다계층 퍼셉트론을 이용한 강판재 재질예측방법

본 발명은 강판재 재질예측 방법에 관한 것으로, 특히 후판공장에서 생산되는 일반 압연재에서 재질에 미치는 영향인자(KIV'S)를 정확한 예측을 통하여 선정하고 수요자들로부터 요구되는 목표품질(KOV'S)인 재질(항복강도, 인장강도)들을 예측하는 다계층 퍼셉트론을 이용한 강판재 재질예측방법에 관한 것이다.

수요자가 요구하는 품질을 지닌 제품을 효율적으로 생산하기 위해서는 생산될 제품의 품질을 사전에 정확히 예측할 수 있는 능력을 갖추어야 한다. 즉 수요자가 요구하는 중, 후강판의 요구품질을 만족하기 위하여 정확한 품질을 예측하여 생산공정을 개선하는 것에 따라 제품생산성이 크게 좌우된다.

후판공장에서 생산되는 중,후강판재는 제조공정이 복잡하고 제조중에 일어나는 재질에 미치는 영향인자들이 매우 다양하여 재질예측에 많은 시간과 노력이 소요되고 예측의 정확도를 높이기 어려운 실정이다. 중, 후강판의 품질을 대변하는 재질들의 예측은 대부분 제각기 갖고 있는 설비특성에 맞는 오랜 경험을 가진 기술자들의 지식과 감각에 의존하여 온 것이 종래의 경향이었다. 하지만 1980년을 전후하여 재질 예측모델을 개발하려는 노력이 일본 NSC 및 KSC에서 시작되어 일반탄소강에 대한 모델이 개발되어 왔지만 이들은 모두 통계학의 분석방법인 중회귀 모형을 이용한 단일특성치에 대한 통계의 계수값들이기 때문에 단일특성치(인장강도) 예측성능은 2kg/mm ² 범위내 70.0%에 예측이 그치고 있다. 다변량 영향인자들에 대한 재질예측에는 많은 노력에도 불구하고 아직도 예측 정도성이 낮아 다변량 영향인자들 간에 예측성을 높이기에는 아직도 해결되지 않은 난제들이 많아 어려운 실정이며 더욱이 여러개의 목표품질(재질)을 감안한 재질예측은 전무한 편이다.

따라서, 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 개발한 것인바, 본 발명의 목적은 후판공장에서 생산되는 중,후강판재의 재질에 미치는 영향인자간에 복잡한 다변량의 영향도를 작업자의 단순 예측 대신에 과거의 소재정보 및 실적을 프로세스값으로 받아 유효 범위내의 학습데이타를 가공하여 그 학습패턴을 다계층 퍼셉트론모형의 학습회로에 적용하여 최적의 학습조건을 찾고 학습결과 후판공장 생산재의 다변량 영향인자들의 영향도를 검증하는 다계층 퍼셉트론을 이용한 강판재 재질예측 방법을 제공하는 것이다.

상기의 목적을 달성하기 위하여 본 발명에 의한 방법은 강판의 재질을 예측하기 위한 영향인자와 목표품질인 목표인자를 선정하는 단계와, 데이터를 수집하여 영향인자들의 레코드별 실적을 입력층에 두고 목표품질 레코드를 목표인자로 구성하는 단계와, 상기 영향인자가 입력되는 입력층의 요소를 4개, 은닉층의 요소를 5개 출력층의 요소를 2개로 설정하는 단계와, 학습규칙을 백프로파게이션 롤을 이용하여 학습초기에 -0.3과 +0.3 사이의 난수로 선택하고 입력층에 입력하여 학습하고, 상기 은닉층의 전이함수를 이용하여 그 학습결과인 가증치를 합하는 단계와, 상기 학습결과 산출된 가중치 파일을 저장하고, 검증하는 단계를 구비한다.

제1도는 본 발명에 의한 학습을 위한 데이터 수집 및 학급과정을 보이는 플로우차트.

제2도는 본 발명에 적용되는 다계층 퍼셉트론 학습 모형 구성도.

제3도는 본 발명에 의해 탄소의 증가에 따른 인장강도 변화치를 예측한 그래프,

제4도는 본 발명에 의한 망간의 변화에 대한 인장강도 변화치를 예측한 그래프,

제5도는 본 발명에 의한 압연두께의 변화에 따른 인장강도의 변화치를 예측한 그래프이다.

첨부된 도면에 의하여 본 발명의 바람직한 재질예측 모델개발된 학습의 실시예를 상세히 설명하면 다음과 같다.

후판공장에서 압연된 과거 실적을 재질(항복강도, 인장강도)에 영향이 미치는 모든 인자들을 바탕으로 소재의 성분조성인 C, Si, Mn, P, S, Sol-Al 성분과 압연공장에서 과거 압연실적인 가열온도, 압연 마무리온도 등의 항복강도, 인장강도에 영향을 갖고 있는 상기 정보들을 BC에서 연결된 데이터 베이스에 저장하고, 학습에 적절한 데이터들로 가공한다. 다음에 학습을 위해 표 1과 같은 레코드 형태로 학습파일을 구성한다.

[표 1]

제1도의 데이터모집 절차와 표 1에 구성된 학습파일을 이용하여 제2도에 도시된 바와 같이 인공신경망의 다계층 퍼셉트론 모형을 이용하는데 학습의 구성요소는 다음과 같다.

입력층(KIV'S; Key Input Variable):재질(항복강도, 인장강도)예측을 위한 영향인자

입력층 은닉층(HL; Hidden Layer):예측을 위한 이용함수

출력층(KOV'S; Key Ouput Variable):영향인자의 영향도에 의한 재질실적들 학습을 하기 위해 표 1과 같이 구성된 학습파일을 신경망 엔진에서 입력받아 학습을 한다.

이때, 학습파일에 구성된 영향인자는 예측성을 높이기 위하여 선정된 영향인자에 대해 검증을 하기 위하여 영향인자 수별로 학습을 하여 가장 예측율이 높은 영향인자에 대하여 결정하여야 최적으로 영향인자를 결정할 수 있다.

이하, 재질예측성이 가장 우수한 재질예측에 대하여 학습된 학습모형, 학습룰에 대하여 상세히 설명하면 다음과 같다.

첫째 표 1과 같이 구성된 학습파일중 영향인자들(C, Si, Mn, 압연두께, SLAB 두께 등)의 레코드별 실적(압연소재성분 및 실적:3663개)을 입력층에 두고 목표품질인 항복점, 인장강도실적(직접시험값; 3663개) 레코드를 출력층인 목표인자에 구성한다. 이때 은닉층(HL)수와 학습연결 요소인 은닉층요소(HLE Hidden Layer Element)수에 따라 학습의 예측성능이 크게 좌우되는데 은닉층수가 한개 이상이 되면 과다학습이 되어 예측성능이 급격히 떨어지며 은닉층요소수는 영향인자수와 동일하게 결정하는 것이 아래 표 2와 같이 예측성능이 가장 좋은 것을 알 수 있다.

[표 2]

둘째는 신경망 학습의 학습조건을 결정하여야 하는데 본 발명의 학습규칙은 백프로파게이션룰을 이용하여 학습초기에 영향인자를 -0.3과 +0.3 사이의 난수로 선택하고 입력층에 입력하여 학습을 시작한다. 학습 결과 가중치를 합하기 위하여 은닉층의 함수인 전이함수(SIGMOD)를 이용하였다.

여기서 -x 값은 (첫째 영향인자(KIV)의 가중치와 첫째 영향인자(KIV)를 곱합값 +둘째 영향인자(KIV2)의 가중치와 둘째 영향인자(KIV2)를 곱합값 +...+ N번째 영향인자(KIVN)의 가중치와 N번째 영향인자(KIVN)를 곱합값)

상기와 같이 전이함수형태로 입력층에서 은닉층, 은닉층에서 출력층으로 계산이 이루어지며 다시 출력층에서 은닉층, 은닉층에서 입력층으로 예측치와 실적치의 편차를 좁아가는데 이때 학습율(η)는 0.3, 관성항계수(α)는 0.5를 적용하여 다음과 같은 함수식을 이용하였다.

Wij(t)=Wij(t-1)+η·ΔWij+α·ΣΔWij(K)

여기서 W는 가중치, I:KIV1, j:KIV2, η:학습율, α:관성항

좀더 상세히 설명하면 학습율(η)은 가중치를 결정하는 중요한 인자의 하나이며, 입력되는 학습데이타에 대하여 그때까지 학습된 가중치(W)를 어느 정도 조정할 것 인가를 결정하는 값으로 활용된다. 관성항은 가중치 차이를 누적관리하여 가중치를 결정할때 편차의 반영비율을 조성하기 위해 사용된다. 학습의 진행 및 결과 학습은 신경망 엔진의 백프로파게이션룰(RULE)에 의해서 이루어지나 그 계산 함수는 매우 복잡하다.

일반적으로 함수표현이 불가능한 것으로 그 단점이 있다. 표 3에 본 발명에서 상기와 같은 학습조건을 적용하였을때 예측성능이 가장 좋은 예를 보였다.

본 발명에서 학습조건의 설정이유를 설명하면 다음과 같다.

영향인자를 5개(C, Si, Mn, 압연두께, 슬라브두께)와 목표인자를 2개(YP, TS)를 영향인자를 5개(C, Si, Mn, 압연두께, 슬라브두께)와 목표인자를 2개(YP, TS)를 설정한 것은 영향인자를 4개 이하 또는 5개 이상 적용하였을 경우는 예측율이 급격히 떨어지는 경향이며, 목표인자를 1개 또는 3개 이상을 적용시 2개의 예측을 동시에 만족할 수 없다. 따라서, 본 발명에서는 예측성능을 가장 크게하는 영향인자를 5개, 목표인자를 2개로 설정하였다.

은닉층(HL) 수와 학습 연결요소인 은닉층요소(HLE:Hidden Layer Element)의 수에 따라 학습의 예측성능이 크게 좌우되는데 은닉층수가 한개 이상이 되면 과다 학습이 되어 예측성능이 급격히 떨어지며 은닉층요소의 영향인자수와 동일하게 5(다섯)로 결정하는 것이 예측성능이 가장 우수하기 때문에 5로 규제하였다.

학습율(η)로는 0.3과 관성항계수(α)로는 0.5로 설정한 이유로는 표 4에서 나타낸 바와 같이 학습의 결과인 Mean Square Error(MSE)가 0.001로서 가장 우수한 예측성능을 나타냈으며, 또한 허용치내 비율로 그 학습결과가 99.8%로써 예측 정도의 신뢰성을 증명할 수 있기 때문에 본 발명에서 학습율(η)로는 0.3과 관성항게수(α)로는 0.5로 설정하였다.

[표 3]

셋째 학습이 끝난 후 학습성과 측정에는 학습결과의 자체 신뢰도를 측정하는 것은 Mean Square Error(MSE)와 최적의 학습횟수, 허용치, 허용치내 비율로 그 학습결과의 예측 정도의 신뢰성을 파악할 수 있다. 학습의 정도성을 검사하기 위한 수식에 의해 다음과 같이 판단할 수 있으며, 본 발명재의 학습결과는 표 4와 같이 우수한 예측성을 보였다.

◆MSE(Mean Square Error)=

여기서 F0:목표인자예측값, A0:목표인자실측값

◆허용치=학습시 부여된 허용치내에 들어오도록 지정하는 학습기준

◆허용치내 비율=목표허용치내에 들어간 학습 레코드수/전체학습 레코드수

[표 4]

그러나 학습 자체의 MSE나 허용치내 비율로 예측 성능을 판단할 수 있으나 실제로 주문자가 요구하는 목표인자(재질; 항복강도, 인장강도)에 대하여 주어진 소재의 성분(즉, 본 발명에서 최적의 예측성능으로 나타난 학습 결과의 영향인자들을 사용하고 발명재의 재질예측 모델 가중치 파일을 이용하여 압연한 결과, 예측성이 우수함을 입증할 수 있었다. 본 발명 모델의 검증을 하기 위하여 다음과 같이 실시예를 통하여 상세히 증명할 수 있었다.

[실시예 1]

◆수요자로부터 요구된 인장강도 목표:45kg/mm ² →목표재질(KOV)

상기와 같이 주문로부터 요구된 조건으로 소재 압연이후 목표재질인 목표인자(인장강도)값 (45kg/mm ² )을 예측하기 위하여 표 4의 발명재 가중치 파일을 이용하여 다음과 같이 테스트를 실시하였다.

상기의 실시예 1의 경우는 수요가로부터 주어진 4개의 영향인자(Si:0.25%, Mn:0.90%, 요구두께:20mm, 후판압연소재인 슬라브두께; 220mm)와 목표품질인 목표인자(인장강도; 45kg/mm ² )를 요구하였기 때문에 예측한 C%를 얼마로 조성하여야 영향인자 4개를 만족하면서 목표품질을 예측할 수 있어야 된다. 예측결과 표 5, 표 6과 같은 우수한 성능의 예측결과를 얻을 수 있었다.

[표 5]

가중치 파일을 이용한 C% 예측치P:압연두께, St:슬라브두께

[표 6]

가중치 파일을 이용한 C% 예측치P:압연두께, St:슬라브두께

상기와 같이 본 발명에서 개발된 모델의 가중치 파일을 이용하여 본 발명에서 제한된 목표인자와 영향인자들에 대한 변화가 주어진다 해도 그 예측성은 우수함을 입증할 수 있었다.

더욱 상세히 목표인자와 영향인자들에 대하여 가중치를 입증하기 위하여 제3도에 표 6)에서 예측된 C%의 변화에 대한 인장강도의 변화치를 나타내었다. 즉 본 발명에서 구성된 목표인자와 영향인자 범위내에서는 다품질 다변량 변화에 대한 가중치를 개발된 예측모델에서 제공되므로 제3도에서는 요구조건의 영향인자 4개(SI 0.25%, Mn 0.90%, 압연두께 20mm, 슬라브두께 220mm)를 고정하여도 C%에 따라 인장강도를 예측할 수 있도록 개발된 모델의 가중치 파일을 이용한 C% 0.05% 증가시마다 인장강도의 변화치를 나타낸다.

또한 다변성의 변화에 대한 모델의 예측성이 우수함을 나타내기 위하여 제4도에서는 Mn% 변화에 대한 인장강도변화치를 나타내었으며 제5도에서는 수요자 요구가 필수적인 압연두께의 변화에 따른 인장강도의 변화치를 도시하여 그결과 모델의 예측성이 우수함 뿐만 아니라 설계전문가의 야금지식과도 일치함을 보여 본 발명에서 개발된 모델의 우수함을 알 수 있다.

상기와 같이 상술한 바와 같이 본 발명은 후판공장에서 생산되는 일반압연재의 재질에 미치는 영향인자(KIV'S)를 정확한 예측을 통하여 선정하고 수요자들로부터 요구되는 목표품질(KOV'S)인 재질(항복강도, 인장강도)들에 대하여 적용되는 예측성능이 우수한 모델을 제공하는 것으로, 두께가, 6.0mm에서 120.0mm까지의 일반 압연재의 재질 등에 대한 예측성능이 2kg/mm 범위내에 96.0% 예측율을 보증할 수 있는 우수한 재질예측 모델로서에 널리 이용될 수 있다.