KR20190077739A - Method and apparatus for controlling rolling mill - Google Patents

Method and apparatus for controlling rolling mill Download PDF

Info

Publication number
KR20190077739A
KR20190077739A KR1020170179173A KR20170179173A KR20190077739A KR 20190077739 A KR20190077739 A KR 20190077739A KR 1020170179173 A KR1020170179173 A KR 1020170179173A KR 20170179173 A KR20170179173 A KR 20170179173A KR 20190077739 A KR20190077739 A KR 20190077739A
Authority
KR
South Korea
Prior art keywords
medium wave
neural network
sample
artificial neural
data
Prior art date
Application number
KR1020170179173A
Other languages
Korean (ko)
Inventor
권혁철
안태규
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 KR1020170179173A priority Critical patent/KR20190077739A/en
Publication of KR20190077739A publication Critical patent/KR20190077739A/en

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/007—Control for preventing or reducing vibration, chatter or chatter marks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B38/00—Methods or devices for measuring, detecting or monitoring specially adapted for metal-rolling mills, e.g. position detection, inspection of the product
    • B21B38/008—Monitoring or detecting vibration, chatter or chatter marks

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Metal Rolling (AREA)

Abstract

According to an embodiment of the present invention, a method for controlling a rolling mill comprises the following steps of: generating raw data of a frequency domain by receiving a sound generated from a rolling mill by using an acoustic sensor; generating detection data by filtering the raw data in a predetermined frequency band; and determining at least one between generation of medium electric waves from the rolling mill and strength of the medium electric waves by inputting a plurality of input parameters obtained from the detection data to a predetermined artificial neural network.

Description

압연기 제어 방법 및 장치{METHOD AND APPARATUS FOR CONTROLLING ROLLING MILL}[0001] METHOD AND APPARATUS FOR CONTROLLING ROLLING MILL [0002]

본 발명은 압연기 제어 방법 및 장치에 관한 것이다.The present invention relates to a mill control method and apparatus.

열간 마무리 압연 공정에서는 중파 및 양파가 발생할 수 있다. 중파 및 양파가 검출되면 압연기의 벤더력을 조절하여 중파 및 양파 발생을 억제해야 하는데, 일반적인 중파 및 양파 검출 기술은 대부분 시각적인 방법을 이용한다. 시각적인 중파 및 양파 검출 기술에서는 카메라 또는 레이저 등을 이용하여 획득한 영상을 분석하여 중파 및 양파를 검출하는데, 시각적으로 검출이 용이한 양파에 비해, 중파는 검출이 쉽지 않은 문제가 있다. In the hot finish rolling process, medium and onion may occur. If the medium and onion are detected, the bender force of the rolling mill should be controlled to suppress the generation of medium and onion. Typical medium wave and onion detection technologies use mostly visual methods. In the visual medium wave and onion detection technology, medium and onion are detected by analyzing images obtained by using a camera or a laser, and medium waves are not easily detected as compared with onions that are easily detected visually.

뿐만 아니라, 중파는 양파에 비해 상대적으로 더 빠르게 성장하는 특성이 있으므로, 조기에 감지하여 작업자가 개입해야 할 필요가 있다. 따라서 카메라 또는 레이저 등을 이용하는 시각적인 방법 외에, 작업자가 중파 발생시 생성되는 소리를 감지하여 중파를 검출하는 방법 역시 제안된 바 있으나, 이는 작업자의 숙련도 및 컨디션 등에 따라 검출 정확도가 좌우되는 문제가 있다.In addition, since medium waves have a characteristic that they grow relatively faster than onions, they need to be detected early and intervened by the operator. Accordingly, there has been proposed a method of detecting a medium wave by detecting a sound generated when a medium wave is generated in addition to a visual method using a camera or a laser. However, the detection accuracy depends on the skill and condition of the operator.

국제 공개특허공보 WO 2000/072989호International Patent Publication No. WO 2000/072989

본 발명의 일 실시예에 따르면, 압연기에서 중파가 나타날 때 발생하는 소리를 이용하여 중파를 빠르고 정확하게 검출할 수 있는 압연기 제어 방법 및 장치를 제안한다.According to an embodiment of the present invention, a mill control method and apparatus capable of quickly and accurately detecting a medium wave using a sound generated when a medium wave appears in a rolling mill is proposed.

본 발명의 일 실시예에 따른 압연기 제어 방법은, 음향 센서를 이용하여, 압연기에서 발생하는 소리를 수신하여 주파수 도메인의 로우(RAW) 데이터를 생성하는 단계, 상기 로우 데이터를 소정의 주파수 대역에서 필터링하여 검출 데이터를 생성하는 단계, 및 상기 검출 데이터로부터 획득한 복수의 입력 파라미터들을 소정의 인공 신경망(Artificial Neural Network)에 입력하여 상기 압연기에서 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단하는 단계를 포함한다.A rolling mill control method according to an embodiment of the present invention includes the steps of generating sound data in a frequency domain by receiving sounds generated in a rolling mill using an acoustic sensor, filtering the raw data in a predetermined frequency band, And inputting a plurality of input parameters obtained from the detection data to a predetermined artificial neural network to judge whether at least one of a medium wave is generated in the mill and an intensity of the medium wave, .

본 발명의 일 실시예에 따르면, 상기 음향 센서가 생성한 로우 데이터를 증폭하는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, the method may further include the step of amplifying the raw data generated by the acoustic sensor.

본 발명의 일 실시예에 따르면, 밴드 패스 필터를 이용하여 상기 로우 데이터에서 제1 기준 주파수보다 낮은 성분 및 상기 제1 기준 주파수보다 큰 제2 주파수보다 큰 성분을 제거하여 상기 검출 데이터를 생성할 수 있다.According to an embodiment of the present invention, the detection data can be generated by removing a component lower than a first reference frequency and a component larger than a second frequency higher than the first reference frequency in the row data using a band pass filter have.

본 발명의 일 실시예에 따르면, 상기 인공 신경망의 출력값은 상기 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나에 대응할 수 있다.According to an embodiment of the present invention, the output value of the artificial neural network may correspond to at least one of whether the medium wave is generated and the intensity of the medium wave.

본 발명의 일 실시예에 따르면, 상기 중파의 강도가 소정의 기준 강도보다 크면 경고 알람을 출력하는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, the method may further include outputting a warning alarm if the intensity of the medium wave is greater than a predetermined reference intensity.

본 발명의 일 실시예에 따르면, 상기 중파의 강도가 소정의 기준 강도보다 작으면, 상기 압연기의 벤더력을 조절하는 제어 커맨드를 생성하여 상기 압연기를 제어하는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, when the intensity of the medium wave is less than a predetermined reference intensity, the control command may be generated to control the bender force of the mill to control the mill.

본 발명의 일 실시예에 따르면, 상기 입력 파라미터들은, 상기 검출 데이터의 주파수 대역, 상기 검출 데이터의 최대 값, 최소 값, 평균 값, 중간 값, 및 제곱 평균 제곱근 값 중 적어도 둘 이상을 포함할 수 있다.According to one embodiment of the present invention, the input parameters may include at least two of a frequency band of the detection data, a maximum value, a minimum value, an average value, an intermediate value, and a root mean square value of the detection data have.

본 발명의 일 실시예에 따르면, 상기 압연기가 복수의 샘플 소재들에 대한 압연을 진행하는 동안 상기 음향 센서를 이용하여 복수의 샘플 데이터들을 수집하는 단계, 상기 복수의 샘플 데이터들 각각으로부터 추출한 샘플 파라미터들을 상기 인공 신경망에 입력하여 획득한 출력값이, 상기 복수의 샘플 소재들 각각에서 실제로 나타난 샘플 중파와 매칭되도록 상기 인공 신경망을 학습시키는 단계, 및 학습 완료된 상기 인공 신경망을 저장하는 단계를 더 포함할 수 있다.According to an embodiment of the present invention, there is provided a method of manufacturing a rolling mill, comprising the steps of: collecting a plurality of sample data using the acoustic sensor while rolling the rolling mill for a plurality of sample materials; Learning the artificial neural network so that an output value obtained by inputting the artificial neural network into the artificial neural network is matched with a middle class sample actually appearing in each of the plurality of sample materials, have.

본 발명의 일 실시예에 따르면, 상기 샘플 파라미터들은, 상기 샘플 데이터의 주파수 대역, 상기 검출 데이터의 최대 값, 최소 값, 평균 값, 중간 값, 및 제곱 평균 제곱근 값 중 적어도 둘 이상을 포함할 수 있다.According to one embodiment of the present invention, the sample parameters may include at least two of a frequency band of the sample data, a maximum value, a minimum value, an average value, an intermediate value, and a root mean square value of the detection data have.

본 발명의 일 실시예에 따르면, 상기 입력 파라미터들은 상기 샘플 파라미터들과 같은 항목들을 포함하며, 상기 샘플 파라미터들과 같은 순서로 정렬되어 상기 인공 신경망에 입력될 수 있다.According to an embodiment of the present invention, the input parameters include items such as the sample parameters, and they may be arranged in the same order as the sample parameters and input to the artificial neural network.

본 발명의 일 실시예에 따른 압연기 제어 장치는, 압연기에서 발생하는 소리를 수신하여 주파수 도메인의 로우(RAW) 데이터를 생성하는 음향 센서, 상기 로우 데이터를 소정의 주파수 대역에서 필터링하여 검출 데이터를 생성하는 필터, 및 상기 검출 데이터로부터 획득한 복수의 입력 파라미터들을 인공 신경망에 입력하여 상기 압연기에서 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단하는 컨트롤러를 포함한다.A rolling mill controller according to an embodiment of the present invention includes an acoustic sensor for receiving sound generated in a rolling mill and generating raw data in the frequency domain, filtering the raw data in a predetermined frequency band, And a controller for inputting a plurality of input parameters obtained from the detection data to an artificial neural network to determine whether at least one of a medium wave is generated in the mill and an intensity of the medium wave.

본 발명의 일 실시예에 따르면, 상기 음향 센서는, 상기 압연기가 복수의 샘플 소재들에 대한 압연을 진행하는 동안 상기 음향 센서를 이용하여 복수의 샘플 데이터들을 수집할 수 있다.According to one embodiment of the present invention, the acoustic sensor may collect a plurality of sample data using the acoustic sensor while the rolling mill is rolling on a plurality of sample materials.

본 발명의 일 실시예에 따르면, 상기 인공 신경망은, 상기 복수의 샘플 데이터들 각각으로부터 획득한 복수의 샘플 파라미터들을 입력받아 출력값을 생성하며, 상기 출력값이 상기 복수의 샘플 소재들 각각에서 실제로 나타난 샘플 중파와 매칭되도록 학습되며, 상기 컨트롤러는, 상기 복수의 입력 파라미터들을 학습된 상기 인공 신경망에 입력하여 획득한 출력값을 이용하여 상기 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단할 수 있다.According to an embodiment of the present invention, the artificial neural network receives a plurality of sample parameters obtained from each of the plurality of sample data to generate an output value, and the output value is a sample And the controller can determine at least one of whether the medium wave is generated and the intensity of the medium wave by using the output value obtained by inputting the plurality of input parameters into the learned artificial neural network .

본 발명의 일 실시예에 따르면, 상기 컨트롤러는, 상기 중파의 강도가 소정의 기준 강도보다 크면 경고 알람을 출력하는 커맨드를 생성하고, 상기 중파의 강도가 상기 기준 강도보다 작으면 상기 압연기의 벤더력을 조절할 수 있다.According to an embodiment of the present invention, the controller generates a command to output a warning alarm if the intensity of the medium wave is greater than a predetermined reference intensity, and if the intensity of the medium wave is smaller than the reference intensity, Can be adjusted.

본 발명의 기술적 사상에 따른 압연기 제어 방법 및 장치에서는, 압연기 동작 시 발생하는 소리를 이용하여 검출 데이터를 생성하고, 중파가 나타날 때 발생하는 소리를 인지할 수 있도록 학습된 인공 신경망에 검출 데이터가 입력될 수 있다. 따라서, 인공 신경망의 출력값에 따라 압연기에서 중파가 발생하는지 여부를 판단할 수 있으므로, 중파 발생 여부를 빠르고 정확하게 판단하여 압연기의 벤더력을 조절하고 소재를 정확하게 압연할 수 있다. In the rolling mill control method and apparatus according to the technical idea of the present invention, detection data is generated by using sound generated during the rolling mill operation, and detected data is input to the learned artificial neural network so that sound, . Accordingly, it is possible to determine whether the medium wave is generated in the rolling mill according to the output value of the artificial neural network, so that it is possible to quickly and accurately determine whether the medium wave is generated, thereby adjusting the bender power of the rolling mill and accurately rolling the material.

본 발명의 다양하면서도 유익한 장점과 효과는 상술한 내용에 한정되지 않으며, 본 발명의 구체적인 실시 형태를 설명하는 과정에서 보다 쉽게 이해될 수 있을 것이다.The various and advantageous advantages and effects of the present invention are not limited to the above description, and can be more easily understood in the course of describing a specific embodiment of the present invention.

도 1 내지 도 3은 본 발명의 일 실시예에 따른 압연기의 동작을 설명하기 위해 제공되는 도면들이다.
도 4는 본 발명의 일 실시예에 따른 압연기 제어 장치를 간단하게 나타낸 블록도이다.
도 5 및 도 6은 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 흐름도들이다.
도 7 및 도 8은 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 도면들이다.
도 9는 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 그래프들이다.1 to 3 are views for explaining the operation of a rolling mill according to an embodiment of the present invention.
4 is a block diagram briefly showing a rolling mill control apparatus according to an embodiment of the present invention.
5 and 6 are flowcharts provided to explain a mill control method according to an embodiment of the present invention.
FIGS. 7 and 8 are views for explaining a rolling mill control method according to an embodiment of the present invention.
FIG. 9 is a graph for explaining a rolling mill control method according to an embodiment of the present invention.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 다음과 같이 설명한다.Hereinafter, preferred embodiments of the present invention will be described with reference to the accompanying drawings.

본 발명의 실시 형태는 여러 가지 다른 형태로 변형되거나 여러 가지 실시 형태가 조합될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다. 또한, 본 발명의 실시 형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면 상의 동일한 부호로 표시되는 요소는 동일한 요소일 수 있다.The embodiments of the present invention may be modified into various other forms or various embodiments may be combined, and the scope of the present invention is not limited to the embodiments described below. Further, the embodiments of the present invention are provided to more fully explain the present invention to those skilled in the art. Accordingly, the shapes and sizes of the elements in the drawings may be exaggerated for clarity of description, and the elements denoted by the same reference numerals in the drawings may be the same element.

도 1 내지 도 3은 본 발명의 일 실시예에 따른 압연기의 동작을 설명하기 위해 제공되는 도면들이다.1 to 3 are views for explaining the operation of a rolling mill according to an embodiment of the present invention.

먼저 도 1을 참조하면 본 발명의 일 실시예에 따른 공정 장비(10)를 간단하게 나타낸 도면이다. 도 1에 도시한 일 실시예에서 공정 장비(10)는 가공 대상 소재인 스트립(20)의 폭과 두께를 조절하고 용접으로 연결한 후 권취하여 선재, 코일 등을 제조할 수 있다. 공정 장비(10)는 재가열기(11), 폭압연기(12), 조압연기(13), 제1 권취기(14), 용접기(15), 마무리 압연기(16), 냉각기(17), 제2 권취기(18) 등을 포함할 수 있다.Referring first to FIG. 1, there is shown a simplified diagram of a process equipment 10 according to an embodiment of the present invention. In the embodiment shown in FIG. 1, the process equipment 10 may be manufactured by adjusting the width and thickness of the strip 20, which is the material to be processed, and connecting them by welding, and then winding the wire, coil or the like. The process equipment 10 includes a reheater 11, a booster 12, a roughing mill 13, a first winder 14, a welder 15, a finisher 16, a cooler 17, A winder 18 and the like.

가공 대상인 스트립(20)은 재가열기(11)에 의해 재가열되며, 폭압연기(12)에 의해 그 폭이 조절될 수 있다. 조압연기(13)는 스트립(20)의 두께를 조절하며 제1 권취기(14)는 조압연기(13)를 통과한 스트립(20)을 1차 권취할 수 있다. 용접기(15)는 제1 권취기(14)가 내보내는 스트립(20)을 용접으로 연결할 수 있으며, 마무리 압연기(16)는 용접기(15)가 연결한 스트립(20)의 두께를 최종 조절할 수 있다. 마무리 압연기(16)가 내보내는 스트립(20)은 냉각기(17)에 의해 냉각되며, 제2 권취기(18)에 의해 최종 권취될 수 있다. The strip 20 to be processed is reheated by the reheater 11 and its width can be adjusted by the explosion smoke 12. The rough rolling mill 13 adjusts the thickness of the strip 20 and the first winder 14 can first wind the strip 20 passing through the roughing mill 13. The welder 15 may weld the strip 20 exiting the first winder 14 and the finishing mill 16 may ultimately control the thickness of the strip 20 to which the welder 15 is connected. The strip 20 exiting the finishing mill 16 is cooled by the cooler 17 and can be finally wound by the second winder 18.

상기 공정 프로세스에서 마무리 압연기(16)는 고속으로 진행될 수 있다. 마무리 압연기(16)의 공정 도중에 폭 방향으로 소재의 늘어나는 양이 달라지면 스트립(20)의 폭 방향 양 쪽 끝에서 굴곡진 형상이 형성되는 양파(edge wave), 또는 스트립(20)의 폭 방향 중앙에서 굴곡진 형상이 형성되는 중파(center wave)가 나타날 수 있다.In this process, the finishing mill 16 can proceed at a high speed. If the amount of elongation of the material changes in the width direction during the course of the finishing mill 16, an edge wave having a curved shape at both ends in the width direction of the strip 20, or an edge wave formed at the widthwise center of the strip 20 A center wave in which a curved shape is formed may appear.

도 2를 참조하면 압연기(30)에서 나타날 수 있는 양파 및 중파가 도시되어 있다. 먼저 도 2(a)를 참조하면, 압연 대상 소재(40)의 폭 방향의 양단에서 굴곡부(41)가 형성되는 양파가 나타날 수 있다. 한편, 도 2(b)를 참조하면, 중파가 나타날 경우 압연 대상 소재(50)의 폭 방향의 중간에서 굴곡부(51)가 형성될 수 있다. 양파와 중파는 압연기(30)의 상부 롤(31)과 하부 롤(32)에 가해지는 벤더력을 적절히 조절하지 못할 경우에 발생할 수 있다.Referring to FIG. 2, onions and medium waves that may appear in the mill 30 are shown. First, referring to FIG. 2 (a), an onion in which the bent portion 41 is formed at both ends in the width direction of the material to be rolled 40 may appear. On the other hand, referring to FIG. 2 (b), when a medium wave appears, the bent portion 51 may be formed in the middle of the width direction of the workpiece 50 to be rolled. The onion wave and the medium wave can occur when the bender force applied to the upper roll 31 and the lower roll 32 of the rolling mill 30 can not be properly adjusted.

도 3(a)을 참조하면, 압연기(60)는 상부 롤(61)과 하부 롤(62)을 포함하며, 진행 방향을 따라 압연 대상 소재(70)의 두께를 가공할 수 있다. 도 3(a)에 도시한 일 실시예에서 압연기(60)를 통과하면서 압연 대상 소재(70)의 두께가 감소할 수 있다. 도 3(b) 및 도 3(c)를 참조하면, 제1 벤더력(FB1)은 제2 벤더력(FB2)보다 작은 값을 가질 수 있다. 따라서, 압연기(60)의 벤더력이 일정하게 제어되지 않고 제1 벤더력(FB1)과 제2 벤더력(FB2) 사이에서 증감을 반복할 경우, 압연 대상 소재(70)에서 양파가 발생할 수 있다. 유사하게, 압연기(60)의 벤더력을 적절하게 제어하지 못할 경우 압연 대상 소재(70)에서 중파가 발생할 수도 있다.3 (a), the rolling mill 60 includes an upper roll 61 and a lower roll 62, and is capable of processing the thickness of the material to be rolled 70 along the traveling direction. In the embodiment shown in Fig. 3 (a), the thickness of the rolled material 70 may decrease while passing through the rolling mill 60. Referring to Figures 3 (b) and 3 (c), the first bender force F B1 may have a smaller value than the second bender force F B2 . Therefore, when the bending force of the rolling mill 60 is not constantly controlled and the increase and decrease are repeated between the first bending force F B1 and the second bending force F B2 , . Similarly, if the bender force of the rolling mill 60 can not be properly controlled, a medium wave may be generated in the material 70 to be rolled.

양파는 눈에 잘 보여서 시각적인 검출 방법 또는 작업자의 육안으로 쉽게 관찰되는 반면, 중파는 양파에 비해 시각적으로 잘 확인이 되지 않을 수 있다. 따라서, 작업자가 직접 양파와 중파 등의 불량을 검출할 때 작업자는 청력에 의존하여 중파를 검출할 수 있다. 그러나 단순히 압연기(60)에서 발생하는 소리만으로 중파가 나타났는지 여부를 판단하기 위해서는 작업자의 높은 숙련도가 요구되며, 높은 숙련도의 작업자라 해도 당일의 신체 컨디션에 따라서 중파 검출의 정확도가 낮아질 수 있다. The onion is easy to see because it is easily visible by the visual detection method or by the operator's eye, while the medium wave may not be visually confirmed compared with the onion. Therefore, when the worker directly detects defects such as onion and medium wave, the operator can detect the medium wave depending on hearing. However, in order to judge whether or not the medium wave only appears by the sound generated from the rolling mill 60, a high level of skill of the operator is required, and the accuracy of the medium wave detection may be lowered according to the body condition of the day even if the operator is highly skilled.

본 발명의 일 실시예에서는 상기와 같은 문제를 해결하기 위해, 중파가 나타날 때 발생하는 소리를 이용하여 중파를 검출할 수 있는 방법을 제안한다. 본 발명의 일 실시예에서는, 음향 센서 등을 이용하여 압연기 동작 시에 발생하는 소리로부터 검출 데이터를 생성하고, 검출 데이터를 중파 검출을 위해 학습이 완료된 인공 신경망에 입력하여 중파가 나타나는지 여부를 판단할 수 있다.In an embodiment of the present invention, to solve the above problem, a method of detecting a medium wave using a sound generated when a medium wave appears is proposed. In an embodiment of the present invention, detection data is generated from sound generated during operation of the rolling mill using an acoustic sensor or the like, and the detection data is input to the learned neural network for medium wave detection to determine whether a medium wave appears .

도 4는 본 발명의 일 실시예에 따른 압연기 제어 장치를 간단하게 나타낸 블록도이다.4 is a block diagram briefly showing a rolling mill control apparatus according to an embodiment of the present invention.

도 4를 참조하면, 본 발명의 일 실시예에 따른 압연기 제어 장치(100)는, 음향 센서(110), 필터(120), 컨트롤러(130), 및 데이터베이스(140) 등을 포함할 수 있다. 음향 센서(110)는 압연기(200)에서 압연 공정을 진행하는 동안 발생하는 소리를 감지하여 로우(RAW) 데이터를 생성할 수 있다. 일례로 로우 데이터는 압연기(200)에서 발생하는 소리의 강도를 주파수 도메인에서 정의한 데이터를 포함할 수 있다.4, the rolling mill control apparatus 100 according to an embodiment of the present invention may include an acoustic sensor 110, a filter 120, a controller 130, a database 140, and the like. The acoustic sensor 110 may generate raw data by sensing sound generated during the rolling process in the rolling mill 200. For example, the raw data may include data defining the intensity of sound generated in the rolling mill 200 in the frequency domain.

필터(120)는 로우 데이터에서 소정의 주파수 대역을 필터링하여 검출 데이터를 생성하고, 검출 데이터를 컨트롤러(130)에 전달할 수 있다. 일례로 필터(120)는 로우 데이터 중에서 특정 주파수 대역의 성분만을 선택적으로 통과시키는 밴드 패스 필터(Band Pass Filter)를 포함할 수 있다. 압연기(200)에 포함되는 압연 롤들의 회전 운동에 의해 발생하는 소리는 로우 데이터의 저주파수 대역에 포함될 수 있고, 압연기(200)의 진동에 의해 발생하는 소리는 로우 데이터의 고주파수 대역에 포함될 수 있다. 필터(120)는 로우 데이터의 저주파수 대역 및 고주파수 대역을 제거하고 중간 주파수 대역만을 선택하여 검출 데이터를 생성할 수 있다.The filter 120 may filter the predetermined frequency band from the raw data to generate detection data, and may transmit the detection data to the controller 130. For example, the filter 120 may include a band pass filter that selectively passes only a component of a specific frequency band among the row data. The sound generated by the rolling motion of the rolling rolls included in the rolling mill 200 may be included in the low frequency band of the row data and the sound generated by the vibration of the rolling mill 200 may be included in the high frequency band of the row data. The filter 120 may remove the low frequency band and the high frequency band of the row data and select only the intermediate frequency band to generate detection data.

컨트롤러(130)는 검출 데이터를 이용하여 압연기(200)에서 중파가 발생하는지 여부를 판단할 수 있다. 일 실시예에서 컨트롤러(130)는, 중파를 검출할 수 있도록 학습이 완료된 인공 신경망(141)을 데이터베이스(140)에 인출하여 이용할 수 있다. The controller 130 can use the detection data to determine whether a medium wave is generated in the rolling mill 200. [ In one embodiment, the controller 130 may draw out the learned neural network 141 to the database 140 so as to be able to detect a medium wave.

일 실시예에서 인공 신경망(141)은 복수의 입력 노드들과 복수의 히든 노드들, 적어도 하나의 출력 노드를 포함할 수 있다. 컨트롤러(130)는 검출 데이터로부터 일정한 룰에 따라 복수의 입력 파라미터들을 추출하고 이를 복수의 입력 노드들에 입력할 수 있다. 인공 신경망(141)은 복수의 히든 노드들에 부여된 소정의 연산 규칙에 의해 복수의 입력 파라미터들을 이용한 연산을 수행함으로써 출력값을 생성할 수 있다. 입력 파라미터들을 추출하는 상기 룰과, 복수의 히든 노드들에 부여된 상기 연산 규칙은 인공 신경망(141)을 학습하는 과정에서 정의될 수 있다. 컨트롤러(130)는 인공 신경망(141)의 출력값을 이용하여 압연기(200)에서 중파가 발생하는지 여부 또는 중파의 강도 등을 판단할 수 있다.In one embodiment, the artificial neural network 141 may include a plurality of input nodes and a plurality of hidden nodes, at least one output node. The controller 130 extracts a plurality of input parameters from the detected data according to a predetermined rule and inputs the extracted input parameters to a plurality of input nodes. The artificial neural network 141 can generate an output value by performing an operation using a plurality of input parameters according to a predetermined operation rule given to a plurality of hidden nodes. The rules for extracting the input parameters and the calculation rules given to the plurality of hidden nodes can be defined in the course of learning the artificial neural network 141. [ The controller 130 can use the output value of the artificial neural network 141 to determine whether the medium wave is generated in the rolling mill 200 or the intensity of the medium wave.

컨트롤러(130)는 중파가 발생한 것으로 판단되면, 소정의 제어 커맨드를 생성하여 압연기(200)에 전달할 수 있다. 일례로 상기 제어 커맨드에 의해 압연기(200)의 벤더력이 조절될 수 있다. 일 실시예에서 컨트롤러(130)는, 중파가 발생한 경우 또는 중파의 강도가 미리 설정된 기준 강도보다 크다고 판단된 경우에, 경고 알람을 출력하여 작업자에게 중파 발생 사실을 알릴 수 있다. If it is determined that a medium wave has occurred, the controller 130 may generate a predetermined control command and transmit it to the rolling mill 200. For example, the bender force of the rolling mill 200 can be adjusted by the control command. In one embodiment, the controller 130 may output a warning alarm to notify the operator of the occurrence of the medium wave when the medium wave is generated or when the intensity of the medium wave is determined to be greater than the predetermined reference intensity.

본 발명의 일 실시예에서는 검출 데이터를 이용하여 중파 발생 여부를 판단할 수 있도록 학습된 인공 신경망을 이용하여 압연기(200)에서 중파가 발생하는지 여부를 자동으로 판단할 수 있다. 따라서 작업자가 직접 시각적 또는 청각적으로 중파 발생 여부를 판단하지 않아도 되기 때문에, 중파를 좀 더 빠르고 정확하게 검출할 수 있다. In an embodiment of the present invention, it is possible to automatically determine whether a medium wave is generated in the rolling mill 200 by using the learned artificial neural network so as to determine whether a medium wave is generated using detection data. Therefore, since the operator does not need to judge whether the medium wave is generated visually or audibly, the medium wave can be detected more quickly and accurately.

도 5 및 도 6은 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 흐름도들이다.5 and 6 are flowcharts provided to explain a mill control method according to an embodiment of the present invention.

먼저 도 5는 중파 발생 여부를 판단할 수 있도록 인공 신경망을 학습하는 방법을 설명하기 위해 제공되는 흐름도이다. 도 5를 참조하여 설명하는 방법은, 본 발명의 일 실시예에 따른 압연기 제어 장치에 의해 실행될 수 있다.5 is a flowchart illustrating a method of learning an artificial neural network to determine whether a medium wave is generated. The method described with reference to Fig. 5 can be performed by a rolling mill control apparatus according to an embodiment of the present invention.

도 5를 참조하면, 본 발명의 일 실시예에 따른 압연기 제어 방법은, 샘플 소재로부터 샘플 데이터를 생성하는 것으로 시작될 수 있다(S10). 샘플 소재는 압연기가 압연 공정을 진행할 수 있는 스트립 등의 압연 대상 소재일 수 있으며, 샘플 데이터는 압연기가 샘플 소재를 이용하여 압연 공정을 진행하는 동안 발생하는 소리로부터 생성되는 데이터일 수 있다. Referring to FIG. 5, a method of controlling a mill according to an embodiment of the present invention may begin with generating sample data from a sample material (S10). The sample material may be a material to be rolled such as a strip on which the rolling machine can perform the rolling process, and the sample data may be data generated from the sound generated during the rolling process using the sample material.

일 실시예에서 샘플 데이터는, 압연기가 샘플 소재를 이용하여 압연 공정을 진행하는 동안 발생하는 소리를 음향 센서가 검출하여 로우 데이터를 생성하고, 상기 로우 데이터에서 특정 주파수 대역만을 선택함으로써 생성될 수 있다. 일례로, 상기 주파수 대역은 중간 주파수 대역일 수 있으며, 상기 주파수 대역을 선택하기 이전 또는 이후에 로우 데이터의 크기를 증가시키는 증폭 과정이 포함될 수 있다.In one embodiment, the sample data may be generated by the acoustic sensor detecting the sound that occurs during the rolling process using the sample material to produce the rolling data, and selecting only a specific frequency band from the raw data . For example, the frequency band may be an intermediate frequency band, and an amplification process may be included to increase the size of the row data before or after selecting the frequency band.

샘플 데이터가 생성되면, 인공 신경망 학습을 위해 샘플 데이터로부터 샘플 파라미터들을 추출할 수 있다(S11). 일례로 샘플 파라미터들은, 샘플 데이터에서 유효한 데이터가 존재하는 주파수 범위, 샘플 데이터의 최대 값, 최소 값, 중간 값, 제곱 평균 제곱근 값 등을 포함할 수 있다. 샘플 파라미터들은 미리 정해진 순서에 따라 정렬되어 인공 신경망에 입력될 수 있다.Once the sample data is generated, sample parameters may be extracted from the sample data for artificial neural network learning (S11). For example, the sample parameters may include a frequency range in which valid data is present in the sample data, a maximum value, a minimum value, an intermediate value, a root mean square value, etc. of the sample data. The sample parameters can be arranged in a predetermined order and input to the artificial neural network.

인공 신경망은 입력 레이어, 히든 레이어, 및 출력 레이어를 포함하며, 입력 레이어는 복수의 입력 노드들을 포함할 수 있다. 미리 정해진 순서로 정렬된 샘플 파라미터들은 복수의 입력 노드들에 순차적으로 입력되며, 히든 레이어는 미리 정해진 연산 규칙에 따라 입력 파라미터들로 연산을 진행하여 출력값을 생성할 수 있다. 일 실시예에서 상기 출력값은, 샘플 소재에서 실제로 나타난 중파의 강도에 대응할 수 있다.The artificial neural network includes an input layer, a hidden layer, and an output layer, and the input layer may include a plurality of input nodes. The sample parameters arranged in a predetermined order are sequentially input to a plurality of input nodes, and the hidden layer can generate an output value by performing an operation with input parameters according to a predetermined operation rule. In one embodiment, the output value may correspond to the intensity of the medium wave actually exhibited in the sample material.

인공 신경망은 출력값을 샘플 소재에서 실제로 나타난 중파 강도와 비교하고(S13), 인공 신경망의 출력값과 샘플 소재의 실제 중파 강도가 일치하는지 여부를 판단할 수 있다(S14). S14 단계의 판단 결과 출력값과 중파 강도가 일치하지 않으면, 인공 신경망에 대한 학습이 진행될 수 있다(S15). S15 단계의 학습 과정은, 인공 신경망의 출력값이 샘플 소재의 실제 중파 강도와 일치할 수 있도록, 인공 신경망의 히든 레이어의 연산 규칙을 수정하는 과정을 포함할 수 있다. 일례로, 인공 신경망의 히든 레이어에 포함되는 히든 노드들 각각에 부여되는 가중치를 변경함으로써, 인공 신경망을 학습시킬 수 있다. 학습이 완료되면, 다시 샘플 파라미터들을 인공 신경망에 입력하고(S12), 출력 값을 샘플 소재의 실제 중파 강도와 비교하여(S13) 일치 여부를 판단할 수 있다(S14). 일 실시예에서, 상기 S14 단계는 인공 신경망의 출력값과 샘플 소재의 실제 중파 강도의 차이가 소정의 기준값보다 작은지 여부를 판단하는 단계로 대체될 수도 있다.The artificial neural network compares the output value with the medium wave intensity actually exhibited in the sample material (S13), and determines whether the output value of the artificial neural network and the actual medium wave intensity of the sample material coincide with each other (S14). As a result of the determination in step S14, if the output value does not match the medium wave intensity, learning for the artificial neural network may proceed (S15). The learning process in step S15 may include a process of modifying the calculation rule of the hidden layer of the artificial neural network so that the output value of the artificial neural network may coincide with the actual medium wave intensity of the sample material. For example, an artificial neural network can be learned by changing a weight given to each hidden node included in the hidden layer of the artificial neural network. When the learning is completed, the sample parameters are input to the artificial neural network again (S12), and the output value is compared with the actual medium wave intensity of the sample material (S13) to determine whether or not the match is true (S14). In one embodiment, the step S14 may be replaced with a step of determining whether the difference between the output value of the artificial neural network and the actual medium wave intensity of the sample material is smaller than a predetermined reference value.

또는 인공 신경망의 출력값에 의해 중파 발생 여부를 예측한 결과와 샘플 소재에서 실제로 중파가 나타나는지 여부가 일치하는지를 판단하는 단계로 대체될 수도 있다. 이 경우, 인공 신경망의 출력값은 0 또는 1의 값을 가짐으로써 샘플 소재에서 중파가 나타났는지 여부를 예측할 수 있다.Or a step of judging whether or not the result of predicting the occurrence of the medium wave by the output value of the artificial neural network and whether or not the middle wave actually appears in the sample material coincide with each other. In this case, the output value of the artificial neural network has a value of 0 or 1, so that it is possible to predict whether or not a medium wave appears in the sample material.

인공 신경망 학습에 의해 인공 신경망의 출력값이 샘플 소재의 실제 중파 강도와 일치하는 것으로 판단되면, 다른 샘플 소재가 존재하는지 여부를 판단할 수 있다(S16). S16 단계의 판단 결과 다른 샘플 소재가 존재하지 않으면, 학습이 완료된 인공 신경망을 저장하고(S17), 인공 신경망 학습을 종료할 수 있다. 반면, S16 단계의 판단 결과 다른 샘플 소재가 존재하면, 다른 샘플 소재에 대해 앞서 설명한 인공 신경망의 학습 과정을 진행할 수 있다. 일례로, 복수의 샘플 소재들 각각으로부터 샘플 데이터를 추출하고 인공 신경망의 학습을 진행함으로써, 인공 신경망을 이용한 중파 발생 여부 및 중파 강도 예측의 정확도를 개선할 수 있다.If it is determined by the artificial neural network learning that the output value of the artificial neural network coincides with the actual medium wave intensity of the sample material, it may be determined whether or not another sample material exists (S16). As a result of the determination in step S16, if there is no other sample material, the artificial neural network whose learning has been completed is stored (S17), and the artificial neural network learning can be terminated. On the other hand, if it is determined in step S16 that another sample material exists, the learning process of the artificial neural network described above may be performed on the other sample material. For example, by extracting sample data from each of a plurality of sample materials and learning the artificial neural network, it is possible to improve the accuracy of the middle wave intensity prediction and the generation of the medium wave using the artificial neural network.

도 6은 학습이 완료된 인공 신경망을 이용하여 압연기에서 발생하는 중파를 탐지하는 방법을 설명하기 위해 제공되는 흐름도이다. 도 6을 참조하면, 압연기가 압연 대상 소재에 압연 공정을 진행할 수 있으며(S20), 압연 소재는 일례로 스트립일 수 있다. 압연 공정을 진행하는 동안, 압연기에서 발생하는 소리를 음향 센서가 수집함으로써 로우 데이터를 획득할 수 있다(S21).6 is a flowchart for explaining a method of detecting a medium wave generated in a rolling mill using an artificial neural network in which learning has been completed. Referring to FIG. 6, a rolling machine may perform a rolling process on a material to be rolled (S20), and the rolled material may be, for example, a strip. During the rolling process, the sound sensor can collect the sound generated in the rolling mill to obtain the raw data (S21).

압연기 제어 장치는, 로우 데이터를 필터링하여 검출 데이터를 획득할 수 있다(S22). 일례로 압연기 제어 장치는 밴드 패스 필터를 이용하여 로우 데이터를 필터링함으로써 검출 데이터를 획득할 수 있으며, 따라서 검출 데이터는 로우 데이터의 중간 주파수 대역 성분을 선택함으로써 생성될 수 있다. 일 실시예에 따라서, 로우 데이터를 필터링하기 전 또는 필터링한 후에 신호의 크기를 증폭시키는 과정이 포함될 수 있다.The rolling mill control apparatus can obtain the detected data by filtering the raw data (S22). For example, the mill control device can obtain the detection data by filtering the raw data using a bandpass filter, and thus the detection data can be generated by selecting the intermediate frequency band component of the row data. According to one embodiment, the process may include amplifying the magnitude of the signal before or after filtering the raw data.

압연기 제어 장치는 검출 데이터로부터 복수의 입력 파라미터들을 획득할 수 있다(S23). 일례로, S23 단계에서 압연기 제어 장치는, 앞서 도 5를 참조하여 설명한 일 실시예의 S11 단계와 같은 방법으로 입력 파라미터들을 획득할 수 있다. 예를 들어, 샘플 데이터로부터 유효 데이터가 포함되는 주파수 대역, 샘플 데이터의 중간 값, 최대 값, 최소 값 등을 샘플 파라미터들로 추출하는 경우, 검출 데이터의 주파수 대역, 검출 데이터의 중간 값, 최대 값, 최소 값 등을 입력 파라미터들로 획득할 수 있다.The rolling mill control apparatus can obtain a plurality of input parameters from the detected data (S23). For example, in step S23, the mill control apparatus can obtain the input parameters in the same manner as in step S11 of the embodiment described above with reference to FIG. For example, in the case of extracting the frequency band including the valid data from the sample data, the intermediate value, the maximum value, the minimum value of the sample data, and the like with the sample parameters, the frequency band of the detected data, , A minimum value, and the like can be obtained as input parameters.

압연기 제어 장치는, 학습이 완료된 인공 신경망에 S23 단계에서 획득한 입력 파라미터들을 입력할 수 있다(S24). 일례로, 입력 파라미터들은, 인공 신경망 학습 과정에서 인공 신경망에 입력된 샘플 파라미터들과 같은 규칙에 따라 정렬되어 인공 신경망에 입력될 수 있다. 인공 신경망이 입력 파라미터들을 이용하여 연산을 수행한 후 출력값을 내보내면, 압연기 제어 장치는 출력값을 이용하여 중파 발생 여부를 판단할 수 있다(S25).The rolling mill controller can input the input parameters obtained in step S23 to the artificial neural network that has completed the learning (S24). For example, the input parameters can be input into the artificial neural network by being arranged according to the same rules as the sample parameters input to the artificial neural network in the artificial neural network learning process. If the artificial neural network performs an operation using input parameters and then outputs an output value, the rolling mill control apparatus can determine whether a medium wave is generated using the output value (S25).

인공 신경망의 출력값은, 본 발명의 실시예들에 따라 다양한 값을 가질 수 있다. 일례로, 인공 신경망의 출력값은 압연기에서 압연 공정이 진행되는 동안 나타나는 중파의 강도를 나타낼 수 있다. 이 경우 인공 신경망의 출력값은 0부터 1까지의 값을 가질 수 있으며, 1에 가까울수록 중파가 크게 나타나는 것을 의미할 수 있다. 다른 일 실시에에서, 인공 신경망의 출력값은 0 또는 1의 값을 가질 수 있으며, 인공 신경망의 출력값이 0일 때는 중파가 발생하지 않고, 인공 신경망의 출력값이 1일 때에는 중파가 발생하는 것을 의미할 수 있다. 즉, 인공 신경망의 출력값과 압연기에서 나타나는 중파 사이의 관계는, 인공 신경망을 학습시킨 방법에 따라서 다양하게 정의될 수 있다.The output value of the artificial neural network may have various values according to embodiments of the present invention. For example, the output value of the artificial neural network can represent the intensity of the medium wave that occurs during the rolling process in the mill. In this case, the output value of the artificial neural network can have a value from 0 to 1, and the closer to 1, the larger the medium wave may be. In another embodiment, the output value of the artificial neural network may have a value of 0 or 1, and when the output value of the artificial neural network is 0, no middle wave occurs, and when the output value of the artificial neural network is 1, . That is, the relation between the output value of the artificial neural network and the medium wave appearing in the rolling mill can be variously defined according to the method of learning the artificial neural network.

도 7 및 도 8은 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 도면들이다.FIGS. 7 and 8 are views for explaining a rolling mill control method according to an embodiment of the present invention.

먼저 도 7은 중파 발생 여부를 판단할 수 있도록 인공 신경망을 학습하는 방법을 설명하기 위해 제공되는 도면이다. 도 7을 참조하면, 압연기(300)가 복수의 샘플 소재들(301-303)에 대한 압연 공정을 진행하는 동안, 압연기(300)에서 발생하는 소리를 검출하여 인공 신경망(340)을 학습시킬 수 있다.7 is a diagram for explaining a method of learning an artificial neural network so as to determine whether a medium wave is generated. Referring to FIG. 7, while the rolling machine 300 is performing a rolling process on a plurality of sample materials 301-303, sound generated in the rolling mill 300 may be detected to learn the artificial neural network 340 have.

먼저 제1 샘플 소재(301)에 대한 압연 공정이 진행되는 동안, 음향 센서(310)가 압연기(300)에서 발생하는 소리를 검출하여 로우 데이터(320)를 생성할 수 있다. 로우 데이터(320)는 밴드 패스 필터에 의해 필터링되며, 로우 데이터(320)의 중간 주파수 대역의 성분으로 검출 데이터(330)가 정의될 수 있다. 검출 데이터(330)는 중파 성분(331) 외에 이사파에 의해 발생하는 소리에 대응하는 이사파 성분(332)과, 양파에 의해 발생하는 소리에 대응하는 양파 성분(333) 등을 포함할 수 있다. 본 발명의 일 실시예에서는, 검출 데이터(330)에서 중파에 의해 발생하는 소리에 대응하는 중파 성분(331)만을 추출할 수 있다. The acoustic sensor 310 may detect the sound generated in the rolling mill 300 and generate the raw data 320 while the rolling process for the first sample material 301 proceeds. The low data 320 is filtered by a bandpass filter and detection data 330 may be defined as a component of the intermediate frequency band of the row data 320. The detection data 330 may include a medium wave component 331 as well as a moving wave component 332 corresponding to the sound generated by the moving wave and an onion component 333 corresponding to the sound generated by the onion wave . In the embodiment of the present invention, only the medium wave component 331 corresponding to the sound generated by the medium wave in the detection data 330 can be extracted.

압연기 제어 장치는 중파 성분(331)에서 소정의 샘플 파라미터들을 획득하여 인공 신경망(340)에 입력할 수 있다. 상기 샘플 파라미터들은 중파 성분(331)의 크기에 대응하는 값들, 예를 들어 중파 성분(331)의 최대 값, 최소 값, 평균 값, 중간 값, 제곱 평균 제곱근 값 등을 포함할 수 있으며, 중파 성분(331)에 대응하는 주파수 대역 등을 포함할 수도 있다. 상기 샘플 파라미터들은 소정의 순서로 정렬되어 인공 신경망(340)의 입력 레이어에 포함되는 입력 노드들(IN)에 입력될 수 있다. The mill control apparatus can obtain predetermined sample parameters from the medium wave component 331 and input them to the artificial neural network 340. [ The sample parameters may include values corresponding to the magnitude of the medium wave component 331, for example, the maximum value, the minimum value, the average value, the median value, the root mean square value of the medium wave component 331, A frequency band corresponding to the frequency band 331, and the like. The sample parameters may be arranged in a predetermined order and input to the input nodes IN included in the input layer of the artificial neural network 340. [

인공 신경망(340)의 히든 레이어(342)는 상기 샘플 파라미터들을 이용하여 소정의 연산을 수행함으로써 출력 노드(ON)로 출력값을 내보낼 수 있다. 일 실시예로, 히든 레이어(342)는, 복수의 히든 노드들(HN) 각각에 입력되는 값들을 전부 더하거나, 복수의 히든 노드들(HN) 각각에 입력되는 값들을 모두 더한 합이 소정의 임계값보다 크면 1을 다음 노드로 전달하고 임계값보다 작으면 0을 다음 노드로 전달하거나, 또는 복수의 히든 노드들(HN) 사이에서 전달되는 값에 소정의 가중치를 부여하는 방식으로 상기 연산을 수행할 수 있다.The hidden layer 342 of the artificial neural network 340 may output an output value to the output node ON by performing a predetermined operation using the sample parameters. In one embodiment, the hidden layer 342 may be configured to add all of the values input to each of the plurality of hidden nodes HN, or to sum the sum of the values input to each of the plurality of hidden nodes HN, If the value is larger than the predetermined value, 1 is transferred to the next node. If the value is smaller than the threshold value, 0 is transferred to the next node, or the value is transferred to a plurality of hidden nodes (HN) can do.

인공 신경망(340)은 상기 출력값을, 제1 샘플 소재(301)에서 실제로 나타난 중파와 비교할 수 있다. 비교 결과 상기 출력값과 제1 샘플 소재(301)의 실제 중파의 차이가 소정의 기준값보다 크면, 인공 신경망(340)은 복수의 히든 노드들(HN)에 적용되는 상기 임계값이나 상기 가중치를 조절하여 상기 출력값을 다시 생성하고, 상기 측정값과 다시 비교할 수 있다. 인공 신경망(340)은 상기 출력값이 상기 기준값과 같아지거나, 또는 상기 출력값이 제1 샘플 소재(301)의 실제 중파의 차이가 상기 기준값 이하가 될 때까지 상기 임계값이나 상기 가중치를 조절하는 학습 과정을 반복적으로 수행할 수 있다. 인공 신경망(340)은 제1 샘플 소재(301)에 대한 학습 과정이 완료되면, 제2 샘플 소재(302) 및 제3 샘플 소재(303)에 대해서도 학습 과정을 진행할 수 있다. 일례로, 샘플 소재들(301-303)의 개수를 적절히 조절하여 인공 신경망(340)의 중파 예측 정확도를 개선할 수 있다.The artificial neural network 340 may compare the output value with a median wave actually present in the first sample material 301. If the difference between the output value and the actual middle frequency of the first sample material 301 is greater than the predetermined reference value, the artificial neural network 340 adjusts the threshold value or the weight value applied to the plurality of hidden nodes HN The output value may be generated again and compared again with the measured value. The artificial neural network 340 adjusts the threshold value or the weight value until the output value becomes equal to the reference value or until the output value becomes equal to or less than the reference value of the actual middle wave of the first sample material 301. [ Can be repeatedly performed. The artificial neural network 340 may also proceed with the learning process for the second sample material 302 and the third sample material 303 when the learning process for the first sample material 301 is completed. By way of example, the number of sample materials 301-303 can be adjusted accordingly to improve the medium wave prediction accuracy of the artificial neural network 340.

도 8은 학습된 인공 신경망을 이용하여 압연 공정에서 발생하는 중파를 검출하는 방법을 설명하기 위해 제공되는 도면이다. 도 8을 참조하면, 압연기(300)가 압연 대상 소재(401)를 대상으로 압연을 진행하는 동안, 음향 센서(310)가 압연기(300)에서 발생하는 소리를 감지할 수 있다. 음향 센서(310)는 압연기(300)가 발생하는 소리를 감지하여 로우 데이터(420)를 생성하며, 필터(425)는 로우 데이터(420)를 필터링하여 검출 데이터(430)를 생성할 수 있다. 일례로, 검출 데이터(430)는 로우 데이터(420)에서 압연기(300)의 진동이나 압연 롤의 회전 등에 의해 발생하는 노이즈 성분을 제거하고, 중파에 의해 나타나는 소리 성분만을 선택하여 생성될 수 있다. 8 is a diagram for explaining a method of detecting a medium wave generated in the rolling process using the learned artificial neural network. Referring to FIG. 8, the acoustic sensor 310 can sense a sound generated in the rolling mill 300 while the rolling mill 300 is rolling on the material to be rolled 401. The acoustic sensor 310 senses the sound generated by the rolling mill 300 to generate the raw data 420 and the filter 425 may filter the raw data 420 to generate the sensed data 430. For example, the detection data 430 can be generated by removing noise components generated by the vibration of the rolling mill 300, the rotation of the rolling roll, and the like in the row data 420 and selecting only the sound components represented by the medium waves.

압연기 제어 장치는 검출 데이터(430)에서 복수의 입력 파라미터들을 획득하여 인공 신경망(340)에 입력할 수 있다. 인공 신경망(340)은, 도 7을 참조하여 설명한 방법에 의해 학습 완료된 인공 신경망일 수 있다. 즉, 인공 신경망(340)의 히든 레이어(342)에서 입력 파라미터들을 이용하여 연산을 진행함으로써 생성하는 출력값은, 압연 대상 소재(401)에서 중파가 나타나는지 여부, 또는 중파의 강도 등에 대응할 수 있다. 인공 신경망(340)의 출력값으로부터 예측할 수 있는 정보는, 인공 신경망(340)의 학습 방법에 따라 다양하게 변형될 수 있다.The mill control apparatus can acquire a plurality of input parameters from the detection data 430 and input them to the artificial neural network 340. The artificial neural network 340 may be an artificial neural network that has been learned by the method described with reference to Fig. That is, the output value generated by performing the calculation using the input parameters in the hidden layer 342 of the artificial neural network 340 may correspond to whether or not a medium wave appears in the material to be rolled 401, the intensity of a medium wave, or the like. Information predictable from the output value of the artificial neural network 340 can be variously modified according to the learning method of the artificial neural network 340.

인공 신경망(340)의 출력값을 참조하여 압연 대상 소재(401)에서 중파가 나타난 것으로 판단되면, 압연기 제어 장치는 압연기(300)의 벤더력을 조절하는 제어 커맨드(CMD)를 생성하여 압연기(300)에 전달할 수 있다. 또한, 압연기 제어 장치는 작업자가 관리할 수 있는 컴퓨터 장치(450) 등을 통해 경고 알람(WA)을 출력함으로써, 작업자가 직접 압연기(300)의 벤더력 등을 조절할 수 있도록 안내할 수 있다. 일 실시예에서 압연기 제어 장치는, 압연 대상 소재(401)에서 나타난 중파의 강도가 소정의 기준 강도보다 약하면 직접 제어 커맨드(CMD)를 생성하여 압연기(300)의 벤더력을 자동으로 조절하고, 중파의 강도가 상기 기준 강도보다 강하면 경고 알람(WA)을 통해 작업자에게 압연기(300) 조절을 요청할 수 있다.The mill control device generates a control command CMD for controlling the bender force of the rolling mill 300 and outputs the control command CMD to the rolling mill 300, . Further, the rolling mill control apparatus can output a warning alarm WA through a computer device 450 or the like that can be managed by the operator, so that the operator can guide the bender force and the like of the rolling mill 300 directly. In one embodiment, the mill control apparatus generates a direct control command CMD to automatically adjust the bender force of the rolling mill 300 if the strength of the medium wave indicated by the material to be rolled 401 is weaker than the predetermined reference strength, The operator can request the operator to adjust the rolling mill 300 through the warning alarm WA if the strength of the rolling mill 300 is stronger than the reference strength.

도 9는 본 발명의 일 실시예에 따른 압연기 제어 방법을 설명하기 위해 제공되는 그래프들이다.FIG. 9 is a graph for explaining a rolling mill control method according to an embodiment of the present invention.

먼저 도 9(a)는 압연기 제어 장치에 포함되는 음향 센서가 압연기로부터 획득하는 로우(RAW) 데이터(510)를 나타낸 그래프일 수 있다. 도 9(a)를 참조하면, 로우 데이터(510)는 제1 주파수(f1)보다 낮은 주파수 대역의 제1 성분(511)과, 제1 주파수(f1)와 제2 주파수(f2) 사이 대역의 제2 성분(512), 및 제2 주파수(f2)보다 큰 주파수 대역의 제3 성분(513)으로 분류될 수 있다. 압연기 제어 장치는, 제1 성분(511)을 압연기에 포함되는 압연 롤의 회전에 의해 발생하는 소리로 가정할 수 있으며, 제3 성분(513)은 압연기의 진동에 의해 발생하는 소리로 가정할 수 있다. 즉, 압연기 제어 장치는 제1 주파수(f1)와 제2 주파수(f2) 사이 대역만을 통과시키는 밴드 패스 필터를 이용하여, 제2 성분(512)을 로우 데이터(510)에서 분리하여 검출 데이터로 생성할 수 있다.9 (a) may be a graph showing raw (raw) data 510 obtained by an acoustic sensor included in a rolling mill control apparatus from a rolling mill. 9A, the row data 510 includes a first component 511 in a frequency band lower than the first frequency f1 and a second component 511 in a band between the first frequency f1 and the second frequency f2. The second component 512, and the third component 513 of the frequency band larger than the second frequency f2. The rolling machine control device can assume that the first component 511 is a sound generated by the rotation of the rolling roll included in the rolling mill and the third component 513 can be assumed to be a sound generated by the vibration of the rolling mill have. That is, the rolling mill control apparatus separates the second component 512 from the row data 510 by using a bandpass filter that passes only the band between the first frequency f1 and the second frequency f2, can do.

다음으로 도 9(b)와 도 9(c)는 중파의 강도에 따라 나타나는 서로 다른 검출 데이터들(520, 530)을 도시한 그래프들일 수 있다. 9(b)와 도 9(c)를 참조하면, 제1 검출 데이터(520)는 제1 주파수(f1)와 제2 주파수(f2) 사이의 대역에서 제2 검출 데이터(530)보다 큰 강도를 가질 수 있다. 본 발명의 일 실시예에서는, 중파의 강도에 따라 압연기 제어 장치가 스스로 제어 커맨드를 생성하여 압연기의 벤더력을 자동으로 제어하거나, 또는 작업자가 압연기를 조작할 수 있도록 경고 알람을 출력할 수도 있다. Next, FIGS. 9 (b) and 9 (c) can be graphs showing different detection data 520, 530 depending on the intensity of the medium wave. Referring to FIGS. 9 (b) and 9 (c), the first detection data 520 has a higher intensity than the second detection data 530 in the band between the first frequency f1 and the second frequency f2 Lt; / RTI > In one embodiment of the present invention, the mill control device may generate a control command by itself to automatically control the bender force of the mill according to the intensity of the medium wave, or may output a warning alarm so that the operator can operate the mill.

중파가 발생한 것으로 판단된 경우, 압연기 제어 장치는 검출 데이터들(520, 530)의 크기를 계산하고, 이를 기준 크기와 비교하여 압연기를 자동 제어하기 위한 제어 커맨드를 생성할지, 또는 경고 알람을 출력할지 여부를 결정할 수 있다. 일 실시예에서, 검출 데이터들(520, 530) 각각의 크기는 검출 데이터들(520, 530) 각각의 제곱 평균 제곱근 값으로 계산될 수 있다. 압연기 제어 장치는, 도 9(b)에 도시한 일 실시예와 같이 상대적으로 큰 강도의 제1 검출 데이터(520)가 검출되면 경고 알람을 출력하고, 도 9(c)에 도시한 일 실시예와 같이 상대적으로 작은 강도의 제2 검출 데이터(530)가 검출되면 제어 커맨드를 생성하여 자동으로 압연기를 제어할 수 있다.If it is determined that a medium wave has occurred, the rolling mill control device calculates the size of the detection data 520, 530 and compares it with the reference size to generate a control command for automatically controlling the rolling mill, Can be determined. In one embodiment, the magnitude of each of the detected data 520, 530 may be computed as the root-mean-square value of each of the detected data 520, 530. The rolling mill control apparatus outputs a warning alarm when the first detection data 520 having a relatively large strength is detected as in the embodiment shown in Fig. 9 (b) The control command can be generated and the rolling mill can be automatically controlled when the second detection data 530 having a relatively small intensity is detected.

본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되는 것이 아니며 첨부된 청구범위에 의해 한정하고자 한다. 따라서, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 당 기술분야의 통상의 지식을 가진 자에 의해 다양한 형태의 치환, 변형 및 변경이 가능할 것이며, 이 또한 본 발명의 범위에 속한다고 할 것이다.The present invention is not limited to the above-described embodiment and the accompanying drawings, but is intended to be limited by the appended claims. It will be apparent to those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. something to do.

30, 60, 200, 300: 압연기
40, 50, 70, 401: 압연 대상 소재
100: 압연기 제어 장치
110: 음향 센서
120: 필터
130: 컨트롤러
140: 데이터 베이스
141, 340: 인공 신경망30, 60, 200, 300: rolling mill
40, 50, 70, 401: rolled material
100: Rolling mill controller
110: acoustic sensor
120: Filter
130: controller
140: Database
141, 340: artificial neural network

Claims (14)

음향 센서를 이용하여, 압연기에서 발생하는 소리를 수신하여 주파수 도메인의 로우(RAW) 데이터를 생성하는 단계;
상기 로우 데이터를 소정의 주파수 대역에서 필터링하여 검출 데이터를 생성하는 단계; 및
상기 검출 데이터로부터 획득한 복수의 입력 파라미터들을 소정의 인공 신경망(Artificial Neural Network)에 입력하여 상기 압연기에서 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단하는 단계; 를 포함하는 압연기 제어 방법.
Generating RAW data in the frequency domain by receiving sound generated in the rolling mill using an acoustic sensor;
Filtering the row data in a predetermined frequency band to generate detection data; And
Inputting a plurality of input parameters obtained from the detection data to a predetermined artificial neural network to determine whether at least one of whether the medium wave is generated in the mill and the intensity of the medium wave; ≪ / RTI >
제1항에 있어서,
상기 음향 센서가 생성한 로우 데이터를 증폭하는 단계; 를 더 포함하는 압연기 제어 방법.
The method according to claim 1,
Amplifying raw data generated by the acoustic sensor; Further comprising the steps of:
제1항에 있어서,
밴드 패스 필터를 이용하여 상기 로우 데이터에서 제1 기준 주파수보다 낮은 성분 및 상기 제1 기준 주파수보다 큰 제2 주파수보다 큰 성분을 제거하여 상기 검출 데이터를 생성하는 압연기 제어 방법.
The method according to claim 1,
And generating the detection data by removing a component lower than a first reference frequency and a component larger than a second frequency higher than the first reference frequency in the raw data by using a band pass filter.
제1항에 있어서,
상기 인공 신경망의 출력값은 상기 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나에 대응하는 압연기 제어 방법.
The method according to claim 1,
Wherein the output value of the artificial neural network corresponds to at least one of whether the medium wave is generated and the intensity of the medium wave.
제1항에 있어서,
상기 중파의 강도가 소정의 기준 강도보다 크면 경고 알람을 출력하는 단계; 를 더 포함하는 압연기 제어 방법.
The method according to claim 1,
Outputting a warning alarm if the intensity of the medium wave is greater than a predetermined reference intensity; Further comprising the steps of:
제1항에 있어서,
상기 중파의 강도가 소정의 기준 강도보다 작으면, 상기 압연기의 벤더력을 조절하는 제어 커맨드를 생성하여 상기 압연기를 제어하는 단계; 를 더 포함하는 압연기 제어 방법.
The method according to claim 1,
Generating a control command to control the bender force of the rolling mill to control the rolling mill if the strength of the medium wave is less than a predetermined reference strength; Further comprising the steps of:
제1항에 있어서,

상기 입력 파라미터들은, 상기 검출 데이터의 주파수 대역, 상기 검출 데이터의 최대 값, 최소 값, 평균 값, 중간 값, 및 제곱 평균 제곱근 값 중 적어도 둘 이상을 포함하는 압연기 제어 방법.
The method according to claim 1,

Wherein the input parameters include at least two of a frequency band of the detection data, a maximum value, a minimum value, an average value, an intermediate value, and a root mean square value of the detection data.
제1항에 있어서,
상기 압연기가 복수의 샘플 소재들에 대한 압연을 진행하는 동안 상기 음향 센서를 이용하여 복수의 샘플 데이터들을 수집하는 단계;
상기 복수의 샘플 데이터들 각각으로부터 추출한 샘플 파라미터들을 상기 인공 신경망에 입력하여 획득한 출력값이, 상기 복수의 샘플 소재들 각각에서 실제로 나타난 샘플 중파와 매칭되도록 상기 인공 신경망을 학습시키는 단계; 및
학습 완료된 상기 인공 신경망을 저장하는 단계; 를 더 포함하는 압연기 제어 방법.
The method according to claim 1,
Collecting a plurality of sample data using the acoustic sensor while the rolling mill is rolling on a plurality of sample materials;
Learning the artificial neural network so that an output value obtained by inputting sample parameters extracted from each of the plurality of sample data to the artificial neural network is matched with a middle class sample actually appearing in each of the plurality of sample materials; And
Storing the learned neural network; Further comprising the steps of:
제8항에 있어서,
상기 샘플 파라미터들은, 상기 샘플 데이터의 주파수 대역, 상기 검출 데이터의 최대 값, 최소 값, 평균 값, 중간 값, 및 제곱 평균 제곱근 값 중 적어도 둘 이상을 포함하는 압연기 제어 방법.
9. The method of claim 8,
Wherein the sample parameters include at least two of a frequency band of the sample data, a maximum value, a minimum value, an average value, an intermediate value, and a root mean square value of the detected data.
제9항에 있어서,
상기 입력 파라미터들은 상기 샘플 파라미터들과 같은 항목들을 포함하며, 상기 샘플 파라미터들과 같은 순서로 정렬되어 상기 인공 신경망에 입력되는 압연기 제어 방법.
10. The method of claim 9,
Wherein the input parameters include items such as the sample parameters and are arranged in the same order as the sample parameters and input to the artificial neural network.
압연기에서 발생하는 소리를 수신하여 주파수 도메인의 로우(RAW) 데이터를 생성하는 음향 센서;
상기 로우 데이터를 소정의 주파수 대역에서 필터링하여 검출 데이터를 생성하는 필터; 및
상기 검출 데이터로부터 획득한 복수의 입력 파라미터들을 인공 신경망에 입력하여 상기 압연기에서 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단하는 컨트롤러; 를 포함하는 압연기 제어 장치.
An acoustic sensor for receiving sound generated in the rolling mill and generating RAW data in the frequency domain;
A filter for filtering the raw data in a predetermined frequency band to generate detection data; And
A controller for inputting a plurality of input parameters obtained from the detection data to an artificial neural network to determine whether at least one of whether a medium wave is generated in the mill and an intensity of the medium wave; .
제11항에 있어서,
상기 음향 센서는, 상기 압연기가 복수의 샘플 소재들에 대한 압연을 진행하는 동안 상기 음향 센서를 이용하여 복수의 샘플 데이터들을 수집하는 압연기 제어 장치.
12. The method of claim 11,
Wherein the acoustical sensor collects a plurality of sample data using the acoustic sensor while the rolling mill is progressing rolling for a plurality of sample materials.
제12항에 있어서,
상기 인공 신경망은, 상기 복수의 샘플 데이터들 각각으로부터 획득한 복수의 샘플 파라미터들을 입력받아 출력값을 생성하며, 상기 출력값이 상기 복수의 샘플 소재들 각각에서 실제로 나타난 샘플 중파와 매칭되도록 학습되며,
상기 컨트롤러는, 상기 복수의 입력 파라미터들을 학습된 상기 인공 신경망에 입력하여 획득한 출력값을 이용하여 상기 중파가 발생하는지 여부 및 상기 중파의 강도 중 적어도 하나를 판단하는 압연기 제어 장치.
13. The method of claim 12,
Wherein the artificial neural network receives a plurality of sample parameters acquired from each of the plurality of sample data to generate an output value, and the output value is learned so as to be matched with a sample medium wave actually appearing in each of the plurality of sample materials,
Wherein the controller determines at least one of whether the medium wave is generated and the intensity of the medium wave by using an output value obtained by inputting the plurality of input parameters into the learned artificial neural network.
제11항에 있어서,
상기 컨트롤러는, 상기 중파의 강도가 소정의 기준 강도보다 크면 경고 알람을 출력하는 커맨드를 생성하고, 상기 중파의 강도가 상기 기준 강도보다 작으면 상기 압연기의 벤더력을 조절하는 제어 커맨드를 생성하는 압연기 제어 장치.

12. The method of claim 11,
The controller generates a command to output a warning alarm if the intensity of the medium wave is greater than a predetermined reference intensity and generates a control command to adjust a bender force of the mill if the intensity of the medium wave is less than the reference intensity, controller.

KR1020170179173A 2017-12-26 2017-12-26 Method and apparatus for controlling rolling mill KR20190077739A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170179173A KR20190077739A (en) 2017-12-26 2017-12-26 Method and apparatus for controlling rolling mill

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170179173A KR20190077739A (en) 2017-12-26 2017-12-26 Method and apparatus for controlling rolling mill

Publications (1)

Publication Number Publication Date
KR20190077739A true KR20190077739A (en) 2019-07-04

Family

ID=67259414

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170179173A KR20190077739A (en) 2017-12-26 2017-12-26 Method and apparatus for controlling rolling mill

Country Status (1)

Country Link
KR (1) KR20190077739A (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000072989A1 (en) 1999-05-27 2000-12-07 Kawasaki Steel Corporation Method and apparatus for detecting chattering of cold rolling mill

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000072989A1 (en) 1999-05-27 2000-12-07 Kawasaki Steel Corporation Method and apparatus for detecting chattering of cold rolling mill

Similar Documents

Publication Publication Date Title
US10518357B2 (en) Machine learning device and robot system to learn processing order of laser processing robot and machine learning method thereof
Zhang et al. Multisensor-based real-time quality monitoring by means of feature extraction, selection and modeling for Al alloy in arc welding
EP2261616B1 (en) Standing wave detection apparatus and method of controlling the same
Lezanski An intelligent system for grinding wheel condition monitoring
Zhang et al. Real-time seam penetration identification in arc welding based on fusion of sound, voltage and spectrum signals
Huang et al. A neural network and multiple regression method for the characterization of the depth of weld penetration in laser welding based on acoustic signatures
Li A brief review: acoustic emission method for tool wear monitoring during turning
JP2011183455A (en) Method for monitoring quality of laser machining process and system corresponding to the same
CN101829689B (en) Drift fault recognition method of hot-rolling strip steel based on sound signals
KR101891175B1 (en) Safety evaluation method for structure using modified dynamaic characteristics
JP2003516860A (en) Method and apparatus for quality control of laser butt welded sheet metal or band seams
CN106198765B (en) A kind of acoustic signal recognition methods for Metal Crack monitoring
Kvinevskiy et al. Detecting machine chatter using audio data and machine learning
CN110653271B (en) Automatic grading device and grading method for roll surface quality of hot-rolled strip steel coiling pinch roll
Niroomand et al. Experimental analysis of vibration and sound in order to investigate chatter phenomenon in cold strip rolling
Deiab et al. On modeling of tool wear using sensor fusion and polynomial classifiers
JP3397726B2 (en) Rolling mill abnormality diagnosis method and apparatus
KR101857738B1 (en) Chatter vibration diagnosis system and method using direct type sensor and indirect type sensor
Liu et al. Vibration-based gear continuous generating grinding fault classification and interpretation with deep convolutional neural network
KR20190077739A (en) Method and apparatus for controlling rolling mill
Ren et al. Seam penetration recognition for GTAW using convolutional neural network based on time-frequency image of arc sound
JP6402760B2 (en) Shape control method and apparatus in rolling mill
US20050288811A1 (en) Method of controlling the quality of industrial processes and system therefor
JPH07219581A (en) Discrimination method for acoustic signal and device therefor
JPH0538511A (en) Determining method for draft schedule of tandem rolling mill

Legal Events

Date Code Title Description
E601 Decision to refuse application