JPH06167591A - Abnormality detection method and device for plant - Google Patents
Abnormality detection method and device for plantInfo
- Publication number
- JPH06167591A JPH06167591A JP43A JP32039292A JPH06167591A JP H06167591 A JPH06167591 A JP H06167591A JP 43 A JP43 A JP 43A JP 32039292 A JP32039292 A JP 32039292A JP H06167591 A JPH06167591 A JP H06167591A
- Authority
- JP
- Japan
- Prior art keywords
- plant
- sensor
- abnormality
- operating state
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明はプラントの異常検知方法
及びその装置に係り、特に、的確にプラントの異常を検
出するのに好適な異常検知方法及びその装置に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a plant abnormality detection method and apparatus, and more particularly to an abnormality detection method and apparatus suitable for accurately detecting plant abnormality.
【０００２】[0002]
【従来の技術】原子力発電プラント等の各種プラントで
は、ＴＶカメラ，赤外線カメラ，マイクロホン等の各種
センサをプラント各所に配置したり移動式監視ロボット
に搭載して、プラントの異常の兆候を事前に検知するシ
ステムの開発が要望されてきている。2. Description of the Related Art In various plants such as nuclear power plants, various sensors such as TV cameras, infrared cameras, and microphones are arranged at various places in the plant or mounted on a mobile monitoring robot to detect signs of plant abnormality in advance. There is a demand for the development of a system that does this.
【０００３】例えば特開昭５７−２０８４９５号公報，
特開昭５８−１８４５８５号公報，特開昭６０−１０５
９９４号公報記載の従来技術では、プラントの音の状態
を検出し、この音をあらかじめ登録しておいたプラント
正常時の音のデータと比較し、プラントの異常を検知し
ている。しかしながら、あらかじめ登録しておく正常時
の音のデータは、プラントの一つの運転状態における検
出データであるか、あるいはいくつかのプラントの運転
状態を包含する所定のバンド幅を持たせた参照データで
あるため、プラントの運転状態が変わるたびに異常とし
て検知してしまったり、正常の範囲のバンド幅が広いた
め異常の検知の正確さが上がらないという問題があっ
た。For example, JP-A-57-208495,
JP-A-58-184585, JP-A-60-105
In the conventional technique described in Japanese Patent Publication No. 994, the state of the sound of the plant is detected, and this sound is compared with the sound data of the normal sound of the plant registered in advance to detect the abnormality of the plant. However, the normal sound data registered in advance is detection data in one operating state of the plant, or reference data having a predetermined bandwidth including the operating states of several plants. Therefore, there is a problem that an abnormality is detected every time the operating state of the plant changes, or the abnormality detection accuracy cannot be improved because the bandwidth of the normal range is wide.
【０００４】そこで、特開平１−２７０６２３号公報記
載の従来技術では、比較対象とする正常時の音のデータ
をプラントの運転状態に応じて更新し、センサで捕らえ
た音をそのときのプラント運転状態に対応した正常音と
比較し、検出精度の向上を図っている。Therefore, in the prior art disclosed in Japanese Patent Laid-Open No. 1-270623, the sound data in a normal state to be compared is updated according to the operating state of the plant, and the sound captured by the sensor is operated at that time. The detection accuracy is improved in comparison with the normal sound corresponding to the state.
【０００５】また、特開昭５８−１２４９９５号公報記
載の従来技術では、センサで捕らえた音と比較する基準
値が無い場合には学習により新たな基準値を作成し、プ
ラントの診断に用いるようにしている。Further, in the prior art disclosed in Japanese Patent Laid-Open No. 58-124995, if there is no reference value to be compared with the sound captured by the sensor, a new reference value is created by learning and used for plant diagnosis. I have to.
【０００６】[0006]
【発明が解決しようとする課題】上述した従来技術は、
いずれも図２に示す様な構成となる。すなわち、原子力
発電所のプラント１に、異常検知システムのセンサ１０
０としてたくさんのマイクロホンを原子力発電所内の格
納容器内に設置し、マイクロホン１００の検出信号を格
納容器の外に設置している異常検出装置２００に取り込
み、異常検知を行う構成である。異常検出装置２００の
中には、当然、プラントの正常運転中の音響スペクトル
のデータが記憶されているが、そのデータは、オフライ
ンであらかじめ異常検出装置２００に入力されている。The above-mentioned conventional technique is
Each of them has a configuration as shown in FIG. That is, the sensor 10 of the abnormality detection system is installed in the plant 1 of the nuclear power plant.
A large number of microphones are installed in the storage container in the nuclear power plant as 0, and the detection signal of the microphone 100 is taken into the abnormality detection device 200 installed outside the storage container to detect an abnormality. The abnormality detection device 200 naturally stores acoustic spectrum data during normal operation of the plant, but the data is input to the abnormality detection device 200 in advance offline.
【０００７】オフラインで入力される正常音のデータ
は、実際にプラントを運転している最中のプラント運転
状態に正確に対応した正常音のデータとは言い難く、高
精度のプラント診断を行うには不安が付きまとう。例え
ば特開平１−２７０６２３号公報記載の従来技術は、異
常検出用のセンサとプラント運転状態検出用のセンサと
を共用しているため、センサ自体に欠陥があった場合に
は、正常音データの作成の高精度化は望めない。It is difficult to say that the normal sound data input off-line is the normal sound data that accurately corresponds to the plant operating state during the actual operation of the plant, and is used for highly accurate plant diagnosis. I am anxious. For example, in the conventional technique described in Japanese Patent Application Laid-Open No. 1-270623, a sensor for detecting an abnormality and a sensor for detecting a plant operating state are shared, so that if the sensor itself has a defect, normal sound data It is not possible to hope for higher precision in creation.
【０００８】本発明の目的は、プラントの運転状態にか
かわらず、プラントの異常を常に高い正確さで検出でき
るプラントの異常検知方法及びその装置を提供すること
にある。It is an object of the present invention to provide a plant abnormality detection method and apparatus capable of always detecting a plant abnormality with high accuracy regardless of the operating state of the plant.
【０００９】[0009]
【課題を解決するための手段】上記目的は、プラントの
異常を検出する各種センサとは別に、プラント運転状態
をプラント運転中にオンラインで取り込む系統を異常検
出装置に設け、各種センサで検出したプラントの音，温
度，振動等の状態を、オンラインで取得したプラント運
転状態に対応させて記憶しておき、プラントの異常検知
をプラントの運転状態に対応させることで、達成され
る。The above-mentioned object is to provide a system, in addition to various sensors for detecting an abnormality in a plant, in an abnormality detection device which is equipped with a system for capturing the plant operating state online during plant operation, and the plant detected by the various sensors. It is achieved by storing the states of noise, temperature, vibration, etc. of the plant in association with the plant operating state acquired online, and detecting the abnormality of the plant in association with the operating state of the plant.
【００１０】上記目的はまた、プラントの運転状態をオ
ンラインで異常検出装置に取り込むと共に、異常検出装
置にプラントやプラントの音，温度，振動等の状態を検
出するためのセンサ部の仮想モデルを設け、実際のプラ
ントの運転状態や、実際に検出したプラントの音，温
度，振動等の状態を仮想モデルから求めたプラント運転
状態，センサ検出状態とを比較し、矛盾が生じていると
きにプラントに異常が発生していると判定することで、
達成される。The above object is also to take the operating state of the plant online into the abnormality detecting device, and to provide the abnormality detecting device with a virtual model of the sensor unit for detecting the state of the plant, such as sound, temperature and vibration of the plant. , Comparing the actual operating state of the plant, the actual detected plant noise, temperature, vibration, etc., with the operating state of the plant and the sensor detection state obtained from the virtual model, and when there is a contradiction, By determining that an abnormality has occurred,
To be achieved.
【００１１】[0011]
【作用】プラントの運転状態をオンラインで異常検出装
置に取り込むことで、異常検出装置は、現在検出してい
るプラントの音，温度，振動等の状態がプラントがどの
ような運転状態の時のものなのかをリアルタイムで認識
することができる。このため、プラント正常時の音，温
度，振動等の状態データをセンサから取得しこれを記憶
装置に記憶する場合には、その時のプラントの運転状態
に対応させて記憶することができる。さらに、現在検出
しているプラントの音，温度，振動等の状態データから
プラントの異常検知をする場合には、オンラインで入っ
てくる現在のプラントの運転状態と同じ運転状態のとき
に記憶したプラント正常時のデータと比較することがで
きので、プラントの運転状態にかかわらず、プラントの
異常を常に高い正確さで検出することができる。[Function] By taking the operating state of the plant into the abnormality detecting device online, the abnormality detecting device can detect the currently detected state of the plant such as sound, temperature, vibration, etc. You can recognize in real time. Therefore, when the state data such as sound, temperature, and vibration when the plant is normal is acquired from the sensor and stored in the storage device, it can be stored in association with the operating state of the plant at that time. Furthermore, in the case of detecting an abnormality of the plant from the state data of the currently detected plant such as sound, temperature, vibration, etc., the plant stored when the operating state is the same as the operating state of the current incoming plant online. Since the data can be compared with the normal data, the plant abnormality can always be detected with high accuracy regardless of the operating state of the plant.
【００１２】また、プラントの運転状態と、センサの検
出信号とをオンラインで異常検出装置に取り込み、仮想
モデルの出力とを比較することで、プラントの運転に過
渡変化が生じた場合にも、プラントの運転状態にかかわ
らず、プラントの異常を常に高い正確さで検出できる。
これは、仮想モデルがプラントの過渡現象も求めること
ができるためである。この場合、異常検出装置に、仮想
モデルの特性パラメータをプラントの正常時の運転デー
タに基づいて、随時、より正しいものに補正していく機
能を設けることが好ましい。仮想モデルのシミュレーシ
ョンより求めたプラントの運転状態の精度に依存する特
性パラメータの誤差を、プラントの運転実績と共に小さ
くしていくことで、より正確にプラントの異常を検出で
き、プラントの運転状態にかかわらず、プラントの異常
を常に高い正確さで検出できる。In addition, even when a transient change occurs in the operation of the plant by incorporating the operation state of the plant and the detection signal of the sensor into the abnormality detecting device online and comparing the output of the virtual model, The plant abnormality can always be detected with high accuracy regardless of the operating state of.
This is because the virtual model can also find transient phenomena in the plant. In this case, it is preferable that the abnormality detection device is provided with a function of correcting the characteristic parameter of the virtual model to a more correct one at any time based on the operation data of the plant under normal conditions. By reducing the error of the characteristic parameter that depends on the accuracy of the operating condition of the plant obtained from the simulation of the virtual model together with the operating record of the plant, it is possible to detect the abnormality of the plant more accurately and Instead, plant abnormalities can always be detected with high accuracy.
【００１３】[0013]
【実施例】以下、本発明の一実施例を図面を参照して説
明する。図１は、本発明の一実施例に係るプラント異常
検出装置の構成図である。本実施例のプラント異常検出
装置では、前述した従来技術に係る図２の構成に較べ、
プラント１の状態を検出するセンサ１００の他に、プラ
ント１の運転状態をオンラインで取り込む経路を設けて
いる。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described below with reference to the drawings. FIG. 1 is a configuration diagram of a plant abnormality detection apparatus according to an embodiment of the present invention. In the plant abnormality detection apparatus of this embodiment, compared with the configuration of FIG.
In addition to the sensor 100 that detects the state of the plant 1, a route for capturing the operating state of the plant 1 online is provided.
【００１４】センサ１００を、原子炉格納容器内に設置
されたマイクロホンとすれば、異常検出装置２００は、
まず、プラント正常時の音響スペクトルのデータを記憶
する。この時、異常検出装置２００は、オンラインで入
力されてくるプラントの運転状態に対応させて、プラン
ト正常時の音響スペクトルデータを記憶していく。これ
は当然、自動的に行うことが可能であり、人手をわずら
わせることもない。尚、記憶装置に正常時のデータを蓄
積する場合、最初は、そのデータが正常時のものである
か否かをプラント運転員の判断で行うのが好ましい。If the sensor 100 is a microphone installed in the reactor containment vessel, the abnormality detecting device 200 is
First, the acoustic spectrum data when the plant is normal is stored. At this time, the abnormality detection device 200 stores the acoustic spectrum data when the plant is normal, corresponding to the operating state of the plant input online. This, of course, can be done automatically and does not require human intervention. When the normal data is stored in the storage device, it is preferable that the plant operator first determines whether the data is normal data.
【００１５】異常検出装置２００内にデータが多く蓄積
されてくると、異常検出装置２００は、新たに検出した
音響データをスペクトル解析し、また同時に入ってくる
プラントの現在の運転状態より、過去に記憶した音響ス
ペクトルデータの中から現在と同じまたは近い運転状態
の時に記憶したデータを検索し、両者を比較評価する。
ここで、現在のプラントの運転状態が過去に記憶した二
つの参照データの運転状態の間にある場合には、参照す
るデータを二つのデータより補間して求めたものを使用
すれば、少ない参照データでより正確にプラントの異常
を検出することができる。また、異常検出装置は、「異
常」と検出しない場合には、自動的に参照データをその
時のプラントの運転状態に対応させて正常時のデータと
して記憶していけば良いし、「異常」と検出した場合に
は、警報を発し、プラント運転員に知らせた上、異常検
知装置としては「異常」と判定したが、本当に異常なの
かどうかプラント運転員に判断してもらい、異常ではな
い時にはその「異常」と判断してしまった音響データも
正常時の参照データとして記憶する。When a large amount of data is accumulated in the anomaly detection device 200, the anomaly detection device 200 performs spectrum analysis on the newly detected acoustic data, and at the same time, it compares the current operating state of the incoming plant to the past. From the stored acoustic spectrum data, the data stored when the driving state is the same as or close to the present is retrieved, and both are compared and evaluated.
Here, if the current operating state of the plant is between the operating states of the two reference data stored in the past, using the data obtained by interpolating the reference data from the two data will reduce the number of reference The data can detect plant abnormalities more accurately. Further, if the abnormality detection device does not detect "abnormal", the reference data may be automatically stored as normal data in association with the operating state of the plant at that time. When it is detected, an alarm is issued and the plant operator is notified, and it is judged as "abnormal" as an abnormality detection device, but the plant operator judges whether it is really abnormal, and when it is not abnormal, the The acoustic data that has been determined to be "abnormal" is also stored as reference data in a normal state.
【００１６】以上の様なステップつまり正常時のデータ
を蓄積していくステップは、プラント運転開始の段階に
は頻繁に行なう必要があるが、参照データが蓄積されて
いくに従って、その頻度は少なくなる。この方法を採用
することでにより、小さな異常も見逃すことがなくな
る。尚、ここではマイクロホンを用いた音響センサを例
に説明しているが、センサとしては、振動計，温度計，
湿度計，放射線線量計，ＴＶカメラ，赤外線カメラ，圧
力計，臭いセンサ等、何を使用した場合にも同様の方法
が適用できる。The above-described steps, that is, the step of accumulating data under normal conditions, must be performed frequently at the start of plant operation, but the frequency decreases as the reference data accumulates. . By adopting this method, even small abnormalities will not be overlooked. Although an acoustic sensor using a microphone is described here as an example, the sensor may be a vibrometer, a thermometer,
The same method can be applied regardless of what is used, such as a hygrometer, a radiation dosimeter, a TV camera, an infrared camera, a pressure gauge, and an odor sensor.
【００１７】図３は、原子力発電所の格納容器内の移動
式点検ロボットに本発明を適用した場合の異常検知装置
の構成図である。原子力発電所の格納容器１ｄの中に
は、主要機器として、原子炉１ａ、ドライウェル内冷却
系クーラ１ｃ、再循環ポンプモータ１ｂ等がある。原子
力発電所は、原子炉１ａから発生した蒸気でタービン１
ｅを回して発電機１ｆで電力を発電するものであり、中
央制御室にある制御・操作盤１ｇにて発電所の機器は運
転制御される。また、発電所運転中は格納容器１ｄの中
には人間は入ることがでにない環境になっている。そこ
で、移動式点検ロボットシステムを採用し、格納容器１
ｄの中に設置されるレール１０１に沿ってロボット本体
１０２を移動させ、格納容器１ｄ内の主要な機器を自動
的に点検パトロールするようになっている。FIG. 3 is a block diagram of an abnormality detection device when the present invention is applied to a mobile inspection robot in a containment vessel of a nuclear power plant. In the containment vessel 1d of the nuclear power plant, there are a nuclear reactor 1a, a dry well cooling system cooler 1c, a recirculation pump motor 1b, etc. as main equipment. The nuclear power plant uses the steam generated from the reactor 1a to produce a turbine 1
The electric power is generated by the generator 1f by turning e, and the operation of the power plant equipment is controlled by the control / operation panel 1g in the central control room. In addition, during the operation of the power plant, the environment is such that humans cannot enter the storage container 1d. Therefore, we adopted a mobile inspection robot system to
The robot main body 102 is moved along a rail 101 installed in d to automatically inspect and patrol main devices in the storage container 1d.
【００１８】ロボットの制御・操作は、格納容器１ｄの
外に設置される操作盤２００で行われる。ロボット本体
１０２には、ＴＶカメラ，マイクロホン，赤外線カメラ
が搭載されており、人間に代わって、目視点検，異音点
検，温度点検を行うことができる。異常かどうかの判断
は、正常時の検出データをあらかじめ操作盤２００の中
に記憶しておき行うものである。The control and operation of the robot are performed by the operation panel 200 installed outside the storage container 1d. The robot body 102 is equipped with a TV camera, a microphone, and an infrared camera, and can perform visual inspection, abnormal noise inspection, and temperature inspection on behalf of a human. The determination as to whether or not there is an abnormality is made by preliminarily storing the detection data at the time of normality in the operation panel 200.
【００１９】ロボット本体１０２は、図１のセンサ１０
０に相当し、操作盤２００が、図１の異常検出装置２０
０に対応する。ここで、プラントの運転状態は、プラン
トの制御・操作盤１ｇからオンラインで操作盤２００に
入力されるようにする。ロボット本体１０２が検出する
ＴＶ画像データ，音響データ，温度データ（温度分布を
含む。尚、これらのデータがロボットの位置，姿勢等に
依存するデータの場合には、その位置，姿勢等も関連デ
ータとして必要となる。）に影響するプラントの運転状
態としては、主に、プラント出力（発電機１ｆの発電
量）、ドライウェル内冷却系クーラ１ｃの運転状況、再
循環ポンプモータ１ｂの回転数等が考えられる。そこ
で、制御・操作盤１ｇからは、プラント出力（発電機１
ｆの発電量）、ドライウェル内冷却系クーラ１ｃの運転
状況、再循環ポンプモータ１ｂの回転数をオンラインで
操作盤２００に入力する。The robot body 102 includes the sensor 10 shown in FIG.
0, and the operation panel 200 corresponds to the abnormality detection device 20 of FIG.
Corresponds to 0. Here, the operating state of the plant is input to the operation panel 200 online from the control / operation panel 1g of the plant. TV image data, sound data, and temperature data (including temperature distribution) detected by the robot body 102. If these data depend on the position, posture, etc. of the robot, the position, posture, etc. are also related data. The operating conditions of the plant, which affect the power consumption of the generator 1f, the operating condition of the cooler 1c in the drywell cooling system, the number of revolutions of the recirculation pump motor 1b, etc. Can be considered. Therefore, the plant output (generator 1
The power generation amount of f), the operating status of the drywell cooling system cooler 1c, and the rotation speed of the recirculation pump motor 1b are input to the operation panel 200 online.
【００２０】このようにシステムを構成した場合、操作
盤２００の中の正常時の検出データは、プラント出力
（発電機１ｆの発電量）、ドライウェル内冷却系クーラ
１ｃの運転状況、再循環ポンプモータ１ｂの回転数のプ
ラント運転状態に対応させて記憶され、検出データとの
比較を行う場合にも、それらのプラントの運転状態を同
じ条件にして行う。このため、前述した通り、プラント
の運転状態にかかわらず、プラントの異常を常に高い正
確さで移動式点検ロボットにより検出することが可能と
なる。尚、比較するデータがロボットの位置，姿勢等に
依存するデータの場合には、同位置，同姿勢でのデータ
で比較することはいうまでもない。ここで、プラントの
運転状態として、格納容器１ｄ内の雰囲気温度、再循環
ポンプ１ｂに入る冷却剤の温度等も取り込み、より正確
に異常を検出できるようにしても良い。When the system is configured as described above, the detected data in the operation panel 200 at the normal time are the plant output (power generation amount of the generator 1f), the operating condition of the dry well cooling system cooler 1c, and the recirculation pump. When the rotation speed of the motor 1b is stored in association with the plant operating state and the detected data is compared, the operating states of those plants are set to the same condition. For this reason, as described above, regardless of the operating state of the plant, it is possible to always detect the abnormality of the plant with high accuracy by the mobile inspection robot. Needless to say, if the data to be compared is data that depends on the position and orientation of the robot, the data at the same position and orientation are used for comparison. Here, as the operating state of the plant, the ambient temperature in the storage container 1d, the temperature of the coolant entering the recirculation pump 1b, and the like may be taken in so that the abnormality can be detected more accurately.
【００２１】図４は、本発明の第２実施例に係る異常検
出装置の構成図であり、仮想モデルを設けた異常検知装
置の基本構成図である。異常検出装置２００の中には、
プラント１を模擬したプラントのモデル１ｍ、センサ１
００を模擬したセンサ部のモデル１００ｍを有する仮想
モデル２０１があり、仮想モデル２０１のセンサ１００
ｍの出力と、実際のセンサ１００の検出データとの比較
を比較器２０２で行い、仮想モデル２０１のプラント１
ｍのプラント状態と、実際のプラント１から送られてく
るプラント状態との比較を比較器２０３で行い、仮想モ
デル２０１と実際のデータとの矛盾の有無を検出し、矛
盾のある場合には、警報器２０４に信号を出力し警報を
発する。FIG. 4 is a block diagram of an abnormality detecting device according to a second embodiment of the present invention, which is a basic block diagram of an abnormality detecting device provided with a virtual model. In the abnormality detection device 200,
Model 1m of the plant simulating the plant 1, sensor 1
There is a virtual model 201 having a sensor unit model 100m simulating 00, and the sensor 100 of the virtual model 201
The output of m and the actual detection data of the sensor 100 are compared by the comparator 202, and the plant 1 of the virtual model 201 is compared.
The comparator 203 compares the plant state of m with the plant state sent from the actual plant 1 to detect whether or not there is a contradiction between the virtual model 201 and the actual data. A signal is output to the alarm device 204 to issue an alarm.
【００２２】ここで、プラントの仮想モデル２０１は、
原子力発電所全体の大規模モデルでも良いし、発電所の
中のある一つの機器のモデルでも良いし、さらに機器の
一部分をモデル化したものでも良い。仮想モデルとして
は、計算機のプログラムまたはデータで記述された単純
な数式でも良いし、ブロック線図をベースに記述された
伝達関数でも良いし、差分処理を実行するプログラムそ
のものでも良いし、入力と出力の生データを蓄積してお
くものでも良い。ここでは、仮想モデルの概念を説明す
るために、原子炉再循環ポンプを例にとり、仮想モデル
のほんの一実施例を紹介する。Here, the virtual model 201 of the plant is
It may be a large-scale model of the entire nuclear power plant, a model of one device in the power plant, or a model of a part of the device. The virtual model may be a computer program or a simple mathematical expression described in data, a transfer function described based on a block diagram, the program itself that executes difference processing, or input and output. The raw data of may be stored. Here, in order to explain the concept of the virtual model, only one embodiment of the virtual model will be introduced taking the reactor recirculation pump as an example.
【００２３】図６に、原子炉再循環ポンプの制御系構成
を示す。ポンプ２０は、電動機１０により駆動される。
原子炉の出力をポンプの流量Ｑを変えることにより行う
ため、流量制御系３１は電動機１０の回転数を制御する
ことになる。電動機２０は誘導電動機であるから、その
回転数は、次の数式１に示すように、FIG. 6 shows the control system configuration of the reactor recirculation pump. The pump 20 is driven by the electric motor 10.
Since the output of the nuclear reactor is controlled by changing the flow rate Q of the pump, the flow rate control system 31 controls the rotation speed of the electric motor 10. Since the electric motor 20 is an induction motor, its rotation speed is represented by the following mathematical formula 1.
【００２４】[0024]
【数１】 [Equation 1]
【００２５】周波数に比例するので、流体継手３３を介
して駆動電動機３４にて回転させられる可変周波数発電
機３２の出力を電動機１０の電源としている。流量制御
系３１は可変周波数発電機３２の回転数をフィードバッ
ク信号として、流体継手３３に操作信号を出力する。こ
こで、この原子炉再循環ポンプを一つのプラントとして
みた場合、プラントの運転状態として容易に出力できる
のはフィードバック信号として検出している可変周波数
発電機３２の回転数である。これをプラントの運転状態
として異常検出装置にオンラインで取り込めるようにす
る。また、オンラインで取り込むプラントの状態は詳し
ければ詳しいほど仮想モデルも正確に模擬できるし、異
常検知もより正確に行えるので、より詳細にプラントの
運転状態を取り込もうとするならば、電動機１０の油面
計１１，１２のレベルを電気信号にして出力したり、電
動機１０に小型発電機２４を直結して、電動機１０の回
転数を直接検出してそれをプラントの運転状態として出
力したり、流量計２３により流量Ｑを電気信号に変換し
て出力したり、ポンプ２０の吸い込み圧力と吐き出し圧
力を圧力計２１，２２にて電気信号に変換して出力した
りすれば良い。Since it is proportional to the frequency, the output of the variable frequency generator 32 rotated by the drive motor 34 via the fluid coupling 33 is used as the power source of the motor 10. The flow rate control system 31 outputs an operation signal to the fluid coupling 33 using the rotation speed of the variable frequency generator 32 as a feedback signal. Here, when this reactor recirculation pump is viewed as one plant, it is the rotation speed of the variable frequency generator 32 detected as a feedback signal that can be easily output as the operating state of the plant. This can be taken into the abnormality detection device online as the operating state of the plant. Further, the more detailed the state of the plant to be taken in online, the more accurately the virtual model can be simulated, and the more accurate the abnormality detection can be made. The level of the surface gauges 11 and 12 is output as an electric signal, or the small generator 24 is directly connected to the electric motor 10 to directly detect the rotation speed of the electric motor 10 and output it as the operating state of the plant. The flow rate Q may be converted into an electric signal by the meter 23 and output, or the suction pressure and the discharge pressure of the pump 20 may be converted into electric signals by the pressure gauges 21 and 22 and output.
【００２６】図７は、原子炉再循環ポンプを特性曲線で
表したモデルの一例を示すグラフである。図７（ａ）の
電動機特性１０ｍとしては、すべりｓに対する一次電流
Ｉ，トルクＴ，機械的出力Ｐの関係を持たせ、図７
（ｂ）のポンプ特性２０ｍとしては、回転数Ｎと流量Ｑ
の関係を全揚程Ｈと抵抗曲線Ｒとで持たせている。これ
は、計算機の中に係数を有する特性式で持っていても良
いし、特性データそのもので持っていても良い。ここ
で、可変周波数発電機３２の回転数と、小型発電機２４
で検出した実際の回転数より、上記数式１の関係からす
べりｓが求まり、電動機の特性１０ｍよりその時のトル
クＴ，一次電流Ｉ，機械的出力Ｐが定まる。また、ポン
プ２０の圧力計２１，２２にて検出した吸い込み圧力と
吐き出し圧力より、現在の全揚程が求まり、それと現在
の回転数Ｎとから流量Ｑが定まる。プラントの状態とし
て、実際の一次電流を検出して異常検出装置にオンライ
ンで取り込んでおくとすれば、検出した一次電流と電動
機の特性１０ｍより求めた一次電流（これが、仮想モデ
ル２０１の出力である）とが大きく違う場合、「異常」
と判断するようにしておいても良いし、流量計２３によ
り検出した流量Ｑと、ポンプの特性２０ｍより求めた流
量Ｑ（これが、仮想モデル２０１の出力である）とが大
きく違う場合、「異常」と判断するようにしておいても
良い。このように特性曲線で仮想モデルを記述すること
は、実際にデータを取ってそれを初期特性としてしまう
ことができるので、非線形の数式化困難な機器の特性を
モデル化するときに有効な手段である。FIG. 7 is a graph showing an example of a model in which a reactor recirculation pump is represented by a characteristic curve. As the electric motor characteristic 10m in FIG. 7A, the relationship between the primary current I, the torque T, and the mechanical output P with respect to the slip s is given as shown in FIG.
The pump characteristic of 20 m in (b) is as follows: rotation speed N and flow rate Q
The relation of is given by the total head H and the resistance curve R. This may be held by a characteristic formula having a coefficient in the computer, or may be held by the characteristic data itself. Here, the rotation speed of the variable frequency generator 32 and the small generator 24
The slip s is obtained from the relationship of the above-described mathematical expression 1 from the actual rotational speed detected in step 1, and the torque T, primary current I, and mechanical output P at that time are determined from the characteristic 10 m of the motor. Further, the current total head is obtained from the suction pressure and the discharge pressure detected by the pressure gauges 21 and 22 of the pump 20, and the flow rate Q is determined from the present total head. Assuming that the actual primary current is detected and taken into the abnormality detecting device online as the state of the plant, the primary current obtained from the detected primary current and the characteristic 10 m of the electric motor (this is the output of the virtual model 201). ) Is significantly different from
If the flow rate Q detected by the flow meter 23 and the flow rate Q obtained from the characteristic 20 m of the pump (this is the output of the virtual model 201) are significantly different, it is possible to determine It may be decided to judge. By describing a virtual model with a characteristic curve in this way, since it is possible to actually take data and use it as the initial characteristic, it is an effective means when modeling the characteristic of a device that is difficult to formulate nonlinearly. is there.
【００２７】また、電動機１０に温度センサ１１１を取
付け、その電気信号を異常検出装置に取り込んだり、ポ
ンプ２０に振動計１１２を取り付けて、その電気信号を
異常検出装置に取り込むようにしても良い。これは、ポ
ンプの構造に基づいて忠実に振動モデルを記述しても良
いのであるが、振動計１１２の振動データを異常検出装
置においてスペクトルデータに解析して、実際に検出し
たポンプの回転数Ｎ，流量Ｑをプラントの運転状態を規
程するパラメータとしてプラントの運転状態に対応させ
て記憶するようにして、それをセンサ部の仮想モデル１
００ｍとするのが得策である。Further, the temperature sensor 111 may be attached to the electric motor 10 and the electric signal thereof may be taken into the abnormality detecting device, or the vibrometer 112 may be attached to the pump 20 and the electric signal thereof may be taken into the abnormality detecting device. It is possible to faithfully describe the vibration model based on the structure of the pump. However, the vibration data of the vibrometer 112 is analyzed into spectrum data in the abnormality detection device, and the actually detected rotation speed N of the pump is detected. , The flow rate Q is stored as a parameter for regulating the operating state of the plant in association with the operating state of the plant, and the virtual model 1 of the sensor unit is stored therein.
It is a good idea to set it to 00m.
【００２８】次に、温度センサ１１１と比較する温度セ
ンサ部のモデルの例を説明する。この場合には、原子炉
再循環ポンプ回りの雰囲気温度も温度計１１０にて検出
し、異常検出装置に取り込むようにするのが良い。図８
に、電動機表面温度のモデルを示す。ロータ１０Ｒのあ
る内部空間の平均温度をＴ0，平均重量をＧ0，平均比熱
をＣ0とし、ステータのコイル部１０coの熱的センタの
内側の平均重量をＧc1，平均比熱をＣc1，厚みをｄc1，
平均熱伝導率をλc1とし、外側の平均重量をＧc2，平均
比熱をＣc2，厚みをｄc2，平均熱伝導率をλc2とし、コ
イル１０coの内面の温度をＴ1，内面の表面積をＡ1，内
面の熱伝達率をα0とし、コイル部１０coの熱的センタ
の温度をＴc、熱通過断面積をＡcとし、コイル部１０co
の外側でケーシング１０caの内面の温度をＴ2とし、そ
の部分の熱通過断面積をＡ2とし、ケーシング１０caの
表面温度をＴ3，表面積をＡ3，平均重量をＧ2，平均比
熱をＣ2，厚みをｄ2、平均熱伝導率をλ2とし、表面の
熱伝達率をαa，雰囲気温度をＴaとし、ロータ１０Ｒの
機械的出力をＰとし、コイル１０coへの電気エネルギの
入力をｑINとし、ケーシング１０ca表面からの放熱をｑ
OUTとすれば、この電動機の熱伝達モデルは、次の数式
２で表される。Next, an example of a model of the temperature sensor section to be compared with the temperature sensor 111 will be described. In this case, it is preferable that the ambient temperature around the reactor recirculation pump is also detected by the thermometer 110 and taken into the abnormality detecting device. Figure 8
A model of the motor surface temperature is shown in. The average temperature of the inner space of the rotor 10R is T0, the average weight is G0, the average specific heat is C0, the average weight inside the thermal center of the coil portion 10co of the stator is Gc1, the average specific heat is Cc1, and the thickness is dc1,
The average thermal conductivity is λc1, the average weight of the outside is Gc2, the average specific heat is Cc2, the thickness is dc2, the average thermal conductivity is λc2, the temperature of the inner surface of the coil 10co is T1, the surface area of the inner surface is A1, and the heat of the inner surface is The transmissivity is α0, the temperature of the thermal center of the coil portion 10co is Tc, and the heat passage cross-sectional area is Ac.
The temperature of the inner surface of the casing 10ca on the outside of the casing is T2, the heat passage cross-sectional area of that portion is A2, the surface temperature of the casing 10ca is T3, the surface area is A3, the average weight is G2, the average specific heat is C2, and the thickness is d2. The average thermal conductivity is λ2, the surface heat transfer coefficient is αa, the ambient temperature is Ta, the mechanical output of the rotor 10R is P, the electric energy input to the coil 10co is qIN, and the heat radiation from the casing 10ca surface is performed. Q
Assuming OUT, the heat transfer model of this electric motor is expressed by the following mathematical formula 2.
【００２９】[0029]
【数２】 [Equation 2]
【００３０】雰囲気温度Ｔaは温度計１１０にて検出す
ることができる。電気エネルギの入力ｑINも電圧と電流
を測定することで検出できる。ロータ１０Ｒの機械的出
力Ｐも電動機の特性１０ｍより知ることができる。△Ｔ
iは温度Ｔiの微小時間△ｔの間の変化分である。ここ
で、各部の重量Ｇ0，Ｇc1，Ｇc2，Ｇc2，各断面積Ａ1，
Ａc，Ａ2，Ａ3，各厚みｄc1，ｄc2，ｄ2は事前に正確に
知ることのできる定数である。また、比熱Ｃ0，Ｃc1，
Ｃc2，Ｃ2，熱伝導率λc1，λc2，λ2，熱伝達率α0，
α1も計算や事前の特性試験にて求めることは可能であ
る。したがって、数式２の方程式で差分法を用いて、逐
次、各部位の温度変化△Ｔi，各部位の温度Ｔiを求めて
いくことは可能である。The ambient temperature Ta can be detected by the thermometer 110. The electrical energy input qIN can also be detected by measuring the voltage and current. The mechanical output P of the rotor 10R can also be known from the characteristic 10m of the electric motor. △ T
i is the change in the temperature Ti during the minute time Δt. Here, the weight of each part G0, Gc1, Gc2, Gc2, each cross-sectional area A1,
Ac, A2, A3 and each thickness dc1, dc2, d2 are constants that can be accurately known in advance. In addition, specific heat C0, Cc1,
Cc2, C2, thermal conductivity λc1, λc2, λ2, heat transfer coefficient α0,
It is also possible to obtain α1 by calculation or a preliminary characteristic test. Therefore, it is possible to sequentially obtain the temperature change ΔTi of each part and the temperature Ti of each part by using the difference method in the equation of Expression 2.
【００３１】一方、ケーシング１０caの実際の表面温度
Ｔ3は温度センサ１１１にて検出できる。または、移動
ロボット１０２に搭載されている赤外線カメラを用いた
非接触方式にて表面温度Ｔ3を検出することもできる。
そこで、数式２より求めた表面温度Ｔ3（仮想モデル１
００ｍの出力）と、センサで検出した実際の表面温度Ｔ
3とを比較することで、電動機の異常を容易に検出する
ことができる。このように、プラントに遅れ要素を含む
場合や、機器の表面温度などのように現在の温度が現在
のプラントの運転状態のみによって決まるのではなく、
過去の運転状態の履歴にも影響するような場合には、異
常検出装置２００の中にプラントの仮想モデル２０１を
持たせておくことがより正しくプラントの異常検出を行
なうために有効な方法である。On the other hand, the actual surface temperature T3 of the casing 10ca can be detected by the temperature sensor 111. Alternatively, the surface temperature T3 can be detected by a non-contact method using an infrared camera mounted on the mobile robot 102.
Therefore, the surface temperature T3 (virtual model 1
00m output) and the actual surface temperature T detected by the sensor
By comparing with 3, it is possible to easily detect the abnormality of the electric motor. In this way, the current temperature is not determined only by the current operating state of the plant, such as when the plant includes a delay element, or the surface temperature of equipment, etc.
When the history of past operating states is also affected, it is effective to have the virtual model 201 of the plant in the abnormality detection device 200 in order to detect the plant abnormality more accurately. .
【００３２】図５は、仮想モデルの特性パラメータを補
正する異常検知装置の構成図である。異常検出装置２０
０の中には異常を検出するための比較器２０２，２０３
以外に、特性パラメータの補正量を求めるために、仮想
モデルの出力と実際の検出データとを比較するための比
較補正器２０５，２０６を設けてある。ここで、特性パ
ラメータとは、図７の電動機の特性１０ｍ，ポンプの特
性２０ｍの特性曲線そのものであったり、数式２におい
ては熱伝達率α0や熱伝導率λc1，λc2等である。モデ
ル２０１の出力と実際の検出データとの矛盾を比較検出
するということは、故障や劣化により実物の特性パラメ
ータが変化することを検出することにより、プラントの
異常を検知するということである。プラントの運転実績
が数多く蓄積されていくと、プラントの累積運転時間を
パラメータとしてプラントの特性パラメータの経年変化
もモデルとして記述することが可能となる。この場合に
は、通常の経年変化以上の極端な特性パラメータの変化
を検出し、プラントの異常を検知するということにな
る。したがって、「異常」と検出していないときにはモ
デル２０１の特性パラメータを統計的により正確なもの
に補正することは問題ないが、「異常」と検出した場合
にはスイッチ２０７，２０８を開いてモデル２０１の特
性パラメータを無条件に補正しないようにしておく必要
がある。この場合には、異常検出装置２００は警報を発
し、プラントの運転員にその判断を委ねる形となる。運
転員が「異常」では無いと判断した場合にのみプラント
側の特性パラメータは補正され、モデル２０１はより適
切なものに書き替えられる。この方法によれば、より正
確にプラントの異常を検出でき、プラントの運転状態に
かかわらず、プラントの異常を常に高い正確さで検出で
きる。FIG. 5 is a block diagram of an abnormality detection device for correcting the characteristic parameters of the virtual model. Anomaly detection device 20
In 0, comparators 202 and 203 for detecting abnormality
In addition, comparison correctors 205 and 206 for comparing the output of the virtual model with the actual detection data are provided to obtain the correction amount of the characteristic parameter. Here, the characteristic parameter is the characteristic curve itself of the characteristic 10 m of the electric motor and the characteristic 20 m of the pump of FIG. 7, or the heat transfer coefficient α0 and the thermal conductivity λc1, λc2 in the mathematical expression 2. Comparing and detecting the contradiction between the output of the model 201 and the actual detection data means detecting the abnormality of the plant by detecting that the characteristic parameter of the actual object changes due to a failure or deterioration. When a large number of plant operation records are accumulated, it is possible to describe the secular change of the characteristic parameters of the plant as a model using the cumulative operating time of the plant as a parameter. In this case, an abnormal change in the characteristic parameter, which is larger than the normal secular change, is detected to detect an abnormality in the plant. Therefore, when the "abnormal" is not detected, there is no problem in correcting the characteristic parameters of the model 201 to be statistically more accurate, but when the "abnormal" is detected, the switches 207 and 208 are opened to open the model 201. It is necessary not to unconditionally correct the characteristic parameter of. In this case, the abnormality detection device 200 gives an alarm and leaves the judgment to the plant operator. Only when the operator determines that the model is not "abnormal", the characteristic parameters on the plant side are corrected, and the model 201 is rewritten to a more appropriate one. According to this method, the plant abnormality can be detected more accurately, and the plant abnormality can always be detected with high accuracy regardless of the operating state of the plant.
【００３３】[0033]
【発明の効果】本発明によれば、プラントの運転状態に
かかわらず、プラントの異常を常に高い正確さで検出で
きる。According to the present invention, the abnormality of the plant can always be detected with high accuracy regardless of the operating state of the plant.
【図１】本発明の第１実施例に係る異常検知装置の構成
図である。FIG. 1 is a configuration diagram of an abnormality detection device according to a first embodiment of the present invention.
【図２】従来の異常検知装置の構成図である。FIG. 2 is a configuration diagram of a conventional abnormality detection device.
【図３】移動式点検ロボットの異常検知装置の構成図で
ある。FIG. 3 is a configuration diagram of an abnormality detection device of a mobile inspection robot.
【図４】本発明の第２実施例に係る異常検知装置の構成
図である。FIG. 4 is a configuration diagram of an abnormality detection device according to a second embodiment of the present invention.
【図５】モデル補正機能を有する異常検知装置の構成図
である。FIG. 5 is a configuration diagram of an abnormality detection device having a model correction function.
【図６】原子炉再循環ポンプの制御系構成図である。FIG. 6 is a control system configuration diagram of a nuclear reactor recirculation pump.
【図７】原子炉再循環ポンプのモデルの説明図である。FIG. 7 is an explanatory diagram of a model of a nuclear reactor recirculation pump.
【図８】電動機表面温度のモデルの説明図である。FIG. 8 is an explanatory diagram of a model of a motor surface temperature.
１…プラント、１００…センサ、２００…異常検出装
置、２０１…仮想モデル、１ｍ…プラントの仮想モデ
ル、１００ｍ…センサ部の仮想モデル、２０２、２０３
…比較器、２０４…警報器。DESCRIPTION OF SYMBOLS 1 ... Plant, 100 ... Sensor, 200 ... Abnormality detection apparatus, 201 ... Virtual model, 1m ... Plant virtual model, 100m ... Sensor part virtual model, 202, 203
… Comparison, 204… Alarm.
───────────────────────────────────────────────────── フロントページの続き (72)発明者 吉田 富治 茨城県日立市幸町三丁目１番１号 株式会 社日立製作所日立工場内 ─────────────────────────────────────────────────── ─── Continuation of the front page (72) Inventor Tomiji Yoshida 3-1-1, Saiwaicho, Hitachi-shi, Ibaraki Hitachi Ltd. Hitachi factory
Claims (14)
ト正常時におけるプラント状態を示すデータを記憶装置
に予め格納しておき、前記センサの検出信号を前記デー
タと比較することでプラントの異常を判断するプラント
異常検知方法において、前記センサの検出信号とは別に
プラント運転状態をオンラインで取り込み、オンライン
で取り込んだプラント運転状態と該プラント運転状態下
で前記センサから取り込んだセンサ検出信号とを対応さ
せて正常データとして記憶装置に格納しておき、センサ
の検出信号を当該検出時におけるプラント運転状態に対
応した前記正常データと比較することでプラントの異常
の判断を行うことを特徴とするプラントの異常検知方
法。1. A plant state is detected by a sensor, data indicating a plant state when the plant is normal is stored in a storage device in advance, and a detection signal of the sensor is compared with the data to determine a plant abnormality. In the plant abnormality detection method, the plant operation state is captured online separately from the detection signal of the sensor, and the plant operation state captured online and the sensor detection signal captured from the sensor under the plant operation state are associated with each other. Stored as normal data in a storage device, and detecting a plant abnormality by comparing the detection signal of the sensor with the normal data corresponding to the plant operating state at the time of detection Method.
けたセンサで検出し、プラント正常時におけるプラント
状態を示すデータを記憶装置に予め格納しておき、前記
センサの検出信号を前記データと比較することでプラン
トの異常を判断するプラント異常検知方法において、前
記センサの検出信号とは別にプラント運転状態をオンラ
インで取り込み、オンラインで取り込んだプラント運転
状態と該プラント運転状態下で前記センサから取り込ん
だセンサ検出信号とを前記移動式ロボットの位置，姿勢
等のロボット情報と共に正常データとして記憶装置に格
納しておき、センサの検出信号を正常データと比較して
異常の判定を行うときは同じ運転状態，同一ロボット情
報の正常データを前記記憶装置から取り出してセンサ検
出信号と比較することを特徴とするプラントの異常検知
方法。2. A plant state is detected by a sensor attached to a mobile robot, data indicating a plant state when the plant is normal is stored in a storage device in advance, and a detection signal of the sensor is compared with the data. In the plant abnormality detection method for determining the abnormality of the plant in, the plant operating state is captured online separately from the detection signal of the sensor, the plant operating state captured online and the sensor detection captured from the sensor under the plant operating state The signal and the robot information such as the position and orientation of the mobile robot are stored as normal data in a storage device, and when the detection signal of the sensor is compared with the normal data to determine an abnormality, the same operating state, the same Normal data of robot information can be retrieved from the storage device and compared with the sensor detection signal. And a method for detecting an abnormality in a plant.
する正常データが記憶装置にない場合には、隣接するプ
ラント運転状態の正常データから補間演算により求める
ことを特徴とするプラントの異常検知方法。3. The method for detecting abnormality in a plant according to claim 1 or 2, wherein when normal data to be compared is not stored in the storage device, it is obtained by interpolation calculation from normal data of adjacent plant operating states. .
て、プラント運転状態をプラント制御盤からオンライン
で取り込むことを特徴とするプラントの異常検知方法。4. The method for detecting an abnormality in a plant according to claim 1, wherein the plant operating state is taken in online from a plant control panel.
ト正常時におけるプラント状態を示すデータを記憶装置
に予め格納しておき、前記センサの検出信号を前記デー
タと比較することでプラントの異常を判断するプラント
の異常検知装置において、前記センサの検出信号とは別
にプラント運転状態をオンラインで取り込む手段と、オ
ンラインで取り込んだプラント運転状態と該プラント運
転状態下で前記センサから取り込んだセンサ検出信号と
を対応させて正常データとして記憶装置に格納する手段
と、センサの検出信号を当該検出時におけるプラント運
転状態に対応した前記正常データと比較することでプラ
ントの異常の判断を行う手段とを備えることを特徴とす
るプラントの異常検知装置。5. A plant condition is detected by a sensor, data indicating a plant condition when the plant is normal is stored in a storage device in advance, and a detection signal of the sensor is compared with the data to determine a plant abnormality. In the plant abnormality detection device to do, means for capturing the plant operating state online separately from the detection signal of the sensor, the plant operating state captured online and the sensor detection signal captured from the sensor under the plant operating state. Means for storing correspondingly stored normal data in the storage device, and means for judging the abnormality of the plant by comparing the detection signal of the sensor with the normal data corresponding to the plant operating state at the time of detection, Characteristic plant abnormality detection device.
けたセンサで検出し、プラント正常時におけるプラント
状態を示すデータを記憶装置に予め格納しておき、前記
センサの検出信号を前記データと比較することでプラン
トの異常を判断するプラントの異常検知装置において、
前記センサの検出信号とは別にプラント運転状態をオン
ラインで取り込む手段と、オンラインで取り込んだプラ
ント運転状態と該プラント運転状態下で前記センサから
取り込んだセンサ検出信号とを前記移動式ロボットの位
置，姿勢等のロボット情報と共に正常データとして記憶
装置に格納する手段と、センサの検出信号を正常データ
と比較して異常の判定を行うときは同じ運転状態，同一
ロボット情報の正常データを前記記憶装置から取り出し
てセンサ検出信号と比較する手段とを備えることを特徴
とするプラントの異常検知装置。6. A plant state is detected by a sensor attached to a mobile robot, data indicating a plant state when the plant is normal is stored in a storage device in advance, and a detection signal of the sensor is compared with the data. In the plant abnormality detection device that determines the plant abnormality with
A means for capturing the plant operating state online separately from the detection signal of the sensor, the plant operating state captured online, and the sensor detection signal captured from the sensor under the plant operating state, the position and orientation of the mobile robot A means for storing normal data together with robot information such as in a storage device and a normal data of the same operating condition and the same robot information when the abnormality is judged by comparing the detection signal of the sensor with the normal data. And a means for comparing with a sensor detection signal.
する正常データが記憶装置にない場合には隣接するプラ
ント運転状態の正常データから補間演算により求める手
段を備えることを特徴とするプラントの異常検知装置。7. The plant abnormality according to claim 5 or 6, further comprising: means for obtaining, when there is no normal data to be compared in the storage device, by interpolation calculation from normal data of adjacent plant operating states. Detection device.
て、プラントは原子力発電プラントであり、プラント運
転状態はプラント制御盤からオンラインで取り込むこと
を特徴とするプラントの異常検知装置。8. The plant abnormality detection device according to claim 5, wherein the plant is a nuclear power plant, and the plant operating state is taken in online from a plant control panel.
状態をセンサで検出し、プラント正常時のセンサ信号を
参照データとして記憶しておき、センサ信号を前記参照
データと比較することでプラントの異常を判別するプラ
ントの異常検知方法において、プラント運転状態をオン
ラインで取り込むと共に前記センサの検出信号を取り込
み、プラントの仮想モデル及び前記センサの仮想モデル
からプラント運転状態及びセンサ出力を求め、該仮想モ
デルから求めた結果と前記オンラインで取り込んだ実際
のプラント運転状態または前記センサの実際の検出信号
とを比較して、プラントの異常を検知するようにしたこ
とを特徴とするプラントの異常検知方法。9. A plant condition such as sound, temperature, and vibration of the plant is detected by a sensor, a sensor signal when the plant is normal is stored as reference data, and the sensor signal is compared with the reference data to obtain the plant signal. In a plant abnormality detection method for determining an abnormality, the plant operating state is captured online and the detection signal of the sensor is captured, and the plant operating state and the sensor output are obtained from the virtual model of the plant and the virtual model of the sensor. A method for detecting an abnormality in a plant, characterized in that an abnormality in the plant is detected by comparing the result obtained from the above with an actual operating state of the plant taken in online or an actual detection signal of the sensor.
パラメータをプラントの正常時の運転データよりもより
正しいものに随時補正していくことを特徴とするプラン
トの異常検知方法。10. The method of detecting an abnormality in a plant according to claim 9, wherein the characteristic parameter of the virtual model is corrected to be more correct than the operating data of the plant under normal conditions.
めた結果と実際のプラント運転状態またはセンサ出力と
が所定値以上異なったときは前記補正を停止することを
特徴とするプラントの異常検知方法。11. The plant abnormality detection method according to claim 10, wherein the correction is stopped when the result obtained by the virtual model differs from the actual plant operating state or the sensor output by a predetermined value or more.
ト状態をセンサで検出し、プラント正常時のセンサ信号
を参照データとして記憶しておき、センサ信号を前記参
照データと比較することでプラントの異常を判別するプ
ラントの異常検知装置において、プラント運転状態をオ
ンラインで取り込むと共に前記センサの検出信号を取り
込む手段と、プラントの仮想モデル及び前記センサの仮
想モデルからプラント運転状態及びセンサ出力を求める
手段と、該仮想モデルから求めた結果と前記オンライン
で取り込んだ実際のプラント運転状態または前記センサ
の実際の検出信号とを比較してプラントの異常を検知す
る手段とを備えることを特徴とするプラントの異常検知
装置。12. A plant condition such as sound, temperature, and vibration of the plant is detected by a sensor, a sensor signal when the plant is normal is stored as reference data, and the sensor signal is compared with the reference data to obtain the plant signal. In a plant abnormality detection device for determining an abnormality, means for capturing the plant operating state online and capturing the detection signal of the sensor, and means for obtaining the plant operating state and the sensor output from the virtual model of the plant and the virtual model of the sensor. , A plant abnormality comprising means for detecting a plant abnormality by comparing the result obtained from the virtual model with the actual plant operating state captured online or the actual detection signal of the sensor Detection device.
性パラメータをプラントの正常時の運転データよりもよ
り正しいものに随時補正していく手段を備えることを特
徴とするプラントの異常検知装置。13. The plant abnormality detection device according to claim 12, further comprising means for correcting the characteristic parameter of the virtual model to be more correct than the normal operation data of the plant.
めた結果と実際のプラント運転状態またはセンサ出力と
が所定値以上異なったときは前記補正を停止する手段を
備えることを特徴とするプラントの異常検知装置。14. The plant abnormality according to claim 13, further comprising means for stopping the correction when the result obtained by the virtual model differs from the actual plant operating state or the sensor output by a predetermined value or more. Detection device.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32039292A JP3161844B2 (en) | 1992-11-30 | 1992-11-30 | Plant abnormality detection method and apparatus |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP32039292A JP3161844B2 (en) | 1992-11-30 | 1992-11-30 | Plant abnormality detection method and apparatus |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06167591A true JPH06167591A (en) | 1994-06-14 |
| JP3161844B2 JP3161844B2 (en) | 2001-04-25 |
Family
ID=18120961
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP32039292A Expired - Lifetime JP3161844B2 (en) | 1992-11-30 | 1992-11-30 | Plant abnormality detection method and apparatus |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3161844B2 (en) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002342185A (en) * | 2001-03-09 | 2002-11-29 | Matsushita Electric Ind Co Ltd | Remote maintenance system |
| JP2003090893A (en) * | 2001-09-19 | 2003-03-28 | Babcock Hitachi Kk | Nuclear reactor structure monitoring device |
| KR101065767B1 (en) * | 2010-04-22 | 2011-09-19 | 주식회사 지오네트 | Online early fault detection and diagnostic method for plant operation |
| EP2562614A2 (en) | 2011-08-25 | 2013-02-27 | Hitachi Ltd. | Control device of control system and elevator systems |
| JP2013539885A (en) * | 2010-10-11 | 2013-10-28 | ゼネラル・エレクトリック・カンパニイ | System, method and apparatus for fault detection, isolation and correction based on signal processing |
| US9151786B2 (en) | 2010-10-11 | 2015-10-06 | General Electric Company | Systems, methods, and apparatus for detecting shifts in redundant sensor signals |
| JP2017138279A (en) * | 2016-02-05 | 2017-08-10 | 東芝プラントシステム株式会社 | Temperature variation prediction analysis device and temperature variation prediction analysis method |
| WO2018181020A1 (en) * | 2017-03-29 | 2018-10-04 | 三菱重工業株式会社 | Indicator detection system and indicator detection method |
| WO2019220609A1 (en) * | 2018-05-18 | 2019-11-21 | 日本電気株式会社 | Abnormality detection device, abnormality detection method, and program |
| JP2020161493A (en) * | 2020-06-16 | 2020-10-01 | 株式会社神戸製鋼所 | Temperature abnormality determination device and temperature abnormality determination method |
| CN112200323A (en) * | 2019-07-08 | 2021-01-08 | Abb瑞士股份有限公司 | Assessing the state of industrial equipment and processes |
-
1992
- 1992-11-30 JP JP32039292A patent/JP3161844B2/en not_active Expired - Lifetime
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002342185A (en) * | 2001-03-09 | 2002-11-29 | Matsushita Electric Ind Co Ltd | Remote maintenance system |
| JP2003090893A (en) * | 2001-09-19 | 2003-03-28 | Babcock Hitachi Kk | Nuclear reactor structure monitoring device |
| KR101065767B1 (en) * | 2010-04-22 | 2011-09-19 | 주식회사 지오네트 | Online early fault detection and diagnostic method for plant operation |
| JP2013539885A (en) * | 2010-10-11 | 2013-10-28 | ゼネラル・エレクトリック・カンパニイ | System, method and apparatus for fault detection, isolation and correction based on signal processing |
| US9151786B2 (en) | 2010-10-11 | 2015-10-06 | General Electric Company | Systems, methods, and apparatus for detecting shifts in redundant sensor signals |
| EP2562614A2 (en) | 2011-08-25 | 2013-02-27 | Hitachi Ltd. | Control device of control system and elevator systems |
| JP2017138279A (en) * | 2016-02-05 | 2017-08-10 | 東芝プラントシステム株式会社 | Temperature variation prediction analysis device and temperature variation prediction analysis method |
| JP2018169769A (en) * | 2017-03-29 | 2018-11-01 | 三菱重工業株式会社 | Sign detection system and sign detection method |
| WO2018181020A1 (en) * | 2017-03-29 | 2018-10-04 | 三菱重工業株式会社 | Indicator detection system and indicator detection method |
| CN110431502A (en) * | 2017-03-29 | 2019-11-08 | 三菱重工业株式会社 | Omen detection system and omen detection method |
| US11048245B2 (en) | 2017-03-29 | 2021-06-29 | Mitsubishi Heavy Industries, Ltd. | Indicator detection system and indicator detection method |
| CN110431502B (en) * | 2017-03-29 | 2023-06-27 | 三菱重工业株式会社 | Precursor detection system and precursor detection method |
| WO2019220609A1 (en) * | 2018-05-18 | 2019-11-21 | 日本電気株式会社 | Abnormality detection device, abnormality detection method, and program |
| JPWO2019220609A1 (en) * | 2018-05-18 | 2021-06-10 | 日本電気株式会社 | Anomaly detection device, anomaly detection method and program |
| US11715284B2 (en) | 2018-05-18 | 2023-08-01 | Nec Corporation | Anomaly detection apparatus, anomaly detection method, and program |
| CN112200323A (en) * | 2019-07-08 | 2021-01-08 | Abb瑞士股份有限公司 | Assessing the state of industrial equipment and processes |
| JP2020161493A (en) * | 2020-06-16 | 2020-10-01 | 株式会社神戸製鋼所 | Temperature abnormality determination device and temperature abnormality determination method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3161844B2 (en) | 2001-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047732B (en) | Equipment abnormity diagnosis method and device based on energy consumption model and data interaction | |
| US10533920B2 (en) | Automatic rotating-machine fault diagnosis with confidence level indication | |
| EP1955830B1 (en) | A method and a control system for monitoring the condition of an industrial robot | |
| US7089154B2 (en) | Automatic machinery fault diagnostic method and apparatus | |
| US7031880B1 (en) | Method and apparatus for assessing performance of an environmental control system | |
| EP1248357B1 (en) | Predective failure scheme for industrial power delivery system | |
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| EP1298511B2 (en) | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis | |
| JP3161844B2 (en) | Plant abnormality detection method and apparatus | |
| JP2009500767A (en) | Intelligent condition monitoring and fault diagnosis system for predictive maintenance | |
| WO1998039718A9 (en) | Distributed diagnostic system | |
| JP3272144B2 (en) | Monitoring and diagnostic equipment for rotating equipment | |
| US11726469B2 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
| JP2003506774A (en) | Diagnostic method and diagnostic system for technical equipment | |
| CN114970101A (en) | Management method and system of dehumidification device, electronic equipment and computer storage medium | |
| JP3245985B2 (en) | Inverter device with service life diagnosis function | |
| JP5461136B2 (en) | Plant diagnostic method and diagnostic apparatus | |
| EP1543596A1 (en) | Method and apparatus for monitoring a technical installation, especially for carrying out diagnosis | |
| US20180087489A1 (en) | Method for windmill farm monitoring | |
| KR20230082887A (en) | Apparatus for predicting equipment failure using learning data based on maintenance history and method thereof | |
| CN114152290A (en) | Converter station alternating current filter switch diagnosis method | |
| US10317895B2 (en) | Method and system for condition monitoring | |
| JP2547639B2 (en) | Vibration analysis method for inverter control equipment | |
| JP3289494B2 (en) | State determination device and method, sensing method, and inspection system for inspected object | |
| JPH04291606A (en) | Method and device for monitoring plant apparatus and plant operation supporting device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080223 Year of fee payment: 7 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080223 Year of fee payment: 7 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S111 | Request for change of ownership or part of ownership |
Free format text: JAPANESE INTERMEDIATE CODE: R313111 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080223 Year of fee payment: 7 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080223 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090223 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090223 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100223 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100223 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110223 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120223 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120223 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130223 Year of fee payment: 12 |
|
| EXPY | Cancellation because of completion of term | ||
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130223 Year of fee payment: 12 |