JP2023103030A - 生コンクリートの品質予測方法、生コンクリートの製造方法、及び生コンクリートの製造システム - Google Patents

Abstract

【課題】生コンクリートの品質を簡便に把握する。
【解決手段】本開示の一側面に係る生コンクリートの品質予測方法は、取得工程と、予測工程とを含む。取得工程では、コンクリート材料を練り混ぜるミキサによって製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得する。予測工程では、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、取得工程において取得された入力情報とに基づいて、生コンクリートの品質を予測する。
【選択図】図１

Description

本開示は、生コンクリートの品質予測方法、生コンクリートの製造方法、及び生コンクリートの製造システムに関する。

特許文献１には、生コンクリートの品質を予測する品質予測方法が開示されている。この品質予測方法では、水と水以外の生コンクリートの材料を練り混ぜている状態で、ミキサ内を連続的に撮影した複数の画像データと、予測モデルとを用いて生コンクリートの品質が予測されている。

特許第６６８０９３６号公報

本開示は、生コンクリートの品質を簡便に把握することが可能な生コンクリートの品質予測方法、生コンクリートの製造方法、及び生コンクリートの製造システムを提供する。

本開示の一側面に係る生コンクリートの品質予測方法は、取得工程と、予測工程とを含む。取得工程では、コンクリート材料を練り混ぜるミキサによって製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得する。予測工程では、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、取得工程において取得された入力情報とに基づいて、生コンクリートの品質を予測する。

上記振動情報は、２方向以上での振動の大きさを示す情報を含んでもよい。

上記振動情報は、ミキサの下方に配置され、生コンクリートを収容可能なホッパに対してミキサから生コンクリートが排出された際のホッパの振動の大きさを示す情報であってもよい。

上記振動情報は、ホッパの側壁に交差する方向におけるホッパの振動の大きさを示す情報を含んでもよい。

上記振動情報は、ホッパの側壁に沿った方向におけるホッパの振動の大きさを示す情報を更に含んでもよい。

上記振動情報は、ミキサからホッパに生コンクリートが排出された時点を含むように設定された評価期間におけるホッパの加速度の移動平均値について、最大値、最小値、平均値、及び標準偏差に基づく値から成る群から選択される少なくとも１つを算出した結果であってもよい。

上記取得工程は、所定のデータ取得期間に得られるホッパの加速度の時系列データにおいて、ホッパの側壁に交差する方向又はホッパの側壁に沿った方向におけるホッパの加速度の絶対値が最大となる時刻を、基準時刻として算出する工程と、データ取得期間のうち、基準時刻よりも前の時刻から、基準時刻よりも後の時刻までの期間を評価期間に設定する工程と、を含んでもよい。

上記予測工程では、生コンクリートに含まれる空気量が予測されてもよい。

上記予測工程では、生コンクリートのスランプ及びスランプフローの少なくとも一方が予測されてもよい。

上記入力情報は、コンクリート材料の配合条件を示す情報、及び、ミキサにおけるコンクリート材料の練混ぜ時の条件又は状態を示す情報の少なくとも一方を更に含んでもよい。

上記品質予測方法は、予測モデルを構築するモデル構築工程を更に含んでもよい。モデル構築工程は、ミキサによって製造されたテスト用の生コンクリートの落下又は流下に起因した振動の大きさを示す学習用の振動情報を含む学習用の入力情報と、学習用の入力情報に対応付けられたテスト用の生コンクリートの品質を示す実績情報と、を準備する工程と、学習用の入力情報と実績情報とに基づくニューラルネットワークを用いた機械学習により予測モデルを構築する工程と、を含んでもよい。

本開示の一側面に係る生コンクリートの製造方法は、練混ぜ工程と、取得工程と、予測工程と、を含む。練混ぜ工程では、コンクリート材料をミキサにおいて練り混ぜる。取得工程では、練混ぜ工程において製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得する。予測工程では、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、取得工程において取得された入力情報とに基づいて、生コンクリートの品質を予測する。

本開示の一側面に係る生コンクリートの製造装置は、ミキサと、センサと、情報取得部と、モデル保持部と、品質予測部と、を備える。ミキサは、コンクリート材料を練り混ぜる。センサは、ミキサにおいて製造された生コンクリートの落下又は流下に起因した振動の大きさを検出する。情報取得部は、少なくともセンサによる検出結果に基づいて、振動の大きさを示す振動情報を含む入力情報を取得する。モデル保持部は、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルを記憶する。品質予測部は、モデル保持部により記憶された予測モデルと、情報取得部により取得された入力情報とに基づいて、生コンクリートの品質を予測する。

本開示によれば、生コンクリートの品質を簡便に把握することが可能な生コンクリートの品質予測方法、生コンクリートの製造方法、及び生コンクリートの製造システムが提供される。

図１は、生コンクリートの製造システムの一例を示す模式図である。 図２（ａ）は、積込ホッパの一例を模式的に示す側面図である。図２（ｂ）は、積込ホッパの一例を模式的に示す下面図である。 図３は、制御装置の機能構成の一例を示すブロック図である。 図４（ａ）は、振動検出センサによる検出値の一例を示すグラフである。図４（ｂ）は、生コンクリートが落下した際の検出値の一例を示すグラフである。 図５は、検出値の移動平均値の一例を示すグラフである。 図６は、制御装置のハードウェア構成の一例を示すブロック図である。 図７は、学習フェーズにおいて実行される一連の処理の一例を示すフローチャートである。 図８は、評価フェーズにおいて実行される一連の処理の一例を示すフローチャートである。 図９は、振動情報を用いた予測モデルの検証結果の一例を示すグラフである。 図１０は、振動情報を用いた予測モデルの検証結果の一例を示すグラフである。 図１１は、振動情報を用いた予測モデルの検証結果の一例を示すグラフである。

以下、図面を参照して一実施形態について説明する。説明において、同一要素又は同一機能を有する要素には同一の符号を付し、重複する説明を省略する。

［生コンクリートの製造システム］
図１には、一実施形態に係る生コンクリートの製造システムが模式的に示されている。図１に示される製造システム１は、生コンクリート（生コン）を製造するシステムである。製造システム１は、コンクリート材料を混練して生コンクリートを製造する。コンクリート材料は、セメント、混和材、粗骨材（例えば、砂利）、細骨材（例えば、砂）、水、及び混和剤等を含む。

製造システム１は、製造した生コンクリートを運搬車Ｃに積み込む。運搬車Ｃは、生コンクリートが積み込まれた後に、生コンクリートが使用される現場（例えば、工事現場）まで生コンクリートを運搬する。運搬車Ｃとしては、例えば、アジテータ車（ミキサ車）、及び、ダンプトラックが挙げられる。製造システム１は、現場ごとに設定された目標品質（要求品質）を満たすように、コンクリート材料から生コンクリートを製造してもよい。製造システム１は、製造装置１０と、振動検出センサ４０（センサ）と、制御装置５０と、を備える。

（生コンクリートの製造装置）
製造装置１０は、制御装置５０からの動作指示に基づいて、生コンクリートを製造する装置である。製造装置１０は、例えば、貯蔵瓶１２と、計量瓶１４と、集合ホッパ１６と、ミキサ２０と、積込ホッパ３０（ホッパ）と、を備える。図１には、上下方向が「方向Ｄ１」及び「方向Ｄ２」で示されている。方向Ｄ１は鉛直上向きであり、方向Ｄ２は鉛直下向きである。製造装置１０では、貯蔵瓶１２、計量瓶１４、集合ホッパ１６、ミキサ２０、及び積込ホッパ３０が、上からこの順に配置されている。

貯蔵瓶１２は、各種のコンクリート材料を一時的に貯蔵する。貯蔵瓶１２には、骨材置場、セメントサイロ、及び水槽等から、ベルトコンベア等の運搬装置により各種のコンクリート材料が搬送される。貯蔵瓶１２は、各種のコンクリート材料を個別に貯蔵するように構成されている。以下では、「コンクリート材料」を単に「材料」と表記する場合がある。貯蔵瓶１２に貯蔵されている各種材料は、必要に応じて計量瓶１４に供給される。

計量瓶１４は、貯蔵瓶１２の下方に配置されている。計量瓶１４は、制御装置５０からの動作指示に基づいて動作し、各種材料を個別に計量する。計量瓶１４は、制御装置５０から指示された目標量の材料を検知すると、その材料を集合ホッパ１６に供給する。水が計量瓶１４に供給される際に、その水に混和剤が混合されてもよい。集合ホッパ１６は、計量瓶１４の下方に配置されている。集合ホッパ１６は、計量瓶１４から排出される各種材料を集約し、集約した各種材料をミキサ２０に供給する。

ミキサ２０は、集合ホッパ１６の下方に配置されている。ミキサ２０は、骨材、セメント、水、及び混和剤等を練り混ぜる（混練する）ことで、生コンクリートを製造（生成）する装置である。ミキサ２０は、傾動ミキサ、水平１軸型のミキサ、水平２軸型のミキサ、又はパン型のミキサであってもよい。ミキサ２０は、例えば、２つの攪拌部材２１と、ミキサ駆動部２２と、を含む。傾動ミキサでは、ミキサ内の画像を撮像することが困難であるため、本実施形態に係る振動を用いた品質予測を好適に活用できる。

２つの攪拌部材２１は、ミキサ２０に供給された各種材料を攪拌する部材である。２つの攪拌部材２１は、ミキサ２０の本体部分（容器部分）の内部において並んで配置され、回転自在に設けられている。２つの攪拌部材２１それぞれは、水平な一方向に延びる回転軸を含む。ミキサ駆動部２２は、制御装置５０からの動作指示に基づいて、２つの攪拌部材２１それぞれの回転軸を回転させる。ミキサ駆動部２２は、例えば、攪拌部材２１に駆動力を付与するモータ等の駆動源を含む。ミキサ２０の本体部分の底壁には、製造された生コンクリートを積込ホッパ３０に排出するための開閉口が設けられている。

積込ホッパ３０は、ミキサ２０の下方に配置されており、生コンクリートを収容可能となる。積込ホッパ３０は、ミキサ２０（ミキサ２０の上記開閉口）から排出された生コンクリートを受け入れて、その生コンクリートを一時的に収容する。ミキサ２０から積込ホッパ３０に生コンクリートが排出される際に、その生コンクリートは、積込ホッパ３０の内部に落下する。例えば、ミキサ２０から排出される際に、ミキサ２０で製造された生コンクリートの略全てが積込ホッパ３０に落下する。積込ホッパ３０は、ミキサ２０で製造された生コンクリートを一時的に収容した後に、生コンクリートを運搬車Ｃに供給する。

積込ホッパ３０は、生コンクリートを収容可能であれば、どのような形状を有してもよい。積込ホッパ３０は、切頭円錐状であってもよく、切頭四角錐状であってもよい。積込ホッパ３０は、例えば、切頭四角錐状であり、図２（ａ）及び図２（ｂ）に示されるように、底壁３２と、側壁３４ａと、側壁３４ｂと、側壁３４ｃと、側壁３４ｄと、を有する。底壁３２は、水平に配置されており、平面視（鉛直上方から視ること）において、底壁３２の外縁は四角形である。側壁３４ａ，３４ｂ，３４ｃ，３４ｄそれぞれは、底壁３２の１つの縁に接続されており、鉛直斜め方向に延びるように形成されている。各側壁は、上方に向かうにつれて、底壁３２から離れるように、上下方向に対して傾斜している。

底壁３２、及び側壁３４ａ，３４ｂ，３４ｃ，３４ｄによって、積込ホッパ３０内の収容空間が形成される。積込ホッパ３０内の収容空間は、上端が開放されている。積込ホッパ３０内の収容空間では、上方から底壁３２に向かうにつれて水平面での面積が小さくなっている。底壁３２には、生コンクリートを運搬車Ｃに排出するための開閉口（不図示）が設けられている。図２（ｂ）には、鉛直下方から積込ホッパ３０を見た場合の、積込ホッパ３０とミキサ２０の本体部分の底壁に設けられた開閉口２４との位置関係が例示されている。

ミキサ２０の開閉口２４は、水平な一方向に沿って延びるように形成されていてもよい。開閉口２４は、上述した一対の攪拌部材２１の間に配置され、攪拌部材２１の回転軸に沿って延びるように形成されていてもよい。積込ホッパ３０は、底壁３２の一対の外縁が開閉口２４の延在方向に沿うように配置されてもよい。側壁３４ａ及び側壁３４ｂは、開閉口２４の延在方向において、底壁３２を間に挟むように配置されている。側壁３４ｃ及び側壁３４ｄは、開閉口２４の延在方向とは直交する水平な一方向において、底壁３２及び開閉口２４を間に挟むように配置されている。

開閉口２４の延在方向において、開閉口２４の長さは、底壁３２よりも長くてもよく、側壁３４ａの上端と側壁３４ｂの上端との間の長さ（最短距離）よりも短くてもよい。この場合、開閉口２４から生コンクリートが排出される際に、生コンクリートが、底壁３２の上面に加えて、側壁３４ａの内面、及び側壁３４ｂの内面に落下し得る。側壁３４ａの内面又は側壁３４ｂの内面に落下した生コンクリートは、これらの内面に沿って底壁３２に向かって流下する。

（振動検出センサ）
振動検出センサ４０は、ミキサ２０によって製造された生コンクリートの落下又は流下に起因した振動（振動の大きさ）を検出するセンサである。落下又は流下に起因した振動には、生コンクリートの落下及び流下の双方に起因した振動も含まれる。振動検出センサ４０は、生コンクリートの落下又は流下に起因した２方向以上での振動の大きさを検出可能であってもよい。振動検出センサ４０は、例えば、積込ホッパ３０の振動の大きさを検出する。振動検出センサ４０は、積込ホッパ３０のいずれかの側壁に設置されていてもよい。振動検出センサ４０は、ミキサ２０から排出された生コンクリートが落下し得る側壁３４ａ及び側壁３４ｂの一方に設置されてもよい。図２（ａ）及び図２（ｂ）に示される例では、振動検出センサ４０が、側壁３４ａの外面に設けられている。

振動検出センサ４０は、側壁３４ａに交差する方向における積込ホッパ３０の振動の大きさを検出してもよい。振動検出センサ４０は、側壁３４ａに交差する方向での振動に加えて、側壁３４ａに沿った方向における積込ホッパ３０の振動の大きさを検出してもよい。振動検出センサ４０は、例えば、側壁３４ａに直交する方向での積込ホッパ３０の振動の大きさと、側壁３４ａに沿い、且つ、互いに直交する２方向での振動の大きさとを検出する。本開示では、側壁３４ａに直交する方向を「Ｚ軸」と定義し、側壁３４ａに直交する方向から側壁３４ａを見たときの横方向及び縦方向を「Ｘ軸」及び「Ｙ軸」とそれぞれ定義する。

振動検出センサ４０は、積込ホッパ３０の振動の大きさを検出することが可能であれば、いかなる方式のセンサであってもよい。振動検出センサ４０は、例えば、積込ホッパ３０の加速度を検出するセンサである。振動検出センサ４０は、積込ホッパ３０のＸ軸方向での加速度、積込ホッパ３０のＹ軸方向での加速度、及び積込ホッパ３０のＺ軸方向での加速度を検出してもよい。

振動検出センサ４０は、所定のサンプリング周期にて各軸の加速度を検出してもよい。サンプリング周期は、０．１秒～１．０秒程度であってもよい。振動検出センサ４０は、加速度に代えて、積込ホッパ３０の速度、角速度、位置情報、変位、又は、加速度及び角速度の双方を検出するセンサであってもよい。位置情報を検出するセンサは、ＧＰＳセンサであってもよい。振動検出センサ４０は、製造システム１（製造装置１０）が稼働している間、加速度等の振動の大きさを示す物理量を継続して検出してもよい。振動検出センサ４０は、加速度等の検出値を制御装置５０に出力する。

（制御装置）
制御装置５０は、製造装置１０を制御する装置である。制御装置５０は、１つ又は複数の制御用コンピュータによって構成される。制御装置５０には、入出力デバイス５２が接続されてもよい（図３参照）。入出力デバイス５２は、オペレータ等からの指示を示す情報を制御装置５０に入力すると共に、制御装置５０からの情報をオペレータ等に出力するための装置である。入出力デバイス５２は、入力デバイスとして、キーボード、操作パネル、又はマウスを含んでいてもよく、出力デバイスとして、モニタ（例えば液晶ディスプレイ）を含んでいてもよい。入出力デバイス５２は、入力デバイス及び出力デバイスが一体化されたタッチパネルであってもよい。制御装置５０及び入出力デバイス５２が一体化されていてもよい。

制御装置５０は、予め定められた動作条件に従って製造装置１０を制御してもよい。動作情報の少なくとも一部は、オペレータ等からの指示によって定められてもよい。制御装置５０は、製造装置１０に対する制御に加えて、製造装置１０によって製造された生コンクリートの品質を予測するように構成されていてもよい。この場合、制御装置５０が、生コンクリートの品質を予測する品質予測装置を構成する。制御装置５０（品質予測装置）は、少なくとも、ミキサ２０において製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得することと、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、取得された入力情報とに基づいて、生コンクリートの品質を予測することと、を実行するように構成されている。

制御装置５０は、図３に示されるように、機能上の構成（以下、「機能モジュール」という。）として、動作条件保持部６２と、動作制御部６４と、動作データ取得部６６と、検出データ取得部６８と、振動データ算出部７０と、品質予測部７２と、モデル保持部７４と、モデル構築部７６と、報知部７８と、を有する。これらの機能モジュールが実行する処理は、制御装置５０が実行する処理に相当する。

動作条件保持部６２は、製造装置１０を動作させるための動作条件を示す情報を保持（記憶）する。動作条件保持部６２が保持する動作条件は、オペレータ等によって予め定められていてもよい。オペレータ等は、生コンクリートの目標品質に応じて、動作条件を調整（変更）してもよい。動作制御部６４は、動作条件保持部６２が保持する動作条件に従って製造装置１０を制御する。動作条件は、コンクリート材料の配合条件、使用する材料の条件、及び、ミキサ２０におけるコンクリート材料の練混ぜ時の条件を含んでもよい。

動作データ取得部６６は、生コンクリートの品質を予測するために使用する動作情報を取得する。動作情報は、例えば、製造装置１０を動作させるための上記動作条件を示す条件情報、製造装置１０が実際に動作した際の装置又は材料の状態を示す状態情報、及び、製造装置１０の動作時の環境を示す環境情報のうちの少なくとも１種類以上の情報を含む。動作情報は、コンクリート材料の配合条件を示す情報、及び、ミキサ２０におけるコンクリート材料の練混ぜ時の条件又は状態を示す情報の少なくとも一方を含んでもよい。

動作情報は、各種材料の配合条件に関する情報、使用する材料に関する情報、ミキサ２０における練混ぜに関する情報、及び、環境（外部環境）に関する情報のうちの少なくとも１種類以上の情報を含んでもよい。各種材料の配合条件に関する情報は、例えば、呼び強度、配合強度、目標スランプ、目標スランプフロー、目標空気量、水結合材比、細骨材率、及び、各種材料（水、セメント、混和材、細骨材、粗骨材、及び混和剤等）の単位量［ｋｇ／ｍ^３］又は単位容積［Ｌ／ｍ^３］のうちの少なくとも１種類以上の情報を含む。

使用する材料に関する情報は、例えば、各種材料の、種類、銘柄、製造日、及び密度［ｇ／ｃｍ^３］、並びに、骨材（細骨材及び粗骨材）の、吸水率、含水率、表面水率、実積率、粗粒率、粒度分布、及び最大寸法のうちの少なくとも１種類以上の情報を含む。ミキサ２０におけるコンクリート材料の練混ぜ時の条件又は状態は、例えば、各種材料の練混ぜ量（総量）、練混ぜ時間の設定値、練混ぜ時間の実測値、及びミキサ２０の電力負荷値のうちの少なくとも１種類以上の情報を含む。

動作情報は、上述した情報に代えて又は加えて、セメントに関する情報及びセメントクリンカに関する情報の少なくとも一方を含んでもよい。セメントに関する情報は、例えば、セメントの種類、化学組成、鉱物組成、湿式ｆ．ＣａＯ、強熱減量、ブレーン比表面積、粒度分布、ふるい試験残分量、色調、セメントに含まれる各鉱物の、鉱物学的性質及び結晶学的性質、並びに、セメントに含まれる石膏の半水化率のうちの少なくとも１種類以上の情報を含む。

セメントクリンカに関する情報は、例えば、セメントクリンカの調合原料の、化学組成、水硬率、ふるい試験残分量、ブレーン比表面積（粉末度）、及び強熱減量と、セメントクリンカの、鉱物組成、化学組成、湿式ｆ．ＣａＯ（フリーライム）、及び、容重と、セメントクリンカに含まれる各鉱物の結晶学的性質（格子定数又は結晶子径等）と、セメントクリンカに含まれる２種以上の鉱物組成の比と、からなる群から選択される少なくとも１種類以上の情報を含む。

ミキサ２０の電力負荷値は、ミキサ駆動部２２において測定されてもよい。ミキサ２０の電力負荷値を示す情報は、ミキサ２０が動作している間の連続した時系列データであってもよく、時系列データから得られる統計値であってもよく、代表した数点での電力負荷値であってもよい。電力負荷値を示す情報は、ミキサ２０の動作開始時点（開始直後）の電力負荷値の初期値、ミキサ２０の動作中における電力負荷値の最大値、及び、ミキサ２０の動作終了時点（終了直前）の電力負荷値の終局値であってもよい。ミキサ２０の電力負荷値の初期値と最大値との差分、及びミキサ２０の電力負荷値の終局値は、生コンクリートの硬さ（軟らかさ）等が影響すると考えられる。

環境（外部環境）に関する情報は、例えば、外気温、湿度、ミキサ２０内の温度、各種材料の温度、及び、各種材料を貯蔵する容器の温度のうちの少なくとも１種類以上の情報を含む。品質の予測精度の観点から、動作情報として、各種材料の密度、細骨材の表面水率の設定値及び実測値、呼び強度、配合強度、水結合材比、細骨材率、各材料の単位量、材料の練混ぜ量、練混ぜ時間、電力負荷値の初期値、最大値、及び終局値、並びに外気温から成る群から選択される１種類以上の情報が用いられてもよい。以上に説明した各種の動作情報は一例であり、生コンクリートの品質に影響し得る情報であれば、どのような情報が含まれていてもよい。

検出データ取得部６８は、振動検出センサ４０による振動の検出結果を示す検出情報を取得する。検出データ取得部６８は、例えば、Ｘ軸、Ｙ軸、及びＺ軸それぞれにおける積込ホッパ３０の加速度を示す検出情報を振動検出センサ４０から取得する。検出データ取得部６８は、製造装置１０が稼働している間、振動検出センサ４０から継続して加速度を示す検出情報を取得してもよい。

振動データ算出部７０は、検出データ取得部６８によって取得された検出情報から、ミキサ２０によって製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を算出（取得）する。振動データ算出部７０は、例えば、上記検出情報から、生コンクリートの落下又は流下に起因した、２方向以上での振動の大きさを示す情報を振動情報として算出する。振動データ算出部７０は、積込ホッパ３０に対してミキサ２０から生コンクリートが排出された際の積込ホッパ３０の振動の大きさを示す情報を振動情報として算出してもよい。

振動データ算出部７０によって算出される振動情報は、Ｚ軸方向における積込ホッパ３０の振動の大きさを示す情報を含んでもよい。振動データ算出部７０によって算出される振動情報は、Ｚ軸方向に加えて、Ｘ軸方向及びＹ軸方向の少なくとも一方における積込ホッパ３０の振動の大きさを示す情報を含んでもよい。振動検出センサ４０が加速度センサである場合、振動データ算出部７０は、検出データ取得部６８が取得した検出情報から、Ｘ軸、Ｙ軸、及びＺ軸それぞれでの積込ホッパ３０の加速度を示す情報を取得してもよい。振動データ算出部７０は、Ｘ軸、Ｙ軸、及びＺ軸方向のそれぞれにおいて、振動検出センサ４０によって検出された加速度の検出情報から、統計値（代表値）を上記振動情報として算出してもよい。

以下、加速度の検出情報から統計値を振動情報として算出する場合の一例を説明する。下記の例では、制御装置５０（振動データ算出部７０）は、ミキサ２０から積込ホッパ３０に生コンクリートが排出されるタイミングを把握していない状況で、振動情報を算出する。ミキサ２０において１回の練混ぜによって製造され、積込ホッパ３０を介して運搬車Ｃに積み込まれる生コンクリートの単位を「１バッチ」と定義する。一例では、１～３バッチ分の生コンクリートが１台の運搬車Ｃに積み込まれる。例えば、２バッチ分の生コンクリートが１台の運搬車Ｃに積み込まれる場合、ミキサ２０において２回のコンクリート材料の練混ぜが互いに異なるタイミングで（順に）行われる。

振動データ算出部７０は、最初に、Ｘ軸、Ｙ軸、及びＺ軸方向のそれぞれにおいて、所定のデータ取得期間に得られる加速度の時間変化を示すデータ（以下、「時系列データ」という。）を、検出データ取得部６８が得た検出情報から取得する。所定のデータ取得期間は、予め定められており、ミキサ２０から１回の生コンクリートの排出が行われるタイミングが含まれるように設定される。一例では、所定のデータ取得期間は、１バッチ分の生コンクリートの製造が開始されてから、運搬車Ｃへの積み込みが完了するまでの期間に設定される。

図４（ａ）には、製造装置１０の稼働が継続され、数十バッチ分の生コンクリートの製造及び積込が行われた場合の、Ｚ軸方向における加速度の時間変化の一例を表すグラフが示されている。図４（ａ）のグラフにおいて、上記データ取得期間の一例が「Ｔａ」で示されている。ミキサ２０から積込ホッパ３０への生コンクリートの排出に伴って、積込ホッパ３０に生コンクリートが落下して、Ｚ軸方向における加速度がマイナス方向（積込ホッパ３０の外方に向かう方向）に大きく変動する。振動データ算出部７０は、上記データ取得期間に得られる加速度の時系列データにおいて、Ｚ軸方向における加速度が最小値を示す（Ｚ軸での加速度の絶対値が最大となる）時刻を基準時刻ｔｓとして算出する。

次に、振動データ算出部７０は、上記データ取得期間のうちの、基準時刻ｔｓよりも前の時刻から、基準時刻ｔｓよりも後の時刻までの期間を評価期間に設定する。評価期間は、加速度の統計値を算出する期間である。振動データ算出部７０は、評価期間における加速度の検出値に基づいて、加速度の統計値を算出する。評価期間は、ミキサ２０から積込ホッパ３０に生コンクリートが排出された時点（落下した時点）を含むように設定される。評価期間の設定方法は、予め定められている。

振動データ算出部７０は、上記データ取得期間での時系列データから、評価期間におけるデータを抽出する。図４（ｂ）には、評価期間でのＺ軸方向における加速度の時間変化を表すグラフが示されている。図４（ｂ）に示される例では、評価期間の開示時点が、基準時刻ｔｓから５秒遡った時点に設定されており、評価期間の終了時点が、基準時刻ｔｓから５秒後の時点に設定されている。５秒は一例であり、基準時刻ｔｓを中心として基準時刻ｔｓから数秒～数十秒前後の期間が評価期間に設定されてもよい。振動データ算出部７０は、基準時刻ｔｓと開示時点との間の時間と、基準時刻ｔｓと終了時点との間の時間とが互いに異なるように、評価期間を設定してもよい。

振動データ算出部７０は、評価期間において、Ｘ軸、Ｙ軸及びＺ軸方向それぞれにおける積込ホッパ３０の加速度に関して、移動平均値を算出してもよい。移動平均の１つの値を算出する際の区間、及びデータ数は、どのように設定されてもよい。振動データ算出部７０は、サンプリング周期ごとに、当該周期での加速度、１つ前の周期での加速度、及び２つ前の周期での加速度の平均値を算出してもよい。振動データ算出部７０は、サンプリング周期によっては、評価期間以外の加速度の検出値を利用して、評価期間における移動平均値を算出してもよい。

図５には、評価期間における移動平均値の時間変化を表すグラフが示されている。振動データ算出部７０は、Ｘ軸、Ｙ軸、及びＺ軸方向のそれぞれにおいて、評価期間における積込ホッパ３０の加速度の移動平均値について、最大値ａ１、最小値ａ２、平均値μ、及び、標準偏差σに基づく値から成る群から選択される少なくとも１つを算出した結果を、振動情報として取得してもよい。標準偏差σに基づく値は、標準偏差σ自体と、標準偏差σに対して所定の演算を施すことで得られる値（例えば、分散σ^２、３×σ）とを含む。振動データ算出部７０は、３方向それぞれにおいて、図５に示されるように、評価期間での加速度の移動平均値の最大値ａ１、最小値ａ２、平均値μ、及び分散σ^２を振動情報として算出してもよい。この場合、１バッチ分の生コンクリートの製造において得られる振動情報は、１２個のデータ（３軸×４種類のデータ）から成る。

図３に戻り、品質予測部７２は、振動データ算出部７０によって算出された上記振動情報を含む入力情報に基づいて、生コンクリートの品質を予測する。入力情報は、品質予測部７２が生コンクリートの品質の予測に用いる情報である。品質予測部７２は、振動データ算出部７０によって算出された上記振動情報と、動作データ取得部６６によって取得された上記動作情報とを含む情報を上記入力情報として取得してもよい。この場合、動作データ取得部６６及び振動データ算出部７０によって、振動情報と動作情報とを含む入力情報を取得する情報取得部が構成される。

品質予測部７２が予測する生コンクリートの品質は、例えば、スランプ、スランプフロー、５０ｃｍフロー到達時間、Ｖロート流下時間、空気量、凝結の始発時間、凝結の終結時間、強度（呼び強度、圧縮強度、及び、曲げ強度等）、ヤング係数、塩化物含有量、耐久性、及び色調のうちの少なくとも１種類以上を含む。生コンクリートの品質には、生コンクリートが硬化することで形成される硬化体の品質が含まれてもよい。

品質予測部７２は、生コンクリートに含まれる空気量を生コンクリートの品質として予測してもよい。品質予測部７２は、空気量に代えて又は加えて、生コンクリートのスランプ（スランプ値）及びスランプフロー（スランプフロー値）の少なくとも一方を、生コンクリートの品質として予測してもよい。生コンクリートの強度、スランプ、スランプフロー、空気量、及び塩化物含有量は、「ＪＩＳ Ａ ５３０８：２０１９（レディーミクストコンクリート）」に規定される試験方法によって測定することができる。

品質予測部７２は、振動情報を含む入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、上記情報取得部により取得された入力情報とに基づいて、生コンクリートの品質を予測する。予測モデルに入力される入力情報は、複数種の入力データ（数値）であってもよく、予測モデルから出力される品質情報は、少なくとも１種類の品質を示すデータ（数値）であってもよい。品質予測部７２は、複数の品質種別に対して予め構築された複数の予測モデルから、予測を行う品質の種別に応じたモデルを選択したうえで、品質の種別ごとに予測モデルを用いて生コンクリートの品質を予測してもよい。

機械学習とは、機械（コンピュータ）が与えられた情報に基づいて反復的に学習することで、法則又はルールを自律的に見つけ出す手法をいう。上記予測モデルは、アルゴリズム及びデータ構造を用いて構築することができる。予測モデルは、例えば、人間の脳神経の仕組みを模した情報処理のモデルであるニューラルネットワークを用いて実現される。予測モデルを構築する際に行われる機械学習の具体的なアルゴリズムは特に限定されない。

モデル保持部７４は、上記予測モデルを記憶する。モデル構築部７６は、予測モデルを構築するための学習用の入力情報に基づいて、機械学習を行うことで上記予測モデルを構築する。モデル構築部７６は、例えば、機械学習の入力として与えられるデータと、機械学習の出力の正解データ（品質の実測値）とを用いて機械学習を行うことで、品質を予測する予測モデルを自律的に構築してもよい。機械学習の入力は、入力情報の種々のデータセットである。入力情報の種々のデータセットの間は、入力情報に含まれる少なくとも１つの情報が互いに異なっている。機械学習の出力は、生コンクリートの品質を示すデータ（数値）である。モデル構築部７６は、入力情報のデータセット及び品質の正解データの複数の組合せを用いて、生コンクリートの品質を示す品質情報を出力する予測モデルを反復的に学習する。

モデル構築部７６が予測モデルを構築する際に、ミキサ２０によって製造されたテスト用の生コンクリートの落下又は流下に起因した振動の大きさを示す学習用の振動情報を含む学習用の入力情報と、学習用の入力情報に対応付けられたテスト用の生コンクリートの品質を示す実績情報と、が準備される。予測モデルが構築される際には、例えば、制御装置５０に、学習用の入力情報と実績情報とが対応付けられた複数の組合せ（複数のデータセット）が入力される。モデル構築部７６は、学習用の入力情報と実績情報とに基づくニューラルネットワークを用いた機械学習により予測モデルを構築してもよい。

上記予測モデルを自律的に製造する段階は、学習フェーズに相当する。品質予測部７２は、生産フェーズ又は評価フェーズにおいて、モデル保持部７４に保持された予測モデルを用いて、品質が未知である入力情報から、その入力情報が得られた際に製造された生コンクリートの品質を予測する。上記学習フェーズが、生コンクリートの生産を行う生産フェーズの初期段階で行われてもよい。学習済みのモデルである予測モデルは、コンピュータ間で移植可能となる。従って、制御装置５０は、他のコンピュータにおいて構築された予測モデルを取得することで、その予測モデルをモデル保持部７４に記憶させてもよい。この場合、制御装置５０は、学習フェーズを実行せずに、生産フェーズ（評価フェーズ）を実行してもよい。

報知部７８は、品質予測部７２による予測結果をオペレータ等に報知する。報知部７８は、品質予測部７２によって予測された生コンクリートの品質を示す品質情報を入出力デバイス５２に出力する。報知部７８は、上記品質情報を入出力デバイス５２のモニタに表示させてもよい。オペレータ等は、入出力デバイス５２に報知された品質情報を確認した後に、その品質情報が目標品質を満たすか否かを判断してもよい。又は、制御装置５０（例えば、品質予測部７２）が、予測した品質情報が目標品質を満たすか否かを判断したうえで、報知部７８が、その判断結果を示す情報を入出力デバイス５２に出力してもよい。

図６に示されるように、制御装置５０は、回路９１を有する。回路９１は、１つ又は複数のプロセッサ９２と、メモリ９３と、ストレージ９４と、入出力ポート９５と、タイマ９６とを含む。ストレージ９４は、例えば不揮発性の半導体メモリ等、コンピュータによって読み取り可能な記憶媒体を有する。ストレージ９４は、予め設定された制御手順で製造装置１０、振動検出センサ４０、及び入出力デバイス５２を制御することを制御装置５０に実行させるためのプログラムを記憶している。例えばストレージ９４は、上述した各機能モジュールを構成するためのプログラムを記憶している。

メモリ９３は、ストレージ９４の記憶媒体からロードしたプログラム及びプロセッサ９２による演算結果を一時的に記憶する。プロセッサ９２は、メモリ９３と協働して上記プログラムを実行することで、制御装置５０の各機能モジュールを構成する。入出力ポート９５は、プロセッサ９２からの指令に従って、製造装置１０、振動検出センサ４０、及び入出力デバイス５２等との間で電気信号の入出力を行う。タイマ９６は、例えば一定周期の基準パルスをカウントすることで経過時間を計測する。なお、回路９１は、必ずしもプログラムにより各機能を構成するものに限られない。例えば回路９１は、専用の論理回路又はこれを集積したＡＳＩＣ（Application Specific Integrated Circuit）により少なくとも一部の機能を構成してもよい。

［生コンクリートの製造方法］
続いて、製造システム１において実行される生コンクリートの製造方法の一例について説明する。生コンクリートの製造方法は、生コンクリートを製造する工程と、生コンクリートの品質の予測を行う工程とを含む。生コンクリートを製造する工程（以下、「製造工程」という。）は、例えば、搬送工程と、計量工程と、投入工程と、練混ぜ工程と、排出工程と、積込工程と、を含む。製造工程では、１バッチ分の生コンクリートの製造ごとに、こられの工程が順に実行されてもよい。投入工程、練混ぜ工程、排出工程、及び積込工程が実行されている間に、次のバッチ分に関する搬送工程、及び計量工程が実行されてもよい。

搬送工程では、ベルトコンベア等の運搬装置によって、各種のコンクリート材料が貯蔵瓶１２まで搬送されて、貯蔵瓶１２に各種材料が個別に供給される。計量工程では、貯蔵瓶１２から計量瓶１４に各種材料が個別に供給され、計量瓶１４において各種材料が計量される。計量工程では、材料ごとに、計測量が１バッチ分の設定量に達した場合に、その材料が集合ホッパ１６に排出される。投入工程では、集合ホッパ１６に全ての種類の材料が集約された後に、集合ホッパ１６内の１バッチ分の材料がミキサ２０に投入（供給）される。

練混ぜ工程では、ミキサ２０においてコンクリート材料の練混ぜが行われる。練混ぜ工程において、制御装置５０は、予め定められた動作条件に従って、ミキサ駆動部２２を制御して、２つの攪拌部材２１を駆動してもよい。排出工程では、ミキサ２０においてコンクリート材料の練混ぜが終了した後に、ミキサ２０から積込ホッパ３０に製造された生コンクリートが排出される。例えば、制御装置５０が、ミキサ２０の電力負荷値が安定した（一例では、電力負荷値の時間変化が所定値以下となった）と判断した場合に、ミキサ２０での練混ぜが終了したと判定される。積込工程では、積込ホッパ３０にミキサ２０から１バッチ分の生コンクリートが排出された後に、積込ホッパ３０から運搬車Ｃに生コンクリートが積み込まれる。

生コンクリートの品質の予測を行う工程（以下、「品質予測工程」という。）は、上記製造工程の実行期間の少なくとも一部と重複する期間において実行される。品質予測工程は、学習フェーズでのモデル構築工程と、生産フェーズ又は評価フェーズでの品質評価工程とを含む。以下、モデル構築工程の一例と、品質評価工程の一例とについて説明する。なお、２バッチ分の生コンクリートが製造される度に、１回の品質評価が行われる場合を例に説明する。

（モデル構築工程）
図７は、モデル構築工程において実行される一連の処理の一例を示すフローチャートである。このモデル構築工程は、テスト用の生コンクリートの製造が製造装置１０において繰り返して実行されている間に並行して行われる。テスト用の生コンクリートは、実際に出荷されない生コンクリートであってもよく、生産フェーズの初期段階において製造され、実際に出荷される生コンクリートであってもよい。モデル構築工程が実行される間において、制御装置５０の検出データ取得部６８は、所定のサンプリング周期ごとに、振動検出センサ４０から加速度の検出値を検出することを継続する。

モデル構築工程において、制御装置５０は、最初にステップＳ１１を実行する。ステップＳ１１では、例えば、制御装置５０が、所定の評価タイミングとなるまで待機する。所定の評価タイミングは、同じ目標品質となるように製造される２バッチ分の生コンクリートが運搬車Ｃに積み込まれたタイミングに設定されてもよい。この場合、２バッチ分のテスト用の生コンクリートの製造ごとに、モデル構築のためのデータの評価及び収集が行われる。

次に、制御装置５０は、ステップＳ１２を実行する。ステップＳ１２では、例えば、振動データ算出部７０が、Ｘ軸、Ｙ軸、及びＺ軸方向のそれぞれにおいて、所定のデータ取得期間に得られる加速度の時間変化を示すデータ（上記時系列データ）を、バッチごとに、検出データ取得部６８が得た検出情報から取得する。すなわち、振動データ算出部７０は、１バッチ目に対応するデータ取得期間での時系列データと、２バッチ目に対応するデータ取得期間での時系列データと、を上記検出情報から抽出する。

次に、制御装置５０は、ステップＳ１３を実行する。ステップＳ１３では、例えば、振動データ算出部７０が、バッチごとに、時系列データから上記振動情報を算出する。一例では、振動データ算出部７０は、上記データ取得期間に得られる加速度の時系列データにおいて、Ｚ軸方向における加速度が最小値を示す時刻を基準時刻ｔｓとして算出する。そして、振動データ算出部７０は、上記データ取得期間のうちの、基準時刻ｔｓよりも前の時刻から、基準時刻ｔｓよりも後の時刻までの期間を評価期間に設定する。評価期間は、データ取得期間よりも短い期間に設定される。

評価期間の設定後、振動データ算出部７０は、Ｘ軸、Ｙ軸及びＺ軸方向それぞれにおいて、評価期間での積込ホッパ３０の加速度に関して移動平均値を算出する。そして、振動データ算出部７０は、Ｘ軸、Ｙ軸、及びＺ軸方向のそれぞれにおいて、評価期間における積込ホッパ３０の加速度の移動平均値について、最大値ａ１、最小値ａ２、平均値μ、及び分散σ^２を振動情報として算出する。振動データ算出部７０は、バッチごとに、基準時刻ｔｓの算出、評価期間の設定、移動平均値の算出、及び、最大値ａ１等の算出を実行する。この場合、２バッチ分の生コンクリートの製造において得られる振動情報は、２４個のデータ（３軸×４種類×２バッチ分）から成る。ステップＳ１３で得られる情報が、学習用の振動情報に相当する。

次に、制御装置５０は、ステップＳ１４を実行する。ステップＳ１４では、例えば、動作データ取得部６６が、上述した動作情報を取得する。一例では、動作データ取得部６６は、各種材料の配合条件に関する情報、使用する材料に関する情報、ミキサ２０における練混ぜに関する情報、及び、環境（外部環境）に関する情報を、上記動作情報として取得する。動作データ取得部６６は、練混ぜに関する情報（材料の練混ぜ量、練混ぜ時間、及びミキサ２０の電力負荷値）について、２バッチ分の情報を取得してもよい。ステップＳ１４で得られる情報が、学習用の動作情報に相当する。

次に、制御装置５０は、ステップＳ１５を実行する。ステップＳ１５では、例えば、モデル構築部７６が、生コンクリートの品質の測定値を正解データとして取得する。一例では、２バッチ分の生コンクリートが運搬車Ｃに積み込まれた後に、一部の生コンクリートが作業員等によって抜き出される。そして、抜き出された生コンクリートのスランプ、スランプフロー、及び空気量等が作業員等によって測定され、こられの測定値が制御装置５０に入力される。

ステップＳ１５で得られる生コンクリートの品質の測定値は、実績情報に相当する。モデル構築部７６は、ステップＳ１３で得られた学習用の振動情報及びステップＳ１４で得られた学習用の動作情報とを含む学習用の入力情報を、ステップＳ１５で得られた実績情報（品質の測定値）に対応付けたうえで記憶する。

次に、制御装置５０は、ステップＳ１６を実行する。ステップＳ１６では、例えば、制御装置５０が、所定数のデータセットが取得されたか否かを判断する。ステップＳ１６において、所定数のデータセットが取得されていないと判断された場合（ステップＳ１６：ＮＯ）、制御装置５０が実行する処理は、ステップＳ１１に戻り、制御装置５０は、ステップＳ１１～Ｓ１６を繰り返す。これにより、学習用の入力情報と実績情報とが対応付けられたデータセットの数が所定数に達するまで、ステップＳ１１～Ｓ１６が繰り返される。

ステップＳ１６において、所定数のデータセットが取得されたと判断された場合（ステップＳ１６：ＹＥＳ）、制御装置５０が実行する処理は、ステップＳ１７に進む。ステップＳ１７では、例えば、モデル構築部７６が、学習用の入力情報と実績情報との複数の組合せを用いて、ニューラルネットワークを用いた機械学習により予測モデル（例えば、回帰予測モデル）を構築する。ニューラルネットワークは、少なくとも、入力層と、出力層とを有する。また、ニューラルネットワークは、一層又は複数層の中間層を更に含んでもよい。中間層を含むことでより複雑な予測モデルを構築でき、品質の予測精度を向上できる。モデル構築部７６は、品質の種別ごとに、予測モデルを構築してもよい。モデル保持部７４は、ステップＳ１７で構築された予測モデルを記憶する。

（品質評価工程）
図８は、品質評価工程において実行される一連の処理の一例を示すフローチャートである。品質評価工程は、上記モデル構築工程の後において、実際に出荷される生コンクリートの製造が製造装置１０において繰り返して実行されている間に並行して行われる。実際に出荷される生コンクリートの製造が継続されている間において、制御装置５０の検出データ取得部６８は、所定のサンプリング周期ごとに、振動検出センサ４０から加速度の検出値を検出することを継続してもよい。

品質評価工程において、制御装置５０は、ステップＳ１１，Ｓ１２，Ｓ１３，Ｓ１４と同様に、ステップＳ２１，Ｓ２２，Ｓ２３，Ｓ２４を実行する。ステップＳ２３では、評価用の振動情報が算出され、ステップＳ２４では評価用の動作情報が取得される。すなわち、ステップＳ２３及びステップＳ２４が実行されることで、評価用の振動情報と評価用の動作情報とを含む評価用の入力情報が取得される。「評価用」とは、生コンクリートの品質が未知であることを意味する。

次に、制御装置５０は、ステップＳ２５を実行する。ステップＳ２５では、例えば、品質予測部７２が、ステップＳ２３，Ｓ２４で得られた評価用の入力情報を、モデル保持部７４が保持する予測モデルに入力した際に、その予測モデルから出力される品質情報を取得することで、評価対象の生コンクリートの品質を予測する。モデル構築工程でのステップＳ１５と異なり、ステップＳ２５では、生コンクリートの品質の測定が行われない。品質予測部７２は、品質種別ごとに、当該種別に応じた予測モデルを用いて品質を予測してもよい。

品質予測部７２は、評価用の入力情報及びスランプに関する予測モデルを利用して、評価対象の生コンクリートのスランプを予測する。品質予測部７２は、評価用の入力情報及びスランプフローに関する予測モデルを利用して、評価対象の生コンクリートのスランプフローを予測する。品質予測部７２は、評価用の入力情報及び空気量に関する予測モデルを利用して、評価対象の生コンクリートの空気量を予測する。

次に、制御装置５０は、ステップＳ２６を実行する。ステップＳ２６では、例えば、報知部７８が、ステップＳ２５で得られた品質の予測結果を入出力デバイス５２に出力する。以上により、２バッチごとに行われる１回の品質評価工程が終了する。制御装置５０は、２バッチ分の生コンクリートの製造（積込）が行われる度に、ステップＳ２１～Ｓ２６の一連の処理を実行してもよい。

［変形例］
図７及び図８に示される一連の処理は一例であり、適宜変更可能となる。上記一連の処理において、制御装置５０は、１つのステップと次のステップとを並列に実行してもよく、上述した例とは異なる順序で各ステップを実行してもよい。制御装置５０は、上述した例とは異なる内容のステップを実行してもよい。

上述の例と異なり、１バッチ分の生コンクリートが１台の運搬車Ｃに積み込まれる場合に、１バッチ分の生コンクリートの製造ごとに、制御装置５０が品質予測を行ってもよい。また、運搬車Ｃに２バッチ分以上の生コンクリートが積み込まれる場合であっても、制御装置５０が、１バッチ分の製造（積込）ごとに品質予測を行ってもよい。運搬車Ｃへの積込量に関わらず、複数バッチ分の生コンクリートの製造ごとに、制御装置５０が品質予測を行ってもよい。組成又は物性の異なる生コンクリートが製造される場合、予測精度向上の観点から、より多くのバッチ分のデータを用いて品質予測が行われてもよい。

上述の例では、Ｚ軸での加速度の絶対値が最大となる時点が基準時刻ｔｓとして算出されるが、基準時刻ｔｓの算出方法は、これに限られない。ミキサ２０から積込ホッパ３０への生コンクリートの排出に伴って、積込ホッパ３０に生コンクリートが落下して、Ｘ軸及びＹ軸における加速度が大きく変動する。振動データ算出部７０は、上記データ取得期間に得られる加速度の時系列データにおいて、Ｘ軸方向又はＹ軸方向における加速度の絶対値が最大となる時刻を基準時刻ｔｓとして算出してもよい。

上述の例では、基準時刻ｔｓに基づき上記評価期間が設定されるが、評価期間の設定方法は、これに限られない。ミキサ２０の排出口が開かれるタイミングと、積込ホッパ３０が大きく振動するタイミングとは略一致する。そのため、制御装置５０が、ミキサ２０から生コンクリートを排出したタイミングを検出可能である場合、振動データ算出部７０は、検出された排出タイミングを含む前後の期間を上記評価期間に設定してもよい。制御装置５０は、ミキサ２０の排出口を開くための指令を送出したタイミング、又は、ミキサ２０の排出口が開いたことを示す信号を受信したタイミングを含む前後の期間を上記評価期間に設定してもよい。積込ホッパ３０において生コンクリートの存在を検知するセンサが設けられる場合、制御装置５０は、そのセンサが生コンクリートの存在を検知したタイミングを含む前後の期間を上記評価期間に設定してもよい。

振動データ算出部７０は、評価期間における加速度の移動平均値について、最大値、最小値、平均値、及び標準偏差に基づく値に代えて又は加えて、中央値、最頻値、及びピーク数のうちの少なくとも１つを振動情報として算出してもよい。振動データ算出部７０は、加速度の移動平均値に代えて、評価期間での加速度自体の統計値を振動情報として算出してもよい。振動データ算出部７０は、評価期間における加速度について、最大値、最小値、平均値、及び標準偏差に基づく値のうちの少なくとも１つを算出した結果を振動情報として算出してもよい。入力情報に、動作情報が含まれずに、振動情報が含まれてもよい。この場合、振動情報から予測モデルが構築され、振動情報と予測モデルとに基づいて品質が予測される。

振動データ算出部７０は、振動検出センサ４０によって取得されたデータを周波数変換（例えば、高速フーリエ変換）して得られる周波数スペクトルに基づく情報を振動情報として算出してもよい。振動データ算出部７０は、周波数スペクトルから得られる周波数情報、特徴量、又は統計量を振動情報として算出してもよい。制御装置５０は、振動検出センサ４０によって取得された測定値を示すグラフ（波形）の画像データを振動情報として取得してもよい。

製造装置１０を制御するための制御装置５０とは別のコンピュータ（品質予測装置）が、予測モデルを用いて生コンクリートの品質を予測してもよい。この場合、制御装置５０に代えて、上記別のコンピュータが、品質予測部７２等の品質の予測に関する処理を行う機能モジュールを有してもよい。品質の予測に用いる振動情報は、積込ホッパ３０以外において、生コンクリートの落下又は流下に起因した振動を示す情報であってもよい。

［振動情報を用いた予測モデルの検証］
振動情報を用いた品質予測を検証するために、振動情報を用いない場合の比較モデルでの予測結果と、振動情報を用いた場合の上記予測モデルの予測結果との比較検証を行った。具体的には、８３～１００個の学習用のデータセットと、１０個の検証用のデータセットとを準備した。学習用の入力情報（学習用の振動情報及び動作情報）と、スランプの測定値、スランプフローの測定値、及び空気量の測定値とが対応付けられた学習用のデータセットを準備した。

入力情報のうちの動作情報として、各種材料の密度、細骨材の表面水率の設定値及び実測値、呼び強度、配合強度、水結合材比、細骨材率、各材料の単位量、２バッチ分の材料の練混ぜ量、２バッチ分の練混ぜ時間、２バッチ分の電力負荷値の初期値、最大値、及び終局値、並びに外気温に関するデータを準備した。入力情報のうちの振動情報として、Ｘ軸、Ｙ軸、及びＺ軸それぞれの２バッチ分の加速度の移動平均値に関する最大値ａ１、最小値ａ２、平均値μ、及び分散σ^２に関するデータを準備した。

学習用のデータセットにおいて、振動情報を用いずに、動作情報と品質の測定値とから上記比較モデルを構築した。学習用のデータセットにおいて、振動情報及び動作情報と品質の測定値とから上記予測モデルを構築した。スランプ、スランプフロー、及び空気量のそれぞれに関して、比較モデル及び予測モデルを構築した。すなわち、以下の６つのモデルを作成した。
比較モデル１：振動情報を用いずにスランプを予測するモデル
予測モデル１：振動情報を用いてスランプを予測するモデル
比較モデル２：振動情報を用いずにスランプフローを予測するモデル
予測モデル２：振動情報を用いてスランプフローを予測するモデル
比較モデル３：振動情報を用いずに空気量を予測するモデル
予測モデル３：振動情報を用いて空気量を予測するモデル

入力情報の各種データを変数として、１つの品質（指標値）を出力する１次の回帰予測モデルを、比較モデル及び予測モデルとして構築した。１次の回帰予測モデルは、下記の式（１）によって示される。

式（１）において、「ｙ」は、品質の指標値を表す出力であり、スランプ、スランプフロー、又は、空気量を表す。「ｉ」は、２～Ｎの自然数であり、「Ｎ」は入力データの個数を表す。「ｗ」は、重み（係数）であり、「ｂ」は、バイアス項（係数）である。学習用のデータセットを用いて、式（１）において、重みｗとバイアス項ｂとを定めることで、品質の種別ごとに、回帰予測モデルを構築した。重みｗにある値が入力されているときの出力ｙの値と正解データである品質の測定値との二乗誤差を算出し、ミニバッチ勾配降下法により重みｗの値を更新することで、重みｗの値を決定した。

なお、式（１）で示される回帰予測モデルは、検証のために構築したモデルであり、本開示の予測モデルは上記回帰予測モデルに限定されない。中間層を含むニューラルネットワークによる予測モデル（回帰予測モデル）が構築される場合、その回帰予測モデルは、例えば、下記の式（２）によって示される。式（２）において、ｆ（）は、所定の関数を表す。

上記式（１）の回帰予測モデルを構築後、１０個の検証用のデータセットを用いて、振動情報を用いない比較モデル及び振動情報を用いた予測モデルそれぞれにおいて、モデルによる予測値と実測値との比較を行った。スランプ、スランプフロー、及び空気量それぞれについて、予測値と実測値との比較を行った。

図９は、スランプの予測値とスランプの実測値との関係を示すグラフである。図９に示されるグラフにおいて、横軸がスランプの実測値であり、縦軸がスランプの予測値である。振動情報を用いない比較モデル１での予測結果が△印でプロットされており、振動情報を用いた予測モデル１での予測結果が〇印でプロットされている。実測値と予測値とが一致するラインが描かれており、プロットされた結果がそのラインに近いほど、予測精度が高いことを意味する。スランプに関して、実測値と予測値との差分の絶対値の算術平均（以下、「絶対差平均値」という。）を算出したところ、振動情報を用いない場合の絶対差平均値が１．１ｃｍであり、振動情報を用いた場合の絶対差平均値が１．１ｃｍであった。このことから、振動情報を用いても、振動情報を用いない場合と同程度の品質の予測精度が得られることがわかる。

図１０は、スランプフローの予測値とスランプフローの実測値との関係を示すグラフである。図１０に示されるグラフにおいて、横軸がスランプフローの実測値であり、縦軸がスランプフローの予測値である。振動情報を用いない比較モデル２での予測結果が△印でプロットされており、振動情報を用いた予測モデル２での予測結果が〇印でプロットされている。スランプフローに関して、絶対差平均値を算出したところ、振動情報を用いない場合の絶対差平均値が４．０ｃｍであり、振動情報を用いた場合の絶対差平均値が４．２ｃｍであった。スランプフローは、０．５ｃｍ単位で測定されおり、振動情報を用いても、振動情報を用いない場合と同程度の品質の予測精度が得られることがわかる。

図１１は、空気量の予測値と空気量の実測値との関係を示すグラフである。図１１に示されるグラフにおいて、横軸が空気量の実測値であり、縦軸が空気量の予測値である。振動情報を用いない比較モデル３での予測結果が△印で示されており、振動情報を用いた予測モデル３での予測結果が〇印でプロットされている。空気量に関して絶対差平均値を算出したところ、振動情報を用いない場合の絶対差平均値が０．５３％であり、振動情報を用いた場合の絶対差平均値が０．２７％であった。振動情報を用いた場合に、絶対差平均値が減少した。

空気量に関して、他の観点から、振動情報を用いた場合の影響を評価した。図１１に示されるグラフでは、実測値と予測値とが一致するラインから、＋０．５％だけ縦方向にずれた上限ラインと、－０．５％だけ縦方向にずれた下限ラインとが描かれている。上限ラインと下限ラインとの間の領域に含まれる予測結果を正解と定義して、１０個の予測結果の正解率を評価した。ＪＩＳ規格において空気量に関して許容される誤差は±１．５％であり、現場への運搬途中で品質が変化し得ることを踏まえて、正解のラインを±０．５％に設定した。振動情報を用いない場合の正解率が６０％であり、振動情報を用いた場合の正解率が８０％であった。以上のことから、振動情報を用いない場合に比べて、振動情報を用いた場合に空気量の予測精度が向上していることがわかる。

［実施形態の効果］
以上に説明した生コンクリートの品質予測方法は、取得工程と、予測工程とを含む。取得工程では、コンクリート材料を練り混ぜるミキサ２０によって製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報が取得される。予測工程では、入力情報の入力に応じて生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、取得工程において取得された入力情報とに基づいて、生コンクリートの品質が予測される。この品質予測方法では、製造された生コンクリートの品質を実際に測定することなく、振動情報を含む情報を取得し、予測モデルを利用して品質が予測される。従って、生コンクリートの品質を簡便に把握することが可能となる。

上述した品質予測方法において、上記振動情報は、２方向以上での振動を示す情報を含んでもよい。生コンクリートの品質に応じて、生コンクリートの落下又は流下に起因した振動の状態が変動し得る。この方法では、２方向以上での振動の大きさを示す振動情報に基づき品質が予測されるので、予測精度を向上させることが可能となる。

上記振動情報は、ミキサの下方に配置され、生コンクリートを収容可能なホッパに対してミキサから生コンクリートが排出された際のホッパの振動の大きさを示す情報であってもよい。この場合、振動を検出可能なセンサをホッパに設置すればよく、簡便に振動情報を取得できる。従って、生コンクリートの品質を更に簡便に把握することが可能となる。

上記振動情報は、ホッパの側壁に交差する方向におけるホッパの振動の大きさを示す情報を含んでもよい。ミキサの下方に配置されたホッパの側壁では、製造された生コンクリートの硬さ又は重さによって、その側壁に交差する方向の振動が変動し得る。そのため、側壁に交差する方向におけるホッパの振動から振動情報を得ることで、生コンクリートの品質を精度良く予測できる。従って、生コンクリートの品質の予測精度を向上させつつ、品質を簡便に把握することが可能となる。

上記振動情報は、ホッパの側壁に沿った方向におけるホッパの振動の大きさを示す情報を更に含んでもよい。ミキサの下方に配置されたホッパの側壁では、製造された生コンクリートの硬さ又は重さによって、その側壁に沿った方向の振動も変動し得る。側壁に交差する方向及び側壁に沿った方向の両方の振動から振動情報を得ることで、高精度に品質を予測することが可能となる。

上記振動情報は、ミキサからホッパに生コンクリートが排出された時点を含むように設定された評価期間におけるホッパの加速度の移動平均値について、最大値、最小値、平均値、及び標準偏差に基づく値（例えば、分散）から成る群から選択される少なくとも１つを算出した結果であってもよい。加速度の移動平均値を算出することで、センサ自体等に起因したノイズを低減することができ、また、移動平均値の統計値を用いることでデータの処理が容易となる。従って、品質の予測精度を向上させつつ、品質を簡便に把握することが可能となる。

上記取得工程は、所定のデータ取得期間に得られるホッパの加速度の時系列データにおいて、ホッパの側壁に交差する方向又はホッパの側壁に沿った方向におけるホッパの加速度の絶対値が最大となる時刻を、基準時刻として算出する工程と、データ取得期間のうち、基準時刻よりも前の時刻から、基準時刻よりも後の時刻までの期間を評価期間に設定する工程と、を含んでもよい。生コンクリートがホッパに落下した際には、ホッパの加速度の絶対値が、他の期間よりも大きくなる傾向がある。そのため、生コンクリートが落下した時点での振動情報では、生コンクリートの品質に起因した情報が多く含まれる。上記方法では、生コンクリートがホッパに落下した時点が把握できていない場合でも、振動情報から生コンクリートが落下した時点を特定することができる。従って、品質の予測精度を向上させつつ、品質を簡便に把握することが可能となる。

上記予測工程では、生コンクリートに含まれる空気量が予測されてもよい。生コンクリートに含まれる空気量によって、生コンクリートの落下又は流下に起因した振動の状態が変動し得る。この方法では、振動情報と予測モデルとを用いることで、空気量を簡便に把握することが可能となる。

上記予測工程では、生コンクリートのスランプ及びスランプフローの少なくとも一方が予測されてもよい。この場合、振動情報を含む入力情報と予測モデルとを用いることで、スランプ及びスランプフローの少なくとも一方を簡便に把握することが可能となる。

上記入力情報は、コンクリート材料の配合条件を示す情報、及び、ミキサにおけるコンクリート材料の練混ぜ時の条件又は状態を示す情報の少なくとも一方を更に含んでもよい。配合条件、及び練混ぜ時の条件又は状態は、生コンクリートの品質の影響を及ぼす。配合条件等を示す情報が更に用いられることで、品質の予測精度を向上させることが可能となる。

上記品質予測方法は、予測モデルを構築するモデル構築工程を更に含んでもよい。モデル構築工程は、ミキサによって製造されたテスト用の生コンクリートの落下又は流下に起因した振動の大きさを示す学習用の振動情報を含む学習用の入力情報と、学習用の入力情報に対応付けられたテスト用の生コンクリートの品質を示す実績情報と、を準備する工程と、学習用の入力情報と実績情報とに基づくニューラルネットワークを用いた機械学習により予測モデルを構築する工程と、を含んでもよい。この場合、入力情報に対応付けられた実績情報に基づくニューラルネットワークを用いた機械学習によってモデルが構築されるので、モデルによる予測値を実測値に近づけることができる。従って、生コンクリートの品質を予測する際に予測精度を向上させることが可能となる。

１…生コンクリートの製造システム、１０…生コンクリートの製造装置、２０…ミキサ、３０…積込ホッパ、４０…振動検出センサ、５０…制御装置、６６…動作データ取得部、７０…振動データ算出部、７２…品質予測部、７４…モデル保持部、７６…モデル構築部。

Claims (13)

1. コンクリート材料を練り混ぜるミキサによって製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得する取得工程と、
   前記入力情報の入力に応じて前記生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、前記取得工程において取得された前記入力情報とに基づいて、前記生コンクリートの品質を予測する予測工程と、を含む、生コンクリートの品質予測方法。
2. 前記振動情報は、２方向以上での振動の大きさを示す情報を含む、請求項１に記載の生コンクリートの品質予測方法。
3. 前記振動情報は、前記ミキサの下方に配置され、前記生コンクリートを収容可能なホッパに対して前記ミキサから前記生コンクリートが排出された際の前記ホッパの振動の大きさを示す情報である、請求項１又は２に記載の生コンクリートの品質予測方法。
4. 前記振動情報は、前記ホッパの側壁に交差する方向における前記ホッパの振動の大きさを示す情報を含む、請求項３に記載の生コンクリートの品質予測方法。
5. 前記振動情報は、前記ホッパの側壁に沿った方向における前記ホッパの振動の大きさを示す情報を更に含む、請求項４に記載の生コンクリートの品質予測方法。
6. 前記振動情報は、前記ミキサから前記ホッパに前記生コンクリートが排出された時点を含むように設定された評価期間における前記ホッパの加速度の移動平均値について、最大値、最小値、平均値、及び、標準偏差に基づく値から成る群から選択される少なくとも１つを算出した結果である、請求項３～５のいずれか一項に記載の生コンクリートの品質予測方法。
7. 前記取得工程は、
   所定のデータ取得期間に得られる前記ホッパの加速度の時系列データにおいて、前記ホッパの側壁に交差する方向又は前記ホッパの側壁に沿った方向における前記ホッパの加速度の絶対値が最大となる時刻を、基準時刻として算出する工程と、
   前記データ取得期間のうち、前記基準時刻よりも前の時刻から、前記基準時刻よりも後の時刻までの期間を前記評価期間に設定する工程と、を含む、請求項６に記載の生コンクリートの品質予測方法。
8. 前記予測工程では、前記生コンクリートに含まれる空気量が予測される、請求項１～７のいずれか一項に記載の生コンクリートの品質予測方法。
9. 前記予測工程では、前記生コンクリートのスランプ及びスランプフローの少なくとも一方が予測される、請求項１～８のいずれか一項に記載の生コンクリートの品質予測方法。
10. 前記入力情報は、前記コンクリート材料の配合条件を示す情報、及び、前記ミキサにおける前記コンクリート材料の練混ぜ時の条件又は状態を示す情報の少なくとも一方を更に含む、請求項１～９のいずれか一項に記載の生コンクリートの品質予測方法。
11. 前記予測モデルを構築するモデル構築工程を更に含み、
    前記モデル構築工程は、
    前記ミキサによって製造されたテスト用の生コンクリートの落下又は流下に起因した振動の大きさを示す学習用の振動情報を含む学習用の入力情報と、前記学習用の入力情報に対応付けられた前記テスト用の生コンクリートの品質を示す実績情報と、を準備する工程と、
    前記学習用の入力情報と前記実績情報とに基づくニューラルネットワークを用いた機械学習により前記予測モデルを構築する工程と、を含む、請求項１～１０のいずれか一項に記載の生コンクリートの品質予測方法。
12. コンクリート材料をミキサにおいて練り混ぜる練混ぜ工程と、
    前記練混ぜ工程において製造された生コンクリートの落下又は流下に起因した振動の大きさを示す振動情報を含む入力情報を取得する取得工程と、
    前記入力情報の入力に応じて前記生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルと、前記取得工程において取得された前記入力情報とに基づいて、前記生コンクリートの品質を予測する予測工程と、を含む、生コンクリートの製造方法。
13. コンクリート材料を練り混ぜるミキサと、
    前記ミキサにおいて製造された生コンクリートの落下又は流下に起因した振動の大きさを検出するセンサと、
    少なくとも前記センサによる検出結果に基づいて、前記振動の大きさを示す振動情報を含む入力情報を取得する情報取得部と、
    前記入力情報の入力に応じて前記生コンクリートの品質を示す品質情報を出力するように機械学習により予め構築された予測モデルを記憶するモデル保持部と、
    前記モデル保持部により記憶された前記予測モデルと、前記情報取得部により取得された前記入力情報とに基づいて、前記生コンクリートの品質を予測する品質予測部と、を備える、生コンクリートの製造システム。

Images