KR20000048928A - 시변 산업 프로세스 패러미터의 확인 또는 예측을 위한 방법 및장치 - Google Patents

Abstract

본 발명은, 특히 가변 프로세스 패러미터 또는 프로세스에 영향을 끼치는 장애를 갖는 산업 프로세스, 특히 원료 산업 설비의 프로세스 패러미터를 확인 또는 예측하기 위한 방법에 관한 것이며, 확인될 프로세스 패러미터는 프로세스 모델에 의해 프로세스로부터의 측정값에 따라 결정되고, 프로세스 모델은 시간에 따라 측정되는 프로세스의 형태를 나타내는 적어도 하나의 시불변 또는 거의 시불변 프로세스 모델 및 프로세스 패러미터의 장애 또는 변화의 적어도 하나의 시상수에 매칭되는 적어도 하나의 시변 프로세스 모델을 포함한다.

Description

시변 산업 프로세스 패러미터의 확인 또는 예측을 위한 방법 및 장치 {A PROCESS AND DEVICE FOR IDENTIFICATION OR PRE-CACULATION OF PARAMETERS OF A TIME-VARIANT INDUSTRIAL PROCESS}

산업 프로세스의 조정 또는 제어 시, 특히 제철소와 같은 원료 산업 설비에서는 자주, 일정한 프로세스 패러미터를 예측하거나 직접 측정 불가능한 프로세스 패러미터를 확인하는, 즉 결정하는 것이 필수적이다. 이 경우, 기술적으로 측정 가능한 프로세스 패러미터를 확인하는 것이 필요하지만, 그것의 측정은 비용이 많이 든다.

프로세스 패러미터를 모델 지원으로 확인하는 것이 공지되어 있다. 이 경우 입력값 또는 확인될 패러미터에 적합한 입력값이 일반적으로 단순환된 프로세스 모델에 제공된다. 그러나 상기의 공지된 방법은 원료 산업 설비에서 자주 문제를 야기한다. 원료 산업 설비, 특히 제철소에서, 확인의 오류 또는 확인의 정확성 결여는 불량품을 제조함으로써 많은 비용을 초래한다는 것이 특징적이다. 이러한 점은 특히 원료 산업 설비, 특히 제철소에서 장애가 부분적으로 빠르게 변하여 새로운 입력값에 매칭하기 위해 프로세스 모델이 필요로 하는 시간 동안 제품 및 불충분한 품질의 제품을 제조할 수 있는 것에 의해 더욱 심화된다. 이러한 문제점은 특히, 운전 상태가, 압연 또는 새로운 물질로 이루어지거나 종래의 밴드와 다른 두께를 갖는 새로운 압연 밴드에 의해 급격히 변하는 압연로에서 발생한다.

본 발명은 시변(time-variant) 산업 프로세스 패러미터를 확인 또는 예측하기 위한 방법 또는 장치에 관한 것이다.

도 1은 시변 산업 프로세스의 프로세스 패러미터의 확인 또는 예측을 위한 본 발명에 따른 방법을 도시하며,

도 2, 도 3 및 도 4는 시변 산업 프로세스의 프로세스 패러미터의 확인 또는 예측을 위한 방법의 대안적인 실시예를 도시한다.

본 발명의 목적은, 확인된 또는 예측된 프로세스 패러미터를 상응하는 프로세스의 변하는 운전 상태에 매칭하는 것을 가능하게 하는 방법 또는 장치를 제공하는 것이다.

상기 목적은 본 발명에 따라 특히 빠르게 변하는 프로세스 패러미터 또는 프로세스에 작용하는 장애를 갖는 산업 프로세스, 특히 원료 산업 설비의 프로세스 패러미터의 확인 또는 예측을 위한 방법 또는 장치에 의해 달성되며, 이 경우 확인될 프로세스 패러미터는 프로세스로부터의 측정값에 따라 프로세스 모델을 이용하여 결정되고, 프로세스 모델은 프로세스의 시간에 따른 평균 형태를 나타내는 적어도 하나의 시불변 프로세스 모델 또는 거의 시불변 프로세스 모델 및 프로세스 패러미터의 장애 및 변화의 적어도 하나의 시상수(time constant)에 매칭되는 적어도 하나의 시변 고정 모델을 포함한다. 상기 방법은 시변 프로세스의 프로세스 패러미터를 확인하거나 예측하는 데 매우 바람직하다는 것이 증명되었다. 이 경우 장애는 프로세스 패러미터의 변화로 해석되며 가변 모델 패러미터를 갖는 고정 패러미터의 실제적인 변화와 동일하게 형성된다.

본 발명의 바람직한 실시예에서 확인될 프로세스 패러미터의 변화와 관계된 프로세스의 각각의 중요 상수에는 상응하는 시상수에 매칭되는 시변 모델이 할당된다. 각각의 중요 시상수의 이러한 모델링에 의해 프로세스 모델에서 프로세스 패러미터의 각각의 변화를 따르는 것이 가능하다. 이 경우 이러한 방법은 예를 들어 장애에 의한 프로세스의 빠른 변화 시 프로세스 모델의 빠른 적응을 가능하게 한다.

본 발명의 바람직한 추가 실시예에서, 시변 모델의 온-라인-적응(On-line-adaption)에 의해 시상수 및 확인될 또는 예측될 프로세스 패러미터의 변화와 관련된 프로세스의 변경 또는 장애에 대한 시변 모델의 매칭이 이루어지며, 온-라인-적응의 주기 시간은 시상수에 매칭된다. 이 경우 시변 프로세스 모델을 신경망으로 형성하는 것은 매우 바람직하다는 것이 증명되었다.

압연 설비에서, 가장 빠른 모델, 즉 대부분의 트레이닝 사이클을 거치는 모델을 각각의 압연 밴드, 특히 새로운 특성을 갖는 각각의 압연 밴드에 따라 프로세스에 적응시키거나 트레이닝하는 것이 매우 바람직한 것으로 증명되었다. 또한, 압연 설비에 하나의 시불변 모델 및 2개의 시변 모델을 사용하는 것이 바람직한 것으로 증명되었다.

추가 장점 및 발명적 특성은 도면에 의해 그리고 종속항과 관련한 실시예의 설명으로부터 얻어진다.

첨부한 도면을 참고로 본 발명의 실시예를 자세히 살펴보면 하기와 같다.

도 1은 시변 산업 프로세스의 프로세스 패러미터의 확인 또는 예측을 위한 본 발명에 따른 방법을 도시한다. 이 경우 프로세스 모델에 프로세스 상태 정보 또는 프로세스로부터의 측정값, x₀, x₁, x₂..., x_n이 제공된다. 프로세스 상태값 또는 프로세스로부터의 측정값, x₀, x₁, x₂..., x_n은 상이하거나 동일할 수 있다. 또한 상기 값은 복합적, 즉 다수의 프로세스 상태값을 포함할 수 있다. 프로세스 모델은 시불변 또는 거의 시불변 프로세스의 기본 모델(1)을 포함하며, 상기 기본 모델(1)은 산업 프로세스를 장시간적인 평균값에서 형성한다. 시불변 또는 거의 시불변 기본 모델의 입력값 또는 출력값은 x₀또는 y₀이다. 도면 부호 2, 3 및 4는 시변 모델을 나타내며, 상기 모델에 의해 입력값, x₁, x₂..., x_n으로부터 보정 패러미터 y₁, y₂,..., y_n이 계산된다. 이 경우 시변 모델(2, 3 및 4)은 프로세스의 상이한 시상수에 매칭되어 y₀값의 보정을 위해 프로세스의 상이한 다이나믹 부분에 대한 보정값, y₁, y₂,..., y_n을 제공하며, y₀값은 시불변 또는 거의 시불변 기본 모델에 의해 제공된다. 보정값 y₁, y₂,..., y_n은 연산(5, 6 및 7)에 의해 y₀값으로 연산되어서, 최종 연산(7)의 출력에 프로세스 패러미터(y)가 제공되며, 상기 프로세스 패러미터(y)는 프로세스의 정적인(static) 부분 뿐만 아니라, 시변 모델(2, 3 및 4)에서 고려되는 프로세스의 시변 부분을 포함한다. y값 및 y₀, y₁, y₂,..., y_n값은 x₀, x₁, x₂..., x_n값과 같이 복합적인 값 또는 수량(scalar)일 수 있다. 다수의 프로세스 패러미터(y)가 확인되어야 할 때는, 이러한 프로세스 패러미터(y)의 확인이 바람직하게 상이한 모델의 사용에 의해, 즉 각각의 공정 패러미터(y)에 대해 도 1에 따른 각각의 모델을 사용함을써 이루어진다. 상기 방식으로, 특히 시변 모델은 프로세스 패러미터(y)로 최적화하는 것이 가능하다.

연산(5, 6 및 7)에는 특히 승산(multiplication) 및 가산이 있다.

시불변 또는 거의 시불변 기본 모델(1) 또는 시변 모델은 분석 모델, 신경망 또는 하이브리드 모델(hybrid model), 즉 분석 모델과 신경망의 결합일 수 있다. 그러나 시변 모델(2, 3 및 4)을 신경망으로 형성하는 것이 매우 바람직한 것으로 입증되었다.

시변 부분 모델(2, 3 및 4)은 특히 온-라인으로 실제 프로세스에 적응된다. 이러한 적응은 도 1에 도시되지 않는다. 또한 시변 또는 지속적으로 불변하는 기본 모델을 일정한 시간 간격으로 실제 프로세스에 적응하는 것도 바람직한 것으로 입증되었다.

도 2는 시변 산업 프로세스의 프로세스 패러미터의 확인 또는 예측을 위한 본 발명에 따른 도 1의 방법에 대한 대안적인 실시예를 도시한다. 도 1에 따른 방법에서와 같이 프로세스 패러미터(y)는 시불변 또는 거의 시불변 기본 모델(8), 시변 모델(9, 10 및 11) 및 연산(12, 13 및 14)에 의해 측정된다. 도 1의 방법과 반대로 시불변 모델(9, 10 및 11)에서는 x₁, x₂..., x_n값 외에도 시불변 또는 거의 시불변 기본 모델(8)의 출력값, y₀및 보정값, y₁, y₂,..., y_n가 제공된다. 이 경우 다시 2개의 대안적인 실시예가 가능하다. 제 1 대안에 따라 시불변 모델(2, 3 및 4)에는 이전 모델의 출력값만이 제공된다. 즉, 시변 모델(9)의 입력값은 x₁및 y₀이고 시변 모델(10)의 입력값은 x₂및 y₁등이다. 제 2 대안에 따라, 도 2에 도시된 것과 같이, 시변 모델(9, 10 및 11)에는 입력값, x₁, x₂..., x_n외에도 보정값, y₀, y₁, y₂,..., y_n-1의 선택값이 입력값으로 제공된다.

도 3은 시불변 프로세스의 패러미터(y)를 확인 또는 예측하기 위한 본 발명에 따른 도 2의 방법에 대한 대안적인 실시예를 도시한다. 프로세스 패러미터(y)는 재차 시불변 또는 거의 시불변 기본 모델(15), 시변 모델(16, 17, 18) 및 연산(19, 20, 21)에 의해 확인된다. 도 2에서 설명된 방법과 반대로 시불변 모델(17 및 18)에서는 보정값 y₁, y₂,..., y_n-1이 아닌 보정된 중간값 y_0,1, y_1,2,..., y_n-2,n-1이 제공된다. 그렇지 않으면 도 2에서 실행된 방법이 도 3에도 유효하며 도 1에서 실행된 방법이 도 2 및 도 3에도 유효하다.

도 4는 산업적 시변 프로세스의 프로세스 패러미터(y)를 확인 또는 예측하기 위한 본 발명에 따른 방법의 추가 대안을 도시한다. 이 경우 시불변 또는 거의 시불변 프로세스의 모델(22)에 프로세스 상태 정보 또는 프로세스로부터의 측정값(x)이 제공된다. 상기 측정값(x)은 시변 모델(23)에 제공되는 중간값(u₀)을 결정한다. 시변 모델(23)은 그 안에 모델링된 프로세스의 다이나믹 부분으로 보정된 중간값(u₁)을 측정하며, 상기 중간값(u₁)은 재차 추가 시변 부분 모델(24)에 제공된다. 상기 부분 모델(24)은 그 안에 모델링된 프로세스의 다이나믹 부분으로 보정된 중간값(u₂) 등을 측정한다. 마지막으로 최종 부분 모델(25)은 시변 모델(23, 24 및 25)로 이루어진 다이나믹 부분을 포함하는 확인될 패러미터(y)에 대한 값(y)을 산출한다.

도 1 내지 도 4에 따른 본 발명에 따른 방법의 대안은 프로세스 패러미터의 확인, 즉 결정에 적합할 뿐 만 아니라 그것의 예측에도 매우 바람직하다.

본 발명에 의해, 확인된 또는 예측된 프로세스 패러미터를 상응하는 프로세스의 변하는 운전 상태에 매칭하는 것을 가능하게 하는 방법 또는 장치가 제공된다.

Claims (14)

1. 가변 프로세스 패러미터 또는 프로세스에 영향을 미치는 장애를 갖는 산업 프로세스, 특히 원료 산업 설비의 프로세스 패러미터의 확인 또는 예측을 위한 방법에 있어서, 확인될 프로세스 패러미터를 프로세스 모델을 이용해서 프로세스로부터의 측정값에 따라 결정하고, 상기 프로세스 모델은 프로세스의 평균 시간 모델을 나타내는 적어도 하나의 시불변 또는 거의 시불변 프로세스 모델 및 프로세스 패러미터의 장애 또는 변화의 적어도 하나의 시상수에 매칭되는 적어도 하나의 시변 프로세스 모델을 포함하는 방법.
2. 제 1항에 있어서, 프로세스 패러미터의 장애 또는 변화의 중요 시상수에 시변 프로세스 모델을 할당하고, 상기 프로세스 모델을 상응하는 시상수에 매칭시키는 것을 특징으로 하는 방법.
3. 제 1항 또는 제 2항에 있어서, 프로세스 패러미터의 장애 또는 변화의 시상수에 대한 시변 모델의 매칭이 시변 프로세스 모델의 온-라인-적응에 의해 이루어지며, 온-라인-적응의 주기 시간을 시상수에 매칭시키는 것을 특징으로 하는 방법.
4. 제 2항 또는 제 3항에 있어서, 시불변 또는 거의 시불변 프로세스 모델 및 시변 프로세스 모델이 분석 모델, 신경망 또는 하이브리드 모델, 즉 분석 모델 및 신경망을 포함하는 모델인 것을 특징으로 하는 방법.
5. 제 1항 내지 제 4항 중 어느 한 항에 있어서, 시불변 또는 거의 시불변 프로세스 모델 및 특히 시변 프로세스 모델을 온-라인-트레이닝에 의해 실제 프로세스 상태에 적응시키는 것을 특징으로 하는 방법.
6. 제 1항 내지 제 5항 중 어느 한 항에 있어서, 시불변 또는 거의 시불변 프로세스 모델 또는 시변 프로세스 모델에 의해 확인된 프로세스 패러미터를 상기 패러미터를 정밀 적응의 측면에서 개선시킨, 신경망을 기초로 하는 정보 처리 장치에 제공하며, 신경망을 기초로 하는 정보 처리 장치를 온-라인으로 실제 프로세스 상태에 적응시키는 것을 특징으로 하는 방법.
7. 제 1항 내지 제 5항 중 어느 한 항에 있어서, 시불변 또는 거의 시불변 프로세스 모델 또는 시변 프로세스 모델에 의해 확인된 프로세스 패러미터를 보정 조건(correction term)에 의해, 특히 가산적으로 또는 승산적로 연산하고, 신경망을 기초로 하는 정보 처리 장치에 의해 프로세스로부터의 측정값에 따라 보정 조건을 형성하며, 신경망을 기초로 하는 정보 처리 장치를 온-라인으로 프로세스에 매칭시키는 것을 특징으로 하는 방법.
8. 제 1항 내지 제 7항 중 어느 한 항에 있어서, 프로세스 패러미터를 시불변 또는 거의 시불변 프로세스 모델 또는 시변 프로세스 모델을 이용하여 예측하는 것을 특징으로 하는 방법.
9. 제 1항 내지 제 8항 중 어느 한 항에 있어서, 시불변 또는 거의 시불변 프로세스 모델을 최적화 방법에 의해 프로세스 상태에 적응시키는 것을 특징으로 하는 방법.
10. 제 1항 내지 제 9항 중 어느 한 항에 있어서, 시불변 또는 것의 시불변 프로세스 모델을 유전적 알고리즘 또는 진화 전략에 의해 프로세스 특성에 적응시키는 것을 특징으로 하는 방법.
11. 제 5항 내지 제 10항 중 어느 한 항에 있어서, 프로세스 패러미터의 장애 또는 변화의 작은 시상수의 모델링을 위한 모델을 프로세스 패러미터의 장애 또는 변화의 큰 시상수를 갖는 모델보다 더 자주 실제 프로세스 상태에 매칭시키거나 적응시키는 것을 특징으로 하는 방법.
12. 제 11항에 있어서, 프로세스 패러미터의 장애 또는 변화의 작은 시상수의 모델링을 위한 모델을 프로세스 패러미터의 장애 또는 변화의 큰 시상수를 갖는 모델 보다 더 자주 그리고 특히 작은 데이터 레코드로 실제 프로세스에 매칭시키고 적응시키는 것을 특징으로 하는 방법.
13. 제 11항 또는 제 12항에 있어서, 프로세스 패러미터의 장애 또는 변화의 느린 시상수의 모델링을 위한 모델이 적응된 후, 프로세스 패러미터의 장애 또는 변화의 빠른 시상수를 모델링하기 위한 모델을 프로세스 상태에 매칭시키는 것을 특징으로 하는 방법.
14. 가변적인 프로세스 패러미터를 갖는 산업 프로세스, 특히 원료 산업 설비의 프로세스 패러미터를 확인 또는 예측하기 위한 그리고 제 1항 내지 제 13항에 따른 방법의 실행을 위한 장치에 있어서, 확인될 프로세스 패러미터가 프로세스 모델을 이용해서 프로세스로부터의 측정값에 따라 결정되고, 프로세스 모델이 프로세스의 평균 시간 모델을 나타내는 적어도 하나의 시불변 또는 거의 시불변 프로세스 모델 및 프로세스 패러미터의 장애 또는 변화의 적어도 하나의 시상수에 매칭되는 적어도 하나의 시변 프로세스 모델을 포함하는 것을 특징으로 하는 장치.