연속 주조 강의 표면 크랙 예측을 위한 강건한 머신 러닝 기법

Abstract

연속 주조 중 표면 크랙은 철강 제조에서 중요한 문제중 하나다. 이런 크랙은 유해한 결함으로 간주되어 스카핑(scarfing) 또는 연삭(grinding)과 같은 표면처리 공정을 통해 제거되어야 한다. 연속 주조 및 후속 열간 압연은 고온에서 수행된다. 표면 처리가 필요하다는 것은 주편은 냉각 처리한 다음 압연을 위해 재가열해야 하므로 생산 속도가 감소하고 제조 비용이 증가한다는 의미다. 주편의 표면 크랙을 실시간으로 예측하여 표면 처리를 선택적으로 적용할 수 있다면 불필요한 비용을 크게 줄일 수 있다. 또한, 예측 모델의 해석을 이용하여 표면 균열의 원인을 발견하고 제거한다고 가정하면 주편의 표면 품질을 크게 향상시킬 수 있다. 이러한 표면 크랙을 예측하기 위해서는 기계 학습을 사용하는 것이 매우 매력적이다. 최근에는 다양한 작업을 수행하기 위해 머신 러닝이 널리 사용되고 있으며, 그 계산 결과는 매우 정확하다고 여겨진다. 그러나 이 가정은 데이터 속성이 고정된 상태, 즉 내삽 데이터 내에서만 적용될 수 있다. 외삽 데이터의 속성이 내삽 데이터의 속성과 다른 경우 외삽 데이터의 대상을 예측할 수 없다. 불행히도 대부분의 산업 제조 프로세스에서 데이터 속성은 새로운 장비, 작동 방법 및 제품이 개발됨에 따라 시간이 지나면서 변동된다. 미래 데이터를 예측할 수 없는 머신 러닝 모델은 실제 현장에서 지속적으로 사용될 수 없다. 이러한 이유로 본 연구에서는 미래 데이터의 속성 변화에도 강건한 예측 모델을 개발하기 위한 일련의 모델링 절차를 제안했다. 여기에는 도메인 기반 데이터 전처리 방법, 해석 가능하고 과적합되지 않는 기본 모델링 방법, X와 Y 간의 상관관계 변화에도 강건한 개선된 모델링 방법이 포함된다. 이러한 도메인 기반의 해석 가능한 모델링 프로세스는 품질 위험을 최소화하고 현장에 용이하게 적용되어 질 수 있다. 결국 모델에 의해 도출된 크랙 free 영역에서 품질 낭비를 제거하고, 크랙이 다발하는 영역에 대한 모델 해석을 통해 크랙의 근본 원인을 제거함으로써, 품질 경쟁력을 높이고 제조 비용을 크게 절감할 수 있다.

Surface cracking during continuous steel casting is a major issue in steel manufacturing. If the surface cracking of a cast steel slab is predicted in real-time so that surface treatment can be applied selectively, unnecessary costs can be greatly reduced. To predict such surface cracking, using machine learning is very attractive. However, this assumption can be applied only within a state where data properties are stationary, i.e., only within interpolated data. Unfortunately, data properties change over time in most industrial manufacturing processes as new equipment, operation methods, and products are developed. For this reason, this study proposed a series of approaches for developing a high-predictive-performance model robust to changing properties in future data. It includes a domain-based data preparation method, an interpretable and non-overfitting basic modeling method, and an improved modeling method robust to changes in the correlation between input and output. This process increases quality competitiveness and reduces manufacturing costs by eliminating quality waste and removing the causes of cracks through model interpretation.