KR20190078343A - 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치 - Google Patents

Abstract

열연 공정의 런아웃 테이블의 열유속계수를 추정하는 장치가 개시된다. 상기 장치는 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 열유속계수를 추정하기 위한 인공 신경망 구조의 열유속계수 추정 모델을 생성하는 열유속계수 학습부 및 상기 열유속계수 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 열유속계수를 계산하는 열유속계수 계산부를 포함한다.

Description

인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치{ESTIMATING APPARATUS FOR HEAT FLUX COEFFICIENT OF RUN-OUT TABLE BASED ARTIFICIAL INTELLIGENCE}

본 발명은 열연 공정의 런아웃 테이블의 열유속계수를 추정하는 장치에 관한 것으로, 더욱 상세하게는 인공 신경망을 이용하여 열연 공정에 관련된 다양한 입력 변수에 따른 런아웃 테이블의 열유속계수를 학습하여 열유속계수 추정 모델을 생성하고 이를 기반으로 실제 공정상의 열유속계수를 정확하게 추정하게 할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 관한 것이다.

열간압연 공정의 런아웃 테이블(ROT: Run Out Table)은 조압연과 마무리 압연으로 두께와 폭이 결정된 강판을 냉각시키는 장치이다. 런아웃 테이블에는 일렬의 노즐이 장착된 헤더를 복수개 갖는 뱅크(bank)가 강판의 상하로 다수 개 구비된다. 런아웃 테이블의 후단에는 강판을 코일 형태로 권취하는 권취기가 마련되며, 귄취기로 진입하기 직전의 강판 온도, 즉 권취 온도가 목표 권취 온도와 일치하도록 강판의 냉각이 제어되어야 한다.

런아웃 테이블의 냉각 제어는 온/오프 되는 헤더의 수가 조정됨으로써 강판에 제공되는 냉각수의 양, 즉 주수량을 조정함으로써 이루어진다. 이러한 각 뱅크별 주수량 결정에는 강판 소재의 열전달 특성을 반영한 열유속계수가 관여하게 된다.

종래에는, 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하였다. 특히, 회귀식을 구성하는 각 변수에 적용되는 계수는 사전에 피냉각 소재의 두께에 따라 테이블 형태로 사전에 저장해 주었다가 각 뱅크별 주수량 설정시 사용하였다.

이러한 종래의 열유속계수 추정 방식은, 특정 두께 범위 내에서 각 변수에 대해 동일한 계수 값을 사용하기 때문에 연속적인 입력값에 대한 대응이 불가하고, 두께 범위의 구분도 동일하지 않도록 구성되어 있어, 특정 두께 범위의 경계에 있는 소재에 대해서는 열유속계수의 계산 오차로 인해 주수량 설정이 제대로 되지 않아 피냉각 소재의 온도를 목표 권취 온도에 일치시키는 것이 어렵다.

또한, 종래의 열유속계수 추정 방식은, 단순 두께 구분에 의해서만 변수별 계수의 값을 정하였기 때문에, 두께 이외의 폭, 속도, 강종, 압연 속도 등 다양한 조건에 대해서 계수를 정해야 하므로 더욱 많은 내용의 테이블이 필요하다. 실제로는 사전에 마련된 테이블만을 이용하여 열유속계수를 계산하게 되므로 정확한 변수의 적용이 어렵고 새로운 항목이 추가되는 경우 각각의 변수에 대한 계수가 재계산되어야 하는 문제가 발생한다.

또한, 종래의 열유속계수 추정 방식은, 가열로, 조압연, 사상압연에서의 조업 조건이나, 소재의 강종 특성에 대해서도 회귀식에 반영이 되어야 수식으로 모델링하기 어렵고 이에 따라 회귀식의 수정이나 업데이트가 어려운 문제가 있다.

대한민국 공개특허공보 제10-2008-0058641호 대한민국 등록특허공보 제10-0711387호

이에 본 발명은 인공지능을 구현하는 인공 신경망을 이용하여 다양한 입력 변수에 따른 열유속계수의 변화를 학습하여 모델링하고 이를 열유속계수 추정이 적용함으로써 열간 압연 공정에서 목표 권취 온도를 달성할 수 있고 강판의 품질 편차를 해소할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 제공하는 것을 해결하고자 하는 기술적 과제로 한다.

상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,

열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 열유속계수를 추정하기 위한 인공 신경망 구조의 열유속계수 추정 모델을 생성하는 열유속계수 학습부; 및

상기 열유속계수 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 열유속계수를 계산하는 열유속계수 계산부

를 포함하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 제공한다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 열유속계수와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 세트 내에서 열유속계수를 출력값으로 설정하고 그 나머지 변수를 입력값으로 설정할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 열유속계수 추정 모델을 결정할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 사전 설정된 주기 마다 기계학 습을 실행하거나 상기 열유속계수 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 열유속계수 연산부로 제공할 수 있다.

본 발명의 일 실시형태에서, 상기 열유속계수 계산부에서 계산된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부 및 상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 상기 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함할 수 있다.

상기 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.

도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 도시한 블록 구성도이다.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.
도 5는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 제작 과정의 일례를 도시한 흐름도이다.
도 6은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값과 실측된 열유속계수 값을 비교한 그래프이다.
도 7은 종래의 회귀식을 적용한 열유속계수 추정 기법에서 열유속계수가 음수로 잘못 계산되어진 코일의 변수를 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용한 경우 결과 변화를 도시한 그래프이다.

이하, 첨부 도면을 참조하여 본 발명의 다양한 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 더욱 상세하게 설명한다.

도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.

예컨대, 도 1에서 도시한 바와 같이, 압연소재인 슬라브(slab)(110)를 가열로(120)에서 압연에 적당한 온도(예를 들어, 1100~1200 ℃)로 가열한다.

이어, 가열된 슬라브를 조 압연기(130)와 마무리 압연기(사상압연기)(140)를 통하여 원하는 두께의 열연 강판(strip)(150)으로 압연을 실시한다.

이어, 강판은 런아웃 테이블(Run Out Table: ROT)(160)을 통과하면서 소정의 온도로 강판을 냉각시켜 요구되는 기계적 성질을 부여한 후, 권취기(170) 즉, 다운 코일러에서 열연코일(150') 형태의 제품으로 생산하여 열간 압연작업을 완료하게 된다.

즉, 가열로(120)에서 가열된 열연 슬라브(110)는 조압연과 마무리 압연으로 두께와 폭이 변화하고 최종적으로 런아웃 테이블(160)에서 냉각된 후 권취기(170)에서 코일형태(150')로 제작된다.

이러한 열간 압연 공정에서, 열연강재의 품질은 런아웃 테이블(160)에서 이루어지는 냉각에 의하여 주로 결정되는데, 런아웃 테이블(160)의 출구 즉 권취기(170)에 유입되기 직전의 강판 온도(권취 온도: Coiling Temperature)를 원하는 목표 온도가 되게 제어하는 방식으로 냉각 제어가 이루어지고 있다.

도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.

도 2에서 도시한 바와 같이, 마무리 압연을 거친 강판(150)은 런아웃 테이블(160)에서 목표 냉각 온도로 냉각제어가 실시된다.

예를 들어, 런아웃 테이블(160)은 복수(N개)의 뱅크(160a, 160b, ..., 160n)들을 포함하며, 런아웃 테이블(160)의 입측과 중간 및 출측에는 각각 온도측정기(180a, 180b,180c)들이 설치된다.

각 뱅크(160a, 160b, ..., 160n)는 냉각수를 강판으로 배출하는 일렬의 노즐을 갖는 헤더를 가지며 헤더의 온/오프 제어를 통해 냉각수를 분사함으로써 주수량을 제어하고 있다.

이를 위해, 런아웃 테이블(160)에서는 입측, 중간 및 출측 온도 측정기(180a)(180b)(180c)를 통하여 강판의 냉각대 입측온도, 중간온도 및 출측온도를 측정하고, 이를 근거로 피드포워드(feedforward) 또는 피드백(feedbak) 냉각제어를 실시함으로써 권취 온도를 원하는 목표 온도가 되도록 제어한다.

배경 기술에서 설명한 바와 같이, 뱅크의 헤더 제어를 통해 주수량을 결정하는데 있어서, 종래에는 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하고, 추정된 열유속계수에 기반하여 주수량을 결정하였다.

종래의 회귀식을 이용한 열유속계수 추정의 한계를 극복하기 위해 본 발명의 여러 실시형태는 인공 신경망을 기반으로한 기계 학습 기법을 이용하여 열유속계수를 추정하는 기법을 제공한다.

도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 도시한 블록 구성도이다.

도 3에 도시한 바와 같이, 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 열유속계수 학습부(10)와 열유속계수 계산부(20)를 포함하여 구성될 수 있다.

열유속계수 학습부(10)는 인공 신경망 구조를 이용하여 열유속계수에 영향을 미치는 다양한 입력 변수와 다양한 입력 변수에 따른 열유속계수와의 관계를 모델링한다.

더욱 구체적으로, 열유속계수 학습부(10)는 열유속계수를 포함하는 다양한 조업데이터를 저장한 데이터베이스에 저장된 데이터를 이용하여 신경망 구조의 열유속계수 추정 모델을 생성한다. 이 과정에서 기계 학습 알고리즘이 적용될 수 있다.

도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.

열유속계수 학습부(10)는 도 4에 도시된 것과 같은 열유속계수 추정을 위한 인공 신경망 모델을 기계학습을 통해 생성하게 된다. 도 4에 도시된 인공 신경망 모델은 하나의 입력층(input layer)과 두 개의 은닉층(hidden layer) 및 하나의 출력층(output layer)를 갖는 전체 연결(fully connected) 구조를 갖는 신경망을 예로 도시한 것이다.

열유속계수 학습부(10)는 조업데이터를 활용하여 기계 학습 알고리즘을 수행하여 인공 신경망을 구성하는 은닉층의 최적 가중치를 결정함으로써 열유속계수 추정 모델을 완성한다.

여기서 사용되는 인공신경망 구조 또는 학습 알고리즘 등에 따라 다앙한 방식으로 열유속계수 추정 모델을 완성할 수 있다. 도 5는 이러한 다양한 열유속계수 추정 모델의 제작 과정의 일례를 도시한다.

도 5를 참조하면, 열유속계수 학습부(10)는 저장된 데이터베이스에 저장된 열간 압연 공정 관련 다양한 변수들을 포함하는 조업 데이터 중 사전 설정된 정상범위를 벗어나는 이상 변수들을 제거한다(S11).

이어, 열유속계수 학습부(10)는, 이상 변수가 제거된 조업 데이터 중에서 코일 넘버, 인덱스 등과 같은 열유속계수의 결정에 영향을 미치지 못하는 관련 없는 미관련 변수들을 제거한다(S12).

이어, 열유속계수 학습부(10)는, 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 10% 미만인 강판(코일), 즉 목표 권취 온도의 적중률이 90% 이상인 강판(코일)에 대한 변수들을 선정한다(S13).

이러한, 과정들(S11-S13)은 열유속계수 추정 모델을 학습하기 위한 변수들을 선별하는 과정으로 실제 권취 온도와 목표 권취 온도의 차이가 거의 나지 않는 양호한 제어가 이루어진 경우의 우량 변수들을 선정하는 과정이다.

이어, 열유속계수 학습부(10)는 우량 변수들 중 추정하고자 하는 결과값이 되는 열유속계수를 출력값(통상, Y값이라고 함)으로 설정한다(S14)

이어, 열유속계수 학습부(10)는 각 변수들마다 갖는 값들의 범위가 차이가 나므로 최소최대 스케일링(MinMaxScaling) 기법 등을 이용하여 각 변수들의 범위를 0과 1 사이의 값으로 정규화한다(S15).

이어, 열유속계수 학습부(10)는 여러 변수들 중 열유속계수에 미치는 영향도가 큰 변수들을 입력변수(통상 X값이라고 함)를 결정할 수 있다. 예를 들어, 입력변수는 소재의 특성(두께, 폭, 성분 정보 등) 및 조업 조건(런아웃 테이블 입구측 온도, 런아웃 테이블 출구측 온도(권취 온도), 목표 권취 온도 등)에 관련된 변수일 수 있다.

위의 과정들(S14-S16)은 기계 학습 알고리즘을 적용하기 위한 데이터 세트(set)를 준비하는 과정으로, 각 변수들을 정규화하고 입력 변수와 출력 변수를 결정한다. 이 때, 각 변수들은 하나의 세트를 형성하게 되는데 이는 과정(S13)에서 선정된 강판(코일) 별로 이루어진다. 즉, 하나의 세트는 과정(S13)에서 선정된 코일의 조업 시 측정되거나 사용된 변수들로 이루어질 수 있다.

이어, 열유속계수 학습부(10)는 정규화된 입력변수 및 출력변수로 이루어진 데이터 세트를 학습용 데이터 세트, 검증용 데이터 세트, 테스트용 데이터 세트로 구분하고, 검증용 데이터 세트를 이용하여 기계 학습 알고리즘을 수행함으로써 열유속계수 추정 모델을 생성한 후 검증용 데이터 세트 및 테스트용 데이터 세트를 생성된 열유속계수 추정 모델에 적용하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 열유속계수 추정 모델을 완성한다(S17).

다시, 도 3을 참조하면, 열유속계수 계산부(20)는 열유속계수 학습부(10)에서 작성된 열유속계수 추정 모델을 실제 공정에 적용하는 요소로서, 실측된 입력 변수를 열유속계수 추정 모델에 입력하여 현재 런아웃 테이블의 열유속계수를 도출한다.

열유속계수 계산부(20)는 실제 열간 압연 공정에 열유속계수 학습부(10)에서 생성된 열유속계수 추정 모델을 적용하는 요소로서, 현재 진행 중인 공정에서 열유속계수 추정 모델의 입력 변수를 실측한 값을 열유속계수 추정 모델에 입력하고 이에 따른 열유속계수 추정 모델의 결과값, 즉 열유속계수 추정값을 도출할 수 있다.

열유속계수 학습부(10)는 사전 설정된 주기로 열유속계수 추정 모델의 업데이트를 수행할 수 있다. 또한, 열유속계수 학습부(10)는 새로운 입력 변수 추가 또는 기존 입력 변수 삭제 등과 같은 이벤트 발생시 열유속계수 추정 모델의 업데이트를 수행할 수 있다.

즉, 도 5에 설명된 것과 같은 과정들을 주기별 또는 입력변수 변경 시 수행하여 인공 신경망 구조의 은닉층에 대한 가중치를 업데이트 하고 이를 열유속계수 계산부(20)에도 적용한다.

열유속계수 계산부(20)에서 인공 신경망 기반의 열유속계수 추정 모델을 통해 계산된 열유속계수 및 런아웃 테이블(160)의 입측 온도센서(180a)에서 실측된 온도가 주수량 계산부(50)에 제공되고, 주수량 계산부(30)는 사전 설정된 연산식 또는 알고리즘을 적용하여 열유속계수 및 런아웃 테이블의 입측 온도에 따른 뱅크별 주수량을 연산한다.

주수량 계산부(30)에서 연산된 주수량 정보는 헤더 제어부(70)로 제공되고 헤더 제어부(70)는 주수량 계산부(30)에서 제공된 주수량을 강판에 제공하도록 헤더의 온/오프 상태를 제어할 수 있다.

도 6은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값과 실측된 열유속계수 값을 비교한 그래프이다.

도 6의 가로축은 실측된 데이터의 열유속계수의 값이고, 세로축은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값인데, 두 값의 관계를 연결한 선이 직선에 가까울수록 신경망 모델의 정확도가 높다고 볼 수 있다. 도 6에서 산점도의 정확도를 비교하면 약 98.6%의 정확도를 가진다고 볼 수 있고, 열유속계수의 10% 이내 오차를 가지는 비율은 96.52%이다. 이러한 수치는 본 발명의 일 실시형태에 따라 인공 신경망 구조의 열유속계수 추정 모델에 의해 추정된 열유속계수는 실제 열유속계수와 비교할 때 매우 높은 정확도를 가지는 것으로 볼 수 있다.

도 7은 종래의 회귀식을 적용한 열유속계수 추정 기법에서 열유속계수가 음수로 잘못 계산되어진 코일의 변수를 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용한 경우 결과 변화를 도시한 그래프이다.

도 7을 참조하면, 종래에는 열유속계수가 음수값으로 계산된 경우가 12894 건인 반면 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 사용된 경우 약 388 건만 음수값을 출력하여, 종래에 비해 약 97% 이상의 오류 개선 효과가 있다고 볼 수 있다.

이와 같이, 본 발명의 여러 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경 되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.

10: 열유속계수 학습부 20: 열유속계수 계산부
30: 주수향 계산부 40: 헤더 제어부

Claims (8)

1. 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 열유속계수를 추정하기 위한 인공 신경망 구조의 열유속계수 추정 모델을 생성하는 열유속계수 학습부; 및
   상기 열유속계수 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 열유속계수를 계산하는 열유속계수 계산부
   를 포함하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
2. 제1항에 있어서,
   상기 열유속계수 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 열유속계수와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
3. 제2항에 있어서,
   상기 열유속계수 학습부는, 상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
4. 제3항에 있어서,
   상기 열유속계수 학습부는, 상기 세트 내에서 열유속계수를 출력값으로 설정하고 그 나머지 변수를 입력값으로 설정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
5. 제3항에 있어서,
   상기 열유속계수 학습부는, 상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
6. 제5항에 있어서,
   상기 열유속계수 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 열유속계수 추정 모델을 결정하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
7. 제6항에 있어서,
   상기 열유속계수 학습부는, 사전 설정된 주기 마다 기계학 습을 실행하거나 상기 열유속계수 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 열유속계수 연산부로 제공하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.
8. 제1항에 있어서,
   상기 열유속계수 계산부에서 계산된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부; 및
   상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 상기 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함하는 것을 특징으로 하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치.

Images