KR102045651B1

KR102045651B1 - Estimating apparatus for heat flux coefficient of run-out table based artificial intelligence

Info

Publication number: KR102045651B1
Application number: KR1020170180204A
Authority: KR
Inventors: 이진휘; 이중형; 강현석; 김석; 최원식; 한상근
Original assignee: 주식회사 포스코
Priority date: 2017-12-26
Filing date: 2017-12-26
Publication date: 2019-11-15
Also published as: KR20190078343A

Abstract

열연 공정의 런아웃 테이블의 열유속계수를 추정하는 장치가 개시된다. 상기 장치는 열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 열유속계수를 추정하기 위한 인공 신경망 구조의 열유속계수 추정 모델을 생성하는 열유속계수 학습부 및 상기 열유속계수 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 열유속계수를 계산하는 열유속계수 계산부를 포함한다.An apparatus for estimating a heat flux coefficient of a runout table of a hot rolling process is disclosed. The apparatus includes a heat flux coefficient learning unit and a heat flux coefficient estimating model for generating a heat flux coefficient estimating model of an artificial neural network structure for estimating a heat flux coefficient of a runout table through machine learning using variables related to hot rolled material information and operation information. And a heat flux coefficient calculation unit configured to calculate a heat flux coefficient of the runout table in operation by inputting a variable measured during the operation.

Description

AI-based hot rolled run-out table heat flux coefficient estimator

본 발명은 열연 공정의 런아웃 테이블의 열유속계수를 추정하는 장치에 관한 것으로, 더욱 상세하게는 인공 신경망을 이용하여 열연 공정에 관련된 다양한 입력 변수에 따른 런아웃 테이블의 열유속계수를 학습하여 열유속계수 추정 모델을 생성하고 이를 기반으로 실제 공정상의 열유속계수를 정확하게 추정하게 할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 관한 것이다.The present invention relates to an apparatus for estimating a heat flux coefficient of a runout table of a hot rolling process. More specifically, a heat flux coefficient estimation model is obtained by learning a heat flux coefficient of a runout table according to various input variables related to a hot rolling process using an artificial neural network. The present invention relates to an artificial intelligence-based hot rolled runout table heat flux coefficient estimator capable of accurately estimating a heat flux coefficient in an actual process based on this.

열간압연 공정의 런아웃 테이블(ROT: Run Out Table)은 조압연과 마무리 압연으로 두께와 폭이 결정된 강판을 냉각시키는 장치이다. 런아웃 테이블에는 일렬의 노즐이 장착된 헤더를 복수개 갖는 뱅크(bank)가 강판의 상하로 다수 개 구비된다. 런아웃 테이블의 후단에는 강판을 코일 형태로 권취하는 권취기가 마련되며, 귄취기로 진입하기 직전의 강판 온도, 즉 권취 온도가 목표 권취 온도와 일치하도록 강판의 냉각이 제어되어야 한다.The run out table (ROT) of the hot rolling process is an apparatus for cooling a steel sheet whose thickness and width are determined by rough rolling and finish rolling. The runout table is provided with a plurality of banks having a plurality of headers in which a row of nozzles are mounted up and down the steel sheet. At the rear end of the runout table, a winding machine for winding the steel sheet in the form of a coil is provided, and cooling of the steel sheet must be controlled so that the steel sheet temperature immediately before entering the winding machine, that is, the winding temperature matches the target winding temperature.

런아웃 테이블의 냉각 제어는 온/오프 되는 헤더의 수가 조정됨으로써 강판에 제공되는 냉각수의 양, 즉 주수량을 조정함으로써 이루어진다. 이러한 각 뱅크별 주수량 결정에는 강판 소재의 열전달 특성을 반영한 열유속계수가 관여하게 된다. Cooling control of the runout table is made by adjusting the amount of coolant supplied to the steel sheet, that is, the amount of water supplied, by adjusting the number of headers on / off. In determining the amount of main water supplied to each bank, the heat flux coefficient reflecting the heat transfer characteristics of the steel sheet material is involved.

종래에는, 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하였다. 특히, 회귀식을 구성하는 각 변수에 적용되는 계수는 사전에 피냉각 소재의 두께에 따라 테이블 형태로 사전에 저장해 주었다가 각 뱅크별 주수량 설정시 사용하였다.Conventionally, a regression equation is prepared in advance based on variables such as the thickness, width, finishing rolling completion temperature, moving speed, and target coiling temperature (CT) of a steel sheet material, and the heat flux coefficient is estimated using the regression equation. It was. In particular, the coefficients applied to each variable constituting the regression equation were stored in a table form according to the thickness of the material to be cooled in advance and used to set the main water quantity for each bank.

이러한 종래의 열유속계수 추정 방식은, 특정 두께 범위 내에서 각 변수에 대해 동일한 계수 값을 사용하기 때문에 연속적인 입력값에 대한 대응이 불가하고, 두께 범위의 구분도 동일하지 않도록 구성되어 있어, 특정 두께 범위의 경계에 있는 소재에 대해서는 열유속계수의 계산 오차로 인해 주수량 설정이 제대로 되지 않아 피냉각 소재의 온도를 목표 권취 온도에 일치시키는 것이 어렵다.In the conventional heat flux coefficient estimating method, since the same coefficient value is used for each variable within a specific thickness range, it is impossible to cope with continuous input values, and the separation of thickness ranges is not the same. For the material at the boundary of the range, it is difficult to match the temperature of the material to be cooled to the target winding temperature because the quantity of water to be set is not set properly due to the calculation error of the heat flux coefficient.

또한, 종래의 열유속계수 추정 방식은, 단순 두께 구분에 의해서만 변수별 계수의 값을 정하였기 때문에, 두께 이외의 폭, 속도, 강종, 압연 속도 등 다양한 조건에 대해서 계수를 정해야 하므로 더욱 많은 내용의 테이블이 필요하다. 실제로는 사전에 마련된 테이블만을 이용하여 열유속계수를 계산하게 되므로 정확한 변수의 적용이 어렵고 새로운 항목이 추가되는 경우 각각의 변수에 대한 계수가 재계산되어야 하는 문제가 발생한다.In addition, in the conventional heat flux coefficient estimating method, since coefficient values for variables are determined only by simple thickness classification, coefficients should be determined for various conditions such as width, speed, steel grade, and rolling speed other than thickness, so that the table of more contents This is necessary. In practice, since the heat flux coefficient is calculated using only a table prepared in advance, it is difficult to apply an accurate variable, and when a new item is added, a coefficient for each variable needs to be recalculated.

또한, 종래의 열유속계수 추정 방식은, 가열로, 조압연, 사상압연에서의 조업 조건이나, 소재의 강종 특성에 대해서도 회귀식에 반영이 되어야 수식으로 모델링하기 어렵고 이에 따라 회귀식의 수정이나 업데이트가 어려운 문제가 있다.In addition, in the conventional heat flux coefficient estimating method, it is difficult to model in a regression equation when operating conditions in a heating furnace, rough rolling, filament rolling, and steel grade characteristics of a material are difficult to model by a formula. There is a difficult problem.

대한민국 공개특허공보 제10-2008-0058641호Republic of Korea Patent Publication No. 10-2008-0058641 대한민국 등록특허공보 제10-0711387호Republic of Korea Patent Publication No. 10-0711387

이에 본 발명은 인공지능을 구현하는 인공 신경망을 이용하여 다양한 입력 변수에 따른 열유속계수의 변화를 학습하여 모델링하고 이를 열유속계수 추정이 적용함으로써 열간 압연 공정에서 목표 권취 온도를 달성할 수 있고 강판의 품질 편차를 해소할 수 있는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 제공하는 것을 해결하고자 하는 기술적 과제로 한다.Therefore, the present invention can learn and model the change of heat flux coefficient according to various input variables using artificial neural network that implements artificial intelligence, and apply the heat flux coefficient estimation to achieve the target winding temperature in the hot rolling process and the quality of steel sheet An object of the present invention is to provide an artificial intelligence-based hot rolled runout table heat flux coefficient estimating device capable of solving the deviation.

상기 기술적 과제를 해결하기 위한 수단으로서 본 발명은,The present invention as a means for solving the above technical problem,

열간 압연 소재 정보 및 조업정보에 관련된 변수를 이용하여 기계 학습을 통해 런아웃 테이블의 열유속계수를 추정하기 위한 인공 신경망 구조의 열유속계수 추정 모델을 생성하는 열유속계수 학습부; 및A heat flux coefficient learning unit for generating a heat flux coefficient estimation model of an artificial neural network structure for estimating heat flux coefficients of a runout table through machine learning using variables related to hot rolling material information and operation information; And

상기 열유속계수 추정 모델에 조업 중 실측된 변수를 입력하여 조업 중인 런아웃 테이블의 열유속계수를 계산하는 열유속계수 계산부A heat flux coefficient calculation unit for calculating a heat flux coefficient of a runout table in operation by inputting a variable measured during operation to the heat flux coefficient estimation model.

를 포함하는 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 제공한다.It provides an artificial intelligence-based hot rolled runout table heat flux coefficient estimation apparatus comprising a.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 조업데이터가 저장된 데이터베이스에서 사전 설정된 정상범위를 벗어나는 이상 변수들과, 열유속계수와 관련이 없는 미관련 변수들을 제거하고, 상기 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 사전 설정 범위 미만인 강판에 대한 변수들을 우량 변수로 선정할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit removes abnormal variables outside the preset normal range and unrelated variables not related to the heat flux coefficient in the database storing the operation data, and removes the abnormal variables and unrelated ones. Variables for steel sheets whose difference between the actual winding temperature and the target winding temperature are less than the preset range in the operation data from which the variables are removed can be selected as good variables.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 우량 변수들을 강판 별로 입력 변수와 출력 변수의 세트로 형성할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit may form the superior variables as a set of input variables and output variables for each steel sheet.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 세트 내에서 열유속계수를 출력값으로 설정하고 그 나머지 변수를 입력값으로 설정할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit may set the heat flux coefficient as an output value and set the remaining variables as input values in the set.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 세트를 기계 학습에 사용되는 학습용 세트, 기계 학습의 결과를 검증하고 테스트하는 검증용 세트 및 테스트 세트로 구분할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit may be divided into a learning set used for machine learning, a verification set for verifying and testing a result of machine learning, and a test set.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 상기 학습용 세트를 이용한 기계 학습을 통해 인공 신경망 구조의 가중치를 결정하여 상기 열유속계수 추정 모델을 결정할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit may determine the heat flux coefficient estimation model by determining a weight of an artificial neural network structure through machine learning using the training set.

본 발명의 일 실시형태에서, 상기 열유속계수 학습부는, 사전 설정된 주기 마다 기계학 습을 실행하거나 상기 열유속계수 추정 모델의 입력 변수가 변경될 때 기계 학습을 실행하여 상기 가중치를 업데이트하고, 업데이트된 가중치를 상기 열유속계수 계산부로 제공할 수 있다.In one embodiment of the present invention, the heat flux coefficient learning unit updates the weights by executing machine learning at predetermined intervals or by executing machine learning when an input variable of the heat flux coefficient estimation model is changed, and updating the updated weights. The heat flux coefficient calculation unit may be provided.

본 발명의 일 실시형태에서, 상기 열유속계수 계산부에서 계산된 열유속계수 및 상기 런아웃 테이블의 입측 온도센서에서 실측된 온도를 제공받고, 사전 설정된 연산식 또는 알고리즘에 입력받은 열유속계수 및 런아웃 테이블의 입측 온도를 적용하여 상기 런아웃 테이블의 주수량을 연산하는 주수량 계산부 및 상기 주수량 계산부에서 제공받은 주수량을 강판에 제공하도록 상기 뱅크의 헤더의 온/오프 상태를 제어하는 헤더 제어부를 더 포함할 수 있다.In one embodiment of the present invention, the heat flux coefficient calculated by the heat flux coefficient calculation unit and the temperature measured by the temperature sensor of the entrance temperature of the runout table are received, and the heat flux coefficient and the entrance of the runout table inputted to a preset calculation formula or algorithm. And a header controller configured to control the on / off state of the header of the bank to apply a temperature to the steel sheet calculating unit for calculating the pouring quantity of the runout table, and to provide the steel sheet with the pouring quantity provided by the pouring quantity calculating unit. can do.

상기 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.The AI-based hot rolled runout table heat flux coefficient estimating apparatus generates a heat flux coefficient estimating model using an artificial neural network structure, and thus, even when operating conditions change depending on seasons or steel types to be rolled, the heat flux coefficient estimating model is obtained through machine learning. It's easy to update. Through this, the winding temperature of the steel sheet can follow the desired target value. This reduces the material and quality variation of the hot rolled products and prevents damage due to equipment malfunctions such as miss rolls, thereby greatly improving productivity.

도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.
도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.
도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 도시한 블록 구성도이다.
도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.
도 5는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 제작 과정의 일례를 도시한 흐름도이다.
도 6은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값과 실측된 열유속계수 값을 비교한 그래프이다.
도 7은 종래의 회귀식을 적용한 열유속계수 추정 기법에서 열유속계수가 음수로 잘못 계산되어진 코일의 변수를 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용한 경우 결과 변화를 도시한 그래프이다.1 is a view schematically showing a hot rolling facility to which an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention is applied.
2 is a view showing in more detail the runout table of the hot rolling process of FIG.
3 is a block diagram illustrating an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an exemplary embodiment of the present invention.
4 is a diagram illustrating an example of an artificial neural network model applied to an artificial intelligence-based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention.
5 is a flowchart illustrating an example of a manufacturing process of an artificial neural network model applied to an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention.
6 is a graph comparing a heat flux coefficient value calculated by an artificial intelligence-based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention with the measured heat flux coefficient value.
FIG. 7 illustrates a result change when a variable of a coil in which a heat flux coefficient is incorrectly calculated as a negative number in a heat flux coefficient estimation technique using a conventional regression equation is applied to an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention. It is a graph shown.

이하, 첨부 도면을 참조하여 본 발명의 다양한 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 더욱 상세하게 설명한다.Hereinafter, an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to various embodiments of the present disclosure will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 적용되는 열간 압연 설비를 개략적으로 도시한 도면이다.1 is a view schematically showing a hot rolling facility to which an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention is applied.

예컨대, 도 1에서 도시한 바와 같이, 압연소재인 슬라브(slab)(110)를 가열로(120)에서 압연에 적당한 온도(예를 들어, 1100~1200 ℃)로 가열한다.For example, as shown in FIG. 1, the slab 110, which is a rolled material, is heated in a heating furnace 120 to a temperature suitable for rolling (for example, 1100 to 1200 ° C.).

이어, 가열된 슬라브를 조 압연기(130)와 마무리 압연기(사상압연기)(140)를 통하여 원하는 두께의 열연 강판(strip)(150)으로 압연을 실시한다.Subsequently, the heated slab is rolled into a hot rolled steel strip 150 having a desired thickness through the rough mill 130 and the finish mill (finished rolling mill) 140.

이어, 강판은 런아웃 테이블(Run Out Table: ROT)(160)을 통과하면서 소정의 온도로 강판을 냉각시켜 요구되는 기계적 성질을 부여한 후, 권취기(170) 즉, 다운 코일러에서 열연코일(150') 형태의 제품으로 생산하여 열간 압연작업을 완료하게 된다. Subsequently, the steel sheet cools the steel sheet to a predetermined temperature while passing through the Run Out Table (ROT) 160 to impart the required mechanical properties, and then, the coil 170, that is, the hot rolled coil 150 in the down coiler. The product is produced in the form of ') to complete the hot rolling work.

즉, 가열로(120)에서 가열된 열연 슬라브(110)는 조압연과 마무리 압연으로 두께와 폭이 변화하고 최종적으로 런아웃 테이블(160)에서 냉각된 후 권취기(170)에서 코일형태(150')로 제작된다.That is, the hot rolled slab 110 heated in the furnace 120 is changed in thickness and width by rough rolling and finish rolling, and finally cooled in the runout table 160, and then coiled 150 ′ in the winder 170. )

이러한 열간 압연 공정에서, 열연강재의 품질은 런아웃 테이블(160)에서 이루어지는 냉각에 의하여 주로 결정되는데, 런아웃 테이블(160)의 출구 즉 권취기(170)에 유입되기 직전의 강판 온도(권취 온도: Coiling Temperature)를 원하는 목표 온도가 되게 제어하는 방식으로 냉각 제어가 이루어지고 있다.In this hot rolling process, the quality of the hot rolled steel is mainly determined by the cooling performed in the runout table 160, and the steel sheet temperature immediately before flowing into the outlet of the runout table 160, that is, the winder 170 (coiling temperature: coiling). Cooling control is performed in such a way as to control the temperature to be the desired target temperature.

도 2는 도 1의 열간 압연 공정 설비 중 런아웃 테이블을 더욱 상세하게 도시한 도면이다.2 is a view showing in more detail the runout table of the hot rolling process of FIG.

도 2에서 도시한 바와 같이, 마무리 압연을 거친 강판(150)은 런아웃 테이블(160)에서 목표 냉각 온도로 냉각제어가 실시된다.As shown in FIG. 2, the steel sheet 150 subjected to finish rolling is subjected to cooling control at the target cooling temperature at the runout table 160.

예를 들어, 런아웃 테이블(160)은 복수(N개)의 뱅크(160a, 160b, ..., 160n)들을 포함하며, 런아웃 테이블(160)의 입측과 중간 및 출측에는 각각 온도측정기(180a, 180b,180c)들이 설치된다.For example, the runout table 160 includes a plurality of (N) banks 160a, 160b,..., 160n, and the temperature measuring unit 180a, at the entrance, the middle, and the exit of the runout table 160, respectively. 180b and 180c are installed.

각 뱅크(160a, 160b, ..., 160n)는 냉각수를 강판으로 배출하는 일렬의 노즐을 갖는 헤더를 가지며 헤더의 온/오프 제어를 통해 냉각수를 분사함으로써 주수량을 제어하고 있다.Each bank 160a, 160b, ..., 160n has a header having a row of nozzles for discharging the cooling water to the steel sheet and controls the amount of pouring water by spraying the cooling water through on / off control of the header.

이를 위해, 런아웃 테이블(160)에서는 입측, 중간 및 출측 온도 측정기(180a)(180b)(180c)를 통하여 강판의 냉각대 입측온도, 중간온도 및 출측온도를 측정하고, 이를 근거로 피드포워드(feedforward) 또는 피드백(feedbak) 냉각제어를 실시함으로써 권취 온도를 원하는 목표 온도가 되도록 제어한다.To this end, the runout table 160 measures the entrance temperature, the intermediate temperature and the exit temperature of the cold stand of the steel sheet through the entry, middle and exit temperature measuring units 180a, 180b and 180c, and feedforward based on the feedforward. Or the feedback cooling control to control the winding temperature to the desired target temperature.

배경 기술에서 설명한 바와 같이, 뱅크의 헤더 제어를 통해 주수량을 결정하는데 있어서, 종래에는 강판 소재의 두께, 폭, 사상압연 완료 온도, 이동 속도, 목표 권취 온도(Coiling Temperature: CT) 등의 변수를 기반으로 사전에 회귀식을 마련하고 이 회귀식을 이용하여 열유속계수를 추정하고, 추정된 열유속계수에 기반하여 주수량을 결정하였다.As described in the background art, in determining the water supply amount through the header control of the bank, variables such as thickness, width, finishing rolling completion temperature, moving speed, and target coiling temperature (CT) of the steel sheet are conventionally determined. The regression equation was prepared in advance, and the heat flux coefficient was estimated using the regression equation, and the main water quantity was determined based on the estimated heat flux coefficient.

종래의 회귀식을 이용한 열유속계수 추정의 한계를 극복하기 위해 본 발명의 여러 실시형태는 인공 신경망을 기반으로한 기계 학습 기법을 이용하여 열유속계수를 추정하는 기법을 제공한다.In order to overcome the limitations of the conventional heat flux coefficient estimation using a regression equation, various embodiments of the present invention provide a technique for estimating the heat flux coefficient using a machine learning technique based on an artificial neural network.

도 3은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치를 도시한 블록 구성도이다.3 is a block diagram illustrating an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention.

도 3에 도시한 바와 같이, 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 열유속계수 학습부(10)와 열유속계수 계산부(20)를 포함하여 구성될 수 있다. As shown in FIG. 3, the artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention may include a heat flux coefficient learning unit 10 and a heat flux coefficient calculating unit 20. .

열유속계수 학습부(10)는 인공 신경망 구조를 이용하여 열유속계수에 영향을 미치는 다양한 입력 변수와 다양한 입력 변수에 따른 열유속계수와의 관계를 모델링한다.The heat flux coefficient learning unit 10 models a relationship between various input variables affecting the heat flux coefficient and heat flux coefficients according to various input variables using an artificial neural network structure.

더욱 구체적으로, 열유속계수 학습부(10)는 열유속계수를 포함하는 다양한 조업데이터를 저장한 데이터베이스에 저장된 데이터를 이용하여 신경망 구조의 열유속계수 추정 모델을 생성한다. 이 과정에서 기계 학습 알고리즘이 적용될 수 있다.More specifically, the heat flux coefficient learning unit 10 generates a heat flux coefficient estimation model of a neural network structure using data stored in a database storing various operation data including the heat flux coefficient. Machine learning algorithms can be applied in this process.

도 4는 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용된 인공 신경망 모델의 일례를 도시한 도면이다.4 is a diagram illustrating an example of an artificial neural network model applied to an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention.

열유속계수 학습부(10)는 도 4에 도시된 것과 같은 열유속계수 추정을 위한 인공 신경망 모델을 기계학습을 통해 생성하게 된다. 도 4에 도시된 인공 신경망 모델은 하나의 입력층(input layer)과 두 개의 은닉층(hidden layer) 및 하나의 출력층(output layer)를 갖는 전체 연결(fully connected) 구조를 갖는 신경망을 예로 도시한 것이다.The heat flux coefficient learning unit 10 generates an artificial neural network model for heat flux coefficient estimation as shown in FIG. 4 through machine learning. The artificial neural network model shown in FIG. 4 shows an example of a neural network having a fully connected structure having one input layer, two hidden layers, and one output layer. .

열유속계수 학습부(10)는 조업데이터를 활용하여 기계 학습 알고리즘을 수행하여 인공 신경망을 구성하는 은닉층의 최적 가중치를 결정함으로써 열유속계수 추정 모델을 완성한다. The heat flux coefficient learning unit 10 completes the heat flux coefficient estimation model by performing the machine learning algorithm using the operation data to determine the optimal weight of the hidden layer constituting the artificial neural network.

여기서 사용되는 인공신경망 구조 또는 학습 알고리즘 등에 따라 다앙한 방식으로 열유속계수 추정 모델을 완성할 수 있다. 도 5는 이러한 다양한 열유속계수 추정 모델의 제작 과정의 일례를 도시한다.The heat flux coefficient estimation model can be completed in various ways according to the artificial neural network structure or learning algorithm used. 5 shows an example of the manufacturing process of such various heat flux coefficient estimation models.

도 5를 참조하면, 열유속계수 학습부(10)는 저장된 데이터베이스에 저장된 열간 압연 공정 관련 다양한 변수들을 포함하는 조업 데이터 중 사전 설정된 정상범위를 벗어나는 이상 변수들을 제거한다(S11). Referring to FIG. 5, the heat flux coefficient learning unit 10 removes abnormal variables that deviate from a preset normal range among operation data including various variables related to a hot rolling process stored in a stored database (S11).

이어, 열유속계수 학습부(10)는, 이상 변수가 제거된 조업 데이터 중에서 코일 넘버, 인덱스 등과 같은 열유속계수의 결정에 영향을 미치지 못하는 관련 없는 미관련 변수들을 제거한다(S12).Subsequently, the heat flux coefficient learning unit 10 removes unrelated variables that do not affect the determination of the heat flux coefficient, such as a coil number and an index, among the operation data from which the abnormal variable is removed (S12).

이어, 열유속계수 학습부(10)는, 이상 변수 및 미관련 변수들이 제거된 조업 데이터에서 실제 권취 온도와 목표 권취 온도의 차이가 10% 미만인 강판(코일), 즉 목표 권취 온도의 적중률이 90% 이상인 강판(코일)에 대한 변수들을 선정한다(S13).Then, the heat flux coefficient learning unit 10 is 90% of the steel sheet (coil), that is, the target coiling temperature of 90% of the difference between the actual coiling temperature and the target coiling temperature in the operation data from which the abnormal and unrelated variables are removed. Variables for the steel sheet (coil) is selected above (S13).

이러한, 과정들(S11-S13)은 열유속계수 추정 모델을 학습하기 위한 변수들을 선별하는 과정으로 실제 권취 온도와 목표 권취 온도의 차이가 거의 나지 않는 양호한 제어가 이루어진 경우의 우량 변수들을 선정하는 과정이다.These processes (S11-S13) are processes for selecting variables for learning a heat flux coefficient estimation model and selecting good variables when good control is achieved in which the difference between the actual winding temperature and the target winding temperature is hardly achieved. .

이어, 열유속계수 학습부(10)는 우량 변수들 중 추정하고자 하는 결과값이 되는 열유속계수를 출력값(통상, Y값이라고 함)으로 설정한다(S14)Next, the heat flux coefficient learning unit 10 sets the heat flux coefficient, which is a result value to be estimated among the excellent variables, as an output value (usually referred to as a Y value) (S14).

이어, 열유속계수 학습부(10)는 각 변수들마다 갖는 값들의 범위가 차이가 나므로 최소최대 스케일링(MinMaxScaling) 기법 등을 이용하여 각 변수들의 범위를 0과 1 사이의 값으로 정규화한다(S15).Subsequently, the heat flux coefficient learning unit 10 normalizes the range of each variable to a value between 0 and 1 by using a minimum maximum scaling method because the range of values of each variable is different (S15). .

이어, 열유속계수 학습부(10)는 여러 변수들 중 열유속계수에 미치는 영향도가 큰 변수들을 입력변수(통상 X값이라고 함)를 결정할 수 있다. 예를 들어, 입력변수는 소재의 특성(두께, 폭, 성분 정보 등) 및 조업 조건(런아웃 테이블 입구측 온도, 런아웃 테이블 출구측 온도(권취 온도), 목표 권취 온도 등)에 관련된 변수일 수 있다.Subsequently, the heat flux coefficient learning unit 10 may determine input variables (commonly referred to as X values) of variables having a large influence on the heat flux coefficient among various variables. For example, the input variables may be variables related to material properties (thickness, width, composition information, etc.) and operating conditions (runout table inlet temperature, runout table outlet temperature (winding temperature), target winding temperature, etc.). .

위의 과정들(S14-S16)은 기계 학습 알고리즘을 적용하기 위한 데이터 세트(set)를 준비하는 과정으로, 각 변수들을 정규화하고 입력 변수와 출력 변수를 결정한다. 이 때, 각 변수들은 하나의 세트를 형성하게 되는데 이는 과정(S13)에서 선정된 강판(코일) 별로 이루어진다. 즉, 하나의 세트는 과정(S13)에서 선정된 코일의 조업 시 측정되거나 사용된 변수들로 이루어질 수 있다.The above processes S14-S16 prepare a data set for applying a machine learning algorithm, and normalize each variable and determine input and output variables. At this time, each variable forms a set, which is made for each steel sheet (coil) selected in the process (S13). That is, one set may consist of variables measured or used in the operation of the coil selected in step S13.

이어, 열유속계수 학습부(10)는 정규화된 입력변수 및 출력변수로 이루어진 데이터 세트를 학습용 데이터 세트, 검증용 데이터 세트, 테스트용 데이터 세트로 구분하고, 검증용 데이터 세트를 이용하여 기계 학습 알고리즘을 수행함으로써 열유속계수 추정 모델을 생성한 후 검증용 데이터 세트 및 테스트용 데이터 세트를 생성된 열유속계수 추정 모델에 적용하여 출력값에 대한 검증과 테스트를 수행하여 이상이 없는 경우 최종적으로 열유속계수 추정 모델을 완성한다(S17).Subsequently, the heat flux coefficient learning unit 10 classifies a data set consisting of normalized input variables and output variables into a learning data set, a verification data set, and a test data set, and uses a verification data set to generate a machine learning algorithm. After the heat flux coefficient estimation model is generated, the verification data set and the test data set are applied to the generated heat flux coefficient estimation model to verify and test the output value. (S17).

다시, 도 3을 참조하면, 열유속계수 계산부(20)는 열유속계수 학습부(10)에서 작성된 열유속계수 추정 모델을 실제 공정에 적용하는 요소로서, 실측된 입력 변수를 열유속계수 추정 모델에 입력하여 현재 런아웃 테이블의 열유속계수를 도출한다.Referring again to FIG. 3, the heat flux coefficient calculation unit 20 is an element that applies the heat flux coefficient estimation model created by the heat flux coefficient learning unit 10 to an actual process, and inputs the measured input variable into the heat flux coefficient estimation model. Deduce the heat flux coefficient of the current runout table.

열유속계수 계산부(20)는 실제 열간 압연 공정에 열유속계수 학습부(10)에서 생성된 열유속계수 추정 모델을 적용하는 요소로서, 현재 진행 중인 공정에서 열유속계수 추정 모델의 입력 변수를 실측한 값을 열유속계수 추정 모델에 입력하고 이에 따른 열유속계수 추정 모델의 결과값, 즉 열유속계수 추정값을 도출할 수 있다.The heat flux coefficient calculation unit 20 is an element that applies a heat flux coefficient estimation model generated by the heat flux coefficient learning unit 10 to an actual hot rolling process, and measures a value of an input variable of the heat flux coefficient estimation model in a current process. The heat flux coefficient estimation model may be input and a result value of the heat flux coefficient estimation model, that is, the heat flux coefficient estimation value, may be derived.

열유속계수 학습부(10)는 사전 설정된 주기로 열유속계수 추정 모델의 업데이트를 수행할 수 있다. 또한, 열유속계수 학습부(10)는 새로운 입력 변수 추가 또는 기존 입력 변수 삭제 등과 같은 이벤트 발생시 열유속계수 추정 모델의 업데이트를 수행할 수 있다.The heat flux coefficient learning unit 10 may update the heat flux coefficient estimation model at a predetermined cycle. In addition, the heat flux coefficient learning unit 10 may update the heat flux coefficient estimation model when an event such as adding a new input variable or deleting an existing input variable.

즉, 도 5에 설명된 것과 같은 과정들을 주기별 또는 입력변수 변경 시 수행하여 인공 신경망 구조의 은닉층에 대한 가중치를 업데이트 하고 이를 열유속계수 계산부(20)에도 적용한다.That is, the processes described in FIG. 5 are performed for each period or when the input variable is changed to update the weight of the hidden layer of the artificial neural network structure and apply the same to the heat flux coefficient calculation unit 20.

열유속계수 계산부(20)에서 인공 신경망 기반의 열유속계수 추정 모델을 통해 계산된 열유속계수 및 런아웃 테이블(160)의 입측 온도센서(180a)에서 실측된 온도가 주수량 계산부(50)에 제공되고, 주수량 계산부(30)는 사전 설정된 연산식 또는 알고리즘을 적용하여 열유속계수 및 런아웃 테이블의 입측 온도에 따른 뱅크별 주수량을 연산한다.The heat flux coefficient calculated by the heat flux coefficient estimating model based on the artificial neural network and the temperature measured by the entrance temperature sensor 180a of the runout table 160 are provided to the main quantity calculator 50. , The main water quantity calculation unit 30 calculates the main water quantity for each bank according to the heat flux coefficient and the entrance temperature of the runout table by applying a predetermined equation or algorithm.

주수량 계산부(30)에서 연산된 주수량 정보는 헤더 제어부(70)로 제공되고 헤더 제어부(70)는 주수량 계산부(30)에서 제공된 주수량을 강판에 제공하도록 헤더의 온/오프 상태를 제어할 수 있다.The main water quantity information calculated by the main water quantity calculating unit 30 is provided to the header control unit 70, and the header control unit 70 provides on / off state of the header so as to provide the steel sheet quantity provided by the main water quantity calculating unit 30 to the steel sheet. Can be controlled.

도 6은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값과 실측된 열유속계수 값을 비교한 그래프이다.6 is a graph comparing a heat flux coefficient value calculated by an artificial intelligence-based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention with the measured heat flux coefficient value.

도 6의 가로축은 실측된 데이터의 열유속계수의 값이고, 세로축은 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 의해 연산된 열유속계수 값인데, 두 값의 관계를 연결한 선이 직선에 가까울수록 신경망 모델의 정확도가 높다고 볼 수 있다. 도 6에서 산점도의 정확도를 비교하면 약 98.6%의 정확도를 가진다고 볼 수 있고, 열유속계수의 10% 이내 오차를 가지는 비율은 96.52%이다. 이러한 수치는 본 발명의 일 실시형태에 따라 인공 신경망 구조의 열유속계수 추정 모델에 의해 추정된 열유속계수는 실제 열유속계수와 비교할 때 매우 높은 정확도를 가지는 것으로 볼 수 있다.6 is a value of a heat flux coefficient of measured data, and a vertical axis is a heat flux coefficient value calculated by an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention. The closer the line is to a straight line, the higher the accuracy of the neural network model. Comparing the accuracy of the scatter plot in Figure 6 it can be seen that it has an accuracy of about 98.6%, the ratio having an error within 10% of the heat flux coefficient is 96.52%. Such a numerical value may be regarded that the heat flux coefficient estimated by the heat flux coefficient estimation model of the artificial neural network structure has a very high accuracy when compared with the actual heat flux coefficient.

도 7은 종래의 회귀식을 적용한 열유속계수 추정 기법에서 열유속계수가 음수로 잘못 계산되어진 코일의 변수를 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치에 적용한 경우 결과 변화를 도시한 그래프이다.FIG. 7 illustrates a result change when a variable of a coil in which a heat flux coefficient is incorrectly calculated as a negative number in a heat flux coefficient estimation technique using a conventional regression equation is applied to an artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to an embodiment of the present invention. It is a graph shown.

도 7을 참조하면, 종래에는 열유속계수가 음수값으로 계산된 경우가 12894 건인 반면 본 발명의 일 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치가 사용된 경우 약 388 건만 음수값을 출력하여, 종래에 비해 약 97% 이상의 오류 개선 효과가 있다고 볼 수 있다.Referring to FIG. 7, conventionally, when the heat flux coefficient is calculated as a negative value, 12894 cases are output, when only the AI based hot rolled runout table heat flux coefficient estimating apparatus according to the embodiment of the present invention is used, only about 388 cases output negative values. Thus, it can be seen that there is an error improvement effect of about 97% or more compared with the conventional.

이와 같이, 본 발명의 여러 실시형태에 따른 인공지능 기반 열연 런아웃 테이블 열유속계수 추정 장치는, 인공 신경망 구조를 이용하여 열유속계수 추정 모델을 제작하므로 계절별로 조업 조건이 변화하거나 압연 대상 강종이 변경 되는 경우에도 기계 학습을 통해 열유속계수 추정 모델을 쉽게 업데이트할 수 있다. 이를 통해 강판의 권취 온도가 원하는 목표치를 추종하게 할 수 있다. 이는 열연 제품의 재질 및 품질 편차를 감소시키고 및 미스 롤 등 설비 오작동에 의한 소손을 방지할 수 있어 생산성 향상에 큰 도움을 주게 된다.As described above, the artificial intelligence based hot rolled runout table heat flux coefficient estimating apparatus according to various embodiments of the present invention manufactures a heat flux coefficient estimating model using an artificial neural network structure so that the operating conditions change depending on the season or the steel grade to be rolled is changed. Machine learning also makes it easy to update models for estimating heat flux coefficients. Through this, the winding temperature of the steel sheet can follow the desired target value. This reduces the material and quality variation of the hot rolled products and prevents damage due to equipment malfunctions such as miss rolls, thereby greatly improving productivity.

10: 열유속계수 학습부 20: 열유속계수 계산부
30: 주수량 계산부 40: 헤더 제어부10: heat flux coefficient learning unit 20: heat flux coefficient calculation unit
30: main quantity calculation unit 40: header control unit

Claims

A heat flux coefficient learning unit for generating a heat flux coefficient estimation model of an artificial neural network structure for estimating heat flux coefficients of a runout table through machine learning using variables related to hot rolling material information and operation information; And
A heat flux coefficient calculation unit configured to calculate a heat flux coefficient of a runout table in operation by inputting a variable measured during operation to the heat flux coefficient estimation model;
The heat flux coefficient learning unit may remove abnormal variables outside the preset normal range from the database in which the operation data is stored and unrelated variables not related to the heat flux coefficient, and remove the abnormal variables and the unrelated variables from the operation data. Variables for the steel sheet whose difference between the actual winding temperature and the target winding temperature are less than the preset range are selected as the superior variables,
Among the superior variables, variables having a high influence on the heat flux coefficient are set as input variables, and a heat flux coefficient that is a result value to be estimated is set as an output variable, and the minimum and maximum scaling (MinMaxScaling) technique is used for the input variable. Normalize the range of the output variable to a value between 0 and 1,
The heat flux coefficient learning unit forms the superior variables as a set of the input variable and the output variable for each steel sheet,
The data set consisting of the normalized input variable and the output variable is divided into a training data set used for machine learning, a verification data set for verifying and testing a result of machine learning, and a test data set. After determining the weight of the artificial neural network structure through the machine learning, the heat flux coefficient estimation model is determined, and the verification data set and the test data set are applied to the determined heat flux coefficient estimation model to verify and test output variables. The apparatus for estimating the heat flow coefficient of the AI-based hot rolled runout table, characterized in that, when there is no abnormality, finally completing the heat flux coefficient estimation model.

delete

The method of claim 1,
The heat flux coefficient learning unit updates the weights by executing machine learning at predetermined intervals or by performing machine learning when an input variable of the heat flux coefficient estimation model is changed, and providing the updated weights to the heat flux coefficient calculating unit. An AI-based hot rolled runout table heat flux coefficient estimator.

The method of claim 1,
The heat flux coefficient calculated by the heat flux coefficient calculator and the temperature measured by the entrance temperature sensor of the runout table are provided, and the heat flux coefficient and the entrance temperature of the runout table are applied to the runout table by applying a heat flux coefficient and an input temperature of the runout table. A main quantity calculation unit for calculating a main quantity; And
An AI-based hot rolled runout table heat flux coefficient estimating apparatus further comprising a header controller for controlling an on / off state of a header of a bank so as to provide a steel sheet provided by the main quantity calculator to a steel sheet.