JPH05157668A - Method and device for detecting abnormality of plant equipment - Google Patents
Method and device for detecting abnormality of plant equipmentInfo
- Publication number
- JPH05157668A JPH05157668A JP3325694A JP32569491A JPH05157668A JP H05157668 A JPH05157668 A JP H05157668A JP 3325694 A JP3325694 A JP 3325694A JP 32569491 A JP32569491 A JP 32569491A JP H05157668 A JPH05157668 A JP H05157668A
- Authority
- JP
- Japan
- Prior art keywords
- output
- failure
- devices
- neural network
- sensor
- 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.)
- Withdrawn
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Monitoring And Testing Of Nuclear Reactors (AREA)
- Pipeline Systems (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、原子力発電プラントの
ような各種プラント設備における機器の異常検知方法及
び装置に関するものである。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to an apparatus abnormality detecting method and apparatus in various plant facilities such as a nuclear power plant.
【０００２】[0002]
【従来の技術】従来、プラント設備の異常検知は、シス
テムに設けられたプロセス計器により検知して警報した
り、機器本体に取り付けられた計器により検知して警報
したり、パトロールによる人為的監視等により行ってい
た。2. Description of the Related Art Conventionally, abnormality detection of plant equipment is detected by a process instrument provided in the system to give an alarm, by an instrument attached to the main body of the instrument to give an alarm, or by a patrol for artificial monitoring. Was going by.
【０００３】[0003]
【発明が解決しようとする課題】しかし、システムのプ
ロセス計器で検知できない異常については、機器専用の
多種のセンサを設けてこれにより検知するか、或はパト
ロール員の監視により検知するかのどちらかであるが、
機器毎に多数のセンサを取り付けることは経済性に問題
があり、また、パトロールでは断続的に発生する異常を
検知できないという可能性が高い。However, an abnormality which cannot be detected by the process instrument of the system is detected by providing various kinds of sensors dedicated to the equipment, or by detecting by the patrol staff. In Although,
It is highly economical to attach a large number of sensors to each device, and there is a high possibility that patrols cannot detect abnormalities that occur intermittently.
【０００４】従って、本発明の目的は、経済的に異常を
検知する信頼性の高い異常検知方法及び装置を提供する
ことである。Therefore, it is an object of the present invention to provide a highly reliable abnormality detection method and apparatus for economically detecting an abnormality.
【０００５】[0005]
【課題を解決するための手段】上述した目的を達成する
ため、本発明の異常検知方法は、複数の機器を有するプ
ラントを区画し、同区画内に複数のセンサを設けて前記
機器の実際の状態をモニタし、該機器の前記実際の状態
を表す前記複数のセンサの出力信号を前記機器の故障状
態を表す既知の学習信号により調整済みのニューラルネ
ットワークの各入力層ユニットに入力し、該ニューラル
ネットワークにおいて前記出力信号及び学習信号を処理
して、前記機器のどれかが故障であれば、その故障の状
態に対応する出力層ユニットのみに故障表示信号を出力
する。In order to achieve the above-mentioned object, the abnormality detecting method of the present invention divides a plant having a plurality of equipments and provides a plurality of sensors in the same compartments to realize the actual operation of the equipments. The state is monitored, and the output signals of the plurality of sensors that represent the actual state of the device are input to each input layer unit of the neural network adjusted by the known learning signal that represents the failure state of the device, and the neural network In the network, the output signal and the learning signal are processed, and if any of the devices fails, the failure indication signal is output only to the output layer unit corresponding to the status of the failure.
【０００６】また、本発明の異常検知装置は、上述した
目的を達成するため、複数の機器を有するプラントの区
画内に配置され、前記複数の機器の実際の状態をモニタ
する複数のセンサと、該複数のセンサに接続されて前記
複数の機器の前記実際の状態を表す出力信号を受け、該
出力信号を処理して、前記機器のどれかが故障であれ
ば、その故障の状態に対応する出力層ユニットのみに故
障表示信号を出力する、前記機器の故障状態を表す既知
の学習信号により調整済みのニューラルネットワークを
含む処理手段とを備えている。Further, in order to achieve the above-mentioned object, the abnormality detection device of the present invention is arranged in a section of a plant having a plurality of devices, and a plurality of sensors for monitoring the actual states of the plurality of devices, Connected to the plurality of sensors, receiving an output signal representing the actual state of the plurality of devices, processing the output signal, and if any of the devices are faulty, respond to the faulty state And a processing unit including a neural network adjusted by a known learning signal indicating a failure state of the device, which outputs a failure display signal only to the output layer unit.
【０００７】[0007]
【作用】各センサからの出力信号はニューラルネットワ
ークの入力層の対応するユニットに送られる。ニューラ
ルネットワークの中間層は、入力層の各ユニットの信号
の総和を数値演算処理し、規格化（０〜１の範囲）し、
これを中間層のユニットの値とする。また、出力層は、
中間層の各ユニットの総和を数値演算処理し、規格化
（０〜１の範囲）し、これを中間層のユニットの値とす
る。出力層のユニットは故障モードに割り当てられ、そ
の値は故障の確からしさを示す。つまり、規格化した値
が１に近い程、その故障が発生している可能性が強いこ
とを表す。The output signal from each sensor is sent to the corresponding unit in the input layer of the neural network. The middle layer of the neural network numerically processes the sum of the signals of each unit of the input layer and normalizes (range of 0 to 1),
This is the value of the unit of the middle layer. Also, the output layer is
The sum total of each unit of the middle layer is subjected to a numerical calculation process and standardized (in the range of 0 to 1), and this is set as the value of the unit of the middle layer. Units in the output layer are assigned to a failure mode, the value of which indicates the likelihood of failure. That is, the closer the normalized value is to 1, the stronger the possibility that the failure has occurred.
【０００８】センサ情報から故障モードを決定するため
には入力のセンサ情報と故障モードを関連づける必要が
ある。そのために、先ず、故障モード毎にその症状を明
らかにし、症状を監視することによりセンサがどんなデ
ータを送るかを予め把握する。つまり、ある故障が発生
したときに、センサが送るデータのパターンを確認し、
コンピュータのメモリに記憶しておく。得られた故障モ
ード毎のセンサデータのパターン（図１の学習信号）を
入力層ユニットに割り当て、また、対応する故障モード
への出力を１(実際には学習の収束性を向上するため０.
９を用いる）とし、その他の出力を０(０.１を同様の理
由で用いる）と固定し、これ等を境界条件として、前記
の入力層ユニットから中間層、出力層への数値演算の係
数（結合荷重）を繰り返し計算により決定する。このよ
うな学習を行うことにより境界条件に用いたセンサデー
タと全く同じ信号パターンがニューラルネットワークに
入れば対応する故障モードへの出力が１となり、その他
の出力が０を示す。In order to determine the failure mode from the sensor information, it is necessary to associate the input sensor information with the failure mode. For that purpose, first, the symptom is clarified for each failure mode, and what kind of data the sensor sends is grasped in advance by monitoring the symptom. In other words, when a certain failure occurs, check the pattern of data sent by the sensor,
Store it in the computer memory. The obtained sensor data pattern for each failure mode (learning signal in FIG. 1) is assigned to the input layer unit, and the output to the corresponding failure mode is set to 1 (actually, in order to improve the convergence of learning.
9 is used) and other outputs are fixed to 0 (0.1 is used for the same reason), and with these as boundary conditions, the coefficient of numerical operation from the input layer unit to the intermediate layer and the output layer (Coupling load) is repeatedly determined. If the same signal pattern as the sensor data used for the boundary condition enters the neural network by performing such learning, the output to the corresponding failure mode becomes 1 and the other outputs show 0.
【０００９】全ての故障モードについて上記の学習を行
う。実際の運用において学習に用いたセンサデータのパ
ターンと類似した入力があれば対応する故障モードの出
力が１近くになり、故障の検知ができる。The above learning is performed for all failure modes. In the actual operation, if there is an input similar to the pattern of the sensor data used for learning, the output of the corresponding failure mode becomes close to 1, and the failure can be detected.
【００１０】以上の操作によりニューラルネットワーク
はセンサからの信号を判断し、学習に使ったセンサのデ
ータのパターンとの類似性から対応する故障モードを割
り出す。従って、センサの故障等により誤情報が入力さ
れても、その他のセンサ情報から比較的正しい判断を得
ることができる。また、新たな異常が判明した場合は、
異常発生時のセンサ情報を入力データ、新たな異常に対
する出力を１、その他の出力を０に固定して学習するこ
とにより容易に新たな異常の検知能力を追加することが
できる。By the above operation, the neural network judges the signal from the sensor and determines the corresponding failure mode from the similarity with the data pattern of the sensor used for learning. Therefore, even if erroneous information is input due to a sensor failure or the like, a relatively correct determination can be obtained from other sensor information. Also, if a new abnormality is found,
A new abnormality detection capability can be easily added by learning by fixing the sensor information when an abnormality occurs as input data, fixing the output for a new abnormality to 1, and fixing the other outputs to 0.
【００１１】[0011]
【実施例】次に、本発明の好適な実施例について添付図
面を参照して詳細に説明するが、図中、同一符号は同一
又は対応部分を示すものとする。Preferred embodiments of the present invention will now be described in detail with reference to the accompanying drawings. In the drawings, the same reference numerals indicate the same or corresponding parts.
【００１２】図１は、例えば原子力発電プラントのよう
なプラント１０の壁体１１により囲繞された一部の区画
１２を示しており、この区画１２内を２系統の配管１
３、１４が通っている。各配管１３、１４には、図示の
ようにポンプａ、ｂ及び各種の弁Ａ〜Ｆのような諸機器
が接続されている。FIG. 1 shows a part of a compartment 12 surrounded by a wall 11 of a plant 10, such as a nuclear power plant, in which compartment two pipes 1 are provided.
3 and 14 pass. Various equipments such as pumps a and b and various valves A to F are connected to the pipes 13 and 14 as shown in the drawing.
【００１３】また、上述した区画１２内には、前記機器
を全体的にモニタするためのマイクロフォンのような音
波センサ１〜４及びＣＣＤセンサのような赤外線カメラ
５（必要に応じて臭いセンサを設けてもよい）のような
非接触型センサに加えて、ポンプの振動計８、９及び配
管の圧力計６、７のようなプロセス計器が設けられてい
る。本発明の異常検知システムは、前記非接触型センサ
及びプロセス計器からの多量の信号を後述するようにニ
ューラルネットワーク（処理手段）で処理することによ
り、広域にわたる多数もしくは多種の機器の監視を経済
的に行い、異常の発生を検知するものである。In addition, in the above-mentioned section 12, sound wave sensors 1 to 4 such as microphones for monitoring the entire equipment and infrared camera 5 such as a CCD sensor (an odor sensor is provided if necessary). In addition to the non-contact type sensors such as the above, process instruments such as the vibration meters 8 and 9 of the pump and the pressure gauges 6 and 7 of the piping are provided. The abnormality detection system of the present invention economically monitors a large number or various types of equipment over a wide area by processing a large amount of signals from the non-contact type sensor and the process instrument with a neural network (processing means) as described later. To detect the occurrence of an abnormality.
【００１４】上述したような広域にわたる非接触型セン
サから得られる情報は多数の機器の情報を含むため、デ
ータ量が多く、故障に関する情報が他の機器からの正常
な情報に混ざっているため、両者の判別がし難い。ま
た、異常検知システムは、システム構築後、新たに判明
した異常を検知できる能力を追加する機能を有すると共
に、センサの故障による誤情報の影響を考慮する必要が
ある。このような条件を満たす情報処理システムとし
て、本発明は、数値計算だけで判断するため計算速度が
速く、異常が新たに判明した場合、異常時のセンサデー
タを再現することにより容易に検知能力を追加でき、全
てのセンサデータのパターンの類似性から故障を判別す
るため、情報の欠如、誤情報の影響を受け難い等の特徴
を有するニューラルネットワークを採用している。Since the information obtained from the non-contact type sensor over a wide area as described above includes the information of a large number of devices, the data amount is large, and the information regarding the failure is mixed with the normal information from other devices. It is difficult to distinguish between the two. Further, the abnormality detection system has a function of adding the ability to detect a newly found abnormality after the system is constructed, and it is necessary to consider the influence of erroneous information due to a sensor failure. As an information processing system satisfying such a condition, the present invention has a high calculation speed because it is judged only by numerical calculation, and when an abnormality is newly found, the detection capability can be easily improved by reproducing the sensor data at the time of abnormality. In order to identify a fault from the similarity of all sensor data patterns that can be added, a neural network having features such as lack of information and being less susceptible to erroneous information is adopted.
【００１５】ニューラルネットワークとは、人間の脳の
構造や情報処理メカニズムを参考にして、その情報処理
能力を人工的に実現することを目指すコンピュータの情
報処理モデルである。人間は色々な刺激を受け取って固
有の反応を示す。本発明は、多数の機器を含む広域の異
常を検知するシステムにこれを応用し、センサデータを
刺激に、故障名を固有の反応に置き換えている。The neural network is an information processing model of a computer aiming at artificially realizing the information processing ability by referring to the structure of the human brain and the information processing mechanism. Human beings receive various stimuli and show unique reactions. The present invention is applied to a system for detecting a wide range of abnormalities including a large number of devices, replacing sensor data with stimuli and fault names with unique reactions.
【００１６】図２は、本発明の異常検知システムに用い
られるニューラルネットワークＮの概念の例を示してい
る。図２において、ニューラルネットワークＮは、入力
層N1と、中間層(１層以上）Ｎ2と、出力層Ｎ3とからな
る。入力層Ｎ1は、図１に示した各種センサ１〜９の数
と等しいユニットＮ11〜Ｎ19からなり、同センサ１〜９
から信号を受ける。中間層Ｎ2は、入力層Ｎ1の各ユニッ
トの信号の総和を数値演算処理し、規格化（０〜１の範
囲）し、これを中間層のユニットの値とする。また、出
力層Ｎ3は、中間層Ｎ2の各ユニットＮ21、Ｎ22・・・の
総和を数値演算処理し、規格化(０〜１の範囲）し、こ
れを中間層Ｎ2のユニットの値とするものである。出力
層Ｎ3のユニットＮ31、Ｎ32、Ｎ33 ・・・は故障モード
に割り当てられ、その値は故障の確からしさを示す。つ
まり、規格化した値が１に近い程、その故障が発生して
いる可能性が強いことを表す。FIG. 2 shows an example of the concept of the neural network N used in the abnormality detection system of the present invention. In FIG. 2, the neural network N comprises an input layer N 1 , an intermediate layer (one or more layers) N 2, and an output layer N 3 . The input layer N 1 is composed of units N 11 to N 19 which are equal in number to the various sensors 1 to 9 shown in FIG.
Receive a signal from. The intermediate layer N 2 performs a numerical calculation process on the sum of the signals of each unit of the input layer N 1 and normalizes (in the range of 0 to 1), and sets this as the value of the unit of the intermediate layer. Further, the output layer N 3 is the sum of the units N 21, N 22 · · · of the intermediate layer N 2 numerical processing, (range 0-1) normalized, the intermediate layer N 2 units this Is the value of. The units N 31 , N 32 , N 33, ... Of the output layer N 3 are assigned to a failure mode, the value of which indicates the likelihood of failure. That is, the closer the normalized value is to 1, the stronger the possibility that the failure has occurred.
【００１７】これを数式で表現すると下記のようにな
る。即ち、ニューラルネットワークでは、図２のよう
に、各センサからの出力信号を入力とし、入力信号ＯP
は入力層ユニットＮ11から中間層ユニットＮ21に下式
（１）の関係で送られ、また、他の中間層ユニット
Ｎ22、Ｎ23・・・にも同様に送られる。This can be expressed by the following formula. That is, in the neural network, as shown in FIG. 2, the output signal from each sensor is input and the input signal OP
Is sent from the input layer unit N 11 to the intermediate layer unit N 21 according to the following equation (1), and is similarly sent to the other intermediate layer units N 22 , N 23, ...
【数１】 ここで、ＨI1は中間層ユニットＮ21への入力信号、ＯPi
は入力層からの出力信号（ｉ＝１〜９）、ｗi1は入力層
から中間層への結合荷重（後に述べる学習によって決定
される係数)、θ1は中間層ユニットＮ21のしきい値であ
る。中間層ユニットＮ21への入力信号ＨＩ1は、中間層
ユニットＮ21からの出力信号をＨＯ1とすると式（２）
によってこの出力信号に変換され、０〜１に規格化され
る。[Equation 1] Here, HI 1 is an input signal to the intermediate layer unit N 21 , O Pi
Is an output signal from the input layer (i = 1 to 9), w i1 is a coupling weight from the input layer to the intermediate layer (a coefficient determined by learning described later), θ 1 is a threshold value of the intermediate layer unit N 21 Is. Input signal HI 1 to the intermediate layer unit N 21 is the output signal from the hidden unit N 21 When HO 1 expression (2)
Is converted into this output signal and standardized to 0-1.
【数２】 ＨＯ1＝１／（１＋ｅ-HI1） ・・・（２） 式（２）は微分可能な関数であり、この式（２）の使用
は層ユニット間の結合荷重ｗ、Ｗを求める解析的な扱い
を可能にする。HO 1 = 1 / (1 + e −HI1 ) (2) Equation (2) is a differentiable function, and the use of this equation (2) determines the coupling loads w and W between the layer units. Enables the required analytical treatment.
【００１８】また、中間層ユニットからの出力信号ＨＯ
はニューラルネットワークの出力層ユニットＮ31に式
(３)の関係で送られ、他の出力層ユニットＮ32、Ｎ33・
・・にも同様に送られる。Also, the output signal HO from the intermediate layer unit
Is an expression in the output layer unit N 31 of the neural network.
It is sent in the relationship of (3) and the other output layer units N 32 , N 33.
・ ・ Similarly sent to.
【数３】 ここで、ＯＩ1は出力層ユニットＮ31の入力信号、ＨＯi
は中間層からの出力信号（ｉ＝１〜９）、Ｗi1は中間層
から出力層への結合荷重（後に述べる学習によって決定
される係数)、δ1は出力層ユニットＮ31のしきい値であ
る。出力層ユニットＮ31への入力信号ＯＩ1は下式(４）
によって出力信号に変換され、０〜１に規格化される。[Equation 3] Here, OI 1 is the input signal of the output layer unit N 31 , HO i
Is an output signal from the hidden layer (i = 1 to 9), W i1 is a coupling weight from the hidden layer to the output layer (a coefficient determined by learning described later), and δ 1 is a threshold value of the output layer unit N 31 . Is. The input signal OI 1 to the output layer unit N 31 is expressed by the following equation (4).
Is converted into an output signal and standardized to 0-1.
【数４】 ＯＯ1＝１／（１＋ｅ-OI1） ・・・（４） ここで、ＯＯ1 は出力層ユニットＮ31からの出力信号で
ある。他の出力層ユニットからの他の出力信号も同様に
表され、出力層ユニットは各故障モードに対応する。例
えば、図２において、出力層ユニットＮ31は「ポンプＡ
主軸機械摩耗」に対応し、出力層ユニットＮ31の出力の
値が大きければ（最大値１）、「ポンプａ主軸機械摩
耗」が発生している可能性が高い。また、出力層ユニッ
トＮ32は「ポンプａ主軸焼き付き」に対応し、実施例で
はその出力値は０．１であり、故障の可能性は低い。OO 1 = 1 / (1 + e −OI1 ) (4) where OO 1 is the output signal from the output layer unit N 31 . Other output signals from other output layer units are represented as well, with the output layer units corresponding to each failure mode. For example, in FIG. 2, the output layer unit N 31 is “pump A
If the output value of the output layer unit N 31 is large (maximum value 1) in response to "main shaft mechanical wear", "pump a main shaft mechanical wear" is likely to occur. The output layer unit N 32 corresponds to “pump a spindle burn-in”, and the output value is 0.1 in the embodiment, and the possibility of failure is low.
【００１９】入力層→中間層、中間層→出力層の結合荷
重ｗ、Ｗは以下に述べる学習によって決定される。結合
荷重の初期値は任意である。The coupling weights w and W of the input layer → the intermediate layer and the intermediate layer → the output layer are determined by the learning described below. The initial value of the coupling load is arbitrary.
【００２０】さて、センサ情報から故障モードを決定す
るためには入力のセンサ情報と故障モードを関連づける
必要があり、以下にその手順（１）〜（４）を具体的に
説明する。Now, in order to determine the failure mode from the sensor information, it is necessary to associate the input sensor information with the failure mode, and the procedures (1) to (4) will be specifically described below.
【００２１】(１) 先ず、故障モード毎にその症状を明
らかにし、症状を監視することによりセンサがどんなデ
ータを送るかを予め把握する。つまり、ある故障が発生
したときに、センサが送るデータのパターンを確認し、
コンピュータのメモリに記憶しておく。(1) First, the symptom is clarified for each failure mode, and by monitoring the symptom, what data the sensor sends is grasped in advance. In other words, when a certain failure occurs, check the pattern of data sent by the sensor,
Store it in the computer memory.
【００２２】(２) 得られた故障モード毎のセンサデー
タのパターン（図１の学習信号）を入力層ユニットに割
り当て、また、対応する故障モードへの出力を１（実際
には学習の収束性を向上するため０.９を用いる）と
し、その他の出力を０（０.１を同様の理由で用いる）
と固定し、これ等を境界条件として、前記の入力層ユニ
ットから中間層、出力層への数値演算の係数(結合荷重)
を繰り返し計算により決定する。これを学習と呼び、こ
のような学習を行う方法が逆伝播法即ちバックプロパゲ
ーションである。この操作により境界条件に用いたセン
サデータと全く同じ信号パターンがニューラルネットワ
ークに入れば対応する故障モードへの出力が１となり、
その他の出力が０を示す。(2) The obtained sensor data pattern for each failure mode (learning signal in FIG. 1) is assigned to the input layer unit, and the output to the corresponding failure mode is set to 1 (actually the learning convergence property). Is used to improve the above) and other outputs are set to 0 (0.1 is used for the same reason)
Fixed, and with these as boundary conditions, the coefficient of the numerical operation from the input layer unit to the intermediate layer and the output layer (coupling weight)
Is repeatedly determined. This is called learning, and a method of performing such learning is a back propagation method, that is, back propagation. By this operation, if the same signal pattern as the sensor data used for the boundary condition enters the neural network, the output to the corresponding failure mode becomes 1,
Other outputs show 0.
【００２３】(３) 全ての故障モードについて上記の学
習を行う。(3) The above learning is performed for all failure modes.
【００２４】(４) 実際の運用において学習に用いたセ
ンサデータのパターンと類似した入力があれば対応する
故障モードの出力が１近くになり、故障の検知ができ
る。(4) If there is an input similar to the pattern of the sensor data used for learning in actual operation, the output of the corresponding failure mode will be close to 1, and the failure can be detected.
【００２５】以上の操作によりニューラルネットワーク
はセンサからの信号を判断し、学習に使ったセンサのデ
ータのパターンとの類似性から対応する故障モードを割
り出す。従って、センサの故障等により誤情報が入力さ
れても、その他のセンサ情報から比較的正しい判断を得
ることができる。また、新たな異常が判明した場合は、
異常発生時のセンサ情報を入力データ、新たな異常に対
する出力を１、その他の出力を０に固定して学習するこ
とにより容易に新たな異常の検知能力を追加することが
できる。By the above operation, the neural network judges the signal from the sensor and determines the corresponding failure mode from the similarity with the data pattern of the sensor used for learning. Therefore, even if erroneous information is input due to a sensor failure or the like, a relatively correct determination can be obtained from other sensor information. Also, if a new abnormality is found,
A new abnormality detection capability can be easily added by learning by fixing the sensor information when an abnormality occurs as input data, fixing the output for a new abnormality to 1, and fixing the other outputs to 0.
【００２６】また、図１に示すように、ニューラルネッ
トワークＮで処理した信号、即ち各故障モードへの出力
信号はエキスパートシステムＥＳにも送られ、ここで運
転経験、油分析結果、設計情報等と結合することによ
り、保全データの管理（保全間隔）、定期点検（必要の
有無）に応用することができる。即ち、各故障モードの
出力信号とは、各故障の「確からしさ」を示し、故障の
潜在的可能性の度合いを表すので、出力信号の時間変化
を把握し運転経験、油分析結果、設計情報等と突き合わ
せることにより、各機器の故障の起き易さを確認でき
る。Further, as shown in FIG. 1, the signal processed by the neural network N, that is, the output signal to each failure mode, is also sent to the expert system ES, where the operation experience, oil analysis result, design information, etc. By combining them, it can be applied to maintenance data management (maintenance interval) and regular inspection (whether necessary). In other words, the output signal of each failure mode indicates the "probability" of each failure and indicates the degree of potential failure, so you can grasp the change over time in the output signal to obtain operating experience, oil analysis results, and design information. It is possible to confirm the easiness of failure of each device by matching with etc.
【００２７】図３は、各機器の部品毎の故障モードに対
応した各センサからの予想出力信号を表し、例えばポン
プａ主軸の機械摩耗の場合、音波センサ１は「５」、音
波センサ２は「１」、・・・振動計９は「０」といった
センサ出力信号を発生すると予想できることを示してい
る。各センサからの予想出力信号がニューラルネットワ
ークに入力されたときに、対応する故障モード即ち出力
層ユニットＮ31への出力が「１」で、その他の出力層ユ
ニットＮ32、Ｎ33・・・への出力が「０」になるよう、
前述した学習により、結合荷重ｗ、Ｗが決定される。FIG. 3 shows an expected output signal from each sensor corresponding to a failure mode for each part of each device. For example, in the case of mechanical wear of the pump a main shaft, the sound wave sensor 1 is "5" and the sound wave sensor 2 is "1", ... indicates that the vibrometer 9 can be expected to generate a sensor output signal such as "0". When the expected output signal from each sensor is input to the neural network, the corresponding failure mode, that is, the output to the output layer unit N 31 is “1”, and the other output layer units N 32 , N 33 ... Output of "0",
Through the learning described above, the coupling weights w and W are determined.
【００２８】その結果、出力層の出力は、「ポンプａ主
軸の機械摩耗」に対応する出力層ユニットＮ31だけ０.
９となり、その他の出力は０.１となり、それぞれ
「１」及び「０」に接近する。ここで、前述したように
学習の収束性を向上するため、ニューラルネットワーク
出力信号０．９以上で故障を認知するという条件として
おけば、ニューラルネットワークは、その条件のもと
で、「ポンプａ主軸の機械摩耗」という故障モードを、運
転員に警報し又は運転員室のＣＲＴ画面上への表示によ
り告知する。As a result, the output of the output layer is only 0 for the output layer unit N 31 corresponding to the "mechanical wear of the pump a main shaft".
9 and the other outputs are 0.1, approaching "1" and "0", respectively. Here, in order to improve the convergence of learning as described above, under the condition that a fault is recognized when the output signal of the neural network is 0.9 or more, the neural network operates under the condition of "pump a spindle". A failure mode of "machine wear of" is notified to the operator by a warning or a display on the CRT screen in the operator's room.
【００２９】更に、本発明に従ってニューラルネットワ
ークを用いると、新たに判明した異常パターンに対する
検知能力を付加することができる。例えば、図３におけ
る「弁Ｆシート漏洩」という故障モードが新たに判明し
たと仮定して、その検知能力を付加する要領について以
下に説明する。Further, by using the neural network according to the present invention, it is possible to add a detection capability for a newly found abnormal pattern. For example, assuming that a failure mode “valve F seat leakage” in FIG. 3 is newly found, the procedure for adding the detection capability will be described below.
【００３０】先ず、弁Ｆシート漏洩時のセンサ出力値、
即ち音波センサ１「０」、音波センサ２「１」、・・・
振動計９「０」をニューラルネットワークの入力とす
る。そして、前述した学習によって、弁Ｆシート漏洩に
対応する出力層ユニットの出力値のみ「１」とし、その
他の異常に対応する各出力層ユニットの出力値が「０」
となるように、結合荷重ｗ、Ｗ及びしきい値θのような
係数を決定する。全ての故障モードに対し上述した手順
で再学習を行い、全ての故障モードに最適な係数を決め
る。以上の手順により、新たな故障モード「弁Ｆシート
漏洩」に対し、検知能力が付加される。First, the sensor output value when the valve F seat leaks,
That is, the sound wave sensor 1 “0”, the sound wave sensor 2 “1”, ...
The vibrometer 9 “0” is used as an input of the neural network. Then, by the above-described learning, only the output value of the output layer unit corresponding to the valve F seat leakage is set to "1", and the output value of each output layer unit corresponding to the other abnormality is "0".
The coefficients such as the coupling weights w and W and the threshold value θ are determined so that Re-learning is performed for all failure modes by the above-described procedure, and the optimum coefficient is determined for all failure modes. By the above procedure, the detection capability is added to the new failure mode “valve F seat leakage”.
【００３１】[0031]
【発明の効果】以上のように、本発明は、ニューラルネ
ットワークを使用しているため、従来のようにパトロー
ルに主に頼っていたプラント内の多数の機器の異常検知
をセンサ主体で迅速に経済的に且つ高い信頼性で実施す
ることができる。As described above, according to the present invention, since the neural network is used, the abnormality detection of a large number of devices in the plant, which has mainly relied on the patrol as in the past, can be economically performed mainly by the sensor. And can be implemented with high reliability.
【００３２】また、ニューラルネットワークの出力信号
をエキスパートシステムに接続した場合には、機器の運
転状態を同出力信号の時系列管理によって行うことがで
きるので、機器の劣化状況を監視することもできる。Further, when the output signal of the neural network is connected to the expert system, the operating condition of the device can be controlled by time-series management of the output signal, so that the deterioration condition of the device can be monitored.
【図１】ニューラルネットワークを用いた本発明の異常
検知システムの概念図。FIG. 1 is a conceptual diagram of an abnormality detection system of the present invention using a neural network.
【図２】図１のニューラルネットワークにおける信号処
理について説明するための概念図。FIG. 2 is a conceptual diagram for explaining signal processing in the neural network of FIG.
【図３】ニューラルネットワークに学習させる種々の故
障モードと各センサからの出力信号との関係を示す図。FIG. 3 is a diagram showing a relationship between various failure modes learned by a neural network and output signals from each sensor.
１ 音波センサ ２ 音波センサ ３ 音波センサ ４ 音波センサ ５ 赤外線カメラ（センサ） ６ 圧力計（センサ） ７ 圧力計（センサ） ８ 振動計（センサ） ９ 振動計（センサ） １０ プラント １２ 区画 ａ ポンプ（機器） ｂ ポンプ（機器） Ａ 弁（機器） Ｂ 弁（機器） Ｃ 弁（機器） Ｄ 弁（機器） Ｅ 弁（機器） Ｆ 弁（機器） 1 Sound wave sensor 2 Sound wave sensor 3 Sound wave sensor 4 Sound wave sensor 5 Infrared camera (sensor) 6 Pressure gauge (sensor) 7 Pressure gauge (sensor) 8 Vibrometer (sensor) 9 Vibrometer (sensor) 10 Plant 12 Section a Pump (equipment) ) B Pump (equipment) A valve (equipment) B valve (equipment) C valve (equipment) D valve (equipment) E valve (equipment) F valve (equipment)
Claims (2)
同区画内に複数のセンサを設けて前記複数の機器の実際
の状態をモニタし、該機器の前記実際の状態を表す前記
複数のセンサの出力信号を前記機器の故障状態を表す既
知の学習信号により調整済みのニューラルネットワーク
の各入力層ユニットに入力し、該ニューラルネットワー
クにおいて前記出力信号を処理して、前記機器のどれか
が故障であれば、その故障の状態に対応する出力層ユニ
ットのみに故障表示信号を出力する、プラント機器の異
常検知方法。1. A plant having a plurality of devices is partitioned,
A plurality of sensors are provided in the same section to monitor the actual states of the plurality of devices, and output signals of the plurality of sensors representing the actual states of the devices are known learning signals representing failure states of the devices. Input to each input layer unit of the adjusted neural network, and the output signal is processed in the neural network, and if any of the devices fails, only the output layer unit corresponding to the failure state is processed. An abnormality detection method for plant equipment that outputs a failure display signal.
配置され、前記複数の機器の実際の状態をモニタする複
数のセンサと、該複数のセンサに接続されて前記複数の
機器の前記実際の状態を表す出力信号を受け、該出力信
号を処理して、前記機器のどれかが故障であれば、その
故障の状態に対応する出力層ユニットのみに故障表示信
号を出力する、前記機器の故障状態を表す既知の学習信
号により調整済みのニューラルネットワークを含む処理
手段とを備えるプラント機器の異常検知装置。2. A plurality of sensors which are arranged in a compartment of a plant having a plurality of devices and monitor an actual state of the plurality of devices, and the actual sensors of the plurality of devices which are connected to the plurality of sensors. A failure of the device, which receives an output signal indicating a state, processes the output signal, and outputs a failure indication signal only to an output layer unit corresponding to the state of the failure if any of the devices fails An abnormality detection apparatus for plant equipment, comprising: a processing unit including a neural network adjusted by a known learning signal indicating a state.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3325694A JPH05157668A (en) | 1991-12-10 | 1991-12-10 | Method and device for detecting abnormality of plant equipment |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3325694A JPH05157668A (en) | 1991-12-10 | 1991-12-10 | Method and device for detecting abnormality of plant equipment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05157668A true JPH05157668A (en) | 1993-06-25 |
Family
ID=18179671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3325694A Withdrawn JPH05157668A (en) | 1991-12-10 | 1991-12-10 | Method and device for detecting abnormality of plant equipment |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05157668A (en) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009067770A1 (en) * | 2007-06-12 | 2009-06-04 | Asel-Tech Technologia E Automação Ltda. | System for detecting leaks in single phase and multiphase fluid transport pipelines |
| KR20180024333A (en) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | Device abnormality presensing method and system using thereof |
| WO2018044040A1 (en) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor |
| WO2020195536A1 (en) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | Structural anomaly assessment method and anomaly assessment system |
| JP2022027657A (en) * | 2020-07-29 | 2022-02-10 | 株式会社新日本コンサルタント | Manhole pump abnormality detection method |
| JP2022102849A (en) * | 2020-12-25 | 2022-07-07 | 東京瓦斯株式会社 | Failure diagnosis device, failure diagnosis system, and failure diagnosis program |
-
1991
- 1991-12-10 JP JP3325694A patent/JPH05157668A/en not_active Withdrawn
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009067770A1 (en) * | 2007-06-12 | 2009-06-04 | Asel-Tech Technologia E Automação Ltda. | System for detecting leaks in single phase and multiphase fluid transport pipelines |
| KR20180024333A (en) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | Device abnormality presensing method and system using thereof |
| WO2018044040A1 (en) * | 2016-08-29 | 2018-03-08 | 한국수력원자력 주식회사 | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor |
| CN112085200A (en) * | 2016-08-29 | 2020-12-15 | 韩国水力原子力株式会社 | Method and system for pre-detecting signs of abnormality in nuclear power plant equipment including process for determining equipment importance and alarm validity |
| US11200790B2 (en) | 2016-08-29 | 2021-12-14 | Korea Hydro & Nuclear Power Co., Ltd. | Method for pre-detecting abnormality sign of nuclear power plant device including processor for determining device importance and warning validity, and system therefor |
| CN112085200B (en) * | 2016-08-29 | 2024-12-31 | 韩国水力原子力株式会社 | Method and system for pre-checking abnormal signs of nuclear power plant equipment, including a processing procedure for determining equipment importance and alarm validity |
| WO2020195536A1 (en) * | 2019-03-28 | 2020-10-01 | ポート・アンド・アンカー株式会社 | Structural anomaly assessment method and anomaly assessment system |
| JP2020165672A (en) * | 2019-03-28 | 2020-10-08 | ポート・アンド・アンカー株式会社 | Abnormality discrimination method and abnormality discrimination system for structures |
| JP2022027657A (en) * | 2020-07-29 | 2022-02-10 | 株式会社新日本コンサルタント | Manhole pump abnormality detection method |
| JP2022102849A (en) * | 2020-12-25 | 2022-07-07 | 東京瓦斯株式会社 | Failure diagnosis device, failure diagnosis system, and failure diagnosis program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6694286B2 (en) | Method and system for monitoring the condition of an individual machine | |
| US5210704A (en) | System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment | |
| JP4422412B2 (en) | Flow diagnostic system | |
| KR102104026B1 (en) | Real-time Solenoid Valve Monitoring System and Method Using Artificial Neural Network | |
| Ahmed et al. | Fault detection and isolation in industrial control valve based on artificial neural networks diagnosis | |
| EP3866177A1 (en) | Abnormal driving state determination device and method using neural network model | |
| CN110375983A (en) | Failsafe valve real-time diagnosis system and diagnostic method based on time series analysis | |
| JP3351925B2 (en) | Equipment management system | |
| JP4635194B2 (en) | Anomaly detection device | |
| US20060047512A1 (en) | System, device, and methods for updating system-monitoring models | |
| JPWO2018051568A1 (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
| KR20140072331A (en) | Method for preliminary surveillance of failure diagnosis | |
| CN118034043A (en) | Intelligent monitoring disc system of coal-fired unit | |
| JPH05157668A (en) | Method and device for detecting abnormality of plant equipment | |
| CN109990803A (en) | The method, apparatus of method, apparatus and the sensor processing of detection system exception | |
| JP3188812B2 (en) | Equipment diagnosis system | |
| JP2758976B2 (en) | Characteristic change prediction method and system | |
| Singer et al. | A pattern-recognition-based, fault-tolerant monitoring and diagnostic technique | |
| Figueroa et al. | A future vision of data acquisition: Distributed sensing, processing, and health monitoring | |
| KR20210154048A (en) | Monitoring system for damage of infrastructure facility | |
| Chen et al. | Effective condition monitoring of line side assets | |
| Yu et al. | Eliminating false alarms caused by fault propagation in signal validation by sub-grouping | |
| JPH0221307A (en) | Plant diagnostic equipment | |
| DE60217419T2 (en) | MONITORING AND DIAGNOSIS OF A TECHNICAL INSTALLATION USING A MECHANICALLY ACTIVATED DRAWING AGENT | |
| CN115335790A (en) | Method and system for diagnosing messages |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19990311 |