JPH05157668A

JPH05157668A - プラント機器の異常検知方法及び装置

Info

Publication number: JPH05157668A
Application number: JP3325694A
Authority: JP
Inventors: Katsunori Kawai; 勝則河合; Shuji Usui; 修二碓井; Yutaka Nakahara; 豊中原; Masao Kasai; 雅夫笠井
Original assignee: Mitsubishi Atomic Power Industries Inc
Current assignee: Mitsubishi Heavy Industries Ltd
Priority date: 1991-12-10
Filing date: 1991-12-10
Publication date: 1993-06-25

Abstract

(57)【要約】【目的】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。【構成】本発明は、複数の機器ａ、ｂ、Ａ〜Ｆを有す
るプラント１０を区画し、同区画１２内に複数のセンサ
１〜９を設けて前記機器の実際の状態をモニタする。該
機器の実際の状態を表す複数のセンサの出力信号を該機
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Ｎ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Ｎ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。

Description

【発明の詳細な説明】

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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Ｏ_P
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。

【数１】ここで、ＨI₁は中間層ユニットＮ₂₁への入力信号、Ｏ_Pi
は入力層からの出力信号（ｉ＝１〜９）、ｗ_i1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。

【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。

【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。

【数３】ここで、ＯＩ₁は出力層ユニットＮ₃₁の入力信号、ＨＯ_i
は中間層からの出力信号（ｉ＝１〜９）、Ｗ_i1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。

【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。

【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。

【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。

【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。

【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。

【００２３】(３) 全ての故障モードについて上記の学
習を行う。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【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。

【図面の簡単な説明】

【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。

【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。

【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。

【符号の説明】

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）

Claims

【特許請求の範囲】

【請求項１】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。
【請求項２】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
手段とを備えるプラント機器の異常検知装置。