KR102580349B1

KR102580349B1 - 슬라브 상태 예측 시스템 및 그 방법

Info

Publication number: KR102580349B1
Application number: KR1020210184138A
Authority: KR
Inventors: 서준영; 유기성; 문영민
Original assignee: 주식회사 포스코; 재단법인 포항산업과학연구원
Priority date: 2021-12-21
Filing date: 2021-12-21
Publication date: 2023-09-18
Also published as: KR20230094751A

Abstract

본 개시는 연속 주조 조업에서의 슬라브 상태 예측 장치 및 그 방법에 관한 것이다.
일 실시 예에 따른 슬라브 상태 예측 장치는, 연속 주조 조업 시 수집된 복수의 제1 조업 데이터 및 각 슬라브의 결함 데이터를 시계열 데이터로 저장하며, 상기 연속 주조 조업에서 슬라브 상태를 예측하기 위한 인공 신경망 구조의 예측 모델을 저장하는 저장 장치, 그리고 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 조업 데이터로부터 파생된 복수의 제1 파생 데이터 중에서 복수의 결함 유발 인자를 결정하고, 상기 각 슬라브의 결함 발생 시점을 기준으로 설정된 시간 윈도우를 사용하여 상기 복수의 결함 유발 인자 각각의 시계열 데이터로부터 복수의 제1 입력 데이터 셋을 획득하며, 상기 복수의 제1 입력 데이터 셋 및 상기 결함 데이터를 이용해 상기 예측 모델을 학습시키고, 학습된 상기 예측 모델을 이용해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 제어 장치를 포함할 수 있다.

Description

슬라브 상태 예측 시스템 및 그 방법{SYSTEM AND METHOD FOR PREDICTING STATE OF SLAB}

본 개시는 슬라브 상태 예측 시스템 및 그 방법에 관한 것으로, 더욱 상세하게는 연속 주조 설비에서의 슬라브 상태 예측 시스템 및 그 방법에 관한 것이다.

연속 주조 설비는 용탕 상태의 금속 즉, 용강(molten steel)을 고상(solid)의 슬라브(slab)로 연속 주조하는 설비이다. 슬라브의 품질은 최종 제품의 수율과 품질을 결정하는데 매우 중요한 역할을 한다. 따라서, 슬라브의 품질을 예측하기 위한 다양한 방법들이 연구되었으나, 슬라브의 결함을 정확히 예측하기에는 부족한 실정이다.

슬라브의 결함 예측과 관련된 대표적인 방법으로는, 용강의 표면 고상화 진행 중에 액상에 비해 낮은 용해도를 가지는 고상의 용질 원소 배출로 중심 편석이 발생하는 현상(중심 편석 결함)을 3차원 응고 셀, 용강 유동, 용질 거동, 구조 변형, 버블링 현상 등을 고려한 다중-물리(Multi-Physics) 해석을 통해 예측하는 방법, 임계온도 부근에서의 고상화 및 크랙 형성과 최종 분율을 예측하는 방법을 통해 온도 편차에 의한 결함 개선 방법, 몰드 내부 물리적 유동 해석(노즐 막힘, 아르곤 가스 주입 등 포함)을 통해 슬래그의 혼입, 버블 등으로 인한 표면 결함을 예측하는 방법 등이 있다.

최근에는, 빅데이터 분석 및 인공지능 방식을 활용하여 슬라브 상태를 예측하는 모델의 개발이 진행되었으나, 정상 데이터와 결함 데이터의 불균형으로 정확한 모델 생성이 어려우며, 생성되더라도 추후 관찰되지 않은 신규 데이터가 들어왔을 때 기존의 모델로 정확한 판단을 할 수 없는 한계를 보이고 있다.

본 개시를 통해 해결하고자 하는 과제는 슬라브의 상태 예측 정확도를 향상시킨 슬라브 상태 예측 시스템 및 그 방법을 제공하는 것이다.

상기 과제를 해결하기 위한 일 실시 예에 따른 슬라브 상태 예측 장치는, 연속 주조 조업 시 수집된 복수의 제1 조업 데이터 및 각 슬라브의 결함 데이터를 시계열 데이터로 저장하며, 상기 연속 주조 조업에서 슬라브 상태를 예측하기 위한 인공 신경망 구조의 예측 모델을 저장하는 저장 장치, 그리고 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 조업 데이터로부터 파생된 복수의 제1 파생 데이터 중에서 복수의 결함 유발 인자를 결정하고, 상기 각 슬라브의 결함 발생 시점을 기준으로 설정된 시간 윈도우를 사용하여 상기 복수의 결함 유발 인자 각각의 시계열 데이터로부터 복수의 제1 입력 데이터 셋을 획득하며, 상기 복수의 제1 입력 데이터 셋 및 상기 결함 데이터를 이용해 상기 예측 모델을 학습시키고, 학습된 상기 예측 모델을 이용해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 제어 장치를 포함할 수 있다.

상기 제어 장치는, ANOVA(analysis of variance) 모델 및 LDA(Linear Discriminant Analysis) 모델을 사용하여 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 파생 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하고, 상기 우선 순위에 기초해 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 파생 데이터 중에서 복수의 결함 유발 인자를 결정할 수 있다.

상기 제어 장치는 상기 복수의 제1 조업 데이터 중 상기 복수의 결함 유발 인자로 선택된 적어도 하나의 제1 조업 데이터로부터, 상기 복수의 제1 파생 데이터를 생성할 수 있다.

상기 제어 장치는, 상기 적어도 하나의 제1 조업 데이터를 기반으로 하는 데이터 증강을 통해 상기 복수의 제1 파생 데이터를 생성할 수 있다.

상기 제어 장치, 상기 적어도 하나의 제1 조업 데이터의 표준화, 정규화, 1차 미분, 2차 미분, 또는 편차를 사용하여 상기 복수의 제1 파생 데이터를 생성할 수 있다.

상기 제어 장치는, 상기 결함 발생 시점을 기준으로 소정 시간 이전의 시작점과, 상기 결함 발생 시점을 기준으로 소정 시간 이후의 종점을 가지도록 상기 시간 윈도우를 설정할 수 있다.

상기 복수의 제1 조업 데이터는 상기 연속 주조 조업의 조업 조건 데이터 및 연속 주조 설비로부터 계측된 적어도 하나의 계측 데이터를 포함할 수 있다.

상기 제어 장치는, 현재 진행 중인 연속 주조 조업에 대해 시계열 데이터인 복수의 제2 조업 데이터를 수집하고, 상기 복수의 제2 조업 데이터 및 상기 복수의 제2 조업 데이터로부터 파생된 복수의 제2 파생 데이터 중에서 복수의 입력 변수를 결정하고, 상기 복수의 입력 변수 각각의 시계열 데이터로부터 복수의 제2 입력 데이터 셋을 획득하며, 상기 복수의 제2 입력 데이터 셋을 상기 예측 모델에 입력하여 상기 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 결함 발생 여부를 예측할 수 있다.

상기 복수의 제1 입력 데이터 셋 및 상기 복수의 제2 입력 데이터 셋은 데이터 종류가 동일하고 서로 동일한 크기를 가질 수 있다.

상기 예측 모델은 비지도 인공 신경망으로, 오토인코더(autoencoder) 및 딥 원-클래스 서포트 벡터 머신(deep one-class support vector machine, SVM)으로 구성될 수 있다.

또한, 일 실시 예에 따른 연속 주조 조업 시 슬라브의 상태를 예측하기 위한 방법은, 상기 연속 주조 조업과 관련하여 복수의 제1 조업 데이터 및 각 슬라브의 결함 데이터를 시계열 데이터로 수집하는 단계, 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 조업 데이터로부터 파생된 복수의 제1 파생 데이터 중에서 복수의 결함 유발 인자를 결정하는 단계, 상기 각 슬라브의 결함 발생 시점을 기준으로 설정된 시간 윈도우를 사용하여 상기 복수의 결함 유발 인자 각각의 시계열 데이터로부터 복수의 제1 입력 데이터 셋을 획득하는 단계, 상기 복수의 제1 입력 데이터 셋 및 상기 결함 데이터를 이용해, 상기 연속 주조 조업에서 슬라브 상태를 예측하기 위한 인공 신경망 구조의 예측 모델을 학습시키는 단계, 그리고 학습된 상기 예측 모델을 이용해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 단계를 포함할 수 있다.

상기 복수의 결함 유발 인자를 결정하는 단계는, ANOVA 모델 및 LDA 모델을 사용하여 상기 복수의 제1 조업 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하는 단계, 그리고 상기 복수의 제1 조업 데이터 각각의 우선 순위에 기초해 상기 복수의 제1 조업 데이터 중에서 결함 유발 인자를 결정하는 단계를 포함할 수 있다.

상기 복수의 결함 유발 인자를 결정하는 단계는, 상기 복수의 제1 조업 데이터 중 결함 유발 인자로 선택된 적어도 하나의 제1 조업 데이터로부터, 상기 복수의 제1 파생 데이터를 생성하는 단계, ANOVA 모델 및 LDA 모델을 사용하여 상기 복수의 제1 파생 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하는 단계, 그리고 상기 복수의 제1 파생 데이터 각각의 우선 순위에 기초해 상기 복수의 제1 파생 데이터 중에서 결함 유발 인자를 결정하는 단계를 더 포함할 수 있다.

상기 복수의 제1 파생 데이터를 생성하는 단계는, 상기 적어도 하나의 제1 조업 데이터를 기반으로 하는 데이터 증강을 통해 상기 복수의 제1 파생 데이터를 생성하는 단계를 포함할 수 있다.

상기 데이터 증강을 통해 상기 복수의 제1 파생 데이터를 생성하는 단계는, 결함 유발 인자로 선택된 상기 적어도 하나의 제1 조업 데이터의 표준화, 정규화, 1차 미분, 2차 미분, 또는 편차를 사용하여 상기 복수의 제1 파생 데이터를 생성하는 단계를 포함할 수 있다.

상기 슬라브 상태 예측 방법은, 상기 결함 발생 시점을 기준으로 소정 시간 이전의 시작점과, 상기 결함 발생 시점을 기준으로 소정 시간 이후의 종점을 가지도록 상기 시간 윈도우를 설정하는 단계를 더 포함할 수 있다.

상기 슬라브 상태 예측 방법에서, 상기 복수의 제1 조업 데이터는 상기 연속 주조 조업의 조업 조건 데이터 및 연속 주조 설비로부터 계측된 적어도 하나의 계측 데이터를 포함할 수 있다.

상기 예측하는 단계는, 현재 진행 중인 연속 주조 조업에 대해 시계열 데이터인 복수의 제2 조업 데이터를 수집하는 단계, 상기 복수의 제2 조업 데이터 및 상기 복수의 제2 조업 데이터로부터 파생된 복수의 제2 파생 데이터 중에서 복수의 입력 변수를 결정하는 단계, 상기 복수의 입력 변수 각각의 시계열 데이터로부터 복수의 제2 입력 데이터 셋을 획득하는 단계, 상기 복수의 제2 입력 데이터 셋을 상기 예측 모델에 입력하는 단계, 그리고 상기 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 단계를 포함할 수 있다.

상기 슬라브 상태 예측 방법에서, 상기 복수의 제1 입력 데이터 셋 및 상기 복수의 제2 입력 데이터 셋은 데이터 종류가 동일하고 서로 동일한 크기를 가질 수 있다.

상기 슬라브 상태 예측 방법에서, 상기 예측 모델은 비지도 인공 신경망으로, 오토인코더 및 딥 원-클래스 서포트 벡터 머신으로 구성되는, 슬라브 상태 예측 방법.

본 개시에 따르면, 연속 주조 설비에서의 슬라브 상태 예측의 속도 및 정확도를 향상시켜 빠르 대응으로 슬라브 수율을 높일 수 있다.

도 1은 일 실시 예에 따른 슬라브 상태 예측 시스템을 개략적으로 도시한다.
도 2는 일 실시 예에 따른 슬라브 상태 예측을 위한 예측 모델 학습 방법을 개략적으로 도시한다.
도 3은 일 실시 예에 따른 슬라브 상태 예측 방법을 개략적으로 도시한다.

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

본 문서에서 "제1", "제2", 등의 서수를 포함하는 용어는 다양한 구성요소들을 설명하는 데 사용될 수 있지만, 상기 구성요소들은 이러한　용어들에 의해 한정되지는 않는다. 이러한　용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제2 구성요소는 제1 구성요소로 명명될 수 있고, 유사하게 제1 구성요소도 제2 구성요소로 명명될 수 있다.

도 1은 일 실시 예에 따른 슬라브 상태 예측 시스템을 개략적으로 도시한다.

도 1을 참조하면, 슬라브 상태 예측 시스템(1)은 통신 장치(10), 저장 장치(20), 및 제어 장치(30)를 포함할 수 있다.

통신 장치(10)는 유무선 통신 네트워크를 통해 슬라브 상태 예측 시스템(1)과 외부 장치(예를 들어, 조업 관리 시스템(3))과 데이터를 송수신할 수 있다. 통신 장치(10)와 연결되는 통신 네트워크의 예로는, 3GPP 네트워크, LTE 네트워크, 5G 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, WiFi 네트워크, NFC(Near Field Communication) 네트워크 등이 포함될 수 있다.

저장 장치(20)는 슬라브 상태 예측 시스템(1)에서 처리되는 데이터들을 저장할 수 있다. 예를 들어, 저장 장치(20)는 연속 주조 조업의 조업 데이터들, 연속 주조 조업을 통해 생산된 슬라브의 결함 데이터들을 저장할 수 있다. 또한, 예를 들어, 저장 장치(20)는 슬라브 상태를 예측하기 위한 예측 모델을 저장할 수도 있다.

데이터 수집부(31), 전처리부(32), 학습부(33), 및 예측부(34)를 포함할 수 있다.

데이터 수집부(31)는 연속 주조 조업의 조업 데이터 및 연속 주조 설비를 통해 주조된 슬라브에서 계측된 결함 데이터를 수집하고, 수집된 조업 데이터 및 결함 데이터를 저장 장치(20)에 저장할 수 있다.

연속 주조 조업의 조업 데이터는, 연속 주조 조업의 조업 조건 정보, 및 연속 주조 조업 중 계측된 계측 데이터를 포함할 수 있다. 연속 주조 조업의 조업 조건 정보는, 연속 주조 설비에 의해 주조되는 용강의 강종 정보, 대응하는 연속 주조 설비 식별정보 및 연연주순 정보(대응하는 연속 주조 설비에서의 연속 주조 조업 회차), 몰드 폭 정보, 침지 노들의 토출량 정보, 침지 노즐의 형상 정보, 침지 노즐의 침지 깊이 정보 등을 포함할 수 있다. 연속 주조 조업과 관련된 계측 데이터는, 온도, 침지 노즐의 노즐 막힘 지수, 아르곤(Ar) 가스의 취입량 등을 포함할 수 있다.

연속 주조 조업의 조업 데이터 및 결함 데이터는, 연속 주조 조업의 조업 관리 기능을 수행하는 조업 관리 시스템(3)에 의해 획득되어 슬라브 상태 예측 시스템(1)에 전송될 수 있다. 조업 관리 시스템(3)은 관리자로부터 입력되는 조업 정보, 기 설정된 설비 정보, 연속 주조 조업의 모니터링 등을 통해 연속 주조 조업의 조업 조건 정보를 획득할 수 있다. 연속 주조 설비(미도시)에 설치된 적어도 하나의 계측 장치(5)를 통해 연속 주조 조업과 관련된 계측 데이터 및 결함 데이터를 획득할 수 있다.

연속 주조 조업의 조업 데이터 및 슬라브의 결함 데이터는 조업 관리 시스템(3)에 의해 저장 장치(20)에 직접 저장될 수도 있다.

연속 주조 조업의 조업 데이터 및 결함 데이터는, 조업 단위(예를 들어, 슬라브 단위)로 수집되며, 저장 장치(20)에 시계열로 저장될 수 있다.

전처리부(32)는 데이터 수집부(31)에 의해 수집된 데이터들의 전처리를 통해, 슬라브의 상태를 예측하기 위한 예측 모델의 학습에 사용되는 데이터 셋들을 결정할 수 있다.

전처리부(32)는 연속 주조 조업의 조업 데이터들에 대해 슬라브의 결함 발생에 미치는 영향도에 따라 우선 순위를 결정할 수 있다. 전처리부(32)는 ANOVA(analysis of variance) 모델 및 LDA(Linear Discriminant Analysis) 모델을 통해 각 조업 데이터에 대해 슬라브의 결함 발생에 미치는 영향도 및 이에 따른 우선 순위를 결정할 수 있다. ANOVA 모델은, 현재 변수 값들(수집된 조업 데이터들)을 기준으로 슬라브의 정상 상태와 결함 상태의 분류 경계(Decision boundary)를 형성할 때, 각 변수에 대응하는 정상/결함 분류 성능에 따라 우선 순위를 결정하는 모델이다. 또한, LDA 모델은 각 변수에 대해 정상/결함 분류 성능이 높은 분류 경계를 도출하여 분류 성능의 우선 순위를 결정하는 모델이다.

전처리부(32)는 각 조업 데이터에 대해 우선 순위가 결정되면, 조업 데이터들 중 우선 순위가 높은 적어도 하나의 조업 데이터, 즉 슬라브 결함 발생에 영향도가 높은 적어도 하나의 조업 데이터를 슬라브에 대한 결함 유발 인자로 결정할 수 있다. 전처리부(32)는 조업 데이터들 중에서 결함 유발 인자가 결정되면, 결함 유발 인자로 결정된 각 조업 데이터를 기반으로 하는 데이터 증강을 통해 파생 데이터들을 생성할 수 있다. 전처리부(32)는 각 조업 데이터의 표준화, 정규화, 1차 미분, 2차 미분, 편차 등을 산출하여 파생 데이터를 도출해낼 수 있다. 전처리부(32)는 파생 데이터들이 도출되면, 파생 데이터들에 대해서도 슬라브의 결함 발생에 미치는 영향도에 따라 우선 순위를 결정할 수 있다. 전처리부(32)는 파생 데이터들에 대해 우선 순위를 결정하기 위해 전술한 ANOVA 모델 및 LDA 모델을 사용할 수 있다.

전처리부(32)는 파생 데이터들에 대해 우선 순위가 결정되면, 파생 데이터들 중 우선 순위가 높은 적어도 하나의 파생 데이터, 즉 슬라브 결함 발생에 영향도가 높은 적어도 하나의 파생 데이터를 결함 유발 인자로 추가 결정할 수 있다.

전처리부(32)는 전술한 방식으로 조업 데이터들 및 파생 데이터들 중에서 결함 유발 인자가 결정되면, 결함 유발 인자로 결정된 조업 데이터 및 파생 데이터로부터 예측 모델의 학습에 사용할 입력 데이터 셋을 획득할 수 있다. 각 조업 데이터 및 이로부터 파생된 파생 데이터는 시계열 데이터이다. 전처리부(32)는 슬라브에 결함이 발생된 시점을 기준으로 각 결함 유발 인자에 대응하는 시계열 데이터 중에서 예측 모델의 학습에 사용될 입력 데이터 셋을 추출할 수 있다. 전처리부(32)는 이를 위해, 각 슬라브에서의 결함 발생 시점을 기준으로 소정 시간 이전에 위치하는 시작점과 결함 발생 시점을 기준으로 소정 시간 이후에 위치하는 종점을 가지는 시간 윈도우를 결정할 수 있다. 전처리부(32)는 이와 같이 결함 발생 시점을 기준으로 시간 윈도우가 결정되면, 각 결함 유발 인자에 대응하는 시계열 데이터 중 시간 윈도우에 해당하는 데이터를 추출하여 대응하는 결함 유발 인자의 입력 데이터 셋으로 결정할 수 있다.

학습부(33)는 전처리부(32)에 의해 예측 모델의 학습에 사용할 입력 데이터 셋이 결정되면, 이렇게 결정된 입력 데이터 셋들과 이에 대응하는 결함 데이터를 이용한 딥러닝 기반의 학습을 통해, 결함 유발 인자들을 입력으로 하고 슬라브의 상태(정상 또는 결함)를 출력으로 하는 예측 모델을 학습시킬 수 있다.

학습부(33)는 오토인코더(autoencoder) 및 딥 원-클래스 서포트 벡터 머신(deep one-class support vector machine, SVM)을 이용해 순환 인공 신경망 구조의 예측 모델을 구성할 수 있다. 오토인코더는, 주어진 입력 데이터 셋만으로 학습이 가능한 비지도 인공 신경망으로, 인공 신경망에서 데이터 포인트들을 새로운 특징 공간(Feature space)으로 매핑하는 커널 함수(Kernel Function)의 가중치(Weight)를 학습하는 모델이다. 오토인코더는, 입력 데이터에서 중요한 정보만을 남기고 인공 신경망의 입장에서 학습 시에 중요하지 않다고 판단되는 정보는 제거함으로써 원본 입력 데이터를 낮은 차원으로 압축하는 인코더(encoder)와, 인코더가 생성한 작은 크기의 데이터를 다시 원본 입력 데이터와 동일 차원의 데이터로 복원하는 디코더(decoder)를 포함한다. 딥 원 SVM은 입력 데이터 셋들을 이용해 학습된 오토인코더 모델을 사용해 새로운 특징 공간으로 매핑된 데이터 포인트들을 분류하는 분류기(Classifier)인 분류 경계면(Hyper Sphere)을 생성하는 학습 모델이다.

예측 모델을 학습하는 과정에서, 각 모델의 손실(Loss) 산출 방식은 평균 제곱 오차(root mean square error, RMSE), 교차 엔트로피 오차, 또는 절대값 오차 방식이 사용될 수 있다. 또한, 학습 평가 방식은, 정확도(accuracy), 정밀도(precision), 재현율(recall), F1 스코어(score) 등 다양한 지표를 이용한 평가 방식이 사용될 수 있다.

정상 상태의 슬라브와 결함 상태의 슬라브의 비율이 불균형을 이루는 연속 주조 공정에서 정상 상태에서의 조업 데이터를 사용해 예측 모델을 학습시킬 경우, 슬라브의 결함 특성이 가려지는 현상이 발생할 수 있다. 따라서, 이 실시 예에서는 전술한 바와 같이 결함이 발생한 슬라브의 특성만 반영되도록 결함 발생 시점을 기준으로 입력 데이터 셋들을 결정하고, 이렇게 결정된 입력 데이터 셋들을 이용한 학습을 통해 예측 모델의 가중치와 분류 경계면을 구성함으로써 조밀한 분류 경계면 생성이 가능하고 학습 성능을 향상시킬 수 있다.

학습부(33)는 학습을 통해 생성된 예측 모델을 저장 장치(20)에 저장할 수 있다. 학습부(33)는 이후에도 주기적으로, 또는 특정 이벤트(예를 들어, 관리자 입력)가 발생하면 전술한 방식으로 입력 데이터 셋을 결정하여 예측 모델을 학습시킴으로써, 예측 모델을 업데이트할 수도 있다.

전처리부(32)는 데이터 수집부(31)에 의해 수집된 데이터들의 전처리를 통해, 예측 모델을 통해 슬라브 상태를 예측하기 위한 데이터 셋들을 획득할 수도 있다.

예측 모델을 통해 슬라브 상태를 예측하기 위해서는, 학습부(33)에서 예측 모델의 학습에 사용된 입력 데이터 셋들과 동일한 종류이고 동일한 크기를 가지는 입력 데이터 셋이 사용되어야 한다. 따라서, 전처리부(32)는 현재 주조 중인 슬라브에 대해 수집된 조업 데이터들 및 이들로부터 파생된 파생 데이터들 중, 예측 모델의 학습 시 결함 유발 인자로 선택된 데이터와 동일한 종류의 데이터를 슬라브 상태 예측을 위한 예측 모델의 입력 변수로 선택할 수 있다. 슬라브 상태를 예측하기 위해 조업 데이터로부터 파생 데이터를 생성하는 방법은, 예측 모델의 학습을 위해 파생 데이터를 생성한 방법과 동일한 방법으로 수행될 수 있다.

전처리부(32)는 이와 같이 예측 모델의 입력 변수가 결정되면, 각 입력 변수에 대응하는 시계열 데이터(조업 데이터 또는 파생 데이터)로부터 예측 모델의 학습 시 사용된 입력 데이터 셋과 동일한 크기를 가지는 입력 데이터 셋을 획득할 수 있다.

예측부(34)는 전처리부(32)에 의해 예측을 위해 사용할 입력 데이터 셋들이 결정되면, 이들을 예측 모델이 입력하여 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 상태(정상 또는 결함)를 예측할 수 있다.

전술한 구조의 슬라브 상태 예측 시스템(1)에서 제어 장치(30)는 하나 이상의 중앙 처리 유닛(central processing unit, CPU)이나 기타 칩셋, 마이크로프로세서 등으로 구현되는 프로세서로 구성될 수 있다. 따라서, 제어 장치(30)의 데이터 수집부(31), 전처리부(32), 학습부(33), 및 예측부(34)의 기능들은 제어 장치(30)를 구성하는 하나 이상의 CPU, 기타 칩셋, 마이크로프로세서 등에 의해 수행될 수 있다.

이하, 도 2 및 도 3을 참조하여 일 실시 예에 따른 연속 주조 설비에서의 슬라브 상태 예측 방법에 대해 상세히 설명하기로 한다.

도 2는 일 실시 예에 따른 슬라브 상태 예측을 위한 예측 모델을 생성하는 방법을 개략적으로 도시한다. 도 2의 예측 모델 생성 방법은, 도 1을 참조하여 설명한 슬라브 상태 예측 시스템(1)에 의해 수행될 수 있다.

도 2를 참조하면, 슬라브 상태 예측 시스템(1)은 연속 주조 조업과 관련된 조업 데이터 및 슬라브의 결함 데이터를 수집할 수 있다(S11). S11 단계를 통해 수집되는 조업 데이터는 연속 주조 조업의 조업 조건 및 연속 주조 설비에서 계측된 계측 데이터를 포함할 수 있다.

슬라브 상태 예측 시스템(1)은 S11 단계를 통해 수집된 조업 데이터들 중에서 슬라브 결함 발생에 영향도가 높은 결함 유발 인자를 선택할 수 있다(S12). S12 단계에서, 슬라브 상태 예측 시스템(1)은 ANOVA 모델 및 LDA 모델을 사용해 S11 단계를 통해 수집된 조업 데이터들에 대해 슬라브의 결함 발생에 미치는 영향도에 따라 우선 순위를 결정할 수 있다. 그런 다음, 슬라브 상태 예측 시스템(1)은 조업 데이터들 중 우선 순위가 높은 적어도 하나의 조업 데이터, 즉 슬라브 결함 발생에 영향도가 높은 적어도 하나의 조업 데이터를 슬라브에 대한 결함 유발 인자로 결정할 수 있다.

슬라브 상태 예측 시스템(1)은 조업 데이터들 중에서 결함 유발 인자가 선택되면, 결함 유발 인자로 선택된 각 조업 데이터로부터 파생 데이터들을 생성할 수 있다(S13). S13 단계에서, 슬라브 상태 예측 시스템(1)은 각 조업 데이터를 기반으로 하는 데이터 증강을 통해 각 조업 데이터로부터 파생 데이터를 생성할 수 있다. 예를 들어, 슬라브 예측 시스템(1)은 각 조업 데이터에 대한 표준화, 정규화, 1차 미분, 2차 미분, 편차 등을 산출하여 파생 데이터를 도출해낼 수 있다.

슬라브 상태 예측 시스템(1)은 파생 데이터들이 생성되면, 생성된 파생 데이터들 중에서도 슬라브 결함 발생에 미치는 영향도가 높은 결함 유발 인자를 선택할 수 있다(S14). S14 단계에서, 슬라브 상태 예측 시스템(1)은 ANOVA 모델 및 LDA 모델을 사용하여 파생 데이터들에 대해서도 슬라브의 결함 발생에 미치는 영향도에 따라 우선 순위를 결정할 수 있다. 그런 다음, 슬라브 상태 예측 시스템(1)은 파생 데이터들 중 우선 순위가 높은 적어도 하나의 파생 데이터, 즉 슬라브 결함 발생에 영향도가 높은 적어도 하나의 파생 데이터를 결함 유발 인자로 추가 결정할 수 있다.

슬라브 상태 예측 시스템(1)은 결함 유발 인자에 대응하여 입력 데이터 셋을 결정하기 위해, 각 슬라브의 결함 발생 시점을 기준으로 입력 데이터 셋 추출을 위한 시간 윈도우를 결정할 수 있다(S15). 즉, 슬라브 상태 예측 시스템(1)은 각 슬라브에서의 결함 발생 시점을 기준으로 소정 시간 이전에 위치하는 시작점과 결함 발생 시점을 기준으로 소정 시간 이후에 위치하는 종점을 가지는 시간 윈도우를 결정할 수 있다.

슬라브 상태 예측 시스템(1)은 시간 윈도우가 결정되면, S12 단계 및 S14 단계를 통해 선택된 각 결함 유발 인자의 시계열 데이터로부터 시간 윈도우에 포함되는 데이터를 추출하여 대응하는 결함 유발 인자의 입력 데이터 셋을 획득할 수 있다(S16).

슬라브 상태 예측 시스템(1)은 S16 단계를 통해 입력 데이터 셋들이 획득되면, 입력 데이터 셋들을 사용한 딥러닝 기반의 학습을 통해 순환 인공 신경망 구조의 예측 모델을 학습시킬 수 있다(S17). S17 단계에서, 예측 모델은, 오토인코더 및 딥 원 SVM으로 구성될 수 있다. 또한, 예측 모델에서 각 모델의 손실 산출 방식은 평균 제곱 오차, 교차 엔트로피 오차, 또는 절대값 오차 방식이 사용될 수 있다. 또한, 예측 모델에 대한 학습 평가 방식은, 정확도, 정밀도, 재현율, F1 스코어 등 다양한 지표를 이용한 평가 방식이 사용될 수 있다.

슬라브 상태 예측 시스템(1)은 전술한 학습 방법을 통해 예측 모델이 구성되면, 이를 추후 슬라브 상태 예측(후술하는 도 3의 슬라브 상태 예측 방법 참조)에 사용하기 위해 저장 장치(20)에 저장할 수 있다.

도 3은 일 실시 예에 따른 슬라브 상태 예측 방법을 개략적으로 도시한다. 도 3의 슬라브 상태 예측 방법은 도 1을 참조하여 설명한 슬라브 상태 예측 시스템(1)에 의해 수행될 수 있다.

도 3을 참조하면, 슬라브 상태 예측 시스템(1)은 현재 주조 중인 슬라브의 상태 예측을 위해 연속 주조 설비의 조업 데이터를 수집할 수 있다(S21). 또한, 슬라브 상태 예측 시스템(1)은 수집된 조업 데이터들 중 슬라브 상태 예측을 위한 예측 모델의 입력 변수를 선택할 수 있다(S22). S22 단계에서, 슬라브 상태 예측 시스템(1)은 S21 단계를 통해 수집된 조업 데이터들 중 예측 모델의 학습 시 결함 유발 인자로 선택된 데이터와 동일한 종류의 데이터를 예측 모델의 입력 변수로 선택할 수 있다.

슬라브 상태 예측 시스템(1)은 조업 데이터들 중에서 예측 모델의 입력 변수가 선택되면, 입력 변수로 선택된 조업 데이터들로부터 파생 데이터를 생성할 수 있다(S23). S23 단계에서, 조업 데이터로부터 파생 데이터를 생성하는 방법은, 예측 모델의 학습을 위해 파생 데이터를 생성한 방법과 동일한 방법으로 수행될 수 있다. 슬라브 상태 예측 시스템(1)은 S23 단계를 통해 파생 데이터들이 생성되면, 생성된 파생 데이터들 중에서 슬라브 상태 예측을 위한 예측 모델의 입력 변수를 선택할 수 있다(S24). S24 단계에서, 슬라브 상태 예측 시스템(1)은 S23 단계를 통해 생성된 파생 데이터들 중 예측 모델의 학습 시 결함 유발 인자로 선택된 데이터와 동일한 종류의 데이터를 예측 모델의 입력 변수로 선택할 수 있다.

슬라브 상태 예측 시스템(1)은 S22 단계 및 S24 단계를 통해 조업 데이터들 및 이로부터 생성된 파생 데이터들로부터 예측 모델의 입력 변수가 선택되면, 선택된 각 입력 변수에 대응하는 시계열 데이터(조업 데이터 또는 파생 데이터)로부터 입력 데이터 셋을 획득할 수 있다(S25). S25 단계에서, 슬라브 상태 예측 시스템(1)은 각 입력 변수에 대응하는 시계열 데이터를 예측 모델의 학습 시 사용된 입력 데이터 셋과 동일한 크기로 분할하여 예측 모델의 입력 데이터 셋을 획득할 수 있다.

슬라브 상태 예측 시스템(1)은 S25 단계를 통해 입력 데이터 셋이 획득되면 이를 예측 모델에 입력하고, 입력 데이터 셋들이 입력됨에 따라 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 상태(정상 또는 결함)를 예측할 수 있다(S26).

전술한 바에 따르면, 실시 예에 따른 슬라브 상태 예측 시스템(1)은 슬라브의 결함이 발생한 경우의 조업 데이터 및 이의 파생 변수를 사용해 비지도 방식의 학습을 진행하여 인공 신경망 구조의 예측 모델을 구성하였다. 따라서, 비지도 학습의 특성으로 인해 데이터에 종속되지 않는 예측 모델의 구성이 가능하고, 또한, 비지도 학습의 사용과 결함 데이터에 기반한 분류 경계면 생성으로 인해 데이터 불균형으로 인한 문제를 해소할 수 있다. 이에 따라, 예측 모델의 강건성을 확보할 수 있으며, 슬라브 상태 예측의 속도 및 정확도를 향상시켜 빠르 대응으로 슬라브 수율을 높일 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.

1: 슬라브 상태 예측 시스템
10: 통신 장치
20: 저장 장치
30: 제어 장치
31: 데이터 수집부
32: 전처리부
33: 학습부
34: 예측부
3: 조업 관리 시스템
5: 계측 장치

Claims

연속 주조 조업 시 수집된 복수의 제1 조업 데이터 및 각 슬라브의 결함 데이터를 시계열 데이터로 저장하며, 상기 연속 주조 조업에서 슬라브 상태를 예측하기 위한 인공 신경망 구조의 예측 모델을 저장하는 저장 장치, 그리고
상기 복수의 제1 조업 데이터에서 파생된 복수의 제1 파생 데이터 및 상기 복수의 제1 조업 데이터로부터 복수의 결함 유발 인자를 결정하고, 상기 각 슬라브의 결함 발생 시점을 기준으로 설정된 시간 윈도우를 사용하여 상기 복수의 결함 유발 인자 각각의 시계열 데이터로부터 복수의 제1 입력 데이터 셋을 획득하며, 상기 복수의 제1 입력 데이터 셋 및 상기 결함 데이터를 이용해 상기 예측 모델을 학습시키고, 학습된 상기 예측 모델을 이용해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 제어 장치를 포함하며,
상기 제어 장치는, 상기 결함 발생 시점을 기준으로 소정 시간 이전의 시작점과, 상기 결함 발생 시점을 기준으로 소정 시간 이후의 종점을 가지도록 상기 시간 윈도우를 설정하는, 슬라브 상태 예측 시스템.
제1항에 있어서,
상기 제어 장치는, ANOVA(analysis of variance) 모델 및 LDA(Linear Discriminant Analysis) 모델을 사용하여 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 파생 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하고, 상기 우선 순위에 기초해 상기 복수의 제1 조업 데이터 및 상기 복수의 제1 파생 데이터 중에서 복수의 결함 유발 인자를 결정하는, 슬라브 상태 예측 시스템.
제2항에 있어서,
상기 제어 장치는 상기 복수의 제1 조업 데이터 중 상기 복수의 결함 유발 인자로 선택된 적어도 하나의 제1 조업 데이터로부터, 상기 복수의 제1 파생 데이터를 생성하는, 슬라브 상태 예측 시스템.
제3항에 있어서,
상기 제어 장치는, 상기 적어도 하나의 제1 조업 데이터를 기반으로 하는 데이터 증강을 통해 상기 복수의 제1 파생 데이터를 생성하는, 슬라브 예측 시스템.
제4항에 있어서,
상기 제어 장치, 상기 적어도 하나의 제1 조업 데이터의 표준화, 정규화, 1차 미분, 2차 미분, 또는 편차를 사용하여 상기 복수의 제1 파생 데이터를 생성하는, 슬라브 상태 예측 시스템.
삭제
제1항에 있어서,
상기 복수의 제1 조업 데이터는 상기 연속 주조 조업의 조업 조건 데이터 및 연속 주조 설비로부터 계측된 적어도 하나의 계측 데이터를 포함하는, 슬라브 상태 예측 시스템.
제1항에 있어서,
상기 제어 장치는, 현재 진행 중인 연속 주조 조업에 대해 시계열 데이터인 복수의 제2 조업 데이터를 수집하고, 상기 복수의 제2 조업 데이터 및 상기 복수의 제2 조업 데이터로부터 파생된 복수의 제2 파생 데이터 중에서 복수의 입력 변수를 결정하고, 상기 복수의 입력 변수 각각의 시계열 데이터로부터 복수의 제2 입력 데이터 셋을 획득하며, 상기 복수의 제2 입력 데이터 셋을 상기 예측 모델에 입력하여 상기 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는, 슬라브 상태 예측 시스템.
제8항에 있어서,
상기 복수의 제1 입력 데이터 셋 및 상기 복수의 제2 입력 데이터 셋은 데이터 종류가 동일하고 서로 동일한 크기를 가지는, 슬라브 상태 예측 시스템.
제1항에 있어서,
상기 예측 모델은 비지도 인공 신경망으로, 오토인코더(autoencoder) 및 딥 원-클래스 서포트 벡터 머신(deep one-class support vector machine, SVM)으로 구성되는, 슬라브 상태 예측 시스템.
연속 주조 조업 시 슬라브의 상태를 예측하기 위한 방법으로서,
상기 연속 주조 조업과 관련하여 복수의 제1 조업 데이터 및 각 슬라브의 결함 데이터를 시계열 데이터로 수집하는 단계,
상기 복수의 제1 조업 데이터에서 파생된 복수의 제1 파생 데이터 및 상기 복수의 제1 조업 데이터로부터 복수의 결함 유발 인자를 결정하는 단계,
상기 각 슬라브의 결함 발생 시점을 기준으로 소정 시간 이전의 시작점과, 상기 결함 발생 시점을 기준으로 소정 시간 이후의 종점을 가지도록 시간 윈도우를 설정하는 단계,
상기 시간 윈도우를 사용하여 상기 복수의 결함 유발 인자 각각의 시계열 데이터로부터 복수의 제1 입력 데이터 셋을 획득하는 단계,
상기 복수의 제1 입력 데이터 셋 및 상기 결함 데이터를 이용해, 상기 연속 주조 조업에서 슬라브 상태를 예측하기 위한 인공 신경망 구조의 예측 모델을 학습시키는 단계, 그리고
학습된 상기 예측 모델을 이용해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 단계를 포함하는 슬라브 상태 예측 방법.
제11항에 있어서,
상기 복수의 결함 유발 인자를 결정하는 단계는,
ANOVA 모델 및 LDA 모델을 사용하여 상기 복수의 제1 조업 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하는 단계, 그리고
상기 복수의 제1 조업 데이터 각각의 우선 순위에 기초해 상기 복수의 제1 조업 데이터 중에서 결함 유발 인자를 결정하는 단계를 포함하는, 슬라브 상태 예측 방법.
제12항에 있어서,
상기 복수의 결함 유발 인자를 결정하는 단계는,
상기 복수의 제1 조업 데이터 중 결함 유발 인자로 선택된 적어도 하나의 제1 조업 데이터로부터, 상기 복수의 제1 파생 데이터를 생성하는 단계,
ANOVA 모델 및 LDA 모델을 사용하여 상기 복수의 제1 파생 데이터 각각에 대해 슬라브의 결함 발생에 미치는 영향도에 따른 우선 순위를 결정하는 단계, 그리고
상기 복수의 제1 파생 데이터 각각의 우선 순위에 기초해 상기 복수의 제1 파생 데이터 중에서 결함 유발 인자를 결정하는 단계를 더 포함하는, 슬라브 상태 예측 방법.
제13항에 있어서,
상기 복수의 제1 파생 데이터를 생성하는 단계는,
결함 유발 인자로 선택된 상기 적어도 하나의 제1 조업 데이터를 기반으로 하는 데이터 증강을 통해 상기 복수의 제1 파생 데이터를 생성하는 단계를 포함하는, 슬라브 상태 예측 방법.
제14항에 있어서,
상기 데이터 증강을 통해 사이 복수의 제1 파생 데이터를 생성하는 단계는,
결함 유발 인자로 선택된 상기 적어도 하나의 제1 조업 데이터의 표준화, 정규화, 1차 미분, 2차 미분, 또는 편차를 사용하여 상기 복수의 제1 파생 데이터를 생성하는 단계를 포함하는, 슬라브 상태 예측 방법.
삭제
제11항에 있어서,
상기 복수의 제1 조업 데이터는 상기 연속 주조 조업의 조업 조건 데이터 및 연속 주조 설비로부터 계측된 적어도 하나의 계측 데이터를 포함하는, 슬라브 상태 예측 방법.
제11항에 있어서,
상기 예측하는 단계는,
현재 진행 중인 연속 주조 조업에 대해 시계열 데이터인 복수의 제2 조업 데이터를 수집하는 단계,
상기 복수의 제2 조업 데이터 및 상기 복수의 제2 조업 데이터로부터 파생된 복수의 제2 파생 데이터 중에서 복수의 입력 변수를 결정하는 단계,
상기 복수의 입력 변수 각각의 시계열 데이터로부터 복수의 제2 입력 데이터 셋을 획득하는 단계,
상기 복수의 제2 입력 데이터 셋을 상기 예측 모델에 입력하는 단계, 그리고
상기 예측 모델로부터 출력되는 출력 결과에 기초해 현재 주조 중인 슬라브의 결함 발생 여부를 예측하는 단계를 포함하는, 슬라브 상태 예측 방법.
제18항에 있어서,
상기 복수의 제1 입력 데이터 셋 및 상기 복수의 제2 입력 데이터 셋은 데이터 종류가 동일하고 서로 동일한 크기를 가지는, 슬라브 상태 예측 방법.
제11항에 있어서,
상기 예측 모델은 비지도 인공 신경망으로, 오토인코더(autoencoder) 및 딥 원-클래스 서포트 벡터 머신(deep one-class support vector machine, SVM)으로 구성되는, 슬라브 상태 예측 방법.