KR102578380B1 - 용강량 예측 장치 및 방법 - Google Patents

용강량 예측 장치 및 방법 Download PDF

Info

Publication number
KR102578380B1
KR102578380B1 KR1020200177137A KR20200177137A KR102578380B1 KR 102578380 B1 KR102578380 B1 KR 102578380B1 KR 1020200177137 A KR1020200177137 A KR 1020200177137A KR 20200177137 A KR20200177137 A KR 20200177137A KR 102578380 B1 KR102578380 B1 KR 102578380B1
Authority
KR
South Korea
Prior art keywords
information
ladle
molten steel
repair
amount
Prior art date
Application number
KR1020200177137A
Other languages
English (en)
Other versions
KR20220086911A (ko
Inventor
송경남
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 KR1020200177137A priority Critical patent/KR102578380B1/ko
Publication of KR20220086911A publication Critical patent/KR20220086911A/ko
Application granted granted Critical
Publication of KR102578380B1 publication Critical patent/KR102578380B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • C21C7/00—Treating molten ferrous alloys, e.g. steel, not covered by groups C21C1/00 - C21C5/00
    • C21C7/10—Handling in a vacuum
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Treatment Of Steel In Its Molten State (AREA)

Abstract

용강량 예측 장치 및 방법이 개시된다. 개시된 용강량 예측 방법은 프로세서가 포함된 장치에서 수행되는 용강량 예측 방법으로서, 제강 서버로부터 레이들(ladle)의 리프팅 높이 정보, 진공조(vessel)의 하부조의 사용 횟수 정보, 상기 진공조에 설치된 침지관의 사용 횟수 정보 및 상기 레이들의 수리 후의 사용 횟수 정보를 포함하는 복수의 정보를 수신하는 단계; 및 상기 복수의 정보에 기초하여 상기 레이들에 수용되는 용융물의 용강량을 예측하는 단계;를 포함한다. 이를 통해, RH(Rheinstahl-Heraus) 정련에서 합금철 투입량 결정에 가장 중요한 요소인 용강량을 정확하게 예측할 수 있다.

Description

용강량 예측 장치 및 방법{APPARATUS AND METHOD FOR PREDICTING THE AMOUNT OF MOLTEN STEEL}
본 발명의 실시예들은 RH(Rheinstahl-Heraus) 정련에서 합금철 투입량 결정에 가장 중요한 요소인 용강량을 정확하게 예측하는 장치 및 방법에 관한 것이다.
일반적으로, 제강 조업은 용선 예비 처리, 전로 정련, 2차 정련, 연속 주조 공정으로 이루어진다.
용광로에서 철광석을 녹여 제조한 용선은 용선 예비 처리 공정에서 유황(S) 성분과 인(P) 성분을 제거한 후 탄소(C) 성분 제거를 위해서 전로 공정으로 이송하여 전로에 담고 순산소를 취입함으로써 탄소 성분을 약 0.04중량%까지 제거하는데, 이렇게 탄소가 제거된 용융물을 용강이라고 한다.
전로 공정을 종료한 용강은 레이들(Ladle)이라고 하는 용기에 담아 2차 정련 설비인 RH(Rheinstahl-Heraus) 탈가스 설비 또는 레이들 퍼니스(Ladle Furnace) 등으로 이송하고 용강을 강하게 교반(攪拌)하여 용강의 성분과 온도를 균일하게 하거나, 용강내 잔존하는 가스성분을 제거하거나, 혹은 용강의 온도를 상승시킨 후, 연속주조 공정에서 응고시킴으로써 제강 단계의 최종 제품인 주편을 생산한다.
한편, 2차 정련 내의 RH 정련에서는 합금철 투입량 결정에 가장 중요한 요소인 용강량을 정확하게 측정하여야 한다.
종래 기술의 경우, 레이들에 설치되어 있는 단순한 중량 측정 장치에 의하여 계측된 값을 용강량으로 측정하였다. 그러나, 상기한 계측값은 편차가 최대 15톤(ton)까지 발생하므로, 정확한 측정값이 아니며, 참고치로만 사용되었다.
또한, 다른 종래 기술의 경우, 레이들 프리보드(Ladle Freeboard)를 활용하여 레이들의 내화물의 소손량을 기준으로 내용적을 계산하여 용강량을 추정하였다. 그러나, 상기 다른 종래 기술 역시 추정 편차가 최대 12톤까지 발생하기 때문에 신뢰도가 낮은 단점이 있다.
대한민국 공개특허 제10-2015-0127094호
상기한 바와 같은 종래기술의 문제점을 해결하기 위해, 본 발명에서는 기존에 측정하고 있던 데이터를 기반으로 별도의 센서없이 RH 정련에서 용강량을 정확히 예측할 수 있는 용강량 예측 장치 및 방법을 제안하고자 한다.
본 발명의 목적들은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 쉽게 알 수 있을 것이다.
상기한 목적을 달성하기 위해 본 발명의 바람직한 일 실시예에 따르면, 프로세서가 포함된 장치에서 수행되는 용강량 예측 방법은, 제강 서버로부터 레이들(ladle)의 리프팅 높이 정보, 진공조(vessel)의 하부조의 사용 횟수 정보, 상기 진공조에 설치된 침지관의 사용 횟수 정보 및 상기 레이들의 수리 후의 사용 횟수 정보를 포함하는 복수의 정보를 수신하는 단계; 및 상기 복수의 정보에 기초하여 상기 레이들에 수용되는 용융물의 용강량을 예측하는 단계;를 포함한다.
이 때, 상기 레이들의 수리 후의 사용 횟수 정보는 상기 레이들의 중수리 후의 사용 횟수 정보 및 상기 레이들의 소수리 후의 사용 횟수 정보를 포함할 수 있다.
또한, 상기 예측하는 단계는, 인공 신경망에 기초한 알고리즘 모델에 기초하여 상기 복수의 정보로부터 상기 레이들에 수용되는 용융물의 용강량을 예측할 수 있다. 이 경우, 상기 알고리즘 모델은, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델의 앙상블 모델일수 있다.
또한, 용강량 예측 방법은 상기 예측된 용융물의 용강량을 사용자가 소지한 단말 장치로 전송하는 단계;를 더 포함할 수 있다.
또한, 상기 제강 서버는 상기 복수의 정보를 미리 저장하고, 상기 레이들(ladle)의 리프팅 높이 정보는 RH 정련 시 상기 용융물을 수용하기 위해 저장되는 정보이고, 상기 진공조의 하부조의 사용 횟수 정보는 상기 진공조의 하부조의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고, 상기 진공조에 설치된 침지관의 사용 횟수 정보는 상기 침지관의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고, 상기 레이들의 수리 후의 사용 횟수 정보는 상기 레이들의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보일 수 있다.
또한, 본 발명의 다른 실시예에 따르면, 프로세서가 포함된 장치에서 수행되는 용강량 예측 방법은 제강 서버로부터 레이들의 상태와 관련된 제1 정보 및 진공조의 상태와 관련된 제2 정보를 수신하는 단계; 및 인공 신경망에 기초한 알고리즘 모델에 기초하여 상기 제1 정보 및 상기 제2 정보로부터 상기 레이들에 수용되는 용융물의 용강량을 예측하는 단계;를 포함한다.
또한, 본 발명의 또 다른 실시예에 따르면, 용강량 예측 장치는 컴퓨터에서 판독 가능한 명령을 저장하는 메모리; 및 상기 명령을 실행하도록 구현되는 프로세서;를 포함하되, 상기 프로세서는, 제강 서버로부터 수신된 레이들의 리프팅 높이 정보, 진공조의 하부조의 사용 횟수 정보, 상기 진공조에 설치된 침지관의 사용 횟수 정보 및 상기 레이들의 수리 후의 사용 횟수 정보를 인공 신경망에 기초한 알고리즘 모델에 입력하여 상기 레이들에 수용되는 용융물의 용강량을 예측한다.
본 발명에 따르면, 기존에 측정하고 있던 데이터를 기반으로 별도의 센서없이 RH 정련에서 용강량을 정확히 예측할 수 있다.
또한, 본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 본 발명의 일 실시예에 따른 제강 공정용 RH 설비를 개략적으로 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 용강량 예측 시스템의 개략적인 구성을 도시한 도면이다.
도 3은 앙상블 모델의 개념을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 용강량 예측 방법의 흐름도를 도시한 도면이다.
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. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 또는 접속될 수 있지만, 각 구성 요소 사이에 다른 구성 요소가 "개재"되거나, 각 구성 요소가 다른 구성 요소를 통해 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
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 명세서상에 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 가지며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
이하에서, 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 제강 공정용 RH 설비를 개략적으로 나타내는 도면이다.
도 1을 참조하면, 레이들(ladle)(56)의 상부에 진공조(vessel)(51)를 위치시키고, 진공조(51)의 내부를 진공으로 형성시키고 대기압과 공급되는 기체에 의해 유동되도록 한다. 이 때, 레이들(56)에 수용된 용강(57)은 상승관(54)과 하강관(55)을 통하여 유동되며 환류를 형성하게 된다. 이와 같이 용강(57)이 순화하게 되면 용강(57) 내에 함유된 가스가 부유되며 제거된다. 침지관(61)은 레이들(56) 내의 용강(57) 중에 불순물로 작용하는 원소를 분압차를 이용하여 탈가스화시키는 구성 요소이다. 침지관(61)은 진공조(51)의 하부에 설치된다.
이를 위해, 본 발명에 의한 제강 공정은 미탈산 또는 탈산 상태로 출강된 용강(57)이 진공 탈가스 설비에 도착하면 용강(57)이 저장된 레이들(56)을 상승관(54)과 하강관(55)에 침적시킨 다음 상승관(54)에 환류가스(59)를 취입하고, 진공펌프를 이용 진공조(51) 내부를 감압시킨다. 이 때, 레이들(56) 내 용강(57)이 대기압과 진공조(51) 내부압 차이로 인하여 진공조(51) 내부로 상승하게 되면 진공조(51)의 하부조(52)의 저면(60)에서 약 1000mm의 높이만큼 상승되어 일정 높이가 되면 용강(57)의 철정압에 의하여 하강관(55)으로 하강되어져 환류가 시작된다. 일정 시간의 환류 작업이 이루어지면 합금 투입구(53)를 이용하여 하부조(52)의 저면(60)에 합금철(58)을 투입하게 된다. 합금철(58)의 투입 작업은 강종별로 다르지만 전기 강판의 경우에는 품질성분을 좌우하는 Fe-Si이 다량으로 투입한다.
이하, 상기한 내용을 참조하여 본 발명의 일 실시예에 따른 용강량 예측 장치 및 방법을 보다 상세하게 설명한다.
도 2는 본 발명의 일 실시예에 따른 용강량 예측 시스템의 개략적인 구성을 도시한 도면이다.
도 2를 참조하면, 용강량 예측 시스템(200)은 제강 서버(210), 스위치(220), 용강랑 예측 장치(230) 및 사용자 단말 장치(240)를 포함한다.
제강 서버(210)는 RH 설비를 제어하고, RH 설비와 관련된 다양한 정보들을 저장한다. 제강 서버(210)는 내부 메모리를 포함하고, 내부 메모리에 상기 다양한 정보들이 저장된다.
스위치(220)는 제강 서버(210), 용강랑 예측 장치(230) 및 사용자 단말 장치(240) 간의 유선 통신 연결을 위한 구성 요소이다. 스위치(220)는 기가바이트 스위치일 수 있다. 한편, 제강 서버(210), 용강랑 예측 장치(230) 및 사용자 단말 장치(240)가 무선으로 통신 연결된 경우, 스위치(220)는 생략될 수 있다.
용강량 예측 장치(230)는 스위치(220)를 통해 제강 서버(210)로부터 복수의 정보를 수신하며, 수신된 복수의 정보에 기초하여 RF 정련에서 레이들(56)에 수용된 용융물인 용강(57)의 용강량을 예측한다.
용강량 예측 장치(230)는 프로세서 기반의 장치일 수 있다. 일례로, 용강량 예측 장치(230)는 메모리 및 프로세서를 포함하는 서버일 수 있다.
메모리는 휘발성 및/또는 비휘발성 메모리일 수 있다. 또한, 메모리는 용강량을 예측하기 위한 컴퓨터 프로그램 내지 기록 매체에 관계된 명령어 또는 데이터를 저장할 수 있다.
프로세서는 중앙처리장치, 애플리케이션 프로세서, 또는 커뮤니케이션 프로세서 중 하나 또는 그 이상을 포함할 수 있다. 프로세서는 용강량 예측 장치(230)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 특히, 프로세서는 컴퓨터 프로그램의 실행에 관계된 명령을 실행할 수 있다.
한편, 용강량 예측 장치(230)는 인공 신경망에 기초한 알고리즘 모델을 이용하여 복수의 정보로부터 레이들(56)에 수용된 용강(57)의 용강량을 예측할 수 있다. 따라서, 용강량 예측 장치(230)는 AI 서버로 호칭될 수 있다. 알고리즘 모델은 용강량 예측 장치(230) 내의 메모리에 저장될 수 있다.
용강량 예측 장치(230)는 예측된 용강량을 스위치(220)를 통해 사용자 단말 장치(240)로 전송한다. 사용자 단말 장치(240)는 수신된 예측 용강량 정보를 사용자에게 제공할 수 있다.
이하, 인공 신경망에 기초한 알고리즘 모델을 간략하게 설명한 후, 본 발명의 일 실시예에 따른 용강량 예측 장치(230)의 동작, 즉, 용강량 예측 방법을 보다 상세히 설명하기로 한다.
인공 지능(AI: artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기 계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보 기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
인공 지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보 기술의 여러 분야에서 인공 지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공 지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정 나무(Decision Tree), 베이지안 망(Bayesian network), 서포트 벡터 머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
특히, 인공 신경망은 생물학적 뉴런의 동작 원리와 뉴런 간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)인 다수의 뉴런(neuron)들이 레이어(layer) 구조의 형태로 연결된 정보 처리 시스템이다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴, (2) 시냅스의 가중치를 갱신하는 학습 과정, (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다. 일반적인 단층 신경망은, 입력 레이어와 출력 레이어로 구성된다.
또한, 일반적인 다층 신경망은 입력 레이어(input layer)와, 하나 이상의 은닉 레이어(hidden layer)와, 출력층(output layer)으로 구성된다.
입력 레이어는 외부의 자료들을 받아들이는 레이어로서, 입력 레이어의 뉴런 수는 입력되는 변수의 수와 동일하다.
은닉 레이어는 입력 레이어와 출력 레이어 사이에 위치하며, 입력 레이어로부터 신호를 받아 특성을 추출하여 출력 레이어로 전달한다.
출력 레이어는 은닉 레이어로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런 간의 입력 신호는 각각의 가중치(연결 강도)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 시냅스 가중치(weight)나 뉴런에 적용되는 바이어스(bias)가 인공 신경망의 파라미터의 대표적인 예이다.
한편, 본 발명의 일 실시예에 따르면, 용강량 예측 장치(230)에서 사용되는 인공 신경망 기반의 알고리즘 모델은, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델 중 적어도 하나를 포함할 수 있다.
XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델은 부스팅 모델이다. 부스팅 모델은 여러 개의 약한 Decision Tree를 조합해서 사용하는 Ensemble 기법 중 하나로서, 약한 예측 모형들의 학습 에러에 가중치를 두고, 순차적으로 다음 학습 모델에 반영하여 강한 예측 모형을 만드는 알고리즘 모델이다.
XGBoost(Extreme Gradient Boosting)은 부스팅 기법을 이용하여 구현한 Gradient Boost을 병렬 학습이 지원되도록 구현한 라이브러리이다. XGBoost 알고리즘 모델은 Level-wise 트리 기반의 부스팅 모델이다. LightGBM 알고리즘 모델은 Xgboost의 효율성 문제를 보완하여 나온 알고리즘 모델로서, GOSS(Gradient-based One-Side Sampling)과 EFB(Exclusive Feature Bundling)을 새로 적용한 GBDT를 활용한다. CatBoost 알고리즘 모델 역시 Level-wise 트리 기반의 부스팅 모델로서, 　범주형(categorical) 변수를 처리하는데 유용한 알고리즘이다. XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델은 널리 알려진 인공 신경망 기반의 알고리즘 모델이므로, 상세한 설명은 생략하기로 한다.
특히, 용강량 예측 장치(230)에서 사용되는 인공 신경망 기반의 알고리즘 모델은 XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델의 결합 모델, 즉 앙상블 모델일 수 있다.
앙상블 모델은 하나의 알고리즘 모델만을 학습시켜 사용하지 않고 여러가지 알고리즘 모델을 학습시켜 결합하는 방식으로 문제를 처리한다. 특히, 알고리즘 모델 하나로 원하는 성능을 낼 수 없을 때 앙상블 학습을 사용하면 효과적이며, 개별로 학습한 여러 알고리즘 모델을 조합하여 일반화(generalization) 성능을 향상시킬 수 있다. 앙상블 모델의 개념은 도 3에 도시된 바와 같다 .
일례로, 본 발명에서 사용되는 앙상블 모델은 weak learner(각각의 알고리즘 모델)들이 미리 정해져 있어 이들을 취합해서 사용하는 앙상블 모델일 수 있고, weak learner들을 하나씩 점진적으로 연결하여 strong learner(결합된 알고리즘 모델)를 만드는 앙상블 모델일 수도 있다. 앙상블 모델 역시 널리 알려진 내용이므로, 상세한 설명은 생략하기로 한다.
도 4는 본 발명의 일 실시예에 따른 용강량 예측 방법의 흐름도를 도시한 도면이다.
용강량 예측 방법은 용강량 예측 장치(230)에서 수행되는 방법이다. 이하, 앞서 설명한 도 1 내지 도 3의 내용에 기초하여, 도 4에 도시된 각 단계 별로 수행되는 과정을 상세하게 설명한다 .
먼저, 단계(S10)에서, 용강량 예측 장치(230)는 제강 서버(210)로부터 복수의 정보를 수신한다.
복수의 정보는 제강 서버(210)에 미리 저장된 정보로서, 용강량을 예측하기 위해 저장된 정보가 아니라, 다른 목적을 달성하기 위해 저장된 정보이다. 즉, 복수의 정보는 기존에 미리 측정하고 있던 데이터일 수 있다.
본 발명의 일 실시예에 따르면, 복수의 정보는 제1 정보 및 제2 정보를 포함할 수 있다.
제1 정보는 레이들(56)의 상태와 관련된 정보이다. 본 발명의 일 실시예에 따르면, 제1 정보는 레이들(56)의 리프팅 높이 정보, 레이들(56)의 수리 후의 사용 횟수 정보를 포함할 수 있다.
레이들(56)의 리프팅 높이 정보는 RH 정련 시 레이들(56)에 용강(57)을 수용하기 위해 저장되는 정보이다. 즉, 레이들(56)에 용강(57)을 수용할 때 레이들(56)이 상부로 리프팅되며, 레이들(56)의 리프팅 높이 정보는 상기 상황 시 레이들(56)이 상부로 이동하는 높이에 대한 정보이다.
레이들(56)의 수리 후의 사용 횟수 정보는 레이들(56)이 수리되고 난 후 얼마만큼 사용되었는지를 의미하는 정보이다. 레이들(56)의 수리 후의 사용 횟수 정보는 레이들(56)의 수리 또는 교체 여부를 판단하기 위해 사용되는 정보이다. 레이들(56)의 수리 후의 사용 횟수 정보는 레이들(56)의 중수리 후의 사용 횟수 정보 및 레이들(56)의 소수리 후의 사용 횟수 정보를 포함할 수 있다.
일례로, 2개 이상의 레이들(56)이 존재하고, 레이들(56)의 회전 기준수가 8회라 하고, 레이들(56)의 수리에 기준이 되는 사용 횟수가 70회로 설정되면, 사용 횟수가 70에 근접한 레이들(56)을 수리 대상으로 판단할 있다. 레이들(56)의 수리 후의 사용 횟수 정보는 수리 대상 여부를 판단하기 위해 측정 및 저장된 정보이다.
제2 정보는 진공조(61)의 상태와 관련된 정보이다. 본 발명의 일 실시예에 따르면, 제2 정보는 진공조(61)의 하부조의 사용 횟수 정보 및 진공조(61)의 하부면에 설치된 침지관(61)의 사용 횟수 정보를 포함한다.
진공조(61)의 하부조의 사용 횟수 정보는 진공조(61)의 하부조가 얼마만큼 사용되었는지를 의미하는 정보이다. 진공조(61)의 하부조의 사용 횟수 정보는 진공조(61)의 하부조의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이다. 침지관(61)의 사용 횟수 정보는 침지관(61)가 얼마만큼 사용되었는지를 의미하는 정보이다. 침지관(61)의 사용 횟수 정보는 침지관(61)의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이다.
다음으로, 단계(S20)에서, 용강량 예측 장치(230)는 수신된 복수의 정보에 기초하여 레이들(56)에 수용된 용융물인 용강(57)의 용강량을 예측한다.
즉, 용강량 예측 장치(230)는 레이들(56)의 리프팅 높이 정보, 진공조(51)의 하부조의 사용 횟수 정보, 침지관(61)의 사용 횟수 정보 및 레이들(56)의 수리 후의 사용 횟수 정보에 기초하여 용강(57)의 용강량을 예측한다.
일례로, 용강량은 레이들(56)의 리프팅 높이와 반비례하는 관계를 가질 수 있고, 레이들(56)의 수리 후의 사용 횟수와 비례하는 관계를 가질 수 있다. 이러한 관계에 기초하여 용강량 예측 장치(230)는 용강(57)의 용강량을 예측할 수 있다.
특히, 본 발명의 일 실시예에 따르면, 용강량 예측 장치(230)는 인공 신경망에 기초한 알고리즘 모델에 기초하여 복수의 정보로부터 용강(57)의 용강량을 예측할 수 있다.
여기서, 알고리즘 모델은, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델의 앙상블 모델일 수 있다. 즉, 용강량 예측 장치(230)는 XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델에 복수의 정보 각각을 입력하고, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델 각각에서 출력된 결과값(즉, 예측된 용강량 값)을 조합 또는 앙상블하여 용강량을 예측할 수 있다.
한편, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델의 y 인자가 레이들(56)에 수용된 용강(57)의 용강량이며, 레이들(56)에 수용된 용강(57)의 용강량은 레이들 터렛에 도착하는 용강량과 대응될 수 있다.
마지막으로, 단계(S30)에서, 용강량 예측 장치(230)는 예측된 용강량을 사용자 단말 장치(240)로 전송한다. 사용자 단말 장치(240)는 수신된 용걍량을 디스플레이 장치 등을 통해 사용자에게 제공한다.
요컨대, 본 발명의 일 실시예에 따른 용강량 예측 장치(230) 및 방법은 기존에 측정하고 있던 데이터를 기반으로 RH 정련에서 용강량을 정확히 예측할 수 있다. 따라서, 별도의 센서없이 용강량을 예측할 수 있다.
또한, 본 발명의 실시예들은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 일 실시예들의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (10)

  1. 프로세서가 포함된 장치에서 수행되는 용강량 예측 방법에 있어서,
    제강 서버로부터 레이들(ladle)의 리프팅 높이 정보, 진공조(vessel)의 하부조의 사용 횟수 정보, 상기 진공조에 설치된 침지관의 사용 횟수 정보 및 상기 레이들의 수리 후의 사용 횟수 정보를 포함하는 복수의 정보를 수신하는 단계; 및
    상기 복수의 정보에 기초하여 상기 레이들에 수용되는 용융물의 용강량을 예측하는 단계;를 포함하며,
    상기 제강 서버는 상기 복수의 정보를 미리 저장하고,
    상기 레이들(ladle)의 리프팅 높이 정보는 RH 정련 시 상기 용융물을 수용하기 위해 저장되는 정보이고,
    상기 진공조의 하부조의 사용 횟수 정보는 상기 진공조의 하부조의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고,
    상기 진공조에 설치된 침지관의 사용 횟수 정보는 상기 침지관의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고,
    상기 레이들의 수리 후의 사용 횟수 정보는 상기 레이들의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보인, 용강량 예측 방법.
  2. 제1항에 있어서,
    상기 레이들의 수리 후의 사용 횟수 정보는 상기 레이들의 중수리 후의 사용 횟수 정보 및 상기 레이들의 소수리 후의 사용 횟수 정보를 포함하는, 용강량 예측 방법.
  3. 제1항에 있어서,
    상기 예측하는 단계는,
    인공 신경망에 기초한 알고리즘 모델에 기초하여 상기 복수의 정보로부터 상기 레이들에 수용되는 용융물의 용강량을 예측하는, 용강량 예측 방법.
  4. 제3항에 있어서,
    상기 알고리즘 모델은, XGBoost 알고리즘 모델, LightGBM 알고리즘 모델 및 CatBoost 알고리즘 모델의 앙상블 모델인, 용강량 예측 방법.
  5. 제1항에 있어서,
    상기 예측된 용융물의 용강량을 사용자가 소지한 단말 장치로 전송하는 단계;를 더 포함하는, 용강량 예측 방법.
  6. 삭제
  7. 삭제
  8. 삭제
  9. 삭제
  10. 컴퓨터에서 판독 가능한 명령을 저장하는 메모리; 및
    상기 명령을 실행하도록 구현되는 프로세서;를 포함하되,
    상기 프로세서는,
    제강 서버로부터 수신된 레이들의 리프팅 높이 정보, 진공조의 하부조의 사용 횟수 정보, 상기 진공조에 설치된 침지관의 사용 횟수 정보 및 상기 레이들의 수리 후의 사용 횟수 정보를 포함하는 복수의 정보를 인공 신경망에 기초한 알고리즘 모델에 입력하여 상기 레이들에 수용되는 용융물의 용강량을 예측하며,
    상기 제강 서버는 상기 복수의 정보를 미리 저장하고,
    상기 레이들(ladle)의 리프팅 높이 정보는 RH 정련 시 상기 용융물을 수용하기 위해 저장되는 정보이고,
    상기 진공조의 하부조의 사용 횟수 정보는 상기 진공조의 하부조의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고,
    상기 진공조에 설치된 침지관의 사용 횟수 정보는 상기 침지관의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보이고,
    상기 레이들의 수리 후의 사용 횟수 정보는 상기 레이들의 수리 또는 교체 여부를 판단하기 위해 저장되는 정보인, 용강량 예측 장치.
KR1020200177137A 2020-12-17 2020-12-17 용강량 예측 장치 및 방법 KR102578380B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200177137A KR102578380B1 (ko) 2020-12-17 2020-12-17 용강량 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200177137A KR102578380B1 (ko) 2020-12-17 2020-12-17 용강량 예측 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220086911A KR20220086911A (ko) 2022-06-24
KR102578380B1 true KR102578380B1 (ko) 2023-09-13

Family

ID=82215859

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200177137A KR102578380B1 (ko) 2020-12-17 2020-12-17 용강량 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102578380B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101701322B1 (ko) * 2015-09-08 2017-02-01 주식회사 포스코 용강량 측정 장치 및 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013204194A1 (de) 2013-03-12 2014-09-18 Robert Bosch Gmbh Regelungssystem für eine Synchronmaschine und Verfahren zum Betreiben einer Synchronmaschine
KR102034423B1 (ko) * 2017-09-11 2019-10-18 주식회사 포스코 용융물의 장입 높이 산출 방법
KR102021944B1 (ko) * 2017-09-20 2019-09-17 주식회사 에이치엔에스휴먼시스템 제철소 철강제품 품질관리를 위한 지능형 결함 제어 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101701322B1 (ko) * 2015-09-08 2017-02-01 주식회사 포스코 용강량 측정 장치 및 방법

Also Published As

Publication number Publication date
KR20220086911A (ko) 2022-06-24

Similar Documents

Publication Publication Date Title
Cemernek et al. Machine learning in continuous casting of steel: A state-of-the-art survey
Ahmad et al. Gray-box modeling for prediction and control of molten steel temperature in tundish
US9864356B2 (en) Nonlinear parameter varying (NPV) model identification method
CN108676955A (zh) 一种转炉炼钢终点碳含量和温度控制方法
WO2021004198A1 (zh) 一种板材性能的预测方法及装置
CN106777527A (zh) 基于神经网络模型的起重机小车运行能耗分析方法
Rashid et al. Multi-rate modeling and economic model predictive control of the electric arc furnace
CN109359723A (zh) 基于改进正则化极限学习机的转炉终点锰含量预测方法
KR102578380B1 (ko) 용강량 예측 장치 및 방법
Daosud et al. Neural network inverse model-based controller for the control of a steel pickling process
Calcaterra et al. Prediction of mechanical properties in spheroidal cast iron by neural networks
CN113239482A (zh) 一种转炉后吹碳含量动态预测方法及装置
Nenchev et al. Metallurgical data science for steel industry: A case study on basic oxygen furnace
Feng et al. An integration model for converter molten steel end temperature prediction based on Bayesian formula
Wu et al. Intelligent optimization and control of complex metallurgical processes
JP2021016359A (ja) 情報処理装置、細胞培養システム、情報処理方法、及びコンピュータプログラム
JP5319451B2 (ja) 出力値予測方法、該装置および該方法のプログラム
Louati et al. Traffic disturbance mining and feedforward neural network to enhance the immune network control performance
Montesinos López et al. Artificial neural networks and deep learning for genomic prediction of continuous outcomes
Cateni et al. The importance of variable selection for neural networks-based classification in an industrial context
Terpák et al. Endpoint prediction of basic oxygen furnace steelmaking based on gradient of relative decarburization rate
KR102579633B1 (ko) 조업 결과 예측 방법, 학습 모델의 학습 방법, 조업 결과 예측 장치 및 학습 모델의 학습 장치
Rajesh et al. Feed forward neural network for prediction of end blow oxygen in LD converter steel making
Riffo et al. Predictive Model of the Percentage of Copper in the Matte of the Teniente Converter Through an Artificial Neural Network
Hashimoto et al. An Operator Behavior Model for Thermal Control of Blast Furnace

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E90F Notification of reason for final refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant