水泥的品质或制造条件的预测方法
【专利摘要】本发明提供能够短时间且高精度地预测水泥的品质的方法。一种水泥的品质或制造条件的预测方法，其为使用了具有输入层和输出层的神经网络的水泥的品质或制造条件的预测方法，其中，使用学习数据和检验数据，以足够多到使σL＜σM的学习次数进行神经网络的学习后，一边减少学习次数一边反复进行神经网络的学习直至达到σL≥σM为止，并且在由学习后的神经网络得到的解析度判定值小于预先设定的设定值的神经网络的输入层输入特定的监视数据，由上述神经网络的输出层输出特定的评价数据的推测值。
【专利说明】水泥的品质或制造条件的预测方法
【技术领域】
[0001] 本发明涉及使用了神经网络的水泥的品质或制造条件的预测方法。
【背景技术】
[0002] 以往，对水泥品质的评价中存在耗费成本和时间的问题。例如，灰浆的压缩强度如 下测定：将水泥、标准砂和水依据Jis R 5201混炼后，成型为样品，在养护1天后、养护3天 后、养护7天后和养护28天后的各时刻将样品设置于压缩试验机而进行测定。即，到确认 灰浆的压缩强度的测定结果为止用时28天，因此在水泥的发货时无法得到灰浆的压缩强 度的预测值。
[0003] 特别是，在近年的水泥制造中，据认为作为水泥原料或烧制用燃料的工业废弃物 的用量增加，水泥品质发生变动的机会增多。因此，为了预防所要发货的水泥的品质异常， 水泥品质管理的重要性提高。
[0004] 为了解决这样的问题，专利文献1中记载了一种水泥的品质预测方法，其利用峰 形拟合法分析水泥或熟料的粉末X射线衍射结果，基于由此得到的熟料矿物的晶体学信 息，预测水泥的品质（具体来说为水泥的凝结时间和灰浆压缩强度）的变化。
[0005] 另外，专利文献2中记载了一种水泥的品质推算方法，其中，将在水泥制造工厂的 运转中作为品质管理信息所收集的水泥中的熟料构成矿物和添加材料的量的信息、熟料构 成矿物的晶体结构的信息、熟料的少量成分的量的信息以及水泥的粉末度和45 ii m筛余物 的信息应用于基于过去积累的这些信息和灰浆压缩强度实测数据间的多重回归分析而求 出的灰浆压缩强度的估计方程，从而推算灰浆压缩强度。
[0006] 但是，在专利文献1、2的方法中，无法预测灰浆的压缩强度和凝结时间以外的品 质（例如灰浆的流动性等）。另外，据认为，对水泥的品质产生影响的因素不限于专利文献 1、2所列举的因素，制造步骤中的各种条件等各种因素有着复杂的关系，因此专利文献1、2 的方法不能说是精度高的方法。
[0007] 另一方面，在水泥的制造条件中，如即将投入窑炉前的熟料原料的水硬率那样，与 预热器的气体流量等多个因素有着复杂的关系，有时难以进行预测。
[0008] 因此，在考虑到各种因素后，需要一种能够短时间且高精度地预测水泥的品质或 制造条件的方法。
[0009] 现有技术文献
[0010] 专利文献
[0011] 专利文献1 :日本特开2005-214891号公报
[0012] 专利文献2 :日本特开2007-271448号公报
【发明内容】
[0013] 发明要解决的课题
[0014] 本发明的目的在于提供一种能够短时间且高精度地预测水泥的品质或制造条件 的方法。
[0015] 用于解决课题的方案
[0016] 本发明人为了解决上述课题进行了深入研究，结果发现利用以下方法能够达到上 述目的，从而完成了本发明。该方法为：使用学习数据和检验数据夕一亍''一夕），以 足够多到使0 M(该式的含义在下文中说明）的学习次数进行神经网络的学习后，此 时，一边减少学习次数一边反复进行神经网络的学习直至达到为止，并且在解析 度判定值小于预先设定的设定值的神经网络的输入层输入特定的监视数据，由上述神经网 络的输出层输出特定的评价数据的推测值。
[0017] 即，本发明提供以下的[1]?[7]。
[0018] [1] 一种水泥的品质或制造条件的预测方法，该水泥的品质或制造条件的预测方 法使用了具有输入层和输出层的神经网络，其特征在于，所述输入层用于输入水泥制造中 的监视数据的实测值，所述输出层用于输出与水泥的品质或制造条件的评价相关的评价数 据的推测值，所述监视数据与所述评价数据的组合为以下组合：（i)所述监视数据为选自 与熟料原料相关的数据、与烧制条件相关的数据、与粉碎条件相关的数据和与熟料相关的 数据中的一种以上的数据，并且所述评价数据为与熟料原料相关的数据、与烧制条件相关 的数据、与粉碎条件相关的数据、与熟料相关的数据、与水泥相关的数据；或者（ii)所述监 视数据为与熟料原料相关的数据、与烧制条件相关的数据、与粉碎条件相关的数据、与熟料 相关的数据和与水泥相关的数据，并且所述评价数据为与含水泥的水硬性组合物的物性相 关的数据，该水泥的品质或制造条件的预测方法包括以下步骤：(A)进行学习次数的初始 设定；(B)使用两个以上作为监视数据的实测值与评价数据的实测值的组合的学习数据， 进行所设定的学习次数的神经网络的学习；(C)将学习数据的监视数据的实测值输入在最 接近的步骤（B)中进行了学习的神经网络的输入层而得到评价数据的推测值，计算出由此 得到的评价数据的推测值与学习数据的评价数据的实测值之间的均方误差（〇 J，并且，将 检验数据中的监视数据的实测值输入在最接近的步骤（B)中进行了学习的神经网络的输 入层而得到评价数据的推测值，计算出由此得到的评价数据的推测值与检验数据中的评价 数据的实测值之间的均方误差（〇 M)，其中，所述检验数据是监视数据的实测值与评价数据 的实测值的组合，用于确认神经网络的学习结果的可靠性，在计算出的与〇 M的关系为 的情况下，实施步骤（D)，在计算出的与〇M的关系为〇M的情况下， 实施步骤（E) ;(D)增加所设定的学习次数，作为新的学习次数进行再设定，再次实施步骤 (B)?（C) ;(E)将减少在最接近的神经网络的学习中所实施的学习次数后所得到的学习次 数作为新的学习次数进行再设定；(F)使用步骤（B)中使用的学习数据，进行所设定的学习 次数的神经网络的学习；(G)将学习数据的监视数据的实测值输入在最接近的步骤（F)中 进行了学习的神经网络的输入层而得到评价数据的推测值，计算出由此得到的评价数据的 推测值与学习数据的评价数据的实测值之间的均方误差（〇 J，并且，将检验数据中的监视 数据的实测值输入在最接近的步骤（F)中进行了学习的神经网络的输入层而得到评价数 据的推测值，计算出由此得到的评价数据的推测值与检验数据中的评价数据的实测值之间 的均方误差（〇 M)，在计算出的与的关系为的情况下，实施步骤（I)，在计 算出的h与的关系为的情况下，实施步骤⑶；(H)在最接近的已进行的步 骤（F)中的神经网络的学习次数超过预先设定的数值的情况下，再次实施步骤（E)?（G)， 在最接近的已进行的步骤（F)中的神经网络的学习次数为预先设定的数值以下的情况下， 实施步骤（K) ;(1)使用下式（1)计算出解析度判定值，在该解析度判定值小于预先设定的 设定值的情况下，向所述输入层输入水泥制造中的监视数据的实测值，从所述输出层输出 与水泥的品质或制造条件的评价相关的评价数据的推测值；(K)进行学习条件的初始化， 再次实施步骤（A)?（K)。
[0019] [数学式1]
[0020]
【权利要求】
1. 一种水泥的品质或制造条件的预测方法，该水泥的品质或制造条件的预测方法使用 了具有输入层和输出层的神经网络，其特征在于， 所述输入层用于输入水泥制造中的监视数据的实测值，所述输出层用于输出与水泥的 品质或制造条件的评价相关的评价数据的推测值， 所述监视数据与所述评价数据的组合为以下组合： (i) 所述监视数据为选自与熟料原料相关的数据、与烧制条件相关的数据、与粉碎条件 相关的数据和与熟料相关的数据中的一种以上的数据，并且所述评价数据为与熟料原料相 关的数据、与烧制条件相关的数据、与粉碎条件相关的数据、与熟料相关的数据、与水泥相 关的数据；或者 (ii) 所述监视数据为与熟料原料相关的数据、与烧制条件相关的数据、与粉碎条件相 关的数据、与熟料相关的数据和与水泥相关的数据，并且所述评价数据为与含水泥的水硬 性组合物的物性相关的数据， 该水泥的品质或制造条件的预测方法包括以下步骤： (A) 进行学习次数的初始设定； (B) 使用两个以上作为监视数据的实测值与评价数据的实测值的组合的学习数据，进 行所设定的学习次数的神经网络的学习； (C) 将学习数据的监视数据的实测值输入在最接近的步骤（B)中进行了学习的神经网 络的输入层而得到评价数据的推测值，计算出由此得到的评价数据的推测值与学习数据的 评价数据的实测值之间的均方误差（〇 J，并且，将检验数据中的监视数据的实测值输入在 最接近的步骤（B)中进行了学习的神经网络的输入层而得到评价数据的推测值，计算出由 此得到的评价数据的推测值与检验数据中的评价数据的实测值之间的均方误差（〇M)，其 中，所述检验数据是监视数据的实测值与评价数据的实测值的组合，用于确认神经网络的 学习结果的可靠性，在计算出的与的关系为的情况下，实施步骤（D)，在 计算出的〇 ^与〇 M的关系为〇 ^ < 〇 M的情况下，实施步骤（E); (D) 增加所设定的学习次数，作为新的学习次数进行再设定，再次实施步骤（B)? (C)； (E) 将减少在最接近的神经网络的学习中所实施的学习次数后所得到的学习次数作为 新的学习次数进行再设定； (F) 使用步骤（B)中使用的学习数据，进行所设定的学习次数的神经网络的学习； (G) 将学习数据的监视数据的实测值输入在最接近的步骤（F)中进行了学习的神经网 络的输入层而得到评价数据的推测值，计算出由此得到的评价数据的推测值与学习数据的 评价数据的实测值之间的均方误差（〇 J，并且，将检验数据中的监视数据的实测值输入在 最接近的步骤（F)中进行了学习的神经网络的输入层而得到评价数据的推测值，计算出由 此得到的评价数据的推测值与检验数据中的评价数据的实测值之间的均方误差（〇M)，在 计算出的h与〇 M的关系为h彡〇 M的情况下，实施步骤（I)，在计算出的h与〇 M的 关系为0 ^ < 0 M的情况下，实施步骤⑶； (H) 在最接近的已进行的步骤（F)中的神经网络的学习次数超过预先设定的数值的情 况下，再次实施步骤（E)?（G)，在最接近的已进行的步骤（F)中的神经网络的学习次数为 预先设定的数值以下的情况下，实施步骤（K); (I) 使用下式（1)计算出解析度判定值，在该解析度判定值小于预先设定的设定值的 情况下，向所述输入层输入水泥制造中的监视数据的实测值，从所述输出层输出与水泥的 品质或制造条件的评价相关的评价数据的推测值，在解析度判定值为预先设定的设定值以 上的情况下，实施步骤（K);和 (K)进行学习条件的初始化，再次实施步骤（A)?（K)， [数学式1]
所述式（1)中，学习数据的均方误差是指，将学习数据的监视数据的实测值输入 学习后的神经网络的输入层而得到的评价数据的推测值与学习数据的评价数据的实测值 之间的均方误差;评价数据的推测值的平均值是指，将学习数据的监视数据的实测值 输入学习后的神经网络的输入层而得到的评价数据的推测值的平均值。
2. 如权利要求1所述的水泥的品质或制造条件的预测方法，其包括以下步骤： (J) 在所述步骤（K)之前，对步骤（A)的已实施次数的多少进行判定，在该次数为预先 设定的次数以下的情况下，进行学习条件的初始化，再次进行步骤（A)?（I)，在该次数超 过预先设定的次数的情况下，终止神经网络的学习。
3. 如权利要求1或2所述的水泥的品质或制造条件的预测方法，其中，所述解析度判定 值的预先设定的设定值为6%以下的值。
4. 如权利要求1?3中的任一项所述的水泥的品质或制造条件的预测方法，其中，所述 神经网络为在所述输入层与所述输出层之间具有中间层的分层型的神经网络。
5. 如权利要求1?4中的任一项所述的水泥的品质或制造条件的预测方法，其中， 所述监视数据与所述评价数据的组合是如下组合，即监视数据为与熟料原料相关的数 据、与烧制条件相关的数据以及与熟料相关的数据，并且评价数据为与熟料相关的数据， 监视数据的所述与熟料原料相关的数据是指熟料原料的化学组成，所述与烧制条件相 关的数据是指窑炉落口温度、窑炉烧制带温度以及窑炉平均扭矩，所述与熟料相关的数据 是指熟料的化学组成和容重，评价数据的与熟料相关的数据是指湿式f. CaO (游离石灰）。
6. 如权利要求1?4中的任一项所述的水泥的品质或制造条件的预测方法，其中， 所述监视数据与所述评价数据的组合是如下组合，即监视数据为与烧制条件相关的数 据和与水泥相关的数据，并且评价数据为与含水泥的水硬性组合物的物性相关的数据， 监视数据的所述与烧制条件相关的数据是指窑炉落口温度和冷却器温度，与水泥相关 的数据是指水泥的勃氏比表面积、筛余物量、湿式f. CaO、矿物组成和化学组成，评价数据的 所述与含水泥的水硬性组合物的物性相关的数据是灰浆的压缩强度。
7. 如权利要求1?6中的任一项所述的水泥的品质或制造条件的预测方法，其中，基于 人为地变动所述监视数据的值而得到的所述评价数据的推测值，对水泥的制造条件进行优 化。
8. 如权利要求1?7中的任一项所述的水泥的品质或制造条件的预测方法，其中，定期 地检查所述评价数据的推测值和与该推测值对应的实测值之间的偏离程度的大小，基于该 检查结果更新所述神经网络。
【文档编号】C04B7/36GK104350021SQ201380028407
【公开日】2015年2月11日 申请日期:2013年2月22日 优先权日:2012年5月30日
【发明者】大野麻衣子, 黑川大亮, 平尾宙 申请人:太平洋水泥株式会社