KR20040057181A - 신경회로망 기법을 이용한 소재별 목표 가열온도 제어 방법 - Google Patents

Abstract

본 발명은 다수의 비선형적인 영향 요인에 대하여 예측 및 제어능력이 우수한 신경회로망(Neural Network) 기법을 적용하여, 소재 규격의 다양성 및 동일규격 내에서의 구성 성분과 성분별 함유량의 차이, 최종제품의 두께와 폭, 조업조건 변화 등에 따른 강재의 온도변동 비율과 변동폭에 대응하여 최적의 목표 가열온도를 제어하는 소재별 목표 가열온도 제어 방법을 제공하는데 그 목적이 있다.

본 발명은 상기한 목적을 달성하기 위해, 열연 가열로에서 신경회로망 기법을 이용하여 소재별 목표 가열온도를 제어하는 방법에 있어서, 소재 조업정보를 입력하고, 신경회로망의 각층의 가중치를 설정하는 데이터 입력단계(S70); 제어 대상재가 조합완료 되면, 조업정보 데이터와 가중치 파일을 이용하여 초기 입력치를 설정하는 초기입력치 설정단계(S71-S74); 상기 초기 입력치에 대한 상하한을 체크하는 입력치 상하한 체크단계(S75); 상기 초기 입력치를 정규화 처리하여 신경회로망의 입력층(121)의 노드값으로 제공하는 정규화 처리단계(S76); 상기 노드값과 상기 가중치를 이용하여 신경회로망의 레이어 노드 출력(Layer Node output)을 계산하는 레이어 노드 출력 계산단계(S77); 상기 계산된 레이어 노드 출력을 비정규화 처리하는 비정규화 처리단계(S78); 및 상기 비정규화 처리된 값을 최종의 가열온도 목표치를 설정하는 가열온도 목표치 설정단계; 를 구비함을 특징으로 한다.

이러한 본 발명에 의하면, 가열로 연소제어 수식모델의 제어정도 저하를 보완할 수 있고, 이에 따라 다양한 생산 제품에 대한 가열로 및 압연공정의 원활한조업과 제품의 품질을 안정적으로 확보할 수 있는 효과가 있다.

Description

신경회로망 기법을 이용한 소재별 목표 가열온도 제어 방법{AN METHOD FOR CONTROLING THE TARGET HEATING TEMPERATURE OF STRIP USING NEURAL NET}

본 발명은 열연 가열로에서의 소재별 목표 가열온도를 제어하는 시스템에 관한 것으로, 특히 다수의 비선형적인 영향 요인에 대하여 예측 및 제어능력이 우수한 신경회로망 기법을 적용하여, 소재 규격의 다양성 및 동일규격 내에서의 구성 성분과 성분별 함유량의 차이, 최종제품의 두께와 폭, 조업조건 변화 등에 따른 강재의 온도변동 비율과 변동폭에 대응하여 최적의 목표 가열온도를 제어하는 소재별 목표 가열온도 제어 방법에 관한 것이다.

도 1은 일반 열연공장의 전체 공정도로서, 도 1을 참조하면, 일반 열연공장의 전체 공정은 가열로 3기, 조압연 2-스탠드(Stand), 사상압연 7-스탠드(Stand),다운 코일러(Down Coiler) 2기로 구성되어, 연주로부터 공급된 두께 230㎜ 슬랩(Slab)을 두께 1.2∼22㎜의 최종 제품인 코일(Coil)로 만드는 공정이다.

이러한 코일 제품의 생산 흐름을 살펴보면, 가열로에 투입된 슬랩은 소정의 온도까지 가열되어 다음 공정인 조압연으로 보내지고, 이곳에서 두께 60㎜ 이하의 시트-바(Sheet-Bar)로 만들어지며, 조압연을 마친 바(Bar) 상태의 소재를 다음 에지히터(Edge Heater) 및 크롭셰어(Crop Shear)를 거쳐 사상압연으로 보내면 여기서는 1.2~22㎜ 두께의 스트립(Strip)을 만들어 런아웃 테이블(RUN OUT TABLE)을 통한 후 냉연 공정의 입측 소재나 열연 공정의 최종 제품인 열연코일이 다운코일러(DOWN COILER)를 통해 생산된다.

도 2는 도 1의 가열로의 설비구조 및 제어 구간별 분위기온도 결정 패턴도로서, 도 2를 참조하면, 열연공장의 선두 공정인 가열로는 슬랩을 최종 제품인 코일로 만드는데 필요한 소정의 목표온도로 가열시키는 공정이며, 설비구조는 로입구(1)와 예열대(2), 가열대(3), 균열대(4)로 구성되어 있어 소정의 목표온도 확보에 필요한 예열대 분위기온도(5), 가열대 분위기온도(6), 균열대 분위기온도(7)를 결정한다.

이때, 목표온도 설계치는 조업성과 생산성, 품질, 실수율 및 에너지 사용 정도에 큰 영향을 미치는데, 예를 들어 가열온도 목표치가 높을 경우 조압연 최종 온도를 제어하기 위해 조압연 스피드(Speed)를 떨어뜨리거나 라인(Line)에서 딜레이(Delay)를 시킴으로써 압연 생산성이 저하되고, 스케일(Scale) 발생을 촉진시켜 실수율을 저하시키며, 디스케일링(Descaling) 회수 증가, 소재의 가열에너지 과소비, 표면품질 불량 등이 초래된다. 이와는 반대로 가열온도가 낮을 경우 소재의 균열(均熱) 부족으로 인하여 압연 작업성이 불안해져 생산 트러블(Trouble) 발생이나 치수 및 표면 품질에 문제가 발생된다.

이러한 이유로 가열온도 목표치의 제어 정도가 중요하다는 것을 알 수 있는데, 그러나 기존 시스템은 조업조건 및 설비상태의 변화와 소재의 다양성 등 비선형적인 요인이 대부분인 가열로 조건으로 인하여 제어시스템의 최적화가 곤란한 실정이며, 또한, 가열로 내에 30매 전후의 소재들이 투입되고, 각각의 연소 구간에 대략 10매가 동시에 체류함으로 인해 시스템의 최적화를 불가능케 하는 주된 요인이었다. 즉, 소재특성 및 조언조건에 따라서 별개의 가열패턴을 필요로 하였으나 조업 여건상 모든 소재가 만족하는 제어 결과를 얻기는 사실상 불가능한 실정이었다.

도 3의 (a),(b)는 종래 소재별 목표 가열온도를 구하는 순서도 및 목표 가열온도-코일두께 그래프로서, 도 3a를 참조하면, 조합완료 시점(S11)에 제어 대상재의 폭과 코일(Coil)두께에 따른 목표 가열온도 초기치를 계산(S12)한 후 코일(Coil) 폭과 폭 압연량에 따른 조압연의 패스(Pass) 회수별 목표 가열온도의보상치를 계산(S13)하고, 가열로 투입 초기온도에 따른 목표 가열온도 보상치를 계산(S14)하여 최종 가열온도 목표치를 결정(S15)한다. 하기 수학식 1과 같이 소재별 최종 가열온도 목표치를 계산할 수 있으며, 도 3의 (b)에는 코일두께별 목표가열온도가 서로 다름을 알 수 있다.

Θinit(i) = Ａ(i) + α(i) × SＷ

Θout*(i) = Θinit(i) + B + C

여기서, Θinit는 코일 두께 그룹별 목표 가열온도 초기치, Θout*는 소재별 최종 가열온도 목표치, I는 코일두께 구분, A는 코일두께 그룹별 가열온도 상수, α는 소재 폭별 목표 가열온도 보상계수, SＷ는 소재 폭, Ｂ는 코일 폭 및 폭 압연량에 따른 조압연 패스 회수별 목표 가열온도 보상계수, Ｃ는 가열로 투입 초기온도에 따른 목표 가열온도 보상계수이다.

그러나, 종래 시스템에서는 투입소재를 몇 개의 그룹(Group)으로 분류한 후 통계적 기법(회귀분석)을 이용해 목표 가열온도를 설계하였는데, 이러한 방식은 압연작업 조건과 설비조건에 따라서 수시로 변하는 변동비율과 변동폭에 대응능력이 부족하였고, 최적의 가열온도 목표치 제어가 불가능한 상태로 운영되고 있는 문제점이 있다.

본 발명은 상기한 문제점을 해결하기 위해 제안된 것으로, 그 목적은 다수의 비선형적인 영향 요인에 대하여 예측 및 제어능력이 우수한 신경회로망(Neural Network) 기법을 적용하여, 소재 규격의 다양성 및 동일규격 내에서의 구성 성분과 성분별 함유량의 차이, 최종제품의 두께와 폭, 조업조건 변화 등에 따른 강재의 온도변동 비율과 변동폭에 대응하여 최적의 목표 가열온도를 제어하는 소재별 목표 가열온도 제어 방법을 제공하는데 있다.

또한, 본 발명의 목적은 가열로 연소제어 수식모델의 제어정도 저하를 보완할 수 있고, 이에 따라 다양한 생산 제품에 대한 가열로 및 압연공정의 원활한 조업과 제품의 품질을 안정적으로 확보할 수 있는 신경회로망 기법을 이용한 소재별 목표 가열온도 제어 방법을 제공하는데 있다.

도 1은 일반 열연공장의 전체 공정도이다.

도 2는 도 1의 가열로의 설비구조 및 제어 구간별 분위기온도 결정 패턴도이다.

도 3의 (a),(b)는 종래 소재별 목표 가열온도를 구하는 순서도 및 목표 가열온도-코일두께 그래프이다.

도 4는 본 발명을 수행하기 위한 신경회로망을 이용한 강재의 목표온도 제어 시스템의 전체 블록도이다.

도 5는 도 4의 신경회로망 시스템의 구성도이다.

도 6은 도 5의 신경회로망 학습 시스템의 구성도이다.

도 7은 본 발명에 따른 소재별 목표 가열온도 제어 방법을 보이는 순서도이다.

도 8의 (a)는 신경회로망 입력항목의 선정을 위한 상관분석 결과 예시도이고, 도 8의 (b)는 신경회로망 입력항목들의 상하한 판정기준 예시도이다.

도 9는 본 발명에 따른 목표 가열온도 예측결과도이다.

도 10의 (a)는 종래의 목표 가열온도 제어결과 그래프이고, (b)는 본 발명에의한 목표 가열온도 제어결과 그래프이다.

* 도면의 주요부분에 대한 부호의 설명 *

100 : 신경회로망 시스템 110 : 가열로 시스템

120 : 학습 시스템 121 : 입력층

122 : 중간층 123 : 출력층

200 : 플랜트설비 300 : 신경회로망 출력처리부

상기한 목적을 달성하기 위해서, 본 발명의 소재별 목표 가열온도 제어 방법은

열연 가열로에서 신경회로망 기법을 이용하여 소재별 목표 가열온도를 제어하는 방법에 있어서,

소재 조업정보를 입력하고, 신경회로망의 각층의 가중치를 설정하는 데이터 입력단계;

제어 대상재가 조합완료 되면, 조업정보 데이터와 가중치 파일을 이용하여 초기 입력치를 설정하는 초기입력치 설정단계;

상기 초기 입력치에 대한 상하한을 체크하는 입력치 상하한 체크단계;

상기 초기 입력치를 정규화 처리하여 신경회로망의 입력층의 노드값으로 제공하는 정규화 처리단계;

상기 노드값과 상기 가중치를 이용하여 신경회로망의 레이어 노드 출력을 계산하는 레이어 노드 출력 계산단계;

상기 계산된 레이어 노드 출력을 비정규화 처리하는 비정규화 처리단계; 및

상기 비정규화 처리된 값을 최종의 가열온도 목표치를 설정하는 가열온도 목표치 설정단계;

를 구비함을 특징으로 한다.

이하, 본 발명의 바람직한 실시 예가 첨부된 도면을 참조하여 상세하게 설명한다. 본 발명에 참조된 도면에서 실질적으로 동일한 구성과 기능을 가진 구성요소들은 동일한 부호를 사용할 것이다.

도 4는 본 발명을 수행하기 위한 신경회로망을 이용한 강재의 목표온도 제어 시스템의 전체 블록도로서, 도 4를 참조하면, 본 발명을 수행하기 위한 신경회로망을 이용한 강재의 목표온도 제어 시스템은 소재별 목표 가열 온도인 설정 데이터(SD)를 산출 처리하는 신경회로망 시스템(100)과 설정 오차 보상을 위한 피드백 치(Feedback Value)를 산출 처리하는 신경회로망 출력처리부(300)를 포함하여, 본 발명에는 신경회로망 모델에서 널리 이용되고 있는 비선형 패턴분류에 효과적인 다층퍼셉트론(Multi-layer perceptron) 신경회로망 구조 및 오류역전파(Error-back-propagation) 학습 알고리즘이 적용되었으며, 이를 통해 목표 가열 온도인 설정데이타(SD)의 엄밀 제어를 위해 통계적 기법으로 중요 영향인자를 찾아내어 최종의 입력데이타를 결정한다.

도 5는 도 4의 신경회로망 시스템의 구성도로서, 도 5를 참조하면, 권취완료(20) 시점에 온-라인 가열로 계산기(110)의 학습용 조업실적수집부(111)가 소재별 실적을 수집하여 조업실적 파일에 최대 3만 코일까지 저장하고, 학습데이터 수집부(112)는 상기 수집된 조업실적을 리드(Read)하여 오프-라인 학습시스템(120)으로 전송한다.

도 6은 도 5의 신경회로망 학습 시스템의 구성도로서, 도 6을 참조하면, 상기 신경회로망 학습 시스템의 학습처리는 실제 조업데이터를 이용해 지식을 습득하는 과정으로, 신경회로망의 출력(Output)과 조업실적 간의 오차 발생을 최소화시키기 위해 도 6에 도시한 입력층(121), 중간층(122) 및 출력층(123)간의 가중치, 즉 연결강도를 수정하는 처리를 수행한다.

상기 오프-라인 학습시스템(120)에서는 이 데이터를 이용해 소재 특성별로목표 가열온도의 예측 정도를 향상시키기 위한 지식습득 과정을 거쳐 입력층(121)-중간층(122)-출력층(123)간의 연결 강도인 기중치를 포함하는 새로운 가중치 파일(25)을 생성시킨다.

이러한 가중치 파일은 온-라인(On-Line) 가열로 계산기(110)의 신경회로망 목표가열온도 설정부(113)로 제공되며, 다음 소재부터의 목표 가열온도 계산에 반영된다.

이하, 열연 가열로에서 신경회로망 기법을 이용하여 소재별 목표 가열온도를 제어하는 본 발명의 방법에 대해서 설명한다.

도 7은 본 발명에 따른 소재별 목표 가열온도 제어 방법을 보이는 순서도로서, 도 7을 참조하면, 먼저, 데이터 입력단계(S70)는 소재 조업정보를 입력하고, 신경회로망의 각층의 가중치를 설정하는데, 상기 데이터 입력단계(S70)의 가중치는 신경회로망의 입력층(121), 중간층(122) 및 출력층(123)의 각 노드들에 대한 출력(Output)을 결정하는 연결강도의 값으로 설정된다.

그 다음, 초기입력치 설정단계(S71-S74)에서는 제어 대상재가 조합완료 되면, 조업정보 데이터와 가중치 파일을 이용하여 초기입력치를 설정하는데, 즉, 제어 대상재가 조합완료 되면, 조업정보 데이터(Data)와 가중치 파일(Weight File)을읽어 초기 입력치(Input Value)를 설정하고, 이때, 상기 가중치 파일은 신경회로망의 입력층(121), 중간층(122) 및 출력층(123)의 각 노드(Node)들에 대한 출력(Output)을 결정하는 연결강도의 값으로, 총 대략 300개 정도로 구성되며, 입력치 가운데 폭 압연량은 조업정보 데이타중의 슬랩(Slab)폭과 코일(Coil)폭 간의 차이를 나타내는 값이다.

그 다음, 입력치 상하한 체크단계(S75)에서는 상기 초기 입력치에 대한 상하한을 체크하는데, 이 입력치 상하한 체크단계(S75)는 각 입력데이터들이 사전에 설정된 상하한을 초과하는지의 여부를 판정하고, 상하한을 초과하는 입력데이타를 상하한 경계조건의 범위 내로 조정한다. 이에 따라 상기 초기 입력치는 입력치 상하한 체크 단계를 거쳐 이상 데이터의 존재 여부를 확인하여 목표 가열온도(SD) 설정불량이나 제어이상이 방지될 수 있다.

그 다음, 정규화 처리단계(S76)에서는 상기 초기 입력치를 정규화 처리하여 신경회로망의 입력층(121)의 노드값으로 제공하는데, 이 상기 정규화 처리단계(S76)는 모든 입력데이터의 크기를 0~1 사이로 정규화시켜 신경회로망의 입력층(121)의 노드 값(Node Value)으로 설정한다.

상기 입력데이타가 대략 19개 정도로 하여 정규화를 통한 입력층(121)의 노드 값의 설정식은 하기 수학식 2에 보이는 바와 같다.

Input'(i) = ((upper-lower)/(inmax(i)-inmin(i))*input(i)+

(inmax(i)*lower-inmin(i)*upper)/(inmax(i)-inmin(i)))

Node_value(i) = input'(i)

여기서, 상기 Input'는 정규화 이후 입력 값, upper는 정규화 상한치, Lower는 정규화 하한치, Inmax는 입력 상한치, inmin은 입력 하한치, input은 정규화 이전 입력 값, I는 항목 구분, Node_value는 입력층 노드 값이다.

그 다음, 레이어 노드 출력 계산단계(S77)에서는 상기 노드값과 상기 가중치를 이용하여 신경회로망의 레이어 노드 출력(Layer Node output)을 계산하는데, 이 레이어 노드 출력 계산단계(S77)는 이전층의 각 출력값과 가중치를 곱한 후 이들의 총합을 계산하고, 상기 총합으로 각 노드의 출력을 계산한다.

그 다음, 비정규화 처리단계(S78)에서는 상기 계산된 레이어 노드 출력을 비정규화 처리하고, 그 다음, 가열온도 목표치 설정단계(S79)에서는 상기 비정규화 처리된 값을 최종의 가열온도 목표치를 설정한다.

이와 같은 계산된 출력을 하기 수학식 3과 같이 비정규화 처리하여 최종의가열온도 목표치를 설정한다.

(수학식 3)

Node-value' = Node _ value' + weight(i)*Node _ value(i)

Node_value"= 1.0 / (1.0 + exp(-alpha*Node_value'))

Nnout = ((outmax-outmin)/(upper-lower)*Node_value"-

(outmax*lower-outmin*upper)/(upper-lower))

Θout* = Nnout

여기서, Node_value'는 층별 노드 값의 총합, Node_value는 이전층 노드의 출력 값, Weight는 연결강도이며, 1.0은 노드 값 총합의 0~1 사이 mapping 상수, Alpha는 이전층 노드의 출력 값 기울기 조정계수, Node Value"는 층별 노드의 출력, Nnout는 비정규화 이후의 출력 값, outmax는 출력 상한치, outmin은 출력 하한치이다.

한편, 도 8의 (a)는 신경회로망 입력항목의 선정을 위한 상관분석 결과 예시도로서, 도 8의 (a)를 참조하면, 이는 목표 가열온도(SD)인 추출온도에 영향을 주는 항목들의 상관성 분석 결과로서, 도 8의 (a)에서 보는 바와 같이 19개 항목들에 대한 추출온도(SD)로의 영향정도(상관성)를 정량적으로 알 수 있으며, 이 결과를 기준으로 소재별 목표 가열온도(SD) 설정을 위한 입력데이타를 결정하였다.

상기 결과에서 보는 바와 같이, 추출온도(SD)와 각각의 항목들 간에는 양의 방향과 음의 방향으로 영향정도(상관성)를 보이고 있는데, 그 중에 코일(Coil) 폭과 슬랩(Slab)폭의 경우는 다른 항목들에 비하여 상관성이 높은 것으로 분석되었다. 그림에서 n은 제어 대상재를 나타내며, n-1은 선행 장입재, n-2는 선 선행 장입재, n+1은 후행 장입재, n+2는 후 후행 장입재를 나타낸다.

이러한 구분은 제어 대상재의 목표 가열온도에 어떤 소재가 영향을 크게 미치는가를 알기 위한 것이며, 어떤 소재의 입력데이터를 기준으로 제어 대상재의 목표 가열온도(SD)를 결정하는 것이 최적인가를 판단하기 위한 자료로 활용된다. 즉, 제어 대상재의 추출온도의 높고 낮음이 제어 대상재의 영향인지 아니면 선행 또는 후행 소재의 영향인지를 판단하기 위한 것으로, 본 발명은 그림에서 보듯이 영향정도의 절대평균(36)이 가장 높게 나타난 제어 대상재의 입력데이터를 기준으로 목표 가열온도를 결정하는 것으로 하였다.

상기 설명한 과정을 거쳐 결정된 입력데이터는 입력층(121), 중간층(122) 및 출력층(123)으로 구성된 다층퍼셉트론 신경회로망 구조를 이용해 목표 가열온도(SD)를 결정하고, 목표값과 실적값 간의 오차량에 대하여 신경회로망 출력처리(300)를 통해 피드-백(Feed-Back) 제어를 행한다.

도 8의 (b)는 신경회로망 입력항목들의 상하한 판정기준 예시도로서, 도 8의 (b)를 참조하면, 입력 데이타의 경계조건을 현실성 있는 범위 내로 설정함으로써 본 발명의 예측 정도를 향상시킨다. 상기 상하한 체크를 마친 초기 입력치는 정규화 처리를 통해 신경회로망 제어를 위한 입력층(121)의 노드 값을 결정하며, 정규화 처리는 다음과 같은 목적으로 행해진다.

즉, 각각의 입력데이터들은 서로 다른 크기의 값(단위)을 가지고 있기 때문에 정규화 처리(33)를 하지 않은 상태로 곧바로 사용할 경우 크기가 큰 입력데이터가 목표 가열온도(SD)에 영향을 많이 주는 것으로 계산되는 오류가 발생되어 제어계의 오 동작을 초래하게 된다. 따라서 이러한 문제 발생을 방지하기 위하여 모든 입력데이터의 크기를 0~1 사이로 정규화(33) 시켜 입력층(121)의 노드 값(Node Value)을 설정한다.

전술한 바와 같은 본 발명을 실제 적용하기 위해서는 기존 시스템의 제어구조와 제어사양의 대폭적인 개조가 필요하였고, 이로 인한 문제점이 발생되었는데, 예를 들어 조업상의 제어 목표온도와 실제 온도와의 차이를 검증하기 위해서는 수 많은 소재들에 대하여 실제 온도를 알기 위한 측정실험의 필요와 더욱이 본 발명의 제어정도를 확보하기 위해서는 조업실적의 학습제어가 필수적이나 신경회로망 학습과정은 수천에서 수만의 조업 데이터와 고속의 컴퓨터가 요구되는 작업임을 볼 때에 현재의 프로세스 컴퓨터 시스템(Process Computer System)으로는 한계가 있었다.

다시 말하면 2만 코일 정도의 실적데이터를 신경회로망으로 5,000회를 학습할 경우 온-라인(On-Line) 가열로 계산기로는 5일 이상이 소요되고, 또한 학습은 1회 수행으로 결과를 도출하기 어려우며 여러 번의 시행착오를 거쳐서 최적의 학습 결과를 도출할 수 있다. 따라서 이러한 문제점에 대응을 위하여 기존 시스템의 기능 중에 소재온도에 영향 정도가 큰 제어항목(도4(나))에 신경회로망 기법을 적용하는 것으로 하였다. 또한 신경회로망 학습처리의 경우에는 장시간 소요되는 특성을 고려해 오프-라인(Off-Line)의 학습시스템(120)을 활용하는 것으로 하였다.

적용 예

본 발명을 실기 적용하여 설정된 목표 가열온도와 기존 방법에 의한 제어결과의 변화정도 및 신경회로망을 이용한 소재별 목표 가열온도의 예측 정도는 다음과 같다.

도 9는 본 발명에 따른 목표 가열온도 예측결과도로서, 도 9를 참조하면, 2439 코일(Coil)에 대한 신경회로망을 이용한 소재별 목표 가열온도의 예측데이터와 실적데이터 간의 평균편차 발생량은 9.63℃이고, ±20℃ 이내에 90% 수준의 적중율을 보이고 있다. 도 9에서의 예측평균, 실적평균 및 평균편차의 계산식은 하기 수학식 4와 같다.

평균 = (예측 또는 실적데이타의 총합) ÷실측회수

편차 = |실적데이타 - 신경회로망 예측데이타|

평균편차 = Σ편차 ÷실측회수

도 10의 (a)는 종래의 목표 가열온도 제어결과 그래프이고, (b)는 본 발명에 의한 목표 가열온도 제어결과 그래프로서, 도 10의 (a) 및 (b)를 참조하면, 가로축(27)은 실적 데이터이고 세로축(28)은 설정 데이터를 나타내며, 도 10의 (a)는 기존 시스템에 의한 목표 가열온도와 조업실적 추출온도와의 관계를 나타낸 것으로, 제어정도는 조업실적 평균이 1182.4℃에 목표 가열온도가 1189.6℃로, 실적과 목표 간의 평균편차 발생량이 10.2℃인 반면에, 도 10의 (b)의 본 발명 시스템에 의한 목표 가열온도와 조업실적 추출온도와의 관계는 조업실적 평균이 1182.4℃에 목표 가열온도가 1185.2℃로 실적과 목표 간의 평균편차가 6.0℃로 나타나, 기존 시스템의 제어방식에 비하여 향상된 제어결과를 얻게 되었다.

상술한 바와 같은 본 발명에 따르면, 다수의 비선형적인 영향 요인에 대하여 예측 및 제어능력이 우수한 신경회로망(Neural Network) 기법을 적용하여, 소재 규격의 다양성 및 동일규격 내에서의 구성 성분과 성분별 함유량의 차이, 최종제품의두께와 폭, 조업조건 변화 등에 따른 강재의 온도변동 비율과 변동폭에 대응하여 최적의 목표 가열온도를 제어할 수 있는 효과가 있다.

또한, 가열로 연소제어 수식모델의 제어정도 저하를 보완할 수 있고, 이에 따라 다양한 생산 제품에 대한 가열로 및 압연공정의 원활한 조업과 제품의 품질을 안정적으로 확보할 수 있는 효과가 있다.

이상의 설명은 본 발명의 구체적인 실시 예에 대한 설명에 불과하고, 본 발명은 이러한 구체적인 실시 예에 한정되지 않으며, 또한, 본 발명에 대한 상술한 구체적인 실시 예로부터 그 구성의 다양한 변경 및 개조가 가능하다는 것을 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 쉽게 알 수 있다.

Claims (4)

1. 열연 가열로에서 신경회로망 기법을 이용하여 소재별 목표 가열온도를 제어하는 방법에 있어서,

   소재 조업정보를 입력하고, 신경회로망의 각층의 가중치를 설정하는 데이터 입력단계(S70);

   제어 대상재가 조합완료 되면, 조업정보 데이터와 가중치 파일을 이용하여 초기입력치를 설정하는 초기입력치 설정단계(S71-S74);

   상기 초기 입력치에 대한 상하한을 체크하는 입력치 상하한 체크단계(S75);

   상기 초기 입력치를 정규화 처리하여 신경회로망의 입력층(121)의 노드값으로 제공하는 정규화 처리단계(S76);

   상기 노드값과 상기 가중치를 이용하여 신경회로망의 레이어 노드 출력(Layer Node output)을 계산하는 레이어 노드 출력 계산단계(S77);

   상기 계산된 레이어 노드 출력을 비정규화 처리하는 비정규화 처리단계(S78); 및

   상기 비정규화 처리된 값을 최종의 가열온도 목표치를 설정하는 가열온도 목표치 설정단계;

   를 구비함을 특징으로 하는 소재별 목표 가열온도 제어 방법.
2. 제1항에 있어서, 상기 데이터 입력단계(S70)의 가중치는

   신경회로망의 입력층(121), 중간층(122) 및 출력층(123)의 각 노드들에 대한 출력(Output)을 결정하는 연결강도의 값으로 설정되는 것을 특징으로 하는 소재별 목표 가열온도 제어 방법.
3. 제1항에 있어서, 상기 입력치 상하한 체크단계(S75)는

   각 입력데이터들이 사전에 설정된 상하한을 초과하는지의 여부를 판정하는 과정; 및

   상하한을 초과하는 입력데이타를 상하한 경계조건의 범위 내로 조정하는 과정을 포함하는 것을 특징으로 하는 소재별 목표 가열온도 제어 방법.
4. 제1항에 있어서, 상기 정규화 처리단계(S76)는

   모든 입력데이터의 크기를 0~1 사이로 정규화시켜 신경회로망의 입력층(121)의 노드 값(Node Value)으로 설정하는 것을 특징으로 하는 소재별 목표 가열온도 제어 방법.