JPH0524521B2 - - Google Patents
Info
- Publication number
- JPH0524521B2 JPH0524521B2 JP63263964A JP26396488A JPH0524521B2 JP H0524521 B2 JPH0524521 B2 JP H0524521B2 JP 63263964 A JP63263964 A JP 63263964A JP 26396488 A JP26396488 A JP 26396488A JP H0524521 B2 JPH0524521 B2 JP H0524521B2
- Authority
- JP
- Japan
- Prior art keywords
- state
- cause
- element state
- plant
- function
- 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.)
- Expired - Lifetime
Links
- 238000000034 method Methods 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 32
- 230000000694 effects Effects 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 5
- 230000010485 coping Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 178
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 86
- 230000008859 change Effects 0.000 description 26
- 230000007704 transition Effects 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 15
- 230000005856 abnormality Effects 0.000 description 14
- 239000011800 void material Substances 0.000 description 11
- 238000011017 operating method Methods 0.000 description 10
- 238000006243 chemical reaction Methods 0.000 description 9
- 238000009835 boiling Methods 0.000 description 5
- 239000000498 cooling water Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000012407 engineering method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
- Safety Devices In Control Systems (AREA)
Description
【発明の詳細な説明】
〔産業上の利用分野〕
本発明は、プラトン等の複雑な装置のための異
常対処技術に関し、特に、火力発電プラトン、原
子力発電プラトン等の非常に複雑かつ大規模なシ
ステムを形成する装置に適した、装置の異常な状
態に対処するための操作方法を、電子計算機を用
いてオペレータに推薦する方法に関する。[Detailed Description of the Invention] [Industrial Application Field] The present invention relates to an abnormality handling technology for complex equipment such as Plato, and particularly for extremely complex and large-scale equipment such as thermal power generation Plato and nuclear power generation Plato. The present invention relates to a method of recommending to an operator, using a computer, an operating method suitable for the equipment forming the system and for dealing with an abnormal state of the equipment.
従来、この種の操作(運転)ガイド方法として
は、“On−line Power Plant Alarm and
Disturbance Analysis System”、ERRI Report
NP−1379、April1980に記載されているような、
原因結果関連樹木(Cause−Consequence Tree、
以下、CCTと略記する)を利用するものが提案
されている。CCTは、事前の解析結果等に基づ
いて、プラントに発生する諸事象の因果関係を樹
木状につないだものであり、比較的小規模で単純
なプラントの場合には、異常時の操作ガイド作成
に利用すると非常に効果的である。しかしなが
ら、CCTに記述される因果関係は、あらかじめ
想定した事象の進展をそのまま示すだけであり、
事象が伝榛するに要する時間幅も固定されてい
る。したがつて、複雑・大規模なプラントにおい
て、運伝状態、発生する事象の種類、程度等によ
り千変万化する実際の事象の進展は、CCTを用
いて正確に判断するのは極めて困難である。ま
た、CCTは、想定する各原因ごとに、樹木状に
明確に連結された因果関係を記述するため、融通
性を欠くばかりでなく、複雑なプラントの場合
は、CCTも大規模で複雑なものとなり、そのデ
ータ量も膨大になるので、その作成、保守共に甚
だ困難になる。
Conventionally, this type of operation (driving) guidance method was “On-line Power Plant Alarm and
Disturbance Analysis System”, ERRI Report
As described in NP-1379, April 1980,
Cause-Consequence Tree
A method using CCT (hereinafter abbreviated as CCT) has been proposed. CCT connects the cause and effect relationships of various events that occur in a plant in a tree-like manner based on preliminary analysis results, etc., and in the case of relatively small and simple plants, it can be used to create operation guides in case of abnormalities. It is very effective when used. However, the causal relationships described in CCT simply show the progression of events that were assumed in advance.
The amount of time it takes for an event to spread is also fixed. Therefore, in complex, large-scale plants, it is extremely difficult to use CCT to accurately judge the progress of actual events, which vary greatly depending on the operational status, type and severity of events that occur, etc. In addition, CCT not only lacks flexibility because it describes causal relationships that are clearly connected in a tree-like manner for each assumed cause, but also requires large-scale and complex CCT in the case of complex plants. Since the amount of data becomes enormous, it becomes extremely difficult to create and maintain it.
一方、E.Shortliffeによる“Consultation
Systems for Physicians”、Proceeding of
Cana−dian Soc.for Computational Studies of
In−telligence、Universiity of Victoria、1980
には、小規模な知識ベースを使用する対話型の医
療コンサルテーシヨンシステムが記載されてい
る。知識ベースは、個々の部分的な因果関係を独
立したルールとして収容するので、CCTと比較
すると、その作成、保守共に容易であるという利
点がある。 On the other hand, “Consultation” by E.Shortliffe
Systems for Physicians”, Proceeding of
Canadian Soc.for Computational Studies of
Intelligence, University of Victoria, 1980
describes an interactive medical consultation system that uses a small knowledge base. Since a knowledge base accommodates each partial causal relationship as an independent rule, it has the advantage of being easier to create and maintain than a CCT.
前記の医療コンサルテーシヨンシステムに利用
さている知識工学の手法は、原理上はプラントの
異常時の操作ガイドにも応用することができると
考えられる。すなわち、プラントに発生する諸事
象の因果関係の各部分をルールとして収容した知
識ベースを、記憶装置に格納しておき、プラント
の異常時に、操作者との対話を通じて入力される
プラントの状態に関する情報に基づいて、それら
のルールを検索し、組み合せて、異常の原因を推
定し、そしてその対策を提案するようなシステム
を構築することは、少なくとも理論上は可能であ
り、小規模で単純なプラントや装置の場合には、
それで十分かもしれない。 It is thought that the knowledge engineering method used in the medical consultation system described above can, in principle, be applied to operational guidance in the event of an abnormality in a plant. In other words, a knowledge base that contains rules for each part of the causal relationship between various events that occur in the plant is stored in a storage device, and when an abnormality occurs in the plant, information regarding the state of the plant is input through dialogue with the operator. It is at least theoretically possible to construct a system that searches and combines these rules based on the or equipment,
That might be enough.
しかしながら、前記の対話型コンサルテーシヨ
ンの手法を、大規模なプラントやシステムなどの
複雑な装置の操作ガイドに応用する場合には、操
作者と計算機の対話が煩雑で、時間がかかり、そ
の上、多数の各種計測器から得られる情報と知識
ベースに収容された知識又はルールとの関連付け
をどのようにすればよいか、また、時間的に複雑
に変化する各種物理量を因果関係知識との関係で
どのように扱えばよいかというような、多くの問
題を解決しなければならない。
However, when applying the above-mentioned interactive consultation method to the operation guide of complex equipment such as large-scale plants and systems, the interaction between the operator and the computer is complicated and time-consuming. , how to associate information obtained from a large number of various measuring instruments with knowledge or rules stored in a knowledge base, and how to relate various physical quantities that change complexly over time to causal knowledge. Many questions need to be resolved, such as how to deal with
のみならず、この対話型コンサルテーシヨンの
手法は、そのままでは、プラントなどとオンライ
ンで接続するのに適していない。この手法は、シ
ステム側が、個々の結論(例えば病名)につい
て、それが成り立つのに必要な前提(例えば症
状)を、ルールをたどつて索出し、その前提が成
り立つか否か(例えば特定の症状があるか否か)
を対話者に質問する、という手順を取るものであ
る。すなわち、これは、ルールから出発してルー
ルを満たすデータを探索する、いわば、ルール駆
動型の処理であり、これをそのままオンライン処
理に適用するのは、効率が良くない。 Furthermore, this interactive consultation method is not suitable as it is for online connection with plants and the like. In this method, the system follows rules to find the premises (such as symptoms) necessary for each conclusion (such as a disease name) to hold, and then determines whether or not the premises hold (such as a specific symptom). whether there is)
The procedure is to ask questions of the interlocutor. That is, this is a so-called rule-driven process that starts from a rule and searches for data that satisfies the rule, and it is not efficient to apply this as is to online processing.
更に、従来のガイダンスシステムは、推論を重
ねて得られた操作が果たして信頼できるものかど
うか、例えば安全が保たれるかどうかを、自己吟
味する能力がない。 Further, conventional guidance systems do not have the ability to self-examine whether operations obtained through repeated reasoning are reliable, for example, whether safety is maintained.
そこで、本発明の目的は、知識工学の方法を応
用して、プラント、システムなどの複雑な装置の
異常な状態の原因を、操作者の助けを借りること
なく、オンラインで、迅速かつ的確に、しかも効
率良く推定して、それに対処するための最適な操
作を推薦することができる操作ガイド方法を、提
供することにある。 Therefore, the purpose of the present invention is to apply knowledge engineering methods to quickly and accurately identify the causes of abnormal conditions in complex equipment such as plants and systems online, without the help of operators. Moreover, it is an object of the present invention to provide an operation guide method that can efficiently estimate and recommend the optimal operation to deal with the estimation.
本発明の方法は、対象装置に設けられた検出装
置の出力を、直接、電子計算機の入力装置で受け
て、それからルールを用いた推論処理に適する所
定の形式の要素状態データを生成し、そして、こ
の要素状態データに対応するルールを探索し、更
にこのルールからの因果関係を連鎖を形成する諸
ルールを探索して、その連鎖の終端をなす原因の
中から対象装置の異常な状態の原因を選択し、次
いで、この選択された原因に対処するための操作
を、諸原因に対応付けてそれらに対処するための
操作を示す対処操作情報を用いて決定する。これ
ら複数のルールのそれぞれは、対象装置の要求状
態を原因とその結果の対として対応付けるもので
ある。検出装置出力から生成する要素状態データ
は、対象装置の異常な状態を表わすものだけでも
よい。
The method of the present invention directly receives the output of a detection device installed in a target device through an input device of a computer, generates element state data in a predetermined format suitable for inference processing using rules, and , searches for a rule corresponding to this element state data, further searches for rules that form a chain of causal relationships from this rule, and selects the cause of the abnormal state of the target device from among the causes at the end of the chain. is selected, and then an operation to deal with the selected cause is determined using countermeasure operation information indicating operations to deal with the causes in association with the causes. Each of these plurality of rules associates the required state of the target device with a cause and its effect as a pair. The element state data generated from the detection device output may be only data representing an abnormal state of the target device.
この、入力情報から得られた要素状態データに
対応するルールを探索し、更にこのルールからの
因果関係の連鎖を形成する諸ルールを探索する、
という手法は、前述した従来の対話型コンサルテ
ーシヨンのルール駆動型処理とは対照的に、デー
タから出発してデータによつて満たされるルール
を探索する、いわば、データ駆動型の処理であ
る。 Searching for rules corresponding to element state data obtained from this input information, and further searching for rules forming a chain of causal relationships from this rule.
In contrast to the rule-driven processing of the conventional interactive consultation described above, this method is data-driven processing that starts from data and searches for rules that are satisfied by the data.
ルールの探索は、要素状態データの基づいてま
ず前向き推論を行ない、それで得られた要素状態
を最初の要素状態データに追加し、それから、こ
うして追加された要素状態と最初の要素状態デー
タのそれぞれに基づいて後向き推論を行なう、と
いう手順によることができる。 To search for a rule, first perform forward inference based on the element state data, add the obtained element state to the first element state data, and then add the element state thus added and the first element state data, respectively. It is possible to perform backward inference based on the above.
ルール探索手順は、また、ある段階で推定され
た原因に起因してその後の到達するはずの要素状
態を、所定の手順に従つて推定する処理、あるい
は更に、こうして推定された要素状態を最初の要
素状態データが表わす要素状態と比較し、それら
の間の矛盾の有無に基づいて、それまでに推定さ
れた原因の取捨選択を行なう処理を、含んでもよ
い。前記の到達するはずの要素状態の推定に際し
ては、その対象となる要素状態を、前記のルール
を用いた前向き推論により決定することができ
る。更に、これらの処理を再帰的に反復してもよ
い。 The rule search procedure is also a process of estimating the element state that should be reached later due to the cause estimated at a certain stage, or furthermore, estimating the element state that is estimated in this way from the initial state. The process may include a process of comparing the element states represented by the element state data and selecting or discarding the causes estimated so far based on whether there is a contradiction between them. When estimating the element state to be reached, the target element state can be determined by forward inference using the rules described above. Furthermore, these processes may be repeated recursively.
このようにして推定された複数の原因に対して
は、それらのそれぞれについて、前記のようにし
て推定された到達するはずの要素状態を最初の要
素状態データが表わす要素状態と比較して、それ
らの間の一致度に基づき、これらの原因の取捨選
択を行なうことができる。 For multiple causes estimated in this way, for each of them, compare the element state that should be reached as estimated in the above manner with the element state represented by the first element state data. These causes can be selected based on the degree of agreement between them.
選択された原因からそれに対処するための操作
を決定する過程において、対処操作情報から索出
された操作を実行した場合にその後に到達するは
ずの要素状態を、前記の推定手順に従つて予測す
るとよい。更に、この予測された要素状態を原因
とする結果の要素状態を、前記複数のルールを用
いた前向き推論によつて予測してもよい。また、
このような処理を再帰的に反復してもよい。 In the process of determining an operation to deal with the selected cause, the element state that should be reached after executing the operation found from the countermeasure operation information is predicted according to the estimation procedure described above. good. Furthermore, the resulting element state caused by this predicted element state may be predicted by forward inference using the plurality of rules. Also,
Such processing may be repeated recursively.
複数の操作が得られたときには、それぞれの操
作について、その操作の結果として前記のように
予測された要素状態を、予め定められた運転原則
に照らして評価し、その結果に基づいて最適操作
を決定することができる。 When multiple operations are obtained, the element states predicted as described above as a result of each operation are evaluated in light of predetermined operating principles, and the optimal operation is determined based on the results. can be determined.
本発明によれば、検出装置で検出されたプラン
トデータがオンラインで電子計算機に入力され、
ルールを用いた推論が、操作者の介入を要するこ
となく、高速度で行なわれて、対象装置の異常な
状態の原因が、迅速的確に推定される。しかも、
データ駆動型の推論処理により、オンライン処理
は効率良く行なわれる。
According to the present invention, plant data detected by the detection device is inputted into a computer online,
Inference using rules is performed at high speed without requiring operator intervention, and the cause of an abnormal state of the target device can be quickly and accurately estimated. Moreover,
Data-driven inference processing allows online processing to be performed efficiently.
特に、入力処理において対象装置の異常な状態
を示す要素状態データのみを生成するようにすれ
ば、対象装置の異常な動作状態と因果関係がある
要素状態のみをルールに含めれば足り、また、推
論処理も対象装置の異常な状態を示す要素状態の
みに基づいて行なわれる。したがつて、知識ベー
スは比較的小規模なものとなるから、その作成・
保守が容易になり、また、推論処理は比較的短時
間で済むから、原因の推定を極めて高速度で行な
うことができる。 In particular, if only the element state data that indicates the abnormal state of the target device is generated during input processing, it is sufficient to include only the element states that have a causal relationship with the abnormal operating state of the target device in the rule. Processing is also performed based only on element states indicating abnormal states of the target device. Therefore, the knowledge base will be relatively small and its creation and
Maintenance is easy and the inference process takes a relatively short time, so the cause can be estimated at extremely high speed.
また、後向き推論に先立つて前向き推論を行な
えば、プラントデータから直接検出される異常な
状態に加えて、そのような状態の結果として(あ
るいはそれに伴つて)生じているはずなのにプラ
ントデータからは検出されなかつた状態を、すべ
て洗い出して、それらに対しても後向き推論を行
なうので、原因の推定を、広い範囲で漏れ無く行
なうことができる。 Additionally, if forward inference is performed prior to backward inference, in addition to abnormal conditions detected directly from the plant data, there will also be abnormal conditions detected from the plant data that should have occurred as a result of (or in conjunction with) such conditions. Since all the states that have not occurred are identified and backward reasoning is performed on them as well, the cause can be inferred over a wide range without omission.
更に、推定された各原因に起因してその後に到
達するはずの要素状態を推定する過程を挿入すれ
ば、その原因の推定が正しいとすれば対象装置が
現在どのような状態になつているべきかが判明
し、それと入力データから得られた要素状態との
間の矛盾の有無に基づいて原因の取捨選択を行な
えば、以後の処理の対象が絞られて、効率が上が
る。そして、このようにして選択された各原因に
ついて、更にその原因の推定と、それに起因して
到達するはずの要素状態の推定と、取捨選択とを
反復すれば、根本的な原因を効率良く推定するこ
とができる。 Furthermore, by inserting a process of estimating the element state that should be reached after each estimated cause, it is possible to determine what state the target device should be in at present if the estimation of the cause is correct. If the cause is determined and the cause is selected based on the presence or absence of a contradiction between it and the element state obtained from the input data, the targets of subsequent processing will be narrowed down and efficiency will be increased. For each cause selected in this way, if you repeat the process of estimating the cause, estimating the element state that should be reached due to it, and selecting the elements, you can efficiently estimate the root cause. can do.
最後に残つた複数の可能な原因は、それらに起
因して到達するはずの要素状態と、入力から得ら
れた要素状態データとの間の、一致度に基づいて
選択され、例えば、最も一致度の高いものが、最
も確からしい原因として決定される。 The last remaining possible causes are selected based on the degree of agreement between the element states that would be reached due to them and the element state data obtained from the input, e.g. The highest value is determined as the most probable cause.
また、操作決定過程において、操作を実行した
場合にその後に到達するはずの要素状態を予測す
ることにより、推論に基づくその操作が果たして
信頼できるものか否かを、チエツクすることがで
きる。 Furthermore, in the operation decision process, by predicting the element state that should be reached after the operation is executed, it is possible to check whether the operation based on inference is really reliable.
以下において、沸騰水型原子炉プラントにおけ
る本発明の一実施例を、詳細に説明する。
In the following, one embodiment of the present invention in a boiling water nuclear reactor plant will be described in detail.
まず、本発明の一実施例が適用された沸騰水型
原子炉プラントの機器構成の概要を、第1図を参
照して説明する。 First, an overview of the equipment configuration of a boiling water reactor plant to which an embodiment of the present invention is applied will be explained with reference to FIG.
原子炉圧力容器51内の炉心52で発生した蒸
気は、主蒸気管63を通つてタービン56に送ら
れ、その後、復水器57にて凝縮されて水にな
る。この水は、給水配管64を通つて、冷却水と
して原子炉圧力容器51内に供給される。給水配
管64は、図示のように、復水ポンプ58、脱塩
器59、給水ポンプ60A,60B,61A及び
61B、並びに給水加熱器62を、その上流側か
ら順次連結している。給水ポンプ60A及び60
Bはタービン駆動型の給水ポンプであり、61A
及び61Bはモータ駆動型の給水ポンプである。
モータ駆動型の給水ポンプ61A及び61Bは、
原子炉の起動及び停止時に一時的に駆動される
が、原子炉の通常運転中は、タービン駆動型の給
水ポンプ60A及び60Bのみが駆動されてい
る。原子炉圧力容器51内に供給された冷却水
は、再循環系配管55に設けられた再循環ポンプ
54の駆動によつて、ジエツトポンプ53を通
り、炉心52に送られる。 Steam generated in the core 52 in the reactor pressure vessel 51 is sent to the turbine 56 through the main steam pipe 63, and then condensed in the condenser 57 to become water. This water is supplied as cooling water into the reactor pressure vessel 51 through the water supply pipe 64. As illustrated, the water supply pipe 64 sequentially connects the condensate pump 58, the demineralizer 59, the water pumps 60A, 60B, 61A, and 61B, and the feed water heater 62 from the upstream side. Water supply pump 60A and 60
B is a turbine-driven water supply pump, 61A
and 61B are motor-driven water pumps.
The motor-driven water pumps 61A and 61B are
Although they are temporarily driven when the reactor is started and stopped, only the turbine-driven water pumps 60A and 60B are driven during normal operation of the reactor. Cooling water supplied into the reactor pressure vessel 51 is sent to the reactor core 52 through a jet pump 53 by driving a recirculation pump 54 provided in a recirculation system piping 55.
水位計65は、原子炉圧力容器51内の水位
(原子炉水位)67を検出する。流量計66は、
各ジエツトポンプ53内を流れる流量を検出す
る。すべてのジエツトポンプ53内を流れる流量
を合計すると、炉心52内を流れる冷却水流量が
得られる。多数の検出器にて測定された原子炉水
位67、ジエツトポンプ流量等のプロセス量は、
電子計算機68に送られ、プロセス入出力装置6
8Aを介して中央処理装置68Bに入力される。
電子計算機68は更にメモリ(内部メモリ及び外
部メモリ)68Cを有している。中央処理装置6
8Bにて処理された結果は、制御盤70に設けら
れたブラウン管(CRTと略記)71に表示され
る。 The water level gauge 65 detects the water level (reactor water level) 67 within the reactor pressure vessel 51 . The flow meter 66 is
The flow rate flowing through each jet pump 53 is detected. By summing up the flow rates flowing through all jet pumps 53, the flow rate of cooling water flowing within the core 52 is obtained. Process quantities such as reactor water level67 and jet pump flow rate measured by numerous detectors are as follows:
It is sent to the electronic computer 68 and the process input/output device 6
8A to the central processing unit 68B.
The electronic computer 68 further includes memory (internal memory and external memory) 68C. Central processing unit 6
The results processed by 8B are displayed on a cathode ray tube (abbreviated as CRT) 71 provided in the control panel 70.
本実施例は、このような原子炉プラントで異常
が発生した時に、知識工学の手法を利用して、そ
の異常の原因を推定し、かつ、その異常に対処す
るための操作方法の案をオペレータに提示して、
原子炉プラントの異常事態を収拾させようとする
ものである。この目的のために、原子計算機68
のメモリ68Cは、原因・結果データベース8、
推移予測データベース11、操作データベース1
2、詳細データベース9、事例データベース10
及び処理プログラム77を記憶している。 In this example, when an abnormality occurs in such a nuclear reactor plant, the cause of the abnormality is estimated using knowledge engineering techniques, and the operator proposes an operation method to deal with the abnormality. Present it to
This is an attempt to bring an abnormal situation at a nuclear reactor plant under control. For this purpose, the atomic computer 68
The memory 68C stores the cause/effect database 8,
Transition prediction database 11, operation database 1
2. Detailed database 9, case database 10
and a processing program 77.
次に第2図以下を参照して、本実施例の詳細を
説明する。第2図は、本実施例において電子計算
機68が行なう処理の全体を、各処理段階で働く
機能とそこで用いられるデータベースの相互接続
を示すブロツク図の形で、表わしたものである。
異なる処理段階で働きあるいは使用される同一の
機能あるいはデータベースは、それぞれの処理段
階で別個に図示されていることに留意されたい。 Next, details of this embodiment will be explained with reference to FIG. 2 and the following figures. FIG. 2 shows the entire process carried out by the computer 68 in this embodiment in the form of a block diagram showing the functions working at each processing stage and the interconnections of the databases used therein.
Note that identical functionality or databases that work or are used in different processing stages are illustrated separately in each processing stage.
本実施例では、以下の5つのデータベースが用
いられる。 In this embodiment, the following five databases are used.
(1) 原因・結果データベース8は、原子炉プラン
トで生じうる諸事象について、原因と、その原
因から直接生ずる結果との組み合わせからな
る、因果関係を表わすデータが収容されている
データベースである。このようなデータは、知
識工学の分野で“ルール”と通常呼ばれている
ものに相当する。(1) The cause-and-effect database 8 is a database that stores data representing cause-and-effect relationships, consisting of combinations of causes and effects that directly result from those causes, regarding various events that may occur in a nuclear reactor plant. Such data corresponds to what is commonly called "rules" in the field of knowledge engineering.
第3図は、この原因・結果データベース8の
内容の一例を示す。ここでは、図面の簡単化の
ために、原因部及び結果部共に属性とその値を
区別しないで示されているが、実際には、通常
のルールと同様に、それぞれの部分は、属性
と、それに対応する値とから構成されている。
例えば、「ボイド増」は、「ボイド量」という属
性が「増加」という値をとることを表してい
る。 FIG. 3 shows an example of the contents of this cause/effect database 8. Here, to simplify the drawing, both the cause part and the effect part are shown without distinguishing between attributes and their values, but in reality, as with normal rules, each part is divided into attributes and values. It is made up of the corresponding values.
For example, "void increase" indicates that the attribute "void amount" takes a value of "increase".
(2) 推移予測データベース11は、プロセス量の
時間変化を予測するためのデータを収容してあ
るデータベースである。ここには、各機器の運
転状態、各プロセス量の状態等に関する情報
と、値に対応して状態が定義されているプロセ
ス量について、その値がある値まで変化するに
要する時間の計算手法及びある時間の経過後に
おけるその値の計算手法とが、収容されてい
る。第4図は、推移予測データベース11の内
容の一例を示す。(2) The transition prediction database 11 is a database that stores data for predicting temporal changes in process quantities. This includes information on the operating status of each device, the status of each process quantity, etc., and the method for calculating the time required for the value to change to a certain value for the process quantity whose status is defined corresponding to the value. A method for calculating the value after a certain period of time is stored. FIG. 4 shows an example of the contents of the transition prediction database 11.
(3) 操作データベース12は、各種の条件下にお
ける操作案を収容したデータベースであり、各
機器の運転状態、各プロセス量の状態等の状態
の組み合わせを示す条件部と、その状態に対処
しうると考えられる操作を示す操作案とから構
成されている。第5図は、操作データベース1
2の内容の一例を示す。(3) The operation database 12 is a database containing operation plans under various conditions, and includes a condition part indicating a combination of conditions such as the operation status of each device and the status of each process amount, and a condition part that shows a combination of conditions such as the operation status of each device and the status of each process amount, It consists of an operation plan indicating possible operations. Figure 5 shows the operation database 1
An example of the contents of item 2 is shown below.
(4) 詳細データベース9は、各機器の詳細な操作
方法と、その運転条件とが収容されたデータベ
ースである。第6図は、詳細データベース9の
内容の一例を示す。(4) The detailed database 9 is a database that stores detailed operating methods and operating conditions for each device. FIG. 6 shows an example of the contents of the detailed database 9.
(5) 事例データベース10は、各種の場合につい
て、事前の解析結果及び過去の運転時の記録を
納めたデータベースである。第7図は、事例デ
ータベース10の内容の一例を示す。(5) The case database 10 is a database containing preliminary analysis results and past operation records for various cases. FIG. 7 shows an example of the contents of the case database 10.
一方、処理プログラム77は、本実施例におい
て、基本的な処理機能として、以下の11種の機能
を有する。 On the other hand, the processing program 77 has the following 11 types of functions as basic processing functions in this embodiment.
(1) データ変換機能1は、プラントに既設のデー
タ収集系から得られるプラントデータ19を入
力して、運転ガイド装置内で扱える形に変形し
(A/D変換等)、多重系を構成する複数の計測
器から得られた各データの値については、多数
決等のは判定論理に従つて1つに絞り、そし
て、異常を示すデータを識別し、異常を示す各
データに対して、何のデータであるかの識別子
(例えば、データ番号)と、前処理により得ら
れた以後の処理に必要な値(例えば、水位であ
れば、前回の計測値からの変化量と、現水位及
び変化量の各評定を示す記号等)とを付加し
て、要素状態データを作る。(1) Data conversion function 1 inputs plant data 19 obtained from the existing data collection system in the plant, transforms it into a form that can be handled within the operation guide device (A/D conversion, etc.), and configures a multiplex system. Regarding the values of each data obtained from multiple measuring instruments, majority vote etc. is used to narrow down the values to one according to decision logic, identify data that indicates an abnormality, and determine what to do for each data that indicates an abnormality. Identifier of whether it is data (e.g. data number) and value required for subsequent processing obtained by pre-processing (e.g. if water level, the amount of change from the previous measured value, the current water level and amount of change) symbols indicating each rating) are added to create element status data.
本明細書において、このような個々の部分的
な現象を表わすデータを要素状態データ(要素
状態と略称)と呼び、総合されてプラントの一
つの状態を表わす一群の要素状態をプラント状
態データ(プラント状態と略称)と総称する。 In this specification, data representing such individual partial phenomena is called element state data (abbreviated as element state), and a group of element states that collectively represent one state of the plant is called plant state data (plant state data). (abbreviated as state).
(2) 状態把握機能2は、あるプラント状態を入力
して、このプラント状態を原因とするすべての
結果を、原因・結果データベース8に基づく前
向き推論により索出する機能である。すなわ
ち、この機能は、入力されたブラント状態内の
各要素状態を原因・結果データベース8の原因
部と比較し、一致するものがあれば、その原因
部に対応する結果部の内容を、入力されたプラ
ント状態に要素状態として新たに付加し、以上
の処理を再帰的に反復実行して、可能な最終的
結果が得られるまで探索を行ない、得られた最
終のプラント状態を出力する。(2) The condition understanding function 2 is a function that inputs a certain plant condition and searches out all the results caused by this plant condition by forward reasoning based on the cause/effect database 8. That is, this function compares each element state in the input blunt state with the cause part of the cause/effect database 8, and if there is a match, the content of the result part corresponding to the cause part is added to the input state. A new element state is added to the previously obtained plant state, and the above process is repeated recursively to search until a possible final result is obtained, and the obtained final plant state is output.
状態把握機能2が前記データ変換機能1の出
力から生成したプラント状態21は、その後に
行なわれる幾つかの処理において、基準となる
プラント状態として使用される。 The plant state 21 generated by the state grasping function 2 from the output of the data conversion function 1 is used as a reference plant state in several subsequent processes.
(3) 原因列挙機能13は、あるプラント状態を入
力して、このプラント状態内の各要素状態の直
接の原因となりうる事象を、原因・結果データ
ベース8に基づく後向き推論によつて求める機
能である。すなわち、この機能は、入力された
プラント状態内の各要素状態を原因・結果デー
タベース8の結果部と比較し、一致するものが
あれば、その結果部に対応する原因部の内容を
出力する。(3) The cause enumeration function 13 is a function that inputs a certain plant state and uses backward reasoning based on the cause/effect database 8 to find events that can be the direct cause of each element state within this plant state. . That is, this function compares each element state in the input plant state with the result part of the cause/effect database 8, and if there is a match, outputs the contents of the cause part corresponding to the result part.
(4) 予測機能15は、あるプラント状態を入力し
て、このプラント状態内の各要素状態の値が現
在の状態値(原因判定に際しては正常値、最適
操作決定に際しては入力値)からそれぞれの所
定値まで変化する時間を、推移予測データベー
ス11に収容された時間計算手法を実行して求
める。次に、このようにして得られた時間のう
ちで最短の時間を求め、入力したプラント状態
の各要素状態がこの最短時間の経過後に取りう
る値を、推移予測データベース11に収容され
た状態計算手法を実行して求める。そして、こ
のようにして得られた諸要素状態を入力したプ
ラント状態に付加して、次の時点でのプラント
状態として出力する。(4) The prediction function 15 inputs a certain plant state and calculates the value of each element state within this plant state from the current state value (normal value when determining the cause, input value when determining the optimal operation). The time required for the change to reach a predetermined value is determined by executing a time calculation method stored in the transition prediction database 11. Next, the shortest time among the times obtained in this way is found, and the value that each element state of the input plant state can take after the elapse of this shortest time is calculated using the state calculation stored in the transition prediction database 11. Find it by executing the method. The various element states obtained in this way are added to the input plant state and output as the plant state at the next point in time.
(5) 無矛盾性確認機能16は、入力された幾つか
のプラント状態を前記の基準となるプラント状
態21と比較し、前者の中に基準となるプラン
ト状態と矛盾する要素状態を含むものがあれ
ば、そのプラント状態を除去し、基準となるプ
ラント状態と矛盾しないプラント状態のみを出
力する。(5) The consistency check function 16 compares several input plant states with the reference plant state 21 and checks if any of the former includes element states that are inconsistent with the reference plant state. For example, that plant state is removed and only the plant state that is consistent with the reference plant state is output.
(6) 判定機能18は、無矛盾性確認機能16から
出力された幾つかのプラント状態の中から、前
記の基準となるプラント状態21に最も近いプ
ラント状態を選択する機能である。(6) The determination function 18 is a function of selecting the plant state closest to the reference plant state 21 from among the several plant states output from the consistency check function 16.
(7) 操作列挙機能14は、あるプラント状態を入
力して、それを操作データベース12の条件部
と照合することにより、そのプラント状態に対
処するための操作として可能な操作案を索出
し、それを入力したプラント状態に付加して出
力する機能である。(7) The operation enumeration function 14 inputs a certain plant state and searches for possible operation plans to deal with the plant state by comparing it with the condition section of the operation database 12. This is a function that adds and outputs the input plant status.
(8) 決定機能17は、操作案とその操作の結果と
して予想される要素状態とを含むプラント状態
を幾つか入力して、操作結果として最も望まし
いプラント状態を生じる操作案を選択し、この
操作案を含むプラント状態を出力する機能であ
る。(8) The decision function 17 inputs several plant states including operation plans and element states expected as a result of the operation, selects the operation plan that produces the most desirable plant state as the operation result, and selects the operation plan that will produce the most desirable plant state as the operation result. This function outputs the plant status including the plan.
(9) 詳細化機能5は、前記の決定機構17の出力
であるプラント状態を入力して、このプラント
状態内の要素状態で機器の操作を意味するもの
を索出し、この操作について詳細データベース
9に示された運転条件を確認した後、入力した
プラント状態に詳細な操作手順を付加する。た
だし、運転条件が満たされない場合には、最適
操作決定機能4の再実行を要求する。(9) The detailing function 5 inputs the plant state that is the output of the determination mechanism 17, searches for an element state in this plant state that means an operation of the equipment, and stores information about this operation in the detailed database 5. After confirming the operating conditions shown in , add detailed operating procedures to the input plant status. However, if the operating conditions are not satisfied, re-execution of the optimum operation determining function 4 is requested.
(10) 類似事例検索機能6は、詳細化機能5の出力
であるプラント状態を入力して、事例データベ
ース10の原因及びキーワード(第7図参照)
と照合し、入力したプラント状態の要素状態と
原因が一致するか、又はそれとキーワードが一
定率以上で一致する事例があれば、それを類似
事例として選択し、その事例の識別情報(例え
ば、事例番号)を、入力したプラント状態に付
加する。(10) The similar case search function 6 inputs the plant status output from the detailing function 5 and searches the case database 10 for causes and keywords (see Figure 7).
If there is a case where the cause matches the element state of the input plant state or the keyword matches with it at a certain rate or more, it is selected as a similar case and the identification information of the case (for example, case number) to the input plant status.
(11) ガイダンス作成機能7は、類似事例検索機能
6から出力されたプラント状態を入力し、表示
のために形式を整えて、表示装置に出力する機
能である。(11) The guidance creation function 7 is a function that inputs the plant status output from the similar case search function 6, formats it for display, and outputs it to a display device.
原因判定機能3と、最適操作決定機能4は、前
記の基本的処理機能の幾つかを、以下の様に組み
合わせて動作させる。 The cause determination function 3 and the optimal operation determination function 4 operate by combining some of the basic processing functions described above as follows.
原因判定機能3は、状態把握機能2がデータ変
換機能1の出力から作成した基準となるプラント
状態21を入力し、原因列挙機能13と、状態把
握機能2と、予測機能15と、無矛盾性確認機能
16とを反復的に起動して、基準となるプラント
状態21との間に矛盾を生じない原因をすべて索
出し、それから判定機能18を起動して、プラン
トの異常の最も確からしい原因を推定し、この原
因が付加されたプラント状態22を出力する。 The cause determination function 3 inputs the standard plant state 21 created by the state understanding function 2 from the output of the data conversion function 1, and checks the consistency with the cause enumeration function 13, the state understanding function 2, and the prediction function 15. The function 16 is activated repeatedly to find all causes that do not conflict with the reference plant state 21, and then the determination function 18 is activated to estimate the most probable cause of the plant abnormality. Then, the plant status 22 to which this cause is added is output.
最適操作決定機能4は、原因判定機能3の出力
であるプラント状態22を入力して、操作列挙機
能14と、状態把握機能2と、予測機能15と、
決定機能17とを反復的に起動し、最適な操作方
法を決定して、この操作方法とその操作を実行し
た結果とが付加されたプラント状態23を出力す
る。 The optimal operation determination function 4 inputs the plant state 22 which is the output of the cause determination function 3, and performs operations such as an operation enumeration function 14, a state understanding function 2, a prediction function 15,
The determining function 17 is activated repeatedly to determine the optimal operating method, and output the plant state 23 to which the operating method and the result of executing the operating method are added.
上記の各処理機能は、第8図ないし第20図に
更に詳細に示されており、以下に述べる具体的な
事例の説明の中で詳述する。 Each of the above processing functions is shown in more detail in FIGS. 8 to 20, and will be explained in detail in the description of a specific example below.
次に、具体的な事例によつて、本実施例を更に
詳しく説明する。 Next, this embodiment will be explained in more detail using a specific example.
説明の便宜上、実際問題としてはまず発生しな
いと考えられる現象であるが、沸騰水型原子力発
電プラントの運転中に、炉心に冷却水を供給する
再循環ポンプ54に軸固着が起こり、放置すれば
原子炉水位がL8に達して、その結果スクラムに
至るという事態が発生し、スクラム前の原子炉水
位L7の時点で、運転員が異常に気付き、運転ガ
イド装置を起動した場合を想定する。 For the sake of explanation, this is a phenomenon that is unlikely to occur in practice, but during the operation of a boiling water nuclear power plant, the shaft of the recirculation pump 54 that supplies cooling water to the reactor core becomes stuck, and if left untreated, it may occur. It is assumed that a situation occurs in which the reactor water level reaches L8, resulting in a scram, and when the reactor water level reaches L7 before the scram, an operator notices an abnormality and activates the operation guide device.
再循環ポンプの軸固着が起こると、冷却水流量
が減少し、炉心内のボイド量が増加する。ボイド
量の増加は炉水位の上昇につながる。しかし、実
際には、軸固着とボイド量増加の現象は直接には
判らず、測定されるプロセス量であるジエツトポ
ンプ流量と炉水位が判るだけである。 When the shaft of the recirculation pump becomes stuck, the flow rate of cooling water decreases and the amount of voids in the core increases. An increase in the amount of voids leads to a rise in the reactor water level. However, in reality, the phenomenon of shaft sticking and increase in void volume cannot be directly determined, and only the measured process variables, such as jet pump flow rate and reactor water level, are known.
運転員の指示により、運転ガイド装置が起動さ
れると、原子力発電プラントで測定された複数の
プラントデータ19が、第8図に示すデータ変換
機能1に入力される。データ変換機能1は、AD
変換がなされたプラントデータの中から、設定値
を満足しない(超過または不足する)ものを検出
し、所定の前処理を施して、プラント状態20に
変換する。なお、沸騰水型原子力発電プラントに
おいて、炉水位のような重要なプロセス量に対し
ては、故障対策として複数の計測機構が備えられ
ており、それらの出力に多数決演算等の適当な処
理を施して、最も確からしい計測値が運転ガイド
装置に入力される。 When the operation guide device is activated by an operator's instruction, a plurality of plant data 19 measured at the nuclear power plant are input to the data conversion function 1 shown in FIG. 8. Data conversion function 1 is AD
Among the converted plant data, those that do not satisfy (exceed or fall short of) the set values are detected, subjected to predetermined preprocessing, and converted into plant status 20. In addition, in boiling water nuclear power plants, multiple measurement mechanisms are installed to measure important process quantities such as reactor water level as a countermeasure against failures, and their outputs are subjected to appropriate processing such as majority vote calculation. Then, the most probable measured value is input to the driving guide device.
第21図は、このようにして得られたプラント
状態20の例を示す。図においては、理解し易い
ように、諸データが人語で表記されているが、実
際には、計算機処理用のコード(例えばEBCDIC
コード)とフオーマツトで表記されている。 FIG. 21 shows an example of the plant state 20 obtained in this way. In the figure, various data are expressed in human language to make it easier to understand, but in reality, they are written in computer processing codes (e.g. EBCDIC
Code) and format.
データ変換機能1の出力であるプラント状態2
0は、第9図に示す状態把握機能2に入力され
る。状態把握機能2は、入力したプラント状態2
0に欠けている情報があれば、第3図に示す原
因・結果データベース8に基づく前向き推論によ
り、この欠けている情報を補う。すなわち、状態
把握機能2は、入力したプラント状態20内の各
要素状態と一致する原因部を探索して、一致した
原因部に対応する結果部の内容をプラント状態2
0に付加する。この処理は再帰的に実行され、一
致する原因部がそれ以上発見できなくなつた時
に、それまでに得られたプラント状態(すなわ
ち、前述のようにして索出された要素状態が当初
のプラント状態20に付加されたもの)が、プラ
ント状態21として出力される。 Plant status 2 which is the output of data conversion function 1
0 is input to the state grasping function 2 shown in FIG. The status grasp function 2 uses the input plant status 2.
If there is any information missing in 0, this missing information is supplemented by forward inference based on the cause/effect database 8 shown in FIG. That is, the state grasping function 2 searches for a cause part that matches each element state in the input plant state 20, and converts the contents of the result part corresponding to the matched cause part into the plant state 2.
Add to 0. This process is executed recursively, and when no more matching cause parts can be found, the plant state obtained up to that point (i.e., the element state found as described above is changed to the original plant state) 20) is output as the plant state 21.
もつとも、本事例の場合には、前記のような探
索によつても追加される要素状態がなく、第22
図に示すように、第21図に示されたプラント状
態20と同一のプラント状態21が出力される。
これが、後述する幾つかの処理において基準とな
るプラント状態である。 However, in this case, there is no element state added by the above search, and the 22nd
As shown in the figure, a plant state 21 that is the same as the plant state 20 shown in FIG. 21 is output.
This is the plant state that will be the standard for some processes described later.
次に、原因判定機能3が起動される。原因判定
機能3は、第10図に示すように、状態把握機能
2から出力されたプラント状態21を入力として
受け、原因列挙機能13、状態把握機能2、予測
機能15、及び無矛盾性確認機能16をこの順で
反復的に起動して、可能な全原因を探り出し、次
いで、それらの中から、判定機能18によつて、
最も確からしい原因22を選択する。 Next, the cause determination function 3 is activated. As shown in FIG. 10, the cause determination function 3 receives as input the plant status 21 output from the status grasping function 2, and performs a cause enumeration function 13, a status grasping function 2, a prediction function 15, and a consistency checking function 16. are activated repeatedly in this order to find all possible causes, and then, from among them, the determination function 18 determines:
Select the most probable cause 22.
まず、第11図に示す原因列挙機能13は、プ
ラント状態21を入力し、その中の各要素状態を
原因・結果データベース8(第3図)の結果部と
照合して、一致した結果部に対応する原因部を摘
出し(すなわち、後向き推論を行ない)、得られ
た各原因部をそれぞれ一つのプラント状態21A
として出力する。本事例では、説明の都合上、摘
出された原因部が「ボイド増」及び「給水流量
増」であつたと仮定すると、第23図及び第24
図に示すように、「ボイド増」及び「給水流量増」
がそれぞれ一つのプラント状態21Aとして出力
される。これらのプラント状態21Aは、状態把
握機能2に入力される。 First, the cause enumeration function 13 shown in FIG. 11 inputs the plant state 21, compares each element state therein with the result part of the cause/effect database 8 (Fig. 3), and selects the matched result part. Extract the corresponding cause part (that is, perform backward inference), and combine each obtained cause part into one plant state 21A.
Output as . In this case, for the sake of explanation, we assume that the identified causative factors are "increase in voids" and "increase in water supply flow rate."
As shown in the figure, "increase in voids" and "increase in water supply flow rate"
are each output as one plant state 21A. These plant states 21A are input to the state grasping function 2.
状態把握機能2(第9図)は、前述のような再
帰的前向き推論により、入力されたプラント状態
から生じうるすべての結果を索出する。本事例の
場合には、第23図及び第24図に示すプラント
状態21Aが入力されて、「ボイド増」及び「給
水流量増」をそれぞれ原因とする結果が、原因・
結果データベース8で探索される。いずれの場合
も、結果として「炉水位上昇」が得られ、これを
付加した各プラント状態21B、すなわち、「ボ
イド増」及び「炉水位上昇」からなるプラント状
態と、「給水流量増」及び「炉水位上昇」からな
るプラント状態と(図示省略)が、予測機能15
に入力される。 The state grasping function 2 (FIG. 9) uses recursive forward reasoning as described above to find all possible results from the input plant state. In this case, the plant status 21A shown in Figs. 23 and 24 is input, and the results caused by "increase in voids" and "increase in water supply flow rate" are determined by the cause and
The result database 8 is searched. In either case, "reactor water level rise" is obtained as a result, and this is added to each plant state 21B, that is, a plant state consisting of "void increase" and "reactor water level rise", "feed water flow rate increase" and " The plant state consisting of "reactor water level rise" (not shown) is predicted by prediction function 15.
is input.
予測機能15により、前述のようにして索出さ
れた原因が生じた場合、すなわちボイドが増えた
場合と給水流量が増えた場合の、各プラント状態
の推移予測が行なわれる。すなわち、予測機能1
5は、推移予測データベース11(第4図)を参
照し、第12図に示すように、各入力プラント状
態21B中の予測計算可能な各要素状態につい
て、それに対応するプロセス量の変化時間を計算
し、次に、それぞれのプラント状態について、得
られた変化時間のうちで最小のものを求める。 The prediction function 15 predicts the transition of each plant state when the cause found as described above occurs, that is, when the number of voids increases and when the water supply flow rate increases. That is, prediction function 1
5 refers to the transition prediction database 11 (Fig. 4), and calculates the change time of the corresponding process quantity for each element state that can be predicted in each input plant state 21B, as shown in Fig. 12. Then, for each plant state, the minimum one of the obtained change times is determined.
目下の例では、2つの場合、すなわち「ボイド
増」及び「給水流量増」のそれぞれに対する「炉
水位上昇」についての変化時間を、第4図に示さ
れた推移予測データベース11内の時間計算手法
に従つて計算する。ただし、原因判定に際して
は、「現在の状態値」として推移予測データベー
ス中の「正常値」を用い、「変化値」としては想
定された原因に予め対応付けられた値を用いる。
境界値としては、推移予測データベース11に記
録されている「状態値」の境界値の中から、変化
値が正ならば「現在の状態値」(ここでは「正常
値」)より大きい諸境界値のうち最小のものを用
い、負ならば「現在の状態値」より小さい諸境界
値のうち最大のものを用いればよい。 In the current example, the change time for "reactor water level rise" for each of two cases, "void increase" and "feed water flow rate increase", is calculated using the time calculation method in the transition prediction database 11 shown in FIG. Calculate according to. However, when determining the cause, the "normal value" in the transition prediction database is used as the "current state value", and the value previously associated with the assumed cause is used as the "change value".
As a boundary value, from among the boundary values of "state values" recorded in the transition prediction database 11, if the change value is positive, various boundary values that are larger than the "current state value" (here, "normal value") are used. The minimum value among these may be used, and if it is negative, the maximum value among the various boundary values smaller than the "current state value" may be used.
かくして、「ボイド増」を原因とする場合につ
いては、炉水位の変化値は平均的なものなので
200mm/secが用いられ、現在の状態値として正常
値であるL4の値1000mmが用いられ、状態の境界
値としては、L5及びL6が未定義なので、定義
されている最近上位状態L7の下方境界値1300mm
が用いられている。したがつて、炉水位の変化時
間は、
(1300−1000)/200=1.5
すなわち1.5秒となる。 Thus, in cases where "void increase" is the cause, the change in reactor water level is an average value, so
200mm/sec is used, the normal value L4 value 1000mm is used as the current state value, and since L5 and L6 are undefined as the state boundary value, the lower boundary of the recently defined upper state L7 Value 1300mm
is used. Therefore, the reactor water level change time is (1300-1000)/200=1.5, or 1.5 seconds.
このような計算は、予測計算が可能なすべての
要素状態について行なわれる。本事例では、要素
状態「ボイド増」に対しては直接対応する計算方
法が指定されていないので、上記計算は行なわれ
ず、炉水位のみが計算される。他に入力された要
素状態はないので、前記の1.5秒が「ボイド増」
に対応する最小の変化時間になる。 Such calculations are performed for all element states for which predictive calculations are possible. In this case, since a calculation method directly corresponding to the element state "void increase" is not specified, the above calculation is not performed and only the reactor water level is calculated. Since there are no other element states input, the above 1.5 seconds is "void increase"
becomes the minimum change time corresponding to .
他方、「給水流量増」を原因とする場合につい
ても、炉水位の変化値が200mm/sec、現在の状態
値(正常値)が1000mm、状態の境界値が1300mmで
あるので、炉水位の変化時間は、
(1300−1000)/200=1.5
すなわち1.5秒となり、やはり他に入力された
要素状態はないので、この1.5秒が「給水流量増」
に対応する最小変化時間になる。 On the other hand, even in the case where the cause is "increase in water supply flow rate," the change in reactor water level is 200 mm/sec, the current state value (normal value) is 1000 mm, and the state boundary value is 1300 mm. The time is (1300-1000)/200=1.5, or 1.5 seconds, and since there are no other element states input, this 1.5 seconds is the "increase in water supply flow rate".
becomes the minimum change time corresponding to .
次いで、予測機能15は、各入力プラント状態
について、前述のようにして求められた最小変化
時間の経過後における各要素状態を、推移予測デ
ータベース11内の状態計算手法により計算し、
得られた要素状態をそれぞれの入力プラント状態
に付加して、第25図及び第26図に示すプラン
ト状態21Cを出力する。 Next, the prediction function 15 calculates each element state after the elapse of the minimum change time determined as described above for each input plant state using the state calculation method in the transition prediction database 11,
The obtained element states are added to each input plant state to output a plant state 21C shown in FIGS. 25 and 26.
本事例においては、「ボイド増」の場合の炉水
位については、
1000(現在の状態値としての正常値)
+200(変化値)×1.5(最小変化時間)
=1300
すなわちL7が、炉水位として付加される(第
25図)。この計算も、予測計算が可能なすべて
の要素状態について行なわれる。この例では、炉
水位のみが計算され、要素状態「ボイド増」に対
しては直接対応する計算方法が指定されていない
ので、上記計算は実施しない。同様にして、「給
水流量増」の場合の炉水位についても、
1000+200×1.5=1300
すなわちL7が、炉水位として付加される(第
26図)。 In this case, the reactor water level in the case of "void increase" is 1000 (normal value as current state value) + 200 (change value) x 1.5 (minimum change time) = 1300, that is, L7 is added as the reactor water level. (Figure 25). This calculation is also performed for all element states for which predictive calculation is possible. In this example, only the reactor water level is calculated, and a calculation method directly corresponding to the element state "void increase" is not specified, so the above calculation is not performed. Similarly, for the reactor water level in the case of "increase in water supply flow rate", 1000+200×1.5=1300, that is, L7, is added as the reactor water level (Figure 26).
前述のようにして得られた幾つかのプラント状
態21Cは、無矛盾性確認機能16に入力され
る。無矛盾性確認機能16は、第13図に示す手
順により、入力された各プラント状態中の要素状
態と、基準となるプラント状態(プラント状態2
1)中の要素状態の間に、矛盾がないかどうかを
調べて、矛盾のないことが確認されたプラント状
態のみを出力21Dとして選択する。基準となる
プラント状態21中の要素状態と矛盾する要素状
態を含むブラント状態21Cは、廃棄される。例
えば、基準となるプラント状態21中に「ボイド
増」があるにもかかわらず、入力プラント状態2
1Cが「ボイド減」を含んでいれば、それは出力
されない。本事例においては、第25図及び第2
6図のプラント状態が、いずれも矛盾なしとし
て、出力21Dとなる。 Several plant states 21C obtained as described above are input to the consistency checking function 16. The consistency check function 16 checks the element states in each input plant state and the reference plant state (plant state 2) according to the procedure shown in FIG.
1) Check whether there are any inconsistencies among the element states in the process, and select only the plant states for which it is confirmed that there are no inconsistencies as the output 21D. A blunt state 21C that includes an element state inconsistent with an element state in the reference plant state 21 is discarded. For example, even though there is an "increase in voids" in the reference plant state 21, the input plant state 2
If 1C contains "void reduction", it will not be output. In this case, Figure 25 and 2
Assuming that there are no contradictions in the plant status shown in FIG. 6, the output will be 21D.
次に、前述のようにして推定された各原因のそ
のまた原因を、更に推定する。これは、無矛盾性
確認機能16の出力21Dを入力として、原因判
定機能3を再帰的に呼び出すことにより行なわれ
る。すなわち、本事例において、原因列挙機能1
3は、第25図及び第26図に示すプラント状態
を入力として受けて、「ボイド増」及び「給水流
量増」をそれぞれ結果部に持つ原因部を、原因・
結果データベース8で探索する。この探索におい
て新たな原因が索出できなければ、原因判定機能
3の再帰呼び出しは終了する。本事例では、前者
に対して第27図に示す「再循環ポンプ軸固着」
21Aが索出され、後者に対して第28図に示す
「給水制御系異常」21Aが索出される。 Next, the causes of each of the causes estimated as described above are further estimated. This is done by using the output 21D of the consistency checking function 16 as input and recursively calling the cause determination function 3. In other words, in this case, cause enumeration function 1
3 receives the plant status shown in Fig. 25 and Fig. 26 as input, and converts the cause part that has "increase in voids" and "increase in water supply flow rate" in the result part, respectively, to the cause part.
Search in result database 8. If no new cause is found in this search, the recursive call to the cause determination function 3 ends. In this case, for the former case, we will deal with the "recirculation pump shaft sticking" shown in Figure 27.
21A is searched, and for the latter, "water supply control system abnormality" 21A shown in FIG. 28 is searched.
次いで、状態把握機能2は、第27図及び第2
8図の各プラント状態21Aを入力して、それぞ
れを原因とするすべての結果を、原因・結果デー
タベース8に基づく前向き推論により求める。こ
れにより、「再循環ポンプ軸固着」の結果として
「ボイド増」の外に「ジエツトポンプ流量減」が
得られ、「給水制御系異常」の結果として「給水
流量増」の外に「流量ミスマツチ」が得られ、そ
して、更に「ボイド増」及び「給水流量増」の結
果として、いずれも「炉水位上昇」が得られる。 Next, the status grasping function 2
Each plant state 21A shown in FIG. 8 is input, and all results caused by each state are determined by forward inference based on the cause/effect database 8. As a result, in addition to "increase in voids", a "decreased jet pump flow rate" is obtained as a result of "recirculation pump shaft sticking", and in addition to "increase in water supply flow rate", as a result of "water supply control system abnormality", a "flow rate mismatch" is obtained. is obtained, and as a result of "increase in voids" and "increase in water supply flow rate," both "reactor water level rises" are obtained.
これらが付加された両プラント状態は、予測機
能15に入力される。予測機能15は、各プラン
ト状態の推移予測を行ない、前回と同様に「炉水
位=7」をそれぞれのプラント状態に付加して、
その結果を無矛盾性確認機能16に入力する。無
矛盾性確認機能16は、両プラント状態共に矛盾
なしと判定して、それらをそのまま出力する。以
上の処理により、第27図及び第28図に示すそ
れぞれのプラント状態21Dが得られる。再度原
因列挙機能13が起動されるが、もはやそれ以上
遡つた原因は発見されないので、原因判定機能の
再帰呼出しは終了する。 Both plant states with these added are input to the prediction function 15. The prediction function 15 predicts the transition of each plant state, adds "reactor water level = 7" to each plant state as in the previous time, and
The results are input to the consistency checking function 16. The consistency checking function 16 determines that there is no contradiction in both plant states and outputs them as they are. Through the above processing, respective plant states 21D shown in FIGS. 27 and 28 are obtained. The cause enumeration function 13 is activated again, but since no further cause is found, the recursive call to the cause determination function is terminated.
次に、第14図に示す判定機能18が起動さ
れ、前述した原因判定機能の再帰呼出しの終了時
点で得られた幾つかのプラント状態、すなわち諸
原因とその予測結果が、基準となるプラント状態
21と比較される。本事例においては、第27図
及び第28図に示すプラント状態21Dが、第2
2図に示すプラント状態21と比較される。この
比較の結果、「再循環ポンプ軸固着」が原因とな
る場合は、「ジエツトポンプ流量減」を含む点に
おいて、「給水制御系異常」が原因となる場合よ
りも、プラント状態21との一致度が大きい。し
たがつて、「再循環ポンプ軸固着」が原因と判定
され、第27図に示すプラント状態21Dが出力
22として出力されて、原因判定機能3による処
理が終了する。 Next, the determination function 18 shown in FIG. 14 is activated, and several plant states obtained at the end of the recursive call of the cause determination function described above, that is, various causes and their predicted results, are used as the reference plant state. It is compared with 21. In this case, the plant state 21D shown in FIGS. 27 and 28 is
This is compared with the plant state 21 shown in FIG. As a result of this comparison, when the cause is ``recirculation pump shaft sticking'', the degree of agreement with plant condition 21 is higher than when the cause is ``abnormality in the water supply control system'' in terms of including ``reduced jet pump flow rate.'' is large. Therefore, "recirculation pump shaft sticking" is determined to be the cause, the plant status 21D shown in FIG. 27 is output as the output 22, and the process by the cause determination function 3 is completed.
次に、最適操作決定機能4が起動される。最適
操作決定機能4は、第15図に示すように、原因
判定機能3から出力されたプラント状態22を入
力し、操作列挙機能14、予測機能15、及び状
態把握機能2をこの順で反復的に起動して、可能
な操作をすべて索出し、次いで、それらの中か
ら、決定機能17によつて、最も適切と認められ
る操作を選択する。 Next, the optimal operation determination function 4 is activated. As shown in FIG. 15, the optimal operation determination function 4 inputs the plant status 22 output from the cause determination function 3, and repeatedly executes the operation enumeration function 14, prediction function 15, and status understanding function 2 in this order. is activated to find out all possible operations, and from among them, the decision function 17 selects the operation deemed most appropriate.
まず、第16図に示す操作列挙機能14が起動
される。すなわち、プラント状態22の各要素状
態について操作データベース12(第5図)の条
件部が探索され、一致する条件部があれば、その
条件部に対応する操作案が読出されて、これらの
操作案が付加されたプラント状態22Aが出力さ
れる。本事例では、第27図の21Dが入力であ
り、これに対しては操作案が索出されない。した
がつて、「何もしない」が操作案ということにな
るが、本実施例では、このことは何の操作案も付
加しなことで表わし、入力されたプラント状態
(第27図の21D)がそのまま出力される。 First, the operation enumeration function 14 shown in FIG. 16 is activated. That is, the condition part of the operation database 12 (FIG. 5) is searched for each element state of the plant state 22, and if there is a matching condition part, the operation plan corresponding to that condition part is read out, and these operation plans are used. A plant state 22A to which is added is output. In this case, 21D in FIG. 27 is the input, and no operation plan is found for it. Therefore, the operation plan is "do nothing," but in this embodiment, this is expressed by adding no operation plan, and the input plant state (21D in FIG. 27) is output as is.
次に、このプラント状態22Aを入力して予測
機能15が働く、予測機能15は、前述した手順
(ただし、最適操作決定に際しては、入力された
要素状態の値が「現在の状態値」として用いられ
る)により、推移予測データベース11を参照し
て、プラント状態22Aの予測計算が可能な各要
素状態の変化時間を計算し、それらの内の最小変
化時間を決定し、次いでこの最小変化時間の経過
後における各要素状態を計算して、この計算され
た要素状態が付加されたプラント状態を出力22
Bとして出力する。本事例では、入力されたプラ
ント状態(第27図の21D)中の炉水位につい
て、「炉水位=L7」の状態から最小変化時間が
経過後の状態として、「炉水位=L8」が計算さ
れ、これが付加されたプラント状態(図示省略)
が出力される。 Next, the prediction function 15 operates by inputting this plant state 22A. ), referring to the transition prediction database 11, calculates the change time of each element state for which prediction calculation of the plant state 22A is possible, determines the minimum change time among them, and then calculates the elapsed time of this minimum change time. Calculates each element state later and outputs the plant state to which the calculated element state is added 22
Output as B. In this example, regarding the reactor water level in the input plant state (21D in Figure 27), "reactor water level = L8" is calculated as the state after the minimum change time has elapsed from the state of "reactor water level = L7". , the plant state with this added (not shown)
is output.
このプラント状態22Bは、状態把握機能2に
入力される。状態把握機能2は、前述のように、
原因・結果データベース8に基づく前向き推論を
実行し、「炉水位=L8」に対する結果「タービ
ントリツプ」を索出し、そして更に、この「ター
ビントリツプ」に対する結果「スクラム」、「母線
切換」及び」炉圧上昇」を得る。その結果、これ
らの新しい要素状態を付加したプラント状態(第
29図)が、状態把握機能2の出力22Cとして
得られる。 This plant status 22B is input to the status grasping function 2. As mentioned above, the status grasp function 2 is
Execute forward inference based on the cause-and-effect database 8, find the result "turbine trip" for "reactor water level = L8", and further find the results "scrum", "busbar switching", and "turbine trip" for this "turbine trip". Obtain "furnace pressure increase". As a result, a plant state (FIG. 29) to which these new element states have been added is obtained as the output 22C of the state grasping function 2.
そこで、その次に必要となる操作を探索するた
めに、最適操作決定機能4が再帰的に呼出され
る。 Therefore, in order to search for the next necessary operation, the optimal operation determination function 4 is called recursively.
この2回目の操作探索処理において、操作列挙
機能14は、初回の処理で状態把握機能2から得
られたプラント状態22Cを入力し、改めてこれ
に対する操作案を操作データベース12から求め
る。本事例では、第29図に示すプラント状態が
入力されて、「炉水位上昇、炉水位=L8」に対
応する操作「モータ駆動給水ポンプトリツプ」が
得られる。また、これとは別に、「何もしない」
も可能な操作案として自動的に選択される。そし
て、これらの操作案が付加されたそれぞれのプラ
ント状態、すなわち、第30図及び第31図にそ
れぞれ示すプラント状態22Aが、予測機能15
に入力される。 In this second operation search process, the operation enumeration function 14 inputs the plant state 22C obtained from the state grasping function 2 in the first process, and again obtains an operation plan for this from the operation database 12. In this example, the plant status shown in FIG. 29 is input, and the operation "motor-driven water supply pump trip" corresponding to "reactor water level rise, reactor water level = L8" is obtained. Also, apart from this, "do nothing"
is automatically selected as a possible operation. Then, each plant state to which these operation plans have been added, that is, the plant state 22A shown in FIGS. 30 and 31, is calculated by the prediction function 15.
is input.
予測機能15は、索出されたそれぞれの操作を
行なつた場合のプラント状態の推移予測を、前述
したような手順で遂行し、それにより、前回の処
理で予測機能15によつて得られた最小変化時間
経過後の状態から更に最小変化時間を経過した後
の状態が予測される。本事例においては、「モー
タ駆動給水ポンプトリツプ」を行なう場合(第3
0図)には、「炉圧上昇」及び「炉水位急下降、
炉水位=L7」となることが予測され、また、
「何もしない」場合(第31図)にも、「炉圧上
昇」及び「炉水位下降、炉水位=L7」となるこ
とが予測される。これらの状態が付加されたプラ
ント状態が状態把握機能2に入力される。 The prediction function 15 predicts the transition of the plant state when each of the retrieved operations is performed using the procedure described above. The state after the minimum change time has elapsed is further predicted from the state after the elapse of the minimum change time. In this example, when performing a "motor-driven water supply pump trip" (3rd
Figure 0) shows "reactor pressure rise" and "reactor water level sudden drop,"
It is predicted that the reactor water level will be “L7”, and
Even in the case of "doing nothing" (FIG. 31), it is predicted that "reactor pressure will rise" and "reactor water level will fall, reactor water level = L7". The plant state with these states added is input to the state grasping function 2.
状態把握機能2は、入力されたプラント状態中
の各要素状態がもたらす結果を、原因・結果デー
タベース8に基づく前向き推論によつて求める。
すなわち、操作案「モータ駆動給水ポンプトリツ
プ」の場合(第30図)には、原因「モータ駆動
給水ポンプトリツプ」に対する結果、「炉水位低
下」が索出され、それが付加されて第30図のプ
ラント状態22Cが得られる。また、操作案「何
もしない」の場合(第31図))には、何の結果
も索出されず、その結果、第31図のプラント状
態22Cが得られる。 The state understanding function 2 determines the result brought about by each element state in the input plant state by forward reasoning based on the cause/effect database 8.
That is, in the case of the operation plan ``motor-driven water supply pump trip'' (Figure 30), ``reactor water level drop'' is found as a result for the cause ``motor-driven water supply pump trip'', and this is added to the plant in Figure 30. State 22C is obtained. Further, in the case of the operation plan "Do nothing" (FIG. 31), no result is found, and as a result, the plant state 22C in FIG. 31 is obtained.
なお、同一属性について異なる状態が異なる処
理段階で付加された場合に、図においては、簡明
のため、以後の説明に関連のある状態のみが示さ
れていることを了解されたい。 It should be noted that when different states for the same attribute are added at different processing stages, only the states relevant to the following explanation are shown in the figure for the sake of clarity.
引き続いて、更にその次に必要となる操作の探
索のために、最適操作決定機能4が再び再帰的に
呼び出される。すなわち、第30図及び第31図
のプラント状態22Cが、改めて操作列挙機能1
4に入力される。しかし、本事例の場合、いずれ
のプラント状態に対しても、新たに追加される操
作案はない。 Subsequently, the optimal operation determining function 4 is called again recursively to search for the next required operation. In other words, the plant status 22C in FIGS. 30 and 31 is changed to the operation enumeration function 1.
4 is input. However, in this case, there are no new operation plans to be added for any plant status.
次に、予測機能15がこれらのプラント状態を
入力22Aとして受けて、予測計算可能な各要素
状態の最小変化時間経過後における状態を予測す
る。その結果、操作案「モータ駆動給水ポンプト
リツプ」がもたらすプラント状態(第30図22
Cと同一)からは、「炉圧上昇、高」及び「炉水
位急下降、L=4」となることが予測されるの
で、これらを付加して第32図のプラント状態2
2Bが得られ、また、操作案「何もしない」がも
たらすプラント状態(第31図22Cと同じ)か
らは、「炉圧上昇、高」及び「炉水位下降、L=
4」となることが予想されるので、それらを付加
して第33図のプラント状態22Bが得られる。 Next, the prediction function 15 receives these plant states as input 22A and predicts the state after the elapse of the minimum change time of each element state that can be predicted and calculated. As a result, the plant state (Fig. 30, 22
(same as C), it is predicted that "reactor pressure rises, high" and "reactor water level drops rapidly, L = 4", so by adding these, plant state 2 in Fig. 32 is predicted.
2B is obtained, and from the plant state (same as Fig. 31 22C) brought about by the operation plan "Do nothing", "reactor pressure rises, high" and "reactor water level falls, L=
4'', so by adding them, the plant state 22B in FIG. 33 is obtained.
これらのプラント状態は、状態把握機能2に入
力される。状態把握機能2は、入力されたプラン
ト状態中の各要素状態から生じる結果を、原因・
結果データベース8に基づく前向き推論によつて
求める。その結果、操作案「モータ駆動給水ポン
プトリツプ」がもたらすプラント状態について
は、原因「炉圧高」に対する結果「バイパス弁
開」と、原因「スクラム(所定時間経過)」(註:
スクラム後に2回の最小変化時間が経過してい
る)に対する結果「ボイド減」とが索出され、更
に、原因「ボイド減」に対する結果「炉水位下
降」が索出されて、それらが付加されて第32図
のプラント状態22Cが得られる。また、操作案
「何もしない」がもたらすプラント状態について
も、上記と同じ結果が索出されて、第33図のプ
ラント状態22Cが得られる。 These plant states are input to the state grasping function 2. The status understanding function 2 analyzes the causes and results of each element status in the input plant status.
It is determined by forward inference based on the result database 8. As a result, regarding the plant status brought about by the operation plan "motor-driven water supply pump trip", the cause is "bypass valve open" for the cause "furnace pressure high", and the cause is "scram (predetermined time elapsed)" (Note:
The result ``void reduction'' for the cause (two minimum change times have elapsed after the scram) is found, and the result ``reactor water level fall'' for the cause ``void reduction'' is found, and these are added. As a result, a plant state 22C in FIG. 32 is obtained. Furthermore, the same result as above is found for the plant state brought about by the operation plan "Do nothing", and the plant state 22C in FIG. 33 is obtained.
再帰呼び出しは、所定回数(本実施例では3
回)の処理の終了後に止められる。 The recursive call is performed a predetermined number of times (in this example, 3
It will be stopped after the process (time) is completed.
次に、第17図に示す決定機能17が、上記最
後の再帰呼出しの結果状態把握機能2から得られ
たプラント状態(第32図及び第33図の22
C)を受けて、最も望ましいプラント状態を生じ
る操作を決定する。すなわち、入力された両プラ
ント状態によれば、操作「モータ駆動給水ポンプ
トリツプ」を実施した場合には、「炉水位急下降」
が起こり、操作「何もしない」を実施した場合の
「炉水位下降」と比較して、炉水位の下降が急激
なことが判明するので、「安全のため炉水位を下
げすぎない」という運転原則に照らして、「何も
しない」ことが、推定された原因「再循環ポンプ
軸固着」に対しても最も適切な操作であると決定
される。その結果、最適操作決定機能4からは、
第33図のプラント状態22Cが、その出力プラ
ント状態23として出力される。 Next, the decision function 17 shown in FIG. 17 executes the plant state (22 in FIGS.
C), determine the operation that will result in the most desirable plant conditions. In other words, according to the input plant statuses, when the operation ``motor-driven water supply pump trip'' is executed, ``the reactor water level suddenly drops''.
occurs, and it turns out that the reactor water level drops more rapidly compared to the "reactor water level fall" that would occur if the operation "do nothing" was performed. Therefore, the operation "do not lower the reactor water level too much for safety reasons" In light of the principles, it is determined that ``do nothing'' is the most appropriate course of action for the presumed cause, ``recirculation pump shaft stuck.'' As a result, from the optimal operation determination function 4,
The plant state 22C in FIG. 33 is output as the output plant state 23.
次に、このプラント状態23を入力として、第
18図に示す詳細化機能5が起動される。本事例
では、最適操作が「何もしない」なので、詳細化
機能5により付加される情報は無く、入力された
プラント状態がそのまま出力される。 Next, using this plant state 23 as input, the detailing function 5 shown in FIG. 18 is activated. In this example, since the optimal operation is "do nothing", there is no information added by the detailing function 5, and the input plant state is output as is.
しかしながら、仮に、選択された操作案が高圧
注水系の作動を含む(このような操作案は、例え
ば、前述した最適操作決定機能4の再帰的呼出し
が更に続けられる場合に、やがて炉水位がL2と
なり、それに対する操作案として、操作データベ
ース12(第5図)から「高圧注水系」が索出さ
れる。)とすれば、詳細化機能5は、詳細データ
ベース9から該当する高圧注水系の詳細操作法
(第6図)を索出し、運転条件を調べて、それが
満たされていれば、この詳細操作法を付加したプ
ラント状態24を出力することになる。 However, if the selected operation plan includes activation of the high-pressure water injection system (for example, if the above-mentioned optimal operation determination function 4 is further recursively called, the reactor water level will eventually rise to L2). As a corresponding operation plan, "high-pressure water injection system" is retrieved from the operation database 12 (FIG. 5).) Then, the detailing function 5 retrieves the detailed operation of the corresponding high-pressure water injection system from the detailed database 9. If the operating conditions are satisfied, the plant status 24 to which this detailed operating method is added is output.
他方、もしも運転条件が満たされていなけれ
ば、詳細化機能5は、「高圧注水系が使用できな
い」という不採用理由を付加したプラント状態2
5を出力して、最適操作決定機能4を再起動し、
操作の立案を再度行なわせる(第2図参照)。 On the other hand, if the operating conditions are not met, the detailing function 5 updates the plant status 2 with the reason for rejection: "The high-pressure water injection system cannot be used."
5 and restart the optimal operation determination function 4.
Have the operator plan the operation again (see Figure 2).
次に、第2図に示すように、詳細化機能5から
のプラント状態24を入力として、第19図に示
す類似事例検索機能6が起動される。類似事例検
索機能6は、第7図に示すような、事前の解析結
果や過去の実際の事例を収容している事例データ
ベース10から、原因及びキーワードに基づい
て、入力されたプラント状態24に似ている事例
を検索する。本事例においては、事例番号1とし
て記録されている再循環ポンプ軸固着の事例が索
出され、その事例番号がプラント状態24に付加
されてプラント状態26が構成され、類似事例検
索機能6より出力される。 Next, as shown in FIG. 2, the similar case search function 6 shown in FIG. 19 is activated by inputting the plant status 24 from the detailing function 5. The similar case search function 6 searches a case database 10 containing preliminary analysis results and past actual cases, as shown in FIG. Search for examples. In this case, the case of recirculation pump shaft sticking recorded as case number 1 is searched, and the case number is added to the plant state 24 to form the plant state 26, which is output from the similar case search function 6. be done.
このようにして得られたプラント状態26は、
第20図に示すガイダンス作成機能7に入力さ
れ、表示装置への出力用に(例えば、CRT用の
文字コード及びフオーマツトに)変換されて、出
力される。このプラント状態は、上述した一連の
処理の結果として、判定された原因と、その結果
生じるはずの要素状態と、それに対処するために
最適と考えられる操作と、この操作の結果生じる
はずの要素状態と、詳細操作法と、類似事例とを
含んでいる。 The plant state 26 obtained in this way is
The information is input to the guidance creation function 7 shown in FIG. 20, converted for output to a display device (for example, into a character code and format for CRT), and output. As a result of the above-mentioned series of processes, this plant state includes the determined cause, the element state that should occur as a result, the operation that is considered optimal for dealing with it, and the element state that should occur as a result of this operation. It includes detailed operating methods and similar examples.
ガイダンス作成機能7の出力は、第1図に示さ
れた表示装置(例えばCRT)71に与えられて、
そこで表示される。プラントの運転員は、表示内
容を見て、それに従つて制御盤70を介してプラ
ントを操作することができる。 The output of the guidance creation function 7 is given to the display device (for example, CRT) 71 shown in FIG.
It will be displayed there. The plant operator can view the displayed content and operate the plant via the control panel 70 in accordance with the displayed content.
以上に述べた処理を、新しいアラームの発生、
運転員の要求、運転ガイド装置の内部の時計によ
り割り込み等に応答して再実行することにより、
常に新しい事態に応じたガイダンスを運転員に提
供することができる。 The process described above is performed by generating a new alarm,
By re-executing in response to an operator's request or an interrupt using the internal clock of the driving guide device,
It is possible to constantly provide guidance to operators in response to new situations.
本発明の実施態様としては、以下に述べるよう
に、多くの変形が可能である。例えば、プラント
データの入力は、状態把握機能2が起動されて、
原因・結果データベース8が参照される時点等
の、それが実際に使用される時点で、要素状態ご
とに入力されてもよい。 Many variations in embodiments of the invention are possible, as described below. For example, when inputting plant data, the status understanding function 2 is activated,
It may be input for each element state at the time when the cause/effect database 8 is actually used, such as when it is referenced.
データ交換機能1において、一つのプロセス量
について複数の計測値が与えられる場合に、1個
に絞るための判定論理としては、多数決等により
最も確からしい値を選ぶのではなく、プラントに
とつて好ましくない値をわざと選んてもよい。 In data exchange function 1, when multiple measured values are given for one process quantity, the decision logic for narrowing down to one is not to select the most probable value by majority vote, but is preferable for the plant. You may intentionally choose a value that does not exist.
原因判定機能3では、原因を1個に断定せず
に、矛盾がない限り、索出された原因をすべて出
力し、それぞれについて以降の処理行なつてもよ
い。 The cause determination function 3 may output all the found causes and perform the subsequent processing for each cause, without determining only one cause, unless there is a contradiction.
最適操作決定機能4では、操作を1個に決定せ
ずに、運転目的に合うものはすべて出力し、運転
員がそれらの中か選択するようにしてもよい。あ
るいは、可能なあらゆる操作を探索する代りに、
運転目的に合うものが予め設定された数だけ索出
された時点で処理を打ち切つて、出力するように
してもよい。 In the optimum operation determination function 4, instead of determining only one operation, all operations that match the driving purpose may be output, and the operator may select one of them. Alternatively, instead of exploring all possible operations,
The process may be terminated and output when a preset number of items matching the driving purpose have been retrieved.
操作データベース12は、原因・結果データベ
ース8と統合し、どちらに属するかを示すコード
を各データに付して、それにより見分けるように
してもよい。 The operation database 12 may be integrated with the cause/effect database 8, and a code indicating which data it belongs to may be attached to each data item so that the data can be distinguished.
詳細化機能5と類似事例検索機能6は、運転員
の指示があつて初めて起動されるようにしてもよ
い。また、それらの実行順序については、類似事
例検索機能を索に実行してもよいし、両者を同時
に実行してもよい。あるいは、一方を省略するこ
ともできる。 The detailing function 5 and similar case search function 6 may be activated only after receiving an instruction from an operator. Regarding the execution order, the similar case search function may be executed first, or both may be executed simultaneously. Alternatively, one can be omitted.
推移予測データベース11は、予測機能15が
直接解釈して実行しうるアルゴリズムそのものを
収容する代りに、予測機能15が呼び出して実行
すべき計算サブルーチンの呼び出し用情報を収容
してもよい。 Instead of storing the algorithms themselves that can be directly interpreted and executed by the prediction function 15, the transition prediction database 11 may store information for calling calculation subroutines that the prediction function 15 should call and execute.
原因判定機能3と、最適操作決定機能4の制御
には、再起呼び出し手法の代りに、スタツクを用
いて同様な制御を行なつてもよい。あるいは、原
因判定機能と最適操作決定機能を、それらの機能
を果たすハードウエアを所要数だけ直列に接続す
ることにより実現することもできる。 For controlling the cause determination function 3 and the optimum operation determination function 4, similar control may be performed using a stack instead of the re-call method. Alternatively, the cause determination function and the optimal operation determination function can be realized by serially connecting the required number of hardware that performs these functions.
原因の判定及び操作の決定に際して予測機能1
5が働くことにより、原因推定においては、最も
確からしい原因を効率良く決定することができ、
また、操作決定においては、再循環ポンプ軸固着
などという、実際に発生するとはまず考えられな
いような現象に対してさえも、単に安全な操作方
法を提示できるだけでなく、最適な操作方法が提
示される。 Prediction function 1 when determining the cause and deciding on the operation
5 works, it is possible to efficiently determine the most probable cause in cause estimation,
In addition, when making operational decisions, we can not only suggest safe operating methods, but also the optimal operating methods, even for phenomena that are unlikely to actually occur, such as a stuck recirculation pump shaft. be done.
CCTや、知識工学の従来の手法を単純に利用
した異常原因推定装置や運転ガイド装置では、最
も確からしい原因を決定することや、上記のよう
な実際問題として発生が考えられない事故に対し
て安全な操作法のガイダンスを出力することが、
全くできないわけではないにしても、それを可能
にするためには、複雑で大規模なデータベースを
必要とし、その作成・保守が困難とならざるをえ
ない。すなわち、計測データを示すプラントのあ
る異常状態に対して、複数の原因が考えられる場
合が多いのであるが、前記どちらの従来手法によ
るにしても、これら複数の原因とそれらの結果と
をそれぞれたどることができるだけの、因果関係
を表わすデータを用意しなければならず、また、
プラント状態の推移を予測する能力を装置に与え
るには、プラント状態の時間的推移を盛り込んだ
因果関係データを用意しなければならない。した
がつて、データベースのデータ量は膨大とならざ
るをえないのである。 Abnormality cause estimation devices and driving guide devices that simply use CCT and conventional knowledge engineering methods are capable of determining the most probable cause, and in dealing with accidents that are unlikely to occur in practice, such as those mentioned above. Outputting guidance on safe operation methods
Although it is not completely impossible, making it possible would require a complex and large-scale database, which would be difficult to create and maintain. In other words, there are many cases in which multiple causes can be considered for a certain abnormal state in a plant indicated by measurement data, but regardless of which conventional method is used, it is not possible to trace these multiple causes and their results, respectively. It is necessary to prepare data that expresses causal relationships as much as possible, and
In order to provide a device with the ability to predict changes in plant conditions, causal relationship data that includes time changes in plant conditions must be prepared. Therefore, the amount of data in the database must be enormous.
また、各データベースの内容が、第3図〜第7
図に示す様に、構成単位ごとに独立しているの
で、データベースに含まれていない現象が発生し
たというような、極端な場合にも、そのような現
象の発生した時点で、運転員がその現象の特徴だ
けをプラント状態としてデータベースに入力すれ
ば、装置が、それに基づいてこれらの既存のデー
タベースを利用することにより、対応できること
が期待でき、その意味で、システムの柔軟性ある
いは機能拡張性が向上する。 In addition, the contents of each database are shown in Figures 3 to 7.
As shown in the figure, each constituent unit is independent, so even in extreme cases such as a phenomenon not included in the database occurring, operators can If only the characteristics of a phenomenon are entered into a database as a plant state, it is expected that the equipment will be able to respond based on this by using these existing databases, and in that sense, the flexibility or expandability of the system will be improved. improves.
以上の説明から明らかなように、本発明によれ
ば、推論途中の操作員に質問を発することなく、
オンラインで自動的に推論を行うので、対象装置
の異常状態の原因を、極めて高速度に、かつ、操
作員の判断の誤りに影響される恐れもなしに、推
定することができ、そして、この原因に対処する
ための操作ガイドが自動的に得られる。
As is clear from the above explanation, according to the present invention, without asking the operator a question in the middle of reasoning,
Since inferences are automatically performed online, the cause of abnormal conditions in the target equipment can be estimated extremely quickly and without the risk of being affected by errors in judgment by the operator. Automatically provides operational guidance to address the cause.
また、データ駆動型の推論処理を行なう結果、
オンライン処理を効率良く行なうことができる。 In addition, as a result of data-driven inference processing,
Online processing can be performed efficiently.
更に、操作を実行した場合にその後に到達する
はずの要素状態を予測するようにすれば、誤つた
操作ガイドが発せられるのを防止し、安全を確保
することができる。 Furthermore, by predicting the element state that will be reached after an operation is executed, it is possible to prevent incorrect operation guidance from being issued and ensure safety.
第1図は、本発明の一実施例が適用された沸騰
水型原子炉プラントの全体的構成を示すブロツク
図である。第2図は、第1図中の電子計算機上で
実現される本発明の操作ガイド装置の一実施例の
機能ブロツク図である。第3図は、原因・結果デ
ータベースの内容の一例を示す図である。第4図
は、推移予測データベースの内容の一例を示す図
である。第5図は、操作データベースの内容を一
例を示す図である。第6図は、詳細データベース
の内容の一例を示す図である。第7図は、事例デ
ータベースの内容の一例を示す図である。第8図
は、データ変換機能のフローチヤートである。第
9図は、状態把握機能のフローチヤートである。
第10図は、原因判定機能の全体の機能ブロツク
図である。第11図は、原因列挙機能のフローチ
ヤートである。第12図は、予測機能のフローチ
ヤートである。第13図は、無矛盾性確認機能の
フローチヤートである。第14図は、判定機能の
フローチヤートである。第15図は、最適操作決
定機能の全体の機能ブロツク図である。第16図
は、操作列挙機能のフローチヤートである。第1
7図は、決定機能のフローチヤートである。第1
8図は、詳細化機能のフローチヤートである。第
19図は、類似事例検索機能のフローチヤートで
ある。第20図は、ガイダンス作成機能のフロー
チヤートである。第21図は、データ変換機能か
ら出力されるプラント状態データの内容の一例を
示す図である。第22図は、状態把握機能から出
力されるプラント状態データの内容の一例を示す
図である。第23図及び第24図は、原因列挙機
能から出力されるプラント状態データの内容を例
を示す図である。第25図及び第26図は、原因
判定機能の予測機能から出力されるプラント状態
データの内容の例を示す図である。第27図及び
第28図は、再帰的に呼び出された原因判定機能
による処理において、原因列挙機能から出力され
るプラント状態データと、それから状態把握機能
と予測機能を経て出力されるプラント状態データ
の例を示す図である。第29図は、最適操作決定
機能内の状態把握機能から出力されるプラント状
態データの内容の一例を示す図である。第30図
及び第31図は、再帰的に呼び出された最適操作
決定機能による処理において、操作列挙機能から
出力されるプラント状態データと、それから予測
機能と状態把握機能を経て出力されるプラント状
態データの内容の例を示す図である。第32図及
び第33図は、2度目に再帰的に呼び出された最
適操作決定機能による処理において、予測機能か
ら出力されるプラント状態データと、それから状
態把握機能を経て出力されるプラント状態データ
の内容の例を示す図である。
2……状態把握機能、3……原因判定機能、4
……最適操作決定機能、5……詳細化機能、6…
…類似事例検索機能、8……原因・結果データベ
ース、9……詳細データベース、10……事例デ
ータベース、11……推移予測データベース、1
2……操作データベース、13……原因列挙機
能、14……操作列挙機能、15……予測機能、
16……無矛盾性確認機能、17……操作決定機
能、18……原因最終判定機能、51……原子
炉、68……電子計算機、68A……入力装置、
68B……中央処理装置、68C……記憶装置、
71……表示装置、77……処理プログラム。
FIG. 1 is a block diagram showing the overall configuration of a boiling water reactor plant to which an embodiment of the present invention is applied. FIG. 2 is a functional block diagram of an embodiment of the operation guide device of the present invention implemented on the computer shown in FIG. FIG. 3 is a diagram showing an example of the contents of the cause/effect database. FIG. 4 is a diagram showing an example of the contents of the transition prediction database. FIG. 5 is a diagram showing an example of the contents of the operation database. FIG. 6 is a diagram showing an example of the contents of the detailed database. FIG. 7 is a diagram showing an example of the contents of the case database. FIG. 8 is a flowchart of the data conversion function. FIG. 9 is a flowchart of the state grasping function.
FIG. 10 is an overall functional block diagram of the cause determination function. FIG. 11 is a flowchart of the cause enumeration function. FIG. 12 is a flowchart of the prediction function. FIG. 13 is a flowchart of the consistency check function. FIG. 14 is a flowchart of the determination function. FIG. 15 is an overall functional block diagram of the optimum operation determining function. FIG. 16 is a flowchart of the operation enumeration function. 1st
FIG. 7 is a flowchart of the decision function. 1st
FIG. 8 is a flowchart of the detailing function. FIG. 19 is a flowchart of the similar case search function. FIG. 20 is a flowchart of the guidance creation function. FIG. 21 is a diagram showing an example of the contents of plant status data output from the data conversion function. FIG. 22 is a diagram showing an example of the contents of plant status data output from the status grasping function. FIGS. 23 and 24 are diagrams showing examples of the contents of plant status data output from the cause enumeration function. FIGS. 25 and 26 are diagrams showing examples of the contents of plant state data output from the prediction function of the cause determination function. Figures 27 and 28 show plant status data output from the cause enumeration function and plant status data output via the status grasping function and prediction function in processing by the recursively called cause determination function. It is a figure which shows an example. FIG. 29 is a diagram showing an example of the contents of plant state data output from the state grasping function within the optimum operation determining function. Figures 30 and 31 show plant status data output from the operation enumeration function and plant status data output from the prediction function and status grasping function during processing by the recursively called optimal operation determination function. It is a figure showing an example of the contents. Figures 32 and 33 show the plant status data output from the prediction function and the plant status data output via the status grasping function during processing by the optimal operation determination function that is recursively called for the second time. It is a figure showing an example of contents. 2...Status understanding function, 3...Cause determination function, 4
...Optimum operation determination function, 5...Detailing function, 6...
... Similar case search function, 8... Cause/effect database, 9... Detailed database, 10... Case database, 11... Transition prediction database, 1
2... Operation database, 13... Cause enumeration function, 14... Operation enumeration function, 15... Prediction function,
16... Consistency confirmation function, 17... Operation determination function, 18... Cause final determination function, 51... Nuclear reactor, 68... Electronic computer, 68A... Input device,
68B...Central processing unit, 68C...Storage device,
71...Display device, 77...Processing program.
Claims (1)
に接続された入力装置と、所要の情報を記憶して
いる記憶装置と、前記入力装置及び記憶装置から
の情報に基づき所定の手順に従つて推論を行う処
理装置とを有する電子計算機を用いて、下記の段
階を含む処理を実行し、前記対象装置の異常な状
態に対処するための操作のガイドを作成する、操
作ガイド方法。 (1) 前記入力装置に入力された前記検出装置の出
力から、前記対象装置の部分的な状態をルール
による推論処理に適した所定の形式で表わす要
素状態データを少なくとも1個作成する段階 (2) 前記記憶装置に記憶された、それぞれが前記
対象装置の要素状態を原因とその結果の対とし
て対応付ける複数のルールから、前記作成され
た要素状態データに対応するルールを探索し、
更にこのルールからの因果関係の連鎖を形成す
る諸ルールを探索して、その連鎖の終端をなす
原因を抽出し、抽出された原因の中から前記対
象装置の異常な状態の原因を少なくとも1個選
択する、原因推定段階 (3) 前記記憶装置に記憶された、複数の原因に対
応付けてそれらの原因に対処するための操作を
示す対処操作情報を用いて、前記の選択された
原因に対処するための操作を決定する段階。 2 特許請求の範囲第1項に記載された方法にお
いて、その要素状態データ作成段階は、前記対象
装置の異常な状態を示す要素状態データのみを作
成する、操作ガイド方法。 3 特許請求の範囲第1項又は第2項に記載され
た方法において、その原因推定段階は下記の段階
を含む、操作ガイド方法。 (1) 前記作成された要素状態データから出発して
前記複数のルールを用いて前向き推論を行う段
階 (2) 前記前向き推論により得られた要素状態を前
記作成された要素状態データに追加する段階 (3) 前記追加がなされた結果の各要素状態に基づ
き前記複数のルールを用いて後向き推論を行う
段階。 4 特許請求の範囲第1項ないし第3項のいずれ
かに記載された方法において、その原因推定段階
は、その過程中にある段階において、前記記憶装
置に記憶された、ある要素状態からその後に到達
するはずの要素状態を推定する推定手順に従つ
て、それまでに推定された原因に起因してその後
に到達するはずの要素状態を推定する段階を含
む、操作ガイド方法。 5 特許請求の範囲第4項に記載された方法にお
いて、その原因推定段階は、更に、前記推定され
たその後に到達するはずの要素状態を前記作成さ
れた要素状態データと比較し、それらの間の矛盾
の有無に基づいて、前記それまでに推定された原
因の取捨選択を行なう段階を含む、操作ガイド方
法。 6 特許請求の範囲第5項に記載された方法にお
いて、その原因推定段階は更に下記の段階を含
む、操作ガイド方法。 (1) 前記取捨選択の結果残つた各原因の要素状態
に基づき前記複数のルールを用いて再度後向き
推論を行なつて、各要素状態をもたらしうる原
因を索出する段階 (2) 前記段階(1)で索出された各原因に起因してそ
の後に到達するはずの要素状態を少なくとも前
記推定手順を用いて推定する段階 (3) 前記段階(2)で推定された要素状態を前記作成
された要素状態データと比較し、それらの間の
矛盾の有無に基づいて前記段階(1)で索出された
原因の取捨選択を行なう段階 (4) 前記段階(1)ないし(3)を再帰的に反復する段
階。 7 特許請求の範囲第4項ないし第6項のいずれ
かに記載された方法において、前記その後に到達
するはずの要素状態を推定する段階は、その推定
の対象となる要素状態を前記複数のルールを用い
た前向き推論により決定する段階を含む、操作ガ
イド方法。 8 特許請求の範囲第5項ないし第7項に記載さ
れた方法において、その原因推定段階は、前記矛
盾がないとして選択された複数の原因のそれぞれ
について、前記推定されたその後に到達するはず
の要素状態を前記作成された要素状態データと比
較して、それらの間の一致度に基づき前記複数の
原因の中からの選択を行なう段階を含み、前記操
作決定段階は、前記選択された原因に対処するた
めの操作を探索する、操作ガイド方法。 9 特許請求の範囲1ないし8のいずれかに記載
された方法において、その操作決定段階は、前記
対処操作情報から索出された操作を実行した場合
にその後に到達するはずの要素状態を、前記推定
手順に従つて予測する段階を含む、操作ガイド方
法。 10 特許請求の範囲第9項に記載された方法に
おいて、その操作決定段階は、前記予測された要
素状態に対処するための操作を前記対処操作情報
を用いて探索する段階と、索出された操作を実行
した場合にその後に到達するはずの要素状態を前
記推定手順に従つて予測する段階と、前記両段階
を再帰的に反復する段階とを含む、操作ガイド方
法。 11 特許請求の範囲第9項又は第10項に記載
された方法において、前記予測段階は、その予測
により得られた要素状態を原因とする結果の要素
状態を、前記複数のルールを用いた前向き推論に
より予測する段階を含む、操作ガイド方法。 12 特許請求の範囲第9項ないし第11項に記
載された方法において、その操作決定段階は、前
記索出された複数又は複数組の操作のそれぞれに
ついて、その操作の結果としての前記予測された
要素状態を予め定められた運転原則に照らして評
価し、その結果に基づいて最適操作を決定する段
階を含む、操作ガイド方法。[Claims] 1. An input device connected to a detection device that detects and outputs the state of a target device, a storage device that stores required information, and An operation that uses an electronic computer having a processing device that performs inference according to a predetermined procedure to execute a process that includes the following steps to create an operation guide for dealing with the abnormal state of the target device. Guide method. (1) Creating at least one element state data representing a partial state of the target device in a predetermined format suitable for rule-based inference processing from the output of the detection device input to the input device (2) ) searching for a rule corresponding to the created element state data from a plurality of rules stored in the storage device, each of which associates the element state of the target device as a pair of a cause and its effect;
Furthermore, various rules that form a chain of causal relationships from this rule are searched, the cause forming the end of the chain is extracted, and at least one cause of the abnormal state of the target device is identified from among the extracted causes. Selecting and estimating the cause step (3) Dealing with the selected cause using countermeasure operation information stored in the storage device that indicates operations for dealing with multiple causes in association with those causes. The stage of deciding what operations to do. 2. An operation guide method according to claim 1, wherein the element state data creation step creates only element state data indicating an abnormal state of the target device. 3. An operation guide method according to claim 1 or 2, wherein the step of estimating the cause includes the following steps. (1) Starting from the created element state data and performing forward inference using the plurality of rules; (2) Adding the element state obtained by the forward inference to the created element state data. (3) Performing backward inference using the plurality of rules based on each element state resulting from the addition. 4. In the method recited in any one of claims 1 to 3, the cause estimating step includes, at a certain stage during the process, determining the state of a certain element stored in the storage device. An operation guide method, comprising the step of estimating an element state that is expected to be reached subsequently due to causes estimated up to that point, according to an estimation procedure for estimating an element state that is expected to be reached. 5 In the method recited in claim 4, the cause estimation step further includes comparing the estimated element state that should be reached later with the created element state data, and determining the difference between them. An operation guide method comprising the step of selecting the causes estimated up to that point based on the presence or absence of a contradiction. 6. An operation guide method according to claim 5, wherein the cause estimation step further includes the following steps. (1) The step of performing backward inference again using the plurality of rules based on the element states of each cause remaining as a result of the selection, to find out the causes that can bring about each element state (2) The step ( (3) estimating the element state that is expected to be reached later due to each cause found in step (1) using at least the estimation procedure; (3) estimating the element state estimated in step (2) using the created element state; A step (4) of selecting the causes found in step (1) based on the presence or absence of inconsistency between the element state data and the element state data. (4) Recursively performing steps (1) to (3) Iterative stages. 7. In the method recited in any one of claims 4 to 6, the step of estimating the element state that is to be reached after that involves determining the element state to be estimated by the plurality of rules. An operational guidance method comprising a step of determining by forward reasoning using . 8. In the method set forth in claims 5 to 7, the cause estimation step includes determining, for each of the plurality of causes selected as having no contradiction, the estimated The operation determination step includes the step of comparing the element state with the created element state data and selecting one of the plurality of causes based on the degree of matching between them, and the operation determining step An operational guide that explores operations to deal with the situation. 9. In the method according to any one of claims 1 to 8, the operation determining step determines the element state that is to be reached after executing the operation retrieved from the countermeasure operation information. An operational guidance method comprising the step of predicting according to an estimation procedure. 10 In the method set forth in claim 9, the operation determining step includes a step of searching for an operation to deal with the predicted element state using the coping operation information, and a step of searching for an operation to deal with the predicted element state; An operation guide method comprising the steps of: predicting an element state that will be reached after the operation is executed according to the estimation procedure; and recursively repeating both steps. 11. In the method described in claim 9 or 10, the prediction step includes predicting the resulting element state caused by the element state obtained by the prediction using the plurality of rules. An operational guidance method that includes a step of predicting by inference. 12 In the method described in claims 9 to 11, the operation determining step includes determining the predicted result of each of the retrieved operations or sets of operations. An operation guidance method comprising the steps of evaluating element conditions against predetermined operating principles and determining optimal operation based on the results.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63263964A JPH01265301A (en) | 1988-10-21 | 1988-10-21 | System control method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP63263964A JPH01265301A (en) | 1988-10-21 | 1988-10-21 | System control method |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP56164632A Division JPS5864503A (en) | 1981-10-14 | 1981-10-14 | Operation guiding device for plant |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH01265301A JPH01265301A (en) | 1989-10-23 |
JPH0524521B2 true JPH0524521B2 (en) | 1993-04-08 |
Family
ID=17396681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP63263964A Granted JPH01265301A (en) | 1988-10-21 | 1988-10-21 | System control method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH01265301A (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855789B2 (en) | 2005-10-14 | 2014-10-07 | Pacesetter, Inc. | Implantable biostimulator delivery system |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2680159B2 (en) * | 1990-02-15 | 1997-11-19 | 山武ハネウエル株式会社 | Display method in control system |
JPH0486901A (en) * | 1990-07-30 | 1992-03-19 | Nippon Steel Corp | Abnormality detection correcting system for output value in automated device |
JP2005141292A (en) * | 2003-11-04 | 2005-06-02 | Yamatake Corp | Equipment maintenance/operation knowledge tradition system and method and knowledge base construction system and method |
JP2014032633A (en) * | 2012-08-06 | 2014-02-20 | Toshiba Corp | Plant monitoring apparatus and plant operation method |
-
1988
- 1988-10-21 JP JP63263964A patent/JPH01265301A/en active Granted
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855789B2 (en) | 2005-10-14 | 2014-10-07 | Pacesetter, Inc. | Implantable biostimulator delivery system |
US9072913B2 (en) | 2005-10-14 | 2015-07-07 | Pacesetter, Inc. | Rate responsive leadless cardiac pacemaker |
Also Published As
Publication number | Publication date |
---|---|
JPH01265301A (en) | 1989-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JPH0522241B2 (en) | ||
US6988011B2 (en) | Method and system for analyzing operational parameter data for diagnostics and repairs | |
EP1254402B1 (en) | Method and system for analyzing continuous parameter data for diagnostics and repairs | |
US7730020B2 (en) | Diagnosis of equipment failures using an integrated approach of case based reasoning and reliability analysis | |
JP3651693B2 (en) | Plant monitoring diagnosis apparatus and method | |
JPH06508949A (en) | Parallel processing qualitative inference system | |
CN115221942A (en) | Equipment defect prediction method and system based on time sequence fusion and neural network | |
Cheon et al. | Development strategies of an expert system for multiple alarm processing and diagnosis in nuclear power plants | |
JPH0524521B2 (en) | ||
Chang et al. | Development of the on-line operator aid system OASYS using a rule-based expert system and fuzzy logic for nuclear power plants | |
Takizawa et al. | An intelligent man-machine system for future nuclear power plants | |
JPH065487B2 (en) | Plant operation guidance system | |
JPS62285172A (en) | On-line fast reasoning method | |
JP2650053B2 (en) | Processing device for measurement data using knowledge base | |
JPH05290101A (en) | Method and device for continuous speech recognition processing | |
Visser et al. | PREHEP: Human error probability based process unit selection | |
Dearden et al. | Impact and the design of the human-machine interface | |
JPH0215309A (en) | Device for supporting plant operation | |
JPS621061A (en) | Diagnosis and back-up device for fault of device | |
JPH04359640A (en) | Method of diagnosing abnormal cause | |
Gini et al. | PRODS: A shell for industrial diagnosis | |
Martin et al. | Deep knowledge expert system for diagnosis of multiple-failure severe transients in nuclear power plant | |
MARTIN | B. asscrAarif | |
LEE et al. | Multimedia Expert System for a Nuclear Power Plant Accident Diagnosis Using a Fuzzy Inference Method | |
JPH0656640B2 (en) | Abnormality diagnosis method of plant |