JP6639988B2 - Prediction method of manufacturing conditions of cement clinker - Google Patents
Prediction method of manufacturing conditions of cement clinker Download PDFInfo
- Publication number
- JP6639988B2 JP6639988B2 JP2016066121A JP2016066121A JP6639988B2 JP 6639988 B2 JP6639988 B2 JP 6639988B2 JP 2016066121 A JP2016066121 A JP 2016066121A JP 2016066121 A JP2016066121 A JP 2016066121A JP 6639988 B2 JP6639988 B2 JP 6639988B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- data
- value
- neural network
- cement clinker
- 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 142
- 238000004519 manufacturing process Methods 0.000 title claims description 98
- 230000013016 learning Effects 0.000 claims description 322
- 238000012544 monitoring process Methods 0.000 claims description 165
- 238000013528 artificial neural network Methods 0.000 claims description 138
- 238000011156 evaluation Methods 0.000 claims description 77
- 239000002994 raw material Substances 0.000 claims description 74
- 238000000034 method Methods 0.000 claims description 68
- 238000004458 analytical method Methods 0.000 claims description 54
- 238000005259 measurement Methods 0.000 claims description 36
- 238000010304 firing Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 239000000460 chlorine Substances 0.000 description 29
- 229910052801 chlorine Inorganic materials 0.000 description 28
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 26
- 239000000203 mixture Substances 0.000 description 12
- 239000000725 suspension Substances 0.000 description 11
- 239000000446 fuel Substances 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 239000011248 coating agent Substances 0.000 description 5
- 238000000576 coating method Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 229910018072 Al 2 O 3 Inorganic materials 0.000 description 4
- 229910004298 SiO 2 Inorganic materials 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 150000003464 sulfur compounds Chemical class 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- 229910010413 TiO 2 Inorganic materials 0.000 description 2
- 239000003513 alkali Substances 0.000 description 2
- 229910052785 arsenic Inorganic materials 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 229910052804 chromium Inorganic materials 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 229910052802 copper Inorganic materials 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 229910052745 lead Inorganic materials 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- VASIZKWUTCETSD-UHFFFAOYSA-N manganese(II) oxide Inorganic materials [Mn]=O VASIZKWUTCETSD-UHFFFAOYSA-N 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 229910052759 nickel Inorganic materials 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- 229910052726 zirconium Inorganic materials 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 238000006114 decarboxylation reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010419 fine particle Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000010298 pulverizing process Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000611 regression analysis Methods 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
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Description
本発明は、ニューラルネットワークを用いたセメントクリンカーの製造条件の予測方法に関する。 The present invention relates to a method for predicting production conditions of cement clinker using a neural network.
セメント原料及び焼成用燃料には硫黄化合物が含有されており、セメントクリンカーの焼成運転中のロータリーキルン内では、これら硫黄化合物の一部が揮発している。この揮発成分は、ロータリーキルンからの排気ガスの一部として、サスペンションプレヒータに導かれるが、この間、特に、キルン窯尻とサスペンションプレヒータの最下段サイクロンの間で、揮発成分とセメント原料が接触して凝縮し、設備の内壁面上にコーティング(被膜)を形成する。コーティングが形成されると、通風障害やサイクロンの詰り等を引き起こし、操業の中断に至る場合もある。 The cement raw material and the fuel for firing contain sulfur compounds, and some of these sulfur compounds are volatilized in the rotary kiln during the operation of firing the cement clinker. This volatile component is guided to the suspension preheater as a part of the exhaust gas from the rotary kiln, and during this period, especially between the kiln kiln bottom and the lowermost cyclone of the suspension preheater, the volatile component contacts the cement raw material and condenses. Then, a coating (film) is formed on the inner wall surface of the equipment. When the coating is formed, ventilation problems and clogging of the cyclone may be caused, and the operation may be interrupted.
近年、資源循環型社会の実現に向け、セメントクリンカー製造におけるリサイクル資源の大量活用と、低品位の原料及び燃料の使用量の増大等が進められている。このような中、セメントクリンカー製造において、セメント原料及び焼成用燃料に含まれる硫黄化合物の量も増大していく傾向にある。このため、サスペンションプレヒータにおいて、コーティングが形成されることに起因するトラブルの発生が助長されてきている。 In recent years, in order to realize a resource recycling society, a large amount of recycled resources has been used in the production of cement clinker, and the use of low-grade raw materials and fuel has been increased. Under such circumstances, in the production of cement clinker, the amounts of sulfur compounds contained in cement raw materials and firing fuels also tend to increase. For this reason, in the suspension preheater, troubles caused by the formation of the coating have been promoted.
サスペンションプレヒータにおいて、コーティングが形成されることに起因するトラブルの発生防止のため、セメント工場では数時間に1回の頻度で、サスペンションプレヒータ内の原料(以後、「プレヒータ原料」と略称する。)を採取し、当該プレヒータ原料中のSO3量を分析して、必要に応じてセメントクリンカー製造プロセスにおいて用いられる焼成用燃料中のSO3量を調整したり、ロータリーキルンやサスペンションプレヒータ(仮焼炉)等の運転条件を調整するなどの作業が行われている。 In the suspension preheater, the material in the suspension preheater (hereinafter, abbreviated as “preheater material”) is once every several hours at a cement plant in order to prevent occurrence of troubles caused by the formation of the coating. The amount of SO 3 in the raw material of the pre-heater is analyzed to adjust the amount of SO 3 in the firing fuel used in the cement clinker production process as necessary, or a rotary kiln, a suspension pre-heater (a calciner), etc. Work such as adjusting the operating conditions of the vehicle has been performed.
しかしながら、プレヒータ原料の採取及び分析は煩雑であると共に、1回の作業に数時間を要するため、ロータリーキルンやサスペンションプレヒータ等の運転状況をきめ細かく把握してセメントクリンカー製造プロセスを安定させる方法については、改善の余地があった。 However, the collection and analysis of preheater raw materials is complicated, and one operation takes several hours. Therefore, the method of stabilizing the cement clinker production process by grasping the operating conditions of the rotary kiln and suspension preheater in detail has been improved. There was room for
プレヒータ原料のSO3量(結果)を所定の範囲内にするために、セメントクリンカー製造プロセスにおいて用いられる焼成用燃料や、ロータリーキルンやサスペンションプレヒータの運転条件(原因)等をどのようにすべきか、という逆問題に対するアプローチ方法の一つとして、ニューラルネットワークを用いた予測方法がある。 In order to keep the SO 3 amount (result) of the preheater raw material within a predetermined range, how to set the firing fuel used in the cement clinker production process and the operating conditions (causes) of the rotary kiln and suspension preheater, etc. As one approach to the inverse problem, there is a prediction method using a neural network.
セメントの製造方法に関するニューラルネットワークを用いた予測方法として、例えば、特許文献1には、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。 As a prediction method using a neural network related to a method for manufacturing cement, for example, Patent Document 1 discloses a method of using a learning network and monitor data, and using a neural network with a sufficiently large number of learning times such that σ L <σ M. After the learning, the learning of the neural network is repeated while reducing the number of times of learning until σ L ≧ σ M. If the analysis degree determination value after learning is less than a predetermined set value, the input layer of the neural network is Input the actual measured values of the monitoring data in cement production, and output the estimated value of the evaluation data related to the evaluation of the cement quality or the production condition from the output layer of the neural network after learning. A method for estimating conditions is described.
特許文献1に記載された方法の予測の対象は、セメントの品質に直接的に関係するセメントの製造条件であり、セメントクリンカー製造プロセスの安定化を支援するための、セメントクリンカーの製造条件(特に、プレヒータ原料中のSO3量)を予測の対象としたものではない。
本発明の目的は、高い精度で、プレヒータ原料中のSO3量を予測することができる方法を提供することである。
The object of the prediction of the method described in Patent Document 1 is a cement production condition directly related to the quality of cement, and a cement clinker production condition (particularly, a cement clinker production process for supporting stabilization of a cement clinker production process). , And the amount of SO 3 in the preheater raw material) is not intended for prediction.
An object of the present invention is to provide a method capable of predicting the amount of SO 3 in a preheater raw material with high accuracy.
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クリンカーの製造条件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(この式の意味は後で説明する。)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、次いで、解析度判定値を算出して、得られた値が、予め定めた設定値未満である場合には、以下のことを行えば、上記目的を達成しうることを見出し、本発明を完成した。
(a)セメントクリンカーの製造運転における監視データの実測値が、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)の範囲内の数値である場合には、得られたニューラルネットワークの入力層にセメントクリンカーの製造運転における監視データの実測値を入力して、出力層からプレヒータ原料中のSO3量に関する評価データの推測値を出力する。
(b)セメントクリンカーの製造運転における監視データの実測値が、上記範囲外の数値であれば、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、セメントクリンカーの製造運転における監視データの実測値を入力して、出力層からプレヒータ原料中のSO3量に関する評価データの推測値を出力する。
The present inventors have conducted intensive studies to solve the above-mentioned problems, and as a result, have found that a method for predicting the production conditions of cement clinker using a neural network, using learning data and monitor data, σ L <σ M ( The meaning of this equation will be described later.) After learning the neural network with a sufficiently large number of learning times, the learning of the neural network is repeated while reducing the number of learning times until σ L ≧ σ M Then, an analysis degree determination value is calculated, and when the obtained value is less than a predetermined set value, it is found that the following object can be achieved if the following is performed, and the present invention is achieved. completed.
(A) When the measured value of the monitoring data in the production operation of the cement clinker is a numerical value within the range of the average value of the actually measured values of the monitoring data of the learning data ± the mean square error (σ G ). The measured value of the monitoring data in the production operation of the cement clinker is input to the input layer of the neural network, and the estimated value of the evaluation data regarding the SO 3 amount in the preheater raw material is output from the output layer.
(B) If the measured value of the monitoring data in the production operation of the cement clinker is a numerical value outside the above range, after learning the neural network using a learning data group to which specific learning data is newly added, The measured value of the monitoring data in the production operation of the cement clinker is input to the input layer of the obtained neural network, and the estimated value of the evaluation data regarding the SO 3 amount in the preheater raw material is output from the output layer.
すなわち、本発明は、以下の[1]〜[5]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クリンカーの製造条件の予測方法であって、上記入力層は、セメントクリンカーの製造運転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、プレヒータ原料中のSO3量に関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、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)セメントクリンカーの製造運転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、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、セメントクリンカーの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、セメントクリンカーの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)セメントクリンカー製造運転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、セメントクリンカーの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、セメントクリンカー製造運転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、セメントクリンカーの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、セメントクリンカー製造運転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、プレヒータ原料中のSO3量に関する評価データの推測値を出力して、セメントクリンカーの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クリンカーの製造条件の予測方法。
[1] A method for predicting production conditions of a cement clinker using a neural network having an input layer and an output layer, wherein the input layer is for inputting a measured value of monitoring data in a cement clinker production operation. The output layer is for outputting an estimated value of evaluation data relating to the amount of SO 3 in the preheater raw material, and the monitoring data includes data relating to a raw material of cement clinker, data relating to firing conditions of cement clinker, and One or more selected from data on cement clinker,
(A) a step of initializing a learning data group including a plurality of learning data, which is a combination of an actually measured value of monitoring data and an actually measured value of evaluation data, used for neural network learning;
(B) a step of initially setting the number of times of learning;
(C) using the set learning data group to perform learning of the neural network by the number of times of learning set in the previous step;
(D) The measured values of the monitoring data of the learning data are input to the input layer of the neural network obtained in the learning of the most recent process (C), and the estimated values of the evaluation data and the actual measurement of the evaluation data of the learning data are obtained. Mean square error (σ L ) with the value and the monitor data in the monitor data, which is a combination of the measured value of the monitored data and the measured value of the evaluation data for confirming the reliability of the learning result of the neural network. The mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value to the input layer of the neural network obtained in the learning of the latest process (C) and the actual measurement value of the evaluation data in the monitor data (Σ M ) is calculated, and if the relationship between the calculated σ L and σ M is σ L ≧ σ M , the process (E) is performed, and the relationship between the calculated σ L and σ M is σ L < If σ M , perform step (F) The process of
(E) A learning number larger than any one of the learning number set in the latest step (B) and the reset learning number of the latest neural network is re-used as a new learning number in the step (B). Setting and performing steps (C) to (D) again;
(F) resetting the number of times of learning obtained by reducing the number of times of learning performed in the most recent neural network learning as a new number of times of learning;
(G) using the set learning data group to perform learning of the neural network by the number of times of learning set in the most recent step (F);
(H) The measured values of the monitoring data of the learning data are input to the input layer of the neural network obtained in the learning of the most recent process (G), and the estimated values of the evaluation data obtained by the input and the actual measurement of the evaluation data of the learning data The mean square error with the value (σ L ) and the measured value of the monitoring data in the monitoring data are input to the input layer of the neural network obtained in the learning of the most recent process (G). The mean square error (σ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and when the calculated relationship between σ L and σ M is σ L ≧ σ M , Performing the step (J), and, when the calculated relationship between σ L and σ M is σ L <σ M , performing the step (I);
(I) If the number of times of learning of the neural network in the latest step (G) exceeds a preset number, steps (F) to (H) are performed again, and the neural network in the latest step (G) is Performing the step (M) when the number of times of learning is equal to or less than a predetermined numerical value;
(J) An analysis degree determination value is calculated using the following equation (1), and if the analysis degree determination value is less than a predetermined first set value, learning of the neural network is terminated, and step (K) is performed. Performing the step (M) when the analysis degree determination value is equal to or greater than a predetermined first set value;
(K) When the measured value of the monitoring data in the production operation of the cement clinker is a numerical value within the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ) in the set learning data group. Is a step of performing the step (R), and when the value is out of the range, performing the step (L);
(L) The learning data in which the actual measurement value of the monitoring data is a numerical value outside the range of the average of the actual measurement values of the monitoring data ± the mean square error (σ G ) in the set learning data group. At least one learning data not included in the data group is added to the learning data group to set a new learning data group, and thereafter, a step of performing the step (C) and the subsequent steps; and (M) a step (B) ) Is performed, and if the number is equal to or less than the preset number, the step (N) is performed. If the number exceeds the preset number, the step (O) is performed. ), And
(N) a step of initializing the learning conditions and performing steps (B) to (J) again;
(O) When the smallest analysis degree judgment value among all the analysis degree judgment values calculated in the step (J) is smaller than a second predetermined value, the smallest analysis degree judgment value can be obtained. After the neural network in the step (J) is changed to a learned neural network, the step (P) is performed. If the smallest analysis degree determination value is equal to or greater than a second predetermined value, the cement clinker A step of determining that the production conditions cannot be predicted and terminating the prediction;
(P) In the step (J) in which the smallest analysis degree judgment value was obtained among all the analysis degree judgment values calculated in the step (J), the actually measured values and the evaluation data of the monitoring data used as the learning data. A non-correlation test was performed on the combination of the actual measurement values, and when two or more types of monitoring data were determined to be significant at the 5% significance level, it was determined to be significant at the 5% significance level. The measured values of the monitoring data used as the learning data are plotted in a coordinate space having all types of monitoring data as coordinate axes, and all the monitoring data formed by connecting the plotted monitoring data in the coordinate space is included. After setting a region which is formed by connecting monitoring data so that the region becomes the maximum as a predictable monitoring data region, the process (Q) is performed, % If monitoring data is determined to be significant at a significance level of 0 or 1 kind, the step of terminating the prediction is determined that it is not possible to predict the production conditions of the cement clinker,
(Q) When the measured value of the monitoring data in the cement clinker manufacturing operation is included in the predictable monitoring data area set in the step (P), it is determined that the prediction of the cement clinker manufacturing conditions can be performed with high accuracy. Performing the step (K), and when the actual measurement value of the monitoring data in the cement clinker production operation is not included in the predictable monitoring data area, it is determined that the production conditions of the cement clinker cannot be predicted, and the prediction is performed. A step to end;
(R) The measured value of the monitoring data in the cement clinker manufacturing operation is input to the learned input layer of the neural network, and the estimated value of the evaluation data regarding the SO 3 amount in the preheater raw material is calculated from the output layer of the neural network. Outputting and predicting production conditions of cement clinker;
A method for predicting production conditions for cement clinker, comprising:
[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]に記載のセメントクリンカーの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、前記[1]または[2]に記載のセメントクリンカーの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クリンカーの製造条件の予測方法。
[5] 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、プレヒータ原料中のSO3量を最適化する、前記[1]〜[4]のいずれかに記載のセメントクリンカーの製造条件の予測方法。
[2] The method according to [1], wherein the number of learning data to be added in the step (L) is 8% or more of the number of learning data in the set learning data group.
[3] The predetermined first set value of the analysis degree determination value is 10% or less, and the predetermined second set value of the analysis degree determination value is larger than the first set value and 30%. % Or less, the method for predicting production conditions for cement clinker according to the above [1] or [2].
[4] The production condition of the cement clinker according to any of [1] to [3], wherein the neural network is a hierarchical neural network having an intermediate layer between the input layer and the output layer. Forecasting method.
[5] The method according to any of [1] to [4], wherein the amount of SO 3 in the preheater raw material is optimized based on an estimated value of the evaluation data obtained by artificially changing the value of the monitoring data. A method for predicting the production conditions of cement clinker according to any of the above.
本発明のセメントクリンカーの製造条件の予測方法を用いれば、セメントクリンカーの製造運転で得られる様々なデータに基づいて、プレヒータ原料中のSO3量を短時間で、且つ高い精度で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、セメントクリンカーの製造運転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クリンカーの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、リアルタイムでセメントクリンカーの製造運転を最適化することが可能であり、セメントクリンカーの製造プロセス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。
By using the method for predicting production conditions of cement clinker of the present invention, it is possible to predict the amount of SO 3 in a preheater raw material in a short time and with high accuracy based on various data obtained in a production operation of cement clinker. it can.
Also, input to the input layer of the neural network, even if the measured value of the monitoring data in the manufacturing operation of the cement clinker is near the upper or lower limit of the data range of the measured value of the monitoring data used for learning the neural network, The production conditions of cement clinker can be predicted in a short time and with high accuracy.
Further, it is possible to optimize the production operation of the cement clinker in real time based on the obtained estimated value, and it is possible to improve the stability of the production process of the cement clinker.
Further, by continuing learning of the neural network, high prediction accuracy can be maintained.
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、セメントクリンカーの製造運転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、プレヒータ原料中のSO3量に関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、セメントクリンカーの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。
Hereinafter, the present invention will be described in detail.
The prediction method of the present invention is a neural network having an input layer for inputting actual measured values of monitoring data in a production operation of cement clinker, and an output layer for outputting estimated values of evaluation data relating to the amount of SO 3 in the preheater raw material. This is a method for predicting the production conditions of cement clinker using a network.
The neural network of the present invention may be a hierarchical neural network having an intermediate layer between an input layer and an output layer.
上記監視データは、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、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る。
上記評価データは、プレヒータ原料中のSO3量に関するデータである。
The monitoring data is one or more data selected from data on raw materials of cement clinker, data on firing conditions of cement clinker, and data on cement clinker.
The above evaluation data is data relating to the amount of SO 3 in the preheater raw material.
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)、強熱減量や、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、供給量や、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や、調合原料のブレンディングサイロの貯留量(残量)や、調合原料のストレージサイロの貯留量(残量)や、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)や、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。
One of the monitoring data, “Data on the raw material of cement clinker”, is based on the chemical composition of the raw material of cement clinker, hydraulic hardness, residual amount of sieve test, Blaine specific surface area (fineness), ignition loss, and kiln loss. A plurality of points in time, such as one point five hours before and four points before three hours, four hours, five hours, and six hours ago Chemical composition, hydraulic hardness, and supply of cement clinker raw materials (prepared raw materials of cement clinker from which fine particles are extracted by airflow flowing countercurrent during transportation. Hereinafter referred to as "cement clinker raw materials") Volume, supply amount of cement clinker auxiliary material composed of special raw material such as waste, blended silo storage amount (remaining amount) of blended raw material storage silo storage amount of blended raw material (remaining amount) ), The current value of the cyclone located between the raw material mill and the blending silo of the blended raw material (which indicates the rotation speed of the cyclone and correlates with the speed of the raw material passing through the cyclone), and the raw material for cement clinker The chemical composition, hydraulic modulus, specific surface area of Blaine, residual amount of sieve test, decarboxylation rate, water content, etc. of the raw material obtained by mixing the raw material and the auxiliary raw material. These data are used individually by 1 type or in combination of 2 or more types.
Here, the chemical composition of the raw material of the cement clinker (mixed raw material or kiln raw material) refers to SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O in the raw material of the cement clinker. , K 2 O, Na 2 Oeq (all alkali), TiO 2 , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, etc. It is a content rate.
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、キルン平均トルク、落口温度、焼成帯温度、セメントクリンカー温度、ボトムサイクロンの出口温度、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)、仮焼炉出口ガスのO2濃度やCO濃度等の仮焼炉出口ガス成分濃度、キルンEP出口ガスのSO2濃度やNOX濃度等のキルンEP出口ガス成分濃度、キルン窯尻ガスのO2濃度やNOX濃度等のキルン窯尻ガス成分濃度、塩素バイパス抽気ガスのSOX濃度等の塩素バイパス抽気ガス成分濃度、プレヒータトップサイクロン出口ガスのCO濃度等のプレヒータトップサイクロン出口ガス成分濃度等が挙げられる。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。 One of the monitoring data, "Data on the firing conditions of cement clinker", includes the amount of cement clinker raw material inserted, kiln rotation speed, kiln average torque, outlet temperature, firing zone temperature, cement clinker temperature, bottom cyclone outlet temperature, clinker cooler temperatures, the preheater of the gas flow rate (which is the temperature correlated preheater), O 2 concentration and CO concentration calciner exit gas component concentration or the like of the calciner exit gas, kiln EP outlet Gas concentration of kiln EP outlet such as SO 2 concentration and NO X concentration of gas, concentration of kiln gas bottom gas such as O 2 concentration and NO X concentration of kiln gas, chlorine such as SO X concentration of chlorine bypass extraction gas. Preheater top cyclone outlet gas component concentration, such as bypass bleed gas component concentration and preheater top cyclone outlet gas CO concentration And the like. These data are used individually by 1 type or in combination of 2 or more types.
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、容重、SO3含有量、Cl含有量等が挙げられる。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。 One of the monitoring data, "data about cement clinker", includes the mineral composition of cement clinker, the crystallographic properties (such as lattice constant and crystallite size) of each mineral, the ratio of two or more mineral compositions, the chemical composition, Weight, SO 3 content, Cl content and the like. These data are used individually by 1 type or in combination of 2 or more types.
ここで、セメントクリンカーの鉱物組成とは、3CaO・SiO2(C3S)、2CaO・SiO2(C2S)、3CaO・Al2O3(C3A)、4CaO・Al2O3・Fe2O3(C4AF)、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、C3S/C2S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。
監視データは、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、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3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。
Here, the mineral composition of the cement clinker is 3CaO.SiO 2 (C 3 S), 2CaO.SiO 2 (C 2 S), 3CaO.Al 2 O 3 (C 3 A), 4CaO.Al 2 O 3. Fe 2 O 3 (C 4 AF), f. CaO, f. It is the content of MgO or the like. The “ratio of two or more mineral compositions” includes, for example, a ratio of C 3 S / C 2 S. The mineral composition of the cement clinker can be obtained, for example, by the XRD-Riet belt method.
The chemical composition of the cement clinker refers to SiO 2 , Al 2 O 3 , Fe 2 O 3 , CaO, MgO, SO 3 , Na 2 O, K 2 O, Na 2 Oeq (all alkali), TiO 2 in the cement clinker. , P 2 O 5 , MnO, Cl, Cr, Zn, Pb, Cu, Ni, V, As, Zr, Mo, Sr, Ba, F, etc.
As the monitoring data, only one kind of data selected from data on raw materials of cement clinker, data on firing conditions of cement clinker, and data on cement clinker may be used. It is preferable to use two or more (plural) types of data from the viewpoint of improving the accuracy of prediction of evaluation data.
本発明のセメントクリンカーの製造条件の予測方法において、対象となるセメントクリンカーは、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用や、エコセメント用のセメントクリンカーが挙げられる。
セメントクリンカーの製造工程は、原料工程、焼成工程の2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クリンカー原料を適当な割合で調合して、原料ミルで微粉砕し、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、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、セメントクリンカーを得る工程である。
In the method for predicting the production conditions of the cement clinker of the present invention, the target cement clinker is not particularly limited. And a cement clinker for ecocement.
The production process of cement clinker is roughly divided into two processes, a raw material process and a firing process. The raw material step is a step of preparing a cement clinker raw material such as limestone, clay, silica stone, iron oxide raw material, etc. at an appropriate ratio and pulverizing the raw material with a raw material mill to obtain a prepared cement clinker raw material. The firing step is a step in which the raw material for cement clinker is supplied to a rotary kiln via a suspension preheater, sufficiently fired, and then cooled to obtain a cement clinker.
本発明では、セメントクリンカー製造運転における監視データと、プレヒータ原料中のSO3量に関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。
In the present invention, the relationship between the monitoring data in the cement clinker manufacturing operation and the evaluation data on the SO 3 amount in the preheater raw material is learned in advance by a neural network, and the learning result is used, based on only the monitoring data, using the learning result. Predict evaluation data.
Hereinafter, the prediction method of the present invention will be described in detail with reference to FIG.
[Step (A)]
In the step (A), an initial setting of a learning data group including a plurality of learning data, which is a combination of an actually measured value of monitoring data and an actually measured value of evaluation data, used for learning of a neural network is performed.
The learning data can be obtained by preparing a learning sample and measuring the actual measurement value of the monitoring data and the actual measurement value of the evaluation data of the sample. It is preferable to prepare a sufficient number of learning data in advance from the viewpoint of workability. However, in the step (L) to be described later, when a new learning data is added to the learning data group, a new number may be set as needed. It is also possible to prepare a new learning sample and obtain new learning data from the sample.
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が、本発明の予測方法の対象となるセメントクリンカーの製造運転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クリンカーの製造運転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。
The learning data group may be composed of all learning data obtained from a plurality of learning samples, or a plurality of learning data selected from all the learning data (however, one or more data are deleted from all the data). May consist of the learning data.
When a plurality of learning data are selected from all the learning data to form a learning data group, the selection of the learning data is based on the fact that the measured value of the monitoring data is the target of the prediction method of the present invention. It is preferable to select a cement clinker that does not greatly differ from the actually measured value of the monitoring data in the production operation of the cement clinker.
Specifically, among all learning data, learning data in which the configuration of the cement clinker raw material does not significantly differ from the configuration of the cement clinker raw material in the production operation of the cement clinker targeted for the prediction method of the present invention, The learning data that does not cause a change or update of the data, or a change in the manufacturing process or the like is selected. When learning data in which the composition of the cement clinker material is greatly different, or learning data in which manufacturing equipment is changed, the learning data becomes noise, and it may be difficult to improve the prediction accuracy.
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。
Although the number of learning data constituting the learning data group is not particularly limited, it is preferably 5 or more, more preferably 50 or more, further preferably 100 or more, and particularly preferably 150 or more, from the viewpoint of increasing the prediction accuracy. That is all. The upper limit of the number is not particularly limited, but is, for example, 1,000.
After the step (A) is completed, the step (B) is performed.
[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。
[Step (B)]
In step (B), an initial setting of the number of times of learning is performed. The set number of times of learning is not particularly limited, but is preferably a sufficiently large number of times so that over-learning (over-learning) of the neural network occurs. Specifically, the number is usually 5,000 to 1,000,000 times, preferably 10,000 to 100,000 times.
In the step (B), it is preferable to set the number of times of learning at which over-learning of the neural network occurs, specifically, the number of times of learning such that σ L <σ M (to be described in detail later). Since the number of times of learning is increased / decreased, there is no problem even if the number of times of learning initially set in the step (B) is the number of times of learning normally performed for learning of the neural network.
After the step (B) is completed, the step (C) is performed.
[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)において設定される学習回数、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。
[Step (C)]
In the step (C), learning of the neural network is performed using the set learning data group, the number of times of learning set in the previous step.
Here, the “set learning data group” refers to the learning data group set in the step (A) or the step (L), which has been set most recently.
The “number of learnings set in the previous step” is the number of learnings set in the step (B) or the new number of learnings reset in the step (E). (B) or the number of times of learning set in step (E)).
Specifically, from the set of learning data, an actual measurement value of the monitoring data of the learning data is input to the input layer of the neural network, and the estimated value of the evaluation data output from the output layer and the estimated value of the evaluation data are estimated. Learning of the neural network is performed by performing the set number of times of learning and comparing the actually measured value of the evaluation data of the learning data corresponding to the value and correcting the neural network.
When the learning number is changed and the neural network is re-learned, the neural network obtained as a result of the previous learning is initialized and learning is performed again.
After the step (C) is completed, the step (D) is performed.
[工程(D)]
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。
[Step (D)]
In the step (D), σ L and σ M are calculated. From the magnitude relationship between σ L and σ M , it can be determined whether or not the learning has been performed a sufficiently large number of times to cause over-learning of the neural network.
Specifically, the estimated values of the evaluation data obtained by inputting the actually measured values of the monitoring data of the learning data to the input layer of the neural network in which the learning was performed in the latest step (C) and the evaluation data of the learning data Calculates the mean square error (σ L ) with the actually measured value of. Next, the estimated value of the evaluation data obtained by inputting the measured value of the monitor data of the monitor data to the input layer of the neural network in which the learning was performed in the latest step (C) and the measured value of the evaluation data of the monitor data Is calculated (σ M ). Thereafter, by comparing the calculated values of σ L and σ M , it can be determined whether the learning of the neural network has been performed a sufficiently large number of times.
Here, the monitor data is a combination of the actually measured values of the monitoring data and the actually measured values of the evaluation data obtained from a sample different from the sample used to obtain the learning data. This is data for confirmation.
From the viewpoint of workability, the number of samples of the monitor data (combination of the actually measured value of the monitored data and the actually measured value of the evaluation data) is preferably 5 to 50%, more preferably 10 to 30% of the number of the learning data. is there.
工程(D)で算出されたσLとσMの関係が、σL≧σM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σLとσMの関係が、σL<σM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。 If the relationship between σ L and σ M calculated in step (D) is σ L ≧ σ M (“No” in the over-learning determination in FIG. 1), the number of times of learning in step (C) performed most recently is It can be determined that the number of times is not sufficiently large. In this case, the step (E) is performed. If the relationship between σ L and σ M calculated in step (D) is σ L <σ M (“Yes” in over-learning determination in FIG. 1), the number of times of learning in step (C) performed most recently is Can be determined to be a sufficiently large number. In this case, the step (F) is performed.
[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。
[Step (E)]
In the step (E), a learning number larger than any of the learning number set in the latest step (B) and the reset learning number of the latest neural network is reset as a new learning number ( For example, the number obtained by multiplying the number of times of learning performed in the latest step (C) by 2.0 is set as a new number of times of learning.) After resetting the new number of times of learning, steps (C) to (D) are performed again.
[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。
[Step (F)]
In the step (F), the number of times of learning obtained by reducing the number of times of learning performed in the most recent neural network learning is reset as a new number of times of learning (for example, 0 is added to the number of times of learning performed in the most recent neural network learning). .95 is set as the new number of times of learning.)
Note that the latest neural network learning refers to learning performed in the nearer past. Specifically, it refers to learning performed in the closer past in the process (C) or a process (G) described later. After the step (F) is completed, the step (G) is performed.
[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。
[Step (G)]
In the step (G), learning of the neural network is performed by using the set learning data group (the learning data group set in the step (A) or the step (L), which is set most recently). The number of times of learning set in the step (F) is performed. The contents performed in the step (G) are the same as the step (C) except that the learning of the neural network is performed a new number of times of learning in the step (F).
After the step (G) is completed, the step (H) is performed.
[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(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。
[Step (H)]
In the step (H), the end determination is performed using the neural network obtained in the learning of the latest step (G). Specifically, the estimated values of the evaluation data obtained by inputting the measured values of the monitoring data of the learning data to the input layer of the neural network obtained in the learning of the most recent process (G) and the evaluation data of the learning data The mean square error (σ L ) from the actual measurement value and the actual measurement value of the monitoring data in the monitoring data are input to the input layer of the neural network obtained by learning the most recent process (G). A mean square error (σ M ) between the estimated value of the evaluation data obtained and the actually measured value of the evaluation data in the monitor data is calculated, and the relationship between the calculated σ L and σ M is σ L ≧ σ M. In this case (“Yes” in the end determination in FIG. 1), it can be determined that the number of times of learning in the most recently performed step (G) is no longer a sufficiently large number. In this case, a step (J) described later is performed. When the relationship between the calculated σ L and σ M is σ L <σ M (“No” in the end determination in FIG. 1), the number of times of learning in the most recent step (G) is still a sufficiently large number. It can be determined that there was. In this case, a step (I) described later is performed.
[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。
[Step (I)]
In the step (I), it is determined whether or not the number of times of learning of the neural network in the latest step (G) has exceeded a predetermined numerical value. Step (I) is performed to avoid repeating steps (F) to (H) indefinitely. When the number of times of learning of the neural network in the most recent step (G) in the step (I) exceeds a predetermined numerical value (“Yes” in FIG. 1), the steps (F) to (H) are performed again. I do. When the number of times of learning in the step (G) performed most recently in the step (I) is equal to or smaller than a predetermined numerical value (“No” in FIG. 1), a step (M) described later is performed.
The predetermined numerical value is not particularly limited, and may be, for example, a numerical value equal to or less than 1/100 of the number of times of learning set in the step (F), or equal to or less than 1 or 0.
[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。
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、セメントクリンカーの製造条件(プレヒータ原料中のSO3量)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。
[Step (J)]
In the step (J), the analysis degree can be determined based on whether or not the analysis degree determination value is smaller than a predetermined first set value. The analysis degree determination value is calculated using the following equation (1).
It is possible to determine whether or not it is possible to predict with high accuracy the production conditions of cement clinker (the amount of SO 3 in the raw material of the preheater) by using the neural network learned by performing the determination of the analysis degree. it can. If the analysis degree determination value is less than a predetermined first set value (“Yes” in the first analysis degree determination in FIG. 1), it is determined that the analysis is sufficient, and the learning of the neural network ends. Step (K) is performed.
If the analysis degree determination value is equal to or greater than a predetermined first set value (“No” in the first analysis degree determination in FIG. 1), the neural network that has learned using the learning data is used as it is, It is determined that it is not possible to predict the quality or the like with high accuracy, and the step (M) is performed.
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。
The predetermined first set value is not particularly limited, but is preferably 10% or less, more preferably 8% or less, and particularly preferably 7% or less, from the viewpoint of performing prediction with higher accuracy.
In steps (B) to (J), the analysis degree determination value in step (J) is less than a predetermined first set value, or the number of times in step (M) is set in advance. Repeated until exceeded. The analysis degree determination value and the learned neural network obtained each time the step (J) is performed are stored as data for use in the step (O).
Also, from the viewpoint of improving the prediction accuracy, when the step (L) is performed, before the step (L) is performed, the analysis degree determination value and the learned level obtained each time the step (J) is performed are obtained. Neural network data is discarded without being used in step (O).
[工程(K)]
工程(K)では、セメントクリンカーの製造運転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。
セメントクリンカーの製造運転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、セメントクリンカーの製造運転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、セメントクリンカーの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。
[Step (K)]
In the step (K), measured values of monitoring data in the cement clinker manufacturing operation (input to the input layer of the neural network for which the learning has been completed in the step (R)) are stored in a set learning data group (step (A)). ) Or a learning data group set in the step (L), which is the most recently set), and is a numerical value within the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ). In the case (“Yes” in the determination of the learning data in FIG. 1), the process (R) is performed. When the value is out of the range (“No” in the determination of the learning data in FIG. 1), the process (R) is performed. L) is performed.
When there are a plurality of types of monitored data in the cement clinker manufacturing operation, and when at least one of the values is out of the range, the step (L) is performed.
In this process, the actual measured value of the monitoring data in the production operation of the cement clinker is determined to be a numerical value within the above range, thereby increasing the number of learning data constituting the learning data group, and It is possible to determine whether or not it is necessary to perform learning again. Thereby, the prediction accuracy of the estimated value of the evaluation data related to the evaluation of the production condition of the cement clinker can be further improved.
なお、監視データの実測値の平均値±平均2乗誤差(σG)の範囲内の数値とは、該数値が、監視データの実測値の平均値−平均2乗誤差(σG)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(σG)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(σG)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(σG)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(σG)未満であることを意味する。 The numerical value within the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ) means that the numerical value is equal to or more than the average value of the actually measured values of the monitoring data−the mean square error (σ G ). It means that it is less than or equal to the average of the actually measured values of the monitoring data + the mean square error (σ G ). The numerical value outside the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ) means that the numerical value exceeds the average value of the actually measured values of the monitoring data + the mean square error (σ G ). , Or less than the average value of the actually measured values of the monitoring data minus the mean square error (σ G ).
[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(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)。
学習データの監視データの実測値が複数の種類ある場合、複数の種類の監視データの実測値の各々が、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を使用する。
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、セメントクリンカーの製造運転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。
[Step (L)]
In the step (L), the actual measured value of the monitoring data is the monitoring data in the set learning data group (the learning data group set in the step (A) or the step (L), which is set most recently). One or more pieces of learning data that are numerical values outside the range of the average value of the actually measured values of the data ± the mean square error (σ G ) and that are not included in the learning data group are added to the learning data group. After additionally setting a new learning data group, the step (C) and subsequent steps are performed (the steps appropriately selected from the steps (C) to (T) are performed).
When there are a plurality of types of actually measured values of the monitoring data of the learning data, each of the actually measured values of the plurality of types of the monitoring data is in the range of the average value of the actually measured values of the monitoring data of the learning data ± mean square error (σ G ) Use the training data that is the outside numerical value.
When there are a plurality of types of actually measured values of the monitoring data which are numerical values outside the above range, for each of the actually measured values of the plurality of types of monitoring data, the average value ± mean square error of the actually measured values of the monitoring data of the learning data. One or more pieces of learning data that are numerical values outside the range of (σ G ) and that are not included in the learning data group are added to the learning data group and set as a new learning data group.
In addition, among the types of actually measured values of the monitoring data of the learning data to be added, of the monitoring data in the learning data group, a value within the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ). The actual measurement value of the type does not need to be particularly considered.
By adding the learning data, input to the input layer of the neural network, the actual measurement value of the monitoring data in the manufacturing operation of the cement clinker is the data range of the actual measurement value of the monitoring data of the learning data used for the learning of the neural network. Even when the value is near the upper limit or the lower limit, the prediction accuracy can be improved.
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(σG)の範囲内の数値となるまで、繰り返し実施される。
The number of learning data to be added is preferably 8% or more, more preferably 10% or more, and particularly preferably 15% or more of the number of learning data in the set learning data group. If the number is 8% or more, the prediction accuracy can be further improved.
In the step (L), in the step (K), the actual measurement value of the monitoring data in the cement production is obtained by calculating the average of the actual measurement values of the monitoring data ± the mean square error (σ G ) in the set learning data group. The operation is repeatedly performed until a numerical value within the range is obtained.
[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。
[Step (M)]
In the step (M), it is determined whether or not the number of times the step (B) for setting the number of times of learning is performed is equal to or less than a preset numerical value. By performing the determination, it is possible to prevent the process (B) to the process (J) from being repeated indefinitely.
In the step (M), if the number of times the step (B) is performed is equal to or less than a preset number (“Yes” in the number determination in FIG. 1), the learning condition is initialized, and the steps (B) to (B) are performed again. If (J) is performed and the number exceeds the preset number (“No” in the number determination in FIG. 1), the step (O) is performed.
The number of times set in advance is not particularly limited, but is usually 5 or more. The upper limit of the number of times set in advance is preferably 100 times or less from the viewpoint of preventing the step (B) to the step (J) from being greatly repeated.
[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。
[Step (N)]
In the step (N), the learning conditions are initialized, and the steps (B) to (J) are performed again.
As a method of initializing the learning conditions, for example, after randomly changing the threshold value of the unit constituting the neural network and the weight connecting the units, a method of re-inputting the learning data, a method for obtaining the learning data There is a method of inputting new learning data after increasing the number of samples, changing the type of monitoring data to be used, or excluding inappropriate learning data.
[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、セメントクリンカーの製造条件(プレヒータ原料中のSO3量)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、セメントクリンカーの製造条件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。
[Step (O)]
In the step (O), all the analysis degree determination values calculated in the step (J) (however, in the step (J), each time the step (J) is performed before the step (L) is performed, When the analysis degree judgment value and the learned neural network data are discarded, the smallest analysis degree judgment value among all the analysis degree judgment values calculated in the step (J) after the step (L) is performed. Whether or not the next prediction is to be performed can be determined based on whether or not the value is smaller than the second predetermined value.
By adding the determination in the step (O), the learned neural neural network that has determined that in the step (J), the production conditions of the cement clinker (the amount of SO 3 in the raw material of the preheater) cannot be predicted with high accuracy. Even in the case of a network, it is possible to determine whether or not the production conditions of the cement clinker can be predicted with high accuracy by performing the following steps (P) to (Q). When the smallest analysis degree determination value is less than the second predetermined set value (“Yes” in the second analysis degree determination in FIG. 1), the step (J) in which the smallest analysis degree determination value could be obtained. After obtaining the neural network in ()) as a learned neural network, the step (P) is performed.
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、セメントクリンカーの製造条件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。
If the smallest analysis degree determination value is equal to or larger than a predetermined second set value (“No” in the second analysis degree determination in FIG. 1), a neural network that has learned using learning data is used. It is determined that the production conditions of the cement clinker cannot be predicted with high accuracy, and the prediction is terminated.
The predetermined second set value is larger than the first set value. Further, the upper limit is preferably 30% or less, more preferably 25%, from the viewpoint of performing prediction with higher accuracy.
[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、塩素バイパスの抽気ガスのSOx濃度とキルンEP出口ガスのSO2濃度の二種類である場合、塩素バイパスの抽気ガスのSOx濃度をx軸とし、キルンEP出口ガスのSO2濃度をy軸とする座標空間を作成する。
[Step (P)]
In the step (P), a predictable monitoring data area used in the next step (Q) is set.
First, all the analysis degree judgment values calculated in the step (J) (however, in the step (J), the analysis degree judgment obtained each time the step (J) is performed before the step (L) is performed) If the values and the learned neural network data are discarded, it is possible to obtain the smallest analysis degree determination value among all the analysis degree determination values calculated in step (J) after performing step (L). In the completed step (J), a decorrelation test is performed on a combination of the measured value of the monitoring data and the measured value of the evaluation data used as the learning data. When there are two or more types of monitoring data determined to be significant at the 5% significance level in the decorrelation test ("Yes" in the decorrelation test in FIG. 1), the significance is significant at the significance level of 5% A coordinate space is created with all types of monitoring data determined to be coordinate axes as coordinate axes.
For example, monitoring data is determined to be significant at the 5% significance level is, if the two types of SO 2 concentration of the SO x concentration and kiln EP outlet gas extracted gas of chlorine bypass, the extracted gas of chlorine bypass the SO x concentration of x-axis, creating a coordinate space of the SO 2 concentration in the kiln EP outlet gas and y-axis.
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」)、セメントクリンカーの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。
Next, among the measured values of the monitoring data used as the learning data, all the measured values of the monitoring data of the type determined to be significant at the significance level of 5% were plotted in the coordinate space and plotted in the coordinate space. A predictable monitoring data area is set by connecting monitoring data. The predictable monitoring data area is an area including all of the plotted monitoring data, and is an area formed by connecting the monitoring data so that the area becomes the maximum. After setting the predictable monitoring data area, the step (Q) is performed.
When the monitoring data determined to be significant at the significance level of 5% is 0 or 1 type (“No” in the uncorrelation test in FIG. 1), it is determined that the production conditions of the cement clinker cannot be predicted. To end the prediction.
[工程(Q)]
工程(Q)では、セメントクリンカー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、セメントクリンカー製造運転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、セメントクリンカーの製造条件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。
セメントクリンカーの製造条件の予測に使用される、セメントクリンカー製造運転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」)、セメントクリンカーの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。セメントクリンカー製造運転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」)、セメントクリンカーの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、セメントクリンカー製造運転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。
[Step (Q)]
In the step (Q), the actually measured values of the monitoring data in the cement clinker manufacturing and the coordinate space set in the step (P) are used to measure the actual values of the monitoring data in the cement clinker manufacturing operation and the learned neural network of the step (O). It is possible to determine whether the network can predict the production conditions of the cement clinker with high accuracy.
When the measured value of the monitoring data in the cement clinker manufacturing operation, which is used to predict the manufacturing conditions of the cement clinker, is included in the predictable monitoring data area set in the step (Q) (“Yes” in the coordinate determination in FIG. 1). ), It is determined that the production conditions of the cement clinker can be predicted with high accuracy, and the step (K) is performed. When the measured value of the monitoring data in the cement clinker manufacturing operation is not included in the predictable monitoring data area (“No” in the coordinate determination in FIG. 1), it is determined that the manufacturing conditions of the cement clinker cannot be predicted. End prediction.
In addition, the monitoring data in the cement clinker manufacturing operation is an actually measured value of the monitoring data of the type not used as the coordinate axis of the coordinate space set in the step (P) (in a non-correlation test, it is significant at a significance level of 5%. (A type of monitoring data that has not been determined), the monitoring data of the type that is not used as the coordinate axis does not impose any restrictions on the actual measurement values of the monitoring data.
[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、セメントクリンカー製造運転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、プレヒータ原料中のSO3量に関する評価データの推測値を出力することで、セメントクリンカーの製造条件を予測することができる。
[Step (R)]
In the step (R), the measured value of the monitoring data in the cement clinker manufacturing operation is input to the input layer of the learned neural network, and the output layer of the learned neural network is used to evaluate the amount of SO 3 in the preheater raw material from the output layer of the learned neural network. By outputting the estimated value of the data, it is possible to predict the production conditions of the cement clinker.
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、セメントクリンカー製造運転における監視データの実測値から、高い精度でセメントクリンカーの製造条件(プレヒータ原料中のSO3量)を予測することができる。 According to the prediction method of the present invention, the production conditions of cement clinker (the amount of SO 3 in the raw material of the preheater) are predicted with high accuracy from the actually measured values of the monitoring data in the cement clinker production operation, which are input to the input layer of the neural network. be able to.
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、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。 The neural network periodically checks the estimated value of the evaluation data and the magnitude of the difference between the actually measured value and the estimated value in order to maintain the accuracy of the prediction in a high state, and based on the inspection result, Preferably, the neural network is updated. The renewal cycle is preferably once a month, more preferably once a week, and particularly preferably once a day.
本発明のセメントクリンカーの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、評価データ(プレヒータ原料中のSO3量)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、セメントクリンカー製造の途中における、サスペンションプレヒータでのコーティングトラブルの発生の可能性を早期に察知し、原料工程及び焼成工程等における諸条件の最適化を行うことにより、セメントクリンカー製造プロセスを安定させることができる。
具体的には、プレヒータ原料中のSO3量の推測値に増加等の異常が認められた場合、原料の調合、ロータリーキルン及び仮焼炉(サスペンションプレヒータ)の焼成条件の調整等を行うことで、プレヒータ原料中のSO3量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、セメントクリンカー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、プレヒータ原料中のSO3量が目標値に達しないと予測される場合、燃料炭種のSO3量を分析して、最適な燃料炭種のSO3量の管理目標値を確認することで、セメントクリンカー製造プロセスを安定させることができる。
According to the method for predicting the production conditions of cement clinker of the present invention, an estimated value of evaluation data (the amount of SO 3 in a preheater raw material) can be estimated within one hour only by inputting monitoring data by using a neural network. Obtainable.
In addition, based on the estimated values of the obtained evaluation data, the possibility of occurrence of coating trouble in the suspension preheater during the production of cement clinker was detected at an early stage, and various conditions in the raw material process and firing process were optimized. By performing the above, the cement clinker production process can be stabilized.
Specifically, when an abnormality such as an increase in the estimated value of SO 3 in the preheater raw material is found, by adjusting the raw material preparation, adjusting the firing conditions of the rotary kiln and the calciner (suspension preheater), and the like, The SO 3 amount in the preheater raw material can be made the target.
It is also possible to correct the management target value of the cement clinker manufacturing process based on the estimated value of the evaluation data. For example, if it is predicted that the SO 3 amount in the preheater raw material does not reach the target value, analyze the SO 3 amount of the fuel coal type and confirm the management target value of the optimal SO 3 amount of the fuel coal type. Thus, the cement clinker production process can be stabilized.
さらに、セメントクリンカーの製造工程を制御するコンピュータと、本発明のセメントクリンカーの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。
Further, by connecting a computer for controlling the production process of the cement clinker and a computer used for performing the method for predicting the production condition of the cement clinker of the present invention, the monitoring data is artificially changed based on the evaluation data. The control system for this can be automated.
In the present invention, examples of software for performing an operation using a neural network include "Neural Network Library" (trade name) manufactured by OLSOFT.
以下、実施例により本発明を説明する。
[実施例1]
学習用のサンプルとして、異なる47点のサンプリング時間における、プレヒータボトムサイクロンから採取したプレヒータ原料のSO3量を、蛍光X線分析法を用いて測定して、学習データ(評価データの実測値)とした。
また、上記47点のサンプリング時間における、ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度を測定して、学習データ(監視データの実測値)とした。
また、モニター用のサンプルとして、前記47点のサンプリング時間とは異なる5点のサンプリング時間における、プレヒータ原料のSO3量を測定して、モニターデータ(評価データの実測値)とした。
さらに、上記5点のサンプリング時間における、ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度を測定して、モニターデータ(監視データの実測値)とした。
Hereinafter, the present invention will be described with reference to examples.
[Example 1]
As a learning sample, the SO 3 amount of the preheater raw material collected from the preheater bottom cyclone at 47 different sampling times was measured using a fluorescent X-ray analysis method, and the learning data (actual measurement value of the evaluation data) was obtained. did.
At the above 47 sampling times, the outlet temperature of the bottom cyclone, the O 2 concentration of the calciner outlet gas, the CO concentration of the calciner outlet gas, the SO 2 concentration of the kiln EP outlet gas, and the NO x concentration, CO concentration preheater top cyclone outlet gas, and by measuring the SO x concentration in the chlorine bypass extracted gas was training data (measured values of monitoring data).
In addition, as a monitor sample, the SO 3 amount of the preheater raw material was measured at five sampling times different from the 47 sampling times to obtain monitor data (actual measurement values of evaluation data).
Further, the outlet temperature of the bottom cyclone, the O 2 concentration of the calciner outlet gas, the CO concentration of the calciner outlet gas, the SO 2 concentration of the kiln EP outlet gas, and the NO of the kiln EP outlet gas at the above five sampling times. The x concentration, the CO concentration of the preheater top cyclone outlet gas, and the SO x concentration of the chlorine bypass bleed gas were measured and used as monitor data (actually measured monitoring data).
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を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、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8.0%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。
Learning of the neural network was performed using the learning data. As the neural network, a hierarchical neural network having an input layer, an intermediate layer, and an output layer was used. The initial number of times of learning of the neural network was set to 10,000 times. When σ L and σ M were calculated using the obtained neural network, the relationship between σ L and σ M was σ L <σ M. Thereafter, the neural network is initialized, and the learning of the neural network is performed using the learning data and the monitor data, the number of times of learning being a number obtained by multiplying the number of times of learning by 0.95 (fraction truncation). This was repeated until the relationship between σ L and σ M calculated using the network became σ L ≧ σ M.
After the relationship between σ L and σ M becomes σ L ≧ σ M , the analysis degree determination value is calculated. However, the analysis degree determination value is not less than the predetermined first set value of 6%. The value was 8.0%. The neural network at the time when the smallest analysis degree determination value was calculated was regarded as a learned neural network.
Note that the set value of the second analysis degree determination value was 20%.
学習データの評価データの実測値であるプレヒータ原料のSO3量と、学習データの監視データの実測値であるボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度の各々について、無相関検定を行った。学習データの評価データの実測値と、各々の学習データの監視データの実測値との相関関係を表1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0.278を超えるもの、または、−0.278未満のもの)で有意であった学習データは、キルンEP出口ガスのSO2濃度と塩素バイパス抽気ガスのSOx濃度の2つであった。
The SO 3 amount of the preheater raw material which is the actual measurement value of the learning data evaluation data, the bottom cyclone outlet temperature which is the actual measurement value of the learning data monitoring data, the O 2 concentration of the calciner outlet gas, and the calciner outlet gas CO concentration, SO 2 concentration of kiln EP outlet gas, NO x concentration of the kiln EP outlet gas CO concentration preheater top cyclone outlet gas, and for each of the SO x concentration in the chlorine bypass extracted gas were uncorrelated assay. Table 1 shows the correlation between the actually measured values of the evaluation data of the learning data and the actually measured values of the monitoring data of each learning data.
The learning data that is significant at the 5% significance level (correlation coefficient exceeding 0.278 or less than -0.278) among the measured values of the monitoring data of the learning data is the kiln EP exit These were the SO 2 concentration of the gas and the SO x concentration of the chlorine bypass bleed gas.
上記無相関検定より有意であると判定されたキルンEP出口ガスのSO2濃度および塩素バイパス抽気ガスのSOx濃度について、キルンEP出口ガスのSO2濃度をx軸とし、塩素バイパス抽気ガスのSOx濃度をy軸とする座標空間に、学習データ(監視データの実測値)におけるキルンEP出口ガスのSO2濃度と塩素バイパス抽気ガスのSOx濃度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2a) For SO 2 concentration and SO x concentrations of chlorine bypass extracted gas of the uncorrelated kiln EP outlet gas is determined to be more significant than test, the SO 2 concentration in the kiln EP outlet gas as the x-axis, SO chlorine bypass extracted gas Data of the SO 2 concentration of the kiln EP outlet gas and the SO x concentration of the chlorine bypass extraction gas in the learning data (actually measured monitoring data) are plotted in a coordinate space with the x concentration as the y axis. An area that includes all the learning data formed by connecting the plotted learning data and that is formed so that the area of the area is maximized is set as the predictable monitoring data area. (FIG. 2a)
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された、監視データの実測値(ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)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、セメントクリンカーの製造条件を予測するためのサンプル(以下、「予測用サンプル」ともいう。)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1点のサンプリング時間における、ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度を測定して、予測用サンプルの監視データの実測値とした。
結果を表2に示す。なお、本明細書中、ppmは質量基準である。
Obtained are used in the learning of the learned neural network, the actual measurement value of the monitoring data (bottom cyclone outlet temperature, O 2 concentration in the calciner exit gas, CO concentration of the calciner exit gas, kiln EP outlet gas SO 2 concentration of, NO x concentration of the kiln EP outlet gas CO concentration preheater top cyclone outlet gas, and the SO x concentration) of chlorine bypass extracted gas, respectively to calculate the average value and mean square error.
In addition, as a sample for predicting the production conditions of the cement clinker using the learned neural network (hereinafter, also referred to as a “prediction sample”), one point different from the learning sample and the monitoring sample is used. of the sampling time, of the bottom cyclone outlet temperature, O 2 concentration in the calciner exit gas, CO concentration of the calciner exit gas, SO 2 concentration of kiln EP outlet gas, NO x concentration of the kiln EP outlet gas preheater top CO concentration of the cyclone outlet gas, and by measuring the SO x concentration in the chlorine bypass extracted gas, it was measured values of monitoring data of the prediction samples.
Table 2 shows the results. In this specification, ppm is based on mass.
予測用サンプルの監視データ(ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)の実測値のうち、仮焼炉出口ガスのO2濃度の実測値が、学習データの仮焼炉出口ガスのO2濃度の実測値の平均値±平均2乗誤差(σ)の数値範囲外の数値であった。具体的には、予測用サンプルの仮焼炉出口ガスのO2濃度の実測値(2.6質量%)は、学習データの仮焼炉出口ガスのO2濃度の実測値の平均値(3.4質量%)から、平均2乗誤差(σ)を減算した数値(2.9質量%)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、セメントクリンカーの製造条件における監視データの実測値を用いて、評価データの推測値(プレヒータ原料のSO3量)を予測した場合、予測精度が低くなるおそれがある。
Monitoring data (bottom cyclone outlet temperature of the prediction sample, O 2 concentration in the calciner exit gas, CO concentration of the calciner exit gas, SO 2 concentration of kiln EP outlet gas, NO x concentration of the kiln EP exit gas, CO concentration preheater top cyclone outlet gas, and among the measured values of the SO x concentration) of chlorine bypass extracted gas, measured values of the O 2 concentration of the calciner exit gas, the calciner exit gas training data O 2 The value was outside the numerical range of the average value of the actually measured values of the concentration ± the mean square error (σ). Specifically, it found (2.6 wt%) of the O 2 concentration of the calciner exit gas of the prediction samples, the average value of the measured value of the O 2 concentration of the calciner exit gas of the learning data (3 0.4 mass%) and a numerical value (2.9 mass%) obtained by subtracting the mean square error (σ).
For this reason, when the estimated value of the evaluation data (the SO 3 amount of the preheater raw material) is predicted using the learned neural network and the actually measured value of the monitoring data under the manufacturing conditions of the cement clinker, the prediction accuracy may be low. There is.
そこで、仮焼炉出口ガスのO2濃度の実測値が、上記学習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って、かつ、上記学習データ又はモニターデータとは異なる新たな学習データ5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25%に相当する個数)を新たな学習データとして、上記47個の学習データに追加して、合計52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。
なお、新たな学習用データの仮焼炉出口ガスのO2濃度以外の監視データ(ボトムサイクロンの出口温度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)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)の仮焼炉出口ガスのO2濃度以外の監視データ(ボトムサイクロンの出口温度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)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。
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仮焼炉出口ガスのO2濃度(監視データ)の実測値の平均値は3.49質量%であり、平均2乗誤差(σ)は0.56質量%であり、予測サンプルの仮焼炉出口ガスのO2濃度の実測値は、依然として、学習データの仮焼炉出口ガスのO2濃度の実測値の平均値±平均2乗誤差(σ)の数値範囲外の数値であった。
Therefore, the measured value of the O 2 concentration of the calciner outlet gas is a numerical value outside the range of the average value of the measured values of the learning data ± the mean square error (σ), and the learning data or the monitor data 5 new learning data (a number corresponding to about 25% of the learning data group used in the previous neural network learning) different from the above are added as new learning data to the above 47 learning data, Using the 52 learning data as a new learning data group, the learning of the neural network was performed again in the same manner as the learning of the neural network described above.
The monitoring data other than the O 2 concentration of the calciner outlet gas in the new learning data (exit temperature of bottom cyclone, CO concentration of calciner outlet gas, SO 2 concentration of kiln EP outlet gas, kiln EP outlet gas concentration of NO x, CO concentration preheater top cyclone outlet gas, and the measured value of the SO x concentration) of chlorine bypass bleed gas calciner exit gas of the learning data (learning data before adding a new learning data) Monitoring data other than the O 2 concentration (outlet temperature of bottom cyclone, CO concentration of calciner outlet gas, SO 2 concentration of kiln EP outlet gas, NO x concentration of kiln EP outlet gas, CO concentration of pre-heater top cyclone outlet gas and in which numbers in range of numbers and range of mean ± mean square error of the measured value (sigma) of the SO x concentration) of chlorine bypass extracted gas are mixed Was Tsu.
The average value of the actual measurement value of the O 2 concentration (monitoring data) of the calciner outlet gas of the learning data used for the learning of the neural network again is 3.49% by mass, and the average square error (σ) is 0. The measured value of the O 2 concentration of the calciner outlet gas of the predicted sample is still the average value of the actually measured value of the O 2 concentration of the calciner outlet gas of the learning data ± the mean square error (σ). ) Was out of the numerical range.
そこで、仮焼炉出口ガスのO2濃度(監視データ)の実測値が、上記学習データの仮焼炉出口ガスのO2濃度の実測値の平均値±σの範囲外の数値であって、かつ、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及びモニターデータとは異なる新たな学習データ17個(追加した学習データの合計個数(22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47%に相当する個数)を、新たな学習データとして、上記52個の学習データに追加した合計69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(ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)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3に示す。なお、表3において、参考として予測用サンプルの監視データの実測値を示す。
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仮焼炉出口ガスのO2濃度(監視データ)の実測値の平均値は3.39質量%であり、平均2乗誤差(σ)は0.88質量%であり、予測用サンプルの仮焼炉出口ガスのO2濃度(監視データ)の実測値は、学習データの仮焼炉出口ガスのO2濃度の実測値の平均値±平均2乗誤差(σ)の範囲内の数値であった。
Therefore, the actually measured value of the O 2 concentration (monitoring data) of the calciner outlet gas is a numerical value outside the range of the average value ± σ of the actually measured value of the O 2 concentration of the calciner outlet gas of the learning data, 17 new learning data (total number of added learning data (22)) different from the learning data and monitor data used for the previous neural network learning are the learning data used for the first neural network learning. Is used as the new learning data, and a total of 69 learning data added to the above-mentioned 52 learning data are used as a new learning data group. Similar to the learning, the neural network learning was performed again.
Actual measurement values of monitoring data of learning data used for learning of the neural network again (exit temperature of bottom cyclone, O 2 concentration of calciner outlet gas, CO concentration of calciner outlet gas, SO 2 of kiln EP outlet gas concentration, NO x concentration of the kiln EP outlet gas CO concentration preheater top cyclone outlet gas, and the SO x concentration) of chlorine bypass extracted gas, respectively to calculate the average value and mean square error. Table 3 shows the results. In Table 3, actual measured values of monitoring data of the prediction sample are shown for reference.
The average value of the actual measurement value of the O 2 concentration (monitoring data) of the calciner outlet gas of the learning data used for the learning of the neural network again was 3.39% by mass, and the average square error (σ) was 0.3%. is 88 wt%, actual measurement values of the O 2 concentration of the calciner exit gas of the predicted sample (monitoring data), mean ± mean square of the measured value of the O 2 concentration of the calciner exit gas training data It was a numerical value within the range of the error (σ).
ニューラルネットワークの学習に使用した学習データ(69個)の評価データの実測値であるプレヒータ原料のSO3量と、監視データの実測値であるボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度の各々について、無相関検定を行った。
プレヒータ原料のSO3量と、ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度の各々の相関係数を表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0.235を超えるもの、または、−0.235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キルンEP出口ガスのSO2濃度と塩素バイパス抽気ガスのSOx濃度であった。
A SO 3 content of the preheater the raw material is a measured value of the evaluation data of the learning data used for learning of the neural network (69), the outlet temperature of the bottom cyclone is a measured value of the monitoring data, the calciner exit gas O 2 concentration, CO concentration of the calciner exit gas, SO 2 concentration of kiln EP outlet gas, NO x concentration of the kiln EP outlet gas CO concentration preheater top cyclone outlet gas, and for each of the SO x concentration in the chlorine bypass extracted gas And a decorrelation test was performed.
A SO 3 content of the preheater the raw material, the outlet temperature of the bottom cyclone, NO x concentration of the provisional O 2 concentration in the calciner exit gas, CO concentration of the calciner exit gas, SO 2 concentration of kiln EP outlet gas, kiln EP outlet gas , CO concentration of the preheater top cyclone outlet gas, and the correlation coefficient of each of the SO x concentration in the chlorine bypass extracted gas shown in Table 4.
Among the measured values of the monitoring data of the learning data, the learning data that was significant at the significance level of 5% (correlation coefficient exceeding 0.235 or less than -0.235) It was sO x concentration of sO 2 concentration and the chlorine bypass extracted gas correlation test similarly kiln EP outlet gas.
上記無相関検定より有意であると判定されたキルンEP出口ガスのSO2濃度および塩素バイパス抽気ガスのSOx濃度について、キルンEP出口ガスのSO2濃度をx軸とし、塩素バイパス抽気ガスのSOx濃度をy軸とする座標空間に学習データ(監視データの実測値)におけるキルンEP出口ガスのSO2濃度と塩素バイパス抽気ガスのSOx濃度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再設定した。(図2b)
上記座標空間に、予測用サンプルの監視データ(キルンEP出口ガスのSO2濃度、塩素バイパス抽気ガスのSOx濃度)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。
For SO 2 concentration and SO x concentrations of chlorine bypass extracted gas of the uncorrelated kiln EP outlet gas is determined to be more significant than test, the SO 2 concentration in the kiln EP outlet gas as the x-axis, SO chlorine bypass extracted gas Data of the SO 2 concentration of the kiln EP outlet gas and the SO x concentration of the chlorine bypass extraction gas in the learning data (actually measured monitoring data) were plotted in a coordinate space with the x concentration as the y axis.
A region that includes all the learning data formed by connecting the plotted learning data and that is formed so that the area of the region becomes the maximum is reset as the predictable monitoring data region. (FIG. 2b)
When the measured values of the monitoring data (SO 2 concentration of the kiln EP outlet gas, SO x concentration of the chlorine bypass extraction gas) of the prediction sample were plotted in the coordinate space, they were within the predictable monitoring data area.
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(ボトムサイクロンの出口温度、仮焼炉出口ガスのO2濃度、仮焼炉出口ガスのCO濃度、キルンEP出口ガスのSO2濃度、キルンEP出口ガスのNOx濃度、プレヒータトップサイクロン出口ガスのCO濃度、及び塩素バイパス抽気ガスのSOx濃度)の実測値を入力し、プレヒータ原料のSO3量の推測値を得た。該推測値は4.24±0.69(偏差は3σを示す。)質量%であった。
また、予測用サンプルのプレヒータ原料のSO3量の実測値は4.44質量%であった。
To the input layer of the resulting learned neural network, of the prediction sample monitoring data (bottom cyclone outlet temperature, O 2 concentration in the calciner exit gas, CO concentration of the calciner exit gas, the kiln EP exit gas SO 2 concentration, NO x concentration of the kiln EP exit gas, resulting CO concentration preheater top cyclone outlet gas, and enter the measured value of the SO x concentration) of chlorine bypass extracted gas, the estimated value of the SO 3 content of the preheater the raw material Was. The estimated value was 4.24 ± 0.69 (the deviation indicates 3σ) mass%.
The measured SO 3 amount of the preheater raw material of the prediction sample was 4.44% by mass.
[比較例1]
単回帰分析により、プレヒータ原料のSO3量と塩素バイパス抽気ガスのSOx濃度の関係より、予測用サンプルのプレヒータ原料のSO3量を出力したところ、推測値は6.02±2.79(偏差は3σを示す。)質量%であった。
[Comparative Example 1]
By simple regression analysis, the relationship of the SO x concentration of SO 3 amount and the chlorine bypass extracted gas preheater feedstock, was output SO 3 of the preheater the raw material for prediction samples, estimates are 6.02 ± 2.79 ( The deviation indicates 3σ).
実施例1で得られた評価データの推測値(4.24±0.69質量%)と、比較例1で得られた評価データの推測値(6.02±2.79質量%)を比較すると、実施例1で得られた推測値は、比較例1で得られた推測値よりも、実測値(4.44質量%)に近く、かつ、偏差が小さいことから、より信頼性が高いことがわかる。
The estimated value (4.24 ± 0.69% by mass) of the evaluation data obtained in Example 1 was compared with the estimated value (6.02 ± 2.79% by mass) of the evaluation data obtained in Comparative Example 1. Then, the estimated value obtained in Example 1 is closer to the actually measured value (4.44% by mass) and smaller in deviation than the estimated value obtained in Comparative Example 1, so that the reliability is higher. You can see that.
Claims (5)
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、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)セメントクリンカーの製造運転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、セメントクリンカーの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、セメントクリンカーの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)セメントクリンカー製造運転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、セメントクリンカーの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、セメントクリンカー製造運転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、セメントクリンカーの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、セメントクリンカー製造運転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、プレヒータ原料中のSO3量に関する評価データの推測値を出力して、セメントクリンカーの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クリンカーの製造条件の予測方法。
The monitoring data is one or more selected from data on raw materials of cement clinker, data on firing conditions of cement clinker, and data on cement clinker,
(A) a step of initializing a learning data group including a plurality of learning data, which is a combination of an actually measured value of monitoring data and an actually measured value of evaluation data, used for neural network learning;
(B) a step of initially setting the number of times of learning;
(C) using the set learning data group to perform learning of the neural network by the number of times of learning set in the previous step;
(D) The measured values of the monitoring data of the learning data are input to the input layer of the neural network obtained in the learning of the most recent process (C), and the estimated values of the evaluation data and the actual measurement of the evaluation data of the learning data are obtained. Mean square error (σ L ) with the value and the monitor data in the monitor data, which is a combination of the measured value of the monitored data and the measured value of the evaluation data for confirming the reliability of the learning result of the neural network. The mean square error between the estimated value of the evaluation data obtained by inputting the actual measurement value to the input layer of the neural network obtained in the learning of the latest process (C) and the actual measurement value of the evaluation data in the monitor data (Σ M ) is calculated, and if the relationship between the calculated σ L and σ M is σ L ≧ σ M , the process (E) is performed, and the relationship between the calculated σ L and σ M is σ L < If σ M , perform step (F) The process of
(E) A learning number larger than any one of the learning number set in the latest step (B) and the reset learning number of the latest neural network is re-used as a new learning number in the step (B). Setting and performing steps (C) to (D) again;
(F) resetting the number of times of learning obtained by reducing the number of times of learning performed in the most recent neural network learning as a new number of times of learning;
(G) using the set learning data group to perform learning of the neural network by the number of times of learning set in the most recent step (F);
(H) The measured values of the monitoring data of the learning data are input to the input layer of the neural network obtained in the learning of the most recent process (G), and the estimated values of the evaluation data obtained by the input and the actual measurement of the evaluation data of the learning data The mean square error with the value (σ L ) and the measured value of the monitoring data in the monitoring data are input to the input layer of the neural network obtained in the learning of the most recent process (G). The mean square error (σ M ) between the estimated value of the evaluation data and the actually measured value of the evaluation data in the monitor data is calculated, and when the calculated relationship between σ L and σ M is σ L ≧ σ M , Performing the step (J), and, when the calculated relationship between σ L and σ M is σ L <σ M , performing the step (I);
(I) If the number of times of learning of the neural network in the latest step (G) exceeds a preset number, steps (F) to (H) are performed again, and the neural network in the latest step (G) is Performing the step (M) when the number of times of learning is equal to or less than a predetermined numerical value;
(J) An analysis degree determination value is calculated using the following equation (1), and if the analysis degree determination value is less than a predetermined first set value, learning of the neural network is terminated, and step (K) is performed. Performing the step (M) when the analysis degree determination value is equal to or greater than a predetermined first set value;
(K) When the measured value of the monitoring data in the production operation of the cement clinker is a numerical value within the range of the average value of the actually measured values of the monitoring data ± the mean square error (σ G ) in the set learning data group. Is a step of performing the step (R), and when the value is out of the range, performing the step (L);
(L) The learning data in which the actual measurement value of the monitoring data is a numerical value outside the range of the average of the actual measurement values of the monitoring data ± the mean square error (σ G ) in the set learning data group. After adding one or more pieces of learning data that are not included in the data group to the above-mentioned learning data group and setting it as a new learning data group, a step (C) and subsequent steps are performed; and (M) Step (B) A determination is made as to the magnitude of the number of executions, and if the number is equal to or less than a preset number, the step (N) is performed. If the number exceeds the preset number, the step (O) is performed. The steps to be performed;
(N) a step of initializing the learning conditions and performing steps (B) to (J) again;
(O) When the smallest analysis degree judgment value among all the analysis degree judgment values calculated in the step (J) is smaller than a second predetermined value, the smallest analysis degree judgment value can be obtained. After the neural network in the step (J) is changed to a learned neural network, the step (P) is performed. If the smallest analysis degree determination value is equal to or greater than a second predetermined value, the cement clinker A step of determining that the production conditions cannot be predicted and terminating the prediction;
(P) In the step (J) in which the smallest analysis degree judgment value was obtained among all the analysis degree judgment values calculated in the step (J), the actually measured values and the evaluation data of the monitoring data used as the learning data. A non-correlation test was performed on the combination of the actual measurement values, and when two or more types of monitoring data were determined to be significant at the 5% significance level, it was determined to be significant at the 5% significance level. The measured values of the monitoring data used as the learning data are plotted in a coordinate space having all types of monitoring data as coordinate axes, and all the monitoring data formed by connecting the plotted monitoring data in the coordinate space is included. After setting a region which is formed by connecting monitoring data so that the region becomes the maximum as a predictable monitoring data region, the process (Q) is performed, % If monitoring data is determined to be significant at a significance level of 0 or 1 kind, the step of terminating the prediction is determined that it is not possible to predict the production conditions of the cement clinker,
(Q) When the measured value of the monitoring data in the cement clinker manufacturing operation is included in the predictable monitoring data area set in the step (P), it is determined that the prediction of the cement clinker manufacturing conditions can be performed with high accuracy. Performing the step (K), and when the actual measurement value of the monitoring data in the cement clinker production operation is not included in the predictable monitoring data area, it is determined that the production conditions of the cement clinker cannot be predicted, and the prediction is performed. A step to end;
(R) The measured value of the monitoring data in the cement clinker manufacturing operation is input to the learned input layer of the neural network, and the estimated value of the evaluation data regarding the SO 3 amount in the preheater raw material is calculated from the output layer of the neural network. Outputting and predicting production conditions of cement clinker;
A method for predicting production conditions for cement clinker, comprising:
Based on the estimated value of the evaluation data obtained by artificially varying the value of the monitoring data, to optimize the SO 3 content in the preheater the raw material, according to any one of claims 1 to 4 A method for predicting the production conditions of cement clinker.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016066121A JP6639988B2 (en) | 2016-03-29 | 2016-03-29 | Prediction method of manufacturing conditions of cement clinker |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016066121A JP6639988B2 (en) | 2016-03-29 | 2016-03-29 | Prediction method of manufacturing conditions of cement clinker |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017178651A JP2017178651A (en) | 2017-10-05 |
JP6639988B2 true JP6639988B2 (en) | 2020-02-05 |
Family
ID=60003630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016066121A Active JP6639988B2 (en) | 2016-03-29 | 2016-03-29 | Prediction method of manufacturing conditions of cement clinker |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6639988B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363474A (en) * | 2020-11-09 | 2021-02-12 | 浙江蓝卓工业互联网信息技术有限公司 | Optimization method and device for control parameters in clinker sintering system |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108646638B (en) * | 2018-07-12 | 2020-05-12 | 山东大学 | Configuration method and operation method of controller with flexible logic and controller |
CN109147878B (en) * | 2018-10-08 | 2021-10-15 | 燕山大学 | Soft measurement method for free calcium of cement clinker |
JP7471105B2 (en) * | 2020-02-27 | 2024-04-19 | Ube三菱セメント株式会社 | CEMENT CLINKER MANUFACTURING SUPPORT SYSTEM, CEMENT CLINKER MANUFACTURING SUPPORT METHOD, AND MANUFACTURING SUPPORT PROGRAM |
CN111897302A (en) * | 2020-08-11 | 2020-11-06 | 合肥水泥研究设计院有限公司 | Cement firing control and optimization double-layer cooperative control system based on Internet of things |
CN112100916B (en) * | 2020-09-10 | 2023-07-25 | 北京百度网讯科技有限公司 | Method, device, electronic equipment and medium for constructing reinforcement learning model |
ES2908114B2 (en) * | 2020-10-26 | 2022-12-02 | Univ Sevilla | TOOL TO MANAGE THE EFFICIENT INCORPORATION OF ALTERNATIVE FUELS IN CEMENT PLANTS |
CN118026558A (en) * | 2024-01-25 | 2024-05-14 | 北川中联水泥有限公司 | Cement calcination convection circulation exhaust monitoring management system based on Internet of things |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2847395B2 (en) * | 1989-08-28 | 1999-01-20 | 富士通株式会社 | Learning control device |
JPH05250164A (en) * | 1992-03-04 | 1993-09-28 | Hitachi Ltd | Learning method |
WO2012086754A1 (en) * | 2010-12-24 | 2012-06-28 | 太平洋セメント株式会社 | Cement quality/manufacturing condition measurement method |
KR101993493B1 (en) * | 2012-05-30 | 2019-06-26 | 다이헤이요 세멘토 가부시키가이샤 | Method for predicting quality or manufacturing condition of cement |
-
2016
- 2016-03-29 JP JP2016066121A patent/JP6639988B2/en active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363474A (en) * | 2020-11-09 | 2021-02-12 | 浙江蓝卓工业互联网信息技术有限公司 | Optimization method and device for control parameters in clinker sintering system |
Also Published As
Publication number | Publication date |
---|---|
JP2017178651A (en) | 2017-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6639988B2 (en) | Prediction method of manufacturing conditions of cement clinker | |
KR101993493B1 (en) | Method for predicting quality or manufacturing condition of cement | |
JP6636358B2 (en) | How to predict the quality or manufacturing conditions of fly ash cement | |
JP6794039B2 (en) | Prediction method of concrete compounding conditions | |
JP6674356B2 (en) | Prediction method of concrete quality or concrete mixing condition | |
DE60019152T2 (en) | CONTROL SYSTEM FOR A FUEL OVEN SYSTEM | |
WO2012086754A1 (en) | Cement quality/manufacturing condition measurement method | |
JP2020144132A (en) | Method of predicting quality of ready mixed concrete | |
JP6732380B2 (en) | Method of predicting cement quality or manufacturing conditions | |
JP6354373B2 (en) | Blast furnace slag sorting method and blast furnace cement production method | |
JP6639987B2 (en) | How to predict cement quality or manufacturing conditions | |
JP6644605B2 (en) | Prediction method of manufacturing conditions of cement clinker | |
CN110950557B (en) | Method and system for optimizing cement raw material adjustment amount | |
JP4336591B2 (en) | Cement quality prediction method and cement production management system | |
WO2018061239A1 (en) | Prediction method for cement quality or manufacturing conditions | |
Tsamatsoulis | Prediction of cement strength: analysis and implementation in process quality control | |
JP6201254B2 (en) | Addition amount control device and addition amount control program | |
JP5323290B1 (en) | Methods for predicting cement quality or manufacturing conditions | |
JP6364918B2 (en) | Blast furnace slag sorting method and blast furnace cement production method | |
JP6208403B1 (en) | Methods for predicting cement quality or manufacturing conditions | |
JP2018168021A (en) | Method for predicting quality or manufacturing condition of cement | |
JP2008156231A (en) | Cement composition | |
Sutawijaya et al. | Optimizing the clinker production by using an automation model in raw material feed | |
Julin | Control of the particle size distribution of a cement grinding circuit | |
JP2014186011A (en) | Method for analyzing cement, cement clinker, and cement |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190207 |
|
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: 6639988 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 |