水泥的品质或制造条件的预测方法 |
|||||||
| 申请号 | CN201380028407.9 | 申请日 | 2013-02-22 | 公开(公告)号 | CN104350021B | 公开(公告)日 | 2017-03-01 |
| 申请人 | 太平洋水泥株式会社; | 发明人 | 大野麻衣子; 黑川大亮; 平尾宙; | ||||
| 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。 | ||||||
| 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， |
||||||
| 说明书全文 | 水泥的品质或制造条件的预测方法技术领域背景技术[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。 [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45μm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(モニターデータ)，以足够多到使σL＜σM(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σL≥σM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(σL)，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(σM)，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σL与σM的关系为σL≥σM的情况下，实施步骤(D)，在计算出的σL与σM的关系为σL＜σM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(σL)，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(σM)，在计算出的σL与σM的关系为σL≥σM的情况下，实施步骤(I)，在计算出的σL与σM的关系为σL＜σM的情况下，实施步骤(H)；(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；(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] [0021] (所述式(1)中，学习数据的均方误差(σL)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(σL)。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。) [0022] [2]如所述[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。 [0023] [3]如所述[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。 [0024] [4]如所述[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。 [0025] [5]如所述[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)。 [0026] [6]如所述[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。 [0027] [7]如所述[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。 [0028] [8]如所述[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。 [0029] 发明的效果 [0030] 若使用本发明的水泥的品质或制造条件的预测方法，基于在水泥制造过程中得到的各种数据，能够短时间且高精度地预测水泥的品质或制造条件。 [0031] 另外，能够基于所得到的推测值实时地管理制造条件，能够实现水泥品质稳定化的提高或水泥制造条件的优化。 [0033] 图1是示出本发明的预测方法中使用的神经网络的学习方法的一个示例的流程图。 [0034] 图2是示出实施例1中预测的材龄3天的压缩强度的推测值与实测值的比较的曲线图。 [0035] 图3是示出实施例1中预测的材龄7天的压缩强度的推测值与实测值的比较的曲线图。 [0036] 图4是示出实施例1中预测的材龄28天的压缩强度的推测值与实测值的比较的曲线图。 [0037] 图5是示出比较例1中预测的材龄3天的压缩强度的推测值与实测值的比较的曲线图。 [0038] 图6是示出比较例1中预测的材龄7日的压缩强度的推测值与实测值的比较的曲线图。 [0039] 图7是示出比较例1中预测的材龄28天的压缩强度的推测值与实测值的比较的曲线图。 [0040] 图8是示出比较例2中预测的材龄3天的压缩强度的推测值与实测值的比较的曲线图。 [0041] 图9是示出比较例2中预测的材龄7天的压缩强度的推测值与实测值的比较的曲线图。 [0042] 图10是示出比较例2中预测的材龄28天的压缩强度的推测值与实测值的比较的曲线图。 [0043] 图11是示出实施例2中预测的材龄3天的压缩强度的推测值与实测值的比较的曲线图。 [0044] 图12是示出实施例2中预测的材龄7天的压缩强度的推测值与实测值的比较的曲线图。 [0045] 图13是示出实施例2中预测的材龄28天的压缩强度的推测值与实测值的比较的曲线图。 [0046] 图14是示出实施例3中预测的刚混炼后的流动性的推测值与实测值的比较的曲线图。 [0047] 图15是示出实施例3中预测的混炼30分钟后的流动性的推测值与实测值的比较的曲线图。 [0048] 图16是示出实施例4中预测的材龄7天的水化热的推测值与实测值的比较的曲线图。 [0049] 图17是示出实施例4中预测的材龄28天的水化热的推测值与实测值的比较的曲线图。 [0050] 图18是示出实施例5中预测的凝结时间的初凝的推测值与实测值的比较的曲线图。 [0051] 图19是示出实施例5中预测的凝结时间的终凝的推测值与实测值的比较的曲线图。 [0052] 图20是示出实施例6中预测的熟料中的游离石灰的含量(％)的推测值与实测值的比较的曲线图。 [0053] 图21是示出比较例3中预测的熟料中的游离石灰的含量(％)的推测值与实测值的比较的曲线图。 [0054] 图22是示出实施例7中预测的熟料中的游离石灰的含量(％)的推测值与实测值的比较的曲线图。 [0056] 图24是示出实施例9中预测的熟料的品质(C3S/C2S比)的推测值与实测值的比较的曲线图。 [0057] 图25是示出实施例9中预测的熟料的品质(C4AF/C3A比)的推测值与实测值的比较的曲线图。 [0058] 图26是示出实施例10中预测的即将投入窑炉前的熟料原料的水硬率的推测值与实测值的比较的曲线图。 具体实施方式[0059] 下面详细说明本发明。 [0060] 本发明的预测方法是使用神经网络来预测水泥的品质或制造条件的方法，该神经网络具有用于输入水泥制造中的监视数据的实测值和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的输出层。 [0061] 本发明的神经网络也可以为在输入层与输出层之间具有中间层的分层型的神经网络。 [0062] 作为上述监视数据与上述评价数据的组合，可以举出以下的组合(i)或(ii)。 [0063] (i)上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，并且上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。 [0064] (ii)上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、与熟料相关的数据以及与水泥相关的数据，并且上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。 [0065] 上述(i)的组合中作为监视数据之一的“与熟料原料相关的数据”可以举出熟料原料的化学组成、熟料原料的水硬率、筛余物量、勃氏比表面积(粉末度)、烧失量、距投入窑炉时一定时间前的时刻(例如，5小时前这1个时刻或者3小时前、4小时前、5小时前和6小时前这4个时刻这样的多个时刻)的熟料主原料(例如，普通波特兰水泥用熟料原料之类的常规配料)的化学组成、距投入窑炉时一定时间前的时刻(例如，5小时前这1个时刻或者3小时前、4小时前、5小时前和6小时前这4个时刻这样的多个时刻)的熟料主原料(例如，普通波特兰水泥用熟料原料之类的常规配料)的水硬率、熟料主原料的供给量、由废弃物之类的特殊原料构成的熟料副原料的供给量、混料仓的存留量(余量)、原料储料仓的存留量(余量)、位于原料磨机与混料仓之间的旋风分离器的电流值(表示旋风分离器的转速，与通过旋风分离器的原料的速度有相关关系)、即将投入窑炉前的化学组成、即将投入窑炉前的水硬率、即将投入窑炉前的勃氏比表面积、即将投入窑炉前的筛余物量、即将投入窑炉前的脱碳酸率、即将投入窑炉前的水含量等。这些数据可以单独使用1种，或者可以组合使用2种以上。 [0066] 此处，熟料原料的化学组成是指熟料原料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(总碱)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含量。 [0067] 上述(i)的组合中作为监视数据之一的“与烧制条件相关的数据”可以举出窑炉的入窑CFW、转速、落口温度、烧制带温度、熟料温度、窑炉平均扭矩、O2浓度、NOX浓度、冷却器温度、预热器的气体流量(与预热器的温度有相关关系)等。这些数据可以单独使用1种，或者可以组合使用2种以上。 [0068] 上述(i)的组合中作为监视数据之一的“与粉碎条件相关的数据”可以举出粉碎温度、洒水量、选粉机(separator)风量、石膏添加量、熟料投入量、磨机的转速、从磨机排出的粉体的温度、从磨机排出的粉体的量、未从磨机排出的粉体的量、被粉碎性等。 [0069] 上述(i)的组合中作为监视数据之一的“与熟料相关的数据”可以举出熟料的矿物组成、各矿物的晶体学性质(晶格常数或微晶粒径等)、2种以上的矿物组成之比、化学组成、湿式f.CaO(游离石灰)、容重等。这些数据可以单独使用1种，或者可以组合使用2种以上。 [0070] 此处，熟料的矿物组成是指3CaO·SiO2(C3S)、2CaO·SiO2(C2S)、3CaO·Al2O3(C3A)、4CaO·Al2O3·Fe2O3(C4AF)、f.CaO、f.MgO等的含量。另外，作为“2种以上的矿物组成之比”，可以举出例如C3S/C2S之比。 [0071] 需要说明的是，熟料的矿物组成可以通过例如里德伯尔德(rietveld)法得到。 [0072] 熟料的化学组成是指熟料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(总碱)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含量。 [0073] 在上述(i)的组合中，作为监视数据，可以仅使用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任意一种数据，但是，从提高评价数据的预测精度的方面考虑，优选使用这4种数据之中的2种以上(多种)数据。 [0074] 上述(i)的组合中的作为评价数据的“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”以及“与熟料相关的数据”分别与上述作为监视数据的“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”以及“与熟料相关的数据”相同。 [0075] 另外，上述的“与熟料原料和水泥原料相关的数据”、“与烧制条件相关的数据”以及“与粉碎条件相关的数据”可以兼作监视数据。 [0076] 上述(i)的组合中作为评价数据之一的“与水泥相关的数据”可以举出勃氏比表面积、筛余物、石膏的半水化率、色调L值、色调b值、色调a值等。 [0077] 在上述(i)的组合中，从高精度地预测水泥的品质或制造条件的方面考虑，各评价数据与监视数据的种类的优选组合为下文中的表1～4所示的组合。 [0078] 例如，在表4所示的作为评价数据之一的“与熟料相关的数据”中，作为用于高精度地预测“湿式f.CaO(游离石灰)”的监视数据与评价数据的组合，优选的是，监视数据为：“与熟料原料相关的数据”中的“熟料原料的化学组成”、“熟料原料的水硬率”、“筛余物量”、“勃氏比表面积”、“烧失量”、“距投入窑炉时一定时间前的时刻(例如，5小时前这1个时刻或者3小时前、4小时前、5小时前和6小时前这4个时刻这样的多个时刻)的熟料主原料(例如，普通波特兰水泥用熟料原料之类的常规配料)的化学组成”、“距投入窑炉时一定时间前的时刻(例如，5小时前这1个时刻或者3小时前、4小时前、5小时前和6小时前这4个时刻这样的多个时刻)的熟料主原料(例如，普通波特兰水泥用熟料原料之类的常规配料)的水硬率”、“熟料主原料的供给量”、“由废弃物之类的特殊原料构成的熟料副原料的供给量”、“混料仓的存留量(余量)”、“原料储料仓的存留量(余量)”、“位于原料磨机与混料仓之间的旋风分离器的电流值(表示旋风分离器的转速，与通过旋风分离器的原料的速度有相关关系)”、“即将投入窑炉前的化学组成”、“即将投入窑炉前的水硬率”、“即将投入窑炉前的勃氏比表面积”、“即将投入窑炉前的筛余物量”、“即将投入窑炉前的脱碳酸率”、“即将投入窑炉前的水含量”；“与烧制条件相关的数据”中的“窑炉的入窑CFW”、“转速”、“落口温度”、“烧制带温度”、“熟料温度”、“窑炉平均扭矩”、“O2浓度”、“NOX浓度”、“冷却器温度”以及“预热器的气体流量(与预热器的温度有相关关系)”；“与粉碎条件相关的数据”中的“石膏投入量”、“熟料投入量”、“磨机的转速”、“从磨机排出的粉体的温度”、“从磨机排出的粉体的量”、“未从磨机排出的粉体的量”、“被粉碎性”；“与熟料相关的数据”中的“熟料的矿物组成”、“各矿物的晶体学性质”、“2种以上的矿物组成之比”、“化学组成”、“容量”，评价数据为“与熟料相关的数据”中的“湿式f.CaO(游离石灰)”。 [0079] 更优选的是，监视数据为：“与熟料相关的数据”中的“化学组成”、“容重”；“与烧制条件相关的数据”中的“落口温度”、“窑炉烧制带温度”、“窑炉平均扭矩”；“与熟料原料相关的数据”中的“熟料原料的化学组成”，评价数据为“与熟料相关的数据”中的“湿式f.CaO(游离石灰)”。 [0080] [0081] [0082] [0083] [0084] 上述(ii)的组合中作为监视数据的“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”分别与上述(i)的组合中的作为监视数据的“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”相同。 [0085] 上述(ii)的组合中作为监视数据的“与水泥相关的数据”可以举出水泥的化学组成、水泥的矿物组成、各矿物的晶体学性质(晶格常数、微晶粒径等)、湿式f.CaO、烧失量、勃氏比表面积、粒度分布、筛余物量、色调L值、色调a值、色调b值等。 [0086] 这些数据可以单独使用1种，或者可以组合使用2种以上。 [0087] 此处，水泥的化学组成是指水泥原料中的SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq(总碱)、TiO2、P2O5、MnO、Cl、Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F等的含量。 [0088] 水泥的矿物组成是指3CaO·SiO2(C3S)、2CaO·SiO2(C2S)、3CaO·Al2O3(C3A)、4CaO·Al2O3·Fe2O3(C4AF)、f.CaO、f.MgO、石膏、方解石等的含量。 [0089] 需要说明的是，水泥的化学组成和矿物组成的数据可以利用上述(i)的组合中的作为评价数据的“与熟料相关的数据”。 [0090] 上述(ii)的组合中作为评价数据的“含水泥的水硬性组合物的物性”可以举出灰浆的压缩强度、弯曲强度、流动性(流值)、水化热、凝结时间、干燥收缩率、稳定性、水中膨胀、耐硫酸盐性、中性化、ASR电阻等。 [0091] 在上述(ii)的组合中，从高精度地预测水泥的品质或制造条件的方面考虑，优选为下述表5所示的监视数据与评价数据的组合。 [0092] 另外，在评价数据的“与含水泥的水硬性组合物的物性相关的数据”之中，作为用于高精度地预测“灰浆的压缩强度”的监视数据与评价数据的组合，优选的是，监视数据为：“与熟料原料相关的数据”中的“熟料原料的化学组成”、“熟料原料的水硬率”、“筛余物量”、“勃氏比表面积”、“烧失量”；“与烧制条件相关的数据”中的“窑炉的入窑CFW”、“转速”、“落口温度”、“烧制带温度”、“熟料温度”、“窑炉平均扭矩”、“O2浓度”、“NOX浓度”、“冷却器温度”、“预热器的气体流量(与预热器的温度有相关关系)”；“与粉碎条件相关的数据”中的“粉碎温度”、“洒水量”、“选粉机风量”、“石膏投入量”、“熟料投入量”、“磨机的转速”、“从磨机排出的粉体的温度”、“从磨机排出的粉体的量”、“未从磨机排出的粉体的量”、“被粉碎性”；“与熟料相关的数据”中的“熟料的矿物组成”、“各矿物的晶体学性质”、“2种以上的矿物组成之比”、“化学组成”、“容量”；“与水泥相关的数据”中的“水泥的化学组成”、“水泥的矿物组成”、“各矿物的晶体学性质(晶格常数、微晶粒径等)”、“湿式f.CaO”、“烧失量”、“勃氏比表面积”、“粒度分布”、“筛余物量”、“色调L值”、“色调a值”、“色调b值”，评价数据为“与含水泥的水硬性组合物的物性相关的数据”中的“灰浆的压缩强度”。 [0093] 更优选的是，监视数据为“与水泥相关的数据”中的“勃氏比表面积”、“32μm筛余物量”、“湿式f.CaO”、“各矿物的量”、“化学组成(MgO、SO3、Na2O、K2O、P2O5)”；“与烧制条件相关的数据”中的“落口温度”、“冷却器温度”；评价数据为“与含水泥的水硬性组合物的物性相关的数据”中的“灰浆的压缩强度”。 [0094] [0095] 本发明的水泥的品质或制造条件的预测方法中，对作为对象的水泥没有特别限定，可以举出例如普通波特兰水泥、早强波特兰水泥、中热波特兰水泥、低热波特兰水泥等各种波特兰水泥；高炉水泥、粉煤灰水泥等混合水泥；在波特兰水泥中添加了石灰石粉末或硅灰等混合材料的水泥等。 [0096] 波特兰水泥的制造步骤大致分为原料制备步骤、烧制步骤、完成步骤这3个步骤。原料制备步骤是将石灰石、粘土、硅石、氧化铁原料等水泥原料以适当的比例混配并用原料磨机进行微粉碎而得到原料混合物的步骤。烧制步骤是经由悬浮预热器等将原料混合物供给至回转窑，在充分烧制后进行冷却而得到熟料的步骤。完成步骤是在熟料中加入适量的石膏等并用水泥磨机进行微粉碎而得到波特兰水泥的步骤。 [0097] 本发明中，优选从以下的场所采集监视数据用的试样。 [0098] 熟料优选从尽可能接近窑炉落口且熟料已被充分冷却的位置(通常为熟料冷却器的中途)采集。需要说明的是，为了掌握熟料的平均品质数据，优选采集1kg以上的熟料并通过试样缩分得到典型试样。水泥优选从水泥磨机出口采样。需要说明的是，为了避免水泥的风化，优选尽量不与采样间隔时间而进行分析。 [0099] 为了掌握评价数据的变动，优选监视数据用的试样的采集间隔尽可能短。但是，若缩短采集间隔则劳力等增大。因此，实用上采集间隔优选为15分钟～1小时。 [0100] 本发明中，可以基于人为地变动监视数据(例如水泥的矿物组成)的值而得到的评价数据的推测值(例如凝结时间)，对水泥的制造条件进行优化。 [0101] 本发明中，利用神经网络预先学习水泥制造中的监视数据和与水泥的品质或制造条件的评价相关的评价数据的关系，利用该学习结果，仅基于上述监视数据来预测上述评价数据。 [0102] 图1是神经网络的学习方法的一个示例。 [0103] 下面，对神经网络的学习方法进行详细说明。 [0104] [步骤(A)] [0105] 步骤(A)中，实施学习次数的初始设定。对所设定的学习次数没有特别限定，但优选次数足够多到使神经网络发生过度学习(Over learning)的程度。具体来说，通常为5千～100万次、优选为1万～10万次。 [0106] 步骤(A)中，虽然优选设定成神经网络发生过度学习的学习次数(具体来说是达到σL＜σM(详细情况如下文中所述)的学习次数)，但由于在之后的步骤中会对学习次数进行增减，因此步骤(A)中起初设定的学习次数也可以使用神经网络的学习中通常进行的学习次数。 [0107] 步骤(A)终止后，实施步骤(B)。 [0108] [步骤(B)] [0109] 步骤(B)中，使用两组以上的学习用的监视数据的实测值与评价数据的实测值的组合(下文中也称为“学习数据”)，进行所设定的学习次数的神经网络的学习。上述组合的数量例如为10以上。对上述组合的数量的上限没有特别限定，例如为1000。 [0110] 具体来说，准备学习用的2个以上的样品，测定该样品的监视数据的实测值以及目标评价数据的实测值，将它们用作学习数据。进行所设定的学习次数的下述操作，从而进行神经网络的学习，所述操作是将该学习数据中的监视数据的实测值输入神经网络的输入层，将从输出层输出的评价数据的推测值和与该评价数据的推测值对应的学习数据的评价数据的实测值进行比较评价，进行神经网络的修正。 [0111] 需要说明的是，在变更学习次数进行神经网络的再学习时，由上次的学习结果得到的神经网络被初始化，进行再次学习。 [0112] 步骤(B)终止后，实施步骤(C)。 [0113] [步骤(C)] [0114] 步骤(C)中，计算出σL和σM。由σL与σM的大小关系可以判断所进行的学习次数是否足够多到使神经网络发生过度学习的程度。 [0115] 具体来说，计算出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(σL)。接下来，计算出将检验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的评价数据的推测值与检验数据的评价数据的实测值之间的均方误差(σM)。其后，对计算出的σL与σM的数值进行比较，可以判断神经网络的学习所进行的次数是否足够多。 [0116] 此处，检验数据是指由与用于得到学习数据的样品不同的样品得到的、监视数据的实测值和评价数据的实测值的组合，是用于确认神经网络的可靠性的数据。 [0117] 检验数据(监视数据的实测值和评价数据的实测值的组合)的数量优选为学习数据的数量的5％～50％、更优选为10％～30％。 [0118] 步骤(C)中计算出的σL与σM的关系为σL≥σM的情况下(图1的过度学习判定中的“否”)，最接近的已进行的步骤(B)的学习次数可以判断为不是足够多的次数。这种情况下，实施步骤(D)。步骤(C)中计算出的σL与σM的关系为σL＜σM的情况下(图1的过度学习判定中的“是”)，最接近的已进行的步骤(B)的学习次数可以判断为足够多的次数。这种情况下，实施步骤(E)。 [0119] [步骤(D)] [0120] 步骤(D)中，增加所设定的学习次数，作为新的学习次数进行再设定(例如，将在最接近的步骤(B)中实施的学习次数乘以2.0，将所得到的数作为新的学习次数进行设定)。在再设定了新的学习次数后，再次实施步骤(B)～(C)。 [0121] [步骤(E)] [0122] 步骤(E)中，减少在最接近的神经网络的学习中实施的学习次数，将所得到的学习次数作为新的学习次数进行再设定(例如，将在最接近的步骤(B)或步骤(F)中实施的学习次数乘以0.95，将所得到的数作为新的学习次数进行设定。)。 [0123] 需要说明的是，最接近的神经网络的学习是指在最接近的过去所实施的学习。具体来说，是指步骤(B)或者后述的步骤(F)中的在更近的过去所实施的学习。 [0124] 步骤(E)终止后，实施步骤(F)。 [0125] [步骤(F)] [0126] 步骤(F)中，使用两个以上的在步骤(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。 [0127] 上述学习次数是在最接近的步骤(E)中新设定的学习次数。除了进行在步骤(E)中新设定的学习次数的神经网络的学习以外，步骤(F)中实施的内容与步骤(B)相同。 [0128] 步骤(F)终止后，实施步骤(G)。 [0129] [步骤(G)] [0130] 步骤(G)中，使用在最接近的步骤(F)中得到的神经网络来进行终止判定。具体来说，计算出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(σL)、以及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(σM)，在计算出的σL与σM的关系为σL≥σM的情况下(图1的终止判定中的“是”)，可以判断最接近的已进行的步骤(F)的学习次数不再是足够多的次数。这种情况下，实施后述的步骤(I)。计算出的σL与σM的关系为σL＜σM的情况下(图1的终止判定中的“否”)，可以判断最接近的已进行的步骤(F)的学习次数仍为足够多的次数。这种情况下，实施后述的步骤(H)。 [0131] [步骤(H)] [0132] 步骤(H)中，实施最接近的已进行的步骤(F)中的神经网络的学习次数是否超过预先设定的数值的判定。步骤(H)是为了避免无限重复步骤(E)至步骤(G)而进行的。步骤(H)中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(图1中的“是”)，再次实施步骤(E)～(G)。步骤(H)中，在最接近的已进行的步骤(F)的学习次数为预先设定的数值以下的情况下(图1中的“否”)，实施后述的步骤(J)或(K)。 [0133] 需要说明的是，对上述预先设定的数值没有特别限定，可以举出例如步骤(E)中设定的学习次数的100分之1的数值以下、或者1以下或0以下等。 [0134] [步骤(I)] [0135] 步骤(I)中，根据解析度判定值是否小于预先设定的设定值，可以进行解析度的判定。使用下述式(1)计算出解析度判定值。 [0136] [0137] 上述式(1)中，学习数据的均方误差(σL)与最接近的步骤(G)中计算出的均方误差(σL)相同。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在最接近的步骤(F)中得到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。 [0138] 使用通过进行该解析度判定而进行了学习的神经网络，可以判断是否能够高精度地进行水泥的品质等的预测。 [0139] 若解析度判定值小于预先设定的设定值(图1的解析度判定中的“是”)，则判断为解析充分，神经网络的学习终止。所得到的完成学习的神经网络被用于本发明的预测方法。若解析度判定值为预先设定的设定值以上(图1的解析度判定中的“否”)，则判断为无法使用利用学习数据进行了学习的神经网络来高精度地进行水泥的品质等的预测，因此实施步骤(J)或(K)。 [0140] 对预先设定的设定值没有特别限定，优选为6％以下、更优选为5％以下、特别优选为3％以下的值。 [0141] [步骤(J)] [0142] 为了防止无限地进行步骤(A)至步骤(I)，在后述的步骤(K)之前可以设置判定步骤(A)的已实施次数的多少的步骤(J)。次数的判定是判定步骤(A)的实施次数是否超过预先设定的次数。例如，在步骤(A)的实施次数超过预先设定的次数(例如5次)的情况下(图1的次数判定中的“是”)，判断为无法由所使用的学习数据进行解析，终止神经网络的学习。 在步骤(A)的实施次数为预先设定的次数以下的情况下，实施步骤(K)。 [0143] [步骤(K)] [0144] 步骤(K)中进行学习条件的初始化。 [0145] 作为学习条件的初始化的方法，例如可以举出以下方法等：随机地变更构成神经网络的单元的阈值、连接单元的权重，之后再输入学习数据的方法；进行增加用于得到学习数据的样品的数量、增加所使用的监视数据的种类或者排除不适当的学习数据等，之后输入新的学习数据的方法。 [0146] 在进行了学习条件的初始化后，再次进行步骤(A)～(K)。 [0147] 若使用满足上述过度学习判定和解析度判定的条件的经过上述步骤(A)～(K)得到的完成学习的神经网络，则能够更高精度地预测水泥的品质或制造条件。 [0148] 本发明中，在神经网络的学习中，起初以足够多的学习次数(达到σL＜σM的程度的学习次数)进行了学习后，减少学习次数，同时反复进行神经网络的学习直至达到σL≥σM。根据该方法，即使由于学习数据中评价数据不足的情况等因素而使σL、σM的数值存在偏差的情况下，也能够修正该偏差，能够适当地进行神经网络的学习。 [0149] 对于神经网络，为了进行更高精度的预测，优选定期地检查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神经网络。关于更新的周期，在上述(i)的组合(与熟料的矿物组成等的预测相关的神经网络)的情况下，优选为1小时1次、更优选为30分钟1次。在上述(ii)的组合(与含水泥的水硬性组合物的物性的预测相关的神经网络)的情况下，优选为1个月1次、更优选为1周1次、特别优选为1天1次。 [0150] 根据本发明的水泥的品质或制造条件的预测方法，通过使用神经网络，仅输入监视数据即可在1小时以内得到熟料的矿物组成、含水泥的水硬性组合物(例如灰浆)的压缩强度等的评价数据的推测值。 [0151] 另外，基于所得到的评价数据的推测值，在水泥制造过程中及早发现水泥的品质异常，对原料制备步骤、烧制步骤和完成步骤中的各种条件进行优化，从而可以制造出适当品质的水泥。 [0152] 具体来说，在熟料的矿物组成的推测值确认到异常的情况下，进行原料的混配、烧制条件的调整等，从而可以使熟料的矿物组成达到目标组成。 [0153] 另外，基于评价数据的推测值，还可以修正制造上的目标。 [0154] 例如，在预测到灰浆的压缩强度未达到目标值的情况下，解析学习中使用的监视数据(因子)与灰浆的压缩强度的关系，确认最佳的水泥配方，从而可以使水泥的品质达到目标品质。 [0155] 此外，通过将控制水泥制造的计算机和用于实施本发明的水泥的品质或制造条件的预测方法的计算机进行连接，还能够使用于基于评价数据来人为地变动监视数据的控制系统自动化。 [0157] 实施例 [0158] 下面，通过实施例来说明本发明。 [0159] [A.与含水泥的水硬性组合物的物性相关的数据预测] [0160] [实施例1] [0161] 作为学习用的样品，将采样时间不同的28份水泥依照“JIS R 5201”进行混炼，测定养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度，作为学习数据(评价数据的实测值)。 [0162] 另外，测定上述28份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度，作为学习数据(监视数据的实测值)。需要说明的是，各矿物的量是利用粉末X射线衍射装置在测定范围：2θ＝10°～65°的范围进行测定的，其是通过里德伯尔德解析软件计算的C3S、C2S、C4AF、C3A、石膏类、方解石的量(需要说明的是，之后的实施例中的各矿物的量也与这些量相同)。 [0163] 另外，作为检验用的样品，使用与上述28份样品的采样时间不同的2份水泥，与学习数据同样地测定养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述2份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度，作为检验数据(监视数据的实测值)。 [0164] 使用上述学习数据，进行了神经网络的学习。 [0165] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0166] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0167] 将上述学习进行至解析度判定值小于2％为止。 [0168] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0169] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了养护3天后、养护7天后和养护28天后的灰浆的压缩强度。将其结果示于图2～图4。 [0170] 使用与上述样品不同的水泥A，依照“JIS R 5201”进行混炼，测定了养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度。其结果，养护3天后为32.0N/mm2、养护7天后为43.5N/mm2、养护28天后为58.1N/mm2。 [0171] 另一方面，在上述得到的神经网络输入水泥A的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度而得到的养护3天后、养护7天后和养护28天后的灰浆压缩强度的推测值分别为31.8N/mm2、43.7N/mm2、58.0N/mm2，实测值与推测值大致一致。 [0172] [比较例1] [0173] 根据日本特开2005-214891号公报的实施例的方法进行了灰浆的压缩强度的试验。 [0175] 利用粉末X射线衍射装置在测定范围：2θ＝10°～65°的范围测定了该样品。 [0176] 通过里德伯尔德解析软件计算所得到的X射线衍射峰形，得到各熟料矿物的晶体学信息的参数。 [0177] 在通过上述解析得到的参数中，根据各矿物的量、晶格常数(a、b、c、β等)或晶格体积，捕捉少量、微量成分引起的熟料矿物的晶体学信息的变化，使用由多重回归分析求出的多重回归式进行了水泥品质的预测。 [0178] 下面示出预测作为水泥品质的灰浆压缩强度时使用的上述多重回归式的一个优选例。 [0180] 此处，系数A～E为A＝0.6、B＝0.3、C＝0.6、D＝2、E＝60。 [0181] 灰浆压缩强度(材龄7天)(N/mm2)＝材龄3天的预测值+A×(阿利特的晶格体积；)+B×(硫酸碱量；质量％)+C [0182] 此处，系数A～C为A＝-1、B＝-80、C＝32。 [0183] 灰浆压缩强度(材龄28天)(N/mm2)＝材龄7天的预测值+A×(阿利特的晶格体积；)+B×(贝利特(Belite)量；质量％)+C×(贝利特的晶格体积； )+D×(硫酸碱量；质 量％)+E×(铁酸盐相量；质量％)+F×(铁酸盐相的晶格体积； )+G [0184] 此处，系数A～G为A＝-2、B＝4、C＝0.6、D＝-80、E＝-0.2、F＝-2、G＝47。 [0185] 将材龄3天、材龄7天、材龄28天的灰浆的压缩强度的推测值与实测值的曲线图示于图5～图7。 [0186] 如图5～图7所示，在日本特开2005-214891号的方法中，认为推测值与实测值的相关系数(R2)低，推测值的精度也低。 [0187] [比较例2] [0188] 使用实施例1中使用的学习数据和检验数据，进行了神经网络的学习。 [0189] 神经网络的学习中，从1次起依次增加学习次数，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM为止。其结果，在第1次的学习中达到σL≥σM，终止了学习。 [0190] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0191] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了养护3天后、养护7天后和养护28天后的灰浆的压缩强度。将其结果示于图8～图10。 [0192] 使用与上述样品不同的水泥A，依照“JIS R 5201”进行混炼，测定了养护3天后、养2 护7天后和养护28天后的各时刻的灰浆的压缩强度。其结果，养护3天后为32.0N/mm 、养护7天后为43.5N/mm2、养护28天后为58.1N/mm2。 [0193] 另一方面，在上述得到的神经网络输入水泥A的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度而2 得到的养护3天后、养护7天后和养护28天后的灰浆压缩强度的推测值分别为38.3N/mm 、 48.6N/mm2、68.3N/mm2，实测值与推测值之差比实施例大。 [0194] [实施例2] [0195] 作为学习用的样品，将采样时间不同的28份水泥依照“JIS R 5201”进行混炼，测定养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度，作为学习数据(评价数据的实测值)。 [0196] 另外，测定上述28份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、熟料主原料的供给量、混料仓的贮存量(余量)、原料储料仓的贮存量(余量)，作为学习数据(监视数据的实测值)。 [0197] 另外，作为检验用的样品，使用与上述28份样品的采样时间不同的2份水泥，与学习数据同样地测定养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述2份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、熟料主原料的供给量、混料仓的贮存量(余量)、原料储料仓的贮存量(余量)，作为检验数据(监视数据的实测值)。 [0198] 使用上述学习数据，进行了神经网络的学习。 [0199] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0200] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0201] 将上述学习进行至解析度判定值小于2％为止。 [0202] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0203] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了养护3天后、养护7天后和养护28天后的灰浆的压缩强度。将其结果示于图11～图13。 [0204] 使用与上述样品不同的水泥A，依照“JIS R 5201”进行混炼，测定了养护3天后、养护7天后和养护28天后的各时刻的灰浆的压缩强度。其结果，养护3天后为32.0N/mm2、养护7天后为43.5N/mm2、养护28天后为58.1N/mm2。 [0205] 另一方面，在上述得到的神经网络输入水泥A的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度而得到的养护3天后、养护7天后和养护28天后的灰浆压缩强度的推测值分别为35.2N/mm2、40.4N/mm2、66.0N/mm2。 [0206] [实施例3] [0207] 作为学习用的样品，对采样时间不同的20份水泥实施使用了高性能减水剂的水泥的流动性试验(使用了JIS A1171-2000中规定的钢制的坍落度筒和捣棒、500mm×500mm的亚克力平板、JIS R5201-1997中规定的匙和灰浆标准砂。)，作为学习数据(评价数据的实测值)。需要说明的是，流动性的测定在混炼刚结束后和经过30分钟后进行。 [0208] 另外，测定上述20份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、和各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、熟料的粉碎温度、洒水量，作为学习数据(监视数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0209] 另外，作为检验用的样品，使用与上述20份样品的采样时间不同的2份水泥，与学习数据同样地测定混炼刚结束后和经过30分钟后的流动性，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述2份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、熟料的粉碎温度、洒水量，作为检验数据(监视数据的实测值)。 [0210] 使用上述学习数据，进行了神经网络的学习。 [0211] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0212] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0213] 将上述学习进行至解析度判定值小于2％为止。 [0214] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0215] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了混炼刚结束后和经过30分钟后的各时刻的流动性。将其结果示于图14和图15。 [0216] 使用与上述样品不同的水泥A，与上述同样地测定了混炼刚结束后的流动性。其结果为266mm。 [0217] 另一方面，在上述得到的神经网络输入水泥A的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度、冷却器温度而得到的混炼刚结束后的流动性为263mm，实测值与推测值大致一致。 [0218] [实施例4] [0219] 作为学习用的样品，根据“JIS R 5203”对采样时间不同的22份水泥测定7天后和28天后的水化热，作为学习数据(评价数据的实测值)。 [0220] 另外，测定上述22份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度，作为学习数据(监视数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0221] 另外，作为检验用的样品，使用与上述22份样品的采样时间不同的2份水泥，与学习数据同样地测定7天后和28天后的水化热，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述2份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度，作为检验数据(监视数据的实测值)。 [0222] 使用上述学习数据，进行了神经网络的学习。 [0223] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0224] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0225] 将上述学习进行至解析度判定值小于2％为止。 [0226] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0227] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了7天后和28天后的水化热。将其结果示于图16和图17。 [0228] [实施例5] [0229] 作为学习用的样品，根据“JIS R 5201”测定采样时间不同的20份水泥的凝结时间的初凝和终凝，作为学习数据(评价数据的实测值)。 [0230] 另外，测定上述20份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度，作为学习数据(监视数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0231] 另外，作为检验用的样品，使用与上述20份样品的采样时间不同的2份水泥，与学习数据同样地测定凝结时间的初凝和终凝，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述2份水泥的勃氏比表面积、32μm筛余物量、湿式f.CaO、各矿物的量以及化学组成(MgO、SO3、Na2O、K2O、P2O5)、窑炉落口温度，作为检验数据(监视数据的实测值)。 [0232] 使用上述学习数据，进行了神经网络的学习。 [0233] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0234] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0235] 将上述学习进行至解析度判定值小于2％为止。 [0236] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0237] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了凝结时间(初凝和终凝)。将其结果示于图18和图19。 [0238] [B.与熟料或水泥相关的数据预测] [0239] [实施例6] [0240] 作为学习用的样品，对采样时间不同的116份熟料基于其矿物组成计算出熟料中的游离石灰(f.CaO)的含量(％)，作为学习数据(评价数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0241] 另外，将上述116份熟料的即将投入窑炉前的熟料原料的化学组成、容重、窑炉落口温度、窑炉烧制带温度、窑炉平均扭矩以及上述熟料的化学组成作为学习数据(监视数据的实测值)。 [0242] 另外，作为检验用的样品，使用与上述116份样品的采样时间不同的5份熟料，与学习数据同样地计算出熟料中的游离石灰(f.CaO)的含量(％)，作为检验数据(评价数据的实测值)。此外，将上述5份熟料的即将投入窑炉前的熟料原料的化学组成、容重、窑炉落口温度、窑炉烧制带温度、窑炉平均扭矩以及上述熟料的化学组成作为检验数据(监视数据的实测值)。 [0243] 需要说明的是，在上述学习数据和检验数据中，熟料原料的化学组成是指SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq、TiO2、P2O5、MnO、Cl、T-Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F的含量。熟料的化学组成是指SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、Na2Oeq、TiO2、P2O5、MnO、Cl、T-Cr、Zn、Pb、Cu、Ni、V、As、Zr、Mo、Sr、Ba、F的含量。 [0244] 使用上述学习数据，进行了神经网络的学习。 [0245] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0246] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0247] 将上述学习进行至解析度判定值小于3％为止。 [0248] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0249] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了熟料中的游离石灰(f.CaO)的含量(％)。将其结果示于图20。 [0250] 使用与上述样品不同的熟料A，与上述同样地测定了熟料中的游离石灰(f.CaO)的含量(％)。其结果为0.35％。 [0251] 另一方面，在上述得到的神经网络输入熟料A的即将投入窑炉前的熟料原料的化学组成、容重、窑炉落口温度、窑炉烧制带温度、窑炉平均扭矩以及上述熟料的化学组成而得到的熟料中的游离石灰(f.CaO)的含量(％)为0.42％，实测值与推测值大致一致。 [0252] [比较例3] [0253] 使用实施例5中使用的学习数据和检验数据，进行了神经网络的学习。 [0254] 神经网络的学习中，从1次起依次增加学习次数，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM为止。其结果，在第1次的学习中达到σL≥σM，终止了学习。 [0255] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0256] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了熟料中的游离石灰(f.CaO)的含量(％)。将其结果示于图21。 [0257] 使用与上述样品不同的熟料A，与上述同样地测定了熟料中的游离石灰(f.CaO)的含量(％)。其结果为0.35％。 [0258] 另一方面，在上述得到的神经网络输入熟料A的即将投入窑炉前的熟料原料的化学组成、容重、窑炉落口温度、窑炉烧制带温度、窑炉平均扭矩以及上述熟料的化学组成而得到的熟料中的游离石灰(f.CaO)的含量(％)为1.2％，实测值与推测值之差比实施例大。 [0259] [实施例7] [0260] 作为学习用的样品，对采样时间不同的116份熟料基于其矿物组成计算出熟料中的游离石灰(f.CaO)的含量(％)，作为学习数据(评价数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0261] 另外，将上述116份熟料的即将投入窑炉前的熟料原料的化学组成、容重、粉碎温度、洒水量、选粉机风量以及窑炉平均扭矩作为学习数据(监视数据的实测值)。 [0262] 另外，作为检验用的样品，使用与上述116份样品的采样时间不同的5份熟料，与学习数据同样地计算出熟料中的游离石灰(f.CaO)的含量(％)，作为检验数据(评价数据的实测值)。此外，将上述5份熟料的即将投入窑炉前的熟料原料的化学组成、容重、粉碎温度、洒水量、选粉机风量以及窑炉平均扭矩作为检验数据(监视数据的实测值)。 [0263] 需要说明的是，上述学习数据和检验数据中，熟料原料的化学组成与实施例5相同。 [0264] 使用上述学习数据，进行了神经网络的学习。 [0265] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0266] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0267] 将上述学习进行至解析度判定值小于3％为止。 [0268] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0269] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了熟料中的游离石灰(f.CaO)的含量(％)。将其结果示于图22。 [0270] 使用与上述样品不同的熟料A，与上述同样地测定了熟料中的游离石灰(f.CaO)的含量(％)。其结果为0.35％。 [0271] 另一方面，在上述得到的神经网络输入熟料A的即将投入窑炉前的熟料原料的化学组成、容重、粉碎温度、洒水量、选粉机风量以及窑炉平均扭矩而得到的熟料中的游离石灰(f.CaO)的含量(％)为0.89％。 [0272] [实施例8] [0273] 作为学习用的样品，对采样时间不同的47份水泥基于其矿物组成计算出水泥中的石膏的半水化率(％)，作为学习数据(评价数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0274] 另外，将上述47份水泥的熟料的投入量、熟料的容重、熟料的矿物组成、石膏的添加量、洒水量、磨机的转速以及从磨机排出的粉体的温度作为学习数据(监视数据的实测值)。 [0275] 另外，作为检验用的样品，使用与上述47份样品的采样时间不同的3份水泥，计算出水泥中的石膏的半水化率(％)，作为检验数据(评价数据的实测值)。此外，将上述3份水泥的熟料的投入量、熟料的容重、熟料的矿物组成、石膏的添加量、洒水量、磨机的转速以及从磨机排出的粉体的温度作为检验数据(监视数据的实测值)。 [0276] 使用上述学习数据，进行了神经网络的学习。 [0277] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0278] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0279] 将上述学习进行至解析度判定值小于3％为止。 [0280] 作为神经网络，使用了具有输入层、中间层和输出层的分层型的神经网络。 [0281] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了水泥中的石膏的半水化率(％)。将其结果示于图23。 [0282] 使用与上述样品不同的水泥A，与上述同样地测定了水泥中的石膏的半水化率(％)。其结果为67％。 [0283] 另一方面，在上述得到的神经网络输入熟料的投入量、熟料的容重、熟料的矿物组成、石膏的添加量、洒水量、磨机的转速以及从磨机排出的粉体的温度而得到的水泥中的石膏的半水化率(％)为63％，实测值与推测值大致一致。 [0284] [实施例9] [0285] 作为学习用的样品，测定了采样时间不同的200份熟料的各矿物的量。需要说明的是，各矿物的量与实施例1同样地算出。根据其结果，实际测定C3S/C2S比以及C4AF/C3A比，作为学习数据(评价数据的实测值)。 [0286] 另外，将上述200份熟料原料的化学组成、窑炉的烧制带温度、窑炉落口温度以及冷却器温度等作为学习数据(监视数据的实测值)。需要说明的是，熟料原料的化学组成是指SiO2、Al2O3、Fe2O3、CaO、MgO、SO3、Na2O、K2O、TiO2、P2O5、MnO的含量。 [0287] 另外，作为检验用的样品，与学习用数据同样地测定了与上述200份样品的采样时间不同的5份熟料的各矿物的量。根据其结果，实际测定C3S/C2S比以及C4AF/C3A比，作为检验数据(评价数据的实测值)。此外，与学习数据同样地测定上述5份熟料的原料的化学组成、窑炉的烧制带温度、窑炉落口温度以及冷却器温度等，作为检验数据(监视数据的实测值)。 [0288] 使用上述学习数据，进行了神经网络的学习。 [0289] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0290] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0291] 将上述学习进行至解析度判定值小于3％为止。 [0292] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了C3S/C2S比以及C4AF/C3A比。将其结果示于图24(C3S/C2S比)和图25(C4AF/C3A比)。 [0293] [与熟料原料相关的数据预测] [0294] [实施例10] [0295] 作为学习用的样品，对即将投入窑炉前的采样时间不同的40份熟料原料基于其矿物组成计算出水硬率，作为学习数据(评价数据的实测值)。需要说明的是，各矿物的量与实施例1同样地算出。 [0296] 另外，将上述40份熟料原料的距采样时3小时前、4小时前、5小时前和6小时前的各时刻的原料磨机内的熟料主原料(混配原料)的水硬率、熟料主原料的供给量、3种熟料副原料(废弃物)的各供给量、混料仓的余量、原料储料仓的余量、位于原料磨机与混料仓之间的旋风分离器的电流值、预热器的气体流量、熟料原料的勃氏比表面积(粉末度)以及熟料原料的烧失量作为学习数据(监视数据的实测值)。 [0297] 另外，作为检验用的样品，使用与上述40份样品的采样时间不同的3份熟料原料，与学习用数据同样地计算出水硬率，作为检验数据(评价数据的实测值)。此外，将上述3份熟料原料的距采样时3小时前、4小时前、5小时前和6小时前的各时刻的原料磨机内的熟料主原料(混配原料)的水硬率、熟料主原料的供给量、3种熟料副原料(废弃物)的各供给量、混料仓的余量、原料储料仓的余量、位于原料磨机与混料仓之间的旋风分离器的电流值、预热器的气体流量、熟料原料的勃氏比表面积(粉末度)以及熟料原料的烧失量作为检验数据(监视数据的实测值)。 [0298] 使用上述学习数据，进行了神经网络的学习。 [0299] 起初使用上述学习数据和检验数据进行了1万次神经网络的学习。使用所得到的神经网络计算出σL和σM，结果σL和σM的关系为σL＜σM。 [0300] 其后，将神经网络初始化，利用上述学习数据和检验数据进行神经网络的学习，学习次数为将上述学习次数乘以0.95而得的数量，反复进行上述操作，直至使用学习后的神经网络计算出的σL与σM的关系达到σL≥σM。 [0301] 将上述学习进行至解析度判定值小于3％为止。 [0302] 作为神经网络，使用了具有中间层的分层型的神经网络。 [0303] 学习终止后，基于上述学习数据和检验数据的监视数据的实测值，预测了即将投入窑炉前的熟料原料的水硬率。将其结果示于图26。 |
||||||
QQ群二维码
意见反馈
意见反馈