KR20190065800A - 미분탄 취입량 제어 장치 및 그 방법 - Google Patents

Abstract

고로의 미분탄 취입량 제어 장치는, 신경회로망 알고리즘을 통해 미분탄 취입량을 예측하는 예측 모델을 저장하는 예측 모델 데이터베이스, 고로 조업과 관련된 조업 데이터를 수집하는 조업 데이터 수집부, 상기 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 미분탄 취입량 예측값을 획득하는 예측부, 및 상기 미분탄 취입량 예측값에 따라서 상기 고로 내로 취입되는 미분탄의 취입량을 조절하는 취입량 제어부를 포함할 수 있다.

Description

미분탄 취입량 제어 장치 및 그 방법{APPARATUS AND METHOD FOR CONTROLLING PULVERIZED COAL INJECTION}

본 발명의 실시 예는 미분탄 취입량 제어 장치 및 그 방법에 관한 것이다.

고로(blast furnace)에서는 연료인 코크스(cokes)와 산소의 반응을 통해 생산된 일산화탄소를 이용하여 자연산의 철광석을 환원시킴으로써 용선이 만들어진다. 고로의 하부에서 코크스와 산소의 반응으로 발생한 환원가스는 노 내를 상승하면서 장입된 철광석과 접촉하고, 환원가스와의 접촉으로 열을 전달 받은 철광석은 용선으로 용융 및 환원된다.

고로 조업 중 노 내에서 발생하는 노열은 코크스량 및 풍구로부터 취입되는 미분탄량에 의해 결정되며, 노 내에서 철광석을 승온 및 환원시키고, 환원된 철을 액상의 용선 상태로 유지하기 위한 에너지로 사용된다. 이러한 노열은 용선의 출선량에 영향을 끼치는 요인 중 하나이다. 따라서, 고로 조업의 효율 향상을 위해서는 노 내의 열 과잉 또는 열 부족 상태를 파악하여 노 내 상황에 맞게 최적의 에너지 공급을 유지할 필요가 있다.

통상적으로 노열 상태는 조업자가 하루 약 3~4회에 걸쳐 열전대를 통해 노 외로 배출되는 용선의 온도를 확인하거나, 용선 중의 규소(Si) 함량을 확인하는 방식으로 이루어지며, 노열 상태를 파악한 조업자는 이를 토대로 미분탄 취입량을 조절한다.

한편, 기존의 노열 판단 방법은, 노열 상태 판단에 사용되는 데이터(용선 온도 또는 용선 중 규소 함량)의 대표성 한계와 조업자에 의존적인 판단 결과로 인해, 현재 노열 상태를 정확히 파악하기 어려운 문제가 있다. 따라서, 현재 노 내 상황에 맞게 최적의 에너지 공급을 유지하기 위해서는 현재 노 내 상황에 맞게 미분탄 취입량을 조절할 수 있는 방법이 필요하다.

본 발명의 실시 예를 통해 해결하려는 과제는 현재 노 내 상황에 맞춰 미분탄량 취입량을 자동으로 제어할 수 있는 미분탄 취입량 제어 장치 및 그 방법을 제공하는 것이다.

상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 고로의 미분탄 취입량 제어 장치는, 신경회로망 알고리즘을 통해 미분탄 취입량을 예측하는 예측 모델을 저장하는 예측 모델 데이터베이스, 고로 조업과 관련된 조업 데이터를 수집하는 조업 데이터 수집부, 상기 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 미분탄 취입량 예측값을 획득하는 예측부, 및 상기 미분탄 취입량 예측값에 따라서 상기 고로 내로 취입되는 미분탄의 취입량을 조절하는 취입량 제어부를 포함할 수 있다.

상기 조업 데이터는, 상기 고로 조업과 관련된 온도 정보 및 압력 정보를 포함하며, 상기 조업 데이터 수집부는, 복수의 센서를 이용하여 상기 온도 정보 및 상기 압력 정보를 자동으로 수집할 수 있다.

상기 신경회로망 알고리즘은, 컨벌루션 신경망(Convolutional neural network)으로 구성될 수 있다.

상기 조업 데이터 수집부를 통해 수집되는 상기 조업 데이터를 소정 기간 학습용 데이터로 학습하여 상기 예측 모델을 구성하는 학습부를 더 포함할 수 있다.

또한, 본 발명의 실시 예에 따른 고로 설비의 미분탄 취입량 제어 방법은, 고로 조업과 관련된 조업 데이터를 수집하는 단계, 상기 조업 데이터를 신경회로망 알고리즘을 통해 미분탄 취입량을 예측하는 예측 모델의 입력 데이터로 사용하여, 미분탄 취입량 예측값을 획득하는 단계, 및 상기 미분탄 취입량 예측값에 따라서 상기 고로 내로 취입되는 미분탄의 취입량을 조절하는 단계를 포함할 수 있다.

상기 조업 데이터는, 상기 고로 조업과 관련된 온도 정보 및 압력 정보를 포함하며, 상기 수집하는 단계는, 복수의 센서를 이용하여 상기 온도 정보 및 상기 압력 정보를 자동으로 수집하는 단계를 포함할 수 있다.

상기 미분탄 취입량 제어 방법은, 소정 시간 동안 수집되는 상기 조업 데이터를 학습용 데이터로 학습하여 상기 예측 모델을 구성하는 단계를 더 포함할 수 있다.

본 발명의 실시 예에 따르면, 노 내 상황에 맞춰 미분탄량 취입량을 자동으로 제어할 수 있어, 현재 노 내 상황에 맞게 최적의 에너지 공급을 유지할 수 있다.

도 1은 고로(blast furnace) 설비의 일 예를 도시한 것이다.
도 2는 본 발명의 실시 예에 따른 고로의 미분탄 취입량 제어 장치를 개략적으로 도시한 것이다.
도 3은 본 발명의 실시 예에 따른 고로의 미분탄 취입량 제어 방법을 개략적으로 도시한 것이다.

이하, 첨부한 도면을 참고로 하여 본 발명의 실시 예들에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예들에 한정되지 않는다.

본 발명의 실시 예를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조 부호를 붙이도록 한다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다.

이하, 필요한 도면들을 참조하여 고로(blast furnace)의 미분탄 취입량 제어 장치 및 그 방법에 대해 상세히 설명하기로 한다.

도 1은 고로 설비의 일 예를 도시한 것이다.

고로 설비는 철강 공정에 있어서 용선을 생산하는 설비이다.

도 1을 참조하면, 고로(10)는 원료인 철광석이 장입되어 용선(pig iron)으로 용융 환원되는 노(爐)이다.

고로(10)로 장입되는 장입물(2) 즉, 철광석과 코크스는 장입 컨베이어 벨트(5)를 통해 고로(10) 상부로 이동하여 고로(10) 내부로 장입된다.

고로(10) 하부에는 송풍관(13)을 통해 공급되는 고온의 열풍 및 산소를 고로(10) 내부로 유입시키기 위한 풍구(11)가 위치한다.

고로 조업에서 노 내에 장입된 코크스(cokes)는 풍구(11)를 통해 노 내로 유입되는 고온의 열풍 및 산소와의 반응으로 연소하여 고온의 가스(이하, '환원가스'라 명명하여 사용함)를 발생시킨다. 이렇게 발생한 고온의 환원가스는 노 내를 상승하면서 고로(10)로 장입된 철광석과 접촉하고, 고온의 환원가스와의 접촉으로 열을 전달 받은 철광석은 용선으로 용융 및 환원된다.

고로(10) 내에서 용융 환원된 용선은 노 하부에 저장되었다가, 일정 간격으로 출선구(tap hole, 12)를 통해 노 외로 배출된다.

한편, 고로 조업에서는 환경공해를 최소화시키고 연료로 사용되는 코크스 제조 비용을 저감하기 위해, 미분탄을 코크스 대체 연료로 사용하기도 한다. 미분탄은 미분탄 저장탱크(미도시)로부터 공급되며, 송풍관(13)을 관통하는 랜스(14)를 통해 풍구(11) 내로 유입되어 노 내로 취입된다. 풍구(11)를 통해 노 내로 유입되는 미분탄은 풍구(11)를 통해 노 내로 유입되는 열풍에 의해 연소되어 고온의 환원가스를 발생시킨다.

도 2는 본 발명의 실시 예에 따른 고로의 미분탄 취입량 제어 장치를 개략적으로 도시한 것이다.

도 2를 참조하면, 본 발명의 실시 예에 따른 미분탄 취입량 제어 장치(100)는 조업 데이터 수집부(110), 사용자 입력부(120), 조업 데이터 데이터베이스(130), 학습부(140), 예측 모델 데이터베이스(150), 예측부(160), 및 미분탄 취입량 제어부(170)를 포함할 수 있다.

조업 데이터 수집부(110)는 고로 조업과 관련된 복수의 조업 데이터를 실시간으로 수집할 수 있다.

아래 표 1은 조업 데이터 수집부(110)에서 수집되는 조업 데이터의 예들을 도시한 것이다.

표 1. 조업 데이터 예

위 표 1을 참조하면, 조업 데이터는, 노체온도, 노체압력, 스킨 플로우(skin flow) 온도, 크로스 존데(cross sonde) 측정치, 통기성(상, 중, 하, 전체), 장입물의 입도, 품질, 성분, 고로(10)의 열부하, 산소부파, 열풍온도, 풍량, 철광석비(Ore Ratio), 철광석/코크스 장입량, 슬래그량, 배가스 온도, 배가스 조성, 용선 생산량, 슬래그 조성, 용선온도, 미분탄 취입량, 풍압 등을 포함할 수 있다.

조업 데이터 수집부(110)는 적어도 하나의 센서를 이용하여 조업 데이터를 자동으로 획득할 수 있다. 예를 들어, 조업 데이터 수집부(110)는 크로스 존대 등 하나 이상의 온도 센서를 이용하여 노체 온도, 용선 온도, 열풍 온도, 스킨 플로우 온도, 배가스 온도 등의 온도 정보를 획득할 수 있다. 또한, 예를 들어, 조업 데이터 수집부(110)는 하나 이상의 압력 센서를 이용하여, 노체 압력, 풍압 등의 압력 정보를 획득할 수 있다.

조업 데이터 수집부(110)는 사용자 입력부(120)를 통해 조업자로부터 조업 데이터를 입력 받을 수도 있다.

또한, 조업 데이터 수집부(110)는 외부 설비로부터 조업 데이터를 수신할 수도 있다.

조업 데이터 수집부(110)는 수집되는 조업 데이터들을 시계열로 조업 데이터 데이터베이스(130)에 저장할 수 있다.

학습부(140)는 소정 기간 동안 조업 데이터 수집부(110)를 통해 수집된 조업 데이터들을 학습용 데이터로 학습하여, 신경회로망 알고리즘 기반의 미분탄 취입량 예측 모델을 생성할 수 있다. 학습부(140)에서 미분탄 취입량 예측 모델에 사용된 신경회로망 알고리즘은, 컨벌루션 신경망(Convolutional neural network, CNN)으로 구성된다. CNN은 하나 또는 여러 개의 콘볼루션 계층(convolutional layer)과 통합 계층(pooling layer), 완전하게 연결된 계층(fully connected layer)들로 구성되는 신경망이다. CNN에서는 콘볼루션 계층(convolutional layer)과 통합 계층(pooling layer)을 통해 시계열의 조업 데이터들로부터 특징들을 추출하고, 완전하게 연결된 계층(fully connected layer)에서의 분류를 통해 예측을 진행한다.

본 발명의 실시 예에서, 학습부(140)는 미분탄 취입량 예측 모델 생성을 위해 변수 당 특징의 개수를 4개로 설정하고, 시계열 데이터의 개수를 8개(8분)로 설정할 수 있다. 또한, 완전하게 연결된 계층(fully connected layer)을 2개층으로 구성하고, 각 층에서의 뉴런(Neuron)의 개수는 100개와 50개로 설정하여 학습을 진행할 수 있다.

학습부(140)는 예측 모델이 생성되면, 이에 대한 정합성 및 신뢰성을검증하는 과정을 수행할 수 있다.

학습부(140)는 조업 데이터를 변동시키며 예측 모델을 이용하여 획득한 미분탄 취입량 예측값의 추이를 모니터링하여, 예측 모델에 대한 정합성 및 신뢰성을 검증할 수 있다.

예를 들어, 고로 조업 시 용선 온도가 높아지는 경우 미분탄 취입량을 낮추는 것이 바람직하다. 따라서, 용선 온도가 높아지는 환경에서 예측 모델이 올바르게 동작하는 경우, 예측 모델에서의 예측 결과는 미분탄 취입량을 낮추는 결과값이 제시되어야 한다.

학습부(140)는 예측 모델을 이용하여 미분탄 취입량을 자동 제어하고, 조업 효율(용선 출선량) 및 조업 안정화 상태(용선 온도, 노체 압력 등)를 모니터링하여 예측 모델에 대한 정합성 및 신뢰성을 검증할 수도 있다.

학습부(140)에 의해 생성된 미분탄 취입량 예측 모델은 예측 모델 데이터베이스(150)에 저장되어 예측부(160)에서의 미분탄 취입량 예측에 사용된다.

예측부(160)는 신경회로망 알고리즘 기반의 미분탄 취입량 예측 모델을 이용하여 시계열 데이터인 조업 데이터들로부터 미분탄 취입량을 추정할 수 있다. 예측부(160)는 조업 데이터 수집부(110)를 통해 수집되는 조업 데이터들을, 신경회로망 알고리즘 기반의 미분탄 취입량 예측 모델의 시계열 입력 데이터로 입력하고, 예측 모델의 출력 값을 미분탄 취입량 예측값(증가, 감소, 유지 등)으로 획득할 수 있다.

취입량 제어부(170)는 예측부(160)에 의해 출력되는 미분탄 취입량 예측값을 토대로, 미분탄 저장탱크(미도시)로부터 고로(10) 내로 취입되는 미분탄량을 자동으로 제어할 수 있다.

전술한 구조의 미분탄 취입량 제어 장치(100)에서, 조업 데이터 수집부(110), 학습부(140), 예측부(160) 및 취입량 제어부(170)의 기능들은 하나 이상의 중앙 처리 유닛(central processing unit, CPU)이나 기타 칩셋, 마이크로프로세서 등으로 구현되는 프로세서에 의해 수행될 수 있다.

도 3은 본 발명의 실시 예에 따른 고로의 미분탄 취입량 제어 방법을 개략적으로 도시한 것이다.

도 4를 참조하면, 본 발명의 실시 예에 따른 미분탄 취입량 제어 장치(100)는, 신경회로망 알고리즘 예를 들어, CNN 기반의 학습을 통해 미분탄 취입량 예측 모델을 생성한다(S100).

상기 S100 단계에서, 미분탄 취입량 제어 장치(100)는 소정 기간 동안 고로(10)의 조업 데이터를 수집하여 누적하고, 누적된 시계열의 조업 데이터들을 신경회로망 알고리즘의 학습 데이터로 사용하여 미분탄 취입량 예측 모델을 생성할 수 있다.

미분탄 취입량 예측 모델이 생성됨에 따라, 미분탄 취입량 제어 장치(100)는 미분탄 취입량 예측을 위해 고로 조업과 관련된 복수의 조업 데이터를 지속적으로 수집한다(S110). 그리고, 지속적으로 수집되는 시계열의 조업 데이터들을 신경회로망 알고리즘 기반의 미분탄 취입량 예측 모델의 시계열 입력 데이터로 사용하여 고로(10)에 대한 미분탄 취입량 예측값을 획득한다(S120).

또한, 미분탄 취입량 제어 장치(100)는, 미분탄 취입량 예측값이 획득되면, 이에 기반하여 미분탄 저장탱크(미도시)로부터 고로(10) 내로 취입되는 미분탄 취입량을 제어한다(S130).

전술한 실시 예에 따르면, 미분탄 취입량 제어 장치(100)는, 학습을 통해 생성된 신경망 기반의 예측 모델을 사용하여 고로(10)의 실시간 조업 상태에 대응하는 미분탄 취입량을 추정하고, 이를 이용하여 미분탄 취입량을 자동으로 조절한다. 따라서, 고로(10)의 현재 상태에 맞게 미분탄 취입량을 조절해줌으로써, 고로 노황의 변동을 최소화할 수 있으며 결과적으로 고로 조업의 안정화 및 효율 향상이 가능하다.

본 발명의 실시 예에 의한 미분탄 취입량 제어 방법은 소프트웨어를 통해 실행될 수 있다. 소프트웨어로 실행될 때, 본 발명의 구성 수단들은 필요한 작업을 실행하는 코드 세그먼트들이다. 프로그램 또는 코드 세그먼트들은 컴퓨터가 읽을 수 있는 기록매체에 저장될 수 있다.

컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 장치의 예로는, ROM, RAM, CD-ROM, DVD_ROM, DVD_RAM, 자기 테이프, 플로피 디스크, 하드 디스크, 광 데이터 저장장치 등이 있다. 또한, 컴퓨터로 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어 분산방식으로 컴퓨터가 읽을 수 있는 코드가 저장되고 실행될 수 있다.

지금까지 참조한 도면과 기재된 발명의 상세한 설명은 단지 본 발명의 예시적인 것으로서, 이는 단지 본 발명을 설명하기 위한 목적에서 사용된 것이지 의미 한정이나 특허청구범위에 기재된 본 발명의 범위를 제한하기 위하여 사용된 것은 아니다. 그러므로 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 용이하게 선택하여 대체할 수 있다. 또한 당업자는 본 명세서에서 설명된 구성요소 중 일부를 성능의 열화 없이 생략하거나 성능을 개선하기 위해 구성요소를 추가할 수 있다. 뿐만 아니라, 당업자는 공정 환경이나 장비에 따라 본 명세서에서 설명한 방법 단계의 순서를 변경할 수도 있다. 따라서 본 발명의 범위는 설명된 실시형태가 아니라 특허청구범위 및 그 균등물에 의해 결정되어야 한다.

5: 장입 컨베이어 벨트
10: 고로
11: 풍구
12: 출선구
13: 송풍관
14: 랜스
100: 미분탄 취입량 제어 장치
110: 조업 데이터 수집부
120: 사용자 입력부
130: 조업 데이터 데이터베이스
140: 학습부
150: 예측 모델 데이터베이스
160: 예측부
170: 취입량 제어부

Claims (8)

1. 고로의 미분탄 취입량 제어 장치에 있어서,
   신경회로망 알고리즘을 통해 미분탄 취입량을 예측하는 예측 모델을 저장하는 예측 모델 데이터베이스,
   고로 조업과 관련된 조업 데이터를 수집하는 조업 데이터 수집부,
   상기 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 미분탄 취입량 예측값을 획득하는 예측부, 및
   상기 미분탄 취입량 예측값에 따라서 상기 고로 내로 취입되는 미분탄의 취입량을 조절하는 취입량 제어부를 포함하는 미분탄 취입량 제어 장치.
2. 제1항에 있어서,
   상기 조업 데이터는, 상기 고로 조업과 관련된 온도 정보 및 압력 정보를 포함하며,
   상기 조업 데이터 수집부는, 복수의 센서를 이용하여 상기 온도 정보 및 상기 압력 정보를 자동으로 수집하는 미분탄 취입량 제어 장치.
3. 제1항에 있어서,
   상기 신경회로망 알고리즘은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 미분탄 취입량 제어 장치.
4. 제1항에 있어서,
   상기 조업 데이터 수집부를 통해 수집되는 상기 조업 데이터를 소정 기간 학습용 데이터로 학습하여 상기 예측 모델을 구성하는 학습부를 더 포함하는 미분탄 취입량 제어 장치.
5. 고로 설비의 미분탄 취입량 제어 방법에 있어서,
   고로 조업과 관련된 조업 데이터를 수집하는 단계,
   상기 조업 데이터를 신경회로망 알고리즘을 통해 미분탄 취입량을 예측하는 예측 모델의 입력 데이터로 사용하여, 미분탄 취입량 예측값을 획득하는 단계, 및
   상기 미분탄 취입량 예측값에 따라서 상기 고로 내로 취입되는 미분탄의 취입량을 조절하는 단계를 포함하는 미분탄 취입량 제어 방법.
6. 제5항에 있어서,
   상기 조업 데이터는, 상기 고로 조업과 관련된 온도 정보 및 압력 정보를 포함하며,
   상기 수집하는 단계는, 복수의 센서를 이용하여 상기 온도 정보 및 상기 압력 정보를 자동으로 수집하는 단계를 포함하는 미분탄 취입량 제어 방법.
7. 제5항에 있어서,
   상기 신경회로망 알고리즘은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 미분탄 취입량 제어 방법.
8. 제5항에 있어서,
   소정 시간 동안 수집되는 상기 조업 데이터를 학습용 데이터로 학습하여 상기 예측 모델을 구성하는 단계를 더 포함하는 미분탄 취입량 제어 방법.
   

Images