KR101858860B1 - 고로 노열 제어 장치 - Google Patents

Abstract

본 발명은 실시간으로 측정되는 고로의 연원료 장입 상태, 풍구 상태, 출선구 온도, 고로 본체의 각 센서 데이터를 기반으로 용선 온도를 측정하고, 이에 기초하여 연원료 투입, 조습 및 환원제 투입의 제어등을 수행할 수 있는 고로 노열 제어 장치에 관한 것으로, 입력받은 조업 데이터를 정형 데이터 및 비정형 데이터로 구분하여 저장하는 데이터 베이스, 상기 데이터 베이스로부터 전달받은 조업 데이터에 기초하여 딥러닝 알고리즘 및 통계적 알고리즘에 따라 용선 온도를 예측하고, 상기 딥러닝 알고리즘 및 상기 통계적 알고리즘 중 사용자에 의해 선택된 알고리즘과, 사용자가 선택한 예측 시간을 기준으로 선택된 알고리즘에서 예측한 노열에 따라 환원제비를 계산하는 노열 제어기, 예측된 용선 온도를 외부에 전송하는 송신부를 포함할 수 있다.

Description

고로 노열 제어 장치{APPARATUS FOR CONTROLLING HEAT OF BLAST FURNACE}

본 발명은 고로 노열 제어 장치에 관한 것이다.

일반적으로, 용선을 생산하는 고로 공정에서는 용선의 온도를 일정온도에 맞춰서 생산하는 것이 중요하다. 일정온도에 맞춰서 생산한다고 하는 것은 안정적인 노내의 상황을 나타내는 것이고, 이는 곧 이후 공정들의 안정적 생산을 보장한다고 할 수 있다.

종래의 현장에서는 용선 온도를 출선구에서 출선된 용선이 지나는 대탕도에서 샘플링하여 용선온도를 측정하였고, 실제 출선이 되는 시간인 약 2시간 중에 2~3회를 찍어서 가장 높은 온도 기준으로 관리하였다.

또한 고로 공정은 연속적인 공정으로 연원료 투입, PC 투입, 조습 조절 등의 조업자가 조절할 수 있는 진행 공정에 대해서 용선 온도에 반영되는 시간이 각각 달라서 오랜 경험을 가진 조업자만이 조업을 할 수 있는 특수한 환경이다.

그리고 측정할 수 없는 코크스의 온도 및 수분 함유량, 풍구 내부의 연소 상태 등은 조업자가 CCTV 화면에서 보고 경험적으로 판단하여 용선온도가 어떻게 변화할 것인지 예측하여 그에 맞게 대응하여 조업하여, 조업자의 경험치에 따라 균일한 조업이 어려우며, 일반적인 조업자들은 실시간으로 코크스의 온도 및 수분율을 측정하지 못하여 노열이 어떻게 변화할지를 예측할 수 없으므로 선제적 대응을 할 수 없는 문제점이 있다.

대한민국 공개특허공보 제10-2012-0074364호

본 발명의 일 실시예에 따르면, 실시간으로 측정되는 고로의 연원료 장입 상태, 풍구 상태, 출선구 온도, 고로 본체의 각 센서 데이터를 기반으로 용선 온도를 측정하고, 이에 기초하여 연원료 투입, 조습 및 환원제 투입의 제어등을 수행할 수 있는 고로 노열 제어 장치가 제공된다.

상술한 본 발명의 과제를 해결하기 위해, 본 발명의 일 실시예에 따른 고로 노열 제어 장치는 입력받은 조업 데이터를 정형 데이터 및 비정형 데이터로 구분하여 저장하는 데이터 베이스, 상기 데이터 베이스로부터 전달받은 조업 데이터에 기초하여 딥러닝 알고리즘 및 통계적 알고리즘에 따라 용선 온도를 예측하고, 상기 딥러닝 알고리즘 및 상기 통계적 알고리즘 중 사용자에 의해 선택된 알고리즘과, 사용자가 선택한 예측 시간을 기준으로 선택된 알고리즘에서 예측한 노열에 따라 환원제비를 계산하는 노열 제어기, 예측된 용선 온도를 외부에 전송하는 송신부를 포함할 수 있다.

본 발명의 일 실시예에 따르면, 고로에서 용선을 생산하는 과정에서 실시간으로 장입물의 상태, 풍구의 상태, 출선구의 온도를 측정함에 따라 용선 온도를 예측할 수 있고, 적절한 온도 제어를 통해서 안정적인 용선 온도 및 생산량을 유지하여, 용선의 품질을 일관성 있게 유지할 수 있다. 또한 화면 인터페이스를 제공하여 시간별 온도 변화를 확인할 수 있으며, 적절한 알고리즘을 선택 및 분석하는 기능 조작이 손쉽게 가능할 수 있는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 고로 노열 제어 장치를 포함한 고로 제어 시스템의 개략적인 구성도이다.
도 2는 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 개략적인 구성도이다.
도 3은 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 노열 제어를 나타내는 플로우 챠트이다.
도 4는 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 딥러닝 알고리즘의 개략도이다.
도 5는 본 발명의 일 실시예에 따른 고로 노열 제어 장치에 의해 노열 제어되는 휴먼 머신 인터페이스(MHI) 화면을 나타내는 도면이다.

이하, 첨부된 도면을 참조하여 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 바람직한 실시예를 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 고로 노열 제어 장치를 포함한 고로 제어 시스템의 개략적인 구성도이다.

도 1을 참조하면, 고로 시스템은 기존에 BOSO, Level2(L2) Process Computer(P/C), Level2 휴먼 머신 인터페이스(Human-machine interface; HMI) 서버 등으로 구성되어 있고, Level3(L3) 시스템인 생산관리시스템, (Manufacturing Execution System; MES) 서버로 구성되어 있다. 그리고 비정형데이터를 위한 계측시스템으로는 연원료 모니터링 장치, 출선구 모니터링 장치, 풍구 모니터링 장치가 있고, 각 시스템으로부터 생성된 데이터를 받아 실시간 온라인 노열제어를 하는 노열제어 시스템이 있다. 계측시스템의 비정형 데이터는 L2 HMI 서버와 통신을 하고, L2 HMI 서버에서는 운전자가 설정한 설정값과 계측기의 비정형 데이터를 BOSO 서버로 송신한다. 또한 MES 서버에서는 용선온도, 용선품질, 코크 야드(Coke Yard) 정보 등을 L2 P/C 서버에 송신하고 L2 P/C 서버는 해당 정보를 BOSO 서버로 송신한다. BOSO 서버는 정형데이터인 1분 / 1초 정주기 데이터와 L2 P/C로부터 받은 MES 정보, L2 HMI 서버로부터 받은 설정 변경값, 계측기 비정형데이터를 노열제어서버로 송신하고, 노열 제어 서버는 내부 알고리즘을 수행하여 노열 예측값 등을 BOSO서버에 송신한다.

도 2는 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 개략적인 구성도이다.

도 2를 참조하면, 고로 노열 제어 장치는 노열 제어 서버를 포함할 수 있고, 상기 노열 제어 서버는 데이터 베이스(110), 노열 제어기(120) 및 송신부(130)를 포함할 수 있다.

데이터 베이스(110)는 BOSO 서버로부터 전송된 조업 데이터를 전처리하는 전처리부(111) 및 전처리된 비정형 데이터 및 정형 데이터를 각각 저장하는 저장부(112)를 포함할 수 있다.

노열 제어기(120)는 두가지 알고리즘에 기초하여 데이터베이스에 저장된 입력 데이터를 기반으로 용선온도 예측값을 산출한다. 산출된 용선온도는 데이터베이스에 저장이되며, 저장된 정보는 송신부(130)를 통해 BOSO 서버로 송신된다. 송신된 결과는 BOSO 서버에 수신 및 저장이 되고, 다시 Lv2 HMI 서버로 송신되어 사용자의 HMI 화면에서 확인할 수 있다.

도 3은 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 노열 제어를 나타내는 플로우 챠트이다.

도 3을 참조하면, 본 발명의 일 실시예에 따른 고로 노열 제어 장치는 실시간 비정형 계측시스템으로부터 수신된 정보로 비정형 데이터를 전처리하고, 기존의 고로 본체 센서에서 측정된 정형데이터로부터 정형데이터 전처리를 한 후 데이터 베이스에 데이터 저장을 한다(S1 내지 S7).

예를 들어, 본 발명에서는 고로의 장입물의 건습비율, 평균입도, 기준크기 이하 장입물 비율 등을 측정하는 장입물 모니터링 장치와 풍구의 미분탄 취입여부, 생광낙하, 연소상태, 풍구부착물 형성 등을 측정하는 풍구 연소대 모니터링 장치와 출선구에서 용선온도 및 공취 상태 등을 측정하는 출선구 모니터링 장치에서 받은 비정형 데이터 정보를 바탕으로 용선온도를 예측하여 미분탄 취입 여부, 조습여부, 코크스 장입여부를 결정할 수 있다.

장입물, 풍구, 출선구의 계측장치 뿐만 아니라 기존에 측정 가능한 고로 본체의 원주에 따라 설치된 센서로부터 측정가능한 온도 / 압력 데이터, 송풍량, 송풍 온도, 미분탄 투입량, 조습량, 연원료 장입 패턴 등의 정형 데이터가 중요한 입력 변수가 된다.

상기의 입력 변수로부터 용선온도를 예측하는 방법에는 두가지가 있는데, 첫번째는 딥러닝 방법을 이용하여 가치망을 만들어서 용선 온도를 예측하는 방법이고, 두번째 방법에는 통계적 방법을 이용하여 용선 온도를 예측하는 방법이다.

조업자는 두가지 방법 중에 기존에 측정된 용선온도의 차이가 적은 방법을 선택하여 고로 노열 제어에 활용할 수 있다.

이후 데이터 베이스에서 저장된 값을 읽어서 딥러닝 알고리즘 및 통계적 알고리즘을 구동하여 용선온도를 예측하고, 예측된 용선온도 값을 저장한다.

사용자는 어느 알고리즘을 선택하고자 하는지 선택하고, 동시에 예측시간을 선택하여 어느 예측값을 사용하고자 하는지 선택한다. 예를 들어, 예측 시간을 30분에서 2시간 중에 선택하여 어느 예측값을 사용하고자 하는지 선택할 수 있다.

그리고, 선택된 알고리즘과 예측시간을 기준으로 선택된 알고리즘에서 예측한 노열에 따라 필요한 환원제비를 계산한다(S8 내지 S13).

이후 자동제어 적용 여부를 선택하는데, 자동제어 적용을 선택한 경우는 산출된 환원제비에 따라서 해당하는 환원제 즉, 미분탄이 투입이 되고, 자동제어를 선택하지 않은 경우는 작업자의 판단에 따라 수동으로 환원제비를 조정하고, 조정된 결과에 해당하는 환원제를 투입한다(S14 내지 S16).

도 3의 두가지 알고리즘에 대해서는 아래와 같이 설명할 수 있다.

통계적 알고리즘에서는 데이터에서 일정 범위를 벗어나는 특이값(Outlier) 데이터를 제거한다. 또한 각 센서 데이터는 시스템 구동주기인 10분에 맞춰서 이동 평균선(Moving Average) 방식으로 평균을 구한다. 각 변수의 전체 평균을 구하고, 10분 이동평균과의 편차를 구한다.

즉, 통계적 알고리즘에서는 노열제어 서버 내부의 정형/비정형 데이터로부터 정형데이터를 읽어들여서, 각 변수별로 정해진 최소값, 최대값을 적용하여 해당 범위를 벗어나는 데이터는 제거한다. 또한 읽어들인 정형데이터는 1분, 1초주기로 데이터가 저장되어 있는데, 시스템 노열예측 구동주기인 10분에 맞춰서 이동 평균선 방식으로 평균을 구하여 각 변수별 평균값으로 구성된 데이터 설정값을 구한다.

그리고 각 센서별 데이터에 따라 용선온도에 영향을 미치는 반응시간이 다르므로 각각의 반응시간에 따라서 데이터를 이동시키고, 전체 데이터를 정규화(Normalization) 시킨다.

즉, 각 변수의 전체 평균을 구해서 10분 기준의 이동 평균값과의 편차를 구하여 각 변수별 평균 및 편차를 저장한다. 각 변수별 용선온도에 미치는 반응시간이 다르므로 각각의 반응시간에 따라서 데이터를 이동시키고, 앞서 구한 평균 및 편차로 데이터를 정규화 시킨다.

여기까지 정규화된 센서데이터와 용선온도 예측값의 관계식은 하기의 수식으로 표현할 수 있다.

(수식)

(B, B0) = PLS (NX, Y, L)

Y_H = B * NS + Y 평균

여기서 PLS는 부분 최소 자승 회귀(Partial Least Square Regression) 방법으로 잘 알려진 통계적 방법이다.

상기 PLS의 방법에서 결국 Y = BX+B0로 구해진다. B, B0은 회귀(Regression)의 계수이다. 또한 NX는 과거 입력된 조업 데이터들의 정규화(Normalization) 값, Y는 과거 용선온도의 측정값, NS는 현재 측정된 조업 데이터들의 정규화 값이고, L은 PLS의 잠재변수로 반영한다. Y_H는 예측하고자 하는 용선 온도이다.

도 4는 본 발명의 일 실시예에 따른 고로 노열 제어 장치의 딥러닝 알고리즘의 개략도이다.

도 4를 참조하면, 정형데이터를 상태를 나타내는 스테이트(State) 변수와, 운전자의 설정에 의해 변하는 액션(Action) 변수로 구분하고, 예측해야 하는 이전시간의 용선온도를 입력변수로 가치망(value network)에 넣고, 가치망의 출력값으로는 시간 τ 이후의 스테이트(State) 변수 예측값과 용선온도 예측값으로 한다. 가치망 내부에서는 입력 변수를 클러스터링(Clustering) 하여 여러 레이어(Layer)를 오토 엔코더(Autoencoder) 방식의 신경망의 입력으로 사용하고, 오토 엔코더 방식의 신경망의 학습결과로 나온 예측값이 출력으로 나온다.

도 5는 본 발명의 일 실시예에 따른 고로 노열 제어 장치에 의해 노열 제어되는 휴먼 머신 인터페이스(MHI) 화면을 나타내는 도면이다.

도 5를 참조하면, 도 3을 수행하기 위한 휴먼 머신 인터페이스(Human Machine Interface;MHI) 화면으로 노열예측 알고리즘의 선택, 자동제어 적용 여부 결정에 따라 환원제 투입 등의 조업 행동을 취할 수 있다.

상술한 바와 같이, 본 발명에 따르면, 고로에서 용선을 생산하는 과정에서 실시간으로 장입물의 상태, 풍구의 상태, 출선구의 온도를 측정함에 따라 용선 온도를 예측할 수 있고, 적절한 온도 제어를 통해서 안정적인 용선 온도 및 생산량을 유지하여, 용선의 품질을 일관성 있게 유지할 수 있다. 또한 화면 인터페이스를 제공하여 시간별 온도 변화를 확인할 수 있으며, 적절한 알고리즘을 선택 및 분석하는 기능 조작이 손쉽게 가능하다.

이상에서 설명한 본 발명은 전술한 실시예 및 첨부된 도면에 의해 한정되는 것이 아니고 후술하는 특허청구범위에 의해 한정되며, 본 발명의 구성은 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 그 구성을 다양하게 변경 및 개조할 수 있다는 것을 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 쉽게 알 수 있다.

110: 데이터 베이스
111: 전처리부
112: 저장부
120: 노열 제어기
130: 송신부

Claims (4)

1. 입력받은 조업 데이터를 정형 데이터 및 비정형 데이터로 구분하여 저장하는 데이터 베이스;
   상기 데이터 베이스로부터 전달받은 조업 데이터에 기초하여 딥러닝 알고리즘 및 통계적 알고리즘에 따라 용선 온도를 예측하고, 상기 딥러닝 알고리즘 및 상기 통계적 알고리즘 중 기존에 측정된 용선온도와 차이가 적은 방식으로 사용자에 의해 선택된 알고리즘과, 사용자가 선택한 예측 시간을 기준으로 선택된 알고리즘에서 예측한 노열에 따라 환원제비를 계산하는 노열 제어기; 및
   예측된 용선 온도를 외부에 전송하는 송신부
   를 포함하는 고로 노열 제어 장치.
   
2. 제1항에 있어서,
   상기 딥러닝 알고리즘은 상기 정형 데이터를 상태를 나타내는 스테이트(state) 변수와, 운전자의 설정에 의해 가변하는 액션(action) 변수로 구분하고, 이전 시간의 용선 온도를 입력 변수로 가치망(value network)에 입력하고, 상기 가치망의 출력값은 일정 시간 이후의 스테이트 변수 예측값 및 용선 온도 예측값으로 설정하는 고로 노열 제어 장치.
   
3. 제2항에 있어서,
   상기 가치망 내부는 입력 변수를 클러스터링(clustering)하여 복수의 레이어를 오토 엔코더(autoencoder) 방식의 신경망의 입력으로 사용하고, 상기 오토 엔코더 방식의 신경망의 학습결과로 나온 예측값을 상기 출력값으로 설정하는 고로 노열 제어 장치.
   
4. 제1항에 있어서,
   상기 통계적 알고리즘은 하기의 수식에 따라 용선 온도 예측값을 출력하는 고로 노열 제어 장치.
   (수식)
   (B, B0) = PLS (NX, Y, L)
   Y_H = B * NS + Y 평균
   여기서 PLS는 부분최소자승(Partial Least Square) 회귀(Regression) 분석식이고, Y = BX+B0로 구해진다. B, B0은 회귀(Regression)의 계수이고, NX는 과거 입력된 조업 데이터들의 정규화(Normalization) 값, Y는 과거 용선온도의 측정값, NS는 현재 측정된 조업 데이터들의 정규화(Normalization) 값이고, L은 PLS의 잠재변수로 반영하고, Y_H는 예측하고자 하는 용선 온도이다.
   

Images