[go: up one dir, main page]

KR102045652B1 - 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치 - Google Patents

인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치 Download PDF

Info

Publication number
KR102045652B1
KR102045652B1 KR1020170180274A KR20170180274A KR102045652B1 KR 102045652 B1 KR102045652 B1 KR 102045652B1 KR 1020170180274 A KR1020170180274 A KR 1020170180274A KR 20170180274 A KR20170180274 A KR 20170180274A KR 102045652 B1 KR102045652 B1 KR 102045652B1
Authority
KR
South Korea
Prior art keywords
winding temperature
heat flux
flux coefficient
temperature
winding
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
Application number
KR1020170180274A
Other languages
English (en)
Other versions
KR20190078394A (ko
Inventor
이진휘
이중형
강현석
김석
최원식
한상근
Original Assignee
주식회사 포스코
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코 filed Critical 주식회사 포스코
Priority to KR1020170180274A priority Critical patent/KR102045652B1/ko
Publication of KR20190078394A publication Critical patent/KR20190078394A/ko
Application granted granted Critical
Publication of KR102045652B1 publication Critical patent/KR102045652B1/ko
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

열연 공정의 런아웃 테이블의 열유속계수를 결정하는 장치가 개시된다. 상기 장치는 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부; 상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부; 상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부; 및 상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부를 포함한다.

Description

인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치{DETERMINATION APPARATUS FOR HEAT FLUX COEFFICIENT OF RUN-OUT TABLE BASED ARTIFICIAL INTELLIGENCE}
본 발명은 열연 공정의 런아웃 테이블의 열유속계수를 결정하는 장치에 관한 것으로, 더욱 상세하게는 인공 신경망을 이용하여 열연 공정에 관련된 다양한 입력 변수에 따른 권취 온도를 학습하여 권취 온도 추정 모델을 생성하고, 추정 모델을 이용하여 실제 공정상의 권취 온도를 추정한 후 목표 권취 온도와의 차이를 기반으로 하여 열유속계수 설정하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 관한 것이다.
열간압연 공정의 런아웃 테이블(ROT: Run Out Table)은 조압연과 마무리 압연으로 두께와 폭이 결정된 강판을 냉각시키는 장치이다. 런아웃 테이블에는 일렬의 노즐이 장착된 헤더를 복수개 갖는 뱅크(bank)가 강판의 상하로 다수 개 구비된다. 런아웃 테이블의 후단에는 강판을 코일 형태로 권취하는 권취기가 마련되며, 귄취기로 진입하기 직전의 강판 온도, 즉 권취 온도가 목표 권취 온도와 일치하도록 강판의 냉각이 제어되어야 한다.
런아웃 테이블의 냉각 제어는 온/오프 되는 헤더의 수가 조정됨으로써 강판에 제공되는 냉각수의 양, 즉 주수량을 조정함으로써 이루어진다. 이러한 각 뱅크별 주수량 결정에는 강판 소재의 열전달 특성을 반영한 열유속계수가 관여하게 된다.
종래에는, 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하였다. 특히, 회귀식을 구성하는 각 변수에 적용되는 계수는 사전에 피냉각 소재의 두께에 따라 테이블 형태로 사전에 저장해 주었다가 각 뱅크별 주수량 설정시 사용하였다.
이러한 종래의 열유속계수 추정 방식은, 특정 두께 범위 내에서 각 변수에 대해 동일한 계수 값을 사용하기 때문에 연속적인 입력값에 대한 대응이 불가하고, 두께 범위의 구분도 동일하지 않도록 구성되어 있어, 특정 두께 범위의 경계에 있는 소재에 대해서는 열유속계수의 계산 오차로 인해 주수량 설정이 제대로 되지 않아 피냉각 소재의 온도를 목표 권취 온도에 일치시키는 것이 어렵다.
또한, 종래의 열유속계수 추정 방식은, 단순 두께 구분에 의해서만 변수별 계수의 값을 정하였기 때문에, 두께 이외의 폭, 속도, 강종, 압연 속도 등 다양한 조건에 대해서 계수를 정해야 하므로 더욱 많은 내용의 테이블이 필요하다. 실제로는 사전에 마련된 테이블만을 이용하여 열유속계수를 계산하게 되므로 정확한 변수의 적용이 어렵고 새로운 항목이 추가되는 경우 각각의 변수에 대한 계수가 재계산되어야 하는 문제가 발생한다.
또한, 종래의 열유속계수 추정 방식은, 가열로, 조압연, 사상압연에서의 조업 조건이나, 소재의 강종 특성에 대해서도 회귀식에 반영이 되어야 수식으로 모델링하기 어렵고 이에 따라 회귀식의 수정이나 업데이트가 어려운 문제가 있다.
대한민국 공개특허공보 제10-2000-0325328호 대한민국 공개특허공보 제10-2009-0069854호 대한민국 공개특허공보 제10-2015-0021777호
이에 본 발명은 인공지능을 구현하는 인공 신경망을 이용하여 다양한 입력 변수에 따른 권취 온도를 기계 학습하여 모델링하고, 실제 공정 상에서 추정 모델을 이용하여 추정된 권취 온도와 목표 권취 온도의 차이를 기반으로 열유속계수를 설정함으로써, 열간 압연 공정에서 목표 권취 온도를 달성할 수 있고 강판의 품질 편차를 해소할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 제공하는 것을 해결하고자 하는 기술적 과제로 한다.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,
열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부;
상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부;
상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부;
상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부
를 포함하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 권취온도와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 세트 내에서 권취온도를 출력값으로 설정하고, 열유속계수를 포함하는 그 나머지 변수를 입력값으로 설정할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 권취온도 추정 모델을 결정할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 사전 설정된 주기 마다 기계 학습을 실행하거나 상기 권취온도 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 권취온도 연산부로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위를 벗어나는 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 보정하여 상기 권취온도 계산부로 제공하는 열유속계수 보정부를 더 포함할 수 있다.
본 발명의 일 실시형태에서, 상기 열유속계수 보정부는, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 큰 경우 상기 열유속계수를 증가시키고, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 작은 경우 상기 열유속계수를 감소시켜 상기 권취온도 계산부로 제공할 수 있다.
본 발명의 일 실시형태에서, 상기 열유속계수 결정부에서 결정된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부 및 상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 상기 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함할 수 있다..
상기 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 인공 신경망 구조를 이용하여 도출된 추정 모델을 이용하여 권취 온도를 추정한 후 추정된 권취 온도와 목표 권취 온도의 차이에 기반하여 열유속계수를 설정하게 하므로, 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.
도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 도시한 블록 구성도이다.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.
도 5는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 제작 과정의 일례를 도시한 흐름도이다.
도 6은 통상적인 열간압연 설비의 런아웃 테이블에서의 권취온도와 열유속계수와의 관계를 도시한 그래프이다.
도 7은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 추정된 권취온도와 실측된 권취온도를 비교한 그래프이다.
이하, 첨부 도면을 참조하여 본 발명의 다양한 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 더욱 상세하게 설명한다.
도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.
예컨대, 도 1에서 도시한 바와 같이, 압연소재인 슬라브(slab)(110)를 가열로(120)에서 압연에 적당한 온도(예를 들어, 1100~1200 ℃)로 가열한다.
이어, 가열된 슬라브를 조 압연기(130)와 마무리 압연기(사상압연기)(140)를 통하여 원하는 두께의 열연 강판(strip)(150)으로 압연을 실시한다.
이어, 강판은 런아웃 테이블(Run Out Table: ROT)(160)을 통과하면서 소정의 온도로 강판을 냉각시켜 요구되는 기계적 성질을 부여한 후, 권취기(170) 즉, 다운 코일러에서 열연코일(150') 형태의 제품으로 생산하여 열간 압연작업을 완료하게 된다.
즉, 가열로(120)에서 가열된 열연 슬라브(110)는 조압연과 마무리 압연으로 두께와 폭이 변화하고 최종적으로 런아웃 테이블(160)에서 냉각된 후 권취기(170)에서 코일형태(150')로 제작된다.
이러한 열간 압연 공정에서, 열연강재의 품질은 런아웃 테이블(160)에서 이루어지는 냉각에 의하여 주로 결정되는데, 런아웃 테이블(160)의 출구 즉 권취기(170)에 유입되기 직전의 강판 온도(권취 온도: Coiling Temperature)를 원하는 목표 온도가 되게 제어하는 방식으로 냉각 제어가 이루어지고 있다.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.
도 2에서 도시한 바와 같이, 마무리 압연을 거친 강판(150)은 런아웃 테이블(160)에서 목표 냉각 온도로 냉각제어가 실시된다.
예를 들어, 런아웃 테이블(160)은 복수(N개)의 뱅크(160a, 160b, ..., 160n)들을 포함하며, 런아웃 테이블(160)의 입측과 중간 및 출측에는 각각 온도측정기(180a, 180b,180c)들이 설치된다.
각 뱅크(160a, 160b, ..., 160n)는 냉각수를 강판으로 배출하는 일렬의 노즐을 갖는 헤더를 가지며 헤더의 온/오프 제어를 통해 냉각수를 분사함으로써 주수량을 제어하고 있다.
이를 위해, 런아웃 테이블(160)에서는 입측, 중간 및 출측 온도 측정기(180a)(180b)(180c)를 통하여 강판의 냉각대 입측온도, 중간온도 및 출측온도를 측정하고, 이를 근거로 피드포워드(feedforward) 또는 피드백(feedbak) 냉각제어를 실시함으로써 권취 온도를 원하는 목표 온도가 되도록 제어한다.
배경 기술에서 설명한 바와 같이, 뱅크의 헤더 제어를 통해 주수량을 결정하는데 있어서, 종래에는 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하고, 추정된 열유속계수에 기반하여 주수량을 결정하였다.
종래의 회귀식을 이용한 열유속계수 추정의 한계를 극복하기 위해 본 발명의 여러 실시형태는 인공 신경망을 기반으로한 기계 학습 기법을 이용하여 권취 온도를 추정하고, 추정된 권취 온도와 목표 권취 온도의 차이에 기반하여 열유속계수를 설정하는 기법을 제공한다.
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 도시한 블록 구성도이다.
도 3에 도시한 바와 같이, 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 권취온도 학습부(10)와, 권취온도 계산부(20)와, 권취온도 비교부(30)와, 열유속계수 결정부(40) 및 열유속계수 보정부(50)를 포함하여 구성될 수 있다.
권취온도 학습부(10)는 인공 신경망 구조를 이용하여 권취온도에 영향을 미치는 다양한 입력 변수와 다양한 입력 변수에 따른 열유속계수와의 관계를 모델링한다.
더욱 구체적으로, 권취온도 학습부(10)는 권취온도와, 열유속계수를 포함하는 다양한 조업데이터를 저장한 데이터베이스에 저장된 데이터를 이용하여 신경망 구조의 권취온도 추정 모델을 생성한다. 이 과정에서 기계 학습 알고리즘이 적용될 수 있다.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.
권취온도 학습부(10)는 도 4에 도시된 것과 같은 권취온도 추정을 위한 인공 신경망 모델을 기계학습을 통해 생성하게 된다. 도 4에 도시된 인공 신경망 모델은 하나의 입력층(input layer)과 복수의 은닉층(hidden layer) 및 하나의 출력층(output layer)를 갖는 전체 연결(fully connected) 구조를 갖는 신경망을 예로 도시한 것이다.
권취온도 학습부(10)는 조업데이터를 활용하여 기계 학습 알고리즘을 수행하여 인공 신경망을 구성하는 은닉층의 최적 가중치를 결정함으로써 권취온도 결정 모델을 완성한다.
여기서 사용되는 인공신경망 구조 또는 학습 알고리즘 등에 따라 다앙한 방식으로 권취온도 추정 모델을 완성할 수 있다. 도 5는 이러한 다양한 권취온도 추정 모델의 제작 과정의 일례를 도시한다.
도 5를 참조하면, 권취온도 학습부(10)는 데이터베이스에 저장된 열간 압연 공정 관련 다양한 변수들을 포함하는 조업 데이터 중 사전 설정된 정상범위를 벗어나는 이상 변수들을 제거한다(S11).
이어, 권취온도 학습부(10)는, 이상 변수가 제거된 조업 데이터 중에서 코일 넘버, 인덱스 등과 같은 권취온도의 결정에 영향을 미치지 못하는 관련 없는 미관련 변수들을 제거한다(S12).
이어, 권취온도 학습부(10)는, 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 10% 미만인 강판(코일), 즉 목표 권취 온도의 적중률이 90% 이상인 강판(코일)에 대한 변수들을 선정한다(S13).
이러한, 과정들(S11-S13)은 권취온도 추정 모델을 학습하기 위한 변수들을 선별하는 과정으로 실제 권취 온도와 목표 권취 온도의 차이가 거의 나지 않는 양호한 제어가 이루어진 경우의 우량 변수들을 선정하는 과정이다.
이어, 권취온도 학습부(10)는 우량 변수들 중 추정하고자 하는 결과값이 되는 권취온도를 출력값(통상, Y값이라고 함)으로 설정한다(S14)
이어, 권취온도 학습부(10)는 각 변수들마다 갖는 값들의 범위가 차이가 나므로 최소최대 스케일링(MinMaxScaling) 기법 등을 이용하여 각 변수들의 범위를 0과 1 사이의 값으로 정규화한다(S15).
이어, 권취온도 학습부(10)는 여러 변수들 중 권취온도에 미치는 영향도가 큰 변수들을 입력변수(통상 X값이라고 함)를 결정할 수 있다. 예를 들어, 입력변수는 소재의 특성(두께, 폭, 성분 정보 등) 및 조업 조건(런아웃 테이블 입구측 온도, 런아웃 테이블 출구측 온도(권취 온도), 목표 권취 온도 등)에 관련된 변수일 수 있다. 특히, 본 발명의 일 실시형태에서 입력변수는 열유속계수를 포함한다.
위의 과정들(S14-S16)은 기계 학습 알고리즘을 적용하기 위한 데이터 세트(set)를 준비하는 과정으로, 각 변수들을 정규화하고 입력 변수와 출력 변수를 결정한다. 이 때, 각 변수들은 하나의 세트를 형성하게 되는데 이는 과정(S13)에서 선정된 강판(코일) 별로 이루어진다. 즉, 하나의 세트는 과정(S13)에서 선정된 코일의 조업 시 측정되거나 사용된 변수들로 이루어질 수 있다.
이어, 권취온도 학습부(10)는 정규화된 입력변수 및 출력변수로 이루어진 데이터 세트를 학습용 데이터 세트, 검증용 데이터 세트, 테스트용 데이터 세트로 구분하고, 검증용 데이터 세트를 이용하여 기계 학습 알고리즘을 수행함으로써 열유속계수 추정 모델을 생성한 후 검증용 데이터 세트 및 테스트용 데이터 세트를 생성된 권취온도 추정 모델에 적용하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 권취온도 추정 모델을 완성한다(S17).
다시, 도 3을 참조하면, 권취온도 계산부(20)는 권취온도 학습부(10)에서 작성된 권취온도 추정 모델을 실제 공정에 적용하는 요소로서, 실측된 입력 변수를 권취온도 추정 모델에 입력하여 현재 런아웃 테이블의 권취온도를 추정한다.
권취온도 계산부(20)는 실제 열간 압연 공정에 권취온도 학습부(10)에서 생성된 열유속계수 추정 모델을 적용하는 요소로서, 현재 진행 중인 공정에서 권취온도 추정 모델의 입력 변수를 실측한 값을 권취온도 추정 모델에 입력하고 이에 따른 권취온도 추정 모델의 결과값, 즉 권취온도 추정값을 도출할 수 있다.
한편, 권취온도 학습부(10)는 사전 설정된 주기로 권취온도 추정 모델의 업데이트를 수행할 수 있다. 또한, 권취온도 학습부(10)는 새로운 입력 변수 추가 또는 기존 입력 변수 삭제 등과 같은 이벤트 발생시 권취온도 추정 모델의 업데이트를 수행할 수 있다.
즉, 도 5에 설명된 것과 같은 과정들을 주기별 또는 입력변수 변경 시 수행하여 인공 신경망 구조의 은닉층에 대한 가중치를 업데이트 하고 이를 권취온도 계산부(20)에도 적용한다.
권취온도 비교부(30)는 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한다.
권취온도 비교부(30)에서 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한 결과, 그 차이가 사전 설정된 범위 이내인 경우에 권취온도 계산부(20)에서 권취온도 추정 모델에 입력변수로서 입력된 열유속계수를 주수량 계산을 위한 열유속계수로 결정한다. 반면, 권취온도 비교부(30)에서 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한 결과 그 차이가 사전 설정된 범위를 벗어나면, 열유속계수 보정부(50)가 권취온도 계산부(20)에서 권취온도 추정 모델에 입력변수로서 적용된 열유속계수의 값을 변경하여 다시 권취온도 계산부(20)의 입력변수로 제공한다. 권취온도 계산부(20)는 열유속계수 보정부(50)에 의해 변경된 열유속계수의 값을 입력변수로 하여 다시 권취온도를 추정한다.
도 6은 권취 온도와 열유속계수와의 관계를 도시한 그래프로서, 도 6에 도시한 바와 같이, 열유속계수의 값이 커질수록 냉각 주수량이 커지므로 권취온도가 하강하는 음의 상관관계로 표현가능하며, 선형 회귀로 추세를 고려하면 약 97.6%도 그래프를 표현할 수 있다. 다시 말하면, 도 6에 나타난 바와 같이, 열유속계수 값이 커질수록 냉각 주수량이 커지게 되고 권취온도는 낮아지게 되므로, 권취온도 추정시 목표 권취온도보다 값이 크다면 열유속계수의 값을 더 크게 조정하여 설정하고, 목표 권취온도보다 값이 작다면 열유속계수의 값을 더 작게 조정하여 설정할 수 있다.
이러한 특징을 고려하여, 열유속계수 보정부(50)는 권취온도 계산부(20)에서 추정된 권취온도가 목표 권취온도보다 일정 범위를 벗어나 높은 경우에는 열유속계수의 값을 이전보다 더 크게 설정하고, 추정된 권취온도가 목표 권취온도보다 일정 범위를 벗어나 낮은 경우에는 열유속계수의 값을 이전보다 더 작게 설정할 수 있다.
열유속계수 결정부(40)에서 결정된 열유속계수 및 런아웃 테이블(160)의 입측 온도센서(180a)에서 실측된 온도가 주수량 계산부(60)에 제공되고, 주수량 계산부(60)는 사전 설정된 연산식 또는 알고리즘을 적용하여 열유속계수 및 런아웃 테이블의 입측 온도에 따른 뱅크별 주수량을 연산한다.
주수량 계산부(60)에서 연산된 주수량 정보는 헤더 제어부(70)로 제공되고 헤더 제어부(70)는 주수량 계산부(60)에서 제공된 주수량을 강판에 제공하도록 헤더의 온/오프 상태를 제어할 수 있다.
도 7은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 추정된 권취온도와 실측된 권취온도를 비교한 그래프이다.
도 7의 가로축은 실측된 권취온도 값이고, 세로축은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 신경망 모델을 통해 추정된 권취온도의 값인데, 직선에 가까울수록 신경망 모델의 정확도가 높다고 볼 수 있다. 도 7에 도시된 산점도의 정확도를 비교하면 약 95.5%의 정확도를 가진다고 볼 수 있고, 목표 권취온도의 +-20도 이내로 예측하는 비율은 95.7%로서 상당히 높은 정확도로 권취온도를 추정하고 있음을 확인할 수 있다.
이와 같이, 본 발명의 여러 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경 되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.
10: 권취온도 학습부
20: 권취온도 계산부
30: 권취온도 비교부
40: 열유속계수 결정부
50: 열유속계수 보정부
60: 주수량 계산부
70: 헤더 제어부

Claims (10)

  1. 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부;
    상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부;
    상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부;
    상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부를 포함하고,
    상기 권취온도 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 권취온도와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정하며,
    상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성하고,
    상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 권취온도 추정 모델을 완성하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 권취온도 학습부는, 상기 세트 내에서 권취온도를 출력값으로 설정하고, 열유속계수를 포함하는 그 나머지 변수를 입력값으로 설정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  5. 삭제
  6. 제1항에 있어서,
    상기 권취온도 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 권취온도 추정 모델을 결정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  7. 제6항에 있어서,
    상기 권취온도 학습부는, 사전 설정된 주기 마다 기계 학습을 실행하거나 상기 권취온도 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 권취온도 계산부로 제공하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  8. 제1항에 있어서,
    상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위를 벗어나는 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 보정하여 상기 권취온도 계산부로 제공하는 열유속계수 보정부를 더 포함하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  9. 청구항 8에 있어서,
    상기 열유속계수 보정부는, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 큰 경우 상기 열유속계수를 증가시키고, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 작은 경우 상기 열유속계수를 감소시켜 상기 권취온도 계산부로 제공하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
  10. 제1항에 있어서,
    상기 열유속계수 결정부에서 결정된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부; 및
    상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
KR1020170180274A 2017-12-26 2017-12-26 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치 Active KR102045652B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170180274A KR102045652B1 (ko) 2017-12-26 2017-12-26 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170180274A KR102045652B1 (ko) 2017-12-26 2017-12-26 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치

Publications (2)

Publication Number Publication Date
KR20190078394A KR20190078394A (ko) 2019-07-04
KR102045652B1 true KR102045652B1 (ko) 2019-11-15

Family

ID=67259107

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170180274A Active KR102045652B1 (ko) 2017-12-26 2017-12-26 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치

Country Status (1)

Country Link
KR (1) KR102045652B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569566B (zh) * 2019-08-19 2021-04-02 北京科技大学 一种板带力学性能预测方法
JP7387552B2 (ja) * 2019-08-20 2023-11-28 株式会社神戸製鋼所 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013000765A (ja) * 2011-06-15 2013-01-07 Kobe Steel Ltd 鋼板の温度予測方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100325328B1 (ko) 1997-12-27 2002-05-09 이구택 선재의 형상 측정방법
KR20020052723A (ko) * 2000-12-26 2002-07-04 이구택 상변태를 고려한 학습을 통한 열연판의 권취온도 제어방법
KR100568358B1 (ko) * 2001-12-22 2006-04-05 주식회사 포스코 권취목표온도 변경을 통한 열연강판의 냉각제어방법
KR100920640B1 (ko) 2007-12-26 2009-10-08 주식회사 포스코 선재 코일 권취 형상 측정 장치
KR101119006B1 (ko) * 2009-07-31 2012-03-09 주식회사 포스코 열연강판의 냉각온도 제어방법
KR20150021777A (ko) 2013-08-21 2015-03-03 주식회사 포스코 선재 형상 측정 및 표면 상태 검출 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013000765A (ja) * 2011-06-15 2013-01-07 Kobe Steel Ltd 鋼板の温度予測方法

Also Published As

Publication number Publication date
KR20190078394A (ko) 2019-07-04

Similar Documents

Publication Publication Date Title
KR101889668B1 (ko) 압연 시뮬레이션 장치
JP4752764B2 (ja) 圧延、鍛造又は矯正ラインの材質制御方法及びその装置
CN100402675C (zh) 控制和/或调整用于轧制金属带的热轧带材机列的冷却段的方法和相关的设备
CN101522325B (zh) 在用于加工热轧板材或热轧带材的厚板轧机的控制的范围内对热轧板材或热轧带材的物理状态进行跟踪的方法
JP5647917B2 (ja) 制御装置及び制御方法
WO2009011070A1 (ja) 冷却制御方法、冷却制御装置及び冷却水量計算装置
JP2021536063A (ja) 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備
KR102045652B1 (ko) 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치
JP7180796B2 (ja) 物理モデル同定システム
JP2023005968A (ja) 熱延板の温度予測モデルの生成方法、熱延板の温度制御方法および製造方法
JP7135962B2 (ja) 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法
JP2012011448A (ja) 圧延材の冷却制御方法、及びこの冷却制御方法が適用された連続圧延機
JP2010137278A (ja) 巻取り温度制御装置およびその制御方法
KR102045651B1 (ko) 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치
KR100643373B1 (ko) 열간압연 후물재 길이방향 온도 제어방법
JP2016209897A (ja) 厚鋼板の冷却制御方法、冷却制御装置、製造方法、および、製造装置
JP2007301603A (ja) 圧延材の巻き取り温度制御方法及び圧延装置
JP2016209911A (ja) 熱伝達率モデルを構成するパラメータの推定方法
KR101050792B1 (ko) 동적 재설정을 이용한 냉각제어방법
JP3520868B2 (ja) 鋼板の製造方法
KR101223808B1 (ko) 열연강판 냉각공정의 냉각수 유량설정방법
JP2007283346A (ja) 圧延材の冷却制御方法及び圧延装置
JP7647638B2 (ja) 鋼板のフェライト変態温度の算出方法、冷却制御方法、及び製造方法
TWI888063B (zh) 鋼帶的板溫預測方法、鋼帶的板溫控制方法、鋼帶的製造方法及鋼帶的板溫預測模型的生成方法
TW202440245A (zh) 鋼帶的板溫預測方法、鋼帶的板溫控制方法、鋼帶的製造方法及鋼帶的板溫預測模型的生成方法

Legal Events

Date Code Title Description
A201 Request for examination
PA0109 Patent application

Patent event code: PA01091R01D

Comment text: Patent Application

Patent event date: 20171226

PA0201 Request for examination
E902 Notification of reason for refusal
PE0902 Notice of grounds for rejection

Comment text: Notification of reason for refusal

Patent event date: 20190527

Patent event code: PE09021S01D

PG1501 Laying open of application
E701 Decision to grant or registration of patent right
PE0701 Decision of registration

Patent event code: PE07011S01D

Comment text: Decision to Grant Registration

Patent event date: 20191014

GRNT Written decision to grant
PR0701 Registration of establishment

Comment text: Registration of Establishment

Patent event date: 20191111

Patent event code: PR07011E01D

PR1002 Payment of registration fee

Payment date: 20191111

End annual number: 3

Start annual number: 1

PG1601 Publication of registration
PR1001 Payment of annual fee

Payment date: 20221110

Start annual number: 4

End annual number: 4