신경회로망을 이용한 형상제어시스템

제1도는 종래의 형상제어시스템의 구성도.

제2도는 본 발명의 형상제어시스템의 구성도.

제3도는 본 발명에 적용되는 신경회로망의 구성도.

* 도면의 주요부분에 대한 부호의 설명

1 : 신경회로망 2 : 프로세스컴퓨터

3 : 냉각수량제어부 4 : 중간롤 위치제어부

5 : 중간롤 굽힘하중제어부 6 : 작업롤 굽힘하중제어부

7 : 작업롤 레벨링 제어부 8 : 압연기

9 : 스트립 10 : 형상검출센서

11 : 신호처리부 12 : 칼만필터

본 발명은 냉간압연공정의 형상제어시스템에서 제어파라미터로 사용화는 형상영향계수의 정확도 향상을 위해 인공신경회로망(Artificial Neural Network)을 이용하는 형상제어시스템에 관한 것이다.

형상영향계수는 형상제어변수의 단위 조작량 변화에 대한 실제 형상변화량의 비를 나타내는 중요한 파라미터로 압연소재의 종류(코일의 두께, 폭, 강도에 의해 결정)에 따라 그 값이 달라진다. 따라서 약 1400여 소재종류별로 고유의 최적 형상영향계수 값에 대한 관리가 요구된다.

형상제어시스템은 소재종류별로 형상영향계수 초기설정값 테이블을 갖고 있어 각 소재의 압연초기에는 이 테이블 값을 이용하여, 일단 폐루프(Closed Loop)제어계가 구성되면 압연조건의 변동에 따라 형상영향계수의 최적값도 변화하게 되므로 칼만필터(Kalman Filter)의 학습기능을 이용하여 이러한 변화를 수용하는 새로운 형상영향계수 갑을 매 제어주기마다 구하게 된다.

종래의 형상영향계수 초기설정 테이블 값은 경험이 풍부한 조업자가 상관관계분석기법이나 회귀분석(Regression Analysis) 기법을 활용하여 구한 것으로서 분석과정의 복잡성을 줄이기 위해 제어변수의 수를 제한하고 변수간의 선형관계를 가정해야하는 제약조건 때문에 그 정확도가 낮고 1400여종의 소재에 대해 각각의 값을 구하는 데 많은 인력과 시간이 소요되는 것이 일반적인 경향이었다.

연속압연공정은 하나의 압연기에 대해 두께제어와 형성제어가 동시에 수행되고 있는 데 두 제어계의 제어 환경은 완저히 독립적인 관계를 가정하고 있다. 그러나 실제 압연중 두 제어계는 서로 상호간섭 현상을 나타내는 것으로 분석되며 특히 두께제어 변수인 압연하중이나 압연속도의 변화는 형상에 큰 영향을 미치고 있다. 따라서, 기존의 칼만필터에서 형상영향계수를 구할 때 고려되는 형상제어변수와 형상간의 상관관계만으로는 두께정제어계의 상호간섭 영향까지를 반영한 정확한 형상영향계수를 도출할 수 없다.

이러한 종래의 형상제어시스템은 제1도에서 도시하고 있는 바와같이, 백업롤(23), 중간롤(22), 작업롤(21)를 포함하는 압연기(8)에서 스트립을 압연시킬 때 프로세스컴퓨터(2)의 초기설정값 테이블에 따라 냉각수량제어부(3)는 작업롤(21)에 공급되는 냉각수를 제한하고, 중간롤 위치제어부(4)와 중간롤 굽힘하중제어부(5)는 중간롤(22)의 위치 및 하중을 제한하고, 작업롤 굽힘하중제어부(6)는 작업롤(21)의 굽힘하중을 제한하고, 작업롤 레벨링제어부(7)는 백업롤(23)에 일정한 위치제어신호를 제공하게 된다. 이러한 제어시스템에 의해 압력된 스트립(9)의 형상은 압연기(8) 출측으로 부터 형상검출센서(10)에 의해 아날로그 파형으로 검출되어 신호처리부(11)에서 4차식근사, 대칭 및 비대칭 성분분리, 대칭 및 비대칭 형상계산, 형상오차를 검출과정을 거쳐 칼만필터(12)로 제공되며, 상기 칼만필터(12)에서 필터링 출력되는 궤환 보상값으로 중간롤 굽힘하중 제어부(5), 작업롤 굽힘하중제어부(6), 작업롤 레벨링 제어부(7)에 의한 중간롤(22), 작업롤(21), 백업롤(23)을 제어하게 된다.

여기에서, 형상검출센서(10)에서 검출되는 매 제어주기별 실적형상에 대한 아날로그 신호는 4차식 근사

대칭·비대칭 성분분리

대칭 형상 계산

비대칭 형상 계산

과정을 거쳐 실적형상 ∧1, ∧2, ∧4를 얻고 이 값이 목표형상과 비교되어 형상오차 △∧1, △∧2, △∧4가 구해진다. 각 제어 조작량을 구하는 각 제어부(3,4,5,6,7)는 이 형상오차를 수정하기 위해 필요한 제어조작량을 계산함으로써 새로운 압연환경이 설정되는 피드백(Feed Back)제어계를 구성하게 된다. 이때 칼만필터(Kalman Filter ; 12)는 제어조작량의 변화분과 형상오차를 비교하여 형상영향계수를 구하게 되는데 각 형상영향계수의 정의는 다음과 같다.

β11~β22 : 대칭 형상영향계수

α : 비대칭 형상영향계수

△∧i : 형상 변화량

△Fω : 작업롤 굽힘하중(Work Roll Bending Force)변화량

△Fi : 중간롤 굽힘가중(IMR Bending Force)변화량

△SL : 작업롤 레벨링(Work Roll Levelling)변화량

형상영향계수는 압연조건의 변화에 따른 시변 파라미터이므로 칼만 필터는 이전 제어주기 동안의 형상오차가 형상영향계수의 오차에 의해 발생되었다는 전제하에 형상오차값에 비례하는 일정량을 이전의 형상영향계수에 가감함으로써 형상 오차를 줄일 수 있는 새로운 형상영향계수를 구하는 자기학습을 수행하게되며 그 과정은 다음과 같다.

X(t) : 현 제어주기에 사용중인 형상영향계수(β11~β22, α)

Y(t) : 현 제어주기에 형상목표치(∧i')

Ψ(t-1) : 이전 제어주기의 제어조작량 변화(△Fw,△Fi,△SL)

K : 칼만 필터 이득

Y(t)-Ψ(t-1)·X(t) : 형상오차(△∧i)

위의 식[7]에서 알 수 있듯이 기존의 칼만 필터에서 형상영향계수 도출을 위해 사용되는 함수는

로 표현되는 선형화된 2변수 함수로만 정의되어 있어 칼만 필터에서 구한 형상영향계수는 △Fw를 제외한 형상제어 변수가 ∧2에 미치는 영향을 수용하지 못할 뿐만 아니라 두께제어 변수의 변화가 형상변화에 미치는 제어계의 간섭형상도 반영이 불가능하다.

이러한 정도가 낮은 형상영향계수의 사용은 정상적인 압연조건하에서 형상교정능력은 물론, 특히 압연조건의 변화가 급격하게 발생하는 압연초기 및 말기의 형상교정능력을 현저히 저하시키는 결과를 가져온다. 정확한 형상영향계수의 도출을 위해서는 △Fw, △Fi, △SL 이외의 형상제어 변수의 변화는 물론 두께제어 변수의 변화도 함께 고려할 수 있는 새로운 비선형 다변수 함수의 정의가 요구되나 기존의 분석기법에 의해서는 해결하기가 어렵다.

본 발명의 목적은 여러변수들간의 비선형 상관관계에 대한 학습능력이 뛰어난 것으로 평가되고 있는 신경 회로망을 적용하는 것으로 신경회로망의 학습대상을 형상제어 변수는 물론 기존의 칼만필터에서 고려하지 않은 두께제어 변수로 확대함으로써 두 제어계의 상호간섭에 의한 영향까지도 수용하는 정확한 형상영향계수를 구하여 자동설정되도록 함으로써 종래의 분석기법에 소요되는 인력과 시간을 절감하고 냉연제품의 형상 급준도(急準度 : 평탄도)를 개선시킬 수 있는 신경회로망을 이용한 형상제어 시스템을 제공하는데 있다.

이하 첨부한 도면에 기초하여 본 발명을 설명하면 다음과 같다.

제2도는 본 발명 시스템의 구성도로써, 프로세스 컴퓨터(2)의 초기 설정값 테이블 데이터는 냉각수량제어부(3), 중간롤위치제어부(4), 중간롤 굽힘 하중제어부(5), 작업롤 굽힘하중제어부(6), 작업롤 레벨링 제어부(7)로 각각 전송되게 구성하고, 이들 제어부(3-7)에 따라 작업롤(21), 중간롤(22), 백업롤(23)을 포함하는 압연기(8)가 제어되게 구성한다.

상기 압연기(8)를 통하여 압연된 스트립(9)은 형상검출센서(10)에서 그 형상이 아날로그파형 형태로 검출되어 신호처리부(11)에서 형상오차가 검출된 후 칼만필터(12)로 제공되게 구성하고, 상기 칼만필터(12)에서 자기학습되어 피이드백되는 오차제어신호가 상기 중간롤 굽힘하중제어부(5), 작업롤 굽힘하중제어부(6), 작업롤 레벨링 제어부(7)로 제공되게 구성한다.

한편 두께 및 형상센서(24,25)에서 검출된 두께제어 및 형상제어 실적은 프로세스 컴퓨터(2)에서 계산되어 신경회로망(1)으로 제공되게 구성하고, 상기 신경회로망(1)에서 계산된 형상영향계수 출력은 상기 초기 설정값 테이블과 칼만필터(12)로 제공되게 구성한다.

이와같이 구성된 본 발명의 동작과정을 설명하면 다음과 같다.

인공지능의 새로운 분야인 인공 신경회로망(Artificial Neural Network)의 여러가지 구조중 다층퍼셉트론(multi Layer perceptron)구조의 오류역전파(Error Backpropagation)학습기능을 이용하면 형상제어 변수는 물론 두께제어 변수와 형상영향계수간의 비선형 다변수 함수에 의한 형상영향계수의 도출이 가능하다.

제3도는 이러한 기능을 수행시키기 위해 본 발명에서 적용하고 있는 다층 퍼셉트론 신경회로망의 구조를 나타낸다. 신경회로망(1)의 입력은 칼만필터에서 이미 고려하고 있는 롤굽힘하중(Fw,Fi), 형상정보인 ∧1, ∧2, ∧4 이외에도 실제 압연과정에서 형상에 영향을 미치는 형상제어 변수로서 중간롤 위치, 두께제어 변수로서 작업측·구동측 압연하중(Work Side, Drive Side Roll Force), 입·출측 텐션(Tension), 압연속도등을 추가하고 구하고자 하는 출력으로 대칭 형상영향계수(β11-β22)와 비대칭 형상영향계수(α)로 구성하였다.

신경회로망(1)의 학습목표는 제어주기로 수행되는 칼만필터의 형상영향계수 산출과정에 추가적인 제어변수의 영향을 반영하도록 하는 것이다. 현재의 압연조건을 나타내는 각종 입력데이타(13)가 신경회로망(1)에 가해지면 현재의 가중치(Weight)(14)를 바탕으로 출력(15)을 구하고 이 출력과 칼만필터의 형상영향계수값(16)을 비교하여 오차를 검출한 다음 이 오차를 감소시키는 방향으로 각 층사이의 가중치들(14)을 수정한다. 이러한 과정이 오차가 충분히 작은 적정값 이하로 떨어질 때까지 반복적으로 수행됨으로써 모든 제어변수 입력과 5종류의 형상영향계수 출력간에 비선형 상관관계를 학습한다.

학습이 완료된 신경회로망(1)으로부터 형상영향계수를 구할 때는 현 제어주기의 각 제어변수의 값과 이러한 제어변수의 변화에 의해 얻고자 하는 각 형상의 목표값을 입력으로 가함으로써 현재의 압연조건을 만족하는 형상영향계수를 구할 수 있다. 제3도에서 형상영향계수 도출을 위한 신경회로망(1)을 75개그룹으로 구성한 이유는 냉연공정의 소재종류(약 1400여종)별로 압연조건이 크게 변화하고 그에 따른 형상영향계수의 변화도 커지므로 하나의 신경회로망으로 구성할 경우 학습해야 할 정보량의 과다로 학습능력이 저하되기 때문이다. 즉 1400여종의 소재중 비슷한 압연환경을 갖는 소재끼리 묶어 75개의 단위 그룹(Group)으로 재분류하고 각 그룹별 신경회로망을 구성하여 압연조건의 변화를 분담 학습케 함으로써 충분히 학습능력을 보장하기 위한 것이다.

먼저, 프로세스 컴퓨터(2)의 초기설정값 테이블에 따라 냉각수량제어부(3), 중간롤 위치제어부(4), 중간롤 굽힘하중제어부(5), 작업롤 굽힘하중제어부(6) 및 작업롤 레벨링 제어부(7)가 각각 압연기(8)의 작업롤(21), 중간롤(22), 백업롤(23)을 제어하여 압연을 실행한다. 이에따라 압연기(8)출측에 설치된 형상검출센서가 스트립(9)의 형상을 아날로그 파형으로 검출하면 신호처리부(11)에서는 상기 식 ①-⑥에 따라 형성오차 △∧1, △∧2, △∧4를 구하여 칼만필터(12)에 제공한다.

이에따라 상기 칼만필터(12)는 압연기 제어조작량의 변화분과 형상오차를 비교하여 상기 식 ⑦-⑪에 따라 형상 계수를 산출한다.

한편 두께 및 형상센서(24,25)에 따라 프로세스컴퓨터(2)에서 계산된 두께 및 형상제어실적에 기초하여 신경회로망(1)에서는 현재의 압연환경을 모두 고려하여 목표로하는 형상을 얻기 위한 형상영향계수 X'(t)를 구하고, 이를 프로세스컴퓨터(2)의 초기 설정값 테이블과 칼만필터(12)로 제공한다.

즉, 신경회로망(1)은 프로세스컴퓨터(2)의 초기설정 테이블을 수정하기 위한 형상영향계수 값을 구하는 기능과 칼만필터(12)의 자기학습과정에 필요한 형상영향계수를 매 제어주기마다 계속적으로 구해주는 두가지 기능을 수행하게 된다. 따라서 칼만필터의 자기학습과정을 나타내는 상기 식 ⑫은 다음과 같이 새로운 의미를 갖게 된다.

그러므로 칼만필터(12)에서는 상기 식 ⑭으로부터 구해진 형상영향계수 X'(t)에 이전주기의 형상오차를 미리 보정해주기 위한 값 K(Y(T)-Ψ(t-1)·X'(t)를 가감하는 자기학습과정을 수행함으로써 보다 정확한 형상영향계수를 이용하여 압연기(8)의 작업롤(21), 중간롤(22), 백업롤(23)을 제어하는 각각의 중간롤 굽힘하중제어부(5), 작업롤 굽힘하중제어부(6) 및 작업롤 레벨링 제어부(7)에 보다 정확한 압연제어조작량을 피이드백 시킬 수 있게 된다.

이상에서 설명한 바와같은 본 발명은 형상제어시스템에 적용되는 형상영향계수 초기설정값을 신경회로망에 의해 자동도출하여 프로세스 컴퓨터의 테이블을 수정함으로써 인력과 시간절감, 제어 초기단계에서의 제어데드밴드(Dead Band)수렴시간의 단축, 정상 압연구간에서의 제어능력 향상에 따른 형상급준도 개선효과를 얻을 수 있다.