KR19980051203A - 신경회로망에 의한 가열로 자동연소제어방법 - Google Patents

Abstract

본 발명은 선재공장의 가열로에서 압연소재가 최적의 연소상태로 가열되도록 가열로의 온도와 연료량을 자동설정하는 신경회로망에 의한 가열로 자동연소제어방법에 관한 것으로, 가열로의 온도 및 연료량을 설정하는 신경회로망을 이용한 가열로 자동연소제어방법에 있어서, 가열로의 현재 현장정보를 입력받아 이를 신경회로망에서 인식될 데이타로 전환하는 데이타전처리단계와, 상기 단계에 의하여 전처리된 데이타로부터 현재 조업상태가 정상조업중인지를 판단하는 단계와, 상기 판단단계에서 휴지상태로 판단되면 휴지온도패턴(SSTP)에 따라서 온도 대신 연료설정치를 출력하는 단계와, 상기 판단단계에서 정상조업중으로 판단되면, 데이타집단화모델에 의하여 데이타전처리된 공정데이타를 분류하여 이전의 유사 또는 일치하는 상황의 설정치를 추출하는 단계와, 현재정보가 학습한 정보영역에 포함되는지를 판단하는 단계와, 상기 판단단계에서 학습된 정보가 아니라면 설정치 및 조작변수들간의 관계식으로 구축된 수식모델(PLS) 및 강종별 설정온도를 나타내는 가열패턴테이블에 의하여 온도를 설정하는 단계와, 상기 판단단계에서 학습된 정보라면필드정보 신경회로망을 이용하여 설정값을 계산하고 그 설정치를 시계열정보신경회로망을 이용하여 예측된 추출온도로부터 일정 오차범위를 갖도록 최적화시켜 온도 및 연료량 설정치를 출력하는 단계와, 상기에서 정상조업상태인 경우의 현장정보를 일괄학습하여 학습된 결과와 목표치와의 오차가 일정범위내에 수렴하면 필드정보신경회로망의 가중치를 교정하는 단계로 이루어진다.

Description

신경회로망에 의한 가열로 자동연소제어방법

본 발명은 신경회로망에 의한 가열로 자동연소제어방법에 관한 것으로, 보다 상세하게는 선재공장의 가열로에서 압연소재가 최적의 연소상태로 가열되도록 가열로의온도와 연료량을 자동설정하는 신경회로망에 의한 가열로 자동연소제어방법에 관한 것이다.

일반적으로, 압연공장에 설치되는 가열로는 선재와 같은 압연소재를 압연가능한 온도로 가열하는데 목적이 있는 것으로, 압연소재의 강종 및 용도에 따른 재질확보를 위하여 가열온도 및 시간 등을 제어하여야 한다. 여기에서, 가열온도가 너무 높으면 표면탈탄, 조도불량 등의 품질악화를 초래하게 되며, 반대로 가열온도가 너무 낮으면 표면터짐발생, 압연소요동력의 증가, 형상불량 등의 문제가 일어날 수 있기 때문에, 비교적 저온에서 충분히 예열한 후, 압연가능 온도로 신속하게 가열 및 균열이 필요하며, 또한 가열로내의 압력, 연료/공기비를 적정하게 관리하여야 한다.

즉, 도 1에 보인바와 같이, 가열로는 선재를 장입시키는 장입존과, 저온으로 예열시키는 예열대, 그리고 신속하게 가열하는 가열대, 가열된 압연가능 온도를 유지시키는 균열대로 이루어지며, 선재의 재질에 따라서 각 대에서의 가열온도가 정해진다.

그러나, 문제는 가열로 내부에서 일어나는 열전달현상이 대류, 복사 및 전도에 의하여 복합적으로 일어나기 때문에 그에 대한 정확한 열전달해석이 어려우며, 가열로 내부에 있는 선재의 온도를 측정하기 어렵다는 것이다.

그래서, 각 대의 온도설정을 위한 데이타중, 선재의 표면온도는 표면이 가열됨에따라 각기 다른 방사율(emissivity)을 보이므로 이를 고온계(pyrometer)로 측정하고, 선재의 내부온도는 측정된 표면온도로부터 수식을 적용하여 간접적으로 예측한다.

그런데, 상기 가열로내부에서 선재로의 열전달은 대류, 복사에 의해 일어나며, 선재내부로의 열전달은 전도에 의하여 일어난다. 그러므로, 내부온도예측을 위하여 전도, 대류 및 복사에 의한 열전달을 수식화하기 위해서는 여러과정과 단순화를 시켜 시스템을 나타내야 하고, 선재의 물성치, 비열, 열전도도, 열용량등이 온도에 의존하므로, 이에 대한 보정이 계산에 앞서 이루어져야 한다.

그중 물성치들이 온도에 의존하기 때문에 지배방정식은 비선형화하고 이에 수치해석적인 방법을 적용시키기 위해 미소구간으로 나누어 구간별로 선형화하여 수정을하게 되다.

도 1에 상기와 같은 수식모델에 의한 종래의 가열로 자동연소제어방법을 도시하였으며, 기본적으로 로제어컴퓨터(1)는 관리자제어컴퓨터(2)로부터 소재에 대한 정보를 입력받고 분산제어시스템(3)로부터 처리정보를 입력받아, 이정보들을 데이타처리한 후, 상기와 같은 수식모델에 따라서 연산하여 가열로를 제어하였다.

그런데, 이와같이 수식모델로써 선재온도를 구하는 경우, 가정된 조건과 이론식 및 실험치로 계산하게 되는데, 선재온도가 변함에 따라 비선형성에 대한 추정이 불가능하기 때문에 온도에 대한 적절한 예측이 어려운 문제점이 있으며, 또한 학습이 전혀 이루어지지 않은 강종에 대해서는 필요한 물성치를 얻는 것과 편미분 방정식 형태의 시스템에 대해 최적화문제를 푸는 것이 용이하지 않은 문제점이 있다.

그렇기 때문에, 종래의 방식으로는 단순히 정형화한 조업패턴에서만 적절한 제어가 이루어지며, 비정상적인 조업이나 조건이 변하는 경우에는 대처할 수 없는 문제점이 있었다.

또한, 종래에는 상기와 같은 문제를 해결하기 위하여 전문가의 경험적인 가열로조업지식을 데이타화한 후, 이를 이용하는 전문가시스템을 구비하였으나, 이는 전문가의 지식을 지속적으로 룰(RULE)화하는 과정이 제대로 이루어지지 못하거나 전문가가 자신의 지식을 제대로 표현하지 못하게 되면 그 기능을 제대로 발휘할 수 없는 것으로, 전문가의 지식을 유지, 관리하는 것이 어려운 문제점이 있는 것이다.

본 발명은 상기와 같은 종래의 문제점들을 해결하기 위하여 안출된 것으로써, 그목적은 선재공장의 가열로에서 연소제어를 위해 필요한 온도나 연료사용량을 조업운전자가 수동설정하는 대신에 가열로내의 소재정보 및 프로세스값을 받아 조업패턴을 학습하여 자동설정하도록 하는 신경회로망에 의한 가열로 자동연소제어방법을 제공하는데 있는 것이다.

도 1은 종래의 가열로 연소제어방법을 보이는 블록구성도이다.

도 2는 본 발명에 의한 가열로 연소제어방법을 개략적으로 보이는 블록구성도이다.

도 3은 휴지시의 온도에 대한 연료사용패턴을 보이는 그래프이다.

도 4(a)는 본 발명에 따른 가열로 연소제어처리수순을 상세하게 보이는 플로우챠트이다.

도 4(b)는 설정치의 최적화처리수순을 보이는 플로우챠트이다.

도 5는 FILNN 신경회로망 구조도이다.

도 6은 도 6에 보인 신경회로망에서 대별 전문가망 및 중재망의 구조도이다.

* 도면의 주요부분에 대한 부호의 설명

11 : 로제어컴퓨터 12 : 관리자제어컴퓨터

13 : 분산처리시스템 14 : 가열로

15 : 선재(BILLET)

상기와 같은 본 발명의 목적을 달성하기 위한 기술적인 수단으로서, 본 발명은 가열로의 온도 및 연료량을 설정하는 신경회로망을 이용한 가열로 자동연소제어방법에 있어서, 가열로의 현재 현장정보를 입력받아 이를 신경회로망에서 인식될 데이타로 전환하는 데이타전처리단계와, 상기 단계에 의하여 전처리된 데이타로부터 현재 조업상태가 정상조업중인지를 판단하는 단계와, 상기 판단단계에서 휴지상태로 판단되면 휴지온도패턴(SSTP)에 따라서 온도 대신 연료설정치를 출력하는 단계와, 상기 판단단계에서 정상조업중으로 판단되면, 데이타집단화모델에 의하여 데이타전처리된 공정데이타를 분류하여 이전의 유사 또는 일치하는 상황의 설정치를 추출하는 단계와, 현재정보가 학습한 정보영역에 포함되는지를 판단하는 단계와, 상기 판단단계에서 학습된 정보가 아니라면 설정치 및 조작변수들간의 관계식으로 구축된 수식모델(PLS) 및 강종별 설정온도를 나타내는 가열패턴테이블에 의하여 온도를 설정하는 단계와, 상기 판단단계에서 학습된 정보라면 필드정보신경회로망을 이용하여 설정값을 계산하고 그 설정치를 시계열정보신경회로망을 이용하여 예측된 추출온도로부터 일정오차범위를 갖도록 최적화시켜 온도 및 연료량설정치를 출력하는 단계와, 상기에서 정상조업상태인 경우의 현장정보를 일괄학습하여 학습된 결과와 목표치와의 오차가 일정범위내에 수렴하면 필드정보신경회로망의 가중치를 교정하는 단계로 이루어짐을 특징으로 한다.

이하, 첨부한 도면을 참조하여 본 발명의 구성 및 작용을 상세하게 설명한다.

도 2는 본 발명에 의한 가열로의 자동연소제어방법을 개략적으로 설명하는 블록도로써, 11은 본 발명에 의한 가열로 자동연소제어방법에 따라 온도 및 연료량을 자동설정하는 로제어시스템으로써, SCC(12) 및 DCS(13)로부터 입력되는 현장정보(소재정보, 프로세스정보)를 신경회로망에서 인식할 수 있는 데이타로 처리하는 데이타전처리(31a)수단과, 학습된 상황이 아닐 때 이용되며 설정치 및 조작변수들간의 관계식으로 구축된 수식모델(PLS)(31b)과, 강종별로 설정된 온도설정치로 구축된 가열패턴테이블(31c)과, 조업상태를 체크하여(32a) 휴지상태일 때 기존 조업정보를 바탕으로 구축된 수식모델 또는 신경회로망에 의하여 단위시간당 연료사용량을 계산하는 휴지온도패턴(SSTP)(32b)과, 정상조업시에 현재의 현장정보를 분류하여 이와 유사 또는 일치하는 이전의 설정데이타를 도출하도록 된 데이타집단화모델(STST)(32c)과, 정상조업시의 현장정보를 연속하여 학습하고 학습에 의하여 현재현장정보에 의한 설정치를 계산하는 필드정보신경회로망(FIELD_XPRT)(32e) 및 시계열정보신경회로망(OPT_XPRT)(도시생략)과, 학습에 의한 설정치와 목표치와의 오차가 일정범위내에 이르도록 최적화하는 최적화계산모델(32f)을 구비하고 있으며, 12는 관리자제어컴퓨터(SCC : Supervisory Control Computer)이고, 13은 상기 로제어컴퓨터(12)에 의하여 설정된 설정치로 가열로의 구동을 제어하는 분산제어시스템(DCS : Distributed Control System)이다.

도 4(a)는 본 발명에 따른 가열로 자동연소제어과정을 상세하게 보이는 플로우챠트이고, 도 4(b)는 설정치의 최적화처리과정을 도시한 플로우챠트이다.

상술한 첨부도면에 따른 본 발명의 작용을 설명한다.

도 2에서, 관리자제어컴퓨터(12)와 분산제어시스템(13)으로부터 로제어컴퓨터(11)로 압연소재의 정보 및 처리정보와 같은 현장정보가 입력되는데, 상기 현장정보는 가열로 작업에 영향을 미치는 인자들을 바탕으로 한 것으로, 운전자들이 실제 조업시 판단기준으로 삼는 것들을 말한다. 상기 현장정보로는 냉각방식에 따라 구분되는 냉각코드와, 탄소, 망간, 규소를 바탕으로 하는 성분코드와, 제품사이즈와, 각 선재가 각 대에 머무는 평균체류시간과, 각 대에서의 선재 위치와, 이전 샘플링시간의 온도 및 연료사용량설정치와, 조업조건과, 각 대의 DCS운전모드등이 있다.

상기와 같은 현장정보들을 로제어컴퓨터(11)로 입력되어 다음과 같이 신경회로망용정보로 이용될 수 있도록 데이타전처리를 거쳐 저장되게 된다. 즉, 냉각코드는 배열크기가 10인 메모리에 {0, 1}중 두 값으로 유일하게 각각 저장되고, 성분코드는가상물질전환 및 선형사상(mapping)에 의하여 저장되고, 제품사이즈는 배열 크기가 2인 메모리에 저장하는데 5.5ψ일때는 [1, 1]으로, 그 외의 크기는 [0, 1]로 저장되고, 각 선재가 각대에 머무는 평균체류시간과 이전 샘플링시간의 온도 및 연료사용량 설정치는 선형함수를 이용하여 [0, 1]의 실수로 전환하고, 각 대에서의 선재위치는 장입된 전체 선재수가 많은데 이를 그대로 처리하면 신경회로망에서의 처리 및 계산시간에 문제가 발생하므로, 각대에서의 선재위치는 각 대에 대해 평균 무게를 취하여 하나의 가상물질로 맵핑(MAPPING)하고, 조업조건은 배열크기가 6인 메모리애 {0, 1}로 이루어진 값으로 유일하게 저장하고, 각 대의 DCS운전모드는 각 대가운전자에 의한 수동조작인지, DCS에 의한 자동조작인지를 알 수 있는 신호로서 배열크기가 5인 메모리에 각각 {0, 1}로 저장한다.

상기에서, 여러종류의 선재가 혼재하는 경우, 그들의 종류/크기/위치를 분율로 처리한다.

상술한 데이타전처리중에서, 성분코드의 데이타전처리예를 아래의 표1에 보이고, 조업조건의 데이타전처리예를 표2에 보이며, 제품사이즈의 전처리예를 표3에 보인다.

상기와 같이, 데이타전처리작업이 완료되어 현장정보가 저장되면, 현재의 조업상태를 체크하여(32a), 정상조업, 즉, 조업상황이 압연중이거나 일시정지중이지만 휴지시간이 60분미만이면, 데이타집단화수식모델(STST)(32c)에 따라 데이타를 처리하고, 휴지라고 판단되면 즉, 조업상황이 정지중이거나 휴지시간이 60분이상이면, 휴지 경우만을 별도로 담당하는 휴지온도패턴(SSTP)(32b)에 따라서 연료량을 제어한다.

정상조업중인지 휴지상태인지의 판단을 상기 표2에 보인 데이타전처리예를 들어 설명하면, 상기 조업상대의 판단은 5번째 필드 또는 6번째 필드가 '1'인지를 체크하여, '1'이면 SSTP(32b)로, 그 외의 경우는 STST(32c)로 진행한다.

상기에서, SSTP(32b)은 휴지상태(Standstill)를 전담하는 것으로 수식(m1)을 바탕으로 하는 것과 신경회로망(n1)을 바탕으로 하는 것 두가지이며, 입력정보는 가상물질의 로내위치와 예상휴지시간이다.상기에서, 수식(m1)은 입력정보를 바탕으로 단위시간당 연료사용량을 내릴수 있는 모델로 기존의 조업정보를 바탕으로 미리 구축되어 진다. 구축방법은 도 3에 보인 그래프와 같이, 연료사용량은 로내진행속도에 따라서 약간의 차이를 보이며, 감소구간(RD), 일정구간(RS), 증가구간(RI)로 구분된다. 이들을 각각 수식모델로 규축하면 감소구간 RD(T)=f(T, 가상물질의 물리적정보), RS=f(가상물질의 물리적정보), RI(T)=f(T, 가상물질의 물리적정보)이고, 여기에서 T는 정규화된 시간을 나타낸다.

상기를 수식형태로 나타내면 다음과 같다.

RD(T)-RD(0)=a*(T)+b, for 0≤T≤Ts

RS(T)=상수(Constant), for Ts≤T≤Ti

RI(T)-RI(1)=c*(T-Ti )+d, for Ti≤T≤1

상기 수학식1에서, RD(0)는 휴지시작시간의 가스(연료)유량, RI(1)는 휴지가 끝나는 시점의 가스(연료)유량이며, 이 값은 현재 로내상황에 따라 휴지상태이후에 도달할 설정치가 되는 것으로 예측되어지는 값이다.

상기 식에서 a, b, c, d는 조업이 진행되면서 발생하는 휴지상태들을 임의 파일에 저장하고, 이들은 최적근사문제를 푸는 여러 가지 방법을 적용할 수 있다. 이 값들은 예측구간을 가지는 휴지값(Interval Value)(예를들어, a=[25.0 35.0])으로 나타나는 것으로 한다. 이때 RD(T), RS(T), RI(T) 값들은 [0, 1]로 평준화한 것을 이용한다.

도 3에 보인 그래프는 예열대 휴지상태를 도시한 실시예로써 평준화한 상태의 것이다. 여기에서, 포인트(·)는 실제데이타이고, 도트라인(……)사이는 실제 데이타에 대한 95%의 신뢰구간을 나타내고, 대쉬라인(DASHED LINE)(---)사이는 예측이 가능한 구간을 나타낸다. 대쉬라인 사이값은 여러 데이타를 이용하여 최적근사에 의해 구한 값으로 실제 데이타가 이 구간에 존재하여야 한다.

도 3에 보인 그래프에 따른 실제 시간과 가스유량으로 수식을 구하면 다음과 같다.

감소구간에서는, D(t)=-32.00t+2026.58, 0≤t≤74이고, 일정구간에서는 S(t)=0, 74≤t≤240이고, 증가구간에서는 I(t)=52.05t-12075, 240≤t ≤300이다.

신경회로망(n1)은 상기 수식을 보정하기 위한 것으로 입력정보를 HME구조의 신경회로망으로 구성하고, 출력층은 각 대의 휴지시간 동안의 시간별 연료사용량이다.

그리고, 상기 STST(32c)은 MTE(Mathematical Theory of Evidence)에 의하여 공정데이타를 분류한다. 이는 또한 공정의 이력데이타를 바탕으로 현재와 유사/일치하는 상황에 이전에 설정하였던 설정치를 도출할 수 있고, 이것은 이후의 설정치를 판정하는 기준으로도 이용된다.

상기와 같이, 데이타집단화모델(STST)(32c)에 의하여 현장정보의 공정데이타를 분류한 후, 현재 입력된 정보의 사건자수(#N)와 최저사건계수(#Ns)의 비교판단에 의하여 현재 상황이 학습된 경우인지 아닌지를 판단한다.

여기에서, 학습여부의 판단에 이용되는 항목은 가상물질의 로내위치와, 성분코드와, 제품사이즈와, 로내진행속도와, 조업조건과, 가열로내의 각 대에서의 DCS운전모드와, 학습횟수이다.

따라서, #N이 #Ns보다 크다면, 즉 학습된 정보이면, 필드정보신경회로망(FIELD_XPRT)(32e)에 의하여 설정치를 계산하고, 최적화계산모델(32f)에 의하여 이번(즉, 샘플링타임 t에서)의 정보를 가지고 계산한 설정치를 이전시간(즉, t-1에서)의 값과 비교하여 제어기가 댐핑(DAMPING)현상을 보이지 않으면서 도달할 수 있는 영역내의 값인지를 판단하고, 불가능한 영역이면 사용된 정보를 신경회로망용 데이타를 저장하는 임의 파일(B)에 기록한 후, 다음단계로 진행한다. 상기에서 만약 가능한 영역내의 값이면 이 새로운 값(설정치)를 DCS(13)로 보낸다. 이때 출력값은 조업조건이나 각 대의 DCS운전모드의 값에 따라서 온도설정치나 연료사용 설정치가 될 수 있는데, 이는 다음에 의해서이다.

본 발명에 사용된 신경회로망인 계층적 모듈 신경회로망(HME : Hierarchical Mixture of Experts)은 원래의 신경회로망구조를 조정하여 최종 출력층(학습대상이 되는 인자벡터)의 인자를 조정 가능한 것으로 개조한다. 즉, 기존의 신경회로망들은 학습하고자 하는 대상이 정해지면 그 대상의 변수명이 고정되어지는 반면에, 개조된 계층적 모듈신경회로망(HME)에서는 대상의 변수명이 수시로 변화하는 것이 가능하다. 예를들면, 다음과 같이 정의 : D IS TARGET VECTOR라고 할 때 종래의 방법에서는

IF D=[var1, var2, var3, ...]

THEN D=[var1, var2, var3, ...] for al1 sampling t로 하는 반면에,

본 개조된 계층적모듈신경회로망에서는

IF D=[varl, var2, var3, ...] for any sampling time t1

THEN D=[any things with same memory size] at any sampling time t2로 표현된다.

학습된 패턴이 아니면, 정보를 신경회로망용 데이타를 저장하는 임의 파일(B)에 기록한다.

그리고, 학습모드(33)의 신경회로망은 앞서 언급된 수정된 HME구조를 가지며, 학습방법은 기대값최대화(EM : Expectation-Maximization)방법을 채택한다. 여기에서의 HME구조는 도 5와 같고, 이용되는 뱐수(z)는 도 6과 같다.

그리고, 학습의 출력층 입력은 각대의 DCS운전모드에 따라 온도, 연료사용량 PV(PROCESS VALUE), 연료사용량 설정치(SV : SETPOINT VALUE)으로 달라진다. 균열대의 경우에서의 예를들면 다음과 같다.

정의 : Z = 입력층의 입력벡터중 운전모드를 가지는 메모리백터

D = 출력층의 입력벡터 라고 할 때

IF Z=[1, -1] = THEN D=[가스A-SV, 가스B-PV, 가스C-SV]

IF Z=[-1, 1, -1] THEN D=[가스A-PV, 가스B-SV, 가스C-PV]

HME는 도 6에 보인바와 같이, 전문가망(Expert Net)과 중재망(Gating Net)으로 대별되며, 각 망은 도 7과 같은 구조를 가진다.

중재망은 입력층의 입력패턴에 따라 이들을 확률적으로 전문가망에 분산학습하는 작용을 하는데, softmax함수를 이용한 분산을 행한다. softmax함수를 이용한 분산은 다음과 같이 정의된다.

g_i= exp(ξ_i)/Σ_k(exp(ξ_i))

g_j｜_i=exp(ξ_ij)/Σ_k(exp(ξ_ik))

상기 수학식2에 의하여 계산되는 g_i, g_jl_i는 확률값이 되는데, 출력층의 학습용 입력벡터에 영향이 없이 입력층의 입력정보만을 이용한다는 점에서 전확률(Priori Probility)이라 한다.

전문가망은 중재망에 의해 분산된 정보를 자신에게 할당된 패턴에 대하여 가중치를 가진 학습을 한다. 이때 학습가중치는 후확률(Posterior Probability)이라는 것으로 정의되고, 아래 수학식3과 같은 Bayes' rule을 이용한다.

h_i=g_i*∑_j(g_j｜_i* P_ij)/Σ_i(g_i*Σ_j(g_j｜_i*P_ij))

h_j｜_i=g_j｜_i*P_ij/Σ(g_j｜_i*P_ij)

h_ij=h_i*h_j｜_i

학습 알고리즘은 EM을 이용하고 이는 두단계로 구분되는데, 목적함수를 만드는 단계(M)와 이 문제를 푸는 단계(E)로 구분된다. 목적함수를 풀기 위해 여러 가지 방법(즉, Newton, Margert, GRG, ...)이 이용될 수 있는데 여기선 IRLS(Iterative Reweigthed Least-Squares)를 이용한다.

목적함수는 다음의 수학식4와 같이 얻어진다.

θ_ij ^(p+1)=arg max{Σ_t(h_ij ^(t)*log(P_ij(Y^t｜X_t)))}

v_i ^(p+1)=arg max{Σ_t(Σ_k(h_k ^(t)*log(g_k ^(t))))}

v_ij ^(p+1)=arg max{Σ_t(Σ_k(h_k ^(t)*Σ_l(h_l｜_k ^(t)*log(g_l｜_k ^(t)))))}

상기 수학식4에서, θ_ij=[U_ijψ_ij]^T, μ_ij=U_ij*X이고, 여기에서, U_ij는 각 전문가망의 무게치(평균값)행렬이고, μ_ij는 분산인자이다. 그리고, ξ_i=v_i ^T*X, 즉 중재망의 무게치 벡터이다.

이상과 같은 학습방법을 순서적으로 정리하면 다음과 같다.

즉, X=입력층의 입력벡터, Y=출력층의 입력벡터라고 정의할 때, 첫 번째로, 각각의 데이타 쌍(X^(t), Y^(t))에 대하여, 현재의 무게치를 바탕으로 상기 수학식3에 의하여 후확률 h_i, h_i｜_j]를 구한다.

그리고, 두 번째로, 각각의 전문가망(i, j)에 대하여 IRLS문제를 지금까지 모은 데이타쌍{(X^(t), Y^(t))}₁ ^N과 {h_ij ^(t)}₁ ^N을 가지고 푼다.

세 번째로, 최상층 중재망에 대하여, {X^(t), log(h_k ^(t))}₁ ^N을 가지고 IRLS문제를 푼다. 네 번째로, 각각의 하층중재망에 대하여, {X^(t), log(h_l｜_k ^(t))}₁ ^N을 이용하여 IRLS문제를 푼다.

마지막으로, 새롭게 계산된 인자를 바탕으로 반복 학습한다.

그리고, 상기 학습여부판단단계에서, 반대로 #N이 #Ns보다 크지 않으면, 다시말해서, 신경회로망이 학습되지 않은 초기단계이거나 아직 학습되지 않은 새로운 정보인 경우에는 수식모델(31b)나 가열패턴테이블(31c)에 의하여 온도를 설정한다.

상기 수식모델(31b)은 PLS(Projection to Latent Structure)모델을 이용하는 것으로, 이는 PCA(Principal Component Analysis)인자들을 바탕으로 설정치와, 조작변수들간의 관계식으로 구성되어 있으며, 가열패턴테이블(31c)은 최악의 경우를 대비한 것으로, 각 강종에 대한 설정온도를 나타내는 테이블로써, 이 테이블(31c)로부터 현재 선재의 강종에 해당하는 온도설정치를 추출하여 DCS(13)로 출력한다.

다음으로, 도 5에 보인 상세플로우챠트를 참조하여 현재상황이 학습상황일때의 가열로의 온도 및 가스연료량 설정 및 학습과정을 설명한다.

도 5(a)에서, 먼저, DCS(13)로부터 가열로의 대별온도의 처리값(PV) 및 이전 샘플링타임의 설정치(SV)를 읽어들이고(510), 가열로내에 장입된 소재를 대별(즉, 예열대, 가열대, 균열대)로 제품사이즈를 파악하고, 그 강종을 구분한다(520). 그 다음 현재 시간 및 추출피치(PITCH)를 파악한 후(530), 이상의 데이타를 맵핑시켜(540), 데이타전처리를 수행한다.

그 다음, 현재의 조업상황이 휴지상태인지 아닌지를 체크하여(550), 휴지상태라면, 현장정보중 가상물질의 로내위치와 예상휴지시간을 입력받아 휴지온도패턴(SSTP)(32b)의 설정된 수식모델 또는 신경회로망으로부터 연료량(가스)설정치를 계산한 후, 종료하고, 상기 체크단계(550)에서 정상조업상태라고 판단되면, 데이타집단화수식모델(STST)(32c)에 의하여 데이타 클러스터링(집단화)를 하여 공정데이타를 분류한 후 그로부터 제0차 설정치를 계산한다(570).

그 다음 수식모델(PLS)(31b)을 갱신하고, 그로부터 1차 설정치를 계산한다(580).

여기에서, 상기 휴지온도페턴(SSTP)에 의한 연료설정치 설정단계(560) 및 상기 수식모델(PLS) 갱신 및 1차설정치 설정단계(580)와 병렬로 현장정보와 설정치를 바탕으로 필드정보신경회로망(FIELD_XPRT)에 의한 학습을 실행한다(590).

그 다음, 필드정보신경회로망(FIELD_SPRT)에 의하여 제2-1차 설정치를 계산한다(600). 또한, 상기 휴지온도패턴(SSTP)에 의한 연료설정치 설정단계(560) 및 상기단계(600)와 방렬로 시계열에 따른 시계열정보신경회로망(OPT_XPRT)에 의한 학습을 실행한다(610).

그리고 나서, 상기 필드정보신경회로망(FIELD_SPRT)에 의하여 계산된 제2-1차 설정치를 최적화시켜 제2-2차 설정치를 출력하는데, 이 과정을 도 4(b)에 보인 플로우챠트를 참조하여 설명한다. 즉, 상기 필드정보신경회로망(FIELD_SPRT)에 의하여 계산된 제2-1차 설정치를 초기설정치로 인식한 후(621), 시계열정보신경회로망(OPT_XPRT)으로부터 예열대, 가열대, 균열대의 각각 상황에 따른 추출온도를 예측한다(622). 그리고나서, 상기 예측된 추출온도에 따른 목표값과 상기 초기값으로 설정된 제2-1차 설정치와의 오차를 계산하고(623), 상기 단계에서 계산된 오차값(ε)이 설정된 최저오차한계값(ε_limit)보다 작은지를 비교판단하여(624), 설정치가 최저오차한계값(ε_limit)보다 작지 않으면 그 설정치를 낮추는 방향으로 설정치를 갱신한 후, 다시 상기 단계(622)로 되돌아가 추출온도예측 및 오차계산(623)을 수행한다. 상기 갱신에 의하여 설정치에 의한 오차값(ε)이 상기 최저오차한계값(ε_limit)보다 작아지면, 이때의 설정치를 제2-2차 설정치로 하여 도 5(a)에 보인 플로우챠트의 단계(620)로 복귀한다.

이에 상기와 같이 최적화된 설정치(제2-2차 설정치)를 검정한 후(620), 이 최적화설정치를 DCS(640)으로 전송하여, 이 설정값에 따른 온도 및 연료량으로 가열로를 제어하게 되는 것이다.

이와같이, 본 발명에 따른 신경회로망에 의한 가열로 자동연소제어방법은 수식모델에 의하여 계산하여 나온 이론값을 실제 조업특성에 맞도록 장기간의 계수조정과테스트를 거쳐 나온 출력으로 정형화한 조업에서만 제한적으로 사용하는 것이 아니라 신경회로망에 의하여 실조업데이타만으로 학습한 후 단순처리하게 함으로써 수식계산에 따른 시스템의 과부하를 방지할 수 있으며, 비정상조업 및 휴지시 뿐만아니라 설비 및 주변여건이 변하더라도 재학습에 의해 제어가 가능해지며, 컴퓨터에서 수집된 실적데이타만으로 현장 조업패턴을 스스로 학습하여 가열로의 온도 및 연료량을 자동설정함으로써 조업운전자의 업무부하를 감소시키고, 시스템활용이 용이한 우수한 효과가 있는 것이다.

Claims (5)

1. 가열로의 온도 및 연료량을 설정하는 신경회로망을 이용한 가열로 자동연소제어방법에 있어서, 가열로의 현재 현장정보를 입력받아 이를 신경회로망에서 인식될 데이타로 전환하는 데이타전처리단계와, 상기 단계에 의하여 전처리된 데이타로부터 현재 조업상태가 정상조업중인지를 판단하는 단계와, 상기 판단단계에서 휴지상태로 판단되면 휴지온도패턴(SSTP)에 따라서 온도 대신 연료설정치를 출력하는 단계와, 상기 판단단계에서 정상조업중으로 판단되면, 데이타집단화모델에 의하여 데이타전처리된 공정데이타를 분류하여 이전의 유사 또는 일치하는 상황의 설정치를 추출하는 단계와, 현재정보가 학습한 정보영역에 포함되는지를 판단하는 단계와, 상기 판단단계에서 학습된 정보가 아니라면 설정치 및 조작변수들간의 관계식으로구축된 수식모델(PLS) 및 강종별 설정온도를 나타내는 가열패턴테이블에 의하여 온도를 설정하는 단계와, 상기 판단단계에서 학습된 정보라면 필드정보신경회로망을 이용하여 설정값을 계산하고 그 설정치를 시계열정보신경회로망을 이용하여 예측된 추출온도로부터 일정오차범위를 갖도록 최적화시켜 온도 및 연료량설정치를 출력하는 단계와, 상기에서 정상조업상태인 경우의 현장정보를 일괄학습하여 학습된 결과와 목표치와의 오차가 일정범위내에 수렴하면 필드정보신경회로망의 가중치를 교정하는 단계로 이루어짐을 특징으로 하는 신경회로망을 이용한 가열로 자동연소제어방법.
2. 제1항에 있어서, 상기 데이타전처리단계로 입력되는 현장정보는 냉각방식에 따라 구분되는 냉각코드와, 탄소, 망간, 규소를 바탕으로 하는 성분에 따라 구분되는 성분코드와, 가열로로 강입된 선재의 제품사이즈와, 각 선재가 가열로내의 각 대에 머무는 평균체류시간과, 각 대에서의 선재위치와, 전샘플링시간의 온도 및 연료량 설정치와, 조업조건과 각 대에서의 운전모드를 포함함을 특징으로 하는 신경회로망을 이용한 가열로 자동연소제어방법.
3. 제1항에 있어서, 상기 휴지온도페턴(SSTP)은 가상물질의 로내위치와 예상휴지시간 등의 입력정보를 바탕으로 단위시간당 연료사용량을 내릴수 있는 기존의 조업정보를 바탕으로 구축된 수식모델과, 상기 수식모델을 보정하기 위한 것으로 입력정보를 HME구조의 신경회로망으로 구성하며 출력층은 각 대의 휴지시간 동안의 시간별 연료사용량이 되는 신경회로망을 바탕으로 함을 특징으로 하는 신경회로망을 이용한 가열로 자동연소제어방법.
4. 제1항에 있어서, 본 가열로 자동연소제어방법에 사용된 신경회로망은 계층적모듈신경회로망(HME)으로써 최종출력층의 인자가 조정가능함을 특징으로 하는 신경회로망을 이용한 가열로 자동연소제어방법.
5. 제1항에 있어서, 상기 정상조업여부의 판단은 현재 입력된 정보의 사건카운트값이 설정된 최저사건카운트값보다 큰지를 비교함으로서 이루어지는 것으로, 이 판단에 이용되는 현장정보는 가상물질의 로내위치와 성분코드와 제품사이즈와 로내진행속도와 조업조건과 각 대의 운전모드와 학습횟수임을 특징으로 하는 신경회로망을 이용한 가열로 자동연소제어방법.