KR19990051978A - Furnace combustion control device - Google Patents
Furnace combustion control device Download PDFInfo
- Publication number
- KR19990051978A KR19990051978A KR1019970071419A KR19970071419A KR19990051978A KR 19990051978 A KR19990051978 A KR 19990051978A KR 1019970071419 A KR1019970071419 A KR 1019970071419A KR 19970071419 A KR19970071419 A KR 19970071419A KR 19990051978 A KR19990051978 A KR 19990051978A
- Authority
- KR
- South Korea
- Prior art keywords
- temperature
- furnace
- unit
- extraction
- set temperature
- Prior art date
Links
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21B—ROLLING OF METAL
- B21B1/00—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations
- B21B1/22—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length
- B21B1/24—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process
- B21B1/26—Metal-rolling methods or mills for making semi-finished products of solid or profiled cross-section; Sequence of operations in milling trains; Layout of rolling-mill plant, e.g. grouping of stands; Succession of passes or of sectional pass alternations for rolling plates, strips, bands or sheets of indefinite length in a continuous or semi-continuous process by hot-rolling, e.g. Steckel hot mill
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N1/00—Regulating fuel supply
- F23N1/02—Regulating fuel supply conjointly with air supply
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
- Control Of Heat Treatment Processes (AREA)
Abstract
본 발명은 제철소 열간압연공정에 있어서 가열로 내에 장입된 전체 소재에 대한 추출목표온도를 제어하기 위하여 수식모델과 신경회로망을 이용하여 각 대(zone)별로 최적의 설정온도값을 구하는 가열로 연소 제어장치에 관한 것으로, 가열로로부터 추출되는 소재의 온도를 측정하여 To=Tp(tc≤ts), To=Ts(tc〉ts) To=Tp+k(Tc-Tp)/(tc-ts)(ts≤tc≤to) (여기서, To:추출온도, Tp:측정온도, Ts:설정온도, Tc:계산온도, tc:현작업 소재의 재로시간, ts:표준재로시간, to:초과재로시간, k:적용계수)에 따라 추출온도를 산정하고 이를 목표온도와 비교하여 그 차이가 일정한 값 이상이면 신경회로망에 의한 설정온도를 구하여 이것으로 수식모델에 의한 설정온도를 보상하여 전기로의 가스와 공기를 제어한다.In the present invention, in order to control the extraction target temperature for all materials loaded into the furnace in a steel mill hot rolling process, a furnace combustion control for obtaining an optimal set temperature value for each zone using a mathematical model and a neural network. Apparatus for measuring the temperature of the material extracted from the furnace, T o = T p (tc≤ts), T o = T s (tc> ts) T o = T p + k (T c -T p ) / (tc-ts) (ts≤tc≤to) (where, T o : extraction temperature, T p : measurement temperature, T s : set temperature, T c : calculation temperature, tc: working time of current material, Calculate the extraction temperature according to ts: standard ash time, to: excess ash time, k: application coefficient), and compare it with the target temperature, and if the difference is more than a certain value, calculate the set temperature by neural network. The gas and air in the electric furnace are controlled by compensating the set temperature by the model.
Description
본 발명은 열간압연공정의 가열로 연소 제어장치에 관한 것으로서, 특히 제철소 열간압연공정에 있어서 가열로 내에 장입된 전체 소재에 대한 추출목표온도를 제어하기 위하여 수식모델과 신경회로망을 이용하여 각 대(zone)별로 최적의 설정온도값을 구해내기 위한 가열로 연소 제어장치에 관한 것이다.The present invention relates to a furnace combustion control apparatus of a hot rolling process, and in particular, in order to control the extraction target temperature for all materials loaded into the furnace in a steel mill hot rolling process, each unit using a mathematical model and a neural network. The present invention relates to a furnace combustion control device for obtaining an optimum set temperature value for each zone).
열간압연공정에 있어서 가열로 공정은 후공정인 압연라인에 소재를 추출목표온도에 맞게 제어하는 공정으로서 제품의 품질에도 큰 영향을 미치는 중요한 공정이다. 최근에는 특수강위주의 생산체제에 따른 품질관리가 더욱 강화됨에 따라 추출온도관리가 더욱 다양화되고 엄격해져 운전자가 수동으로 제어하기 힘든 실정이다. 따라서 보다 정밀하고 신속한 제어를 위해 컴퓨터를 이용한 자동연소제어시스템의 도입이 필수적이다.In the hot rolling process, the furnace process is a process to control the material to the extraction target temperature in the rolling line, which is a post process, and is an important process that greatly affects the quality of the product. In recent years, as the quality control of the production system has been strengthened, the extraction temperature management has become more diversified and strict, which makes it difficult for the operator to control it manually. Therefore, it is essential to introduce an automatic combustion control system using a computer for more precise and rapid control.
도 1은 종래의 가열로 연소 제어장치를 도시한 것이다. 일반적으로 열간압연공장 가열로의 자동 연소제어장치는 가열로(11)에 설치된 각종 현장센서(12, 열전대)와, 현장센서(12, 열전대)들의 전류치를 수식모델(14)을 적용한 컴퓨터 시스템(미도시)에 전달하고 수식모델(14)에 의하여 산출된 설정온도에 따라 가열로에 유입되는 가스(gas)와 공기(air)의 양을 제어하는 분산제어부(DCS:Distributed Control System)(13)와, 분산제어부(13)를 통하여 현재의 실적온도를 받아 가열로 내의 열전달 현상을 수학적으로 모델링하여 설정온도를 산출하는 수식모델부(14)를 갖는 컴퓨터 시스템(미도시)을 구비한다.1 illustrates a conventional furnace combustion control apparatus. In general, the automatic combustion control apparatus of a hot rolling mill heating furnace is a computer system in which various field sensors 12 (thermocouples) installed in the furnace 11 and current values of the field sensors 12 (thermocouples) are applied to the mathematical model (14). Distributed control system (DCS) for controlling the amount of gas and air flowing into the furnace according to the set temperature calculated by the formula model 14 and not shown) And a computer system (not shown) having a mathematical model 14 for mathematically modeling heat transfer phenomena in the furnace by receiving the current performance temperature through the dispersion control unit 13 and calculating a set temperature.
가열로(11)에 설치된 각종 현장센서(12, 열전대)들의 전류치는 분산제어부(13)를 통하여 수식모델(14)을 갖는 컴퓨터 시스템에 인가된다. 수식모델부(14)는 가열로내의 열전달 현상을 해석하여 수학적으로 모델링한 것으로 분산제어부(13)를 통하여 인가된 현장센서(12, 열전대)들의 전류치에 대하여 가열로의 설정온도를 산출한다. 수식모델부(14)는 일반적으로 가열로(11)에 설치된 각종 현장센서(12, 열전대)들에 의한 가열로내의 각대(예열대, 가열대, 균열대)의 온도 및 소재의 장입온도를 근거로 가열로의 각 위치에 따른 소재의 온도를 계산하는 소재온도계산부(15)와, 계산된 소재의 온도와 휴지예정시간 및 추출피치에 따라 각 소재가 현 위치에서 추출까지 로내에 머무는 재로시간을 계산하는 재로시간계산부(16)와, 계산된 재로시간에 기초하여 가열로 내의 소재가 가열로로부터 추출될 때의 온도를 계산하여 예측하는 추출온도예측부(17)와, 이 예측온도와 추출목표온도를 비교하여 최종적으로 설정할 가열로의 로온도를 계산하는 로온설정부(18)를 구비하여 각 대별로 구한 설정온도를 분산제어부(13)로 송신한다. 분산제어부(13)에서는 지시치를 근거로 가스와 공기의 유량을 제어하게 된다.Current values of various field sensors 12 (thermocouples) installed in the heating furnace 11 are applied to the computer system having the mathematical model 14 through the dispersion control unit 13. The mathematical model 14 is mathematically modeled by analyzing heat transfer in the furnace and calculates a set temperature of the furnace with respect to current values of the field sensors 12 and the thermocouples applied through the dispersion control unit 13. The mathematical model 14 is generally based on the temperature of each zone (preheating zone, heating zone, crack zone) in the furnace by the various field sensors 12 (thermocouples) installed in the furnace 11 and the charging temperature of the material. Material temperature calculation unit 15 that calculates the temperature of the material according to each position of the furnace, and calculates the working time of each material staying in the furnace from the current position to the extraction according to the calculated temperature of the material, the scheduled resting time and the extraction pitch. An idle temperature calculator 16, an extraction temperature predictor 17 that calculates and predicts a temperature when the material in the furnace is extracted from the furnace based on the calculated furnace time, and the predicted temperature and the extraction target A temperature setting unit 18 for calculating the furnace temperature of the furnace to be finally set by comparing the temperatures is provided, and the set temperature obtained for each unit is transmitted to the dispersion control unit 13. The dispersion control unit 13 controls the flow rates of gas and air based on the indicated value.
그러나 가열로내의 열전달 현상을 정확히 수학적으로 구현하기 무척 힘들기 때문에 수식모델에서는 가장 보편적인 작업상황을 가정하여 모델링하게 된다. 따라서 특수한 강종에 대한 작업시나 압연라인 이상으로 인하 돌발휴지, 추출피치의 잦은 변동등과 같은 특수한 작업상황에서는 수식모델의 오차가 커져서 정밀한 추출온도제어를 할 수 없는 문제점이 있다.However, since it is very difficult to accurately and precisely implement heat transfer in the furnace, the mathematical model is modeled on the assumption of the most common working conditions. Therefore, there is a problem that precise extraction temperature control is not possible due to the large error of the mathematical model in the special working situation such as abrupt stop, frequent fluctuation of extraction pitch, etc. when working on special steel grade or rolling line.
이러한 문제점을 극복하기 위해 최근에는 수식모델의 에러를 줄이거나 대체하는 수단으로서 운전자의 전문지식을 데이터베이스화하여 응용하는 전문가시스템(Expert System)을 개발하여 일부 현장에 적용하고 있다. 그러나 이 방식에서도 운전자마다 작업방법이 모두 다르기 때문에 시스템화하는데 어려움이 많을 뿐만 아니라 작업방식이 바뀔 때마다 계속적으로 프로그램 수정작업을 해주어야 하는 문제점이 있다. 뿐만 아니라 운전자의 경험적 지식에 의존하여 시스템화하기 때문에 수식모델보다 정확도가 떨어지는 경우도 많으므로 실제 현장에서는 거의 사용하지 못하는 문제점이 있다.In order to overcome these problems, recently, as a means of reducing or replacing the error of the mathematical model, an expert system has been developed and applied to some sites by the database of the driver's expertise. However, even in this method, since the working methods are different for each driver, it is difficult to systemize, and there is a problem in that the program must be continuously modified whenever the working method is changed. In addition, since the system is dependent on the driver's empirical knowledge, the accuracy is often lower than that of the mathematical model.
본 발명은 상기한 종래의 문제점들을 해결하기 위해 제안된 것으로서, 열간압연공정에 있어서 가열로 내에 장입된 전체 소재에 대한 추출목표온도를 제어하기 위하여 수식모델과 온도센서 및 신경회로망을 결합하여 수식모델에서 발생하는 에러를 최소화함으로서 각 대(zone)별로 최적의 설정온도값을 출력하는 가열로 연소 제어장치를 제공하는데 그 목적이 있다.The present invention has been proposed to solve the above-mentioned problems. In the hot rolling process, a mathematical model is combined with a temperature model and a neural network to control an extraction target temperature for all materials loaded in a heating furnace. It is an object of the present invention to provide a furnace combustion control apparatus that outputs an optimum set temperature value for each zone by minimizing an error that occurs in each zone.
도 1은 종래의 가열로 연소 제어장치를 도시한 것이다.1 illustrates a conventional furnace combustion control apparatus.
도 2는 본 발명에 의한 가열로 연소 제어장치를 도시한 것이다.2 shows a furnace combustion control apparatus according to the present invention.
도 3은 온도와 재로시간과의 관계를 도시한 그래프이다.3 is a graph showing the relationship between temperature and rework time.
도 4는 본 발명에서 사용되는 신경회로망의 동작을 나타내는 흐름도이다.4 is a flowchart showing the operation of the neural network used in the present invention.
도 5는 본 발명에 따른 가열로 연소 제어장치의 동작을 나타낸 흐름도이다.5 is a flow chart showing the operation of the furnace combustion control apparatus according to the present invention.
* 도면의 주요부분에 대한 기호의 간단한 설명** Brief description of symbols for the main parts of the drawing *
21 ... 제1모델부 22 ... 제2모델부21 ... First Model Part 22 ... Second Model Part
23 ... 보상기 24 ... 프로세스부23 ... Compensator 24 ... Process Section
25 ... 검출센서 26 ... 조건부스위치25 ... detection sensor 26 ... conditional switch
27 ... 감산기 28 ... 비교기27 ... Subtractor 28 ... Comparator
29 ... 신경회로망29 ... neural networks
상기한 목적을 달성하기 위한 구체적인 수단으로서 본 발명은, 목표추출온도 등의 소재정보와 가열로의 각종 계장데이터에 근거하여 가열로 내의 열전달 현상의 수학적 모델링에 의하여 가열로의 각 위치에 따른 소재의 온도를 계산하는 제1모델부와, 가열로 내의 열전달 현상의 수학적 모델링에 의하여 각 소재가 현 위치에서 추출까지 로내에 머무는 재로시간을 계산하고 가열로 내의 소재가 가열로로부터 추출될 때의 온도를 예측하며, 이 예측온도와 추출목표온도를 비교하여 최종적으로 설정할 가열로의 온도를 출력하는 제2모델부과, 가열로에 유입되는 가스와 공기의 양을 조절하여 가열로의 온도를 제어하는 프로세스부를 구비하는 가열로 연소 제어장치에 있어서, 가열로로부터 추출되는 소재의 온도를 측정하는 검출부와, 검출부의 측정온도와 제1 모델부의 소재온도 및 제2 모델부의 설정온도에 기초하여As a specific means for achieving the above object, the present invention is based on the material according to each position of the furnace by mathematical modeling of the heat transfer phenomenon in the furnace based on the material information such as the target extraction temperature and various instrumentation data of the furnace. The first model unit for calculating the temperature and the mathematical modeling of the heat transfer phenomena in the furnace calculate the shelf time of each material from the current position to the extraction and calculate the temperature when the material in the furnace is extracted from the furnace. A second model unit for comparing the predicted temperature and the extraction target temperature and outputting the temperature of the furnace to be finally set; and a process unit for controlling the temperature of the furnace by adjusting the amount of gas and air flowing into the furnace. A heating furnace combustion control device provided, comprising: a detector for measuring a temperature of a material extracted from a furnace and a measurement temperature of the detector And based on the material temperature of the first model portion and the set temperature of the second model portion
To=Tp(tc≤ts), To=Tp+k(Tc-Tp)/(tc-ts)(ts≤tc≤to), To=Ts(tc〉ts)T o = T p (tc≤ts), T o = T p + k (T c -T p ) / (tc-ts) (ts≤tc≤to), T o = T s (tc> ts)
(여기서, To:추출온도, Tp:측정온도, Ts:설정온도, Tc:계산온도, tc:현작업 소재의 재로시간, ts:표준재로시간, to:초과재로시간, k:적용계수)(Where, T o : extraction temperature, T p : measurement temperature, T s : set temperature, T c : calculation temperature, tc: the working time of the current working material, ts: the standard working time, to: the over-working time, k: application coefficient)
에 따라 추출온도를 출력하는 조건부스위칭부와, 조건부스위칭부의 추출온도와 소재정보중의 목표온도의 차이를 계산하여 에러신호를 출력하는 감산부와, 감산부의 에러신호를 일정한 값과 비교하여 그 결과를 온오프신호로 출력하는 비교부와, 비교부의 온오프신호에 따라 동작하고, 소재온도와 가열시간 및 로내온도에 대한 데이터를 현재 시점에서 4회 이전까지의 데이터 이력을 사용하며 출력데이타로는 가장 최근의 로내온도를 사용하여 이 값이 가열로의 설정온도가 되도록 학습하는 신경회로망과, 제2모델부의 설정온도에 신경회로망의 설정온도를 가감하여 제2모델부의 설정온도를 보상한 보상온도를 프로세스부로 출력하는 보상부를 포함한다.According to the conditional switching unit for outputting the extraction temperature, the subtractor for outputting an error signal by calculating the difference between the extraction temperature of the conditional switching unit and the target temperature in the material information, and the error signal of the subtractor is compared with a predetermined value. The comparator outputs the signal as an on-off signal and operates according to the on-off signal of the comparator. The data history of the material temperature, the heating time and the furnace temperature is used up to four times before the present time. The neural network that learns this value to be the set temperature of the furnace by using the latest furnace temperature, and the compensation temperature that compensates the set temperature of the second model part by adding or subtracting the set temperature of the neural network to the set temperature of the second model part. It includes a compensation unit for outputting to the process unit.
이하 첨부된 도면을 참조하여 본 발명에 따른 실시예의 구성 및 잣용을 설명하면 다음과 같다.Hereinafter, with reference to the accompanying drawings, the configuration and pine nuts of the embodiment according to the present invention will be described.
도 2는 본 발명에 의한 가열로 연소 제어장치를 도시한 것이다. 여기에서 도시한 바와 같이 본 발명에 의한 가열로 연소 제어장치는 소재온도를 계산하는 제1모델부(21)와, 설정온도를 계산하는 제2모델부(22), 그리고 이 설정온도에 의해 가스(gas)량과 공기(air)량을 제어하는 프로세서부(24)를 기본적으로 구비한다. 제1모델부(21)는 도 1의 소재온도계산부(15)에 상당하는 것으로 분산제어부(13)로부터 수신한 계장 데이터(온도, 유량 등)들과 상위 컴퓨터로부터 수신한 소재정보(강종, 추출목표온도, 온도편차, 재질, 성분 등)들을 근거로 가열로내에 장입된 소재온도를 계산한다. 제2모델부(22)는 도 1의 재로시간계산부(16)와 추출온도예측부(17) 및 로온설정부(18)에 상당하는 것으로 각 소재가 현 위치에서 추출까지 로내에 머무는 재로시간을 계산하고 계산된 재로시간에 기초하여 가열로 내의 소재가 가열로로부터 추출될 때의 온도를 예측하며, 이 예측온도와 추출목표온도를 비교하여 최종적으로 설정할 가열로의 로온도를 계산하여 분산제어부(DCS:Distributed Control System)로 2분 주기로 전송한다. 프로세서부(24)는 이 설정온도에 따라 가열로내 버너의 가스량과 에어량을 조절하여 로내의 소재온도를 제어하게 된다.2 shows a furnace combustion control apparatus according to the present invention. As shown here, the furnace combustion control apparatus according to the present invention includes a first model portion 21 for calculating a material temperature, a second model portion 22 for calculating a set temperature, and a gas at this set temperature. The processor unit 24 which controls the amount of gas and the amount of air is basically provided. The first model unit 21 corresponds to the material temperature calculating unit 15 of FIG. 1, and instrument data (temperature, flow rate, etc.) received from the distribution control unit 13 and material information (steel grade, extraction) received from the host computer. Calculate the material temperature charged in the furnace based on the target temperature, temperature deviation, material, composition, etc.). The second model part 22 corresponds to the dead time calculation unit 16, the extraction temperature prediction unit 17, and the low temperature setting unit 18 shown in FIG. 1, and the dead time in which each material stays in the furnace from the current position to the extraction. And calculate the furnace temperature when the material in the furnace is extracted from the furnace based on the calculated shelf time, compare the predicted temperature with the extraction target temperature and calculate the furnace temperature of the furnace to be finally set (DCS: Distributed Control System) to send every two minutes. The processor unit 24 controls the material temperature in the furnace by adjusting the gas amount and the air amount of the burner in the furnace according to the set temperature.
또한 도 2의 본 발명에 따른 실시예는 가열로로부터 추출되는 소재의 온도를 측정하는 검출센서(25)와, 제1모델(21)의 소재온도와 센서(25)에 의한 측정온도를 비교하여 정확한 추출온도를 출력하는 조건부스위치(26)와, 추출온도와 목표온도와의 차이를 계산하여 에러를 출력하는 감산기(27)와, 에러의 크기를 일정한 값과 비교하여 온도보정의 여부를 결정하는 비교기(28)와, 비교결과 온도보정이 필요한 경우에 신경회로망(20)에서 구한 설정온도와 제2모델부(22)에서 구한 설정온도를 결합하여 최적의 설정온도 즉, 수정온도를 구하여 프로세스부(24)로 인가하는 보정기(23)를 포함하고 있다.In addition, the embodiment according to the present invention of FIG. 2 compares the detection temperature of the material extracted from the heating furnace with the detection sensor 25, the temperature of the first model 21 and the temperature measured by the sensor 25 A conditional switch 26 that outputs an accurate extraction temperature, a subtractor 27 that calculates a difference between the extraction temperature and the target temperature, and outputs an error, and compares the magnitude of the error with a constant value to determine whether to compensate for temperature. The comparator 28 and, when the temperature correction is required as a result of the comparison, combines the set temperature obtained from the neural network 20 and the set temperature obtained from the second model unit 22 to obtain an optimum set temperature, that is, a correction temperature. And a compensator 23 applied to (24).
이하 본 발명에 따른 실시예의 동작을 설명하면 다음과 같다.Hereinafter, the operation of the embodiment according to the present invention will be described.
본 발명에서는 제1모델부(21)와 제2모델부(22)의 모델링에 의한 작업결과 나타나는 가열로내의 소재의 온도를 측정할 센서(25)를 가열로의 추출부에 설치하여 추출되는 소재의 온도를 측정한다.In the present invention, the material to be extracted by installing the sensor 25 to measure the temperature of the material in the furnace resulting from the work by the modeling of the first model unit 21 and the second model unit 22 installed in the extraction section of the furnace Measure the temperature.
그리고 측정센서(25)의 측정온도와 제1모델부(21)의 계산된 소재온도를 비교하여 센서의 오차를 검증하여 이를 보정하는 로직(Logic)인 조건부스위치(26)를 추가하였다. 그 이유는 여기서 사용하는 이 센서는 비접촉식으로 소재표면의 방사열로 온도를 측정하는데 가열로내의 소재는 가열시간이 길어질수록 소재표면에 스케일(scale)이 많이 발생하여 실제의 소재온도보다도 낮게 측정된다. 즉 가열시간이 길어져서 스케일이 많아지면 측정온도가 계산온도보다 낮아지므로 이 경우 아래의 수학식 1을 적용하여 측정온도의 오차를 보정한다.In addition, the conditional switch 26, which is a logic that compensates for the error of the sensor by comparing the measured temperature of the measuring sensor 25 and the calculated material temperature of the first model unit 21, has been added. The reason for this is that this sensor uses non-contact type to measure temperature by radiant heat of the surface of the material. As the heating time increases, the scale of the material is generated on the surface of the material, which is lower than the actual temperature of the material. That is, as the heating time increases and the scale increases, the measured temperature becomes lower than the calculated temperature. In this case, the following equation 1 is applied to correct the error of the measured temperature.
To=Tp+k(Tc-Tp)/(tc-ts)(ts≤tc≤to)T o = T p + k (T c -T p ) / (tc-ts) (ts≤tc≤to)
To=Ts(tc〉ts)T o = T s (tc> ts)
(여기서, To:추출온도, Tp:측정온도, Ts:설정온도, Tc:계산온도, tc:현작업 소재의 재로시간, ts:표준재로시간, to:초과재로시간, k:적용계수)(Where, T o : extraction temperature, T p : measurement temperature, T s : set temperature, T c : calculation temperature, tc: the working time of the current working material, ts: the standard working time, to: the over-working time, k: application coefficient)
도 3의 온도와 재로시간과의 관계를 도시한 그래프로서, 이를 참조하여 수학식 1의 내용을 설명하면, 도 3의 그래프와 같이 표준재로시간(ts) 이내에서는 측정온도(Tp)가 비교적 정확하여 추출온도(To)를 측정온도(Tp)로 적용하고 재로시간이 표준재로시간(ts) 이상에서는 소재표면의 스케일(scale)이 증가하여 측정온도(Tp)의 오차가 증가하여 실제온도보다 낮게 나타나고 반면 계산온도(Tc)는 조금 높게 나타나는 경향이 있으므로 수학식 1과 같이 근사화하고 재로시간이 더욱 길어지게 되면 최종적으로 설정온도(Ts)에 가까워지므로 초과재로시간(to) 이상에서는 설정온도(Ts)를 적용함으로써 측정오차를 보정한다. 이 수학식 1에 의해 정확한 추출온도(To)를 적용함으로써 소재표면의 스케일에 의한 센서오차를 없앨 수 있다.As a graph showing the relationship between the temperature in FIG. 3 and the rework time, the contents of Equation 1 will be described with reference to this. As shown in the graph of FIG. 3, the measured temperature T p is within the standard rework time ts relatively accurate in the extraction temperature error (T o) for measuring the temperature (T p) applied to this time (ts) or more as a standard material increase in the scale of the material surface (scale) measured temperature (T p) of time to ashes in increase appears to be lower than the actual temperature, while calculating the temperature (T c) is a time to finally excess material becomes close to the set temperature (T s) as if be approximated, and this further increases the time to ashes as shown in equation 1 tends to appear a bit higher Above (to), the measurement error is corrected by applying the set temperature (T s ). By applying the exact extraction temperature (T o ) by the equation (1) it is possible to eliminate the sensor error due to the scale of the material surface.
감산기(27)에서는 이렇게 얻어진 추출온도(To)와 소재정보중의 목표온도(2C)와의 차 즉, 에러의 크기를 계산하고 비교기(28)에서는 이 에러의 크기가 일정값(보통 5℃정도)이상이면 신경회로망(29)을 사용하여 신경회로망의 동작에 의한 설정온도를 출력하고 이 에러의 크기가 일정값(보통 5℃정도) 이하이면 모델의 설정값이 비교적 정확한 경우이므로 신경회로망(29)을 사용하지 않고 제2모델부(22)의 설정온도만을 사용하여 프로세스부(24)를 제어한다.The subtractor 27 calculates the difference between the extraction temperature T o thus obtained and the target temperature 2C in the material information, that is, the magnitude of the error. In the comparator 28, the magnitude of the error is a constant value (usually around 5 ° C). Above), the neural network 29 is used to output the set temperature by the operation of the neural network, and if the magnitude of this error is less than a predetermined value (usually about 5 ° C.), the neural network (29) is relatively accurate. The process unit 24 is controlled using only the set temperature of the second model unit 22 without using?).
에러가 큰 경우 신경회로망(29)을 사용하여 설정온도를 보정하는데, 표 1은 여기서 사용한 신경회로망의 학습데이타 실시예를 나타낸 것으로 입력데이타 11개, 출력데이타 2개, 패턴수 500개를 사용하였다. 가열로는 온도를 설정한 후 한참 후에 그 결과가 소재온도에 영향을 미치는 시간지연이 많은 시스템이기 때문에 소재온도와 가열시간 및 로내온도에 대한 데이터를 현재 시점에서 4회 이전까지의 데이터 이력을 사용하였다. 여기서 출력데이타로는 가장 최근의 로내온도를 사용하여 이 값이 실적용 시스템에서는 설정온도가 되도록 학습시켰다. 이 학습데이타를 실제 적용할 때는 가장 최근의 소재온도에 대응하는 데이터는 목표온도로, 바로 전의 소재온도는 현재의 센서에서 측정한 추출온도로 대응시키고 이때의 로내온도를 목표 설정온도로 매핑(mapping)하였다.When the error is large, the neural network 29 is used to correct the set temperature. Table 1 shows an example of the learning data of the neural network used here, and 11 input data, 2 output data, and 500 patterns were used. . Since the furnace has a long time delay after the temperature is set and the result affects the material temperature, the data history of the material temperature, the heating time and the furnace temperature is used up to four times before the present time. It was. Here, as the output data, the most recent furnace temperature was used, and this value was learned to be the set temperature in the performance system. When the learning data is actually applied, the data corresponding to the most recent material temperature is mapped to the target temperature, and the immediately previous material temperature is mapped to the extraction temperature measured by the current sensor, and the furnace temperature is mapped to the target set temperature. ).
도 4에서는 여기서 사용한 학습방법 즉, 역전파 이론을 사용하여 학습시키는 방법에 대한 흐름도를 나타내었다. 먼저 가중치의 초기값을 설정하고(S41) 첫 번째 패턴을 읽어들인다(S42). 읽어들인 패턴에 가중치를 부여하여 학습을 하며(S43,S44) 일정한 횟수를 반복하면(S45) 가중치화일을 수정한다(S46). 한 번 학습이 끝나면 가중치를 수정하고(S47) 학습횟수가 최대횟수가 되기 전까지 이를 반복한다(S48,S49).4 is a flowchart illustrating a learning method used here, that is, a method of learning using the back propagation theory. First, the initial value of the weight is set (S41) and the first pattern is read (S42). A weight is assigned to the read pattern (S43, S44), and a predetermined number of times is repeated (S45) to correct the weight file (S46). Once learning is completed, the weight is corrected (S47) and repeated until the maximum number of learning cycles (S48, S49).
보정기(23)는 제2모델부(22)의 설정온도와 신경회로망의 설정온도로부터 프로세스부로 인가되는 온도데이터를 출력한다. 목표온도가 추출온도보다 5이상 지 않을 경우에는 신경회로망이 동작하지 않으므로 제2모델부(22)의 설정온도를 프로세스부로 인가되는 온도데이터로서 출력하고, 목표온도가 추출온도보다 5이상 클 경우에는 설정온도를 현재보다 더 높여야 하는 상황이므로 아래의 수학식 2를 적용한다.The compensator 23 outputs temperature data applied to the process unit from the set temperature of the second model unit 22 and the set temperature of the neural network. Since the neural network does not operate when the target temperature is not more than 5, the set temperature of the second model unit 22 is output as temperature data applied to the process unit, and when the target temperature is 5 or more than the extraction temperature, Equation 2 below applies because the set temperature needs to be higher than the current.
여기서 a는 적용계수로서 0.1에서 0.9사이의 상수이며 본 발명의 실시예에서는 0.6으로 사용하였는데 그 이유는 신경회로망의 학습데이타 누락 등에 의한 에러를 최소화하기 위한 것이다. 이런 방법으로 수정된 온도를 사용하여 프로세스부(24)를 사용하게 되면, 실제 추출온도가 목표온도보다 큰 경우 즉 제2모델부(22)의 설정온도가 높은 경우에는 신경회로망의 설정온도가 제2모델부(22)의 설정온도를 낮추어 주고, 반대로 목표온도보다 낮은 경우에는 제2모델부(22)의 설정온도를 높여줌으로써 에러를 보정할 수 있다.Here, a is a constant between 0.1 and 0.9 as an application coefficient and was used as 0.6 in the embodiment of the present invention because the reason for minimizing an error due to missing learning data of a neural network. When the process unit 24 is used using the temperature modified in this way, when the actual extraction temperature is larger than the target temperature, that is, when the set temperature of the second model unit 22 is high, the set temperature of the neural network is reduced. The error can be corrected by lowering the set temperature of the second model unit 22 and increasing the set temperature of the second model unit 22 when the temperature is lower than the target temperature.
도 5는 본 발명에 따른 시스템의 동작을 나타낸 흐름도이다. 여기서 학습데이타를 30초주기로 분산제어부(DCS:Distributed Control System)로부터 수신하여 온라인과정에서 2분간 이동평균치를 산출(S51)한 후 수식모델(S52)을 통하여 설정온도를 산출한다. 목표온도와 실측온도의 차이가 일정한 값(K)보다 크면(S53) 배치처리과정에서 신경회로망을 통하여 학습된 설정온도에 의하여 설정치를 보정처리하여(S54) 2분주기로 분산제어부로 송신한다. 배치과정은 먼저 로내실적화일을 목표온도에 따라 크게 3가지로 분류한 후(S55) 각 학습데이타 파일에 저장한다. 저장된 학습데이터화일은 학습과정에서 가중치를 부여받아 가중치임시화일로 다시 저장되며 이것은 테스트과정(S57)을 거쳐하여 가중치최종화일로 저장된다. 또한 테스트과정을 거친 가중치최종화일중 설정온도 보상을 위한 데이터를 온라인과정으로 보낸다. 여기에서 목표온도와 센서에 의한 추출온도를 전회 소재온도와 금회 소재온도로 각각 대응하도록 학습을 시켜서 이때의 출력값인 현재 로온도를 구하고자하는 설정온도로 사용한다. 이러한 방법으로 학습데이타와 실제 데이터를 매핑함으로써 신경회로망에서 현재의. 추출온도와 목표온도에 대한 차이를 보정할 수 있는 설정온도를 구할 수 있다.5 is a flowchart illustrating the operation of the system according to the present invention. Here, the learning data is received from the distributed control system (DCS) every 30 seconds and the moving average value is calculated for 2 minutes in the online process (S51), and then the set temperature is calculated through the mathematical model (S52). If the difference between the target temperature and the measured temperature is greater than the predetermined value (K) (S53) and the setpoint is corrected by the set temperature learned through the neural network in the batch processing process (S54) and transmitted to the distributed control unit in two-minute periods. The batch process first classifies the furnace performance file into three types according to the target temperature (S55), and then stores them in each learning data file. The stored learning data file is given a weight in the learning process and stored again as a weighted temporary file, which is stored as a weighted final file through the test process S57. In addition, data for the set temperature compensation during the weighted finalization through the test process are sent to the online process. Here, the target temperature and the extraction temperature by the sensor are learned to correspond to the previous material temperature and the current material temperature, respectively, and used as the set temperature to obtain the current furnace temperature, which is the output value at this time. In this way, we can map the learning data and the actual data to present the neural network. A set temperature that can correct the difference between the extraction temperature and the target temperature can be obtained.
본 발명은 신경회로망과 수식모델을 결합한 가열로 연소제어를 수행하므로써 작업상황에따라 수식모델에서 발생하는 오차를 신경회로망을 이용하여 보정하여 작업상태에 따라 발생하는 모델의 에러 즉, 목표온도와 실제온도와의 차이를 최소화하여 소재별로 온도편차를 없앰으로써 정밀한 제어를 할 수 있어 제품의 품질이 향상되는 매우 큰 효과가 있다.According to the present invention, by performing combustion control of a heating furnace combining a neural network and a mathematical model, the error occurring in the mathematical model according to the working situation is corrected by using the neural network. By minimizing the difference with temperature and eliminating the temperature deviation for each material, it is possible to precisely control the product quality.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019970071419A KR100356159B1 (en) | 1997-12-20 | 1997-12-20 | Apparatus for controlling combustion of furnace |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1019970071419A KR100356159B1 (en) | 1997-12-20 | 1997-12-20 | Apparatus for controlling combustion of furnace |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR19990051978A true KR19990051978A (en) | 1999-07-05 |
| KR100356159B1 KR100356159B1 (en) | 2002-11-18 |
Family
ID=37489496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1019970071419A KR100356159B1 (en) | 1997-12-20 | 1997-12-20 | Apparatus for controlling combustion of furnace |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR100356159B1 (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100825606B1 (en) * | 2001-12-24 | 2008-04-25 | 주식회사 포스코 | Combution control apparatus in heating furnace |
| KR100832975B1 (en) * | 2001-12-24 | 2008-05-27 | 주식회사 포스코 | System for optimizating target discharge temperature of reheating furnace |
| KR101371704B1 (en) * | 2012-12-18 | 2014-03-13 | 재단법인 포항산업과학연구원 | Optimal furnace temperature setting apparatus and optimal furnace temperature setting method |
| KR20210117031A (en) * | 2020-03-18 | 2021-09-28 | 재단법인 포항산업과학연구원 | Setting device and setting method for optimal temperature of heating furnace using ai-based nonlinear learning model |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101089308B1 (en) * | 2009-04-30 | 2011-12-02 | 주식회사 포스코 | Temperature controlling apparatus and controlling method in heating furnace |
| CN111006240B (en) * | 2019-11-22 | 2020-11-13 | 华北电力大学 | Biomass boiler furnace temperature and load prediction method |
-
1997
- 1997-12-20 KR KR1019970071419A patent/KR100356159B1/en not_active IP Right Cessation
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100825606B1 (en) * | 2001-12-24 | 2008-04-25 | 주식회사 포스코 | Combution control apparatus in heating furnace |
| KR100832975B1 (en) * | 2001-12-24 | 2008-05-27 | 주식회사 포스코 | System for optimizating target discharge temperature of reheating furnace |
| KR101371704B1 (en) * | 2012-12-18 | 2014-03-13 | 재단법인 포항산업과학연구원 | Optimal furnace temperature setting apparatus and optimal furnace temperature setting method |
| KR20210117031A (en) * | 2020-03-18 | 2021-09-28 | 재단법인 포항산업과학연구원 | Setting device and setting method for optimal temperature of heating furnace using ai-based nonlinear learning model |
Also Published As
| Publication number | Publication date |
|---|---|
| KR100356159B1 (en) | 2002-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6711531B1 (en) | Temperature control simulation method and apparatus | |
| Wang et al. | A hybrid approach for supervisory control of furnace temperature | |
| KR100356159B1 (en) | Apparatus for controlling combustion of furnace | |
| JPH1185213A (en) | Prediction method for time sequence continuous data, control method using the same and record medium | |
| JP2017157094A (en) | State prediction device for product, state control device for product, state prediction method for product, and program | |
| JP4093934B2 (en) | Model parameter determination method and program thereof, model prediction method and program thereof | |
| KR100327995B1 (en) | The apparatus and method for predicting and controlling the amount of heating load of a thermal storage heater using off-pick electricity | |
| KR102121910B1 (en) | Apparatus and method for controlling blow of blast furnace | |
| CN100371842C (en) | Method and apparatus for controlling temperature response of part in conveyorized thermal processor | |
| CN105385843B (en) | A kind of hot rolling slab method for heating and controlling based on the last temperature of section | |
| CN103146906A (en) | Parameter adjustment and control method for two-stage control model of walking beam heating furnace | |
| KR100328937B1 (en) | Method for predicting blowing of converter using neural network | |
| JPH05209233A (en) | In-furnace temperature control device of heating furnace | |
| RU2325683C2 (en) | Method of objects identification in operating systems | |
| JP2912086B2 (en) | Blast furnace control method | |
| KR0118985B1 (en) | Combustion control method of furnace | |
| JP2000129319A (en) | Method for controlling furnace heat in blast furnace and device therefor | |
| WO2024004585A1 (en) | Heating-furnace combustion-gas usage estimation device, energy implementation optimization system, energy implementation optimization device, display terminal device, heating-furnace combustion-gas usage estimation method, and energy implementation optimization method | |
| Souza et al. | Multivariate feed back control: an application in a productive process | |
| KR100706528B1 (en) | Method for predicting atmosphere temperature in heat treatment chamber | |
| KR0122343B1 (en) | Temperature control apparatus and method of steel-melting using neural network | |
| JP4110780B2 (en) | Estimation method of hot metal temperature and disturbance in blast furnace | |
| JP2004059955A (en) | Method for controlling converter blowing | |
| JP2000073126A (en) | Method for controlling combustion in continuous type heating furnace | |
| KR19980051203A (en) | Automatic combustion control method by heating by neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| LAPS | Lapse due to unpaid annual fee |