[发明专利]水泥的品质或制造条件的预测方法

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。

主权项

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、或与水泥相关的数据；或者(ii)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、与熟料相关的数据和与水泥相关的数据中的一种以上的数据，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，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)～(I)，[数学式1]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。