Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
Initialising ...
鍋島 邦彦; 井上 浩司*; 工藤 和彦*; 鈴木 勝男*
International Journal of Knowledge; Based Intelligent Engineering Systems, 4(4), p.208 - 212, 2000/10
リカレントニューラルネットワークを用いて、原子力プラント監視システムの開発を行った。原子炉の現在と過去の入出力データを学習することにより、プラント動特性をモデル化し、1タイムステップ後の状態を予測する。本異常検知手法は、実際のプラントからの測定信号とネットワークによる予測値の誤差を監視するものである。この監視システムをオフラインで適用した結果、リカレントニューラルネットワークが原子炉の動特性を正確にモデル化し、かつ従来の監視手法よりは早い段階で微少な異常兆候を検知できることが明らかになった。
鍋島 邦彦; 鈴土 知明; 滝澤 寛*; 大野 富生*; 工藤 和彦*
Proceedings of International Topical Meeting on Nuclear Plant Instrumentation, Controls, and Human-Machine Interface Technologies (NPIC&HMIT 2000) (CD-ROM), 9 Pages, 2000/00
本研究では、リカレントニューラルネットワークとルールベースの実時間エキスパートシステムを用いて、原子力プラントの監視システムを開発した。高温ガス炉動特性解析コード及びオンラインPWRシミュレータを用いて、データ収録部及び運転員サポート画面を含めた全システムの性能評価を行った。その結果、リカレントニューラルネットワークは、異常徴候を早い段階で検知できることが示された。またエキスパートシステムもニューラルネットワーク出力や知識ベースを用いて正確に異常事象を診断することができた。
鍋島 邦彦; 鈴木 勝男; 井上 浩司*; 工藤 和彦*
Engineering Benefits from Neural Networks, p.257 - 260, 1998/00
リカレントニューラルネットワーク(RNN)を用いて、原子力プラント監視システムの開発を行った。原子炉の動特性は、3層のRNNでモデル化されている。この異常検知手法の基本概念は、実プラントからの測定信号と、RNNによるプラントモデルからの予測信号の偏差を監視することである。本監視システムをオフラインで適用した結果、RNNによって、過渡運転を含む広出力範囲に渡って、原子炉の複雑な動特性をモデル化し、監視することが可能となった。テスト結果により、RNNを用いた監視システムは、PWRシミュレータにある既存の警告システムよりも早い段階で、いろいろな異常事象を検知した。
鍋島 邦彦; 井上 浩司*; 鈴木 勝男; 工藤 和彦*
Proc. of 5th Int. Conf. on Neural Information Processing (ICONIP'98), 2, p.1102 - 1105, 1998/00
本論文は、運転中の原子力プラントにおける異常検知にリカレントニューラルネットワーク(RNN)を適用したものである。RNNは過去と現在のシステムの入出力を監視・学習することによって、次のタイムステップのシステム出力を予測する。この手法の基本原理は、実際のプラントから測定されたプロセス信号と、3層のRNNを用いてモデル化されたプラント予測値の偏差によって異常を検知するものである。プラントシミュレータを用いたオフラインのテスト結果より、提案されたRNNシステムは原子力プラントの状態を十分に監視できることが示された。このRNNは、微小な異常兆候を従来の監視システムやフィールドフォワードニューラルネットワークよりも早く検知する。
鍋島 邦彦; 鈴木 勝男; E.Tuerkcan*; Oe.Ciftcioglu*
The 3rd JSME/ASME Joint Int. Conf. on Nuclear Engineering, Vol. 3, 0, p.1551 - 1556, 1995/00
階層型ニューラルネットワークを用いて、オランダのPWRプラントのオンライン監視システムを構築した。使用したネットワークは、入力層と出力層が同じノードになっており、学習側には誤差逆伝播アルゴリズムを採用した。学習データとして、出力上昇・定常運転・出力減少という広範囲に渡る典型的なパターンを用い、正常状態における原子炉プラントのモデル化をニューラルネットワークの内部で行う。したがって、学習終了後に異常なデータが入力された場合には、ネットワークの出力は、検出器からの信号と大きく異なるため、微小な異常も検知することができる。このシステムを実際の原子炉にオンラインで適用した結果、ニューラルネットワークがうまく複雑な原子炉をモデル化でき、しかも微小な異常徴候を検知することが可能であることが示された。