KR102098456B1 - 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체 - Google Patents

전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체 Download PDF

Info

Publication number
KR102098456B1
KR102098456B1 KR1020170180194A KR20170180194A KR102098456B1 KR 102098456 B1 KR102098456 B1 KR 102098456B1 KR 1020170180194 A KR1020170180194 A KR 1020170180194A KR 20170180194 A KR20170180194 A KR 20170180194A KR 102098456 B1 KR102098456 B1 KR 102098456B1
Authority
KR
South Korea
Prior art keywords
information
converter
learning
converter heat
heat mixing
Prior art date
Application number
KR1020170180194A
Other languages
English (en)
Other versions
KR20190078335A (ko
Inventor
최자영
이유민
이진휘
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 KR1020170180194A priority Critical patent/KR102098456B1/ko
Publication of KR20190078335A publication Critical patent/KR20190078335A/ko
Application granted granted Critical
Publication of KR102098456B1 publication Critical patent/KR102098456B1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
    • C21C5/28—Manufacture of steel in the converter
    • C21C5/42—Constructional features of converters
    • C21C5/46—Details or accessories
    • C21C5/4673—Measuring and sampling devices
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27B—FURNACES, KILNS, OVENS, OR RETORTS IN GENERAL; OPEN SINTERING OR LIKE APPARATUS
    • F27B3/00—Hearth-type furnaces, e.g. of reverberatory type; Tank furnaces
    • F27B3/10—Details, accessories, or equipment peculiar to hearth-type furnaces
    • F27B3/28—Arrangement of controlling, monitoring, alarm or the like devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/25—Process efficiency

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Mechanical Engineering (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Feedback Control In General (AREA)

Abstract

본 발명의 일 실시 예에 따른 전로 열배합 제어 장치는, 전로의 조업 데이터를 수신하고 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 선택하는 전로 열배합 가이드 관리부와, 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 전로의 열배합을 제어하는 제어기를 구동하는 제어기 구동 관리부와, 제어기의 제어에 따른 피드백 정보를 수신하고 피드백 정보에 기초하여 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 조업 결과 분석 관리부와, 학습보상 가중치 정보에 기초하여 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성하는 재학습 관리부를 포함할 수 있다.

Description

전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체{Apparatus for controlling harmonic heat in converter and computer readable recording medium}
본 발명은 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체에 관한 것이다.
일반적으로 전로조업에서의 용강온도는 철강제품의 품질에 직결되는 중요한 조업지표 중의 하나이다. 전로조업에서의 용강온도를 제어하기 위해 사용되는 전로 열배합 모델은 전로 취련 조업 중 전로 내부 용강의 온도를 제어하는 모델로 용강 내 불순물을 제거하기 위해 목표 온도를 제어하는 모델이다.
종래의 전로 열배합 모델은 야금학 모델을 활용하여 이전 조업의 경험적 결과를 활용하는 방식으로 진행되거나, 1차원적인 통계적 선형회귀모델을 사용하여 제어하였다. 이 두가지 방법 모두 사용 시 강종 등의 일부 조업에 영향을 미치는 변수들에 대해 고정적인 클래스(class) 구분을 통해 모델을 여러 개로 구분하여 각 클래스별 모델을 개발하여 사용하였다. 이러한 방식의 모델 개발은 새로운 강종과 환경 변화시에 새 강종에 대한 클래스가 없다는 문제점이 있었다. 또한 조업 환경이 매일 조금씩 변화하는 것에 따라 일정 기간이 지나면 기 개발된 모델은 사용이 불가능하고 새로운 모델을 수동으로 개발해야 하는 문제점이 있었다.
최근 급변하는 시장의 변화에 맞추어 새로운 강종의 개발 속도가 빨라짐에 따라, 새로운 강종의 조업시에도 적용이 가능한 모델의 개발의 필요성이 대두되고 있다.
등록특허공보 10-0328937
본 발명의 일 실시 예에 따른 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체를 제공한다.
본 발명의 일 실시 예에 따른 전로 열배합 제어 장치는, 전로의 조업 데이터를 수신하고 상기 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 상기 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 선택하는 전로 열배합 가이드 관리부; 상기 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 상기 전로의 열배합을 제어하는 제어기를 구동하는 제어기 구동 관리부; 상기 제어기의 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 상기 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 조업 결과 분석 관리부; 상기 학습보상 가중치 정보에 기초하여 상기 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성하는 재학습 관리부; 를 포함할 수 있다.
예를 들어, 상기 재학습 관리부는, 상기 학습보상 가중치 정보를 상기 재학습 정보에 적용할지 여부를 결정하여 학습 데이터의 구성을 관리하는 학습 데이터 구성 관리 모듈; 상기 복수의 기계학습 모델에 각각 대응되는 학습보상 가중치의 추세를 분석하고 분석결과에 기초하여 상기 재학습 정보의 적용시점을 계산하는 재학습 시점 계산 모듈; 및 상기 재학습 시점 계산 모듈에 의해 결정된 적용시점에 상기 재학습 정보를 상기 복수의 기계학습 모델 중 적어도 일부에 적용하는 AI 모델 별 재학습 구동 모듈; 을 포함할 수 있다.
예를 들어, 상기 재학습 관리부는, 상기 전로 열배합 가이드 관리부의 전로 열배합 가이드 정보 선택을 위한 선택 모델의 학습 정보를 상기 학습보상 가중치 정보에 기초하여 생성하는 최종 가이드 선택 강화 학습 모듈을 더 포함할 수 있다.
예를 들어, 상기 전로 열배합 가이드 관리부는, 상기 전로의 조업 데이터를 수신하는 조업 데이터 수신 모듈; 상기 조업 데이터에 기초하여 조업 환경 정보를 생성하는 조업 환경 정보 통합 모듈; 상기 조업 데이터에 기초한 상기 복수의 기계학습 모델의 병렬적 구동을 관리하는 다중 AI 모델 구동 관리 모듈; 상기 복수의 기계학습 모델 각각의 전로 열배합 가이드 정보 생성을 위한 계산을 관리하는 AI 모델 계산 관리부; 및 상기 복수의 전로 열배합 가이드 정보와 상기 조업 환경 정보를 각각 입력 받는 복수의 입력 노드로 구성된 입력 층과, 상기 복수의 입력 노드 각각의 상태 정보에 종속적인 상태 정보를 가지고 상기 선택 전로 열배합 가이드 정보를 출력하는 복수의 출력 노드로 구성된 출력 층을 포함하는 최종 가이드 선택 AI 모델 구동 모듈; 을 포함할 수 있다.
예를 들어, 상기 제어기 구동 관리부는, 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 산소의 투입량을 제어하는 산소 투입량 제어 모듈; 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 냉각재의 투입량을 제어하는 냉각재 투입량 제어 모듈; 및 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 승열제의 투입량을 제어하는 승열제 투입량 제어 모듈; 을 포함할 수 있다.
본 발명의 일 실시 예에 따른 컴퓨터 판독가능 기록 매체는, 전로의 조업 데이터를 수신하고 상기 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 상기 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 선택하는 단계; 상기 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 상기 전로의 열배합을 제어하는 단계; 상기 전로에 대한 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 상기 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 단계; 및 상기 학습보상 가중치 정보에 기초하여 상기 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성하는 단계; 를 포함하고, 상기 선택하는 단계는, 상기 전로의 조업 데이터를 수신하고, 상기 조업 데이터에 기초하여 조업 환경 정보를 생성하고, 상기 조업 데이터에 기초한 상기 복수의 기계학습 모델의 병렬적 구동을 관리하고, 상기 복수의 기계학습 모델 각각의 전로 열배합 가이드 정보 생성을 위한 계산을 관리하고, 상기 복수의 전로 열배합 가이드 정보와 상기 조업 환경 정보를 각각 입력 받는 복수의 입력 노드로 구성된 입력 층과 상기 복수의 입력 노드 각각의 상태 정보에 종속적인 상태 정보를 가지고 상기 선택 전로 열배합 가이드 정보를 출력하는 복수의 출력 노드로 구성된 출력 층을 사용하는 방법을 실행하기 위한 프로세서에 의해 실행 가능한 명령들이 기록될 수 있다.
본 발명의 일 실시 예에 따른 전로 열배합 제어 장치는, 다양한 철강제품이나 다양한 전로 조업환경에 대해 적응적으로 전로 열배합을 제어할 수 있으며, 새로운 철강제품이나 새로운 전로 조업환경에 대한 전로 열배합 제어의 적합성을 향상시킬 수 있다.
도 1은 본 발명의 일 실시 예에 따른 전로 열배합 제어 장치를 나타낸 도면이다.
도 2는 전로 열배합 가이드 관리부와 제어기 구동 관리부를 구체적으로 예시한 도면이다.
도 3은 전로 열배합 가이드 관리부의 최종 가이드 선택 AI 모델 구동 모듈을 구체적으로 예시한 도면이다.
도 4는 전로 열배합 가이드 관리부의 동작과정을 예시한 순서도이다.
도 5는 조업 결과 분석 관리부를 구체적으로 예시한 도면이다.
도 6은 재학습 관리부를 구체적으로 예시한 도면이다.
이하, 첨부된 도면을 참조하여 본 발명의 실시형태를 설명한다. 그러나 본 발명의 실시형태는 여러 가지의 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시형태로만 한정되는 것은 아니다. 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면상의 동일한 부호로 표시되는 요소는 동일한 요소이다.
도 1은 본 발명의 일 실시 예에 따른 전로 열배합 제어 장치를 나타낸 도면이다.
도 1을 참조하면, 본 발명의 일 실시 예에 따른 전로 열배합 제어 장치(100)는, 전로 열배합 가이드 관리부(110), 제어기 구동 관리부(120), 조업 결과 분석 관리부(130) 및 재학습 관리부(140)를 포함할 수 있다.
전로 열배합 가이드 관리부(110)는 제강 프로세스 컴퓨터(10)로부터 전로의 조업 데이터(예: 용강온도 데이터, 탄소농도 데이터, 산소농도 데이터, 슬래그량 데이터, 전로의 설비상태 데이터, 전로에 투입되는 용선 및 고철의 성분 및 질량 데이터, 목표 철강제품 데이터, 목표 조업환경 데이터, 날씨 데이터, 타공정 진행 데이터 등)를 수신하고 상기 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 상기 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보(예: 산소 투입 감소, 냉각재 투입량 중지, 승열제 투입 지연, 냉각재와 승열제의 투입순서 변경 등) 중 일부를 선택할 수 있다.
제어기 구동 관리부(120)는 상기 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 상기 전로의 열배합을 제어하는 제어기를 구동할 수 있다. 여기서, 상기 제어기는 산소 투입 장치(210), 냉각재 투입 장치(220) 및 승열제 투입 장치(230) 중 적어도 일부를 포함할 수 있다.
조업 결과 분석 관리부(130)는 상기 제어기의 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 상기 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성할 수 있다.
재학습 관리부(140)는 상기 학습보상 가중치 정보에 기초하여 상기 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성할 수 있다. 이에 따라, 복수의 기계학습 모델은 각각 복수의 전로의 조업 데이터의 패턴 중 대응되는 패턴에 적응적으로 학습할 수 있다.
따라서, 본 발명의 일 실시 예에 따른 전로 열배합 제어 장치(100)는, 다양한 철강제품이나 다양한 전로 조업환경에 대해 적응적으로 전로 열배합을 제어할 수 있으며, 새로운 철강제품이나 새로운 전로 조업환경에 대한 전로 열배합 제어의 적합성을 향상시킬 수 있다.
도 2는 전로 열배합 가이드 관리부와 제어기 구동 관리부를 구체적으로 예시한 도면이다.
도 2를 참조하면, 전로 열배합 가이드 관리부(110a)는, 상기 전로의 조업 데이터를 수신하는 조업 데이터 수신 모듈(111)과, 상기 조업 데이터에 기초하여 조업 환경 정보(예: 목표 철강제품 데이터, 목표 조업환경 데이터 등)를 생성하는 조업 환경 정보 통합 모듈(112)과, 상기 조업 데이터에 기초한 상기 복수의 기계학습 모델의 병렬적 구동을 관리하는 다중 AI 모델 구동 관리 모듈(113)과, 상기 복수의 기계학습 모델 각각의 전로 열배합 가이드 정보 생성을 위한 계산을 관리하는 AI 모델 계산 관리부(114)와, 상기 복수의 기계학습 모델에 의해 각각 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 상기 조업 환경 정보에 기초하여 선택하는 최종 가이드 선택 AI 모델 구동 모듈(115) 중 적어도 일부를 포함할 수 있다.
예를 들어 조업 환경 정보가 목표 철강제품 데이터에 대응될 경우, 최종 가이드 선택 AI 모델 구동 모듈(115)는 목표 철강제품이 제1 유형에 속할 경우에 제1 기계학습 모델에 의해 생성된 제1 전로 열배합 가이드 정보를 선택하고, 목표 철강제품이 제2 유형에 속할 경우에 제2 기계학습 모델에 의해 생성된 제2 전로 열배합 가이드 정보를 선택하고, 목표 철강제품이 신규 철강제품일 경우에 제3 기계학습 모델에 의해 생성된 제3 전로 열배합 가이드 정보를 선택할 수 있다.
예를 들어 조업 환경 정보가 목표 조업환경 데이터에 대응될 경우, 최종 가이드 선택 AI 모델 구동 모듈(115)는 전로 조업시간이 짧을 경우에 제4 기계학습 모델에 의해 생성된 제4 전로 열배합 가이드 정보를 선택하고, 전로 조업시간이 길 경우에 제5 기계학습 모델에 의해 생성된 제5 전로 열배합 가이드 정보를 선택할 수 있다.
예를 들어 조업 환경 정보가 계측 장치의 데이터나 측정 장치의 데이터에 대응될 경우, 최종 가이드 선택 AI 모델 구동 모듈(115)는 용강온도가 기준 온도범위를 벗어날 경우에 제6 기계학습 모델에 의해 생성된 제6 전로 열배합 가이드 정보를 선택하고, 슬래그량이 기준 범위를 벗어날 경우에 제7 기계학습 모델에 의해 생성된 제7 전로 열배합 가이드 정보를 선택할 수 있다.
예를 들어, 최종 가이드 선택 AI 모델 구동 모듈(115)는 조업 환경 정보의 변수가 많을 경우에 제8 기계학습 모델에 의해 생성된 제8 전로 열배합 가이드 정보를 선택하고, 조업 환경 정보의 변수가 적을 경우에 제9 기계학습 모델에 의해 생성된 제9 전로 열배합 가이드 정보를 선택할 수 있다.
이처럼, 최종 가이드 선택 AI 모델 구동 모듈(115)의 기계학습 모델에 대한 선택 기준은 다양하게 결정될 수 있다.
도 2를 참조하면, 제어기 구동 관리부(120a)는, 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 산소의 투입량을 제어하는 산소 투입량 제어 모듈(121)과, 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 냉각재의 투입량을 제어하는 냉각재 투입량 제어 모듈(122)과, 상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 승열제의 투입량을 제어하는 승열제 투입량 제어 모듈(123) 중 적어도 일부를 포함할 수 있다.
즉, 제어기 구동 관리부(120a)는 선택 전로 열배합 가이드 정보에 기초하여 다양한 제어기를 복합적으로 구동시킬 수 있다.
도 3은 전로 열배합 가이드 관리부의 최종 가이드 선택 AI 모델 구동 모듈을 구체적으로 예시한 도면이다.
도 3을 참조하면, 최종 가이드 선택 AI 모델 구동 모듈은 복수의 전로 열배합 가이드 정보(AI 모델 결과값)와 조업 환경 정보(조업 환경 변수)를 입력 받고, 선택 전로 열배합 가이드 정보(최적 가이드 선택)를 출력할 수 있다.
예를 들어, 상기 전로 열배합 가이드 관리부는 입력 층(2N node), 은닉 층, 완전 연결 층(N node) 및 출력 층을 포함하는 신경망 구조를 가질 수 있다. 여기서, 입력 층(2N node), 은닉 층, 완전 연결 층(N node) 및 출력 층은 각각 적어도 하나의 노드를 포함할 수 있으며, 노드는 상태 정보를 포함할 수 있다. 입력 층(2N node) 중 일부 노드의 상태 정보는 복수의 전로 열배합 가이드 정보(AI 모델 결과값)의 입력에 영향을 받을 수 있으며, 나머지 노드의 상태 정보는 조업 환경 정보(조업 환경 변수)의 입력에 영향을 받을 수 있다. 은닉 층의 노드의 상태 정보는 은닉 층의 노드에 연결된 입력 층(2N node)의 노드의 상태 정보의 조합에 따라 결정될 수 있으며, 완전 연결 층(N node)의 노드의 상태 정보는 완전 연결 층(N node)의 노드에 연결된 은닉 층의 노드의 상태 정보의 조합에 따라 결정될 수 있으며, 출력 층의 노드의 상태 정보는 출력 층의 노드에 연결된 완전 연결 층(N node)의 노드의 상태 정보의 조합에 따라 결정될 수 있다.
즉, 상기 최종 가이드 선택 AI 모델 구동 모듈은 기계학습 모델에 대한 선택 기준을 점진적으로 학습할 수 있다. 이에 따라, 복수의 기계학습 모델의 역할은 효율적으로 분배될 수 있다.
한편, 전로 열배합 가이드 관리부에서 상기 전로 열배합 가이드 관리부뿐만 아니라 다중 AI 모델 구동 관리 모듈 및/또는 AI 모델 계산 관리부도 입력 층, 은닉 층, 완전 연결 층 및 출력 층을 포함하는 신경망 구조를 가질 수 있다. 따라서, 전로 열배합 가이드 관리부의 기계학습 모델과 선택 모델은 병렬적으로 학습될 수 있으며, 상위의 선택 모델과 하위의 기계학습 모델이 이루는 계층적 구조를 가질 수 있다.
도 4는 전로 열배합 가이드 관리부의 동작과정을 예시한 순서도이다.
도 4를 참조하면, 전로 열배합 가이드 관리부는 전로 취련 조업 시작 전 전로 조업 데이터(환경 정보)를 수신(S110)하고, 복수의 기계학습 모델(다중 AI 모델)에 조업 데이터(환경 정보)를 전달(S120)하고, 복수의 기계학습 모델(다중 AI 모델)의 구동을 통한 각 모델별 가이드 값 계산을 수행(S130)하고, 모델 별 계산 정보, 조업 환경 정보를 입력 변수로 활용한 선택 모델(최적 사용량 가이드 모델)을 구동(S140)하고, 모델 별 계산 정보 중 최적 가이드 값 선택 수행(S150)할 수 있다.
도 5는 조업 결과 분석 관리부를 구체적으로 예시한 도면이다.
도 5를 참조하면, 조업 결과 분석 관리부(130a)는, 제어기의 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하는 모델 결과 적중률 분석 모듈(131)과, 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 학습보상 가중치 부여 모듈(132)을 포함할 수 있다.
도 6은 재학습 관리부를 구체적으로 예시한 도면이다.
도 6을 참조하면, 재학습 관리부(140a)는, 학습보상 가중치 정보를 재학습 정보에 적용할지 여부를 결정하여 학습 데이터의 구성을 관리하는 학습 데이터 구성 관리 모듈(141)과, 복수의 기계학습 모델에 각각 대응되는 학습보상 가중치의 추세(trend)를 분석하고 분석결과에 기초하여 상기 재학습 정보의 적용시점을 계산하는 재학습 시점 계산 모듈(142)과, 상기 재학습 시점 계산 모듈에 의해 결정된 적용시점에 상기 재학습 정보를 상기 복수의 기계학습 모델 중 적어도 일부에 적용하는 AI 모델 별 재학습 구동 모듈(143)과, 상기 전로 열배합 가이드 관리부의 전로 열배합 가이드 정보 선택을 위한 선택 모델의 학습 정보를 상기 학습보상 가중치 정보에 기초하여 생성하는 최종 가이드 선택 강화 학습 모듈(144)을 포함할 수 있다.
예를 들어, 재학습 시점 계산 모듈(142)은 복수의 기계학습 모델의 선택 전로 열배합 가이드 정보의 평균 적중률이 기준 적중률범위보다 낮아질 경우에 재학습 정보의 적용시점을 앞당길 수 있다.
예를 들어, 최종 가이드 선택 강화 학습 모듈(144)은 복수의 기계학습 모델의 선택 전로 열배합 가이드 정보의 평균 적중률이 기준 적중률범위보다 낮아질 경우에 선택 모델의 학습 정보를 생성할 수 있다. 이에 따라, 전로 열배합 가이드 관리부의 기계학습 모델에 대한 선택 기준은 더욱 효율적으로 학습될 수 있다. 이에 따라, 복수의 기계학습 모델의 역할은 더욱 효율적으로 분배될 수 있다.
한편, 본 명세서에 개진된 기계학습 모델은 CART(Classification And Regression Trees) 알고리즘, LDA(Linear Discriminant Analysis) 알고리즘, KNN(K-Nearest Neighbors) 알고리즘 등으로 구현될 수 있으나, 이에 한정되지 않는다. 또한, 복수의 기계학습 모델은 서로 다른 특성의 알고리즘에 따라 구현될 수 있다.
한편, 본 명세서에 개진된 전로 열배합 제어 장치는 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 환경으로 구현될 수 있으며, 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)나 네트워크에 의해 입력부(예: 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 등), 저장부(예: 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합으로 구현되거나 자기 스토리지, 광학 스토리지 등), 처리부(예: 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등) 및 출력부(예: 디스플레이, 스피커, 프린터, 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 등)를 상호 접속시킬 수 있다.
한편, 본 발명의 일 실시 예에 따른 컴퓨터 판독가능 기록 매체는 전로 열배합 제어 장치에 의해 판독될 수 있으며, 상기 전로 열배합 제어 장치는 상기 컴퓨터 판독가능 기록 매체에 기록된 명령을 실행할 수 있다.
한편, 본 실시 예에서 사용되는 '~부' 라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 시스템 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니한다. 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경할 수 있다는 것은 당 기술분야의 통상의 지식을 가진 자에게 자명할 것이다.
100, 100a: 전로 열배합 제어 장치
110, 110a: 전로 열배합 가이드 관리부
120, 120a: 제어기 구동 관리부
130, 130a: 조업 결과 분석 관리부
140, 140a: 재학습 관리부

Claims (6)

  1. 전로의 조업 데이터를 수신하고 상기 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 상기 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 선택하는 전로 열배합 가이드 관리부;
    상기 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 상기 전로의 열배합을 제어하는 제어기를 구동하는 제어기 구동 관리부;
    상기 제어기의 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 상기 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 조업 결과 분석 관리부;
    상기 학습보상 가중치 정보에 기초하여 상기 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성하는 재학습 관리부; 를 포함하고,
    상기 전로 열배합 가이드 관리부는,
    상기 전로의 조업 데이터를 수신하는 조업 데이터 수신 모듈;
    상기 조업 데이터에 기초하여 조업 환경 정보를 생성하는 조업 환경 정보 통합 모듈;
    상기 조업 데이터에 기초한 상기 복수의 기계학습 모델의 병렬적 구동을 관리하는 다중 AI 모델 구동 관리 모듈;
    상기 복수의 기계학습 모델 각각의 전로 열배합 가이드 정보 생성을 위한 계산을 관리하는 AI 모델 계산 관리부; 및
    상기 복수의 전로 열배합 가이드 정보와 상기 조업 환경 정보를 각각 입력 받는 복수의 입력 노드로 구성된 입력 층과, 상기 복수의 입력 노드 각각의 상태 정보에 종속적인 상태 정보를 가지고 상기 선택 전로 열배합 가이드 정보를 출력하는 복수의 출력 노드로 구성된 출력 층을 포함하는 최종 가이드 선택 AI 모델 구동 모듈; 을 포함하는 전로 열배합 제어 장치.
  2. 제1항에 있어서, 상기 재학습 관리부는,
    상기 학습보상 가중치 정보를 상기 재학습 정보에 적용할지 여부를 결정하여 학습 데이터의 구성을 관리하는 학습 데이터 구성 관리 모듈;
    상기 복수의 기계학습 모델에 각각 대응되는 학습보상 가중치의 추세를 분석하고 분석결과에 기초하여 상기 재학습 정보의 적용시점을 계산하는 재학습 시점 계산 모듈; 및
    상기 재학습 시점 계산 모듈에 의해 결정된 적용시점에 상기 재학습 정보를 상기 복수의 기계학습 모델 중 적어도 일부에 적용하는 AI 모델 별 재학습 구동 모듈; 을 포함하는 전로 열배합 제어 장치.
  3. 제2항에 있어서, 상기 재학습 관리부는,
    상기 전로 열배합 가이드 관리부의 전로 열배합 가이드 정보 선택을 위한 선택 모델의 학습 정보를 상기 학습보상 가중치 정보에 기초하여 생성하는 최종 가이드 선택 강화 학습 모듈을 더 포함하는 전로 열배합 제어 장치.
  4. 삭제
  5. 제1항에 있어서, 상기 제어기 구동 관리부는,
    상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 산소의 투입량을 제어하는 산소 투입량 제어 모듈;
    상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 냉각재의 투입량을 제어하는 냉각재 투입량 제어 모듈; 및
    상기 선택 전로 열배합 가이드 정보에 기초하여 상기 전로에 투입되는 승열제의 투입량을 제어하는 승열제 투입량 제어 모듈; 을 포함하는 전로 열배합 제어 장치.
  6. 전로의 조업 데이터를 수신하고 상기 조업 데이터를 복수의 기계학습 모델에 병렬적으로 적용하고 상기 복수의 기계학습 모델에 의해 병렬적으로 생성되는 복수의 전로 열배합 가이드 정보 중 일부를 선택하는 단계;
    상기 복수의 전로 열배합 가이드 정보 중 선택 전로 열배합 가이드 정보에 기초하여 상기 전로의 열배합을 제어하는 단계;
    상기 전로에 대한 제어에 따른 피드백 정보를 수신하고 상기 피드백 정보에 기초하여 상기 선택 전로 열배합 가이드 정보의 적중률 정보를 생성하고 상기 적중률 정보에 기초하여 학습보상 가중치 정보를 생성하는 단계; 및
    상기 학습보상 가중치 정보에 기초하여 상기 복수의 전로 열배합 가이드 정보 중 적어도 일부의 재학습 정보를 생성하는 단계; 를 포함하고,
    상기 선택하는 단계는, 상기 전로의 조업 데이터를 수신하고, 상기 조업 데이터에 기초하여 조업 환경 정보를 생성하고, 상기 조업 데이터에 기초한 상기 복수의 기계학습 모델의 병렬적 구동을 관리하고, 상기 복수의 기계학습 모델 각각의 전로 열배합 가이드 정보 생성을 위한 계산을 관리하고, 상기 복수의 전로 열배합 가이드 정보와 상기 조업 환경 정보를 각각 입력 받는 복수의 입력 노드로 구성된 입력 층과 상기 복수의 입력 노드 각각의 상태 정보에 종속적인 상태 정보를 가지고 상기 선택 전로 열배합 가이드 정보를 출력하는 복수의 출력 노드로 구성된 출력 층을 사용하는 방법을 실행하기 위한 프로세서에 의해 실행 가능한 명령들이 기록된 컴퓨터 판독가능 기록 매체.
KR1020170180194A 2017-12-26 2017-12-26 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체 KR102098456B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170180194A KR102098456B1 (ko) 2017-12-26 2017-12-26 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170180194A KR102098456B1 (ko) 2017-12-26 2017-12-26 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체

Publications (2)

Publication Number Publication Date
KR20190078335A KR20190078335A (ko) 2019-07-04
KR102098456B1 true KR102098456B1 (ko) 2020-04-07

Family

ID=67259334

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170180194A KR102098456B1 (ko) 2017-12-26 2017-12-26 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체

Country Status (1)

Country Link
KR (1) KR102098456B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101262642B1 (ko) 2011-11-18 2013-05-08 주식회사 포스코 전로 공정 시뮬레이션 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0925505A (ja) * 1995-07-10 1997-01-28 Nkk Corp 転炉吹錬制御方法
KR100328937B1 (ko) 1997-12-23 2002-09-25 포항종합제철 주식회사 신경망을이용한전로취련예측방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101262642B1 (ko) 2011-11-18 2013-05-08 주식회사 포스코 전로 공정 시뮬레이션 시스템 및 방법

Also Published As

Publication number Publication date
KR20190078335A (ko) 2019-07-04

Similar Documents

Publication Publication Date Title
Liu et al. A dynamic analytics method based on multistage modeling for a BOF steelmaking process
KR102506122B1 (ko) 강화 학습 모델 구축 방법, 장치, 전자 기기 및 매체
Han et al. Endpoint prediction model for basic oxygen furnace steel-making based on membrane algorithm evolving extreme learning machine
Liu et al. A stacked autoencoder with sparse Bayesian regression for end-point prediction problems in steelmaking process
Strumberger et al. Enhanced firefly algorithm for constrained numerical optimization
KR102214634B1 (ko) 인공지능 기반 물성예측 시스템
US20180365557A1 (en) Information processing method and information processing apparatus
Afshin Mansouri et al. Minimizing energy consumption and makespan in a two-machine flowshop scheduling problem
US11830033B2 (en) Theme recommendation method and apparatus
Li et al. Data-driven multiobjective optimization for burden surface in blast furnace with feedback compensation
Shi et al. An integrated car-following and lane changing vehicle trajectory prediction algorithm based on a deep neural network
Zhang et al. Flow shop scheduling with reinforcement learning
Shao et al. BOF endpoint prediction based on the flame radiation by hybrid SVC and SVR modeling
CN111611435A (zh) 一种视频分类的方法、装置及存储介质
KR102098456B1 (ko) 전로 열배합 제어 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체
Tang et al. An estimation of distribution algorithm with resampling and local improvement for an operation optimization problem in steelmaking process
Liu et al. A novel dynamic operation optimization method based on multiobjective deep reinforcement learning for steelmaking process
CN113869377A (zh) 训练方法、装置及电子设备
Zhang et al. Solving dynamic multi-objective problems with a new prediction-based optimization algorithm
Wang et al. Whale optimization end-point control model for 260 tons BOF steelmaking
Park et al. Comparative study of estimation methods of the endpoint temperature in basic oxygen furnace steelmaking process with selection of input parameters
CN112766402A (zh) 算法选择方法、装置和电子设备
Song et al. Smooth actor-critic algorithm for end-to-end autonomous driving
Huegler et al. Metaheuristics for meltshop scheduling in the steel industry
Yin et al. Hashing over predicted future frames for informed exploration of deep reinforcement learning

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