KR20190063836A

KR20190063836A - 품질 예측 장치 및 방법

Info

Publication number: KR20190063836A
Application number: KR1020170162903A
Authority: KR
Inventors: 유종우; 조병국; 정은호; 박종인; 김병일
Original assignee: 주식회사 포스코
Priority date: 2017-11-30
Filing date: 2017-11-30
Publication date: 2019-06-10
Also published as: WO2019107980A1; KR102074359B1

Abstract

본 발명은, 피처리물의 상태 정보 및 품질 정보를 데이터화하여 축적하는 저장부, 피처리물 처리 경로에서, 피처리물의 현재 상태 정보를 획득하는 측정부, 저장부에 축적된 데이터를 기반으로, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 이를 이용하여 피처리물의 품질을 예측하는 품질 예측부를 포함하는 품질 예측 장치, 및 이를 이용한 품질 예측 방법으로서, 피처리물의 처리 실적을 데이터화하여 축적하고, 축적된 데이터를 기반으로 피처리물의 품질을 정확하게 예측할 수 있는 품질 예측 장치 및 방법이 제시된다.

Description

품질 예측 장치 및 방법{Apparatus and Method for quality prediction}

본 발명은 품질 예측 장치 및 방법에 관한 것으로서, 더욱 상세하게는, 피처리물의 처리 실적을 데이터화하여 축적하고, 축적된 데이터를 기반으로 피처리물의 품질을 정확하게 예측할 수 있는 품질 예측 장치 및 방법에 관한 것이다.

소결광은 분철광석, 석회석, 분코크스 및 무연탄을 원료로 하여 고로 사용에 적합한 크기로 제조된 고로 장입물이다. 소결광은 배합 원료를 준비하는 과정과 배합 원료를 소결하는 과정을 통하여 제조된다. 그중 소결하는 과정은 통상적으로 드와이트 로이드식 소결기에서 수행된다.

소결기는 대차를 장입, 점화, 소결 및 냉각 구간의 순서로 이동시키며, 대차에 배합 원료를 장입하여 원료층을 형성하고, 원료층의 상부에 연소대를 형성하고, 하방으로 공기를 흡인하여 연소대를 원료층의 상부에서 하부로 이동시키고, 원료층을 소결 및 냉각시켜 소결광을 케이크 형태로 제조한다. 이후, 소결기는 소결 케이크를 대차에서 배광한 후, 파쇄 및 냉각하여 소결광으로 제조한다.

소결광은 고로 사용에 적합한 크기인 수 내지 수십㎜의 입도로 분급되어 고로로 이송된다. 소결광은 고로에서 수행되는 제선 공정(이하, "고로 공정")에서 원료로 사용된다. 따라서, 소결광의 품질은 제선 공정 안정화에 있어 필수조건이다.

대차가 소결기의 각 구간을 통과하는 데는 30분 정도가 소요되고, 이 시간내에 소결광의 품질이 결정된다. 하지만 이때에는 소결광의 품질을 직접 측정할 수가 없다. 예컨대 대차에서 소결 케이크를 배광하고, 열간 파쇄기(hot crusher)를 이용하여 소결 케이크를 파쇄하면, 파쇄된 소결 케이크를 냉각기에 장입하여 90분 정도 체류시키며 냉각한다. 이후, 다단 스크린에서 냉각된 소결광을 입도 선별할 때, 품질 확인용 소결광 샘플을 채취한 후, 샘플을 이용하여 소결광의 입도 및 강도 등의 품질을 측정한다. 이처럼 소결광은 품질이 결정된 시점으로부터 약 두시간 정도 지난 이후에야 샘플을 채취하여 품질을 측정할 수 있다.

한편, 소결기를 운전하는 방식은 다음과 같다. 우선, 기 수립된 운전 조건을 가지고 소결기의 운전을 개시하고, 이후, 소결광의 품질을 모니터링하면서, 그 결과를 가지고 운전 조건을 수정하며 소결기의 운전을 계속한다. 그러나 앞서 설명한 것처럼, 소결광을 배광하는 시점과 소결광의 품질을 측정하는 시점 사이에는 상당한 시간 공백이 있다.

따라서, 시간적 공백을 극복하기 위하여, 조업자는 각자의 기준을 가지고 소결광의 품질을 추정하고, 그 결과에 따라 운전 조건을 수정하고, 수정 사항을 소결기의 운전에 우선 반영한다. 즉, 소결광 품질 측정 이전까지 조업자가 각자의 기준에 따라 직접 운전 조건을 수정하므로, 조업자의 교대 시 공정의 연속성을 담보할 수 없다. 또한, 제한된 인력 상황으로 인해, 조업자가 지속적으로 소결기를 관찰하지 못하여 적절한 대응 시점을 놓치면, 품질 편차를 야기할 수 있다.

본 발명의 배경이 되는 기술은 하기의 특허문헌에 게재되어 있다.

JP

2013-151715

A

KR

10-1442983

B1

본 발명은 피처리물의 처리 실적을 데이터화하여 축적하고, 축적된 데이터를 기반으로 피처리물의 품질을 정확하게 예측할 수 있는 품질 예측 장치 및 방법을 제공한다.

본 발명은 인공지능 기반의 심층 신경망을 이용하여 피처리물의 품질을 정확하게 예측할 수 있는 품질 예측 장치 및 방법을 제공한다.

본 발명의 실시 형태에 따른 품질 예측 장치는, 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 저장부; 피처리물 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 측정부; 상기 저장부에 축적된 데이터를 기반으로, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 상기 데이터 집합을 이용하여 상기 피처리물의 품질을 예측하는 품질 예측부;를 포함한다.

상기 측정부는, 상기 경로의 연장 방향에 따른, 상기 피처리물의 배가스 온도 분포를 획득하는 제1 측정부; 및 상기 경로의 종료 지점에서, 상기 경로를 가로지르는 방향으로, 상기 피처리물내의 온도 분포를 획득하는 제2 측정부;를 포함할 수 있다.

상기 제1 측정부 및 상기 제2 측정부는, 상태 정보를 열영상 정보의 형태로 패턴화하여 획득할 수 있다.

상기 저장부는, 상기 품질 정보에 대한 원인 정보를 함께 저장할 수 있다.

상기 저장부는, 상태 정보, 그에 따른 품질 정보 및 품질 정보에 대한 원인 정보를 매칭하여 데이터 집합으로 축적할 수 있다.

상기 품질 예측부에 연결되는 제어부;를 더 포함하고, 상기 제어부는, 예측된 품질에 매칭하는 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어할 수 있다.

상기 품질 예측부는, 인공지능 기반의 심층 신경망을 이용하여, 데이터 집합을 추출하고, 상기 피처리물의 품질을 예측할 수 있다.

상기 인공지능은 딥러닝을 포함하고, 상기 심층 신경망은 콘볼루션 신경망을 포함할 수 있다.

본 발명의 실시 형태에 따른 품질 예측 방법은, 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 과정; 처리 경로에서 피처리물을 처리하는 과정; 상기 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 과정; 축적된 데이터로부터, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 이를 이용하여 상기 피처리물의 품질을 예측하는 과정; 상기 현재 상태 정보 및 그에 따라 예측된 품질을 출력하는 과정;을 포함한다.

상기 상태 정보를 획득하는 과정은, 상기 경로의 연장 방향으로 상기 피처리물의 배가스 온도 분포를 열영상 정보의 형태로 패턴화하여 획득하는 과정; 상기 경로의 종료 지점에서 상기 경로를 가로지르는 방향으로 상기 피처리물내의 온도 분포를 열영상 정보의 형태로 패턴화하여 획득하는 과정;을 포함할 수 있다.

상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보에 더하여 품질 정보에 대한 원인 정보를 매칭한 후, 매칭 결과를 데이터 집합으로 축적할 수 있다.

상기 데이터 집합을 추출하는 과정은, 인공지능 기반의 심층 신경망을 이용하여, 상기 현재 상태 정보와 축적된 데이터내의 상태 정보들을 비교하는 과정; 상기 현재 상태 정보에 일치하는 축적된 데이터내의 상태 정보를 선택하고, 선택된 상태 정보를 포함하는 데이터 집합을 추출하는 과정; 및 추출된 데이터 집합에 포함된 피처리물의 품질 정보를 피처리물의 현재 품질로 예측하는 과정;을 포함할 수 있다.

축적된 데이터내에 상기 현재 상태 정보와 일치하는 상태 정보가 없는 경우, 축적된 데이터 내에서, 상기 현재 상태 정보와 가장 유사한 상태 정보를 포함하는 데이터 집합을 추출할 수 있다.

상기 예측된 품질을 출력하는 과정 이후에, 상기 예측된 품질이 변동 및 비정상으로 출력되는 경우 그에 대한 원인 정보를 함께 출력하는 과정; 출력된 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어하는 과정;을 더 포함할 수 있다.

상기 피처리물의 품질을 예측하는 과정 이후에, 현재 상태 정보와 관련된 피처리물의 실제 품질 정보를 획득하는 과정; 현재 상태 정보 및 실제 품질 정보를 데이터화하여, 축적된 데이터에 추가하는 과정;을 더 포함할 수 있다.

상기 피처리물은 소결광을 포함하고, 상기 처리 경로는 소결기의 대차가 통과 가능한 소결 구간을 포함할 수 있다.

본 발명의 실시 형태에 따르면, 피처리물의 처리 실적을 데이터화하여 축적하고, 인공지능 기반의 심층 신경망을 이용하여, 축적된 데이터를 기반으로 피처리물의 품질을 정확하게 예측할 수 있다.

예컨대 소결기에서 수행되는 소결광 제조 공정(이하, "소결 공정")에 적용되면, 소결 공정의 각종 처리 실적을 데이터화하여 축적하고, 딥러닝(deep learning) 기반의 콘볼루션 신경망(convolutional neural network, CNN)을 이용하여, 축적된 데이터내에서, 현재의 소결광 상태 정보와 유사 내지 일치하는 상태 정보가 포함된 데이터 집합을 추출한다. 그리고 추출된 데이터 집합에 포함된 소결광의 품질 정보를 현재 소결 공정에서의 소결광 품질로 정확하게 예측할 수 있다.

즉, 공정 중 딜레이 없이 소결광의 품질을 객관적으로 예측하고, 그 결과를 기반으로 소결 설비의 운전 조건의 수정을 위한 정확한 가이드를 제공하여, 소결광의 품질 변동을 방지하고, 균일한 소결광 품질을 확보할 수 있다.

또한, 정확한 가이드에 의해 소결기를 합리적으로 운전할 수 있어, 결합재비 저감, 함철부산물 증사용 및 이산화탄소 가스의 저감 등이 가능하여, 비용 절감이 가능해 진다.

도 1은 본 발명의 실시 예에 따른 품질 예측 장치 및 피처리물 처리 설비의 개략도이다.
도 2는 본 발명의 실시 예에 따라 축적되는 데이터의 일 예시를 보여주는 도면이다.
도 3은 본 발명의 실시 예에 따라 심층 신경망을 이용하여 데이터 세트를 추출하는 과정의 일 예시를 보여주는 도면이다.
도 4은 본 발명의 실시 예에 따른 품질 예측 방법의 순서도이다.
도 5는 본 발명의 실시 예에 따른 품질 예측 결과의 정확도를 설명하기 위한 그래프이다.

이하, 첨부된 도면을 참조하여, 본 발명의 실시 예를 상세히 설명한다. 그러나 본 발명은 이하에서 개시되는 실시 예에 한정되는 것이 아니고, 서로 다른 다양한 형태로 구현될 것이다. 단지 본 발명의 실시 예는 본 발명의 개시가 완전하도록 하고, 해당 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명의 실시 예를 설명하기 위하여 도면은 과장될 수 있고, 도면상의 동일한 부호는 동일한 요소를 지칭한다.

본 발명의 실시 예에 따른 품질 예측 장치 및 방법은, 피처리물의 처리 실적을 데이터화하여 축적할 수 있고, 축적된 데이터를 기반으로 피처리물의 품질을 정확하게 예측할 수 있는 기술적 특징을 제시한다.

본 발명의 실시 예에 따른 품질 예측 장치 및 방법은, 제철소의 소결 공정에 적용되며, 그 밖의 각종 피처리물 처리 공정에도 적용될 수 있다. 이하, 소결 공정을 기준으로, 본 발명의 실시 예를 설명한다.

도 1은 본 발명의 실시 예에 따른 품질 예측 장치 및 피처리물 처리 설비를 도시한 개략도이다. 도 1을 참조하면, 본 발명의 실시 예에 따른 피처리물 처리 설비는, 배합 원료를 저장하고, 피처리물 처리 경로(이하, "처리 경로")의 시작 지점의 상측에 배치되는 호퍼(10), 피처리물 처리 공정(이하, "처리 공정")이 진행되는 방향으로, 호퍼(10)에서 이격되는 점화로(20), 처리 경로에 설치되고, 처리 공정이 진행되는 방향으로 주행하고, 호퍼(10)로부터 배합 원료를 공급받아 내부에 적재하는 대차들(20), 처리 경로의 하부에 설치되고, 대차들(30)의 내부에 연통하는 윈드 박스들(40), 일측이 윈드 박스들(40)에 연결되는 덕트(81), 덕트(81)의 타측에 설치되는 집진기(82), 덕트(81)의 일측에서 타측을 향하는 방향으로, 집진기(82)로부터 이격되어 덕트(81)에 설치되는 블로어(83)를 포함할 수 있다.

배합 원료는 피처리물을 제조하기 위한 원료일 수 있다. 예컨대 배합 원료는 소결광을 제조하기 위한 원료일 수 있다. 이 경우, 배합 원료는 분철광석, 석회석, 분코크스 및 무연탄을 포함할 수 있다. 피처리물은 소결광일 수 있고, 처리 공정은 소결 공정일 수 있다. 물론, 이를 특별히 한정할 필요는 없다.

호퍼(10)는 후술하는 장입 구간상에 설치된다. 호퍼(10)는 하부에 드럼 피더 및 슈트가 구비된다. 드럼 피더 및 슈트는 호퍼(10)내의 배합 원료를 대차들(30)의 내부에 수직 편석하게 장입시킨다. 장입 구간에서 후술하는 원료층이 형성된다.

대차들(30)의 내부에 장입된 배합 원료를 원료층이라고 한다. 원료층을 소결 베드라고 지칭할 수도 있다. 원료층은 처리 경로를 처리 공정이 진행되는 방향으로 이동하면서 열처리 예컨대 소결되고, 처리 경로의 종료 지점인 배광부에서 소결 케이크 형태로 배광된다.

점화로(20)는 후술하는 점화 구간상에 설치된다. 점화로(20)는 연료를 공급받을 수 있다. 점화로(20)를 연료를 연소시켜 화염을 생성하고, 화염을 대차들(30)의 내부에 분사한다. 화염은 원료층의 표면에 착화되어 연소대를 형성한다. 즉, 점화 구간에서 연소대가 형성된다.

후술하는 소결 구간에서, 연소대가 원료층의 표면에서 상부층을 거쳐 하부층으로 이동할 수 있다. 연소대가 이동하는 동안 연소대 부근에서는 석회석과 분철광석이 저융점 화합물을 형성하는 반응인 소결 반응이 진행된다. 이 반응에 의해 원료층이 소결광으로 소결될 수 있다. 즉, 소결 구간에서 원료층이 소결된다.

대차들(30)은 내부가 상측으로 개방되고, 바닥에는 개구들이 형성된다. 개구들을 통하여 대차들(30)의 내부가 윈드 박스들(40)에 연통한다. 윈드 박스들(40)에 의해 대차들(30)의 내부가 하방으로 흡인된다. 대차들(30)은 엔드리스로 서로 연결된다. 대차들(30)을 지지하기 위하여 컨베이어가 설치될 수 있다. 예컨대 처리 공정이 진행되는 방향으로 컨베이어가 설치되고, 컨베이어를 둘러 대차들(30)이 설치된다. 컨베이어의 상부측이 처리 경로를 형성하고, 컨베이어의 하부측이 회송 경로를 형성한다. 대차들(30)은 처리 공정이 진행되는 방향으로 처리 경로를 주행할 수 있다. 그리고 대차들(30)은 배광부를 통과하며 피처리물 예컨대 소결광을 케이크의 형태로 배광하고, 회송 경로로 진입할 수 있다. 이어서, 대차들(30)은 처리 공정이 진행되는 방향의 반대 방향으로 회송 경로를 주행하고, 처리 경로의 시작 지점으로 복귀할 수 있다.

처리 경로(A)는 복수의 구간을 포함한다. 복수의 구간은 장입 구간(B), 점화 구간(C) 및 소결 구간(D)을 포함한다. 이때, 처리 공정이 진행되는 방향으로, 장입 구간(B), 점화 구간(C) 및 소결 구간(D)의 순서일 수 있다. 원료층은 소결 구간(D)을 통과하면서 소결될 수 있다. 한편, 소결 구간(D)은 제1 구간(D1), 제2 구간(D2) 및 제3 구간(D3)을 포함한다. 이들 구간을 나누는 기준은 다양할 수 있다. 예를 들어, 소결 구간(D)의 연장 길이를 기준으로 하거나, 배가스 온도가 최대인 지점을 기준으로 하거나, 또는, 원료층내의 고체 연료인 무연탄의 연소가 종료되는 지점을 기준으로 할 수 있다. 이 외에도 기준은 다양할 수 있고, 이를 실시 예에서 특별히 한정할 필요가 없다.

예컨대 소결 구간(D)을 삼등분하고, 소결 구간(D)의 시작점에서 전반부 1/3 지점까지 제1 구간(D1)이라 정하고, 소결 구간(D)의 종료점에서 후반부 1/3 지점까지 제3 구간(D3)이라 정하고, 제1 구간(D1)과 제3 구간(D3)의 사이의 중간부를 제2 구간(D2)이라 정할 수 있다.

윈드 박스들(40)은 대차들(30)의 내부에 하방으로 흡인력을 제공한다. 이때, 윈드 박스들(40)은 블로어(83)에 의해 내부에 부압을 형성할 수 있고, 이를 이용하여 대차들(30)의 내부를 하방으로 흡인할 수 있다. 윈드 박스들(40)의 내부로 배가스가 수집된다. 배가스는 덕트(81)에 회수될 수 있다.

피처리물 처리 설비("소결기"라고도 함)를 운전할 때, 우선, 기 수립된 운전 조건을 가지고 피처리물 처리 설비의 운전을 개시한다. 예컨대 피처리물 처리 설비의 운전을 개시하기 전에 배합 원료와 관련된 정보들을 기반으로 소결 공정의 물리 모델을 사용하여 목표하는 소결광의 품질을 달성하기 위한 운전 조건을 수립한 후, 이를 가지고 피처리물 처리 설비의 운전을 개시한다. 이때, 배합 원료와 관련된 정보들은 원료성분, 결합재비 및 무연탄비 등 다양할 수 있다. 또한, 운전 조건은 대차속도, 층후 및 장입밀도 등 다양할 수 있다.

이후, 소결광의 품질을 모니터링하면서, 그 결과를 가지고 운전 조건을 수정하며, 소결기의 운전을 계속해야 한다.

한편, 소결 구간에서 소결광의 품질이 결정된다. 따라서, 소결광이 배광되는 시점에 예컨대 소결광의 상태 정보를 가지고 소결광의 품질을 정확하게 예측할 수 있으면, 소결광의 품질이 원하는 수준으로 유지될 수 있도록 소결기의 운전 조건을 즉시 수정할 수 있다.

이를 위해, 본 발명의 실시 예에 따른 피처리물 처리 설비는 품질 예측 장치를 구비할 수 있다. 이때, 품질 예측 장치는 소결광의 품질을 대표할 수 있는 상태 정보들을 모니터링하며, 이를 이용하여 소결광의 품질을 정확하게 예측할 수 있다.

그리고 품질 예측 장치는 품질 예측 결과를 운전 조건에 계속적으로 또는 주기적으로 반영하여 운전 조건을 수정하면서, 수정된 운전 조건으로 피처리물 처리 설비의 운전을 계속할 수 있다.

도 1을 참조하면, 본 발명의 실시 예에 따른 품질 예측 장치는, 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 저장부(600), 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 측정부, 및 저장부에 축적된 데이터를 기반으로, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 데이터 집합을 이용하여 피처리물의 품질을 예측하는 품질 예측부(700)를 포함한다. 품질 예측 장치는 품질 예측부(700)에 연결되는 제어부(미도시)를 더 포함할 수 있다. 제어부는 예측된 품질에 매칭하는 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어할 수 있다. 즉, 품질 예측 장치는 피처리물 처리 장치의 운전을 위한 제어 장치로서 기능할 수 있다. 따라서, 본 발명의 실시 예에 따른 품질 예측 장치를 피처리물 처리 설비의 제어 장치라고 지칭할 수도 있다.

저장부(600)는 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 추적하고, 이를 데이터화하여 상태 정보와 함께 축적할 수 있다. 또한, 저장부(600)는 피처리물의 품질 정보에 대한 원인 정보를 추적하여 이들을 함께 저장할 수 있다. 이때, 저장부(600)는 상태 정보, 그에 따른 품질 정보 및 품질 정보에 대한 원인 정보를 매칭하여 데이터 집합으로 축적할 수 있다.

예컨대 수십 내지 수백회차 이상 반복되는 소결 공정의 각 회차별로 상기 정보들을 수집하며 전체 회차의 데이터 집합을 계속하여 축적하는 중에, 예컨대 소정 회차의 상태 정보가 저장부(600)에 저장되면 동일 회차의 품질 정보와 동일 회차의 원인 정보를 이 상태 정보와 매칭시켜 함께 저장한다.

도 2는 본 발명의 실시 예에 따라 축적되는 데이터의 일 예시를 보여주는 도면이다.

도 2를 참조하면, 피처리물의 상태 정보(제3 정보)는 예컨대 소결 구간의 제3 구간(D3)에서 획득된 배가스 온도 분포, 및 배광부에서 획득된 피처리물내의 온도 분포를 포함한다. 여기서, 피처리물내의 온도 분포는 소결 케이크의 단면에서의 적열층 분포를 의미한다. 피처리물의 상태 정보는 소결기에서 얻을 수 있는 정보로서, 이는 축적된 데이터내에 "소성 패턴(S1, S2...)"으로 저장된다. 저장부(600)는 이들 소성 패턴을 열영상 정보의 형태로 패턴화하여 저장한다. 한편, 도면에서 x축은 처리 공정의 진행 방향이고, y축은 처리 경로의 폭 방향이며, z축은 원료층의 높이 방향이다.

피처리물의 상태 정보와 관련된 피처리물의 품질 정보(제4 정보)는 소결광의 강도, 입도, 생산성 및 소결광을 이용한 고로 공정에서의 현황(출선비 및 환원제비 등)을 포함할 수 있다. 피처리물의 품질 정보 중 강도, 입도 및 생산성은 소결광의 배광 이후 약 두시간이 지난 후, 소결광의 샘플링에 의해 획득할 수 있고, 고로 공정에서의 현황은 후속 공정인 고로 공정으로부터 획득할 수 있다. 획득된 정보들은 축적된 데이터내에 "출력 조건(O1, O2...)"으로 저장된다.

피처리물의 품질 정보에 대한 원인 정보는 피처리물의 품질이 정해지게 된 원인을 추적하여 얻는 정보로서, 크게 두 가지로 나뉜다. 그중 하나는 배합 원료와 관련된 정보(제1 정보)이고, 나머지는 소결기와 관련된 정보(제4 정보)이다. 배합 원료 정보는 예컨대 원료성분/입도, 결합재비/입도, 수분/생석회/무연탄비 등을 포함하며, 이는 축적된 데이터내에 "입력조건(I1, I2...)"으로 저장된다. 또한, 소결기 정보는 예컨대 대차속도, 층후, 장입밀도, 풍량 등을 포함하며, 축적되는 데이터내에 "운전조건(P1, P2...)"으로 저장된다.

상술한 정보들을 통칭하여 피처리물의 처리 실적이라고 할 수 있다. 축적된 데이터는 이를테면 입력조건과 운전조건과 소성 패턴과 출력조건을 가진 거대한 실험 데이터의 집합으로서, 이를 품질 예측부(700)가 피처리물의 품질을 예측하기 위한 자료로 사용한다.

한편, 실시 예에서는 처리 실적들 중, 피처리물의 상태 정보가 피처리물의 품질을 대표할 수 있는 것으로 판단하고, 이를 활용하여 피처리물의 품질을 예측한다. 그 이유는 다음과 같다.

예컨대 입력조건만으로 품질 정보를 예측하면 가장 좋으나, 출력조건은 운전조건에도 영향을 받으므로 입력조건만으로는 품질 정보의 예측이 불가능하다. 그리고 입력조건과 운전조건에 의해 소결 공정의 소성결과가 변동되면, 이러한 변동은, 배가스 온도 분포와 배광부 적열층 분포에 즉시 표출된다. 즉, 소성 패턴에 입력조건과 운전조건이 모두 반영되어 있다.

따라서, 축적된 데이터내의 처리 실적 중 소성 패턴인 피처리물의 상태 정보를 품질 예측을 위한 지표로 하면 피처리물의 샘플링 전에 피처리물의 품질을 신속하게 예측할 수 있다.

이때, 예측의 정확성을 높이기 위해 품질 예측부(700)가 인공지능 기반의 심층 신경망을 이용한다. 이에, 피처리물의 상태 정보를 가지고 조업자가 주관적으로 예측하는 것이 아닌, 축적된 데이터를 근거로 하는 학습된 심층 신경망에 의한 객관적인 예측이 이루어질 수 있다.

측정부는 처리 경로에서 피처리물의 현재 상태 정보를 획득할 수 있다. 측정부는, 처리 경로의 연장 방향에 따른, 피처리물의 배가스 온도 분포를 획득하는 제1 측정부(510), 및 처리 경로의 종료 지점에서, 처리 경로를 가로지르는 방향으로, 피처리물내의 온도 분포를 획득하는 제2 측정부(520)을 포함할 수 있다.

제1 측정부(510)는 예컨대 온도계일 수 있고, 제3 구간(D3)에 배치될 수 있다. 제1 측정부(510)는 배가스의 온도를 측정 가능한 위치인, 예컨대 윈드 박스들(40)내에 배치될 수 있으나, 이를 특별히 한정하지는 않는다. 제1 측정부(510)는 처리 공정의 진행 방향으로 이격되어 다섯 내지 열다섯 위치에 배치되고, 또한, 처리 경로의 폭 방향으로 이격되어 다섯 내지 열 위치에 배치되어, 총 25개 내지 150개의 개수로 배치될 수 있다. 물론, 이의 배치 간격과 개수는 다양할 수 있다. 제1 측정부(510)를 이용하여, 연소대를 통과한 배가스의 온도 분포를 수평 방향으로 획득할 수 있다. 배가스의 온도는 소결광의 소결 상태에 따라 변하며, 배가스의 온도 분포를 통하여 소결광의 수평 소결 패턴 정보를 얻을 수 있다.

제2 측정부(520)는 열화상 카메라 또는 CCD 이미지 센서일 수 있다. 제2 측정부(520)는 배광부의 외측에 배치되고, 배광되는 소결 케이크의 단면을 촬용 가능하도록 설치된다. 제2 측정부(520)를 이용하여 피처리물내의 온도 분포 상세하게는 배광부에서 촬용되는 소결 케이크의 단면에서의 적열층 분포를 얻을 수 있다. 이를 소결광의 수직 소결 상태에 대한 정보라고도 한다. 적열층의 의미는 다음과 같다. 예컨대 적열층의 두께를 일정한 범위로 제어하면서 소결 공정을 수행하면, 일정한 소결광의 품질을 얻을 수 있다. 즉, 적열층의 두께 제어는 소결광의 품질과 관련이 있다.

제1 측정부(510) 및 제2 측정부(520)는 저장부(600)에 연결되며, 상태 정보를 열영상 정보의 형태로 패턴화하여 획득하고, 획득한 정보를 저장부(600)로 출력한다.

저장부(600)에 축적된 데이터는 피처리물의 현재 상태 정보를 예측하기 위한 자료가 된다. 예컨대 측정부로 피처리물의 현재 상태 정보를 측정하고, 현재 상태 정보와 유사하거나 일치하는 상태 정보를 축적된 데이터내의에서 찾으면, 찾아진 상태 정보에 매칭하는 품질 정보를 출력하여 현재 상태 정보를 예측할 수 있다.

즉, 현재 획득 가능한 소성 패턴을 매개로 과거의 실적인 축적된 데이터내에서 유사한 소성 패턴을 찾고, 이에 매칭하는 각종 실적 정보를 현재 공정에서 기대되는 실적을 예측할 수 있다. 이를 품질 예측부(700)가 수행한다.

품질 예측부(700)는 저장부(600)에 연결될 수 있다. 품질 예측부(700)는 저장부(600)에 축적된 데이터를 기반으로, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 데이터 집합을 이용하여 피처리물의 품질을 예측할 수 있다.

품질 예측부(700)는 인공지능 기반의 심층 신경망을 이용하여, 데이터 집합을 추출하고, 피처리물의 품질을 예측할 수 있다. 이때, 인공지능은 딥러닝을 포함하고, 심층 신경망은 콘볼루션 신경망을 포함할 수 있다. 즉, 현재 비약적으로 발달한 인공지능의 알고리즘을 활용하여 예측의 높은 정확도를 구현할 수 있고, 정형화된 소성 패턴을 활용하여 품질 정보를 선제적으로 그리고 객관적으로 예측할 수 있다. 품질 예측부(700)에 대한 상세한 설명은 하기에서 품질 예측 방법을 설명할 때 함께 하기로 한다.

제어부(미도시)는 품질 예측부에 연결된다. 제어부는 예측된 품질을 조업자가 인지 가능한 다양한 방식 예컨대 화면에 텍스트나 그래픽으로 출력하거나, 음성으로 출력한다. 또한, 제어부는 예측된 품질에 매칭하는 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어한다. 제어부는 호퍼(10), 점화로(20), 대차들(30), 블로어(83)를 제어할 수 있다. 물론, 제어부는 피처리물 처리 설비의 작동 전반을 제어할 수 있다. 제어부를 이용하여 조업자에게 품질 변동에 대한 외란 요인을 알려주고, 처리 설비를 제어하여 외란 요인을 통제할 수 있다. 제어부에 의한 제어는 특별히 한정하지 않는다. 예를 들면, 호퍼(10)의 배합 원료 불출 속도를 제어하거나, 대차들(30)의 속도를 제어하거나 점화로(20)로 공급되는 연료량을 조절하는 등의 제어 방식은 다양할 수 있다. 한편, 제어부는 측정부, 저장부(600) 및 품질 예측부(700)의 작동을 제어할 수 있다.

도 3은 본 발명의 실시 예에 따라 심층 신경망을 이용하여 데이터 세트를 추출하는 과정의 일 예시를 보여주는 도면이고, 도 4은 본 발명의 실시 예에 따른 품질 예측 방법의 순서도이다. 또한, 도 5는 본 발명의 실시 예에 따른 품질 예측 결과의 정확도를 설명하기 위한 그래프이다.

이하, 도 1 내지 도 5를 참조하여, 본 발명의 실시 예에 따른 품질 예측 방법을 설명한다.

본 발명의 실시 예에 따른 품질 예측 방법은, 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 과정(S100), 처리 경로에서 피처리물을 처리하는 과정(S200), 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 과정(S300), 축적된 데이터로부터, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 이를 이용하여 피처리물의 품질을 예측하는 과정(S400), 현재 상태 정보 및 그에 따라 예측된 품질을 출력하는 과정(S500)을 포함한다. 이때, 앞서 설명한 것처럼 피처리물은 소결광을 포함하고, 처리 경로는 소결기의 대차가 통과 가능한 소결 구간을 포함한다.

S100 : 피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 저장부(600)에 축적한다. 이때, 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보에 더하여 품질 정보에 대한 원인 정보를 매칭한 후, 매칭 결과를 데이터 집합으로 축적한다. 이의 내용은 품질 예측 장치를 설명할 때, 상세히 설명하였으므로, 설명의 중복을 피하기 위해여, 생략한다. 이 과정은 소결 공정을 반복하면서 계속하여 수행될 수 있다. 우선적으로 일정한 양의 데이터가 축적이 되면, 이하의 과정에서 품질을 예측할 수 있다.

S200 : 처리 경로에서 피처리물을 처리한다. 즉, 소결 공정을 수행한다. 대차들(30)에 배합 원료를 장입하고, 대차들(30)을 처리 경로로 이동시키면서 소결하여 소결광을 제조한다.

S300 : 처리 경로에서 피처리물의 현재 상태 정보를 획득한다. 예컨대 측정부를 이용하여 피처리물의 배가스 온도 분포를 획득하고, 또한, 피처리물내의 온도 분포 즉, 배광부에서의 소결 케이크 단면 적열층 분포를 획득한다. 이때, 경로의 연장 방향으로 피처리물의 배가스 온도 분포를 열영상 정보의 형태로 패턴화하여 획득하고, 경로의 종료 지점에서 경로를 가로지르는 방향으로 피처리물내의 온도 분포를 열영상 정보의 형태로 패턴화하여 획득한다.

S400 : 축적된 데이터로부터, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 이를 이용하여 상기 피처리물의 품질을 예측한다. 도 3을 참조하면, 인공지능 기반의 심층 신경망을 이용하여, 입력된 현재 상태 정보와 축적된 데이터내의 상태 정보들을 비교한다. 이때, 입력된 현태 상태 정보의 패턴을 인식하고, 데이터내의 상태 정보들의 패턴을 인식한 후, 일치하는 패턴을 찾는다. 이 과정은 딥러닝 기반의 콘볼루션 신경망을 이용하여 수행할 수 있고, 따라서, 그 정확도를 높일 수 있다. 비교 과정이 완료되면 입력된 현재 상태 정보에 일치하는 축적된 데이터내의 상태 정보를 선택하고, 선택된 상태 정보를 포함하는 데이터 집합("데이터 세트"라고도 함)을 추출한다. 도면에 표시된 것처럼 데이터 집합내에 다양한 실적들이 매칭되어 있고, 추출된 데이터 집합에 포함된 피처리물의 품질 정보를 피처리물의 현재 품질로 예측한다.

한편, 축적된 데이터내에 입력된 현재 상태 정보와 일치하는 상태 정보가 없는 경우, 축적된 데이터내에서, 입력된 현재 상태 정보와 가장 유사한 상태 정보를 포함하는 데이터 집합을 추출할 수 있다. 이 외에도 상태 정보들을 비교하여 데이터 집합을 추출하는 방식은 다양할 수 있다. 도면에는 배가스 온도 분포만 도시되어 있으나, 비교 과정에는 적열층 분포도 함께 사용된다.

S500 : 이후, 제어부를 이용하여, 입력된 현재 상태 정보 및 그에 따라 예측된 품질을 출력한다. 그 출력 방식은 다양할 수 있고, 특별히 한정하지 않는다. 예컨대 품질을 출력할 때, 소정의 범위를 기준으로 품질 값이 범위를 벗어나되 그 값이 범위의 임계치 이내이면 변동으로 출력하고, 품질 값이 범위를 벗어나되 그 값이 임계치를 초과하면 비정상으로 출력한다. 여기서 임계치는 후속하는 고로 공정의 현황에 영향을 끼칠 수 있는 정도의 품질 변동을 의미한다. 임계치는 이전 공정들을 통해서 축적된 고로 실적와 연계하여 그 값을 임의의 값으로 정할 수 있다.

한편, 예측된 품질을 출력하는 과정 이후에, 예측된 품질이 변동 및 비정상으로 출력되는 경우 그에 대한 원인 정보를 함께 출력한다. 그리고 출력된 원인 정보를 활용하여 제어부로 피처리물 처리 설비의 적어도 일부를 제어한다. 이 과정에 의해 피처리물의 품질이 원하는 품질로 빠르게 복귀할 수 있다.

피처리물의 품질을 예측하는 과정 이후에는, 현재 상태 정보와 관련된 피처리물의 실제 품질 정보를 획득한다. 예컨대 제조된 소결광을 샘플링하여 실제 품질 정보를 획득한다. 이후, 현재 상태 정보 및 실제 품질 정보를 데이터화하여, 축적된 데이터에 추가한다. 이에, 축적된 데이터가 점차 풍부해지면서 계속하여 보강될 수 있다.

도 5를 참조하면, 실시 예에 따라 소결 공정을 진행하면서 딥러닝 기반의 콘볼루션 신경망 중 어느 한 알고리즘을 적용하여 피처리물의 품질을 예측하고, 실제 품질을 추적한 후, 예측된 품질과 실제 품질을 비교하여 그 오차를 도시하였다.

도 5의 그래프 가로축은 낙하강도의 오차를 나타내고, 세로축에 경우의 수를 나타낸다. 낙하강도의 오차가 ±0.4 이내가 약 61%의 정확도를 나타내고, ±1.0 이내가 90%의 정확도를 나타낸다. 데이터가 많이 쌓이고 학습알고리즘이 추가되면 정확도는 향상될수 있다. 실시 예에 적용되는 인공지능 알고리즘으로서, 품질 정보의 질 및 개수에 따라 일반적인 머쉰러닝 알고리즘부터 패턴인식에 강점을 보이는 CNN 등이 적합함을 알 수 있다.

본 발명의 상기 실시 예는 본 발명의 설명을 위한 것이고, 본 발명의 제한을 위한 것이 아니다. 본 발명의 상기 실시 예에 개시된 구성과 방식은 서로 결합하거나 교차하여 다양한 형태로 변형될 것이고, 이 같은 변형 예들도 본 발명의 범주로 볼 수 있음을 주지해야 한다. 즉, 본 발명은 청구범위 및 이와 균등한 기술적 사상의 범위 내에서 서로 다른 다양한 형태로 구현될 것이며, 본 발명이 해당하는 기술 분야에서의 업자는 본 발명의 기술적 사상의 범위 내에서 다양한 실시 예가 가능함을 이해할 수 있을 것이다.

10: 호퍼 20: 점화로
30: 대차들 40: 윈드 박스들
510: 제1 측정부 520: 제2 측정부
600: 저장부 700: 품질 예측부

Claims

피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 저장부;
피처리물 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 측정부;
상기 저장부에 축적된 데이터를 기반으로, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 상기 데이터 집합을 이용하여 상기 피처리물의 품질을 예측하는 품질 예측부;를 포함하는 품질 예측 장치.
청구항 1에 있어서,
상기 측정부는,
상기 경로의 연장 방향에 따른, 상기 피처리물의 배가스 온도 분포를 획득하는 제1 측정부; 및
상기 경로의 종료 지점에서, 상기 경로를 가로지르는 방향으로, 상기 피처리물내의 온도 분포를 획득하는 제2 측정부;를 포함하는 품질 예측 장치.
청구항 2에 있어서,
상기 제1 측정부 및 상기 제2 측정부는,
상태 정보를 열영상 정보의 형태로 패턴화하여 획득하는 품질 예측 장치.
청구항 1에 있어서,
상기 저장부는,
상기 품질 정보에 대한 원인 정보를 함께 저장하는 품질 예측 장치.
청구항 4에 있어서,
상기 저장부는,
상태 정보, 그에 따른 품질 정보 및 품질 정보에 대한 원인 정보를 매칭하여 데이터 집합으로 축적하는 품질 예측 장치.
청구항 4에 있어서,
상기 품질 예측부에 연결되는 제어부;를 더 포함하고,
상기 제어부는,
예측된 품질에 매칭하는 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어하는 품질 예측 장치.
청구항 1에 있어서,
상기 품질 예측부는,
인공지능 기반의 심층 신경망을 이용하여, 데이터 집합을 추출하고, 상기 피처리물의 품질을 예측하는 품질 예측 장치.
청구항 7에 있어서,
상기 인공지능은 딥러닝을 포함하고,
상기 심층 신경망은 콘볼루션 신경망을 포함하는 품질 예측 장치.
피처리물의 상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보를 데이터화하여 축적하는 과정;
처리 경로에서 피처리물을 처리하는 과정;
상기 처리 경로에서 피처리물의 현재 상태 정보를 획득하는 과정;
축적된 데이터로부터, 현재 상태 정보에 대응하는 데이터 집합을 추출하고, 이를 이용하여 상기 피처리물의 품질을 예측하는 과정;
상기 현재 상태 정보 및 그에 따라 예측된 품질을 출력하는 과정;을 포함하는 품질 예측 방법.
청구항 9에 있어서,
상기 상태 정보를 획득하는 과정은,
상기 경로의 연장 방향으로 상기 피처리물의 배가스 온도 분포를 열영상 정보의 형태로 패턴화하여 획득하는 과정;
상기 경로의 종료 지점에서 상기 경로를 가로지르는 방향으로 상기 피처리물내의 온도 분포를 열영상 정보의 형태로 패턴화하여 획득하는 과정;을 포함하는 품질 예측 방법.
청구항 9에 있어서,
상태 정보 및 상태 정보와 관련된 피처리물의 품질 정보에 더하여 품질 정보에 대한 원인 정보를 매칭한 후, 매칭 결과를 데이터 집합으로 축적하는 품질 예측 방법.
청구항 9에 있어서,
상기 데이터 집합을 추출하는 과정은,
인공지능 기반의 심층 신경망을 이용하여, 상기 현재 상태 정보와 축적된 데이터내의 상태 정보들을 비교하는 과정;
상기 현재 상태 정보에 일치하는 축적된 데이터내의 상태 정보를 선택하고, 선택된 상태 정보를 포함하는 데이터 집합을 추출하는 과정;
추출된 데이터 집합에 포함된 피처리물의 품질 정보를 피처리물의 현재 품질로 예측하는 과정;을 포함하는 품질 예측 방법.
청구항 12에 있어서,
축적된 데이터내에 상기 현재 상태 정보와 일치하는 상태 정보가 없는 경우,
축적된 데이터내에서, 상기 현재 상태 정보와 가장 유사한 상태 정보를 포함하는 데이터 집합을 추출하는 품질 예측 방법.
청구항 11에 있어서,
상기 예측된 품질을 출력하는 과정 이후에,
상기 예측된 품질이 변동 및 비정상으로 출력되는 경우 그에 대한 원인 정보를 함께 출력하는 과정;
출력된 원인 정보를 활용하여 피처리물 처리 설비의 적어도 일부를 제어하는 과정;을 더 포함하는 품질 예측 방법.
청구항 9에 있어서,
상기 피처리물의 품질을 예측하는 과정 이후에,
현재 상태 정보와 관련된 피처리물의 실제 품질 정보를 획득하는 과정;
현재 상태 정보 및 실제 품질 정보를 데이터화하여, 축적된 데이터에 추가하는 과정;을 더 포함하는 품질 예측 방법.
청구항 9에 있어서,
상기 피처리물은 소결광을 포함하고,
상기 처리 경로는 소결기의 대차가 통과 가능한 소결 구간을 포함하는 품질 예측 방법.