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; 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。
吉田 一雄
JAERI-M 89-183, 13 Pages, 1989/11
知識工学的手法に基づく原子炉異常診断技術の実炉への応用を考えた場合重要となるオンライン形式による常時監視型診断機能と誤信号の識別機能に関して、手法の検討およびDISKETシステムの現行の知識表現形式を用いての上記二機能の実現の可能性について検討した。まず計算機上にオンライン診断のための模擬システムを構築した。このシステムを用いて、早期異常検知から原因の同定を行う異常診断へ自動的に移行する常時監視型診断機能およびプラントパラメータ間の相互関係より誤信号を識別する機能をルールで表現し、典型的事故事例に対して診断を行い、その検証を行った。その結果、DISKETの知識ベースの特徴であるユニット構造により異常検知から診断への効率的な処理が可能であったこと、誤信号識別ルールを用いることで診断の確度が向上できることを確認した。
Dong, F.*; Chen, S.*; 出町 和之*; 吉川 雅紀; 関 暁之; 高屋 茂
no journal, ,
Timely and accurate anomaly detection for ensuring nuclear safety is at the top priority in the maintenance and management of NPPs (Nuclear Power Plants), since any slight anomaly in the plants might lead to irreversible severe accidents and high economic costs. Currently, due to the remarkable performance, deep learning algorithms are widely used for anomaly detection. Nevertheless, anomalies in NPPs are difficult to define, sparsely occurring, and are accompanied by variable noise labels, which all increase the difficulty on anomaly detection tasks. Moreover, as for general deep learning models, when analyzing time series data, the unsolved problems such as the interpretation of causing reason and loss of temporal features also pose challenges for detection. To alleviate these issues, an attention-based anomaly detection model for ensuring safety in NPPs is proposed, constituted of Conv1D (one-dimension convolutional neural network) backbone and attention mechanism. The performance of the proposed model was experimentally evaluated on the on the HTGR (High Temperature Gas-cooled Reactor) anomaly cases dataset based on the analytical code ACCORD, which conducted anomalies independently across multiple instruments. At this stage, the input data were composed of 9 classes of anomalies. According to the experimental results, the effectiveness and feasibility of the proposed anomaly detection model on ensuring safety of NPPs are demonstrated.
