KR20240016793A

KR20240016793A - 전기로 공정의 스크랩 붕락 예측 방법

Info

Publication number: KR20240016793A
Application number: KR1020220094991A
Authority: KR
Inventors: 박영주; 김균태; 김용희; 신대훈; 신명철; 엄준용; 이재랑; 이재민; 조종오
Original assignee: 현대제철 주식회사
Priority date: 2022-07-29
Filing date: 2022-07-29
Publication date: 2024-02-06
Also published as: KR102660392B1

Abstract

본 발명은 전기로 공정 중 투입되어 탕면 위로 노출된 미용해 스크랩의 붕락 활성기를 예측할 수 있는 전기로 공정의 스크랩 붕락 예측 방법에 관한 것으로서, 기존 조업 실적의 조업 이벤트 데이터와, 스크랩 장입 패턴 데이터 및 아크 안정도 측정 데이터를 학습 데이터로 입력 받는 학습 데이터 입력 단계와, 상기 학습 데이터 입력 단계에서 상기 학습 데이터로 입력 받은 상기 조업 이벤트 데이터 및 상기 스크랩 장입 패턴 데이터와, 상기 아크 안정도 측정 데이터로부터 산출된 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 학습하여, 붕락 예측 모델을 생성하는 붕락 예측 모델 생성 단계와, 새로운 조업의 조업 계획 데이터와, 스크랩 장입 계획 데이터를 조업 변수로 입력 받는 조업 변수 입력 단계 및 상기 조업 변수 입력 단계에서 상기 조업 변수로 입력 받은 상기 조업 계획 데이터 및 상기 스크랩 장입 계획 데이터를 상기 붕락 예측 모델에 적용하여, 상기 새로운 조업에서의 예측 스크랩 붕락 활성기를 예측하는 붕락 예측 단계를 포함할 수 있다.

Description

전기로 공정의 스크랩 붕락 예측 방법{How to predict scrap decay in the electric furnace process}

본 발명은 전기로 공정의 스크랩 붕락 예측 방법에 관한 것으로서, 더 상세하게는 전기로 공정 중 투입되어 탕면 위로 노출된 미용해 스크랩의 붕락 활성기를 예측할 수 있는 전기로 공정의 스크랩 붕락 예측 방법에 관한 것이다.

전기로(EAF, Electric Arc Furnace)는, 전기에너지를 이용하여 금속 또는 합금을 가열하여 용해한다. 일반적으로, 전기로의 내부에 스크랩(Scrap)을 장입한 후, 3개의 전극과 스크랩 사이로 아크 형태의 전류를 발생시켜 가열하여 스크랩을 용해하게 된다. 전기로 공정은, 전체 공정(제강, 연주 및 압연) 중에서, 생산원가(원료, 전력 및 유틸리티 등)의 절반 이상을 차지하고, 생산성을 좌우하며, 이차 정련의 개재물 초기 유입 수준(출강 산소)과 성분(산소, 인 및 Tramp 원소 등) 조정/제어 등 용강 품질을 확보하는 중요한 공정이다.

이러한, 전기로 공정의 전력 효율을 높이기 위해서는 전극에서 발생하는 아크 효율 관리가 중요할 수 있다. 예컨대, 아크 에너지가 용강으로 온전히 전달되지 못하고 다른 방향으로 소실되는 경우 전체 투입 에너지 중 유효 에너지 비율이 감소할 뿐 아니라, 내화재 등 로체 손상도 유발시킬 수 있다. 이에 따라, 전기로 공정에서는 액상 슬래그를 포밍시켜 전극을 침적시킴에 따라, 전극을 슬래그에 침적된 상태로 아크의 안정도 및 에너지 효율을 높이고 있다.

이와 같이, 전기로 공정 중 전극을 액상 슬래그에 침적시키기 위해서는 장입물이 충분히 녹고 탕면이 상부로 드러나야 하는데(이러한 상태를 Flat-bath라고 함), 스크랩을 장입한 초기 상태에서는 미용해된 스크랩이 탕면 위로 쌓여 있어, Flat-bath 상태가 될 수 없으며, 스크랩을 빨리 용해시키고 붕락(쌓여 있던 스크랩이 무너져 내려 용탕 속으로 빠져들어감)시켜 Flat-bath 상태를 빨리 달성하는 것이 전기로 공정의 핵심 관리 인자가 될 수 있다. 이때, 스크랩의 붕락 전후로 에너지 효율 뿐만 아니라 조업 운영 파라미터(Parameter) 역시 크게 변화하므로, 스크랩의 붕락 시점을 인지하고 조업을 관리하는 것이 매우 중요할 수 있다.

그러나, 종래의 전기로 공정은 스크랩 붕락 시점을 정량적으로 예측할 수 있는 방법에 없어, 조업자의 숙련도(조업 중 전기적 신호 또는 소리 확인 등)에 의존하여 이를 판단하고 있는 실정으로, 조업의 편차가 큰 문제점이 있었다.

본 발명은 상기와 같은 문제점을 포함하여 여러 문제점들을 해결하기 위한 것으로서, 전기로 공정 중 투입되어 탕면 위로 노출된 스크랩의 붕락 활성기를 예측할 수 있는 전기로 공정의 스크랩 붕락 예측 방법을 제공하는 것을 목적으로 한다. 그러나, 이러한 과제는 예시적인 것으로, 이에 의해 본 발명의 범위가 한정되는 것은 아니다.

본 발명의 일 실시예에 따르면, 전기로 공정의 스크랩 붕락 예측 방법이 제공된다. 상기 전기로 공정의 스크랩 붕락 예측 방법은, 전기로 공정 중 투입되어 탕면 위로 노출된 스크랩의 붕락 활성기를 예측할 수 있는 전기로 공정의 스크랩 붕락 예측 방법에 있어서, 기존 조업 실적의 조업 이벤트 데이터와, 스크랩 장입 패턴 데이터 및 아크 안정도 측정 데이터를 학습 데이터로 입력 받는 학습 데이터 입력 단계; 상기 학습 데이터 입력 단계에서 상기 학습 데이터로 입력 받은 상기 조업 이벤트 데이터 및 상기 스크랩 장입 패턴 데이터와, 상기 아크 안정도 측정 데이터로부터 산출된 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 학습하여, 붕락 예측 모델을 생성하는 붕락 예측 모델 생성 단계; 새로운 조업의 조업 계획 데이터와, 스크랩 장입 계획 데이터를 조업 변수로 입력 받는 조업 변수 입력 단계; 및 상기 조업 변수 입력 단계에서 상기 조업 변수로 입력 받은 상기 조업 계획 데이터 및 상기 스크랩 장입 계획 데이터를 상기 붕락 예측 모델에 적용하여, 상기 새로운 조업에서의 예측 스크랩 붕락 활성기를 예측하는 붕락 예측 단계;를 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 학습 데이터 입력 단계에서, 상기 조업 이벤트 데이터는, 전기로 공정의 시점별 전력 사용 패턴, 시점별 산소/LNG 사용 패턴, 부원료 투입 시기 및 부원료 투입량 중 적어도 어느 하나 이상을 포함하고, 상기 스크랩 장입 패턴 데이터는, 전기로 공정에 투입되는 스크랩 종류, 스크랩 배합비 및 스크랩 적층구조 중 적어도 어느 하나 이상을 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 학습 데이터 입력 단계는, 상기 기존 조업 실적의 상기 아크 안정도 측정 데이터의 아크 안정도값의 변화 패턴에 따른 극점으로부터 상기 기존 조업 실적의 스크랩 붕락 활성기를 산출하는 스크랩 붕락 활성기 산출 단계;를 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 스크랩 붕락 활성기 산출 단계는, 기존 조업의 전기로 공정 중, 공정 시간의 흐름에 따른 아크 안정도값의 변화를 그래프 형태의 신호로 출력하는 아크 안정도값 출력 단계; 및 상기 아크 안정도값 출력 단계에서 파형(Wave)으로 출력된 상기 그래프 형태의 신호에서의 극소점 및 극대점을 기준으로 스크랩 붕락 활성기의 스크랩 붕락 활성화 구간과 스크랩 붕락 안정화 구간을 검출하는 붕락 활성기 구간 검출 단계;를 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 붕락 활성기 구간 검출 단계에서, 상기 아크 안정도값 출력 단계를 통해 출력된 상기 그래프 형태의 신호에서, 상기 공정 시간의 흐름을 기준으로, 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점을 제 1 극소점으로 검출하고, 상기 제 1 극소점 이후 상기 아크 안정도값이 증가하다가 감소하기 시작하는 부분의 만곡점을 극대점으로 검출하여, 상기 제 1 극소점과 상기 극대점 사이의 구간을 상기 스크랩 붕락 활성화 구간으로 검출할 수 있다.

본 발명의 일 실시예에 의하면, 상기 붕락 활성기 구간 검출 단계에서, 상기 아크 안정도값 출력 단계를 통해 출력된 상기 그래프 형태의 신호에서, 상기 공정 시간의 흐름을 기준으로, 상기 극대점 이후 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점 또는 상기 아크 안정도값이 감소하다가 일정한 값으로 수렴하기 시작하는 부분의 만곡점을 상기 제 2 극소점으로 검출하여, 상기 극대점과 상기 제 2 극소점 사이의 구간을 상기 스크랩 붕락 안정화 구간으로 검출할 수 있다.

본 발명의 일 실시예에 의하면, 상기 학습 데이터 입력 단계는, 상기 학습 데이터에서 결측치와 이상치를 처리하는 데이터 전처리 단계; 및 상기 학습 데이터에서 상기 조업 이벤트 데이터와 상기 스크랩 장입 패턴 데이터와 관련된 복수의 파생 변수를 생성하고, 파생 변수 별 유효 구간을 설정하는 데이터 마트 생성 단계;를 더 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 붕락 예측 모델 생성 단계는, 상기 데이터 마트 생성 단계에서 생성된 상기 복수의 파생 변수 및 상기 스크랩 붕락 활성기 산출 단계에서 산출된 상기 기존 조업 실적의 스크랩 붕락 활성기를 상기 학습 데이터로 저장하는 학습 데이터 저장 단계; 상기 학습 데이터로 저장된 상기 복수의 파생 변수의 변화에 따른 상기 기존 조업 실적의 스크랩 붕락 활성기의 변화 트렌드(Trend)나, 상기 복수의 파생 변수와 상기 기존 조업 실적의 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 기계적으로 학습하는 학습 단계; 및 상기 학습 단계의 학습 결과로 상기 붕락 예측 모델을 생성하는 학습 모델 생성 단계;를 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 붕락 예측 모델 생성 단계에서 머신러닝 기반으로 학습되어 생성된 상기 붕락 예측 모델의 오류 발생을 최소화시킬 수 있도록, 상기 붕락 예측 모델을 최적화시키는 최적화 단계;를 더 포함할 수 있다.

본 발명의 일 실시예에 의하면, 상기 최적화 단계는, 상기 붕락 예측 단계에서 예측된 상기 새로운 조업에서의 상기 예측 스크랩 붕락 활성기와, 상기 새로운 조업의 공정 중 확인된 실제 스크랩 붕락 활성기를 비교하여, 상기 실제 스크랩 붕락 활성기 대비 상기 예측 스크랩 붕락 활성기의 오차의 합을 손실 함수(Loss function)로 도출하는 비교 학습 단계; 및 상기 비교 학습 단계에서 도출된 상기 손실 함수를 고려하여 상기 붕락 예측 모델의 오차를 최소화하기 위한 최적화 결과를 상기 붕락 예측 모델 생성 단계의 머신러닝 기반의 학습에 반영하는 보정 단계;를 포함할 수 있다.

상기한 바와 같이 이루어진 본 발명의 일 실시예에 따르면, 기존 전기로 공정의 조업 변수들과 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 사전에 학습하여 도출한 붕락 예측 모델을 이용하여, 새로운 전기로 공정 진행 시, 새로운 조업 변수들을 입력만으로, 새로운 조업에서의 스크랩 붕락 활성기를 예측할 수 있다.

이와 같이, 사전에 머신러닝에 의해 학습된 붕락 예측 모델을 이용하여, 전기로 공정 중 스크랩 붕락 활성기를 정량적으로 예측함으로써, 작업자가 스크랩의 붕락 시기를 사전에 인지하여 전기로 공정의 조업 안정화 및 효율 개선이 가능할 수 있으며, 새로운 전기로 공정의 연구 개발 시 조업 변화 예측의 정합성을 향상시킬 수 있는 전기로 공정의 스크랩 붕락 예측 방법을 구현할 수 있다. 물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.

도 1은 본 발명의 일 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 개략적으로 나타내는 블록도이다.
도 2는 본 발명의 일 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 순서대로 나타내는 순서도이다.
도 3은 도 2의 전기로 공정의 스크랩 붕락 예측 방법의 스크랩 붕락 활성기 산출 단계를 순서대로 나타내는 순서도이다.
도 4는 도 3의 스크랩 붕락 활성기 산출 단계에서 출력되는 아크 안정도값의 변화를 나타내는 그래프이다.
도 5는 본 발명의 다른 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 순서대로 나타내는 순서도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 여러 실시예들을 상세히 설명하기로 한다.

본 발명의 실시예들은 당해 기술 분야에서 통상의 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위하여 제공되는 것이며, 하기 실시예는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 하기 실시예에 한정되는 것은 아니다. 오히려 이들 실시예들은 본 개시를 더욱 충실하고 완전하게 하고, 당업자에게 본 발명의 사상을 완전하게 전달하기 위하여 제공되는 것이다. 또한, 도면에서 각 층의 두께나 크기는 설명의 편의 및 명확성을 위하여 과장된 것이다.

이하, 본 발명의 실시예들은 본 발명의 이상적인 실시예들을 개략적으로 도시하는 도면들을 참조하여 설명한다. 도면들에 있어서, 예를 들면, 제조 기술 및/또는 공차(tolerance)에 따라, 도시된 형상의 변형들이 예상될 수 있다. 따라서, 본 발명 사상의 실시예는 본 명세서에 도시된 영역의 특정 형상에 제한된 것으로 해석되어서는 아니 되며, 예를 들면 제조상 초래되는 형상의 변화를 포함하여야 한다.

도 1은 본 발명의 일 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 개략적으로 나타내는 블록도이고, 도 2는 본 발명의 일 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 순서대로 나타내는 순서도이며, 도 3은 도 2의 전기로 공정의 스크랩 붕락 예측 방법의 스크랩 붕락 활성기 산출 단계를 순서대로 나타내는 순서도이고, 도 4는 도 3의 스크랩 붕락 활성기 산출 단계에서 출력되는 아크 안정도값의 변화를 나타내는 그래프이다. 그리고, 도 5는 본 발명의 다른 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법을 순서대로 나타내는 순서도이다.

먼저, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법은, 전기로 공정 중 투입되어 탕면 위로 노출된 스크랩의 붕락 활성기를 예측할 수 있는 방법으로서, 크게, 학습 데이터 입력 단계(S100)와, 붕락 예측 모델 생성 단계(S200)와, 조업 변수 입력 단계(S300) 및 붕락 예측 단계(S400)를 포함할 수 있다.

도 1에 도시된 바와 같이, 학습 데이터 입력 단계(S100)에서, 기존 조업 실적의 조업 이벤트 데이터와, 스크랩 장입 패턴 데이터 및 아크 안정도 측정 데이터를 학습 데이터로 입력받을 수 있다.

더욱 구체적으로, 도 1 및 도 2에 도시된 바와 같이, 학습 데이터 입력 단계(S100)는, 전기로 공정의 기존 조업 실적에서, 시점별 전력 사용 패턴, 시점별 산소/LNG 사용 패턴, 부원료(석회석, 백운석, 괴탄 등) 투입 시기 및 부원료 투입량 중 적어도 어느 하나 이상을 상기 조업 이벤트 데이터로 입력받을 수 있으며, 전기로 공정에 투입되는 스크랩 종류, 스크랩 배합비 및 스크랩 적층구조 중 적어도 어느 하나 이상을 상기 스크랩 장입 패턴 데이터로 입력받을 수 있다.

이에 따라, 학습 데이터 입력 단계(S100)는, 데이터 전처리 단계(S110)를 통해, 상기 학습 데이터로 입력 받은 상기 조업 이벤트 데이터와 상기 스크랩 장입 패턴 데이터에서 결측치와 이상치를 선별하여 제거하는 처리를 할 수 있으며, 이어서, 데이터 마트 생성 단계(S120)를 통해, 전처리가 완료된 상기 학습 데이터에서 상기 조업 이벤트 데이터와 상기 스크랩 장입 패턴 데이터와 관련된 복수의 파생 변수를 생성하고, 파생 변수 별로 스크랩 붕락 활성기와 상관관계가 성립될 수 있는 유효 구간을 설정할 수 있다.

또한, 학습 데이터 입력 단계(S100)는, 스크랩 붕락 활성기 산출 단계(S130)를 통해, 상기 학습 데이터로 입력 받은 상기 아크 안정도 측정 데이터의 아크 안정도값의 변화 패턴에 따른 극점(극소점 또는 극대점)으로부터 상기 기존 조업 실적의 스크랩 붕락 활성기를 산출할 수 있다. 이때, 도 2의 순서도 상에서, 스크랩 붕락 활성기 산출 단계(S130)는, 데이터 전처리 단계(S110) 및 데이터 마트 생성 단계(S120) 이후에 진행되는 것으로 도시되었지만, 반드시 이에 국한되지 않고, 스크랩 붕락 활성기 산출 단계(S130) 이후, 데이터 전처리 단계(S110) 및 데이터 마트 생성 단계(S120) 순으로 진행될 수도 있다.

예컨대, 도 3에 도시된 바와 같이, 스크랩 붕락 활성기 산출 단계(S130)는, 기존 조업의 전기로 공정 중, 공정 시간의 흐름에 따른 아크 안정도값의 변화를 그래프 형태의 신호로 출력하는 아크 안정도값 출력 단계(S131) 및 아크 안정도값 출력 단계(S131)에서 파형(Wave)으로 출력된 상기 그래프 형태의 신호에서의 극소점 및 극대점을 기준으로 스크랩 붕락 활성기의 스크랩 붕락 활성화 구간과 스크랩 붕락 안정화 구간을 검출하는 붕락 활성기 구간 검출 단계(S132) 순으로 진행될 수 있다.

더욱 구체적으로, 도 4에 도시된 바와 같이, 아크 안정도값 출력 단계(S131)에서, 상기 아크 안정도값의 변화를 공정 시간의 흐름에 따라 그래프 형태의 신호로 출력할 수 있다.

여기서, 상기 아크 안정도값은, 스마트아크(SmartArc) 모듈을 활용하여 측정이 가능할 수 있으며, 예컨대, 상기 스마트아크 모듈은, AMI社의 Digit&Smart Arc 시스템이 사용될 수 있다. 또한, 공정 시간의 흐름은, 전기로에 투입된 전력량(ChargeKWHpTon)을 통해 감지할 수 있다.

일반적으로, 전기로 공정 시의 상기 아크 안정도값은, 스크랩의 용해/붕락 시에 따라 증감이 나타날 수 있으며, 예컨대, 스크랩의 붕락 시점에 아크는 불안정해지며, 붕락이 완료된 후 Flat-bath 상태가 됨에 따라 아크가 안정될 수 있다.

이러한, 스크랩 붕락 시점에 영향을 주는 조업 인자로는 원료 용해성에 영향을 주는 것들로 구성될 수 있으며, 대표적으로, 스크랩 종류, 스크랩 배합비 및 스크랩 적층구조와 같은 스크랩 장입 패턴 데이터에 관한 인자들이나, 시점별 전력 사용 패턴, 시점별 산소/LNG 사용 패턴, 부원료 투입 시기 및 부원료 투입량과 같은 조업 이벤트 데이터에 관한 인자들일 수 있다. 따라서, 본 발명은, 머신러닝에 의한 상기 인자들과 스크랩 붕락 시점의 상관관계에 대한 학습을 통해, 상기 인자들의 스크랩 붕락 시점에 대한 영향성을 정량화함으로써, 스크랩 붕락 시점을 예측할 수 있다.

이어서, 도 4에 도시된 바와 같이, 붕락 활성기 구간 검출 단계(S132)를 통해, 아크 안정도값 출력 단계(S131)에서 출력된 상기 그래프 형태의 신호에서, 상기 공정 시간의 흐름을 기준으로, 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점을 제 1 극소점으로 검출하고, 상기 제 1 극소점 이후 상기 아크 안정도값이 증가하다가 감소하기 시작하는 부분의 만곡점을 극대점으로 검출하여, 상기 제 1 극소점과 상기 극대점 사이의 구간을 상기 스크랩 붕락 활성화 구간으로 검출할 수 있으며, 상기 극대점 이후 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점 또는 상기 아크 안정도값이 감소하다가 일정한 값으로 수렴하기 시작하는 부분의 만곡점을 상기 제 2 극소점으로 검출하여, 상기 극대점과 상기 제 2 극소점 사이의 구간을 상기 스크랩 붕락 안정화 구간으로 검출할 수 있다.

따라서, 도 1에 도시된 바와 같이, 학습 데이터 입력 단계(S100)를 통해, 상기 기존 조업 실적의 상기 조업 이벤트 데이터 및 상기 스크랩 장입 패턴 데이터와, 상기 아크 안정도 측정 데이터로부터 산출된 상기 기존 조업 실적의 스크랩 붕락 활성기를 상기 학습 데이터로 입력받을 수 있다.

이어서, 도 1에 도시된 바와 같이, 붕락 예측 모델 생성 단계(S200)를 통해, 학습 데이터 입력 단계(S100)에서 상기 학습 데이터로 입력 받은 상기 조업 이벤트 데이터 및 상기 스크랩 장입 패턴 데이터와, 상기 아크 안정도 측정 데이터로부터 산출된 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 학습하여, 붕락 예측 모델을 생성할 수 있다.

더욱 구체적으로, 도 2에 도시된 바와 같이, 붕락 예측 모델 생성 단계(S200)는, 데이터 마트 생성 단계(S120)에서 생성된 상기 복수의 파생 변수 및 스크랩 붕락 활성기 산출 단계(S130)에서 산출된 상기 기존 조업 실적의 스크랩 붕락 활성기를 상기 학습 데이터로 저장하는 학습 데이터 저장 단계(S210)와, 상기 학습 데이터로 저장된 상기 복수의 파생 변수의 변화에 따른 상기 기존 조업 실적의 스크랩 붕락 활성기의 변화 트렌드(Trend)나, 상기 복수의 파생 변수와 상기 기존 조업 실적의 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 기계적으로 학습하는 학습 단계(S220) 및 학습 단계(S220)의 학습 결과로 상기 붕락 예측 모델을 생성하는 학습 모델 생성 단계(S230) 순으로 진행될 수 있다.

따라서, 도 1에 도시된 바와 같이, 붕락 예측 모델 생성 단계(S200)를 통해, 상기 기존 조업 실적의 상기 복수의 파생 변수와 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 기계적으로 학습함으로써, 상기 붕락 예측 모델을 생성할 수 있다. 여기서, 상기 붕락 예측 모델의 정확도는, 상기 학습 데이터로 제공될 수 있는 상기 기존 조업 실적의 개수가 증가함에 따라 함께 증가할 수 있음은 물론이다.

이어서, 도 1 및 도 2에 도시된 바와 같이, 조업 변수 입력 단계(S300)를 통해, 시점별 전력 사용 패턴, 시점별 산소/LNG 사용 패턴, 부원료 투입 시기 및 부원료 투입량 중 적어도 어느 하나 이상을 포함하는 새로운 조업의 조업 계획 데이터와, 전기로 공정에 투입되는 스크랩 종류, 스크랩 배합비 및 스크랩 적층구조 중 적어도 어느 하나 이상을 포함하는 스크랩 장입 계획 데이터를 조업 변수로 입력 받은 후, 붕락 예측 단계(S400)를 통해, 조업 변수 입력 단계(S300)에서 상기 조업 변수로 입력 받은 상기 조업 계획 데이터 및 상기 스크랩 장입 계획 데이터를 상기 붕락 예측 모델에 적용하여, 상기 새로운 조업에서의 예측 스크랩 붕락 활성기를 예측할 수 있다.

또한, 도 5의 본 발명의 다른 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법에 도시된 바와 같이, 최적화 단계(S500)를 더 포함하여, 붕락 예측 모델 생성 단계(S200)에서 머신러닝 기반으로 학습되어 생성된 상기 붕락 예측 모델의 오류 발생을 최소화시킬 수 있도록, 상기 붕락 예측 모델을 최적화시킬 수 있다.

여기서, 최적화 단계(S500)를 통해 이루어지는 상기 붕락 예측 모델의 최적화의 정의는, 머신러닝 기반 학습의 정확도를 검증하고, 실제 결과와의 오차의 정도를 산출하여, 머신러닝 기반 학습으로 도출된 상기 붕락 예측 모델을 이용한 예측 정확도를 더욱 증가시킬 수 있도록, 머신러닝 기반의 학습을 보정하는 공정을 의미할 수 있다.

예컨대. 최적화 단계(S500)는, 붕락 예측 단계(S400)에서 예측된 상기 새로운 조업에서의 상기 예측 스크랩 붕락 활성기와, 상기 새로운 조업의 공정 중 확인된 실제 스크랩 붕락 활성기를 비교하여, 상기 실제 스크랩 붕락 활성기 대비 상기 예측 스크랩 붕락 활성기의 오차의 합을 손실 함수(Loss function)로 도출하는 비교 학습 단계(S510) 및 비교 학습 단계(S510)에서 도출된 상기 손실 함수를 고려하여 상기 붕락 예측 모델의 오차를 최소화하기 위한 최적화 결과를 붕락 예측 모델 생성 단계(S200)의 머신러닝 기반의 학습에 반영하는 보정 단계(S520)로, 머신러닝 기반의 학습으로 생성되는 상기 붕락 예측 모델을 최적화시킬 수 있다.

따라서, 본 발명의 여러 실시예에 따른 전기로 공정의 스크랩 붕락 예측 방법에 따르면, 기존 전기로 공정의 조업 변수들과 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 사전에 학습하여 도출한 붕락 예측 모델을 이용하여, 새로운 전기로 공정 진행 시, 새로운 조업 변수들을 입력만으로, 새로운 조업에서의 스크랩 붕락 활성기를 예측할 수 있다.

그러므로, 사전에 머신러닝에 의해 학습된 붕락 예측 모델을 이용하여, 전기로 공정 중 스크랩 붕락 활성기를 정량적으로 예측함으로써, 작업자가 스크랩의 붕락 시기를 사전에 인지하여 조업을 운영함으로써, 전기로 공정의 조업 안정화 및 효율 개선이 가능할 수 있으며, 새로운 전기로 공정의 연구 개발 시 공정 시뮬레이션에 활용함으로써, 조업 변화 예측의 정합성을 향상시킬 수 있는 효과를 가질 수 있다.

본 발명은 도면에 도시된 실시예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 당해 기술분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 다른 실시예가 가능하다는 점을 이해할 것이다. 따라서 본 발명의 진정한 기술적 보호 범위는 첨부된 특허청구범위의 기술적 사상에 의하여 정해져야 할 것이다.

Claims

전기로 공정 중 투입되어 탕면 위로 노출된 스크랩의 붕락 활성기를 예측할 수 있는 전기로 공정의 스크랩 붕락 예측 방법에 있어서,
기존 조업 실적의 조업 이벤트 데이터와, 스크랩 장입 패턴 데이터 및 아크 안정도 측정 데이터를 학습 데이터로 입력 받는 학습 데이터 입력 단계;
상기 학습 데이터 입력 단계에서 상기 학습 데이터로 입력 받은 상기 조업 이벤트 데이터 및 상기 스크랩 장입 패턴 데이터와, 상기 아크 안정도 측정 데이터로부터 산출된 스크랩 붕락 활성기 간의 상관관계를 머신러닝 기반으로 학습하여, 붕락 예측 모델을 생성하는 붕락 예측 모델 생성 단계;
새로운 조업의 조업 계획 데이터와, 스크랩 장입 계획 데이터를 조업 변수로 입력 받는 조업 변수 입력 단계; 및
상기 조업 변수 입력 단계에서 상기 조업 변수로 입력 받은 상기 조업 계획 데이터 및 상기 스크랩 장입 계획 데이터를 상기 붕락 예측 모델에 적용하여, 상기 새로운 조업에서의 예측 스크랩 붕락 활성기를 예측하는 붕락 예측 단계;
를 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 1 항에 있어서,
상기 학습 데이터 입력 단계에서,
상기 조업 이벤트 데이터는,
전기로 공정의 시점별 전력 사용 패턴, 시점별 산소/LNG 사용 패턴, 부원료 투입 시기 및 부원료 투입량 중 적어도 어느 하나 이상을 포함하고,
상기 스크랩 장입 패턴 데이터는,
전기로 공정에 투입되는 스크랩 종류, 스크랩 배합비 및 스크랩 적층구조 중 적어도 어느 하나 이상을 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 1 항에 있어서,
상기 학습 데이터 입력 단계는,
상기 기존 조업 실적의 상기 아크 안정도 측정 데이터의 아크 안정도값의 변화 패턴에 따른 극점으로부터 상기 기존 조업 실적의 스크랩 붕락 활성기를 산출하는 스크랩 붕락 활성기 산출 단계;
를 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 3 항에 있어서,
상기 스크랩 붕락 활성기 산출 단계는,
기존 조업의 전기로 공정 중, 공정 시간의 흐름에 따른 아크 안정도값의 변화를 그래프 형태의 신호로 출력하는 아크 안정도값 출력 단계; 및
상기 아크 안정도값 출력 단계에서 파형(Wave)으로 출력된 상기 그래프 형태의 신호에서의 극소점 및 극대점을 기준으로 스크랩 붕락 활성기의 스크랩 붕락 활성화 구간과 스크랩 붕락 안정화 구간을 검출하는 붕락 활성기 구간 검출 단계;
를 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 4 항에 있어서,
상기 붕락 활성기 구간 검출 단계에서,
상기 아크 안정도값 출력 단계를 통해 출력된 상기 그래프 형태의 신호에서, 상기 공정 시간의 흐름을 기준으로, 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점을 제 1 극소점으로 검출하고, 상기 제 1 극소점 이후 상기 아크 안정도값이 증가하다가 감소하기 시작하는 부분의 만곡점을 극대점으로 검출하여, 상기 제 1 극소점과 상기 극대점 사이의 구간을 상기 스크랩 붕락 활성화 구간으로 검출하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 5 항에 있어서,
상기 붕락 활성기 구간 검출 단계에서,
상기 아크 안정도값 출력 단계를 통해 출력된 상기 그래프 형태의 신호에서, 상기 공정 시간의 흐름을 기준으로, 상기 극대점 이후 상기 아크 안정도값이 감소하다가 증가하기 시작하는 부분의 만곡점 또는 상기 아크 안정도값이 감소하다가 일정한 값으로 수렴하기 시작하는 부분의 만곡점을 제 2 극소점으로 검출하여, 상기 극대점과 상기 제 2 극소점 사이의 구간을 상기 스크랩 붕락 안정화 구간으로 검출하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 3 항에 있어서,
상기 학습 데이터 입력 단계는,
상기 학습 데이터에서 결측치와 이상치를 처리하는 데이터 전처리 단계; 및
상기 학습 데이터에서 상기 조업 이벤트 데이터와 상기 스크랩 장입 패턴 데이터와 관련된 복수의 파생 변수를 생성하고, 파생 변수 별 유효 구간을 설정하는 데이터 마트 생성 단계;
를 더 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 7 항에 있어서,
상기 붕락 예측 모델 생성 단계는,
상기 데이터 마트 생성 단계에서 생성된 상기 복수의 파생 변수 및 상기 스크랩 붕락 활성기 산출 단계에서 산출된 상기 기존 조업 실적의 스크랩 붕락 활성기를 상기 학습 데이터로 저장하는 학습 데이터 저장 단계;
상기 학습 데이터로 저장된 상기 복수의 파생 변수의 변화에 따른 상기 기존 조업 실적의 스크랩 붕락 활성기의 변화 트렌드(Trend)나, 상기 복수의 파생 변수와 상기 기존 조업 실적의 스크램 붕락 활성기 간의 상관관계를 머신러닝 기반으로 기계적으로 학습하는 학습 단계; 및
상기 학습 단계의 학습 결과로 상기 붕락 예측 모델을 생성하는 학습 모델 생성 단계;
를 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 1 항에 있어서,
상기 붕락 예측 모델 생성 단계에서 머신러닝 기반으로 학습되어 생성된 상기 붕락 예측 모델의 오류 발생을 최소화시킬 수 있도록, 상기 붕락 예측 모델을 최적화시키는 최적화 단계;
를 더 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.
제 9 항에 있어서,
상기 최적화 단계는,
상기 붕락 예측 단계에서 예측된 상기 새로운 조업에서의 상기 예측 스크랩 붕락 활성기와, 상기 새로운 조업의 공정 중 확인된 실제 스크랩 붕락 활성기를 비교하여, 상기 실제 스크랩 붕락 활성기 대비 상기 예측 스크랩 붕락 활성기의 오차의 합을 손실 함수(Loss function)로 도출하는 비교 학습 단계; 및
상기 비교 학습 단계에서 도출된 상기 손실 함수를 고려하여 상기 붕락 예측 모델의 오차를 최소화하기 위한 최적화 결과를 상기 붕락 예측 모델 생성 단계의 머신러닝 기반의 학습에 반영하는 보정 단계;
를 포함하는, 전기로 공정의 스크랩 붕락 예측 방법.