KR102045549B1

KR102045549B1 - 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법

Info

Publication number: KR102045549B1
Application number: KR1020170178847A
Authority: KR
Inventors: 임태균
Original assignee: 주식회사 포스코; 재단법인 포항산업과학연구원
Priority date: 2017-12-22
Filing date: 2017-12-22
Publication date: 2019-11-18
Also published as: KR20190076783A

Abstract

본 발명의 일 실시 예에 따른 열연코일 냉각 제어 장치는, 냉각장으로 진입되는 열연코일을 검출하는 진입 검출기; 상기 열연코일의 하부 받침대에 설치되어, 상기 열연코일의 온도를 측정하는 온도센서; 상기 열연코일로 냉풍을 제공하는 냉각팬; 및 상기 진입 검출기의 검출에 기초하여 온도센서 및 냉각팬의 동작을 제어하고, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 사전에 마련된 온도 학습 모델을 통해서 열연코일의 온도를 예측하고, 상기 예측된 온도와 냉각 기준 온도와 비교하여 비교 결과에 따라 상기 냉각팬의 동작을 제어하는 제어기; 를 포함할 수 있다.

Description

열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법{METHOD FOR ESTIMATING COOLING TEMPERATURE OF HOT-COIL, APPARATUS AND METHOD FOR HOT-COIL COOLING}

본 발명은 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법에 관한 것이다.

일반적으로, 열간 압연 공정에서 생산된 열연코일은 냉각장으로 운반되어 공기 중에서 50℃이하 상온까지 서서히 냉각되어 품질이 균질화되며 다음 공정으로 진행된다.

기존의 열연코일 냉각 제어 장치는, 냉각장 내로 운반되어 온 열연코일을 냉각시키는 냉각팬을 사전에 정해진 시간동안 동작시켜서 냉각을 실시하고, 냉각된 열연코일을 냉각장 밖으로 운반하게 된다.

예를 들면, 여름철에는 3일 동안 냉각판을 동작시키고, 겨울철에는 2일간 냉각팬을 동작시키고 그 이후 팬의 동작을 정지시키고 코일을 냉각장 밖으로 운반하게 된다.

그런데, 이와 같은 기존의 열연코일 냉각 방법에 의하면, 사전에 정해진 충분한 냉각 시간에 따라 냉각팬의 운전을 제어하기 때문에, 냉각팬 운전시 과도한 냉각 운전 시간으로 인한 소비 전력이 낭비되는 단점이 있고, 특히 품질 민감 강종의 경우에는 과도한 냉각으로 인하여 최종 제품의 품질을 저해할 수 있는 단점도 존재한다.

(선행기술문헌)

(특허문헌 1) KR 2005-0013422

본 발명의 일 실시 예는, 냉각장으로 진입되는 코일의 온도를 측정하고, 측정된 온도에 기초해서 딥러닝 기반의 온도 학습 모델을 기반으로 코일의 중심 온도를 정확하게 예측하고, 이 예측된 온도에 기초하여 냉각을 제어할 수 있는 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법을 제공한다.

본 발명의 일 실시 예에 의해, 진입 검출기로 냉각장으로 진입되는 열연코일을 검출하는 단계; 상기 열연코일의 하부 받침대에 설치된 온도센서로, 상기 열연코일의 온도를 측정하는 단계; 제어기의 온도 학습 모델을 통해서, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 열연코일의 온도를 예측하는 단계; 상기 열연코일의 출하 여부를 판단하고, 상기 열연코일의 출하 이전이면 상기 온도를 예측하는 단계로 진행하는 단계; 및 상기 열연코일의 출하 이후이면, 차후 활용을 위해 빅 데이터를 확보하기 위해, 상기 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하는 단계; 를 포함하는 열연코일 냉각온도 예측방법이 제안된다.

상기 열연코일의 온도를 예측하는 단계는, 딥러닝 기반의 온도 학습 모델을 통해서 열연코일의 중심 온도를 예측하도록 이루어질 수 있다.

상기 딥러닝 기반의 온도 학습 모델은, 상기 열연코일의 관련 정보와, 진입시각 및 측정온도를 입력 변수로 입력받고, 상기 열연코일의 코일온도, 냉각 시간, 출하 시각을 출력변수로 하도록 이루어질 수 있다.

상기 딥러닝 기반의 온도 학습 모델은, 상기 입력 변수에 대해, 입력 레이어, 히든 레이어 및 출력 레이어로 이루어진 딥러닝 구조를 통해 상기 출력 변수를 제공하도록 이루어질 수 있다.

또한, 본 발명의 다른 일 실시 예에 의해, 냉각장으로 진입되는 열연코일을 검출하는 진입 검출기; 상기 열연코일의 하부 받침대에 설치되어, 상기 열연코일의 온도를 측정하는 온도센서; 상기 열연코일로 냉풍을 제공하는 냉각팬; 및 상기 진입 검출기의 검출에 기초하여 온도센서 및 냉각팬의 동작을 제어하고, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 사전에 마련된 딥러닝 기반의 온도 학습 모델을 통해서 열연코일의 온도를 예측하고, 상기 예측된 온도와 냉각 기준 온도와 비교하여 비교 결과에 따라 상기 냉각팬의 동작을 제어하는 제어기; 를 포함하는 열연코일 냉각 제어 장치가 제안된다.

상기 제어기는, 딥러닝 기반의 상기 온도 학습 모델을 통해서 열연코일의 중심 온도를 예측하도록 이루어질 수 있다.

상기 제어기는, 상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시키도록 이루어질 수 있다.

상기 제어기는, 상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일의 출하를 위해 코일 운반 장치를 제어하도록 이루어질 수 있다.

상기 제어기는, 상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보하도록 이루어질 수 있다.

또한, 본 발명의 다른 일 실시 예에 의해, 진입 검출기로 냉각장으로 진입되는 열연코일을 검출하는 단계; 상기 열연코일의 하부 받침대에 설치된 온도센서로, 상기 열연코일의 온도를 측정하는 단계; 냉각팬의 동작시켜 상기 냉각팬에 의한 냉풍으로 상기 열연코일을 냉각시키는 단계; 제어기의 딥러닝 기반의 온도 학습 모델을 통해서, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 열연코일의 온도를 예측하는 단계; 상기 예측된 온도와 냉각 기준 온도와 비교하는 단계; 및 상기 비교결과에 따라 상기 냉각팬의 동작을 제어하는 단계; 를 포함하는 열연코일 냉각 제어 방법이 제안된다.

상기 예측된 온도와 냉각 기준 온도와 비교하는 단계는, 상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시키도록 이루어질 수 있다.

상기 열연코일 냉각 제어 방법은, 상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일의 출하를 위해 코일 운반 장치를 제어하는 단계; 를 더 포함할 수 있다.

상기 열연코일 냉각 제어 방법은, 상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보하는 단계를 더 포함할 수 있다.

본 발명의 일 실시 예에 의하면, 냉각장에 진입된 열연코일의 온도를 이용하여 딥러닝 기반의 온도 학습 모델을 통해 온도 거동 및 코일의 중심 온도를 정확하게 예측할 수 있고, 이 측정된 코일의 중심 온도에 기초하여 냉각팬 운전을 제어할 수 있어서, 냉각 작업의 신뢰성을 향상시키고 냉각팬 운전 에너지 절감이 가능하다.

이와 같은 딥러닝 기반의 온도 학습 모델을 활용하여 냉각장 내의 모든 코일의 온도 분포 파악할 수 있고, 이에 따라 코일 운반 순서를 적절하게 결정할 수 있으며, 이와 같은 데이터를 크레인 제어 알고리듬으로 연동하여 활용할 수 있다는 장점이 있다.

또한, 신뢰성 있는 냉각 작업에 의해 특히 품질 민감 강종의 경우 최종 제품의 품질을 향상할 수 있다. 뿐만 아니라, 일부 코일의 하부에 온도 센서를 설치하여도 전체 코일의 온도 분포를 파악할 수 있게 되어 비용을 절약할 수 있다는 장점이 있다.

도 1은 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 장치의 구성 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 열연코일 냉각온도 예측 방법의 순서 예시도이다.
도 3은 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 방법의 순서 예시도이다.
도 4는 본 발명이 적용되는 열연코일 냉각장의 구조 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 열연코일 내외부의 온도 거동 예시도이다.

이하에서는, 본 발명은 설명되는 실시 예에 한정되지 않으며, 본 발명의 정신 및 범위를 벗어나지 않으면서 다양하게 변경될 수 있음이 이해되어야 한다.

또한, 본 발명의 각 실시 예에 있어서, 하나의 예로써 설명되는 구조, 형상 및 수치는 본 발명의 기술적 사항의 이해를 돕기 위한 예에 불과하므로, 이에 한정되는 것이 아니라 본 발명의 정신 및 범위를 벗어나지 않으면서 다양하게 변경될 수 있음이 이해되어야 한다. 본 발명의 실시 예들은 서로 조합되어 여러 가지 새로운 실시 예가 이루어질 수 있다.

그리고, 본 발명에 참조된 도면에서 본 발명의 전반적인 내용에 비추어 실질적으로 동일한 구성과 기능을 가진 구성요소들은 동일한 부호를 사용할 것이다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위해서, 본 발명의 실시 예를 첨부한 도면을 참조하여 상세히 설명한다.

도 1은 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 장치의 구성 예시도이다.

도 1을 참조하면, 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 장치는, 진입 검출기(110), 온도센서(120), 냉각팬(300), 및 제어기(200)를 포함할 수 있다.

상기 진입 검출기(110)는, 냉각장으로 진입되는 열연코일(1)을 검출하여, 검출신호를 상기 제어기(200)에 제공할 수 있다. 일 예로, 진입 검출기(110)는 냉각장의 진입구에 설치될 수 있다. 예를 들어, 진입 검출기(110)는 근접 센서가 될 수 있다.

상기 온도센서(120)는, 상기 열연코일(1)의 하부 받침대(2)에 설치되어, 상기 열연코일(1)의 온도를 측정하여 측정 온도 정보를 상기 제어기(200)에 제공할 수 있다. 일 예로, 상기 온도센서(120)는 하부 받침대(2)에 설치시, 단열재를 이용하여 하부 받침대(2)와 열적으로 분리될 수 있고, 이에 따라 하부 받침대(2)에 설치되어 열연코일(1)의 온도를 보다 정확하게 측정할 수 있다.

상기 냉각팬(300)은, 상기 열연코일(1)의 냉각장에 설치되어, 상기 열연코일(1)로 냉풍을 제공할 수 있다.

상기 제어기(200)는, 상기 진입 검출기(110)의 검출신호에 기초하여 온도센서(120) 및 냉각팬(300)의 동작을 제어할 수 있다. 상기 제어기(200)는 상기 온도센서(120)에 의해 측정된 측정 온도를 이용하여 사전에 마련된 온도 학습 모델을 통해서 열연코일(1)의 온도를 예측할 수 있다. 그리고, 상기 제어기(200)는, 상기 예측된 온도와 냉각 기준 온도와 비교하여 비교 결과에 따라 상기 냉각팬(300)의 동작을 제어할 수 있다.

상기 제어기(200)는, 딥러닝 기반의 상기 온도 학습 모델을 통해서 열연코일(1)의 온도를 예측할 수 있다. 상기 열연코일에 대한 온도 예측 과정에 대해서는 도 2를 참조하여 설명한다.

상기 제어기(200)는, 상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시킬 수 있다.

상기 제어기(200)는, 상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일(1)의 출하를 위해 코일 운반 장치(4)를 제어할 수 있다.

상기 제어기(200)는, 상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보할 수 있다.

본 발명의 각 도면에 대해, 동일한 부호 및 동일한 기능의 구성요소에 대해서는 가능한 불필요한 중복 설명은 생략될 수 있고, 각 도면에 대해 가능한 차이점에 대한 사항이 설명될 수 있다.

또한, 본 발명의 일 실시 예에 따른 열연코일 냉각온도 예측 방법, 열연코일 냉각 제어 장치 및 방법 각각에 대한 설명은, 특별한 사정이 없는 한, 서로 보완 적용될 수 있고, 서로 중복되는 설명일 경우에는 생략될 수 있다.

도 2는 본 발명의 일 실시 예에 따른 열연코일 냉각온도 예측 방법의 순서 예시도이다.

도 1 및 도 2를 참조하면, 본 발명의 일 실시 예에 따른 열연코일 냉각온도 예측 방법은 하기와 같이 진행될 수 있다.

먼저, 진입 검출기(110)를 이용하여 냉각장으로 진입되는 열연코일(1)을 검출할 수 있다(S110).

다음, 상기 열연코일(1)의 하부 받침대(2)에 설치된 온도센서(120)를 이용하여, 상기 열연코일(1)의 온도를 측정할 수 있다(S120).

다음, 제어기(200)의 온도 학습 모델을 통해서, 상기 온도센서(120)에 의해 측정된 측정 온도를 이용하여 열연코일(1)의 온도를 예측할 수 있다(S220). 일 예로, 상기 열연코일(1)의 온도를 예측하는 과정에서는, 딥러닝 기반의 온도 학습 모델을 통해서 열연코일(1)의 중심 온도를 예측할 수 있다.

다음, 상기 열연코일(1)의 출하 여부를 판단하고, 상기 열연코일(1)의 출하 이전이면 상기 온도를 예측하는 단계로 진행할 수 있다(S300).

그리고, 상기 열연코일(1)의 출하 이후이면, 차후 활용을 위해 빅 데이터를 확보하기 위해, 상기 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 데이터 또는 온도 거동 데이터를 저장할 수 있다(S400).

일 예로, 상기 딥러닝 기반의 온도 학습 모델은, 상기 열연코일의 관련 정보와, 진입시각 및 측정온도를 입력 변수로 입력받고, 상기 열연코일의 코일온도, 냉각 시간, 출하 시각을 출력변수로 할 수 있다.

또한, 상기 딥러닝 기반의 온도 학습 모델은, 상기 입력 변수(inputs)에 대해, 입력 레이어(Input layer), 히든 레이어(Hidden layer) 및 출력 레이어(Output layer)로 이루어진 딥러닝 구조를 통해 상기 출력 변수를 제공할 수 있다. 예를 들어, 상기 입력 레이어(Input layer)의 입력변수와 상기 히든 레이어(Hidden layer)의 변수 사이에는 사전에 설정된 가중치들(Weights,Wij) 각각이 적용될 수 있다.

도 3은 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 방법의 순서 예시도이다.

도 1 내지 도 3을 참조하면 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 방법은 하기와 같이 진행될 수 있다.

먼저, 진입 검출기(110)로 냉각장으로 진입되는 열연코일(1)을 검출할 수 있다(S110).

다음, 상기 열연코일(1)의 하부 받침대(2)에 설치된 온도센서(120)로, 상기 열연코일(1)의 온도를 측정할 수 있다(S120).

다음, 냉각팬(300)의 동작시켜 상기 냉각팬(300)에 의한 냉풍으로 상기 열연코일(1)을 냉각시킬 수 있다(S210).

다음, 상기 예측된 코일의 중심온도와 냉각 기준 온도(예, 50℃)와 비교할 수 있고, 상기 예측된 코일의 중심온도가 기준 온도보다 낮으면 냉각판을 오프시키는 과정으로 진행하고, 상기 예측된 코일의 중심온도가 기준 온도보다 낮지 않으면 냉각판 온 상태를 유지시키는 과정으로 진행한다(S230).

다음, 상기 비교결과에 따라 상기 냉각팬(300)의 동작을 제어할 수 있다 (S240). 일 예로, 상기 예측된 온도와 냉각 기준 온도와 비교하는 과정에서, 상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시킬 수 있다.

다음, 상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일(1)의 출하를 위해 코일 운반 장치(4)를 제어할 수 있다(S300).

그리고, 상기 제어기(200)는, 상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보할 수 있다(S400).

도 4는 본 발명이 적용되는 열연코일 냉각장의 구조 예시도이다.

도 4를 참조하면, 일 예로, 열연코일 냉각장에 열연코일이 4열로 배치되는 경우, 상기 4열의 외측 및 내측에 냉각팬이 일측(도면의 상측)에 1열, 2열, 3열, 4열, 5열로 배치될 수 있고, 타측(도면에서 하측)에 1열, 2열, 3열, 4열, 5열로 배치될 수 있으며, 전체 5~10곳에 배치된 냉각팬이 열연코일 방향으로 냉각풍을 공급할 수 있다.

이러한 배치 구조에서, 열연코일의 각 하부 받침대(2)에는 온도센서(120)가 설치될 수 있다.

도 4에 도시된 열연코일의 배치 및 냉각팬의 배열은 하나의 예시에 불과하므로, 이에 한정되지는 것은 아니다.

도 5는 본 발명의 일 실시 예에 따른 열연코일 내외부의 온도 거동 예시도이다.

도 5에서, 열연코일(1)의 외부 표면(A)에서부터 중심(G)까지 서로 다른 위치를 B,C,D,E,F로 표시되어 있다. 도 5를 참조하면, 열연코일(1)의 외부표면(A) 및 중심 온도(G)는 본 발명의 냉각에 따라 시간의 경과에 따라 점차적으로 낮아지고 있음을 알 수 있다.

일 예로, 냉각장 내의 일부 열연코일(1)의 하부 받침대(2) 내부에 온도센서(120)로서 저가의 써모커플을 설치할 수 있고, 이후 냉각장으로 진입하는 다양한 강종, 폭, 직경, 두께 등의 열연코일의 외부 표면에 대한 온도를 시간 별로 장기간 측정하여 각 측정값이 내부 메모리에 저장할 수 있다. 이러한 과정을 통하여 모든 종류의 열연코일에 대한 온도를 측정할 수 있고, 이와 같이 측정된 온도 정보를 저장함으로써 각종 강종에 대하여 빅 데이터로 확보할 수 있다.

또한, 이와 같이 측정된 온도를 활용하여 해당 열연코일의 내외부의 온도 학습 모델을 통해 온도 거동을 학습하고 이를 이용해 냉각장 내의 모든 열연코일에 대한 온도 거동을 예측할 수 있으며, 이와 같이 예측된 온도 거동 정보를 이용하면 냉각장의 모든 열연코일에 대한 온도 분포를 일시에 파악할 수 있다.

게다가, 전술한 바와 같은 획득된 열연코일의 온도 정도를 활용하면, 가장 빨리 50℃ 이하에 도달하는 열연코일과 그 냉각 시간을 예측할 수 있으며, 그 열연코일부터 출하하고 팬 절환 제어에 활용할 수 있게 된다.

일 예로, 초기의 대략적인 딥러닝 기반의 온도 학습 모델을 통한 온도 학습에는 전산 모사 해석을 통해 확보한 코일 온도 거동 값들을 활용함으로써 학습 시간을 줄이고 학습 방향을 설정하여 학습 오류를 미연에 방지할 수 있다.

그 다음, 실제 냉각장의 열연코일(1)의 하부받침대(2)에 설치된 온도센서(120)로부터 측정한 온도정보를 적용하여 온도 보정 학습을 수행할 수 있다.

뿐만 아니라, 딥러닝 기반의 온도 학습 모델의 입력으로 강종, 직경, 폭, 강판 두께, 입하후 시간, 입하/측정 온도 및 이들의 조합을 사용하고, 온도 학습 모델의 출력으로는 표면의 측정 온도를 사용할 수 있다. 추가적으로 출력으로 전산 모사한 중심 온도를 사용할 수 있다.

한편, 본 발명의 일 실시 예에 따른 열연코일 냉각 제어 장치의 제어기(200)는, 프로세서(예: 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등), 메모리(예: 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등), 입력 디바이스(예: 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 등), 출력 디바이스(예: 디스플레이, 스피커, 프린터 등) 및 통신접속장치(예: 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속장치 등)이 서로 상호접속(예: 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조, 네트워크 등)된 컴퓨팅 환경으로 구현될 수 있다.

상기 컴퓨팅 환경은 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등으로 구현될 수 있으나, 이에 한정되지 않는다.

이상에서는 본 발명을 실시 예로써 설명하였으나, 본 발명은 상기한 실시 예에 한정되지 아니하며, 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형이 가능할 것이다.

1: 열연코일
2: 하부 받침대
110: 진입 검출기
120: 온도센서
300: 냉각팬
200: 제어기

Claims

진입 검출기로 냉각장으로 진입되는 열연코일을 검출하는 단계;
상기 열연코일의 하부 받침대에 설치된 온도센서로, 상기 열연코일의 온도를 측정하는 단계;
제어기의 온도 학습 모델을 통해서, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 열연코일의 온도를 예측하는 단계;
상기 열연코일의 출하 여부를 판단하고, 상기 열연코일의 출하 이전이면 상기 온도를 예측하는 단계로 진행하는 단계; 및
상기 열연코일의 출하 이후이면, 차후 활용을 위해 빅 데이터를 확보하기 위해, 상기 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하는 단계;
를 포함하는 열연코일 냉각온도 예측방법.
제1항에 있어서, 상기 열연코일의 온도를 예측하는 단계는
딥러닝 기반의 온도 학습 모델을 통해서 열연코일의 중심 온도를 예측하는 열연코일 냉각온도 예측방법.
제2항에 있어서, 상기 딥러닝 기반의 온도 학습 모델은
상기 열연코일의 관련 정보와, 진입시각 및 측정온도를 입력 변수로 입력받고, 상기 열연코일의 코일온도, 냉각 시간, 출하 시각을 출력 변수로 하는
열연코일 냉각온도 예측방법.
제3항에 있어서, 상기 딥러닝 기반의 온도 학습 모델은
상기 입력 변수에 대해, 입력 레이어, 히든 레이어 및 출력 레이어로 이루어진 딥러닝 구조를 통해 상기 출력 변수를 제공하는 열연코일 냉각온도 예측방법.
냉각장으로 진입되는 열연코일을 검출하는 진입 검출기;
상기 열연코일의 하부 받침대에 설치되어, 상기 열연코일의 온도를 측정하는 온도센서;
상기 열연코일로 냉풍을 제공하는 냉각팬; 및
상기 진입 검출기의 검출에 기초하여 온도센서 및 냉각팬의 동작을 제어하고, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 사전에 마련된 딥러닝 기반의 온도 학습 모델을 통해서 열연코일의 온도를 예측하고, 상기 예측된 온도와 냉각 기준 온도와 비교하여 비교 결과에 따라 상기 냉각팬의 동작을 제어하는 제어기;
를 포함하는 열연코일 냉각 제어 장치.
제5항에 있어서, 상기 제어기는,
딥러닝 기반의 상기 온도 학습 모델을 통해서 열연코일의 중심 온도를 예측하는 열연코일 냉각 제어 장치.
제5항에 있어서, 상기 제어기는,
상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시키는 열연코일 냉각 제어 장치.
제7항에 있어서, 상기 제어기는,
상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일의 출하를 위해 코일 운반 장치를 제어하는 열연코일 냉각 제어 장치.
제7항에 있어서, 상기 제어기는,
상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보하는 열연코일 냉각 제어 장치.
진입 검출기로 냉각장으로 진입되는 열연코일을 검출하는 단계;
상기 열연코일의 하부 받침대에 설치된 온도센서로, 상기 열연코일의 온도를 측정하는 단계;
냉각팬의 동작시켜 상기 냉각팬에 의한 냉풍으로 상기 열연코일을 냉각시키는 단계;
제어기의 딥러닝 기반의 온도 학습 모델을 통해서, 상기 온도센서에 의해 측정된 측정 온도를 이용하여 열연코일의 온도를 예측하는 단계;
상기 예측된 온도와 냉각 기준 온도와 비교하는 단계; 및
상기 비교결과에 따라 상기 냉각팬의 동작을 제어하는 단계;
를 포함하는 열연코일 냉각 제어 방법.
제10항에 있어서, 상기 열연코일의 온도를 예측하는 단계는
딥러닝 기반의 온도 학습 모델을 통해서 열연코일의 중심 온도를 예측하는 열연코일 냉각 제어 방법.
제11항에 있어서, 상기 예측된 온도와 냉각 기준 온도와 비교하는 단계는
상기 예측된 온도와 냉각 기준 온도와 비교하여 상기 예측된 온도가 상기 냉각 기준 온도보다 낮아지면 상기 냉각팬의 동작을 정지시키는 열연코일 냉각 제어 방법.
제10항에 있어서,
상기 냉각팬의 동작을 정지시킨 후, 상기 냉각장에서 상기 냉각된 열연코일의 출하를 위해 코일 운반 장치를 제어하는 단계; 를 더 포함하는 열연코일 냉각 제어 방법.
제10항에 있어서,
상기 냉각팬의 동작을 정지시킨 후, 상기 딥러닝 기반의 온도 학습 모델을 통해 예측된 각종 해당 열연코일에 대한 시간 별 온도 거동 데이터를 저장하여, 차후 활용을 위해 빅 데이터를 확보하는 단계; 를 더 포함하는 열연코일 냉각 제어 방법.