KR20040043911A - 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 - Google Patents

신경 회로망을 이용한 압연 하중 예측 장치 및 방법 Download PDF

Info

Publication number
KR20040043911A
KR20040043911A KR1020020072364A KR20020072364A KR20040043911A KR 20040043911 A KR20040043911 A KR 20040043911A KR 1020020072364 A KR1020020072364 A KR 1020020072364A KR 20020072364 A KR20020072364 A KR 20020072364A KR 20040043911 A KR20040043911 A KR 20040043911A
Authority
KR
South Korea
Prior art keywords
neural network
value
rolling load
rolling
output
Prior art date
Application number
KR1020020072364A
Other languages
English (en)
Inventor
이덕만
정병완
김연태
Original Assignee
주식회사 포스코
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 포스코 filed Critical 주식회사 포스코
Priority to KR1020020072364A priority Critical patent/KR20040043911A/ko
Publication of KR20040043911A publication Critical patent/KR20040043911A/ko

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
    • B21B—ROLLING OF METAL
    • B21B37/00—Control devices or methods specially adapted for metal-rolling mills or the work produced thereby
    • B21B37/58—Roll-force control; Roll-gap control
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only

Abstract

본 발명은 압연기에서 이용할 수 있는 압연 하중 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게는 압연기를 이용하여 압연을 행하는 라인에서 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때에 실측 압연 하중과 예측 하중의 오차를 최소화할 수 있는 압연 하중 예측 장치 및 그 방법에 관한 것이다.
본 발명에 따르면, 조업 중 데이터의 변동 및 수식 모델 오차간의 특성을 이용하여 신경 회로망의 웨이트(Weight)를 온오프 라인에서 학습하는 신경 회로망 학습부; 압연 조건에 따라 수식 모델로부터 압연 하중 예측치를 계산하는 압연 하중 수식 모델부; 상기 학습된 신경 회로망 웨이트(Weight)와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 신경 회로망부; 상기 신경 회로망부의 출력치의 상하한을 제한하는 상하한 제한부; 상기 상하한 제한부의 출력과 상기 압연 하중 수식 모델부의 출력값을 곱하는 승산부; 및 상기 승산부의 출력을 최종 압연 하중 설정치로 출력하는 하중 설정치 출력부; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 장치가 제공된다.

Description

신경 회로망을 이용한 압연 하중 예측 장치 및 방법 {Apparatus and method for prediction rolling force using neural network}
본 발명은 압연을 행하는 압연기에서 이용할 수 있는 압연 하중 예측 장치 및 그 방법에 관한 것으로서, 보다 상세하게 설명하면, 압연기를 이용하여 압연을 행하는 라인에서 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때에 실측 압연 하중과 예측 하중의 오차를 최소화할 수 있는 압연 하중 예측 장치 및 그 방법에 관한 것이다.
도 1은 일반적인 압연 장치의 구성도로서, 본 구성도는 편의상 조압연기(RM) 한 스탠드, 사상 압연기 한 스탠드로 구성된 후판 압연기의 구성을 도식화하였다.
압연재(101)는 조압연기(RM)에서 압연된 후, 사상 압연기(FM)에서 마무리 압연 과정을 거쳐 최종 목표 두께의 판재가 된다. 상기 조압연기 및 사상 압연기에는 속도계(105), 입측 온도계(103), 출측 온도계(104), 압연 하중 검출기(110)가 설치되어 있다. 또한, 상기 사상 압연기 출측에는 근접 두께계(106) 및 크라운 측정계(107)가 설치되어 있다. 이러한 상기 속도계(105), 입측 온도계(103), 출측 온도계(104), 압연 하중 검출기(110), 근접 두께계(106) 및 크라운 측정계(107)의 신호는 설정 장치(109)로 입력된다. 상기 설정 장치(109)는 강종, 탄소 함유율, 각 스탠드의 목표 온도, 목표 두께 및 폭 등의 각종 압연 정보를 가지고 있다.
도 2는 통상의 압연 공정에서 소정의 판 두께를 얻기 위한 제어 절차를 도식화한 개념도로서, 제어 절차는 크게 3단계로 나누어 진행한다. 즉, 전계산 단계(201, Pre-calculation Stage), 실시간 제어 단계(202, Real-time Control Stage), 후계산 단계(203, Post-calculation Stage)로 나누어 진행한다.
전계산 단계(201)에서는 상기 압연 설정 장치(109)에서 수행되며, 압연 하중, 압연 속도, 롤갭 및 압연 토크 등의 제어 설정치가 압연 전에 압연 수식 모델로부터 계산되어 상기 도 1의 제어 장치(108)에 공급된다. 상기 제어 장치(108)는 압연기 속도 및 두께 제어 장치를 포함하고 있다.
실시간 제어 단계(202)는 상기 제어 장치(108) 내부의 두께 제어 장치( 통상 AGC(Automatic Gauge Controller)라 칭함.)가 목표 두께를 맞추기 위하여 롤갭을 제어하는 단계로서, 판의 선단부 압연 구간에서는 목표 롤갭이 전계산 단계에서 계산된 설정 롤갭으로 고정되어 제어된다. 이어서, 상기 근접 두께계(106)의 센서 신호가 안정된 뒤부터는 상기 두께 제어 장치가 상기 근접 두께계(106)의 두께 오차를 감소시키는 방향으로 롤갭을 자동 조절한다. 따라서, 초기 두께 오차의 감소를 위해서는 전계산 단계의 롤갭 설정이 올바르게 되는 것이 중요하다.
후계산 단계(203)는 상기 압연 설정 장치(109)에서 수행되며, 수식 모델 오차를 보상하기 위하여 학습 과정을 통하여 모델의 파라미터와 학습 계수들을 조정한다.
학습 모델 중에서는 압연 하중 모델 학습과 두께 모델 학습이 중요하다. 압연 하중 모델 학습이라 함은 통상 실측 압연 하중과 재계산 압연 하중의 하중비를 이용하여 수식 모델 보정 계수를 구하는 것이며, 두께 학습이라 함은 실측 두께 오차와 게이지 미터 수식 오차로부터 두께 수식 모델 보정 계수를 구하는 것이다.
전계산 단계에서 압연 수식 모델은 금속적, 물리적, 열적 및 기계적 현상을 묘사하기 위한 부모델로 구성된다. 그 중 압연 하중 모델은 롤갭 설정치를 계산하는데 이용되며, 이것이 두께 제어 정도를 결정하는 주요 인자가 되므로, 아주 중요한 모델의 하나로 취급된다.
그러나, 금속학적인 많은 비선형 성질과 측정 불가능한 데이터(예 : 마찰 계수, Yield 스트레스 및 각종 외란 등)가 많기 때문에 단순히 수식 모델 자체만으로는 정확한 압연 하중 설정치를 계산해 내기란 그리 쉬운 일이 아니다. 이러한 점을 극복하는 한 방편으로 후계산 단계에서는 패스간(Pass-by-pass) 학습 과정을 도입하여 수식 모델의 오차를 보완하도록 하고 있다.
그러나, 이러한 학습 과정은 통상적으로 한 개의 목표 변수(측정값과 실측치를 이용한 재계산 모델 출력값을 이용)로서, 간단한 익스포넨셜 스무딩 (Exponential Smoothing) 알고리즘을 이용한 보정 계수를 사용하는데, 이러한 학습법은 두께, 강종, 폭 및 온도 등의 다양한 변화가 존재하는 압연 스케쥴 특성상 변화 요인을 충분히 고려하지 못한 학습 알고리즘이라는 측면에서 그 학습 능력이 제한적이므로, 이러한 변화 요소를 포괄적으로 다룰 수 있는 새로운 온라인 압연 하중 오차 학습 방법이 필요하다.
다음으로는 일반 압연기에서 사용하는 압연 하중 설정 및 학습에 관하여 간략히 기술한다.
먼저, 압연 하중 예측치는 아래의 [수학식 1]과 같이 상기 설정 장치(109) 내부의 압연 하중 수식 모델로부터 먼저 계산된다.
여기서, RFm은 압연 하중 수식 모델로부터 계산된 압연 하중 모델 계산치이고, Km은 평균 변형 저항이며, B는 판 폭이고, Ld는 롤과 판의 접촉 길이이며,는 기하학적인 형상을 반영한 항이다.
보통 압연 하중 예측치는 상기 [수학식 1]에 모델 오차를 보완하는 보정항을 반영한 것으로서, 아래의 [수학식 2]와 같이 사용된다.
여기서,는 나중에 정의하게 될 압연 하중비에 대한 학습 보정 계수이고, RFmd는 목표 압연 설정치(Rolling Condition)로부터 계산된 압연 하중 수식 모델 출력값이다.
이러한 예측 압연 하중을 이용할 때 예상되는 밀신축(Mill Stretch)량 Ms는 아래의 [수학식 3]에 의하여 구해진다.
여기서, M은 밀 스프링 상수이다.
이러한 상기 수식들에 근거하여 최종 롤갭 설정치를 아래의 [수학식 4]와 같이 표현할 수 있다(두께 수식 모델).
여기서, Sd는 롤갭 설정치이고, h는 목표 판 두께이며, Ge는 게이지 미터 식 오차 보상항이다.
이렇게 계산된 롤갭 설정치는 상기 제어 장치(108)로 전송되어 측정 롤갭이이 되도록 제어된다.
한편, 현재 현장에서 일반적으로 사용되고 있는 모델 보정 계수 학습 방식은 주어진 판에 대하여 매 압연 패스마다 수행되는 학습 방식이며, 학습의 과정을 설명하면, 다음과 같다.
하나의 압연 패스가 종료되면, 먼저, 실측 압연 하중 RFa와 실측 데이터를이용하여 재계산된 압연 하중 RFma간의 하중비를 계산한다. 그리고, 이 압연 하중비를 필터링하고, 다음 압연 패스에 사용하기 위하여 값이 저장된다. 이 새로운 보정 계수는 아래의 [수학식 5]와 같이 계산된다.
여기서,은 압연 하중비의 전 패스 저장값이고,는범위의 실수이다.
또한, 이와 관련된 기술로서, 신경 회로망을 적용한 기술도 있다.
신경 회로망 관련 기술로서는 일본 특개평 5-42314호 '압연기의 압연재 형상 제어 장치'에서, 신경 회로망의 학습 기능을 판 두께 형상과 두께 제어에 이용하고 있다.
또한, 일본 특개평 5-27806호 '뉴럴 네트워크를 이용한 피드 포워드 제어기'에서는 신경 회로망을 이용하여 피드 포워드 제어를 수행하여 목표치 변경, 외란의 발생시의 우수한 추종성을 가지는 기술을 제시하고 있다.
또한, 일본 특개평 5-293516호 '압연기의 압연 하중 추정 방법'에서는 신경 회로망을 이용하여 마찰 계수와 평균 구속 항복 응력을 추정함으로써, 압연 하중을 추정하는 방법을 제시하고 있다.
또한, 일본 특개평 7-204718호 '압연 장치'에서는 신경 회로망으로 수식 모델을 대치하여 압연 하중을 추정하는 방법을 제시하고 있다.
상기한 종래 기술의 문제점을 해결하기 위한 본 발명의 목적은 압연기를 이용하여 압연을 행하는 라인에서 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때에 실측 압연 하중과 예측 압연 하중과의 오차에 의하여 발생하는 두께 오차를 최소화하기 위하여 압연 설정 장치 내부의 압연 하중 수식 모델 오차를 보완하도록 신경 회로망 보정 계수를 제공하고, 이 보정 계수가 두께, 강종, 폭 및 온도 등의 다양한 변화에 대하여 보상이 적절히 이루어지도록 신경 회로망의 입력을 정하며, 그 신경 회로망의 웨이트(Weight)를 온-오프 라인에서 학습시키는 방법 및 장치를 제공하기 위한 것이다.
도 1은 일반적인 압연 장치의 구성도이고,
도 2는 통상의 압연 공정에서 소정의 판 두께를 얻기 위한 제어 절차를 도식화한 개념도이고,
도 3은 본 발명의 일 실시예에 따른 신경 회로망을 이용한 압연 하중 설정 장치의 구성도이고,
도 4는 도 3에 도시된 신경 회로망부의 세부 구성도이고,
도 5는 본 실시예를 현장에 적용하여 실적용 테스트를 수행한 결과를 보여주는 그래프이다.
※ 도면의 주요 부분에 대한 부호의 설명 ※
101 : 압연재 102 : 압연롤
103 : 입측 온도계 104 : 출측 온도계
105 : 속도계 106 : 근접 두께계
107 : 크라운 측정계 108 : 제어 장치
109 : 설정 장치 110 : 압연 하중 검출기
301 : 수식 모델부 302 : 신경 회로망부
303 : 상하한 제어부 304 : 승산부
305 : 압연 하중 설정치 출력부 306 : 신경 회로망 학습부
401 : 정규화 수단 402 : 신경 회로망 계산 수단
403 : 비정규화 수단
상기한 목적을 달성하기 위한 본 발명은, 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때 실측 압연 하중과 예측 압연 하중의 오차를 최소화할 수 있는 신경 회로망(Neural Network)을 이용한 압연 하중 예측 장치에 있어서, 조업 중 데이터의 변동 및 수식 모델 오차간의 특성을 이용하여 신경 회로망의 웨이트(Weight)를 온오프 라인에서 학습하는 신경 회로망 학습부; 압연 조건에 따라 수식 모델로부터 압연 하중 예측치를 계산하는 압연 하중 수식 모델부; 상기 학습된 신경 회로망 웨이트(Weight)와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 신경 회로망부; 상기 신경 회로망부의 출력치의 상하한을 제한하는 상하한 제한부; 기 상하한 제한부의 출력과 상기 압연 하중 수식 모델부의 출력값을 곱하는 승산부; 및 상 승산부의 출력을 최종 압연 하중 설정치로 출력하는 하중 설정치 출력부; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 장치가 제공된다
또한, 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때 실측 압연 하중과 예측 압연 하중의 오차를 최소화할 수 있는 신경 회로망(Neural Network)을 이용한 압연 하중 예측 방법에 있어서, 조업 데이터의 변동 및 수식 모델 오차간의 특성을 이용하여 신경 회로망의 웨이트(Weight)를 온오프 라인에서 학습하는 제 1 단계; 압연 조건에 따라 기설정된 수식 모델로부터 압연 하중 예측치를 계산하는 제 2 단계; 기 학습된 신경 회로망 웨이트(Weight)와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 제 3 단계; 및 상기 압연 중 예측치와 상기 압연 하중 수식 모델 보정치를 곱한 후, 그 결과물을 최종 압연 하중 설정치로 출력하는 제 4 단계; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 방법이 제공된다.
이하 첨부된 도면을 참조하면서 본 발명의 일 실시예에 따른 신경 회로망을 이용한 압연 하중 예측 장치 및 그 방법을 보다 자세하게 설명하기로 한다.
도 3은 본 발명의 일 실시예에 따른 신경 회로망을 이용한 압연 하중 설정 장치의 구성도이다.
본 압연 하중 설정 장치는, 압연 조건에 따라 수식 모델로부터 압연 하중 예측치를 계산하는 압연 하중 수식 모델부(301), 학습된 신경 회로망 웨이트와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 신경 회로망부(302), 신경 회로망 출력치의 상하한을 제한하는 상하한 제한부(303), 상기 상하한 제한부(303)의 출력과 상기 수식 모델부(301)의 출력값을 곱하는 승산부(304), 상기 승산부(304)의 출력은 압연 하중 설정치로 출력하는 하중 설정치 출력부(305) 및 신경 회로망의 웨이트를 온오프 라인에서 학습시키는 신경 회로망 학습부(306)를 포함하여 구성된다.
상기 신경 회로망 학습부(306)는 기압연된 많은 데이터로부터 배치(Batch) 학습 과정을 통하여 신경 회로망의 웨이트를 학습시키는 오프라인 학습 기능과 압연 패스간의 델타(Delta) 학습 알고리즘을 이용하여 웨이트를 갱신시키는 온라인 신경 회로망 학습 기능을 가진다. 이러한 온오프 라인 조합의 학습 방식을 통하여 신경 회로망은 복잡 다양한 프로세스 특성과 외란에 대하여 강인한 학습 능력을 가질 수 있게 된다.
주어진 압연 패스에 대하여 하중 설정 장치에서 출력하는 압연 하중 예측치 RFr은 신경 회로망 보상치와 압연 하중 수식 모델 RFmd로부터 아래의 [수학식 6]에 의하여 결정된다.
본 발명에 있어 중요한 신경 회로망 입력 인자의 선정은 압연 하중 수식 모델에 입력되는 인자와 현장 엔지니어 경험을 바탕으로 선정될 수 있으나, 적용되는 프로세스의 특징이나 외란의 성격 등을 고려할 때, 시행 착오적 조정 작업이 많이 요구된다. 본 발명에서는 소 Lot 다품종 체제에서 빈번하게 발생하는 Lot 변화에 대하여 기존의 보정 방식이 압연 하중비만 입력값으로 하여 보정함으로써, 두께, 폭, 강종 및 온도 변화에 대하여 대처 능력이 부족한 것에 주목하였다.
따라서, 신경 회로망의 특성 중 다중 입력 / 다중 출력의 기능과 비선형 근사화(Nonlinear Approximation) 능력이 뛰어난 것에 착안하여 신경 회로망 입력에 두께, 폭, 온도 및 성분 등을 입력값으로 하였고, 동일 Lot 간에 일어나는 경시적인 변화를 반영하기 위하여 전 패스 압연 하중비 및 전 전 패스 압연 하중비를 입력값으로 하였다.
이렇게 선택된 입력으로 온오프 라인 학습을 수행하게 되면, 신경 회로망은 입력 변수의 변동과 수식 모델 오차 간의 비선형 특성을 학습하게 되어 빈번한 Lot 변화 상황이 오더라도 학습된 지식에 바탕하여 수식 모델 오차를 최소화하는 보정 장치가 될 수 있다.
도 4는 도 3에 도시된 신경 회로망부(302)의 세부 구성도로서, 이를 상세히 설명하면, 다음과 같다.
먼저, 신경 회로망의 입력값은 정규화 수단(401)에 의하여 +-1 사이의 값으로 정규화된다(Normalization). 이때, 정규화 알고리즘은 아래의 [수학식 7]과 같은 선형 정규화 알고리즘을 사용한다.
여기서, x는 입력 변수이고, xmax는 x의 최대치이며, xmin은 x의 최소치이다.
상기 정규화 수단(401)의 출력값은 히든 레이어(Hidden Layer)가 1 개만 있는 신경 회로망 계산 수단(402)의 입력으로 사용되며, 상기 신경 회로망 학습부(306)에 의하여 구하여진 신경 회로망 웨이트를 이용하여 통상의 멀티 레이어(Multi Layer) 신경 회로망 계산법으로 계산한다. 상기 신경 회로망 계산 수단(402)의 출력은 비정규화 수단(403)에 의하여 신경 회로망 보정값으로 환원되는데 정규화 알고리즘의 역산을 수행하면 된다.
본 발명의 동작 순서를 전체적으로 개괄하면 다음과 같다.
스텝 1 : 먼저, 상기 신경 회로망부(302)는 최종 압연 전에 1회로 신경 회로망 웨이트를 초기화시켜야 한다. 이 과정은 오프 라인으로 실행 가능하고, 다량의 조업 데이터를 이용하여 이루어지며, 통상의 백 프로퍼게이션(Back Propagation) 학습 알고리즘을 사용할 수 있다.
스텝 2 : 상기 스텝 1을 통하여 신경 회로망 웨이트를 초기화한 후에는 매 압연 패스의 전계산 단계에서 압연 조건을 입력으로 하여 상기 신경 회로망부(302)에서 상기 압연 수식 모델부(301)의 오차 보정치를 계산한다.
스텝 3 : 상기 스텝 2의 출력치인 오차 보정치을 이용하여 압연 수식 모델 출력 RFmd와의 곱을 최종 압연 하중 출력치로 하여 상기 제어 장치(108)로 전송한다.
스텝 4 : 주어진 압연 하중 설정치에 근거하여 현재 패스 압연이 종료된 후에 압연 하중 실측치와 여러 측정 데이터를 상기 설정 장치(109)에서 입력받아 후계산 단계에서 신경 회로망 웨이트를 보정한다.(온라인 학습)
스텝 5 : 상기 스텝 4가 완료되면, 최종 압연 패스까지 상기 스텝 2에서 스텝 4 까지의 과정을 반복한다.
본 실시예에서는 최적의 결과를 얻기 위하여 다음과 같은 조건 하에서 실시하였다.
먼저, 상기 신경 회로망 정규화 수단(401) 및 비정규환 수단(403)은 앞에서 언급된 선형 정규화 알고리즘을 사용하고, 히든 레이어 수는 1 개로 하며, 그 노드(Node) 수는 8 개로 하였고, 비선형 함수의 형태는 탄젠셜 시그모이드 (Tangential Sigmoid) 함수 형태로 하였다.
또한, 상기 신경 회로망부(302)의 입력은 판의 목표 두께, 목표 폭, 설정 온도, 전 패스의 압연 하중비, 전 전 패스의 압연 하중비, 탄소, 망간, 실리콘 및 강종 구분 코드의 9개로 하였다.
그리고, 신경 회로망의 웨이트 초기화를 위한 오프 라인 학습법은 레벤버그-마쿼트(Levenverg - Marquardt) 백 프로퍼게이션 알고리즘을 사용하여 학습 시간 및 오차 정도를 최소화하였다.
또한, 온라인 학습 방법으로는 모멘텀을 가진 인크레멘탈 백 프로퍼게이션알고리즘(Incremental Back Propagation Algorithm with Momontum)을 사용하였으며, 신경 회로망의 웨이트는 비선형 수식 모델 오차비의 값인 RFa/ RFma를 추종하도록 학습 조건을 부여하였다.
도 5는 본 실시예를 현장에 적용하여 실적용 테스트를 수행한 결과를 보여주는 그래프로서, 본 발명에 따른 신경 회로망을 사용할 경우에 하중 예측 능력이 월등히 향상됨을 알 수 있다.
도 5에 도시된 결과는 후판 압연 라인에서 얻어진 결과이며, 적용 범위는 시험적으로 판 두께 15 mm ~ 25 mm로 제한하였으며, 강종도 일반강(QUA < 160)으로 하였고, 온도 범위도 850도 ~ 1050도 범위인 판으로 한정하였다. 적용 결과 하중 예측 오차의 평균, 표준 편차, 적중률은 각각 19.1 톤, 104.7 톤, 98.8 %이고, 이때 기존 방식에 의한 동일 판에 대한 결과는 각각 -38.3 톤, 181.9 톤, 94.3 %를 얻었다.
상기 동일 판에 대한 결과에 대하여 표준 편차는 42.4 % 정도 본 발명에 따른 학습 방식을 적용하는 경우에 향상됨을 알 수 있다.
통상 기존 방식에 비하여 설정이 이루어진 경우에 표준 편차가 155 톤 정도인 것과 비교하여도 약 32.5 %의 성능 향상이 있음을 알 수 있다.
위에서 양호한 실시예에 근거하여 이 발명을 설명하였지만, 이러한 실시예는 이 발명을 제한하려는 것이 아니라 예시하려는 것이다. 이 발명이 속하는 분야의숙련자들에게는 이 발명의 기술 사상을 벗어남이 없이 위 실시예에 대한 다양한 변화나 변경 또는 조절이 가능함이 자명할 것이다. 그러므로, 이 발명의 보호 범위는 첨부된 청구범위에 의해서 한정될 것이나, 위와 같은 변화예나 변경예 또는 조절예를 모두 포함하는 것으로 해석되어야 할 것이다.
이상과 같이 본 발명에 의하면, 압연 공정에서 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 예측력이 뛰어난 압연 하중 기준치를 제공하는 방식으로 온오프 라인 신경 회로망 압연 하중 설정 장치 및 그 방법을 제공함으로써, 두께, 폭, 강종 및 온도 등의 변동을 잘 반영하면서, 압연 하중 모델 오차를 최소화할 수 있는 효과가 있다.

Claims (4)

  1. 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때 실측 압연 하중과 예측 압연 하중의 오차를 최소화할 수 있는 신경 회로망(Neural Network)을 이용한 압연 하중 예측 장치에 있어서,
    조업 중 데이터의 변동 및 수식 모델 오차간의 특성을 이용하여 신경 회로망의 웨이트(Weight)를 온오프 라인에서 학습하는 신경 회로망 학습부;
    압연 조건에 따라 수식 모델로부터 압연 하중 예측치를 계산하는 압연 하중 수식 모델부;
    상기 학습된 신경 회로망 웨이트(Weight)와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 신경 회로망부;
    상기 신경 회로망부의 출력치의 상하한을 제한하는 상하한 제한부;
    상기 상하한 제한부의 출력과 상기 압연 하중 수식 모델부의 출력값을 곱하는 승산부; 및
    상기 승산부의 출력을 최종 압연 하중 설정치로 출력하는 하중 설정치 출력부; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 장치.
  2. 제 1 항에 있어서,
    상기 신경 회로망부는,
    입력값을 선형 정규화 알고리즘에 따라 정규화시키는 정규화 수단;
    상기 신경 회로망 웨이트를 이용하여 상기 정규화 수단의 출력값을 통상의 멀티 레이어 신경 회로망 값으로 계산하는 신경 회로망 계산 수단; 및
    상기 신경 회로망 계산 수단의 출력값을 입력받아 상기 정규화 수단의 역산을 수행하여 신경 회로망 보상치를 출력하는 비정규화 수단; 을 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 장치.
  3. 소정의 판 두께를 얻기 위한 롤갭을 설정하기 위하여 압연 하중 기준치를 예측할 때 실측 압연 하중과 예측 압연 하중의 오차를 최소화할 수 있는 신경 회로망(Neural Network)을 이용한 압연 하중 예측 방법에 있어서,
    조업 중 데이터의 변동 및 수식 모델 오차간의 특성을 이용하여 신경 회로망의 웨이트(Weight)를 온오프 라인에서 학습하는 제 1 단계;
    압연 조건에 따라 기설정된 수식 모델로부터 압연 하중 예측치를 계산하는 제 2 단계;
    상기 학습된 신경 회로망 웨이트(Weight)와 주어진 입력치를 바탕으로 수식 모델 보정치를 출력하는 제 3 단계; 및
    상기 압연 하중 예측치와 상기 압연 하중 수식 모델 보정치를 곱한 후, 그 결과물을 최종 압연 하중 설정치로 출력하는 제 4 단계; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 방법.
  4. 제 3 항에 있어서,
    상기 제 3 단계는,
    입력값을 선형 정규화 알고리즘에 따라 정규화시키는 정규화 단계;
    상기 신경 회로망 웨이트를 이용하여 상기 정규화 단계의 출력값을 통상의 멀티 레이어 신경 회로망 값으로 계산하는 신경 회로망 계산 단계; 및
    상기 신경 회로망 계산 단계의 출력값을 입력받아 상기 정규화 단계의 역산을 수행하여 신경 회로망 보상치를 출력하는 비정규화 단계; 를 포함하는 것을 특징으로 하는 신경 회로망을 이용한 압연 하중 예측 방법.
KR1020020072364A 2002-11-20 2002-11-20 신경 회로망을 이용한 압연 하중 예측 장치 및 방법 KR20040043911A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020020072364A KR20040043911A (ko) 2002-11-20 2002-11-20 신경 회로망을 이용한 압연 하중 예측 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020020072364A KR20040043911A (ko) 2002-11-20 2002-11-20 신경 회로망을 이용한 압연 하중 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20040043911A true KR20040043911A (ko) 2004-05-27

Family

ID=37340315

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020020072364A KR20040043911A (ko) 2002-11-20 2002-11-20 신경 회로망을 이용한 압연 하중 예측 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20040043911A (ko)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100641755B1 (ko) * 2005-03-30 2006-11-06 주식회사 포스코 사상압연 폭 마진 제어장치 및 그 방법
KR100643373B1 (ko) * 2005-12-21 2006-11-10 주식회사 포스코 열간압연 후물재 길이방향 온도 제어방법
CN103639211A (zh) * 2013-12-23 2014-03-19 太原重工股份有限公司 Bp神经网络和pid参数优化的辊缝控制方法及系统
CN103745101A (zh) * 2013-12-30 2014-04-23 中冶南方（武汉）自动化有限公司 基于改进神经网络算法的中厚板轧制力设定值预报方法
CN109351785A (zh) * 2018-11-28 2019-02-19 北京首钢冷轧薄板有限公司 一种轧制力优化方法及装置
KR20190075370A (ko) 2017-12-21 2019-07-01 주식회사 포스코 압연장치 최적 부하배분 제공 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체
KR20200032821A (ko) * 2018-09-19 2020-03-27 주식회사 포스코 예측 모델을 이용한 압연 제어 장치 및 방법
CN112474815A (zh) * 2020-11-04 2021-03-12 北京首钢自动化信息技术有限公司 一种控制轧制过程的方法及装置
CN113939777A (zh) * 2020-05-13 2022-01-14 东芝三菱电机产业系统株式会社 物理模型辨识系统
US11250308B2 (en) 2016-06-01 2022-02-15 Seoul National University R&Db Foundation Apparatus and method for generating prediction model based on artificial neural network

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07246411A (ja) * 1994-03-09 1995-09-26 Toshiba Corp 圧延機のロールギャップ補正装置
KR19980075699A (ko) * 1997-03-31 1998-11-16 김종진 신경회로망을 이용한 냉간압연강판의 형상제어방법
JPH11707A (ja) * 1997-04-17 1999-01-06 Nkk Corp 圧延機の制御方法及び圧延機の制御装置
KR20000045523A (ko) * 1998-12-30 2000-07-15 이구택 신경회로망을 이용한 연속압연기의 압연제어방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07246411A (ja) * 1994-03-09 1995-09-26 Toshiba Corp 圧延機のロールギャップ補正装置
KR19980075699A (ko) * 1997-03-31 1998-11-16 김종진 신경회로망을 이용한 냉간압연강판의 형상제어방법
JPH11707A (ja) * 1997-04-17 1999-01-06 Nkk Corp 圧延機の制御方法及び圧延機の制御装置
KR20000045523A (ko) * 1998-12-30 2000-07-15 이구택 신경회로망을 이용한 연속압연기의 압연제어방법

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100641755B1 (ko) * 2005-03-30 2006-11-06 주식회사 포스코 사상압연 폭 마진 제어장치 및 그 방법
KR100643373B1 (ko) * 2005-12-21 2006-11-10 주식회사 포스코 열간압연 후물재 길이방향 온도 제어방법
CN103639211A (zh) * 2013-12-23 2014-03-19 太原重工股份有限公司 Bp神经网络和pid参数优化的辊缝控制方法及系统
CN103745101A (zh) * 2013-12-30 2014-04-23 中冶南方（武汉）自动化有限公司 基于改进神经网络算法的中厚板轧制力设定值预报方法
US11250308B2 (en) 2016-06-01 2022-02-15 Seoul National University R&Db Foundation Apparatus and method for generating prediction model based on artificial neural network
KR20190075370A (ko) 2017-12-21 2019-07-01 주식회사 포스코 압연장치 최적 부하배분 제공 장치 및 방법이 기록된 컴퓨터 판독가능 기록 매체
KR20200032821A (ko) * 2018-09-19 2020-03-27 주식회사 포스코 예측 모델을 이용한 압연 제어 장치 및 방법
CN109351785A (zh) * 2018-11-28 2019-02-19 北京首钢冷轧薄板有限公司 一种轧制力优化方法及装置
CN113939777A (zh) * 2020-05-13 2022-01-14 东芝三菱电机产业系统株式会社 物理模型辨识系统
CN112474815A (zh) * 2020-11-04 2021-03-12 北京首钢自动化信息技术有限公司 一种控制轧制过程的方法及装置

Similar Documents

Publication Publication Date Title
KR100847974B1 (ko) 압연, 단조 또는 교정 라인의 재질 제어 방법 및 그 장치
EP0671225B1 (en) Method for controlling rolling process in hot strip finish rolling mill
KR20040043911A (ko) 신경 회로망을 이용한 압연 하중 예측 장치 및 방법
JP2009208115A (ja) 圧延制御パラメータの算出方法及び算出装置、圧延シミュレーション装置
KR101749018B1 (ko) 평탄도 제어 장치
KR100660231B1 (ko) 연속압연공정의 강판의 최적 목표형상 설정방법
JP4049765B2 (ja) 熱間圧延ミルのクラウン制御装置およびその制御方法
JPH0569021A (ja) 圧延機の制御方法および装置
KR100929015B1 (ko) 압연재 소성계수 보정에 의한 예측압연하중 보정방법
JPH04111910A (ja) 多段圧延機における圧延材の形状制御方法
KR20020052433A (ko) 연속압연기의 롤갭 설정방법
JP2002336906A (ja) 圧延機の制御方法および装置
JPH01210109A (ja) 圧延材平坦度制御装置
JP3521081B2 (ja) 熱間仕上げ圧延機における板幅制御方法
JPH07204718A (ja) 圧延装置
JP3681283B2 (ja) 圧延機のセットアップ装置
KR100905659B1 (ko) 압연소재 후단부의 두께보상 제어장치
JPH05111712A (ja) 連続圧延機の板厚・板クラウン制御方法
JPH08117824A (ja) 圧延操業条件の予測方法およびそれを用いた設定制御圧延方法
JP3892797B2 (ja) 圧延機の適応制御方法
JP2950182B2 (ja) テーパー鋼板の製造方法
KR101105900B1 (ko) 후판압연 하중예측방법
JP2000126809A (ja) 圧延機のセットアップ装置
KR100929013B1 (ko) 밀상수와 게이지미터 오차의 자동예측에 의한 압연기의롤갭설정방법
WO2011027451A1 (ja) 設定計算学習装置及び設定計算学習方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E601 Decision to refuse application