Vital Few 패턴 분석을 통한 전기강판 품질 예측에 관한 연구

Abstract

철강산업에서 방향성 전기강판의 생산 및 운영은 일반 강판과는 달리 수많은 공정을 통과하고 인자들을 관리하며 미세한 변동에도 쉽게 불량이 발생하는 가장 복잡한 프로세스를 가지는 문제점이 있기 때문에 이를 해결하고자 하는 노력이 지속되어 왔다. 종래의 방향성 전기강판 품질 예측 방법은 탈탄소둔 공정 을 통과한 코일에서 시편을 Sampling 한 후 현미경을 통하여 조직을 관찰하고 Grain Size 를 측정한 후 관리 범위 수준 여부를 파악하여 품질의 합 격 불 량 여부를 판단하였으나 이러한 예측 방법은 담당자의 경험적 판단에 의한 의존도가 높아 객관성이 부족한 상황이다.또한 분석 전체 면적의 0.001% 만 Sampling 하여 측정하는 방법으로 분석 오차가 매우 크고 신뢰성을 저하시키는 문제가 있다.이에 본 연구에서는 위와 같은 문제점을 극복하기 위해 Data Mining 을 통한 예측 모델을 만들어 제어하는 방안을 검토하였다 품질 예측 모델을 개발하기 위하여 제강 열연 전 기 강 판 공정의 조업 실적 D ata 를 수집 분석함으로써 양호재와 불량재간 Data 군집 분류 및 Data 간 교효작용의 알고리즘을 통계적 기법을 활용하여 분석함으로써 정확한 자성 품질을 예측할 수 있는 모델을 개발하고 이를 통해 불량 발생을 저감 할 수 있도록 하였다.

Recently, the demand for electrical steels are continuously increasing due to the global energy efficiency policy. In the steel industry, however, the production and operation of oriented electrical steel has a problem. It is one of the most complicated processes in the steel industry. Most of all, It has numerous processes and easily causes defects even in the small fluctuations. In the conventional electrical steel quality prediction method, after sampling the specimen from the coil which passed the decarbonization annealing process, the grain is observed through a microscope, the grain size is measured, and the quality of the control range is determined to determine whether the quality is passed or failed. However, these prediction methods have a high degree of dependence based on the empirical judgment of the person in charge. In addition, it is a method of measuring 0.001% of the total area. In order to overcome the above problems, this study examined how to make and control the prediction model using datamining. In order to develop a quality of prediction model, it is possible to predict accurate magnetic quality by collecting and analyzing operational performance data of steelmaking, hot rolling, and electrical steel processes using statistical techniques to classify data clusters between good and bad materials and to analyze the interaction between data. The model was developed to reduce the occurrence of defects.