KR102104878B1

KR102104878B1 - Lstm을 이용한 전기로에서의 전극봉 위치 데이터 예측 방법

Info

Publication number: KR102104878B1
Application number: KR1020180083477A
Authority: KR
Inventors: 류관희; 류가애
Original assignee: 충북대학교 산학협력단
Priority date: 2018-07-18
Filing date: 2018-07-18
Publication date: 2020-04-27
Also published as: KR20200009295A

Abstract

본 발명의 전기로에 설치된 3개의 전극봉에 대한 위치 데이터를 예측하는 장치에서의 전극봉 위치 데이터 예측 방법에서, 상기 3개의 전극봉에 대한 데이터가 입력되면, 입력된 데이터를 가공하는 단계, LSTM(Long Short-Term Memory model) 네트워크를 생성하는 단계, 상기 LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행하는 단계 및 학습된 데이터를 이용하여 상기 3개의 전극봉에 대한 위치 데이터를 예측하는 단계를 포함한다. 본 발명에 의하면, LSTM(Long Short-Term Memory)을 이용하여 전기로에서의 전극봉 위치 데이터를 예측함으로써, 보다 용이하고 정확하게 전극봉의 위치를 예측할 수 있다는 효과가 있다.

Description

LSTM을 이용한 전기로에서의 전극봉 위치 데이터 예측 방법 {Method for predicting location data of electrode bar in electric furnace using Long Short-Term Memory}

본 발명은 전기로에서 전극봉 위치를 예측하는 것에 관한 것으로서, 더욱 상세하게는 LSTM을 이용하여 전기로에서의 전극봉 위치 데이터를 예측하는 것에 관한 것이다.

일반적으로, 합금철 전기로는 FeSi 또는 FeMn 등의 비철 금속을 생산하는 설비로서, 전기로의 철은 3개의 전극봉에서 발생되는 아크열에 의해 용해되는데, 이때 전기로에 장입되는 3개의 전극봉 하단높이가 일치되지 않을 경우, 각상에서 발생되는 임피던스값 차이로 아크열이 불완전하게 발생되어 용해효율이 급격히 떨어지고, 동시에 고철용해에 악영향을 끼치게 된다.

조업의 특성상 합금철 전기로는 원료면 내부로 전극봉이 삽입된 상태에서 조업이 진행되므로 외부에서는 전극봉의 길이를 확인할 수 없다.

특히, 합금철 전기로의 전극봉은 기소성된 전극봉을 사용하는 것이 아니고, 스틸 케이싱에 전극봉의 원료인 페이스트를 투입하여 전극봉에 흐르는 대전류를 이용하여 소성시켜 전극봉으로 사용한다. 따라서, 전극봉이 원료면에 삽입된 형태로 운전되기 때문에 현재의 전극봉의 길이를 정확히 측정하기는 어렵다. 그리고, 이러한 전극봉의 길이가 너무 짧아지거나, 너무 길어지면 조업에 있어서 상당한 악영향을 미치게 된다. 따라서 조업 시 전극봉의 길이를 실시간으로 측정하여 적절한 길이를 유지하는 것이 매우 중요하다.

예를 들어, 전극봉의 길이 측정을 잘못하여 전극봉의 길이가 규정치 보다 짧아지면, 전극봉의 소성시간을 고려한 전극봉 최대 압하량이 정해져 있으므로 특정 기간 동안은 전극봉의 끝단부가 규정치와 비교하여 용탕면에서 높게 위치하게 된다. 이러한 상황이 지속되면 용탕의 온도가 저하되고, 결론적으로 생산성이 떨어지는 문제점이 있다.

도 1은 종래 전기로에 전극봉이 삽입되어 있는 상태를 개략적으로 도시한 도면이다.

도 1을 참고하면, 전기로(100)는 변압기(300)에서 출력된 3상(R상, S상, T상)의 대전력이 각 전극봉(210, 220, 230)에 공급되고, 전극봉(210, 220, 230)에서는 아크가 발생하고, 아크의 열원으로 용해가 이루어진다.

종래 전기로(100)의 경우 전기 아크를 발생시키기 위하여 3개의 전극봉(210, 220, 230)을 사용하게 되고, 3개의 전극봉(210, 220, 230) 중 어느 하나라도 그 길이가 한 주기의 아킹 작업을 수행하는데 필요한 길이보다 작은 경우 고철 용해에 악향을 미치고, 길이 편차로 인하여 임피던스 값의 차이가 발생하여 전기 아크가 불완전하게 발생되어 용해 효율이 떨어지는 문제점이 있었다. 이에 종래에는 3개의 전극봉(210, 220, 230)의 길이를 맞추기 위하여 작업자가 육안으로 전극봉(210, 220, 230)의 길이를 확인한 후 필요한 길이만큼 전극봉의 길이를 추가하여 작업을 하였다.

이러한 방법은, 작업자가 육안으로 전극봉의 길이를 측정하게 되어 정확도가 떨어지고, 주기적으로 조업을 중단하여 전극봉의 길이를 측정하여야 함으로 작업 효율이 떨어지는 문제점이 있다.

그리고, 종래에는 전극 설비의 무게를 측정하여 전극봉의 길이를 추정하는 방법을 사용하였지만, 이는 페이스트 무게의 오차 등에 의하여 실질적인 전극봉 길이의 오차가 발생하는 문제점이 있다.

한편, 최근 들어 제조 공정에서는 스마트 팩토리 환경을 구축하는 방향으로 많은 연구가 진행되고 있다. 스마트 팩토리 환경을 구축하게 되면 기존의 활용하지 못했던 여러 데이터를 사용하여 공정의 불량 원인 혹은 미리 어떠한 값들을 예측할 수 있어 생산성 향상에 기여할 수 있다. 예를 들어, 제조 공정의 위치 데이터를 기반으로 DBSCAN을 이용한 불량 위치 검출 방법으로 이 방법을 공정에 적용하면, 자주 발생하는 불량 위치를 찾아 불량률을 낮춰주는 결과를 볼 수 있다. 그리고 제조 공정의 생산성 분석을 통해 작업자들에게 더 유용한 정보들을 전달해 줄 수 있다.

대한민국 등록특허 10-1722700

본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 전기로에서의 제조 공정의 효율성을 높이고, 보다 효율적인 전력량을 사용할 수 있도록, LSTM(Long Short-Term Memory)을 이용하여 전기로에서의 전극봉 위치 데이터를 예측하는 방법을 제공하는데 그 목적이 있다.

본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 통상의 기술자에게 명확하게 이해될 수 있을 것이다.

이와 같은 목적을 달성하기 위한 본 발명의 전기로에 설치된 3개의 전극봉에 대한 위치 데이터를 예측하는 장치에서의 전극봉 위치 데이터 예측 방법에서, 상기 3개의 전극봉에 대한 데이터가 입력되면, 입력된 데이터를 가공하는 단계, LSTM(Long Short-Term Memory model) 네트워크를 생성하는 단계, 상기 LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행하는 단계 및 학습된 데이터를 이용하여 상기 3개의 전극봉에 대한 위치 데이터를 예측하는 단계를 포함한다.

상기 입력된 데이터를 가공하는 단계에서, 상기 입력된 데이터를 각 열 별로 정규화하는 단계, 정규화된 데이터들을 학습시키기 위해 입력에 대한 데이터 시퀀스와 출력에 대한 데이터 시퀀스를 생성하는 단계 및 학습시킬 학습용 데이터셋(dataset)과, 학습된 내용을 확인할 테스트용 데이터셋을 생성하는 단계를 포함할 수 있다.

상기 LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행하는 단계에서, 상기 LSTM 네트워크를 이용하여 상기 학습용 데이터셋을 학습시킬 수 있다.

상기 3개의 전극봉에 대한 데이터는 3상 전류, 3상 전압, 전체 전류, 각 전극봉에 인가되는 전류, 각 전극봉에 인가되는 전압을 포함하는 것일 수 있다.

본 발명에 의하면, LSTM(Long Short-Term Memory)을 이용하여 전기로에서의 전극봉 위치 데이터를 예측함으로써, 보다 용이하고 정확하게 전극봉의 위치를 예측할 수 있다는 효과가 있다.

또한, 본 발명은 전기로에서의 전극봉 위치를 예측함으로써, 전기로에서의 제조 공정의 효율성을 높이고, 보다 효율적인 전력량을 사용할 수 있다는 효과가 있다.

도 1은 종래 전기로에 전극봉이 삽입되어 있는 상태를 개략적으로 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 전기로에서 전극봉 위치 데이터 예측 방법을 보여주는 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 A전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이다.
도 4는 본 발명의 일 실시예에 따른 B전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이다.
도 5는 본 발명의 일 실시예에 따른 C전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이다.
도 6은 본 발명의 일 실시예에 따른 LSTM 망 구성을 예시한 도면이다.
도 7은 본 발명의 일 실시예에 따른 LSTM을 예시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 LSTM 학습 방법을 예시한 것이다.
도 9는 본 발명의 일 실시예에 따른 LSTM을 이용한 전극봉 위치 예측 결과를 도시한 그래프이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 갖고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 갖는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.

본 발명은 전기로에 설치된 3개의 전극봉에 대한 위치 데이터를 예측하는 방법에 대한 것이다.

본 발명의 전극봉 위치 데이터 예측 방법을 수행하는 주체는 전극봉 위치 데이터 예측 방법을 수행하는 제반 컴퓨터 장치라고 할 수 있으며, 또는 전극봉 위치 데이터 예측 방법을 수행하는 시스템 또는 장치를 전반적으로 제어하는 제어부나 프로세서(processor)일 수 있다. 즉, 본 발명의 전극봉 위치 데이터 예측 방법은 일종의 소프트웨어인 알고리즘으로 구성될 수 있으며, 소프트웨어는 전극봉 위치 데이터 예측 방법을 수행하는 시스템, 장치의 제어부 또는 프로세서(processor)에서 실행될 수 있다.

도 2는 본 발명의 일 실시예에 따른 전기로에서 전극봉 위치 데이터 예측 방법을 보여주는 흐름도이다.

도 2를 참조하면, 본 발명의 전극봉 위치 데이터 예측 방법은, 전기로에서 3개의 전극봉에 대한 데이터가 입력되면, 입력된 데이터를 가공한다(S210, S220, S230).

그리고, LSTM(Long Short-Term Memory model) 네트워크를 생성한다(S240).

그리고, LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행한다(S250).

그리고, 학습된 데이터를 이용하여 3개의 전극봉에 대한 위치 데이터를 예측한다(S260).

입력된 데이터를 가공하는 단계는, 입력된 데이터를 각 열 별로 정규화하는 단계(S210), 정규화된 데이터들을 학습시키기 위해 입력에 대한 데이터 시퀀스와 출력에 대한 데이터 시퀀스(sequence)를 생성하는 단계(S220) 및 학습시킬 학습용 데이터셋(training dataset)과, 학습된 내용을 확인할 테스트용 데이터셋(testing dataset)을 생성하는 단계(S230)를 포함한다.

그리고, LSTM 네트워크를 이용하여 학습용 데이터셋을 학습시킬 수 있다.

본 발명에서 3개의 전극봉에 대한 데이터는 3상 전류, 3상 전압, 전체 전류, 각 전극봉에 인가되는 전류, 각 전극봉에 인가되는 전압을 포함할 수 있다.

본 발명에서 데이터를 정규화(min-max scaling)하는 것은 데이터가 너무 작거나 너무 큰 값이 되어, 학습을 방해하는 것을 방지하기 위함이며, 최소값과 최대값을 이용하여 X를 0~1 사이의 값으로 변환한다.

본 발명에서는 LSTM RNN(Recurrent Neural Network)을 사용하여 전극봉의 위치 데이터를 예측한다.

도 7은 본 발명의 일 실시예에 따른 LSTM을 예시한 도면이다.

도 7을 참조하면, LSTM(Long Short-Term Memory models)은 기존의 RNN 모델의 변형으로 RNN의 기울기 소멸 문제를 완화시킨 대표적인 개선 모델이다. 이 모델은 은닉노드에 메모리 셀(memory cell)을 포함 시키고 있고, 이 메모리 셀은 저장소에 값을 저장하고, 출력하고, 망각 값을 조정하는 게이트이다.

LSTM은 메모리 셀 이외에 입력 값에 대한 입력 게이트(input gate), 출력 값에 대한 출력 게이트(output gate), 망각 값에 대한 망각 게이트(forget gate)로 구성된다. 각 게이트에 대한 입출력 파라미터를 정리하면 다음과 같다.

LSTM의 학습 알고리즘은 RNN과 동일하게 Backpropagation을 사용하고, 입력 데이터는 서열 데이터이고, 학습 방법은 다음과 같다.

도 8은 본 발명의 일 실시예에 따른 LSTM 학습 방법을 예시한 것이다.

도 8을 참조하면, LSTM RNN에서 입력 데이터는 서열 데이터, 입력 게이트에 대한 가중치 U_i,W_i, 출력 게이트에 대한 가중치 U_o,W_o,V_o, 망각 게이트에 대한 가중치 U_f,W_f, 메모리 셀(memory cell)에 대한 가중치 U_c,W_c, 그리고 각 게이트의 편차 항 b_i,b_o,b_f,b_c을 사용하고, 출력 데이터는 LSTM의 출력 값으로 나타낸다.

그리고 학습은 입력데이터의 마지막 시점까지 계속 반복되고 내용은 다음과 같다. 우선 현 시점의 입력값과 이전 은닉층의 값을 가중치와 곱해 편차항을 더해주어 i_t 값을 만들어주고, 이전 은닉층에서 얻은 값은 쌍곡탄젠트를 이용하여 입력 게이트의 방법을 적용해 a_t을 구한다. 이 후 망각게이트 f_t의 값을 시그모이드 함수를 통해 구하고 메모리 셀에서 새로 입력된 값과 이전 출력 값의 결과를 가지고 어떤 값을 사용할 것인지 c_t를 구한다. 그 다음 현시점의 입력값, 이전 은닉층의 값, 이전 상태저장소의 값의 가중치를 곱한 합과 편차항을 더해 시그모이드 함수를 이용해 o_t 의 출력 게이트 값을 얻은 후, 이 o_t의 값과 c_t의 쌍곡탄제트 결과를 이용해 최종 예측된 값을 출력한다.

LSTM RNN의 학습에서 그래디언트(gradient)를 결정하기 위해 오차 함수 E의 각 게이트와 내부상태의 k번째 원소에 대한 편미분을 다음과 같이 계산한다.

[수학식 1]

그리고, t-1 단계로 전달되는 그래디언트는 다음과 같다.

[수학식 2]

그리고, p 단계 앞으로 전달되는 그래디언트는 다음과 같다.

[수학식 3]

여기서, p 단계 앞으로 전달되는 그레디언트는 다음과 같이 망각 게이트의 값이 p개 곱해지는 형태가 된다. 그리고, 망각 게이트 값은 시그모이드를 적용한 결과여서 구간 (0,1) 사이의 값이므로, 일반 RNN에서

이 곱해지는 것보다 기울기 소멸 문제에서 유리하다.

LSTM 모델은 3개의 게이트를 포함하고 있어서 전형적인 RNN 학습에 비해 가중치 및 편차항의 개수는 약 4배가 되어 RNN 모델에 비해 실행시간과 학습시간이 더 오래 걸리지만, 기울기 소멸 문제를 완화시켜 더 정확한 결과를 얻을 수 있다.

본 발명에서는 전극로에 존재하는 세 개의 전극봉에 대하여, 전극봉 A, 전극봉 B, 전극봉 C로 명명하고, 각각의 전극봉의 위치 높이 데이터인 EPI 값을 예측하도록 한다.

도 8을 참조하면, 입력 데이터는 서열 데이터로 전극봉의 결과 데이터가 되고, 입력 게이트에 대한 가중치 U_i,W_i, 출력 게이트에 대한 가중치 U_o,W_o,V_o, 망각 게이트에 대한 가중치 U_f,W_f, 메모리 셀(memory cell)에 대한 가중치 U_c,W_c, 그리고 각 게이트의 편차 항 b_i,b_o,b_f,b_c을 사용하고, 출력 데이터는 LSTM의 출력 값으로 다음 예측값이 된다.

입력 데이터는 1차에서 들어오는 전류 및 전압의 값과 전체 전류, 그리고 예측할 각 전극봉에 대한 전류 및 전압 값을 사용한다. 예측방법은 다음과 같다.

먼저, 예측할 데이터들을 정규화하고, 정규화 된 데이터들을 학습을 시키기 위해 입력과 출력에 대한 데이터 시퀀스를 생성한다. 다음, 학습을 시킬 학습용 데이터셋과 학습된 내용을 확인 할 테스트용 데이터셋을 생성한다. 그리고, LSTM 네트워크 망을 생성하는데, 본 발명에서는 LSTM 셀을 각 셀의 출력크기, forget bias등 여러 파라미터들을 사용해 정의한 다음 stacked layers 개수의 층으로 싸인 stacked RNNs를 생성하고, 이 LSTM 셀(cell)들을 연결해서 구성한다. 연결 구성 방법은 과거 날짜의 데이터를 이용하여 다음날의 데이터 1개를 예측하기 때문에 Many-to-one 형태로 구현한다. 이렇게 구현된 LSTM 망을 이용해서 앞에서 만들었던 학습용 데이터셋(training dataset)을 학습시킨다. 이 후 학습된 내용을 이용하여 다음 날 예측될 전극봉에 대한 EPI를 예측한다.

본 발명의 일 실시예에서 실제 실험을 다음과 같은 방식으로 진행하였다.

본 발명에서 학습데이터는 2017/07/14부터 2018/05/01의 데이터들을 사용하였고, LSTM RNN방법을 이용하여 학습시켰다. 그리고, 딥러닝 라이브러리는 tensorflow를 사용하였고 GPU 모드에서 진행하였다. 데이터 학습은 입력 데이터에 대해 총 10 epoch을 학습하였고, 약 20분의 시간이 소요된 것을 볼 수 있었다. 본 발명의 실험에서는 전극봉 A에 대해 학습을 하여 예측하였고, 예측된 내용의 정규화 된 데이터들을 역정규화 시켜 원래의 데이터로 바꾸어 2018/05/02의 원본 데이터 내용과 비교하였다. 이 전극봉 위치 데이터 예측 실험을 위한 하이퍼파라미터는 다음과 같다.

도 3은 본 발명의 일 실시예에 따른 A전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이고, 도 4는 본 발명의 일 실시예에 따른 B전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이고, 도 5는 본 발명의 일 실시예에 따른 C전극봉의 위치를 예측하기 위해 사용되는 데이터 집합을 예시한 도표이다.

도 6은 본 발명의 일 실시예에 따른 LSTM 망 구성을 예시한 도면이다.

도 6을 참조하면, LSTM 네트워크에서 11개의 입력 데이터가 28개 시퀀스로 학습하는 것을 확인할 수 있다.

도 9는 본 발명의 일 실시예에 따른 LSTM을 이용한 전극봉 위치 예측 결과를 도시한 그래프이다.

도 9에서 빨간색이 현재 데이터이고, 파란색이 예측 데이터이다.

도 9에서 보는 바와 같이, 본 발명의 전극봉 위치 데이터 예측 방법을 통한 예측 데이터들은 실제 데이터와 차이가 거의 나지 않는 것을 확인할 수 있다.

따라서, 본 발명에서 제안하는 방법이 제조 공정에 적용된다면 예측된 결과를 바탕으로 더 효율적인 전력 사용방법을 도출할 수 있고, 이에 따른 생산성 향상도 기대해 볼 수 있다.

이상 본 발명을 몇 가지 바람직한 실시예를 사용하여 설명하였으나, 이들 실시예는 예시적인 것이며 한정적인 것이 아니다. 본 발명이 속하는 기술분야에서 통상의 지식을 지닌 자라면 본 발명의 사상과 첨부된 특허청구범위에 제시된 권리범위에서 벗어나지 않으면서 다양한 변화와 수정을 가할 수 있음을 이해할 것이다.

210, 220, 230 전극봉 100 전기로
300 변압기

Claims

전기로에 설치된 3개의 전극봉에 대한 위치 데이터를 예측하는 장치에서의 전극봉 위치 데이터 예측 방법에서,
상기 3개의 전극봉에 대한 데이터가 입력되면, 입력된 데이터를 가공하는 단계;
LSTM(Long Short-Term Memory model) 네트워크를 생성하는 단계;
상기 LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행하는 단계; 및
학습된 데이터를 이용하여 상기 3개의 전극봉에 대한 위치 데이터를 예측하는 단계를 포함하며,
상기 입력된 데이터를 가공하는 단계에서,
상기 입력된 데이터를 각 열 별로 정규화하는 단계;
정규화된 데이터들을 학습시키기 위해 입력에 대한 데이터 시퀀스와 출력에 대한 데이터 시퀀스를 생성하는 단계; 및
학습시킬 학습용 데이터셋(dataset)과, 학습된 내용을 확인할 테스트용 데이터셋을 생성하는 단계를 포함하고,
상기 LSTM 네트워크에서 가공된 데이터에 대한 학습을 진행하는 단계에서, 상기 LSTM 네트워크를 이용하여 상기 학습용 데이터셋을 학습시키고,
상기 3개의 전극봉에 대한 데이터는 3상 전류, 3상 전압, 전체 전류, 각 전극봉에 인가되는 전류, 각 전극봉에 인가되는 전압을 포함하며,
상기 LSTM 네트워크는 입력 값에 대한 입력 게이트(input gate), 출력 값에 대한 출력 게이트(output gate), 망각 값에 대한 망각 게이트(forget gate), 상기 입력 게이트를 통해 입력된 입력 값을 저장하고, 상기 망각 게이트의 망각 값을 조정하고, 상기 출력 게이트로 값을 출력하기 위한 메모리 셀로 구성되고,
상기 LSTM 네트워크에서 3상 전류, 3상 전압, 전체 전류, 각 전극봉에 인가되는 전류, 각 전극봉에 인가되는 전압을 포함하는 3개의 전극봉에 대한 학습용 데이터셋이 상기 입력 게이트로 입력되어 학습이 수행되고, 상기 출력 게이트를 통해 상기 3개의 전극봉에 대한 위치 데이터를 예측한 결과 값이 출력되며,
상기 LSTM 네트워크에서 상기 학습용 데이터셋을 학습시킴에 있어서, 그래디언트(gradient)를 결정하기 위해 오차 함수 E의 각 게이트와 내부상태의 k번째 원소에 대한 편미분을,

(수학식 1)
로 계산할 수 있고,
t-1 단계로 전달되는 그래디언트를,

(수학식 2)
로 나타낼 수 있고,
p 단계 앞으로 전달되는 그래디언트를,

(수학식 3)
로 나타낼 수 있는 것을 특징으로 하는 전극봉 위치 데이터 예측 방법.
삭제
삭제
삭제