WO2020027385A1 - 고로의 잔여 출선량 예측 시스템 및 그 방법 - Google Patents

고로의 잔여 출선량 예측 시스템 및 그 방법 Download PDF

Info

Publication number
WO2020027385A1
WO2020027385A1 PCT/KR2018/014511 KR2018014511W WO2020027385A1 WO 2020027385 A1 WO2020027385 A1 WO 2020027385A1 KR 2018014511 W KR2018014511 W KR 2018014511W WO 2020027385 A1 WO2020027385 A1 WO 2020027385A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
prediction
neural network
dose
blast furnace
Prior art date
Application number
PCT/KR2018/014511
Other languages
English (en)
French (fr)
Inventor
이승문
양영철
윤지홍
최지영
Original Assignee
주식회사 포스코
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 주식회사 포스코 filed Critical 주식회사 포스코
Publication of WO2020027385A1 publication Critical patent/WO2020027385A1/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B5/00—Making pig-iron in the blast furnace
    • C—CHEMISTRY; METALLURGY
    • C21—METALLURGY OF IRON
    • C21B—MANUFACTURE OF IRON OR STEEL
    • C21B7/00—Blast furnaces
    • C21B7/24—Test rods or other checking devices
    • 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
    • F27D21/00—Arrangements of monitoring devices; Arrangements of safety 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
    • G06N3/04—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
    • 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
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P10/00—Technologies related to metal processing
    • Y02P10/20—Recycling

Definitions

  • Embodiments relate to a system and method for predicting residual dose in blast furnaces.
  • molten iron is produced by reducing the iron ore in the wild using carbon monoxide produced through the reaction of fuel cokes and oxygen.
  • the reducing gas generated by the reaction between coke and oxygen is brought into contact with the charged iron ore while rising in the furnace, and the iron ore, which has received heat through contact with the reducing gas, is melted and reduced to molten iron.
  • TLC waits for repair of the molten iron at the exit of the blast furnace.
  • the temperature inside the TLC decreases, which may cause the molten iron temperature to drop when the molten iron is later repaired. Can be.
  • the drop in the molten iron temperature may lead to the problem of excessive use of the heat increasing agent to raise the molten iron temperature in the steelmaking process.
  • the waiting time problem of the TLC can be solved by accurately determining the end point of departure of the blast furnace.
  • the problem to be solved by the embodiment is to provide a residual departure amount prediction system and a method for improving the accuracy of the prediction of the remaining departure amount for each exit of the blast furnace.
  • a system for predicting residual turnout of a blast furnace an operating data collection system for collecting a plurality of operation data, and a neural network-based prediction for outputting at least one prediction value related to the remaining turnout.
  • a learning system for generating and managing a model, and a prediction system for using the plurality of operation data as input data of the prediction model to obtain at least one prediction value related to the remaining maneuvering amount of the blast furnace May include a plurality of neural network models for inputting operation data of one-dimensional, two-dimensional or three-dimensional, and an integration layer integrating features extracted through the plurality of neural network models.
  • the plurality of neural network models include a first neural network model using three-dimensional furnace temperature data, a second neural network model using two-dimensional airflow data, and two-dimensional dose data. And a third neural network model having an input, and a fourth neural network model having input of remaining operation data excluding the furnace temperature data, the air blowing amount data, and the repair amount data among the plurality of operating data.
  • the three-dimensional furnace body temperature data may include position information indicating a position of the furnace body temperature measurement value and the furnace body temperature measurement value.
  • the two-dimensional airflow amount data may include position information indicating a position at which the airflow measurement value and the airflow measurement value are measured.
  • the two-dimensional repair dose data may include the measurement of the repair dose and the position information of the exit port at which the repair dose measurement was measured.
  • the first, second, third and fourth neural network models may be configured as a convolutional neural network.
  • the aggregation layer may include a classifier having a skip-dense structure.
  • the at least one prediction value may include a total low dose prediction value, a remaining departure time prediction value, and a residual departure amount prediction value.
  • the learning system may generate and manage the prediction model for each exit of the blast furnace.
  • the prediction system may obtain the at least one prediction value for each outlet of the blast furnace using the prediction model generated for each outlet of the blast furnace.
  • the method for estimating the remaining output amount of the blast furnace installation according to an embodiment of the present invention, generating a neural network-based prediction model that outputs at least one prediction value associated with the remaining output amount, when the blast furnace operation is started, a plurality of operations Collecting data, using the plurality of operation data as input data of the predictive model, acquiring at least one prediction value related to the residual amount of the blast furnace, and displaying the at least one prediction value on a driving screen
  • the predictive model may include a plurality of neural network models for inputting one-dimensional, two-dimensional or three-dimensional operation data, and an integrated layer integrating features extracted through the plurality of neural network models. Can be.
  • the plurality of neural network models include a first neural network model using three-dimensional furnace temperature data, a second neural network model using two-dimensional airflow data, and two-dimensional dose data. And a third neural network model having an input, and a fourth neural network model having input of remaining operation data excluding the furnace temperature data, the air blowing amount data, and the repair amount data among the plurality of operating data.
  • the aggregation layer may include a classifier having a skip-dense structure.
  • the collecting may include processing the three-dimensional furnace body temperature data such that the furnace body temperature measurement value and the position information indicating the position of the furnace body temperature measurement value are included.
  • the collecting may further include processing the two-dimensional airflow amount data so as to include position information indicating a position at which the airflow measurement and the airflow measurement are measured.
  • the collecting may include processing the two-dimensional repair dose data such that the measured dose and the position information of the exit port from which the measured dose measurement is measured are included.
  • the generating may include generating the neural network based prediction model for each outlet of the blast furnace.
  • the acquiring may include inputting the plurality of operation data into the neural network-based prediction model generated for each exit point of the blast furnace, and predicting a total low dose value, a remaining departure time prediction value, and a remaining turnout amount for each exit point of the blast furnace. It may include obtaining a prediction value.
  • FIG. 1 shows an example of a blast furnace installation.
  • FIG. 2 schematically illustrates a system for predicting remaining dose of blast furnace according to an embodiment of the present invention.
  • FIG. 3 is a diagram schematically illustrating a prediction model used in a residual dose prediction system according to an embodiment of the present invention.
  • FIG. 4 illustrates an example of a network structure of the prediction model of FIG. 3.
  • FIG. 5 schematically illustrates a method for predicting remaining dose of blast furnace equipment according to an embodiment of the present invention.
  • 6 to 9 are diagrams illustrating the results of estimating the remaining turnout amount for each exit port of the blast furnace by applying the remaining turnout prediction method according to an embodiment of the present invention, and comparing the change in the actual remaining turnout amount.
  • FIG. 10 is a view illustrating a result of estimating the remaining turnout amount of all the exit ports of the blast furnace by applying the remaining turnout prediction method according to an embodiment of the present invention, and comparing the change in the actual remaining turnout amount.
  • Figure 1 shows an example of the blast furnace installation.
  • Blast furnace equipment is a facility that produces molten iron in the steel process.
  • a blast furnace 10 is a furnace in which iron ore, which is a raw material, is charged and melt-reduced into pig iron.
  • the charge 3 charged into the blast furnace 10, that is, iron ore and coke are charged into the blast furnace 10 by moving to the upper part of the blast furnace 10 through the charging conveyor belt 5.
  • a tuyere 11 for introducing high temperature hot air and oxygen supplied through the blower tube 13 into the blast furnace 10 is located.
  • Cokes charged into the furnace in the blast furnace operation are combusted by reaction with hot air and oxygen flowing into the furnace through the tuyere 11 to generate hot gases (hereinafter referred to as 'reduction gas'). Let's do it.
  • the high temperature reducing gas generated in this way is in contact with the iron ore charged into the blast furnace 10 while rising in the furnace, and the iron ore received heat by contact with the high temperature reducing gas is melted and reduced to the molten iron.
  • the molten iron melted in the blast furnace 10 is stored in the lower part of the furnace, and discharged out of the furnace through tap holes 12 at regular intervals.
  • pulverized coal is used as a coke replacement fuel in order to minimize environmental pollution and reduce the cost of producing coke used as a fuel.
  • the pulverized coal is supplied from the pulverized coal storage tank (not shown), is introduced into the tuyere 11 through the lance 14 penetrating the blower tube 13, and is blown into the furnace.
  • the pulverized coal flowing into the furnace through the tuyere 11 is burned by the hot air introduced into the furnace through the tuyere 11 to generate a high temperature reducing gas.
  • low dose refers to the amount of molten iron remaining in the lower part of the blast furnace 10 without being discharged to the outside of the blast furnace 10, and the “outgoing dose” is used to discharge the outside of the blast furnace 10 through the exit port 12.
  • the dose represents the dose
  • the amount of the "liquid dose” represents the amount of the chartered ship (torp Ladle Car, TLC) repaired (loaded) outside the blast furnace 10.
  • the “remaining starting amount” represents the amount of molten iron that must be drawn out of the blast furnace 10 from the current time point to the closing time of the starting port 12 (starting time point).
  • FIG. 2 schematically illustrates a system for predicting remaining dose of blast furnace according to an embodiment of the present invention.
  • FIG. 3 schematically illustrates a prediction model used in a residual dose prediction system according to an embodiment of the present invention
  • FIG. 4 illustrates an example of a network structure of the prediction model of FIG. 3.
  • a residual dose prediction system 100 includes an operation data collection system 110, a learning system 120, a prediction system 130, and a display 140. can do.
  • the operation data collection system 110 may collect operation data.
  • the operation data collection system 110 may include an operation data collection unit 111 and an operation data database (DB) 112.
  • DB operation data database
  • the operation data collection unit 111 may periodically collect operation data used for predicting the remaining dose in connection with the blast furnace operation (for example, in units of 1 minute).
  • the operation data includes sensing data collected through sensors installed in the blast furnace 10 facility, control data input from an operator to control the facility and the operation of the blast furnace 10, and numerical data generated as a result of the operation of the blast furnace 10. And the like.
  • the operation data includes the furnace body temperature (nozer side wall temperature, cooling panel temperature, stave temperature) of the blast furnace 10, the blowing amount per blowing pipe, and the amount of repair (total amount of repair, the amount of repair per minute (drafting speed)).
  • Average peak temperature data Average furnace side wall temperature, air flow rate, wind pressure, oxygen enrichment amount, ventilation resistance index (all blast furnaces, blast furnace top, blast furnace center, blast furnace bottom), pulverized coal ratio, coke ratio, reducing agent ratio, sintered light ratio gas quantity ( Oxygen part gas center flow / intermediate flow / peripheral flow), average charging speed, base ore amount, sinter granule amount, sintered light ratio, pellet ratio, sintered ore cold strength, sintered ore reduction index, Sintered ore hot strength, composite base, sintered ore components (Fe, FeO, SiO2, CaO, Al2O3, MgO, Mn, S, P, TiO2, ZnO, K2O, Na2O), sintered ore average particle size, coke grain size, pulverized coal injection, coke Component (ash, volatile), coke hot strength, coke cold strength, coke average particle size, molten iron component (S, SI), Ore ratio, slag ratio, slag components (SIO2,
  • the operation data collection unit 111 may collect operation data through sensors installed in the blast furnace 10. In addition, the operation data collection unit 111 may receive operation data from an operator through an input device (not shown). In addition, the operation data collection unit 111 may receive operation data corresponding to the operation result from the blast furnace 10 facility or the facility outside the blast furnace 10.
  • the operation data collected by the operation data collection unit 111 may be processed into one-dimensional, two-dimensional, or three-dimensional time series data according to its characteristics and stored in the operation data DB 112.
  • the data may be converted into three-dimensional time series data and stored in the operation data DB 112.
  • the positional information of the furnace body temperature data may include the region where the corresponding temperature sensor is located among the regions where the furnace body of the blast furnace 10 is equally divided by 360 with respect to the vertical center axis of the blast furnace 10, and the corresponding temperature sensor is the blast furnace. It can be determined depending on where it is located in the upper part (stay), the center part (cooling plate), and the lower part (noser side wall) of (10).
  • the airflow data among the operation data is converted into two-dimensional time series data including the airflow measurement value and the position information in the blast furnace 10 in which the airflow measurement value is measured, and then the operation data DB 112. Can be stored in.
  • the repair dose data among the operation data is converted into two-dimensional time series data including position information of the repair dose corresponding to each exit and the corresponding exit, and then the operation data DB 112. ) Can be stored.
  • the remaining operation data except for the above-described furnace body temperature, blowing amount, and repair amount data may be converted into one-dimensional time series data and stored in the operation data DB 112.
  • the operation data collection unit 111 when processing the operation data (eg, furnace body temperature data, air volume data, etc.) including the position information, 0 ° to 180 ° following the data corresponding to the 360 ° region This problem can be solved by arranging data corresponding to an area once again to form a data circulation structure.
  • operation data eg, furnace body temperature data, air volume data, etc.
  • the learning system 120 may generate and update a neural network-based prediction model for predicting residual dose during blast furnace operation.
  • the training system 120 includes a training data DB 121, a validation data DB 122, a test data DB 123, a prediction model DB 124, and a prediction model generator. It may include a 125, a learning unit 126, and an evaluation unit 127.
  • the training data DB 121 may store and manage training operation data used for training for generating and updating a prediction model.
  • the verification data DB 122 may store and manage verification operation data for selecting an optimal residual dose prediction model.
  • the test data DB 123 may store and manage test operation data for evaluating the performance of the finally selected residual dose prediction model.
  • the training data, the validation data, and the test data are the operation data collected by the operation data collection system 110, and different operation data (eg, operation data collected at different time periods) may be used.
  • the prediction model DB 124 may store and manage the residual dose prediction models.
  • the prediction model generator 125 may generate neural network based residual dose prediction models. In order to generate the neural network-based residual dose prediction model, input and output factors of the predictive model, network structure (learning rate, feature depth, etc.) of the predictive model should be determined.
  • the prediction model generator 125 may set an input and an output factor of the residual dose estimation model based on a control input input from an operator to generate the residual dose estimate model.
  • the predictive model generation unit 125 may include furnace body temperature data, air volume data, repair amount data, and a plurality of other operation data (eg, average peak temperature data, average nodule side wall temperature, air volume, and wind pressure).
  • Oxygen Enrichment Ventilation Resistance Index (Total Blast Furnace, Upper Blast Furnace, Center of Blast Furnace, Lower Blast Furnace), Pulverized Coal Ratio, Coke Ratio, Reductant Ratio, Sintered Ore Ratio Gas Volume (Oxygen Part Gas Center Flow / Medium Flow / Peripheral Flow), Average Loading Speed, base ore amount, sinter grain size, sinter ore ratio, pellet ratio, sinter ore cold strength, sinter ore reduction differentiation index, sinter ore hot strength, composite base, sinter ore component (Fe, FeO, SiO2) , CaO, Al2O3, MgO, Mn, S, P, TiO
  • the input data of the residual dose prediction model 300 may be selected by experts. Experts may select the operation factors to be used as input data of the residual turnout prediction model 300 by evaluating the degree of influence on the remaining turnout for the operation factors of the blast furnace operation. Then, a control input is input through an input device (not shown) so that the selected operating factors are set as input data of the residual dose estimation model, and the prediction model generator 125 inputs the residual dose estimation model based thereon. And outputs can be set.
  • the prediction model generator 125 may set a neural network structure of the residual dose prediction model to generate the residual dose prediction model.
  • the prediction model generating unit 125 receives a plurality of inputs of one-, two-, or three-dimensional operation data according to characteristics of the operation data used as an input of the residual dose calculation model.
  • a residual dose prediction model may be generated to construct a neural network and integrate the features extracted by each neural network to output a prediction value.
  • the residual dose prediction model 300 includes a neural network model 310 having three-dimensional furnace temperature data as input data, a neural network model 320 having two-dimensional airflow data as input data, and a two-dimensional image.
  • the neural network model 330 using the dose data as the input data, the neural network model 340 using the other one-dimensional operation data as the input data, and the outputs of the neural network models 310 to 340 are integrated. It may be configured as an integrated layer 350 that outputs a total low dose logit, a remaining repair time logit, and a remaining raw dose logit.
  • the neural network model 310 may be configured to receive three-dimensional furnace body temperature data as input data, and extract and output features therefrom.
  • the neural network model 320 may be set to receive two-dimensional airflow amount data corresponding to each blower tube 13 as input data, and extract and output features therefrom.
  • the neural network model 330 receives two-dimensional repair data (total repair amount, repair amount per minute (outgoing speed)) corresponding to the total repair amount of the blast furnace 10 and the repair amount per minute (attendance speed) as input data. From this, the feature may be set to extract and output the features.
  • the neural network model 340 may be set to receive operation data of one-dimensional other than the furnace body temperature, the blowing amount, and the repair amount as input data, and extract and output features therefrom.
  • CNN convolutional neural network
  • CNN has strong strength in processing temporal and spatial locality data such as video, audio, 3D video, time series data, etc., and is one of the deep learning methodologies that is excellent in many cases.
  • CNN is a neural network composed of one or several convolution layers, a pooling layer, a dense layer (or a fully connected layer).
  • features are extracted from input data through a convolution layer and a pooling layer, and prediction is performed through classification in a dence layer.
  • a pooling layer may be omitted as illustrated in FIG. 4.
  • the neural network model 340 among the neural network models 310 to 340 described above may be configured by applying a regularization term to a skip-dense structure (connecting a skip connection for every layer of the dense layer).
  • the neural network models 310 to 340 described above may have a network structure such that time series data is input as input data (temperature data, air volume data, water dose data, and a plurality of operation data).
  • input data temperature data, air volume data, water dose data, and a plurality of operation data
  • T current time point
  • It may be time series data obtained by arranging data sampled in units of one minute from 360 minutes before to the current time point T.
  • the integration layer 350 may output prediction results from output data of the neural network models 310 to 340 through the classifier, that is, features extracted through the neural network models 310 to 34. Can be.
  • the aggregation layer 350 includes a classifier having a skip-dense structure and may be configured to output a total low dose logit, a remaining departure time logit, and a remaining departure dose logit.
  • the simultaneous prediction of a plurality of factors through one residual turnout prediction model 300 reduces the number of necessary prediction models as compared to the case of separately predicting each factor, and simultaneously There may be a generalization effect from predictions.
  • the prediction model generator 125 may generate a plurality of residual dose prediction models by changing the network structure in the process of setting the network structure of the residual dose prediction model.
  • the evaluator 127 may select an optimal residual dose prediction model by performing a verification process on the plurality of prediction models generated by the prediction model generator 125.
  • the prediction model generator 125 may perform a tuning process for the network structure of the residual raw dose prediction model by referring to the evaluation result of the evaluation unit 127. For example, the prediction model generator 125 may change the structure of the 5th to 7th convolution layer or the 10th to 100th ResNet layer of the neural network models 310 to 340 constituting the residual dose prediction model. Residuals through structural changes of the 10th to 20th skip-dense layer in the integration layer 350, application of gaps, adjustment of the depth of the characteristic map, comparison of Softmax with a single logit, and label changes Tuning dose prediction model 300 may be tuned.
  • the prediction model generator 125 may generate a residual dose prediction model for each outlet 12 of the blast furnace 10, respectively.
  • the prediction model generator 1250 may generate a residual turnout prediction model that can be applied to all the exits of the blast furnace 10.
  • the remaining turnout prediction model 300 of each exit 12 may include: It is for estimating the remaining turnout amount of each exit port 12, and the remaining turnout prediction model of all the exit ports 12 is for predicting the remaining turnout amount for the exit port 12 of the whole blast furnace 10. .
  • the prediction model generator 125 may store the remaining departure amount prediction models for each exit and all exits of the blast furnace 10 and store them in the prediction model DB 124.
  • the learner 126 may be started irregularly to perform learning (deep learning) using the training data on the residual dose prediction models generated by the predictive model generator 125.
  • the learning unit 126 may include the furnace body temperature data, the air volume data, the repair amount data, and other pieces of the operation data (for example, the turnout amount for each outlet) collected through the operation data collection system 110.
  • the exit speed prediction and exit time for each exit port, the exhaust gas component, the amount of sintered ore precipitation, the molten iron temperature, the molten iron component, the charging speed, etc.) as the training data, and the residual emission amount prediction model 300 may be repeatedly learned.
  • the learning unit 126 may filter abnormal data generated by sensor abnormality, etc., through normalization of operation data used as an input in the learning process of the residual dose selection model. For example, the learning unit 126 may determine the blowing amount data of 5,000 Nm 3 / min or less, the departure time of 150 minutes or less, or the like as abnormal data. In addition, the abnormally determined data may be excluded from the learning of the residual dose amount prediction model to improve the prediction accuracy of the residual dose amount prediction model.
  • the evaluation unit 127 may verify the residual dose prediction models generated by the prediction model generator 125 using the verification data stored in the verification data DB 122.
  • the prediction model generator 125 may generate a plurality of residual dose prediction models in the generation of the residual dose prediction model. As described above, when a plurality of residual dose prediction models are generated by the prediction model generator 125, the evaluation unit 127 uses the verification data stored in the verification data DB 122 to predict the model generation unit 125. An optimal residual dose prediction model may be selected among the residual dose calculation models generated by the method.
  • the evaluation unit 127 may perform the performance evaluation of the residual dose estimation model by using the test data stored in the test data DB 123 every time the residual dose estimation model is updated by the learner 126. It may be. In addition, based on the performance evaluation result, it may be determined whether to replace the residual dose prediction model currently used in the prediction system 130 with the remaining updated dose prediction model. When it is determined to update the remaining mandatory dose prediction model in use in the prediction system 130 with the remaining mandatory dose prediction model updated by the learning unit 126, the evaluation unit 127 predicts the newly updated remaining mandatory dose prediction model. Delivery to system 130 may update the prediction model being used in prediction system 130.
  • the prediction system 130 uses the operation data collected by the operation data collection system 110 and the neural network based residual freshness prediction model generated / updated by the learning system 120 periodically (eg, For example, prediction may be performed in units of 1 minute.
  • the prediction system 130 may include a prediction model DB 131, a predictor 132, and a predictability analyzer 133.
  • the prediction unit 132 may store it in the prediction model DB 131. And, whenever an update of the residual dose prediction model is requested from the learning system 120, the residual dose prediction stored in the prediction model DB 131 is performed using the residual dose prediction model newly received from the learning system 120. You can update the model.
  • the prediction unit 132 periodically receives the operation data from the operation data collection system 110 (for example, in units of 1 minute), and applies the residual data to the residual dose prediction model stored in the prediction model DB 131. As a result, it is possible to obtain prediction values such as total low dose, remaining departure time, remaining departure amount, and the like.
  • the prediction unit 132 may transmit the prediction value to the display 140 to be displayed on the driving screen. Therefore, the operator can check the low dose, the remaining departure time, and the remaining discharge amount prediction value through the operation screen, and can control the departure point closing time or the TLC allocation based on this.
  • the prediction unit 132 when the departure of the starting port 12 is finished, for the verification of the prediction model after the predetermined time before the end of the departure time (for example, 30 minutes) and the end of the departure time
  • the residual dose estimate of may be transmitted to the learning system 120.
  • the predictability analysis unit 133 analyzes the operation data collected by the operation data collection system 110 to determine whether the prediction is possible using the residual dose prediction model, and if it is determined that the prediction is impossible, the prediction unit ( 132 may be informed. For example, if the operation data is not collected through the operation data collection system 110 for a predetermined time, the predictability analysis unit 133 may determine that it is impossible to predict and transmit the operation data to the prediction unit 132. For example, the predictability analysis unit 133 may enter an unpredictable situation due to an outlier when an airflow amount data of 5,000 Nm 3 / min or less or a departure time data of 150 minutes or less is input from the operation data collection system 110. The determination may be transmitted to the prediction unit 132.
  • the prediction unit 132 stops the prediction by using the residual dose prediction model and displays the unpredictable situation on the driving screen through the display 140. can do.
  • the functions of the operation data collection system 110, the learning system 120, and the prediction system 130 are one or more central processing units. It may be performed by a processor implemented as a unit (central processing unit, CPU) or other chipset, microprocessor, or the like.
  • FIG. 5 schematically illustrates a method for predicting remaining dose of blast furnace equipment according to an embodiment of the present invention.
  • the remaining dose prediction method of FIG. 5 may be performed by the residual dose prediction system 100 described with reference to FIGS. 1 to 4.
  • the residual dose prediction system 100 generates a neural network based residual dose prediction model through the learning system 120 (S100).
  • step S100 the learning system 120 inputs operation data (furnace temperature, blowing amount, repair amount, etc.) affecting the remaining output amount, and at least one predicted value (total low dose, residual amount) related to the remaining output amount.
  • the neural network-based residual dose prediction model may be generated to output the departure time, remaining dose, and the like.
  • the input factor and output factor of the residual dose selection model may be selected by the expert group.
  • the learning system 120 configures a plurality of neural networks (see reference numerals 310 to 340 of FIG. 3) that inputs one-dimensional, two-dimensional or three-dimensional operation data according to characteristics of input operation data.
  • the network structure of the residual raw dose prediction model (refer to reference numeral 300 of FIG. 4) may be configured to output the prediction value by integrating the features extracted by each neural network.
  • the learning system 120 configures each neural network model as a CNN, and an integration layer (see 350 in FIG. 4) integrating the output of each neural network may include a classifier having a skip-dense structure.
  • the learning system 120 may generate a residual dose prediction model to predict not only the remaining dose but also the total low dose and the remaining departure time.
  • the residual dose prediction model generated through the step S100 may be improved in performance through a tuning process and an iterative learning process before using it for prediction of the remaining dose amount (S110).
  • the learning system 120 changes the structure of the convolution layer or the ResNet layer of the neural network models constituting the residual dose prediction model, or changes the structure of the skip-dense layer in the integration layer, and the gap (GAP).
  • the performance of the residual dose prediction model can be improved by tuning the residual dose prediction model by applying), adjusting the depth of the feature map, comparing Softmax with a single logit, and changing the label.
  • the learning system 120 may improve the performance of the residual dose estimation model by repeatedly learning the residual dose amount prediction model using the training data.
  • the residual turnout prediction system 100 collects operation data that affects the remaining turnout rate periodically (for example, in 1 minute increments) through the operation data collection system 110 (S120). .
  • the prediction system 130 periodically substitutes the operation data collected through the step S120 into the residual turnout prediction model so that at least one prediction value (total low dose, remaining turnout amount, remaining turnout) related to the remaining turnout rate is obtained. Time, etc.) may be obtained periodically (S130).
  • the operation data is the sensing data collected through the sensors installed in the blast furnace 10, the control data input from the operator to control the facility and operation of the blast furnace 10, as a result of the operation of the blast furnace 10 Numeric data generated, and the like.
  • the operation data may include the furnace body temperature data of the blast furnace 10, the air volume data, and the water dose data.
  • the operation data may include the discharge amount by the outlet of the blast furnace 10, the discharge speed and discharge time by the outlet, the exhaust gas component (for example, the ratio of nitrogen (N2) in the top gas), the amount of sintered ore molten iron and the molten iron temperature.
  • molten iron component for example, Si ratio in molten iron
  • charging speed average charging speed, etc.
  • Operation data collected in the step S120 may be processed into one-dimensional, two-dimensional or three-dimensional time series data according to its characteristics in order to be used as input data of the residual repair dose prediction model.
  • the furnace body temperature data may be processed into three-dimensional time series data reflecting positional information in the blast furnace 10 of the corresponding temperature sensor.
  • the airflow amount data may be processed into two-dimensional time series data in which positional information in the corresponding blast furnace 10 is reflected.
  • the repair dose data may be converted into two-dimensional time series data in which position information of a corresponding exit port is reflected.
  • each operation data may be processed into time series data by arranging data sampled in units of one minute in time order.
  • the prediction system 130 analyzes the operation data collected by the operation data collection system 110 to determine whether the prediction is possible using the residual dose prediction model, and when it is determined that the prediction is impossible You may not perform predictions. For example, when the operation data is not collected through the operation data collection system 110 for a predetermined time, the prediction system 130 may determine that it is impossible to predict and stop the prediction. For example, when the airflow amount data of 5,000 Nm 3 / min or less or departure time data of 150 minutes or less is input as operation data, the prediction system 130 may determine that the situation is unpredictable due to an outlier and stop the prediction. have.
  • the remaining departure amount prediction system 100 displays it on the operation screen through the display 140 (S140), the operator refers to this when the departure end point And TLC allocation.
  • FIG. 6 to 9 are diagrams illustrating the results of estimating the remaining turnout amount for each exit port of the blast furnace by applying the remaining turnout prediction method according to an embodiment of the present invention, and comparing the change in the actual remaining turnout amount.
  • FIG. 10 is a view illustrating a result of estimating the remaining turnout amount of all the exit points of the blast furnace by applying the remaining turnout prediction method according to an embodiment of the present invention, and comparing the change in the actual remaining turnout amount.
  • the y-axis of the graph represents the residual dose (ton), the x-axis means time.
  • the remaining turnout amount shows the total turnout amount at the starting point of departure, and converges to zero as the nearing end point is reached.
  • the remaining turnout prediction value is compared to the actual remaining turnout. It can be seen that the proximity.
  • the predicted residual dose amount is substantially the same as the actual residual amount in the section close to the starting point.
  • the remaining departure amount prediction is performed to accurately predict the end point of departure.
  • the estimated remaining turnout value at the start point of departure is insignificant data for predicting the end point of departure, and only the estimated remaining turnout amount estimated close to the end point of departure is sufficient to predict the end point of departure.
  • the remaining departure amount prediction system and the method according to an embodiment of the present invention by improving the accuracy of the prediction of the remaining departure amount in the section close to the departure time, the departure end when predicting the departure time based on this The prediction accuracy of the viewpoint can be improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Metallurgy (AREA)
  • Organic Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

고로의 잔여 출선량 예측 시스템은, 복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템, 잔여 출선량과 관련된 적어도 하나의 예측값을 출력하는 신경망 기반의 예측 모델을 생성하고 관리하는 학습 시스템, 및 상기 복수의 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 상기 고로의 잔여 출선량과 관련된 적어도 하나의 예측값을 획득하는 예측 시스템을 포함하며, 상기 예측 모델은, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하는 통합 계층을 포함할 수 있다.

Description

고로의 잔여 출선량 예측 시스템 및 그 방법
실시 예는 고로의 잔여 출선량 예측 시스템 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 용선(molten iron)으로 용융 및 환원된다.
통상적으로, 고로에 장입된 소결광이 용선으로 출선되기까지는 대략 6시간 정도가 소요되고, 출선 시의 용선의 온도는 대략 1500℃ 정도이다. 고로 외부로 출선된 용선은 운송차량(Torpedo Ladle Car, TLC)에 수선되어 이동된다.
한편, TLC는 고로의 출선구에서 용선의 수선을 대기하는데, TLC가 용선 수선을 대기하는 시간이 길어질수록 TLC 내부의 온도가 감소하고, 이는 추후 용선이 수선되었을 때 용선 온도가 하락하는 원인으로 작용할 수 있다. 용선 온도 하락은, 제강 공정에서 용선 온도를 상승시키기 위해 승열제가 과다하게 사용되는 문제로 이어질 수 있다. TLC의 대기 시간 문제는 고로의 출선 종료 시점을 정확하게 판정함으로써 해결될 수 있다.
그러나, 현재 고로의 출선 조업은 고로의 장입물 양과 고로 외부로 배출되는 용융물의 양을 수학적으로 계산한 저선레벨 로직, 조업 데이터 등의 수치 데이터뿐만 아니라 운전자의 경험, 감각과 같은 운전자의 판단에 많은 것을 의존하고 있다. 이러한 조업 방식은 조업 데이터의 인자 수가 너무 많고 상당수가 비정형 데이터여서 운전자의 정확한 판단이 어려우며, 조업 상황 변화 등의 외란에 대응하기 어려워 여러 가지 문제를 일으켜 왔다.
이러한 문제점들은 근본적으로 고로 내 용선량 예측과 밀접한 관련이 있다. 이에, 그 동안 수학적 모델이나 빅데이터 분석 등을 이용해 용선량 예측 문제를 해결하기 위한 다양한 시도들이 있었으나, 고려해야 할 조업 인자의 수가 너무 많고 조업 인자들 간의 상관 관계 또한 뚜렷하지 않아 의미 있는 성과를 거두지 못한 실정이다.
실시 예를 통해 해결하려는 과제는 고로의 출선구별 잔여 출선량의 예측 정확도를 향상시킨 잔여 출선량 예측 시스템 및 그 방법을 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 실시 예에 따른 고로의 잔여 출선량 예측 시스템은, 복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템, 잔여 출선량과 관련된 적어도 하나의 예측값을 출력하는 신경망 기반의 예측 모델을 생성하고 관리하는 학습 시스템, 및 상기 복수의 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 상기 고로의 잔여 출선량과 관련된 적어도 하나의 예측값을 획득하는 예측 시스템을 포함하며, 상기 예측 모델은, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하는 통합 계층을 포함할 수 있다.
상기 잔여 출선량 예측 시스템에서, 상기 복수의 신경망 모델은, 3차원의 노체 온도 데이터를 입력으로 하는 제1신경망 모델, 2차원의 송풍량 데이터를 입력으로 하는 제2신경망 모델, 2차원의 수선량 데이터를 입력으로 하는 제3신경망 모델, 및 상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함할 수 있다.
상기 3차원의 노체 온도 데이터는, 노체 온도 측정값 및 상기 노체 온도 측정값이 측정된 위치를 나타내는 위치 정보를 포함할 수 있다.
상기 2차원의 송풍량 데이터는, 송풍량 측정값과 상기 송풍량 측정값이 측정된 위치를 나타내는 위치 정보를 포함할 수 있다.
상기 2차원의 수선량 데이터는, 수선량 측정값과 상기 수선량 측정값이 측정된 출선구의 위치 정보를 포함할 수 있다.
상기 잔여 출선량 예측 시스템에서, 상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성될 수 있다.
상기 잔여 출선량 예측 시스템에서, 상기 통합 계층은 skip-dense 구조의 분류기를 포함할 수 있다.
상기 잔여 출선량 예측 시스템에서, 상기 적어도 하나의 예측값은, 총 저선량 예측값, 잔여 출선 시간 예측값, 및 잔여 출선량 예측값을 포함할 수 있다.
상기 학습 시스템은, 상기 고로의 출선구 별로 상기 예측 모델을 생성하고 관리할 수 있다.
상기 예측 시스템은, 상기 고로의 출선구 별로 생성된 상기 예측 모델을 이용하여 상기 고로의 출선구 별로 상기 적어도 하나의 예측값을 획득할 수 있다.
또한, 본 발명의 실시 예에 따른 고로 설비의 잔여 출선량 예측 방법은, 잔여 출선량과 관련된 적어도 하나의 예측값을 출력하는 신경망 기반의 예측 모델을 생성하는 단계, 고로 조업이 시작되면, 복수의 조업 데이터를 수집하는 단계, 상기 복수의 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 상기 고로의 잔여 출선량과 관련된 적어도 하나의 예측값을 획득하는 단계, 및 상기 적어도 하나의 예측값을 운전 화면에 표시하는 단계를 포함하며, 상기 예측 모델은, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하는 통합 계층을 포함할 수 있다.
상기 잔여 출선량 예측 방법에서, 상기 복수의 신경망 모델은, 3차원의 노체 온도 데이터를 입력으로 하는 제1신경망 모델, 2차원의 송풍량 데이터를 입력으로 하는 제2신경망 모델, 2차원의 수선량 데이터를 입력으로 하는 제3신경망 모델, 및 상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함할 수 있다.
상기 잔여 출선량 예측 방법에서, 상기 통합 계층은 skip-dense 구조의 분류기를 포함할 수 있다.
상기 수집하는 단계는, 노체 온도 측정값 및 상기 노체 온도 측정값이 측정된 위치를 나타내는 위치 정보를 포함하도록, 상기 3차원의 노체 온도 데이터를 가공하는 단계를 포함할 수 있다.
상기 수집하는 단계는, 송풍량 측정값과 상기 송풍량 측정값이 측정된 위치를 나타내는 위치 정보를 포함하도록, 상기 2차원의 송풍량 데이터를 가공하는 단계를 더 포함할 수 있다.
상기 수집하는 단계는, 수선량 측정값과 상기 수선량 측정값이 측정된 출선구의 위치 정보를 포함하도록, 상기 2차원의 수선량 데이터를 가공하는 단계를 포함할 수 있다.
상기 생성하는 단계는, 상기 고로의 출선구 별로 상기 신경망 기반의 예측 모델을 생성하는 단계를 포함할 수 있다.
상기 획득하는 단계는, 상기 고로의 출선구 별로 생성된 상기 신경망 기반의 예측 모델에 상기 복수의 조업 데이터를 입력시켜, 상기 상기 고로의 출선구 별로 총 저선량 예측값, 잔여 출선 시간 예측값, 및 잔여 출선량 예측값을 획득하는 단계를 포함할 수 있다.
실시 예에 따르면, 고로의 출선구별 잔여 출선량의 예측 정확도를 향상시킴으로써, 작업자가 고로의 출선 종료 시점을 정확히 판정할 수 있도록 지원할 수 있다.
도 1은 고로(blast furnace) 설비의 일 예를 도시한 것이다.
도 2는 본 발명의 실시 예에 따른 고로의 잔여 출선량 예측 시스템을 개략적으로 도시한 것이다.
도 3은 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템에서 사용되는 예측 모델을 개략적으로 도시한 이다.
도 4는 도 3의 예측 모델의 망 구조를 예로 들어 도시한 것이다.
도 5는 본 발명의 실시 예에 따른 고로 설비의 잔여 출선량 예측 방법을 개략적으로 도시한 것이다.
도 6 내지 도 9는 본 발명의 실시 예에 따른 잔여 출선량 예측 방법을 적용하여 고로의 출선구 별로 잔여 출선량을 예측한 결과와, 실제 잔여 출선량의 변화를 비교하여 도시한 도면들이다.
도 10은 본 발명의 실시 예에 따른 잔여 출선량 예측 방법을 적용하여 고로의 전체 출선구의 잔여 출선량을 예측한 결과와, 실제 잔여 출선량의 변화를 비교하여 도시한 도면이다.
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.
도 1은 고로 설비의 일 예를 도시한 것이다.
고로 설비는 철강 공정에 있어서 용선을 생산하는 설비이다.
도 1을 참조하면, 고로(blast furnace, 10)는 원료인 철광석이 장입되어 용선(pig iron)으로 용융 환원되는 노(爐)이다.
고로(10)로 장입되는 장입물(3) 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.
이하, 필요한 도면들을 참조하여 본 발명의 실시 예에 따른 고로의 잔여 출선량 예측 시스템 및 그 방법에 대해 상세히 설명하기로 한다.
본 문서에서 "저선량"은 고로(10) 외부로 배출되지 않고 고로(10) 하부에 잔류 중인 용선량을 나타내고, "출선량"은 출선구(12)를 통해 고로(10) 외부로 배출되는 용선량을 나타내며, "수선량"은 고로(10) 외부로 출선된 용선이 운송차량(Torpedo Ladle Car, TLC)에 수선(장입)되는 양을 나타낸다. 또한, "잔여 출선량"은 현재 시점부터 출선구(12)의 폐쇄 시점(출선 종료 시점)까지 고로(10) 외부로 출선되어야 하는 용선량을 나타낸다.
도 2는 본 발명의 실시 예에 따른 고로의 잔여 출선량 예측 시스템을 개략적으로 도시한 것이다. 도 3은 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템에서 사용되는 예측 모델을 개략적으로 도시한 것이고, 도 4는 도 3의 예측 모델의 망 구조를 예로 들어 도시한 것이다.
도 2를 참조하면, 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템(100)은, 조업 데이터 수집 시스템(110), 학습 시스템(120), 예측 시스템(130), 및 디스플레이(140)를 포함할 수 있다.
조업 데이터 수집 시스템(110)은 조업 데이터들을 수집할 수 있다. 조업 데이터 수집 시스템(110)은 조업 데이터 수집부(111), 및 조업 데이터 데이터베이스(database, DB)(112)를 포함할 수 있다.
조업 데이터 수집부(111)는 주기적으로(예를 들어, 1분 단위로) 고로 조업과 관련하여 잔여 출선량 예측에 사용되는 조업 데이터들을 수집할 수 있다.
조업 데이터는, 고로(10) 설비에 설치된 센서들을 통해 수집되는 센싱 데이터, 고로(10)의 설비 및 작업을 제어하기 위해 작업자로부터 입력되는 제어 데이터, 고로(10) 조업의 결과로 발생되는 수치 데이터 등을 포함할 수 있다. 예를 들어, 조업 데이터는, 고로(10)의 노체 온도(노저 측벽 온도, 냉각반 온도, 스테이브(stave) 온도), 송풍관별 송풍량, 수선량 (총 수선량, 분당 수선량(출선 속도)), 평균 노정 온도 데이터, 평균 노저 측벽 온도, 풍량, 풍압, 산소 부화량, 통기저항지수(고로 전체, 고로 상부, 고로 중심부, 고로 하부), 미분탄비, 코크스비, 환원제비, 소결광비 가스량(산소부 가스 중심류/중간류/주변류), 평균 장입 속도, 베이스 광석(base ore)량, 소결광(sinter) 입조량, 소결광비, 펠렛(pellet)비, 소결광 냉간강도, 소결광 환원분화지수, 소결광 열간강도, 복합염기도, 소결광 성분(Fe, FeO, SiO2, CaO, Al2O3, MgO, Mn, S, P, TiO2, ZnO, K2O, Na2O), 소결광 평균 입도, 코크스 입조량, 미분탄 취입량, 코크스 성분(재(Ash), 휘발분), 코크스 열간강도, 코크스 냉간강도, 코크스 평균입도, 용선 성분(S, SI), 광석비, 슬래그비, 슬래그 성분(SIO2, S), 수재량 등을 포함할 수 있다.
조업 데이터 수집부(111)는 고로(10)에 설치된 센서들을 통해 조업 데이터를 수집할 수 있다. 또한, 조업 데이터 수집부(111)는 입력 장치(미도시)를 통해 작업자로부터 조업 데이터를 입력 받을 수도 있다. 또한, 조업 데이터 수집부(111)는 고로(10) 설비 또는 고로(10) 외부의 설비로부터 조업 결과에 대응하는 조업 데이터를 수신할 수도 있다.
조업 데이터 수집부(111)에 의해 수집된 조업 데이터는, 그 특성에 따라 1차원, 2차원 또는 3차원의 시계열 데이터로 가공되어 조업 데이터 DB(112)에 저장될 수 있다.
예를 들어, 조업 데이터들 중 노체 온도(노저 측벽 온도, 냉각반 온도, 스테이브(stave) 온도) 데이터는, 노체 온도 측정값과 해당 노체 온도 측정값이 측정된 고로(10) 내 위치 정보를 포함하는 3차원의 시계열 데이터로 변환된 후 조업 데이터 DB(112)에 저장될 수 있다. 여기서, 노체 온도 데이터의 위치 정보는, 고로(10)의 수직 방향 중심축을 기준으로 고로(10)의 노체를 360등분한 영역들 중 대응하는 온도 센서가 위치하는 영역과, 대응하는 온도 센서가 고로(10)의 상부(스테이브), 중심부(냉각반), 및 하부(노저 측벽) 중 어디에 위치하는지에 따라서 결정될 수 있다. 또한, 예를 들어, 조업 데이터들 중 송풍량 데이터는, 송풍량 측정값과 해당 송풍량 측정값이 측정된 고로(10) 내 위치 정보를 포함하는 2차원의 시계열 데이터로 변환된 후 조업 데이터 DB(112)에 저장될 수 있다. 또한, 예를 들어, 조업 데이터들 중 수선량 데이터는, 각 출선구에 대응하는 수선량 측정값과 대응하는 출선구의 위치 정보를 포함하는 2차원의 시계열 데이터로 변환된 후 조업 데이터 DB(112)에 저장될 수 있다. 또한, 예를 들어, 조업 데이터들 중 전술한 노체 온도, 송풍량, 및 수선량 데이터를 제외한 나머지 조업 데이터들은 1차원의 시계열 데이터로 변환된 후 조업 데이터 DB(112)에 저장될 수 있다.
한편, 고로(10)의 수직 방향 중심축을 기준으로 고로(10) 내부의 공간을 원주 방향으로 360등분할 경우, 0˚ 부근의 영역과 360˚ 부근의 영역은 서로 인접한 영역임에도 불구하고, 데이터 배치 순서 상 가장 멀리 떨어져 있는 것으로 표현될 수 있다. 이에 따라, 조업 데이터 수집부(111)는 위치 정보가 포함되는 조업 데이터(예를 들어, 노체 온도 데이터, 송풍량 데이터 등)의 가공 시에는, 360˚ 영역에 해당하는 데이터에 이어서 0˚ ~ 180˚영역에 해당하는 데이터들을 다시 한번 배치하여 데이터 순환 구조를 형성함으로써, 이러한 문제를 해결할 수 있다.
학습 시스템(120)은 고로 조업 중 잔여 출선량을 예측하기 위한 신경망 기반의 예측 모델을 생성 및 갱신할 수 있다. 학습 시스템(120)은 학습 데이터(training data) DB(121), 검증 데이터(validation data) DB(122), 시험 데이터(test data) DB(123), 예측 모델 DB(124), 예측 모델 생성부(125), 학습부(126), 및 평가부(127)를 포함할 수 있다.
학습 데이터 DB(121)는 예측 모델의 생성 및 갱신을 위한 학습에 사용되는 학습용 조업 데이터들을 저장하고 관리할 수 있다. 검증 데이터 DB(122)는 최적의 잔여 출선량 예측 모델을 선택하기 위한 검증용 조업 데이터들을 저장하고 관리할 수 있다. 시험 데이터 DB(123)는 최종적으로 선택된 잔여 출선량 예측 모델의 성능을 평가하기 위한 시험용 조업 데이터들을 저장하고 관리할 수 있다. 학습 데이터, 검증 데이터, 및 시험 데이터는 조업 데이터 수집 시스템(110)에 의해 수집된 조업 데이터들이며, 서로 다른 조업 데이터들(예를 들어, 서로 다른 기간에 수집된 조업 데이터들)이 사용될 수 있다.
예측 모델 DB(124)는 잔여 출선량 예측 모델들을 저장하고 관리할 수 있다.
예측 모델 생성부(125)는 신경망 기반의 잔여 출선량 예측 모델들을 생성할 수 있다. 신경망 기반의 잔여 출선량 예측 모델을 생성하기 위해서는, 예측 모델의 입력 및 출력 인자, 예측 모델의 망 구조(러닝 레이트(learning rate), feature depth 등) 등이 정해져야 한다.
예측 모델 생성부(125)는 잔여 출선량 예측 모델의 생성을 위해, 작업자로부터 입력되는 제어 입력에 기반하여 잔여 출선량 예측 모델의 입력 및 출력 인자를 설정할 수 있다.
도 3을 예로 들면, 예측 모델 생성부(125)는 노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외의 복수의 조업 데이터(예를 들어, 평균 노정 온도 데이터, 평균 노저 측벽 온도, 풍량, 풍압, 산소 부화량, 통기저항지수(고로 전체, 고로 상부, 고로 중심부, 고로 하부), 미분탄비, 코크스비, 환원제비, 소결광비 가스량(산소부 가스 중심류/중간류/주변류), 평균 장입 속도, 베이스 광석(base ore)량, 소결광(sinter) 입조량, 소결광비, 펠렛(pellet)비, 소결광 냉간강도, 소결광 환원분화지수, 소결광 열간강도, 복합염기도, 소결광 성분(Fe, FeO, SiO2, CaO, Al2O3, MgO, Mn, S, P, TiO2, ZnO, K2O, Na2O), 소결광 평균 입도, 코크스 입조량, 미분탄 취입량, 코크스 성분(재(Ash), 휘발분), 코크스 열간강도, 코크스 냉간강도, 코크스 평균입도, 용선 성분(S, SI), 광석비, 슬래그비, 슬래그 성분(SIO2, S), 수재량 등)를 입력 인자(입력 데이터)로 하고, 현재 시점(T)에서의 저선량, 수선 종료 시점(Y)까지의 수선 잔여시간(Y-T), 및 수선 종료 시점(Y)까지의 잔여 출선량을 출력 데이터로 하도록 잔여 출선량 예측 모델(300)을 생성할 수 있다.
잔여 출선량 예측 모델(300)의 입력 데이터는 전문가들에 의해 선택될 수 있다. 전문가들은, 고로 조업의 조업 인자들에 대해 잔여 출선량에 영향을 주는 정도를 평가하여 잔여 출선량 예측 모델(300)의 입력 데이터로 사용할 조업 인자들을 선택할 수 있다. 그리고, 선택된 조업 인자들이 잔여 출선량 예측 모델의 입력 데이터로 설정되도록, 입력 장치(미도시)를 통해 제어 입력을 입력하고, 예측 모델 생성부(125)는 이에 기반하여 잔여 출선량 예측 모델의 입력 및 출력을 설정할 수 있다.
예측 모델 생성부(125)는 잔여 출선량 예측 모델의 생성을 위해 잔여 출선량 예측 모델의 신경망 구조를 설정할 수 있다. 본 발명의 실시 예에 따르면, 예측 모델 생성부(125)는 잔여 출선량 예측 모델의 입력으로 사용되는 조업 데이터들의 특성에 따라서, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망을 구성하고, 각 신경망에 의해 추출된 특징들을 통합하여 예측값을 출력하도록 잔여 출선량 예측 모델을 생성할 수 있다.
도 4를 예로 들면, 잔여 출선량 예측 모델(300)은 3차원의 노체 온도 데이터를 입력 데이터로 하는 신경망 모델(310), 2차원의 송풍량 데이터를 입력 데이터로 하는 신경망 모델(320), 2차원의 수선량 데이터를 입력 데이터로 하는 신경망 모델(330), 그 외 1차원의 조업 데이터들을 입력 데이터로 하는 신경망 모델(340), 그리고 신경망 모델들(310~340)의 출력들을 통합하여 예측 결과(총저선량 Logit, 잔여 수선 시간 Logit, 잔여 출선량 Logit)를 출력하는 통합 계층(350)으로 구성될 수 있다.
신경망 모델(310)은 3차원의 노체 온도 데이터를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(320)은 각 송풍관(13)에 대응하는 2차원의 송풍량 데이터를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(330)은 고로(10)의 총 수선량 및 분당 수선량(출석 속도)에 대응하는 2차원의 수선량 데이터(총 수선량, 분당 수선량(출선 속도))를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다. 신경망 모델(340)은 노체 온도, 송풍량, 및 수선량을 제외한 그 외 1차원의 조업 데이터를 입력 데이터로 입력 받고, 이로부터 특징들을 추출하여 출력하도록 설정될 수 있다.
전술한 신경망 모델들(310~340)은 컨벌루션 신경망(Convolutional neural network, CNN)으로 구성될 수 있다. CNN은 영상, 음성, 3D 영상, 시계열 데이터 등과 같이 시간적, 공간적 지역성을 가지는 데이터를 처리하는데 강점이 있으며 많은 사례에서 훌륭한 성과를 내고 있는 딥러닝 방법론의 하나이다. CNN은 하나 또는 여러 개의 콘볼루션 계층(convolution layer)과 풀링계층(pooling layer), 덴스 계층(dence layer)(또는 전결합 계층(fully connected layer))들로 구성되는 신경망이다. CNN에서는 콘볼루션 계층(convolution layer)과 풀링 계층(pooling layer)을 통해 입력 데이터들로부터 특징(feature)들을 추출하고, 덴스 계층(dence layer)에서의 분류를 통해 예측을 진행한다. CNN에서는 도 4에 도시된 바와 같이 풀링 계층(pooling layer)이 생략될 수도 있다.
한편, 전술한 신경망 모델들(310~340) 중 신경망 모델(340)은 skip-dense(dense 계층의 매 층마다 skip connection을 연결) 구조에 조직화 항(regularization term)을 적용하여 구성될 수 있다.
전술한 신경망 모델들(310~340)은 입력 데이터(온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외 복수의 조업 데이터)로 시계열 데이터가 입력되도록 망 구조가 구성될 수 있다. 예를 들어, 잔여 출선량 예측 모델(300)을 구성하는 각 신경망 모델(310~340)의 입력 데이터들(온도 데이터, 송풍량 데이터, 수선량 데이터, 및 복수의 조업 데이터)은, 현재 시점(T)의 360분 전부터 현재 시점(T)까지, 1분 단위로 샘플링된 데이터들을 시간 순서대로 배열한 시계열 데이터일 수 있다.
통합 계층(350)은 분류기(classifier)를 통해, 신경망 모델들(310~340)의 출력 데이터들, 즉, 신경망 모델들(310~34)을 통해 추출한 특징(feature)들로부터 예측 결과를 출력할 수 있다. 통합 계층(350)은 skip-dense 구조의 분류기를 포함하며, 총저선량 Logit, 잔여 출선 시간 Logit, 잔여 출선량 Logit을 출력하도록 구성될 수 있다. 이와 같이, 하나의 잔여 출선량 예측 모델(300)을 통해 복수의 인자에 대해 동시 예측을 진행하는 것은, 각각의 인자에 대해 별도로 예측을 진행하는 경우에 비해 필요한 예측 모델의 개수가 감소하며, 동시 예측으로 인한 일반화(generalization) 효과가 있을 수 있다.
예측 모델 생성부(125)는 잔여 출선량 예측 모델의 망 구조를 설정하는 과정에서, 망 구조를 변경해가며 복수의 잔여 출선량 예측 모델을 생성할 수도 있다. 이 경우, 평가부(127)는 예측 모델 생성부(125)에 의해 생성된 복수의 예측 모델들에 대한 검증 과정을 수행하여, 최적의 잔여 출선량 예측 모델을 선택할 수 있다.
예측 모델 생성부(125)는 평가부(127)에서의 평가 결과를 참조하여 잔여 출선량 예측 모델의 망 구조에 대한 튜닝 과정을 수행할 수도 있다. 예를 들어, 예측 모델 생성부(125)는 잔여 출선량 예측 모델을 구성하는 신경망 모델들(310~340)의 5~7번째 콘볼루션 계층 또는 10~100번째 ResNet 계층의 구조를 변경시키거나, 통합 계층(350)에서의 10~20번째 Skip-dense 계층의 구조 변화, 갭(GAP) 적용, 특성 맵의 깊이(depth) 조절, Softmax와 단일 로지트(logit)의 비교, 레이블 변경 등을 통해 잔여 출선량 예측 모델(300)을 튜닝할 수 있다.
예측 모델 생성부(125)는 고로(10)의 각 출선구(12)에 대해 잔여 출선량 예측 모델을 각각 생성할 수 있다. 또한, 예측 모델 생성부(1250는 고로(10)의 전체 출선구에 적용할 수 있는 잔여 출선량 예측 모델을 생성할 수도 있다. 각 출선구(12)의 잔여 출선량 예측 모델(300)은, 각 출선구(12)의 잔여 출선량을 예측하기 위한 것이고, 전체 출선구(12)의 잔여 출선량 예측 모델은 고로(10) 전체의 출선구(12)에 대한 잔여 출선량을 예측하기 이한 것이다.
예측 모델 생성부(125)는 고로(10)의 각 출선구와 전체 출선구에 대해 잔여 출선량 예측 모델들이 생성되면, 이들을 예측 모델 DB(124)에 저장할 수 있다.
학습부(126)는 부정기적으로 기동하여, 예측 모델 생성부(125)에 의해 생성된 잔여 출선량 예측 모델들에 대해 학습 데이터들을 이용한 학습(딥러닝)을 진행할 수 있다.
도 4를 예로 들면, 학습부(126)는 조업 데이터 수집 시스템(110)을 통해 수집된 노체 온도 데이터, 송풍량 데이터, 수선량 데이터, 및 그 외의 복수의 조업 데이터(예를 들어, 출선구별 출선량, 출선구별 출선 속도 및 출선 시간, 배가스 성분, 소결광 입조량, 용선 온도, 용선 성분, 장입 속도 등)를 학습 데이터로 하여, 잔여 출선량 예측 모델(300)을 반복 학습 시킬 수 있다.
한편, 학습부(126)는 잔여 출선량 예측 모델의 학습 과정에서, 입력으로 사용되는 조업 데이터들의 정규화를 통해, 센서 이상 등에 의해 발생되는 이상 데이터들을 필터링할 수 있다. 예를 들어, 학습부(126)는 5,000Nm3/min 이하의 송풍량 데이터, 150분 이하의 출선 시간 등은 이상 데이터로 판정할 수 있다. 그리고, 이상 판정된 데이터들은 잔여 출선량 예측 모델의 학습에서 제외시킴으로써 잔여 출선량 예측 모델의 예측 정확성을 향상시킬 수 있다.
평가부(127)는 검증 데이터 DB(122)에 저장된 검증 데이터들을 사용하여 예측 모델 생성부(125)에 의해 생성된 잔여 출선량 예측 모델들을 검증할 수 있다. 예측 모델 생성부(125)는 잔여 출선량 예측 모델의 생성 단계에서, 복수의 잔여 출선량 예측 모델들을 생성할 수 있다. 이와 같이, 예측 모델 생성부(125)에 의해 복수의 잔여 출선량 예측 모델들이 생성된 경우, 평가부(127)는 검증 데이터 DB(122)에 저장된 검증 데이터들을 사용하여 예측 모델 생성부(125)에 의해 생성된 잔여 출선량 예측 모델들 중 최적의 잔여 출선량 예측 모델을 선택할 수 있다.
또한, 평가부(127)는 학습부(126)에 의해 잔여 출선량 예측 모델이 갱신될 때마다, 시험 데이터 DB(123)에 저장된 시험 데이터들을 사용하여 잔여 출선량 예측 모델의 성능 평가를 수행할 수도 있다. 그리고, 성능 평가 결과에 기반하여 새롭게 갱신된 잔여 출선량 예측 모델로, 현재 예측 시스템(130)에서 사용 중인 잔여 출선량 예측 모델을 대체할 것인지를 판단할 수 있다. 학습부(126)에 의해 갱신된 잔여 출선량 예측 모델로 예측 시스템(130)에서 사용 중인 잔여 출선량 예측 모델을 갱신하도록 결정되면, 평가부(127)는 새롭게 갱신된 잔여 출선량 예측 모델을 예측 시스템(130)으로 전달함으로써 예측 시스템(130)에서 사용 중인 예측 모델을 갱신할 수 있다.
예측 시스템(130)은, 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들과 학습 시스템(120)에 의해 생성/갱신된 신경망 기반의 잔여 출선량 예측 모델을 이용하여, 주기적으로(예를 들어, 1분 단위로) 예측을 수행할 수 있다. 예측 시스템(130)은 예측 모델 DB(131), 예측부(132), 및 예측 가능성 분석부(133)를 포함할 수 있다.
예측부(132)는 학습 시스템(120)으로부터 잔여 출선량 예측 모델이 수신되면, 이를 예측 모델 DB(131)에 저장할 수 있다. 그리고, 학습 시스템(120)으로부터 잔여 출선량 예측 모델의 갱신이 요청될 때마다, 학습 시스템(120)으로부터 새롭게 수신되는 잔여 출선량 예측 모델을 이용하여 예측 모델 DB(131)에 저장된 잔여 출선량 예측 모델을 갱신할 수 있다.
또한, 예측부(132)는 주기적으로(예를 들어, 1분 단위로) 조업 데이터 수집 시스템(110)으로부터 조업 데이터들을 수신하고, 이를 예측 모델 DB(131)에 저장된 잔여 출선량 예측 모델에 적용함으로써 총 저선량, 잔여 출선 시간, 잔여 출선량 등의 예측값을 획득할 수 있다.
예측부(132)는 잔여 출선량 예측 모델을 이용하여 예측값을 획득하면, 이를 디스플레이(140)에 전달함으로써 운전 화면에 표시되도록 할 수 있다. 따라서, 작업자는 운전 화면을 통해 저선량, 잔여 출선 시간, 및 잔여 출선량 예측값을 확인할 수 있으며, 이에 기반하여 출선구 폐쇄 시점 또는 TLC 배차 등을 제어할 수 있다.
한편, 예측부(132)는 출선구(12)의 출선이 종료되면, 예측 모델의 검증을 위해 종료 시점으로부터 소정 시간 이전(예를 들어, 30분 이전)의 잔여 출선량 예측값과 출선 종료 시점 이후의 잔여 출선량 예측값을 학습 시스템(120)으로 전달할 수 있다.
예측 가능성 분석부(133)는 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들을 분석하여 잔여 출선량 예측 모델을 이용한 예측이 가능한 상황인지를 판단하고, 예측이 불가능한 상황으로 판단되면 예측부(132)에 이를 통보할 수 있다. 예를 들어, 예측 가능성 분석부(133)는 소정 시간 동안 조업 데이터 수집 시스템(110)을 통해 조업 데이터가 수집되지 않은 경우, 예측이 불가능한 상황으로 판단하고 이를 예측부(132)에 전달할 수 있다. 또한, 예를 들어, 예측 가능성 분석부(133)는 조업 데이터 수집 시스템(110)으로부터 5,000Nm3/min 이하의 송풍량 데이터 또는 150분 이하의 출선 시간 데이터가 입력되면, 이상치로 인한 예측 불가능 상황으로 판단하고 이를 예측부(132)에 전달할 수 있다.
예측 가능성 분석부(133)로부터 예측이 불가능한 상황임이 통지되면, 예측부(132)는 잔여 출선량 예측 모델을 이용하녀 예측을 중지하고, 디스플레이(140)를 통해 예측 불가 상황임을 운전 화면 상에 표시할 수 있다.
전술한 구조의 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템(100)에서, 조업 데이터 수집 시스템(110), 학습 시스템(120), 및 예측 시스템(130)의 각 기능은, 하나 이상의 중앙 처리 유닛(central processing unit, CPU)이나 기타 칩셋, 마이크로프로세서 등으로 구현되는 프로세서에 의해 수행될 수 있다.
도 5는 본 발명의 실시 예에 따른 고로 설비의 잔여 출선량 예측 방법을 개략적으로 도시한 것이다. 도 5의 잔여 출선량 예측 방법은, 전술한 도 1 내지 도 4를 참조하여 설명한 잔여 출선량 예측 시스템(100)에 의해 수행될 수 있다.
도 5를 참조하면, 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템(100)은 학습 시스템(120)을 통해 신경망 기반의 잔여 출선량 예측 모델을 생성한다(S100).
상기 S100 단계에서, 학습 시스템(120)은 잔여 출선량에 영향을 주는 조업 데이터들(노체 온도, 송풍량, 수선량 등)을 입력으로 하며, 잔여 출선량과 관련된 적어도 하나의 예측값(총 저선량, 잔여 출선 시간, 잔여 출선량 등)을 출력으로 하도록 신경망 기반의 잔여 출선량 예측 모델을 생성할 수 있다. 여기서, 잔여 출선량 예측 모델의 입력 인자 및 출력 인자는, 전문가 집단에 의해 선택될 수 있다.
상기 S100 단계에서, 학습 시스템(120)은 입력되는 조업 데이터들의 특성에 따라서 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망(도 3의 도면 부호 310 내지 340 참조)을 구성하고, 각 신경망에 의해 추출된 특징들을 통합하여 예측값을 출력하도록 잔여 출선량 예측 모델(도 4의 도면 부호 300 참조)의 망 구조를 구성할 수 있다. 여기서, 학습 시스템(120)은 각 신경망 모델을 CNN으로 구성하며, 각 신경망의 출력을 통합하는 통합 계층(도 4의 도면 부호 350 참조)은 skip-dense 구조의 분류기를 포함하도록 구성할 수 있다.
상기 S100 단계에서, 학습 시스템(120)은 잔여 출선량뿐만 아니라, 총 저선량과 잔여 출선 시간을 함께 예측하도록 잔여 출선량 예측 모델을 생성할 수 있다.
상기 S100 단계를 통해 생성된 잔여 출선량 예측 모델은, 이를 잔여 출선량 예측에 사용하기 전에 튜닝 과정과 반복 학습 과정을 통해 성능이 개선될 수 있다(S110).
상기 S110 단계에서, 학습 시스템(120)은 잔여 출선량 예측 모델을 구성하는 신경망 모델들의 콘볼루션 계층 또는 ResNet 계층의 구조를 변경시키거나, 통합 계층에서의 skip-dense 계층의 구조 변화, 갭(GAP) 적용, 특성 맵의 깊이(depth) 조절, Softmax와 단일 로지트(logit)의 비교, 레이블 변경 등을 통해 잔여 출선량 예측 모델을 튜닝함으로써 잔여 출선량 예측 모델의 성능을 개선할 수 있다.
상기 S110 단계에서, 학습 시스템(120)은 학습 데이터를 이용하여 잔여 출선량 예측 모델을 반복 학습시킴으로써, 잔여 출선량 예측 모델의 성능을 개선할 수 있다.
고로 조업이 시작되면, 잔여 출선량 예측 시스템(100)은 조업 데이터 수집 시스템(110)을 통해 잔여 출선량에 영향을 미치는 조업 데이터들을 주기적(예를 들어, 1분 단위)으로 수집한다(S120). 그리고, 예측 시스템(130)을 통해, 잔여 출선량 예측 모델에 상기 S120 단계를 통해 수집된 조업 데이터들을 주기적으로 대입함으로써, 잔여 출선량과 관련된 적어도 하나의 예측값(총 저선량, 잔여 출선량, 잔여 출선 시간 등)을 주기적으로 획득할 수 있다(S130).
상기 S120 단계에서, 조업 데이터는 고로(10) 설비에 설치된 센서들을 통해 수집되는 센싱 데이터, 고로(10)의 설비 및 작업을 제어하기 위해 작업자로부터 입력되는 제어 데이터, 고로(10) 조업의 결과로 발생되는 수치 데이터 등을 포함할 수 있다. 예를 들어, 조업 데이터는 고로(10)의 노체 온도 데이터, 송풍량 데이터, 및 수선량 데이터를 포함할 수 있다. 또한, 예를 들어, 조업 데이터는 고로(10)의 출선구별 출선량, 출선구별 출선 속도 및 출선 시간, 배가스 성분(예를 들어, 노정 가스 중 질소(N2) 비율), 소결광 입조량, 용선 온도, 용선 성분(예를 들어, 용선 중 Si 비율), 장입 속도, 평균 장입 속도 등을 포함할 수도 있다.
상기 S120 단계에서 수집된 조업 데이터들은 잔여 수선량 예측 모델의 입력 데이터로 사용되기 위해, 그 특성에 맞게 1차원, 2차원 또는 3차원의 시계열 데이터로 가공될 수 있다. 예를 들어, 노체 온도 데이터는, 대응하는 온도 센서의 고로(10) 내 위치 정보가 반영된 3차원의 시계열 데이터로 가공될 수 있다. 또한, 예를 들어, 송풍량 데이터는 대응하는 고로(10) 내 위치 정보가 반영된 2차원의 시계열 데이터로 가공될 수 있다. 또한, 예를 들어, 수선량 데이터는 대응하는 출선구의 위치 정보가 반영된 2차원의 시계열 데이터로 변환될 수 있다. 여기서, 각 조업 데이터는, 1분 단위로 샘플링된 데이터들을 시간 순서대로 배열하여 시계열 데이터로 가공될 수 있다.
상기 S130 단계에서, 예측 시스템(130)은 조업 데이터 수집 시스템(110)에 의해 수집되는 조업 데이터들을 분석하여 잔여 출선량 예측 모델을 이용한 예측이 가능한 상황인지를 판단하고, 예측이 불가능한 상황으로 판단되면 예측을 수행하지 않을 수도 있다. 예를 들어, 예측 시스템(130)은 소정 시간 동안 조업 데이터 수집 시스템(110)을 통해 조업 데이터가 수집되지 않은 경우, 예측이 불가능한 상황으로 판단하고 예측을 중지할 수 있다. 또한, 예를 들어, 예측 시스템(130)은 조업 데이터로 5,000Nm3/min 이하의 송풍량 데이터 또는 150분 이하의 출선 시간 데이터가 입력되면, 이상치로 인한 예측 불가능 상황으로 판단하고 예측을 중지할 수 있다.
한편, 상기 S130 단계를 통해 잔여 출선량과 관련된 예측값이 획득되면, 잔여 출선량 예측 시스템(100)은 디스플레이(140)를 통해 이를 운전 화면에 표시함으로써(S140), 작업자가 이를 참조하여 출선 종료 시점 및 TLC 배차를 제어하도록 지원할 수 있다.
이하, 도 6 내지 도 10을 참조하여 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템 및 그 방법의 잔여 출선량 예측 성능 개선 효과를 설명하기로 한다.
도 6 내지 도 9는 본 발명의 실시 예에 따른 잔여 출선량 예측 방법을 적용하여 고로의 출선구 별로 잔여 출선량을 예측한 결과와, 실제 잔여 출선량의 변화를 비교하여 도시한 도면들이다. 또한, 도 10은 본 발명의 실시 예에 따른 잔여 출선량 예측 방법을 적용하여 고로의 전체 출선구의 잔여 출선량을 예측한 결과와, 실제 잔여 출선량의 변화를 비교하여 도시한 도면이다
도 6 내지 도 10은 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템(100)을 이용하여 고로(10)의 각 출선구와 전체 출선구에 대해 잔여 출선량 예측 모델을 생성하고, 각 잔여 출선량 예측 모델에 대해 총 15개월(2016년 9월 ~ 2017년 12월) 동안 수집된 조업 데이터들을 이용한 학습을 진행한 후에 잔여 출선량 예측에 사용한 결과를 도시한 것이다. 각 잔여 출선량 예측 모델의 학습 과정에서는, 실제 측정된 총 저선량, 잔여 출선 시간 및 잔여 출선량을 y 레이블(정답에 해당하는 값)로 하여 학습이 이루어졌으며, 의미상으로 잔여 출선량이 0이 되는 시점을 출선 폐쇄 시점으로 학습하였다.
도 6 내지 도 10에서 그래프의 y축은 잔여 출선량(ton)을 나타내며, x축은 시간을 의미한다.
도 6 내지 도 10을 참조하면, 잔여 출선량은 출선 개시 시점에는 총 출선량을 보이다가, 출선 종료 시점에 가까워질수록 0에 수렴하도록 나타낸다. 또한, 모든 출선구에 대해 출선 개시 시점에서는 실제 잔여 출선량과 잔여 출선량 예측값 사이에 약간의 오차가 발생하나, 시간이 경과하여 출선 종료 시점에 가까워질수록 잔여 출선량 예측값이 실제 잔여 출선량에 근접해짐을 알 수 있다. 특히, 도 10을 참조하면, 출선 종료 시점에 근접한 구간에서는 잔여 출선량 예측값이 실제 잔여 출선량과 거의 동일함을 알 수 있다.
본 발명의 실시 예에서, 잔여 출선량 예측은 출선 종료 시점을 정확히 예측하기 위해 수행된다. 출선 개시 시점에서의 잔여 출선량 예측값은 출선 종료 시점을 예측하는데 있어 중요하지 않은 데이터이며, 실제 출선 종료 시점을 예측하는데 있어 출선 종료 시점에 근접하여 예측된 잔여 출선량 예측값만으로 충분하다.
따라서, 본 발명의 실시 예에 따른 잔여 출선량 예측 시스템 및 그 방법을 적용할 경우, 출선 종료 시점에 근접한 구간에서의 잔여 출선량 예측 정확도를 향상시킴으로써, 이를 기반으로 출선 종료 시점을 예측할 경우 출선 종료 시점의 예측 정확도를 향상시킬 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.
(부호의 설명)
10: 고로
11: 풍구
12: 출선구
13: 송풍관
100: 잔여 출선량 예측 시스템
110: 조업 데이터 수집 시스템
111: 조업 데이터 수집부
112: 조업 데이터 DB
120: 학습 시스템
121: 학습 데이터 DB
122: 검증 데이터 DB
123: 시험 데이터 DB
124, 131: 예측 모델 DB
125: 예측 모델 생성부
126: 학습부
127: 평가부
130: 예측 시스템
132: 예측부
133: 예측 가능성 분석부
140: 디스플레이

Claims (19)

  1. 고로의 잔여 출선량 예측 시스템에 있어서,
    복수의 조업 데이터를 수집하는 조업 데이터 수집 시스템,
    잔여 출선량과 관련된 적어도 하나의 예측값을 출력하는 신경망 기반의 예측 모델을 생성하고 관리하는 학습 시스템, 및
    상기 복수의 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 상기 고로의 잔여 출선량과 관련된 적어도 하나의 예측값을 획득하는 예측 시스템을 포함하며,
    상기 예측 모델은, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하는 통합 계층을 포함하는 잔여 출선량 예측 시스템.
  2. 제1항에 있어서,
    상기 복수의 신경망 모델은,
    3차원의 노체 온도 데이터를 입력으로 하는 제1신경망 모델,
    2차원의 송풍량 데이터를 입력으로 하는 제2신경망 모델,
    2차원의 수선량 데이터를 입력으로 하는 제3신경망 모델, 및
    상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함하는 잔여 출선량 예측 시스템.
  3. 제2항에 있어서,
    상기 3차원의 노체 온도 데이터는, 노체 온도 측정값 및 상기 노체 온도 측정값이 측정된 위치를 나타내는 위치 정보를 포함하는 잔여 출선량 예측 시스템.
  4. 제2항에 있어서,
    상기 2차원의 송풍량 데이터는, 송풍량 측정값과 상기 송풍량 측정값이 측정된 위치를 나타내는 위치 정보를 포함하는 잔여 출선량 예측 시스템.
  5. 제2항에 있어서,
    상기 2차원의 수선량 데이터는, 수선량 측정값과 상기 수선량 측정값이 측정된 출선구의 위치 정보를 포함하는 잔여 출선량 예측 시스템.
  6. 제2항에 있어서,
    상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 잔여 출선량 예측 시스템.
  7. 제2항에 있어서,
    상기 통합 계층은 skip-dense 구조의 분류기를 포함하는 잔여 출선량 예측 시스템.
  8. 제1항에 있어서,
    상기 적어도 하나의 예측값은, 총 저선량 예측값, 잔여 출선 시간 예측값, 및 잔여 출선량 예측값을 포함하는 잔여 출선량 예측 시스템.
  9. 제8항에 있어서,
    상기 학습 시스템은, 상기 고로의 출선구 별로 상기 예측 모델을 생성하고 관리하는 잔여 출선량 예측 시스템.
  10. 제9항에 있어서,
    상기 예측 시스템은, 상기 고로의 출선구 별로 생성된 상기 예측 모델을 이용하여 상기 고로의 출선구 별로 상기 적어도 하나의 예측값을 획득하는 잔여 출선량 예측 시스템.
  11. 고로 설비의 잔여 출선량 예측 방법에 있어서,
    잔여 출선량과 관련된 적어도 하나의 예측값을 출력하는 신경망 기반의 예측 모델을 생성하는 단계,
    고로 조업이 시작되면, 복수의 조업 데이터를 수집하는 단계,
    상기 복수의 조업 데이터를 상기 예측 모델의 입력 데이터로 사용하여, 상기 고로의 잔여 출선량과 관련된 적어도 하나의 예측값을 획득하는 단계, 및
    상기 적어도 하나의 예측값을 운전 화면에 표시하는 단계를 포함하며,
    상기 예측 모델은, 1차원, 2차원 또는 3차원의 조업 데이터를 입력으로 하는 복수의 신경망 모델과, 상기 복수의 신경망 모델을 통해 추출된 특징들을 통합하는 통합 계층을 포함하는 잔여 출선량 예측 방법.
  12. 제11항에 있어서,
    상기 복수의 신경망 모델은,
    3차원의 노체 온도 데이터를 입력으로 하는 제1신경망 모델,
    2차원의 송풍량 데이터를 입력으로 하는 제2신경망 모델,
    2차원의 수선량 데이터를 입력으로 하는 제3신경망 모델, 및
    상기 복수의 조업 데이터 중 상기 노체 온도 데이터, 상기 송풍량 데이터, 및 상기 수선량 데이터를 제외한 나머지 조업 데이터를 입력으로 하는 제4신경망 모델을 포함하는 잔여 출선량 예측 방법.
  13. 제12항에 있어서,
    상기 통합 계층은 skip-dense 구조의 분류기를 포함하는 잔여 출선량 예측 방법.
  14. 제12항에 있어서,
    상기 수집하는 단계는,
    노체 온도 측정값 및 상기 노체 온도 측정값이 측정된 위치를 나타내는 위치 정보를 포함하도록, 상기 3차원의 노체 온도 데이터를 가공하는 단계를 포함하는 잔여 출선량 예측 방법.
  15. 제12항에 있어서,
    상기 수집하는 단계는,
    송풍량 측정값과 상기 송풍량 측정값이 측정된 위치를 나타내는 위치 정보를 포함하도록, 상기 2차원의 송풍량 데이터를 가공하는 단계를 더 포함하는 잔여 출선량 예측 방법.
  16. 제12항에 있어서,
    상기 수집하는 단계는,
    수선량 측정값과 상기 수선량 측정값이 측정된 출선구의 위치 정보를 포함하도록, 상기 2차원의 수선량 데이터를 가공하는 단계를 포함하는 잔여 출선량 예측 방법.
  17. 제12항에 있어서,
    상기 제1, 제2, 제3 및 제4신경망 모델은, 컨벌루션 신경망(Convolutional neural network)으로 구성되는 잔여 출선량 예측 방법.
  18. 제11항에 있어서,
    상기 생성하는 단계는,
    상기 고로의 출선구 별로 상기 신경망 기반의 예측 모델을 생성하는 단계를 포함하는 잔여 출선량 예측 방법.
  19. 제18항에 있어서,
    상기 획득하는 단계는,
    상기 고로의 출선구 별로 생성된 상기 신경망 기반의 예측 모델에 상기 복수의 조업 데이터를 입력시켜, 상기 상기 고로의 출선구 별로 총 저선량 예측값, 잔여 출선 시간 예측값, 및 잔여 출선량 예측값을 획득하는 단계를 포함하는 잔여 출선량 예측 방법.
PCT/KR2018/014511 2018-08-01 2018-11-23 고로의 잔여 출선량 예측 시스템 및 그 방법 WO2020027385A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180090020A KR20200017602A (ko) 2018-08-01 2018-08-01 고로의 잔여 출선량 예측 시스템 및 그 방법
KR10-2018-0090020 2018-08-01

Publications (1)

Publication Number Publication Date
WO2020027385A1 true WO2020027385A1 (ko) 2020-02-06

Family

ID=69232269

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/014511 WO2020027385A1 (ko) 2018-08-01 2018-11-23 고로의 잔여 출선량 예측 시스템 및 그 방법

Country Status (2)

Country Link
KR (1) KR20200017602A (ko)
WO (1) WO2020027385A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114774605A (zh) * 2022-03-15 2022-07-22 中南大学 一种高炉堵铁口时间智能预报装置
CN115652003A (zh) * 2022-09-06 2023-01-31 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102494722B1 (ko) * 2020-12-21 2023-02-06 주식회사 포스코 제강 공정에서의 합금철 관리 시스템 및 그 관리 방법
KR102660392B1 (ko) * 2022-07-29 2024-04-25 현대제철 주식회사 전기로 공정의 스크랩 붕락 예측 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0637648B2 (ja) * 1988-12-22 1994-05-18 川崎製鉄株式会社 高炉炉熱予測方法
KR950018489A (ko) * 1993-12-28 1995-07-22 조말수 인공신경회로망을 이용한 고로용선온도 예측 및 액션제어량 가이드시스템
JPH093512A (ja) * 1995-06-16 1997-01-07 Nippon Steel Corp 高炉のラップ出銑判定方法とその装置
KR100604461B1 (ko) * 2000-12-28 2006-07-26 신닛뽄세이테쯔 카부시키카이샤 고로의 조업 상태 감시 방법 및 장치
KR101858860B1 (ko) * 2016-12-22 2018-05-17 주식회사 포스코 고로 노열 제어 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0637648B2 (ja) * 1988-12-22 1994-05-18 川崎製鉄株式会社 高炉炉熱予測方法
KR950018489A (ko) * 1993-12-28 1995-07-22 조말수 인공신경회로망을 이용한 고로용선온도 예측 및 액션제어량 가이드시스템
JPH093512A (ja) * 1995-06-16 1997-01-07 Nippon Steel Corp 高炉のラップ出銑判定方法とその装置
KR100604461B1 (ko) * 2000-12-28 2006-07-26 신닛뽄세이테쯔 카부시키카이샤 고로의 조업 상태 감시 방법 및 장치
KR101858860B1 (ko) * 2016-12-22 2018-05-17 주식회사 포스코 고로 노열 제어 장치

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114774605A (zh) * 2022-03-15 2022-07-22 中南大学 一种高炉堵铁口时间智能预报装置
CN114774605B (zh) * 2022-03-15 2023-06-13 中南大学 一种高炉堵铁口时间智能预报装置
CN115652003A (zh) * 2022-09-06 2023-01-31 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统
CN115652003B (zh) * 2022-09-06 2024-01-09 中南大学 一种基于两阶段分类的高炉堵铁口时间在线监测方法及系统

Also Published As

Publication number Publication date
KR20200017602A (ko) 2020-02-19

Similar Documents

Publication Publication Date Title
WO2020027385A1 (ko) 고로의 잔여 출선량 예측 시스템 및 그 방법
Radhakrishnan et al. Neural networks for the identification and control of blast furnace hot metal quality
US3588067A (en) Control apparatus for blast furnace operation
CN102782432B (zh) 托盘台车的漏风检测系统和托盘台车的漏风检测方法
WO2019124768A1 (ko) 소결 조업 제어 장치 및 그 방법
CN1403593A (zh) 一种利用智能控制系统控制高炉冶炼的方法
WO2021101048A9 (ko) 차량센서를 활용한 전기차용 정보제공서비스 시스템
CN111893237A (zh) 一种转炉炼钢的熔池碳含量及温度全程实时预测方法
WO2019117493A1 (ko) 고로의 송풍 제어 장치 및 그 방법
KR20200022207A (ko) 고로의 출선구 폐쇄 시점 예측 시스템 및 그 방법
WO2019098484A1 (ko) 고로의 송풍 제어 장치 및 그 방법
WO2020106018A1 (ko) 가열로 모니터링 시스템 및 방법
WO2018038279A1 (ko) 에너지 절감 방법 및 이를 적용한 fems
US4450569A (en) Method and structure for maintaining effluent pressure range within an electric arc melting furnace
Demin Development of «whole» evaluation algorithm of the control quality of «cupola–mixer» melting duplex process
CN111349741A (zh) 一种转炉炼钢喷溅预报、钢水温度和碳含量检测的方法
Kamo et al. Method for predicting gas channeling in blast furnace
WO2019107980A1 (ko) 품질 예측 장치 및 방법
WO2019112207A1 (ko) 미분탄 취입량 제어 장치 및 그 방법
WO2018097499A1 (ko) 탕면높이 측정장치 및 측정방법
CN216524095U (zh) 一种用于钢包空包及出钢过程的热状态监测系统
KR101277901B1 (ko) 고로 풍구 점검 장치
KR200379590Y1 (ko) 용광로의 송풍구 원격감시 시스템
CN208414467U (zh) 一种自动测温系统
CN114185976A (zh) 一种高炉可视化智能感知平台

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18928709

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18928709

Country of ref document: EP

Kind code of ref document: A1