JPH03223933A - 情報処理システム - Google Patents
情報処理システムInfo
- Publication number
- JPH03223933A JPH03223933A JP2190548A JP19054890A JPH03223933A JP H03223933 A JPH03223933 A JP H03223933A JP 2190548 A JP2190548 A JP 2190548A JP 19054890 A JP19054890 A JP 19054890A JP H03223933 A JPH03223933 A JP H03223933A
- Authority
- JP
- Japan
- Prior art keywords
- information
- processing means
- knowledge
- alarm
- alarm information
- 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
- 230000010365 information processing Effects 0.000 title claims description 79
- 238000012545 processing Methods 0.000 claims abstract description 236
- 230000001537 neural effect Effects 0.000 claims abstract description 101
- 230000002159 abnormal effect Effects 0.000 claims description 75
- 238000000034 method Methods 0.000 claims description 74
- 230000008569 process Effects 0.000 claims description 54
- 230000005856 abnormality Effects 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 13
- 238000012790 confirmation Methods 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 57
- 238000013528 artificial neural network Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 21
- 235000012431 wafers Nutrition 0.000 description 11
- 238000010438 heat treatment Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000007423 decrease Effects 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 230000004907 flux Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000009835 boiling Methods 0.000 description 4
- 238000002955 isolation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000002826 coolant Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000005574 cross-species transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000005453 pelletization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 102220098950 rs150951102 Human genes 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/029—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks and expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- Y10S706/903—Control
- Y10S706/906—Process plant
-
- 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
- Y10S706/903—Control
- Y10S706/906—Process plant
- Y10S706/907—Power plant
-
- 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
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Devices For Executing Special Programs (AREA)
- Character Discrimination (AREA)
- Testing And Monitoring For Control Systems (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、情報処理システム、警報情報処理システム及
び文字認識システムに関するものである。
び文字認識システムに関するものである。
情報処理システムの1つとして知識工学を利用した情報
処理装置であるエキスパートシステム(知識処理装置と
いう)が、種々の分野で用いられつつある。知識処理装
置は、知識ベース及び推論手段(推論機構ともいう)を
有する。知識ベースは、「if・・・、 then・・
・」のルールで表現されるプロダクション型の知識や、
及びフレーム構で表現されるフレーム型の知識等によっ
て構成される。
処理装置であるエキスパートシステム(知識処理装置と
いう)が、種々の分野で用いられつつある。知識処理装
置は、知識ベース及び推論手段(推論機構ともいう)を
有する。知識ベースは、「if・・・、 then・・
・」のルールで表現されるプロダクション型の知識や、
及びフレーム構で表現されるフレーム型の知識等によっ
て構成される。
いずれの場合であっても、知識処理装置は、ルールとし
て与えられた入力情報に対しては適切な出力結果を出力
するが、情報処理に対して該当するルールがない場合に
は回答を出力しない。
て与えられた入力情報に対しては適切な出力結果を出力
するが、情報処理に対して該当するルールがない場合に
は回答を出力しない。
これに対して、神経回路を模擬したニューラルネットは
、ルールとして表現しずらいパターン的な情報及びアナ
ログ的情報等が入力されたときに、学習済みのデータを
もとに、入力情報がどの学習済みのデータに近いかを判
断して、その結果を出力する。
、ルールとして表現しずらいパターン的な情報及びアナ
ログ的情報等が入力されたときに、学習済みのデータを
もとに、入力情報がどの学習済みのデータに近いかを判
断して、その結果を出力する。
ニューラルネットとエキスパー1〜システムの組合せの
1つとして、日立評論、VoQ、71.Nn8゜91〜
96頁(1989年8月)の第10図は、ニューロコン
ピュータの出力をファジィ推論を適用したエキスパート
システムに入力する知能形診断システムを述べる。この
システムでは、ニューロコンピュータは、エキスパート
システムの前処理手段として用いられる。更に、日経コ
ンピュータ、1989,1.2.53〜61頁、rES
との組合せで実用化が見えてきたニューロ」の57頁、
左欄の下部にも、ニューラルネットワークをエキスパー
トシステムの前処理に用いることが記載されている。
1つとして、日立評論、VoQ、71.Nn8゜91〜
96頁(1989年8月)の第10図は、ニューロコン
ピュータの出力をファジィ推論を適用したエキスパート
システムに入力する知能形診断システムを述べる。この
システムでは、ニューロコンピュータは、エキスパート
システムの前処理手段として用いられる。更に、日経コ
ンピュータ、1989,1.2.53〜61頁、rES
との組合せで実用化が見えてきたニューロ」の57頁、
左欄の下部にも、ニューラルネットワークをエキスパー
トシステムの前処理に用いることが記載されている。
前述のニューラルネットをエキスパートシステムの前処
理として用いる場合、エキスパートシステムはニューラ
ルネットの出力を用いて推論を実行するだけである。
理として用いる場合、エキスパートシステムはニューラ
ルネットの出力を用いて推論を実行するだけである。
このような複合システムにおいても、得られる情報の確
信度を高めることが望まれる。
信度を高めることが望まれる。
本発明の目的は、得られる情報の確信度を向上できる情
報処理システムを提供することにある。
報処理システムを提供することにある。
上記目的は、ニューラル処理手段と、前記ニューラル処
理手段と並列に配置された、ルールを用いた推論を実行
するエキスパートシステムと、前記ニューラル処理手段
から出力された情報及び前記エキスパートシステムから
出力された情報の中から、出力すべき情報を選択する手
段とを備えることによって達成できる。
理手段と並列に配置された、ルールを用いた推論を実行
するエキスパートシステムと、前記ニューラル処理手段
から出力された情報及び前記エキスパートシステムから
出力された情報の中から、出力すべき情報を選択する手
段とを備えることによって達成できる。
ニューラル処理手段とエキスパートシステムによって並
列的に情報を処理するので、異なった観点での処理が実
行できる。このため、漏れなく情報を集めることができ
、その中から出力すべき情報を選択するので、出力され
る情報の確信度が向上する。
列的に情報を処理するので、異なった観点での処理が実
行できる。このため、漏れなく情報を集めることができ
、その中から出力すべき情報を選択するので、出力され
る情報の確信度が向上する。
本発明の好適な一実施例である情報処理システムを、沸
騰水型原子炉に適用される警報情報処理システムに基づ
いて説明する。
騰水型原子炉に適用される警報情報処理システムに基づ
いて説明する。
11−
第1図に示す本実施例の警報情報処理システムは、ニュ
ーラル処理手段3.知識処理手段23及び25、及び表
示警報決定手段28を有する6本実施例は、上記以外に
、学習手段4.信号選択手段52表示手段6.警報信号
記憶手段7.警報信号検索手段8.キーボードである入
力手段9.確認情報選択手段10.確認情報記憶手段1
19表示手段12.異常監視手段13及び警報発生順序
決定手段27を有する。知識処理手段23は、推論手段
1及び知識ベース2を有する。知識処理手段25は、推
論手段26及び知識ベース2Bを有する。知識ベース2
,2Bは、推論に必要な知識であるルールを記憶する。
ーラル処理手段3.知識処理手段23及び25、及び表
示警報決定手段28を有する6本実施例は、上記以外に
、学習手段4.信号選択手段52表示手段6.警報信号
記憶手段7.警報信号検索手段8.キーボードである入
力手段9.確認情報選択手段10.確認情報記憶手段1
19表示手段12.異常監視手段13及び警報発生順序
決定手段27を有する。知識処理手段23は、推論手段
1及び知識ベース2を有する。知識処理手段25は、推
論手段26及び知識ベース2Bを有する。知識ベース2
,2Bは、推論に必要な知識であるルールを記憶する。
それらの知識処理手段は、エキスパートシステムである
。なお、検出器14は、多数膜けられ、それぞれプラン
トのプロセス量である状態量(原子炉圧力、原子炉水位
及び中性子束等)を検出する検出器である。異常監視手
段13は、検出器14と1対1に対応しないが複数設け
られる。
。なお、検出器14は、多数膜けられ、それぞれプラン
トのプロセス量である状態量(原子炉圧力、原子炉水位
及び中性子束等)を検出する検出器である。異常監視手
段13は、検出器14と1対1に対応しないが複数設け
られる。
検出器14で検出された状態量は、プロセス信12−
号22としてニューラル処理手段3及び異常監視手段1
3に入力される。異常監視手段13は、入力したプロセ
ス信号22の値と該当するプロセス信号の設定値とを比
較し、入力したプロセス信号22の値が設定値で規定さ
れた範囲を逸脱したときに、該当する警報信号21を出
力する。この警報信号21は、信号選択手段5及び警報
発生順序決定手段27に伝えられる。検出器14として
、オン信号、オフ信号を出力する、リミットスイッチ、
リレー及び開閉スイッチ等の動作を検出するものも用い
ら九る6リミツトスイツチ等が設けられる対象に応じて
、オフ信号及びオン信号の一方が警報信号21Aとなる
。保護装置の動作の検出も、リレー等の検出器14で行
われる。警報信号21Aは、ニューラル処理手段3に出
力され、異常監視手段13を介してそのまま警報発生順
序決定手段27及び信号選択手段5に伝えられる。異常
監視手段13は、入力した警報信号21Aをそのまま通
過させるだけである。Sl]識処理手段25とは別に警
報信号21A専用の3つ目の知識処理手段を設ける場合
、これの前段に異常監視手段13を設ける必要がない。
3に入力される。異常監視手段13は、入力したプロセ
ス信号22の値と該当するプロセス信号の設定値とを比
較し、入力したプロセス信号22の値が設定値で規定さ
れた範囲を逸脱したときに、該当する警報信号21を出
力する。この警報信号21は、信号選択手段5及び警報
発生順序決定手段27に伝えられる。検出器14として
、オン信号、オフ信号を出力する、リミットスイッチ、
リレー及び開閉スイッチ等の動作を検出するものも用い
ら九る6リミツトスイツチ等が設けられる対象に応じて
、オフ信号及びオン信号の一方が警報信号21Aとなる
。保護装置の動作の検出も、リレー等の検出器14で行
われる。警報信号21Aは、ニューラル処理手段3に出
力され、異常監視手段13を介してそのまま警報発生順
序決定手段27及び信号選択手段5に伝えられる。異常
監視手段13は、入力した警報信号21Aをそのまま通
過させるだけである。Sl]識処理手段25とは別に警
報信号21A専用の3つ目の知識処理手段を設ける場合
、これの前段に異常監視手段13を設ける必要がない。
ニューラル処理手段3の詳細な構成を、第2図に基づい
て説明する。ニューラル処理手段3は、ニューラルネッ
ト3A、入力手段3B、比較手段C,〜Cn、切換手段
51s−8zr、52x−8x、及び5itz〜SkI
を有する。ニューラルネット3Aは、入力層に位置する
複数のユニット14.中間層に位置する複数のユニット
15、及び出力層に位置する複数のユニット16を含む
。各層間において各ユニットはネット状に結合される。
て説明する。ニューラル処理手段3は、ニューラルネッ
ト3A、入力手段3B、比較手段C,〜Cn、切換手段
51s−8zr、52x−8x、及び5itz〜SkI
を有する。ニューラルネット3Aは、入力層に位置する
複数のユニット14.中間層に位置する複数のユニット
15、及び出力層に位置する複数のユニット16を含む
。各層間において各ユニットはネット状に結合される。
入力手段3Bは、メモリユニットM1.〜Mill M
21〜M2.1及びM kt〜MkI、サンプリング手
段SM1〜SMb。
21〜M2.1及びM kt〜MkI、サンプリング手
段SM1〜SMb。
及びサンプリングタイミング制御手段20を含む。
サンプリング手段SMz〜SMkは、該当する検出器1
4から出力された所定のプロセス信号22をそれぞれ入
力する。すなわち各サンプリング手段は、異なるプロセ
ス信号を時系列的に入力する。
4から出力された所定のプロセス信号22をそれぞれ入
力する。すなわち各サンプリング手段は、異なるプロセ
ス信号を時系列的に入力する。
しかし、各サンプリング手段は、同一時刻でのプロセス
信号の値(プロセス情報)を入力する。プrjt、!ス
r?−!7.のイ直X1i・−X++、X2+−X2+
−、)ItびX kh =−’ 、” It 1は、二
、1−=/ ルネツ1−3Aに入力さり。
信号の値(プロセス情報)を入力する。プrjt、!ス
r?−!7.のイ直X1i・−X++、X2+−X2+
−、)ItびX kh =−’ 、” It 1は、二
、1−=/ ルネツ1−3Aに入力さり。
?、1・ji\11− Xi+!よ、□:゛ンプリング
手段Sh+i i K3十、っ−rガン・ブリニノグネ
九だもので、E64図に示す原子炉水位のデータである
。値Xxx−,K・・は トトンブリンビノ手段S M
2でガンプリングされへ危′l、4図の中);トr束
のデータである。図示されていないが値X3i−Xa+
は、ガンプリング手1′95M5 C図示せず)でサ
ンプリングされた第4図の格納容器内のIくライウェル
JT力のデータである。メモリユニットの機能を、メモ
リュニツI−M t +〜M ++例にとって述べろ、
サンプリング゛手段S M 1でサンプリングされたプ
ロセス信号の値は、メモリュニツM 11からメモリユ
ニットM s iに向って転送される。
手段Sh+i i K3十、っ−rガン・ブリニノグネ
九だもので、E64図に示す原子炉水位のデータである
。値Xxx−,K・・は トトンブリンビノ手段S M
2でガンプリングされへ危′l、4図の中);トr束
のデータである。図示されていないが値X3i−Xa+
は、ガンプリング手1′95M5 C図示せず)でサ
ンプリングされた第4図の格納容器内のIくライウェル
JT力のデータである。メモリユニットの機能を、メモ
リュニツI−M t +〜M ++例にとって述べろ、
サンプリング゛手段S M 1でサンプリングされたプ
ロセス信号の値は、メモリュニツM 11からメモリユ
ニットM s iに向って転送される。
従って、メモリユニットMxxは時間t1での値X11
.メモリユニットM12は時間t2での値X12゜・・
・、及びメモリユニットM 11は時間tl での値X
11をそれぞれ記憶する。時間1 (++1)では、値
X、t(++1)がメモリュニツ1〜S1.lに記憶さ
れ、これに伴ってメモリユニットSL2〜SIIに記憶
されていたXi、2〜Xllは左側のメモリュツ1−に
移動して記憶される。このとき、メモリユツトSztに
記憶されていた値X11は、消滅する。
.メモリユニットM12は時間t2での値X12゜・・
・、及びメモリユニットM 11は時間tl での値X
11をそれぞれ記憶する。時間1 (++1)では、値
X、t(++1)がメモリュニツ1〜S1.lに記憶さ
れ、これに伴ってメモリユニットSL2〜SIIに記憶
されていたXi、2〜Xllは左側のメモリュツ1−に
移動して記憶される。このとき、メモリユツトSztに
記憶されていた値X11は、消滅する。
切換手段S11〜S111 S 22〜S21及びS2
i〜S+++は、該当するメモリユニットと入力層の対
応するユニット14を接続する。3切換手段がユニット
14とメモリュニツ)〜を接続するときは、メモリユニ
ットに記憶された値が該当するユニット14に入力され
る。これは、ニューラル処理手段3がプロセス信号22
に基づいて通常の処理を行うデータ処理状態である。Y
t、Y2・、及びY。
i〜S+++は、該当するメモリユニットと入力層の対
応するユニット14を接続する。3切換手段がユニット
14とメモリュニツ)〜を接続するときは、メモリユニ
ットに記憶された値が該当するユニット14に入力され
る。これは、ニューラル処理手段3がプロセス信号22
に基づいて通常の処理を行うデータ処理状態である。Y
t、Y2・、及びY。
は、出力層の各ユニット16の出力信号である。
ニューラルネット3A自体は、ザ・エム・アイ・ティ・
プレス、パラレル・デイストリビューティト・プロセシ
ング(The M丁T Press、 Paral−1
e]Distributed Processing)
、 1988年7版、P318〜P362に詳しく述
べられている。その基本的な考えを、以下に示す。第3
図は、ニューラルネットの1つのユニツ1−のモデルを
示す。
プレス、パラレル・デイストリビューティト・プロセシ
ング(The M丁T Press、 Paral−1
e]Distributed Processing)
、 1988年7版、P318〜P362に詳しく述
べられている。その基本的な考えを、以下に示す。第3
図は、ニューラルネットの1つのユニツ1−のモデルを
示す。
ここで、ユニットの入力信号をXi、X2・・・Xl・
・・−1飄 Xnとし、ユニット間(あるいは層間)の結合の重み係
数をWl、 W2・・・Wl・・・Wnとし、重み係数
は(−の、+ω)の範囲の値をとるとする。ここで、i
番目の入力信号X1 からユニットに伝わる入力Ul
を(1)式で表わすと、ユニットへの総力Uは(2)式
のようになる。
・・−1飄 Xnとし、ユニット間(あるいは層間)の結合の重み係
数をWl、 W2・・・Wl・・・Wnとし、重み係数
は(−の、+ω)の範囲の値をとるとする。ここで、i
番目の入力信号X1 からユニットに伝わる入力Ul
を(1)式で表わすと、ユニットへの総力Uは(2)式
のようになる。
U + = W t X t
・・・(1)U=Σ UI
・・(2)i=1 また、ユニットの出力であるYは(3)式で定義される
。
・・・(1)U=Σ UI
・・(2)i=1 また、ユニットの出力であるYは(3)式で定義される
。
ま
ただし、Uoはバイアス値である。
ニューラルネット3Aは、前述のユニットモデルを層状
に配置し、各ユニットからの出力信号を次層の各ユニッ
トへの入力信号として用いる。
に配置し、各ユニットからの出力信号を次層の各ユニッ
トへの入力信号として用いる。
ニューラル3Aは、学習によって重み係数(Wss〜W
12・・・Wニー+ Wkt、 Wk2・・・Wht等
)を決定する。すなわち、入力層の各ユニットに予め定
メタフロセス情報(X11−Xlll Xht−Xk+
)を与えたときに、出力層からの出カバターン信号18
が所定のパターン、つまり教師信号17Aとなるように
、各ユニット間の重み係数が修正される。このためのア
ルゴリズムは、前述の文献に示されており、バックプロ
パゲーション法と呼ばれる。ニューラルネット3Aは、
バックプロパゲーション法を用いて作成されている。
12・・・Wニー+ Wkt、 Wk2・・・Wht等
)を決定する。すなわち、入力層の各ユニットに予め定
メタフロセス情報(X11−Xlll Xht−Xk+
)を与えたときに、出力層からの出カバターン信号18
が所定のパターン、つまり教師信号17Aとなるように
、各ユニット間の重み係数が修正される。このためのア
ルゴリズムは、前述の文献に示されており、バックプロ
パゲーション法と呼ばれる。ニューラルネット3Aは、
バックプロパゲーション法を用いて作成されている。
ニューラルネット3Aの学習を詳細に説明する。
学習を行う旨の信号は、利用者により学習手段4に入力
される。学習手段4は、その後、制御信号17Cを出力
する。制御信号17Cは、切換手段S1t〜Stt、S
2i〜S2を及びSkt〜Skiに入力される。この時
、各切換手段は、ユニット14とメモリユニットとの接
続関係を切離してユニット14と学習手段4とを接続し
、ニューラルネット3Aを学習状態にする。学習手段4
から出力された教師信号17Aは、比較手段C1〜co
に入力される。学習手段4から出力されたサンプル信号
17Bは、各切換手段を介して各ユニット14に入力さ
れる。中間層のユニット15及び出力層のユニット16
は、サンプル信号に対応して(3)式より得られる出力
信号を出力する。比較手段C1〜Cnは、教師信号17
Aの各信号Y1′〜Yn′とサンプル信号に対するニュ
ーラルネット3Aの出力信号Y1〜Ynとの偏差を求め
る。更に、比較手段Cs〜Cnは、その偏差が小さくな
るように、重み係数W h 11 W b x・・・W
ht等を修正する修正信号19A、及び重み係数W 1
1. W s 2・・・W IJ等を修正する修正信号
19Bを出力する。これらの重み係数の修正は、上記偏
差が所定の値になるまで実行される。一般に、この値は
利用者が選択する。
される。学習手段4は、その後、制御信号17Cを出力
する。制御信号17Cは、切換手段S1t〜Stt、S
2i〜S2を及びSkt〜Skiに入力される。この時
、各切換手段は、ユニット14とメモリユニットとの接
続関係を切離してユニット14と学習手段4とを接続し
、ニューラルネット3Aを学習状態にする。学習手段4
から出力された教師信号17Aは、比較手段C1〜co
に入力される。学習手段4から出力されたサンプル信号
17Bは、各切換手段を介して各ユニット14に入力さ
れる。中間層のユニット15及び出力層のユニット16
は、サンプル信号に対応して(3)式より得られる出力
信号を出力する。比較手段C1〜Cnは、教師信号17
Aの各信号Y1′〜Yn′とサンプル信号に対するニュ
ーラルネット3Aの出力信号Y1〜Ynとの偏差を求め
る。更に、比較手段Cs〜Cnは、その偏差が小さくな
るように、重み係数W h 11 W b x・・・W
ht等を修正する修正信号19A、及び重み係数W 1
1. W s 2・・・W IJ等を修正する修正信号
19Bを出力する。これらの重み係数の修正は、上記偏
差が所定の値になるまで実行される。一般に、この値は
利用者が選択する。
学習に用いるサンプル信号と、教師信号の例を以下に示
す。第4図〜第6図は、プラントの異常事象とサンプル
信号との関係を示す。この例では。
す。第4図〜第6図は、プラントの異常事象とサンプル
信号との関係を示す。この例では。
ニューラルネット3Aの入力であるX ltは原子炉水
位、X21は中性子束、Xs+はドライウェル圧力の各
データである。しかもiは5であり、kは3である。時
間t1のサンプル信号の各々のプロセス値は、X1工、
Xxx、 Xslである。時間t2では19ム プロセス値はX121 X221 X321・・・、時
間t5ではプロセス値はXzs、 X25. Xa5で
ある。更に、各プロセス値は、プラントの定格時を基準
にとり、相対的な値として表現される。例えば、第4図
の給水加熱喪失事象のサンプル信号に対する教師信号1
7AはYt’ = 1 r Y2’ = O+ Ya’
= Oとする。第4図〜第6図の例では異常事象が3
つであるため、n=3となる。次に、第5図の給水制御
系異常事象のサンプル信号に対する教師信号17AはY
z’ ==1.Yz’ =1.Y8’ =Oとする。第
6図の原子炉の炉水漏洩事象のサンプル信号に対する教
師信号17AはYl’ =1.Y2’ =0、Y3’:
1 とする。従って、学習状態で、上記の各サンプル
信号と教師信号全てに対して学習され、ニューラルネッ
トの重み係数が決定される。
位、X21は中性子束、Xs+はドライウェル圧力の各
データである。しかもiは5であり、kは3である。時
間t1のサンプル信号の各々のプロセス値は、X1工、
Xxx、 Xslである。時間t2では19ム プロセス値はX121 X221 X321・・・、時
間t5ではプロセス値はXzs、 X25. Xa5で
ある。更に、各プロセス値は、プラントの定格時を基準
にとり、相対的な値として表現される。例えば、第4図
の給水加熱喪失事象のサンプル信号に対する教師信号1
7AはYt’ = 1 r Y2’ = O+ Ya’
= Oとする。第4図〜第6図の例では異常事象が3
つであるため、n=3となる。次に、第5図の給水制御
系異常事象のサンプル信号に対する教師信号17AはY
z’ ==1.Yz’ =1.Y8’ =Oとする。第
6図の原子炉の炉水漏洩事象のサンプル信号に対する教
師信号17AはYl’ =1.Y2’ =0、Y3’:
1 とする。従って、学習状態で、上記の各サンプル
信号と教師信号全てに対して学習され、ニューラルネッ
トの重み係数が決定される。
ニューラル処理手段3内に設けられた学習成果判定手段
(図示せず)は、比較手段01〜Cnで得られた誤差を
入力してニューラル処理手段3の学習の度合を算出する
。この学習度合は、学習手段4のそばに設置された表示
手段(図示せず)に表20− 示される。第7図はその表示例である。第7図は、この
学習時におけるサンプル信号と教師信号の偏差、つまり
誤差を学習回数との関係で示す。学習度合を表示するこ
とによって、利用者は学習の収束状態を容易に確認でき
る。ここでは、誤差が0.1 以下であれば学習が収束
したと判断する。
(図示せず)は、比較手段01〜Cnで得られた誤差を
入力してニューラル処理手段3の学習の度合を算出する
。この学習度合は、学習手段4のそばに設置された表示
手段(図示せず)に表20− 示される。第7図はその表示例である。第7図は、この
学習時におけるサンプル信号と教師信号の偏差、つまり
誤差を学習回数との関係で示す。学習度合を表示するこ
とによって、利用者は学習の収束状態を容易に確認でき
る。ここでは、誤差が0.1 以下であれば学習が収束
したと判断する。
この状態になると、ニューラルネット3Aは十分に学習
したといえる。つまりニューラルネット3Aは学習回数
を多く覚えたことになる。もし、学習が発散している場
合は、サンプル信号と教師信号を再設定する。これによ
りニューラルネット3Aの作成を効率的にできる。
したといえる。つまりニューラルネット3Aは学習回数
を多く覚えたことになる。もし、学習が発散している場
合は、サンプル信号と教師信号を再設定する。これによ
りニューラルネット3Aの作成を効率的にできる。
学習されたニューラルネット3Aを用いて、第4図〜第
6図と同一のサンプル信号を学習手段9から与えたとき
の出力信号Y1〜Y3の値を測定した結果、次のように
なった。第4図の給水加熱喪失事象では、Yz=0.9
4.Yz=0.06.Ya=o、oi となる。これ
は、当然のことながら教師信号17Aとほぼ同じ結果と
なる。第5図の給水制御系異常事象ではYz=0.06
.Yz=0.94゜Ya=0.03となり、第6図の原
子炉の炉水漏洩事象ではY1=0.02.Y2=0.0
2.Y3=0.98 となった。
6図と同一のサンプル信号を学習手段9から与えたとき
の出力信号Y1〜Y3の値を測定した結果、次のように
なった。第4図の給水加熱喪失事象では、Yz=0.9
4.Yz=0.06.Ya=o、oi となる。これ
は、当然のことながら教師信号17Aとほぼ同じ結果と
なる。第5図の給水制御系異常事象ではYz=0.06
.Yz=0.94゜Ya=0.03となり、第6図の原
子炉の炉水漏洩事象ではY1=0.02.Y2=0.0
2.Y3=0.98 となった。
次に、第4図において、(B)の中性子束が2倍の変化
で上昇した場合の値をX21=1.0゜X2Z=1.1
.X23=1.2.Xz4=1.3.X25=1.4
とし、原子炉水位及びドライウェル圧力は第4図(A)
及び(C)のままとした結果、ニューラルネット3Aの
出力はYz=0.91.Y2=0.09.Ys=0.0
9 となる。これは、教師信号17Aとほぼ同じ値で
ある。ニューラルネット3Aの出力は、入力信号の増減
の変化率にはあまり影響されず、入力信号の増減のパタ
ーンによって出力が決定される。
で上昇した場合の値をX21=1.0゜X2Z=1.1
.X23=1.2.Xz4=1.3.X25=1.4
とし、原子炉水位及びドライウェル圧力は第4図(A)
及び(C)のままとした結果、ニューラルネット3Aの
出力はYz=0.91.Y2=0.09.Ys=0.0
9 となる。これは、教師信号17Aとほぼ同じ値で
ある。ニューラルネット3Aの出力は、入力信号の増減
の変化率にはあまり影響されず、入力信号の増減のパタ
ーンによって出力が決定される。
第6図において、原子炉水位及びドライウェル圧力の変
化開始時間が遅れた場合を想定して、Xzz=1.0.
Xxz=1.Ot X18:0.95゜X14=0.9
.X1B:0.851 X81=0.01Xsx= O
、O、X、ss= 0.2 、 Xa番=0.4.X
1s=0.6 とし中性子束は第6図(b)のままとし
た結果、ニューラルネットの出力は、Y+、=0.08
゜Y2=0.06.Y3=0.84となった。これも教
師信号17Aとほぼ同じ値である。この結果、ニューラ
ルネット3Aの出力は、入力信号相互の時間的ずれには
あまり影響されず、入力信号の増・減のパターンによっ
て決定されることが分かる。
化開始時間が遅れた場合を想定して、Xzz=1.0.
Xxz=1.Ot X18:0.95゜X14=0.9
.X1B:0.851 X81=0.01Xsx= O
、O、X、ss= 0.2 、 Xa番=0.4.X
1s=0.6 とし中性子束は第6図(b)のままとし
た結果、ニューラルネットの出力は、Y+、=0.08
゜Y2=0.06.Y3=0.84となった。これも教
師信号17Aとほぼ同じ値である。この結果、ニューラ
ルネット3Aの出力は、入力信号相互の時間的ずれには
あまり影響されず、入力信号の増・減のパターンによっ
て決定されることが分かる。
ニューラルネット3Aは、前述したように、入力信号の
パターンによってプラントの異常事象を判定できる。知
識工学を用いてプロセス信号22情報をもとにプラント
の状態を判定する場合には、各プロセス信号の値とその
ときのプラントの事象との関係を示す知識であるルール
を作成する必要がある。前述のように、ある信号の変化
の大きさのみが異なった場合を同一事象とみなすために
は、それに対応する知識をそれぞれ用意する必要がある
。これらの知識の作成は、知識ベースに記憶すべき知識
の量を非常に多くなる。従って知識作成に多大な時間を
要する。また必要とする知識の量が多いので一部の知識
の作成を忘れる可能性もある。これに対して、ニューラ
ルネット3Aの使用23− は、プロセス信号の変化量の多少の違い、及び各プロセ
ス信号間の時間的ずれにはあまり影響されずに、そのよ
うなあいまいな情報に基づいても、プラン1〜の異常事
象を正確に求めることが可能となる。上記変化量の違い
が含まれるノイズによる場合でも、プラントの異常事象
を正確に求めることができる。本実施例は、学習手段4
を有しニューラル処理手段3も学習できる構成を有する
ので、ニューラル処理手段3は新たに発生した異常事象
も容易に学習できる。従って、本実施例は、新しい異常
事象に関する処理にも、容易に対応できる。
パターンによってプラントの異常事象を判定できる。知
識工学を用いてプロセス信号22情報をもとにプラント
の状態を判定する場合には、各プロセス信号の値とその
ときのプラントの事象との関係を示す知識であるルール
を作成する必要がある。前述のように、ある信号の変化
の大きさのみが異なった場合を同一事象とみなすために
は、それに対応する知識をそれぞれ用意する必要がある
。これらの知識の作成は、知識ベースに記憶すべき知識
の量を非常に多くなる。従って知識作成に多大な時間を
要する。また必要とする知識の量が多いので一部の知識
の作成を忘れる可能性もある。これに対して、ニューラ
ルネット3Aの使用23− は、プロセス信号の変化量の多少の違い、及び各プロセ
ス信号間の時間的ずれにはあまり影響されずに、そのよ
うなあいまいな情報に基づいても、プラン1〜の異常事
象を正確に求めることが可能となる。上記変化量の違い
が含まれるノイズによる場合でも、プラントの異常事象
を正確に求めることができる。本実施例は、学習手段4
を有しニューラル処理手段3も学習できる構成を有する
ので、ニューラル処理手段3は新たに発生した異常事象
も容易に学習できる。従って、本実施例は、新しい異常
事象に関する処理にも、容易に対応できる。
新しい異常事象に対して新たに作成すべき知識の量は、
ニューラル処理手段3がない場合に比べて著しく少ない
。
ニューラル処理手段3がない場合に比べて著しく少ない
。
学習が終了したとき、切換手段S1.1〜S+□。
S21〜S21及びSk1〜S+++は、学習状態の接
続から通常のデータ処理状態の接続に切換ねる。
続から通常のデータ処理状態の接続に切換ねる。
前述のようにサンプリング手段によって取込まれたプロ
セス信号22の値は該当するメモリュニツ1−に順々に
転送されるので、ニューラルネツl−4 3Aの入力層の各ユニット14は、同じ時刻で同時に各
プロセス信号の値を入力する。従って、プラントの機器
の動作遅れによってプロセス信号の値開に多少の時間的
なずれが発生しても、これ以上ずれが大きくならないの
で、前述したようにニューラルネット3Aはそのような
あいまいな情報に基づいても異常事象を正しく判断でき
る。更に、ニューラルネット3Aは、入力信号の値に重
み係数に掛けて得られた値を用いて出力を得るので、あ
いまいな情報に対しても処理速度が極めて早い。
セス信号22の値は該当するメモリュニツ1−に順々に
転送されるので、ニューラルネツl−4 3Aの入力層の各ユニット14は、同じ時刻で同時に各
プロセス信号の値を入力する。従って、プラントの機器
の動作遅れによってプロセス信号の値開に多少の時間的
なずれが発生しても、これ以上ずれが大きくならないの
で、前述したようにニューラルネット3Aはそのような
あいまいな情報に基づいても異常事象を正しく判断でき
る。更に、ニューラルネット3Aは、入力信号の値に重
み係数に掛けて得られた値を用いて出力を得るので、あ
いまいな情報に対しても処理速度が極めて早い。
特に本実施例はプラン1への生データである複数のプロ
セス信号のパターンをニューラル処理手段3によって判
定し異常事象を求めるので、得られた異常事象はひじよ
うに精度の高いものとなる。
セス信号のパターンをニューラル処理手段3によって判
定し異常事象を求めるので、得られた異常事象はひじよ
うに精度の高いものとなる。
通常のデータ処理状態において得られたニューラル処理
手段3の出力Yl、Y、、・・、Ynは、出力層の各ユ
ニット16より推論手段1に入力される。
手段3の出力Yl、Y、、・・、Ynは、出力層の各ユ
ニット16より推論手段1に入力される。
本実施例で用いる知識処理手段23は、推論手段1及び
知識ベース2を含む。知識ベース2は、少なくとも3種
類の知識を記憶する。第1の知識は、プロダクションタ
イプのルールであり、ニューラル処理手段3の出力のパ
ターンとプラントの異常事象を関係づけるものである。
知識ベース2を含む。知識ベース2は、少なくとも3種
類の知識を記憶する。第1の知識は、プロダクションタ
イプのルールであり、ニューラル処理手段3の出力のパ
ターンとプラントの異常事象を関係づけるものである。
この知識は、第4図の異常事象を例にとれば、
’1f(0,9<Yx<1.1+ 0.1<Y2<0
.1゜and −0,1<Ya<0.1) 、 the
n (給水加熱喪失)」と表わされる。
.1゜and −0,1<Ya<0.1) 、 the
n (給水加熱喪失)」と表わされる。
第2の知識は、ジャーナル オブ インフォメーション
プロセッシング(Journal of Infor
−mation Processing) 、 Vof
l 7. Nn3.1984゜p]43〜148のp1
44の3.1項に示された構造(structure)
に関する知識(以下、構造の知識という)である。例え
ば沸騰水型原子炉に対する構造の知識は、そのプラン1
−に含まれる機器。
プロセッシング(Journal of Infor
−mation Processing) 、 Vof
l 7. Nn3.1984゜p]43〜148のp1
44の3.1項に示された構造(structure)
に関する知識(以下、構造の知識という)である。例え
ば沸騰水型原子炉に対する構造の知識は、そのプラン1
−に含まれる機器。
部品の接続関係の知識を含む。その−例は、(conn
(output I G) (input 2 A)
)である。この知識は、一種のルールである。ICを「
給水配管」、2Aを「原子炉圧力容器」とすれば、その
知識は、「給水配管の出力端と原子炉圧力容器の入力端
が接続されるjとなる。構造の知識の他の例に、「原子
炉圧力容器の出力端は主蒸気配管の入力端に接続される
」。及び「給水ポンプの出力端は給水配管の入力端に接
続される」等がある。このような知識で第8図に示す沸
1117J<型原子炉の構造が表現される。
(output I G) (input 2 A)
)である。この知識は、一種のルールである。ICを「
給水配管」、2Aを「原子炉圧力容器」とすれば、その
知識は、「給水配管の出力端と原子炉圧力容器の入力端
が接続されるjとなる。構造の知識の他の例に、「原子
炉圧力容器の出力端は主蒸気配管の入力端に接続される
」。及び「給水ポンプの出力端は給水配管の入力端に接
続される」等がある。このような知識で第8図に示す沸
1117J<型原子炉の構造が表現される。
第3の知識は、プラントの制御及び操作等の動作を含む
プラントの作用(1)ehavi、or)に関する知識
(以下、作用の知識という)である。この知識は、前述
のジャーナル オブ インフオメーションプロセツシイ
ング、 Vofi 7. &3(7)p 1.4.4゜
右欄及びp145、左欄にかけて記載された3゜2項に
示される。本実施例で用いる第3の知識の例は、第9図
に示す。第3の知識も、プロダクションタイプのルール
である。
プラントの作用(1)ehavi、or)に関する知識
(以下、作用の知識という)である。この知識は、前述
のジャーナル オブ インフオメーションプロセツシイ
ング、 Vofi 7. &3(7)p 1.4.4゜
右欄及びp145、左欄にかけて記載された3゜2項に
示される。本実施例で用いる第3の知識の例は、第9図
に示す。第3の知識も、プロダクションタイプのルール
である。
推論手段1は、第10図に示された処理を実行する。ス
テップIAは、入力したニューラル処理手段3の出力Y
l、Yl・・、Ynのパターンにマツチする条件部(i
f部)を有する第1知識を探索し、探索された第1知識
の結論部(then部)を結27 果として得る。この結論部の内容が、ニューラル処理手
段3の出力に対応する異常事象である。このようにして
、ニューラル処理手段3で得られた異常事象7不同定さ
れる。得られた異常事象が、表示手段6に出力される(
ステップIB)。その異常事象は、来示手段6に表示さ
れる。
テップIAは、入力したニューラル処理手段3の出力Y
l、Yl・・、Ynのパターンにマツチする条件部(i
f部)を有する第1知識を探索し、探索された第1知識
の結論部(then部)を結27 果として得る。この結論部の内容が、ニューラル処理手
段3の出力に対応する異常事象である。このようにして
、ニューラル処理手段3で得られた異常事象7不同定さ
れる。得られた異常事象が、表示手段6に出力される(
ステップIB)。その異常事象は、来示手段6に表示さ
れる。
次にステップ1Cの処理が実行される。すなわち、ステ
ップIAにおいて同定された異常事象(以下、同定異常
事象という)及び、第3知識を用いて推論を行い、同定
異常事象から波及して生じる異常事象(以下、波及異常
事象という)を推定する。このステップICの処理は、
同定異常事象、すなわちニューラル処理手段3の出力に
基づいた波及異常事象の予測処理であるとも言える。
ップIAにおいて同定された異常事象(以下、同定異常
事象という)及び、第3知識を用いて推論を行い、同定
異常事象から波及して生じる異常事象(以下、波及異常
事象という)を推定する。このステップICの処理は、
同定異常事象、すなわちニューラル処理手段3の出力に
基づいた波及異常事象の予測処理であるとも言える。
ステップICの処理を具体的に述べる。ニューラル処理
手段3の出力が、Y1=0.94.Yz=0.06及び
Ya=0.01 であったとする。ステップIAで同
定された異常事象すなわち「給水加熱喪失」を条件部に
有する第3知識を探索し、更に検索された第3知識の結
論部を条件部に有する8− 第3知識を探索する。このような探索が繰返えされ、該
当する波及異常事象が求められる。「給水加熱喪失」に
対する波及異常事象として、「中性子高・高」、「原子
炉スクラム」及び「プラン1−・トリップ」が得られる
。
手段3の出力が、Y1=0.94.Yz=0.06及び
Ya=0.01 であったとする。ステップIAで同
定された異常事象すなわち「給水加熱喪失」を条件部に
有する第3知識を探索し、更に検索された第3知識の結
論部を条件部に有する8− 第3知識を探索する。このような探索が繰返えされ、該
当する波及異常事象が求められる。「給水加熱喪失」に
対する波及異常事象として、「中性子高・高」、「原子
炉スクラム」及び「プラン1−・トリップ」が得られる
。
ステップIDにおいて、同定異常事象及び波及異常事象
に基づいて、表示すべき重要な警報信号(表示警報信号
という)が決定される。この表示警報信号の決定にあた
っては、知識ベース2に記憶された第2知識及び第4の
知識が用いられる。
に基づいて、表示すべき重要な警報信号(表示警報信号
という)が決定される。この表示警報信号の決定にあた
っては、知識ベース2に記憶された第2知識及び第4の
知識が用いられる。
第4の知識は、沸騰水型原子炉における表示警報信号の
決定ルールである。この第4知識は、表示警報信号とし
て、同定異常事象に関係する警報信号(第1表示警報信
号)、最初にプラント・トリップを引起こす主要因を示
す警報信号(第2表示警報信号)、及びプラント・トリ
ップにより生じた警報信号のうち所定の重要な警報信号
(第3表示警報信号)を規定する。第1表示警報信号は
、同定異常事象に係わる装置に対する警報信号である。
決定ルールである。この第4知識は、表示警報信号とし
て、同定異常事象に関係する警報信号(第1表示警報信
号)、最初にプラント・トリップを引起こす主要因を示
す警報信号(第2表示警報信号)、及びプラント・トリ
ップにより生じた警報信号のうち所定の重要な警報信号
(第3表示警報信号)を規定する。第1表示警報信号は
、同定異常事象に係わる装置に対する警報信号である。
第1表示警報信号は、第2知識に基づいて決定される。
同定異常事象である「給水加熱喪失」は、給水配管に設
けられた給水加熱器の機能喪失である。給水加熱器に接
続された系統及び機器を、第2知識を用いた推論によっ
て求める。蒸気油気系及びドレイン系、及びこれらの系
統の構成部品が、該当する系統等である。推論手段1に
入力される警報信号21及び21Aのうちこれらの系統
及び部品に関する警報信号に基づいてプラントの異常個
所を求める。この異常個所に関する警報信号が第1表示
警報信号である。第2表示警報信号は、ステップICで
得られた波及異常事象に基づいて求められる。すなわち
、プラント・トリップの要因となる「原子炉スクラム」
、「主蒸気隔離弁トリップ」、「タービントリップ」ま
たは「発電機トリップ」の直接原因となる要因が第2表
示警報信号である。「給水加熱喪失」に対する第2表示
警報信号は、原子炉スクラムの直接原因となる「中性子
束高・高」である。第3表示警報信号は、前述したプラ
ント・トリップの4つの要因のうち同定異常事象の波及
によって生じるものを除いた残りである。「給水加熱喪
失」に対しては、「主蒸気隔離弁トリップ」、「タービ
ントリップ」及び 「発電機トリップ」が第3表示警報信号となる。
けられた給水加熱器の機能喪失である。給水加熱器に接
続された系統及び機器を、第2知識を用いた推論によっ
て求める。蒸気油気系及びドレイン系、及びこれらの系
統の構成部品が、該当する系統等である。推論手段1に
入力される警報信号21及び21Aのうちこれらの系統
及び部品に関する警報信号に基づいてプラントの異常個
所を求める。この異常個所に関する警報信号が第1表示
警報信号である。第2表示警報信号は、ステップICで
得られた波及異常事象に基づいて求められる。すなわち
、プラント・トリップの要因となる「原子炉スクラム」
、「主蒸気隔離弁トリップ」、「タービントリップ」ま
たは「発電機トリップ」の直接原因となる要因が第2表
示警報信号である。「給水加熱喪失」に対する第2表示
警報信号は、原子炉スクラムの直接原因となる「中性子
束高・高」である。第3表示警報信号は、前述したプラ
ント・トリップの4つの要因のうち同定異常事象の波及
によって生じるものを除いた残りである。「給水加熱喪
失」に対しては、「主蒸気隔離弁トリップ」、「タービ
ントリップ」及び 「発電機トリップ」が第3表示警報信号となる。
ステップIDで得られた各表示警報信号は、表示警報決
定手段28に出力される(ステップ]、E)。
定手段28に出力される(ステップ]、E)。
以上で、推論手段1での処理が終了する。
ニューラル処理手段3の後段に知識処理手段23を配置
することによって、新たな効果を生じる。すなわち、ニ
ューラル処理手段3は、あいまいな情報、特にアナログ
的またはパターン的なあいまいな情報に対しても情報処
理が可能であり、学習状態における入力情報とわずかに
違う情報が入力されても情報処理が可能である。ニュー
ラル処理手段3を用いてあいまい情報を非あいまい情報
に替ることによって、知識処理手段23はその非あいま
い情報をもとにより深い推論を実行することができる。
することによって、新たな効果を生じる。すなわち、ニ
ューラル処理手段3は、あいまいな情報、特にアナログ
的またはパターン的なあいまいな情報に対しても情報処
理が可能であり、学習状態における入力情報とわずかに
違う情報が入力されても情報処理が可能である。ニュー
ラル処理手段3を用いてあいまい情報を非あいまい情報
に替ることによって、知識処理手段23はその非あいま
い情報をもとにより深い推論を実行することができる。
従って、知識処理手段23において詳細な情報処理が可
能となるので、ある解決すべき問題に対してより適切な
解(本実施例では適1 切な表示すべき警報信号)が得られる。更に、知識ベー
スに記憶するル・−ル等の知識の量は、ニューラル処理
手段3がない場合に比べて少なくて済む。推論手段]で
行われる推論に要する時間も、知識量が少ない分だけ短
縮される。ニューラル処理手段3゛の情報処理によるプ
ラント異常事象の抽出は、知識処理手段23における波
及異常事象の予測を可能にする。このため、表示すべき
警報信号を求めるための推論時間がより短縮される。異
常事象が発生したときに、それの直接の原因に基づく警
報信号が最も早く発生するとは限らない。
能となるので、ある解決すべき問題に対してより適切な
解(本実施例では適1 切な表示すべき警報信号)が得られる。更に、知識ベー
スに記憶するル・−ル等の知識の量は、ニューラル処理
手段3がない場合に比べて少なくて済む。推論手段]で
行われる推論に要する時間も、知識量が少ない分だけ短
縮される。ニューラル処理手段3゛の情報処理によるプ
ラント異常事象の抽出は、知識処理手段23における波
及異常事象の予測を可能にする。このため、表示すべき
警報信号を求めるための推論時間がより短縮される。異
常事象が発生したときに、それの直接の原因に基づく警
報信号が最も早く発生するとは限らない。
この理由は、個々の警報信号が互いに独立し、警報信号
のもとになるプロセス信号の変化の度合が異なり、警報
信号発生のしきい値も異なることにある。しかし、本実
施例は、発生する警報信号の順序に関係なく、表示警報
信号を適切に求められる。これは、ニューラル処理手段
3でブラント異常事象を求めていることにほかならない
。構造の知識及び作用の知識を用いて異常個所を摘出す
るので、異常個所の摘出に要する時間が短くなる。
のもとになるプロセス信号の変化の度合が異なり、警報
信号発生のしきい値も異なることにある。しかし、本実
施例は、発生する警報信号の順序に関係なく、表示警報
信号を適切に求められる。これは、ニューラル処理手段
3でブラント異常事象を求めていることにほかならない
。構造の知識及び作用の知識を用いて異常個所を摘出す
るので、異常個所の摘出に要する時間が短くなる。
32
しかも、異常個所を適切な部分に絞り込むことができ表
示警報信号の決定の精度も向上する。
示警報信号の決定の精度も向上する。
警報発生順序決定手段27は、第11図に示すように、
スキャナ27A及び発生順序決定手段27Bを有する。
スキャナ27A及び発生順序決定手段27Bを有する。
スキャナ27Aは、複数の異常監視手段13及び検出器
14から出力される警報信号21及び21Aを順番に取
込む。発生順序決定手段27Bは、タイマ機能を有して
おり、スキャナ27Aから出力される警報信号21及び
2]Aに発生時刻の情報を付与する。更に、発生順序決
定手段27Bは発生時刻が付与された警報信号21及び
21Aを発生時刻順に時系列的に整理する。異常監視手
段13において警報信号21及び21Aにその発生時刻
を示す情報を付与する場合には、発生順序決定手段27
Bは、発生時刻を付与せず警報信号21及び21 Aを
時系列的に整理するだけである。第12図は、警報信号
21及び21Aを時系列的に整理した例を示す。主蒸気
止め弁トリップは、主蒸気閉め弁が10%閉鎖したこと
をリミットスイッチで検出して得られる警報信号21A
である。時系列的に整理された各警報信号21及び21
Aは、知識処理手段25の推論手段26に入力される。
14から出力される警報信号21及び21Aを順番に取
込む。発生順序決定手段27Bは、タイマ機能を有して
おり、スキャナ27Aから出力される警報信号21及び
2]Aに発生時刻の情報を付与する。更に、発生順序決
定手段27Bは発生時刻が付与された警報信号21及び
21Aを発生時刻順に時系列的に整理する。異常監視手
段13において警報信号21及び21Aにその発生時刻
を示す情報を付与する場合には、発生順序決定手段27
Bは、発生時刻を付与せず警報信号21及び21 Aを
時系列的に整理するだけである。第12図は、警報信号
21及び21Aを時系列的に整理した例を示す。主蒸気
止め弁トリップは、主蒸気閉め弁が10%閉鎖したこと
をリミットスイッチで検出して得られる警報信号21A
である。時系列的に整理された各警報信号21及び21
Aは、知識処理手段25の推論手段26に入力される。
推論手段26は、第13図に示された処理を実行する。
知識ベース2Bは、前述した第2知識及び第3知識を記
憶すると共に第6の知識を記憶する。第6知識は、警報
信号21及び21Aの情報に基づいた場合の表示警報信
号の決定ルールである。第6知識は、表示警報信号とし
て、前述の第2及び第3表示警報信号、最初に発生した
警報信号(最初の警報信号という)、及び最初の警報信
号を誘発する警報信号(第4表示警報信号という)を規
定する。第4表示警報信号は、最初の警報信号を誘発す
る警報信号であり、異常個所に関する警報信号である。
憶すると共に第6の知識を記憶する。第6知識は、警報
信号21及び21Aの情報に基づいた場合の表示警報信
号の決定ルールである。第6知識は、表示警報信号とし
て、前述の第2及び第3表示警報信号、最初に発生した
警報信号(最初の警報信号という)、及び最初の警報信
号を誘発する警報信号(第4表示警報信号という)を規
定する。第4表示警報信号は、最初の警報信号を誘発す
る警報信号であり、異常個所に関する警報信号である。
この第3表示警報信号は、前述の第1表示警報信号に相
当する。表示された最初の警報信号は、ステップIBに
より推論手段1から表示手段6に出力される異常事象に
相当する。
当する。表示された最初の警報信号は、ステップIBに
より推論手段1から表示手段6に出力される異常事象に
相当する。
推論手段26は、ステップ26Aで警報発生順序決定手
段27から出力された警報信号21及び21Aのうちで
発生時刻が最も古い最初の警報信号を抽出する。ステッ
プ26Bは、この最初の警報信号をもとに第2及び第3
知識を用いて推論を行い、プラントの異常個所を推定す
る。ステップ26Aで抽出された最初の警報信号が「原
子炉水位低・低」であった場合を例にとって、ステップ
26Bの処理を具体的に説明する。まず最初の警報信号
を結論部に有する第3知識を探索し、得られた第3知識
の条件部を取出す。「原子炉水位低・低」に対してはN
α6及び7(第9図)の第3知識が該当し、それらの条
件部「給水能力低下」及び「冷却材喪失事故」を取出す
。次に、取出された条件部が複数ある場合には、警報発
生順序決定手段27から入力した警報信号に基づいて適
切な異常事象を規定する条件部を選択する。警報信号に
、冷却材喪失事故を示す警報信号が含まれていなく、給
水能力低下を示す警報信号(例えば給水流最低)が含ま
れていたとする。このとき、「給水能力低下」が選択さ
れる。選択された条件部に関連する機器、配管または系
統が第2知識を用いた推論に−3!lI’− より特定される。すなわち、「給水能力低下」は給水に
関係するので、給水配管、給水ポンプ及び給水制御系等
の構造が特定される。特定された構造に関する警報信号
が抽出される。抽出された警報信号が1つしかない場合
は、その警報信号に関する部分が異常個所となる。抽出
された警報信号が複数ある場合には、抽出された警報信
号を起点として第3知識を用いた前向き推論を行う。こ
の推論の過程で前述の選択された条件部(給水能力低下
)を結論部に有する知識が選択されたとき、起点となっ
た警報信号に関係する部分が異常個所となる。給水に関
係する構造に対する警報信号が「給水ポンプ異常」だけ
である場合、異常個所は給水ポンプとなる。
段27から出力された警報信号21及び21Aのうちで
発生時刻が最も古い最初の警報信号を抽出する。ステッ
プ26Bは、この最初の警報信号をもとに第2及び第3
知識を用いて推論を行い、プラントの異常個所を推定す
る。ステップ26Aで抽出された最初の警報信号が「原
子炉水位低・低」であった場合を例にとって、ステップ
26Bの処理を具体的に説明する。まず最初の警報信号
を結論部に有する第3知識を探索し、得られた第3知識
の条件部を取出す。「原子炉水位低・低」に対してはN
α6及び7(第9図)の第3知識が該当し、それらの条
件部「給水能力低下」及び「冷却材喪失事故」を取出す
。次に、取出された条件部が複数ある場合には、警報発
生順序決定手段27から入力した警報信号に基づいて適
切な異常事象を規定する条件部を選択する。警報信号に
、冷却材喪失事故を示す警報信号が含まれていなく、給
水能力低下を示す警報信号(例えば給水流最低)が含ま
れていたとする。このとき、「給水能力低下」が選択さ
れる。選択された条件部に関連する機器、配管または系
統が第2知識を用いた推論に−3!lI’− より特定される。すなわち、「給水能力低下」は給水に
関係するので、給水配管、給水ポンプ及び給水制御系等
の構造が特定される。特定された構造に関する警報信号
が抽出される。抽出された警報信号が1つしかない場合
は、その警報信号に関する部分が異常個所となる。抽出
された警報信号が複数ある場合には、抽出された警報信
号を起点として第3知識を用いた前向き推論を行う。こ
の推論の過程で前述の選択された条件部(給水能力低下
)を結論部に有する知識が選択されたとき、起点となっ
た警報信号に関係する部分が異常個所となる。給水に関
係する構造に対する警報信号が「給水ポンプ異常」だけ
である場合、異常個所は給水ポンプとなる。
ステップ26Cは、第6知識に基づいて表示警報信号を
決定する。前述の具体例で言えば、最初の警報信号が「
原子炉水位低・低」、第2表示警報信号が「原子炉水位
低・低」、第3表示警報信号がr主蒸気隔離弁トリップ
」、「タービントリップ」及び「発電機トリップ」及び
第4表示警報信36ノ 号が「給水ポンプ異常」となる。第2及び第3表示警報
信号は、第10図のステップIDと同様に求められる。
決定する。前述の具体例で言えば、最初の警報信号が「
原子炉水位低・低」、第2表示警報信号が「原子炉水位
低・低」、第3表示警報信号がr主蒸気隔離弁トリップ
」、「タービントリップ」及び「発電機トリップ」及び
第4表示警報信36ノ 号が「給水ポンプ異常」となる。第2及び第3表示警報
信号は、第10図のステップIDと同様に求められる。
決定された表示警報信号は、表示警報決定手段28に出
力される(ステップ26D)。
力される(ステップ26D)。
知識処理手段25は、知識処理手段23によって得られ
た表示警報信号に含まれない新たな表示警報信号(例え
ば、第4表示警報信号)を得ることができる。
た表示警報信号に含まれない新たな表示警報信号(例え
ば、第4表示警報信号)を得ることができる。
表示警報決定手段28は、知識処理手段23及び25で
決定された表示警報信号を入力し、それらに基づいて表
示警報信号を最終的に決定する。
決定された表示警報信号を入力し、それらに基づいて表
示警報信号を最終的に決定する。
すなわち、表示警報決定手段28は、知識処理手段23
及び25から出力された表示警報信号のうち、これらの
論理和によって得られる表示警報信号を出力すべき表示
警報信号として選択する。表示警報決定手段28で決定
された表示警報信号の数は、知識処理手段23及び25
単独で得られたその数よりも多くなる。表示警報決定手
段28で決定された表示警報信号は、信号選択手段5に
出力される。信号選択手段5は、入力した表示警報信号
に該当する警報信号21及び21Aを選択して表示手段
6に出力される。該当しない他の警報信号は、表示手段
6への表示が取止められる。選択された表示すべき警報
信号21及び21Aが表示手段6に表示される。表示手
段6に同定異常事象及び上記選択された警報信号が表示
されるので、利用者(運転員)は、プラントに発生した
異常事象及びプラントの運転・監視の上で重要な警報信
号を容易に理解できる。更に利用者は、異常事象の原因
を表示内容から適格に把握でき、その後の対応操作を適
格にしかも早く実行できる。
及び25から出力された表示警報信号のうち、これらの
論理和によって得られる表示警報信号を出力すべき表示
警報信号として選択する。表示警報決定手段28で決定
された表示警報信号の数は、知識処理手段23及び25
単独で得られたその数よりも多くなる。表示警報決定手
段28で決定された表示警報信号は、信号選択手段5に
出力される。信号選択手段5は、入力した表示警報信号
に該当する警報信号21及び21Aを選択して表示手段
6に出力される。該当しない他の警報信号は、表示手段
6への表示が取止められる。選択された表示すべき警報
信号21及び21Aが表示手段6に表示される。表示手
段6に同定異常事象及び上記選択された警報信号が表示
されるので、利用者(運転員)は、プラントに発生した
異常事象及びプラントの運転・監視の上で重要な警報信
号を容易に理解できる。更に利用者は、異常事象の原因
を表示内容から適格に把握でき、その後の対応操作を適
格にしかも早く実行できる。
信号選択手段5によって表示が取止められた警報信号は
、警報信号記憶手段7に記憶される。表示が取止められ
た警報信号は、副次的に、発生する警報信号である。「
給水加熱喪失」を例にとれば、スクラム発生後に生じる
スクラム排出容器の水位高、原子炉水位低・低、及びL
PRMの下限等がある。利用者は、警報信号を見たい異
常事象を入力手段9より入力する。警報信号検索手段8
は、入力手段9の出力に該当する異常事象に関係して表
示を取止めた警報信号を警報信号記憶手段7から検索す
る。検索された警報信号が、表示手段6に表示される。
、警報信号記憶手段7に記憶される。表示が取止められ
た警報信号は、副次的に、発生する警報信号である。「
給水加熱喪失」を例にとれば、スクラム発生後に生じる
スクラム排出容器の水位高、原子炉水位低・低、及びL
PRMの下限等がある。利用者は、警報信号を見たい異
常事象を入力手段9より入力する。警報信号検索手段8
は、入力手段9の出力に該当する異常事象に関係して表
示を取止めた警報信号を警報信号記憶手段7から検索す
る。検索された警報信号が、表示手段6に表示される。
警報信号記憶手段7及び警報信号検索手段8を有するの
で、異常事象への対応が終ってプラン1へが安定した時
点で全ての警報信号を確認できる。このため、それらの
警報信号に対する処置が必要な場合には、対応が容易で
ある。
で、異常事象への対応が終ってプラン1へが安定した時
点で全ての警報信号を確認できる。このため、それらの
警報信号に対する処置が必要な場合には、対応が容易で
ある。
確認情報記憶手段11は、異常事象に対して確認するの
に必要な情報、対応操作情報及び系統構成図等の図面情
報を記憶している。確認情報選択手段10は、信号選択
手段5で選択された警報信号を入力し、その信号に関連
する情報を確認情報選択手段10より検索する。検索さ
れた情報は、表示手段12に表示される。これによって
、利用者は、該当する異常事象に対して確認すべき情報
、及び対応操作情報を容易に知ることができる。これは
、その後の対応操作を行うにあたっての利用者の負担を
軽減することにつながる。
に必要な情報、対応操作情報及び系統構成図等の図面情
報を記憶している。確認情報選択手段10は、信号選択
手段5で選択された警報信号を入力し、その信号に関連
する情報を確認情報選択手段10より検索する。検索さ
れた情報は、表示手段12に表示される。これによって
、利用者は、該当する異常事象に対して確認すべき情報
、及び対応操作情報を容易に知ることができる。これは
、その後の対応操作を行うにあたっての利用者の負担を
軽減することにつながる。
本実施例は、ニューラル処理手段3及び知識処理手段2
3を含む第1の情報処理手段と、これと39 並列に配置された異常監視手段13及び知識処理手段2
5を含みニューラル処理手段を含まない第2の情報処理
手段を備えているとも言える。第1情報処理手段は、同
時に入力された複数の人力情報の群によって表現された
第1情報を取り出し、この第1情報及び知識を用いた推
論により所定の問題の解である新たな第2情報を得る手
段である。
3を含む第1の情報処理手段と、これと39 並列に配置された異常監視手段13及び知識処理手段2
5を含みニューラル処理手段を含まない第2の情報処理
手段を備えているとも言える。第1情報処理手段は、同
時に入力された複数の人力情報の群によって表現された
第1情報を取り出し、この第1情報及び知識を用いた推
論により所定の問題の解である新たな第2情報を得る手
段である。
第1情報はニューラル処理手段3によって、第2情報は
知識処理手段によってそれぞれ得られる。
知識処理手段によってそれぞれ得られる。
第2情報処理手段は、第1情報処理手段に入力される入
力情報を入力すると共に入力情報毎に該当する入力情報
の特異な状態を示す第3情報を生成し、この第3情報及
び知識を用いた推論により前述の所定の問題の解である
新たな第4情報を得る手段である。入力情報の特異な状
態を示す第3情報とは、本実施例では例えばしきい値を
越えたことを示す警報信号である。第3情報は異常監視
手段13によって、第4情報は知識処理手段25によっ
てそれぞれ得られる。このような本実施例は、入力され
る情報を異なる観点から処理することが0 でき、所定の問題の(本実施例ではプラント異常時にお
ける表示警報信号を特定するという問題)の解を幅広く
得ることができる。
力情報を入力すると共に入力情報毎に該当する入力情報
の特異な状態を示す第3情報を生成し、この第3情報及
び知識を用いた推論により前述の所定の問題の解である
新たな第4情報を得る手段である。入力情報の特異な状
態を示す第3情報とは、本実施例では例えばしきい値を
越えたことを示す警報信号である。第3情報は異常監視
手段13によって、第4情報は知識処理手段25によっ
てそれぞれ得られる。このような本実施例は、入力され
る情報を異なる観点から処理することが0 でき、所定の問題の(本実施例ではプラント異常時にお
ける表示警報信号を特定するという問題)の解を幅広く
得ることができる。
本実施例の警報情報処理システムは、ニューラル処理手
段の有無により第1及び第2情報処理手段での処理内容
が異なる。従って、各々の情報処理手段は、互いに異な
る解、すなわち異なる表示警報信号を得ることができる
。従って、本実施例は、所定の問題に対する解の漏れを
少なくできる。
段の有無により第1及び第2情報処理手段での処理内容
が異なる。従って、各々の情報処理手段は、互いに異な
る解、すなわち異なる表示警報信号を得ることができる
。従って、本実施例は、所定の問題に対する解の漏れを
少なくできる。
前述したリミットスイッチ等の動作で生じた警報信号2
1Aが、警報発生順序決定手段27で最初に発生した警
報信号であると決定された場合、推論手段26は、その
警報信号21Aに基づいてステップ26A〜26Dの処
理を実行する。警報信号2LAが最小に発生する例とし
ては、主蒸気止め弁の制御装置の異常により主蒸気止め
弁が最初に10%閉鎖する場合がある。以上のことを考
えると、本実施例は、前述の第1情報処理手段と、知識
処理手段25を含みニューラル処理手段を含まず、第1
情報処理手段と並列に配置された第3情報処理手段を備
えているとも言える。このような第1及び第3情報処理
手段は、異なる処理を行い、所定の問題に対する異なる
解を得る。従って、所定の問題に対する解(表示警報信
号)を幅広く得ることができる。
1Aが、警報発生順序決定手段27で最初に発生した警
報信号であると決定された場合、推論手段26は、その
警報信号21Aに基づいてステップ26A〜26Dの処
理を実行する。警報信号2LAが最小に発生する例とし
ては、主蒸気止め弁の制御装置の異常により主蒸気止め
弁が最初に10%閉鎖する場合がある。以上のことを考
えると、本実施例は、前述の第1情報処理手段と、知識
処理手段25を含みニューラル処理手段を含まず、第1
情報処理手段と並列に配置された第3情報処理手段を備
えているとも言える。このような第1及び第3情報処理
手段は、異なる処理を行い、所定の問題に対する異なる
解を得る。従って、所定の問題に対する解(表示警報信
号)を幅広く得ることができる。
本実施例は、並列配置の各情報処理手段が互いに他の情
報処理手段で得られた情報を補足している。
報処理手段で得られた情報を補足している。
表示警報決定手段28は、2つの知識処理手段から出力
された解のうち必要な解を選択する手段でもある。本実
施例の表示警報決定手段28は、安全上の観点から表示
警報信号の漏れを少なくしたいとの理由で論理和によっ
て選択する。
された解のうち必要な解を選択する手段でもある。本実
施例の表示警報決定手段28は、安全上の観点から表示
警報信号の漏れを少なくしたいとの理由で論理和によっ
て選択する。
本実施例の第1情報処理手段は、知識処理手段の利点を
生かしあいまいな情報の処理を効率的に行うことができ
、目的とするより適切な解が得られる。従って、異常事
象に対して表示される警報信号の数を著しく低減できる
。必要最小限の警報信号の表示は、利用者によるプラン
トの運転、監視にとって好ましいものである。
生かしあいまいな情報の処理を効率的に行うことができ
、目的とするより適切な解が得られる。従って、異常事
象に対して表示される警報信号の数を著しく低減できる
。必要最小限の警報信号の表示は、利用者によるプラン
トの運転、監視にとって好ましいものである。
本実施例は、ニューラル処理手段を含む情報処理手段、
及びこれと並列に配置された、ニューラル処理手段を含
まず知識処理手段を含む他の情報処理手段から出力され
た情報の中から出力すべき情報を選択する。従って、選
択された情報の確信度は高い。
及びこれと並列に配置された、ニューラル処理手段を含
まず知識処理手段を含む他の情報処理手段から出力され
た情報の中から出力すべき情報を選択する。従って、選
択された情報の確信度は高い。
表示警報決定手段28は、並列に配置されて情報処理手
法が異なる2つの情報処理手段の各出力をもとに、表示
すべき警報信号を決定する。この決定において、表示警
報決定手段28は、各情報処理手段の出力情報を互いに
補って表示すべき警報情報を求める。両者の情報処理手
段の出力情報は、互いに一致するものと不一致のものと
がある。
法が異なる2つの情報処理手段の各出力をもとに、表示
すべき警報信号を決定する。この決定において、表示警
報決定手段28は、各情報処理手段の出力情報を互いに
補って表示すべき警報情報を求める。両者の情報処理手
段の出力情報は、互いに一致するものと不一致のものと
がある。
表示警報決定手段28の論理和の機能により、不一致の
ものについても表示すべき警報情報として扱うことがで
きるので、プラント運転監視上より安全性を高めること
ができる。つまり、一方の情報処理手段25では得られ
ない情報を、他方の情報処理手段によって補足すること
ができる。
ものについても表示すべき警報情報として扱うことがで
きるので、プラント運転監視上より安全性を高めること
ができる。つまり、一方の情報処理手段25では得られ
ない情報を、他方の情報処理手段によって補足すること
ができる。
表示警報決定手段28自体も知識処理手段によ43一
つて構成してもよい。この場合には、両方の情報処理手
段の出力(表示すにき警報信号)をもとに、真に表示す
べき警報信号を決定することができる。
段の出力(表示すにき警報信号)をもとに、真に表示す
べき警報信号を決定することができる。
例えば、ニューラル処理手段3及び知識処理手段23を
含む情報処理手段によって警報信号A、B及びCを表示
すべき警報信号に決定したとする。
含む情報処理手段によって警報信号A、B及びCを表示
すべき警報信号に決定したとする。
他方、知識処理手段25を含む情報処理手段によって警
報信号り、E及びFを表示警報信号に決定したとする。
報信号り、E及びFを表示警報信号に決定したとする。
更に、警報信号Fが、警報信号Cと因果関係を有し、警
報信号Cの従属関係にあるとする。このような場合は、
警報信号Cを表示警報信号として、警報信号Fを表示警
報信号にしなくてもよくなる。このように、表示警報決
定手段28を知識処理手段とすることにより、両方の情
報処理手段の出力情報を互いに補って、新たな知見を得
る処理が可能となる。
報信号Cの従属関係にあるとする。このような場合は、
警報信号Cを表示警報信号として、警報信号Fを表示警
報信号にしなくてもよくなる。このように、表示警報決
定手段28を知識処理手段とすることにより、両方の情
報処理手段の出力情報を互いに補って、新たな知見を得
る処理が可能となる。
なお、推論手段1のステップIDの処理で、第2知識の
替りに第3知識を用いて第1表示警報信号を求めること
もできる。この場合、知識ベース2に第2知識を記憶さ
せる必要はない。同定異常44− 事象を結論部に有する知識を探索し、更に探索された知
識の条件部を結論部に有する知識を探索する。後者の探
索は、探索が不可能になるまでまたは所定回数繰返され
る。探索にて得られた全ての知識の条件部の各々に対応
する入力したプロセス信号に基づいて第1表示警報信号
を求める。この実施例は、前述の実施例に比べて第1表
示警報信号を求めるのに要する時間が長くなる。これ以
外は、前述した実施例と同じ効果が得られる。
替りに第3知識を用いて第1表示警報信号を求めること
もできる。この場合、知識ベース2に第2知識を記憶さ
せる必要はない。同定異常44− 事象を結論部に有する知識を探索し、更に探索された知
識の条件部を結論部に有する知識を探索する。後者の探
索は、探索が不可能になるまでまたは所定回数繰返され
る。探索にて得られた全ての知識の条件部の各々に対応
する入力したプロセス信号に基づいて第1表示警報信号
を求める。この実施例は、前述の実施例に比べて第1表
示警報信号を求めるのに要する時間が長くなる。これ以
外は、前述した実施例と同じ効果が得られる。
本発明の他の実施例である警報情報処理システムを、第
14図に基づいて説明する。本実施例は、第1図の実施
例の構成のうち信号選択手段5.知識処理手段23,2
5、及び表示警報決定手段28を信号選択手段5A、知
識処理手段23A。
14図に基づいて説明する。本実施例は、第1図の実施
例の構成のうち信号選択手段5.知識処理手段23,2
5、及び表示警報決定手段28を信号選択手段5A、知
識処理手段23A。
25A、及び非表示警報決定手段28Aに替え、確信度
判定表示手段30を新たに設けたものである。知識処理
手段23A、25Aは、エキスパートシステムである。
判定表示手段30を新たに設けたものである。知識処理
手段23A、25Aは、エキスパートシステムである。
知識処理手段23Aは、推論手段24及び知識ベース2
を含む。推論手段1が表示する警報信号を決める手段で
あるのに対し、推論手段24は表示しない警報信号(非
表示警報信号と称す)を決める手段である。推論手段2
4は、第15図に示す処理手順を実行する。この処理手
順は、第10図に示す処理手順のステップIA〜IDに
ステップIF及びIGを付加したものである。知識ベー
ス2Aは第1〜第4の知識以外に異常事東名を条件部に
その異常事象によって発生する全ての警報信号を結論部
に有する第5の知識を記憶する。ステップIDの後に実
行されるステップIFの処理で、同定異常事象及びその
第5知識を用いて、同定異常事象によって発生する全て
の警報信号を抽出する。この全ての警報信号のうちステ
ップIDで決定された第1.第2及び第3表示警報信号
を取除いた残りを、非表示警報信号に決定する。ステッ
プIFで決定された非表示警報信号が、非表示警報決定
手段28A及び確信度判定表示手段30に出力される(
ステップIG)。
を含む。推論手段1が表示する警報信号を決める手段で
あるのに対し、推論手段24は表示しない警報信号(非
表示警報信号と称す)を決める手段である。推論手段2
4は、第15図に示す処理手順を実行する。この処理手
順は、第10図に示す処理手順のステップIA〜IDに
ステップIF及びIGを付加したものである。知識ベー
ス2Aは第1〜第4の知識以外に異常事東名を条件部に
その異常事象によって発生する全ての警報信号を結論部
に有する第5の知識を記憶する。ステップIDの後に実
行されるステップIFの処理で、同定異常事象及びその
第5知識を用いて、同定異常事象によって発生する全て
の警報信号を抽出する。この全ての警報信号のうちステ
ップIDで決定された第1.第2及び第3表示警報信号
を取除いた残りを、非表示警報信号に決定する。ステッ
プIFで決定された非表示警報信号が、非表示警報決定
手段28A及び確信度判定表示手段30に出力される(
ステップIG)。
知識処理手段25Aは、推論手段29及び知識ベース2
Cを有する。知識ベース2Cは、第2゜第3.第5及び
第7の各知識を記憶する。第7知識は、最初の警報信号
を条件部に、最初の警報信ぢに関連する全ての警報信号
を結論部に有する知識である。推論手段24]は、第1
6図に示づ処理¥Iffn 3実行する。ステップ26
A〜26Cの処理は、第1図の実施例と同じである。ス
テップ26Eでは、最初の警報信号及び第7知識を用い
て、最初の警報信号にly1連する全ての警報信号を抽
出する。更にこの全ての警報信号のうちステップ26C
で決定された表示警報信号を取除き、残りを非表示警報
信号に決定する。この非表示警報信号を非表示警報決定
手段28A及び確信度判定手段30出力する(ステップ
26F)。
Cを有する。知識ベース2Cは、第2゜第3.第5及び
第7の各知識を記憶する。第7知識は、最初の警報信号
を条件部に、最初の警報信ぢに関連する全ての警報信号
を結論部に有する知識である。推論手段24]は、第1
6図に示づ処理¥Iffn 3実行する。ステップ26
A〜26Cの処理は、第1図の実施例と同じである。ス
テップ26Eでは、最初の警報信号及び第7知識を用い
て、最初の警報信号にly1連する全ての警報信号を抽
出する。更にこの全ての警報信号のうちステップ26C
で決定された表示警報信号を取除き、残りを非表示警報
信号に決定する。この非表示警報信号を非表示警報決定
手段28A及び確信度判定手段30出力する(ステップ
26F)。
本実施例も第1図の実施例と同様に異なった観点から非
表示警報信号を決定するので、より多くの非表示警報信
号を得ることができる。
表示警報信号を決定するので、より多くの非表示警報信
号を得ることができる。
非表示警報決定手段28Aは、知識処理手段23A及び
25Aから出力された非表示警報信号のうち、これらの
論理積で得られる非表示警報信号を選択して信号選択手
段5Aに出力する。論理7 積で非表示警報信号を選択する理111よ、非表示警報
信号の場合、一致したものを選択するほうが安全性が高
いからである。本実施例も、確信度の高い非表示警報信
号を選択できる。本実施例は、第1図の実施例と同じ効
果を生じる。
25Aから出力された非表示警報信号のうち、これらの
論理積で得られる非表示警報信号を選択して信号選択手
段5Aに出力する。論理7 積で非表示警報信号を選択する理111よ、非表示警報
信号の場合、一致したものを選択するほうが安全性が高
いからである。本実施例も、確信度の高い非表示警報信
号を選択できる。本実施例は、第1図の実施例と同じ効
果を生じる。
確信度判定手段3oは、知識処理手段23A及び25A
の出力を入力し、それらの信号に基づいて確信度を判定
する。両者の知識処理手段の出力が一致しているときは
、確信度が100%である。
の出力を入力し、それらの信号に基づいて確信度を判定
する。両者の知識処理手段の出力が一致しているときは
、確信度が100%である。
それらの出力の80%が一致している場合には、確信度
が80%となる。確信度判定手段30は、得られた確信
度を表示手段6に出力する。利用者は、表示された確信
度を見た確認項目及び対応操作の範囲を容易に判断でき
る。
が80%となる。確信度判定手段30は、得られた確信
度を表示手段6に出力する。利用者は、表示された確信
度を見た確認項目及び対応操作の範囲を容易に判断でき
る。
信号選択手段5Aは、上記非表示警報信号に該当する警
報信号21及び21Aを入力した警報信号21及び21
Aから選択して警報信号記憶手段7に記憶させる。この
選択された警報信号21及び21Aは、信号選択手段5
Aから表示手段6に出力されない。非表示警報信号に該
当しない残り8 の警報信号21及び21Aは、信号選択手段5Aから表
示手段6に出力され、表示される。
報信号21及び21Aを入力した警報信号21及び21
Aから選択して警報信号記憶手段7に記憶させる。この
選択された警報信号21及び21Aは、信号選択手段5
Aから表示手段6に出力されない。非表示警報信号に該
当しない残り8 の警報信号21及び21Aは、信号選択手段5Aから表
示手段6に出力され、表示される。
本実施例も、第1図の実施例と同様に異常事象に対して
表示される警報信号の数を著しく減少できる。本実施例
は、第1図の実施例と同じ効果を生じる。
表示される警報信号の数を著しく減少できる。本実施例
は、第1図の実施例と同じ効果を生じる。
本発明の他の実施例である文字認識装置を、第17図に
基づいて説明する。本実施例を説明する前に、本実施例
が適用される半導体素子の製造の概略を述べる。まず半
導体素子の母体となるウェハが作成される。このウェハ
への素子形成、ペレタイズ、マウント、ボンディング及
び封止の各作業が行われ、半導体素子が完成する。素子
形成工程におけるマスク工程でホトマスクを用いた露光
によりウェハに記号がつけられる。この記号は、文字列
を含む、製造される半導体素子の型式を示す番号である
。異なる型式の半導体素子を作らないように、各製造過
程でその記号を確認しながら該当するウェハに所定の加
工を施している。本実施例は、このウェハにつけられた
記号を認識するものである。
基づいて説明する。本実施例を説明する前に、本実施例
が適用される半導体素子の製造の概略を述べる。まず半
導体素子の母体となるウェハが作成される。このウェハ
への素子形成、ペレタイズ、マウント、ボンディング及
び封止の各作業が行われ、半導体素子が完成する。素子
形成工程におけるマスク工程でホトマスクを用いた露光
によりウェハに記号がつけられる。この記号は、文字列
を含む、製造される半導体素子の型式を示す番号である
。異なる型式の半導体素子を作らないように、各製造過
程でその記号を確認しながら該当するウェハに所定の加
工を施している。本実施例は、このウェハにつけられた
記号を認識するものである。
ウェハ31に付された記号32は、第18図に示すよう
なものである。正規の番号は、全部で6文字で左から2
文字がアルファベット、残りの文字が数字であると仮定
する。ウェハ31に付された記号32は、顕微鏡カメラ
33で撮影され、画像処理装置34に送られる。画像処
理装置34は、まず顕微鏡カメラ33から入力された画
像信号から記号32の画像信号を抽出する。その後、画
像処理装置34は、以下の処理を実行する。抽出された
画像信号に対して、ノイズ除去、濃淡強調及び2値化の
各処理を施す。これらの処理により全文字(k個、実施
例ではに=6)に対する文字パターン36を作成する。
なものである。正規の番号は、全部で6文字で左から2
文字がアルファベット、残りの文字が数字であると仮定
する。ウェハ31に付された記号32は、顕微鏡カメラ
33で撮影され、画像処理装置34に送られる。画像処
理装置34は、まず顕微鏡カメラ33から入力された画
像信号から記号32の画像信号を抽出する。その後、画
像処理装置34は、以下の処理を実行する。抽出された
画像信号に対して、ノイズ除去、濃淡強調及び2値化の
各処理を施す。これらの処理により全文字(k個、実施
例ではに=6)に対する文字パターン36を作成する。
文字パターンは、第18図に示すように横がM細編がN
個の画素を有する2次元文字パターンP’z(fl)(
i=1〜M、j=1〜N、Q=1〜k)として得られる
。画像処理袋W34は、各文字毎にMXN個の個々の画
素の情報を、ニューラル処理手段3に入力する。ニュー
ラル処理手段3は、各文字のパターンを学習しており、
入力した画素情報に基づいて該当する文字に対する出力
Y1〜Ynがニューラルネット3Aの出力層の各ユニッ
トから出力される。知識処理手段35(エキスパートシ
ステム)は、図示していないが推論手段及び知識ベース
を備える。知識処理手段35に含まれる推論手段は、第
19図の処理を実行する。この推論手段は、まず、ニュ
ーラル処理手段3の出力情報Y1〜Ynを取込む(ステ
ップ35A)。次に、知識ベースに記憶された第1図の
実施例に示す第1知識を用いて、入力した各文字毎の出
力Y1〜Ynを対応する各文字情報に変換する(ステッ
プ35B)。
個の画素を有する2次元文字パターンP’z(fl)(
i=1〜M、j=1〜N、Q=1〜k)として得られる
。画像処理袋W34は、各文字毎にMXN個の個々の画
素の情報を、ニューラル処理手段3に入力する。ニュー
ラル処理手段3は、各文字のパターンを学習しており、
入力した画素情報に基づいて該当する文字に対する出力
Y1〜Ynがニューラルネット3Aの出力層の各ユニッ
トから出力される。知識処理手段35(エキスパートシ
ステム)は、図示していないが推論手段及び知識ベース
を備える。知識処理手段35に含まれる推論手段は、第
19図の処理を実行する。この推論手段は、まず、ニュ
ーラル処理手段3の出力情報Y1〜Ynを取込む(ステ
ップ35A)。次に、知識ベースに記憶された第1図の
実施例に示す第1知識を用いて、入力した各文字毎の出
力Y1〜Ynを対応する各文字情報に変換する(ステッ
プ35B)。
もし、半導体素子の作成過程であるマスク工程で用いる
ホトマスクに描かれたウェハの番号の部分に欠陥があり
、第20図に示すような記号がウェハに付けられたとす
る。すなわち、左から2番目の文字がr13Jか「6」
か判別できない状態にある。これらの文字の画像信号に
基づいて得られた2次元文字パターンの画素情報がニュ
ーラル処理手段3に入力される。ニューラル処理手段3
は51− 2番目の文字に対してYz=0.6.Yz=0.5゜Y
3=O,O及びY4=O,Oを出力したとする。なお、
ニューラル処理手段3は、rB」に対してはYに0.1
.Y2=O0O2Y3=○、O及びY4=0.0 を
出力し、「6」に対してはYz=O,O。
ホトマスクに描かれたウェハの番号の部分に欠陥があり
、第20図に示すような記号がウェハに付けられたとす
る。すなわち、左から2番目の文字がr13Jか「6」
か判別できない状態にある。これらの文字の画像信号に
基づいて得られた2次元文字パターンの画素情報がニュ
ーラル処理手段3に入力される。ニューラル処理手段3
は51− 2番目の文字に対してYz=0.6.Yz=0.5゜Y
3=O,O及びY4=O,Oを出力したとする。なお、
ニューラル処理手段3は、rB」に対してはYに0.1
.Y2=O0O2Y3=○、O及びY4=0.0 を
出力し、「6」に対してはYz=O,O。
Yx=1.0.Y3=O,O及びY4=O,Oを出力す
ルトする。Y1=0.6.Y2=0.5.Y11=0.
0及びY4=O,Oを入力した推論手段は、ステップ3
5Bの処理で第1知識により2番目の文字がrBJまた
は「6」であると判断する。その後、ニューラル処理手
段3の出力(Yr〜y、)に該当する文字を特定できた
か否かが判定される(ステップ35C)。ステップ35
Cの判定がrNOJの場合は、ステップ35Eに移る。
ルトする。Y1=0.6.Y2=0.5.Y11=0.
0及びY4=O,Oを入力した推論手段は、ステップ3
5Bの処理で第1知識により2番目の文字がrBJまた
は「6」であると判断する。その後、ニューラル処理手
段3の出力(Yr〜y、)に該当する文字を特定できた
か否かが判定される(ステップ35C)。ステップ35
Cの判定がrNOJの場合は、ステップ35Eに移る。
その判定がrYEsJの場合はステップ35Dが実行さ
れる。
れる。
2番目の文字がr13Jまたは「6」であると判断され
た場合は、ステップ35Dに移る。すなわち、知識ベー
スに記憶されている記号32の特徴を示す知識、すなわ
ち「全部で6文字、左から2文字目まではアルファベッ
ト、左から3文字目以降は52− 数字」を用いて推論が行われ、その結果、2番目の文字
はr13Jであると判定される。この結果、文字列を含
む記号であるrHB7423Jの新たな情報が表示手段
6に出力される(ステップ35E)。
た場合は、ステップ35Dに移る。すなわち、知識ベー
スに記憶されている記号32の特徴を示す知識、すなわ
ち「全部で6文字、左から2文字目まではアルファベッ
ト、左から3文字目以降は52− 数字」を用いて推論が行われ、その結果、2番目の文字
はr13Jであると判定される。この結果、文字列を含
む記号であるrHB7423Jの新たな情報が表示手段
6に出力される(ステップ35E)。
このような本実施例は、ニューラル処理手段3が、1つ
のウェハに付された記号を形成する各文字をそれぞれ特
定できる情報を出力しない場合。
のウェハに付された記号を形成する各文字をそれぞれ特
定できる情報を出力しない場合。
すなわち1つの文字に対して複数の文字情報(例えば2
番目の文字に対してr13J及び「6」の文字情報)を
出力する場合、それらの文字情報を知識処理手段35の
補足処理によって1つに特定することができる。本実施
例は、ニューラル処理手段が1つの文字に対して2つの
文字情報を出力した場合、知識処理手段35がそれらを
1つの文字情報に特定する(または選択する)ものであ
る。
番目の文字に対してr13J及び「6」の文字情報)を
出力する場合、それらの文字情報を知識処理手段35の
補足処理によって1つに特定することができる。本実施
例は、ニューラル処理手段が1つの文字に対して2つの
文字情報を出力した場合、知識処理手段35がそれらを
1つの文字情報に特定する(または選択する)ものであ
る。
従って、本実施例において、知識処理手段35から出力
される記号を示す各文字情報の確信度が著しく高い。換
言すれば、本実施例は、確信度の高い文字情報を出力で
きる。
される記号を示す各文字情報の確信度が著しく高い。換
言すれば、本実施例は、確信度の高い文字情報を出力で
きる。
本実施例においては、ニューラル処理手段3で得られた
情報にあいまいさ(1文字に対して2つの文字情報があ
ること)があっても、知識処理手段35によって不足し
ている情報を補い、最終的には、明確な情報を得ること
ができる。換言すればニューラル処理手段3で得られた
情報が明確であるか否かを知識処理手段35で確認し、
不明確な場合にはニューラル処理手段の出力を吟味し、
誤った情報を排除して正しい情報を出力することである
。例えば、上記例において、Y1=0.6゜Yz=0.
5.Ys=O,O,Y4:O,Oの場合、YlとYzに
有意な情報の存在を検出できる。この場合、YzとYz
の出力が共に有意な値が存在することはないと判断でき
る。次にYlに有意な値が存在する場合を吟味する。こ
の場合には「B」であるという結果が得られる。また、
Yzに有意な値が存在する場合を吟味する。この場合に
は「6」であるという結果が得られる。ここで、第2文
字はアルファベットであるという知識を用いて判断する
と、「B」は正しく、「6」は誤りであるとなる。従っ
て、知識処理手段3からは、第2文字については「B」
であるという結果を出力できる。
情報にあいまいさ(1文字に対して2つの文字情報があ
ること)があっても、知識処理手段35によって不足し
ている情報を補い、最終的には、明確な情報を得ること
ができる。換言すればニューラル処理手段3で得られた
情報が明確であるか否かを知識処理手段35で確認し、
不明確な場合にはニューラル処理手段の出力を吟味し、
誤った情報を排除して正しい情報を出力することである
。例えば、上記例において、Y1=0.6゜Yz=0.
5.Ys=O,O,Y4:O,Oの場合、YlとYzに
有意な情報の存在を検出できる。この場合、YzとYz
の出力が共に有意な値が存在することはないと判断でき
る。次にYlに有意な値が存在する場合を吟味する。こ
の場合には「B」であるという結果が得られる。また、
Yzに有意な値が存在する場合を吟味する。この場合に
は「6」であるという結果が得られる。ここで、第2文
字はアルファベットであるという知識を用いて判断する
と、「B」は正しく、「6」は誤りであるとなる。従っ
て、知識処理手段3からは、第2文字については「B」
であるという結果を出力できる。
このように、ニューラル処理手段の出力を知識処理手段
で確認して不足情報を補うことにより、効率的に明確な
情報を得ることができる。本実施例は、−見、ニューラ
ル処理手段の出力を基に知識処理手段で情報処理する構
造となっているが、機能的には、知識処理手段によって
、ニューラル処理手段の出力情報を補足あるいは確認す
るものである。
で確認して不足情報を補うことにより、効率的に明確な
情報を得ることができる。本実施例は、−見、ニューラ
ル処理手段の出力を基に知識処理手段で情報処理する構
造となっているが、機能的には、知識処理手段によって
、ニューラル処理手段の出力情報を補足あるいは確認す
るものである。
本発明の他の実施例である文字認識装置を、第21図に
示す。本実施例は、画像処理装置34の出力を並列配置
されたニューラル処理手段3及び知識処理手段41に入
力する点、及び知識処理手段42を設けた点で第17図
の実施例と異なっている。それらの出力情報は、知識処
理手段42に入力される。エキスパートシステムである
知識処理手段41及び42は、それぞれ推論手段41A
及び42A、及び知識ベース41B及び42Bを有する
。知識ベース4.1 Bは、画像処理装置345− の出力である画素情報(2次元文字パターン)を条件部
に含み、これに対応する文字を結論部に含むi、f−t
henタイプの知識(知識A)を記憶する。
示す。本実施例は、画像処理装置34の出力を並列配置
されたニューラル処理手段3及び知識処理手段41に入
力する点、及び知識処理手段42を設けた点で第17図
の実施例と異なっている。それらの出力情報は、知識処
理手段42に入力される。エキスパートシステムである
知識処理手段41及び42は、それぞれ推論手段41A
及び42A、及び知識ベース41B及び42Bを有する
。知識ベース4.1 Bは、画像処理装置345− の出力である画素情報(2次元文字パターン)を条件部
に含み、これに対応する文字を結論部に含むi、f−t
henタイプの知識(知識A)を記憶する。
推論手段41は、入力した画素情報を上記の知識を用い
て文字に変換する。ニューラル処理手段3は、第17図
の実施例と同様な処理を行う。推論手段42Aは、第2
2図の処理手順を実行する。
て文字に変換する。ニューラル処理手段3は、第17図
の実施例と同様な処理を行う。推論手段42Aは、第2
2図の処理手順を実行する。
まず、ステップ35A及び43Aで、ニューラル処理手
段3の出力情報及び知識処理手段41の文字を入力する
。ステップ35Aの後にステップ35Bが実行され、ス
テップ4.3 Bでステップ35B及び43Aで得た文
字を記号単位で比較し、各文字の一致及び不一致を判定
する。一致した場合は、知識処理手段42で得た文字を
選択しくステップ43C)、ステップ35Eで表示手段
6に出力する。ステップ4−3 Cの機能は、第1図の
表示警報決定手段28に対応する出力すべき情報を選択
する手段である。ステップ43Bの判定が「不一致Jの
場合は、ニューラル処理手段3の出力情報に対する処理
(ステップ35C〜35E)が実行−56= される。本実施例の知識処理手段42は、上記の選択手
段の機能と共に第17図の知識処理手段35の機能を併
せもっている。
段3の出力情報及び知識処理手段41の文字を入力する
。ステップ35Aの後にステップ35Bが実行され、ス
テップ4.3 Bでステップ35B及び43Aで得た文
字を記号単位で比較し、各文字の一致及び不一致を判定
する。一致した場合は、知識処理手段42で得た文字を
選択しくステップ43C)、ステップ35Eで表示手段
6に出力する。ステップ4−3 Cの機能は、第1図の
表示警報決定手段28に対応する出力すべき情報を選択
する手段である。ステップ43Bの判定が「不一致Jの
場合は、ニューラル処理手段3の出力情報に対する処理
(ステップ35C〜35E)が実行−56= される。本実施例の知識処理手段42は、上記の選択手
段の機能と共に第17図の知識処理手段35の機能を併
せもっている。
本実施例は、ニューラル処理手段3及び知識処理手段4
1を並列配置することによって異なる観点から入力情報
を処理できる。異なる観点での処理による各出力情報を
ステップ43B、4.3Cの処理を得て出力するので、
本実施例で得られる情報の確信度は高い。本実施例は、
ステップ35C及び35Dの処理を実行するので、第1
7図の実施例によって得られた効果も生じる。
1を並列配置することによって異なる観点から入力情報
を処理できる。異なる観点での処理による各出力情報を
ステップ43B、4.3Cの処理を得て出力するので、
本実施例で得られる情報の確信度は高い。本実施例は、
ステップ35C及び35Dの処理を実行するので、第1
7図の実施例によって得られた効果も生じる。
本発明の他の実施例である文字認識装置を、第23図に
より説明する。本実施例は、画像処理装置34の出力は
、ニューラル処理手段3及び知識処理手段(エキスパー
トシステム)44に入力される。ニューラル処理手段3
の出力も知識処理手段44に入力される。知識処理手段
44は、推論手段44A及び知識ベース44Bを有する
。
より説明する。本実施例は、画像処理装置34の出力は
、ニューラル処理手段3及び知識処理手段(エキスパー
トシステム)44に入力される。ニューラル処理手段3
の出力も知識処理手段44に入力される。知識処理手段
44は、推論手段44A及び知識ベース44Bを有する
。
推論手段44Aは、第24図の処理手段を実行する。ま
ず、記号単位毎に、画像処理装置34から出力された画
素情報を取込む(ステップ45A)。
ず、記号単位毎に、画像処理装置34から出力された画
素情報を取込む(ステップ45A)。
前述の知識Aを用いて上記画素情報を文字に変換する(
ステップ45B)。1つの記号に対する全てが文字に変
換されたかを判定する(ステップ45C)。この判定が
「No」の場合、第17図の実施例と同様にステップ3
5A〜35Eが実行される。ステップ45CがrYEs
Jの場合、ステップ35Eが実行される。
ステップ45B)。1つの記号に対する全てが文字に変
換されたかを判定する(ステップ45C)。この判定が
「No」の場合、第17図の実施例と同様にステップ3
5A〜35Eが実行される。ステップ45CがrYEs
Jの場合、ステップ35Eが実行される。
本実施例は、通常、知識処理手段44で知識Aによって
文字を認識し、文字を特定できない画素情報が入力され
た時にニューラル処理手段3によって候補にあげられた
情報のうち、1つの情報を知識処理手段で他の知識(記
号の特徴を示す知識)により決定する。本実施例は、第
17図の実施例の効果も生じる。
文字を認識し、文字を特定できない画素情報が入力され
た時にニューラル処理手段3によって候補にあげられた
情報のうち、1つの情報を知識処理手段で他の知識(記
号の特徴を示す知識)により決定する。本実施例は、第
17図の実施例の効果も生じる。
第25図は、本発明の他の実施例である情報処理システ
ムである。本実施例は、知識処理手段46とニューラル
処理手段3とを並列的に配置し、画処理手段からの出力
情報を選択する情報選択手段47を有する。
ムである。本実施例は、知識処理手段46とニューラル
処理手段3とを並列的に配置し、画処理手段からの出力
情報を選択する情報選択手段47を有する。
知識処理手段46の推論手段4.6 Aは、入力情報が
ルール化した知識と合致する場合に、適切な解(確信度
1)を出力する。しかし、入力情報に欠落がある場合は
、出力する解の確信度が低下する。従って、ルール化し
た知識とかけ離れた人力情報が入力されると、全く解を
出力しない。このとき、確信度はゼロであると表現する
。このように、知識処理手段46の出力である情報は信
頼度を示す確信度の情報と共に出力される場合が多い。
ルール化した知識と合致する場合に、適切な解(確信度
1)を出力する。しかし、入力情報に欠落がある場合は
、出力する解の確信度が低下する。従って、ルール化し
た知識とかけ離れた人力情報が入力されると、全く解を
出力しない。このとき、確信度はゼロであると表現する
。このように、知識処理手段46の出力である情報は信
頼度を示す確信度の情報と共に出力される場合が多い。
一方、ニューラル処理手段3は、前述したように、学習
結果に対して、どの程度一致するかを示した情報を出力
する。従って、この情報そのものが確信度を表わす。そ
こで、確信度が高い情報を情報選択部47によって選択
し、これを出力信号として出力する。情報選択手段47
で情報選択のために実施される処理手順(ステップ47
A〜47E)を第26図に示す。
結果に対して、どの程度一致するかを示した情報を出力
する。従って、この情報そのものが確信度を表わす。そ
こで、確信度が高い情報を情報選択部47によって選択
し、これを出力信号として出力する。情報選択手段47
で情報選択のために実施される処理手順(ステップ47
A〜47E)を第26図に示す。
また、本発明の他の実施例である情報処理システムを以
下に述べる。本実施例は、第25図の情報選択手段47
で、第26図の処理手順の替りに59− 第27図の処理手順を実行するものである。この処理手
順において、知識処理手段46とニューラル処理手段3
の出力情報のうち一致する情報は、算出した新しい確信
度Fと共に出力する。その新しい確信度Fは次式によっ
て計算する。
下に述べる。本実施例は、第25図の情報選択手段47
で、第26図の処理手順の替りに59− 第27図の処理手順を実行するものである。この処理手
順において、知識処理手段46とニューラル処理手段3
の出力情報のうち一致する情報は、算出した新しい確信
度Fと共に出力する。その新しい確信度Fは次式によっ
て計算する。
F=ft+fz−ft・fz −(1)た
だし flは知識処理手段46による出力情報の確信度、及び fzはニューラル処理手段3による出力情報の確信度で
ある。
だし flは知識処理手段46による出力情報の確信度、及び fzはニューラル処理手段3による出力情報の確信度で
ある。
例えば、f工=0.8.fz=0.7であるとすると、
(1)式より、Fは0.94 となる。これは、第28
図に示した様に、知識処理手段とニューラル処理手段を
並列配置することにより一層出力情報の信頼性が向上し
たことを示している。
(1)式より、Fは0.94 となる。これは、第28
図に示した様に、知識処理手段とニューラル処理手段を
並列配置することにより一層出力情報の信頼性が向上し
たことを示している。
本発明によれば、ニューラル処理手段及び知識処理手段
が得る情報を補うようになっているので、確信度の高い
情報を得ることができる。
が得る情報を補うようになっているので、確信度の高い
情報を得ることができる。
60−
第1図は本発明の好適な一実施例である警報情報処理シ
ステムの構成図、第2図は第1図のニューラル処理手段
の詳細な構成図、第3図は第2図のニューラルネットに
含まれるユニット部のモデル構造を示す説明図、第4図
〜第6図はニューラルネットの学習に用いるプラントの
異常事象に対するサンプル信号を示す説明図、第7図は
学習時におけるサンプル信号と教師信号との誤差を学習
回数に対応させて示した説明図、第8図は構造の知識が
表現する沸騰水型原子炉の構成図、第9図は第1図の知
識ベースに記憶されている作用の知識を示す説明図、第
10図は第1図の推論手段1で実行される処理手順の説
明図、第11図は第1図の警報発生順序決定手段の詳細
構成図、第12図は警報発生順序決定手段で時系列的に
整理した警報信号を示す説明図、第13図は第1図の推
論手段26で実行される処理手順の説明図、第14図、
第17図、第21図、第23回及び第25図は本発明の
他の実施例の構成図、第15図は第14図の推論手段2
4で実行される処理手順の説明図、第16図は第14図
の推論手段29で実行される処理手順の説明図、第18
図は文字パターンの一例の説明図、第19図は第17図
の知識処理手段35で実行される処理手順の説明図、第
20図は顕微鏡カメラで撮影した番号の例を示す説明図
、第22図は第21図の知識処理手段42で実行される
処理手順の説明図、第24図は第23図の知識処理手段
44で実行される処理手順の説明図、第26図は第25
図の情報選択手段で実行される処理手順の説明図、第2
7図は第25図の情報選択手段の処理手順の他の実施例
の説明図、第28図は出力情報の信頼度を示す特性図で
ある。 1.24.26,29.41A、42A、44A。 46A・・・推論手段、2,2A、2B、2C,41B
、42B、44B、46B・・・知識ベース、3・・・
ニューラル処理手段、4・・・学習手段、5,5A・・
・信号選択手段、6・・・表示手段、7・・・警報信号
記憶手段、8・・・警報信号検索手段、13・・・異常
監視手段、2.3.23A、25.25A、35,41
゜42,44.46・・・知識処理手段、28・・・表
示警報決定手段、28A・・・非表示警報決定手段、3
]3− 第 3 図 第 図 1 2 3 4 5 時間 t! 2 3 4 5 時間 第 図 1゜ 2 3 4 5 時間 1+ 2 3 4 t= 時間 1 2 3 4 5 時間 第 図 第9図 11kII n2 阻3 n4 5 6 階7 8 9 陽10 陳11 n12 n13 Q14 n16 Q16 f(原子炉スクラム)、then(プラント・トリップ
)f(主蒸気隔離弁トリップ)、then(プラント・
トリップ)if(タービン・トリップ)、then(プ
ラント・トリップ)f(発電機トリップ)、then(
プラント・トリップ)f(原子炉水位低・低)、the
n(原子炉スクラム)f(給水能力低下)、then(
原子炉水位低・低)f(冷却材喪失事故)、then(
原子炉水位低・低)f(給水ポンプ異常)、then(
給水能力低下)f(給水配管リーク)、then(給水
能力低下)f(給水制御系異常)、then(U水能力
低下)f(中性子高・高)、then(原子炉スクラム
)f(給水加熱喪失)、then(中性子高・高)f(
冷温停止)、then(減圧制御)f(冷温停止)、t
hen(残留熱除去系制御)f(冷温停止)、then
(出力制御)f(冷温停止)+ then(原子炉水位
制御)第 1゜ 図 第 1 図 27A・・・スキャナ、 27B・・・発生順序決定手段 第 2 図 (発生時刻) (警報信号) ××時××分xx、xxx秒 復水器真空度低 ××時X×分xx、xxx秒 夕 ビントリップ多重化検出器鮎作 主蒸気止め弁Bチャンネル閉 主蒸気止め弁閉トリップ A系原子炉自動スクラム 日系原子炉自動スクラム 第 3 図 −324− 第 6 図 第 17 図 1 ウェハ、 2 記号、 3 顕微鏡カメラ 第 8 図 第 9 図 第 0 図 B7423 第 23 図 2 第 27 図 第 8 図 入力情報のあいまい度
ステムの構成図、第2図は第1図のニューラル処理手段
の詳細な構成図、第3図は第2図のニューラルネットに
含まれるユニット部のモデル構造を示す説明図、第4図
〜第6図はニューラルネットの学習に用いるプラントの
異常事象に対するサンプル信号を示す説明図、第7図は
学習時におけるサンプル信号と教師信号との誤差を学習
回数に対応させて示した説明図、第8図は構造の知識が
表現する沸騰水型原子炉の構成図、第9図は第1図の知
識ベースに記憶されている作用の知識を示す説明図、第
10図は第1図の推論手段1で実行される処理手順の説
明図、第11図は第1図の警報発生順序決定手段の詳細
構成図、第12図は警報発生順序決定手段で時系列的に
整理した警報信号を示す説明図、第13図は第1図の推
論手段26で実行される処理手順の説明図、第14図、
第17図、第21図、第23回及び第25図は本発明の
他の実施例の構成図、第15図は第14図の推論手段2
4で実行される処理手順の説明図、第16図は第14図
の推論手段29で実行される処理手順の説明図、第18
図は文字パターンの一例の説明図、第19図は第17図
の知識処理手段35で実行される処理手順の説明図、第
20図は顕微鏡カメラで撮影した番号の例を示す説明図
、第22図は第21図の知識処理手段42で実行される
処理手順の説明図、第24図は第23図の知識処理手段
44で実行される処理手順の説明図、第26図は第25
図の情報選択手段で実行される処理手順の説明図、第2
7図は第25図の情報選択手段の処理手順の他の実施例
の説明図、第28図は出力情報の信頼度を示す特性図で
ある。 1.24.26,29.41A、42A、44A。 46A・・・推論手段、2,2A、2B、2C,41B
、42B、44B、46B・・・知識ベース、3・・・
ニューラル処理手段、4・・・学習手段、5,5A・・
・信号選択手段、6・・・表示手段、7・・・警報信号
記憶手段、8・・・警報信号検索手段、13・・・異常
監視手段、2.3.23A、25.25A、35,41
゜42,44.46・・・知識処理手段、28・・・表
示警報決定手段、28A・・・非表示警報決定手段、3
]3− 第 3 図 第 図 1 2 3 4 5 時間 t! 2 3 4 5 時間 第 図 1゜ 2 3 4 5 時間 1+ 2 3 4 t= 時間 1 2 3 4 5 時間 第 図 第9図 11kII n2 阻3 n4 5 6 階7 8 9 陽10 陳11 n12 n13 Q14 n16 Q16 f(原子炉スクラム)、then(プラント・トリップ
)f(主蒸気隔離弁トリップ)、then(プラント・
トリップ)if(タービン・トリップ)、then(プ
ラント・トリップ)f(発電機トリップ)、then(
プラント・トリップ)f(原子炉水位低・低)、the
n(原子炉スクラム)f(給水能力低下)、then(
原子炉水位低・低)f(冷却材喪失事故)、then(
原子炉水位低・低)f(給水ポンプ異常)、then(
給水能力低下)f(給水配管リーク)、then(給水
能力低下)f(給水制御系異常)、then(U水能力
低下)f(中性子高・高)、then(原子炉スクラム
)f(給水加熱喪失)、then(中性子高・高)f(
冷温停止)、then(減圧制御)f(冷温停止)、t
hen(残留熱除去系制御)f(冷温停止)、then
(出力制御)f(冷温停止)+ then(原子炉水位
制御)第 1゜ 図 第 1 図 27A・・・スキャナ、 27B・・・発生順序決定手段 第 2 図 (発生時刻) (警報信号) ××時××分xx、xxx秒 復水器真空度低 ××時X×分xx、xxx秒 夕 ビントリップ多重化検出器鮎作 主蒸気止め弁Bチャンネル閉 主蒸気止め弁閉トリップ A系原子炉自動スクラム 日系原子炉自動スクラム 第 3 図 −324− 第 6 図 第 17 図 1 ウェハ、 2 記号、 3 顕微鏡カメラ 第 8 図 第 9 図 第 0 図 B7423 第 23 図 2 第 27 図 第 8 図 入力情報のあいまい度
Claims (1)
- 【特許請求の範囲】 1、ニューラル処理手段と、前記ニューラル処理手段と
並列に配置された、ルールを用いた推論を実行するエキ
スパートシステムと、前記ニューラル処理手段から出力
された情報及び前記エキスパートシステムから出力され
た情報の中から、出力すべき情報を選択する手段とを備
えた情報処理システム。 2、同時に入力された複数の情報の群によつて表現され
た第1情報を取出す情報処理手段と、この情報処理手段
とは並列に配置され、ルールを用いた推論を実行するエ
キスパートシステムと、前記情報処理手段から出力され
た第1情報及び前記エキスパートシステムから出力され
た第2情報の中から、出力すべき情報を選択する手段と
を備えた情報処理システム。 3、ニューラル処理手段を含む第1情報処理手段と、前
記第1情報処理手段と並列に配置され、エキスパートシ
ステムを含む第2情報処理手段と、前記第1及び第2情
報処理手段から出力された情報の中から、出力すべき情
報を選択する手段とを備えた情報処理システム。 4、前記第2情報手段が、ニューラル手段を含まず前記
エキスパートシステムを含む請求項3の情報処理システ
ム。 5、複数の第1情報を入力しこれらの第1情報に基づい
て第2情報を得るニューラル処理手段と、前記ニューラ
ル処理手段で得られた第2情報及び知識を用いた推論に
より解決すべき問題に対する解である第3情報を得る第
1知識処理手段と、前記第1情報を入力すると共に第1
情報毎にその特異な状態を示す第4情報を生成する手段
と、前記第4情報及び知識を用いた推論により前記解決
すべき問題に対する解である第5情報を得る第2知識処
理手段と、前記第3及び第5情報の中から、出力すべき
情報を選択する手段を備えた情報処理システム。 6、同時に入力された複数の第1情報の群によつて表現
された第2情報を取り出す情報処理手段と、前記第2情
報及び知識を用いた推論により解決すべき問題に対する
解である第3情報を得る知識処理手段と、前記第1情報
を入力すると共に第1情報毎にその特異な状態を示す第
4情報を生成する手段と、前記第4情報及び知識を用い
た推論により前記解決すべき問題に対する解である第5
情報を得る知識処理手段と、前記第3情報及び第5情報
の中から、出力すべき情報を選択する手段とを備えた情
報処理システム。 7、ニューラル処理手段と、ルールを用いた推論を行い
、前記ニューラル処理手段で得られた複数の情報の中か
ら、前記ルールに該当する情報を特定して出力するエキ
スパートシステムとを備えた情報処理システム。 8、ニューラル処理手段と、これと並列に配置された第
1エキスパートシステムと、前記ニューラル処理手段と
前記第1エキスパートシステムの出力情報が一致しない
とき、前記ニューラル処理手段で得られた複数の情報の
中から、ルールによつて該当する情報を特定して出力す
る第2エキスパートシステムとを備えた情報処理システ
ム。 9、複数のプロセス情報を入力しこれらのプロセス情報
を入力しこれらのプロセス情報に基づいて異常事象を得
るニューラル処理手段を、含む第1情報処理手段と、第
1情報処理手段と並列に配置され、ニューラル処理手段
を含まず知識処理手段を含む第2情報処理手段と、第1
及び第2情報処理手段から出力された表示警報情報のう
ち、出力すべき表示警報情報を選択する表示警報選択手
段とを備えた警報情報処理システム。 10、複数のプロセス情報を入力しこれらのプロセス情
報を入力しこれらのプロセス情報に基づいて異常事象を
得るニューラル処理手段を、含む第1情報処理手段と、
第1情報処理手段と並列に配置され、ニューラル処理手
段を含まず知識処理手段を含む第2情報処理手段と、第
1及び第2情報処理手段から出力された非表示警報情報
のうち、出力すべき表示警報情報を選択する非表示警報
選択手段とを備えた警報情報処理システム。 11、入力した複数の警報情報から前記表示警報情報に
該当する警報情報を選択する手段を備えた請求項9の警
報情報処理システム。 12、入力した複数の警報情報から前記非表示警報情報
に該当しない警報情報を選択する手段を備えた請求項1
0の警報情報処理システム。 13、前記警報情報選択手段において選択されなかった
前記警報情報を記憶する手段と、検索要求信号に基づい
て前記警報情報記憶手段から検索した前記警報情報を表
示手段に出力する警報情報検索手段とを備えた請求項1
1の警報情報処理システム。 14、前記警報情報選択手段において選択されなかった
前記警報情報を記憶する手段と、検索要求信号に基づい
て前記警報情報記憶手段から検索した前記警報情報を表
示手段に出力する警報情報検索手段とを備えた請求項1
2の警報情報処理システム。 15、複数のプロセス情報を入力しこれらのプロセス情
報に基づいて異常事象を得るニューラル処理手段と、前
記ニューラル処理手段で得られた異常事象及び知識を用
いた推論により表示警報情報を得る第1知識処理手段と
、前記プロセス情報を入力し前記プロセス情報が異常状
態になつたときに警報情報を出力する異常監視手段と、
前記警報情報及び知識を用いた推論により表示警報情報
を得る第2知識処理手段と前記第1及び第2知識処理手
段から出力された複数の表示警報情報から表示すべき警
報情報を選択する表示警報選択手段と、入力した複数の
警報情報から前記最終的に表示する警報情報に該当する
警報情報を選択する手段とを備えた警報情報処理システ
ム。 16、複数のプロセス情報を入力しこれらのプロセス情
報に基づいて異常事象を得るニューラル処理手段と、前
記ニューラル処理手段で得られた異常事象及び知識を用
いた推論により非表示警報情報を得る第1知識処理手段
と、前記プロセス情報を入力し前記プロセス情報が異常
状態になつたときに警報情報を出力する異常監視手段と
、前記警報情報及び知識を用いた推論により非表示警報
情報を得る第2知識処理手段と、前記第1及び第2知識
処理手段から出力された複数の非表示警報情報から表示
しない警報情報を選択する表示警報選択手段と、入力し
た複数の警報情報から前記表示しない警報情報に該当し
ない警報情報を選択する手段とを備えた警報情報処理シ
ステム。 17、前記警報情報選択手段において選択されなかつた
前記警報情報を記憶する手段と、検索要求信号に基づい
て前記警報情報記憶手段から検索した前記警報情報を表
示手段に出力する警報情報検索手段とを備えた請求項1
5の警報情報処理システム。 18、前記警報情報選択手段において選択されなかった
前記警報情報を記憶する手段と、検索要求信号に基づい
て前記警報情報記憶手段から検索した前記警報情報を表
示手段に出力する警報情報検索手段とを備えた請求項1
6の警報情報処理システム。 19、異常事象に対する確認情報を記憶する手段と、入
力した異常事象に該当する確認情報を確認情報記憶手段
から検索して表示手段に出力する手段とを備えた請求項
15または16の警報情報処理システム。 20、入力した文字パターン情報に基づいて該当する文
字情報を得るニューラル処理手段と、知識を用いた推論
を行い、前記ニューラル処理手段で得られた複数の文字
情報の中から、前記知識に該当する文字情報を特定する
知識処理手段とを備えた文字認識システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2190548A JPH03223933A (ja) | 1989-12-18 | 1990-07-20 | 情報処理システム |
US08/425,334 US5701394A (en) | 1989-12-18 | 1995-04-18 | Information processing apparatus having a neural network and an expert system |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP1-325985 | 1989-12-18 | ||
JP32598589 | 1989-12-18 | ||
JP2190548A JPH03223933A (ja) | 1989-12-18 | 1990-07-20 | 情報処理システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH03223933A true JPH03223933A (ja) | 1991-10-02 |
Family
ID=26506166
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2190548A Pending JPH03223933A (ja) | 1989-12-18 | 1990-07-20 | 情報処理システム |
Country Status (2)
Country | Link |
---|---|
US (1) | US5701394A (ja) |
JP (1) | JPH03223933A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6471825B1 (ja) * | 2018-09-11 | 2019-02-20 | ソニー株式会社 | 情報処理装置および情報処理方法 |
JP2020042753A (ja) * | 2019-01-23 | 2020-03-19 | ソニー株式会社 | 情報処理装置および情報処理方法 |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6246787B1 (en) | 1996-05-31 | 2001-06-12 | Texas Instruments Incorporated | System and method for knowledgebase generation and management |
US6063028A (en) | 1997-03-20 | 2000-05-16 | Luciano; Joanne Sylvia | Automated treatment selection method |
US6115682A (en) * | 1997-12-24 | 2000-09-05 | Intel Corporation | Apparatus for analyzing the performance of a computer system |
US6154765A (en) * | 1998-03-18 | 2000-11-28 | Pasocs Llc | Distributed digital rule processor for single system image on a clustered network and method |
FR2843260B1 (fr) * | 2002-07-31 | 2005-04-08 | Cit Alcatel | Systeme de gestion de reseau par regles comportant un moteur d'inference |
EP1683058A2 (en) * | 2003-10-29 | 2006-07-26 | Novo Nordisk A/S | Medical advisory system |
US7415448B2 (en) * | 2006-03-20 | 2008-08-19 | Microsoft Corporation | Adaptive engine for processing geographic data |
JP2007323396A (ja) * | 2006-06-01 | 2007-12-13 | Yokogawa Electric Corp | プラント情報処理システムおよびプラント情報処理方法 |
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 |
US8266092B2 (en) | 2008-07-10 | 2012-09-11 | Palo Alto Research Center Incorporated | Methods and systems for target value path identification |
US8145334B2 (en) * | 2008-07-10 | 2012-03-27 | Palo Alto Research Center Incorporated | Methods and systems for active diagnosis through logic-based planning |
CA2799167A1 (en) * | 2010-05-19 | 2011-11-24 | Douglas A. Palmer | Neural processing unit |
US11774944B2 (en) | 2016-05-09 | 2023-10-03 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for the industrial internet of things |
US20180284745A1 (en) | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for self-organization of collected data using 3rd party data from a data marketplace in an industrial internet of things environment |
US11327475B2 (en) * | 2016-05-09 | 2022-05-10 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for intelligent collection and analysis of vehicle data |
US11237546B2 (en) | 2016-06-15 | 2022-02-01 | Strong Force loT Portfolio 2016, LLC | Method and system of modifying a data collection trajectory for vehicles |
JP6803788B2 (ja) * | 2017-03-29 | 2020-12-23 | 三菱重工業株式会社 | 情報処理装置、情報処理方法およびプログラム |
US10908602B2 (en) | 2017-08-02 | 2021-02-02 | Strong Force Iot Portfolio 2016, Llc | Systems and methods for network-sensitive data collection |
KR20200037816A (ko) | 2017-08-02 | 2020-04-09 | 스트롱 포스 아이오티 포트폴리오 2016, 엘엘씨 | 대규모 데이터 세트들을 갖는 산업 사물 인터넷 데이터 수집 환경에서의 검출을 위한 방법들 및 시스템들 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4999833A (en) * | 1985-05-06 | 1991-03-12 | Itt Corporation | Network connectivity control by artificial intelligence |
US4884217A (en) * | 1987-09-30 | 1989-11-28 | E. I. Du Pont De Nemours And Company | Expert system with three classes of rules |
US4965882A (en) * | 1987-10-01 | 1990-10-23 | Digital Equipment Corporation | Method for operating a parallel processing system and related apparatus |
JPH01224804A (ja) * | 1988-03-04 | 1989-09-07 | Toshiba Corp | Aiプロセス監視制御装置 |
US4853175A (en) * | 1988-03-10 | 1989-08-01 | The Babcock & Wilcox Company | Power plant interactive display |
US4965741A (en) * | 1988-10-17 | 1990-10-23 | Ncr Corporation | Method for providing an improved human user interface to a knowledge based system |
US5086479A (en) * | 1989-06-30 | 1992-02-04 | Hitachi, Ltd. | Information processing system using neural network learning function |
-
1990
- 1990-07-20 JP JP2190548A patent/JPH03223933A/ja active Pending
-
1995
- 1995-04-18 US US08/425,334 patent/US5701394A/en not_active Expired - Lifetime
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6471825B1 (ja) * | 2018-09-11 | 2019-02-20 | ソニー株式会社 | 情報処理装置および情報処理方法 |
JP2020042591A (ja) * | 2018-09-11 | 2020-03-19 | ソニー株式会社 | 情報処理装置および情報処理方法 |
WO2020054083A1 (ja) * | 2018-09-11 | 2020-03-19 | ソニー株式会社 | 情報処理装置および情報処理方法 |
US10922612B2 (en) | 2018-09-11 | 2021-02-16 | Sony Corporation | Information processing apparatus and information processing method |
JP2020042753A (ja) * | 2019-01-23 | 2020-03-19 | ソニー株式会社 | 情報処理装置および情報処理方法 |
Also Published As
Publication number | Publication date |
---|---|
US5701394A (en) | 1997-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH03223933A (ja) | 情報処理システム | |
Wu et al. | Framework for fault diagnosis with multi-source sensor nodes in nuclear power plants based on a Bayesian network | |
Na et al. | Prediction of major transient scenarios for severe accidents of nuclear power plants | |
Kim et al. | Reactor vessel water level estimation during severe accidents using cascaded fuzzy neural networks | |
Elshenawy et al. | Unsupervised machine learning techniques for fault detection and diagnosis in nuclear power plants | |
Lee et al. | Diagnostics of loss of coolant accidents using SVC and GMDH models | |
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 | |
No et al. | Monitoring severe accidents using AI techniques | |
Wang et al. | Abnormal event detection, identification and isolation in nuclear power plants using LSTM networks | |
Choi et al. | Prediction of hydrogen concentration in nuclear power plant containment under severe accidents using cascaded fuzzy neural networks | |
Shin et al. | An interpretable convolutional neural network for nuclear power plant abnormal events | |
Wu et al. | Research on rapid source term estimation in nuclear accident emergency decision for pressurized water reactor based on Bayesian network | |
Do Koo et al. | Prediction of nuclear reactor vessel water level using deep neural networks | |
Shin et al. | Approach to diagnosing multiple abnormal events with single-event training data | |
No et al. | Development of a prediction method for SAMG entry time in NPPs using the extended group method of data handling (GMDH) model | |
Moshkbar-Bakhshayesh et al. | Development of a new method for forecasting future states of NPPs parameters in transients | |
Jo et al. | Bayesian belief network-based human reliability analysis methodology for start-up and shutdown operations in nuclear power plants | |
Tolo et al. | Uncertainty quantification methods for neural networks pattern recognition | |
CN112036568B (zh) | 一种核动力装置一回路冷却剂***破损故障智能诊断方法 | |
Davallo et al. | Fault diagnosis of Combined Cycle Power Plant Using ELM | |
dos Santos Nicolau et al. | A real time expert system for decision support in nuclear power plants | |
Tian et al. | A constraint-based random search algorithm for optimizing neural network architectures and ensemble construction in detecting loss of coolant accidents in nuclear power plants | |
CN115546212B (zh) | 基于全局上下文嵌入生成对抗网络的图像异常检测方法 | |
US20240233969A9 (en) | Apparatus and Method for Diganosis and Prediction of Severe Accidents in Nuclear Power Plant using Artificial Intelligence and Storage Medium Storing Instructions to Performing Method for Digonosis and Prediction of Severe Accidents in Nuclear Power Plant |