본 논문에서는 포항제철의 열연 권취 온도 공정을 제어하기 위한 방법으로 온라인 재학습 가능한 RBF 네트워크(Radial Basis Function network)를 제안한다. 새로 제안된 신경회로망 모델을 이용해 권취 온도 제어 시스템의 열전달 계수를 생성해주는 기조의 규칙 기반 계수표를 대체할 수 있다. 열연 공정 작업의 시간에 따른 변화를 고려하도록 지존의 RBF 네트워크에 부가적인 온라인 재학습용 시냅스 가중치를 도입한다. 부가적인 가중치들로 인해 이미 학습된 전체 데이터들의 특성 정보를 유지하면서 새로 들어오는 데이터들에 대해 온라인 재학습이 이루어진다. 따라서, 제안된 RBF 네트워크는 파국적 간섭(catastrophic interference)효과를 상당히 감소시킬 수 있다. 그리고 거부 네트워크을 도입하여 제어기의 신뢰도을 높일 수 있었고, 실제 현장에 적용한 실험 결과는 기존의 방법보다 평균 2.2퍼센트이상 향상된 성능을 보였다.
This paper describes on-line retrainable RBF network in order to control the coiling temperature for a hot coil strip at Pohang Iron & Steel Company(POSCO). The proposed neural network can be used for improving conventional rule-based lookup table, which generates a heat transmission coefficient. To cope with time-varying characteristics of hot coil process, additional synaptic weights for on-line retraining purposes are introduced to hidden-to-output weights of conventional RBF network. Those weights are locally adjusted to newly incoming test data while preserving old information trained with off-line past data. Hence the effect of catastrophic interference can be greatly alleviated with the proposed network. In addition, rejection scheme is introduced for reliability concerns. From the experimental results applied to the actual process, it is noticed that overall control performance represents about 2.2% increase compared to the conventional one.
