KR102167985B1 - 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법 - Google Patents

Abstract

고로의 출선구 폐쇄 시점 예측 시스템은, 복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템, 출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하고 관리하는 학습 시스템, 및 상기 복수의 조업 데이터를 상기 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용하여, 상기 고로의 출선구 폐쇄 시점의 예측 값을 획득하는 예측 시스템을 포함할 수 있다.

Description

고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법{SYSTEM AND METHOD FOR PERDICTING CLOSURE TIME OF TAP HOLE OF BLAST FURNACE}

실시 예는 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법에 관한 것이다.

고로(blast furnace)에서는 연료인 코크스(cokes)와 산소의 반응을 통해 생산된 일산화탄소를 이용하여 자연산의 철광석을 환원시킴으로써 용선이 만들어진다. 고로의 하부에서 코크스와 산소의 반응으로 발생한 환원가스는 노 내를 상승하면서 장입된 철광석과 접촉하고, 환원가스와의 접촉으로 열을 전달 받은 철광석은 용선(molten iron)으로 용융 및 환원된다.

통상적으로, 고로에 장입된 소결광이 용선으로 출선되기까지는 대략 6시간 정도가 소요되고, 출선 시의 용선의 온도는 대략 1500℃ 정도이다. 고로 외부로 출선된 용선은 운송차량(Torpedo Ladle Car, TLC)에 수선되어 이동된다.

한편, TLC는 고로의 출선구에서 용선의 수선을 대기하는데, TLC가 용선 수선을 대기하는 시간이 길어질수록 TLC 내부의 온도가 감소하고, 이는 추후 용선이 수선되었을 때 용선 온도가 하락하는 원인으로 작용할 수 있다. 용선 온도 하락은, 제강 공정에서 용선 온도를 상승시키기 위해 승열제가 과다하게 사용되는 문제로 이어질 수 있다. TLC의 대기 시간 문제는 고로의 출선 종료 시점을 정확하게 판정함으로써 해결될 수 있다.

그러나, 현재 고로의 출선 조업은 고로의 장입물 양과 고로 외부로 배출되는 용융물의 양을 수학적으로 계산한 저선레벨 로직, 조업 데이터 등의 수치 데이터뿐만 아니라 운전자의 경험, 감각과 같은 운전자의 판단에 많은 것을 의존하고 있다. 이러한 조업 방식은 조업 데이터의 인자 수가 너무 많고 상당수가 비정형 데이터여서 운전자의 정확한 판단이 어려우며, 조업 상황 변화 등의 외란에 대응하기 어려워 여러 가지 문제를 일으켜 왔다.

이러한 문제점들은 근본적으로 고로 내 용선량 예측과 밀접한 관련이 있다. 이에, 그 동안 수학적 모델이나 빅데이터 분석 등을 이용해 용선량 예측 문제를 해결하기 위한 다양한 시도들이 있었으나, 고려해야 할 조업 인자의 수가 너무 많고 조업 인자들 간의 상관 관계 또한 뚜렷하지 않아 의미 있는 성과를 거두지 못한 실정이다.

실시 예를 통해 해결하려는 과제는 고로의 출선구 폐쇄 시점의 예측 정확도를 향상시켜 용선 운송차량의 대기시간을 최소화하기 위한 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법을 제공하는 것이다.

상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 고로의 출선구 폐쇄 시점 예측 시스템은, 복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템, 출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하고 관리하는 학습 시스템, 및 상기 복수의 조업 데이터를 상기 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용하여, 상기 고로의 출선구 폐쇄 시점의 예측 값을 획득하는 예측 시스템을 포함할 수 있다.

상기 출선구 폐쇄 시점 예측 모델은, 상기 복수의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하여 출선 속도, 잔여 출선 시간 및 잔여 수선량의 예측 값들을 출력하는 통합 계층을 포함하는 제1예측 모델, 및 상기 제1예측 모델로부터 출력되는 예측 값들과 상기 복수의 신경망 모델을 통해 추출된 특징들을 이용하여 상기 출선구 폐쇄 시점의 예측 값을 출력하는 신경망 기반의 제2예측 모델을 포함할 수 있다.

상기 복수의 신경망 모델은, 노체 온도 데이터를 입력으로 하는 제1신경망 모델, 송풍량 데이터를 입력으로 하는 제2신경망 모델, 수선량 데이터를 입력으로 하는 제3신경망 모델, 및 상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함할 수 있다.

상기 노체 온도 데이터는, 노체 온도와, 상기 고로 내에서 상기 노체 온도가 획득된 높이 및 방향과, 상기 노체 온도가 획득된 시점이 반영된 3차원 데이터일 수 있다.

상기 송풍량 데이터는, 송풍량과, 상기 송풍량이 측정된 송풍관과, 상기 송풍량이 측정된 시점이 반영된 2차원 데이터일 수 있다.

상기 수선량 데이터는, 수선량과, 상기 수선량이 측정된 출선구와, 상기 수선량이 측정된 시점이 반영된 2차원 데이터일 수 있다.

상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성될 수 있다.

상기 통합 계층은 스킵-덴스(skip-dense) 구조의 분류기, 및 상기 분류기의 출력에 연결되는 하나의 덴스 계층(dense layer)을 포함할 수 있다.

상기 학습 시스템은, 상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 모델을 생성하고 관리할 수 있다.

상기 예측 시스템은, 상기 고로의 출선구 별로 생성된 상기 출선구 폐쇄 시점 예측 모델을 이용하여 상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 값을 획득할 수 있다.

또한, 본 발명의 실시 예에 따른 고로 설비의 출선구 폐쇄 시점 예측 방법은, 출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하는 단계, 고로 조업이 시작되면, 복수의 조업 데이터를 수집하는 단계, 상기 복수의 조업 데이터를 상기 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용하여, 상기 출선구 폐쇄 시점 예측 값을 획득하는 단계, 및 상기 출선구 폐쇄 시점 예측 값을 운전 화면에 표시하는 단계를 포함하며, 상기 출선구 폐쇄 시점 예측 모델은, 상기 복수의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하여 출선 속도, 잔여 출선 시간 및 잔여 수선량의 예측 값들을 출력하는 통합 계층을 포함하는 제1예측 모델, 및 상기 제1예측 모델로부터 출력되는 예측 값들과 상기 복수의 신경망 모델을 통해 추출된 특징들을 이용하여 상기 출선구 폐쇄 시점의 예측 값을 출력하는 신경망 기반의 제2예측 모델을 포함할 수 있다.

상기 예측 방법에서, 상기 복수의 신경망 모델은, 노체 온도 데이터를 입력으로 하는 제1신경망 모델, 송풍량 데이터를 입력으로 하는 제2신경망 모델, 수선량 데이터를 입력으로 하는 제3신경망 모델, 및 상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함할 수 있다.

상기 예측 방법에서, 상기 노체 온도 데이터는, 노체 온도와, 상기 고로 내에서 상기 노체 온도가 획득된 높이 및 방향과, 상기 노체 온도가 획득된 시점이 반영된 3차원 데이터이고, 상기 송풍량 데이터는, 송풍량과, 상기 송풍량이 측정된 송풍관과, 상기 송풍량이 측정된 시점이 반영된 2차원 데이터이며, 상기 수선량 데이터는, 수선량과, 상기 수선량이 측정된 출선구와, 상기 수선량이 측정된 시점이 반영된 2차원 데이터일 수 있다.

상기 예측 방법에서, 상기 통합 계층은 스킵-덴스(skip-dense) 구조의 분류기, 및 상기 분류기의 출력으로부터 상기 통합 계층의 최종 출력을 생성하는 하나의 덴스 계층(dense layer) 을 포함할 수 있다.

상기 예측 방법에서, 상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성될 수 있다.

상기 생성하는 단계는, 상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 모델을 생성하는 단계를 포함할 수 있다.

실시 예에 따르면, 고로의 출선구 폐쇄 시점의 예측 정확도를 향상시켜 용선 운송차량의 대기 시간을 최소화할 수 있다.

도 1은 고로(blast furnace) 설비의 일 예를 도시한 것이다.
도 2는 본 발명의 실시 예에 따른 고로의 출선구 폐쇄 시점 예측 시스템을 개략적으로 도시한 것이다.
도 3은 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템에서 사용되는 예측 모델을 개략적으로 도시한 것이다.
도 4는 도 3의 제1예측 모델의 망 구조를 예로 들어 도시한 것이다.
도 5 내지 도 7은 도 3의 제1예측 모델을 구성하는 신경망 모델들의 망 구조를 각각 도시한 도면들이다.
도 8은 본 발명의 실시 예에 따른 고로 설비의 출선구 폐쇄 시점 예측 방법을 개략적으로 도시한 것이다.
도 9는 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 방법을 적용하여 고로의 출선구 별로 잔여 출선량과 출선구 폐쇄 시점을 예측한 결과를 도시한 도면이다.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시 예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예들에 한정되지 않는다.

본 발명의 실시 예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

도 1은 고로 설비의 일 예를 도시한 것이다.

고로 설비는 철강 공정에 있어서 용선을 생산하는 설비이다.

도 1을 참조하면, 고로(blast furnace, 10)는 원료인 철광석이 장입되어 용선(pig iron)으로 용융 환원되는 노(爐)이다.

고로(10)로 장입되는 장입물(3) 즉, 철광석과 코크스는 장입 컨베이어 벨트(5)를 통해 고로(10) 상부로 이동하여 고로(10) 내부로 장입된다.

고로(10) 하부에는 송풍관(13)을 통해 공급되는 고온의 열풍 및 산소를 고로(10) 내부로 유입시키기 위한 풍구(11)가 위치한다.

고로 조업에서 노 내에 장입된 코크스(cokes)는 풍구(11)를 통해 노 내로 유입되는 고온의 열풍 및 산소와의 반응으로 연소하여 고온의 가스(이하, '환원가스'라 명명하여 사용함)를 발생시킨다. 이렇게 발생한 고온의 환원가스는 노 내를 상승하면서 고로(10)로 장입된 철광석과 접촉하고, 고온의 환원가스와의 접촉으로 열을 전달 받은 철광석은 용선으로 용융 및 환원된다.

고로(10) 내에서 용융 환원된 용선은 노 하부에 저장되었다가, 일정 간격으로 출선구(tap hole, 12)를 통해 노 외로 배출된다.

한편, 고로 조업에서는 환경공해를 최소화시키고 연료로 사용되는 코크스 제조 비용을 저감하기 위해, 미분탄을 코크스 대체 연료로 사용하기도 한다. 미분탄은 미분탄 저장탱크(미도시)로부터 공급되며, 송풍관(13)을 관통하는 랜스(14)를 통해 풍구(11) 내로 유입되어 노 내로 취입된다. 풍구(11)를 통해 노 내로 유입되는 미분탄은 풍구(11)를 통해 노 내로 유입되는 열풍에 의해 연소되어 고온의 환원가스를 발생시킨다.

이하, 필요한 도면들을 참조하여 본 발명의 실시 예에 따른 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법에 대해 상세히 설명하기로 한다.

본 문서에서 "저선량"은 고로(10) 외부로 배출되지 않고 고로(10) 하부에 잔류 중인 슬래그량과 용선량의 합을 나타내고, , "출선량"은 출선구(12)를 통해 고로(10) 외부로 배출되는 용선량을 나타내며, "수선량"은 고로(10) 외부로 출선된 용선이 운송차량(Torpedo Ladle Car, TLC)에 수선(장입)되는 양을 나타낸다. 또한, "잔여 수선량"은 현재 시점부터 수선 종료 시점까지 고로(10) 외부로 출선되어 TLC에 수선되어야 하는 용선량을 나타낸다.

도 2는 본 발명의 실시 예에 따른 고로의 출선구 폐쇄 시점 예측 시스템을 개략적으로 도시한 것이다. 도 3은 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템에서 사용되는 예측 모델을 개략적으로 도시한 것이고, 도 4는 도 3의 제1예측 모델의 망 구조를 예로 들어 도시한 것이다. 도 5 내지 도 7은 도 3의 제1예측 모델을 구성하는 신경망 모델들의 망 구조를 각각 도시한 도면들이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템(100)은, 조업 데이터 수집 시스템(110), 학습 시스템(120), 예측 시스템(130), 및 디스플레이(140)를 포함할 수 있다.

조업 데이터 수집 시스템(110)은 조업 데이터들을 수집할 수 있다. 조업 데이터 수집 시스템(110)은 조업 데이터 수집부(111), 및 조업 데이터 데이터베이스(database, DB)(112)를 포함할 수 있다.

조업 데이터 수집부(111)는 주기적으로(예를 들어, 1분 단위로) 고로 조업과 관련하여 출선구 폐쇄 시점 예측에 사용되는 조업 데이터들을 수집할 수 있다.

조업 데이터는, 고로(10) 설비에 설치된 센서들을 통해 수집되는 센싱 데이터, 고로(10)의 설비 및 작업을 제어하기 위해 작업자로부터 입력되는 제어 데이터, 고로(10) 조업의 결과로 발생되는 수치 데이터 등을 포함할 수 있다. 예를 들어, 조업 데이터는, 고로(10)의 노체 온도(노저 측벽 온도, 냉각반 온도, 스테이브(stave) 온도), 송풍관별 송풍량, 수선량 (총 수선량, 분당 수선량(출선 속도)), 평균 노정 온도 데이터, 평균 노저 측벽 온도, 풍량, 풍압, 산소 부화량, 통기저항지수(고로 전체, 고로 상부, 고로 중심부, 고로 하부), 미분탄비, 코크스비, 환원제비, 소결광비 가스량(산소부 가스 중심류/중간류/주변류), 평균 장입 속도, 베이스 광석(base ore)량, 소결광(sinter) 입조량, 소결광비, 펠렛(pellet)비, 소결광 냉간강도, 소결광 환원분화지수, 소결광 열간강도, 복합염기도, 소결광 성분(Fe, FeO, SiO2, CaO, Al2O3, MgO, Mn, S, P, TiO2, ZnO, K2O, Na2O), 소결광 평균 입도, 코크스 입조량, 미분탄 취입량, 코크스 성분(재(Ash), 휘발분), 코크스 열간강도, 코크스 냉간강도, 코크스 평균입도, 용선 성분(S, Si), 광석비, 슬래그비, 슬래그 성분(SiO2, S), 수재량 등을 포함할 수 있다.

조업 데이터 수집부(111)는 고로(10)에 설치된 센서들을 통해 조업 데이터를 수집할 수 있다. 또한, 조업 데이터 수집부(111)는 입력 장치(미도시)를 통해 작업자로부터 조업 데이터를 입력 받을 수도 있다. 또한, 조업 데이터 수집부(111)는 고로(10) 설비 또는 고로(10) 외부의 설비로부터 조업 결과에 대응하는 조업 데이터를 수신할 수도 있다.

학습 시스템(120)은 고로 조업 중 출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 예측 모델을 생성 및 갱신할 수 있다. 학습 시스템(120)은 학습 데이터(training data) DB(121), 검증 데이터(validation data) DB(122), 시험 데이터(test data) DB(123), 예측 모델 DB(124), 예측 모델 생성부(125), 학습부(126), 및 평가부(127)를 포함할 수 있다.

학습 데이터 DB(121)는 예측 모델의 생성 및 갱신을 위한 학습에 사용되는 학습용 조업 데이터들을 저장하고 관리할 수 있다. 검증 데이터 DB(122)는 최적의 출선구 폐쇄 시점 예측 모델을 선택하기 위한 검증용 조업 데이터들을 저장하고 관리할 수 있다. 시험 데이터 DB(123)는 최종적으로 선택된 출선구 폐쇄 시점 예측 모델의 성능을 평가하기 위한 시험용 조업 데이터들을 저장하고 관리할 수 있다. 학습 데이터, 검증 데이터, 및 시험 데이터는 조업 데이터 수집 시스템(110)에 의해 수집된 조업 데이터들이며, 서로 다른 조업 데이터들(예를 들어, 서로 다른 기간에 수집된 조업 데이터들)이 사용될 수 있다.

예측 모델 DB(124)는 출선구 폐쇄 시점 예측 모델들을 저장하고 관리할 수 있다.

예측 모델 생성부(125)는 신경망 기반의 출선구 폐쇄 시점 예측 모델들을 생성할 수 있다. 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하기 위해서는, 예측 모델의 입력 및 출력 인자, 예측 모델의 망 구조(러닝 레이트(learning rate), feature depth 등) 등이 정해져야 한다.

예측 모델 생성부(125)는 출선구 폐쇄 시점 예측 모델의 생성을 위해, 작업자로부터 입력되는 제어 입력에 기반하여 출선구 폐쇄 시점 예측 모델의 입력 및 출력 인자를 설정할 수 있다.

도 3을 참조하면, 출선구 폐쇄 시점 예측 모델은 제1 및 제2예측 모델(300, 400)을 포함할 수 있다.

제1예측 모델(300)은, 노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외의 복수의 조업 데이터(예를 들어, 출선구별 출선량, 출선구별 출선 속도 및 출선 시간, 배가스 성분, 소결광 입조량, 용선 온도, 용선 성분, 장입 속도 등)를 입력 인자(입력 데이터)로 하고, 현재 시점(T)에서의 출선 속도, 잔여 출선 시간(Y-T), 및 수선 종료 시점(Y)까지의 잔여 수선량을 출력 데이터로 할 수 있다.

출선구 폐쇄 시점 예측 모델의 입력 데이터는 전문가들에 의해 선택될 수 있다. 전문가들은, 고로 조업의 조업 인자들에 대해 잔여 수선량 및 출선구 폐쇄 시점에 영향을 주는 정도를 평가하여 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용할 조업 인자들을 선택할 수 있다. 그리고, 선택된 조업 인자들이 출선구 폐쇄 시점 예측 모델의 입력 데이터로 설정되도록, 입력 장치(미도시)를 통해 제어 입력을 입력하고, 예측 모델 생성부(125)는 이에 기반하여 출선구 폐쇄 시점 예측 모델의 입력 및 출력을 설정할 수 있다.

예측 모델 생성부(125)는 입력 장치를 통해 수신되는 제어 입력에 기반하여, 출선구 폐쇄 시점 예측 모델의 신경망 구조를 설정할 수 있다. 본 발명의 실시 예에 따르면, 예측 모델 생성부(125)는 출선구 폐쇄 시점 예측 모델의 입력으로 사용되는 조업 데이터들의 특성에 따라서, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망을 구성하고, 각 신경망에 의해 추출된 특징들을 통합하여 예측 값을 출력하도록 출선구 폐쇄 시점 예측 모델을 생성할 수 있다.

도 4를 참조하면, 출선구 폐쇄 시점 예측 모델을 구성하는 제1예측 모델(300)은 3차원의 노체 온도 데이터를 입력 데이터로 하는 신경망 모델(310), 2차원의 송풍량 데이터를 입력 데이터로 하는 신경망 모델(320), 2차원의 수선량 데이터를 입력 데이터로 하는 신경망 모델(330), 그 외 1차원의 조업 데이터들을 입력 데이터로 하는 신경망 모델(340), 그리고 신경망 모델들(310~340)의 출력들을 통합하여 예측 결과(출선 속도 Logit, 잔여 수선 시간 Logit, 잔여 수선량 Logit)를 출력하는 통합 계층(350)으로 구성될 수 있다.

신경망 모델들(310~340)은 컨벌루션 신경망(Convolutional neural network, CNN)으로 구성될 수 있다. CNN은 영상, 음성, 3D 영상, 시계열 데이터 등과 같이 시간적, 공간적 지역성을 가지는 데이터를 처리하는데 강점이 있으며 많은 사례에서 훌륭한 성과를 내고 있는 딥러닝 방법론의 하나이다. CNN은 하나 또는 여러 개의 콘볼루션 계층(convolution layer)과 풀링계층(pooling layer), 덴스 계층(dence layer)(또는 전결합 계층(fully connected layer))들로 구성되는 신경망이다. CNN에서는 콘볼루션 계층(convolution layer)과 풀링 계층(pooling layer)을 통해 입력 데이터들로부터 특징(feature)들을 추출하고, 덴스 계층(dence layer)에서의 분류를 통해 예측을 진행한다. CNN에서는 도 4에 도시된 바와 같이 풀링 계층(pooling layer)이 생략될 수도 있다.

신경망 모델(310)은 고로(10) 내 각 위치에서의 노체 온도 데이터를 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(310)은 매 콘볼루션 계층마다 배치 정규화(batch normalization)이 적용되며, ResNet을 포함하여 총 87개의 계층으로 구성될 수 있다. 또한, 신경망 모델(310)로 입력되는 노체 온도 데이터는, 고로(10) 내 각 위치에서의 노체 온도와, 해당 노체 온도가 측정된 시점이 반영된 3차원 데이터일 수 있다. 도 5는 고로(10) 내에서 노체 온도가 획득되는 지점(311)들을 예들 들어 도시하였다. 도 5를 참조하면, 고로(10) 내에서 노체 온도가 획득되는 지점(311)들은 그 높이와 방향이 서로 다를 수 있다. 여기서, 각 노체 온도에 대응하는 고로(10) 내 방향은, 고로(10)의 수직 방향 중심축을 기준으로 고로(10)의 노체를 등분한 복수 개의 영역들 중 해당 노체 온도가 속하는 영역에 의해 결정될 수 있다. 한편, 고로(10)의 수직 방향 중심축을 기준으로 고로(10) 내부의 공간을 원주 방향으로 360등분할 경우, 0˚ 부근의 영역과 360˚ 부근의 영역은 서로 인접한 영역임에도 불구하고, 노체 온도 데이터 배치 순서 상 가장 멀리 떨어져 있는 것으로 표현될 수 있다. 이에 따라, 신경망 모델(310)로 입력되는 노체 온도 데이터는, 360˚ 영역에 해당하는 데이터에 이어서 0˚ ~ 180˚ 영역에 해당하는 데이터들을 이어서 배치한 데이터 순환 구조로 이루어질 수 있다.

신경망 모델(320)은 고로(10) 내 각 위치에서의 송풍량 데이터를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(320)은 ResNet을 포함하여 총 107개의 계층으로 구성될 수 있다. 또한, 신경망 모델(320)로 입력되는 송풍량 데이터는, 송풍량 데이터, 해당 송풍량 데이터가 측정된 송풍관(13)의 위치, 및 해당 송풍량 데이터가 측정된 시점이 반영된 2차원 데이터일 수 있다. 도 6은 고로(10) 내에서 송풍량 데이터가 획득되는 지점(321)들을 예를 들어 도시하였다. 도 6을 참조하면, 고로(10)에서 각 송풍관(13)에 대해 송풍량 데이터가 획득될 수 있다. 예를 들어, 고로(10)의 송풍관(13)이 44개인 경우 송풍량 데이터는 44개의 송풍관 각각에 대해 획득될 수 있다. 한편, 센서 배치상 0 ˚ 와 360 ˚ 부근은 인접한 위치임에도 데이터 표기상으로는 가장 멀리 떨어진 것으로 인식될 수 있어 데이터 연속성을 유지하기 위해 신경망 모델(320)로 입력되는 송풍량 데이터 또한 데이터 순환 구조로 이루어질 수 있다. 예를 들어, 고로(10)에 44개의 송풍관(13)이 형성된 경우, 신경망 모델(320)로 입력되는 송풍량 데이터는, 데이터 배치 순서 상 44번째 송풍관의 송풍량 데이터에 이어서 1번째~22번째 송풍관들의 송풍량 데이터가 이어서 배치되어 데이터 순환 구조로 이루어질 수 있다.

신경망 모델(330)은 고로(10)의 수선량 데이터(누적 수선량, 분당 수선량)를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(330)은 ResNet을 포함하여 107개의 계층으로 이루어질 수 있다. 또한, 신경망 모델(330)로 입력되는 수선량 데이터는, 수선량 데이터(누적 수선량, 분당 수선량), 해당 수선량 데이터가 측정된 출선구(12)의 위치, 및 해당 수선량 데이터가 측정된 시점이 반영된 2차원 데이터일 수 있다. 도 7은 고로(10) 내에서 수선량 데이터가 획득되는 지점(331)들을 예를 들어 도시하였다. 도 7을 참조하면, 고로(10)에서 각 출선구(12)에 대해 수선량 데이터가 획득될 수 있다. 예를 들어, 고로(10)의 출선구(12)가 4개인 경우, 수선량 데이터는 4개의 출선구(12) 각각에 대해 획득될 수 있다. 또한, 신경망 모델(330)은 수선량 데이터가 이어서 배치되어 데이터 순환 구조로 이루어질 수 있다.

신경망 모델(340)은 노체 온도, 송풍량, 및 수선량을 제외한 그 외 조업 데이터들(예를 들어, 평균 노정 온도 데이터, 평균 노저 측벽 온도, 풍량, 풍압, 산소 부화량, 통기저항지수(고로 전체, 고로 상부, 고로 중심부, 고로 하부), 미분탄비, 코크스비, 환원제비, 소결광비 가스량(산소부 가스 중심류/중간류/주변류), 평균 장입 속도, 베이스 광석(base ore)량, 소결광(sinter) 입조량, 소결광비, 펠렛(pellet)비, 소결광 냉간강도, 소결광 환원분화지수, 소결광 열간강도, 복합염기도, 소결광 성분(Fe, FeO, SiO2, CaO, Al2O3, MgO, Mn, S, P, TiO2, ZnO, K2O, Na2O), 소결광 평균 입도, 코크스 입조량, 미분탄 취입량, 코크스 성분(재(Ash), 휘발분), 코크스 열간강도, 코크스 냉간강도, 코크스 평균입도, 용선 성분(S, SI), 광석비, 슬래그비, 슬래그 성분(SiO2, S), 수재량 등)을 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 도 4를 예로 들면, 신경망 모델(340)은 skip-dense(dense 계층의 매 층마다 skip connection을 연결) 구조에 조직화 항(regularization term)을 적용하여 구성될 수 있다. 또한, 신경망 모델(340)로 입력되는 조업 데이터들은, 각 조업 데이터와 해당 조업 데이터가 측정된 시점이 반영된 1차원 데이터일 수 있다.

전술한 신경망 모델들(310~340)은 입력 데이터(노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외 복수의 조업 데이터)로 시계열 데이터가 입력되도록 망 구조가 구성될 수 있다. 예를 들어, 각 신경망 모델(310~340)의 입력 데이터들(노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 복수의 조업 데이터)은, 현재 시점(T)의 360분 전부터 현재 시점(T)까지, 1분 단위로 샘플링된 데이터들을 시간 순서대로 배열한 시계열 데이터일 수 있다.

통합 계층(350)은 분류기(classifier)를 통해, 신경망 모델들(310~340)의 출력 데이터들, 즉, 신경망 모델들(310~34)을 통해 추출한 특징(feature)들로부터 예측 결과를 출력할 수 있다. 통합 계층(350)은 스킵-덴스(skip-dense 구조)의 분류기와, 분류기의 출력으로부터 통합 계층(350)의 최종 출력을 생성하기 위한 하나의 덴스 계층(dense layer)을 포함하며, 출선 속도 Logit, 잔여 출선 시간 Logit, 잔여 수선량 Logit을 출력하도록 구성될 수 있다. 이와 같이, 하나의 출선구 폐쇄 시점 예측 모델(300)을 통해 복수의 인자에 대해 동시 예측을 진행하는 것은, 각각의 인자에 대해 별도로 예측을 진행하는 경우에 비해 필요한 예측 모델의 개수가 감소하며, 동시 예측으로 인한 일반화(generalization) 효과가 있을 수 있다.

다시, 도 3을 보면, 제2예측 모델(400)은 신경망 기반의 예측 모델로서, 제1예측 모델(300)에 의해 예측된 출선 속도, 잔여 출선 시간, 및 잔여 수선량과 함께, 제1예측 모델(300)의 신경망 모델들(310~34)을 통해 추출한 특징들을 입력 데이터로 입력 받고, 이들에 기초하여 출선구 폐쇄 시점을 예측하여 출력할 수 있다. 즉, 제1예측 모델(300)에 의해 예측된 출선 속도, 잔여 출선 시간, 및 잔여 수선량과 함께 신경망 모델들(310~34)을 통해 추출한 특징들이 입력되면, 이들을 통합하여 통합된 값을 획득하고, 통합된 값을 재모델링하여 출선구 폐쇄 시점을 예측할 수 있다. 본 발명의 실시 예에 따르면, 제2예측 모델(400)은 전술한 신경망 모델들(310~340)과 마찬가지로 CNN으로 구성될 수 있다.

한편, 예측 모델 생성부(125)는 출선구 폐쇄 시점 예측 모델을 구성하는 제1 및 제2예측 모델(300, 400)의 망 구조를 설정하는 과정에서, 망 구조를 변경해가며 복수의 출선구 폐쇄 시점 예측 모델을 생성할 수도 있다. 이 경우, 평가부(127)는 예측 모델 생성부(125)에 의해 생성된 복수의 예측 모델들에 대한 검증 과정을 수행하여, 최적의 출선구 폐쇄 시점 예측 모델을 선택할 수 있다.

예측 모델 생성부(125)는 평가부(127)에서의 평가 결과를 참조하여 출선구 폐쇄 시점 예측 모델의 망 구조에 대한 튜닝 과정을 수행할 수도 있다. 예를 들어, 예측 모델 생성부(125)는 출선구 폐쇄 시점 예측 모델에 포함된 제1예측 모델(300)을 구성하는 신경망 모델들(310~340)의 5~7번째 콘볼루션 계층 또는 10~100번째 ResNet 계층의 구조를 변경시키거나, 통합 계층(350)에서의 10~20번째 Skip-dense 계층의 구조 변화, 갭(GAP) 적용, 특성 맵의 깊이(depth) 조절, Softmax와 단일 로지트(logit)의 비교, 레이블 변경 등을 통해 출선구 폐쇄 시점 예측 모델(300)을 튜닝할 수 있다.

예측 모델 생성부(125)는 고로(10)의 각 출선구(12)에 대해 출선구 폐쇄 시점 예측 모델을 각각 생성할 수 있다. 또한, 예측 모델 생성부(1250는 고로(10)의 전체 출선구에 적용할 수 있는 출선구 폐쇄 시점 예측 모델을 생성할 수도 있다. 각 출선구(12)의 출선구 폐쇄 시점 예측 모델(300)은, 각 출선구(12)의 폐쇄 시간을 예측하기 위한 것이고, 전체 출선구(12)의 출선구 폐쇄 시점 예측 모델은 고로(10) 전체의 출선구(12)에 대한 출선구 폐쇄 시점을 예측하기 위한 것이다.

예측 모델 생성부(125)는 고로(10)의 각 출선구와 전체 출선구에 대해 출선구 폐쇄 시점 예측 모델들이 생성되면, 이들을 예측 모델 DB(124)에 저장할 수 있다.

학습부(126)는 부정기적으로 기동하여, 예측 모델 생성부(125)에 의해 생성된 출선구 폐쇄 시점 예측 모델들에 대해 학습 데이터들을 이용한 학습(딥러닝)을 진행할 수 있다.

도 4를 예로 들면, 학습부(126)는 조업 데이터 수집 시스템(110)을 통해 수집된 노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외의 복수의 조업 데이터(예를 들어, 출선구별 출선량, 출선구별 출선 속도 및 출선 시간, 배가스 성분, 소결광 입조량, 용선 온도, 용선 성분, 장입 속도 등)를 학습 데이터로 하여, 출선구 폐쇄 시점 예측 모델(300, 400)을 반복 학습 시킬 수 있다.

한편, 학습부(126)는 출선구 폐쇄 시점 예측 모델의 학습 과정에서, 입력으로 사용되는 조업 데이터들의 정규화를 통해, 센서 이상 등에 의해 발생되는 이상 데이터들을 필터링할 수 있다. 예를 들어, 학습부(126)는 5,000Nm3/min 이하의 송풍량 데이터, 150분 이하의 출선 시간 등은 이상 데이터로 판정할 수 있다. 그리고, 이상 판정된 데이터들은 출선구 폐쇄 시점 예측 모델의 학습에서 제외시킴으로써 출선구 폐쇄 시점 예측 모델의 예측 정확성을 향상시킬 수 있다.

고로(10) 조업 중 조업 데이터로 저장되는 출선 시간은, 출선구(12)의 개공부터 폐공 이후 조업자가 잔선을 처리한 후 수동으로 종료 버튼을 누르는 시점까지의 시간이 저장된다. 이와 같이, 고로(10) 조업 중 획득되는 출선 시간은 출선 속도나 잔여 수선량과 달리, 비자동적인 절차에 의해 산출되어 어느 정도 오차를 포함한다. 따라서, 각 출선구 폐쇄 시점 예측 모델을 학습시키는 과정에서, 학습부(126)는 수선량의 변화를 기준으로 출선 개시 시점과 출선 종료 시점을 유추하여 출선 시간을 계산하고, 이를 y 레이블(정답에 해당하는 값)로 사용할 수 있다. 즉, 출선 폐쇄 시간 예측 모델의 학습 과정에서는, 자동 산출이 가능한 출선 속도, 및 잔여 수선량을 이용하여 출선 개시와 출선 폐쇄를 판단하고, 이로부터 산출한 출선 시간을 y 레이블로 학습을 진행할 수 있다.

평가부(127)는 검증 데이터 DB(122)에 저장된 검증 데이터들을 사용하여 예측 모델 생성부(125)에 의해 생성된 출선구 폐쇄 시점 예측 모델들을 검증할 수 있다. 예측 모델 생성부(125)는 출선구 폐쇄 시점 예측 모델의 생성 단계에서, 복수의 출선구 폐쇄 시점 예측 모델들을 생성할 수 있다. 이와 같이, 예측 모델 생성부(125)에 의해 복수의 출선구 폐쇄 시점 예측 모델들이 생성된 경우, 평가부(127)는 검증 데이터 DB(122)에 저장된 검증 데이터들을 사용하여 예측 모델 생성부(125)에 의해 생성된 출선구 폐쇄 시점 예측 모델들 중 최적의 출선구 폐쇄 시점 예측 모델을 선택할 수 있다.

또한, 평가부(127)는 학습부(126)에 의해 출선구 폐쇄 시점 예측 모델이 갱신될 때마다, 시험 데이터 DB(123)에 저장된 시험 데이터들을 사용하여 출선구 폐쇄 시점 예측 모델의 성능 평가를 수행할 수도 있다. 그리고, 성능 평가 결과에 기반하여 새롭게 갱신된 출선구 폐쇄 시점 예측 모델로, 현재 예측 시스템(130)에서 사용 중인 출선구 폐쇄 시점 예측 모델을 대체할 것인지를 판단할 수 있다. 학습부(126)에 의해 갱신된 출선구 폐쇄 시점 예측 모델로 예측 시스템(130)에서 사용 중인 출선구 폐쇄 시점 예측 모델을 갱신하도록 결정되면, 평가부(127)는 새롭게 갱신된 출선구 폐쇄 시점 예측 모델을 예측 시스템(130)으로 전달함으로써 예측 시스템(130)에서 사용 중인 예측 모델을 갱신할 수 있다.

예측 시스템(130)은, 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들과 학습 시스템(120)에 의해 생성/갱신된 신경망 기반의 출선구 폐쇄 시점 예측 모델을 이용하여, 주기적으로(예를 들어, 1분 단위로) 예측을 수행할 수 있다. 예측 시스템(130)은 예측 모델 DB(131), 예측부(132), 및 예측 가능성 분석부(133)를 포함할 수 있다.

예측부(132)는 학습 시스템(120)으로부터 출선구 폐쇄 시점 예측 모델이 수신되면, 이를 예측 모델 DB(131)에 저장할 수 있다. 그리고, 학습 시스템(120)으로부터 출선구 폐쇄 시점 예측 모델의 갱신이 요청될 때마다, 학습 시스템(120)으로부터 새롭게 수신되는 출선구 폐쇄 시점 예측 모델을 이용하여 예측 모델 DB(131)에 저장된 출선구 폐쇄 시점 예측 모델을 갱신할 수 있다.

또한, 예측부(132)는 주기적으로(예를 들어, 1분 단위로) 조업 데이터 수집 시스템(110)으로부터 조업 데이터들을 수신하고, 이를 예측 모델 DB(131)에 저장된 출선구 폐쇄 시점 예측 모델에 적용함으로써 출선구 폐쇄 시점의 예측 값을 획득할 수 있다.

예측부(132)는 출선구 폐쇄 시점 예측 모델을 이용하여 예측 값을 획득하면, 이를 디스플레이(140)에 전달함으로써 운전 화면에 표시되도록 할 수 있다. 따라서, 작업자는 운전 화면을 통해 각 출선구(12)의 출선구 폐쇄 시점 예측 값을 확인할 수 있으며, 이에 기반하여 출선구 폐쇄 시점 또는 TLC 배차 등을 제어할 수 있다.

한편, 예측부(132)는 출선구(12)의 출선이 종료되면, 예측 모델의 검증을 위해 종료 시점으로부터 소정 시간 이전(예를 들어, 30분 이전)의 출선구 폐쇄 시점 예측 값과 출선 종료 시점 이후의 출선구 폐쇄 시점 예측 값을 학습 시스템(120)으로 전달할 수 있다.

예측 가능성 분석부(133)는 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들을 분석하여 출선구 폐쇄 시점 예측 모델을 이용한 예측이 가능한 상황인지를 판단하고, 예측이 불가능한 상황으로 판단되면 예측부(132)에 이를 통보할 수 있다. 예를 들어, 예측 가능성 분석부(133)는 소정 시간 동안 조업 데이터 수집 시스템(110)을 통해 조업 데이터가 수집되지 않은 경우, 예측이 불가능한 상황으로 판단하고 이를 예측부(132)에 전달할 수 있다. 또한, 예를 들어, 예측 가능성 분석부(133)는 조업 데이터 수집 시스템(110)으로부터 5,000Nm3/min 이하의 송풍량 데이터 또는 150분 이하의 출선 시간 데이터가 입력되면, 이상치로 인한 예측 불가능 상황으로 판단하고 이를 예측부(132)에 전달할 수 있다.

예측 가능성 분석부(133)로부터 예측이 불가능한 상황임이 통지되면, 예측부(132)는 출선구 폐쇄 시점 예측 모델을 이용한 예측을 중지하고, 디스플레이(140)를 통해 예측 불가 상황임을 운전 화면 상에 표시할 수 있다.

전술한 구조의 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템(100)에서, 조업 데이터 수집 시스템(110), 학습 시스템(120), 및 예측 시스템(130)의 각 기능은, 하나 이상의 중앙 처리 유닛(central processing unit, CPU)이나 기타 칩셋, 마이크로프로세서 등으로 구현되는 프로세서에 의해 수행될 수 있다.

도 8은 본 발명의 실시 예에 따른 고로 설비의 출선구 폐쇄 시점 예측 방법을 개략적으로 도시한 것이다. 도 8의 출선구 폐쇄 시점 예측 방법은, 전술한 도 1 내지 도 4를 참조하여 설명한 출선구 폐쇄 시점 예측 시스템(100)에 의해 수행될 수 있다.

도 8을 참조하면, 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템(100)은 학습 시스템(120)을 통해 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성한다(S100).

상기 S100 단계에서, 학습 시스템(120)은 잔여 수선량에 영향을 주는 조업 데이터들(노체 온도, 송풍량, 수선량 등)을 입력으로 하며, 잔여 수선량과 관련된 적어도 하나의 예측 값(출선 속도, 잔여 출선 시간, 잔여 수선량 등)을 출력으로 하도록 신경망 기반의 제1예측 모델(300)과, 제1예측 모델(300)의 예측 값들로부터 출선구 폐쇄 시점을 예측하여 출력하는 제2예측 모델(400)로 구성되는 출선구 폐쇄 시점 예측 모델을 생성할 수 있다. 여기서, 제1예측 모델(300)의 입력 인자 및 출력 인자는, 전문가 집단에 의해 선택될 수 있다.

상기 S100 단계에서, 학습 시스템(120)은 입력되는 조업 데이터들의 특성에 따라서 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망(310~340)을 구성하고, 각 신경망에 의해 추출된 특징들을 통합하여 예측 값을 출력하도록 제1예측 모델(300)의 망 구조를 구성할 수 있다. 여기서, 학습 시스템(120)은 각 신경망 모델(310~340)을 CNN으로 구성하며, 각 신경망의 출력을 통합하는 통합 계층(350)은 스킵-덴스(skip-dense) 구조의 분류기와, 분류기의 출력으로부터 통합 계층(350)의 최종 출력을 생성하기 위한 용도의 덴스 계층(dense layer)을 하나 포함하도록 구성할 수 있다.

상기 S100 단계를 통해 생성된 출선구 폐쇄 시점 예측 모델은, 이를 출선구 폐쇄 시점 예측에 사용하기 전에 튜닝 과정과 반복 학습 과정을 통해 성능이 개선될 수 있다(S110).

상기 S110 단계에서, 학습 시스템(120)은 출선구 폐쇄 시점 예측 모델을 구성하는 신경망 모델들(310~340)의 콘볼루션 계층 또는 ResNet 계층의 구조를 변경시키거나, 통합 계층(350)에서의 skip-dense 계층의 구조 변화, 갭(GAP) 적용, 특성 맵의 깊이(depth) 조절, Softmax와 단일 로지트(logit)의 비교, 레이블 변경 등을 통해 출선구 폐쇄 시점 예측 모델을 튜닝함으로써 출선구 폐쇄 시점 예측 모델의 성능을 개선할 수 있다.

상기 S110 단계에서, 학습 시스템(120)은 학습 데이터를 이용하여 출선구 폐쇄 시점 예측 모델을 반복 학습시킴으로써, 출선구 폐쇄 시점 예측 모델의 성능을 개선할 수 있다.

고로 조업이 시작되면, 출선구 폐쇄 시점 예측 시스템(100)은 조업 데이터 수집 시스템(110)을 통해 출선구 폐쇄 시점 예측 모델의 입력 인자로 사용되는 조업 데이터들을 주기적(예를 들어, 1분 단위)으로 수집한다(S120). 그리고, 예측 시스템(130)을 통해, 출선구 폐쇄 시점 예측 모델에 상기 S120 단계를 통해 수집된 조업 데이터들을 주기적으로 대입함으로써, 출선구 폐쇄 시점 예측 값을 주기적으로 획득할 수 있다(S130).

상기 S120 단계에서, 조업 데이터는 고로(10) 설비에 설치된 센서들을 통해 수집되는 센싱 데이터, 고로(10)의 설비 및 작업을 제어하기 위해 작업자로부터 입력되는 제어 데이터, 고로(10) 조업의 결과로 발생되는 수치 데이터 등을 포함할 수 있다. 예를 들어, 조업 데이터는 고로(10)의 노체 온도 데이터, 송풍량 데이터, 및 수선량 데이터를 포함할 수 있다. 또한, 예를 들어, 조업 데이터는 고로(10)의 출선구별 출선량, 출선구별 출선 속도 및 출선 시간, 배가스 성분(예를 들어, 노정 가스 중 질소(N2) 비율), 소결광 입조량, 용선 온도, 용선 성분(예를 들어, 용선 중 Si 비율), 장입 속도, 평균 장입 속도 등을 포함할 수도 있다.

상기 S120 단계에서 수집된 조업 데이터들은 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용되기 위해, 그 특성에 맞게 1차원, 2차원 또는 3차원의 시계열 데이터로 가공될 수 있다. 예를 들어, 노체 온도 데이터는, 3차원의 시계열 데이터로 가공될 수 있다. 또한, 예를 들어, 송풍량 데이터는 2차원의 시계열 데이터로 가공될 수 있다. 또한, 예를 들어, 수선량 데이터는 2차원의 시계열 데이터로 변환될 수 있다. 여기서, 각 조업 데이터는, 1분 단위로 샘플링된 데이터들을 시간 순서대로 배열하여 시계열 데이터로 가공될 수 있다.

상기 S130 단계에서, 예측 시스템(130)은 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들을 분석하여 출선구 폐쇄 시점 예측 모델을 이용한 예측이 가능한 상황인지를 판단하고, 예측이 불가능한 상황으로 판단되면 예측을 수행하지 않을 수도 있다. 예를 들어, 예측 시스템(130)은 소정 시간 동안 조업 데이터 수집 시스템(110)을 통해 조업 데이터가 수집되지 않은 경우, 예측이 불가능한 상황으로 판단하고 예측을 중지할 수 있다. 또한, 예를 들어, 예측 시스템(130)은 조업 데이터로 5,000Nm3/min 이하의 송풍량 데이터 또는 150분 이하의 출선 시간 데이터가 입력되면, 이상치로 인한 예측 불가능 상황으로 판단하고 예측을 중지할 수 있다.

한편, 상기 S130 단계를 통해 출선구 폐쇄 시점 예측 값이 획득되면, 출선구 폐쇄 시점 예측 시스템(100)은 디스플레이(140)를 통해 이를 운전 화면에 표시함으로써(S140), 작업자가 이를 참조하여 출선 종료 시점 및 TLC 배차를 제어하도록 지원할 수 있다.

이하, 도 9를 참조하여 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 시스템 및 그 방법의 예측 성능 개선 효과를 설명하기로 한다.

도 9은 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 방법을 적용하여 고로의 출선구 폐쇄 시점을 예측한 결과를 도시한 도면이다. 도 9에 도시된 그래프는, 본 발명의 실시 예에 따른 출선구 폐쇄 예측 방법을 적용하여 출선구 폐쇄 시점 예측 모델을 생성하고, 각 출선구 폐쇄 시점 예측 모델에 대해 총 15개월(2016년 9월 ~ 2017년 12월) 동안 수집된 조업 데이터들을 이용한 학습을 진행한 후에 출선구 폐쇄 시점 예측에 사용한 결과에 대응한다.

도 9를 참조하면, 가로 방향의 점선과, 세로 방향의 점선들은 각각 출선구 폐쇄 시점으로부터 70분, 50분, 및 30분 전의 시점을 나타내며, 가로 점선과 세로 점선이 잔여 수선량 그래프의 동일 지점을 지날 경우 출선구 폐쇄 시점의 예측 값과 실제값이 일치함을 의미한다. 반면에, 가로 점선이 잔여 수선량 그래프와 만나는 지점이, 세로 점선이 잔여 수선량 그래프와 만나는 지점보다 왼쪽에 위치할 경우, 실제 폐쇄 시점보다 예측 폐쇄 시점이 빠른 것을 의미한다. 또한, 가로 점선이 잔여 수선량 그래프와 만나는 지점이 세로 점선이 잔여 수선량 그래프와 만나는 지점보다 오른쪽에 위치할 경우, 실제 폐쇄 시점보다 예측 폐쇄 시점이 더 늦음을 의미한다.

이를 참조하면, 도 9의 첫 번째 예측에서는 50분 전에 50분+α후 출선구 폐쇄를 예측하고 30분 전에는 30분 후 출선구 폐쇄를 예측하여 예측 값과 실제 값이 거의 일치하였다. 이후, 두 번째 예측에서는 50분 전에 30분후 출선구 폐쇄를 예측하여 실제 출선이 예측보다 20여분 정도 더 지속되었다. 이후, 세 번째 예측에서는 50분 전에 50분-α후 출선구 폐쇄를 예측하고 30분 전에는 30분+α후 출선구 폐쇄를 예측하여 실제 출선이 예측보다 짧게 이루어졌다.

종래에는 출선구 폐쇄 시점의 판정 오차로 인해, TLC가 짧게는 1시간에서 길게는 2시간까지 용선의 수선을 대기하는 상황이 빈번하게 발생하였다. 그러나, 본 발명의 실시 예에 따른 출선구 폐쇄 시점 예측 방법을 사용할 경우, 도 9를 통해 드러난 바와 같이, 출선구 폐쇄 시점의 판정 오차가 1시간 이내로 감소함을 알 수 있다.

지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 용이하게 선택하여 대체할 수 있다. 또한 당업자는 본 명세서에서 설명된 구성요소 중 일부를 성능의 열화 없이 생략하거나 성능을 개선하기 위해 구성요소를 추가할 수 있다. 뿐만 아니라, 당업자는 공정 환경이나 장비에 따라 본 명세서에서 설명한 방법 단계의 순서를 변경할 수도 있다. 따라서 본 발명의 범위는 설명된 실시형태가 아니라 특허청구범위 및 그 균등물에 의해 결정되어야 한다.

10: 고로
11: 풍구
12: 출선구
13: 송풍관
100: 출선구 폐쇄 시점 예측 시스템
110: 조업 데이터 수집 시스템
111: 조업 데이터 수집부
112: 조업 데이터 DB
120: 학습 시스템
121: 학습 데이터 DB
122: 검증 데이터 DB
123: 시험 데이터 DB
124, 131: 예측 모델 DB
125: 예측 모델 생성부
126: 학습부
127: 평가부
130: 예측 시스템
132: 예측부
133: 예측 가능성 분석부
140: 디스플레이

Claims (15)

1. 고로의 출선구 폐쇄 시점 예측 시스템에 있어서,
   복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템,
   출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하고 관리하는 학습 시스템, 및
   상기 복수의 조업 데이터를 상기 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용하여, 상기 고로의 출선구 폐쇄 시점의 예측 값을 획득하는 예측 시스템을 포함하며,
   상기 출선구 폐쇄 시점 예측 모델은,
   상기 복수의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하여 출선 속도, 잔여 출선 시간 및 잔여 수선량의 예측 값들을 출력하는 통합 계층을 포함하는 제1예측 모델, 및
   상기 제1예측 모델로부터 출력되는 예측 값들과 상기 복수의 신경망 모델을 통해 추출된 특징들을 입력으로 하는 신경망 모델을 이용하여 상기 출선구 폐쇄 시점의 예측 값을 출력하는 제2예측 모델을 포함하는 것을 특징으로 하는 출선구 폐쇄 시점 예측 시스템.
2. 제1항에 있어서,
   상기 복수의 신경망 모델은,
   노체 온도 데이터를 입력으로 하는 제1신경망 모델,
   송풍량 데이터를 입력으로 하는 제2신경망 모델,
   수선량 데이터를 입력으로 하는 제3신경망 모델, 및
   상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함하는 출선구 폐쇄 시점 예측 시스템.
3. 제2항에 있어서,
   상기 노체 온도 데이터는, 노체 온도와, 상기 고로 내에서 상기 노체 온도가 획득된 높이 및 방향과, 상기 노체 온도가 획득된 시점이 반영된 3차원 데이터인 출선구 폐쇄 시점 예측 시스템.
4. 제2항에 있어서,
   상기 송풍량 데이터는, 송풍량과, 상기 송풍량이 측정된 송풍관과, 상기 송풍량이 측정된 시점이 반영된 2차원 데이터인 출선구 폐쇄 시점 예측 시스템.
5. 제2항에 있어서,
   상기 수선량 데이터는, 수선량과, 상기 수선량이 측정된 출선구와, 상기 수선량이 측정된 시점이 반영된 2차원 데이터인 출선구 폐쇄 시점 예측 시스템.
6. 제2항에 있어서,
   상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 출선구 폐쇄 시점 예측 시스템.
7. 제2항에 있어서,
   상기 통합 계층은 스킵-덴스(skip-dense) 구조의 분류기, 및 상기 분류기의 출력에 연결되는 하나의 덴스 계층(dense layer)을 포함하는 출선구 폐쇄 시점 예측 시스템.
8. 제1항에 있어서,
   상기 학습 시스템은, 상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 모델을 생성하고 관리하는 출선구 폐쇄 시점 예측 시스템.
9. 제8항에 있어서,
   상기 예측 시스템은, 상기 고로의 출선구 별로 생성된 상기 출선구 폐쇄 시점 예측 모델을 이용하여 상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 값을 획득하는 출선구 폐쇄 시점 예측 시스템.
10. 고로 설비의 출선구 폐쇄 시점 예측 방법에 있어서,
    출선구 폐쇄 시점을 예측하기 위한 신경망 기반의 출선구 폐쇄 시점 예측 모델을 생성하는 단계,
    고로 조업이 시작되면, 복수의 조업 데이터를 수집하는 단계,
    상기 복수의 조업 데이터를 상기 출선구 폐쇄 시점 예측 모델의 입력 데이터로 사용하여, 상기 출선구 폐쇄 시점 예측 값을 획득하는 단계, 및
    상기 출선구 폐쇄 시점 예측 값을 운전 화면에 표시하는 단계를 포함하며,
    상기 출선구 폐쇄 시점 예측 모델은,
    상기 복수의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하여 출선 속도, 잔여 출선 시간 및 잔여 수선량의 예측 값들을 출력하는 통합 계층을 포함하는 제1예측 모델, 및
    상기 제1예측 모델로부터 출력되는 예측 값들과 상기 복수의 신경망 모델을 통해 추출된 특징들을 입력으로 하는 신경망 모델을 이용하여 상기 출선구 폐쇄 시점의 예측 값을 출력하는 제2예측 모델을 포함하는 것을 특징으로 하는 출선구 폐쇄 시점 예측 방법.
11. 제10항에 있어서,
    상기 복수의 신경망 모델은,
    노체 온도 데이터를 입력으로 하는 제1신경망 모델,
    송풍량 데이터를 입력으로 하는 제2신경망 모델,
    수선량 데이터를 입력으로 하는 제3신경망 모델, 및
    상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함하는 출선구 폐쇄 시점 예측 방법.
12. 제11항에 있어서,
    상기 노체 온도 데이터는, 노체 온도와, 상기 고로 내에서 상기 노체 온도가 획득된 높이 및 방향과, 상기 노체 온도가 획득된 시점이 반영된 3차원 데이터이고,
    상기 송풍량 데이터는, 송풍량과, 상기 송풍량이 측정된 송풍관과, 상기 송풍량이 측정된 시점이 반영된 2차원 데이터이며,
    상기 수선량 데이터는, 수선량과, 상기 수선량이 측정된 출선구와, 상기 수선량이 측정된 시점이 반영된 2차원 데이터인 출선구 폐쇄 시점 예측 방법.
13. 제11항에 있어서,
    상기 통합 계층은 스킵-덴스(skip-dense) 구조의 분류기와, 상기 분류기의 출력으로부터 상기 통합 계층의 최종 출력을 생성하는 하나의 덴스 계층(dense layer)을포함하는 출선구 폐쇄 시점 예측 방법.
14. 제11항에 있어서,
    상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 출선구 폐쇄 시점 예측 방법.
15. 제10항에 있어서,
    상기 생성하는 단계는,
    상기 고로의 출선구 별로 상기 출선구 폐쇄 시점 예측 모델을 생성하는 단계를 포함하는 출선구 폐쇄 시점 예측 방법.
    

Images