JP6639987B2 - セメントの品質または製造条件の予測方法 - Google Patents
セメントの品質または製造条件の予測方法 Download PDFInfo
- Publication number
- JP6639987B2 JP6639987B2 JP2016065897A JP2016065897A JP6639987B2 JP 6639987 B2 JP6639987 B2 JP 6639987B2 JP 2016065897 A JP2016065897 A JP 2016065897A JP 2016065897 A JP2016065897 A JP 2016065897A JP 6639987 B2 JP6639987 B2 JP 6639987B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning
- cement
- value
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000004568 cement Substances 0.000 title claims description 243
- 238000004519 manufacturing process Methods 0.000 title claims description 106
- 230000013016 learning Effects 0.000 claims description 387
- 238000012544 monitoring process Methods 0.000 claims description 204
- 238000013528 artificial neural network Methods 0.000 claims description 171
- 238000011156 evaluation Methods 0.000 claims description 110
- 238000000034 method Methods 0.000 claims description 79
- 238000004458 analytical method Methods 0.000 claims description 57
- 238000005259 measurement Methods 0.000 claims description 55
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 47
- 239000011707 mineral Substances 0.000 claims description 47
- 239000002994 raw material Substances 0.000 claims description 46
- 239000000203 mixture Substances 0.000 claims description 39
- 239000004570 mortar (masonry) Substances 0.000 claims description 26
- 238000010304 firing Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 18
- 238000000227 grinding Methods 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 13
- 238000004898 kneading Methods 0.000 claims description 10
- 230000000704 physical effect Effects 0.000 claims description 10
- 238000013277 forecasting method Methods 0.000 claims description 2
- 239000003513 alkali Substances 0.000 description 41
- 210000004556 brain Anatomy 0.000 description 27
- 239000011398 Portland cement Substances 0.000 description 17
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 7
- 229910004298 SiO 2 Inorganic materials 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 239000000843 powder Substances 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 4
- 239000010440 gypsum Substances 0.000 description 4
- 229910052602 gypsum Inorganic materials 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 229910010413 TiO 2 Inorganic materials 0.000 description 3
- 229910052785 arsenic Inorganic materials 0.000 description 3
- 229910052801 chlorine Inorganic materials 0.000 description 3
- 229910052804 chromium Inorganic materials 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 229910052745 lead Inorganic materials 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- VASIZKWUTCETSD-UHFFFAOYSA-N manganese(II) oxide Inorganic materials [Mn]=O VASIZKWUTCETSD-UHFFFAOYSA-N 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 229910052759 nickel Inorganic materials 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 229910052720 vanadium Inorganic materials 0.000 description 3
- 229910052725 zinc Inorganic materials 0.000 description 3
- 229910052726 zirconium Inorganic materials 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- ZOMBKNNSYQHRCA-UHFFFAOYSA-J calcium sulfate hemihydrate Chemical compound O.[Ca+2].[Ca+2].[O-]S([O-])(=O)=O.[O-]S([O-])(=O)=O ZOMBKNNSYQHRCA-UHFFFAOYSA-J 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000007730 finishing process Methods 0.000 description 2
- 239000006028 limestone Substances 0.000 description 2
- 238000010298 pulverizing process Methods 0.000 description 2
- 229910021532 Calcite Inorganic materials 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 239000011400 blast furnace cement Substances 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 229910052570 clay Inorganic materials 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 239000010881 fly ash Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000036571 hydration Effects 0.000 description 1
- 238000006703 hydration reaction Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 229910021487 silica fume Inorganic materials 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Preparation Of Clay, And Manufacture Of Mixtures Containing Clay Or Cement (AREA)
Description
重要な品質項目として、例えば、「JIS R 5201(セメントの物理試験方法)」に準拠した材齢28日におけるモルタルの圧縮強さ等が挙げられる。しかし、上記モルタルの圧縮強さ等の材齢を要素とする品質項目は、品質試験結果が判明するまでに長期の時間を要するため、品質試験結果を確認した後にセメントを出荷することが困難であるという問題があった。
このため、セメントの製造現場では、セメントクリンカーの組成(化学組成や鉱物組成)やセメントの粉末度等の製造工程での品質管理項目を設定し、材齢を要素とする品質項目が所定の管理基準値を満足するように、それら製造工程での品質管理項目に、経験に基づいた管理基準値を設定している。
そこで、そのような過剰に安全側に設定した品質管理傾向から生じる過剰スペックの製品の発生を抑制しながら、所定の品質の製品を安定的に製造し、さらに、品質規格を外れた異常品の製造を防止するため、上記製造工程での品質管理項目の情報に加えて、セメント製造に関する種々のその他の情報を活用して、より高精度にセメントの品質を予測する技術が種々提案されている。
ニューラルネットワークの学習プロセスを含むセメントの品質予測方法として、例えば、特許文献1には、監視データの実測値を入力するための入力層と、評価データの推測値を出力するための出力層を有するニューラルネットワークを用いたセメントの品質または製造方法の予測方法であって、学習データとモニターデータを用いて、σL<σMとなるような、十分に大きい学習回数でニューラルネットワークの学習を行った後に、学習回数を減らしながらニューラルネットワークの学習をσL≧σMとなるまで繰り返し、学習後の解析度判定値が予め定めた設定値未満である場合に、ニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、学習後のニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力する、セメントの品質または製造条件の予測方法が記載されている。該予測方法によれば、短時間でかつ高い精度でセメントの品質または製造条件を予測することができる。
本発明の目的は、セメント製造における監視データの実測値が、ニューラルネットワークの学習に用いた監視データの実測値のデータ範囲の上限または下限付近であっても、高い精度でセメントの品質または製造条件を予測することができる方法を提供することである。
[1] 入力層及び出力層を有するニューラルネットワークを用いたセメントの品質または製造条件の予測方法であって、上記入力層は、セメント製造における監視データの実測値を入力するためのものであり、上記出力層は、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するためのものであり、上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータである組み合わせ、または、
(ii)上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ、であり、
(A)ニューラルネットワークの学習に使用する、監視データの実測値と評価データの実測値の組み合わせである学習データの複数からなる学習データ群の初期設定を行う工程と、
(B)学習回数の初期設定を行う工程と、
(C)設定された学習データ群を用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(D)学習データの監視データの実測値を、直近の工程(C)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(C)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(E)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(F)を実施する工程と、
(E)直近の工程(B)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を、工程(B)において新たな学習回数として再設定し、再度工程(C)〜(D)を実施する工程と、
(F)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(G)設定された学習データ群を用いて、ニューラルネットワークの学習を直近の工程(F)で設定された学習回数行う工程と、
(H)学習データの監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(J)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(I)を実施する工程と、
(I)直近の工程(G)におけるニューラルネットワークの学習回数が予め設定された回数を超えている場合、再度工程(F)〜(H)を実施し、直近の工程(G)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(M)を実施する工程と、
(J)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し工程(K)を実施する工程と、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(M)を実施する工程と、
(K)セメント製造における監視データの実測値が、設定された学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値である場合には、工程(R)を実施し、範囲外の数値である場合には、工程(L)を実施する工程と、
(L)監視データの実測値が、設定された学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲外の数値である学習データであって、上記学習データ群に含まれない1個以上の学習データを、上記学習データ群に追加して新たな学習データ群に設定した
後、工程(C)以降を実施する工程と
(M)工程(B)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合は、工程(N)を実施し、該回数が予め設定した回数を超える場合には工程(O)を実施する工程と、
(N)学習条件の初期化を行って、再度工程(B)〜(J)を実施する工程と、
(O)工程(J)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(J)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(P)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(P)工程(J)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(J)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(Q)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(Q)セメント製造における監視データの実測値が、工程(P)で設定した予測可能監視データ領域に含まれる場合、セメントの品質または製造条件の予測を高い精度で行うことができると判断し、工程(K)を実施し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(R)学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測する工程と、
を含むことを特徴とするセメントの品質または製造条件の予測方法。
[3] 上記解析度判定値の予め定めた第一の設定値が6%以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ20%以下である前記[1]または[2]に記載のセメントの品質または製造条件の予測方法。
[4] 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである前記[1]〜[3]のいずれかに記載のセメントの品質または製造条件の予測方法。
[5] 上記監視データと上記評価データの組み合わせは、上記監視データが、セメントに関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、上記監視データである、セメントに関するデータは、セメントのブレーン比表面積、鉱物組成、及び化学組成であり、上記評価データである、上記セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さである前記[1]〜[4]のいずれかに記載のセメントの品質または製造条件の予測方法。
[6] 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、セメントの製造条件を最適化する前記[1]〜[5]のいずれかに記載のセメントの品質または製造条件の予測方法。
また、ニューラルネットワークの入力層に入力する、セメント製造における監視データの実測値が、ニューラルネットワークの学習に用いた監視データの実測値のデータ範囲の上限または下限付近である場合においても、短時間でかつ高い精度でセメントの品質または製造条件を予測することができる。
また、得られた推測値を基にリアルタイムで製造条件を最適化することが可能であり、セメントの品質の安定化の向上を図ることができる。
さらに、ニューラルネットワークの学習を継続することによって、高い予測の精度を維持することができる。
本発明の予測方法は、セメント製造における監視データの実測値を入力するための入力層と、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するための出力層を有するニューラルネットワークを用いて、セメントの品質または製造条件を予測する方法である。
本発明のニューラルネットワークは、入力層と出力層の間に中間層を有する階層型のニューラルネットワークであってもよい。
(i)上記監視データがセメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、セメントに関するデータの中から選ばれる一種以上のデータである組み合わせ
(ii)上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ
ここで、セメントクリンカーの原料(調合原料または窯入原料)の化学組成とは、セメントクリンカーの原料中のSiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全アルカリ)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
前記(i)の組み合わせにおける監視データの一つである「セメントクリンカーに関するデータ」は、セメントクリンカーの鉱物組成、各鉱物の結晶学的性質(格子定数や結晶子径など)、2種以上の鉱物組成の比、化学組成、湿式f.CaO(フリーライム)、容重等が挙げられる。これらのデータは、1種を単独でまたは2種以上を組み合わせて用いられる。
なお、セメントクリンカーの鉱物組成は、例えばXRD−リートベルト法によって得ることができる。
セメントクリンカーの化学組成とは、セメントクリンカー中のSiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(全アルカリ)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等の含有率である。
前記(i)の組み合わせにおいて、監視データとして、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれるいずれか一種のデータのみを用いてもよいが、これら4種のデータのうちの2種以上(複数)のデータを用いることが、評価データの予測の精度を高める観点から、好ましい。
また、上述した「セメントクリンカーの原料に関するデータ」、「セメントクリンカーの焼成条件に関するデータ」、「セメントの粉砕条件に関するデータ」、及び「セメントクリンカーに関するデータ」は監視データを兼ねることができる。
前記(i)の組み合わせにおける評価データの一つである「セメントに関するデータ」は、ブレーン比表面積、ふるい試験残分量、石膏の半水化率、色調等が挙げられる。
前記(i)の組み合わせにおける評価データは、上述したセメントクリンカーの原料に関するデータ等の中から選ばれる一種以上のデータである。
前記(ii)の組み合わせにおける監視データである「セメントに関するデータ」は、セメントの化学組成、セメントの鉱物組成、各鉱物の結晶学的性質(格子定数や結晶子径など)、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、石膏の半水化率、色調等が挙げられる。
これらのデータは、1種を単独でまたは2種以上を組み合わせて用いられる。
セメントの鉱物組成とは、3CaO・SiO2(C3S)、2CaO・SiO2(C2S)、3CaO・Al2O3(C3A)、4CaO・Al2O3・Fe2O3(C4AF)、f.CaO、f.MgO、石膏、カルサイト等の含有率である。
なお、セメントの化学組成及び鉱物組成のデータは、前記(i)の組み合わせにおける評価データである「セメントクリンカーに関するデータ」を利用してもよい。
ポルトランドセメントの製造工程は、原料工程、焼成工程、仕上工程の3工程に大別される。原料工程は、石灰石、粘土、珪石、酸化鉄原料などのセメント原料を適当な割合で調合して、原料ミルで微粉砕し、ポルトランドセメントクリンカーの調合原料を得る工程である。焼成工程は、ポルトランドセメントクリンカーの調合原料をサスペンションプレヒーター等を経由してロータリーキルンに供給し、充分に焼成した後、冷却して、ポルトランドセメントクリンカーを得る工程である。仕上工程は、得られたポルトランドセメントクリンカーに適当な量の石膏などを加え、仕上ミルで微粉砕して、ポルトランドセメントを得る工程である。
以下、本発明の予測方法について、図1を参照しながら詳しく説明する。
[工程(A)]
工程(A)において、ニューラルネットワークの学習に使用する、監視データの実測値と評価データの実測値の組み合わせである学習データの複数からなる学習データ群の初期設定を行う。
学習データは、学習用のサンプルを用意し、該サンプルの監視データの実測値、及び評価データの実測値を測定することで得ることができる。学習データは、作業性の観点から、予め十分な数を用意することが好ましいが、後述する工程(L)において、学習データ群に新たな学習データを追加する場合等、必要に応じて、新たな学習用のサンプルを用意し、該サンプルから新たな学習データを得てもよい。
全ての学習データから複数の学習データを選択して、学習データ群とする場合、学習データの選択は、全ての学習データの中から、監視データの実測値(前記(i)の組み合わせにおける監視データの実測値、又は、前記(ii)の組み合わせにおける監視データの実測値)が、本発明の予測方法の対象となるセメント製造における監視データの実測値と大きく異ならないものを選択することが好ましい。
具体的には、全ての学習データの中から、セメントクリンカー原料の構成が、本発明の予測方法の対象となるセメント製造におけるセメントクリンカー原料の構成と大きく異ならない学習データや、製造設備の変更や更新、さらには、製造工程の変更等が生じていない学習データを選択する。セメントクリンカー原料の構成が大きく異なる学習データや、製造設備の変更等が生じている学習データを選択した場合、該学習データがノイズとなって、予測精度の向上が困難となる場合がある。
工程(A)終了後、工程(B)を実施する。
工程(B)において、学習回数の初期設定を実施する。設定される学習回数は、特に限定されるものではないが、好ましくは、ニューラルネットワークの過学習(オーバーラーニング)が発生する程度に、十分に大きな回数である。具体的には、通常5千〜100万回、好ましくは1万〜10万回である。
工程(B)では、ニューラルネットワークの過学習が発生する学習回数、具体的にはσL<σM(詳しくは後述する)となるような学習回数を設定することが好ましいが、後の工程において、学習回数の増減が行われるため、工程(B)において最初に設定される学習回数は、ニューラルネットワークの学習に通常行われる学習回数を用いても問題ない。
工程(B)終了後、工程(C)を実施する。
工程(C)では、設定された学習データ群を用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う。
ここで、「設定された学習データ群」とは、工程(A)または工程(L)において設定された学習データ群であって、直近に設定されたものをいう。
また、「前工程で設定された学習回数」とは、工程(B)において設定された学習回数、または、工程(E)において再設定された新たな学習回数であって、直近の工程(工程(B)または工程(E))で設定された学習回数である。
具体的には、設定された学習データ群から、学習データの監視データの実測値をニューラルネットワークの入力層に入力して、出力層から出力された評価データの推測値と、該評価データの推測値に対応する学習データの評価データの実測値を比較評価してニューラルネットワークの修正することを、設定された学習回数行うことで、ニューラルネットワークの学習が行われる。
なお、学習回数を変更して、ニューラルネットワークの再学習を行う際には、前回の学習の結果得られたニューラルネットワークは初期化され、再度学習が行われる。
工程(C)終了後、工程(D)を実施する。
工程(D)では、σLとσMが算出される。σLとσMの大小関係から、学習がニューラルネットワークの過学習が発生する程度に十分に大きな回数行われたか否かを判断することができる。
具体的には、学習データの監視データの実測値を、直近の工程(C)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)を算出する。次いで、モニターデータの監視データの実測値を、直近の工程(C)において学習が行われたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの評価データの実測値との平均2乗誤差(σM)を算出する。その後、算出されたσLとσMの数値を比較することで、ニューラルネットワークの学習が十分に大きな回数で行われたか判断することができる。
ここで、モニターデータとは、学習データを得るために用いられたサンプルとは別のサンプルから得られた、監視データの実測値及び評価データの実測値の組み合わせであり、ニューラルネットワークの信頼性を確認するためのデータである。
モニターデータ(監視データの実測値及び評価データの実測値の組み合わせ)のサンプルの数は、作業性の観点から、学習データのサンプル数の好ましくは5〜50%、より好ましくは10〜30%である。
工程(E)では、直近の工程(B)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を新たな学習回数として再設定する(例えば、直近の工程(C)で実施された学習回数に2.0を乗じた数を新たな学習回数として設定する。)。新たな学習回数を再設定した後、再度工程(C)〜(D)を実施する。
工程(F)では、直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する(例えば、直近のニューラルネットワークの学習で実施された学習回数に0.95を乗じた数を新たな学習回数として設定する。)。
なお、直近のニューラルネットワークの学習とは、より近い過去に実施された学習を指す。具体的には、工程(C)もしくは後述の工程(G)のうち、より近い過去に実施された学習を指す。工程(F)終了後、工程(G)を実施する。
工程(G)では、設定された学習データ群(工程(A)または工程(L)において設定された学習データ群であって、直近に設定されたもの)を用いて、ニューラルネットワークの学習を直近の工程(F)で設定された学習回数行う。工程(G)で実施する内容は、ニューラルネットワークの学習を工程(F)において新たに設定された学習回数行う以外は、工程(C)と同じである。
工程(G)終了後、工程(H)を実施する。
工程(H)では、直近の工程(G)の学習において得られたニューラルネットワークを用いて終了判定を行う。具体的には学習データの監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係が、σL≧σMである場合(図1の終了判定における「Yes」)、直近に行った工程(G)の学習回数は、もはや十分に大きな回数ではないと判断することができる。この場合、後述する工程(J)を実施する。算出されたσLとσMの関係がσL<σMである場合(図1の終了判定における「No」)、直近に行った工程(G)の学習回数は、いまだ十分に大きな回数であったと判断することができる。この場合、後述する工程(I)を実施する。
工程(I)では、直近の工程(G)におけるニューラルネットワークの学習回数が予め定めた数値を超えていたかどうかの判定を行う。工程(I)は、工程(F)〜(H)を無限に繰り返すことを回避するために行われる。工程(I)において直近に行った工程(G)におけるニューラルネットワークの学習回数が予め定めた数値を超えていた場合(図1における「Yes」)は、再度工程(F)〜(H)を実施する。工程(I)において直近に行った工程(G)の学習回数が予め定めた数値以下場合(図1における「No」)は、後述の工程(M)を実施する。
なお、上記予め定めた数値とは、特に限定されず、例えば、工程(F)で設定された学習回数の100分の1の数値以下、もしくは、1以下または0以下等が挙げられる。
工程(J)では解析度判定値が予め定めた第一の設定値未満であるか否かによって、解析度の判定を行うことができる。解析度判定値は下記式(1)を用いて算出される。
解析度の判定を行うことで学習を行ったニューラルネットワークを用いて、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。解析度判定値が予め定めた第一の設定値未満(図1の第一の解析度判定における「Yes」)であれば、解析は十分であると判断され、ニューラルネットワークの学習は終了し、工程(K)を実施する。
解析度判定値が予め定めた第一の設定値以上(図1の第一の解析度判定における「No」)であれば、学習データを用いて学習を行ったニューラルネットワークをそのまま用いて、セメントの品質等の予測を高い精度で行うことはできないと判断され、工程(M)を実施する。
なお、工程(B)〜(J)は、工程(J)において解析度判定値が予め定めた第一の設定値未満となるか、あるいは、工程(M)において該回数が予め設定した回数を超えるまで繰り返される。工程(J)を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークは、工程(O)において使用するため、データとして保存する。
また、予測精度の向上の観点から、工程(L)を実施した場合、工程(L)を実施する前に、工程(J)を実施するたびに得られた、解析度判定値及び学習済みのニューラルネットワークのデータは、工程(O)において使用せずに、破棄する。
工程(K)では、セメント製造における監視データの実測値(工程(R)において、学習が終了したニューラルネットワークの入力層に入力するもの)が、設定された学習データ群(工程(A)または工程(L)において設定された学習データ群であって、直近に設定されたもの)における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値である場合(図1の学習データの判定における「Yes」)には、工程(R)を実施し、範囲外の数値である場合(図1の学習データの判定における「No」)には、工程(L)を実施する。
セメント製造における監視データの実測値が複数の種類ある場合、そのうち1種類でも範囲外の数値である場合には、工程(L)を実施する。
本工程において、セメント製造における監視データの実測値が、上記範囲内の数値であるか否かを判断することによって、学習データ群を構成する学習データの数を増加して、ニューラルネットワークの学習を再度行う必要があるか否かを判断することができる。これにより、セメントの品質または製造条件の評価に関連する評価データの推測値の予測精度をより向上させることができる。
工程(L)では、監視データの実測値が、設定された学習データ群(工程(A)または工程(L)において設定された学習データ群であって、直近に設定されたもの)における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲外の数値である学習データであって、上記学習データ群に含まれない1個以上の学習データを、上記学習データ群に追加して新たな学習データ群に設定した後、工程(C)以降を実施する(工程(C)〜(T)から適宜選択される工程を実施する)。
上記範囲外の数値である、監視データの実測値が複数の種類ある場合、該複数の種類の監視データの実測値の各々について、学習データの監視データの実測値の平均値±平均2乗誤差(σG)の範囲外の数値である学習データであって、上記学習データ群に含まれない1個以上の学習データを、上記学習データ群に追加して新たな学習データ群に設定する。
なお、追加する学習データの監視データの実測値の種類のうち、学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値であった監視データの種類の実測値については、特に考慮しなくてもよい。
上記学習データを追加することで、ニューラルネットワークの入力層に入力する、セメント製造における監視データの実測値が、ニューラルネットワークの学習に用いた学習データの監視データの実測値のデータ範囲の上限または下限付近である場合であっても、予測精度を向上することができる。
なお、工程(L)は、工程(K)において、セメント製造における監視データの実測値が、設定された学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値となるまで、繰り返し実施される。
工程(M)では、学習回数を設定する工程(B)を実施した回数が予め設定した数値以下であるかどうかの判定を実施する。判定を実施することによって、工程(B)から工程(J)を無限に繰り返すことを回避することができる。
工程(M)において、工程(B)を実施した回数が予め設定した回数以下(図1の回数判定における「Yes」)である場合、学習条件の初期化を行って、再度工程(B)〜(J)を行い、該回数が予め設定した回数を超える場合(図1の回数判定における「No」)、工程(O)を実施する。
予め設定した回数は、特に限定されないが、通常、5回以上である。予め設定した回数の上限は、工程(B)から工程(J)を多大に繰り返すことを防ぐ観点から、好ましくは100回以下である。
工程(N)では、学習条件の初期化を行って、再度工程(B)〜(J)を実施する。
学習条件の初期化の方法としては、例えば、ニューラルネットワークを構成するユニットの閾値やユニットを結合している重みをランダムで変更した上で、学習データを再入力する方法、学習データを得るためのサンプルの数を増やす、使用する監視データの種類を変更する、又は不適切な学習データを除外する等を行った上で、新たな学習データを入力する方法等が挙げられる。
工程(O)では、工程(J)において算出した全ての解析度判定値(ただし、工程(J)において、工程(L)を実施する前に、工程(J)を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークのデータを破棄した場合、工程(L)を実施した後に、工程(J)において算出した全ての解析度判定値)のうち、最も小さい解析度判定値が予め定めた第二の設定値未満であるか否かによって、次の予測の実施の可否の判定を行うことができる。
工程(O)の判定を追加することで、工程(J)において、セメントの品質等の予測を高い精度で行うことはできないと判断された学習済みのニューラルネットワークであっても、次工程(P)〜(Q)を実施することによって、セメントの品質等の予測を高い精度で行うことができるか否かを判断することができる。最も小さい解析度判定値が予め定めた第二の設定値未満(図1の第二の解析度判定における「Yes」)である場合、最も小さい解析度判定値を得ることができた工程(J)におけるニューラルネットワークを、学習済みのニューラルネットワークとして得た後、工程(P)を実施する。
予め定めた第二の設定値は、上記第一の設定値よりも大きいものである。また、上限は、より高い精度で予測を行う観点から、好ましくは30%以下、より好ましくは25%である。
工程(P)では、次工程(Q)で用いられる予測可能監視データ領域を設定する。
最初に、工程(J)において算出した全ての解析度判定値(ただし、工程(J)において、工程(L)を実施する前に、工程(J)を実施するたびに得られる、解析度判定値及び学習済みのニューラルネットワークのデータを破棄した場合、工程(L)を実施した後に、工程(J)において算出した全ての解析度判定値)のうち、最も小さい解析度判定値を得ることができた工程(J)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を実施する。無相関検定において5%の有意水準で有意であると判断された監視データの種類が2種以上である場合(図1の無相関検定における「Yes」)、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間を作成する。
例えば、5%の有意水準で有意であると判断された監視データが、セメントの全アルカリ量とセメントのC3Sの量の二種類である場合、セメントの全アルカリ量x軸とし、セメントのC3Sの量をy軸とする座標空間を作成する。
5%の有意水準で有意であると判断された監視データが0または1種類である場合(図1の無相関検定における「No」)、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
工程(Q)では、セメント製造における監視データの実測値と工程(P)で設定された座標空間を用いて、セメント製造における監視データの実測値と工程(O)の学習済みのニューラルネットワークによって、セメントの品質等の予測を高い精度で行うことができるか否かを判定することができる。
セメントの品質等の予測に使用される、セメント製造における監視データの実測値が、工程(Q)で設定した予測可能監視データ領域に含まれる場合(図1の座標判定における「Yes」)、セメントの品質または製造条件の予測を高い精度で行うことができると判断し、工程(K)を実施する。セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合(図1の座標判定における「No」)、セメントの品質または製造条件を予測することはできないと判断して予測を終了する。
なお、セメント製造における監視データが、工程(P)で設定された座標空間の座標軸として用いられていない種類の監視データの実測値(無相関検定において5%の有意水準で有意であると判断されなかった監視データの種類)を含む場合、当該の座標軸として用いられていない種類の監視データからは、監視データの実測値に何ら制限は与えない。
工程(R)では、学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、学習済みのニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力することで、セメントの品質または製造条件を予測することができる。
また、得られた評価データの推測値に基づいて、セメント製造途中においてセメントの品質異常を早期に察知し、原料工程、焼成工程及び仕上工程における諸条件の最適化を行うことにより、適正な品質のセメントを製造することができる。
具体的には、セメントクリンカーの鉱物組成の推測値に異常が認められた場合、原料の調合、焼成条件の調整等を行うことで、セメントクリンカーの鉱物組成を目的のものにすることができる。
また、評価データの推測値に基いて、セメントの製造工程の管理目標値を修正することも可能である。
例えば、モルタルの圧縮強さが目標値に達しないと予測される場合、学習に用いた監視データ(因子)とモルタルの圧縮強さの関係を解析して、最適なセメントの製造工程の管理目標値を確認することで、セメントの品質を目的のものにすることができる。
本発明において、ニューラルネットワークによる演算を行うためのソフトウェアとしては、例えば、OLSOFT社製の「Neural Network Library」(商品名)等が挙げられる。
[第1の解析度判定値が第一の設定値未満の場合]
[実施例1]
学習用のサンプルとしてサンプリング時間の異なる132個の普通ポルトランドセメントを、「JIS R 5201(セメントの物理試験方法)」に準じて混練し、材齢28日におけるモルタルの圧縮強さを測定して、学習データ(評価データの実測値)とした。
また、上記132個の普通ポルトランドセメントのブレーン比表面積、各鉱物の量、全アルカリ量(Na2O+0.658×K2O)、及びP2O5量を測定して、学習データ(監視データの実測値)とした。
なお、各鉱物の量は、粉末X線回折装置にて、測定範囲:2θ=10〜65°の範囲で測定を行い、リ−トベルト解析ソフトによって計算されたC3S、C2S、C4AF、C3Aの量である。
また、モニター用のサンプルとして、前記132個のサンプルとはサンプリング時間の異なる10個の普通ポルトランドセメントを用いて、材齢28日におけるモルタルの圧縮強さを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記10個の普通ポルトランドセメントのブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量を学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
σLとσMの関係がσL≧σMとなった後、解析度判定値を算出したところ、5.2%であり、予め定めた第一の設定値である6%未満であったので、ニューラルネットワークの学習を終了した。
また、学習済みのニューラルネットワークを用いて、セメントの品質を予測するためのサンプルとして、上記の学習用サンプル及びモニター用サンプルとは異なる、普通ポルトランドセメント(以下、「予測用サンプル」ともいう。)の監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)の実測値を測定した。
結果を表1に示す。
このため、上記学習済みのニューラルネットワークと、セメント製造における監視データの実測値を用いて、予評価データの推測値(例えば、材齢28日におけるモルタルの圧縮強さ)を予測した場合、予測精度が低くなるおそれがある。
なお、新たな学習用データのブレーン比表面積以外の監視データ(各鉱物の量、全アルカリ量、及びP2O5量)の実測値は、学習データ(新たな学習データを追加する前の学習データ)のブレーン比表面積以外の監視データ(各鉱物の量、全アルカリ量、及びP2O5量)の実測値の平均値±平均2乗誤差(σ)の範囲外の数値と範囲内の数値が混在するものであった。
σLとσMの関係がσL≧σMとなった後、解析度判定値を算出したところ、5.0%であり、予め定めた第一の設定値である6%未満であったので、ニューラルネットワークの学習を終了した。
再度のニューラルネットワークの学習に使用した学習データの監視データの実測値(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)について、それぞれ平均値と平均2乗誤差を算出した。
結果を表2に示す。なお、表2において、参考として予測用サンプルの監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)の実測値を示す。
再度のニューラルネットワークの学習で得られた学習済みのニューラルネットワークの入力層に、予測用サンプルの監視データの実測値(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)を入力して、出力層から評価データの推測値として、材齢28日におけるモルタルの圧縮強さを得ることで、セメントの品質の予測を行った。
また、新たな学習用のサンプルとして、上記132個の普通ポルトランドセメントに、30個(前回の学習に使用した学習用サンプルの約25%に相当する個数)追加した場合、65個(前回の学習に使用した学習用サンプルの約50%に相当する個数)追加した場合、または107個(前回の学習に使用した学習用サンプルの約80%に相当する個数)追加する以外は、新たな学習データ13個を追加した場合と同様にして、予測用サンプルの材齢28日におけるモルタルの圧縮強さを予測した。
各々の結果を表3に示す。
なお、予測用サンプルの材齢28日のモルタルの圧縮強さの実測値は59.4N/mm2であった。
実施例1で、最初に得られた学習済みのニューラルネットワーク(学習データの追加を実施しない場合)と、予測用サンプルの監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量及びP2O5量)の実測値を用いて、材齢28日のモルタルの圧縮強さを予測したところ、材齢28日におけるモルタルの圧縮強さの推測値は62.1±2.7(偏差は3σを示す。)N/mm3であった。
[実施例2]
学習用のサンプルとしてサンプリング時間の異なる59個の普通ポルトランドセメントを、「JIS R 5201(セメントの物理試験方法)」に準じて混練し、材齢28日におけるモルタルの圧縮強さを測定して、学習データ(評価データの実測値)とした。
また、上記59個の普通ポルトランドセメントのブレーン比表面積、各鉱物の量、全アルカリ量(Na2O+0.658×K2O)、及びP2O5量を測定して、学習データ(監視データの実測値)を得た。
なお、各鉱物の量は、粉末X線回折装置にて、測定範囲:2θ=10〜65°の範囲で測定を行い、リ−トベルト解析ソフトによって計算されたC3S、C2S、C3A、C4AF、の各鉱物の量である。
また、モニター用のサンプルとして、前記59個のサンプルとはサンプリング時間の異なる10個の普通ポルトランドセメントを用いて、材齢28日におけるモルタルの圧縮強さを学習データと同様に測定して、モニターデータ(評価データの実測値)とした。
さらに、上記10個の普通ポルトランドセメントのブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量を学習データと同様に測定して、モニターデータ(監視データの実測値)とした。
得られたニューラルネットワークを用いて、σLとσMを算出したところ、σLとσMの関係はσL<σMであった。
その後、ニューラルネットワークを初期化し、上記学習データとモニターデータを用いて、ニューラルネットワークの学習を前記学習回数に0.95を乗じた数の学習回数(端数切捨て)行うことを、学習後のニューラルネットワークを用いて算出されたσLとσMの関係がσL≧σMとなるまで繰り返した。
σLとσMの関係がσL≧σMとなった後、解析度判定値を算出したが、予め定めた第一の設定値である6%未満とはならず、最も小さい解析度判定値は7.4%であった。最も小さい解析度判定値を算出した際のニューラルネットワークを学習済みのニューラルネットワークとした。
なお、第二の解析度判定値の設定値は20%とした。
材齢28日におけるモルタルの圧縮強さと、ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量の各々との相関係数を表4に示す。学習データの監視データの実測値のうち、5%の有意水準(相関係数が0.197を超える、または、−0.197未満であるもの )で有意であった学習データは、C3A量と全アルカリ量であった。
プロットした学習データ同士を結ぶことで形成される、学習データの全てを包含する領域であって、該領域の面積が最大となるよう形成される領域を、予測可能監視データ領域として設定した(図2a参照)。
結果を表5に示す。なお、表5において、予測用サンプルの監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)の実測値を示す。
このため、上記学習済みのニューラルネットワークと、セメント製造における監視データの実測値を用いて、予評価データの推測値(例えば、材齢28日におけるモルタルの圧縮強さ)を予測した場合、予測精度が低くなるおそれがある。
なお、新たな学習用データのブレーン比表面積以外の監視データ(各鉱物の量、全アルカリ量、及びP2O5量)の実測値は、学習データ(新たな学習データを追加する前の学習データ)のブレーン比表面積以外の監視データ(各鉱物の量、全アルカリ量、及びP2O5量)の実測値の平均値±平均2乗誤差(σ)の範囲外の数値と範囲内の数値が混在するものであった。
σLとσMの関係がσL≧σMとなった後、解析度判定値を算出したところ、5.8%であり、予め定めた第一の設定値である6%未満であったので、ニューラルネットワークの学習を終了した。
再度のニューラルネットワークの学習に使用した学習データのブレーン比表面積(監視データ)の実測値の平均値は3,190cm2/gであり、平均2乗誤差(σ)は65であり、予測用サンプルのブレーン比表面積の実測値は、依然として、学習データのブレーン比表面積の実測値の平均値±平均2乗誤差(σ)の数値範囲外の数値であった。
再度のニューラルネットワークの学習に使用した学習データの監視データの実測値(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)について、それぞれ平均値と平均2乗誤差を算出した。
結果を表6に示す。なお、表6において、参考として予測用サンプルの監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量)の実測値を示す。
再度のニューラルネットワークの学習に使用した学習データのブレーン比表面積(監視データ)の実測値の、平均値は3,210cm2/gであり、平均2乗誤差(σ)は94であり、予測用サンプルのブレーン比表面積の実測値は、学習データのブレーン比表面積の実測値の平均値±平均2乗誤差(σ)の範囲内の数値であった。
材齢28日におけるモルタルの圧縮強さと、ブレーン比表面積、各鉱物の量、全アルカリ量、及びP2O5量の各々との相関係数を表7に示す。学習データの監視データの実測値のうち、5%の有意水準(相関係数が0.160を超えるもの、または、−0.160未満のもの)で有意であった学習データは、前回の無相関検定同様にC3A量と全アルカリ量であった。
プロットされた学習データ同士を結ぶことで形成される、学習データの全てを包含する領域であって、該領域の面積が最大となるよう形成される領域を、予測可能監視データ領域として設定した(図2b参照)。
上記座標空間に、予測用サンプルの監視データ(全アルカリ量、C3A量)の実測値をプロットしたところ、予測可能監視データ領域範囲内であった。
また、予測用サンプルの材齢28日におけるモルタルの圧縮強さの実測値は63.5N/mm2であった。
59個の学習データを使用してニューラルネットワークの学習を行った後、学習データの追加とニューラルネットワークの再学習を行わない以外は実施例2と同様にして、得られた学習済みのニューラルネットワークの入力層に、予測用サンプルの監視データ(ブレーン比表面積、各鉱物の量、全アルカリ量及びP2O5量)の実測値を入力し、材齢28日におけるモルタルの圧縮強さの推測値を得た。該推測値は65.5±5.6N(偏差は3σを示す。)/mm2であった。
Claims (6)
- 入力層及び出力層を有するニューラルネットワークを用いたセメントの品質または製造条件の予測方法であって、
上記入力層は、セメント製造における監視データの実測値を入力するためのものであり、上記出力層は、セメントの品質または製造条件の評価に関連する評価データの推測値を出力するためのものであり、
上記監視データと上記評価データの組み合わせが、
(i)上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、及びセメントクリンカーに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータである組み合わせ、または、
(ii)上記監視データが、セメントクリンカーの原料に関するデータ、セメントクリンカーの焼成条件に関するデータ、セメントの粉砕条件に関するデータ、セメントクリンカーに関するデータ、及びセメントに関するデータの中から選ばれる一種以上のデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせ、であり、
(A)ニューラルネットワークの学習に使用する、監視データの実測値と評価データの実測値の組み合わせである学習データの複数からなる学習データ群の初期設定を行う工程と、
(B)学習回数の初期設定を行う工程と、
(C)設定された学習データ群を用いて、ニューラルネットワークの学習を、前工程で設定された学習回数行う工程と、
(D)学習データの監視データの実測値を、直近の工程(C)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、ニューラルネットワークの学習結果の信頼性を確認するための監視データの実測値と評価データの実測値の組み合わせであるモニターデータの中の監視データの実測値を、直近の工程(C)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(E)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(F)を実施する工程と、
(E)直近の工程(B)で設定された学習回数および再設定された直近のニューラルネットワークの学習回数のいずれの学習回数よりも大きい学習回数を、工程(B)において新たな学習回数として再設定し、再度工程(C)〜(D)を実施する工程と、
(F)直近のニューラルネットワークの学習で実施された学習回数を減らした学習回数を、新たな学習回数として再設定する工程と、
(G)設定された学習データ群を用いて、ニューラルネットワークの学習を直近の工程(F)で設定された学習回数行う工程と、
(H)学習データの監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値と学習データの評価データの実測値との平均2乗誤差(σL)、及び、モニターデータの中の監視データの実測値を、直近の工程(G)の学習で得られたニューラルネットワークの入力層に入力して得られた評価データの推測値とモニターデータの中の評価データの実測値との平均2乗誤差(σM)を算出し、算出されたσLとσMの関係がσL≧σMである場合、工程(J)を実施し、算出されたσLとσMの関係がσL<σMである場合、工程(I)を実施する工程と、
(I)直近の工程(G)におけるニューラルネットワークの学習回数が予め設定された回数を超えている場合、再度工程(F)〜(H)を実施し、直近の工程(G)におけるニューラルネットワークの学習回数が予め定めた数値以下の場合、工程(M)を実施する工程と、
(J)下記式(1)を用いて解析度判定値を算出し、該解析度判定値が予め定めた第一の設定値未満である場合、ニューラルネットワークの学習を終了し工程(K)を実施する工程と、上記解析度判定値が予め定めた第一の設定値以上である場合、工程(M)を実施する工程と、
(K)セメント製造における監視データの実測値が、設定された学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値である場合には、工程(R)を実施し、範囲外の数値である場合には、工程(L)を実施する工程と、
(L)監視データの実測値が、設定された学習データ群における、監視データの実測値の平均値±平均2乗誤差(σG)の範囲外の数値である学習データであって、上記学習データ群に含まれない1個以上の学習データを、上記学習データ群に追加して新たな学習データ群に設定した後、工程(C)以降を実施する工程と
(M)工程(B)を実施した回数の大きさについての判定を行い、該回数が予め設定した回数以下である場合は、工程(N)を実施し、該回数が予め設定した回数を超える場合には工程(O)を実施する工程と、
(N)学習条件の初期化を行って、再度工程(B)〜(J)を実施する工程と、
(O)工程(J)において算出した全ての解析度判定値のうち、最も小さい解析度判定値が予め定めた第二の設定値未満である場合、最も小さい解析度判定値を得ることができた工程(J)におけるニューラルネットワークを、学習済みのニューラルネットワークとした後、工程(P)を実施し、最も小さい解析度判定値が予め定めた第二の設定値以上である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(P)工程(J)において算出した全ての解析度判定値のうち、最も小さい解析度判定値を得ることができた工程(J)において、学習データとして使用した監視データの実測値と評価データの実測値の組み合わせについて無相関検定を行い、5%の有意水準で有意であると判断された監視データの種類が2種以上である場合、5%の有意水準で有意であると判断された監視データの全種類を座標軸とする座標空間に学習データとして使用した監視データの実測値をプロットし、座標空間において、プロットされた監視データ同士を結ぶことで形成される監視データの全てを包含する領域であって、該領域が最大となるように監視データ同士を結ぶことで形成される領域を、予測可能監視データ領域として設定した後、工程(Q)を実施し、5%の有意水準で有意であると判断された監視データが0または1種類である場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(Q)セメント製造における監視データの実測値が、工程(P)で設定した予測可能監視データ領域に含まれる場合、セメントの品質または製造条件の予測を高い精度で行うことができると判断し、工程(K)を実施し、セメント製造における監視データの実測値が、上記予測可能監視データ領域に含まれない場合、セメントの品質または製造条件を予測することはできないと判断して予測を終了する工程と、
(R)学習済みのニューラルネットワークの入力層に、セメント製造における監視データの実測値を入力して、上記ニューラルネットワークの出力層から、セメントの品質または製造条件の評価に関連する評価データの推測値を出力してセメントの品質または製造条件を予測する工程と、
を含むことを特徴とするセメントの品質または製造条件の予測方法。
- 上記工程(L)で追加する学習データの数が、設定された学習データ群における学習データの数の8%以上である請求項1に記載のセメントの品質または製造条件の予測方法。
- 上記解析度判定値の予め定めた第一の設定値が10%以下であり、上記解析度判定値の予め定めた第二の設定値が上記第一の設定値よりも大きくかつ30%以下である請求項1または2に記載のセメントの品質または製造条件の予測方法。
- 上記ニューラルネットワークが、上記入力層と上記出力層の間に中間層を有する階層型のニューラルネットワークである請求項1〜3のいずれか1項に記載のセメントの品質または製造条件の予測方法。
- 上記監視データと上記評価データの組み合わせは、上記監視データが、セメントに関するデータであり、かつ、上記評価データが、セメントと水を混練してなる組成物の物性に関するデータである組み合わせであり、上記監視データである、セメントに関するデータは、セメントのブレーン比表面積、鉱物組成、及び化学組成であり、上記評価データである、上記セメントと水を混練してなる組成物の物性に関するデータは、モルタルの圧縮強さである請求項1〜4のいずれか1項に記載のセメントの品質または製造条件の予測方法。
- 上記監視データの値を人為的に変動させて得られた上記評価データの推測値に基づいて、セメントの製造条件を最適化する請求項1〜5のいずれかに記載のセメントの品質または製造条件の予測方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016065897A JP6639987B2 (ja) | 2016-03-29 | 2016-03-29 | セメントの品質または製造条件の予測方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016065897A JP6639987B2 (ja) | 2016-03-29 | 2016-03-29 | セメントの品質または製造条件の予測方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017178648A JP2017178648A (ja) | 2017-10-05 |
JP6639987B2 true JP6639987B2 (ja) | 2020-02-05 |
Family
ID=60003632
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016065897A Active JP6639987B2 (ja) | 2016-03-29 | 2016-03-29 | セメントの品質または製造条件の予測方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6639987B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019052615A (ja) | 2017-09-19 | 2019-04-04 | スズキ株式会社 | 内燃機関の潤滑構造 |
CN110378799B (zh) * | 2019-07-16 | 2022-07-12 | 东北大学 | 基于多尺度深度卷积网络的氧化铝综合生产指标决策方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2847395B2 (ja) * | 1989-08-28 | 1999-01-20 | 富士通株式会社 | 学習制御装置 |
JPH05250164A (ja) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | 学習方法 |
WO2012086754A1 (ja) * | 2010-12-24 | 2012-06-28 | 太平洋セメント株式会社 | セメントの品質または製造条件の予測方法 |
CN104350021B (zh) * | 2012-05-30 | 2017-03-01 | 太平洋水泥株式会社 | 水泥的品质或制造条件的预测方法 |
-
2016
- 2016-03-29 JP JP2016065897A patent/JP6639987B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017178648A (ja) | 2017-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9679244B2 (en) | Method for predicting quality or manufacturing condition of cement | |
JP6636358B2 (ja) | フライアッシュセメントの品質または製造条件の予測方法 | |
JP6794039B2 (ja) | コンクリートの配合条件の予測方法 | |
JP6639988B2 (ja) | セメントクリンカーの製造条件の予測方法 | |
JP6674356B2 (ja) | コンクリートの品質またはコンクリートの配合条件の予測方法 | |
Mailar et al. | Investigation of concrete produced using recycled aluminium dross for hot weather concreting conditions | |
WO2012086754A1 (ja) | セメントの品質または製造条件の予測方法 | |
JP6732380B2 (ja) | セメントの品質または製造条件の予測方法 | |
JP6639987B2 (ja) | セメントの品質または製造条件の予測方法 | |
JP2007137722A (ja) | セメント組成物 | |
Galetakis et al. | Experimental investigation of the utilization of quarry dust for the production of microcement-based building elements by self-flowing molding casting | |
JP4336591B2 (ja) | セメントの品質予測方法およびセメントの製造管理システム | |
Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
WO2018061239A1 (ja) | セメントの品質または製造条件の予測方法 | |
CN110950557B (zh) | 优化水泥原料调整量的方法和系统 | |
JP5323290B1 (ja) | セメントの品質または製造条件の予測方法 | |
JP6208403B1 (ja) | セメントの品質または製造条件の予測方法 | |
JP2018168021A (ja) | セメントの品質または製造条件の予測方法 | |
JP2021124304A (ja) | 生コンクリートの品質予測方法 | |
JP2011209022A (ja) | モルタル又はコンクリートの製造方法、及びモルタル又はコンクリートの終局の断熱温度上昇量の予測方法 | |
JP6364918B2 (ja) | 高炉スラグの選別方法及び高炉セメントの製造方法 | |
Onyia et al. | Mathematical modelling of compressive strength of recycled ceramic tile aggregate concrete using modified regression theory | |
JP6644605B2 (ja) | セメントクリンカーの製造条件の予測方法 | |
Limbachiya et al. | The impact of variation in chemical and physical properties of PFA and BPD semi-dry cement paste on strength properties | |
JP2023056609A (ja) | セメントの品質予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190131 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191224 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191225 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6639987 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |