KR19990052660A - 신경망을 이용한 전로 취련 예측 방법 - Google Patents

Abstract

본 발명은 신경망을 이용한 전로 취련 예측 방법으로서, 취련중 서브랜스 기동시 1차예측모델을 이용하여 취련중 서브랜스까지의 각종 조업데이터를 신경회로망상에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 용강온도 및탄소농도를 계산하여 예측하며, 취지후 2차예측모델을 이용하여 취지까지의 모든 조업데이터를 신경회로망에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 정확한 취련후의 용강온도 및 탄소농도를 예측함으로써 두차례에 걸쳐 취련후의 용강온도 및 탄소농도를 정확히 산출함으로써 QDT 실행 시라도 취련 후의 용강 정보를 알 수 있으며, 이로 인해 QDT 실행 횟수를 증가시킴으로써 조업시간 단축, 출강실수율 향상, 그리고 노체 부식방지 등 원가절감의 효과가 있다. 또한 학습 데이터의 구성시 데이터간의 벡터 거리를 고려하여 만들어 학습 데이터의 분포를 고르게 하고, 또한 시그모이드 함수를 0.01∼0.1 만큼 이동하게 하여 신경망 모델을 구성함으로써 신경망 모델의 일반화 성능이 향상되는 장점이 있는 것이다.

Description

신경망을 이용한 전로 취련 예측 방법

본 발명은 전로조업중 QDT(Quick Direct Tapping) 실행시 온도 및 탄소농도 예측에 관한 것으로서, 특히 신경망을 학습하기 위한 학습 데이터 구성시 각 데이터간의 벡터거리를 이용하고, 활성화 함수를 변화시킴으로써 신경망의 일반화 성능을 향상시킨 신경망 기법을 이용하여 취련 종료 후의 용강온도 및 탄소농도를 예측하는 신경망을 이용한 전로 취련 예측방법에 관한 것이다.

일반적으로 전로조업에서 취련 후의 용강온도 및 탄소농도가 목표치에의 적중 여부는 제품 품질과 직결되는 중요한 조업지표 중의 하나이다. 현재 취련 후의 용강온도 및 탄소농도는 취련 후에 기동되는 서브랜스에 의해 측정된다. 하지만, 용강 생산량 증가를 위해서 일부 강종에 대해서는 서브랜스 측정을 생략하고 출강하는 QDT를 실시하게 되므로 이 경우 취련 후의 용강온도 및 탄소농도의 적중 여부를 알 수 없다.

취련 후의 용강온도 및 탄소농도를 산출하는 종래의 기술적인 방법은 조업자의 직관, 경험적인 지식에 의존하는 방법과 수식모델을 이용하는 방법이다. 또한 본 발명에 이용된 신경회로망 학습 시에는 학습 데이터뿐만 아니라, 일반화 성능평가를 위한 테스트 데이터도 필요하다. 이와 같은 학습 및 데이터를 구성하기 위한 종래의 방법은 수집된 데이터 가운데 무작위로 학습 데이터를 선정하고 나머지는 테스트 데이터로 구성하였다.

하지만 상기와 같은 방법들은 각각 다음과 같은 문제들이 있었다. 조업자의 직관 및 경험에 의한 경우 그 산출 결과가 조업 자에 따라 다를 뿐만 아니라, 동일인의 경우도 착오나 실수에 의해 그 결과가 다를 수 있다. 수식모델에 의한 방법은 회기분석기법을 활용한 것으로 분석 과정의 복잡성을 줄이기 위해 입력 변수를 제한하고, 변수 값의 선형 관계를 가정해야 하는 제약조건 때문에 다양한 영향인자에 의한 수식모델 개발이 어렵고, 개발된 수식모델 자체가 비선형시스템의 선형화로 인한 필연적인 오차를 포함하고 있다. 또한 수식모델은 조업 경험에 의한 통계적 수식들이 많이 포함되어 조업 및 설비 특성에 크게 의존하므로 예측정도를 향상시키기 위해서는 조업 상황의 변동에 따라 수시로 적절한 수정 및 보완이 요구되며, 이로 인해 많은 인력과 비용이 소요된다. 또한, 신경회로망의 학습 데이터와 테스트 데이터를 무작위로 구성할 경우 학습 데이터의 성질 면에서 볼 때 그 분포가 균일하지 못한 문제점들이 있었다.

본 발명은 상기와 같은 문제점들을 해결하기 위해 발명한 것으로서, 신경회로망 기법을 이용하여 취련종료 후의 용강온도 및 탄소농도를 예측하는 방법에 관한 것이며 또한 신경망 학습 시에 사용되는 학습 데이터 및 테스트 데이터의 구분시 각각의 데이터간 벡터거리를 고려하여 분리함으로써 학습데이터 분포범위를 균일하게 하고, 또한 임의의 가중치가 상대적으로 커지는 것을 방지하기 위하여 활성화 함수를 변경함으로써 일반화 성능을 향상시키는 신경망을 이용한 전로 취련 예측방법을 제공함에 그 목적이 있다.

도 1은 제강공정의 흐름도,

도 2는 신경망을 이용한 1,2차 용강온도 및 탄소농도 예측 흐름도,

도 3은 전로구조 및 신경망 입력 데이터,

도 4a는 본 발명의 적용에 있어서 취련 후 용강온도를 예측하기 위한 1차 예측 신경망 모델구성도,

도 4b 본 발명의 적용에 있어서 취련 후 탄소농도를 예측하기 위한 1차 예측 신경망 모델구성도,

도 4c는 본 발명의 적용에 있어서 취련 후 용강온도를 예측하기 위한 2차 예측 신경망 모델구성도,

도 4d는 본 발명의 적용에 있어서 취련 후 탄소농도를 예측하기 위한 2차 예측 신경망 모델구성도,

도 5는 두 데이터간의 벡터거리를 고려하여 학습 및 테스트 데이터로 자동 분류하는 흐름도,

도 6은 일반화 성능을 향상시키기 위하여 변형된 시그모이드 함수,

도 7a는 신경회로망 구조와 기준오차를 이용한 효율적인 학습방법,

도 7b는 신경회로망 구조와 기준오차를 이용한 효율적인 학습방법이다.

상기한 목적을 달성하기 위한 본 발명은 취련중 서브랜스 기동시 1차예측모델을 이용하여 취련중 서브랜스까지의 각종 조업데이터를 신경회로망상에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 용강온도 및탄소농도를 계산하여 예측하며, 취지후 2차예측모델을 이용하여 취지까지의 모든 조업데이터를 신경회로망에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 정확한 취련후의 용강온도 및 탄소농도를 예측하는 것을 특징으로 한다.

이하 첨부 도면을 참조 하여 본 발명의 작용 및 효과를 상세하게 설명한다.

(1)제강공정 흐름 및 신경회로망 모델의 기동순서

제강공정의 전체 작업상황을 도 1에 도시하였다. 제강공정은 용선, 고철, 각종 부원료 등의 주원료를 전로에 장입(S1)하고 99%의 순산소를 서브랜스를 통해 취련(S2)하여 차기 공정에서 요구되는 용강온도 및 탄소농도가 되면 취지(S3)한다. 일반적으로, 제강공정 시간은 30분에서 45분 정도이며 서브랜스 측정은 2차례 실시하는데 취련공정의 80% 정도 시점(S4) 그리고 취지 후 다음공정으로 출강(S6)전 시점(S5)에서 용강온도 및 탄소농도를 확인하기 위해 실시한다. 현재 전로조업 제어는 스태틱 수식모델(S7), 다이나믹 수식모델(S8)을 이용하고 있다. 스태틱 수식모델은 초기 입력정보를 이용하여 목표온도 및 탄소농도를 맞추기 위해 송산소량과 부원료량을 계산하며, 다이나믹 수식모델은 취련중 서브랜스 측정을 통한 정량적인 온도, 탄소농도 등과 같은 정보를 이용하여 최종 취련 후 용강온도 및 탄소농도를 맞추기 위한 송산량 및 냉각제량을 계산한다. 하지만 현재, 서브랜스 설비는 측정 프로브의 장착불량 및 탈락현상으로 취지 후 종점온도 측정이 불가능한 경우가 발생하고 있으며 이와 같은 경우 프로브의 낭비, 작업시간 지연, 수동측정으로 인한 위험성 내재와 같은 문제점을 가지고 있다. 신경회로망의 용강온도, 탄소농도 예측은 취지 중 서브랜스 측정시점(S9)과 취지 후 종점 서브랜스 측정 이전 시점(S10)에서 수행된다.

신경망을 이용한 1,2차 용강온도 및 탄소농도 예측방법은 도 2에 도시하였다. 제강공정의 조업정보는 전로관련 설비의 센서(A1)로부터 PLC(Programable Logic Controller;이하 PLC로 표시)에 의해 수집되어 PLC 및 프로세서 컴퓨터에서는 공정 진행정보를 이용하여 컴퓨터의 데이터 베이스(A4)에 저장이 된다. 프로세서 컴퓨터에서는 공정 진행정보를 이용하여 취련 서브랜스의 초기 기동시점에서 신경회로망 모델이 계산되도록 1차 예측모델 기동신호(A5)를 발생시킨다.

1차 예측모델 기동신호가 발생되면 프로세서 컴퓨터는 현장센스로부터 PLC를 경유해 읽어들인 각종 조업 데이터를 평균치, 표준편차 등을 이용하여 신경회로망에 입력 가능한 형태의 데이터로 전처리(A6)한다. 신경회로망은 전 처리된 입력 데이터를 이용하여 취지 후의 용강온도 및 탄소농도를 계산하여 운전자 화면에 출력(A7)한다. 1차 예측모델 기동 후 취련 종료 시까지 본 신경망 모델은 대기한다.

취련 종료(A8)가 되면, 프로세서 컴퓨터는 공정진행 정보에 따라 2차 예측모델 기동신호(A9)를 발생시킨다. 2차 예측모델 기동신호가 발생하면 1차 예측모델 기동 시와 동일하게 프로세서 컴퓨터는 현장 센서로부터 수집된 각종 조업 데이터를 신경회로망에 입력 가능한 형태의 데이터로 전처리(A6)하고 신경회로망을 이용하여 용강온도 및 탄소농도를 계산하여 운전자 화면에 출력(A7)한다.

2차 예측모델 기동이 끝나면, 신경망 모델에 대한 온도 및 탄소농도 예측은 종료(A10)가 된다. 각 예측모델에서 신경망 모델 계산 결과는 공유 파일시스템(A3)과 프로세서 컴퓨터의 데이터 베이스(A4)에 각각 저장된다.

(2)본 발명의 제강공정에의 적용시점

본 발명 모델은 두 차례에 걸쳐 적용된다. 1차 예측모델의 적용시점은 취련 중 서브랜스 기동 시이며, 취련 중 서브랜스까지의 조업정보를 이용하여 조업 자에게 대략적인 취련후의 용강온도 및 탄소농도 예측결과를 보여준다. 2차 예측모델의 적용시점은 취지 후이며, 취지까지의 모든 조업정보를 이용하여 정확한 취련후의 용강온도 및 탄소농도 예측결과를 산출한다. 따라서 QDT 실시시 또는 서브랜스 탈락과 같은 조업상황 발생시 신뢰도가 높은 취련후의 용강온도 및 탄소농도와 같은 용강정보를 얻을 수 있다.

(3)본 발명의 입력항목 선정방법

본 발명에 적용된 신경회로망 용강온도 및 탄소농도별 그리고 1차 예측모델 및 2차 예측모델로 나뉘어 지며, 각 모델은 다시 전로별로 구분된다. 현재, 본 발명이 적용되는 제강공장에는 3기의 전로가 있으며, 각각의 전로 조업상황이 다르므로, 전로별로 데이터를 구분하였다.

도 3은 신경망의 입력 데이터 선정방법을 나타낸 것인데, 신경회로망의 입력 데이터를 결정하기 위해 현재 조업에 사용중인 데이터 가운데 63종류를 수집하여 분석하였다(S1). 분석방법은 1차로 각 조업데이터의 공정 제어 영향 정도에 대해 조업자와 공정 제어시스템 관리자와의 협의에 따라 10여 종류로 축소(S2)시켰다.

2차로, 협의에 의해 조정된 조업데이터를 이용하여 신경회로망에 학습시킨 후 임의의 하나의 입력데이터만 가변시키고 나머지 입력데이터는 평균치로 고정시켜 입력의 변화에 따른 출력의 변화정도를 관찰한 뒤 변화정도가 큰 입력데이터를 추출하여 신경회로망 학습데이터로 확정(S3),(S4)하였다.

또한 상호 상관관계가 밀접한 조업데이터들 간의 조합을 통해 새로운 영향인자를 만들어 사용하였는데, 취련 후 측정한 전송산소량과 취련 중 취련 서브랜스 시점까지의 송산량을 조합하여 그 차이를 이용하여 새로운 영향인자로 사용하였다. 도 4는 신경망을 이용한 1,2차 용강온도 및 탄소농도 예측관련 영향인자를 도시한 것으로 다음과 같다.

용강온도 산출을 위한 1차 예측모델의 11개 입력 항목(1)을 보면 다음과 같다.

취련 서브랜스 온도, 취련 서브랜스 탄소, 철광석, CBP, HBI, 전장입량, HMR, 슬래그량, 취련 서브랜스 시점까지의 송산량, 노령, 목표온도

용강온도 산출을 위한 2차 예측모델의 12개 입력항목(3)은 다음과 같다.

취련 서브랜스 온도, 취련 서브랜스 탄소, 철광석, CBP, HBI, 전장입량, HMR, 슬래그량, 전송산량, 송산량차(전손산량-취련 서브랜스 시점까지의 송산량), 노령, 목표온도

용강 탄소농도 산출을 위한 1차 예측모델의 8개 입력항목(2)은 다음과 같다.

취련 서브랜스 탄소, 철광석, CBP, HBI, 전장입량, HMR, 목표탄소, 취련 서브랜스 시점까지의 송산량

용강 탄소농도 산출을 위한 2차 예측모델의 9개 입력항목(4)은 다음과 같다.

취련 서브랜스 탄소, 철광석, CBP, HBI, 전장입량, HMR, 목표탄소, 전송산량, 송산량차

(4)본 발명의 구성 및 데이터 전처리방법

①신경회로망의 구성방법 및 데이터 정규화 방법

본 발명에 이용된 신경회로망은 오류 역전파 학습 알고리즘을 사용하였고, 다층 퍼셉트론 구조를 가지며, 은닉층의 활성화 함수는 시그모이드 함수를 사용하였다. 그리고 각각의 입력 데이터 크기에 의한 영향을 없애기 위해 각 데이터를 제로미인유닛베리언스(Zero Mean Unit Variance) 방법을 이용하여 데이터를 정규화 하였다. 상기의 정규화 방법은 수집된 전체 데이터 항목별 평균치와 표준편차를 구한 뒤 정규화 시키고자하는 입력데이터에 평균치를 빼고 표준편차로 나눈 값으로 계산한다. 학습 데이터 항목간 입력 치의 단위 차이가 있을 경우, 신경망 학습 시 단위가 큰 데이터에 의한 일방적인 학습으로 지역 최소화 문제가 발생하게 되는데 상기의 방법은 이를 해결하는데 도움을 준다.

②수집된 데이터의 학습 및 테스트 데이터로 분리하는 방법

수집된 데이터는 신경회로망의 학습에 사용되는 학습 데이터, 그리고 학습 완료 후 개발된 신경망의 성능분석을 위해 사용되는 테스트 데이터로 구분된다. 본 발명에서는 조업 데이터를 학습 및 테스트 데이터로 구분하기 위해 유클리안 거리 법을 이용하였다. 도 5는 두 데이터간의 벡터거리를 고려하여 학습 및 테스트 데이터로 자동 분류하는 과정을 나타내었다. 먼저, 분류하고자 하는 데이터를 읽어오고 원하는 벡터거리를 설정(S1)한다. 설정거리는 0∼1사이의 값이며 작을수록 세밀하게 분류된다. 읽어온 N개의 조업데이터 가운데 임의의 한 데이터를 기준 데이터로 정하고(S2) 이것과 나머지 (N-1)개 데이터들간의 각각의 벡터거리를 구하게 된다. 기준 데이터 Xi와 데이터 벡터거리를 계산(S4)하게 되는데 벡터거리 계산공식은 다음과 같다.

벡터거리

계산된 벡터거리를 미리 설정해준 거리 값과 비교(S5)하여 설정치 범위내의 값을 갖는 경우 Yi를 데이터(S7)로, 설정범위보다 큰 값을 갖는 경우 학습 데이터(S6)로 분류하였다. 상기의 방법으로 기준데이터와 (N-1)개 벡터거리 비교계산이 완료(S8)되면 벡터거리 계산을 종료(S9)하고 학습 데이터와 테스트 데이터로 분류된 파일을 이용하여 신경망 학습 및 성능평가 데이터로 활용한다. 이상과 같은 방법을 사용함으로써 수집된 전체 데이터에서 일부 동일하거나 유사하게 작업된 조업 데이터가 많을 경우 발생할 수 있는 국부적인 학습 가능성을 없앨 수 있으며 전체 제어범위에 대해 골고루 신경망을 학습시킬 수 있다. 따라서 종래의 학습 및 테스트 데이터를 임의대로 나누는 방식에 비하여 보다 과학적이고 효율적인 데이터 분리방법이다.

(5)본 발명의 학습 및 적용방법

오류 역전파 알고리즘에 의해 학습할 경우 입력 데이터가 신경회로망에 가해지면 현재의 가중치를 바탕으로 출력을 구한다. 이 출력과 실적치 사이의 오차를 검출한 다음 이 오차를 감소시키는 방향으로 각 층의 가중치를 구한다. 이 과정을 오차가 허용범위 이하로 떨어질 때까지 반복 수행함으로써 입출력 데이터 사이에 존재하는 비선형 상관관계를 학습한다. 학습은 오차가 허용범위 내에 들어왔을 때 끝내고 최종적인 가중치를 구하며, 이 가중치는 프로세서 컴퓨터의 데이터 베이스에 저장되어 실제 조업에서 1,2차 적용시점에서 사용된다.

①일반화 성능을 향상시키기 위한 활성화 함수의 변형

본 발명에서는 오류 역전파 학습 알고리즘 방법을 사용하였으며 활성화 함수로 가장 일반적으로 사용하는 시그모이드 함수를 이용하였다. 사용되는 시그모이드함수는 아래와 같다.

상기 함수에서 X는 입력데이터와 가중치의 곱의 합을 나타내며 H(x)는 시그모이드 함수의 결과치를 나타낸다. 신경회로망 학습 시 원하는 목표 값과 신경망의 출력 값의 차이를 줄이기 위해 가중치를 조정하는데, 임의의 가중치가 지나치게 커지게 되면 신경회로망의 일반화 성능이 저하된다고 알려져 있다.

이와 같은 문제점을 해결하기 위하여 도 6에서 보는 바와 같이 동일한 출력치에 대해 보다 작은 가중치를 갖도록 활성화 함수의 값을 다음과 같이 조정하였다. 은닉층의 활성화 함수 결과치는 0∼1 사이의 값을 가진다. 본 발명은 시그모이드 함수에 대해 알파값, 즉, 0.01∼0.1 사이의 값을 더하였다. 즉, 시그모이드 함수 그래프를 알파값 만큼 이동시켰다. 변형된 시그모이드 함수에 의해서 은닉층은 알파 ∼(1 + 알파)범위의 값을 가지게 되며, 알파 값에 의해서 임의 노드의 가중치 값이 지나치게 커지는 것을 방지함으로써 신경망 모델의 일반화 성능을 향상시킬 수 있다. 그 결과 활성화 함수의 조정전과 후의 일반화 성능을 비교해 본 결과 향상되었음을 확인할 수 있었다.

②기준 오차를 이용한 효율적인 학습방법

도 7에는 개발한 신경회로망 구조와 기준 오차를 이용한 효율적인 학습방법을 도시하였다. 신경회로망 학습 시 하나의 입력 데이터에 대한 학습 목표치와 신경망 출력치의 차이를 학습오차라고 하는데 N개의 입력 데이터 각각에 대한 학습오차 값이 다르며 실제로 어떤 입력 데이터는 학습 종료조건 이하의 오차를 가질 수도 있다. 종래에는 모든 입력 데이터에 대해서 동일하게 학습오차가 줄어드는 방향으로 신경망을 학습시켰다. 이와 같을 경우 학습이 미진한 즉, 학습오차가 큰 입력 데이터에 대해서도 학습을 하게되며 학습완료 조건이 충족된 입력 데이터 즉, 학습오차가 학습완료 조건오차 이하를 갖는 입력 데이터에 대해서도 계속적인 학습을 하게 된다. 따라서 본 발명에서는 신경망 학습의 효율성을 제고하기 위하여 기준 오차를 설정하고 학습오차가 기준오차 이하 값을 갖는 입력 데이터에 대해서는 학습을 하지 않고, 그 이상인 경우에 대해서만 입력 데이터를 학습시킨다. 이와 같이 함으로써 학습오차가 큰 입력 데이터에 대한 오차를 효과적으로 줄일 수 있으며, 또한 학습시간을 줄일 수 있다.

상기한 바와 같이 본 발명의 방법에 의하면 두차례에 걸쳐 취련후의 용강온도 및 탄소농도를 정확히 산출함으로써 QDT 실행 시라도 취련 후의 용강 정보를 알 수 있으며, 이로 인해 QDT 실행 횟수를 증가시킴으로써 조업시간 단축, 출강실수율 향상, 그리고 노체 부식방지 등 원가절감의 효과가 있다. 또한 학습 데이터의 구성시 데이터간의 벡터 거리를 고려하여 만들어 학습 데이터의 분포를 고르게 하고, 또한 시그모이드 함수를 0.01∼0.1 만큼 이동하게 하여 신경망 모델을 구성함으로써 신경망 모델의 일반화 성능이 향상되는 장점이 있다.

Claims (1)

1. 취련중 서브랜스 기동시 1차예측모델을 이용하여 취련중 서브랜스까지의 각종 조업데이터를 신경회로망상에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 용강온도 및탄소농도를 계산하여 예측하며, 취지후 2차예측모델을 이용하여 취지까지의 모든 조업데이터를 신경회로망에 입력 가능한 데이터로 전처리하고, 신경회로망을 사용하여 정확한 취련후의 용강온도 및 탄소농도를 예측하는 것을 특징으로 하는 신경망을 이용한 전로 취련 예측 방법.