인공신경회로망을 이용한 고로용선용도 예측 및 액션 제어량 가이드 장치

제1도는 종래의 용선온도 및 조업인자의 추이유형을 나타내는 그래프.

제2도는 종래의 추이 판정기준값에 따른 저하, 안정, 상승, 경계상에서의 추이그래프.

제3도는 본 발명에 따른 용선온도 예측 및 액션제어량 가이드 시스템의 구성도.

제4도는 본 발명에 적용되는 신경회로망의 구조도.

제5도는 본 발명에 따른 용선온도 및 조업인자의 시계열 데이타의 유형을 나타내는 그래프.

제6도는 본 발명에 의한 장치의 제어 흐름도.

* 도면의 주요부분에 대한 부호의 설명

1 : 고로 2 : SCC(하위컴퓨터)

3 : 프로세스 컴퓨터 4 : 인공지능 컴퓨터

5 : 센서 데이타 수집부 6 : 연산부

7 : 데이타 저장부 8 : 고로제어부

9 : 인터페이스버퍼 10 : 추론엔진

11 : 지식 베이스 14 : 계장제어기

15 : 전기제어기 17 : 열풍로

18 : 코코스 공급탱크 21 : 미분탄 공급탱크

본 발명은 고로 조업시 출선되는 용선온도의 예측적중율 향상을 위해 인공신경회로망을 이용하는 고로 용선온도 예측 및 액션제어량 가이드 장치에 관한 것이다.

고로 조업에서 용선온도 정보는 노내상황을 대변하는 중요한 조업결과로써 일상조업에서는 조업자가 가장 직접적으로 노내의 상황을 추정할 수 있는 정보로 활용하고 있다.

특히 조업자는 이 용선온도를 일정수준으로 (1510±10℃) 유지하기 위해 노정온도, 가스 이용율, 하부노체 방산열, 하부통기성 변동지수, 장입물 강하 속도 등 용선온도 관련조업인자의 추이와 용선온도의 추이 및 레벨을 보고 향후의 용선온도 레벨을 적정하게 유지하기 위해 습분, 코크스비, 미분탄등의 액션 제어량을 결정하여 고로 내로 취입한다.

종래 고로내의 용선온도를 추정하고 이를 제어하는 방법은 일반적으로 고로 조업자가 고로에 설치된 각종 센서로부터 일정한 주기별로 제공되는 데이타를 정성적으로 판정해서 고로의 상황평가를 하고 이 평가에 의해 습분, 미분탄, 코크스비와 같은 용선온도 제어액션을 정량적으로 고로내로 취입함으로써 이뤄졌다. 그러나 고로의 상황평가에는 조업자의 능력과 경험에 따른 개인차가 개입되어 있고 또한 제어액션의 기준화가 복잡하여 정량적인 용선온도의 추정에는 문제점이 있었다. 이와같은 이유로 인공지능 기술중 인간의 지식(Know-How)을 정형화, 표준화하고 이로부터 조업전문가처럼 추론하고 조업을 행하는 용선온도 예측 및 제어량 가이드 시스템이 제안되어 구축되었다. 그러나 고로 노열예측에 필수적인 노정온도, 가스이용율, 하부노체 방산열, 하부 통지성 변동지수 및 장입물 강화속도의(이하 조업인자로 약칭)단기추이와 용선온도의 추이를 구함에 있어 종래의 선형계수 방정식을 이용함에 따라 이들 추이의 정확한 판정에는 문제점이 있게 되었다. 정확치 못한 추이는 향후의 용선온도 예측에 제약조건이 될 뿐 아니라 용선온도의 추이가 향후의 용선온도 레벨이 변소가 되는 노열액션을 정량적으로 결정하는 용선온도 예측 및 액션제어량 가이드 시스템에 여러가지 큰 제약을 주는 요인으로 작용하였다. 이를 좀더 상세히 설명하면 다음과 같다.

제1도는 조업인자 및 용선온도의 추이의 4가지 경우를 나타낸 것으로

A : D1 > D2 > D36 → 저하 B : D1 > D2 < D32 → 안정

C : D1 < D2 > D35 → 안정 D : D1 < D2 < D31 → 상승

을 나타낸다.

이 추이를 식으로 표현하면 다음과 같다.

△Di : 현재로부터 일정기간동안의 조업인자 변화량(D31-D1)

△ti : 시간차(t3-t1)

다시 이 추이변수는 각 조업인자 및 용선온도의 일정한 기준치에 의해 그 추이가 결정되는데 그것은 다음과 같은 신텍스(Syntax)로 이뤄진다.

Ti > αi이면 TCi=1........................................................................(2)

Di ≤Ti≤α이면 TCi=1...................................................................(3)

Ti < βi이면 TCi=-1.....................................................................(4)

αi, βi : 추이를 결정짓는 정수

TCi : 추이를 나타내는 정수(2 : 많이 상승, 1 : 상승, 0 : 안정, -1 : 저하, -2 : 많이 저하)

그러나 위의 식(1)에서 알 수 있듯이 추이변수로 나타내는 식은

Ti=f(△Di, △Ti) ...........................................................................(5)

로 표현되는 선형화된 2변수 함수로만 되어 있어 B, C와 같은 경우 실제로는 현재 추이가 상승하고 있음에도 안정(B : D1-D2-D32) 또는 감소(B : D1-D2-D33)로 판정되고 또한 현재 추이가 감소하고 있음에도 안정(C : D-D2-D35) 또는 증가(C : D1-D2-D34)로 판정되는 모순이 있다. 또한 추이를 결정하는 기준이 위 식(2)(3)(4)처럼 αi, βi의 정수로 구분화되어 있어 제2도에서 처럼 추이경계상(αi,βi)에서의 추이구분이 βi1, βi2과 αi1과 αi2의 차이가 미소할때도 저하와 안정, 안정과 상승이라는 구분이 되어버려 경계상에서의 추이구분에 문제가 있게 되고 이러한 온도가 낮은 조업인자 및 용선온도 추이의 사용은 용선온도 예측율의 정도를 현저히 저하시키는 결과를 가져옴은 물론 이를 토대로 노열 액션을 정량적으로 조업자에게 제시해 주는 고로 용선온도 예측 및 제어량 가이드 시스템의 정도를 저하시키는 결과를 가져온다.

본 발명의 인공지능의 새로운 분야인 인공신경망의 여러가지 구조중 다층 퍼셉트론(Multi Layer Perceptron) 구조의 오류역전파(Error Back Propagartion) 학습기능을 이용함으로써 각 조업인자와 용선온도의 시계열 데이타로부터 각 조업인자 및 용선온도의 정확한 추이를 도출할 수 있는 인공신경 회로망을 이용한 고로 용선온도 예측 및 액션제어량 가이드 장치를 제공하는데 그 목적이 있다.

이하, 첨부한 도면에 기초하여 본 발명을 설명하면 다음과 같다.

제3도는 본 발명의 실시예를 나타낸 것으로 크게 고로 조업지원 기능을 갖는 프로세스 컴퓨터(3), 추론 전용의 인공지능(Artificial Intelligent) 컴퓨터(4), 디지탈 신호를 처리하는 계장 제어기(14) 및 밸브 개폐 신호와 스위치 온/오프 신호를 처리하는 전기제어기(15)를 포함한다.

상기 프로세스 컴퓨터(3)는 고로(1)에 설치되어 고로데이타를 센싱하는 센서(2a-2d)로부터의 센싱데이타를 수집하는 센서데이타 수집부(5)와, 수집된 센서데이타를 기초로 장입물 강하속도, 가스 이용율, 하부노체방사열, 하부 통기성 변동지수의 연상 및 측정된 용선온도의 보정등 고로의 노황을 표시하는 각종 데이타(가공데이타)를 연산하는 연산부(6)와, 이들 센서데이타 및 가공데이타를 기억장소에 기억하는 데이타 저장부(7) 및 하위레벨 컴퓨터인 계장 및 전기제어기(14)(15)를 통해 고로(1)를 제어하는 고로제어부(8)와 인공지능 컴퓨터(4)와 데이타 전송 및 수신을 하기 위해 데이타를 일시 기억하는 인터페이스버퍼(9)로 구성된다.

상기 프로세서 컴퓨터(3)에는 용선온도 센서(2a)의 용선온도 센싱신호를 수집가공하는 하위레벨 컴퓨터인 SCC(2)로부터 데이타가 인가되게 구성한다. 인공지능기법으로 추론을 하는 인공지능 컴퓨터(4)는 프로세스 컴퓨터(3)와의 데이타 수신 및 전송을 하기 위한 인터페이스 버퍼(9)와, 용선온도 관리에 대한 고로조업의 경험, 실적등을 토대로 각종 지식이 저장되어 있는 지식베이스(Knowledge Base)(11)와, 인터페이스 버퍼에 저장된 시계열 데이타로부터 추론을 행하고 그 결과를 프로세스 컴퓨터(3)로 전송하는 추론엔진(10)으로 구성된다.

조업용 단말기(12)를 통해 조업자(13)에 의한 제어량이 입력되면 이 제어량 데이타는 프로세스 컴퓨터(3)로 제공되게 구성하고, 상기 제어량 데이타는 고로 제어부(8)를 거쳐 계장 제어기(14)와 전기 제어기(15)로 제공되게 구성한다.

상기 계장제어기(14)는 고로(1)에 공기를 가열공급하는 열풍로(17)의 투입공기속의 습분을 제어하게 구성한다. 상기 전기제어기(1)는 코크스 공급탱크(18)의 웨이어(weighter)(19)를 제어하고 또한 미분탄 공급탱크(21)를 제어하게 구성한다.

여기에서 20은 고로(1)에 코크스를 운반하는 콘베이어 벨트이고, 23은 미분탄 탱크의 질소압 공급용 질소 콤프레셔이고, 22는 미분탄 제어변이다.

이와같이 구성된 본 발명의 동작을 제3도 내지 제6도를 참조하여 설명하면 다음과 같다.

조업장 소모형 열전대를 사용하여 용선온도를 측정하여 측정된 용선온도 정보는 각종 센서 데이타를 수집하는 하위 레벨 컴퓨터(2)를 거쳐 프로세서 컴퓨터(3)로 전달된다.

프로세스 컴퓨터(3)는 전달된 용선온도 정보를 출선구 특성온도 곡선식을 이용한 용선온도 보정방법으로 보정하여 고로센서(2a-2d)로부터 일정 주기별로 수집한 센서 데이타 수집부(5)의 각종 데이타와 이들 센서 데이타로부터 연산된 가공 데이타와 함께 인공지능 컴퓨터(4)로 전송한다. 전송된 데이타중 고로센서(2a-2d)에 의한 각각의 노정온도, 가스이용율, 하부노체방산열, 하부통기성 변동지수와 장입물 강하속도 및 용선온도는 각각 일정기간(1시간 36분, 4시간)동안의 시계열 데이타를 가지고 인공신경회로망을 이용하여 그 추이를 판정하게 된다.

제4도는 조입인자 단기추이 및 용선온도추이를 구하기 위해 본 발명에서 구성한 다층 퍼셉트론 신경회로망의 구조를 나타낸다. 본 발명에 적용되는 신경회로망은 입력층으로서, 12분간격으로 데이타를 입력받는 다수의 노드(용선온도 신경회로망은 20개 노드, 조업인자, 신경회로망은 8개노드)와 한개의 바이어스 코넥트 노드로 되어 있으며, 상기 입력층을 구성하는 다수의 노드에서 출력되는 데이타가 중간층을 구성하는 다수의 노드(용선온도 신경회로망은 6개노드, 조업인자 신경회로망은 4개노드)에 각각 입력층과 중간층사이의 연결강도에 의해 변화되는 가중치가 가해져 중간층 노드에 각각 입력된다. 중간층 노드에서 출력되는 데이타는 중간층과 출력층 사이의 연결강도에 의해 변화되는 가중치가 가해져 출력층을 구성하는 다수의 노드(용선온도 신경회로망은 2개, 조업인자, 신경회로망은 1개)에 각각 입력된다. 출력층에 출력되는 데이타는 입력층에 입력된 데이타의 추이를 나타내며 학습목표와 비교되어 그 오차가 산출되고, 그 산출된 오차는 상기 입력층과 중간층, 중간층과 출력층의 연결강도를 변화시키기 위해 가해져서 그 가중치가 변화함으로써, 입력된 데이타에 대해 학습을 하여 그 추이를 출력하게 된다.

상기와 같은 신경회로망은 용선온도와 5개의 조업인자(노정온도, 가스이용율, 하부노체 방산열, 하부통기도, 장입속도)에 대해 각각 준비되어 있어서, 6개의 신경회로망이 갖추어진다.

제5도에서 보듯이 시간 t1과 t3에서의 데이타 뿐만 아니라 t1과 t3사이의 시계열 데이타와 바이어스 코넥트 노드를 더 추가한 데이타로 구성되고, 구하고자하는 출력으로는 5개의 조업인자(노정온도, 가스이용율, 하부노체 방산열, 하부통기도, 장입속도) 단기 추이 및 용선온도 추이로 구성된다. 즉, 예를들어 용선온도 추이결정 신경회로망의 입력데이타는 현재로부터 과거 4시간동안 12분간격의 용선온도 데이타 20개와 바이어스 코넥트 노드 1개를 포함 21개이고 출력데이타는 입력데이타에 입력층과 중간층 및 중간층과 출력층의 연결강도에 의해 결정되는 가중치가 가해져 사전에 저장된 학습에 따라 조업자가 결정한 용선온도 추이판정기준에 의거한 용선온도 추이가 된다.

조업인자 단기추이 결정신경회로망의 입력데이타는 현재로부터 과거 1시간 36분동안의 12분 간격의 조업인자 데이타 8개와 바이어스 코넥트 노드 1개를 포함 9개이고 출력데이타는 입력데이타에 따라 조업자가 결정한 각 조업인자 단기추이 판정기준에 의한 각 조업인자의 추이이다.

신경회로망의 학습목표는 용선온도 예측 및 액션가이드 시스템의 예측주기(매 12분)로 수행되는 각 조업인자 및 용선온도 추이산출과정에 과거 일정기간 동안의 추가적인 시계열 데이타의 영향을 반영토록 하는 것이다.

현재까지의 추이상황을 나타내는 입력데이타(31)가 신경회로망에 가해지면 현재의 가중치(Weight)(32)(33)를 바탕으로 출력(34)을 구하고 이 출력과 용선온도 및 각 조업인자의 추이(35)를 비교하여 오차를 검출한 다음 이 오차를 감소시키는 방향으로 각 층사이의 가중치(32)(33)를 수정한다. 이 과정이 오차가 충분히 작은 적정 값이하로 떨어질때까지 반복적으로 수행됨으로써 모든 시계열 입력데이타와 추이 출력간에 존재하는 비선형 상관관계를 학습한다.

고로의 용선온도 및 조업인자 데이타가 신경회로망에 의해 추이되는 과정은 다음과 같다. 예를들어, 고로용선온도가 과거 228분전의 1470℃에서 현재 온도 1520℃의 용선온도 추이의 경우 고로 전문가의 의견은 용선온도 추이가 매우 상승하고 있다고 판단한다.

신경회로망의 경우 과거(228분전)의 용선온도로부터 현재까지의 용선온도 입력데이타로 사용하고 조업전문가의 의견인 매우 상승을 신경회로망의 학습목표(출력데이타)로 하여 입력 용선온도 데이타의 변화 추이에 따른 출력의 상승(안정, 저하) 추이의 비선형 상관관계를 학습한다. 용선온도 추이 학습신경회로망의 구성도는 제4도와 같다. 학습과정을 설명하면 신경회로망의 입력 용선온도에 대하여 신경회로망 출력값이 학습목표 값과 일치하지 않으면 연결강도인 가중치(32)(33)을 수정하여 학습목표 방향으로 신경회로망 출력값을 조정한다.

신경회로망의 출력값이 학습목표값과 일정한 오차(무시해도 좋을 오차)이내가 되면 학습을 종료한다. 학습을 종료하면 용선온도 데이타 변화에 따라 용선온도 추이(상승, 안정, 저하)의 비선형 관계를 학습한다. 조업인자 데이타가 신경회로망에 의해 추이되는 과정은 조업인자는 노정온도, 가스이용율, 하부 노체방산열, 하부 통기도, 장입속도의 5개 인자이며, 조업인자 단기추이도 상기 용선온도 데이타 추이과정과 같은 원리에 의거하여 수행되는데 과거 96분전의 노정온도 데이타로부터 현재까지의 노정온도를 신경회로망의 입력으로 하고 노정온도 추이에 따른 조업자의 판단결과인 상승, 안정, 저하 추이를 신경회로망의 학습목표로하여 학습을 수행하면 노정온도에 따른 노정온도 추이의 비선형 관계를 학습한다. 조업인자 추이 학습 신경회로망의 구성은 입력층이 데이타를 입력받는 노드 8개와 바이어스 코넥트 코드 1개이며, 중간층은 4개, 출력층은 10개의 노드로 구성되는 점이외에 다른 것은 용선온도 추이 학습 신경회로망과 같다.

학습된 지식(32)(33)은 시계열 입력데이타와 출력데이타인 추이간의 상관관계를 나타낸다. 학습이 완료된 신경회로망으로부터 용선온도 추이와 각 조업인자의 추이를 구할때는 현 추론 주기의 용선온도 및 각 조업인자별 시계열 데이타를 현장센서로부터 수신하여 입력으로 가함으로써 입력된 데이타를 기준으로 하여 각 추이결정 신경회로망이 용선온도 추이 및 각 조업인자 추이를 구하고 이로서 노열예측 및 액션제어량을 가이드하게 된다.

이러한 신경회로망의 특징으로 센서오류에 의한 데이타 헌팅에도 오차보정 기능이 있어 정확한 추이판정이 가능하고 수치계산에 의한 추이판정에 비교하여 높은 정확도(99%)를 나타내며 또 추이판정결과(TCi)가 용선온도인 경우 2(많이 증가)에서 -2(많이 감소)까지와 각 조업인자의 경우 1(증가)에서 -1(감소)까지의 연속적 추이수치(예 : 0.3, 0.7등)으로 나타나므로 추이경계에서의 미소한 데이타 값에도 추이가 이분되는 오류를 방지할 수 있다.

제4도에서 보듯이 추이 도출을 위한 신경회로망을 각 인자별로 구성한 이유는 각 인자가 갖는 데이타 특성이 달라 그에 따른 추이판정도 달라져야 하기 때문이다. 상기 신경회로망은 고로의 경년 변화에 따른 용선온도 및 조업인자의 추이변화를 지득하기 위해 조업자가 조업 단말에서 그때의 용선온도 및 조업인자의 추이판정기준을 입력하고 신경회로망 학습여부를 입력하면 신경회로망은 다시 전술한 방법으로 학습을 하여 새로운 학습결과를 도출하고 이를 추이판정에 사용할 수 있게된다.

한편, 인공신경회로망을 이용하여 판정된 각 조업인자의 단기 추이와 정기 추이에 의해 향후 2시간후의 용선온도 변화량(△To)을 에측하고, 코크스비 습분량, 미분탄 등 과거의 액션(Action)제어량의 변화에 따라 향후 2시간후의 용선온도 변화량(△Ta)을 예측하여, 향후에 예상되는 용선온도의 총 변화량을 예측하고 이로부터 향후 2시간후의 용선온도 총 변화량을 예측하게 된다.

이를 식으로 표현하면 다음과 같다.

Tp=Tc+△To+△Ta

Tp : 향후 2시간 후의 용선온도

Tc : 현재의 용선온도

△To : 조업인자 추이조합에 의한 예측 용선온도변화량

△Ta : 액션제어량 변화에 의한 예측 용선온도변화량

예측된 향후 용선온도 변화량은(△To+△Ta) 신경회로망이 구한 용선온도 추이와 더불어 현재 용선온도 레벨, 전일 대비 현재 연료비 편차 및 향후 잠열 레벨로부터 향후의 용선온도를 조업관리기준(1510±10℃)으로 하기 위한 액션제어총량을 구하고, 이를 다시 습분량, 미분탄, 코크스바의 액션제어량으로 판정하여, 상기에서 구한 예측 용선온도 레벨과 액션제어량을 조업용 단말기를 통해 조업자에게 가이드된다. 이에따라 조업자는 액션 설비의 가동 상태를 보고 액션제어량을 조업용 단말기에서 설정하면 그 설정된 값에 따라 계장 제어기(14) 및 전기 제어기(15)는 고로(1)에 적정량의 코크스와 가열공기를 투입하게 된다.

이상과 같이 본 발명에 의하면 고로에 설치된 각종 센서로부터 데이타를 받아 가공데이타를 연산하고 이 가공데이타(조업인자 포함)와 용선온도 데이타로부터 추이를 구하고 이 추이와 액션제어량의 변동분으로부터 조업의 각종 지식이 충분히 활용되어 향후의 용선온도를 예측하고 액션제어량을 가이드해줌으로써, 정확한 용선온도 예측, 조업관리의 표준화, 인간의 오판단방지 및 노화 안정화를 달성할 수 있게 된다.