KR20180022030A - 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 - Google Patents
뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 Download PDFInfo
- Publication number
- KR20180022030A KR20180022030A KR1020160106798A KR20160106798A KR20180022030A KR 20180022030 A KR20180022030 A KR 20180022030A KR 1020160106798 A KR1020160106798 A KR 1020160106798A KR 20160106798 A KR20160106798 A KR 20160106798A KR 20180022030 A KR20180022030 A KR 20180022030A
- Authority
- KR
- South Korea
- Prior art keywords
- control point
- point data
- data
- learning
- correlation
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 230000008569 process Effects 0.000 title claims abstract description 92
- 239000004568 cement Substances 0.000 title claims abstract description 36
- 235000008733 Citrus aurantifolia Nutrition 0.000 title claims abstract description 28
- 235000011941 Tilia x europaea Nutrition 0.000 title claims abstract description 28
- 239000004571 lime Substances 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000005245 sintering Methods 0.000 title abstract description 4
- 238000001354 calcination Methods 0.000 claims description 43
- 238000010304 firing Methods 0.000 claims description 27
- 238000004886 process control Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 239000000446 fuel Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 3
- 230000006855 networking Effects 0.000 abstract 1
- 230000001537 neural effect Effects 0.000 abstract 1
- 239000003245 coal Substances 0.000 description 10
- 239000002994 raw material Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000002485 combustion reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 235000019738 Limestone Nutrition 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28B—SHAPING CLAY OR OTHER CERAMIC COMPOSITIONS; SHAPING SLAG; SHAPING MIXTURES CONTAINING CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28B11/00—Apparatus or processes for treating or working the shaped or preshaped articles
- B28B11/24—Apparatus or processes for treating or working the shaped or preshaped articles for curing, setting or hardening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B28—WORKING CEMENT, CLAY, OR STONE
- B28B—SHAPING CLAY OR OTHER CERAMIC COMPOSITIONS; SHAPING SLAG; SHAPING MIXTURES CONTAINING CEMENTITIOUS MATERIAL, e.g. PLASTER
- B28B17/00—Details of, or accessories for, apparatus for shaping the material; Auxiliary measures taken in connection with such shaping
-
- C—CHEMISTRY; METALLURGY
- C04—CEMENTS; CONCRETE; ARTIFICIAL STONE; CERAMICS; REFRACTORIES
- C04B—LIME, MAGNESIA; SLAG; CEMENTS; COMPOSITIONS THEREOF, e.g. MORTARS, CONCRETE OR LIKE BUILDING MATERIALS; ARTIFICIAL STONE; CERAMICS; REFRACTORIES; TREATMENT OF NATURAL STONE
- C04B40/00—Processes, in general, for influencing or modifying the properties of mortars, concrete or artificial stone compositions, e.g. their setting or hardening ability
- C04B40/02—Selection of the hardening environment
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y04S10/54—
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Ceramic Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Structural Engineering (AREA)
- Mechanical Engineering (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Automation & Control Theory (AREA)
Abstract
뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법이 제공된다. 본 발명의 실시예에 따른 공정 학습 방법은, 공정에 대한 제어 포인트 데이터들을 수집하고, 제어 포인트들에 의해 결정되는 공정 데이터를 수집하며, 제어 포인트 데이터들과 공정 데이터를 학습하여 제어 포인트 데이터들과 공정 데이터 간의 상관관계를 추출한다. 이에 의해, 뉴럴 네트워크 학습을 이용하여, 시멘트 석회 소성 공정 온도를 보다 간편하고 정확하게 예측할 수 있게 된다.
Description
본 발명은 제조 산업에서 필요로 하는 에너지 절감 기술에 관한 것으로, 더욱 상세하게는 시멘트 석회 소성 공정 온도를 예측하고 제어하는 시스템 및 방법에 관한 것이다.
시멘트 석회 소성 공정에서 소성로 온도를 일정하게 유지시키는 것이 중요하다. 소성로 온도의 편차가 심해지면, 생산되는 시멘트의 품질이 떨어지게 되는 문제가 있다.
뿐만 아니라, 석회 소성 공정은 시멘트 공정 중 가장 많은 에너지가 소비되는 공정이기 때문에, 에너지 효율성 측면에서도 좋지 않다.
이와 같은 문제를 해결하기 위해서는, 소성로 온도를 예측하는 것이 필요한데, 시멘트 석회 소성 공정을 위한 제어 포인트 데이터들이 소성로 온도에 미치는 영향은 비선형적인 관계로, 이를 예측하는 것은 매우 어렵다.
따라서, 작업자/관리자의 직관 내지 시행착오를 통해 알아내고 있는 실정이다. 그러나, 시멘트 공장에는 통상 수십 개의 소성로가 마련되어 있어, 이와 같은 방식의 예측은 매우 번거롭다. 또한, 소성로의 교체가 있는 경우에는, 예측 결과가 무의미해진다는 문제도 있다.
본 발명은 상기와 같은 문제점을 해결하기 위하여 안출된 것으로서, 본 발명의 목적은, 시멘트 석회 소성 공정 온도의 간편하고 정확한 예측을 위한 방안으로, 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법을 제공함에 있다.
또한, 본 발명의 다른 목적은, 뉴럴 네트워크 학습 결과를 기반으로 예측한 시멘트 석회 소성 공정 온도를 일정하게 유지시키기 위해 시멘트 석회 소성 공정 제어 포인트들을 조절하는 방법 및 시스템을 제공함에 있다.
상기 목적을 달성하기 위한 본 발명의 일 실시예에 따른, 공정 학습 방법은, 공정에 대한 제어 포인트 데이터들을 수집하는 제1 수집단계; 제어 포인트들에 의해 결정되는 공정 데이터를 수집하는 제2 수집단계; 및 제어 포인트 데이터들과 공정 데이터를 학습하여, 제어 포인트 데이터들과 공정 데이터 간의 상관관계를 추출하는 단계;를 포함한다.
그리고, 제어 포인트 데이터들은, 시멘트 석회 소성 공정과 관련한 제어 포인트 데이터들이고, 공정 데이터는, 시멘트 석회 소성 공정 온도 데이터일 수 있다.
또한, 시멘트 석회 소성 공정과 관련한 제어 포인트 데이터들은, 시간당 원료 투입량, 시간당 연료 투입량, 시간당 공기 투입량, 시간당 설비 제어량 중 적어도 하나를 포함
그리고, 학습은, 뉴럴 네트워크 학습일 수 있다.
또한, 뉴럴 네트워크의 첫 번째 레이어의 웨이트와 바이어스는, 기지의 값으로 설정될 수 있다.
그리고, 본 발명의 일 실시예에 따른 공정 학습 방법은, 공정에 대한 제어 포인트 데이터들을 입력받는 단계; 상관관계를 기초로, 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하는 단계; 및 예측 결과를 기초로, 입력된 제어 포인트 데이터들을 조절하는 단계;를 더 포함할 수 있다.
또한, 추출단계는, 제어 포인트 데이터들 각각과 계측 데이터 간의 상관관계들을 각각 추출할 수 있다.
그리고, 예측단계는, 추출된 상관관계들을 기초로 선별된 주요 제어 포인트 데이터들로부터 계측 데이터를 예측할 수 있다.
또한, 조절단계는, 예측 결과를 기초로, 주요 제어 포인트 데이터들을 조절한다.
한편, 본 발명의 다른 실시예에 따른, 공정 학습 시스템은, 공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터를 수집하는 통신부; 및 제어 포인트 데이터들과 공정 데이터를 학습하여, 제어 포인트 데이터들과 공정 데이터 간의 상관관계를 추출하는 프로세서;를 포함한다.
한편, 본 발명의 다른 실시예에 따른, 공정 제어 방법은, 공정에 대한 제어 포인트 데이터들을 입력받는 단계; 공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터 간의 상관관계를 기초로, 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하는 단계; 및 예측 결과를 기반으로 입력된 제어 포인트 데이터들을 조절하는 단계;를 포함한다.
한편, 본 발명의 다른 실시예에 따른, 공정 제어 시스템은, 공정에 대한 제어 포인트 데이터들을 입력받는 통신부; 및 공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터 간의 상관관계를 기초로 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하고, 예측 결과를 기반으로 입력된 제어 포인트 데이터들을 조절하는 프로세서;를 포함한다.
이상 설명한 바와 같이, 본 발명의 실시예들에 따르면, 뉴럴 네트워크 학습을 이용하여, 시멘트 석회 소성 공정 온도를 보다 간편하고 정확하게 예측할 수 있게 된다.
또한, 본 발명의 실시예들에 따르면, 시멘트 석회 소성 공정 온도 예측 결과를 기초로, 시멘트 석회 소성 공정 온도를 최적화된 상태로 일정하게 유지시켜 고품질의 시멘트를 생산을 가능하게 함은 물론, 해당 공정에서의 에너지 소모를 절감할 수 있게 된다.
도 1은 시멘트 소성로를 개략적으로 나타낸 도면,
도 2는 뉴럴 네트워크 학습 기법을 나타낸 도면,
도 3 내지 도 5는 뉴럴 네트워크 학습을 통해 도출한 상관관계의 설명에 제공되는 도면들,
도 6은 본 발명의 일 실시예에 따른 석회 소성 공정 학습 방법의 설명에 제공되는 흐름도,
도 7은 본 발명의 다른 실시예에 따른 석회 소성 공정 제어 방법의 설명에 제공되는 흐름도,
도 8은 본 발명의 또 다른 실시예에 따른 시멘트 석회 소성 공정 온도 예측 시스템의 블럭도이다.
도 2는 뉴럴 네트워크 학습 기법을 나타낸 도면,
도 3 내지 도 5는 뉴럴 네트워크 학습을 통해 도출한 상관관계의 설명에 제공되는 도면들,
도 6은 본 발명의 일 실시예에 따른 석회 소성 공정 학습 방법의 설명에 제공되는 흐름도,
도 7은 본 발명의 다른 실시예에 따른 석회 소성 공정 제어 방법의 설명에 제공되는 흐름도,
도 8은 본 발명의 또 다른 실시예에 따른 시멘트 석회 소성 공정 온도 예측 시스템의 블럭도이다.
이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다.
도 1은 시멘트 소성로를 개략적으로 나타낸 도면이다. 도 1에 도시된 바와 같이, 시멘트 소성로(100)에는 시멘트 원료인 석회석(limestone)이 투입되고 석회(lime)가 배출된다.
그리고, 시멘트 소성로(100)의 예열기와 소성로에는 석탄이 연료(fuel)로써 투입되고, 소성로(100)의 하부에는 모터를 이용한 흡기가 이루어지며, 상부에는 송풍기를 이용한 배기가 이루어진다. 한편, 소성로(100)는 연소 효율을 높이기 위해 일정 속도로 회전한다.
본 발명의 실시예에서는, 시멘트 석회 소성 공정 온도 예측 시스템 및 방법을 제시한다.
시멘트 석회 소성 공정 온도 예측 시스템은, 뉴럴 네트워크 학습을 이용하여, 석회 소성 공정 제어 포인트 데이터들과 석회 소성 공정 온도 데이터 간의 상관관계를 학습한다.
나아가, 소성 공정 온도가 일정하게 유지되도록 하기 위해, 시멘트 석회 소성 공정 온도 예측 시스템은, 학습결과를 바탕으로 소성 공정 제어 포인트들을 조절한다.
도 2에는 이를 위한 뉴럴 네트워크 학습 기법을 나타내었다. 도 2에 도시된 바와 같이, 뉴럴 네트워크 학습에서는, 시간당 원료 투입량, 분당 송풍기 회전수, 시간당 예열기 석탄 투입량, 시간당 소성로 석탄 투입량, 연소 공기 투입 모터 회전수, 분당 소성로(Kiln) 회전수에 따른 소성로 온도를 학습한다.
시간당 원료 투입량, 분당 송풍기 회전수, 시간당 예열기 석탄 투입량, 시간당 소성로 석탄 투입량, 연소 공기 투입 모터 회전수, 분당 소성로 회전수, 소성로 온도는 모두 석회 소성 공정 데이터에 해당한다.
하지만, 소성로 온도를 제외한 시간당 원료 투입량, 시간당 예열기 석탄 투입량, 시간당 소성로 석탄 투입량, 연소 공기 투입 모터 회전수, 분당 송풍기 회전수, 분당 소성로 회전수는, 석회 소성 공정 제어 포인트들로 조절이 가능하다는 점에서, 제어 포인트들에 의해 결정되는 소성로 온도와 차이가 있다.
한편, 뉴럴 네트워크에 대해서는 초기값 설정이 가능하다. 즉, 뉴럴 네트워크의 첫 번째 레이어의 웨이트(weight)와 바이어스(bias)를 경험을 통해 알고 있는 값이나 실험을 통해 획득한 값으로 설정하여, 학습의 정확도를 높이고 학습 속도를 빠르게 할 수 있다.
히든 레이어(hidden layer)의 변수와 구조는 학습을 통해 자동으로 설정되는 것이 일반적이지만, 이 역시도 경험/실험을 통해 획득한 값/구조로 전부/일부를 설정할 수 있다.
도 2에 도시된 뉴럴 네트워크 학습결과로부터, 제어 포인트 데이터들 간의 상관관계들은 물론, 제어 포인트 데이터들 각각과 소성로 온도 데이터 간의 상관관계들을 각각 추출할 수 있다.
도 3에는 뉴럴 네트워크 학습을 통해 도출한 상관관계들을 나타내었다. 각각의 셀들은 뉴럴 네트워크에 입력된 데이터들 간의 상관계수들을, 수치에 따라 각기 다른 휘도/색상 등으로 나타낸다.
예를 들어, 도 3에서 원형으로 표기한 부분의 상관관계는, 도 4에 도시된 시간당 소성로 석탄 투입량과 도 5에 도시된 소성로 온도의 상관관계이다. 양자는 비교적 높은 상관관계를 보이고 있음을 확인할 수 있다.
상관관계는, 정해진 시간 단위, 이를 테면, 년, 월, 일, 시간 단위로 비교하여 도출 가능함은 물론, 제어 포인트들이 조작/변경되는 유효 시구간 만을 추출하여 도출할 수도 있다.
조작/변경 발생과 결과 반영 시간에 관한 사전지식을 반영하여, 후자가 더 유의미한 상관관계를 도출할 수 있다. 또한, 상관계수는 절대값을 취해 판단하는 것이 좋으며, 에러값을 함께 산출하는 것도 가능하다.
도 6은 본 발명의 일 실시예에 따른 석회 소성 공정 학습 방법의 설명에 제공되는 흐름도이다.
석회 소성 공정 학습을 위해, 도 6에 도시된 바와 같이, 먼저 석회 소성 공정에 대한 제어 포인트 데이터들을 수집하고(S210), 그에 따른 소성로 온도 데이터를 수집한다(S220).
S210단계에서 수집되는 제어 포인트 데이터들에는, 시간당 원료 투입량, 시간당 연료 투입량(시간당 예열기 석탄 투입량, 시간당 소성로 석탄 투입량), 시간당 공기 투입량(연소 공기 투입 모터 회전수, 시간당 송풍기 회전수), 시간당 소성로 회전수가 포함된다.
S220단계에서 수집되는 소성로 온도는, 석회 소성 공정 온도 데이터에 해당한다.
다음, S210단계에서 수집된 제어 포인트 데이터들과 S220단계에서 수집된 소성로 온도 데이터들을 학습하여(S230), 제어 포인트들과 소성로 온도 간의 상관관계를 도출한다(S240).
S240단계에 의해 학습된 뉴럴 네트워크가 생성되는데, 뉴럴 네트워크의 입력들을 소성로 온도와 상관계수가 높은 주요 제어 포인트들로 선별하는 것이 가능하며, 선별은 자동과 수동 모두 가능하다.
자동 선별의 경우, 소성로 온도 변화에 따른 각 제어 포인트들의 추이를 가우시안 프로세스로 모델링하여, 상관 계수가 기준 이상인 제어 포인트들만을 선별한다.
이 선별된 제어 포인트들을 자동으로 조절하여 석회 소성 공정에 주요한 제어 포인트들을 최적화시켜 제품 품질을 향상시키고, 에너지 효율을 최적화시킬 수 있다.
도 7은 본 발명의 다른 실시예에 따른 석회 소성 공정 제어 방법의 설명에 제공되는 흐름도이다.
석회 소성 공정 제어를 위해, 도 7에 도시된 바와 같이, 먼저 석회 소성 공정 제어 포인트 데이터들을 입력 받아(S310), 도 6에 도시된 절차에 따라 학습된 뉴럴 네트워크를 이용하여 소성로 온도를 예측한다(S320).
S320단계에서의 예측은, 제어 포인트 데이터들과 소성로 온도 간의 상관관계를 기초로, 입력된 제어 포인트 데이터들로부터 소성로 온도를 예측하는 과정에 해당한다.
다음, 예측 결과를 기초로, 필요시 입력된 제어 포인트 데이터들을 조절하여(S330), 소성로 온도 최적화하고, 소성로에서의 에너지 소모를 절감한다.
도 6의 S240단계를 통해 학습된 뉴럴 네트워크에 주요 제어 포인트들만이 선별되어 있다면, S310단계에서는 주요 제어 포인트들에 대해서만 입력받으면 되고, S330단계에서도 주요 제어 포인트들에 대해서만 조절하면 된다.
도 8은 본 발명의 또 다른 실시예에 따른 시멘트 석회 소성 공정 온도 예측 시스템의 블럭도이다. 도 8에 도시된 바와 같이, 시멘트 석회 소성 공정 온도 예측 시스템은, 통신부(410), 모니터(420), 프로세서(430), 입력부(440) 및 저장부(450)를 포함하는 컴퓨팅 시스템으로 구현할 수 있다.
통신부(410)는 외부 기기/네트워크와 통신 연결하여 데이터를 수신/입력받는 데이터 수집 수단이고, 입력부(440)는 초기값, 설정값을 입력받기 위한 수단이다.
프로세서(430)는 도 6에 따른 석회 소성 공정 학습 알고리즘과 도 7에 따른 석회 소성 공정 제어 알고리즘를 수행하고, 모니터(420)를 통해 그 결과를 제공하고, 통신부(410)를 통해 그 결과를 외부 기기/네트워크로 전송할 수 있다.
저장부(450)는 프로세서(430)가 학습 알고리즘과 제어 알고리즘을 수행함에 있어 필요한 저장 공간을 제공한다.
지금까지, 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 학습/제어 방법 및 이를 수행하는 시스템에 대해 바람직한 실시예들을 들어 상세히 설명하였다.
위 실시예에서, 석회 소성 공정에 대한 제어 포인트들로 언급한 것들은 모두 예시적인 것으로, 일부를 배제하거나 다른 종류의 제어 포인트들을 추가/대체하는 것이 가능하다.
또한, 소성로 온도 역시 석회 소성 공정 데이터 중 하나를 언급한 것이므로, 다른 종류의 공정 데이터로 대체되는 경우에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다.
나아가, 위 실시예들에서 언급한 뉴럴 네트워크 학습 역시, 예시적인 것이므로 다른 종류의 학습으로 대체될 수 있다.
그리고, 시멘트 소성 공정 역시 제조산업에서의 다양한 공정들 중 하나를 언급한 것이다. 다른 종류의 공정과 제조산업에서 에너지 절감 등을 목적으로 하는 FEMS(Factory Energy Management System)에 대해서도 본 발명의 기술적 사상이 적용될 수 있다.
한편, 본 실시예에 따른 장치와 방법의 기능을 수행하게 하는 컴퓨터 프로그램을 수록한 컴퓨터로 읽을 수 있는 기록매체에도 본 발명의 기술적 사상이 적용될 수 있음은 물론이다. 또한, 본 발명의 다양한 실시예에 따른 기술적 사상은 컴퓨터로 읽을 수 있는 기록매체에 기록된 컴퓨터로 읽을 수 있는 코드 형태로 구현될 수도 있다. 컴퓨터로 읽을 수 있는 기록매체는 컴퓨터에 의해 읽을 수 있고 데이터를 저장할 수 있는 어떤 데이터 저장 장치이더라도 가능하다. 예를 들어, 컴퓨터로 읽을 수 있는 기록매체는 ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광디스크, 하드 디스크 드라이브, 등이 될 수 있음은 물론이다. 또한, 컴퓨터로 읽을 수 있는 기록매체에 저장된 컴퓨터로 읽을 수 있는 코드 또는 프로그램은 컴퓨터간에 연결된 네트워크를 통해 전송될 수도 있다.
또한, 이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구항는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.
100 : 시멘트 소성로
410 : 통신부
420 : 모니터 430 : 프로세서
440 : 입력부 450 : 저장부
420 : 모니터 430 : 프로세서
440 : 입력부 450 : 저장부
Claims (12)
- 공정에 대한 제어 포인트 데이터들을 수집하는 제1 수집단계;
제어 포인트들에 의해 결정되는 공정 데이터를 수집하는 제2 수집단계;
제어 포인트 데이터들과 공정 데이터를 학습하여, 제어 포인트 데이터들과 공정 데이터 간의 상관관계를 추출하는 단계;를 포함하는 것을 특징으로 하는 공정 학습 방법.
- 청구항 1에 있어서,
제어 포인트 데이터들은,
시멘트 석회 소성 공정과 관련한 제어 포인트 데이터들이고,
공정 데이터는,
시멘트 석회 소성 공정 온도 데이터인 것을 특징으로 하는 공정 학습 방법.
- 청구항 2에 있어서,
시멘트 석회 소성 공정과 관련한 제어 포인트 데이터들은,
시간당 원료 투입량, 시간당 연료 투입량, 시간당 공기 투입량, 시간당 설비 제어량 중 적어도 하나를 포함하는 것을 특징으로 하는 공정 학습 방법.
- 청구항 1에 있어서,
학습은,
뉴럴 네트워크 학습인 것을 특징으로 하는 공정 학습 방법.
- 청구항 1에 있어서,
뉴럴 네트워크의 첫 번째 레이어의 웨이트와 바이어스는,
기지의 값으로 설정되는 것을 특징으로 하는 공정 학습 방법.
- 청구항 1에 있어서,
공정에 대한 제어 포인트 데이터들을 입력받는 단계;
상관관계를 기초로, 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하는 단계;
예측 결과를 기초로, 입력된 제어 포인트 데이터들을 조절하는 단계;를 더 포함하는 것을 특징으로 하는 공정 학습 방법.
- 청구항 6에 있어서,
추출단계는,
제어 포인트 데이터들 각각과 계측 데이터 간의 상관관계들을 각각 추출하는 것을 특징으로 하는 공정 학습 방법.
- 청구항 7에 있어서,
예측단계는,
추출된 상관관계들을 기초로 선별된 주요 제어 포인트 데이터들로부터 계측 데이터를 예측하는 것을 특징으로 하는 공정 학습 방법.
- 청구항 8에 있어서,
조절단계는,
예측 결과를 기초로, 주요 제어 포인트 데이터들을 조절하는 것을 특징으로 하는 공정 학습 방법.
- 공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터를 수집하는 통신부; 및
제어 포인트 데이터들과 공정 데이터를 학습하여, 제어 포인트 데이터들과 공정 데이터 간의 상관관계를 추출하는 프로세서;를 포함하는 것을 특징으로 하는 공정 학습 시스템.
- 공정에 대한 제어 포인트 데이터들을 입력받는 단계;
공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터 간의 상관관계를 기초로, 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하는 단계;
예측 결과를 기반으로 입력된 제어 포인트 데이터들을 조절하는 단계;를 포함하는 것을 특징으로 하는 공정 제어 방법.
- 공정에 대한 제어 포인트 데이터들을 입력받는 통신부; 및
공정에 대한 제어 포인트 데이터들과 제어 포인트들에 의해 결정되는 공정 데이터 간의 상관관계를 기초로 입력된 제어 포인트 데이터들로부터 공정 데이터를 예측하고, 예측 결과를 기반으로 입력된 제어 포인트 데이터들을 조절하는 프로세서;를 포함하는 것을 특징으로 하는 공정 제어 시스템.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2016/009303 WO2018038279A1 (ko) | 2016-08-23 | 2016-08-23 | 에너지 절감 방법 및 이를 적용한 fems |
KR1020160106798A KR20180022030A (ko) | 2016-08-23 | 2016-08-23 | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160106798A KR20180022030A (ko) | 2016-08-23 | 2016-08-23 | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20180022030A true KR20180022030A (ko) | 2018-03-06 |
Family
ID=61246110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160106798A KR20180022030A (ko) | 2016-08-23 | 2016-08-23 | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20180022030A (ko) |
WO (1) | WO2018038279A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655731B1 (ko) * | 2023-07-25 | 2024-04-16 | 주식회사 인이지 | 산업 공정 예측 및 제어 시스템을 구현하기 위한 전자 장치 및 이의 제어 방법 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11875371B1 (en) | 2017-04-24 | 2024-01-16 | Skyline Products, Inc. | Price optimization system |
CN110282645A (zh) * | 2019-06-21 | 2019-09-27 | 广西大学 | 一种氧化铝焙烧过程操作参数优化方法 |
CN113219871B (zh) * | 2021-05-07 | 2022-04-01 | 淮阴工学院 | 一种养护室环境参数检测系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11242503A (ja) * | 1998-02-25 | 1999-09-07 | Hitachi Ltd | プラント運転制御支援システム |
US6773931B2 (en) * | 2002-07-29 | 2004-08-10 | Advanced Micro Devices, Inc. | Dynamic targeting for a process control system |
JP4980732B2 (ja) * | 2007-01-15 | 2012-07-18 | 株式会社野村総合研究所 | システム設計支援装置 |
KR102038712B1 (ko) * | 2013-10-14 | 2019-10-30 | 주식회사 포스코아이씨티 | 에너지 관리 시스템 및 에너지 관리 방법 |
-
2016
- 2016-08-23 WO PCT/KR2016/009303 patent/WO2018038279A1/ko active Application Filing
- 2016-08-23 KR KR1020160106798A patent/KR20180022030A/ko not_active Application Discontinuation
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102655731B1 (ko) * | 2023-07-25 | 2024-04-16 | 주식회사 인이지 | 산업 공정 예측 및 제어 시스템을 구현하기 위한 전자 장치 및 이의 제어 방법 |
Also Published As
Publication number | Publication date |
---|---|
WO2018038279A1 (ko) | 2018-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109870903B (zh) | 参数优化方法、装置以及非瞬时计算机可读取介质 | |
KR20180022030A (ko) | 뉴럴 네트워크 학습을 이용한 시멘트 석회 소성 공정 온도 예측 시스템 및 방법 | |
Stadler et al. | Model predictive control of a rotary cement kiln | |
KR102016270B1 (ko) | 열간 자유단조 공정의 작업 계획 최적화 시스템 및 방법 | |
CN107464023A (zh) | 生命周期预测模型的在线学习方法和设备 | |
US9740181B2 (en) | Identifying models of dynamic systems using regression model for parameters and error rates | |
US20220179400A1 (en) | Method and system for monitoring and optimizing the operation of an alumina rotary kiln | |
US20200158437A1 (en) | System and method for dynamic process modeling, error correction and control of a reheat furnace | |
JP2019019385A (ja) | 溶銑温度予測方法、溶銑温度予測装置、高炉の操業方法、操業ガイダンス装置、溶銑温度制御方法、及び溶銑温度制御装置 | |
CN108803528A (zh) | 基于多变量相关性及时滞性的流程工业系统预测模型 | |
Anand et al. | Design of neural network based expert system for automated lime kiln system | |
Mitra et al. | Blast furnace charging optimization using multi-objective evolutionary and genetic algorithms | |
US20210048794A1 (en) | Information processing device, program, process treatment executing device, and information processing system | |
WO2021014782A1 (ja) | 学習モデル生成方法、学習モデル生成装置、高炉の溶銑温度制御方法、高炉の溶銑温度制御ガイダンス方法、及び溶銑の製造方法 | |
US20050137995A1 (en) | Method for regulating a thermodynamic process by means of neural networks | |
JP2007004728A (ja) | プロセスの操業状態の制御方法、装置、及びコンピュータプログラム | |
JP7029363B2 (ja) | ラベリング装置、ラベリング方法及びプログラム | |
JP2015140455A (ja) | 高炉通気性予測装置及び高炉通気性予測方法 | |
KR20200013143A (ko) | 고로의 용선온도 예측 장치 및 방법 | |
TWI756515B (zh) | 預測系統、預測方法、及程式 | |
JP7024237B2 (ja) | 運転計画作成支援装置及び方法 | |
EP3304218B1 (en) | System and method for background element switching for models in model predictive estimation and control applications | |
JP2018177869A (ja) | コークス炉の押出負荷予測装置、押出負荷予測方法、コンピュータプログラム及びコンピュータ読み取り可能な記憶媒体 | |
JP7466823B2 (ja) | プロセス管理の支援装置、支援方法、支援プログラムおよび支援システム | |
Shigemori | Desulphurization control system through locally weighted regression model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
AMND | Amendment | ||
E601 | Decision to refuse application | ||
X091 | Application refused [patent] | ||
E601 | Decision to refuse application | ||
E801 | Decision on dismissal of amendment |