特集記事「AIと保全」（3） 予兆監視システム（SIAT）とIBM Watson Explorerの連携によるプラント監視技術の高度化
公開日:
特集記事「AIと保全」（3）
予兆監視システム（SIAT）とIBM Watson Explorerの連携によるプラント監視技術の高度化
中国電力株式会社
林 司 Tsukasa HAYASHI
１．はじめに
当社は、発電プラント（島根 2号機）が蓄積している膨大なプラントデータいわゆるビッグデータに着目し、日本電気株式会社（NEC）と共同で、このプラントデータを活用して、設備の異常を可能な限り早い段階で、かつ正確に検知する人工知能（ AI）を開発してきた。この AIはネットワーク障害対応用エンジン（ SIAT（System Invariant Analysis Technology））をプラント監視に応用した異常を早期に検知する予兆監視システムである。2013年には、プロトタイプのシステムによりこれまで蓄積してきた島根 2号機の運転データを用い種々の機能確認を行い、システムの有効性を確認し上で 2014年に島根 2号機に導入、同年運用を開始した。 2015年には 3号機に導入した。図 1に SIATのプラント常時監視画面を示す。
図1 SIATプラント常時監視画面
図 1に表示されているのは、プラントの主要な系統である。表示の緑は系統が正常に運転中であることを示している。系統内の相関するセンサーデータがいつもと異なる動きをした場合、その相関の崩れの状態により系統表示は、緑（正常）から、黄（注意）、そして赤（異常）に変化し、警報を発報する。
２．システムの分析技術 SIATの特徴
SIATの特徴について簡単に説明する。
ネットワークを構成する機器は構成機器の変化が大きく、センサーからの観測データも変化が大きいため、どのセンサーの組み合わせに相関関係があるのか判定が難しいという問題点があった。 SIATは入手可能なセンサーデータなどの数値データを投入することにより、コンピュータで自動計算を行いシステムの「不変性（インバリアント）関係」を抽出し、データ間の不変性からネットワーク障害を検知するエンジンである。簡単に言えば、 SIATは関係性の少ない領域で関係性を持ったセンサーを抽出することにより障害を検知する。
一方、原子力プラントの個々のセンサーデータは互いに強固な相関性を有している。 SIATをネットワーク障害と異なりプラント監視に用いるため、相互に相関性を有しているプラントセンサーデータから、最も強い相関性を有しているセンサーを検知するアルゴリズムにカスタマイズした。 SIATは注目しているデータ間の不変性により異常を判断する。実際のプラントのセンサーデータは 1対 1で相関関係を持っているのではなく、数多くのセンサーが相互に相関関係を有している。従って、注目しているセンサーの相関関係ではなく、関連するセン
図2 SIATを用いたプラント監視の概念
サーの相関関係が崩れた場合でも異常と判断する。以上きい値」による監視に比べより早い段階で異常を検知で
から、早い段階で異常を兆候の段階で検知することができる。図 2は SIATを用いたプラント監視の概念を示す。
３．SIATによる異常検知の仕組み
SIATはまず、原子力プラントのセンサーデータから自動的に個々のセンサー間の関係性をモデル化する。図 3は原子力プラントの個々のセンサー間の強固な関係性を示す。
図3 個々のセンサー間の関係性
SIATは現在の観測値（実測値）とモデルからの予測値を比較して、実測値が「いつもと違う」動きをしているかどうかを判断し、いつもと違った動きをしている場合、異常として検知する。図 4は SIATによる異常検知の仕組みを示したものである。
従来、プラント監視は注目するパラメータに「しきい値」を設定し、その「しきい値」により異常の有無の監視を行っている。
前述のとおり、 SIATは種々のパラメータの相関性の崩れから異常を判断するため、あるパラメータに注目するとそのパラメータに関連する数多くのパラメータの動きも異常判定する指標となる。結果として、種々のパラメータの微少な変化から異常を判断することから、「し
図4 SIATによる異常検知の仕組み
きる。
図 4は SIATによる異常検知の仕組みを示したものである。
また、 SIATが異常検知に用いている予測式は過去の運転データ等を参照して、それをモデル化したものである。 SIATは、これまで説明した通り過去の運転データ等ビッグデータからプラントの運転状態を学習し自動的に予測式を作成する。この自ら学習しモデルを自動的に作成する。図 5-1に予測式の生成と関係性有無の判断を、図 5-2に予測式と実測値を用いた異常判定の方法を示す。
予測式は 1次式で表され、その係数は予測式と測定値の差（の絶対値）が最小になるように設定する。予測式は上下にある幅を持って設定されている。予測式と実測値を用いた異常判定では、実測値が予測値上下限値を逸脱したところで異常と判断する。
図5-1 予測式の生成と関係性有無の判断
図5-2 予測式と実測値を用いた異常判定
４．運転データを用いた SIAT機能検証
SIAT導入にあたっては、島根 2号機のこれまで蓄積してきた運転データを用い様々な検証試験を実施することにより、システムの設計妥当性、機能の有効性他について十分に検証・確認した。
検証の結果として代表例として、島根 2号機において 2006年 10月 13日に発生した主蒸気圧力検出器からの微少な蒸気漏えい事象を挙げることができる。この事象を SIATにより分析した結果、運転員が検知するよりも 7時間強早く検出器の異常を検知できていたことを確認した。図 6に SIATによる異常検知結果を示す。
図6 SIATによる異常検知結果
５．SIAT開発の目的と経緯
SIATが検知・捕捉した事象の展開や原因究明および対策については、現状、経験を積んだ運転員や保修員いわゆる熟練技術者の知識に頼るところが大きく、事象特定の過程から結果の最終判断までは「ヒト」に委ねることになる。
ヒューマンリソースが限られており、かつ、多くの熟練技術者退職という問題もあり、いつまでも全ての判断を「ヒト」に頼る訳にはいかない。
以上から、SIAT開発にあたっては、
①経験を積んだ運転員・保修員にとっては、異常を除去するための時間をどれだけ確保できるか。
②若い運転員・保修員には原因究明や異常収束のために必要な対処法を決定するまでの時間をどれだけ短縮できるか。
ということを大前提に置きシステム設計を実施した。言い換えると、全て熟練技術者の知識や経験に頼っていた最終決定プロセスをシステムすなわち「機械 =AI」に移管し、それを参照することにより経験の浅い若い運転員・保修員を含め誰でも同じ判断が短時間で可能ということが開発にあたっての大きなコンセプトである。
昨今、プラント運転・保守の経験を積んだ技術者の大量の退職に加え、福島第一原子力発電所事故以降プラントが長期停止しており発電所では運転中のプラントを知
らない世代の社員も増加しているのが実態である。従っ
て、AIにより「ヒト」が代替を可能となることは、今後
のプラント再稼働や安全・安定運転継続の成否を左右す
ることになる。
経験の浅い若い運転員・保修員にプラント運用が世代
交代しても熟練技術者の経験や知識を機械化し、熟練技
術者に匹敵するシステムを構築し、「ヒト」のアシストと
して活用できればプラントの信頼性・安全性を損なうこ
となく、更に向上させ安定して電力を供給し続けて行く
ことが可能となる。
当社が克服すべき課題は、まさに [=
「ヒト」「原因究明・対策決定までの時間の短縮 =熟練技術者の持つ経験と知識」]という事項である。この問題を克服するための手段は、「ヒト」を [機械 =AI]で代替することに他ならない。以上から、 SIATと熟練技術者の代替である他の AIを組み合わせることにより一部のプロセスを「機械 =AI」に担わせることができれば、この課題は解決できる。
６．SIATの機能高度化の経緯と目的
6.1克服すべき課題と対応策
「ヒト」に関する問題は非常に重要な課題であることか
ら、この問題は当初から避けて通れない問題として机上
で検討は継続してきた。この問題を代替する回答として、「原因究明アシスト機能」呼ぶ機能を SIAT高度化のひと
つのアイテムとしてシステム設計当初から検討を続けて
きている。
「原因究明アシスト機能」を簡単に説明すると、リファ
レンスとなる過去の原子力プラントで発生したトラブル
およびトラブル未満 (トラブル等 )の事象により、トラ
ブル等データベース（DB）を構築する。SIATが検知した
事象に対して、この DBに登録されている事象の中から
類似あるいは同一事象として同定される事象を検索し、
運転員・保修員に提供する。ただし、提供される DBか
らの事象は、「ヒト」が短時間で内容把握できる程度の件
数に絞り込みが行われたものでなければならない。この
機能が可能となれば、経験者に対する補助はもちろん退
職して行く熟練技術者の知識や経験を代替することも可
能である。この DB化された事故・事象情報から SIAT
の検知した情報により DB内容を検索し、「ヒト」が短時
間で内容把握できる件数まで絞り込み運転員・保修員に
提示する機能を SIATに組み合わせて機能させる他の AI
に担わせることで計画を進めることとした。
この機能を活用すれば、経験の浅い若い技術者も経験
者に近い判断を短時間で下すことができる。 SIATとの他の AIを組み合わせることによって、「ヒト」の得意とする分野と「機械」が得意とする分野を相互に関係づけ、運用していく過程では私たちの設計以上の相乗効果も得られることを期待している。
6.2 具体的な対応策
図 7に他の AIとの連携の概念を示す。
今回、初めて机上を離れて AIに [ヒト =経験者 ]を代替する機能を持たせること、すなわち SIATと他の AIシステム連携について、実機 AIを用いた検証を実施した。
検証の内容を簡単に説明すると、 SIATに組み合わせた他の AIに、これまで過去国内の原子力プラントで経験したトラブル等 DBとしてあらかじめ登録する。SIATは検知・捕捉した予兆事象を、その事象を特徴づける
「キーワード」に変換し組み合わせた AIに予兆情報として伝送する。組み合わせた AIは、自らが持つ検索機能により SIATから通知を受けた事象に最も類似した、あるいは同一の事象を DBから検索し抽出する。 DBから検索された事象は、「ヒト」が容易に内容を把握できる件数である数件から十数件まで絞り込まれたものである。
次に、 SIATと組み合わせる他の AIの選定である。選定にあたっては、医学、金融、工場管理および保守管理まで広範囲で活用されており、かつ、今後他のシステムとの連携、システム自体の拡張性等を考慮して検討を実施した。その結果 AIとして、必要とする条件を全て満足している IBM Watson Explorerを適用することとした。
図 8-1、8-2に SIATからの事象情報、すなわちキーワードにより IBM Watson Explorerが DBから類似事象あるいは同一事象へ絞り込みを行って行く過程を示す。
図 8-1IBM Watson Explorerによる事象絞込み -1
図 8-1は SIAT側から「島根 2号機」というキーワードを与えトラブル等の事象の DBから類似事象あるいは同一事として判断できる事象を約 40件まで絞り込んだ状況を示す。
図 8-2IBM Watson Explorerによる事象絞込み -2
図 8-2は 40件の事象にさらに「 PLR」というキーワードを与え、最終結果としてさらに 4件まで絞り込んだことを示したものである。
検証の結果 SIATが検知した事象に対して、キーワードにより IBM Watson Exploreは類似あるいは同等な事象を数件から十数件まで絞り込み、提示できることを確認することができた。
7.システム構成・目的
7.1 IBM Watson Explorer導入の目的
島根 2号機は現在、技術基準への適合性審査中であり、当も他社同様、早期の再稼働を目指して日々努力をしているところである。審査後の再稼働に当たっては、プラントの長期の停止という観点から、これまで経験したことない未知の領域と言っても過言ではない。従って、種々の事象の発生が懸念される。しかし、過去経験したトラブル等を教師データとして IBM Watson Explorerに登録・整理しておけば、 SIATが検知・捕捉したトラブル等の兆候に対して、早く正確に、類似事象あるいは同一事象として絞り込み原因、状況判断 /進展予測、原因推定までを運転員・保修員に提示することが可能となる。この提示された情報を参考にすることにより不測の事態にも備えることができる。
このように、IBM Watson Explorer上に事故等の DBを構成し、 IBM-AIの持つ優れたカテゴリ分類・検索機能を用いて過去の類似の事象を抽出する。そして、異常が予兆段階のうちに早期に事象を分析し、運転員・保修員に周知することにより、早期の適切かつ的確な対応が可能となる。
今後、プラント再稼働、通常運転を考慮した場合、運転員・保修員の年齢構成、ヒューマンリソース面も考え信頼性の高い安全なプラント運営を行うためには、このようなシステムを設計・構築することは急務であると考えている。
7.2 IBM Watson Explorerの分析検索機能
IBM Watson Explorerは大量の文書を素早く解析し、その内容について様々な角度で分類する。特定用語について時系列での頻出度合い用語間の関連性・関連度合い、さらには感情分析など様々な分析が可能である。これらの機能を用いて大量の文書を分類し検索性の良い DBを構築することが可能である。
IBM Watson Explorerの検索は通常のキーワードによる検索ではなく文脈での検索が可能である。例えば「温度が異常に上昇した」、「温度が適切に上昇しなかった」という事象があったとする。前者は、温度上昇自体が異常事象だが、後者は、温度が上昇しなかったことが異常事象である。このような場合、単純に「温度」、「上昇」というキーワードの羅列だけで検索すると両件とも異常事象としてヒットしてしまう。
一方、IBM Watson Explorerの場合、まず「温度が上昇した例は？」のようにキーワードを文章にして問い合わせることが可能で、さらにその返答も前者の異常上昇したケースのみ提示するということが可能である。
7.3 システム構成および事象データベース
図 9に SIATと IBM Watson Explorerが連携したシステムを示す。
図9 SIAT/IBM Watson Explorer連携システム
IBM Watson Explorer上で展開する DBとしては、国内の原子力プラントで発生したトラブル等が網羅できることが重要であることから、原子力安全推進協会（ JANSI）により公開されている原子力情報公開ライブラリー
（NUCIA）の事故情報および保全品質情報約 3,900件を用いることとした。さらに、この DBを補完する意味から、これらのデータに加え島根独自のデータである、島根 1、 2号機の不適合データを含む保守記録等も入力し DBの充実を図る計画である。2018年 9月末現在の NUCIAデータの情報登録状況を表 1および NUCIA登録情報の分類を図 10に示す。
表1 NUCIAへの情報登録状況
図10 NUCIA登録情報の分類
今回の検証は、 IBM Watson Explorerをクラウド上で取り扱ったことから、セキュリティも重要な扱いとなる。事象の検証とともに、サイバーセキュリティ面の検証も実施し、必要な個所に中間サーバ、データダイオード等を設置することにより、クラウド側から発電所の運転監視用計算機へ影響が及ばないよう配慮した。
もちろん、クラウド上での運用ではなく、 IBM Watson Explorerを SIAT専用の AIとして位置付けることも可能である。
現在、運用面、セキュリティ、経済性および拡張性等種々の分野からどちらが適しているか、どちらを選択するか検討を進めているところである。
7.4 SIAT-Watson組み合わせによる保守
4.3でも記載したが、 IBM Watson Explorerの DBは言わば教師であるデータである。従って、データは公開されていることに加え国内のトラブル基準に適合していること等が必要十分な条件となる。また、 SIATと連携した場合、 DBの情報には事象発生から原因究明、対策まで一連の対応が記載されていることも重要な条件である。これらを考慮するとデータとしては、前述のとおり、国内のトラブル等が全て網羅でき、事象の起承転結等必要な情報が全て含まれている JANSIの NUCIAデータが最も適している。
将来、 DBをさらに充実する観点から WANOの SOER情報も加えられないか検討したい。
(1) IBM Watson Explorerへの登録データ
● NUCIA登録情報（国内の原子力情報 (BWR/PWR)）●島根オリジナルデータ・島根 1,2号機トラブル記録・島根 1,2号機出力制限等トラブル未満の事象・日常保守、定期点検記録（点検時の特記含む）、保修
依頼票
(2) IBM Watson Explorerの活用
・SIATとの連携（SIATが捉えた異常の兆候をキーワードその他で検索、 DBから類維持事項または同一事項を検索、対策が完了した後、 IBM Watson Explorer DBに当該事象をフィードバックし DBの充実を図る（ DBの充実）
・検索した過去のトラブル等は「ヒト」が短時間で内容把握できる数件から十数件に絞りこんで提示
(3)SIATが検知・捕捉した予兆との連携
SIATが捉えたプラントの異常に至る前の状態すなわち予兆を IBM Watson Explorerの DBである NUCIAデータに精度良くヒットさせることが最も重要である。 SIATと IBM Watson Explorerをどのようにして関連付けるかが重要である。 SIATと IBM Watson Explorerを関連付ける方法として、現在、 SIATが検知した事象を関連キーワードに変換し、このキーワードを IBM Watson Explorerに伝送する。IBM Watson Explorerはこのキーワードにより高確率で DBから適切な事象を抽出する仕組みとしている。
今回の検証に用いたキーワードは類似事象検索の鍵として、現時点で最も適切であると考えている。常に SIAT-IBM Watson Explorer連携システムが最適な状態を保持し、類似事象の高速かつ、高確率な一致の観点では、運用しながら最適なキーワードを見つけ出し、選定していくことがこの AI組合せシステムにとって機能を維持するための重要な手段である。
8.結び
今回、 SIATに他の AIである IBM Watson Explorerの連携システム検証を実施した。結果から過去経験した国内の原子力プラントの事故、事象の分析のあるプロセスの一端を「ヒト」以外、すなわち「機械 =AI」に担わせることが可能であることが検証できた。さらに、この連携により机上での検討通り、事象が異常に至る前に状態把握、原因推定、対策までを DBから「ヒト」が早期に内容把握できる件数まで絞り込むことができることも確認できた。
しかし、7.4.（3）で説明したとおり、本システムでは高速で、かつ正確に DBから類似事象を抽出すること大前提である。また、本システムでは高速で、かつ正確に DBから類似事象を抽出すること大前提である。よって、今後もシステムを運用しながらより適切なキーワードを設定することを目的として、さらに検証を進めて行く計画である。
実際に AIを活用して実施した組合せシステム検証の結果、設計上克服すべき全ての課題がクリアとなったことから、社内の正式手続きを行ったうえで早急に具現化する計画である。
加えて、 SIATを状態監視に用い既に導入済みの統合型保全システム（EAM）と組み合わせることにより、「機器の分解点検周期」を適正化し、不必要ないじり壊しを
図11 EAMとの連携の概念
防止する等保全の信頼性向上も図って行きたいと考えて
いる。図 11に EAMとの連携の概念を示す。
最後に、 SIAT本来の目的である異常を兆候の状態で
捉え、他の AIの組み合わせにより経験豊富な技術者と
同等の知識を「機械」が「ヒト」に提示することにより、
①経験年数に関わらず若い運転員・保修員も熟練
技術者同等の適切な対処ができるようシステムの高度化
を実現すること。
②設備管理および運転管理の品質向上を図り本来
の姿である異常を発生させない適切な保全を実現するこ
と。
という目標を達成する。
そして、 SIAT、IBM Watson Explorer組合せシステム
により、これらふたつの目標の達成し最終目標であるプ
ラントが固有に有する安全性を可能な限り高め島根原子
力発電所を地域のみなさまから信頼され安心される原子
力発電所として行きたいと考えている。
【謝辞】
DB構築にあたり、 NUCIAデータ等の供与に快諾頂き電子データまで供与頂いた JANSIのみなさま、 DB構築と AIの組み合わせについて、多大なご指導とご協力を頂いた宮健三東京大学名誉教授、日本 IBM、NECおよび株式会社 IIUのみなさまには、この紙面をお借りし感謝の意をお伝えしたい。
参考文献
［1］www.ibm.com/jp-ja/ IBM ホームページ
［2］www.nucia.jp一般社団法人原子力安全推進協会ホームページ 原子力情報公開ライブラリー（NUCIA）
［3］jpn.nec.com/ai/solution/optimization.htmlプラント監視故障予兆監視 :ソリューション |NEC
［4］jpn.nec.com/techrep/journal/g15/n02/pdf/150213.pdf NEC技報 Vol.68 No.2/ICTが拓くスマートエネルギーソリューション特集"インバリアント分析技術
（SIAT）を用いた発電所向け故障予兆監視ソリューション‐NEC"
（2019年 6月●日）