JP6639987B2 - セメントの品質または製造条件の予測方法 - Google Patents

Description

本発明は、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に関する。

硬化前の流動性、作業性や、硬化後の種々の化学的、物理的特性等、セメントには多くの品質が求められている。
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。

しかし、製造工程での品質管理項目を指標としたセメントの品質管理方法は、限られた代替指標による間接的管理であることから、管理精度にある程度のあいまいさを有していることは避けられず、過剰に安全側に管理基準を設定せざるを得ない方法である。
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、σ_Ｌ＜σ_Ｍ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σ_Ｌ≧σ_Ｍ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。

特許第５３２３２９０号公報

特許文献１に記載された予測方法では、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、予測精度が低い場合があった。
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。

本発明者らは、上記課題を解決するために鋭意検討した結果、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、特定の方法によってニューラルネットワークの学習を行った後に、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平均値±平均２乗誤差（σ_Ｇ）の範囲内の数値である場合には、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、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、セメント製造における監視データの実測値が、上記範囲外の数値である場合には、特定の学習データを新たに追加し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行った後に、得られた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、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方法によれば、上記目的を達成しうることを見出し、本発明を完成した。

すなわち、本発明は、以下の［１］〜［６］を提供するものである。
［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（σ_Ｌ）、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（σ_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｅ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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（σ_Ｌ）、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（σ_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｊ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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（σ_Ｇ）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（σ_Ｇ）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。

（上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）とは、学習データの監視データの実測値を学習後の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（σ_Ｌ）である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後の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の平均値である。）

［２］ 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％以上である前記［１］に記載の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。

本発明のセメントの品質または製造条件の予測方法を用いれば、学習データの数が少ない等の、従来のニューラルネットワークの学習プロセスを含む予測方法では困難であった条件においても、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、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。

本発明の予測方法の一例を示すフロー図である。 実施例２において設定した予測可能監視データ領域を示す図である。

以下、本発明について詳細に説明する。
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。

上記監視データと上記評価データの組み合わせとしては、以下の（ｉ）または（ｉｉ）が挙げられる。
（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

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の原料に関するデータ」は、セメントクリンカー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）、強熱減量、キルンへの投入時から所定の時間前の時点（例えば、５時間前の１つの時点や、３時間前、４時間前、５時間前、及び６時間前の４つの時点のような複数の時点）のセメントクリンカーの原料（搬送中に向流する空気流によって微粒分等が抜き取られたセメントクリンカーの調合原料。以後、セメントクリンカーの窯入原料と称す。）の化学組成、水硬率、供給量、廃棄物のような特殊な原料からなるセメントクリンカーの副原料の供給量、調合原料のブレンディングサイロの貯留量（残量）、調合原料のストレージサイロの貯留量（残量）、原料ミルと調合原料のブレンディングサイロの間に位置するサイクロンの電流値（サイクロンの回転数を表し、サイクロンを通過する原料の速度と相関関係があるもの）、セメントクリンカーの窯入原料と副原料を混合してなる原料の化学組成、水硬率、ブレーン比表面積、ふるい試験残分量、脱炭酸率、水分量等が挙げられる。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。
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ＳｉＯ_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、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の焼成条件に関するデータ」は、セメントクリンカーの原料の挿入量、キルン回転数、落口温度、焼成帯温度、セメントクリンカー温度、キルン平均トルク、Ｏ_２濃度、ＮＯ_Ｘ濃度、クリンカークーラー温度、プレヒーターのガスの流量（プレヒーターの温度と相関関係があるもの）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。

前記（ｉ）の組み合わせにおける監視データの一つである「セメントの粉砕条件に関するデータ」は、粉砕温度、仕上ミル内の散水量、セパレーター風量、石膏の種類、石膏の添加量、セメントクリンカーの投入量、仕上ミルの回転数、仕上ミルから排出される粉体の温度、仕上ミルから排出される粉体の量、仕上ミルから排出されない粉体の量等が挙げられる。
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。

ここで、セメントクリンカーの鉱物組成とは、３ＣａＯ・ＳｉＯ_２（Ｃ_３Ｓ）、２ＣａＯ・ＳｉＯ_２（Ｃ_２Ｓ）、３ＣａＯ・Ａｌ_２Ｏ_３（Ｃ_３Ａ）、４ＣａＯ・Ａｌ_２Ｏ_３・Ｆｅ_２Ｏ_３（Ｃ_４ＡＦ）、ｆ．ＣａＯ、ｆ．ＭｇＯ等の含有率である。また「２種以上の鉱物組成の比」としては、例えば、Ｃ_３Ｓ／Ｃ_２Ｓの比が挙げられる。
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ＳｉＯ_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、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。

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、各々、上述した監視データである「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」と同様である。
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」は、各々、前記（ｉ）の組み合わせにおける監視データである「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」と同様である。
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。

ここで、セメントの化学組成とは、セメント原料中のＳｉＯ_２、Ａｌ_２Ｏ_３、Ｆｅ_２Ｏ_３、ＣａＯ、ＭｇＯ、ＳＯ_３、Ｎａ_２Ｏ、Ｋ_２Ｏ、Ｎａ_２Ｏｅｑ（全アルカリ）、ＴｉＯ_２、Ｐ_２Ｏ_５、ＭｎＯ、Ｃｌ、Ｃｒ、Ｚｎ、Ｐｂ、Ｃｕ、Ｎｉ、Ｖ、Ａｓ、Ｚｒ、Ｍｏ、Ｓｒ、Ｂａ、Ｆ等の含有率である。
セメントの鉱物組成とは、３ＣａＯ・ＳｉＯ_２（Ｃ_３Ｓ）、２ＣａＯ・ＳｉＯ_２（Ｃ_２Ｓ）、３ＣａＯ・Ａｌ_２Ｏ_３（Ｃ_３Ａ）、４ＣａＯ・Ａｌ_２Ｏ_３・Ｆｅ_２Ｏ_３（Ｃ_４ＡＦ）、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。

前記（ｉｉ）の組み合わせにおける評価データである「セメントと水を混練してなる組成物の物性」は、モルタルの圧縮強さ、曲げ強度、流動性（フロー値）、水和熱、凝結時間、乾燥収縮率、安定性、水中膨張、耐硫酸塩性、中性化、ＡＳＲ抵抗等が挙げられる。

本発明のセメントの品質または製造条件の予測方法において、対象となるセメントは、特に限定されず、例えば、普通ポルトランドセメント、早強ポルトランドセメント、中庸熱ポルトランドセメント、低熱ポルトランドセメント等の各種ポルトランドセメントや、高炉セメント、フライアッシュセメント等の混合セメントや、ポルトランドセメントに石灰石粉末やシリカフューム等の混和材を添加したセメント等が挙げられる。
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。

本発明では、セメント製造における監視データと、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関係を、ニューラルネットワークによって予め学習し、その学習結果を用いて、上記監視データのみに基づいて、上記評価データを予測する。
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。

学習データ群は、複数の学習用のサンプルから得られた全ての学習データからなるものでもよく、全ての学習データから選択した複数（ただし、全てのデータより１つ以上のデータを削除したもの）の学習データからなるものであってもよい。
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。

学習データ群を構成する学習データの数は、特に限定されるものではないが、予測精度を高くする観点から、好ましくは５以上、より好ましくは５０以上、さらに好ましくは１００以上、特に好ましくは１５０以上である。上記数の上限は、特に限定されないが、例えば、１，０００である。
工程（Ａ）終了後、工程（Ｂ）を実施する。

［工程（Ｂ）］
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σ_Ｌ＜σ_Ｍ（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）］
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）］
工程（Ｄ）では、σ_Ｌとσ_Ｍが算出される。σ_Ｌとσ_Ｍ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（σ_Ｌ）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（σ_Ｍ）を算出する。その後、算出されたσ_Ｌとσ_Ｍ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（Ｄ）で算出されたσ_Ｌとσ_Ｍの関係が、σ_Ｌ≧σ_Ｍである場合（図１の過学習判定における「Ｎｏ」）、直近に行った工程（Ｃ）の学習回数は、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、工程（Ｅ）を実施する。工程（Ｄ）で算出されたσ_Ｌとσ_Ｍの関係が、σ_Ｌ＜σ_Ｍである場合（図１の過学習判定における「Ｙｅｓ」）、直近に行った工程（Ｃ）の学習回数は、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、工程（Ｆ）を実施する。

［工程（Ｅ）］
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）］
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）］
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）］
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（σ_Ｌ）、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（σ_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係が、σ_Ｌ≧σ_Ｍ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σ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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）］
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）］
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。

上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）とは、直近の工程（Ｈ）で算出された平均２乗誤差（σ_Ｌ）と同じである。評価データの推測値の平均値とは、学習データの監視データの実測値を、直近の工程（Ｇ）にて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の平均値である。
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。

予め定めた第一の設定値は、特に限定されないが、より高い精度で予測を行う観点から、好ましくは１０％以下、より好ましくは８％以下、特に好ましくは７％以下の値である。
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）］
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（σ_Ｇ）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。

なお、監視データの実測値の平均値±平均２乗誤差（σ_Ｇ）の範囲内の数値とは、該数値が、監視データの実測値の平均値−平均２乗誤差（σ_Ｇ）以上であり、かつ、監視データの実測値の平均値＋平均２乗誤差（σ_Ｇ）以下であることを意味する。また、監視データの実測値の平均値±平均２乗誤差（σ_Ｇ）の範囲外の数値とは、該数値が、監視データの実測値の平均値＋平均２乗誤差（σ_Ｇ）を超える、または、監視データの実測値の平均値−平均２乗誤差（σ_Ｇ）未満であることを意味する。

［工程（Ｌ）］
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（σ_Ｇ）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（σ_Ｇ）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（σ_Ｇ）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。

追加する学習データの数は、設定された学習データ群における学習データの数の、好ましくは８％以上、より好ましくは１０％以上、特に好ましくは１５％以上の数である。該数が８％以上であれば予測精度をより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（σ_Ｇ）の範囲内の数値となるまで、繰り返し実施される。

［工程（Ｍ）］
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）］
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）］
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。

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（図１の第二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して予測を終了する。
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）］
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Ｃ_３Ｓ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Ｃ_３Ｓの量をｙ軸とする座標空間を作成する。

次いで、学習データとして使用した監視データの実測値のうち、５％の有意水準で有意であると判断された種類の監視データの実測値を全て、座標空間にプロットし、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予測可能監視データ領域を設定する。該予測可能監視データ領域は、プロットされた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である。予測可能監視データ領域を設定した後、工程（Ｑ）を実施する。
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）］
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）］
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。

本発明の予測方法によれば、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等の、従来のニューラルネットワークでは精度の高い予測が困難であった条件においても、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。

ニューラルネットワークは、予測の精度を高い状態に維持するために、評価データの推測値と、該推測値に対応する実測値の乖離の大きさを定期的に点検し、その点検結果に基づいて、ニューラルネットワークを更新することが好ましい。更新の周期は、前記（ｉ）の組み合わせ（セメントクリンカーの鉱物組成等の予測に関するニューラルネットワーク）では、好ましくは１時間に一回、より好ましくは３０分間に一回である。前記（ｉｉ）の組み合わせ（セメントと水を混練してなる組成物の物性の予測に関するニューラルネットワーク）では、好ましくは１か月に一回、より好ましくは１週間に一回、特に好ましくは１日に一回である。

本発明のセメントの品質または製造条件の予測方法によれば、ニューラルネットワークを用いることによって、監視データを入力するだけで、セメントクリンカーの鉱物組成や、セメントと水を混練してなる組成物（例えば、モルタル）の圧縮強さ等の評価データの推測値を、１時間以内に得ることができる。
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。

さらに、セメントの製造工程を制御するコンピュータと、本発明のセメントの品質または製造条件の予測方法を実施するために用いるコンピュータを接続することによって、評価データに基づいて監視データを人為的に変動させるための制御システムを自動化することもできる。
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。

以下、実施例により本発明を説明する。
［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（Ｎａ_２Ｏ＋０．６５８×Ｋ_２Ｏ）、及びＰ_２Ｏ_５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Ｃ_３Ｓ、Ｃ_２Ｓ、Ｃ_４ＡＦ、Ｃ_３Ａ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Ｐ_２Ｏ_５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。

上記学習データを用いて、ニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。ニューラルネットワークの学習は、最初に上記学習データとモニターデータを用いて１０，０００回行った。得られたニューラルネットワークを用いて、σ_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍとなるまで繰り返した。
σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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。

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Ｐ_２Ｏ_５量）について、それぞれ平均値と平均２乗誤差を算出した。
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Ｐ_２Ｏ_５量）の実測値を測定した。
結果を表１に示す。

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Ｐ_２Ｏ_５量）の実測値のうち、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）の範囲外の数値である。具体的には、予測用サンプルのブレーン比表面積の実測値（３，０９０ｃｍ^２／ｇ）は、学習データのブレーン比表面積の実測値の平均値（３，１４５ｃｍ^２／ｇ）から、平均２乗誤差（σ）を減算した数値（３，０９６ｃｍ^２／ｇ）よりも小さいものである。
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。

監視データ（ブレーン比表面積）の実測値が、上記学習データの監視データ（ブレーン比表面積）の実測値の平均値±平均２乗誤差（σ）の範囲外の数値である学習データであって、かつ、上記の学習データ及びモニターデータとは異なる新たな学習データ１３個（前回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群の約１０％に相当する数）を、新たな学習用のデータとして、上記１３２個の学習データに追加して、合計１４５個の新たな学習データ群とした。
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Ｐ_２Ｏ_５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Ｐ_２Ｏ_５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。

新たな学習データ（１４５個）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１０，０００回行った。得られたニューラルネットワークを用いて、σ_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍとなるまで繰り返した。
σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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Ｐ_２Ｏ_５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Ｐ_２Ｏ_５量）の実測値を示す。

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Ｐ_２Ｏ_５量）の実測値が、各々、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の平均値±平均２乗誤差（σ）の範囲内の数値であった。
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Ｐ_２Ｏ_５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／ｍｍ^２であった。

［比較例１］
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Ｐ_２Ｏ_５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／ｍｍ^３であった。

［第１の解析度判定値が第一の設定値以上の場合］
［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（Ｎａ_２Ｏ＋０．６５８×Ｋ_２Ｏ）、及びＰ_２Ｏ_５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Ｃ_３Ｓ、Ｃ_２Ｓ、Ｃ_３Ａ、Ｃ_４ＡＦ、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Ｐ_２Ｏ_５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。

上記学習データを用いてニューラルネットワークの学習を行った。ニューラルネットワークとしては、入力層、中間層及び出力層を有する階層型のニューラルネットワークを用いた。ニューラルネットワークの初期学習回数は１０，０００回に設定した。
得られたニューラルネットワークを用いて、σ_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍとなるまで繰り返した。
σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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。

学習データの評価データの実測値である材齢２８日におけるモルタルの圧縮強さと、学習データの監視データの実測値であるブレーン比表面積、各鉱物の量、全アルカリ量、及びＰ_２Ｏ_５量の各々について、無相関検定を行った。
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Ｐ_２Ｏ_５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、Ｃ_３Ａ量と全アルカリ量であった。

上記無相関検定より有意であると判定されたＣ_３Ａ量および全アルカリ量について、全アルカリ量をｘ軸とし、Ｃ_３Ａ量をｙ軸とする座標空間に学習データ（監視データの実測値）における全アルカリ量とＣ_３Ａ量のデータをプロットした。
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）。

得られた学習済み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Ｐ_２Ｏ_５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Ｐ_２Ｏ_５量）の実測値を示す。

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Ｐ_２Ｏ_５量）の実測値のうち、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）の範囲外の数値であった。具体的には、予測用サンプルのブレーン比表面積の実測値（３，２９０ｃｍ^２／ｇ）は、学習データのブレーン比表面積の実測値の平均値（３，１８０ｃｍ^２／ｇ）から、平均２乗誤差（σ）を加算した数値（３，２２８ｃｍ^２／ｇ）よりも大きいものである。
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。

そこで、監視データ（ブレーン比表面積）の実測値が、上記学習データの監視データ（ブレーン比表面積）の実測値の平均値±平均２乗誤差（σ）の範囲外の数値である学習データであって、かつ、上記の学習データ及びモニターデータとは異なる新たな学習データ１５個（前回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約２５％に相当する個数）を、新たな学習データとして、上記５９個の学習データに追加して、合計７４個の学習データを、新たな学習データ群とした。
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Ｐ_２Ｏ_５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Ｐ_２Ｏ_５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。

新たな学習データ（７４個）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１０，０００回行った。得られたニューラルネットワークを用いて、σ_Ｌとσ_Ｍを算出したところ、σ_Ｌとσ_Ｍの関係はσ_Ｌ＜σ_Ｍ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σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍとなるまで繰り返した。
σ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍ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３，１９０ｃｍ^２／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。

そこで、ブレーン比表面積（監視データ）の実測値が、上記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±平均２乗誤差（σ）の範囲外の数値である学習データであって、かつ、上記の学習データ及びモニターデータとは異なる新たな学習データ４４個（追加した学習データの合計個数（５９個）は、最初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個数の１００％に相当する個数）を、新たな学習データとして、上記７４個の学習データに追加して、合計１１８個の学習データを、新たな学習データ群として使用して、上述したニューラルネットワークの学習と同様に、ニューラルネットワークの学習を再度行った。
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Ｐ_２Ｏ_５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Ｐ_２Ｏ_５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３，２１０ｃｍ^２／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。

ニューラルネットワークの学習に使用した学習データ（１１８個）の評価データの実測値である材齢２８日におけるモルタルの圧縮強さと、学習データの監視データの実測値であるブレーン比表面積、各鉱物の量、全アルカリ量、及びＰ_２Ｏ_５量の各々について、無相関検定を行った。
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Ｐ_２Ｏ_５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Ｃ_３Ａ量と全アルカリ量であった。

上記、無相関検定より有意であると判定されたＣ_３Ａ量および全アルカリ量について、全アルカリ量をｘ軸とし、Ｃ_３Ａ量をｙ軸とする座標空間に学習データ（監視データの実測値）における全アルカリ量とＣ_３Ａ量のデータをプロットした。
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、Ｃ_３Ａ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。

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Ｐ_２Ｏ_５量）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６４．７±４．８（偏差は３σを示す。）Ｎ／ｍｍ^２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／ｍｍ^２であった。

［比較例２］
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Ｐ_２Ｏ_５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。）／ｍｍ^２であった。

実施例２で得られた評価データの推測値（６４．７±４．８Ｎ／ｍｍ^２）と、比較例２で得られた評価データの推測値（６５．５±５．６Ｎ／ｍｍ^２）を比較すると、実施例２で得られた推測値は、比較例２で得られた推測値よりも、実測値（６３．５Ｎ／ｍｍ^２）に近く、より信頼性が高いことがわかる。

Claims (6)

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（σ_Ｌ）、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（σ_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｅ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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（σ_Ｌ）、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（σ_Ｍ）を算出し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ≧σ_Ｍである場合、工程（Ｊ）を実施し、算出されたσ_Ｌとσ_Ｍの関係がσ_Ｌ＜σ_Ｍ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（σ_Ｇ）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（σ_Ｇ）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。
   

   

   （上記式（１）中、学習データの平均２乗誤差（σ_Ｌ）とは、学習データの監視データの実測値を学習後の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（σ_Ｌ）である。評価データの推測値の平均値とは、学習データの監視データの実測値を学習後の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の平均値である。）
2. 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。
3. 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。
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。
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。
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。
   
   

Images