WO2017051575A1 - 異常診断システム及び異常診断方法 - Google Patents

異常診断システム及び異常診断方法 Download PDF

Info

Publication number
WO2017051575A1
WO2017051575A1 PCT/JP2016/068559 JP2016068559W WO2017051575A1 WO 2017051575 A1 WO2017051575 A1 WO 2017051575A1 JP 2016068559 W JP2016068559 W JP 2016068559W WO 2017051575 A1 WO2017051575 A1 WO 2017051575A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
cause
pattern
sign
plant
Prior art date
Application number
PCT/JP2016/068559
Other languages
English (en)
French (fr)
Inventor
健二 真塩
太香恵 山下
東　隆史
晋 椎塚
西谷　順一
正文 内海
純 澁谷
Original Assignee
三菱重工業株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Priority to EP16848365.9A priority Critical patent/EP3299918B1/en
Priority to US15/580,357 priority patent/US11152126B2/en
Publication of WO2017051575A1 publication Critical patent/WO2017051575A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21C—NUCLEAR REACTORS
    • G21C17/00—Monitoring; Testing ; Maintaining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G21—NUCLEAR PHYSICS; NUCLEAR ENGINEERING
    • G21D—NUCLEAR POWER PLANT
    • G21D3/00—Control of nuclear power plant
    • G21D3/001—Computer implemented control
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E30/00—Energy generation of nuclear origin
    • Y02E30/30—Nuclear fission reactors

Definitions

  • the present invention relates to an abnormality diagnosis system and an abnormality diagnosis method for performing abnormality diagnosis of a plant.
  • a monitoring system that can automate a series of processes from monitoring of an abnormal sign in a monitoring target to failure diagnosis (see, for example, Patent Document 1).
  • This monitoring system calculates the Mahalanobis distance of the monitoring target data, and detects an abnormality of the monitoring target based on the calculated Mahalanobis distance.
  • the monitoring system extracts monitoring target data in which an abnormality sign appears as an abnormal signal, extracts monitoring target data related to the abnormal signal as a related signal, and outputs a predetermined input signal based on the abnormal signal and the related signal. Is generated.
  • the monitoring system performs failure diagnosis of the monitoring target using the Bayesian network based on the input signal.
  • Patent Document 1 since the monitoring system of Patent Document 1 performs failure diagnosis based on the abnormal signal and the related signal, it does not consider the behavior pattern of the abnormal signal, and thus performs failure diagnosis using all the abnormal signals. Therefore, it is difficult to reduce the load of diagnostic processing. In addition, since the monitoring system needs to calculate the Mahalanobis distance in order to detect an abnormality sign, the calculation load is high.
  • an object of the present invention is to provide an abnormality diagnosis system and an abnormality diagnosis method capable of quickly performing an abnormality diagnosis of a plant.
  • the abnormality diagnosis system of the present invention predicts the progress of the measurement parameter by extrapolation with respect to the measurement parameter measured in the plant, which is determined to have an abnormality sign, in the abnormality diagnosis system for diagnosing a plant abnormality.
  • An abnormality diagnosis control unit that generates an abnormality sign pattern that is a behavior pattern of the measurement parameter after prediction, and a memory that stores a plurality of abnormality model patterns that are behavior patterns of the measurement parameter corresponding to an abnormality cause of the plant
  • the abnormality diagnosis control unit performs a coincidence determination between the generated abnormality sign pattern and the plurality of abnormality model patterns stored in the storage unit, and is determined to be coincident with each other. Identifying the abnormality cause of the abnormality model pattern as the abnormality cause of the abnormality sign pattern, That.
  • the abnormality diagnosis method of the present invention is an abnormality diagnosis method for diagnosing a plant abnormality, wherein the measurement parameters are measured by the extrapolation with respect to the measurement parameters measured in the plant determined to have an abnormality sign.
  • the abnormality diagnosis control unit generates an abnormality sign pattern that is predicted and is a behavior pattern of the measurement parameter after the prediction, and stores an abnormality model pattern that is a behavior pattern of the measurement parameter corresponding to the cause of abnormality of the plant And the abnormality diagnosis control unit determines whether the generated abnormality sign pattern matches the plurality of abnormality model patterns stored in the storage unit, and is determined to match.
  • the abnormality cause of the abnormality model pattern is specified as the abnormality cause of the abnormality sign pattern.
  • the cause of abnormality of the plant can be quickly identified by performing the coincidence determination between the abnormality sign pattern and the abnormality model pattern.
  • the abnormal sign pattern is an extrapolation of the progress of the measurement parameter determined to have an abnormal sign
  • the abnormal cause can be identified at the abnormal sign stage, and the abnormal cause of the plant can be identified. Diagnose early.
  • the abnormality sign pattern of the measurement parameter is associated with the occurrence probability of each abnormality cause together with the plurality of abnormality causes.
  • a plurality of abnormality causes occurring in the plant can be identified, and the occurrence probability of each abnormality cause can be identified.
  • the storage unit stores a statistical model constructed based on the abnormality cause associated with the abnormality sign pattern and the occurrence probability of the abnormality cause
  • the abnormality diagnosis control unit stores the measurement parameter
  • the cause of an abnormality and the probability of occurrence thereof can be specified from a plurality of abnormality sign patterns using a statistical model, so that an accurate abnormality diagnosis can be performed.
  • the statistical model is preferably a Bayesian network.
  • the cause of the abnormality identified using the Bayesian network and its occurrence probability can be made highly reliable.
  • the abnormality diagnosis control unit uses the statistical model from the abnormality sign pattern of the measurement parameter and a normal pattern that is a behavior pattern of the measurement parameter without an abnormality sign in identifying the cause of the abnormality. It is preferable to identify the cause of abnormality and the probability of occurrence of the abnormality.
  • the cause of abnormality and the probability of occurrence thereof can be identified from the abnormality sign pattern and the normal pattern using a statistical model, so that a more accurate abnormality diagnosis can be performed.
  • FIG. 1 is a schematic configuration diagram relating to a nuclear power plant operation system including an abnormality diagnosis system according to the present embodiment.
  • FIG. 2 is a schematic configuration diagram schematically illustrating the abnormality diagnosis system according to the present embodiment.
  • FIG. 3 is an explanatory diagram showing measurement parameters.
  • FIG. 4 is an explanatory diagram showing an abnormality model pattern of measurement parameters and an abnormality cause corresponding to the abnormality model pattern.
  • FIG. 5 is an explanatory diagram of a Bayesian network.
  • FIG. 1 is a schematic configuration diagram relating to a nuclear power plant operation system including an abnormality diagnosis system according to the present embodiment.
  • the abnormality diagnosis system 103 according to the present embodiment is incorporated in a nuclear power plant operating system 100 that is used when operating a nuclear power plant.
  • the nuclear power plant is, for example, a nuclear power plant 110 having a nuclear reactor, and the nuclear power plant 110 is controlled to perform base load operation and is provided in the site 115.
  • the nuclear power plant operation system 100 will be described with reference to FIG.
  • the description is applied to the nuclear power plant 110 as a plant.
  • the present invention is not limited to this configuration, and is applied to a plant other than nuclear power (for example, a chemical plant or a thermal power plant). Also good.
  • the nuclear power plant operation system 100 includes an operation monitoring system 101, an abnormality sign monitoring system 102, an abnormality diagnosis system 103, a maintenance system 104, and an operation history database 105.
  • the systems 101, 102, 103, and 104 and the operation history database 105 are communicably connected by a station bus 107 and a plurality of unit buses 108a, 108b, and 108c.
  • the operation monitoring system 101 monitors and controls the operation of the nuclear power plant 110.
  • the operation monitoring system 101 includes a distributed control system (DCS) 121, a process control system (PCCS) 122, and a gateway 123.
  • DCS distributed control system
  • PCCS process control system
  • the distributed control system 121 is configured to include a plurality of control devices that are connected to be able to control the nuclear power plant 110 and that have a plurality of control functions distributed.
  • the distributed control system 121 is a system that controls the operation of each device such as a pump and a valve (not shown) provided in the nuclear power plant 110.
  • the distributed control system 121 controls the operation of the nuclear power plant 110 by controlling the operation of each device based on a control signal from the process control system 122.
  • the distributed control system 121 is connected to a plurality of measuring devices provided in the nuclear power plant 110, acquires a plurality of measurement parameters output from the plurality of measuring devices as plant operation data, and acquires the acquired plant operation. Data is output to the process control system 122.
  • the process control system 122 is connected to the distributed control system 121 via the unit bus 108a, and is provided in a central control room (MCR) 131 that is remote from the building 133 where the nuclear power plant 110 is provided. .
  • the process control system 122 acquires plant operation data input from the distributed control system 121 and outputs a control signal for controlling the operation of the nuclear power plant 110 to the distributed control system 121. Further, the process control system 122 outputs the plant operation data acquired from the distributed control system 121 to the operation history database 105 via the gateway 123 and the station bus 107.
  • the gateway 123 is provided between the process control system 122 and the station bus 107, and is connected to the process control system 122 and the station bus 107, respectively.
  • the gateway 123 allows the output of plant operation data from the process control system 122 while restricting the input of data to the process control system 122 from other systems.
  • Such an operation monitoring system 101 acquires plant operation data from the nuclear power plant 110 and monitors the acquired plant operation data.
  • the operation monitoring system 101 causes the nuclear power plant 110 to perform base load operation so that a plurality of measurement parameters included in the acquired plant operation data have predetermined target values.
  • the target value becomes a steady value.
  • the operation history database 105 is connected to the station bus 107 via the unit bus 108b and the gateway 124. That is, the gateway 124 is provided between the unit bus 108b and the station bus 107, and is connected to the unit bus 108b and the station bus 107, respectively.
  • the operation history database 105 is connected to the unit bus 108b.
  • the operation history database 105 is provided in an office 132 apart from the building 133 where the nuclear power plant 110 is provided.
  • the operation history database 105 stores the plant operation data history by accumulating the plant operation data output from the distributed control system 121.
  • the operation history database 105 can output plant operation data in response to requests from the abnormality diagnosis system 103 and the maintenance system 104.
  • the abnormality sign monitoring system 102 is connected to the unit bus 108b, and can acquire the plant operation data output from the operation history database 105 via the unit bus 108b. Moreover, the abnormality sign monitoring system 102 can acquire the plant operation data output from the distributed control system 121 in real time.
  • the abnormality sign monitoring system 102 compares the normal range W set based on the past plant operation data stored in the operation history database 105 with the current plant operation data acquired in real time, and the plant operation data is normal. When the range W is exceeded, an abnormal sign of the nuclear power plant 110 is detected.
  • the abnormality sign monitoring system 102 is connected to the unit bus 108 b and can output abnormality sign data, which is data relating to the detected abnormality sign, to the abnormality diagnosis system 103.
  • the abnormality diagnosis system 103 is connected to the unit bus 108b, and can acquire the abnormality sign data output from the abnormality sign monitoring system 102 via the unit bus 108b.
  • the abnormality diagnosis system 103 identifies a facility or device that causes an abnormality from various facilities and various devices constituting the nuclear power plant 110 based on the abnormality sign data.
  • the abnormality diagnosis system 103 is connected to the unit bus 108c, and can output a diagnosis result relating to the specified facility or equipment to the maintenance system 104 as maintenance data.
  • the maintenance system 104 is a system for maintaining and managing the nuclear power plant 110.
  • the maintenance system 104 acquires maintenance data of the nuclear power plant 110 diagnosed by the abnormality diagnosis system 103, provides the acquired maintenance data to a maintenance worker, and maintenance inspection obtained by inspection work by the maintenance worker, etc. Acquire and accumulate results as maintenance data.
  • the maintenance system 104 includes a maintenance database 135, a maintenance terminal 136, and a maintenance portable terminal 137.
  • the maintenance database 135 is provided in the office 132 and is connected to the unit bus 108c.
  • the maintenance database 135 outputs maintenance data to the abnormality diagnosis system 103, accumulates maintenance data input from the maintenance terminal 136 and the maintenance portable terminal 137, and stores maintenance data acquired from the abnormality diagnosis system 103 to the maintenance terminal 136. Or output.
  • the maintenance terminal 136 is provided in the building 133 that is an unmanaged area where the nuclear power plant 110 is provided, and is connected to the unit bus 108c.
  • the maintenance terminal 136 provides maintenance data acquired from the maintenance database 135 to the maintenance worker, and outputs maintenance data input by the maintenance worker to the maintenance database 135.
  • the maintenance terminal 136 may be provided in the office 132.
  • the maintenance portable terminal 137 is carried by a maintenance worker and can communicate with the maintenance terminal 136 wirelessly.
  • a maintenance inspection result obtained by an inspection operation and an appearance inspection of the maintenance worker is input as maintenance data by the maintenance worker.
  • the maintenance portable terminal 137 outputs the input maintenance data to the maintenance terminal 136 by wireless communication.
  • the maintenance terminal 136 and the maintenance portable terminal 137 are provided in the building 133, and wireless communication between the maintenance terminal 136 and the maintenance portable terminal 137 is performed in the building 133.
  • the systems 101, 102, 103, 104 and the operation history database 105 are connected by the buses 107, 108a, 108b, 108c. , 104 can be shared, and the shared data can be processed.
  • a large information terminal 141 is provided in the conference room 134 in the office 132, and the large information terminal 141 is connected to the unit bus 108b.
  • On the large-sized information terminal 141 in addition to maintenance data accumulated in the maintenance system 104, data acquired in each system 101, 102, 103 can be displayed.
  • FIG. 2 is a schematic configuration diagram schematically illustrating the abnormality diagnosis system according to the present embodiment.
  • FIG. 3 is an explanatory diagram showing measurement parameters.
  • the abnormality diagnosis system 103 is configured using hardware resources such as a computer having the storage unit 10 and the abnormality diagnosis control unit 11.
  • the abnormality diagnosis system 103 acquires abnormality sign data output from the abnormality sign monitoring system 102 and performs abnormality diagnosis of the nuclear power plant 110 based on the acquired abnormality sign data.
  • FIG. 3 is an explanatory diagram showing measurement parameters.
  • the abnormality sign monitoring system 102 sets the normal range W that is a range in which the plant operation data normally changes based on the past plant operation data stored in the operation history database 105. Further, the abnormality sign monitoring system 102 determines whether or not the current plant operation data acquired in real time is changing in the normal range W.
  • the measurement parameter is divided into a normal determination region E1 that becomes normal and an abnormality determination region E2 that becomes abnormal by an alarm value K as a threshold value for determining whether there is an abnormality.
  • the abnormality sign monitoring system 102 detects whether or not there is a sign of abnormality in the nuclear power plant 110 although it is not an abnormality in the nuclear power plant 110.
  • the measurement parameter determined to have an abnormality sign by the abnormality sign monitoring system 102 has a behavior before reaching the alarm value K beyond the normal range W, and the measurement parameter is used as abnormality sign data. Input to the abnormality diagnosis system 103.
  • the storage unit 10 of the abnormality diagnosis system 103 is configured by using hardware resources such as a memory and a storage device, and stores an abnormality model pattern and a Bayesian network as a statistical model in addition to the acquired abnormality sign data. .
  • the abnormality model pattern is a pattern of the measurement parameter behavior that changes according to the cause of the abnormality of the nuclear power plant 110.
  • a plurality of abnormality model patterns are provided in accordance with various abnormality causes, and the abnormality causes are associated with each other, and the occurrence probability of the abnormality cause is associated.
  • FIG. 4 is an explanatory diagram showing an abnormality model pattern of measurement parameters and an abnormality cause corresponding to the abnormality model pattern. As shown in FIG. 4, for example, for the measurement parameter A, two abnormal model patterns PA and PB are prepared.
  • One abnormality model pattern PA is associated with a plurality of abnormality causes CA1 and CA2, and a plurality of occurrence probabilities OA1 and OA2 are associated with the plurality of abnormality causes CA1 and CA2, respectively.
  • a plurality of abnormality causes CB1 and CB2 are associated with the other abnormality model pattern PB, and a plurality of occurrence probabilities OB1 and OB2 are associated with the plurality of abnormality causes CB1 and CB2, respectively.
  • the measurement parameter A in FIG. 4 is an example, and there may be one abnormality model pattern or one abnormality cause.
  • the Bayesian network is a statistical model that is constructed based on a plurality of abnormality model patterns corresponding to an abnormality cause and the occurrence probability of the abnormality cause associated with the plurality of abnormality model patterns.
  • An example of a Bayesian network will be described with reference to FIG.
  • FIG. 5 is an explanatory diagram of a Bayesian network.
  • the Bayesian network M is a model for deriving the cause of an abnormality and the occurrence probability of the abnormality cause from the plurality of measurement parameters when there are a plurality of measurement parameters determined to have an abnormality sign.
  • abnormality models CA1 to CA3 are associated with the abnormality model pattern PA.
  • abnormality causes CB1 to CB3 and CC1 to CC3 are also included in the abnormality model patterns PB and PC. Associated. Moreover, there are abnormal causes ⁇ , ⁇ , and ⁇ as abnormal causes, and the abnormal causes ⁇ , ⁇ , and ⁇ are associated with the abnormal causes CA1 to 3, CB1 to 3, and CC1 to 3. Specifically, the abnormality cause ⁇ is associated with the abnormality cause CA1, the abnormality cause CB1, and the abnormality cause CC1, and the occurrence probability of the abnormality cause ⁇ is the presence and occurrence of the abnormality cause CA1, the abnormality cause CB1, and the abnormality cause CC1. Probability is taken into account. The abnormality cause ⁇ and abnormality cause ⁇ are also as shown in FIG.
  • the abnormality diagnosis control unit 11 generates an abnormality sign pattern based on the abnormality sign data. As described above, since the abnormality sign data is a measurement parameter that becomes a behavior before reaching the alarm value K beyond the normal range W, the abnormality diagnosis control unit 11 extrapolates the measurement parameter. Thus, a prediction model L (see FIG. 3) that predicts the progress of the measurement parameter is generated. Then, the abnormality diagnosis control unit 11 generates a behavior pattern of the measurement parameter of the prediction model L as an abnormality sign pattern.
  • the abnormality diagnosis control unit 11 identifies the cause of the abnormality of the nuclear power plant 110 by performing a coincidence determination between the generated abnormality sign pattern and the abnormality model pattern stored in the storage unit 10. Specifically, the abnormality diagnosis control unit 11 determines whether or not the abnormality sign pattern of the predetermined measurement parameter matches any of the abnormality model patterns among the plurality of abnormality model patterns corresponding to the predetermined measurement parameter. judge. Then, the abnormality diagnosis control unit 11 specifies an abnormality cause corresponding to the abnormality model pattern determined to match as an abnormality cause of the abnormality sign pattern, and specifies an occurrence probability corresponding to the specified abnormality cause. The identified result is output as a diagnosis result.
  • the abnormality diagnosis control unit 11 uses the Bayesian network shown in FIG. 5 to specify the occurrence probability corresponding to each abnormality cause together with the plurality of abnormality causes. . Then, the abnormality diagnosis system 103 outputs the diagnosis result to the maintenance database 135 as maintenance data.
  • the abnormality diagnosis control unit 11 performs the coincidence determination between the abnormality sign pattern and the abnormality model pattern, and uses the abnormality sign pattern determined to be coincident with the nuclear power plant 110.
  • the cause of abnormalities can be identified.
  • the abnormality diagnosis control unit 11 only needs to use the abnormality sign pattern of the measurement parameter determined to match without using a plurality of measurement parameters, so that the load related to the diagnosis process can be reduced and the nuclear power plant 110 The cause of abnormalities can be quickly identified.
  • the abnormal sign pattern is an extrapolation of the progress of the measurement parameter determined to have an abnormal sign, the cause of the abnormality can be identified at the stage of the abnormal sign.
  • the cause of the abnormality can be diagnosed early.
  • a plurality of abnormal causes occurring in the nuclear power plant 110 can be specified based on the abnormal sign pattern, and the occurrence probability of each abnormal cause can be specified.
  • the abnormality cause and the probability of occurrence of the nuclear power plant 110 can be specified from the plurality of abnormality sign patterns using the Bayesian network M, so that an accurate abnormality diagnosis is performed. be able to.
  • the established statistical model can be used by using the Bayesian network M as the statistical model, the cause of the abnormality identified using the Bayesian network M and the probability of occurrence thereof can be trusted. It can be made highly.
  • the cause of abnormality and the probability of occurrence of the abnormality cause are specified from the plurality of abnormality sign patterns using the Bayesian network M, but the present invention is not limited to this configuration.
  • the abnormality diagnosis system 103 specifies an abnormality cause and a probability of occurrence of the abnormality cause using the Bayesian network M from the abnormality sign pattern and the normal pattern that is the behavior pattern of the measurement parameter without the abnormality sign. Also good.
  • the Bayesian network M is constructed based on the abnormality cause associated with the abnormality sign pattern and the occurrence probability of the abnormality cause, and the abnormality cause associated with the normal pattern and the occurrence probability of the abnormality cause.
  • the abnormality diagnosis system 103 can specify the cause of the abnormality and the probability of occurrence thereof using the Bayesian network M from the abnormality sign pattern and the normal pattern, so that a more accurate abnormality diagnosis can be performed. It can be carried out.
  • the Bayesian network M is used as the statistical model.
  • the present invention is not limited to this configuration, and other statistical models may be used.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Plasma & Fusion (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

プラントの異常を診断する異常診断システムにおいて、異常予兆があると判定されたプラントで計測される計測パラメータに対して、外挿により計測パラメータの進展を予測し、予測後の計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、プラントの異常原因ＣＡ１，ＣＡ２，ＣＢ１，ＣＢ２に対応する計測パラメータの挙動のパターンである異常モデルパターンＰＡ，ＰＢを複数記憶する記憶部と、を備え、異常診断制御部は、生成した異常兆候パターンと、記憶部に記憶された複数の異常モデルパターンＰＡ，ＰＢとの一致判定を行うと共に、一致していると判定された異常モデルパターンＰＡ，ＰＢの異常原因ＣＡ１，ＣＡ２，ＣＢ１，ＣＢ２を、異常兆候パターンの異常原因として特定する。

Description

異常診断システム及び異常診断方法
　本発明は、プラントの異常診断を行う異常診断システム及び異常診断方法に関するものである。
　従来、監視対象における異常予兆の監視から故障診断までの一連の処理を自動化できる監視システムが知られている（例えば、特許文献１参照）。この監視システムは、監視対象データのマハラノビス距離を算出し、算出したマハラノビス距離に基づいて監視対象の異常を検知している。また、監視システムは、異常予兆が現れている監視対象データを異常信号として抽出し、異常信号に関連する監視対象データを関連信号として抽出すると共に、異常信号及び関連信号に基づいて所定の入力信号を生成する。そして、監視システムは、入力信号に基づきベイジアンネットワークを用いて監視対象の故障診断を行っている。
特開２０１１－９０３８２号公報
　しかしながら、特許文献１の監視システムは、異常信号及び関連信号に基づいて故障診断を行うことから、異常信号の挙動のパターンを考慮することがないため、全ての異常信号を用いて故障診断を行うことになり、診断処理の負荷を軽減することが困難である。また、監視システムは、異常予兆を検知するためにマハラノビス距離を算出する必要があることから、計算負荷が高いものとなる。
　そこで、本発明は、プラントの異常診断を迅速に行うことができる異常診断システム及び異常診断方法を提供することを課題とする。
　本発明の異常診断システムは、プラントの異常を診断する異常診断システムにおいて、異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを複数記憶する記憶部と、を備え、前記異常診断制御部は、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする。
　また、本発明の異常診断方法は、プラントの異常を診断する異常診断方法において、異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを異常診断制御部で生成し、前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを記憶部に複数記憶し、前記異常診断制御部により、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする。
　この構成によれば、異常兆候パターンと異常モデルパターンとの一致判定を行うことで、プラントの異常原因を迅速に特定することができる。このとき、異常兆候パターンは、異常予兆があると判定された計測パラメータの進展を外挿により予測したものであるから、異常予兆の段階で異常原因を特定することができ、プラントの異常原因を早期に診断することができる。
　また、前記計測パラメータの前記異常兆候パターンには、複数の前記異常原因と共に、前記各異常原因の発生確率がそれぞれ関連付けられていることが好ましい。
　この構成によれば、異常兆候パターンに基づいて、プラントに発生する異常原因を複数特定することができ、また、各異常原因の発生確率を特定することができる。
　また、前記記憶部は、前記異常兆候パターンに関連付けられる前記異常原因と前記異常原因の発生確率とに基づいて構築される統計モデルを記憶しており、前記異常診断制御部は、前記計測パラメータの前記異常兆候パターンが複数ある場合、前記統計モデルを用いて、複数の前記異常兆候パターンから、前記異常原因と前記異常原因の発生確率とを特定することが好ましい。
　この構成によれば、複数の異常兆候パターンから、統計モデルを用いて、異常原因とその発生確率とを特定することができるため、精度の良い異常診断を行うことができる。
　また、前記統計モデルは、ベイジアンネットワークであることが好ましい。
　この構成によれば、確立している統計モデルを用いることができるため、ベイジアンネットワークを用いて特定した異常原因とその発生確率とを信頼性の高いものとすることができる。
　また、前記異常診断制御部は、前記異常原因を特定するにあたり、前記計測パラメータの前記異常兆候パターンと、異常予兆がない前記計測パラメータの挙動のパターンである正常パターンとから、前記統計モデルを用いて、前記異常原因と前記異常原因の発生確率とを特定することが好ましい。
　この構成によれば、異常兆候パターンと正常パターンとから、統計モデルを用いて、異常原因とその発生確率とを特定することができるため、より精度の高い異常診断を行うことができる。
図１は、本実施形態に係る異常診断システムを含む原子力プラント運転システムに関する概略構成図である。 図２は、本実施形態に係る異常診断システムを模式的に表した概略構成図である。 図３は、計測パラメータを示す説明図である。 図４は、計測パラメータの異常モデルパターンと、異常モデルパターンに対応する異常原因とを示す説明図である。 図５は、ベイジアンネットワークの説明図である。
　以下に、本発明に係る実施形態を図面に基づいて詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。さらに、以下に記載した構成要素は適宜組み合わせることが可能であり、また、実施形態が複数ある場合には、各実施形態を組み合わせることも可能である。
［実施形態］
　図１は、本実施形態に係る異常診断システムを含む原子力プラント運転システムに関する概略構成図である。図１に示すように、本実施形態に係る異常診断システム１０３は、原子力プラントを運転する際に使用される原子力プラント運転システム１００に組み込まれている。ここで、原子力プラントとしては、例えば、原子炉を有する原子力発電プラント１１０であり、原子力発電プラント１１０は、ベースロード運転を行うように制御され、サイト１１５内に設けられている。先ず、図１を参照して、異常診断システム１０３の説明に先立ち、原子力プラント運転システム１００について説明する。なお、本実施形態では、プラントとして、原子力発電プラント１１０に適用して説明するが、この構成に限定されず、原子力以外の他のプラント（例えば、化学プラントまたは火力発電プラント等）に適用してもよい。
　図１に示すように、原子力プラント運転システム１００は、運転監視システム１０１と、異常予兆監視システム１０２と、異常診断システム１０３と、保守システム１０４と、運転履歴データベース１０５とを備えている。そして、原子力プラント運転システム１００は、ステーションバス１０７及び複数のユニットバス１０８ａ，１０８ｂ，１０８ｃにより、各システム１０１，１０２，１０３，１０４及び運転履歴データベース１０５が通信可能に接続されている。
　運転監視システム１０１は、原子力発電プラント１１０の運転の監視及び制御を行っている。運転監視システム１０１は、分散制御システム（ＤＣＳ：Distributed　Control　System）１２１と、プロセス制御システム（ＰＣＣＳ：Process　Control　Computer　System）１２２と、ゲートウェイ１２３と、を備えている。
　分散制御システム１２１は、原子力発電プラント１１０を制御可能に接続され、複数の制御機能を分散させた複数の制御装置を含んで構成されている。分散制御システム１２１は、原子力発電プラント１１０に設けられた図示しないポンプ及びバルブ等の各機器の作動を制御するシステムである。この分散制御システム１２１は、プロセス制御システム１２２からの制御信号に基づいて、各機器の作動を制御することにより、原子力発電プラント１１０の運転を制御している。また、分散制御システム１２１は、原子力発電プラント１１０に設けられる複数の計測機器に接続されており、複数の計測機器からそれぞれ出力される複数の計測パラメータをプラント運転データとして取得し、取得したプラント運転データをプロセス制御システム１２２に向けて出力している。
　プロセス制御システム１２２は、ユニットバス１０８ａを介して分散制御システム１２１と接続されており、原子力発電プラント１１０が設けられる建屋１３３から離れた中央制御室（ＭＣＲ：Main　Control　Room）１３１に設けられている。プロセス制御システム１２２は、分散制御システム１２１から入力されるプラント運転データを取得すると共に、原子力発電プラント１１０の運転を制御するための制御信号を、分散制御システム１２１へ向けて出力している。また、プロセス制御システム１２２は、ゲートウェイ１２３及びステーションバス１０７を介して、分散制御システム１２１から取得したプラント運転データを、運転履歴データベース１０５へ向けて出力している。
　ゲートウェイ１２３は、プロセス制御システム１２２とステーションバス１０７との間に設けられ、プロセス制御システム１２２及びステーションバス１０７にそれぞれ接続されている。このゲートウェイ１２３は、プロセス制御システム１２２からのプラント運転データの出力を許容する一方で、他のシステムからのプロセス制御システム１２２へのデータの入力を規制する。
　このような運転監視システム１０１は、原子力発電プラント１１０からプラント運転データを取得し、取得したプラント運転データを監視する。また、運転監視システム１０１は、取得したプラント運転データに含まれる複数の計測パラメータが予め規定された目標値となるように、原子力発電プラント１１０にベースロード運転を行わせる。このように、原子力発電プラント１１０は、ベースロード運転を行うことから、目標値は、定常値となる。
　運転履歴データベース１０５は、ユニットバス１０８ｂ及びゲートウェイ１２４を介して、ステーションバス１０７に接続されている。つまり、ゲートウェイ１２４は、ユニットバス１０８ｂとステーションバス１０７との間に設けられ、ユニットバス１０８ｂ及びステーションバス１０７にそれぞれ接続され、運転履歴データベース１０５は、ユニットバス１０８ｂに接続されている。運転履歴データベース１０５は、原子力発電プラント１１０が設けられる建屋１３３から離れた事務所１３２に設けられている。運転履歴データベース１０５は、分散制御システム１２１から出力されたプラント運転データを蓄積することで、プラント運転データの履歴を保存する。この運転履歴データベース１０５は、異常診断システム１０３及び保守システム１０４からの要求に応じて、プラント運転データを出力可能となっている。
　異常予兆監視システム１０２は、ユニットバス１０８ｂに接続されており、運転履歴データベース１０５から出力されたプラント運転データを、ユニットバス１０８ｂを介して取得可能となっている。また、異常予兆監視システム１０２は、分散制御システム１２１から出力されたプラント運転データを、リアルタイムに取得可能となっている。異常予兆監視システム１０２は、運転履歴データベース１０５に保存された過去のプラント運転データに基づいて設定される正常範囲Ｗと、リアルタイムに取得した現在のプラント運転データとを比較し、プラント運転データが正常範囲Ｗを超えた場合、原子力発電プラント１１０の異常予兆を検知する。また、異常予兆監視システム１０２は、ユニットバス１０８ｂに接続されており、検知した異常予兆に関するデータである異常兆候データを、異常診断システム１０３へ向けて出力可能となっている。
　異常診断システム１０３は、ユニットバス１０８ｂに接続されており、異常予兆監視システム１０２から出力された異常兆候データを、ユニットバス１０８ｂを介して取得可能となっている。異常診断システム１０３は、異常兆候データに基づいて、原子力発電プラント１１０を構成する各種設備及び各種機器の中から、異常を引き起こす原因となる設備または機器を特定する。また、異常診断システム１０３は、ユニットバス１０８ｃに接続されており、特定した設備または機器に関する診断結果を保守データとして、保守システム１０４へ向けて出力可能となっている。
　保守システム１０４は、原子力発電プラント１１０を保守管理するためのシステムである。保守システム１０４は、異常診断システム１０３により診断した原子力発電プラント１１０の保守データを取得し、取得した保守データを保守作業員に提供したり、また、保守作業員による点検作業等によって得られる保守点検結果を保守データとして取得して蓄積したりする。この保守システム１０４は、保守データベース１３５と、保守端末１３６と、保守携帯端末１３７とを備えている。
　保守データベース１３５は、事務所１３２に設けられ、ユニットバス１０８ｃに接続されている。保守データベース１３５は、保守データを異常診断システム１０３に出力したり、保守端末１３６及び保守携帯端末１３７から入力される保守データを蓄積したり、異常診断システム１０３から取得した保守データを保守端末１３６に出力したりする。
　保守端末１３６は、原子力発電プラント１１０が設けられる非管理区域となる建屋１３３内に設けられ、ユニットバス１０８ｃに接続されている。保守端末１３６は、保守データベース１３５から取得した保守データを、保守作業員に提供したり、保守作業員により入力された保守データを、保守データベース１３５に出力したりする。なお、保守端末１３６は、事務所１３２内に設けてもよい。
　保守携帯端末１３７は、保守作業員に携帯されており、保守端末１３６と無線通信可能となっている。保守携帯端末１３７は、保守作業員の点検作業及び外観検査等によって得られる保守点検結果が、保守データとして保守作業員により入力される。また、保守携帯端末１３７は、入力された保守データを、無線通信により保守端末１３６へ向けて出力される。このとき、保守端末１３６及び保守携帯端末１３７は、建屋１３３内に設けられており、保守端末１３６及び保守携帯端末１３７間の無線通信は、建屋１３３内で行われる。
　このように、原子力プラント運転システム１００は、各システム１０１，１０２，１０３，１０４及び運転履歴データベース１０５が、各バス１０７，１０８ａ，１０８ｂ，１０８ｃによって接続されているため、各システム１０１，１０２，１０３，１０４で得た各種データを共有し、共有した各種データを処理することができる。
　また、原子力プラント運転システム１００には、事務所１３２内の会議室１３４に大型情報端末１４１が設けられており、大型情報端末１４１は、ユニットバス１０８ｂに接続されている。この大型情報端末１４１には、保守システム１０４に蓄積された保守データの他、各システム１０１，１０２，１０３において取得したデータが表示可能となっている。
　次に、図２及び図３を参照して、異常診断システム１０３について説明する。図２は、本実施形態に係る異常診断システムを模式的に表した概略構成図である。図３は、計測パラメータを示す説明図である。
　異常診断システム１０３は、記憶部１０及び異常診断制御部１１を有するコンピュータ等のハードウェア資源を用いて構成されている。この異常診断システム１０３は、異常予兆監視システム１０２から出力される異常兆候データを取得し、取得した異常兆候データに基づいて、原子力発電プラント１１０の異常診断を行っている。
　ここで、図３を参照して、異常予兆監視システム１０２から出力される異常兆候データについて説明する。図３は、計測パラメータを示す説明図である。異常予兆監視システム１０２は、上記したように、運転履歴データベース１０５に保存された過去のプラント運転データに基づいて、プラント運転データが正常に推移する範囲となる正常範囲Ｗを設定している。また、異常予兆監視システム１０２は、リアルタイムに取得している現在のプラント運転データが、正常範囲Ｗにおいて推移しているか否かを判定している。ここで、計測パラメータは、異常の有無を判定するしきい値としての警報値Ｋによって、正常となる正常判定領域Ｅ１と、異常となる異常判定領域Ｅ２とに区分けされており、正常範囲Ｗは、正常判定領域Ｅ１内に設定されている。このため、異常予兆監視システム１０２は、原子力発電プラント１１０の異常ではないものの、原子力発電プラント１１０に異常の予兆があるか否かを検知する。
　このように、異常予兆監視システム１０２によって異常予兆があると判定された計測パラメータは、正常範囲Ｗを超えて警報値Ｋに達する前の挙動となっており、この計測パラメータが異常兆候データとして、異常診断システム１０３に入力される。
　異常診断システム１０３の記憶部１０は、メモリ及び記憶装置等のハードウェア資源を用いて構成され、取得した異常兆候データの他、異常モデルパターンと、統計モデルとしてのベイジアンネットワークとを記憶している。
　異常モデルパターンは、原子力発電プラント１１０の異常原因に応じて推移する計測パラメータの挙動のパターンである。この異常モデルパターンは、種々の異常原因に応じて複数設けられており、異常原因が関連付けられると共に、異常原因の発生確率が関連付けられている。図４を参照して、計測パラメータに対応する異常モデルパターンについて説明する。図４は、計測パラメータの異常モデルパターンと、異常モデルパターンに対応する異常原因とを示す説明図である。図４に示すように、例えば、計測パラメータＡについては、２つの異常モデルパターンＰＡ，ＰＢが用意されている。一方の異常モデルパターンＰＡには、複数の異常原因ＣＡ１，ＣＡ２が関連付けられ、複数の異常原因ＣＡ１，ＣＡ２に複数の発生確率ＯＡ１，ＯＡ２がそれぞれ関連付けられている。他方の異常モデルパターンＰＢには、複数の異常原因ＣＢ１，ＣＢ２が関連付けられ、複数の異常原因ＣＢ１，ＣＢ２に複数の発生確率ＯＢ１，ＯＢ２がそれぞれ関連付けられている。なお、図４における計測パラメータＡは、一例であり、異常モデルパターンが１つの場合、また、異常原因が１つの場合もある。
　ベイジアンネットワークは、異常原因に対応する複数の異常モデルパターンと、複数の異常モデルパターンに関連付けられる異常原因の発生確率とに基づいて構築される統計モデルである。図５を参照して、ベイジアンネットワークの一例について説明する。図５は、ベイジアンネットワークの説明図である。ベイジアンネットワークＭは、異常予兆があると判定された計測パラメータが複数ある場合、複数の計測パラメータから、異常原因と異常原因の発生確率とを導出するモデルとなっている。図４及び図５に示すように、異常モデルパターンＰＡには、異常原因ＣＡ１～３が関連付けられており、同様に、異常モデルパターンＰＢ，ＰＣにも、異常原因ＣＢ１～３，ＣＣ１～３が関連付けられている。また、異常原因としては、異常原因α，β，γがあり、異常原因α，β，γは、異常原因ＣＡ１～３，ＣＢ１～３，ＣＣ１～３と関連付けられている。具体的に、異常原因αには、異常原因ＣＡ１、異常原因ＣＢ１及び異常原因ＣＣ１が関連付けられており、異常原因αの発生確率は、異常原因ＣＡ１、異常原因ＣＢ１及び異常原因ＣＣ１の有無及び発生確率を考慮したものとなっている。異常原因β及び異常原因γについても、図４に示すとおりである。
　異常診断制御部１１は、異常兆候データに基づいて異常兆候パターンを生成する。上記したように、異常兆候データは、正常範囲Ｗを超えて警報値Ｋに達する前の挙動となる計測パラメータであることから、異常診断制御部１１は、この計測パラメータに対して、外挿法により計測パラメータの進展を予測した予測モデルＬ（図３参照）を生成する。そして、異常診断制御部１１は、予測モデルＬの計測パラメータの挙動のパターンを、異常兆候パターンとして生成する。
　また、異常診断制御部１１は、生成した異常兆候パターンと、記憶部１０に記憶された異常モデルパターンとの一致判定を行うことで、原子力発電プラント１１０の異常原因を特定している。具体的に、異常診断制御部１１は、所定の計測パラメータの異常兆候パターンが、所定の計測パラメータに対応する複数の異常モデルパターンのうち、いずれかの異常モデルパターンと一致しているか否かを判定する。そして、異常診断制御部１１は、一致していると判定された異常モデルパターンに対応する異常原因を、異常兆候パターンの異常原因として特定すると共に、特定した異常原因に対応する発生確率を特定し、特定した結果を、診断結果として出力する。このとき、異常診断制御部１１は、異常モデルパターンに対応する異常原因が複数ある場合、図５に示すベイジアンネットワークを用いて、複数の異常原因と共に、各異常原因に対応する発生確率を特定する。そして、異常診断システム１０３は、診断結果を保守データとして、保守データベース１３５へ出力する。
　以上のように、本実施形態によれば、異常診断制御部１１は、異常兆候パターンと異常モデルパターンとの一致判定を行い、一致していると判定した異常兆候パターンを用いて原子力発電プラント１１０の異常原因を特定することができる。このため、異常診断制御部１１は、複数の計測パラメータを用いることなく、一致判定された計測パラメータの異常兆候パターンを用いればよいことから、診断処理に係る負荷を軽減できると共に、原子力発電プラント１１０の異常原因を迅速に特定することができる。このとき、異常兆候パターンは、異常予兆があると判定された計測パラメータの進展を外挿により予測したものであるから、異常予兆の段階で異常原因を特定することができ、原子力発電プラント１１０の異常原因を早期に診断することができる。
　また、本実施形態によれば、異常兆候パターンに基づいて、原子力発電プラント１１０に発生する異常原因を複数特定することができ、また、各異常原因の発生確率を特定することができる。
　また、本実施形態によれば、複数の異常兆候パターンから、ベイジアンネットワークＭを用いて、原子力発電プラント１１０の異常原因とその発生確率とを特定することができるため、精度の良い異常診断を行うことができる。
　また、本実施形態によれば、統計モデルとしてベイジアンネットワークＭを用いることで、確立している統計モデルを用いることができるため、ベイジアンネットワークＭを用いて特定した異常原因とその発生確率とを信頼性の高いものとすることができる。
　なお、本実施形態では、複数の異常兆候パターンから、ベイジアンネットワークＭを用いて、異常原因と異常原因の発生確率とを特定したが、この構成に限定されない。例えば、異常診断システム１０３は、異常兆候パターンと、異常予兆がない計測パラメータの挙動のパターンである正常パターンとから、ベイジアンネットワークＭを用いて、異常原因と異常原因の発生確率とを特定してもよい。この場合、ベイジアンネットワークＭは、異常兆候パターンに関連付けられる異常原因と異常原因の発生確率、及び、正常パターンに関連付けられる異常原因と異常原因の発生確率とに基づいて構築される。この構成によれば、異常診断システム１０３は、異常兆候パターンと正常パターンとから、ベイジアンネットワークＭを用いて、異常原因とその発生確率とを特定することができるため、より精度の高い異常診断を行うことができる。
　また、本実施形態では、統計モデルとして、ベイジアンネットワークＭを用いたが、この構成に限定されず、他の統計モデルを用いてもよい。
　１０　記憶部
　１１　異常診断制御部
　１００　原子力プラント運転システム
　１０１　運転監視システム
　１０２　異常予兆監視システム
　１０３　異常診断システム
　１０４　保守システム
　１０５　運転履歴データベース
　１０７　ステーションバス
　１０８ａ，１０８ｂ，１０８ｃ　ユニットバス
　１１０　原子力発電プラント
　１１５　サイト
　１２１　分散制御システム
　１２２　プロセス制御システム
　１２３　ゲートウェイ
　１２４　ゲートウェイ
　１３１　中央制御室
　１３２　事務所
　１３３　建屋
　１３４　会議室
　１３５　保守データベース
　１３６　保守端末
　１３７　保守携帯端末
　１４１　大型情報端末
　Ｗ　正常範囲
　Ｋ　警報値
　Ｅ１　正常判定領域
　Ｅ２　異常判定領域
　Ｍ　ベイジアンネットワーク

Claims (6)

  1. 　プラントの異常を診断する異常診断システムにおいて、
    　異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを生成する異常診断制御部と、
    　前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを複数記憶する記憶部と、を備え、
    　前記異常診断制御部は、
    　生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする異常診断システム。
  2. 　前記計測パラメータの前記異常兆候パターンには、複数の前記異常原因と共に、前記各異常原因の発生確率がそれぞれ関連付けられていることを特徴とする請求項１に記載の異常診断システム。
  3. 　前記記憶部は、前記異常兆候パターンに関連付けられる前記異常原因と前記異常原因の発生確率とに基づいて構築される統計モデルを記憶しており、
    　前記異常診断制御部は、
    　前記計測パラメータの前記異常兆候パターンが複数ある場合、前記統計モデルを用いて、複数の前記異常兆候パターンから、前記異常原因と前記異常原因の発生確率とを特定することを特徴とする請求項２に記載の異常診断システム。
  4. 　前記統計モデルは、ベイジアンネットワークであることを特徴とする請求項３に記載の異常診断システム。
  5. 　前記異常診断制御部は、
    　前記異常原因を特定するにあたり、前記計測パラメータの前記異常兆候パターンと、異常予兆がない前記計測パラメータの挙動のパターンである正常パターンとから、前記統計モデルを用いて、前記異常原因と前記異常原因の発生確率とを特定することを特徴とする請求項３または４に記載の異常診断システム。
  6. 　プラントの異常を診断する異常診断方法において、
    　異常予兆があると判定された前記プラントで計測される計測パラメータに対して、外挿により前記計測パラメータの進展を予測し、予測後の前記計測パラメータの挙動のパターンである異常兆候パターンを異常診断制御部で生成し、
    　前記プラントの異常原因に対応する前記計測パラメータの挙動のパターンである異常モデルパターンを記憶部に複数記憶し、
    　前記異常診断制御部により、生成した前記異常兆候パターンと、前記記憶部に記憶された複数の前記異常モデルパターンとの一致判定を行うと共に、一致していると判定された前記異常モデルパターンの前記異常原因を、前記異常兆候パターンの前記異常原因として特定することを特徴とする異常診断方法。
PCT/JP2016/068559 2015-09-25 2016-06-22 異常診断システム及び異常診断方法 WO2017051575A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP16848365.9A EP3299918B1 (en) 2015-09-25 2016-06-22 Abnormality diagnosis system and abnormality diagnosis method
US15/580,357 US11152126B2 (en) 2015-09-25 2016-06-22 Abnormality diagnosis system and abnormality diagnosis method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015188600A JP6647824B2 (ja) 2015-09-25 2015-09-25 異常診断システム及び異常診断方法
JP2015-188600 2015-09-25

Publications (1)

Publication Number Publication Date
WO2017051575A1 true WO2017051575A1 (ja) 2017-03-30

Family

ID=58385944

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2016/068559 WO2017051575A1 (ja) 2015-09-25 2016-06-22 異常診断システム及び異常診断方法

Country Status (4)

Country Link
US (1) US11152126B2 (ja)
EP (1) EP3299918B1 (ja)
JP (1) JP6647824B2 (ja)
WO (1) WO2017051575A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6456580B1 (ja) * 2018-06-14 2019-01-23 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
CN109614299A (zh) * 2018-09-25 2019-04-12 阿里巴巴集团控股有限公司 一种***异常检测方法、装置及电子设备

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6887361B2 (ja) 2017-10-31 2021-06-16 三菱重工業株式会社 監視対象選定装置、監視対象選定方法、およびプログラム
US10338994B1 (en) * 2018-02-22 2019-07-02 Sas Institute Inc. Predicting and adjusting computer functionality to avoid failures
CN108682467B (zh) * 2018-05-24 2021-05-18 福建福清核电有限公司 一种压水堆核电厂核级数字化仪控***运行维护方法
US10565085B2 (en) * 2018-06-06 2020-02-18 Sas Institute, Inc. Two-stage distributed estimation system
JP7026012B2 (ja) * 2018-07-06 2022-02-25 日立Ｇｅニュークリア・エナジー株式会社 機器状態監視システム及び機器状態監視方法
CN109977535B (zh) * 2019-03-22 2023-05-02 南方电网科学研究院有限责任公司 一种线损异常诊断方法、装置、设备及可读存储介质
CN110795414B (zh) * 2019-11-01 2023-04-14 北京北方华创微电子装备有限公司 半导体设备报警分析方法及装置
JP7416025B2 (ja) * 2021-07-30 2024-01-17 横河電機株式会社 栽培支援システム、栽培支援方法、及びプログラム
JP2023183830A (ja) * 2022-06-16 2023-12-28 株式会社日立インダストリアルプロダクツ 異常原因推定装置、異常原因推定方法、および、異常原因推定プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0423131A (ja) * 1990-05-18 1992-01-27 Mitsubishi Electric Corp 故障診断システム
JPH08220279A (ja) * 1995-02-17 1996-08-30 Hitachi Ltd プラント制御装置、その異常同定方法および異常同定装置
JPH11344589A (ja) * 1998-06-02 1999-12-14 Hitachi Ltd プラント診断システム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5210704A (en) * 1990-10-02 1993-05-11 Technology International Incorporated System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment
US8021231B2 (en) * 2005-12-02 2011-09-20 Walker Digital, Llc Problem gambling detection in tabletop games
US20070174010A1 (en) * 2006-01-24 2007-07-26 Kiran Bhat Collective Behavior Modeling for Content Synthesis
US7496798B2 (en) 2006-02-14 2009-02-24 Jaw Link Data-centric monitoring method
US20080018792A1 (en) * 2006-07-19 2008-01-24 Kiran Bhat Systems and Methods for Interactive Surround Visual Field
JP2011090382A (ja) 2009-10-20 2011-05-06 Mitsubishi Heavy Ind Ltd 監視システム
JP5900333B2 (ja) * 2010-06-28 2016-04-06 日本電気株式会社 医療情報からの異常イベント抽出装置、方法及びプログラム
US8638364B2 (en) * 2010-09-23 2014-01-28 Sony Computer Entertainment Inc. User interface system and method using thermal imaging
WO2012147078A1 (en) * 2011-04-27 2012-11-01 Whitewater Security Ltd. A system and a method for detecting abnormal occurrences
CN102495549B (zh) * 2011-11-22 2013-08-07 中联重科股份有限公司 工程机械的远程维护决策***及方法
US20140271538A1 (en) * 2013-03-15 2014-09-18 Teva Pharmaceutical Industries Ltd. Recombinant Human Albumin-Human Granulocyte Colony Stimulating Factor for the Prevention of Neutropenia in Pediatric Patients
US10719122B2 (en) * 2013-11-15 2020-07-21 Apple Inc. Automated environment providing feedback based on user routine
JP2017506005A (ja) * 2013-11-20 2017-02-23 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． ユーザ動作を確認するための方法及び装置
FR3022625B1 (fr) * 2014-06-19 2018-01-12 Airbus Operations Procede et dispositif de determination et de presentation d'impacts de couts generes par des ecarts lateraux de route d'un aeronef.

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0423131A (ja) * 1990-05-18 1992-01-27 Mitsubishi Electric Corp 故障診断システム
JPH08220279A (ja) * 1995-02-17 1996-08-30 Hitachi Ltd プラント制御装置、その異常同定方法および異常同定装置
JPH11344589A (ja) * 1998-06-02 1999-12-14 Hitachi Ltd プラント診断システム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3299918A4 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6456580B1 (ja) * 2018-06-14 2019-01-23 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
WO2019239542A1 (ja) * 2018-06-14 2019-12-19 三菱電機株式会社 異常検知装置、異常検知方法及び異常検知プログラム
CN109614299A (zh) * 2018-09-25 2019-04-12 阿里巴巴集团控股有限公司 一种***异常检测方法、装置及电子设备
CN109614299B (zh) * 2018-09-25 2022-05-31 创新先进技术有限公司 一种***异常检测方法、装置及电子设备

Also Published As

Publication number Publication date
JP2017062728A (ja) 2017-03-30
JP6647824B2 (ja) 2020-02-14
EP3299918A4 (en) 2018-08-01
US11152126B2 (en) 2021-10-19
EP3299918A1 (en) 2018-03-28
US20180174694A1 (en) 2018-06-21
EP3299918B1 (en) 2019-10-09

Similar Documents

Publication Publication Date Title
WO2017051575A1 (ja) 異常診断システム及び異常診断方法
WO2017051576A1 (ja) プラント運転システム及びプラント運転方法
US20170301225A1 (en) Methods, systems, and devices for managing a plurality of alarms
US10503155B2 (en) Method for controlling a process plant using a redundant local supervisory controller
US7133727B2 (en) System and method for continuous online safety and reliability monitoring
US20180347843A1 (en) Methods and systems for prognostic analysis in electromechanical and environmental control equipment in building management systems
US11262276B2 (en) Monitoring system
JP6812312B2 (ja) プラント支援評価システム及びプラント支援評価方法
US10861610B2 (en) Abnormality diagnosis system
TWI710873B (zh) 支援裝置、學習裝置以及廠房運轉條件設定支援系統
EP3312844B1 (en) Abnormality indication monitoring system
KR102519474B1 (ko) 설비 동작 상태 분석을 통한 건물 내 설비의 이상상태 예측 시스템 및 방법
KR101555225B1 (ko) 전동기 제어반 고장 예측 진단 장치
CN114341835A (zh) 气体监测***
KR102409863B1 (ko) 로봇 예방 및 예측 조치 서비스 제공 방법, 서버 및 프로그램
CN116449761B (zh) 智能泵站智慧控制***及方法
KR20040050973A (ko) 반도체 제조 설비의 실시간 모니터링을 위한 통합 관리시스템 및 그의 제어 방법

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16848365

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 15580357

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2016848365

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE