KR19990053866A

KR19990053866A - 신경회로망에 의한 선재냉각 제어방법

Info

Publication number: KR19990053866A
Application number: KR1019970073569A
Authority: KR
Inventors: 문기철
Original assignee: 이구택; 포항종합제철 주식회사
Priority date: 1997-12-24
Filing date: 1997-12-24
Publication date: 1999-07-15
Also published as: KR100306140B1

Abstract

본 발명은 소재 정보 및 조업 프로세스값을 받아 새로운 조업패턴을 학습하여 냉각설비의 조건변화에 따라 실시간으로 냉각제어하는 신경회로망에 의한 선재냉각 제어방법에 관한 것으로, 소재정보와 냉각설비의 프로세스정보를 입력받아 신경회로망에서 이용가능하도록 데이타전처리하고, 상기 입력데이타의 패턴을 분류하고 학습된 패턴인지를 판단하여 학습패턴일 때 설정신경회로망으로 패턴종류를 알리는 단계와, 상기 판단에서 미학습패턴의 정보인 경우, 입력층, 은닉층, 출력층과 각 층사이에서 앞층노드의 출력값을 뒷층노드의 입력으로 전해주기 위한 연결강도와 임계값으로 이루어진 냉각학습신경망의 입력층으로 상기 정보를 입력하여 출력층으로 계산출력되는 출력값과 목표값과의 오차가 줄도록 각 층간의 연결강도를 수정하는 과정을 반복하여 출력값과 목표치와의 오차가 설정범위내에 수렴하면 그 연결강도를 저장하여 학습하는 단계와, 상기 판단에서 학습패턴의 정보이면, 입력층, 은닉층, 출력층의 각 층사이의 연결강도 및 임계값이 상기 정보의 패턴에서의 저장된 연결강도 및 임계값인 냉각설정신경망의 입력층으로 상기 현장정보를 입력하여 그 출력층으로부터 냉각설비의 새로운 설정값을 도출하고, 상기 미학습 패턴의 정보이면 상기 냉각패턴테이블중 근사한 냉각패턴을 선택하여 설정값을 도출하는 단계로 이루어진다.

Description

신경회로망에 의한 선재냉각 제어방법

본 발명은 신경회로망에 의한 선재냉각 제어방법에 관한 것으로, 좀더 상세하게는 신경회로망을 이용하여 선재공장의 냉각존에서 선재 코일(Coil)을 적절한 냉각패턴으로 냉각시켜 원하는 기계적 성질을 확보하기 위한 신경회로망에 의한 선재냉각 제어방법에 관한 것이다.

일반적으로, 선재공장에서의 냉각설비는 수요자가 요구하는 기계적 성질을 확보하도록 물이나 공기 등의 냉각매체로 선재를 냉각시키는 중요설비로서, 제품의 최종품질을 결정한다. 선재공장의 냉각설비는 전공정의 압연기에서 빌렛트(Billet)를 선재(Wire Rod)로 압연하여 나온 소재를 수냉박스(Water Cooling Box)로 1차 냉각시킨후, 래잉헤드(Laying Head)로 권선하여 나온 코일(Coil)을 다시 냉각콘베이어의 송풍기에서 불어내는 공기로 2차 냉각시키도록 되어 있다. 이러한 냉각설비는 소재의 재질이나 제품사이즈에 따라 그 냉각운전패턴이 달라지게 된다. 종래의 냉각 제어방법은 도1에서 도시한 바와같이 테이블 룩업(Look-up)방식으로 소재의 강종 및 제품사이즈에 따라 냉각패턴을 운전자가 미리 관리자제어컴퓨터(이하, SCC라 한다)(11)에 테이블(11a) 형태로 등록시켜 놓는데, 하나의 냉각패턴에는 120개 이상의 설정값으로 이루어져 있으며 모두 경험에 의해 구해진 값이다. 조업운전자는 SCC(11)에 등록되어 있는 냉각패턴테이블(11a)중 조업상황에 적절한 냉각패턴을 선정하면 이 패턴정보가 프로그래머블로직콘트롤러(이하, PLC라 한다)(12)로 인가되어 현장 냉각설비의 초기 설정값으로 된다. 그런데 제품의 다품종 소 롯(lot)에 따른 냉각조건의 다양화, 그에 따른 제품품질의 향상을 위해 운전자는 수시로 적절한 냉각패턴을 선정하고 이를 냉각설비에 내려보낸 후 냉각조업 및 설비상태를 감시하여야 하는데 이렇게 할 때에는 조업운전자가 상당한 정신적 부담과 업무부하를 갖게 되어 최소 횟수의 냉각설정만을 하게 된다. 따라서 종래의 운전자의 직접 설정에 의한 냉각설정방법은 냉각능 향상과 재질 편차 감소에 한계를 갖게 하여 품질향상을 어렵게 만드는 문제점이 있다.

본 발명은 상기한 종래의 문제점을 해결하기 위하여 안출한 것으로, 그 목적은 선재공장 냉각설비에서 냉각제어를 위해 냉각패턴을 조업 운전자가 수동설정하는 대신에 냉각존에서의 소재 정보 및 조업 프로세스값을 받아 새로운 조업패턴을 학습하여 냉각설비의 조건변화에 맞춰 실시간으로 냉각제어를 수행할 수 있는 신경회로망에 의한 선재냉각 제어방법을 제공함에 있다.

상기한 본 발명의 목적을 달성하기 위한 기술적 수단으로써, 본 발명은 신경회로망에 의한 선재냉각 제어방법에 있어서,

소재정보와 냉각설비의 프로세스정보를 이를 신경회로망용 정보로 전환하고, 상기 정보를 일정구간 모아 통계적방법에 의해 평균화하여 냉각패턴을 분류하고, 그 냉각패턴이 학습한 패턴영역에 속하는가를 판단하는 단계와,

상기 판단에서 미학습패턴의 정보인 경우, 입력층, 은닉층, 출력층과 각 두층사이에서 앞층노드의 출력값을 뒷층노드의 입력으로 전해주기 위한 연결강도와 임계값으로 이루어진 냉각학습신경망(CLNN)의 입력층으로 상기 정보를 입력하여 출력층으로 계산출력되는 출력값과 목표값과의 오차가 줄도록 각 층간의 연결강도를 수정하는 과정을 반복하여 출력값과 목표치와의 오차가 설정범위내에 수렴하면 그 연결강도를 저장하여 학습하는 단계와,

상기 판단에서 학습패턴의 정보이면, 입력층, 은닉층, 출력층과 각 층사이에 상기 학습신경회로망의 학습에 의하여 설정된 연결강도 및 임계값을 구비한 냉각설정신경망(CSNN)의 입력층으로 상기 현장정보를 입력하여 그 출력층으로부터 냉각설비의 새로운 설정값을 도출하고, 상기 미학습 패턴의 정보이면 상기 조업운전자에 의하여 등록된 냉각패턴테이블중 적절한 냉각패턴을 선택하여 냉각설비의 새로운 설정값으로 도출하여 냉각제어를 수행하는 단계를 구비한다.

도1은 종래의 선재냉각제어흐름을 보이는 블록도이다.

도2는 본 발명에 의한 선재냉각 제어방법에 적용되는 신경회로망의 구조도이다.

도3은 본 발명에 의한 선재냉각제어흐름을 보이는 블록도이다.

도4는 본 발명에 의한 선재냉각제어방법을 처리수순에 따라 도시한 플로우챠트이다.

* 도면의 주요 부분에 대한 부호의 설명*

11 : 관리자제어컴퓨터(SCC) 12 : 프로그래머블로직콘트롤러(PLC)

13 : 냉각설비 13a : 사상압연(Finishing Block)

13b : 수냉박스(Water Cooling Box)13c : 래잉헤드(L/H:Laying Head)

13d : 서냉커버 13e : 냉각콘베어

13f : 송풍기(Blower) 14 : 선재코일

23 : 냉각제어시스템

첨부된 도면 및 표에 의하여 본 발명의 바람직한 실시예를 상세히 설명하면 다음과 같다.

도3에 보인 바와같이, 조업운전자에 의하여 입력되는 소재정보를 냉각제어시스템(23)으로 인가하고 냉각제어시스템(23)에서 미학습상태로 판단하면 조업자에 의하여 등록된 냉각패턴테이블(11a)에서 설정되는 적절한 패턴의 설정값을 PLC(12)로 인가하는 SCC(11)와, SCC(11)로부터 입력되는 소재정보와 상기 PLC(12)로부터 입력되는 냉각설비의 프로세스정보를 신경망에서 이용할 수 있는 데이타형태로 정규화시키는 데이타전처리부(23a)와 상기 데이타전처리부(23a)를 거친 데이타를 통계적 제어방법(MTE)을 이용하여 일정구간 모아진 데이타를 평균화하여 냉각패턴을 분류하고 현재정보가 학습된 패턴영역에 있는가를 판정하는 상태판단통계모델(SASM)(23b)과 입력층, 은닉층, 출력층과 각 층사이에서 앞층노드의 출력값을 뒷층노드의 입력으로 전해주기 위한 연결강도와 임계값으로 이루어져 입력층으로 미학습패턴의 현장정보를 입력하여 출력층으로 계산출력되는 출력값과 목표값과의 오차가 줄도록 각 층간의 연결강도를 수정하는 과정을 반복하여 출력값과 목표치와의 오차가 설정범위내에 수렴하면 그 연결강도를 저장하여 학습하는 냉각학습신경망(23c)과 입력층, 은닉층, 출력층과 각 층사이에 상기 학습신경회로망의 학습에 의하여 설정된 연결강도 및 임계값으로 이루어져 학습패턴의 현장정보를 입력층으로 입력하여 출력층으로 출력되는 설정값을 PLC(12)에 인가하는 냉각설정신경망(23d)으로 이루어진 냉각제어시스템(23)과, 상기 냉각프로세서정보를 상기 냉각제어시스템(23)으로 인가하고 상기 SCC(11) 또는 냉각제어시스템(23)으로부터 인가되는 설비의 설정값을 입력받아 냉각설비(13)를 제어하는 PLC(12)를 구비한다.

이상과 같은 냉각제어시스템(23)을 구비한 냉각설비의 동작을 도4에 도시한 플로우챠트를 참조하여 설명한다.

먼저, 냉각설비 전단의 가열로(도시생략)로부터 소재가 추출되면(41) PLC(12)로부터 냉각프로세스값을 읽어들이고(42), SCC(11)로부터 소재정보를 입력받는다(43).

상기 냉각작업에 영향을 미치는 인자들을 바탕으로 하는 현장 정보는 소재정보 및 냉각설비의 프로세스정보로서, 운전자들이 실제 조업에서 판단기준으로 삼는 것으로 하는데, 이들은 냉각방식에 따라 구분하는 냉각코드(ㄱ), 탄소, 망간, 규소를 바탕으로 하는 재질규격(ㄴ), 압연되어 생산되는 선재의 제품사이즈(ㄷ), 작업조의 특성을 나타내는 조(組) 구분(ㄹ), 각 라인 사상압연속도(ㅁ), 각 라인 래잉헤드(Laying Head) 전단부 속도(ㅂ), 각 라인 래잉헤드(Laying Head) 후단부 속도(ㅅ), 각 라인 냉각 콘베어 존(zone)별 선재코일온도(ㅇ), 냉각콘베어롤속도(a), 수냉박스 밸브 개폐여부(b), 송풍기별 송풍량(c), 송풍방향(d), 서냉커버 개폐여부(e), 래잉헤드온도(f), 수냉박스 공급수 압력(g), 사상압연 라운드(round)값(h), 사상압연 난(卵)형도(ovality)(i)이다.

상기 정보들을 SCC(11) 및 PLC(12)로부터 받게 되는데, 이 수신시점은 소재가 가열로에서 추출되어 조압연(Roughing Mill)을 통과할 때이며, SCC(11)에서는 상기 추출된 소재에 대한 냉각코드(ㄱ), 재질규격(ㄴ), 제품사이즈(ㄷ), 조구분(ㄹ)등의 소재정보를, PLC(12)에서는 상기 추출된 소재가 입력될 냉각설비의 각 라인 사상압연속도(ㅁ), 각 라인 래잉헤드(Laying Head) 전단부 속도(ㅂ), 각 라인 래잉헤드(Laying Head) 후단부 속도(ㅅ), 각 라인 냉각 콘베어 존별 선재코일온도(ㅇ)등의 프로세스정보와, 냉각콘베어의 롤 속도(a), 수냉박스 밸브 개폐여부(b), 송풍기별 송풍량(c), 송풍방향(d), 서냉커버 개폐여부(e), 래잉헤드온도(f), 수냉박스 공급수 압력(g), 사상압연 라운드(round)값(h), 사상압연 난형도(ovality)(i)의 프로세스제어정보를 준다.

이와같이, 냉각제어시스템(23)으로 입력되는 소재정보와 냉각프로세스정보는 메모리에 저장된 후, 상태판단통계모델 및 신경망에서 이용할 수 있도록 각각 다음과 같은 전처리를 거친 후 보조메모리(디스크)에 파일형태로 저장된다(44).

더 상세하게 설명하면, 상기 냉각코드(ㄱ)와 재질규격(ㄴ)의 값은 문자, 기호 및 숫자(Character)로 구성되어 있으므로, 이들 각각의 ASCII Character Code를 합산한 후 Hash function으로 1에서 1000까지 분류하여 선형 매핑(Mapping)에 의하여 [0.0, 1.0]사이의 실수값으로 전환하여 데이터 파일(DATF)에 저장한다.

그리고, 제품사이즈(ㄷ)는 제품사이즈값 5.5Ф에서 42.0Ф까지의 값을 선형 매핑에 의하여 [0.0, 1.0]사이의 실수값으로 전환시켜 데이타파일(DATF)에 저장한다.

또한, 조구분(ㄹ)은 A, B, C, D의 4개조를 1, 2, 3, 4로 전환하여 선형 매핑에 의하여 [0.0, 1.0]사이의 실수값으로 전환시켜 데이터파일에 저장한다.

또한, 각 라인의 사상압연속도(ㅁ), 래잉헤드 전단부 속도(ㅂ), 래잉헤드 후단부 속도(ㅅ), 각 라인 냉각콘베어존별 선재코일온도(ㅇ) 및 냉각콘베어롤속도(a), 송풍기별 송풍량(c), 송풍방향(d), 래잉헤드온도(f), 수냉박스 공급수 압력(g), 사상압연 라운드(round)값(h), 사상압연 난형도(i)는 사전에 수집한 각각의 실적정보 전체를 통계분석하여 나온 평균치와 분산을 이용한 매핑, 즉 (임의값-평균값)/(3.0*분산값)에 의하여 [-1.0.1.0]사이의 실수값으로 전환시켜 데이터파일에 저장한다.

마지막으로, 수냉박스 밸브 개폐여부(b)와, 서냉커버 개폐여부(e)는 각각 수냉박스 밸브 수와 서냉커버수 만큼의 2진법 자리수로 하여, 열려있는 경우 1, 닫혀있는 경우0으로 하는 2진수를 10진수로 변환하고 이를 선형매핑에 의하여 [0.0, 1.0]사이의 실수값으로 변환시킨다.

이상과 같이 데이터 전처리를 한 후, 상태판단통계모델(23b)에서 데이타파일(DAFT)을 읽어들여, MTE(Mathematical Theory of Evidence)에 의하여 공정 데이터를 분류하여 시스템상태를 판정한다(45).

상기 상태판단통계모델(23b)은 냉각공정의 정상상태여부를 판정하는 통계모델과, 냉각패턴을 분류하고 이 분류에 따라 데이타를 구분하여 수집하는 패턴비교로직과, 냉각패턴별 냉각학습신경망의 학습수행결과를 기준값과 비교하는 학습여부판단로직을 구비하며, 상태판정위해 소재의 냉각코드(ㄱ), 재질규격(ㄴ), 제품사이즈(ㄷ), 조구분(ㄹ), 사상압연속도(ㅁ), 냉각콘베어 존별 선재코일온도(ㅇ) 및 래잉헤드 온도(f)의 7가지 데이타의 값들이 변화를 일으킬때 냉각시스템이 변한다고 결정한다. 즉, 냉각공정이 정상상태인가 아니면 새로운 상태로 바뀌었는가 이다. 바뀌었으면 먼저 조구분(ㄹ)에 의해 분류하고 일정구간 모아진 데이타의 평균/분산값 또는 최소/최대값을 비교하여 가장 근사패턴영역으로 전처리된 데이타를 모으며, 냉각학습신경망의 학습여부판단은 분류된 패턴에 셋트된 데이타수가 일정수보다 많이 수집되고 이들 데이타를 지금까지 냉각학습신경망(23c)이 학습한 학습에러율이 일정범위 이내일 때 학습된 것으로 판단하고, 학습이 완료된 것으로 판단되면 냉각설정신경망(23d)에 냉각패턴의 종류를 알려준다.

더 상세하게 설명하면, 상기 상태판단통계모델(23b)은 조업의 이력 데이터를 바탕으로 조업의 정상상태(Steady State) 변화를 감지하게 된다. 데이터(ㄱ)-(ㅇ)의 값들이 변화를 일으킬 때 시스템이 변한다고 결정 짓는다. 이 방법에 있어서 측정의 다양성은 측정오차 Covariance행렬에 의해 주어진다. 결정방법인 MTE의 접근 방식에 있어서 핵심은 관심의 대상이 되는 다른 가설에 대하여 신뢰함수(Belief Function)를 적용하는 것이다. 가설에는 3가지가 있는데, "(1)시스템이 정상상태(Steady State) 이다. (2)시스템의 상태가 바뀌었다. (3)시스템의 상태가 정상상태인지 변했는지 모른다"이다. 상기 3가지 가능한 가설(1),(2),(3)에 대하여 신뢰함수의 값을 지정하되 그 값들의 합이 1이 되도록 지정한다. 즉 모든 가능한 가설에 대한 신뢰함수의 값의 합은 언제나 1이다. 각 측정변수의 신뢰함수는 정상상태인 경우 mi(S), 비정상상태인 경우 mi(NS0, 불확실한 경우 mi(U)라고 할 때 이들 신뢰함수는 독립적으로 존재하고 최종에는 이 값들을 묶어서 시스템의 상태를 결정한다.

상기 수학식1에서 p는 전체 변수의 개수이며 m(S)가 m(NS)보다 크면 정상상태로 판정되고 반대인 경우 상태가 변했다고 판정한다. 상태판정결과는 결과파일(RESF)에 저장하는데, 그 형태는 아래의 표 1과 같다.

아래의 표1의 맨 첫 번째 라인에서 영(0)이 현시점이고 이것을 기준으로 오른쪽으로 △T만큼씩 과거시점과 비교한 상태결과를 나타낸다. 양수(+)의 값은 정상상태이며 그 숫자번째의 측정변수가 가장 안정적인 것을 의미한다. 반대로 음수(-)의 값은 비정상상태를 말하며 그 숫자번째의 측정변수가 가장 불안정하다.

참조파일(REFF)에는 분류된 상태마다의 각 측정변수의 최대, 최소값 또는 평균, 분산값을 저장시켜 놓는다.

	-Δt -2Δt -3Δt -4Δt -5Δt -6Δt -7Δt -8Δt -9Δt -10Δt -11Δt…
-Δt-2Δt-3Δt-4Δt-5Δt-6Δt-7Δt：	0 2 3 3 3 -2 -2 -2 -1 -1 -1 -1 …2 0 3 3 3 -1 -2 7 7 -1 -1 -1 …3 3 0 3 3 -1 -2 -2 -1 -1 -1 -1 …3 3 3 0 3 -1 -2 -2 -2 -1 -1 -1 …3 3 3 3 0 -1 -2 -2 -1 -1 -1 -1 …3 -1 -1 -1 -1 0 4 4 4 4 4 4 …-2-2 -2 -2 -2 4 0 4 3 3 4 4 …-2 7 -2 -2 -2 4 4 0 4 4 4 4 …：：：：：：：：：：：：

상태판단 통계모델(23b)을 실행시키기 위해 시스템파일(SYSF)의 정보를 이용하게 되는데 적절한 값을 사전에 지정해 놓는다.

①전체 측정변수의 갯수

②샘플링 데이터 갯수

③데이터 샘플링 방식(규칙/불규칙) 및 샘플주기

④실행방법(연속/Batch)

⑤참조파일(REFF)에 저장되는 값의 범위지정(최대-최소/평균-분산)

⑥가설검정의 신뢰도(신뢰구간 90%, 95%)

⑦대상이 되는 데이터 Set의 라인번호를 위한 인덱싱 변수

⑧상태판단 관련파일명 : 데이터파일(DATF),결과파일(RESF),참조파일(REFF)

⑨냉각학습신경망 학습여부 : 데이터 샘플링 횟수 500회 이상,

에러율 △ε/ε < 0.02인 경우 학습달성

상태판단통계모델(23b)의 처리과정을 설명하면, 시스템파일(SYSF)을 읽어 드린 후, 메모리공간 할당 및 변수를 지정하여, 데이터파일(DATF) 내용전체를 메모리로 올리며, 입력변수의 행위치에 따른 입력변수를 선택하여 열(Raw)로 지정한다. 그리고, 센터링(Centering) 및 스케일링(Scaling)을 수행하여 각 구간의 평균과 분산을 얻어, 금번 구간 데이터와 이전 구간 데이터에 대하여 MTE테스트를 수행하여, 상태가 다르면 결과파일(RESF)을 읽어 드리고, 결과파일(RESF)에서 각 상태마다 MTE를 연속적으로 수행하여 가장 근접한 사건을 찾아 상태정보를 신경회로망으로 주고 근접한 상태가 없으면 새로운 상태를 추가하고 그 상태정보를 신경회로망으로 넘겨준다.

그리고, 학습여부를 판단하는데(46), 현 상태에서 입력된 정보의 발생횟수와 최소발생횟수(500)와의 비교판단에 의하고 학습 에러율(△ε/ε)이 0.02보다 작을 때 학습을 달성한 것으로 한다. 판단에 이용되는 항목은 재질규격(ㄴ), 제품사이즈(ㄷ), 조구분(ㄹ), 학습횟수(ㅈ)가 그 것이다.

이상과 같은 상태판단통계모델(23b)의 판단에 의하여(46), 신경회로망이 학습하지 않은 초기단계이거나 아직 학습되지 않은 새로운 정보일 경우에는 냉각패턴테이블(11a)에 의해 PLC(12)로 냉각패턴을 설정한다(47).

반대로, 상기 판단(46)에서 학습된 패턴이면 금번(Sampling time t)의 정보를 가지고 계산한 출력치를 이전시간(t-1)의 값과 비교하여 제어기가 댐핑(Damping) 현상을 보이지 않으면서 도달할 수 있는 영역내의 값인가를 판단하고, 불가능한 영역이면 사용된 정보를 신경회로망용 데이타를 저장하는 데이터파일(DATF)에 기록하고 냉각학습신경망( 23c)이 계속 학습하게 된다. 만약에 가능한 영역내의 값이면 냉각설정신경망(23d)에서 이 새로운 값(설정치)을 PLC(12)로 보내게 되는데, 현재 냉각라인에 소재가 존재할 경우에는 설정치는 내려보내지 않으며 소재가 없을 경우에만 PLC(12)에서의 설정값을 변경토록 한다(48).

상기 도3에서, 냉각학습신경망(23c)과 냉각설정신경망(23d) 은 다층퍼셉트론(Multilayer Perceptron) 구조를 가지며 학습방법은 Levenberg-Marquart(LM)인데, 기존의 역전파(Backpropagation)알고리즘을 개량한 것으로 학습능력이 우수하다. 냉각학습신경망(23c)과 냉각설정신경망(23d)의 신경회로망 구조와 이용되는 입력변수 및 목표로 하는 출력변수는 도 2와 같다.

역전파 과정은 두 진행과정을 거치는데, 먼저 전진과정에서는 입력층으로 들어온 활성 패턴이 망을 통하여 층과 층으로 진행하여 최종의 출력층에 이르고 여기서 현재 상태의 망의 실제 반응을 계산해낸다. 이때 전진과정에서는 층과 층간의 연결강도는 고정되어 있다.

반면에 후진과정에서는 원하는 목표값과 전진과정에서 계산된 출력층의 출력값과의 오차를 줄이기 위하여 오차신호가 역방향으로 전파되면서 각 층간의 연결강도를 오차 감소방향으로 수정한다. 냉각설정신경망(23d)은 역전파 과정의 전진과정만 수행하며 거기서 나온 출력결과가 냉각패턴의 설정값이 되는 것이다. 냉각학습신경망(23c)은 전,후진과정 둘다 수행하여 연결강도를 오차 감소방향으로 보정한다. 그리고 보정된 연결강도를 냉각설정신경망(23d)에서 이용할 수 있도록 넘겨주게 된다. 상기 냉각학습신경망(23c)은 전,후진과정 둘다 수행하여 연결강도를 오차 감소방향으로 보정한다. 그리고 보정된 연결강도를 냉각설정신경망(23d)에서 이용할 수 있도록 넘겨주게 된다. 냉각학습신경망(23c)을 실행시키기 위해 신경회로망용 시스템파일(SYSF) 의 정보를 이용한다. 그 정보는 입력층에 이용될 변수의 개수, 출력층의 출력변수 개수, 샘플링 데이터 개수, 실행모드(학습/테스트), 입력변수의 행(Column) 위치, 출력변수의 행(Column) 위치, 대상이 되는 데이터 세트의 라인번호를 위한 인덱싱 변수, 관련 파일명은 데이터파일(DATF), 결과파일(RESF)이다.

상기 냉각학습신경망(23c)의 처리과정을 설명하면, 시스템파일(SYSF)을 읽어 드리고, 메모리공간 할당 및 변수를 지정하며, 상태판단통계모델(23b)에서 구한 특성상태에 따라 분류된 데이터파일(DATF) 내용 전체를 메모리로 올리고, 상태발생 참조파일(REFF)에서 상태발생횟수에 따른 실행모드에 따라 학습을 하거나 테스트를 수행하고, 학습모드인 경우 LM 학습방법에 의해 연결강도(Weight) 및 바이어스를 보정한다. 그리고, 테스트모드인 경우 교차검정을 하고, 수행결과를 결과파일(RESF)에 기록한다.

그리고, 냉각설정신경망(23d)은 빌렛트가 조압연을 통과하는 시점에 데이터 전처리된 빌레트정보 및 냉각 프로세스정보를 받아 이미 냉각학습신경망이 학습해서 구해놓은 연결강도 및 임계값을 사용하여 적절한 냉각제어를 위한 냉각패턴치를 구하여 냉각설비로 설정하는 것으로, 상기 냉각학습신경망(23c)은 역전파 과정에서 전, 후진과정 둘다 수행하지만 냉각설정신경망(23d)은 학습을 하지 않으므로 역전파 과정의 전진과정만 수행한다.

상기 냉각설정신경망(23d)의 처리과정은 다음과 같이, 메모리공간 할당 및 변수를 지정하고, 데이터파일(DATF) 내용전체를 메모리로 올리며, 냉각학습신경망(23c)이 도출한 연결강도와 바이어스로 설정값을 구하고, 냉각설정신경망(23d)에서 구해진 설정값(냉각패턴값)을 PLC(12)로 보내기전에 조업상황과 이전에 설정된 냉각패턴값을 체크하여 적절한 조건에 따라 설정한다(48).

상기와 같이, 판단된 상태패턴이 신경회로망이 아직 학습한 적이 없는 초기단계이거나 상기의 조업정보가 학습되지 않은 새로운 정보의 입력일 경우일때 운전자가 강종 및 제품사이즈 등에 따라 냉각패턴을 테이블형태로 등록시킨 냉각패턴테이블(11a)에서 선택된 냉각패턴(설정값)과, 학습패턴일 때, 상기 냉각설정신경망(23d)에 의하여 설정된 냉각패턴(설정값)은 선재냉각설비(13)의 냉각존에 소재가 존재하지만 그 소재에 대한 냉각패턴과 비교하여 동일하지 않고(49,50), 냉각존에 소재가 없는 경우(49)에 PLC(12)로 전송된다(51).

그리고, 상기 PLC(12)는 상기 SCC(11) 또는 냉각제어시스템(23)로부터 인가되는 설정값으로 냉각설비의 각 초기상태를 설정하여 제어한다.

이상과 같이, 본 발명의 신경회로망에 의한 선재냉각 자동제어방법은 수식에 의하여 계산하여 나온 이론값을 실 조업 특성에 맞도록 장기간의 계수조정과 테스트를 거쳐 나온 출력으로 정형화한 조업에서만 제한적으로 사용하는 제어방법이 아니라 실조업 데이터만으로 학습한 후 단순처리케함으로써 수식계산에 따른 시스템 부하를 방지할 수 있고, 설비 및 주변여건이 변했을 때에도 재학습에 의해 제어가 가능하며, 컴퓨터에서 수집된 실적 데이터만으로 현장조업패턴을 스스로 학습하므로 조업운전자의 부담이 없고, 또한 타 시스템으로의 활용이 용이하여 광범위한 파급효과와 기술수준 향상효과가 매우 크다.

Claims

신경회로망에 의한 선재냉각 제어방법에 있어서,

소재정보와 냉각설비의 프로세스정보를 현장정보로 입력받아 이를 신경회로망용 정보로 전환하고, 상기 정보를 일정구간 모아 통계적방법에 의해 평균화하여 냉각패턴을 분류하고, 그 냉각패턴이 학습한 패턴영역에 속하는가를 판단하는 단계와,

상기 판단에서 미학습패턴의 정보인 경우, 입력층, 은닉층, 출력층과 각 두층사이에서 앞층노드의 출력값을 뒷층노드의 입력으로 전해주기 위한 연결강도와 임계값으로 이루어진 냉각학습신경망(CLNN)의 입력층으로 상기 정보를 입력하여 출력층으로 계산출력되는 출력값과 목표값과의 오차가 줄도록 각 층간의 연결강도를 수정하는 과정을 반복하여 출력값과 목표치와의 오차가 설정범위내에 수렴하면 그 연결강도를 저장하여 학습하는 단계와,

상기 판단에서 학습패턴의 정보이면, 입력층, 은닉층, 출력층과 각 층사이에 상기 학습신경회로망의 학습에 의하여 설정된 연결강도 및 임계값을 구비한 냉각설정신경망(CSNN)의 입력층으로 상기 현장정보를 입력하여 그 출력층으로부터 냉각설비의 새로운 설정값을 도출하고, 상기 미학습 패턴의 정보이면 상기 조업운전자에 의하여 등록된 냉각패턴테이블중 적절한 냉각패턴을 선택하여 냉각설비의 새로운 설정값으로 도출하여 냉각제어를 수행하는 단계를 구비함을 특징으로 하는 신경회로망에 의한 선재냉각 제어방법.
제1항에 있어서, 상기 현장정보는

소재가 가열로에서 추출되어 조압연을 통과할 때를 수신시점으로 하여 추출되는 냉각코드, 재질규격, 제품사이즈, 조구분등의 소재정보와, 상기 추출된 소재가 입력될 냉각설비의 각 라인 사상압연속도, 각 라인 래잉헤드(Laying Head) 전단부 속도, 각 라인 래잉헤드(Laying Head) 후단부 속도, 각 라인 냉각 콘베어 존별 선재코일온도와, 냉각콘베어 롤속도, 수냉박스 밸브 개폐여부, 송풍기별 송풍량, 송풍방향, 서냉커버 개폐여부, 래잉헤드온도, 수냉박스 공급수 압력, 사상압연 라운드(round)값, 사상압연 난형도의 프로세스제어정보로 이루어짐을 특징으로 하는 신경회로망에 의한 선재냉각 제어방법.