-01-17 | Beaver Creek Concepts Inc | Wafer refining |
| US7037172B1 (en) | 1999-04-01 | 2006-05-02 | Beaver Creek Concepts Inc | Advanced wafer planarizing |
| US7878882B2 (en) * | 1999-04-01 | 2011-02-01 | Charles J. Molnar | Advanced workpiece finishing |
| US6739947B1 (en) | 1998-11-06 | 2004-05-25 | Beaver Creek Concepts Inc | In situ friction detector method and apparatus |
| US7008300B1 (en) | 2000-10-10 | 2006-03-07 | Beaver Creek Concepts Inc | Advanced wafer refining |
| US20130189801A1 (en) * | 1998-11-06 | 2013-07-25 | Semcon Tech, Llc | Advanced finishing control |
| US8353738B2 (en) * | 1998-11-06 | 2013-01-15 | Semcon Tech, Llc | Advanced finishing control |
| US7572169B1 (en) | 1998-11-06 | 2009-08-11 | Beaver Creek Concepts Inc | Advanced finishing control |
| US7575501B1 (en) | 1999-04-01 | 2009-08-18 | Beaver Creek Concepts Inc | Advanced workpiece finishing |
| US7220164B1 (en) * | 2003-12-08 | 2007-05-22 | Beaver Creek Concepts Inc | Advanced finishing control |
| US7131890B1 (en) * | 1998-11-06 | 2006-11-07 | Beaver Creek Concepts, Inc. | In situ finishing control |
| US6748348B1 (en) | 1999-12-30 | 2004-06-08 | General Electric Company | Design method for nuclear reactor fuel management |
| US6885975B2 (en) | 2000-11-14 | 2005-04-26 | Rajagopalan Srinivasan | Method and apparatus for managing process transitions |
| US20030086520A1 (en) * | 2001-11-07 | 2003-05-08 | Russell William Earl | System and method for continuous optimization of control-variables during operation of a nuclear reactor |
| US6785633B2 (en) * | 2001-12-28 | 2004-08-31 | General Electric Company | Method and apparatus for assessing performance of combined cycle power-plants |
| US20030125906A1 (en) * | 2001-12-28 | 2003-07-03 | Guaglardi Paul A. | Method and apparatus for assessing the impact of individual parts of a gas turbine component on the overall thermal performance of a gas turbine |
| US7444310B2 (en) * | 2002-04-19 | 2008-10-28 | Computer Associates Think, Inc. | Automatic model maintenance through local nets |
| US7483868B2 (en) * | 2002-04-19 | 2009-01-27 | Computer Associates Think, Inc. | Automatic neural-net model generation and maintenance |
| CA2480951A1 (en) * | 2002-04-19 | 2003-10-30 | Ronald Cass | Using neural networks for data mining |
| US7777743B2 (en) * | 2002-04-19 | 2010-08-17 | Computer Associates Think, Inc. | Viewing multi-dimensional data through hierarchical visualization |
| US7487133B2 (en) * | 2002-09-19 | 2009-02-03 | Global Nuclear Fuel - Americas, Llc | Method and apparatus for adaptively determining weight factors within the context of an objective function |
| US7313279B2 (en) * | 2003-07-08 | 2007-12-25 | Computer Associates Think, Inc. | Hierarchical determination of feature relevancy |
| WO2004107264A2 (en) * | 2003-05-23 | 2004-12-09 | Computer Associates Think, Inc. | Adaptive learning enhancement to auotmated model maintenance |
| JP4789277B2 (ja) * | 2004-04-22 | 2011-10-12 | 横河電機株式会社 | プラント運転支援装置 |
| CH697616B1 (fr) * | 2004-04-27 | 2008-12-31 | Charmilles Technologies | Dispositif d'entraînement à contrôle numérique avec dispositif de détection d'anomalies de fonctionnement destiné à la détection de collisions accidentelles et procédé de détection d'anomalies de fonctionnement pour ce dispositif. |
| US20050286676A1 (en) * | 2004-06-29 | 2005-12-29 | Lahoda Edward J | Use of isotopically enriched nitride in actinide fuel in nuclear reactors |
| US20060074598A1 (en) * | 2004-09-10 | 2006-04-06 | Emigholz Kenneth F | Application of abnormal event detection technology to hydrocracking units |
| US7424395B2 (en) * | 2004-09-10 | 2008-09-09 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to olefins recovery trains |
| US7349746B2 (en) * | 2004-09-10 | 2008-03-25 | Exxonmobil Research And Engineering Company | System and method for abnormal event detection in the operation of continuous industrial processes |
| US7567887B2 (en) * | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
| US8041548B2 (en) | 2004-12-30 | 2011-10-18 | Global Nuclear Fuels-Americas, LLC | Method and apparatus for evaluating a proposed solution to a constraint problem for a nuclear reactor involving channel deformation |
| US8768664B2 (en) * | 2005-03-18 | 2014-07-01 | CMC Solutions, LLC. | Predictive emissions monitoring using a statistical hybrid model |
| US7421348B2 (en) * | 2005-03-18 | 2008-09-02 | Swanson Brian G | Predictive emissions monitoring method |
| US8065022B2 (en) * | 2005-09-06 | 2011-11-22 | General Electric Company | Methods and systems for neural network modeling of turbine components |
| US7761172B2 (en) * | 2006-03-21 | 2010-07-20 | Exxonmobil Research And Engineering Company | Application of abnormal event detection (AED) technology to polymers |
| DE102006017824B4 (de) * | 2006-04-13 | 2018-10-11 | Dspace Digital Signal Processing And Control Engineering Gmbh | Methode zum Konstruieren einer Diagnosefunktion |
| US7720641B2 (en) * | 2006-04-21 | 2010-05-18 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to delayed coking unit |
| US7991499B2 (en) * | 2006-12-27 | 2011-08-02 | Molnar Charles J | Advanced finishing control |
| US8357286B1 (en) | 2007-10-29 | 2013-01-22 | Semcon Tech, Llc | Versatile workpiece refining |
| US8145334B2 (en) * | 2008-07-10 | 2012-03-27 | Palo Alto Research Center Incorporated | Methods and systems for active diagnosis through logic-based planning |
| US8266092B2 (en) | 2008-07-10 | 2012-09-11 | Palo Alto Research Center Incorporated | Methods and systems for target value path identification |
| US8165705B2 (en) * | 2008-07-10 | 2012-04-24 | Palo Alto Research Center Incorporated | Methods and systems for continuously estimating persistent and intermittent failure probabilities for production resources |
| US8219437B2 (en) * | 2008-07-10 | 2012-07-10 | Palo Alto Research Center Incorporated | Methods and systems for constructing production plans |
| US8352236B2 (en) * | 2008-10-16 | 2013-01-08 | Institute Of Nuclear Energy Research | Fault tree analysis system for the instrument control process for nuclear power plant with advanced boiling water reactor background |
| DK2192456T3 (en) * | 2008-11-26 | 2017-12-11 | Siemens Ag | Estimation of an achievable power production of a wind turbine by means of a neural network |
| US8359110B2 (en) * | 2009-03-23 | 2013-01-22 | Kuhn Lukas D | Methods and systems for fault diagnosis in observation rich systems |
| US8862250B2 (en) * | 2010-05-07 | 2014-10-14 | Exxonmobil Research And Engineering Company | Integrated expert system for identifying abnormal events in an industrial plant |
| EP2608118B1 (en) * | 2011-12-21 | 2017-08-02 | Siemens Aktiengesellschaft | A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant |
| JP5778087B2 (ja) | 2012-06-19 | 2015-09-16 | 横河電機株式会社 | プロセス監視システム及び方法 |
| US10955810B2 (en) * | 2015-11-13 | 2021-03-23 | International Business Machines Corporation | Monitoring communications flow in an industrial system to detect and mitigate hazardous conditions |
| US10930535B2 (en) | 2016-12-02 | 2021-02-23 | Applied Materials, Inc. | RFID part authentication and tracking of processing components |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4807168A (en) * | 1987-06-10 | 1989-02-21 | The United States Of America As Represented By The Administrator, National Aeronautics And Space Administration | Hybrid analog-digital associative neural network |
| WO1988010474A1 (en) * | 1987-06-18 | 1988-12-29 | University Of West Virginia | State analog neural network and method of implementing same |
| US4906940A (en) * | 1987-08-24 | 1990-03-06 | Science Applications International Corporation | Process and apparatus for the automatic detection and extraction of features in images and displays |
| US4853175A (en) * | 1988-03-10 | 1989-08-01 | The Babcock & Wilcox Company | Power plant interactive display |
| US4933871A (en) * | 1988-12-21 | 1990-06-12 | Desieno Duane | Graded learning device and method |
-
1989
- 1989-02-07 JP JP1028093A patent/JPH0660826B2/ja not_active Expired - Lifetime
-
1990
- 1990-02-07 US US07/476,922 patent/US5023045A/en not_active Expired - Lifetime
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03287098A (ja) * | 1990-04-03 | 1991-12-17 | Mitsubishi Electric Corp | 神経回路網原子力プラント診断装置 |
| CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
| CN113705615B (zh) * | 2021-07-29 | 2024-05-28 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| US5023045A (en) | 1991-06-11 |
| JPH0660826B2 (ja) | 1994-08-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH02206721A (ja) | プラントの異常診断方法 | |
| Wang et al. | A hybrid fault diagnosis methodology with support vector machine and improved particle swarm optimization for nuclear power plants | |
| Ayodeji et al. | Knowledge base operator support system for nuclear power plant fault diagnosis | |
| US7113890B2 (en) | Method and apparatus for detecting faults in steam generator system components and other continuous processes | |
| Zhu et al. | A dynamic alarm management strategy for chemical process transitions | |
| Ruiz et al. | Neural network based framework for fault diagnosis in batch chemical plants | |
| Cao et al. | PCA-SVM method with sliding window for online fault diagnosis of a small pressurized water reactor | |
| Peng et al. | Real-time simulations to enhance distributed on-line monitoring and fault detection in Pressurized Water Reactors | |
| Kim et al. | SACADA and HuREX part 2: The use of SACADA and HuREX data to estimate human error probabilities | |
| Ali et al. | Fault diagnosis by using multi-scale signed directed graph | |
| Li et al. | Model-based monitoring and fault diagnosis of fossil power plant process units using group method of data handling | |
| Zhao | An integrated approach to performance monitoring and fault diagnosis of nuclear power systems | |
| Geraldo et al. | Acoustic monitoring of sodium boiling in a liquid metal fast breeder reactor from autoregressive models | |
| Martinez-Martinez et al. | Two neural network based strategies for the detection of a total instantaneous blockage of a sodium-cooled fast reactor | |
| Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods | |
| Mwaura et al. | Adaptive Neuro-Fuzzy Inference System (ANFIS) based modelling of incipient steam generator tube rupture diagnosis | |
| CN112259271B (zh) | 一种用于核电站dcs的堆芯热功率计算方法和装置 | |
| Na et al. | Inferential sensing and monitoring for feedwater flowrate in pressurized water reactors | |
| JPH02133900A (ja) | プラントの異常診断方式 | |
| Chou et al. | The development of a thermal performance diagnostics expert system for nuclear power plant | |
| Bernard | Issues regarding the design and acceptance of intelligent support systems for reactor operators | |
| Upadhyaya et al. | Signature monitoring of nuclear power plant dynamics-stochastic modeling and case studies | |
| Wang et al. | Enhanced process fault diagnosis through integrating neural networks and Andrews plot | |
| Choi et al. | Strategy for the accident diagnosis in sensor error states | |
| Mathkari | Prototyping a digital twin: using novel machine learning and simulation technologies to forecast accident response in a molten salt reactor |