KR100402132B1 - 신경회로망을 이용한 주편폭 예측방법 - Google Patents

신경회로망을 이용한 주편폭 예측방법 Download PDF

Info

Publication number
KR100402132B1
KR100402132B1 KR10-1999-0059561A KR19990059561A KR100402132B1 KR 100402132 B1 KR100402132 B1 KR 100402132B1 KR 19990059561 A KR19990059561 A KR 19990059561A KR 100402132 B1 KR100402132 B1 KR 100402132B1
Authority
KR
South Korea
Prior art keywords
width
steel
cast
neural network
slab
Prior art date
Application number
KR10-1999-0059561A
Other languages
English (en)
Other versions
KR20010057261A (ko
Inventor
천창근
신건
Original Assignee
재단법인 포항산업과학연구원
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 재단법인 포항산업과학연구원 filed Critical 재단법인 포항산업과학연구원
Priority to KR10-1999-0059561A priority Critical patent/KR100402132B1/ko
Publication of KR20010057261A publication Critical patent/KR20010057261A/ko
Application granted granted Critical
Publication of KR100402132B1 publication Critical patent/KR100402132B1/ko

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

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

Abstract

본 발명은 연속주조공정에서 생산되는 주편의 폭을 신경회로망 학습을 통해 정확하게 예측할 수 있도록 한 신경회로망을 이용한 주편폭 예측방법에 관한 것이다.
이를 위해, 본 발명은 주편의 폭을 변화시키는 주요 인자들을 연속적으로 검출하는 단계와, 실제로 생산되는 주편의 폭 데이터를 수집하는 단계와, 수집된 데이터로부터 신경회로망을 통해 임의의 강의 주편시 실 주편의 폭값을 예측할 수 있도록 반복 학습토록 하는 단계를 포함하여 구성된다.
이에 따라, 본 발명은 강의 종류, 턴디쉬내 용강의 온도, 몰드폭, 2차 냉각패턴, 주조속도 등의 주편폭 변동에 영향을 미치는 요인들을 신경회로망에서 미리 학습하여 실 주조시 최적의 주편을 생산할 수 있도록 제어함으로써 특히 연주프로세스와 열연프로세스가 공존해 있는 미니밀프로세스에서 별도의 사이징을 위한 사이징밀을 설치하지 않아도 되므로 설비가 간단하고 제어가 용이하여 안정적인 설비운영을 꾀할 수 있모든 변수에 대한 정보를 미리 예측하여 주편을 연속주조하게 되므로 변형이 극소화된 최적의 주편을 생산할 수 있게 되는 효과를 제공한다.

Description

신경회로망을 이용한 주편폭 예측방법{THE PREDICTION METHOD OF SLAB WIDTH WITH NEURAL NETWORK}
본 발명은 연속주조공정에서 생산되는 주편의 폭을 신경회로망 학습을 통해정확하게 예측할 수 있도록 한 신경회로망을 이용한 주편폭 예측방법에 관한 것이다.
일반적으로 신경회로망(NEURAL NETWORK)이란 인간의 뇌를 모델로 하여 조립한 정보처리 기구로서, 유닛이라고 불리는 단순한 연산소자를 네트워크 모양으로 접속한 구조로 되어 있으며 정보는 병렬처리되어 학습기능을 갖고 퍼지(FUZZY)제어를 하는 특징을 구비한 것을 말한다.
최근 신경회로망에 관한 이론은 문자인식이나 자동제어, 컴퓨터통신, 분석, 통계 등 산업전반에 걸쳐 다양한 분야에 응용되고 있으며, 특히 철강분야에도 금 속의 야금학적인 성질을 정확하게 모델링하기 어렵기 때문에 그 사용 빈도가 증가하고 있고 그 적용범위도 확대되고 있는 추세이다.
본 발명은 이러한 최근의 추세에 부응하여 연주시 생산되는 주편폭을 정확하게 예측하고자 하는 것인 바, 이는 주편폭에 영향을 미치는 인자들이 상호 매우 복잡한 상관관계를 가지고 있어 모델링하는 것이 어렵고 모델링한다고 하더라도 정확한 예측이 불가능하기 때문에 신경회로망을 이용하여 학습을 통한 예측 시스템을 구축하고자 하는 것이다.
연주공정에서는 금속의 야금학적 성질 때문에 고온의 용강을 냉각시키는 과정에서 발생하는 수축현상과 도 2와 같은 철정압력에 의한 주편 폭방향으로의 팽창현상 등에 의해 최초 몰드에서 설정한 크기와 동일한 주편이 생산되지 못하는 현상이 발생된다.
이를 해결하기 위해, 종래에는 하기한 수학식 1과 같은 수식에 의해 온도모델과 보다 복잡한 철정압력 모델에 의한 수축 또는 팽창되는 주편의 변동폭을 예측하여 몰드폭을 결정한 후 운용하였다.
여기에서, Wth는 주편의 변동폭, T는 온도, Tex는 몰드 출구에서 주편의 표면온도, Tref는 냉각된 주편, α는 열적 수축계수이다.
그러나, 시간에 따른 턴디쉬내 용강온도 강하, 설비의 변화, 정확한 온도 및 철정압에 대한 모델링의 한계 등에 의해 목표로 하는 정확한 주편폭을 가진 주편을 생산하기가 어려웠다.
따라서, 연주프로세스와 열연프로세스 사이에 주편폭을 조정할 수 있는 사이징밀(SIZING MILL)을 별도로 설치하여 목표로 하는 주편폭을 재조정하고는 있으나, 이러한 사이징밀의 별도 설치에 따른 설비의 유지, 보수와 같은 운용상의 단점과 작업자의 업무가중 등에 따른 생산성의 저하가 유발되었고, 부가하여 설비비의 상승을 초래하였다.
본 발명은 상술한 바와 같은 종래 기술이 갖는 제반 문제점을 감안하여 이를 해결하고자 창안한 것으로, 신경회로망을 통해 주편폭의 변동에 영향을 미치는 주요한 인자인 강종, 턴디쉬내 용강온도, 몰드폭, 2차 냉각패턴, 주조속도 등의 정보를 입력하고 각 인자의 변화에 따라 실제 생산되는 주편의 폭변화를 학습하여 보다 정확한 주편폭을 예측할 수 있도록 한 신경회로망을 이용한 주편폭 예측방법을 제공함에 그 목적이 있다.
도 1은 본 발명에 따른 연주공정을 개략적으로 도시한 구성도,
도 2는 본 발명의 적용시 가변인자인 철정압력에 의해 주편이 팽창되는 모식도,
도 3은 본 발명에 따른 신경회로망의 개략적인 구성도.
* 도면의 주요 부분에 대한 부호의 설명 *
1 : 턴디쉬, 2 : 용강,
3 : 몰드, 4 : 구동롤,
6 : 주편, 7 : 온도측정기,
8 : 몰드폭제어기, 9 : 구동롤제어기,
10 : 주편폭측정기, 11 : 피엘시,
12 : 프로세스컴퓨터, 13 : 신경회로망.
상기한 본 발명의 목적은 턴디쉬 내부에 수용된 용강의 온도를 검출하는 온도검출기, 몰드의 폭을 제어하는 몰드폭제어기, 구동롤의 회전속도를 제어하는 구동롤제어기 및 인발되는 실주편의 폭을 측정하는 주편폭측정기들과 통신제어하도록 구비된 피엘시와 연주공정을 제어하는 프로세스컴퓨터간에 상호 교신하여 주편의 폭변화에 영향을 미치는 인자인 강의 종류, 턴디쉬내 용강의 온도, 몰드폭, 2차 냉각패턴, 주조속도 등을 연속적으로 검출수집하는 제1단계와; 임의의 강이 상기 제1단계의 선택된 조건에 맞추어 주조후 인발될 때 실제 생산되는 주편폭의 데이터를 수집하는 제2단계와; 상기 제1단계 및 제2단계에서 수집된 정보를 바탕으로 오류 역전파이론에 따라 구축된 신경회로망이 상기 프로세스컴퓨터와 통신하며 다양한 각 조건에 해당되는 강의 주편폭 변동을 학습하여 기억하는 제3단계와; 상기 제3단계를 거쳐 학습이 완료되고 임의의 강이 선택되어 연주작업이 수행될 때 그와 가장 근사한 예측값을 통해 입력한 주편폭과 최적의 대응된 주편폭을 생산할 수 있도록 연주설비를 예측 제어하는 제4단계를 포함하여 구성함에 의해 달성된다.
이하에서는, 본 발명에 따른 바람직한 일 실시예를 첨부도면에 의거하여 보다 상세하게 설명한다.
도 1은 본 발명에 따른 연주공정을 개략적으로 도시한 구성도이다.
도시된 바에 따르면, 연주공정은 턴디쉬(1) 내에 수용된 고온의 용강(2)이 상기 턴디쉬(1) 하부에 연통설치된 몰드(3)로 유입되고 상기 몰드(3)의 동판내에 냉각수가 흘러 1차냉각된 후 적절한 정도의 응고셀이 형성되며, 상기 몰드(3)에서 유출되는 주편(6)은 전체 스트랜드에 걸쳐 설치되어 있는 인발롤(4) 및 가이드롤(5)에 의해 지지됨과 동시에 2차냉각되어 연주기를 빠져나오기 전에 완전히 응고되어 인발되도록 하는 공정이다.
전술한 바와 같이, 주편의 폭을 변화시키는 인자는 크게 두가지로 그 첫째는 강종에 따라 독립된 온도의 함수를 갖기 때문에 이에 따른 수축현상이고, 두 번째는 강종에 따른 온도와 몰드폭, 2차 냉각패턴, 주조속도가 서로 복잡한 상관관계를 갖기 때문에 발생하는 팽창현상이다.
따라서, 특정한 모델로 근사화하는 것이 매우 어려우므로 이러한 상관관계를 도출할 수 있도록 도 3의 도시와 같은 학습가능한 신경회로망(13)을 구비한다.
상기 신경회로망(13)은 최근에 알려진 오류역전파이론(BACKWARD PROPAGATION OF ERRORS)에 따른 학습 알고리즘을 갖는 것으로 프로세스컴퓨터(12)와 지속적인 통신이 가능하게 연결되며, 또한 상기 프로세스컴퓨터(12)는 피엘시(PROGRAMMABLE LOGIC CONTROLLER)(11)와 통신가능하게 연결설치된다.
상기 피엘시(11)는 턴디쉬(1) 내부에 수용된 용강의 온도를 측정하는 온도측정기(7), 몰드(3)에 연결된 몰드폭제어기(8) 및 각 구동롤(4)의 속도를 제어하는 구동롤제어기(9), 2차 냉각을 거쳐 최종 인발되는 주편의 폭을 측정하는 주편폭측정기(10)와 각각 연결되어 상호 교신가능하게 설치된다.
특히, 주편(6)은 도 2의 도시와 같이, 구동롤(4)에 의해 갇혀있는 형상이 되기 때문에 그 팽창시에 주편(6)의 두께방향으로는 팽창하기 어렵고 폭방향으로는 쉽게 팽창가능하다.
그러므로, 상기 주편(6)의 폭방향 팽창정도는 주편의 두께방향은 무시하고 폭방향만 고려하면 되므로 그 팽창정도를 상기 신경회로망(13)에서 충분히 학습함으로써 각 강종과 온도조건, 주조속도 등의 근사치를 기준으로 팽창되는 폭을 거의 정확하게 예측할 수 있게 된다.
즉, 상기 신경회로망(13)은 프로세스컴퓨터(12)로부터 생산하는 강종과 2차 냉각패턴을 전송받고, 일정한 주기로 피엘시(11)와 상기 프로세스컴퓨터(12)를 통하여 턴디쉬(1)의 온도측정기(7)로부터 온도데이터를, 그리고 몰드폭제어기(8)로부터 몰드폭데이터를, 또한 구동롤제어기(9)로부터 주조속도데이터를, 아울러 주편폭측정기(10)로부터 생산되는 주편의 폭에 대한 데이터를 전송받아 해당 강종의 연주과정을 학습하게 된다.
상기 신경회로망(13)의 알고리즘은 오류 역전파이론을 이용한 것으로서, 먼저 입력층에는 조업실적 데이터인 주편의 폭을 변화시키는 주요 인자들을 입력하고 최종 출력층에서는 생산되는 주편폭을 산출하도록 하여 조업시 실측한 주편폭과 상기 신경회로망(13)에서 산출한 주편폭을 비교하고 그 차이를 역으로 전송하여 오차에 따른 각 층(입력층, 중간층, 출력층)의 가중치(설정치)를 수정하는 과정을 반복수행한다.
즉, 다양한 각 강종의 정보에 따른 각각의 온도조건에 따른 출력층의 주편폭변화, 몰드폭데이터에 따른 주편폭의 변화, 주조속도에 따른 주편폭의 변화 등을 참고하여 입력층, 중간층, 출력층의 가중치를 수정하면서 실험적으로 반복순환하여 신경회로망(13)이 예측한 예측치와 실조업시 생산된 주편폭의 실측치와의 오차를 최소화하는 학습을 하도록 한다.
예컨대, 강종을 중심으로 학습한다면 나머지 조건, 턴디쉬내 용강온도, 몰드폭, 2차 냉각패턴, 주조속도 등은 일정하게 고정한 상태에서 여러 종류의 강을 대상으로 학습하고, 용강의 온도를 중심으로 한다면 용강온도를 제외한 모든 인자는 일정하게 유지한 채 용강의 온도만을 변화시켜 가면서 그에 따른 주편폭의 변화를 학습할 수 있도록 하는 것이며, 나머지 인자에 대해서도 마찬가지다.즉, 실제출력패턴(주편폭)과 예상된 출력패턴(주편폭)과를 비교하여 제곱평균오차를 먼저 구한 후 그 오차를 출력측에서 입력측으로 전파시키면서 가중치의 증가변화율에 따라 가중치를 수정하게 함으로써 이를 학습하고 기억하여 동일조건에 대해서는 동일한 가중치를 적용할 수 있게 되는 것이다.
이러한 학습을 통해 해당 연주기에서 생산하는 모든 종류의 강과 생산되는 주편 크기를 대상으로 학습하고 나면 주편폭 산출식을 신경회로망이 산출, 기억하게 된다.
이와 같은 과정을 통해 학습이 완료되면 프로세스컴퓨터(12) 내부의 데이터베이스로 학습한 자료를 저장하고, 해당 강종의 연주시 조업지시가 내려지면 상기 신경회로망(13)은 해당 강종에 가장 근사한 설비조건 및 조업조건을 유지하며 연속주조를 수행하여 최적의 주편폭을 가진 주편을 생산할 수 있게 된다.
즉, 주편폭을 예측 제어하게 되므로 주편폭의 변동이 극소화되어 양품의 주편을 생산할 수 있게 되는 것이다.
다시 말하면, 주편의 폭을 변화시키는 전술한 주요 인자를 연속적으로 검출하는 단계를 수행한 후 실제 생산되는 주편의 폭 데이터를 수집하는 단계를 수행하고, 다시 수집된 데이터로부터 신경회로망(13)을 통해 학습하는 단계를 거쳐 최적의 주편폭을 가진 주편을 생산할 수 있게 된다.
이상에서 상세히 설명한 바와 같이, 본 발명에 따른 신경회로망을 이용한 주편폭 예측방법은 다음과 같은 효과를 제공한다.
첫째, 강의 종류, 턴디쉬내 용강의 온도, 몰드폭, 2차 냉각패턴, 주조속도 등의 주편폭 변동에 영향을 미치는 요인들을 신경회로망에서 미리 학습하여 실 주조시 최적의 주편을 생산할 수 있도록 제어함으로써 연주프로세스와 열연프로세스가 공존해 있는 미니밀프로세스에서 별도의 사이징을 위한 사이징밀을 설치하지 않아도 되므로 설비가 간단하고 제어가 용이하여 안정적인 설비운영을 꾀할 수 있다는 장점이 있다.
둘째, 모든 변수에 대한 정보를 미리 예측하여 주편을 연속주조하게 되므로 변형이 극소화된 최적의 주편을 생산할 수 있게 되며, 생산성도 향상되는 장점이 있다.

Claims (1)

  1. 턴디쉬(1) 내부에 수용된 용강의 온도를 검출하는 온도검출기(7), 몰드(3)의 폭을 제어하는 몰드폭제어기(8), 구동롤(4)의 회전속도를 제어하는 구동롤제어기(9) 및 인발되는 실주편의 폭을 측정하는 주편폭측정기(10)들과 통신제어하도록 구비된 피엘시(11)와 연주공정을 제어하는 프로세스컴퓨터(12)간에 상호 교신하여 주편의 폭변화에 영향을 미치는 인자인 강의 종류, 턴디쉬내 용강의 온도, 몰드폭, 2차 냉각패턴, 주조속도 등을 연속적으로 검출수집하는 제1단계와;
    임의의 강이 상기 제1단계의 선택된 조건에 맞추어 주조후 인발될 때 실제 생산되는 주편폭의 데이터를 수집하는 제2단계와;
    상기 제1단계 및 제2단계에서 수집된 정보를 바탕으로 오류역전파이론에 따라 구축된 신경회로망(13)이 상기 프로세스컴퓨터(12)와 통신하며 실제 주편폭의 출력패턴과 예상된 주편폭의 출력패턴을 비교한 후 그들의 제곱평균오차를 구하고 이를 출력측에서 입력측으로 전파하면서 가중치를 수정하고 이를 기억하여 학습하는 제3단계와;
    상기 제3단계를 거쳐 학습이 완료되고 임의의 강이 선택되어 연주작업이 수행될 때 기억된 값중에서 그와 가장 근사한 값을 예측하고 이를 통해 입력한 주편폭과 최적의 대응된 주편폭을 생산할 수 있도록 연주설비를 예측제어하는 제4단계를 포함하여 구성되는 것을 특징으로 하는 신경회로망을 이용한 주편폭 예측방법.
KR10-1999-0059561A 1999-12-21 1999-12-21 신경회로망을 이용한 주편폭 예측방법 KR100402132B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR10-1999-0059561A KR100402132B1 (ko) 1999-12-21 1999-12-21 신경회로망을 이용한 주편폭 예측방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR10-1999-0059561A KR100402132B1 (ko) 1999-12-21 1999-12-21 신경회로망을 이용한 주편폭 예측방법

Publications (2)

Publication Number Publication Date
KR20010057261A KR20010057261A (ko) 2001-07-04
KR100402132B1 true KR100402132B1 (ko) 2003-10-17

Family

ID=19627427

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-1999-0059561A KR100402132B1 (ko) 1999-12-21 1999-12-21 신경회로망을 이용한 주편폭 예측방법

Country Status (1)

Country Link
KR (1) KR100402132B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103011356B (zh) * 2012-08-15 2014-02-12 重庆水务集团股份有限公司 一种高浊度水系自动投药控制方法
CN103645633B (zh) * 2013-12-25 2017-01-18 中国科学院自动化研究所 一种变换炉系统的炉温自学习控制方法
KR102148792B1 (ko) * 2019-03-21 2020-08-27 조선내화 주식회사 레이저 진동측정을 이용한 제강 - 연주 공정설비 제어 및 상태분석 방법과 이를 이용한 시스템

Also Published As

Publication number Publication date
KR20010057261A (ko) 2001-07-04

Similar Documents

Publication Publication Date Title
KR101090004B1 (ko) 압연 제어 장치 및 압연 제어 방법
US6102101A (en) Continuous casting method and apparatus thereof
CN113849020B (zh) 一种基于人工智能算法的钢坯升温曲线设计方法及装置
Hore et al. Neural network modelling to characterize steel continuous casting process parameters and prediction of casting defects
KR100402132B1 (ko) 신경회로망을 이용한 주편폭 예측방법
CN1596163A (zh) 用于连续铸造的方法
Shi et al. Breakout Prediction Based on Twin Support Vector Machine of Improved Whale Optimization Algorithm
CN100512988C (zh) 轧制控制方法和轧制控制装置
JPH06154829A (ja) 板圧延における板厚・張力制御方法
Ji et al. Online dynamic control of secondary cooling for the continuous casting process
Chen Control of constrained moving-boundary process with application to steel continuous casting
Thomas et al. Online dynamic control of cooling in continuous casting of thin steel slabs
JP2000015409A (ja) 連続鋳造方法
Chen Study of spray-cooling control for maintaining metallurgical length or surface temperature during speed drop for steel continuous casting
Martinetz et al. Neural network control for rolling mills
Reeve et al. Control, automation and the hot rolling of steel
JP4407353B2 (ja) 金属シートの製造装置と製造方法
Petrus Distributed parameter control of heat diffusion with solidification
Kwiecień et al. Preparation of Papers for IFAC Conferences & Symposia: Soft sensor control for twin roll casting processes of magnesium alloys
Wang et al. Simulation and application of magnesium alloy gap controller based on hybrid prediction model
Petrus et al. Implementation of a Real‐time Model‐based Spray‐cooling Control System for Steel Continuous Casting
JP2719215B2 (ja) 板圧延のエッジドロップ制御方法
Jabri et al. Disturbances Estimation for Mold Level Control in the Continuous Casting Process.
Johnson et al. Vertical continuous casting of bars
KR100529062B1 (ko) 리퀴드 코아 리덕션 시 주형 내 탕면 레벨 제어장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20081006

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee