KR20200035550A - 인공신경망 기법을 활용한 전로 출강 온도 예측 방법 - Google Patents

인공신경망 기법을 활용한 전로 출강 온도 예측 방법 Download PDF

Info

Publication number
KR20200035550A
KR20200035550A KR1020180114705A KR20180114705A KR20200035550A KR 20200035550 A KR20200035550 A KR 20200035550A KR 1020180114705 A KR1020180114705 A KR 1020180114705A KR 20180114705 A KR20180114705 A KR 20180114705A KR 20200035550 A KR20200035550 A KR 20200035550A
Authority
KR
South Korea
Prior art keywords
temperature
converter
model
neural network
artificial neural
Prior art date
Application number
KR1020180114705A
Other languages
English (en)
Inventor
최형근
안효종
엄창호
장석주
Original Assignee
현대제철 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 현대제철 주식회사 filed Critical 현대제철 주식회사
Priority to KR1020180114705A priority Critical patent/KR20200035550A/ko
Publication of KR20200035550A publication Critical patent/KR20200035550A/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21C—PROCESSING OF PIG-IRON, e.g. REFINING, MANUFACTURE OF WROUGHT-IRON OR STEEL; TREATMENT IN MOLTEN STATE OF FERROUS ALLOYS
    • C21C5/00—Manufacture of carbon-steel, e.g. plain mild steel, medium carbon steel or cast steel or stainless steel
    • C21C5/28—Manufacture of steel in the converter
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Carbon Steel Or Casting Steel Manufacturing (AREA)
  • Treatment Of Steel In Its Molten State (AREA)

Abstract

전로 출강 온도 예측 방법은, 제강공정의 각 단계에서 수집된 측온 데이터를 활용하여 인공신경망 모델을 구축하는 단계, 제강공정의 각 단계에서 용강의 온도 변화에 기여하는 변수로부터 입력 변수를 선정하는 단계, 인공신경망 모델을 사용하여 전로 출강 예측온도를 산출하는 단계, 및 전로 출강 예측온도를 이용하여 전로 출강 온도를 결정하는 단계를 포함한다.

Description

인공신경망 기법을 활용한 전로 출강 온도 예측 방법{ESTIMATION METHOD OF TRANSMISSION TEMPERATURE OF MOLTEN STEEL USING ARTIFICIAL NEURAL NETWORK TECHNIQUE}
본 발명은 전로 출강 온도 예측방법에 관한 것으로, 보다 상세하세는 인공신경망 기법을 활용한 전로 출강 온도 예측방법에 관한 것이다.
일반적으로, 제철소는 제선 -> 제강 -> 연속주조 -> 압연과 같은 일련의 공정을 통해 원료인 철광석으로부터 다양한 종류의 철강재를 생산하고 있다. 이중 제강 공정은 제선 공정에서 생산된 용선의 성분을 원하는 수준으로 정련하는 공정이고, 연속주조 공정은 제강 공정에서 정련된 용강을 연속주조기에서 연속적으로 냉각 응고시켜 다양한 두께와 폭을 갖는 슬래브와 같은 중간소재를 얻는 공정이다.
한편, 용강의 온도는 연속주조 공정에서 관리되는 주요 인자 중 하나이다. 제강공정에서 온도 예측은 편차를 유발하는 요인들이 많아 예측식의 정확도를 확보하기 어려웠다. 제강 조업 중의 온도 변화에 대해서는 일반적인 경험식이 있을뿐 정확도를 가진 온도 예측이 쉽지 않다. 따라서, 공정 중 온도 예측을 통한 모델의 개발 또한 어려웠다. 모델이 있다고 하더라도 정확도가 낮고 오차 발생시 보정을 실시하는 조업자들의 유연성을 따라가지 못하여 모델 사용률이 낮은 결과를 초래한다.
기존의 온도 예측 모델은 온도에 영향을 주는 변수들에 대한 선형식을 기반으로 구성되어 있는데, 이러한 선형식은 입력값으로 사용할 수 있는 데이터의 형태가 정수형 및 실수형으로 제한되어 있고 또한 비선형적인 관계에 대한 예측이 어렵다.
이에 관련된 기술로는 대한민국 특허공개공보 제2017-0075288호(2017.07.03 공개, 제강연주공정의 용강 온도 모니터링 방법)가 있다.
본 발명이 해결하고자 하는 과제는, 인공신경망 기법을 활용한 전로 종점 온도 예측 방법을 제공하는 데 있다.
본 발명의 일 측면에 따른 전로 출강 온도 예측 방법은, 제강공정의 각 단계에서 수집된 측온 데이터를 활용하여 인공신경망 모델을 구축하는 단계; 상기 제강공정의 각 단계에서 용강의 온도 변화에 기여하는 변수로부터 입력 변수를 선정하는 단계; 상기 인공신경망 모델을 사용하여 전로 출강 예측온도를 산출하는 단계; 및 상기 전로 출강 예측온도를 이용하여 전로 출강 온도를 결정하는 단계를 포함한다.
상기 인공신경망 모델은, 공정 간 온도예측 모델, 공정 중 온도예측 모델, 합금철 모델로 구성될 수 있다.
공정 간 온도예측 모델은, 전로~버블링 스탠드(Bubbling Stand; BS) 간 온도예측 모델, 버블링 스탠드~진공 탈가스 장치(RH) 간 온도예측 모델, 버블링 스탠드~래들 퍼니스(Laddle Furnace; LF) 간 온도예측 모델, 버블링 스탠드~진공 탈가스 장치(RH) 간 온도예측 모델, 버블링 스탠드~턴디쉬(Tundish; TD) 간 온도예측 모델, 진공 탈가스 장치(RH)~버블링 스탠드(BS) 간 온도예측 모델 2종으로 구성될 수 있다.
공정 중 온도예측 모델은, 버블링 스탠드(BS) 1종, 래들 퍼니스(LF) 1종, 진공 탈가스 장치(RH) 3종으로 구성될 수 있다.
상기 인공신경망 모델은 모두 13개의 개별 모델로 이루어지며, 전체 모델은 13개의 모델의 결합으로 이루어질 수 있다.
상기 전로 출강 온도 계산시점은 온도에 크게 영향을 주는 래들 정보가 매치되지 않는 시점이므로, 래들 정보는 모델 입력 데이터에서 제외하는 것이 바람직하다.
본 발명에 따르면, 본 발명에 따르면, 전로 출강시부터 턴디쉬(TD)에 이르기까지 존재하는 다수의 파라미터를 이용하여 전로에서의 출강온도를 정확하고 용이하게 예측할 수 있다.
도 1은 본 발명에 적용되는 인공신경망 모델에 대한 일실시예 설명도이다.
도 2는 본 발명에 따른 인공신경망을 이용한 전로 출강 온도 예측방법의 일 실시예에 대한 흐름도이다.
도 3은 종래의 선형 모델을 활용하여 예측한 측간온도변화 예측 데이터와 본 발명의 인공신경망 모델을 활용하여 예측한 측간온도변화 예측 데이터를 검증 데이터와 비교하여 나타낸 도면이다.
이하, 첨부한 도면을 참고하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명을 상세히 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 본 명세서에서 설명하는 실시예들에 한정되지 않는다. 본 명세서 전체를 통하여 동일 또는 유사한 구성 요소에 대해서는 동일한 도면 부호를 붙였다. 또한, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능 및 구성에 대한 상세한 설명은 생략한다.
통상, 제철소의 고로로부터 출선된 용선은 크게 제강, 정련, 주조 3개의 세부공정을 거쳐 제품화되게 된다. 제강공정 이후 주조공정에 투입되기까지의 사이에 생산 강종에 따라 정련공정을 거치며, 이러한 정련공정은 고청정강종 제조를 위한 온도 및 성분의 제어를 위해 온도 및 화학성분의 균일화, 합금철 투입, 탈산 및 탈류, 진공 탈가스, 개재물 부상제거 및 제어, 온도 승온 및 조정의 기능을 담당한다.
이러한 정련설비로는 버블링 스탠드(Bubbling Stand; BS), 래들 퍼니스(Laddle Furnace; LF), 진공탈가스 장치(RH) 등이 있으며, 용강의 성분을 1차 조정하는 제강공정 이후 주조설비에 투입될 때까지 강종별 미리 정해진 정련설비를 통과하게 된다. 제강공정 ~ 주조공정의 작업 안전성 및 생산성 향상을 위해서는 작업 일정계획, 즉 각 공정에서의 용강 출발, 도착 시각에 대한 정보를 활용하여 공정간 용강의 온도하락을 정확하게 예측하는 것이 매우 중요하다. 이러한 온도 예측이 부정확하여 주조공정의 적정온도 확보가 되지 않을 경우 주조공정에서 노즐막힘, 감속주조 발생으로 생산성의 저하, 품질이상 등의 문제점이 발생할 수 있다.
기존의 온도 예측 모델은 온도에 영향을 주는 변수들에 대한 선형식을 기반으로 구성되어 있다. 이러한 선형식은 입력값으로 사용할 수 있는 데이터의 형태가 정수형 및 실수형으로 제한되어 있고, 또한 비선형적인 관계에 대한 예측이 어렵다.
본 발명에서는 이러한 기존의 온도 예측 모델의 선형식을 대체하기 위하여 인공신경망을 활용하여 전로의 출강 온도를 예측하는 모델을 구성하였다. 인공신경망(ANN: Artificial Neural Networks)은 입력층 - 은닉층 - 출력층으로 구성되어 있으며, 입력값 - 출력값 사이의 비선형 관계를 학습하여 모델을 구축한 후 새로 입력값이 주어질 때 출력값을 예측하는 기법을 의미한다.
도 1은 본 발명에 적용되는 인공신경망 모델에 대한 일실시예 설명도이다.
도 1에 도시된 바와 같이, 본 발명에 적용되는 인공신경망 모델은, 신경망 구조와 학습 알고리즘을 적용하는데, 여기서는 다층 퍼셉트론의 구조를 적용한 경우에 대하여 설명한다.
본 발명의 인공신경망 모델은 입력층 및 출력층 사이에 은닉층을 둔 다층구조에서 데이터를 훈련시키는 알고리즘을 내포하는 다층 퍼셉트론을 이용한 기계적 학습을 통해 이루어진다. 이에 따라, 인공신경망 모델은 입력층(110), 은닉층(120), 출력층(130)을 포함한다. 여기서, 입력층(110)은 적어도 하나 이상의 입력노드를 조정할 수 있고, 은닉층(120)은 입력노드 수에 따라 인공신경망 모델을 연산하는 은닉노드를 가지며, 출력층(130)은 입력조건을 은닉층(120)의 연산에 따라 적어도 하나 이상의 출력결과를 갖는다. 은닉층(120)의 수는 미리 설정될 수 있다. 은닉층(120)은 입력층(110) 및 출력층(130) 사이에 적어도 하나 이상의 계층이 존재할 수 있는데, 본 발명의 경우 3개의 은닉층으로 구성될 수 있으며, 각 은닉층의 노드는 1,000개로 구성된다.
입력층(110)에서는 소정의 입력조건이 입력되고, 출력층(130)에서는 분류된 결과를 출력한다. 즉, 상기 출력층(130)으로 전로 종점 온도 예측을 출력하는 경우에, 소정의 입력조건으로는 출강 온도, 출강 시간, 래들 조건, 합금 성분, RH 출발 온도 등이 제공된다.
인공신경망 모델은, 입력조건이 입력층(110)에 입력되면 은닉층(120)에 있는 노드에 의해 수행된 연산결과가 다음 레벨에 있는 노드의 입력값이 되며, 이러한 과정을 출력층(130)까지 수행하여 최종 결과를 도출한다. 이때, 각 층에 있는 노드를 연결시켜 주는 역할을 수행하는 것이 연결 강도이다. 이 연결은 같은 층에 있는 노드를 연결할 수 없고 다른 층에 있는 노드를 연결할 수 있으며, 일반적으로 하나의 노드는 다음 층에 있는 모든 노드와 연결된다.
인공신경망 모델에서는 각 노드를 인공 뉴런(neuron)으로 모델화시킬 수 있다. 각 뉴런은 입력된 외부 자극을 합하여 그 결과에 따라 반응한다. 이는 하나의 수학식으로 나타낼 수 있는데, 바이어스(bias)와 함께 입력의 가중합(weight)을 활성화 함수(또는 전달함수)에 전달하여 결과를 출력한다.
한편, 인공신경망 모델은 예측값 및 실제값을 비교하여 오차가 작은 방향으로 노드간의 연결강도를 조절한다. 입력층(110)의 각 노드에 입력조건이 입력되면, 각 노드에서 변환되어 은닉층(120)에 전달되고 최후에 출력층(130)에서 예측값을 출력한다. 또한, 인공신경망 모델에서는 예측값 및 실제값을 비교하여 차이를 줄여나가는 방향으로 연결강도를 조절하고, 상위층에서 하위층으로 역전파하여 하위층에서 이를 근거로 다시 자기 층의 연결강도를 조절하도록 한다.
이러한 인공신경망 모델을 사용하여 전로 출강 예측 온도를 얻을 수 있다. 한편, 전로 출강 온도를 계산하기 위해서는 전체 제강 공정에서의 온도 예측모델이 필요하며, 따라서 각 공정마다 별도의 온도 예측모델이 필요하다. 온도 예측모델은 크게 세 가지로 구성된다. 즉, 전로 출강 온도 예측모델은 공정 사이의 온도 하락 등을 예측하는 공정 간 온도 예측모델, 공정 중에 일어나는 온도 변화를 예측하는 공정 중 온도 예측모델, 합금철에 기인한 온도 변화를 예측하는 모델로 구성된다. 공정 간 온도예측 모델은 전로~버블링 스탠드(BS) 간 온도예측 모델, 버블링 스탠드(BS)~진공탈가스 장치(RH) 간 온도예측 모델, 버블링 스탠드(BS)~래들 퍼니스(LF) 간 온도예측 모델, 래들 퍼니스(LF)~진공탈가스 장치(RH) 간 온도예측 모델, 래들 퍼니스(LF)~턴디쉬(Tundish; TD) 간 온도예측 모델, 진공탈가스 장치(RH)~턴디쉬(TD) 간 온도예측 모델 2종으로 7종의 모델이 있다. 공정 중 온도예측 모델은 버블링 스탠드(BS) 1종, 래들 퍼니스(LF) 1종, 진공탈가스 장치(RH) 3종으로 모두 5종의 모델이 있다. 따라서, 전로 출강 온도예측 모델은 총 13개의 개별 모델로 이루어지며, 전체 모델은 13개의 모델의 결합으로 이루어진다. 이때 전로 출강 온도 계산시점은 온도에 크게 영향을 주는 래들 정보가 매치되지 않는 시점이므로 래들 정보는 모델 입력 데이터에서 제외한다.
한편, 제강공정 ~ 주조공정은 세 가지 공정타입으로 분류될 수 있다. 즉, 전로 → 버블링 스탠드(BS) → 진공탈가스 장치(RH) →턴디쉬(TD)로 진행되는 타입, 전로 → 버블링 스탠드(BS) → 래들 퍼니스(LF) → 턴디쉬(TD)로 진행되는 타입, 그리고 전로 → 버블링 스탠드(BS) → 래들 퍼니스(LF) → 진공탈가스 장치(RH) → 턴디쉬(TD)로 진행되는 타입의 세 가지 타입이 있다. 용강의 최종 온도인 턴디쉬(TD)의 온도는 결정되어 있으므로, 공정 타입에 따라 입력 변수들을 선정하고, 입력층(도 1의 110)에 입력하여 공정 간 모델, 공정 중 모델, 합금 모델을 이용하여 전로 출강온도를 예측할 수 있다.
도 2는 본 발명에 따른 인공신경망을 이용한 전로 출강 온도 예측방법의 일 실시예에 대한 흐름도이다.
도 2를 참조하면, 인공신경망을 이용하여 전로 출강온도를 예측하는 방법은 초기 학습자료를 생성하고 인공신경망 모델을 구축하는 단계(S210), 입력 변수를 선정하고 데이터 전처리하는 단계(S220), 인공신경망 모델을 사용하여 전로 출강 예측온도를 산출하는 단계(S230), 및 전로 출강 예측온도를 이용하여 전로 출강 온도를 결정하고 공정에 적용하는 단계(S240)를 포함한다.
초기 학습자료를 생성하고 인공신경망 모델을 구축하는 단계(S210)는 인공신경망 모델을 구축하기 위한 학습자료를 생성하고 이를 이용하여 출력 데이터를 예측하기 위한 인공신경망 모델을 구축하는 단계이다. 인공신경망 모델을 구축하는 알고리즘을 사용하여 학습자료를 근거로 인공신경망 모델을 구축한다. 상기 알고리즘은 종래에 일반적으로 인공신경망 모델을 구축하는 알고리즘이 사용되므로 상세한 설명은 생략한다. 인공신경망을 학습하기 위해서는 다량의 데이터가 필요하며, 데이터 부족 시 과적합의 문제가 발생할 수 있다. 본 발명에서는 11년에서 17년 간의 측온 데이터를 사용하였으며, 165,300건의 데이터를 기반으로 학습을 실시하였다. 또한 모델의 결과를 평가하기 위하여 27,347건의 18년 데이터를 적용하여 결과를 평가하였다. 분석 데이터 중 일부를 입력 데이터들로 선택한다. 이때, 분석대상 데이터들의 수에 따라 선택하는 입력 데이터의 수를 결정할 수 있다.
입력 변수를 선정하고 데이터 전처리하는 단계(S220)는 각 개별 모델별로 입력 변수를 선정하는 단계이다. 예를 들어, 용강이 버블링 스탠드(BS)를 출발하여 래들 퍼니스(LF)에 도착하기까지의 온도예측 모델의 경우, 입력층(도 1의 110)에 입력되는 입력 변수는 출강, 버블링 스탠드(BS), 래들 퍼니스(LF), 래들에 대한 변수들이 입력 변수가 될 수 있다. 예를 들어, 이전 단계에서의 출강온도, 출강 시간, 출강으로부터 버블링 스탠드(BS)에 도착하기 까지의 시간, 버블링 스탠드(BS)에서의 처리 시간, 버블링 스탠드(BS)를 출발하여 래들 퍼니스(LF)에 도착하기까지의 시간, 버블링 스탠드(BS) 1차, 2차 측온, 래들 퍼니스(LF) 도착 승온량, 래들 퍼니스(LF) 도착 환류량, 래들 상태 코드 및 공래들 시간, 강의 원소(C, Si, Mn, Al) 함량 등이 입력 변수가 될 수 있다. 다른 예로서, 래들 퍼니스(LF) 공정 중의 모델의 경우, 입력층(도 1의 110)에 입력되는 입력 변수는 래들 퍼니스(LF) 및 래들에 대한 변수들이 입력 변수가 될 수 있다. 예를 들어, 이전 차수 측온, 측온간 시간, 측온간 승온량, 누적 승온량, 측온간 유량, 래들 상태 코드, 공래들 시간, 이전 측온과의 오차, 강의 원소(C, Si, Mn, Al) 함량 등이 입력 변수가 될 수 있다.
입력변수 선정 및 데이터 전처리가 완료되면, 인공신경망 모델을 사용하여 전로 종점 온도 예측데이터를 산출하는 단계(S230)를 수행한다. 이 단계는 구축된 인공신경망 모델을 사용하여 전로 출강 예측온도를 산출하는 단계이다. 전술한 바와 같이, 본 발명의 전체 온도예측 모델은 총 13개의 개별 모델로 이루어져 있고, 각 개별 모델은 서로 유기적으로 결합된다. 따라서, 공정 타입에 따라서 각 공정 간 모델, 각 공정 모델, 및 합금철 모델을 결합하여 최종 예측온도를 산출할 수 있다.
예를 들어, 전로 → 버블링 스탠드(BS) → 진공탈가스 장치(RH) → 턴디쉬(TD)로 이루어지는 제강공정의 전로 출강 예측온도를 산출하는 경우, 진공탈가스 장치(RH) ~ 턴디쉬(TD) 모델을 사용하여 용강의 진공탈가스 장치(RH) 출발 온도 산출 → 진공탈가스 장치(RH) 모델과 합금철 모델을 사용하여 용강의 진공탈가스 장치(RH) 도착 온도 산출 → 버블링 스탠드(BS) ~ 진공탈가스 장치(RH) 모델을 사용하여 버블링 스탠드(BS) 출발 온도 산출 → 버블링 스탠드(BS) 모델을 사용하여 버블링 스탠드(BS) 도착 온도 산출 → 전로 ~ 버블링 스탠드(BS) 모델을 사용하여 전로 종점 온도를 산출할 수 있다.
또한, 전로 → 버블링 스탠드(BS) → 래들 퍼니스(LF) → 턴디쉬(TD)로 이루어지는 제강공정의 전로 출강 예측온도를 산출하는 경우, 래들 퍼니스(LF) ~ 턴디쉬(TD) 모델을 사용하여 용강의 래들 퍼니스(LF) 출발 온도 산출 → 래들 퍼니스(LF) 모델과 합금철 모델을 사용하여 용강의 래들 퍼니스(LF) 도착 온도 산출 → 버블링 스탠드(BS) ~ 래들 퍼니스(LF) 모델을 사용하여 버블링 스탠드(BS) 출발 온도 산출 → 버블링 스탠드(BS) 모델을 사용하여 버블링 스탠드(BS) 도착 온도 산출 → 전로 ~ 버블링 스탠드(BS) 모델을 사용하여 전로 종점 온도를 산출할 수 있다.
그리고, 전로 → 버블링 스탠드(BS) → 래들 퍼니스(LF) → 진공탈가스 장치(RH) → 턴디쉬(TD)로 이루어지는 제강공정의 전로 출강 예측온도를 산출하는 경우, 진공탈가스 장치(RH) ~ 턴디쉬(TD) 모델을 사용하여 용강의 진공탈가스 장치(RH) 출발 온도 산출 → 진공탈가스 장치(RH) 모델과 합금철 모델을 사용하여 용강의 진공탈가스 장치(RH) 도착 온도 산출 → 래들 퍼니스(LF) ~ 진공탈가스 장치(RH) 모델을 사용하여 용걍의 용강의 래들 퍼니스(LF) 출발 온도 산출 → 래들 퍼니스(LF) 모델과 합금철 모델을 사용하여 버블링 스탠드(BS) 도착온도 산출 → 버블링 스탠드(BS) ~ 래들 퍼니스(LF) 모델을 사용하여 버블링 스탠드(BS) 출발 온도 산출 → 버블링 스탠드(BS) 모델을 사용하여 버블링 스탠드(BS) 도착 온도 산출 → 전로 ~ 버블링 스탠드(BS) 모델을 사용하여 전로 종점 온도를 산출할 수 있다.
이렇게 하여 산출된 전로 종점 예측온도는 용강이 전로 출강시부터 턴디쉬(TD)에 이르기까지의 여러 온도 변화를 가져오는 변수들을 고려하여 예측된 온도이므로, 이를 반영하여 전로의 출강온도를 결정한다(S240). 이와 같이, 각 공정에서의 용강출발, 도착에 대한 정보를 활용하여 제강공정 ~ 주조공정의 공정간 용강의 온도하락을 정확하게 예측할 수 있다.
도 3은 종래의 선형 모델을 활용하여 예측한 측간온도변화 예측 데이터와 본 발명의 인공신경망 모델을 활용하여 예측한 측간온도변화 예측 데이터를 검증 데이터와 비교하여 나타낸 도면이다.
도 3을 참조하면, 종래의 선형 모델을 활용한 예측 데이터에 비해 예측정확도가 향상되었음을 알 수 있다. 이러한 온도 예측을 통해서 2차 정련 공정에서의 온도 보정을 회소화할 수 있다.
상술한 바와 같이, 본 발명에 따르면, 전로 출강시부터 턴디쉬(TD)에 이르기까지 존재하는 다수의 파라미터 즉, 용강 대기시간, 용강 출발 온도 및 작업시간, 턴디쉬의 조건, 정련공정의 작업시간, 래들의 조건, 용강의 야금학적 성분 비율 등을 이용하여 전로에서의 출강온도를 정확하고 용이하게 예측할 수 있다.
이상에서는 본 발명의 실시예를 중심으로 설명하였지만, 당업자의 수준에서 다양한 변경이나 변형을 가할 수 있다. 이러한 변경과 변형이 본 발명의 범위를 벗어나지 않는 한 본 발명에 속한다고 할 수 있다. 따라서 본 발명의 권리범위는 이하에 기재되는 청구범위에 의해 판단되어야 할 것이다.
110: 입력층
120: 은닉층
130: 출력층

Claims (6)

  1. 제강공정의 각 단계에서 수집된 측온 데이터를 활용하여 인공신경망 모델을 구축하는 단계;
    상기 제강공정의 각 단계에서 용강의 온도 변화에 기여하는 변수로부터 입력 변수를 선정하는 단계;
    상기 인공신경망 모델을 사용하여 전로 출강 예측온도를 산출하는 단계; 및
    상기 전로 출강 예측온도를 이용하여 전로 출강 온도를 결정하는 단계를 포함하는,
    전로 출강 온도 예측 방법.
  2. 제1항에 있어서,
    상기 인공신경망 모델은,
    공정 간 온도예측 모델, 공정 중 온도예측 모델, 합금철 모델로 구성되는,
    전로 출강 온도 예측 방법.
  3. 제2항에 있어서,
    공정 간 온도예측 모델은,
    전로~버블링 스탠드(BS) 간 온도예측 모델, 버블링 스탠드(BS)~진공탈가스 장치(RH) 간 온도예측 모델, 버블링 스탠드(BS)~래들 퍼니스(LF)간 온도예측 모델, 래들 퍼니스(LF)~진공탈가스 장치(RH) 간 온도예측 모델, 래들 퍼니스(LF)~턴디쉬(TD) 간 온도예측 모델, 진공탈가스 장치(RH)~턴디쉬(TD) 간 온도예측 모델 2종으로 구성되는,
    전로 출강 온도 예측 방법.
  4. 제2항에 있어서,
    공정 중 온도예측 모델은,
    버블링 스탠드(BS) 1종, 래들 퍼니스(LF) 1종, 진공탈가스 장치(RH) 3종으로 구성되는,
    전로 출강 온도 예측 방법.
  5. 제1항에 있어서,
    상기 인공신경망 모델은 모두 13개의 개별 모델로 이루어지며,
    전체 모델은 13개의 모델의 결합으로 이루어지는,
    전로 출강 온도 예측 방법.
  6. 제1항에 있어서,
    상기 전로 출강 온도 계산시점은 온도에 크게 영향을 주는 래들 정보가 매치되지 않는 시점이므로, 래들 정보는 상기 입력 변수에서 제외하는,
    전로 출강 온도 예측 방법.
KR1020180114705A 2018-09-27 2018-09-27 인공신경망 기법을 활용한 전로 출강 온도 예측 방법 KR20200035550A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180114705A KR20200035550A (ko) 2018-09-27 2018-09-27 인공신경망 기법을 활용한 전로 출강 온도 예측 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180114705A KR20200035550A (ko) 2018-09-27 2018-09-27 인공신경망 기법을 활용한 전로 출강 온도 예측 방법

Publications (1)

Publication Number Publication Date
KR20200035550A true KR20200035550A (ko) 2020-04-06

Family

ID=70282076

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180114705A KR20200035550A (ko) 2018-09-27 2018-09-27 인공신경망 기법을 활용한 전로 출강 온도 예측 방법

Country Status (1)

Country Link
KR (1) KR20200035550A (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149053B1 (ko) 2020-05-14 2020-08-31 주식회사 애자일소다 성분 예측 모델링 시스템 및 방법
CN112036081A (zh) * 2020-08-26 2020-12-04 北京科技大学 基于收得率预测的转炉出钢硅锰合金加入量确定方法
CN113435114A (zh) * 2021-06-23 2021-09-24 马鞍山钢铁股份有限公司 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法
CN116011149A (zh) * 2023-01-18 2023-04-25 鞍钢股份有限公司 一种rh精炼炉目标搬出温度确定方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102149053B1 (ko) 2020-05-14 2020-08-31 주식회사 애자일소다 성분 예측 모델링 시스템 및 방법
CN112036081A (zh) * 2020-08-26 2020-12-04 北京科技大学 基于收得率预测的转炉出钢硅锰合金加入量确定方法
CN113435114A (zh) * 2021-06-23 2021-09-24 马鞍山钢铁股份有限公司 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法
CN113435114B (zh) * 2021-06-23 2022-11-22 马鞍山钢铁股份有限公司 一种精确控制cv-rh-cc工艺路径钢种氮含量的方法
CN116011149A (zh) * 2023-01-18 2023-04-25 鞍钢股份有限公司 一种rh精炼炉目标搬出温度确定方法
CN116011149B (zh) * 2023-01-18 2023-10-20 鞍钢股份有限公司 一种rh精炼炉目标搬出温度确定方法

Similar Documents

Publication Publication Date Title
KR20200035550A (ko) 인공신경망 기법을 활용한 전로 출강 온도 예측 방법
JP5068637B2 (ja) 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体
CN110991916A (zh) 一种铸坯质量判定系统和方法
JP5462750B2 (ja) 溶鋼温度管理方法、装置及びプログラム
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
KR102149053B1 (ko) 성분 예측 모델링 시스템 및 방법
CN113849020A (zh) 一种基于人工智能算法的钢坯升温曲线设计方法及装置
JP5853723B2 (ja) リン濃度予測装置及び吹錬制御方法
Botnikov et al. Development of the metal temperature prediction model for steel-pouring and tundish ladles used at the casting and rolling complex
Hahn et al. Autonomous optimization of casting processes and designs
JP2020157327A (ja) 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法
Yu A prediction method for abnormal condition of scheduling plan with operation time delay in steelmaking and continuous casting production process
JP5569413B2 (ja) 生産計画作成装置及び生産計画作成方法
JP5821656B2 (ja) 生石灰濃度予測装置及び吹錬制御方法
JP6098553B2 (ja) 復燐量予測装置および復燐量予測方法、ならびに転炉脱燐制御方法
KR100328937B1 (ko) 신경망을이용한전로취련예측방법
Sabeghi et al. Solution space exploration of the process design for continuous casting of steel
JP4959125B2 (ja) 処理計画作成装置、操業制御装置、処理計画作成方法、操業制御方法、コンピュータプログラム及び記録媒体
Chertov Use of Artificial Intelligence Systems in the Metallurgical Industry (Survey).
Camisani-Calzolari, FR*, Craig, IK* & Pistorius Quality prediction in continuous casting of stainless steel slabs
JP4660137B2 (ja) 処理計画作成装置、処理計画作成方法、コンピュータプログラム及び記録媒体
Welgama et al. Evaluating options to increase production of a copper smelter aisle: A simulation approach
JP7503150B2 (ja) 複数の設備部分から成る生産設備、特に金属の半製品のような工業製品を生産するための生産設備を制御するためのシステム及び方法
KR101067476B1 (ko) 용선의 탄소비율 예측방법
Tomochika et al. Development of Prediction Technique for Temperature Distribution of Molten Steel in Steelmaking

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E601 Decision to refuse application