KR102045652B1 - Determination apparatus for heat flux coefficient of run-out table based artificial intelligence - Google Patents

Determination apparatus for heat flux coefficient of run-out table based artificial intelligence Download PDF

Info

Publication number
KR102045652B1
KR102045652B1 KR1020170180274A KR20170180274A KR102045652B1 KR 102045652 B1 KR102045652 B1 KR 102045652B1 KR 1020170180274 A KR1020170180274 A KR 1020170180274A KR 20170180274 A KR20170180274 A KR 20170180274A KR 102045652 B1 KR102045652 B1 KR 102045652B1
Authority
KR
South Korea
Prior art keywords
winding temperature
heat flux
flux coefficient
temperature
runout
Prior art date
Application number
KR1020170180274A
Other languages
Korean (ko)
Other versions
KR20190078394A (en
Inventor
이진휘
이중형
강현석
김석
최원식
한상근
Original Assignee
주식회사 포스코
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 주식회사 포스코 filed Critical 주식회사 포스코
Priority to KR1020170180274A priority Critical patent/KR102045652B1/en
Publication of KR20190078394A publication Critical patent/KR20190078394A/en
Application granted granted Critical
Publication of KR102045652B1 publication Critical patent/KR102045652B1/en

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • GPHYSICS
    • G06COMPUTING; CALCULATING; COUNTING
    • G06NCOMPUTER SYSTEMS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computer systems based on biological models
    • G06N3/02Computer systems based on biological models using neural network models
    • G06N3/08Learning methods

Abstract

열연 공정의 런아웃 테이블의 열유속계수를 결정하는 장치가 개시된다. 상기 장치는 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부; 상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부; 상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부; 및 상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부를 포함한다.An apparatus for determining a heat flux coefficient of a runout table of a hot rolling process is disclosed. The apparatus includes a winding temperature learning unit for generating a winding temperature estimation model of an artificial neural network structure for estimating the winding temperature of the exit of the runout table through machine learning using variables related to hot rolled material information and operation information; A winding temperature calculator configured to estimate a winding temperature of a runout table in operation by inputting a variable measured during operation to the winding temperature estimation model; A winding temperature comparison unit comparing the winding temperature estimated by the winding temperature calculator with a predetermined target winding temperature; And a heat flux coefficient used as an input variable in the winding temperature estimation model of the winding temperature calculation unit when the difference between the estimated winding temperature and the target winding temperature is within a preset range as a result of the comparison between the winding temperature comparison unit and the runout table. And a heat flux coefficient determining unit configured to determine a heat flux coefficient of?
Figure R1020170180274

Description

인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치{DETERMINATION APPARATUS FOR HEAT FLUX COEFFICIENT OF RUN-OUT TABLE BASED ARTIFICIAL INTELLIGENCE}AI-based hot rolled run-out table heat flux coefficient determination device {DETERMINATION APPARATUS FOR HEAT FLUX COEFFICIENT OF RUN-OUT TABLE BASED ARTIFICIAL INTELLIGENCE}
본 발명은 열연 공정의 런아웃 테이블의 열유속계수를 결정하는 장치에 관한 것으로, 더욱 상세하게는 인공 신경망을 이용하여 열연 공정에 관련된 다양한 입력 변수에 따른 권취 온도를 학습하여 권취 온도 추정 모델을 생성하고, 추정 모델을 이용하여 실제 공정상의 권취 온도를 추정한 후 목표 권취 온도와의 차이를 기반으로 하여 열유속계수 설정하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 관한 것이다.The present invention relates to an apparatus for determining a heat flux coefficient of a runout table of a hot rolling process, and more specifically, to generate a winding temperature estimation model by learning winding temperatures according to various input variables related to a hot rolling process using an artificial neural network, The present invention relates to an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus for estimating the actual winding temperature using an estimation model and setting the heat flux coefficient based on a difference from the target winding temperature.
열간압연 공정의 런아웃 테이블(ROT: Run Out Table)은 조압연과 마무리 압연으로 두께와 폭이 결정된 강판을 냉각시키는 장치이다. 런아웃 테이블에는 일렬의 노즐이 장착된 헤더를 복수개 갖는 뱅크(bank)가 강판의 상하로 다수 개 구비된다. 런아웃 테이블의 후단에는 강판을 코일 형태로 권취하는 권취기가 마련되며, 귄취기로 진입하기 직전의 강판 온도, 즉 권취 온도가 목표 권취 온도와 일치하도록 강판의 냉각이 제어되어야 한다.The run out table (ROT) of the hot rolling process is an apparatus for cooling a steel sheet whose thickness and width are determined by rough rolling and finish rolling. The runout table is provided with a plurality of banks having a plurality of headers in which a row of nozzles are mounted up and down the steel sheet. At the rear end of the runout table, a winding machine for winding the steel sheet in the form of a coil is provided, and cooling of the steel sheet must be controlled so that the steel sheet temperature immediately before entering the winding machine, that is, the winding temperature matches the target winding temperature.
런아웃 테이블의 냉각 제어는 온/오프 되는 헤더의 수가 조정됨으로써 강판에 제공되는 냉각수의 양, 즉 주수량을 조정함으로써 이루어진다. 이러한 각 뱅크별 주수량 결정에는 강판 소재의 열전달 특성을 반영한 열유속계수가 관여하게 된다. Cooling control of the runout table is made by adjusting the amount of coolant supplied to the steel sheet, that is, the amount of water supplied, by adjusting the number of headers on / off. In determining the amount of main water supplied to each bank, the heat flux coefficient reflecting the heat transfer characteristics of the steel sheet material is involved.
종래에는, 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하였다. 특히, 회귀식을 구성하는 각 변수에 적용되는 계수는 사전에 피냉각 소재의 두께에 따라 테이블 형태로 사전에 저장해 주었다가 각 뱅크별 주수량 설정시 사용하였다.Conventionally, a regression equation is prepared in advance based on variables such as the thickness, width, finishing rolling completion temperature, moving speed, and target coiling temperature (CT) of a steel sheet material, and the heat flux coefficient is estimated using the regression equation. It was. In particular, the coefficients applied to each variable constituting the regression equation were stored in a table form according to the thickness of the material to be cooled in advance and used to set the main water quantity for each bank.
이러한 종래의 열유속계수 추정 방식은, 특정 두께 범위 내에서 각 변수에 대해 동일한 계수 값을 사용하기 때문에 연속적인 입력값에 대한 대응이 불가하고, 두께 범위의 구분도 동일하지 않도록 구성되어 있어, 특정 두께 범위의 경계에 있는 소재에 대해서는 열유속계수의 계산 오차로 인해 주수량 설정이 제대로 되지 않아 피냉각 소재의 온도를 목표 권취 온도에 일치시키는 것이 어렵다.In the conventional heat flux coefficient estimating method, since the same coefficient value is used for each variable within a specific thickness range, it is impossible to cope with continuous input values, and the separation of thickness ranges is not the same. For the material at the boundary of the range, it is difficult to match the temperature of the material to be cooled to the target winding temperature because the quantity of water to be set is not set properly due to the calculation error of the heat flux coefficient.
또한, 종래의 열유속계수 추정 방식은, 단순 두께 구분에 의해서만 변수별 계수의 값을 정하였기 때문에, 두께 이외의 폭, 속도, 강종, 압연 속도 등 다양한 조건에 대해서 계수를 정해야 하므로 더욱 많은 내용의 테이블이 필요하다. 실제로는 사전에 마련된 테이블만을 이용하여 열유속계수를 계산하게 되므로 정확한 변수의 적용이 어렵고 새로운 항목이 추가되는 경우 각각의 변수에 대한 계수가 재계산되어야 하는 문제가 발생한다.In addition, in the conventional heat flux coefficient estimating method, since coefficient values for variables are determined only by simple thickness classification, coefficients should be determined for various conditions such as width, speed, steel grade, and rolling speed other than thickness, so that the table of more contents This is necessary. In practice, since the heat flux coefficient is calculated using only a table prepared in advance, it is difficult to apply an accurate variable, and when a new item is added, a coefficient for each variable needs to be recalculated.
또한, 종래의 열유속계수 추정 방식은, 가열로, 조압연, 사상압연에서의 조업 조건이나, 소재의 강종 특성에 대해서도 회귀식에 반영이 되어야 수식으로 모델링하기 어렵고 이에 따라 회귀식의 수정이나 업데이트가 어려운 문제가 있다.In addition, in the conventional heat flux coefficient estimating method, it is difficult to model in a regression equation when operating conditions in a heating furnace, rough rolling, filament rolling, and steel grade characteristics of a material are difficult to model by a formula. There is a difficult problem.
대한민국 공개특허공보 제10-2000-0325328호Republic of Korea Patent Publication No. 10-2000-0325328 대한민국 공개특허공보 제10-2009-0069854호Republic of Korea Patent Publication No. 10-2009-0069854 대한민국 공개특허공보 제10-2015-0021777호Republic of Korea Patent Publication No. 10-2015-0021777
이에 본 발명은 인공지능을 구현하는 인공 신경망을 이용하여 다양한 입력 변수에 따른 권취 온도를 기계 학습하여 모델링하고, 실제 공정 상에서 추정 모델을 이용하여 추정된 권취 온도와 목표 권취 온도의 차이를 기반으로 열유속계수를 설정함으로써, 열간 압연 공정에서 목표 권취 온도를 달성할 수 있고 강판의 품질 편차를 해소할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 제공하는 것을 해결하고자 하는 기술적 과제로 한다.Therefore, the present invention machine modeling the winding temperature according to various input variables using an artificial neural network that implements artificial intelligence, and the heat flux based on the difference between the winding temperature and the target winding temperature estimated using the estimation model in the actual process By setting the coefficient, it is a technical problem to solve the problem of providing an artificial intelligence-based hot rolled runout table heat flux coefficient determination device that can achieve the target winding temperature in the hot rolling process and can eliminate the quality variation of the steel sheet.
상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,The present invention as a means for solving the above technical problem,
열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부;A winding temperature learning unit for generating a winding temperature estimation model of an artificial neural network structure for estimating the winding temperature of the exit of the runout table through machine learning using variables related to hot rolling material information and operation information;
상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부;A winding temperature calculator configured to estimate a winding temperature of a runout table in operation by inputting a variable measured during operation to the winding temperature estimation model;
상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부;A winding temperature comparison unit comparing the winding temperature estimated by the winding temperature calculator with a predetermined target winding temperature;
상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부As a result of the comparison of the winding temperature comparison unit, when the difference between the estimated winding temperature and the target winding temperature is within a preset range, the heat flux coefficient used as an input variable in the winding temperature estimation model of the winding temperature calculation unit is set to the runout table. Heat flux coefficient determining unit determined by heat flux coefficient
를 포함하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.Artificial intelligence-based hot rolled runout table heat flux coefficient determination apparatus comprising a.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 권취온도와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정할 수 있다.In one embodiment of the present invention, the coiling temperature learning unit removes the abnormal variables outside the preset normal range and unrelated variables not related to the coiling temperature in the database storing the operation data, and removes the abnormal variables and unrelated Variables for steel sheets whose difference between the actual winding temperature and the target winding temperature are less than the preset range in the operation data from which the variables are removed can be selected as good variables.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성할 수 있다.In one embodiment of the present invention, the winding temperature learning unit may form the superior variables as a set of input variables and output variables for each steel sheet.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 세트 내에서 권취온도를 출력값으로 설정하고, 열유속계수를 포함하는 그 나머지 변수를 입력값으로 설정할 수 있다.In one embodiment of the present invention, the winding temperature learning unit may set the winding temperature as an output value in the set, and set the remaining variables including the heat flux coefficient as input values.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분할 수 있다.In one embodiment of the present invention, the winding temperature learning unit may be divided into a learning set used for machine learning, a verification set for verifying and testing a result of machine learning, and a test set.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 권취온도 추정 모델을 결정할 수 있다.In one embodiment of the present invention, the winding temperature learning unit may determine the winding temperature estimation model by determining a weight of an artificial neural network structure through machine learning using the learning set.
본 발명의 일 실시형태에서, 상기 권취온도 학습부는, 사전 설정된 주기 마다 기계 학습을 실행하거나 상기 권취온도 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 권취온도 연산부로 제공할 수 있다.In one embodiment of the present invention, the winding temperature learning unit updates the weights by executing machine learning at predetermined intervals or by executing machine learning when an input variable of the winding temperature estimation model is changed, and updating the updated weights. It may be provided to the winding temperature calculation unit.
본 발명의 일 실시형태에서, 상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위를 벗어나는 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 보정하여 상기 권취온도 계산부로 제공하는 열유속계수 보정부를 더 포함할 수 있다.In an embodiment of the present invention, when the difference between the estimated winding temperature and the target winding temperature is out of a preset range as a result of the comparison of the winding temperature comparison unit, it is used as an input variable in the winding temperature estimation model of the winding temperature calculation unit. The heat flux coefficient correcting unit may further include a heat flux coefficient correcting unit configured to correct the heat flux coefficient.
본 발명의 일 실시형태에서, 상기 열유속계수 보정부는, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 큰 경우 상기 열유속계수를 증가시키고, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 작은 경우 상기 열유속계수를 감소시켜 상기 권취온도 계산부로 제공할 수 있다.In one embodiment of the present invention, the heat flux coefficient correcting unit increases the heat flux coefficient when the estimated winding temperature is larger than the target winding temperature beyond the preset range, and the estimated winding temperature is the target winding. When the temperature is smaller than the predetermined range than the temperature, the heat flux coefficient may be reduced and provided to the winding temperature calculator.
본 발명의 일 실시형태에서, 상기 열유속계수 결정부에서 결정된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부 및 상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 상기 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함할 수 있다..In one embodiment of the present invention, the heat flux coefficient determined by the heat flux coefficient determiner and the temperature measured by the entrance temperature sensor of the runout table are received, and the heat flux coefficient and the entrance temperature of the runout table are input to a preset calculation or algorithm. And a header control unit configured to control the on / off state of the header of the bank to provide a steel sheet to the steel sheet, the main quantity calculator configured to calculate a main quantity of the runout table by applying a value to the steel sheet. You can ..
상기 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 인공 신경망 구조를 이용하여 도출된 추정 모델을 이용하여 권취 온도를 추정한 후 추정된 권취 온도와 목표 권취 온도의 차이에 기반하여 열유속계수를 설정하게 하므로, 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.The AI-based hot rolled runout table heat flux coefficient determining apparatus estimates the winding temperature using an estimation model derived using an artificial neural network structure and sets the heat flux coefficient based on the difference between the estimated winding temperature and the target winding temperature. Therefore, even when the operating conditions change depending on the season or the steel grade to be changed, it is easy to update the heat flux coefficient estimation model through machine learning. Through this, the winding temperature of the steel sheet can follow the desired target value. This reduces the material and quality variation of the hot rolled products and prevents damage due to equipment malfunctions such as miss rolls, thereby greatly improving productivity.
도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 도시한 블록 구성도이다.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.
도 5는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 제작 과정의 일례를 도시한 흐름도이다.
도 6은 통상적인 열간압연 설비의 런아웃 테이블에서의 권취온도와 열유속계수와의 관계를 도시한 그래프이다.
도 7은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 추정된 권취온도와 실측된 권취온도를 비교한 그래프이다.
1 is a view schematically showing a hot rolling facility to which an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention is applied.
2 is a view showing in more detail the runout table of the hot rolling process of FIG.
3 is a block diagram illustrating an AI-based hot rolled runout table heat flux coefficient determination device according to an exemplary embodiment of the present invention.
4 is a diagram illustrating an example of an artificial neural network model applied to an artificial intelligence-based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention.
5 is a flowchart illustrating an example of a manufacturing process of an artificial neural network model applied to an artificial intelligence-based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention.
6 is a graph showing the relationship between the coiling temperature and the heat flux coefficient in the runout table of a typical hot rolling facility.
FIG. 7 is a graph comparing winding temperature estimated and measured winding temperature in an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to an exemplary embodiment of the present invention.
이하, 첨부 도면을 참조하여 본 발명의 다양한 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 더욱 상세하게 설명한다.Hereinafter, an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to various embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.
도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.1 is a view schematically showing a hot rolling facility to which an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention is applied.
예컨대, 도 1에서 도시한 바와 같이, 압연소재인 슬라브(slab)(110)를 가열로(120)에서 압연에 적당한 온도(예를 들어, 1100~1200 ℃)로 가열한다.For example, as shown in FIG. 1, the slab 110, which is a rolled material, is heated in a heating furnace 120 to a temperature suitable for rolling (for example, 1100 to 1200 ° C.).
이어, 가열된 슬라브를 조 압연기(130)와 마무리 압연기(사상압연기)(140)를 통하여 원하는 두께의 열연 강판(strip)(150)으로 압연을 실시한다.Subsequently, the heated slab is rolled into a hot rolled steel strip 150 having a desired thickness through the rough mill 130 and the finish mill (finished rolling mill) 140.
이어, 강판은 런아웃 테이블(Run Out Table: ROT)(160)을 통과하면서 소정의 온도로 강판을 냉각시켜 요구되는 기계적 성질을 부여한 후, 권취기(170) 즉, 다운 코일러에서 열연코일(150') 형태의 제품으로 생산하여 열간 압연작업을 완료하게 된다. Subsequently, the steel sheet cools the steel sheet to a predetermined temperature while passing through the Run Out Table (ROT) 160 to impart the required mechanical properties, and then, the coil 170, that is, the hot rolled coil 150 in the down coiler. The product is produced in the form of ') to complete the hot rolling work.
즉, 가열로(120)에서 가열된 열연 슬라브(110)는 조압연과 마무리 압연으로 두께와 폭이 변화하고 최종적으로 런아웃 테이블(160)에서 냉각된 후 권취기(170)에서 코일형태(150')로 제작된다.That is, the hot rolled slab 110 heated in the furnace 120 is changed in thickness and width by rough rolling and finish rolling, and finally cooled in the runout table 160, and then coiled 150 ′ in the winder 170. )
이러한 열간 압연 공정에서, 열연강재의 품질은 런아웃 테이블(160)에서 이루어지는 냉각에 의하여 주로 결정되는데, 런아웃 테이블(160)의 출구 즉 권취기(170)에 유입되기 직전의 강판 온도(권취 온도: Coiling Temperature)를 원하는 목표 온도가 되게 제어하는 방식으로 냉각 제어가 이루어지고 있다.In this hot rolling process, the quality of the hot rolled steel is mainly determined by the cooling performed in the runout table 160, and the steel sheet temperature immediately before flowing into the outlet of the runout table 160, that is, the winder 170 (coiling temperature: coiling). Cooling control is performed in such a way as to control the temperature to be the desired target temperature.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.2 is a view showing in more detail the runout table of the hot rolling process of FIG.
도 2에서 도시한 바와 같이, 마무리 압연을 거친 강판(150)은 런아웃 테이블(160)에서 목표 냉각 온도로 냉각제어가 실시된다.As shown in FIG. 2, the steel sheet 150 subjected to finish rolling is subjected to cooling control at the target cooling temperature at the runout table 160.
예를 들어, 런아웃 테이블(160)은 복수(N개)의 뱅크(160a, 160b, ..., 160n)들을 포함하며, 런아웃 테이블(160)의 입측과 중간 및 출측에는 각각 온도측정기(180a, 180b,180c)들이 설치된다.For example, the runout table 160 includes a plurality of (N) banks 160a, 160b,..., 160n, and the temperature measuring unit 180a, at the entrance, the middle, and the exit of the runout table 160, respectively. 180b and 180c are installed.
각 뱅크(160a, 160b, ..., 160n)는 냉각수를 강판으로 배출하는 일렬의 노즐을 갖는 헤더를 가지며 헤더의 온/오프 제어를 통해 냉각수를 분사함으로써 주수량을 제어하고 있다.Each bank 160a, 160b, ..., 160n has a header having a row of nozzles for discharging the cooling water to the steel sheet and controls the amount of pouring water by spraying the cooling water through on / off control of the header.
이를 위해, 런아웃 테이블(160)에서는 입측, 중간 및 출측 온도 측정기(180a)(180b)(180c)를 통하여 강판의 냉각대 입측온도, 중간온도 및 출측온도를 측정하고, 이를 근거로 피드포워드(feedforward) 또는 피드백(feedbak) 냉각제어를 실시함으로써 권취 온도를 원하는 목표 온도가 되도록 제어한다.To this end, the runout table 160 measures the entrance temperature, the intermediate temperature and the exit temperature of the cold stand of the steel sheet through the entry, middle and exit temperature measuring units 180a, 180b and 180c, and feedforward based on the feedforward. Or the feedback cooling control to control the winding temperature to the desired target temperature.
배경 기술에서 설명한 바와 같이, 뱅크의 헤더 제어를 통해 주수량을 결정하는데 있어서, 종래에는 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하고, 추정된 열유속계수에 기반하여 주수량을 결정하였다.As described in the background art, in determining the water supply amount through the header control of the bank, variables such as thickness, width, finishing rolling completion temperature, moving speed, and target coiling temperature (CT) of the steel sheet are conventionally determined. The regression equation was prepared in advance, and the heat flux coefficient was estimated using the regression equation, and the main water quantity was determined based on the estimated heat flux coefficient.
종래의 회귀식을 이용한 열유속계수 추정의 한계를 극복하기 위해 본 발명의 여러 실시형태는 인공 신경망을 기반으로한 기계 학습 기법을 이용하여 권취 온도를 추정하고, 추정된 권취 온도와 목표 권취 온도의 차이에 기반하여 열유속계수를 설정하는 기법을 제공한다.In order to overcome the limitation of the conventional heat flux coefficient estimation using various regression equations, various embodiments of the present invention estimate the winding temperature using a machine learning technique based on artificial neural networks, and the difference between the estimated winding temperature and the target winding temperature. It provides a technique for setting heat flux coefficients based on
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치를 도시한 블록 구성도이다.3 is a block diagram illustrating an AI-based hot rolled runout table heat flux coefficient determination device according to an exemplary embodiment of the present invention.
도 3에 도시한 바와 같이, 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 권취온도 학습부(10)와, 권취온도 계산부(20)와, 권취온도 비교부(30)와, 열유속계수 결정부(40) 및 열유속계수 보정부(50)를 포함하여 구성될 수 있다. As shown in FIG. 3, the artificial intelligence based hot rolled runout table heat flux coefficient determining device according to an embodiment of the present invention includes a winding temperature learning unit 10, a winding temperature calculating unit 20, and a winding temperature comparison unit. 30, a heat flux coefficient determining unit 40, and a heat flux coefficient correcting unit 50.
권취온도 학습부(10)는 인공 신경망 구조를 이용하여 권취온도에 영향을 미치는 다양한 입력 변수와 다양한 입력 변수에 따른 열유속계수와의 관계를 모델링한다.The winding temperature learning unit 10 models a relationship between various input variables affecting the winding temperature and heat flux coefficients according to various input variables by using an artificial neural network structure.
더욱 구체적으로, 권취온도 학습부(10)는 권취온도와, 열유속계수를 포함하는 다양한 조업데이터를 저장한 데이터베이스에 저장된 데이터를 이용하여 신경망 구조의 권취온도 추정 모델을 생성한다. 이 과정에서 기계 학습 알고리즘이 적용될 수 있다.More specifically, the coiling temperature learning unit 10 generates a coiling temperature estimation model of the neural network structure using data stored in a database storing coiling temperature and various operation data including a heat flux coefficient. Machine learning algorithms can be applied in this process.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.4 is a diagram illustrating an example of an artificial neural network model applied to an artificial intelligence-based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention.
권취온도 학습부(10)는 도 4에 도시된 것과 같은 권취온도 추정을 위한 인공 신경망 모델을 기계학습을 통해 생성하게 된다. 도 4에 도시된 인공 신경망 모델은 하나의 입력층(input layer)과 복수의 은닉층(hidden layer) 및 하나의 출력층(output layer)를 갖는 전체 연결(fully connected) 구조를 갖는 신경망을 예로 도시한 것이다.The winding temperature learning unit 10 generates an artificial neural network model for estimating winding temperature as shown in FIG. 4 through machine learning. The artificial neural network model shown in FIG. 4 illustrates an example of a neural network having a fully connected structure having one input layer, a plurality of hidden layers, and one output layer. .
권취온도 학습부(10)는 조업데이터를 활용하여 기계 학습 알고리즘을 수행하여 인공 신경망을 구성하는 은닉층의 최적 가중치를 결정함으로써 권취온도 결정 모델을 완성한다. The winding temperature learning unit 10 completes the winding temperature determination model by determining the optimal weight of the hidden layer constituting the artificial neural network by performing a machine learning algorithm using the operation data.
여기서 사용되는 인공신경망 구조 또는 학습 알고리즘 등에 따라 다앙한 방식으로 권취온도 추정 모델을 완성할 수 있다. 도 5는 이러한 다양한 권취온도 추정 모델의 제작 과정의 일례를 도시한다.The winding temperature estimation model can be completed in various ways according to the artificial neural network structure or learning algorithm used herein. 5 shows an example of the manufacturing process of such various winding temperature estimation models.
도 5를 참조하면, 권취온도 학습부(10)는 데이터베이스에 저장된 열간 압연 공정 관련 다양한 변수들을 포함하는 조업 데이터 중 사전 설정된 정상범위를 벗어나는 이상 변수들을 제거한다(S11).  Referring to FIG. 5, the winding temperature learning unit 10 removes abnormal variables that deviate from a preset normal range among operation data including various variables related to a hot rolling process stored in a database (S11).
이어, 권취온도 학습부(10)는, 이상 변수가 제거된 조업 데이터 중에서 코일 넘버, 인덱스 등과 같은 권취온도의 결정에 영향을 미치지 못하는 관련 없는 미관련 변수들을 제거한다(S12).Subsequently, the coiling temperature learning unit 10 removes unrelated variables that do not affect the determination of the coiling temperature, such as coil number and index, among the operation data from which the abnormal variable is removed (S12).
이어, 권취온도 학습부(10)는, 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 10% 미만인 강판(코일), 즉 목표 권취 온도의 적중률이 90% 이상인 강판(코일)에 대한 변수들을 선정한다(S13).Subsequently, the coiling temperature learning unit 10 has 90% of the hit ratio of the steel sheet (coil), that is, the target coiling temperature, in which the difference between the actual coiling temperature and the target coiling temperature is less than 10% in the operation data from which abnormal and unrelated variables are removed. Variables for the steel sheet (coil) is selected above (S13).
이러한, 과정들(S11-S13)은 권취온도 추정 모델을 학습하기 위한 변수들을 선별하는 과정으로 실제 권취 온도와 목표 권취 온도의 차이가 거의 나지 않는 양호한 제어가 이루어진 경우의 우량 변수들을 선정하는 과정이다.These processes (S11-S13) are processes for selecting variables for learning a winding temperature estimation model and selecting good variables when good control is achieved in which the difference between the actual winding temperature and the target winding temperature is hardly achieved. .
이어, 권취온도 학습부(10)는 우량 변수들 중 추정하고자 하는 결과값이 되는 권취온도를 출력값(통상, Y값이라고 함)으로 설정한다(S14)Subsequently, the coiling temperature learning unit 10 sets the coiling temperature, which is a result value to be estimated among the excellent variables, as an output value (usually referred to as Y value) (S14).
이어, 권취온도 학습부(10)는 각 변수들마다 갖는 값들의 범위가 차이가 나므로 최소최대 스케일링(MinMaxScaling) 기법 등을 이용하여 각 변수들의 범위를 0과 1 사이의 값으로 정규화한다(S15).Subsequently, the coiling temperature learning unit 10 normalizes the range of each variable to a value between 0 and 1 by using a minimum maximum scaling (MinMaxScaling) method because the range of values for each variable is different (S15). .
이어, 권취온도 학습부(10)는 여러 변수들 중 권취온도에 미치는 영향도가 큰 변수들을 입력변수(통상 X값이라고 함)를 결정할 수 있다. 예를 들어, 입력변수는 소재의 특성(두께, 폭, 성분 정보 등) 및 조업 조건(런아웃 테이블 입구측 온도, 런아웃 테이블 출구측 온도(권취 온도), 목표 권취 온도 등)에 관련된 변수일 수 있다. 특히, 본 발명의 일 실시형태에서 입력변수는 열유속계수를 포함한다.Subsequently, the coiling temperature learning unit 10 may determine an input variable (commonly referred to as an X value) among variables having a large influence on the coiling temperature. For example, the input variables may be variables related to material properties (thickness, width, composition information, etc.) and operating conditions (runout table inlet temperature, runout table outlet temperature (winding temperature), target winding temperature, etc.). . In particular, in one embodiment of the invention the input variable comprises a heat flux coefficient.
위의 과정들(S14-S16)은 기계 학습 알고리즘을 적용하기 위한 데이터 세트(set)를 준비하는 과정으로, 각 변수들을 정규화하고 입력 변수와 출력 변수를 결정한다. 이 때, 각 변수들은 하나의 세트를 형성하게 되는데 이는 과정(S13)에서 선정된 강판(코일) 별로 이루어진다. 즉, 하나의 세트는 과정(S13)에서 선정된 코일의 조업 시 측정되거나 사용된 변수들로 이루어질 수 있다.The above processes S14-S16 prepare a data set for applying a machine learning algorithm, and normalize each variable and determine input and output variables. At this time, each variable forms a set, which is made for each steel sheet (coil) selected in the process (S13). That is, one set may consist of variables measured or used in the operation of the coil selected in step S13.
이어, 권취온도 학습부(10)는 정규화된 입력변수 및 출력변수로 이루어진 데이터 세트를 학습용 데이터 세트, 검증용 데이터 세트, 테스트용 데이터 세트로 구분하고, 검증용 데이터 세트를 이용하여 기계 학습 알고리즘을 수행함으로써 열유속계수 추정 모델을 생성한 후 검증용 데이터 세트 및 테스트용 데이터 세트를 생성된 권취온도 추정 모델에 적용하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 권취온도 추정 모델을 완성한다(S17).Subsequently, the winding temperature learning unit 10 classifies a data set consisting of normalized input variables and output variables into a learning data set, a verification data set, and a test data set, and uses a verification data set to generate a machine learning algorithm. After generating the heat flux coefficient estimation model, the verification data set and the test data set are applied to the generated winding temperature estimation model, and the output value is verified and tested. (S17).
다시, 도 3을 참조하면, 권취온도 계산부(20)는 권취온도 학습부(10)에서 작성된 권취온도 추정 모델을 실제 공정에 적용하는 요소로서, 실측된 입력 변수를 권취온도 추정 모델에 입력하여 현재 런아웃 테이블의 권취온도를 추정한다.Referring again to FIG. 3, the coiling temperature calculator 20 is an element that applies the coiling temperature estimation model created by the coiling temperature learning unit 10 to an actual process, and inputs the measured input variable into the coiling temperature estimation model. The winding temperature of the current runout table is estimated.
권취온도 계산부(20)는 실제 열간 압연 공정에 권취온도 학습부(10)에서 생성된 열유속계수 추정 모델을 적용하는 요소로서, 현재 진행 중인 공정에서 권취온도 추정 모델의 입력 변수를 실측한 값을 권취온도 추정 모델에 입력하고 이에 따른 권취온도 추정 모델의 결과값, 즉 권취온도 추정값을 도출할 수 있다.The coiling temperature calculation unit 20 is an element that applies the heat flux coefficient estimation model generated by the coiling temperature learning unit 10 to the actual hot rolling process, and measures the input variable of the coiling temperature estimation model in the current process. It is input to the winding temperature estimation model, and the result value of the winding temperature estimation model, that is, the winding temperature estimation value can be derived.
한편, 권취온도 학습부(10)는 사전 설정된 주기로 권취온도 추정 모델의 업데이트를 수행할 수 있다. 또한, 권취온도 학습부(10)는 새로운 입력 변수 추가 또는 기존 입력 변수 삭제 등과 같은 이벤트 발생시 권취온도 추정 모델의 업데이트를 수행할 수 있다.On the other hand, the coiling temperature learning unit 10 may update the coiling temperature estimation model at a predetermined cycle. In addition, the coiling temperature learning unit 10 may update the coiling temperature estimation model when an event such as adding a new input variable or deleting an existing input variable occurs.
즉, 도 5에 설명된 것과 같은 과정들을 주기별 또는 입력변수 변경 시 수행하여 인공 신경망 구조의 은닉층에 대한 가중치를 업데이트 하고 이를 권취온도 계산부(20)에도 적용한다.That is, the processes described in FIG. 5 are performed for each period or when the input variable is changed to update weights for the hidden layer of the artificial neural network structure, and apply the same to the winding temperature calculator 20.
권취온도 비교부(30)는 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한다. The winding temperature comparison unit 30 compares the target winding temperature set in advance with the winding temperature estimated by the winding temperature estimation model by the winding temperature calculation unit 20.
권취온도 비교부(30)에서 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한 결과, 그 차이가 사전 설정된 범위 이내인 경우에 권취온도 계산부(20)에서 권취온도 추정 모델에 입력변수로서 입력된 열유속계수를 주수량 계산을 위한 열유속계수로 결정한다. 반면, 권취온도 비교부(30)에서 사전에 설정된 목표 권취온도와 권취온도 계산부(20)에서 권취온도 추정 모델을 이용하여 추정한 권취 온도를 서로 비교한 결과 그 차이가 사전 설정된 범위를 벗어나면, 열유속계수 보정부(50)가 권취온도 계산부(20)에서 권취온도 추정 모델에 입력변수로서 적용된 열유속계수의 값을 변경하여 다시 권취온도 계산부(20)의 입력변수로 제공한다. 권취온도 계산부(20)는 열유속계수 보정부(50)에 의해 변경된 열유속계수의 값을 입력변수로 하여 다시 권취온도를 추정한다.As a result of comparing the target winding temperature set in advance in the winding temperature comparison unit 30 with the winding temperature estimated by the winding temperature estimation model in the winding temperature calculation unit 20, the difference is within a preset range. The winding temperature calculation unit 20 determines the heat flux coefficient input as an input variable to the winding temperature estimation model as the heat flux coefficient for calculating the main water quantity. On the contrary, when the target winding temperature set in advance in the winding temperature comparison unit 30 and the winding temperature estimated by the winding temperature estimation model in the winding temperature calculation unit 20 are compared with each other, the difference is out of the preset range. In addition, the heat flux coefficient correcting unit 50 changes the value of the heat flux coefficient applied as an input variable to the winding temperature estimation model in the winding temperature calculator 20 and provides it as an input variable of the winding temperature calculator 20 again. The coiling temperature calculator 20 estimates the coiling temperature again using the value of the heat flux coefficient changed by the heat flux coefficient correcting unit 50 as an input variable.
도 6은 권취 온도와 열유속계수와의 관계를 도시한 그래프로서, 도 6에 도시한 바와 같이, 열유속계수의 값이 커질수록 냉각 주수량이 커지므로 권취온도가 하강하는 음의 상관관계로 표현가능하며, 선형 회귀로 추세를 고려하면 약 97.6%도 그래프를 표현할 수 있다. 다시 말하면, 도 6에 나타난 바와 같이, 열유속계수 값이 커질수록 냉각 주수량이 커지게 되고 권취온도는 낮아지게 되므로, 권취온도 추정시 목표 권취온도보다 값이 크다면 열유속계수의 값을 더 크게 조정하여 설정하고, 목표 권취온도보다 값이 작다면 열유속계수의 값을 더 작게 조정하여 설정할 수 있다.FIG. 6 is a graph showing the relationship between the winding temperature and the heat flux coefficient. As shown in FIG. 6, as the value of the heat flux coefficient increases, the amount of cooling water is increased, so that the winding temperature may be expressed as a negative correlation. If you consider the trend by linear regression, you can express the graph about 97.6%. In other words, as shown in FIG. 6, the larger the heat flux coefficient value, the greater the cooling water quantity and the lower the winding temperature. Therefore, if the value is larger than the target winding temperature in estimating the coiling temperature, the value of the heat flux coefficient is adjusted larger. If the value is smaller than the target winding temperature, the value of the heat flux coefficient can be adjusted to be smaller.
이러한 특징을 고려하여, 열유속계수 보정부(50)는 권취온도 계산부(20)에서 추정된 권취온도가 목표 권취온도보다 일정 범위를 벗어나 높은 경우에는 열유속계수의 값을 이전보다 더 크게 설정하고, 추정된 권취온도가 목표 권취온도보다 일정 범위를 벗어나 낮은 경우에는 열유속계수의 값을 이전보다 더 작게 설정할 수 있다.In consideration of this feature, the heat flux coefficient correcting unit 50 sets the value of the heat flux coefficient to be larger than before when the winding temperature estimated by the winding temperature calculating unit 20 is out of a predetermined range than the target winding temperature, If the estimated winding temperature is lower than the target winding temperature by a certain range, the value of the heat flux coefficient may be set smaller than before.
열유속계수 결정부(40)에서 결정된 열유속계수 및 런아웃 테이블(160)의 입측 온도센서(180a)에서 실측된 온도가 주수량 계산부(60)에 제공되고, 주수량 계산부(60)는 사전 설정된 연산식 또는 알고리즘을 적용하여 열유속계수 및 런아웃 테이블의 입측 온도에 따른 뱅크별 주수량을 연산한다.The heat flux coefficient determined by the heat flux coefficient determiner 40 and the temperature measured by the entrance temperature sensor 180a of the runout table 160 are provided to the water quantity calculator 60, and the water quantity calculator 60 is preset. Calculate the main water quantity per bank according to the heat flux coefficient and the entrance temperature of the runout table by applying a formula or algorithm.
주수량 계산부(60)에서 연산된 주수량 정보는 헤더 제어부(70)로 제공되고 헤더 제어부(70)는 주수량 계산부(60)에서 제공된 주수량을 강판에 제공하도록 헤더의 온/오프 상태를 제어할 수 있다.The main water quantity information calculated by the main water quantity calculating unit 60 is provided to the header control unit 70, and the header control unit 70 provides on / off state of the header so as to provide the steel quantity provided by the main water quantity calculating unit 60 to the steel sheet. Can be controlled.
도 7은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 추정된 권취온도와 실측된 권취온도를 비교한 그래프이다.FIG. 7 is a graph comparing winding temperature estimated and measured winding temperature in an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to an exemplary embodiment of the present invention.
도 7의 가로축은 실측된 권취온도 값이고, 세로축은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치에서 신경망 모델을 통해 추정된 권취온도의 값인데, 직선에 가까울수록 신경망 모델의 정확도가 높다고 볼 수 있다. 도 7에 도시된 산점도의 정확도를 비교하면 약 95.5%의 정확도를 가진다고 볼 수 있고, 목표 권취온도의 +-20도 이내로 예측하는 비율은 95.7%로서 상당히 높은 정확도로 권취온도를 추정하고 있음을 확인할 수 있다.7 is a measured winding temperature value, and a vertical axis is a value of a winding temperature estimated through a neural network model in an artificial intelligence based hot rolled runout table heat flux coefficient determining apparatus according to an embodiment of the present invention. The accuracy of the model is high. Comparing the accuracy of the scatter plot shown in Figure 7 it can be seen that it has an accuracy of about 95.5%, and the rate of prediction within + -20 degrees of the target winding temperature is 95.7%, confirming that the winding temperature is estimated with a considerably high accuracy. Can be.
이와 같이, 본 발명의 여러 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경 되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.As described above, the artificial intelligence-based hot rolled runout table heat flux coefficient determining apparatus according to various embodiments of the present invention manufactures a heat flux coefficient estimation model using an artificial neural network structure, so that the operating conditions change depending on the season or the steel grade to be rolled is changed. Machine learning also makes it easy to update models for estimating heat flux coefficients. Through this, the winding temperature of the steel sheet can follow the desired target value. This reduces the material and quality variation of the hot rolled products and prevents damage due to equipment malfunctions such as miss rolls, thereby greatly improving productivity.
10: 권취온도 학습부
20: 권취온도 계산부
30: 권취온도 비교부
40: 열유속계수 결정부
50: 열유속계수 보정부
60: 주수량 계산부
70: 헤더 제어부
10: winding temperature learning unit
20: winding temperature calculation unit
30: coiling temperature comparison unit
40: heat flux coefficient determining unit
50: heat flux coefficient correction unit
60: main quantity calculation unit
70: header control unit

Claims (10)

  1. 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 출측의 권취온도를 추정하기 위한 인공 신경망 구조의 권취온도 추정 모델을 생성하는 권취온도 학습부;
    상기 권취온도 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 권취온도를 추정하는 권취온도 계산부;
    상기 권취온도 계산부에서 추정된 권취온도와 사전 설정된 목표 권취온도를 비교하는 권취온도 비교부;
    상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위 이내인 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 상기 런아웃 테이블의 열유속계수로 결정하는 열유속계수 결정부를 포함하고,
    상기 권취온도 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 권취온도와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정하며,
    상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성하고,
    상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 권취온도 추정 모델을 완성하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    A winding temperature learning unit for generating a winding temperature estimation model of an artificial neural network structure for estimating the winding temperature of the exit of the runout table through machine learning using variables related to hot rolling material information and operation information;
    A winding temperature calculator configured to estimate a winding temperature of a runout table in operation by inputting a variable measured during operation to the winding temperature estimation model;
    A winding temperature comparison unit comparing the winding temperature estimated by the winding temperature calculator with a predetermined target winding temperature;
    As a result of the comparison of the winding temperature comparison unit, when the difference between the estimated winding temperature and the target winding temperature is within a preset range, the heat flux coefficient used as an input variable in the winding temperature estimation model of the winding temperature calculation unit is set to the runout table. It includes a heat flux coefficient determination unit for determining the heat flux coefficient,
    The winding temperature learning unit may remove abnormal variables outside the preset normal range from the database in which the operation data is stored and unrelated variables not related to the winding temperature, and may actually remove the abnormal variables and unrelated variables from the operation data. Variables for steel sheets whose difference between the winding temperature and the target winding temperature are less than the preset range are selected as good variables,
    Forming the superior variables into sets of input variables and output variables for each steel sheet;
    The set is divided into a learning set used for machine learning, a verification set for verifying and testing the results of machine learning, and a test set to verify and test the output value. AI based hot rolled runout table heat flux coefficient determination device.
  2. 삭제delete
  3. 삭제delete
  4. 제1항에 있어서,
    상기 권취온도 학습부는, 상기 세트 내에서 권취온도를 출력값으로 설정하고, 열유속계수를 포함하는 그 나머지 변수를 입력값으로 설정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method of claim 1,
    And the winding temperature learning unit sets the winding temperature as an output value in the set, and sets the remaining variables including the heat flux coefficient as input values.
  5. 삭제delete
  6. 제1항에 있어서,
    상기 권취온도 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 권취온도 추정 모델을 결정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method of claim 1,
    The winding temperature learning unit determines the winding temperature estimation model by determining the weight of the artificial neural network structure through machine learning using the learning set, AI-based hot rolling runout table heat flux coefficient determination apparatus.
  7. 제6항에 있어서,
    상기 권취온도 학습부는, 사전 설정된 주기 마다 기계 학습을 실행하거나 상기 권취온도 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 권취온도 계산부로 제공하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method of claim 6,
    The winding temperature learning unit updates the weights by executing machine learning at predetermined intervals or by performing machine learning when an input variable of the winding temperature estimation model is changed, and providing the updated weights to the winding temperature calculator. AI-based hot-rolled runout table heat flux coefficient determination device.
  8. 제1항에 있어서,
    상기 권취온도 비교부의 비교 결과, 상기 추정된 권취온도와 상기 목표 권취온도의 차이가 사전 설정 범위를 벗어나는 경우, 상기 권취온도 계산부의 권취온도 추정 모델에 입력 변수로 사용된 열유속계수를 보정하여 상기 권취온도 계산부로 제공하는 열유속계수 보정부를 더 포함하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method of claim 1,
    As a result of the comparison of the winding temperature comparison unit, when the difference between the estimated winding temperature and the target winding temperature is out of a preset range, the winding is performed by correcting a heat flux coefficient used as an input variable in the winding temperature estimation model of the winding temperature calculation unit. AI-based hot rolled run-out table heat flux coefficient determination apparatus further comprises a heat flux coefficient corrector provided to the temperature calculator.
  9. 청구항 8에 있어서,
    상기 열유속계수 보정부는, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 큰 경우 상기 열유속계수를 증가시키고, 상기 추정된 권취온도가 상기 목표 권취온도 보다 상기 사전 설정 범위를 벗어나 더 작은 경우 상기 열유속계수를 감소시켜 상기 권취온도 계산부로 제공하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method according to claim 8,
    The heat flux coefficient correcting unit may increase the heat flux coefficient when the estimated winding temperature is larger than the target winding temperature by exceeding the preset winding temperature, and the estimated winding temperature is out of the preset winding range by the target winding temperature. The apparatus for determining an AI based hot rolled run-out table heat flux coefficient, wherein the heat flux coefficient is reduced and provided to the winding temperature calculator.
  10. 제1항에 있어서,
    상기 열유속계수 결정부에서 결정된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부; 및
    상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 결정 장치.
    The method of claim 1,
    The heat flux coefficient determined by the heat flux coefficient determiner and the temperature measured by the entrance temperature sensor of the runout table are received, and the heat flux coefficient and the entrance temperature of the runout table are applied by applying a heat flux coefficient and an input temperature of the runout table input to a preset equation or algorithm. A main quantity calculation unit for calculating a quantity; And
    And a header controller configured to control an on / off state of a header of a bank so as to provide a steel quantity supplied from the main quantity calculation unit to a steel sheet. 10.
KR1020170180274A 2017-12-26 2017-12-26 Determination apparatus for heat flux coefficient of run-out table based artificial intelligence KR102045652B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170180274A KR102045652B1 (en) 2017-12-26 2017-12-26 Determination apparatus for heat flux coefficient of run-out table based artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170180274A KR102045652B1 (en) 2017-12-26 2017-12-26 Determination apparatus for heat flux coefficient of run-out table based artificial intelligence

Publications (2)

Publication Number Publication Date
KR20190078394A KR20190078394A (en) 2019-07-04
KR102045652B1 true KR102045652B1 (en) 2019-11-15

Family

ID=67259107

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170180274A KR102045652B1 (en) 2017-12-26 2017-12-26 Determination apparatus for heat flux coefficient of run-out table based artificial intelligence

Country Status (1)

Country Link
KR (1) KR102045652B1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569566B (en) * 2019-08-19 2021-04-02 北京科技大学 Method for predicting mechanical property of plate strip

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013000765A (en) * 2011-06-15 2013-01-07 Kobe Steel Ltd Temperature prediction method of steel plate

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100325328B1 (en) 1997-12-27 2002-05-09 이구택 Method for measuring shape of wire rod
KR20020052723A (en) * 2000-12-26 2002-07-04 이구택 coiling temperature control method of hot strip using learning method
KR100568358B1 (en) * 2001-12-22 2006-04-05 주식회사 포스코 Hot strip cooling control mothode for chage target temperature
KR100920640B1 (en) 2007-12-26 2009-10-08 주식회사 포스코 Apparatus for measuring winding shape of wire coil
KR101119006B1 (en) * 2009-07-31 2012-03-09 주식회사 포스코 Method for controlling coiling temperature of milling slab
KR20150021777A (en) 2013-08-21 2015-03-03 주식회사 포스코 Method for measuring shape of wire rod and detecting surface condition of wire rod

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013000765A (en) * 2011-06-15 2013-01-07 Kobe Steel Ltd Temperature prediction method of steel plate

Also Published As

Publication number Publication date
KR20190078394A (en) 2019-07-04

Similar Documents

Publication Publication Date Title
WO2009011070A1 (en) Method of cooling control, cooling control unit and cooling water quantity computing unit
JP5054369B2 (en) Winding temperature control device and control method
KR102045652B1 (en) Determination apparatus for heat flux coefficient of run-out table based artificial intelligence
JP2012183553A (en) Control device and control method
US8391998B2 (en) Method for controlling and/or regulating an industrial process
KR102045651B1 (en) Estimating apparatus for heat flux coefficient of run-out table based artificial intelligence
JP5231968B2 (en) Winding temperature control device and control method thereof
JP2007044715A (en) Cooling control model learning method, and rolled material cooling method
KR101889668B1 (en) Rolling simulation device
KR20200018610A (en) How annealing furnace works
KR100643373B1 (en) Method of controlling longitudinal direction temperature of thick hot-rolled steel plate
JP3520868B2 (en) Steel sheet manufacturing method
KR102075245B1 (en) Prediction apparatus for iron loss reduction of electric steel sheet
JP2007283346A (en) Method for controlling cooling of rolled stock and rolling equipment
JP4696775B2 (en) Plate width control method and apparatus
JP2007301603A (en) Method for controlling coiling temperature of rolled stock and rolling equipment
KR20120074863A (en) Method for setting up cooling water flux in cooling process of hot rolling steel plate
KR100568358B1 (en) Hot strip cooling control mothode for chage target temperature
JP2016209911A (en) Method for estimating parameter constituting heat transfer rate model
KR101050792B1 (en) Cooling Control Method Using Dynamic Reset
JP5542228B2 (en) Winding temperature control device and control method thereof
JP3661668B2 (en) Metal plate manufacturing method and temperature control device
JP5310964B1 (en) Steel plate manufacturing method
JP2020157327A (en) Control method for outlet side temperature of finished steel sheet, control device therefor and production method for steel sheet
KR102043529B1 (en) Method for controlling coil width and apparatus thereof

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