KR100832424B1

KR100832424B1 - 신경회로망을 이용한 연속주조공정의 품질안정화 방법

Info

Publication number: KR100832424B1
Application number: KR1020010075551A
Authority: KR
Inventors: 김천규
Original assignee: 주식회사 포스코
Priority date: 2001-11-30
Filing date: 2001-11-30
Publication date: 2008-05-26
Also published as: KR20030044706A

Abstract

본 발명은 연속주조공정에서 턴디쉬 침적 노즐에 개재물 집적에 의한 노즐막힘 발생시 물리적인 힘으로 강제개공을 할 때 발생되는 조업변동 인자를 신경회로망을 이용하여 품질열화 범위를 선정하고 품질영향 범위를 트래킹하여 연속주조공정의 품질보증 체계를 구축하기 위한 신경회로망을 이용한 연속주조공정의 품질안정화 방법에 관한 것이다.

본 발명은 연속주조공정에 있어서 침적 노즐 강제 개공(봉쑤심)이 시행될 때 발생되는 주요 조업 항목의 변동을 신경회로망을 이용하여 자체 학습을 통한 품질 영향 정도를 측정할 수 있도록 피엘시 레벨에서 모델을 구성하고, 품질 불안정 구역에 대한 위치를 트래킹하여 대상 주편의 품질을 요구 품질 수준과 비교 평가하는 품질판정 체계를 포함하는 신경회로망을 이용한 연속주조공정의 품질안정화 방법을 제공한다.

Description

신경회로망을 이용한 연속주조공정의 품질안정화 방법{METHOD FOR QUALITY STABILIZING IN CONTINUOUS CASTING PROCESS UTILIZING NEURAL NETWORK}

도1은 물리적인 힘을 가해 노즐 개공을 할 때의 조업변화 개념도,

도2는 조업변동 요인을 활용한 신경회로망 구성 절차도,

도3은 물리적인 힘을 가해 개공할 때의 주요 조업항목의 변화도,

도4는 신경회로망 테스트 구성도,

도5는 회귀식을 이용한 실 조업재 강제 개공 발생도,

도6a, 도6b는 신경회로망을 이용한 강제 개공 예측도,

도7은 모델을 이용한 시스템 구성도,

도8은 비지니스 컴퓨터의 이상조치 방법 블럭도.

본 발명은 연속주조공정에서 침적 노즐(턴디쉬에서 몰드로 용강을 분배하는 노즐)에 개재물 집적에 의한 노즐 막힘이 일어날 때 막힌 부분을 봉을 이용한 물리적인 힘으로 강제 개공을 할 때 발생되는 조압변동 인자를 신경회로망을 이용하여 품질 열화범위를 선정하고 품질영향 범위를 트래킹(Tracking)하여 연속주조공정의 품질보증체계를 구축하는 신경회로망을 이용한 연속주조공정의 품질안정화 방법에 관한 것이다.

연속주조공정에서 연속적으로 주조가 진행될 때 주조 후반으로 가게 되면 턴디쉬에서 몰드로 용강을 분배해 주는 침적 노즐에 개재물이 집적되어 막히게 되고, 그럴 경우 조업자(Operator)가 금속 봉을 이용하여 집적된 개재물을 물리적인 힘을 가해 개공을 하게 되는데, 이러한 행위가 일어나게 되는 것에 대해서는 현재의 기술로는 측정이 되지 않기 때문에 막힌 침적 노즐이 개공될 때 막힘을 조장했던 개재물의 탈락 및 막힌 부분의 뚫림에 의한 용강의 급작스런 유출등의 사유로 인해 품질이 급격히 나빠지는 구역을 정확히 알 수가 없는 실정이다.

이러한 품질열화구역에 대한 정확한 측정 및 트래킹이 안되는 것에 대한 대안으로 현장의 조업 판넬에서 품질문제를 유발할 수 있는 이벤트(Event)에 대한 몇몇 항목을 설정하여 푸쉬버튼(Push Button)을 이용하여 해당 이벤트의 발생 개시 및 완료 시점시 버튼을 누르도록 하고 있으나, 실제 그러한 이벤트가 발생될 경우 조업자 입장에서는 안정적인 조업이 우선되기 때문에 상기 이벤트로 인한 품질열화문제에 대한 일련의 조치는 항상 후순위에 있게 되어 적시의 적절한 조치가 이루어지지 않게 되기 마련이다.

이러한 사유로 인해 물리적인 힘을 가해 노즐 개공작업을 한 것은 실제의 데이터정보와 큰 차이가 발생하는 경우가 생기기도 하고, 또한 조업 안정화 조치 이후 해당 이벤트 버튼을 누름에 따라 불량 주편을 벗어난 정상 주편에 불량을 의미하는 이벤트 정보가 발생되기도 한다.

이러한 현상은 제철소 내부에서는 부적합품에 의한 기회 손실과 재생산 비용을 유발하게 되고, 외부 고객으로부터는 빈번한 클레임을 받게 되는 품질보증 및 실패비용의 문제로 나타나고 있다.

도1은 본 발명의 연구배경으로서 특히 턴디쉬 침적 노즐 막힘발생시 물리적인 힘을 가해 개공을 할 때의 조업변화의 개념을 보여 준다.

본 발명은 상기와 같은 종래의 문제점을 해소하기 위한 것으로, 연속주조공정에 있어서 턴디쉬 침적 노즐 막힘 발생시 물리적인 힘을 가해 개공(봉쑤심)할 때 조업변화가 수반된다는 점에 착안하여, 특정한 조업변동 한계 값을 신경회로망(Neural Network)을 이용하여 학습함으로써, 품질에 지대한 영향을 미치나 측정이 안되어 사내 및 사외 고객에게 품질 문제를 전가시키거나, 또한 품질보증의 부적절한 방법으로 인하여 제품생산시 발생되는 실패비용을 최소화하고 제품의 품질을 안정화하여 고객신뢰를 개선하는 방법을 제공하는데 그 목적이 있다.

상기 목적을 달성하기 위하여 본 발명은 업무단위별로 처리를 정의하여 절차화를 하고 각 단위 절차를 시스템화하여 업무를 전산화하였다. 도2는 조업변동 요인을 활용한 신경회로망 구성절차를 보여 주고, 도3은 물리적인 힘을 가해 노즐 개공하는 때의 조업항목의 변화를 보여 준다.

도4는 본 발명의 신경회로망 테스트 구성례를 보여 주는데, 이벤트별 데이터를 수집, 편집하는 단계와, 신경회로망 학습단계와, 신경회로망 예측 모델을 선정 하는 단계와, 예측결과를 분석하여 오차판정을 하는 단계를 시뮬레이션 환경으로 하고, 신경회로망을 예측하여 프로세스 컴퓨터와 링크시키고 품질판정 및 행선결정을 하는 단계를 온라인 신경회로망으로 구축한다.

본 발명과 관련하여 봉쑤심(개공) 예측 회귀식은 {(탕면3mm 초과율*(-0.09))+(탕면5mm초과율*(0.12)+(탕면10mm초과율*(-0.20))+(탕면20mm초과율*(-1.12)+(주조속도*(0.03))+(S/N개도변동율*(0.04))+(탕면(+)변동*(0.197)+(탕면(-)변동*(0.08))}과 같이 도출될 수 있고, 하기 표1은 위 회귀식에 적용될 수 있는 인자값들을 나타낸 것이다.

구분	봉쑤임	탕면3MM	탕면5MM	탕면10MM	탕면20MM	주속	S/N개도	탕면(-)	탕면(+)
봉쑤심	-	-	-	-	-	-	-	-	-
탕면3MM	0.48	-	-	-	-	-	-	-	-
탕면5MM	0.54	0.92	-	-	-	-	-	-	-
탕면10MM	0.55	0.49	0.66	-	-	-	-	-	-
탕면20MM	0.27	0.12	0.19	0.58	-	-	-	-	-
주속	0.63	0.52	0.50	0.44	0.07	-	-	-	-
S/N개도	0.60	0.70	0.69	0.57	0.35	0.61	-	-	-
탕면변동(-)	0.63	0.51	0.58	0.81	0.78	0.41	0.61	-	-
탕면변동(+)	0.65	0.75	0.73	0.45	0.03	0.68	0.70	0.46	-

도5는 위 회귀식을 이용한 실 조업재의 강제 개공(봉쑤심) 발생 예측도이다.

도6a는 신경회로망을 이용한 강제 개공 예측 그래프이고, 도6b는 슬래브 단위 이동평균 표준편차와 봉쑤심발생정도의 상관 그래프이다.

봉쑤심 발생정도 판정 함수는

과 같이 되는데, 여기에서 H는 슬래브 464매 이동평균분산 최대값의 상위 90%영역이다.

봉쑤심 발생정도 판정함수의 L,H 결정결과는

- 노즐개도율 : L →1.8 , H →5.6

- 몰드탕면 : L →4.8 , H →70.5

- 주조속도 : L →4.5 , H →34.8

과 같이 된다.

도7은 예측 모델을 이용한 신경회로망 시스템 구성을 보여준다.

도8은 신경회로망으로부터 트래킹된 품질불량 주편에 대한 처리과정을 보여 주는데, 프로세스 컴퓨터(PC)에서 집계한 트래킹 결과 값에 대한 품질예측 밸류(Balue)로 변환하여 주문지시 목표품질 밸류 값과 비교 판정하여 이상유무를 판단하고, 비지니스 컴퓨터(BC)에서는 이상재에 대한 품질조치 기준 테이블에 의거한 이상조치를 행한다.

상술한 바와 같은 본 발명에 따르면, 연속주조공정에 있어서 턴디쉬 침적노즐 강제 개공(봉쑤심)이 시행될 때 발생되는 주요 조업 항목의 변동을 신경회로망 을 이용하여 자체 학습을 통한 품질 영향 정도를 측정할 수 있도록 모델 처리되어 품질 불안정 구역에 대한 이상구역의 위치를 정확히 트래킹하여, 생산된 주편의 요구 품질과 측정된 예상 품질의 수준을 상대 비교토록 시스템이 구축되어짐에 따라 종래 측정이 불가능한 이벤트에 의해 발생되었던 부적합품 및 불량재 발생을 저감하여 생산성 향상과 동시에 품질보증 신뢰성을 높일 수 있는 효과가 얻어진다.

Claims

연속주조공정에 있어서 침적 노즐 강제 개공이 시행될 때 발생되는 조업변동 인자를 기초로 신경회로망을 이용하여 봉쑤심 예측 모델을 구성하는 단계; 그리고

상기 예측 모델을 분석하여 품질 불안정 구역에 대한 위치를 트래킹하여 대상 주편의 품질을 요구 품질 수준과 비교 평가하는 품질판정 체계를 구성하는 단계를 포함하는 신경회로망을 이용한 연속주조공정의 품질안정화 방법.