KR20210117031A - Ai 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법 - Google Patents

Ai 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법 Download PDF

Info

Publication number
KR20210117031A
KR20210117031A KR1020200033359A KR20200033359A KR20210117031A KR 20210117031 A KR20210117031 A KR 20210117031A KR 1020200033359 A KR1020200033359 A KR 1020200033359A KR 20200033359 A KR20200033359 A KR 20200033359A KR 20210117031 A KR20210117031 A KR 20210117031A
Authority
KR
South Korea
Prior art keywords
temperature
unit
furnace
extraction
predicted
Prior art date
Application number
KR1020200033359A
Other languages
English (en)
Other versions
KR102339082B1 (ko
Inventor
김영일
Original Assignee
재단법인 포항산업과학연구원
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 재단법인 포항산업과학연구원 filed Critical 재단법인 포항산업과학연구원
Priority to KR1020200033359A priority Critical patent/KR102339082B1/ko
Publication of KR20210117031A publication Critical patent/KR20210117031A/ko
Application granted granted Critical
Publication of KR102339082B1 publication Critical patent/KR102339082B1/ko

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F27—FURNACES; KILNS; OVENS; RETORTS
    • F27D—DETAILS OR ACCESSORIES OF FURNACES, KILNS, OVENS, OR RETORTS, IN SO FAR AS THEY ARE OF KINDS OCCURRING IN MORE THAN ONE KIND OF FURNACE
    • F27D19/00—Arrangements of controlling devices
    • F27D2019/0006—Monitoring the characteristics (composition, quantities, temperature, pressure) of at least one of the gases of the kiln atmosphere and using it as a controlling value
    • F27D2019/0012—Monitoring the composition of the atmosphere or of one of their components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Heat Treatment Processes (AREA)

Abstract

본 발명은 가열로의 최적 온도 설정 장치 및 설정 방법에 관한 것으로, 복수 개의 대(Zone)를 포함하는 가열로의 각 대의 최적 온도를 설정하는 가열로의 추출 목표 온도 설정 장치로서, 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 데이터 수집 모듈; 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습된 AI 신경망 모델; 상기 데이터 수집 모듈의 데이터를 상기 AI 신경망 모델에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 예측 온도 계산 모듈; 및 추출 목표 온도 및 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 최적 온도 결정 모듈; 을 포함할 수 있다. 이를 통해 장입 소재 파라미터 및 조업 파라미터에 따른 각 대의 추출 온도의 비선형적 상관관계를 반영할 수 있어 정확한 추출 예측 온도를 산출할 수 있으며, 최적의 노온을 설정할 수 있어 소모되는 에너지 및 비용을 저감시킬 수 있다.

Description

AI 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법{SETTING DEVICE AND SETTING METHOD FOR OPTIMAL TEMPERATURE OF HEATING FURNACE USING AI-BASED NONLINEAR LEARNING MODEL}
본 발명은 AI 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치 및 설정 방법에 관한 발명이다.
종래 가열로의 최적 온도 설정 장치는, 가열로의 각 대(Zone)의 온도를 구하기 위해 판온 예측 모델을 근사화 및 축약한 상미분 방정식 근사화 모델을 사용하여 소재 온도 예측을 수행하였다. 빠른 계산을 위해 장입 소재의 위치별, 부위별, 두께 방향에 따른 온도를 하나의 온도로 가정하거나, 장입 소재에 사용된 복수의 소재의 밀도 등을 하나로 가정하는 등 복수의 가정을 사용하였으며, 근사 경계 조건값을 사용하여 근사화된 판온 예측 모델을 사용하였기 때문에 근사화된 추출 예측 온도만을 산출할 수 있었으며, 이를 이용하여 산출한 가열로의 최적 온도의 정확도도 떨어졌다.
특히, 복수의 대를 가진 가열로에서, 한 대 안에 장입된 소재도 단일 종류, 단일 면을 가지는 것이 아니라, 여러 종류의 소재를 포함하며, 스키드(skid), 넌스키드(non-skid) 등 부위별로 여러 면을 포함하기 때문에 장입 소재 파라미터에 따라 각 소재의 추출 목표 온도가 상이하거나 특성이 다른 소재가 존재할 수 있다.
그러나, 판온 예측 모델에서는 이러한 부위별 상이한 온도, 소재별로 상이한 온도 값을 모두 반영하여 계산하기 어려우며, 조건을 바꿔가며 반복하여 계산할 경우 계산 시간이 너무 많이 소요되어 단시간에 최적 온도를 계산할 수 없다. 반면, 최적 온도를 계산하기 위해 많은 가정 및 축약을 이용하여 축약된 판온 예측 모델을 사용할 경우, 조건에 따른 각 대에서의 열 전달 모델의 비선형성을 반영할 수 없어 부정확한 추출 예측 온도만 획득할 수 있으며, 상기 추출 예측 온도를 이용하여 구한 가열로의 최적 설정 온도 또한 정확도가 떨어지는 바, 최적 설정 온도를 통한 에너지 저감에 한계가 생기는 문제점이 발생되었다.
각 대별 장입 소재 추출시점의 추출 예측 온도를 산출할 때, 계산 시간의 제약에 구속되지 않고 각 대의 열전달 현상의 비선형성을 반영하여, 소재의 추출 예측 온도 정확성을 높이고, 최종적으로 각 대의 최적 노온을 산출할 수 있도록 하는 가열로의 최적 온도 설정 장치 및 설정 방법을 제공하고자 한다.
본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 장치는, 복수 개의 대(Zone)를 포함하는 가열로의 각 대의 최적 온도를 설정하는 가열로의 추출 목표 온도 설정 장치로서, 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 데이터 수집 모듈; 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습된 AI 신경망 모델; 상기 데이터 수집 모듈의 데이터를 상기 AI 신경망 모델에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 예측 온도 계산 모듈; 및 추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 최적 온도 결정 모듈; 을 포함할 수 있다.
다른 양태에 있어서 본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 방법은, 복수 개의 대를 포함하는 가열로의 각 대의 최적 가열로의 추출 목표 온도 설정 장치에서, AI 신경망 모델에 의해 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습하는 제1 단계; 데이터 수집 모듈에 의해 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 제2 단계; 예측 온도 계산 모듈에 의해 상기 데이터수집 모듈의 데이터를 상기 AI 신경망 모델에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 제3 단계; 및 최적 온도 결정 모듈에 의해 추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 제4 단계; 를 포함할 수 있다.
본 발명의 일 실시예에 따른 AI 신경망 모델은, 각 대의 노온 조건에 따른 열전도 해석모델인 수학식 1 및 그에 따른 경계조건인 수학식 2를 포함하는 판온 예측 수식모델의 해석 결과를 학습하며,
(수학식 1)
Figure pat00001
(수학식 2)
Figure pat00002
이때, p는 소재의 밀도, Cp는 소재의 비열, T는 가열로의 대의 온도, t는 대의 체류시간, z는 소재의 z축 방향의 위치, k 는 열 전달 계수, D는 소재의 두께, Troom은 각 대에서의 온도, Tplt는 장입 소재의 온도, σΦcg는 전열 변수일 수 있다.
또한, 상기 각 대의 노온 조건은, 각 소재의 종류, 소재의 표면 위치에 따른 온도, 소재의 위치별 두께 방향에 따른 온도, 소재의 부위별 온도 데이터 및 각 소재의 추출 목표 중 적어도 하나에 따른 온도를 포함할 수 있으며, 더하여, 상기 각 대의 노온 조건은, 장입된 모든 소재를 동시에 고려하여 소재 파라미터의 중요도에 따른 가중치를 설정한 노온 조건이거나, 또는 각 소재 단위로 고려한 노온 조건을 포함하며, 상기 AI 신경망 모델은 상기 각 대의 노온 조건에 따라 상기 판온 예측 수식모델의 해석 결과를 학습할 수 있다.
본 발명의 일 실시예에 따른 최적 온도 결정 모듈은, 수학식 3에 따른 목적함수(
Figure pat00003
)를 최소화하는 각 대의 최적 온도를 산출하며,
(수학식 3)
Figure pat00004
이때,
Figure pat00005
는 non-skid 부위의 추출목표온도,
Figure pat00006
는 non-skid 부위의 추출 예측 온도,
Figure pat00007
는 skid 부위의 추출 예측 온도,
Figure pat00008
는 가열로의 대의 개수,
Figure pat00009
는 예측하려는 가열로의 대의 설정 온도,
Figure pat00010
는 가열로의 대에서의 예측 재로시간,
Figure pat00011
는 온도유지시간 가중치를 의미하는 것일 수 있다.
본 발명의 일 실시예에 따른 상기 데이터 수집 모듈에 있어서, 장입 소재의 파라미터는, 소재의 길이, 소재의 폭, 소재의 두께, 복수의 소재를 포함한 제품의 두께, 소재의 밀도, 소재의 비열 및 소재의 열전도도 중 적어도 하나를 포함할 수 있으며, 각 대의 조업 파라미터는, 각 대의 장입시점에서의 평균 온도, 각 대에서의 체류시간, 각 대의 상부 노온 및 각 대의 하부 노온 중 적어도 하나를 포함할 수 있다.
본 발명은 판온 예측 모델에서 소재의 부위별 온도를 하나로 근사화하거나, 소재별 밀도, 비열 등 소재의 성질을 근사화, 근사 경계 조건값 이용 등의 근사화 및 축약을 하지 않아, 각 대에서의 장입 소재 파라미터 및 조업 파라미터에 따른 열 전달 비선형 특성을 반영한 AI 신경망 모델을 통해 각 소재의 추출 예측 온도의 정확성을 높이고, 정확한 추출 예측 온도를 이용하여 최적 노온을 설정함에 따라 에너지 저감에 기여할 수 있다.
도 1 은, 가열로의 복수의 대의 최적 노온을 결정하는 개념도를 도시한 도면이다.
도 2 는, 본 발명의 일 실시예에 따른 AI 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 장치를 설명하기 위한 블록도를 도시한 것이다.
도 3 은, 본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 장치에 포함되는 AI 신경망 모델을 설명하기 위한 도면이다.
도 4 는, 본 발명의 일 실시에에 따른 AI 기반 비선형 학습 모델을 이용한 가열로의 최적 온도 설정 방법에 대한 흐름도를 도시한 것이다.
도 1에 따르면, 일반적인 연속식 가열로는 복수의 대(Zone)를 가질 수 있으며, 상기 복수의 대는, 예를 들어, 장입대(Charge zone), 예열대(Preheating zone), 가열대(Heating zone), 균열대(Soaking zone)를 포함할 수 있다. 이때, 현시점에서의 장입 소재 위치 및 소재의 진행 방향에 따른 재로(在爐)시간 동안, 장입 소재가 가열로에서 추출되는 시점에서 부위별 추출 온도(TSout, TNout)가 목표 온도(T*Sout,)에 최근접하도록 하는 각 대의 최적 노온을 찾는 것이 필요하며, 이를 설정 노온 최적화 과정이라 한다.
도 1을 참조하면, 장입 소재가 각 대에 존재하는 재로(在爐)시간은 모두 상이하며, 장입 소재의 부위 별로 상이한 온도를 가질 수 있다. 예를 들어, 장입 소재의 스키드(Skid) 부위가 장입될 때의 온도(TIn)는 장입대를 지나면서 온도 TSP 로 예열대에 장입되며, 온도 TSH로 가열대에 장입되고, 온도 TSS로 균열대에 장입될 수 있으며, 한편 넌스키드(Non-skid) 부위의 경우, 스키드 부위와 동일한 온도(TIn)로 장입되더라도, 장입대를 지나면서 온도 TNP 로 예열대에 장입되며, 온도 TNH로 가열대에 장입되고, 온도 TNS로 균열대에 장입될 수 있다.
즉, 소재의 종류, 소재의 성질, 소재의 부위 등 소재 파라미터에 따라 가열로에서 추출되는 시점에서 부위별 추출 온도가 상이할 수 있으며, 각 대에서의 재로시간, 각 대의 장입 평균 온도 등 조업 파라미터에 따라서도 가열로에서 추출되는 시점에서의 부위별 추출온도가 상이할 수 있다.
따라서, 소재 파라미터 및 조업 파라미터에 따라 비선형적으로 변화하는 추출 예측 온도를 산출하여 각 대의 최적 노온을 설정하여야 한다.
도 2 는 본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 장치를 도시한 블록도로서, 가열로 내 설치된 센서 등 측정 장치로부터 장입 소재 파라미터 및 각 대의 조업 파라미터를 측정하여, 데이터 수집 모듈(210)로 송신하면, 데이터 수집 모듈(210)이 수집한 데이터를 입력 인터페이스로 입력 받아 출력 인터페이스로 각 대의 추출 예측 온도를 출력하는 AI 신경망 모델(220), 예측 온도 계산 모듈(230), 및 최적 온도 결정 모듈(240)을 도시하였다.
도 2 를 참조하면, 입력 인터페이스, AI 신경망 모듈(220), 예측 온도 계산 모듈(230), 최적 온도 결정 모듈(240) 및 출력 인터페이스가 버스 시스템을 통해 서로 연결될 수 있으나, 해당 연결 형태로 한정되지 않으며, 모듈 사이의 직접적인 커플링 또는 간접적인 커플링 또는 통신 연결 등 다양한 연결 형태를 가질 수 있어 청구범위가 상기 예시적인 실시예에 의해 제한되지 않는다.
도 2 를 참조하면, 데이터 수집 모듈(210)이 분리된 것과 같이 개시되어 있으나, 데이터 수집 모듈(210), AI 신경망 모듈(220), 예측 온도 계산 모듈(230) 및 최적 온도 결정 모듈(240)이 하나의 시스템에 결합되거나 집적될 수 있다.
본 발명의 일 실시예에 따르면, 복수 개의 대(Zone)를 포함하는 가열로의 최적 온도 설정 장치로서, 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 데이터 수집 모듈(210), 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습된 AI 신경망 모델(220), 데이터 수집 모듈(210)의 데이터를 상기 AI 신경망 모델(220)에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 예측 온도 계산 모듈(230) 및 추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 최적 온도 결정 모듈(240)를 포함할 수 있다.
구체적으로, 데이터 수집 모듈(210)이 수집하는 장입 소재의 파라미터는, 소재의 길이, 소재의 폭, 소재의 두께, 복수의 소재를 포함한 제품의 두께, 소재의 밀도, 소재의 비열 및 소재의 열전도도 중 적어도 하나를 포함할 수 있으며, 각 대의 조업 파라미터는, 각 대의 장입시점에서의 온도, 각 대에서의 체류시간, 각 대의 상부 노온 및 각 대의 하부 노온 중 적어도 하나를 포함할 수 있다.
장입 소재는 복수의 소재로 이루어져 있어 여러 매의 소재가 동시에 존재하는 바, 장입 소재의 온도는 하나로 설정할 수 없으며, 데이터 수집 모듈(210)은 복수의 소재에 따른 상이한 정보를 각각 획득할 수 있다. 본 발명의 일 실시예에 따른 데이터 수집 모듈(210)은, 장입 소재의 종류, 수치, 성질 등을 수집하며, 새롭게 장입된 소재의 경우 소재 관련 정보를 생성할 수 있으며, 기존에 소재 관련 정보가 존재할 경우 갱신할 수 있다.
따라서, 데이터 수집 모듈(210)의 데이터 수집은 새롭게 장입된 소재의 파라미터를 생성하는 것뿐만 아니라, 기존 파라미터를 갱신하는 것도 포함할 수 있다.
즉, 본 발명의 장치는 가열로 내의 장입 소재 존재 유무 정보를 갱신한 다음, 장입 소재 파라미터를 포함한 소재 관련 정보를 생성하여 AI 신경망 모델(220)에 제공할 수 있다.
또한, 각 대마다 최저 한계치 온도(Lower Limit Temperature), 최대 한계치 온도(Upper Limit Temperature)가 상이하며, 각 대의 소재가 존재하는 체류 시간, 평균 온도 등이 모두 상이할 수 있다. 따라서 이러한 각 대의 조업 파라미터가 소재의 추출 온도에 비선형적으로 영향을 줄 수 있으며, 이를 반영하여 각 대의 최적 노온을 설정할 필요성이 존재하며, 데이터 수집 모듈(210)은 각 대의 조업 파라미터를 수집하고 AI 신경망 모델(220)에 제공할 수 있다.
본 발명의 일 실시예에 따른 AI 신경망 모델(220)은, 각 대의 노온 조건에 따른 열전도 해석모델인 수학식 1 및 그에 따른 경계조건인 수학식 2를 포함하는 판온 예측 수식모델의 해석 결과를 학습하며, 이때, p는 소재의 밀도, Cp는 소재의 비열, T는 가열로의 대의 온도, t는 대의 체류시간, z는 소재의 z축 방향의 위치, k 는 열 전달 계수, D는 소재의 두께, Troom은 각 대에서의 상하부 온도, Tplt는 장입 소재의 온도, σΦcg는 전열 변수일 수 있으며, 상기 각 대의 노온 조건은, 각 소재의 종류, 소재의 표면 위치에 따른 온도, 소재의 위치별 두께 방향에 따른 온도, 소재의 부위별 온도 데이터 및 각 소재의 추출 목표 온도 적어도 하나에 따른 온도를 포함할 수 있다. 상기 부위별 온도 데이터의 경우 장입 소재의 부위가 스키드(skid) 또는 넌스키드(non-skid)에 해당하는지 여부를 의미할 수 있다.
Figure pat00012
Figure pat00013
종래에는 편미분 방정식의 좌측항 및 우측항을 각각 z=0부터 z=D까지 적분하여 z방향 평균 온도로 근사화하였으며, p 및 Cp도 장입 소재의 부위별로 상이한 값을 가지는 것을 축약하여 표면 온도로 일정한 상수 값을 가진다고 가정하여 열전도 해석 모델을 간략하게 축약하고, σΦcg도 일정한 상수 값을 가진다고 가정하여 근사조건을 단순한 차분 방정식으로 근사화하여 축약하였다.
그러나, 상술한 바와 같이, 장입 소재는 복수의 소재로 이루어져 있고, 각 장입 소재 또한 온도 및 조업 파라미터 조건에 따라 소재의 비열, 밀도 등의 장입 소재 파라미터가 달라지게 되며 각 대의 노온 조건도 상이하게 된다.
따라서, 장입 소재 파라미터 및 각 대의 조업 파라미터 변화에 따른 추출 시점의 소재 내부의 온도는 비선형 관계를 이루며, AI 신경망 모델(220)은 각 대의 노온 조건 변화에 따른 상기 판온 예측 수식 모델의 결과값을 학습하여 장입 소재가 각 대의 추출시점에서 갖는 추출 온도를 학습할 수 있다. 이를 통해 학습된 AI 신경망 모델(220)은, 상기 장입 소재 파라미터 및 조업 파라미터에 따라 비선형적으로 산출되는 소재의 추출 예측 온도를 계산할 수 있다.
선택적으로, AI 신경망 모델(220)은, 과거의 장입 소재 파라미터 및 조업 파라미터에 따른 소재 내부 온도 및 그에 따른 각 대의 과거 추출 온도, 또는 AI 신경망 모델(220)이 예측한 각 대의 추출 온도를 피드백하여 학습할 수 있다.
또한, 예측 온도 계산 모듈(230)는 AI 신경망 모델(220)을 통해 각 대에서 장입 소재를 추출한 시점의 예측 온도인 추출 예측 온도를 산출할 수 있다.
구체적으로, 장입 소재를 추출한 시점의 평균 예측 온도를 산출할 수 있으며, 바람직하게는 장입 소재의 부위별 추출한 시점의 예측 온도를 산출할 수 있다. 예를 들면, 장입 소재의 스키드 부위의 추출 예측 온도, 넌스키드 부위의 추출 예측 온도를 계산할 수 있다.
AI 신경망 모델(220) 및 예측 온도 계산 모듈(230)은 별개의 블록도로 도시되었으나 반드시 분리된 물리적 유닛으로만 구현되는 것 아니며, 이는 예시적 기능적으로 분리하였을 뿐 하나의 유닛으로 구현될 수 있다.
본 발명의 일 실시예에 따르면, 도 3 에 도시된 바와 같이, AI 신경망 모델 (220) 및 예측 온도 계산 모듈(230)이 강화학습을 이용하여 학습을 수행할 경우 심층 신경망(deep neural network(DNN)) 등으로 구현될 수 있으며, 학습된 AI 신경망 모델(220)을 이용하여 예측 온도 계산 모듈(230)가 장입 소재의 추출 예측 온도를 계산할 수 있다. AI 신경망 모델(220)은 입력 레이어(IL), 히든 레이어(HL), 및 출력 레이어(OL)를 포함할 수 있다. 일례로, 입렬 레이어(IL), 히든 레이어(HL), 및 출력 레이어(OL)에 포함되는 복수의 노드들은 서로 완전 연결형(fully connected)로 연결될 수 있으며, 입력 레이어(IL)은 복수의 입력 노드들을 포함할 수 있다.
복수의 입력 노드들을 통해 소재의 길이, 소재 폭, 소재 두께, 제품 두께, 소재 평균 밀도 및 비열, 소재 평균 열전도도 등을 포함하는 장입 소재 파라미터를 입력할 수 있으며, 또는 대 장입 평균 온도, 대 체류 시간, 대 상부 노온 및 하부 온도를 포함하는 조업 파라미터를 입력할 수 있다.
또한, 도 3 에는 하나의 출력 레이어(OL)만을 도시하고 있으나, 복수의 출력 노드들을 포함할 수 있으며, 각 대에서 장입 소재의 부위별 추출 예측 온도를 출력할 경우 장입 소재의 부위 개수, 또는 각 대에서의 추출 예측 온도를 출력할 경우 각 대의 개수에 대응되도록 복수의 출력 노드들을 생성할 수 있다.
히든 레이어(HL)은 HL1 및 HL2를 종합한 것으로 도시되지만, 개수는 다양하게 변형될 수 있으며, 예를 들어, 히든 레이어(HL)에 HL1, HL2,…, HLn 이 존재할 수 있으며, 상기 개수로 청구범위가 제한되지 않는다.
다시 말해, AI 신경망 모델(220) 및 예측 온도 계산 모듈(230)을 통해 장입 소재 파라미터 및 조업 파라미터에 따른 장입 소재의 각 대(Zone) 추출 예측 온도를 산출할 수 있다.
본 발명의 일 실시예에 따른 최적 온도 결정 모듈(240)은, 하기 수학식 3에 따른 목적함수(
Figure pat00014
)를 최소화하는 각 대의 최적 온도를 산출하며, 이때,
Figure pat00015
는 넌스키드(non-skid) 부위의 추출 목표 온도,
Figure pat00016
는 넌스키드(non-skid) 부위의 추출 예측 온도,
Figure pat00017
는 스키드(skid) 부위의 추출 예측 온도,
Figure pat00018
는 가열로의 대의 개수,
Figure pat00019
는 예측하려는 가열로의 대의 설정 온도,
Figure pat00020
는 가열로의 대에서의 예측 재로시간,
Figure pat00021
는 온도유지시간 가중치를 의미하는 것일 수 있다.
Figure pat00022
즉, 최적 온도 결정 모듈(240)은 예측 온도 계산 모듈(230)로부터 얻은 넌스키드 부위의 추출 예측 온도(Tprd N) 및 스키드 부위의 추출 예측 온도(Tprd S)를 이용하여 목적함수(
Figure pat00023
)를 최소화하는 각 대의 최적 온도를 결정할 수 있다.
최적 온도 결정 모듈(240)은, 장입 소재의 동일한 부위의 추출 목표 온도 및 추출 예측 온도의 차이가 작도록 하며, 예를 들어, 넌스키드 부위의 추출 목표 온도 및 추출 예측 온도 차이가 작도록 하며, 바람직하게는 0에 가깝도록 하여 추출 예측 온도가 추출 목표 온도에 근접한 각 대의 최적 노온을 설정할 수 있다. 즉, 추출 목표 온도에 대한 근접도를 판단하여 각 대의 최적 노온을 설정할 수 있다.
또한, 최적 온도 결정 모듈(240)은 장입 소재의 상이한 부위별 온도간의 차이를 작게 유지하여 균일도를 향상시킬 수 있는 각 대의 최적 설정 온도를 결정할 수 있으며, 예를 들어, 넌스키드 부위의 추출 예측 온도 및 스키드 부위의 추출 예측 온도 차이가 작도록 하며, 바람직하게는 차이가 0에 가깝도록 하여 균일도를 향상 시킬 수 있는 각 대의 최적 노온을 설정할 수 있다.
더하여, 조업 파라미터를 고려하여 각 대의 최적 노온 결정의 중요도를 가중치로 이용하여 가열로의 복수의 대의 최저 설정 온도를 산출할 수 있다. 각 대의 최적 노온 설정은 장입 소재의 추출 목표 온도 근접성 및 부위별 균열도를 고려하는 것뿐만 아니라 최적 노온 범위의 하한을 계산하여 최적 노온 범위 중 가장 낮은 온도로 각 대의 온도를 설정하여 에너지 저감 효율을 높일 수 있다.
따라서, 각 대에서의 재로 시간을 고려하여 온도 유지 시간 가중치를 설정하고, 이를 각 대의 설정 온도에 반영하여 복수의 대의 개수로 나눈 평균 값을 최적 노온의 최저 설정 온도로 계산할 수 있다.
즉, 최적 온도 결정 모듈(240)는 목적 함수가 추출 목표 온도 근접도, 부위별 균열도 및 최저 설정 온도를 고려할 수 있으며, 그에 따라 동일한 부위의 추출 목표 온도 및 추출 예측 온도의 차이 값을 반영한 항, 상이한 부위의 추출 예측 온도의 차이 값을 반영한 항 및 각 대에서의 온도 유지 시간 가중치를 반영한 항을 포함하는 목적 함수가 최소값을 갖게 하는 온도(
Figure pat00024
)로 각 대의 설정 온도를 결정할 수 있다.
한편, 본 발명의 일 실시예에 따르면, 상기 각 대의 노온 조건은, 장입된 모든 소재를 동시에 고려하여 소재 파라미터의 중요도에 따른 가중치를 설정한 노온 조건이거나, 또는 각 소재 단위로 고려한 노온 조건을 포함할 수 있다.
가열로 내로 장입되는 소재는 한 가지 소재로 이루어진 것이 아니며, 복수의 소재가 동시에 존재할 수 있으며, 각 대의 최적 노온 값을 결정할 때 온도 유지 시간 가중치뿐만 아니라 복수의 소재를 고려하여 가중치를 설정할 수 있으며, 각 소재별로 각 대의 최적 노온을 산출하거나, 복수의 소재를 중요도에 따라 가중치 반영하여 동시에 고려할 수 있다.
도 4 는 본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 방법을 도시한 흐름도이며, 본 발명의 일 실시예에 따른 가열로의 최적 온도 설정 방법은, 복수 개의 대를 포함하는 가열로의 각 대의 최적 온도를 설정하는 가열로의 추출 목표 온도 설정 장치에서 다음과 같은 단계를 포함할 수 있다.
AI 신경망 모델(220)에 의해 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습하는 제1 단계(S401), 데이터 수집 모듈(210)에 의해 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 제2 단계(S402), 예측 온도 계산 모듈(230)에 의해 상기 데이터 수집 모듈(210)의 데이터를 상기 AI 신경망 모델(220)에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 제3 단계(S403) 및 최적 온도 결정 모듈(240)에 의해 추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 제4 단계(S404)를 포함할 수 있다. 자세한 내용은 상술한 바와 동일한 바, 여기서 더 이상 중복하여 설명하지 않는다.
본 발명은 판온 예측 모델에서 근사화, 근사 경계 조건값 이용 등의 근사화 및 축약을 하지 않아, 각 대에서의 장입 소재 파라미터 및 조업 파라미터에 따른 열 전달 비선형 특성을 반영한 AI 신경망 모델을 통해 각 소재의 추출 예측 온도의 정확성을 높이고 그에 따른 각 대의 최적 노온 설정을 통해 에너지 저감에 기여할 수 있다.
210: 데이터 수집 모듈, 220: AI 신경망 모델,
230: 예측 온도 계산 모듈, 240: 최적 온도 결정 모듈

Claims (10)

  1. 복수 개의 대(Zone)를 포함하는 가열로의 각 대의 최적 온도를 설정하는 가열로의 추출 목표 온도 설정 장치로서,
    장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 데이터 수집 모듈;
    각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습된 AI 신경망 모델;
    상기 데이터 수집 모듈의 데이터를 상기 AI 신경망 모델에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 예측 온도 계산 모듈; 및
    추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 최적 온도 결정 모듈;
    를 포함하는, 가열로의 추출 목표 온도 설정 장치.
  2. 제1 항에 있어서,
    상기 AI 신경망 모델은, 각 대의 노온 조건에 따른 열전도 해석모델인 수학식 1 및 그에 따른 경계조건인 수학식 2를 포함하는 판온 예측 수식모델의 해석 결과를 학습하며,
    (수학식 1)
    Figure pat00025

    (수학식 2)
    Figure pat00026

    이때, p는 소재의 밀도, Cp는 소재의 비열, T는 가열로의 대의 온도, t는 대의 체류시간, z는 소재의 z축 방향의 위치, k 는 열 전달 계수, D는 소재의 두께, Troom은 각 대에서의 온도, Tplt는 장입 소재의 온도, σΦcg는 전열 변수
    인 가열로의 추출 목표 온도 설정 장치.
  3. 제2 항에 있어서,
    상기 각 대의 노온 조건은,
    각 소재의 종류, 소재의 표면 위치에 따른 온도, 소재의 위치별 두께 방향에 따른 온도, 소재의 부위별 온도 데이터 및 각 소재의 추출 목표 온도 중 적어도 하나에 따른 온도를 포함하는,
    가열로의 추출 목표 온도 설정 장치.
  4. 제3 항에 있어서,
    상기 각 대의 노온 조건은, 장입된 모든 소재를 동시에 고려하여 소재 파라미터의 중요도에 따른 가중치를 설정한 노온 조건이거나, 또는 각 소재 단위로 고려한 노온 조건을 포함하며,
    상기 AI 신경망 모델은 상기 각 대의 노온 조건에 따라 상기 판온 예측 수식모델의 해석 결과를 학습하는,
    가열로의 추출 목표 온도 설정 장치.
  5. 제1 항 내지 제4 항 중 어느 한 항에 있어서,
    상기 최적 온도 결정 모듈은, 수학식 3에 따른 목적함수(
    Figure pat00027
    )를 최소화하는 각 대의 최적 온도를 산출하며,
    (수학식 3)
    Figure pat00028

    이때,
    Figure pat00029
    는 넌스키드(non-skid) 부위의 추출 목표 온도,
    Figure pat00030
    는 넌스키드(non-skid) 부위의 추출 예측 온도,
    Figure pat00031
    는 스키드(skid) 부위의 추출 예측 온도,
    Figure pat00032
    는 가열로의 대의 개수,
    Figure pat00033
    는 예측하려는 가열로의 대의 설정 온도,
    Figure pat00034
    는 가열로의 대에서의 예측 재로시간,
    Figure pat00035
    는 온도유지시간 가중치를 의미하는 것
    인 가열로의 추출 목표 온도 설정 장치.
  6. 제1 항에 있어서,
    상기 데이터 수집 모듈에 있어서,
    장입 소재의 파라미터는, 소재의 길이, 소재의 폭, 소재의 두께, 복수의 소재를 포함한 제품의 두께, 소재의 밀도, 소재의 비열 및 소재의 열전도도 중 적어도 하나를 포함하며,
    각 대의 조업 파라미터는, 각 대의 장입 시점에서의 온도, 각 대에서의 체류시간, 각 대의 상부 노온 및 각 대의 하부 노온 중 적어도 하나를 포함하는,
    가열로의 추출 목표 온도 설정 장치.
  7. 복수 개의 대를 포함하는 가열로의 각 대의 최적 온도를 설정하는 가열로의 추출 목표 온도 설정 장치에서,
    AI 신경망 모델에 의해 각 대의 열 전달 비선형성이 반영된 판온 예측 수식모델의 결과 데이터를 이용하여 학습하는 제1 단계;
    데이터 수집 모듈에 의해 장입 소재의 파라미터 및 각 대의 조업 파라미터를 수집하는 제2 단계;
    예측 온도 계산 모듈에 의해 상기 데이터 수집 모듈의 데이터를 상기 AI 신경망 모델에 입력하여 비선형성을 반영한 각 대별 추출 예측 온도를 산출하는 제3 단계; 및
    최적 온도 결정 모듈에 의해 추출 목표 온도 및 상기 추출 예측 온도를 이용하여 각 대의 최적 온도를 산출하는 제4 단계;
    를 포함하는, 가열로의 추출 목표 온도 설정 방법.
  8. 제7 항에 있어서,
    상기 제1 단계에 있어서, 상기 AI 신경망 모델은, 각 대의 노온 조건에 따른 열전도 해석모델인 수학식 1 및 그에 따른 경계조건인 수학식 2를 포함하는 판온 예측 수식모델의 해석 결과를 학습하며,
    (수학식 1)
    Figure pat00036

    (수학식 2)
    Figure pat00037

    이때, p는 소재의 밀도, Cp는 소재의 비열, T는 가열로의 대의 온도, t는 대의 체류시간, z는 소재의 z축 방향의 위치, k 는 열 전달 계수, D는 소재의 두께, Troom은 각 대에서의 온도, Tplt는 장입 소재의 온도, σΦcg는 전열 변수
    인 가열로의 추출 목표 온도 설정 방법.
  9. 제8 항에 있어서,
    상기 제1 단계의 상기 각 대의 노온 조건은,
    각 소재의 종류, 소재의 표면 위치에 따른 온도, 소재의 위치별 두께 방향에 따른 온도, 소재의 부위별 온도 데이터 및 각 소재의 추출 목표 온도 중 적어도 하나에 따른 온도를 포함하며,
    상기 각 대의 노온 조건은, 장입된 모든 소재를 동시에 고려하여 소재 파라미터의 중요도에 따른 가중치를 설정한 노온 조건이거나, 또는 각 소재 단위로 고려한 노온 조건을 포함하며,
    상기 AI 신경망 모델은 상기 각 대의 노온 조건에 따라 상기 판온 예측 수식모델의 해석 결과를 학습하는,
    가열로의 추출 목표 온도 설정 방법.
  10. 제7 항 내지 제9 항 중 어느 한 항에 있어서,
    상기 제4 단계의 상기 최적 온도 결정 모듈은, 수학식 3에 따른 목적함수(
    Figure pat00038
    )를 최소화하는 각 대의 최적 온도를 산출하며,
    (수학식 3)
    Figure pat00039

    이때,
    Figure pat00040
    는 넌스키드(non-skid) 부위의 추출 목표 온도,
    Figure pat00041
    는 넌스키드(non-skid) 부위의 추출 예측 온도,
    Figure pat00042
    는 스키드(skid) 부위의 추출 예측 온도,
    Figure pat00043
    는 가열로의 대의 개수,
    Figure pat00044
    는 예측하려는 가열로의 대의 설정 온도,
    Figure pat00045
    는 가열로의 대에서의 예측 재로시간,
    Figure pat00046
    는 온도유지시간 가중치를 의미하는 것
    인 가열로의 추출 목표 온도 설정 방법.

KR1020200033359A 2020-03-18 2020-03-18 Ai 기반 비선형 학습 모델을 이용한 가열로의 추출 목표 온도 설정 장치 및 설정 방법 KR102339082B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200033359A KR102339082B1 (ko) 2020-03-18 2020-03-18 Ai 기반 비선형 학습 모델을 이용한 가열로의 추출 목표 온도 설정 장치 및 설정 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200033359A KR102339082B1 (ko) 2020-03-18 2020-03-18 Ai 기반 비선형 학습 모델을 이용한 가열로의 추출 목표 온도 설정 장치 및 설정 방법

Publications (2)

Publication Number Publication Date
KR20210117031A true KR20210117031A (ko) 2021-09-28
KR102339082B1 KR102339082B1 (ko) 2021-12-14

Family

ID=77923202

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200033359A KR102339082B1 (ko) 2020-03-18 2020-03-18 Ai 기반 비선형 학습 모델을 이용한 가열로의 추출 목표 온도 설정 장치 및 설정 방법

Country Status (1)

Country Link
KR (1) KR102339082B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806169A (zh) * 2024-01-17 2024-04-02 北京工业大学 基于神经网络的炉温预警优化方法、系统、终端和介质
CN117806169B (zh) * 2024-01-17 2024-06-04 北京工业大学 基于神经网络的炉温预警优化方法、系统、终端和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05209232A (ja) * 1992-01-30 1993-08-20 Nippon Steel Corp 加熱炉の炉内温度制御装置
JPH08311567A (ja) * 1995-05-17 1996-11-26 Toshiba Corp 加熱炉の温度制御装置
KR19990051978A (ko) * 1997-12-20 1999-07-05 이구택 가열로 연소제어장치
KR20030053773A (ko) * 2001-12-24 2003-07-02 주식회사 포스코 가열로의 추출 목표 온도 최적화 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05209232A (ja) * 1992-01-30 1993-08-20 Nippon Steel Corp 加熱炉の炉内温度制御装置
JPH08311567A (ja) * 1995-05-17 1996-11-26 Toshiba Corp 加熱炉の温度制御装置
KR19990051978A (ko) * 1997-12-20 1999-07-05 이구택 가열로 연소제어장치
KR20030053773A (ko) * 2001-12-24 2003-07-02 주식회사 포스코 가열로의 추출 목표 온도 최적화 시스템

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117806169A (zh) * 2024-01-17 2024-04-02 北京工业大学 基于神经网络的炉温预警优化方法、系统、终端和介质
CN117806169B (zh) * 2024-01-17 2024-06-04 北京工业大学 基于神经网络的炉温预警优化方法、系统、终端和介质

Also Published As

Publication number Publication date
KR102339082B1 (ko) 2021-12-14

Similar Documents

Publication Publication Date Title
Nath et al. Optimization of fused filament fabrication process parameters under uncertainty to maximize part geometry accuracy
JP3412384B2 (ja) 制御モデル構築支援装置
Yuan et al. Multi‐similarity measurement driven ensemble just‐in‐time learning for soft sensing of industrial processes
Yin et al. Predicting coal ash fusion temperature with a back-propagation neural network model
EP0645025B1 (en) System and method for controlling a plant
US6363289B1 (en) Residual activation neural network
KR102339082B1 (ko) Ai 기반 비선형 학습 모델을 이용한 가열로의 추출 목표 온도 설정 장치 및 설정 방법
CN116127760A (zh) 基于混合建模与改进沙丘猫群算法的加热炉炉温优化方法
Zhang et al. Energy consumption prediction for crude oil pipelines based on integrating mechanism analysis and data mining
CN114818505A (zh) 基于粒子群优化算法预测加热炉内钢坯温度分布的方法
CN116346636A (zh) 基于神经网络滑模控制的网络控制系统时延补偿方法
CN114691987A (zh) 基于时间感知和时间关联规则的物品推荐方法及系统
Han et al. Cascade model for continuous prediction of silicon content of molten iron with coupled state variable nodes
Qu et al. Parameter identification of superplastic constitutive model by GA-based global optimization method
Sircar et al. Stochastic modeling of earth’s hydrocarbon resources using artificial neural network
CN117668489A (zh) 一种基于gru的加热炉炉温预测方法
CN112749469A (zh) 原油管道监控方法和装置、计算机可读存储介质
CN117309195B (zh) 测温仪表的检测方法、装置及电子设备
Lindroth et al. Predicting Vehicle Usage Using Incremental Machine Learning
JPH06158050A (ja) コークス炉の炉温管理方法
JPH10324926A (ja) 連続加熱炉の総括熱吸収率予測方法および鋼片温度予測方法
KR19980051203A (ko) 신경회로망에 의한 가열로 자동연소제어방법
JP6933196B2 (ja) 高炉の荷下り速度予測モデルの学習方法、高炉の荷下り速度予測方法、高炉の操業ガイダンス方法、高炉の荷下り速度制御方法、溶銑の製造方法、高炉の操業方法、及び高炉の荷下り速度予測モデルの学習装置
CN116839756A (zh) 一种高精度光纤光栅高炉温度检测方法及系统
Hashimoto et al. Thermal control of coke furnace by data-driven approach

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant