KR0118987B1 - 신경망을 이용한 노외정련 처리중의 용강온도예측방법 - Google Patents

Abstract

합금철 호퍼로부터 부원료가 투입되며 상승관을 통해 래들에 결합된 베셀과, 상기 상승관에 결합된 가스 투입구에 마련되는 가스제어밸브 및 가스센서와 래들내의 용강온도검출을 위한 프로브를 가지는 샘플러와 베셀진공을 위한 부우스터와 써미커플러와 진공센서와의 사이에서 데이타를 주고받는 진공.검온.환류제어 PLC와, 상기 합금철 호퍼를 제어하며 CRT를 갖는 합금철투입 PLC와, 상기 PLC 등에 결합된 프로세스 컴퓨터를 포함하는 노외정련 시스템을 이용하는 용강온도예측방법은 프로세스 컴퓨터의 공정개시 명령에 따라 신경회로망을 가동하고 조업 진행중의 현장설비센서를 통해 검출된 조업실적 데이타를 PLC로부터 송신받아 온라인 실적파일에 저장하고 그에 따른 제어량 명령을 PLC에 일정주기/(수십초)로 송신하는 단계와, 신경회로망의 기동으로 온라인 실적 파일에 저장된 현조업차지의 용강관련데이타를 읽어들여 분단위온도변화량을 산출하는 단계와, 상기 신경회로망에서 예측한 온도를 CRT에 출격하여 조업자에게 알려줌으로써 앞으로의 온도변화추이 및 현재 예측온도와 연주도착 온도데이타에서 온도 적중을 위한 합금철 투입량 등의 제어량을 프로세스 컴퓨터에 설정하여 일정한 주기로 온도를 조절하는 단계와, 온도예측이 완료된 차지는 신경회로망 입력데이타와 온도예측결과를 신경회로망 실적파일에 저장하는 단계와, 학습 완료후 데이타 베이스에 저장된 모든 데이타가 새로운 데이타로 재편집되면 신경회로망은 재학습하여 설비조건에 맞는 가중치를 조정하는 단계를 포함한다.

Description

신경망을 이용한 노외정련 처리중의 용강온도예측방법

제1도는 본 발명을 적용한 노외정련 설비의 구성도.

제2도는 (a)-(c)는 본 발명에 적용한 각 예측단계별 신경회로망의 구성도.

제3도는 본 발명을 설명하기 위한 전체흐름도.

* 도면의 주요부분에 대한 부호의 설명

1 : 베셀 2 : 래들

3 : 합금철호퍼 4 : 합금철투입구

6 : 상승관 7 : 부우스터

8 : 샘플러 9 : 프로브

10 : 진공.검온.환류제어 PLC 11 : 합금철 투입제어 PLC

12,13 : CRT 14 : 프로세스 컴퓨터

15 : 써머커플러 16 : 로타리 피더

17 : 배가스배출구 18 : 진공센서

19 : 용강 20 : 리프터

21 : 환류가스투입제어밸브 22 : 환류가스투입센서

본 발명은 노외정련 공정에서의 용강온도 산출을 위해 대기와의 전도에 의한 용강온도의 자연냉각량과 냉각재 투입에 의한 온도냉각량과 성분을 조정하기 위한 합금철 투입후 화학반응에 의한 온도변화량을 인공신경회로망을 이용하는 노외정련처리중의 용강온도예측방법에 관한 것이다. 노외정련설비는 전로와 연주사이에 위치하고 있으며 용강의 성분이 목표에 적중하도록 강중의 불순물을 제거하고 성분을 미세조정하는 역할을 한다. 특히 여기에서는 연주주조온도를 맞추기 의해 온도조정을 하는 공정을 포함한다. 주요설비로는 LF,RH,RH(OB),BAP 등이 있으며, 상기 RH 설비는 탈수소,탈탄, 탈산을 위한 야금학적 반응에 압력을 이용하는 것이 일반화되어 있다. 종래에는 용강의 야금학적 반응을 수식으로 표현한 수식 모델에서 용강의 성분 및 온도를 예측하였다. 정량적인 수식에 의해 산출이 가능한 성분 예측은 예측정도가 높은 편이나, 온도예측의 경우는 시간에 따른 설비의 변화(래들의 사용회수,베셀의 내부온도 등) 및 주위환경에 따른 변화에 민감하여 정량화된 수식으로는 그 예측에 한계점이 존재하게 된다. 본 발명의 목적은 정련(RH)공정중 신경회로망에 의해 공정개시시점에서부터 종료시점까지의 분단위 온도를 미리 산출함으로서 공정중 온도실측회수를 감소하고 온도조절을 위한 최적의 냉각재 투입량 설정을 가능하게 하여 냉각재 사용량을 지키려는데 있다. 또한 RH 종료후 연주도착시 용강의 온도를 예측하여 품질에 중요한 항목으로 작용하는 목표 연주주조 온도적중을 가능하게 하여 품질을 향상시키는데 그 목적이 있다. 이하, 본 발명을 설명하고자 한다.

제1도는 본 발명을 적용한 노외정련 시스템을 설명하기 위한 설비의 구성도이다.

제1도는 본 발명에 적용한 설비 및 시스템구성도이다.

RH 조업은 부우스터(7)를 통하여 외부로 배출함으로써 베설(1)내부를 진공으로 만들어 해들(2)내부의 용강을 상승관(6)을 따라 베셀(1)내부로 흡입한 상태에서 진공을 이용하여 용강내의 가스를 제거한다. 공정진행중에는 용강(19)의 균질화를 위하여 베셀의 상승관에 있는 흡입구(5)에 불활성가스인 Ar,N₂를 불어넣어 용강(19)이 베셀(1)과 래들(2) 사이를 계속 환류하게 만든다. 성분 및 온도조절을 위하여 프로세스 컴퓨터(14)(이하 P/C라 칭함)의 지시에 따라 합금철 투입 PLC(11)는 합금철 호퍼(3)에 저장된 합금철을 합금철투입구(4)를 통하여 베셀(1)내부로 투입한다. 이러한 RH 조업시간은 평균 25-30분 정도로 현재 용강의 온도를 알기 위한 온도실측은 샘플러(8)에 프로브(9)를 장착하고 P/C(14)의 지시를 받은 진공.검온.환류제어 PLC(10)에 의해 실측을 한다.온도 실측의 주기는 강종에 따라 다르나 대부분 최초 용강이 도착하여 RH조업을 개시후 5-10분 사이에 첫 번째 실측을 행하며 공정 진행중 15-20분 사이에 두 번째 실측, 마지막 온도조정을 위하여 RH 공정종료 5분전에 온도실측을 한다. 따라서 한 차지의 공정을 시작후 종료시까지 평균 2-3회의 온도실측을 한다. 온도실측시 샘플러(8)에 장착하는 프로브(9)는 고온이 용강과 직접 접촉하여 실측하는 방법으로 1회 사용후 재장착을 해야 한다. 현재 RH조업의 흐름은 각종 설비센서에서 검출된 실적 데이타를 PLC(11)를 통하여 P/C(14)에서 전송받아 PLC CRT(12)의 화면에 출력하게 되며 작업자는 CRT(12)의 화면에 출력된 현재의 정보를 이용하여 앞으로 투입할 합금철량,베셀의 진공정도, 용강의 환류량 등을 P/C에 설정하여 조업을 한다. 온도관련 데이타는 얼로잉 호퍼(3)와 로타리 피더(16)로부터는 합금철 투입량의 검출과 합금철 투입제어 데이타를 구하고,써머커플러(15)로부터는 베셀의 내부온도를 측정하고 진공센서(18)로부터는 베셀의 진공도를 측정하고, 환류가스투입센서(22)에 의해서는 환류가스투입량을 측정하고 프로브(9)에 의해서는 직접접촉 방식을 통해 용강온도를 측정하는 것으로부터 구하게 된다. 한편, 용강 온도변화의 주요요인은 다음의 네가지로 크게 나눌수 있다. 첫째로는 고온의 용강과 대기와의 접촉에 의한 복사열 온도손실(ΔT1), 둘째로는 용강과 래들의 접촉 그리고 베셀의 접촉에 의한 전도열 손실(ΔT2)이다. 셋째로는 용강을 환류시켜서 균질화하기 위하여 투입되는 불활성가스(AR,N₂)와 용강과의 접촉으로 인한 온도 손실(ΔT3), 넷째로는 용강의 성분을 맞추기 위하여 투입되는 합금철과 용강의 화합반응에 의한 온도변화(ΔT4)이다. 따라서, 총온도변화량은 ΔT=ΔT1+ΔT2+ΔT3+ΔT로 표현할 수 있다. 그러나 용강의 온도변화 요인은 위의 수식 도출이 가능한 네가지 외에 설비의 변화, 래들의 상태에 따라 온도변화 추이가 급격히 변화하는 복잡한 비선형 수식으로 작용하고 있어 서로의 상관관계 분석에 어려움이 있다. 따라서 수식을 정형화하기 어렵고 변화하는 환경에 민감한 반응을 보이는 온도예측에 자기학습에 의하여 지식을 습득하고 재학습에 의해 환경적응능력이 뛰어난 신경회로망을 적용하여 실측하기전 용강의 온도를 미리 산출함으로써 연주 도착시 목표온도에 적중시킬 수있다. 제2도는 용강의 온도를 산출하기 위해 본 발명에서 이용한 다층 퍼셉트론의 구조를 나타낸 것이다. 신경 회로망 시스템 개발시 가장 중요한 것은 정확한 입출력 데이타의 수집과 최적의 신경회로망 구조를 설정하는 것이다. 본 발명예에 이용될 신경회로망 구성시 최적의 신경회로망의 구조로 자연냉각의 온도변화량을 산출하는 신경회로망 I과 인위냉각의 온도변화량을 산출하는 신경회로망 II 그리고 RH 공정 종료후 연주 도착시까지의 이동간 용강온도를 예측하는 신경회로망 III로 구성하고 있다. 이를 각각 제2도 (a),(b),(c)에 나타내었다. 여기서 자연냉각이란 온도 및 성분을 맞추기 위하여 투입하는 합금철 등에 의한 온도변화량을 제외한 순수한 고온의 용강과 상온의 대기와의 접촉에 의한 열손실에서 오는 냉각을 말하며, 인위냉각이란 성분 및 온도를 맞추기 위하여 투입되는 합금철 등에 의한 온도변화를 의미한다. 제2도 (a)에 보인 신경회로망 I의 구조는 입력층(a₁)에 자연냉각의 변화요인이 되는 13개 항목을 적용했으며 제2도(b)에 보인 신경회로망 II의 입력층(b₁)에는 환류량,합금철 투입량 등 인위냉각 요인이 되는 8개 항목을 적용했다. 제2도(c)에 보인 신경회로망 III의 입력층(c₁)에는 RH 조업을 마치고 이동시 자연냉각정도를 줄이기 위하여 투입되는 보온재량과 이동시간 등의 7개 항목을 적용했다. 각 신경회로망의 내부구조는 각각 2개씩의 중간층(a₄,a₄,a₄)과 분당 온도변화량을 산출하는 최종출력층(a₅,a₅,a₅)으로 구성되어 있으며, 신경회로망 I의 출력층은 자연냉각의 분당 강하량 ΔTa(ΔT1+ΔT2)(a₅)를 산출하고 신경회로망 II는 인위냉각량 ΔTb(ΔT3+ΔT4)(b₅)를 산출한다. 따라서 RH조업중 용강의 분당 온도강하량은 2개의 신경회로망 최종출력의 합(ΔTa+ΔTb)이다. 신경회로망에서의 지식 습득 과정인 학습은 조업실적 데이타를 활용하였으며 이는 실제로 1개월간의 실적인 300 차지에 해당된다. 본 발명에서 활용한 신경회로망 학습 알고리즘은 오류역 전파이론을 적용했으며, 그 학습과정은 다음과 같다. 먼저 입력층에 조업의 실적 데이타(온도에 영향을 주는 요인)을 넣어주고 신경회로망 학습 수식에 의해 순차적으로 각층별 출력을 산출한다. 최종 출력에 분당 온도 강하량이 산출되면 조업시 실축한 온도강하 데이타와 비교후 그차(실측온도 강하량-신경회로망 산출온도강하량)를 역으로 보내면서 각층의 가중치(a₄,b₄,c₄)를 수정한다. 위의 학습과정을 충분한 회수만큼 수행하면 실적 온도변화량과 신경회로망이 산출한 온도변화량은 거의 같게 된다. 이러한 학습을 거의 모든 강종(300 차지분량)에 대하여 행하면 학습이 종료하게 되며 용강온도변호 산출식을 신경회로망의 가중치가 기억하게 된다. 학습이 완료된 신경회로망의 가중치를 이용하여 온라인 조업중 온도예측 과정을 제3도의 흐름도에 따라 설명하면 다음과 같다.

RH 공정이 개시되면 단계 31에서 PLC는 P/C에 공정개시 정보를 전달한다. 이 정보에 따라 P/C내부에 구축되어 있는 신경회로망이 기동된다(단계32). 조업진행중에는 P/C는 단계 36에서 현장센서를 통하여 검출된 단계 37의 조업실적 데이터를 PLC로부터 송신받아 온라인 실적 파일에 저장하며(단계 38), P/C는 설정된 제어량을 PLC에 30초 단위로 송신한다. 신경회로망이 기동되면 단계 33에서 신경회로망은 P/C온라인 실적 파일에 저장된 현조업 차지(1 래들용강)의 용강온도 관련 데이타(38단계)를 입력으로 읽어들여 분단위 온도변화량을 산출한다. 온도 예측은 두가지의 공정을 동시에 예측한다. 첫째로는 RH 공정 개시후 첫 번째 온도실측시점에서부터 60분후까지의 온도를 분단위로 예측하며, 둘째는 현시점에서 RH 공정을 종료한후 연주 도착시까지의 온도를 예측한다. 신경회로망에서 예측한 온도는 단계 35에서 조업 CRT화면에 그라프로 표현하여 출력함으로써, 현장 조업자는 이 CRT 화면에 출력된 그라프로 부터 앞으로의 온도변화추이 및 현재의 예측온도 그리고 연주도착온도 등의 정보를 얻어 온도적중을 위한 합금철 투입량 등의 제어량을 P/C에 설정하여 온도를 조정하게 된다. 이러한 과정을 RH 조업시작 시점에서부터 조업종료신호(단계 39)를 받을때까지 1분주기로 기동하여 변화하는 온도를 예측한다. 온도예측이 완료된 차지는 신경회로망 입력데이타와 온도예측결과를 신경회로망 실적파일에 저장한다(단계 40). 단계 40의 신경회로망 실적파일은 300 차지까지 저장이 가능하며 학습완료후 데이타 베이스에 저장된 모든 데이타가 새로운 데이타로 재 편집이 완료되면 신경회로망은 재학습을 행하여 최근의 설비조건에 맞게 스스로 신경회로망 가중치를 조정하게 된다. 이러한 재학습의 장점을 이용하면 변화하는 조업의 환경으로 인하여 정형화된 수식으로는 불가능하였던 온도예측이 가능하게 된다. 이상에서 설명한 바와 같은 본 발명은 RH 용강온도 예측 신경회로망 시스템은 RH 조업중 현재의 용강온도 및 연주도착시 용강온도를 예측하여, 온도조절을 위해 투입되는 부원료량의 설정을 최적화하는 것이 가능하도록 하고, 또한 품질에 중요한 영향을 미치는 목표연주주조온도에 적중하도록 모든 온도관련 제어량설정의 최적화시킴으로써,온도 실측에 관련한 프로브 사용량의 절감효과와 부원료 사용량의 절감효과와 품질향상 효과를 얻을 수 있게 된다.

Claims (1)

1. 합금철 호퍼로부터 부원료가 투입되며 상승관을 통해 래들에 결합된 베셀과, 상기 상승관에 결합된 가스투입구에 마련되는 환류가스제어밸브 및 환류가스센서와, 래들내의 용강온도검출을 위한 프로브를 가지는 샘플러와, 베셀진공을 위한 부우스터와, 써머커플러와, 진공센서와의 사이에서 데이타를 주고 받는 진공.검온.환류PLC와,상기 합금철 호퍼를 제어하며 CRT를 갖는 합금철 투입PLC 및 상기 PLC 들에 결합된 프로세스 컴퓨터를 포함하는 노외정련시스템에 있어서, 상기 프로세스 컴퓨터의 공정개시에 따라, 자연냉각의 온도변화량을 산출하는 신경회로망 I 과 인위냉각의 온도변화량을 산출하는 신경회로망 II 및 RH공정종료후 연주도착시까지의 이동간 용강온도를 예측하는 신경회로망 III으로 구성되는 신경회로망을 기동하는 단계와, 상기 프로세스 컴퓨터가 조업진행중의 현장설비센서를 통해 검출된 조업실적데이타를 PLC로부터 송신받아 온라인 실적화일에 저장하고 그에 따른 제어량 명령을 PLC에 일정주기/(수십초)로 송신하는 단계와, 상기 기동된 신경회로망이 상기 온라인 실적파일에 저장된 현조업차지의 용강관련 데이타중에서 용강의 자연냉각 요인 항목을 입력받아 가중치를 부가하여 용강의 자연냉각 분당강하량을 산출하고, 상기 데이터중 용강의 인위냉각요인 항목을 입력받아 가중치를 부가하여 용강의 인위냉각 분당강하량을 산출하며, 상기 데이타중 RH 공정후 연주도착시까지의 이동시간 등의 항목을 입력받아 가중치를 부가하여 용강의 연주도착후 온도를 예측하는 단계와, 상기 프로세스 컴퓨터는 상기 신경회로망에서 예측한 온도를 CRT에 출력하고,조업자로부터 현재 예측온도와 연주도착온도 데이타에서 온도적중을 위한 합금철투입량 및 가스환류량의 제어량을 설정받아 상기 합금철 투입PLC 및 진공,검온,환류PLC를 제어하여 상기 합금철 호퍼로부터 상기 베셀에 투입되는 합금철의 양 및 상승관에 투입되는 환류가스량을 가감하여 용강의 온도를 조절하는 단계와, 온도예측이 완료된 차지는 신경회로망의 입력데이타와 온도예측결과를 신경회로망 실적화일에 저장하는 단계와, 학습완료후 데이타 베이스에 저장된 모든 데이타가 새로운 데이타로 재편집되면 신경회로망은 재학습하여 설비조건에 맞는 가중치를 조정하는 단계를 포함하여 구성되며, 상기 신경회로망에 의한 온도예측은 먼저 RH공정개시후 첫 번째 온도실측시점에서 1시간동안 분단위로 온도를 예측하고 나중에 현시점에서 RH 공정을 종료한후 연주도착시까지의 온도를 예측하는 2개의 과정을 동시에 실행하는 것을 특징으로하는 신경망을 이용한 노외정련 처리중의 용강온도 예측방법