KR0135005B1

KR0135005B1 - Temperature controlling method for electric furnance

Info

Publication number: KR0135005B1
Application number: KR1019940038827A
Authority: KR
Inventors: 유재상
Original assignee: 김만제; 포항종합제철주식회사
Priority date: 1994-12-29
Filing date: 1994-12-29
Publication date: 1998-04-25
Also published as: KR960024776A

Abstract

본 발명은 전기로 내의 정밀한 온도제어를 위하여 온도데이타의 선택적 학습을 이용한 신경회로망 제어기를 구상하여 미세한 목표온도를 유지할 수 있도록 한 전기로 내 온도제어 방법에 관한 것으로 전기로의 수동제어기를 비선형 함수로 보고, 그 비선형 함수를 인공신경회로망으로 근사시키되, 플랜트의 출력과 입력을 학습쌍으로 하여 신경회로망을 학습시켜 실현하였다. 그런데 숙련자에 의한 온도 제어시에 추출된 학습데이터들이 미세한 부분에서 매우 불규칙적이고 상호 충돌하여 이러한 데이터들로는 신경회로망을 적절히 학습시키는 것이 매우 어렵기 때문에 효과적으로 학습시키기 위하여 학습데이터의 전체 경향을 대표할 수 있는 점근 안정한 기준모델(reference model)을 만들고, 기준모델에 부합하는 학습데이터에 대한 학습율을 크게하고 부합하지 않는 학습데이터에 대한 학습율을 작게하여 선택적으로 학습시킬 수 있도록 한 것이다.The present invention relates to a temperature control method in an electric furnace in which a neural network controller using selective learning of temperature data can be designed to maintain a fine target temperature for precise temperature control in an electric furnace. A manual controller of an electric furnace is reported as a nonlinear function. We approximate the nonlinear function with artificial neural network, but the neural network is trained using the output and input of the plant as learning pairs. However, since the learning data extracted during the temperature control by the skilled person are very irregular and collide with each other in small portions, it is very difficult to properly train the neural network with these data, so that the overall trend of the learning data can be represented for effective learning. Asymptotically stable reference model was created, and the learning rate for learning data meeting the reference model was increased, and the learning rate for non-matching learning data was made small so that it could be selectively learned.

Description

Temperature control method in electric furnace

도 1은 본 발명 신경회로망 온도제어 시스템의블록도1 is a block diagram of a neural network temperature control system of the present invention

도 2는 본 발명 신경회로망제어기 구성을 위한 학습데이터 추출을 나타낸 블록도2 is a block diagram showing the extraction of learning data for the configuration of the neural network controller of the present invention

도 3은 본 발명 숙련자에 의해 구해진 온도오차응답곡선도Figure 3 is a temperature error response curve obtained by the skilled person

도 4는 본 발명 기준 모델에 의한 온도차 곡선도4 is a temperature difference curve according to the present invention reference model

도 5는 본 발명입력에 따른 학습율을 선택적으로 결정하기 위한 블록도5 is a block diagram for selectively determining the learning rate according to the present invention input

도 6은 본 발명 온도제어를 위한 하드웨어 블록도Figure 6 is a hardware block diagram for the temperature control of the present invention

도 7은 본 발명 신경회로망제어기에 의한 계단응답 그래프7 is a step response graph by the neural network controller of the present invention.

도 8은 본 발명 일정이득의 PID 제어기에 의한 계단응답 그래프8 is a step response graph by the PID controller of the present invention constant gain

도 9는 본 발명 신경회로망제어기에 의해 온도 응답이 정상상태에 도달한 후 매 샘플링타임마다 ±0.5℃의 랜덤노이즈를 온도측성치에 추가시켰을 경우의 결과도9 is a result of adding random noise of ± 0.5 ° C to the temperature measurement value every sampling time after the temperature response reaches a steady state by the neural network controller of the present invention.

도 10은 본 발명 PID 제어기에 의한 온도응답이 정상상태에 도달한 후 매 샘플링타임마다 ±0.5℃의 랜던노이즈를 온도측정치에 추가시켰을 경우의 결과도10 is a result of adding a random noise of ± 0.5 ° C to the temperature measurement at every sampling time after the temperature response by the PID controller of the present invention reaches a steady state.

본 발명은 전기로 내의 정밀한 온도제어를 위하여 온도데이터의 선택적 학습을 이용한 신경회로망 제어기를 구성하여 미세한 목표온도를 유지할 수 있도록 한 전기로 내 온도제어 방법에 관한 것이다.The present invention relates to a temperature control method in an electric furnace for maintaining a fine target temperature by constructing a neural network controller using selective learning of temperature data for precise temperature control in an electric furnace.

동적시스템 제어에서는 일반적으로 제어하고자 하는 대상 시스템의 정확한 수학적 모델링을 필요로 한다. 그러나 실제시스템이 비선형인 경우에는 그 시스템을 정확히 모델링 하는 것이 매우 어렵고 또한 정밀한 제어도 곤란하다.Dynamic system control usually requires accurate mathematical modeling of the target system to be controlled. However, when the actual system is nonlinear, it is very difficult to accurately model the system, and precise control is difficult.

따라서 실제의 발전소와 같은 복잡한 시스템에서는 많은 부분의 제어가 숙련된 작업자에 의해 수행되고 있다. 그러나 해저탐험, 우주공간 탐사, 핵발전소와 같은 원거리의 그리고 위험한 환경에서는 사람이 직접 기계를 제어하는 것이 어렵기 때문에, 기계의 제어부분에 숙련자의 제어정보를 부여하여 자동화하는 것이 바람직하고, 그를 위해서 숙련자의 제어정보를 모델링하는 방법이 많이 연구되어져 왔으며, 숙련자의 제어법칙을 비선형함수로 표현하고 그 비선형함수를 인공신경회로망으로 근사시키는 것이 한가지 방법이 될 수 있다.Therefore, in a complex system such as a real power plant, much of the control is performed by skilled workers. However, in remote and dangerous environments such as underwater exploration, space exploration, and nuclear power plants, it is difficult for humans to control the machine directly. Therefore, it is desirable to automate the control part of the machine by giving expert control information. The method of modeling the control information of the skilled person has been studied a lot, and one method is to express the control rule of the skilled person as a nonlinear function and approximate the nonlinear function to the artificial neural network.

최근에 고전적인 방법으로는 잘 해결되지 않던 패턴인식, 음성인식, 영상처리 등에 인공신경회로망이 많이 적용되고 있다. 학습기능, 적응성, 일반성, 분산기억기능, 병렬계산기능 등의 특성으로 갖고 있는 인공신경회로망은 동적시스템의 식별과 제어에도 이용되고 있다.Recently, many neural networks have been applied to pattern recognition, speech recognition, and image processing, which have not been well solved by classical methods. Artificial neural networks, which have characteristics such as learning, adaptability, generality, distributed memory, and parallel computation, are also used for identification and control of dynamic systems.

또한 비선형함수를 근사시킬 수 있으므로, 숙련된 작업자에 의해 제어출력을 함수의 출력으로 하고, 제어대상의 상태 또는 출력을 함수의 입력으로 하는 비선형 함수를 인공신경회로망으로 근사시켜 적절한 제어 특성을 얻을 수 있다.In addition, since the nonlinear function can be approximated, an appropriate control characteristic can be obtained by approximating a nonlinear function, which has a control output as a function output by a skilled worker, and an artificial neural network, which approximates a nonlinear function whose state or output is a function input. have.

한편 전기로는 전열부에 의해 열을 발생시켜 목표온도로 상승, 유지하게 되는데 이러한 시스템의 특성은 플랜트에서의 열의 저장과 방출에 관련되어 비선형적이며 시간지연이 크기때문에 정확한 모델링과 정밀한 제어가 매우 어렵다고 하는 문제점이 있다.On the other hand, the electric furnace generates heat by the heat transfer unit and rises and maintains the target temperature. The characteristics of such a system are nonlinear and high in time delay related to the storage and release of heat from the plant. Therefore, accurate modeling and precise control are very difficult. There is a problem.

그러나 전기로는 다른 종류의 플랜트에 비해서 시정수가 매우 큰 편이므로 수동조작에 의한 온도제어가 가능하며, 숙련된 작업자가 제어할 경우에 온도오차를 대폭 줄일 수 있다.However, electric furnaces have very large time constants compared to other types of plants, so temperature control by manual operation is possible, and the temperature error can be greatly reduced when controlled by skilled workers.

따라서 본 발명은 상기와 같은 전기로 내 온도제어 문제점을 해소하고자 발명한 것으로, 이를 첨부도면에 의거하여 상세히 설명하면 다음과 같다.Therefore, the present invention is invented to solve the temperature control problem in the electric furnace as described above, it will be described in detail based on the accompanying drawings as follows.

본 발명에서는 전기로의 수동제어기를 비선형 함수로 보고, 그 비선형 함수를 인공신경회로망으로 근사시키되, 플랜트의 출력과 입력을 학습쌍으로 하여 신경회로망을 학습시켜 실현하였다. 그런데 숙련자에 의한 온도제어시에 추출된 학습데이터들이 미세한 부분에서 매우 불규칙적이고 상호 충돌하여 이러한 데이터들로는 신경회로망을 적절히 학습시키는 것이 매우 어렵기 때문에 효과적으로 학습시키기 위하여 학습데이터의 전체경향을 대표할 수 있는 점근 안정한 기준모델(reference model)을 만들고, 기준모델에 부합하는 학습데이터에 대한 학습율을 크게하고 부합하지 않는 학습데이터에 대한 학습율을 작게하여 선택적으로 학습시켰다.In the present invention, the passive controller of the electric furnace is viewed as a nonlinear function, and the nonlinear function is approximated by an artificial neural network, but the neural network is trained using the output and input of the plant as a learning pair. However, since the learning data extracted during the temperature control by the skilled person are very irregular and collide with each other in small portions, it is very difficult to properly train the neural network with these data, so that the overall trend of the learning data can be represented to effectively learn. An asymptotically stable reference model was created, and the learning rate for learning data meeting the reference model was increased and the learning rate for non-matching learning data was reduced.

본 발명에서 제안한 신경회로망 온도제어 시스템의 블록도는 도 1과 같다. 목표온도를 Tr(k)이라고 하고, 현재온도를 T(k)이라고 하면 온도오차 e(k)는 e(k)=Tr(k)-T(k)로 정의된다. 신경회로망 제어기의 입력은 현재 온도오차 e(k)와 과거 온도오차 e(k-1), 하였다. e(k)와 e(k-1)은 기준모델과의 부합되는 정도의 정보를 제공하는 역할, 즉 신경회로망의 학습율을 결정하게 되며, e(k-1), e(k-2),……, e(k-n)은 시간지연에 대한 정보를 제공하는 인자로서의 역할을 수행한다.The block diagram of the neural network temperature control system proposed in the present invention is shown in FIG. If the target temperature is called Tr (k) and the present temperature is called T (k), the temperature error e (k) is defined as e (k) = Tr (k) -T (k). The inputs of the neural network controller are the current temperature error e (k) and the past temperature error e (k-1). e (k) and e (k-1) determine the learning rate of the neural network, that is, the role of providing information corresponding to the reference model, and e (k-1), e (k-2), … … , e (k-n) serves as a factor that provides information about time delay.

상기 신경회로망제어기를 학습시키기 위한 입출력 데이터는 다음과 같은 방법으로 구하였다. 온도센서(열전쌍)를 이용하여 전기로의 온도를 컴퓨터에 입력시키고 그래픽을 이용해 시간에 따른 온도변화곡선을 컴퓨터 모니터를 통해 보면서 온도오차가 0으로 가게끔 숙련자가 수동제어를 하여, 매 샘플링 시간마다의 온도 오차와 가한 전류값을 구한다. 도 2는 신경회로망제어기 구성을 위한 학습데이타 추출방법에 대한 블록도이다.Input and output data for learning the neural network controller was obtained by the following method. The temperature sensor (thermocouple) is used to input the temperature of the furnace into the computer, and the graphic monitor shows the temperature change curve over time on the computer monitor. Find the temperature error and the applied current. 2 is a block diagram of a learning data extraction method for constructing a neural network controller.

앞에서 언급한 바와 같이 전기로 내의 온도를 목표온도로 유지하기 위해서 숙련자가 수동제어를 할 때에, 입출력 데이터를 추출하기 위해서 숙련자가 수동제어를 할 때에, 입출력 데이터를 추출하게 되는데 데이터 중에는 동일한 온도와 온도변화분에 대해서 서로 다른 전류값이 지정되어 상호충돌하는 부적합한 학습데이터가 포함될 수 있다. 이와 같은 부적합한 데이터가 포함된 경우에 신경회로망을 학습시키기 곤란하여 다음과 같은 기준모델에 의한 학습법을 사용하여 신경회로망을 효과적으로 학습시킨다.As mentioned above, when the skilled person performs manual control to maintain the temperature in the furnace at the target temperature, and the skilled person performs manual control to extract the input / output data, the input / output data is extracted. Inappropriate learning data may be included in which different current values are specified for the change and collide with each other. In the case where such inappropriate data is included, it is difficult to learn neural networks, and the neural networks are effectively trained using a learning method based on a reference model as follows.

도 3의 숙련자에 의해 구해진 온도오차응답곡선은 오버슈트를 가지므로 다음과 같은 2차의 미분방정식으로 근사시킬 수 있다.Since the temperature error response curve obtained by the skilled person of FIG. 3 has an overshoot, it can be approximated by the following second differential equation.

‥‥

y(t) + 2ζωny(t) + ω2ny(t) = 0............................(1)y (t) + 2ζωny (t) + ω2ny (t) = 0 ............................ (1)

위 (1)식을 라플라스 변환하면 (2)식과 같다.Laplace transform of Eq. (1) is the same as Eq. (2).

s2y(s) - sy(0) - y(0) + 2ζωn[sY(s) - y(0)] + ω2nY(s) = 0.......(2)s2y (s)-sy (0)-y (0) + 2ζωn [sY (s)-y (0)] + ω2nY (s) = 0 ....... (2)

단, y(0)=0Where y (0) = 0

그리고 최대오버슈트 Mp와 최대오보슈트 도달시간 tp는 다음과 같이 ζ와 ωn으로 표현된다.The maximum overshoot Mp and the maximum overshoot arrival time tp are expressed as ζ and ωn as follows.

Mp = e^-a...................(4)Mp = e ^-a ......... (4)

Mp와 tp를 도3으로부터 구하여 ζ와 ωn을 상기 식으로부터 구한다.Mp and tp are obtained from Fig. 3, and ζ and ωn are obtained from the above equation.

(1)식에 대한 차분 방정식을 얻기 위해서 미분값을 다음과 같은 근사식으로 대치한다.To obtain the difference equation for equation (1), the derivative is replaced by the following approximation.

단, y(k)는 t=kTs에서의 y(t)를 나타내고 Ts는 샘플링타임이다.However, y (k) represents y (t) at t = kTs and Ts is a sampling time.

따라서 (1) 식의 2차 미분방정식을 (6) 식들을 이용하여 다음의 (9)식과 같은 2차미분방정식으로 바꿀 수 있다.Therefore, by using the equations (6), the second derivative of (1) can be converted into a second differential equation like the following (9).

y(k+2)=(2-2ζω_nT_s)·y(k+1)+(2ζω_nT_s-1-ω²n T²s)·y(k) ...........(9)y (k + 2) = (2-2ζω _n T _s ) y (k + 1) + (2ζω _n T _s -1-ω ² n T ² s) y (k) ....... .... (9)

(9)식의 k를 k-1로 바꾸어 표현하면 다음과 같다.If k in equation (9) is replaced with k-1, it is as follows.

y(k+1)=C1·y(k)+y(k-1)................................(10)y (k + 1) = C1y (k) + y (k-1) ........................ .. (10)

단, C1=2- 2ζω_nT_s However, C1 = 2- 2ζω _n T _s

C2=2ζω_nT_s-1-ω²n T_s C2 = 2ζω _n T _s -1-ω ² n T _s

위의 방법에 의해 구해진 기준모델에 의한 온도차 곡선은 도 4와 같으며, 도 3과 비교해보면 그 특성이 거의 비슷하고 점근안정함을 확인할 수 있다.The temperature difference curve by the reference model obtained by the above method is shown in FIG. 4, and compared with FIG. 3, the characteristics are almost similar and asymptotically stable.

목표온도를 기준으로 허용오차 범위 내에서 온도오차 e(k)가 머물도록 숙련자가 수동제어를 하여 발생시킨 제어량과, 전기로의 현재 온도오차와 과거 온도오차를 신경회로망의 학습 데이터로 하며 e(k)와 e(k-1)의 값을 기준모델의 식 (11)에 대입하여 e(k+1)을 구한다. 기준모델의 출력 e(k+1)과 한 스텝 뒤의 온도오차 e(k+1)를 식 (12)에 대입하여 매 스텝마다 학습율 n을 식(13)에의해 결정하게 된다.Based on the target temperature, the control amount generated by the skilled worker's manual control so that the temperature error e (k) stays within the tolerance range, the current temperature error of the electric furnace and the past temperature error are the training data of the neural network. ) And e (k-1) are substituted into Equation (11) of the reference model to obtain e (k + 1). The output rate e (k + 1) of the reference model and the temperature error e (k + 1) after one step are substituted into Eq. (12), and the learning rate n is determined by Eq. (13) for each step.

e(k+1)=C1·e(k)+C2·e(k-1) ...........................(11)e (k + 1) = C1e (k) + C2e (k-1) ........... ( 11)

J(k)=[e(k+1)-e(k+1)]²...................(12)J (k) = [e (k + 1) -e (k + 1)] ² ... (12)

단, C는 상수Where C is a constant

도 5는 입력에 따른 학습율을 선택적으로 결정하기 위한 블록도이다. 본 발명에서, 온도를 감지하기 위한 센서로써 K형 (K-type)의 열전쌍을 사용하였고, 온도에 해당하는 신호는 수 mV의 전압으로 감지되는데 감지된 신호를 제어에 사용할 수 있도록 0∼5V 사이의 전압으로 증폭하고 온도보상을 한다. 이러한 신호 증폭과 온도보상을 위하여 시그널 처리보드를 사용하였고 그 값이 데이터 획득보드의 A/D변환기에 의해 ni 컴퓨터로 보내어진다. 컴퓨터에서는 그 받은 값은 신경회로망 제어기 프로그램에 입력시켜서 전류명령에 해당하는 출력을 구한 뒤에 그 값을 데이터 획득보드의 D/A 변환기를 통해 전류 제어기에 보낸다. 전류 제어기는 CT(Current temp)를 통해 전기로에 흐르고 있는 전류의 양과 신경회로망제어기의 전류명령값을 비교해서 그에 해당하는 PWM신호를 발생시키고 절연게이트형 바이폴라 트랜지스터(IGBT; Insulated Gate Bipolar Transistor)를 개폐하여 전기로에 인가되는 전류를 제어하게 된다. 도 6은 전기로 온도제어를 위한 하드웨어의 블록도이다.5 is a block diagram for selectively determining a learning rate according to an input. In the present invention, a K-type thermocouple is used as a sensor for sensing a temperature, and a signal corresponding to a temperature is sensed with a voltage of several mV. Amplify to voltage and compensate temperature. For signal amplification and temperature compensation, a signal processing board is used, and the value is sent to the ni computer by the A / D converter on the data acquisition board. In the computer, the received value is inputted to the neural network controller program to obtain the output corresponding to the current command, and then the value is sent to the current controller through the D / A converter of the data acquisition board. The current controller compares the amount of current flowing in the electric furnace with CT (Current temp) and generates the corresponding PWM signal to generate the corresponding PWM signal and opens and closes the Insulated Gate Bipolar Transistor (IGBT). By controlling the current applied to the electric furnace. 6 is a block diagram of hardware for electric furnace temperature control.

인공신경회로망은 C프로그램으로 실현되었으며, 2층의 은닉층을 갖고 있는 각층은 7개의 푸로세싱엘레멘트들로 이루어져 있다. 실현된 신경회로망은 기준모델과 역전파 학습법으로 반복학습시킨 뒤에 원하는 제어성능을 얻었다. 도 7과 도 8은 신경회로망제어기와 비슷하게 나타남을 알 수 있다. 물론 신경회로망제어기를 더욱 숙련된 작업자의 학습데이터로 충실하게 학습시키면 더욱 좋은 제어특성을 얻을 수 있으나, 공정한 성능평가를 위해서 PID제어기의 계단응답이 신경회로망제어기의 그것보다 좋거나 비슷하게 PID이득을 선정하였다. 도 9와 도 10은 신경회로망제어기와 PID제어기가 정상상태에 도달한 후 매 샘플링타임마다±0.5℃의 랜덤 노이즈를 센서의 온도측정치에 부가하였을 때의 실험결과이다. 신경회로망 제어기는 센서노이즈에 대하여 크게 영향을 받지 않는 매우 좋은 결과를 보여주나 PID제어기는 센서노이즈의 영향을 매우 많이 받아서 정상상태값을 유지하지 못하였다.The artificial neural network is realized by a C program, and each layer with two hidden layers consists of seven processing elements. The realized neural network was repeatedly trained with the reference model and the backpropagation method to obtain the desired control performance. 7 and 8 can be seen that similar to the neural network controller. Of course, if the neural network controller is trained faithfully with the training data of a more skilled worker, better control characteristics can be obtained.However, for fair performance evaluation, the PID gain is selected to have a better or similar PID gain than that of the neural network controller. It was. 9 and 10 show an experimental result when the neural network controller and the PID controller add random noise of ± 0.5 ° C to the temperature measurement value of the sensor at every sampling time after the neural network controller and the PID controller reach a steady state. The neural network controller shows very good results that are not significantly affected by the sensor noise, but the PID controller was not affected by the sensor noise so much that it could not maintain the steady state value.

종래의 제어방법에서는 설정온도와 거의 차이가 없는 미세한 온도제어가 어려웠으나 신경회로망을 이용했을 경우 정밀한 온도제어가 가능함을 확인할 수 있었다.In the conventional control method, it was difficult to control the minute temperature with little difference from the set temperature. However, when the neural network was used, the precise temperature control was possible.

Claims

The temperature error response curve in the electric furnace is obtained, and the following equation (1) is approximated, and the maximum overshoot (Mp) and the maximum overshoot arrival time (tp) are obtained from the temperature error response curve. Ζ and Wn by Eq.), And replace Eq. (1) with Approximate Eqs. (6) and (7) to obtain equations (9) and (10). The temperature control method in the furnace, characterized in that to configure the neural network controller by obtaining the learning rate n for each system by the formula (10) of the reference model, and to maintain the temperature in the furnace constant with the neural network controller.

‥

y (t) + 2ζω _n y (t) + ω ² ny (t) = 0 .................. (1 )

s ² Y (s)-sy (0)-y (0) + 2ζω _n [sY (s)-y (0)] + ω ² _n Y (s) ........... ( 2)

Where y (0) = 0

M _p = e ^-a ......... (4)

However, y (k) represents y (t) at t = kTs and Ts is a sample reel time.

y (k + 2) = (2-2ζω _n T _s ) y (k + 1) + (2ζω _n T _s -1-ω ² n T ² s) y (k) ....... (9)

y (k + 1) = C1y (k) + y (k-1) ........................ .. (10)

However, C1 = 2- 2ζω _n T _s

C2 = 2ζω _n T _s -1-ω ² n T _s

The method of claim 1, wherein the validity of the training data is determined using equation (10) of the reference model, and the neural network controller is configured by adjusting the learning rate n, and the neural network controller is used to maintain a constant temperature in the furnace. Temperature control method in electric furnace