KR20230151124A - 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 - Google Patents
인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 Download PDFInfo
- Publication number
- KR20230151124A KR20230151124A KR1020220049923A KR20220049923A KR20230151124A KR 20230151124 A KR20230151124 A KR 20230151124A KR 1020220049923 A KR1020220049923 A KR 1020220049923A KR 20220049923 A KR20220049923 A KR 20220049923A KR 20230151124 A KR20230151124 A KR 20230151124A
- Authority
- KR
- South Korea
- Prior art keywords
- information
- incinerator
- predicted
- learning
- waste
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 107
- 238000013473 artificial intelligence Methods 0.000 title description 7
- 238000010801 machine learning Methods 0.000 claims abstract description 148
- 238000004458 analytical method Methods 0.000 claims abstract description 39
- 238000004088 simulation Methods 0.000 claims abstract description 36
- 239000002699 waste material Substances 0.000 claims description 258
- 238000003860 storage Methods 0.000 claims description 171
- 238000007664 blowing Methods 0.000 claims description 143
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 135
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 112
- 229910001868 water Inorganic materials 0.000 claims description 112
- 239000007789 gas Substances 0.000 claims description 103
- 239000000428 dust Substances 0.000 claims description 100
- 239000000126 substance Substances 0.000 claims description 81
- 230000008569 process Effects 0.000 claims description 66
- 238000002485 combustion reaction Methods 0.000 claims description 57
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 49
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 49
- 238000005406 washing Methods 0.000 claims description 49
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 46
- HEMHJVSKTPXQMS-UHFFFAOYSA-M Sodium hydroxide Chemical compound [OH-].[Na+] HEMHJVSKTPXQMS-UHFFFAOYSA-M 0.000 claims description 45
- 238000010531 catalytic reduction reaction Methods 0.000 claims description 43
- 229910052815 sulfur oxide Inorganic materials 0.000 claims description 41
- VEXZGXHMUGYJMC-UHFFFAOYSA-N Hydrochloric acid Chemical compound Cl VEXZGXHMUGYJMC-UHFFFAOYSA-N 0.000 claims description 39
- XTQHKBHJIVJGKJ-UHFFFAOYSA-N sulfur monoxide Chemical class S=O XTQHKBHJIVJGKJ-UHFFFAOYSA-N 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 34
- 239000000809 air pollutant Substances 0.000 claims description 29
- 231100001243 air pollutant Toxicity 0.000 claims description 29
- 238000005070 sampling Methods 0.000 claims description 28
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 21
- AXCZMVOFGPJBDE-UHFFFAOYSA-L calcium dihydroxide Chemical compound [OH-].[OH-].[Ca+2] AXCZMVOFGPJBDE-UHFFFAOYSA-L 0.000 claims description 21
- 239000000920 calcium hydroxide Substances 0.000 claims description 21
- 235000011116 calcium hydroxide Nutrition 0.000 claims description 21
- 229910001861 calcium hydroxide Inorganic materials 0.000 claims description 21
- 238000010438 heat treatment Methods 0.000 claims description 21
- WTHDKMILWLGDKL-UHFFFAOYSA-N urea;hydrate Chemical compound O.NC(N)=O WTHDKMILWLGDKL-UHFFFAOYSA-N 0.000 claims description 21
- 229910021529 ammonia Inorganic materials 0.000 claims description 20
- VTHJTEIRLNZDEV-UHFFFAOYSA-L magnesium dihydroxide Chemical compound [OH-].[OH-].[Mg+2] VTHJTEIRLNZDEV-UHFFFAOYSA-L 0.000 claims description 20
- 239000000347 magnesium hydroxide Substances 0.000 claims description 20
- 229910001862 magnesium hydroxide Inorganic materials 0.000 claims description 20
- 238000001035 drying Methods 0.000 claims description 16
- 238000011017 operating method Methods 0.000 claims description 16
- 239000001301 oxygen Substances 0.000 claims description 15
- 229910052760 oxygen Inorganic materials 0.000 claims description 15
- 239000002002 slurry Substances 0.000 claims description 15
- 235000011121 sodium hydroxide Nutrition 0.000 claims description 15
- 239000002351 wastewater Substances 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 239000000498 cooling water Substances 0.000 claims description 10
- 238000002347 injection Methods 0.000 claims description 7
- 239000007924 injection Substances 0.000 claims description 7
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims description 6
- 235000011114 ammonium hydroxide Nutrition 0.000 claims description 6
- 239000012895 dilution Substances 0.000 claims description 6
- 238000010790 dilution Methods 0.000 claims description 6
- 239000003814 drug Substances 0.000 claims description 6
- 238000011049 filling Methods 0.000 claims description 5
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 229940079593 drug Drugs 0.000 claims description 4
- 239000002283 diesel fuel Substances 0.000 claims description 2
- 230000002787 reinforcement Effects 0.000 description 46
- IXCSERBJSXMMFS-UHFFFAOYSA-N hydrogen chloride Substances Cl.Cl IXCSERBJSXMMFS-UHFFFAOYSA-N 0.000 description 30
- 229910000041 hydrogen chloride Inorganic materials 0.000 description 30
- 238000011156 evaluation Methods 0.000 description 25
- 238000007781 pre-processing Methods 0.000 description 19
- 238000012952 Resampling Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 16
- 230000009471 action Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 239000000463 material Substances 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 7
- 239000000567 combustion gas Substances 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000006722 reduction reaction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- TXKMVPPZCYKFAC-UHFFFAOYSA-N disulfur monoxide Inorganic materials O=S=S TXKMVPPZCYKFAC-UHFFFAOYSA-N 0.000 description 5
- 230000020169 heat generation Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000003054 catalyst Substances 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000007788 liquid Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000010794 food waste Substances 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-M hydroxide Chemical compound [OH-] XLYOFNOQVPJJNP-UHFFFAOYSA-M 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003134 recirculating effect Effects 0.000 description 1
- 239000011819 refractory material Substances 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005200 wet scrubbing Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G5/00—Incineration of waste; Incinerator constructions; Details, accessories or control therefor
- F23G5/50—Control or safety arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/003—Systems for controlling combustion using detectors sensitive to combustion gas properties
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/24—Preventing development of abnormal or undesired conditions, i.e. safety arrangements
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/24—Preventing development of abnormal or undesired conditions, i.e. safety arrangements
- F23N5/242—Preventing development of abnormal or undesired conditions, i.e. safety arrangements using electronic means
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/26—Details
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N5/00—Systems for controlling combustion
- F23N5/26—Details
- F23N5/265—Details using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/101—Arrangement of sensing devices for temperature
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/102—Arrangement of sensing devices for pressure
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/104—Arrangement of sensing devices for CO or CO2
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/106—Arrangement of sensing devices for SOx
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/107—Arrangement of sensing devices for halogen concentration
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/10—Arrangement of sensing devices
- F23G2207/112—Arrangement of sensing devices for waste supply flowrate
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23G—CREMATION FURNACES; CONSUMING WASTE PRODUCTS BY COMBUSTION
- F23G2207/00—Control
- F23G2207/50—Cooling fluid supply
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/04—Memory
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/06—Sampling
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/08—Microprocessor; Microcomputer
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/38—Remote control
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/40—Simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F23—COMBUSTION APPARATUS; COMBUSTION PROCESSES
- F23N—REGULATING OR CONTROLLING COMBUSTION
- F23N2223/00—Signal processing; Details thereof
- F23N2223/44—Optimum control
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Combustion & Propulsion (AREA)
- Chemical & Material Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Incineration Of Waste (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
Abstract
본 개시의 소각로 제어 시스템은 센서부, 운전제어장치 및 서버를 포함하고, 기계학습을 이용하여 소각로를 제어하는 소각로 제어 시스템의 동작 방법은 운전제어장치가 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계, 운전제어장치가 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계, 및 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 서버로부터 수신한 운전자모사기계학습모델에 적용하여 예측된 운전제어정보를 획득하는 단계를 포함한다.
Description
본 개시는 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법에 대한 것이다. 보다 구체적으로 시스템은 소각로에 포함되어 있는 다양한 센서로부터 획득된 신호에 기초하여 소각로의 연소를 최적화하기 위한 방법을 포함한다.
일반적으로 소각로 설계 시에 반입폐기물의 조건을 고질, 중질, 저질 성상의 대표적인 3가지 종류의 기준으로 설계 계산 과정을 거쳐 결정한다. 하지만 정부정책 및 각종 현실적인 여건에 따라 소각로 설계 당시의 폐기물과 다른 성상과 발열량을 가진 폐기물이 반입되는 특수한 상황들이 발생되고 있어 설계 범위 밖의 투입폐기물과 운전조건에서 나타나는 탈 설계 조건의 운전 상황이 발생되고 있는 것이 현실이다.
이로 인해 소각로에 투입된 폐기물이 불완전 연소하게 되고, 연소실 온도가 설계된 값을 벗어나게 되어 내화물, 소각로 및 오염 방지시설의 수명 및 효율에 심각한 영향을 미치게 된다. 소각로 설계에 대한 구체적인 사항을 살펴보면 일반적 소각로의 경우 소각물의 1차 연소 단계에서 발생하는 미연소 가스에 포함된 불완전연소 생성물과 타르(Tar), 챠(Char) 등을 연소하기 위해 2차 연소공기가 전체공급 공기량의 20 - 40%정도가 공급되는 시스템으로 설계된다. 또한 소각로의 연소성능을 결정하는 인자는 시간(Time), 온도(Temperature), 난류(Turbulence)로서 보통3T라 불린다. 소각물의 연소과정에서 발생된 불완전 연소 생성물의 파괴를 위해서는 일정 이상 온도에서 강한 난류에 의한 공기와의 혼합이 이루어져야 하지만, 연소 공기의 양이 감소될 경우는 상대적으로 2차 연소공기 노즐 끝단의 유속이 감소하게 되어 소각로 내에서 불완전 연소 생성물의 파괴가 미약한 실정이다. 한편, 실제 소각로 내의 세부적인 연소상황은 매우 불균일하고 측정이 거의 불가능하기 때문에 열정산(heat balance)프로그램 및 소각로내 온도(소각로 출구온도, 건조단 상부온도, 후연소단 상부온도)측정값, 소각로내 압력과 연소가스의 산소농도 및 일산화탄소농도 등을 이용하여 전체적인 연소상황을 대표할 수 있는 종합적인 소각로 제어 시스템이 필요하다.
종래의 소각로 제어 시스템은 설계자에 의하여 미리 정해진 제어 조건을 설정하여 소각로를 최적으로 제어하기 위하여 노력하였다. 하지만 종래의 시스템은 폐기물의 발열량을 예측할 수 없었으므로 현재 소각로의 연소 상태가 정상인지 여부를 알려줄 수 있을 뿐이며, 앞으로 정상적으로 운영될 수 있을지 알려줄 수 없었다. 또한, 폐기물, 송풍량, 온도, 습도 등 소각로 주변환경이 미리 정해진 제어 조건에 부합하지 않는 경우, 시스템이 정상적으로 동작하지 않으므로, 사람이 적응적으로 폐기물을 투입할지 여부를 판단하여야 했다. 즉, 종래의 소각로 제어 시스템의 자동 제어는 제한적일 수밖에 없었다. 따라서 설계자에 의하여 미리 정해진 조건 이외의 조건에서도 정상적으로 제어를 할 수 있는 소각로 제어 시스템이 활발히 연구되고 있다.
본 개시의 소각로 제어 시스템은 센서부, 운전제어장치 및 서버를 포함하 소각로 제어 시스템의 동작방법은 기계학습을 이용하며, 운전제어장치가 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계, 운전제어장치가 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계, 및 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 서버로부터 수신한 운전자모사기계학습모델에 적용하여 예측된 운전제어정보를 획득하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 운전상태정보는 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함하고, 폐기물의 질량 정보는 소각로에서 현재 소각되고 있는 폐기물의 폐기물 투입 시점, 투입 폐기물 무게, 투입 폐기물의 미리 정해진 발열량, 투입 폐기물의 미리 정해진 발열커브, 및 소각로에 투입된 폐기물의 질량정보 중 적어도 하나를 포함하고, 공급유량 정보는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘, 소각로내 물 분사량, 탈기기 급수, 냉각수 급수, 절탄기 급수, 증기유량 또는 보일러 급수 중 적어도 하나를 소각로에 공급하는 양과 관련되고, 송풍유량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환기 중 적어도 하나의 송풍유량나타내고, 압력 정보는 소각로 내의 압력, 보일러 내의 압력, 냉각수 수관 내의 압력, 보일러 수관 내의 압력, 암모니아 탱크내의 압력 보일러 드럼 내의 압력 또는 증기 압력 중 적어도 하나와 관련되고, 저장 탱크에 대한 정보는 보일러 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크 중 적어도 하나의 채워진 정도와 관련되고, 온도 정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 탈기기 입구, 탈기기 출구, 보일러 급수 온도, 증기온도, 절탄기 입구, 절탄기 출구, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 폐기물 보관 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기온도 중 적어도 하나의 온도와 관련되고, 습도정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기습도 중 적어도 하나의 습도와 관련되고, 배기가스에 대한 정보는 소각로에서 배출되는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보, 온도, 압력, 습도, 및 유량 중 적어도 하나에 대한 정보를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 운전설정정보는 송풍기 송풍량 정보, 푸셔에 대한 정보, 송풍 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 약품투입량 정보, 소각효율을 향상시키기 위한 약품투입량 정보, 또는 폐기물 투입설정 정보 중 적어도 하나를 포함하고, 송풍기 송풍량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환 송풍기의 송풍량을 나타내고, 또한 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 나타내고, 푸셔에 대한 정보는 램푸셔, 건조단 스토커, 연소단 스토커, 또는 후연소단 스토커에 포함된 푸셔의 동작 주기 또는 푸셔의 동작 횟수를 나타내고, 폐기물 투입설정 정보는 폐기물 투입 시점, 투입 폐기물 무게, 및 투입 폐기물의 미리 정해진 발열커브 중 적어도 하나를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보, 예측된 유인송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나를 포함하고, 예측된 폐기물 투입 여부 정보는 폐기물을 투입할지 여부를 나타내고, 예측된 유인송풍기의 송풍량은 유인송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며, 예측된 압입송풍기의 송풍량은 압입송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며, 예측된 배기가스 재순환 송풍기의 송풍량은 배기가스 재순환 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며, 예측된 송풍기 댐퍼의 개도율 정보는 유인송풍기, 압입송풍기, 배기가스 재순환 송풍기의 출구 중 적어도 하나에 설치된 댐퍼의 예측된 개도율을 나타내며, 대기오염물질을 저감하기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기 및 투입양 중 적어도 하나를 포함하며, 소각효율을 향상시키기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기 및 투입양 중 적어도 하나를 포함하며, 예측된 푸셔의 동작 정보는 푸셔가 폐기물을 미는 주기 및 푸셔의 운전(on/off) 여부 중 적어도 하나를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 예측된 운전제어정보에 기초하여 운전제어장치가 소각로를 제어하는 단계, 및 예측된 폐기물 투입 여부 정보, 예측된 유인송풍기의 송풍량 정보, 예측된 압입송풍기의 송풍량 정보, 예측된 배기가스 재순환기 송풍기 송풍량 정보, 예측된 송풍기 댐퍼의 개도율 정보, 또는 예측된 푸셔의 동작 정보 중 적어도 하나를 표시하는 단계를 더 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보를 나타내고, 예측된 운전제어정보에 기초하여 운전제어장치가 소각로를 제어하는 단계는, 예측된 폐기물 투입 여부 정보가 폐기물의 투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하는 단계, 및 예측된 폐기물 투입 여부 정보가 폐기물의 미투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하지 않는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 차분 정보를 획득하는 단계는, 기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계, 복수의 학습 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계, 및 현재 시각의 운전상태정보 및 현재 시각의 운전설정정보 중 하나에서 직전 시각의 운전상태정보 및 직전 시각의 운전설정정보 중 하나를 차분하여 차분 정보를 획득하는 단계를 포함하고, 현재 시각과 직전 시각의 차이는 시스템 주기이다.
본 개시의 소각로 제어 시스템의 동작방법의 추세 정보는 분석시간 동안의 매 시스템 주기마다 운전상태정보 및 운전설정정보 중 하나의 변화량 정보 및 변화방향 정보를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 추세 정보를 획득하는 단계는, 기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계, 복수의 학습 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 제 n 시각의 운전상태정보, 제 n 시각의 운전설정정보, 제 n-1 시각의 운전상태정보, 및 제 n-1 시각의 운전설정정보를 획득하는 단계, 제 n 시각의 운전상태정보 및 제 n 시각의 운전설정정보 중 하나에서 제 n-1 시각의 운전상태정보 및 제 n-1 시각의 운전설정정보 중 하나를 차분하여 복수의 차분 정보를 획득하는 단계, 및 복수의 차분 정보의 추세 정보로 획득하는 단계를 포함하고, 제 n 시각과 제 n-1 시각의 차이는 시스템 주기이고, 복수의 차분 정보의 크기가 변화량 정보에 대응되고 복수의 차분 정보의 부호가 변화방향 정보에 대응한다.
본 개시의 소각로 제어 시스템의 동작방법은 서버가 미리 수집된 학습데이터베이스로부터 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 및 복수의 운전제어정보를 획득하는 단계, 서버가 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 단계, 서버가 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 복수의 과거 차분 정보, 및 복수의 과거 추세 정보 중 적어도 하나에 대한 복수의 운전제어정보의 상관관계(인과관계)를 기계학습하여 운전자모사기계학습모델을 생성하는 단계, 및 운전자모사기계학습모델을 운전제어장치로 송신하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 및 복수의 운전제어정보를 획득하는 단계는 후보 학습 운전상태정보, 후보 학습 운전설정정보, 및 후보 운전제어정보를 획득하는 단계, 후보 학습 운전상태정보, 후보 학습 운전설정정보, 및 후보 운전제어정보에 대응되는 미리 정해진 시간 이후의 운전상태정보를 획득하는 단계, 미리 정해진 시간 이후의 운전상태 정보에 기초하여 숙련도 정보를 획득하는 단계, 및 숙련도 정보가 미리 정해진 임계보상값 이상인 경우, 후보 운전제어정보를 복수의 운전제어정보 중 하나로 결정하는 단계 포함한다.
본 개시의 소각로 제어 시스템은 센서부, 운전제어장치 및 서버를 포함하고, 기계학습을 이용하여 소각로를 제어하는 소각로 제어 시스템의 동작 방법은 운전제어장치가 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계, 운전제어장치가 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계, 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계, 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 서버로부터 수신한 운전상태예측기계학습모델에 적용하여 예측된 운전상태정보를 획득하는 단계, 및 예측된 운전상태정보를 출력하는 단계를 포함하고, 예측된 운전상태정보는 현재 시각부터 미리 정해진 예측시간 후의 미래 시각에서의 운전상태정보이다.
본 개시의 소각로 제어 시스템의 동작방법의 운전상태정보는 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함하고, 폐기물의 질량 정보는 소각로에서 현재 소각되고 있는 폐기물의 폐기물 투입 시점, 투입 폐기물 무게, 투입 폐기물의 미리 정해진 발열량, 투입 폐기물의 미리 정해진 발열커브, 및 소각로에 투입된 폐기물의 질량정보 중 적어도 하나를 포함하고, 공급유량 정보는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘, 소각로내 물 분사량, 탈기기 급수, 냉각수 급수, 절탄기 급수, 증기유량 또는 보일러 급수 중 적어도 하나를 소각로에 공급하는 양과 관련되고, 송풍유량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환기 중 적어도 하나의 송풍유량 나타내고, 압력 정보는 소각로 내의 압력, 보일러 내의 압력, 냉각수 수관 내의 압력, 보일러 수관 내의 압력, 암모니아 탱크내의 압력 보일러 드럼 내의 압력 또는 증기 압력 중 적어도 하나와 관련되고, 저장 탱크에 대한 정보는 보일러 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크 중 적어도 하나의 채워진 정도와 관련되고, 온도 정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 탈기기 입구, 탈기기 출구, 보일러 급수 온도, 증기온도, 절탄기 입구, 절탄기 출구, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 폐기물 보관 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기온도 중 적어도 하나의 온도와 관련되고, 습도정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기습도 중 적어도 하나의 습도와 관련되고, 배기가스에 대한 정보는 소각로에서 배출되는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보, 온도, 압력, 습도, 및 유량 중 적어도 하나에 대한 정보를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 운전설정정보는 송풍기 송풍량 정보, 푸셔에 대한 정보, 송풍 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 약품투입량 정보, 소각효율을 향상시키기 위한 약품투입량 정보, 또는 폐기물 투입설정 정보 중 적어도 하나를 포함하고, 송풍기 송풍량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환 송풍기의 송풍량을 나타내고, 또한 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 나타내고, 푸셔에 대한 정보는 램푸셔, 건조단 스토커, 연소단 스토커, 또는 후연소단 스토커에 포함된 푸셔의 동작 주기 또는 푸셔의 동작 횟수를 나타내고, 폐기물 투입설정 정보는 폐기물 투입 시점, 투입 폐기물 무게, 및 투입 폐기물의 미리 정해진 발열커브 중 적어도 하나를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 예측된 운전상태정보를 출력하는 단계는, 예측된 운전상태정보가 미리 정해진 임계환경정보에 포함되는지 여부를 결정하는 단계, 및 예측된 운전상태정보가 임계환경정보에 포함되지 않는 경우, 예측된 운전제어정보를 자동으로 생성하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 예측된 운전상태정보는 예측된 온도정보, 예측된 산소의 양, 및 예측된 압력 정보 중 적어도 하나를 포함하고, 임계환경정보는 임계온도범위정보, 임계 산소의 양의 범위, 및 임계압력범위정보 중 적어도 하나를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 차분 정보를 획득하는 단계는, 기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계, 복수의 학습 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계, 및 현재 시각의 운전상태정보 및 현재 시각의 운전설정정보 중 하나에서 직전 시각의 운전상태정보 및 직전 시각의 운전설정정보 중 하나를 차분하여 차분 정보를 획득하는 단계를 포함하고, 현재 시각과 직전 시각의 차이는 시스템 주기이다.
본 개시의 소각로 제어 시스템의 동작방법의 시스템 주기는 기본 샘플링 주기보다 크고, 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계는, 시스템 주기마다 복수의 학습 운전상태정보 및 복수의 운전설정정보를 평균하여 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 추세 정보는 분석시간 동안의 매 시스템 주기마다 운전상태정보 및 운전설정정보 중 하나의 변화량 정보 및 변화방향 정보를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 추세 정보를 획득하는 단계는, 기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계, 복수의 학습 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 제 n 시각의 운전상태정보, 제 n 시각의 운전설정정보, 제 n-1 시각의 운전상태정보, 및 제 n-1 시각의 운전설정정보를 획득하는 단계, 제 n 시각의 운전상태정보 및 제 n 시각의 운전설정정보 중 하나에서 제 n-1 시각의 운전상태정보 및 제 n-1 시각의 운전설정정보 중 하나를 차분하여 복수의 차분 정보를 획득하는 단계; 및 복수의 차분 정보의 추세 정보로 획득하는 단계를 포함하고, 제 n 시각과 제 n-1 시각의 차이는 시스템 주기이고, 복수의 차분 정보의 크기가 변화량 정보에 대응되고 복수의 차분 정보의 부호가 변화방향 정보에 대응한다.
본 개시의 소각로 제어 시스템의 동작방법은 서버가 미리 수집된 학습데이터베이스로부터 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 및 복수의 예측시간 후의 운전상태정보를 획득하는 단계, 서버가 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 단계, 서버가 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 복수의 과거 차분 정보, 및 복수의 과거 추세 정보 중 적어도 하나에 대한 복수의 예측시간 후의 운전상태정보의 인과관계(상관관계)를 기계학습하여 운전상태예측기계학습모델을 생성하는 단계, 및 운전상태예측기계학습모델을 운전제어장치로 송신하는 단계를 포함하고, 복수의 예측시간 후의 운전상태정보는 복수의 학습 운전상태정보를 획득한 후 예측시간 후의 정보이다.
본 개시의 소각로 제어 시스템은 센서부, 운전제어장치 및 서버를 포함하고, 기계학습을 이용하여 소각로를 제어하는 소각로 제어 시스템의 동작 방법은 운전제어장치가 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계, 운전제어장치가 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계, 운전제어장치가 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계, 운전제어장치가 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계, 운전제어장치가 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 현재 상태 정보로 결정하는 단계, 및 운전제어장치가 현재 상태 정보를 서버로부터 수신한 소각로제어강화학습모델에 적용하여 최대 보상을 제공하는 예측된 운전제어정보를 획득하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법은 서버가 보상함수(r)의 의한 보상이 최대가 되도록 강화학습을 수행하여 소각로제어강화학습모델을 생성하는 단계, 및 소각로제어강화학습모델을 운전제어장치에 송신하는 단계를 더 포함하고, 보상함수(r)는 r = r_temp + r_NOX + r_CO + r_HCL + r_SOX + r_Dust + r_waste 이고, r_temp는 학습 온도정보에 따른 보상값이며, r_NOX는 학습 질소 산화물의 양에 따른 보상값이며, r_CO는 학습 일산화탄소의 양에 따른 보상값이며, r_HCL는 학습 염화수소의 양에 따른 보상값이며, r_SOX는 학습 황산화물의 양에 따른 보상값이며, r_Dust는 학습 먼지의 양에 따른 보상값이고, r_waste는 시간 당 투입되는 폐기물 양에 따른 보상값이며, 학습 상태 정보는 학습 온도정보, 학습 질소 산화물의 양, 학습 일산화탄소의 양, 학습 염화수소의 양, 학습 황산화물의 양, 학습 먼지의 양, 및 시간 당 투입되는 폐기물의 양 중 적어도 하나를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 소각로제어강화학습모델을 생성하는 단계는, 서버가 정책 정보에 기초하여 제 k 학습 상태 정보에서 사용가능한 복수의 후보 운전제어정보 중 제 k 학습 운전제어정보를 획득하는 단계, 서버가 제 k 학습 상태 정보에 제 k 학습 운전제어정보를 반영하여 제 k+1 학습 상태 정보를 획득하는 단계, 서버가 제 k+1 학습 상태 정보를 보상함수에 적용하여, 제 k 학습 상태 정보에 대한 제 k 학습 운전제어정보의 제 k 서브 보상을 결정하는 단계, 서버는 제 k 서브 보상 및 제 k+1 서브 보상에 기초하여 제 k 보상을 결정하는 단계, 서버는 제 k 보상이 최대가 되도록 정책 정보를 변경하는 단계, 및 서버가 정책 정보에 기초하여 소각로제어강화학습모델을 생성하는 단계를 포함한다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는 서버는 제 k+1 학습 상태 정보에 포함된 학습 온도정보가 제 1 임계온도 이상이고 제 2 임계온도 미만일 때, r_temp를 제 1 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 온도정보가 제 3 임계온도 이상이고 제 1 임계온도 미만이거나, 제 2 임계온도 이상이고 제 4 임계온도 미만일 때, r_temp를 제 2 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 온도정보가 제 3 임계온도 미만이거나 제 4 임계온도 이상일 때, r_temp를 제 3 보상값으로 결정하는 단계, 및 서버는 제 k 학습 상태 정보에 포함된 학습 온도정보가 제 5 임계온도 미만이거나 제 6 임계온도 이상이고, 제 k+1 학습 상태 정보에 포함된 학습 온도정보가 제 7 임계온도 이상이고 제 3 임계온도 미만이거나, 제 4 임계온도 이상 제 8 임계온도 미만인 경우, r_temp를 제 4 보상값으로 결정하는 단계를 포함하고, 제 1 보상값, 제 2 보상값, 및 제 4 보상값은 양수이고, 제 3 보상값은 음수이며, 제 2 보상값은 제 1 보상값, 및 제 3 보상값의 절대값보다 작고, 제 5 임계온도 < 제 7 임계온도 < 제 3 임계온도 < 제 1 임계온도 < 제 2 임계온도 < 제 4 임계온도 < 제 8 임계온도 < 제 6 임계온도인 관계식을 만족한다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는, 서버는 제 k+1 학습 상태 정보에 포함된 학습 질소 산화물의 양이 미리 결정된 기준 질소 산화물의 양 미만일 때, r_NOX를 제 5 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 질소 산화물의 양이 기준 질소 산화물의 양 이상이고 미리 결정된 허용 질소 산화물의 양 미만일 때, r_NOX를 제 6 보상값으로 결정하는 단계, 및 서버는 제 k+1 학습 상태 정보에 포함된 학습 질소 산화물의 양이 허용 질소 산화물의 양 이상일 때, r_NOX를 제 7 보상값으로 결정하는 단계를 포함하고, 제 5 보상값은 양수이고, 제 6 보상값 및 제 7 보상값은 음수이며, 제 5 보상값 및 제 6 보상값의 절대값은 제 7 보상값의 절대값보다 작고, 기준 질소 산화물의 양은 허용 질소 산화물의 양보다 작다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는 서버는 제 k+1 학습 상태 정보에 포함된 학습 일산화탄소의 양이 미리 결정된 기준 일산화탄소의 양 미만일 때, r_CO를 제 8 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 일산화탄소의 양이 기준 일산화탄소의 양 이상이고 미리 결정된 허용 일산화탄소의 양 미만일 때, r_CO를 제 9 보상값으로 결정하는 단계, 및 서버는 제 k+1 학습 상태 정보에 포함된 학습 일산화탄소의 양이 허용 일산화탄소의 양 이상일 때, r_CO를 제 10 보상값으로 결정하는 단계를 포함하고, 제 8 보상값은 양수이고, 제 9 보상값 및 제 10 보상값은 음수이며, 제 8 보상값 및 제 9 보상값의 절대값은 제 10 보상값의 절대값보다 작고, 기준 일산화탄소의 양은 허용 일산화탄소의 양보다 작다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는, 서버는 제 k+1 학습 상태 정보에 포함된 학습 염화수소의 양이 미리 결정된 기준 염화수소의 양 미만일 때, r_HCL를 제 11 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 염화수소의 양이 기준 염화수소의 양 이상이고 미리 결정된 허용 염화수소의 양 미만일 때, r_HCL를 제 12 보상값으로 결정하는 단계, 및 서버는 제 k+1 학습 상태 정보에 포함된 학습 염화수소의 양이 허용 염화수소의 양 이상일 때, r_HCL를 제 13 보상값으로 결정하는 단계를 포함하고, 제 11 보상값은 양수이고, 제 12 보상값 및 제 13 보상값은 음수이며, 제 11 보상값 및 제 12 보상값의 절대값은 제 13 보상값의 절대값보다 작고, 기준 염화수소의 양은 허용 염화수소의 양보다 작다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는 서버는 제 k+1 학습 상태 정보에 포함된 학습 황산화물의 양이 미리 결정된 기준 황산화물의 양 미만일 때, r_SOX를 제 14 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 황산화물의 양이 기준 황산화물의 양 이상이고 미리 결정된 허용 황산화물의 양 미만일 때, r_SOX를 제 15 보상값으로 결정하는 단계, 및 서버는 제 k+1 학습 상태 정보에 포함된 학습 황산화물의 양이 허용 황산화물의 양 이상일 때, r_SOX를 제 16 보상값으로 결정하는 단계를 포함하고, 제 14 보상값은 양수이고, 제 15 보상값 및 제 16 보상값은 음수이며, 제 14 보상값 및 제 15 보상값의 절대값은 제 16 보상값의 절대값보다 작고, 기준 황산화물의 양은 허용 황산화물의 양보다 작다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는, 서버는 제 k+1 학습 상태 정보에 포함된 학습 먼지의 양이 미리 결정된 기준 먼지의 양 미만일 때, r_Dust를 제 17 보상값으로 결정하는 단계, 서버는 제 k+1 학습 상태 정보에 포함된 학습 먼지의 양이 기준 먼지의 양 이상이고 미리 결정된 허용 먼지의 양 미만일 때, r_Dust를 제 18 보상값으로 결정하는 단계, 및 서버는 제 k+1 학습 상태 정보에 포함된 학습 먼지의 양이 허용 먼지의 양 이상일 때, r_Dust를 제 19 보상값으로 결정하는 단계를 포함하고, 제 17 보상값은 양수이고, 제 18 보상값 및 제 19 보상값은 음수이며, 제 17 보상값 및 제 18 보상값의 절대값은 제 19 보상값의 절대값보다 작고, 기준 먼지의 양은 허용 먼지의 양보다 작다.
본 개시의 소각로 제어 시스템의 동작방법의 제 k 서브 보상을 결정하는 단계는, r_waste를 아래의 식에 의하여 결정하며, r_waste = - a * |기준 폐기물의 양 - 단위 시간당 투입 폐기물의 양|, 여기서 a는 미리 정해진 양의 실수이고, 기준 폐기물의 양은 미리 결정된 값이며, 단위 시간당 투입 폐기물의 양은 소각로에 단위 시간당 투입된 폐기물의 질량 및 무게 중 적어도 하나이다.
본 개시의 소각로 제어 시스템의 동작방법의 운전상태정보는 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함하고, 폐기물의 질량 정보는 소각로에서 현재 소각되고 있는 폐기물의 폐기물 투입 시점, 투입 폐기물 무게, 투입 폐기물의 미리 정해진 발열량, 투입 폐기물의 미리 정해진 발열커브, 및 소각로에 투입된 폐기물의 질량정보 중 적어도 하나를 포함하고, 공급유량 정보는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘, 소각로내 물 분사량, 탈기기 급수, 냉각수 급수, 절탄기 급수, 증기유량 또는 보일러 급수 중 적어도 하나를 소각로에 공급하는 양과 관련되고, 송풍유량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환기 중 적어도 하나의 송풍유량나타내고, 압력 정보는 소각로 내의 압력, 보일러 내의 압력, 냉각수 수관 내의 압력, 보일러 수관 내의 압력, 암모니아 탱크내의 압력 보일러 드럼 내의 압력 또는 증기 압력 중 적어도 하나와 관련되고, 저장 탱크에 대한 정보는 보일러 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크 중 적어도 하나의 채워진 정도와 관련되고, 온도 정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 탈기기 입구, 탈기기 출구, 보일러 급수 온도, 증기온도, 절탄기 입구, 절탄기 출구, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 폐기물 보관 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기온도 중 적어도 하나의 온도와 관련되고, 습도정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기습도 중 적어도 하나의 습도와 관련되고, 배기가스에 대한 정보는 소각로에서 배출되는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보, 온도, 압력, 습도, 및 유량 중 적어도 하나에 대한 정보를 포함한다.
또한, 상술한 바와 같은 본 개시의 소각로 제어 시스템의 동작 방법을 구현하기 위한 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수 있다.
본 개시는 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법은 소각로의 연소를 최적화하여, 소각로 내의 적정조건 유지를 통하여 소각로 TMS(Tele-Monitoring System)에서 측정되는 오염물질 배출을 최소화하고, 소각재 배출을 최소화하고, 증기 생산을 최대화하고, 소각로 설비시설을 보전/최적화할 수 있다.
도 1은 본 개시의 일 실시예에 따른 서버의 블록도이다.
도 2는 본 개시의 일 실시예에 따른 서버를 나타낸 도면이다.
도 3 은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 구성을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 따른 소각로를 나타낸다.
도 5는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 소각로 제어 시스템을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타낸 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 운전자모사기계학습모델을 설명하기 위한 도면이다.
도 9는 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 운전상태예측기계학습모델을 설명하기 위한 도면이다.
도 11은 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작 방법을 나타내는 흐름도이다.
도 12는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면일 수 있다.
도 13은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시예에 따른 서버를 나타낸 도면이다.
도 3 은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 구성을 설명하기 위한 도면이다.
도 4는 본 개시의 일 실시예에 따른 소각로를 나타낸다.
도 5는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
도 6은 본 개시의 일 실시예에 따른 소각로 제어 시스템을 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타낸 흐름도이다.
도 8은 본 개시의 일 실시예에 따른 운전자모사기계학습모델을 설명하기 위한 도면이다.
도 9는 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
도 10은 본 개시의 일 실시예에 따른 운전상태예측기계학습모델을 설명하기 위한 도면이다.
도 11은 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작 방법을 나타내는 흐름도이다.
도 12는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면일 수 있다.
도 13은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면이다.
개시된 실시예의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 개시가 완전하도록 하고, 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것일 뿐이다.
본 명세서에서 사용되는 용어에 대해 간략히 설명하고, 개시된 실시예에 대해 구체적으로 설명하기로 한다.
본 명세서에서 사용되는 용어는 본 개시에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 관련 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.
본 명세서에서의 단수의 표현은 문맥상 명백하게 단수인 것으로 특정하지 않는 한, 복수의 표현을 포함한다. 또한 복수의 표현은 문맥상 명백하게 복수인 것으로 특정하지 않는 한, 단수의 표현을 포함한다.
명세서 전체에서 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
또한, 명세서에서 사용되는 "부"라는 용어는 소프트웨어 또는 하드웨어 구성요소를 의미하며, "부"는 어떤 역할들을 수행한다. 그렇지만 "부"는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. "부"는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 "부"는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로 코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들 및 변수들을 포함한다. 구성요소들과 "부"들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 "부"들로 결합되거나 추가적인 구성요소들과 "부"들로 더 분리될 수 있다.
본 개시의 일 실시예에 따르면 "부"는 프로세서 및 메모리로 구현될 수 있다. 용어 "프로세서" 는 범용 프로세서, 중앙 처리 장치 (CPU), 마이크로프로세서, 디지털 신호 프로세서 (DSP), 제어기, 마이크로제어기, 상태 머신 등을 포함하도록 넓게 해석되어야 한다. 몇몇 환경에서는, "프로세서" 는 주문형 반도체 (ASIC), 프로그램가능 로직 디바이스 (PLD), 프로그램가능 로직 컨트롤러(PLC), 필드 프로그램가능 게이트 어레이 (FPGA) 등을 지칭할 수도 있다. 용어 "프로세서" 는, 예를 들어, DSP 와 마이크로프로세서의 조합, 복수의 마이크로프로세서들의 조합, DSP 코어와 결합한 하나 이상의 마이크로프로세서들의 조합, 또는 임의의 다른 그러한 구성들의 조합과 같은 처리 디바이스들의 조합을 지칭할 수도 있다.
용어 "메모리" 는 전자 정보를 저장 가능한 임의의 전자 컴포넌트를 포함하도록 넓게 해석되어야 한다. 용어 메모리는 임의 액세스 메모리 (RAM), 판독-전용 메모리 (ROM), 비-휘발성 임의 액세스 메모리 (NVRAM), 프로그램가능 판독-전용 메모리 (PROM), 소거-프로그램가능 판독 전용 메모리 (EPROM), 전기적으로 소거가능 PROM (EEPROM), 플래쉬 메모리, 자기 또는 광학 데이터 저장장치, 레지스터들 등과 같은 프로세서-판독가능 매체의 다양한 유형들을 지칭할 수도 있다. 프로세서가 메모리로부터 정보를 판독하고/하거나 메모리에 정보를 기록할 수 있다면 메모리는 프로세서와 전자 통신 상태에 있다고 불린다. 프로세서에 집적된 메모리는 프로세서와 전자 통신 상태에 있다.
아래에서는 첨부한 도면을 참고하여 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략한다.
도 1은 본 개시의 일 실시예에 따른 서버(100)의 블록도이다.
도 1을 참조하면, 일 실시예에 따른 서버(100)는 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나를 포함할 수 있다. 상술한 바와 같은 서버(100)는 프로세서 및 메모리를 포함할 수 있다. 도 1은 서버(100)가 데이터 학습부(110) 또는 데이터 인식부(120)를 포함한 것을 기준으로 설명하지만 이에 한정되는 것은 아니다. 운전제어장치는 데이터 학습부(110) 또는 데이터 인식부(120) 중 적어도 하나를 포함할 수 있다. 서버(100)는 데이터 학습부(110) 또는 데이터 인식부(120)에 포함된 구성 중 일부를 포함할 수 있으며, 운전제어장치(310)는 데이터 학습부(110) 또는 데이터 인식부(120)에 포함된 나머지 구성을 포함할 수 있다. 서버(100) 및 운전제어장치(310)는 유무선으로 정보를 주고 받으면서 데이터 학습부(110) 또는 데이터 인식부(120)를 구현할 수 있다.
데이터 학습부(110)는 데이터 세트를 이용하여 타겟 태스크(target task)를 수행하기 위한 기계학습모델을 학습할 수 있다. 데이터 학습부(110)는 데이터 세트 및 타겟 태스크와 관련된 레이블 정보를 수신할 수 있다. 데이터 학습부(110)는 데이터 세트와 레이블 정보의 관계에 대해 기계학습을 수행하여 기계학습모델을 획득할 수 있다. 데이터 학습부(110)가 획득한 기계학습모델은 데이터 세트를 이용하여 레이블 정보를 생성하기 위한 모델일 수 있다.
데이터 인식부(120)는 데이터 학습부(110)의 기계학습모델을 수신하여 저장하고 있을 수 있다. 데이터 인식부(120)는 입력 데이터에 기계학습모델을 적용하여 레이블 정보를 출력할 수 있다. 또한, 데이터 인식부(120)는 입력 데이터, 레이블 정보 및 기계학습모델에 의해 출력된 결과를 기계학습모델을 갱신하는데 이용할 수 있다.
데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 이미 설명한 각종 전자 장치에 탑재될 수도 있다.
또한 데이터 학습부(110) 및 데이터 인식부(120)는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(110) 및 데이터 인식부(120) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(110) 및 데이터 인식부(120)는 유선 또는 무선으로 통하여, 데이터 학습부(110)가 구축한 기계학습모델 정보를 데이터 인식부(120)로 제공할 수도 있고, 데이터 인식부(120)로 입력된 데이터가 추가 학습 데이터로써 데이터 학습부(110)로 제공될 수도 있다.
한편, 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(110) 및 데이터 인식부(120) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction)을 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 메모리 또는 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 학습부(110)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)를 포함할 수 있다.
데이터 획득부(111)는 기계학습에 필요한 데이터를 획득할 수 있다. 학습을 위해서는 많은 데이터가 필요하므로, 데이터 획득부(111)는 복수의 데이터를 포함하는 데이터 세트를 수신할 수 있다.
복수의 데이터 각각에 대하여 레이블 정보가 할당될 수 있다. 레이블 정보는 복수의 데이터의 각각을 설명하는 정보일 수 있다. 레이블 정보는 타겟 태스크(target task)가 도출하고자 하는 정보일 수 있다. 레이블 정보는 사용자 입력으로부터 획득되거나, 메모리로부터 획득되거나, 기계학습모델의 결과로부터 획득될 수 있다. 예를 들어 타겟 태스크가 소각로의 운전상태정보, 과거 운전설정정보에 기초하여 예측시간 후의 운전상태정보를 예측하기 위한 것이라면, 기계학습에 사용되는 복수의 데이터는 소각로의 운전상태정보 및 과거 운전설정정보가 될 것이며 레이블 정보는 예측시간 후의 운전상태정보가 될 것이다. 예측시간은 1초이상 4시간이하의 값일 수 있다. 예측시간은 2분이상 1시간이하의 값일 수 있다. 예측시간은 5분이상 1시간이하의 값일 수 있다. 레이블 정보는 센서부로부터 획득된 센서값이거나 사용자가 직접 입력한 정보 일 수 있다. 또한, 예를 들어 타겟 태스크가 소각로의 운전상태정보, 또는 과거 운전설정정보 중 적어도 하나에 기초하여 운전제어정보를 예측하기 위한 것이라면, 기계학습에 사용되는 복수의 데이터는 소각로의 운전상태정보 및 과거 운전설정정보가 될 것이며 레이블 정보는 예측시간 후의 운전제어정보가 될 것이다. 레이블 정보는 사용자가 직접 입력한 제어정보 일 수 있다. 하지만 이에 한정되는 것은 아니며, 레이블 정보는 룰(rule) 기반의 연산에 의하여 획득된 값일 수 있다. 예를 들어 레이블 정보는 소각로의 운전상태정보, 또는 운전설정정보 중 적어도 하나에 기초하여 룰 베이스로 획득된 현재의 운전제어정보일 수 있다.
또한, 폐기물의 종류 및 양에 따른 발열량을 계산하는 태스크의 경우, 폐기물의 종류 및 양은 복수의 데이터가 될 것이며, 발열량은 폐기물의 종류 및 양에 따라 발열량을 계산하는 수식(룰 베이스)에 기반하여 획득될 수 있다.
전처리부(112)는 수신된 데이터가 기계학습에 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(112)는 후술할 모델 학습부(114)가 이용할 수 있도록, 획득된 데이터 세트를 미리 설정된 포맷으로 가공할 수 있다. 서버(100)의 전처리부(112) 또는 운전제어장치는 운전상태정보 또는 운전설정정보에 기초하여 차분 정보 또는 추세 정보를 획득할 수 있다. 서버(100)의 전처리부(112) 또는 운전제어장치는 획득된 차분 정보 또는 추세 정보를 더 이용하여 운전제어정보 또는 운전상태정보를 획득할 수 있다.
학습 데이터 선택부(113)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(114)에 제공될 수 있다. 학습 데이터 선택부(113)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(113)는 후술할 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(114)는 데이터 세트에 기초하여 어떤 레이블 정보를 출력할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(114)는 데이터 세트 및 데이터 세트 대한 레이블 정보를 학습 데이터로써 이용하여 기계학습을 수행할 수 있다. 또한 모델 학습부(114)는 기존에 획득된 기계학습모델을 추가적으로 이용하여 기계학습을 수행할 수 있다. 이 경우, 기존에 획득된 기계학습모델은 미리 구축된 모델일 수 있다. 예를 들어, 기계학습모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
기계학습모델은, 학습모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 기계학습모델은, 예를 들어, Boosting 계열의 ML 알고리즘, Tree 기반 알고리즘, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, AdaBoost, GBM(Gradient Boosting Machine), XGBoost(Extra gradient boost), LightBoost, 결정 트리(Decision tree), 랜덤 포레스트(Random forest), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Long Short-Term Memory models (LSTM), BRDNN (Bidirectional Recurrent Deep Neural Network), Convolutional Neural Networks (CNN)과 같은 모델이 기계학습모델로써 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예에 따르면, 모델 학습부(114)는 미리 구축된 기계학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 기계학습모델을 학습할 기계학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 기계학습모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 장소, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 기계학습모델을 학습시킬 수 있다.
또한, 모델 학습부(114)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning)을 통하여, 기계학습모델을 학습할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 별다른 지도 없이 타겟 태스크(target task)을 위해 필요한 데이터의 종류를 스스로 학습함으로써, 타겟 태스크를 위한 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 기계학습모델을 획득할 수 있다. 또한, 모델 학습부(114)는, 예를 들어, 학습에 따른 타겟 태스크의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 기계학습모델을 학습할 수 있다.
또한, 기계학습모델이 학습되면, 모델 학습부(114)는 학습된 기계학습모델을 저장할 수 있다. 이 경우, 모델 학습부(114)는 학습된 기계학습모델을 데이터 인식부(120)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(114)는 학습된 기계학습모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
학습된 기계학습모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(115)는 기계학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(114)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 기계학습모델을 평가하기 위한 기 설정된 데이터일 수 있다. 또한 모델 평가부(115)는 미리 정해진 주기적으로 특정기간 동안의 데이터를 기반으로 모델을 재학습하고 재학습된 모델의 정확도가 기존의 모델보다 높은 경우, 재학습된 모델은 기존의 모델을 대체할 수 있다. 여기서 미리 정해진 주기는 1초이상 4년이하일 수 있다. 또한, 미리 정해진 주기는 1일이상 1달이하일 수 있다. 또한 특정기간은 1일 이상 1달이하일 수 있다. 미리 정해진 주기와 특정기간은 동일할 수 있고 다를 수도 있다.
예를 들어, 모델 평가부(115)는 평가 데이터에 대한 학습된 기계학습모델의 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다. 예컨대, 소정 기준이 비율 2%로 정의되는 경우, 학습된 기계학습모델이 총 1000개의 평가 데이터 중의 20개를 초과하는 평가 데이터에 대하여 잘못된 인식 결과를 출력하는 경우, 모델 평가부(115)는 학습된 기계학습모델이 적합하지 않은 것으로 평가할 수 있다.
한편, 학습된 기계학습모델이 복수 개가 존재하는 경우, 모델 평가부(115)는 각각의 학습된 기계학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 모델을 최종 기계학습모델로써 결정할 수 있다. 이 경우, 소정 기준을 만족하는 모델이 복수 개인 경우, 모델 평가부(115)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 기계학습모델로써 결정할 수 있다.
한편, 데이터 학습부(110) 내의 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114) 및 모델 평가부(115) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
본 개시의 일 실시예에 따른 데이터 인식부(120)는 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)를 포함할 수 있다.
데이터 획득부(121)는 입력 데이터를 수신할 수 있다. 전처리부(122)는 획득된 입력 데이터가 인식 데이터 선택부(123) 또는 인식 결과 제공부(124)에서 이용될 수 있도록, 획득된 입력 데이터를 전처리할 수 있다.
인식 데이터 선택부(123)는 전처리된 데이터 중에서 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(124)에게 제공될 수 있다. 인식 데이터 선택부(123)는 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(123)는 모델 학습부(114)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(124)는 선택된 데이터를 기계학습모델에 적용하여 결과 데이터를 획득할 수 있다. 기계학습모델은 모델 학습부(114)에 의하여 생성된 기계학습모델일 수 있다. 인식 결과 제공부(124)는 결과 데이터를 출력할 수 있다. 예를 들어 인식 결과 제공부(124)는 소각로의 운전상태정보 및 운전설정정보를 수신하여, 예측시간 후의 운전상태정보 또는 예측된 운전제어정보를 결과 데이터로써 출력할 수 있다. 또한, 인식 결과 제공부(124)는 소각로의 운전상태정보 및 운전설정정보를 수신하여, 예측시간 후의 운전상태정보를 결과 데이터로써 출력할 수 있다. 또한 인식 결과 제공부(124)는 현재 운전상태정보 및 예측시간 후의 운전상태정보에 기반하여 룰 기반으로 예측된 운전제어정보를 생성할 수도 있다.
모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 기계학습모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(125)는 인식 결과 제공부(124)에 의해 제공되는 인식 결과를 모델 학습부(114)에게 제공함으로써, 모델 학습부(114)가 기계학습모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
아래에서는 데이터 학습부(110)의 데이터 획득부(111), 전처리부(112) 및 학습 데이터 선택부(113)가 학습 데이터를 수신하여 처리하는 방법 및 장치에 대하여 보다 자세히 설명한다.
도 2는 본 개시의 일 실시예에 따른 서버를 나타낸 도면이다.
서버(100)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 명령어들을 수행할 수 있다.
상술한 바와 같이 서버(100) 또는 운전제어장치는 데이터 학습부(110) 또는 데이터 인식부(120)를 포함할 수 있다. 서버(100)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114), 모델 평가부(115), 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나를 포함할 수 있다. 데이터 학습부(110) 또는 데이터 인식부(120)는 프로세서(210) 및 메모리(220)에 의하여 구현될 수 있다.
도 1 및 도 2는 서버(100)에 대하여 설명한 것이지만 이에 한정되는 것은 아니다. 이하에서 설명할 운전제어장치(310)도 서버(100)와 동일한 구성을 포함할 수 있다. 즉, 운전제어장치(310) 역시 데이터 학습부(110) 또는 데이터 인식부(120)를 포함할 수 있다. 또한 운전제어장치(310)는 프로세서(210) 및 메모리(220)를 포함할 수 있다. 프로세서(210)는 메모리(220)에 저장된 명령어들을 수행할 수 있다. 운전제어장치(310)는 데이터 획득부(111), 전처리부(112), 학습 데이터 선택부(113), 모델 학습부(114), 모델 평가부(115), 데이터 인식부(120) 내의 데이터 획득부(121), 전처리부(122), 인식 데이터 선택부(123), 인식 결과 제공부(124) 및 모델 갱신부(125) 중 적어도 하나를 포함할 수 있다. 운전제어장치(310)는 서버(100)와 데이터를 주고 받으면서 기계학습모델을 생성하거나, 기계학습모델을 이용하여 결과 데이터를 도출할 수 있다.
도 3 은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 구성을 설명하기 위한 도면이다.
소각로 제어 시스템(300)은 기계학습모델을 이용하여 소각로를 제어할 수 있다. 소각로 제어 시스템(300)은 운전제어장치(310), 센서부(320), 및 서버(100)를 포함할 수 있다. 본 개시에서 소각로 제어 시스템(300)이 수행한다고 기재한 것은 소각로 제어 시스템(300)에 포함된 서버(100) 또는 운전제어장치(310) 중 적어도 하나에서 수행됨을 의미할 수 있다.
운전제어장치(310)는 PC, 스마트폰, PDA, 노트북, 데스크탑, 프로그램가능 로직 컨트롤러(PLC) 또는 웨어러블 디바이스 등을 포함할 수 있다. 운전제어장치(310)는 소각로에 위치한 장치이며, 센서부(320)로부터 데이터를 수집하고 소각로를 제어하기 위해 사용되는 장치일 수 있다. 운전제어장치(310)는 센서부(320)에 센서제어신호를 송신할 수 있다. 또한 운전제어장치(310)는 소각로의 다양한 위치에 설치되어 있는 센서부(320)로부터 센서 신호를 수신하여 저장할 수 있다. 또한 운전제어장치(310)는 사용자의 입력 또는 인공지능을 이용하여 소각로의 폐기물 투입여부, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수와 같은 운전설정정보를 제어할 수 있다. 또한 운전설정정보중의 하나인 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 조정하여 제어할 수 있다.
센서부(320)는 소각로에 설치되어 있는 다양한 센서를 포함할 수 있다. 센서부(320)는 운전상태정보를 획득할 수 있다. 운전상태정보는 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함할 수 있다. 즉, 센서부(320)는 질량센서, 공급유량측정센서, 송풍유량측정센서, 압력센서, 레벨측정센서, 온도센서, 습도센서, 배기가스검출센서, 또는 배기가스농도측정센서 중 적어도 하나를 포함할 수 있다.
또한 소각로 제어 시스템은 서버(100)를 포함할 수 있다. 서버(100)는 운전제어장치(310)와 유무선으로 통신을 할 수 있다. 서버(100)는 운전제어장치(310)로부터 원격에 위치할 수 있지만 이에 한정되는 것은 아니고, 근접한 곳에 위치할 수도 있다. 서버(100)는 운전제어장치(310)로부터 데이터를 수신하여 저장하거나 처리할 수 있다. 서버(100)는 운전제어장치(310)로부터 운전상태정보, 운전설정정보, 또는 운전제어정보 중 적어도 하나를 수신할 수 있다.
서버(100)는 운전제어장치(310)로부터의 데이터를 처리하여 결과 정보를 획득할 수 있다. 결과 정보는 운전상태정보, 운전설정정보 및 운전제어정보 중 적어도 하나에 기초하여 획득된 기계학습모델일 수 있다. 서버(100)는 결과 정보를 운전제어장치(310)로 송신할 수 있다. 운전제어장치(310)는 수신된 기계학습모델을 이용하여 예측된 운전상태정보 또는 예측된 운전제어정보를 획득할 수 있다. 본 개시의 다른 실시예에 따르면 서버(100)는 기계학습모델을 운전제어장치(310)에 송신하지 않을 수 있다. 운전제어장치(310)는 기계학습모델의 입력으로 들어갈 운전상태정보 및 운전설정정보를 서버(100)로 송신할 수 있다. 서버(100)는 운전상태정보 및 운전설정정보를 저장된 기계학습모델에 적용하여 운전제어정보 또는 예측시간 이후의 운전상태정보를 결과 정보로써 획득할 수 있다. 여기서 예측시간은 1초이상 4시간 이하일 수 있다. 또한, 예측시간은 5분이상 1시간이하의 값일 수 있다. 서버(100)는 결과 정보를 운전제어장치(310)로 송신할 수 있다. 운전제어장치(310)는 수신한 예측된 운전상태정보 또는 예측된 운전제어정보를 출력할 수 있다. 사용자는 예측된 운전상태정보 또는 예측된 운전제어정보에 기초하여 소각로를 제어할 수 있다. 또한 운전제어장치(310)는 예측된 운전제어정보에 기초하여 소각로의 송풍기, 푸셔, 폐기물의 투입여부를 자동으로 제어할 수 있다. 보다 구체적으로 운전제어장치(310)는 예측된 운전제어정보에 기초하여 소각로의 폐기물의 투입여부, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수와 같은 운전설정정보를 자동으로 제어할 수 있다. 또한 운전설정정보중의 하나인 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 조정하여 제어할 수 있다.
도 3에서는 소각로 제어 시스템(300)이 운전제어장치(310) 및 서버(100)를 포함하는 것으로 개시하였다. 하지만 소각로 제어 시스템(300)의 구성은 도 3에 한정되는 것은 아니다. 소각로 제어 시스템(300)은 운전제어장치(310)만을 포함할 수 있다. 즉, 서버(100)에서 수행되는 동작이 운전제어장치(310)에 의해 수행될 수 있다. 또한, 소각로 제어 시스템(300)은 서버(100)만을 포함할 수 있다. 즉, 운전제어장치(310)에서 수행되는 동작이 서버(100)에 의해 수행될 수도 있다.
소각로 제어 시스템(300)의 동작 방법에 대하여 이하에서 더 자세히 설명한다.
도 4는 본 개시의 일 실시예에 따른 소각로를 나타낸다.
소각로(410)에는 오염가스 처리시설부(420)가 결합되어 있을 수 있고, 오염가스 처리시설부(420)가 배출가스의 환경오염물질을 제거할 수 있다. 도 4를 참조하면, 소각로(410)와 오염가스 처리시설부(420)는 기능적으로 구분될 뿐, 물리적으로 명확히 구분되는 구성이 아닐 수 있다.
오염가스 처리시설부(420)는 연소공기의 산성가스 및 대기오염물질을 제거하는 선택적비촉매환원장치(SNCR)(421), 원심력집진시설(사이클론)(422), 반건식세정탑(반건식반응탑)(423), 습식세정탑(스크러버)(424), 여과집진시설(백필터)(425), 선택적촉매환원장치(SCR)(426), 유인송풍기(427) 및 연소가스를 대기 중으로 배출하는 굴뚝(428)으로 구성되어 있다. 소각로에 포함된 유인송풍기는 연소가스가 굴뚝을 통하여 대기 중으로 배출되도록 유도할 수 있다.
운전제어장치(310)는 소각로(410)에 투입되는 소각물의 양과 발열량, 쓰레기 투입 크레인의 계량기에서 측정된 질량데이터를 측정하고, 푸셔(화격자)의 이동속도 및 정지속도 등을 제어할 수 있다. 또한 운전제어장치(310)는 연소실(431)에 포함된 온도센서에서 검출하는 온도 및 압력센서에서 검출하는 압력과 1,2차 압입송풍기의 송풍량, 배기가스 재순환 송풍량, 유인송풍기의 송풍량 및 보일러(435)에 포함된 센서를 통해 검출되는 변수 및 선택적비촉매환원장치(SNCR)(421), 원심력집진시설(사이클론)(422), 반건식세정탑(반건식반응탑)(423), 습식세정탑(스크러버)(424), 여과집진시설(백필터)(425), 선택적촉매환원장치(SCR)(426), 굴뚝(428)에서 검출하는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2)를 고려하여 소각로의 운전을 제어할 수 있으며, 이러한 제어를 선택적으로 수행할 수도 있다.
이와 같이 소각로(410)의 운전제어장치(310)는 보일러의 증기발생량과 소각로 출구온도를 감지하고 이들을 분석함으로써 소각로를 제어할 수 있다. 이 때, 보일러 증기발생량, 증기 온도, 증기 압력, 소각물의 성상과 발열량, 1,2차압입송풍기의 공기량(송풍량), 배기가스 재순환기 송풍량, 유인송풍기의 송풍량, 공급장치(feeder), 화격자(grate; 푸셔)의 속도, 및 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 산소(O2) 중 적어도 하나는 운전제어장치(310)가 소각로를 제어하기 위한 주요 변수 값일 수 있다.
소각로의 1차 연소공기 공급시스템을 살펴보면 소각로(410)의 1차 연소실 하부에 설치된 1차 연소공기노즐(457,458,459)은 출구 노즐의 끝단 유속이 미리 정해진 값 이상으로 유지되도록 제어될 수 있다. 1차압입송풍기(451)의 메인댐퍼(452,453,454,455,456)는 소각로(410)내의 필요공기량을 공급해 주는 역할을 하며 이 메인댐퍼(452,453,454,455,456)를 100% 열었을 경우의 총 연소공기량이 각각의 1차 연소공기노즐(457,458,459)을 통해 소각로(410)내로 공급될 수 있다.
소각로의 2차 연소공기 공급시스템을 살펴보면 소각로(410)의 2차 연소실 하부에 설치된 2차 연소공기노즐(443)은 출구 노즐의 끝단 유속이 미리 정해진 값 이상으로 유지되도록 제어될 수 있다. 2차압입송풍기(441)의 메인댐퍼(442)는 소각로(410)내의 필요공기량을 공급해 주는 역할을 하며 이 메인댐퍼(442)를 100% 열었을 경우의 총 연소공기량이 각각의 2차 연소공기노즐(443)을 통해 소각로(410)내로 공급될 수 있다.
소각로의 배기가스 재순환기 공급시스템을 살펴보면 소각로(410)의 1차 연소실 하부에 설치된 1차 연소공기노즐(457,458,459)과 2차 연소실 하부에 설치된 2차 연소공기노즐(443)과 출구 노즐의 끝단 유속이 미리 정해진 값 이상으로 유지되도록 제어될 수 있다. 소각로의 배기가스 재순환 송풍기(461)의 메인댐퍼(462, 463, 464)는 소각로(410)내의 필요공기량을 공급해 주는 역할을 하며 이 메인댐퍼(462, 463, 464)를 100% 열었을 경우의 재순환 공기가 각각의 1차 연소공기노즐(457,458,459), 2차 연소공기노즐(443)을 통해 소각로(410)내로 공급될 수 있다.
소각로 운영 시 소각로(410)의 연소가스와 충분한 접촉을 위해서는 각각의 1차 연소공기노즐(457,458,459)의 토출 유속이 특정속도를 유지하여야 하는데, 이때 1차압입송풍기(451)의 메인댐퍼(452,453,454,455,456) 가 열려 있는 상태로 유지될 수 있다.
소각로 운영 시 소각로(410)의 연소가스와 충분한 접촉을 위해서는 각각의 2차 연소공기노즐(443)의 토출 유속이 제트기류를 유지하여야 하는데, 이때 2차압입송풍기(441)의 메인댐퍼(442)가 열려 있는 상태로 유지될 수 있다.
소각로 운영 시 소각로(410)의 연소가스와 충분한 접촉을 위해서는 각각의 1차 연소공기노즐(457,458,459), 2차 연소공기노즐(443)의 토출 유속이 제트기류를 유지하여야 하는데, 이때 배기가스 재순환 송풍기(461)의 메인댐퍼(462, 463, 464)가 열려 있는 상태로 유지될 수 있다.
소각로의 건조단(432)에서는 수분증발, 연소단(433)에서의 휘발분 연소, 후연소단(434)에서의 고정탄소 연소 등의 연소과정이 이루어질 수 있다.
도 5는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
소각로 제어 시스템(300)은 기계학습모델 또는 강화학습모델을 이용하여 운전제어정보를 추천하거나, 운전상태정보를 예측할 수 있다. 따라서 사용자는 추천된 운전제어정보 또는 예측된 운전상태정보에 기초하여 소각로의 운전 방향을 결정할 수 있다. 이하에서는 소각로 제어 시스템(300)의 동작 방법에 대하여 설명한다.
운전제어장치(310)는 센서부(320)로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계(510)를 수행할 수 있다. 미리 정해진 분석시간은 기계학습모델이 결과 정보를 생성하는데 필요한 데이터를 수집하기 위한 시간일 수 있다. 운전제어장치(310)는 센서부(320)로부터 실시간으로 운전상태정보를 획득할 수 있다. 센서부(320)는 미리 정해진 분석시간보다 짧은 기본 샘플링 주기로 센서 신호를 운전제어장치(310)로 송신할 수 있다. 또한 운전제어장치(310)는 기본 샘플링 주기로 획득된 센서 신호를 시스템 주기로 리샘플링할 수 있다. 시스템 주기는 기본 샘플링 주기보다 크고 분석시간보다 짧을 수 있다. 미리 정해진 분석시간은 1초이상 4시간이하의 값을 가질 수 있다. 또한, 미리 정해진 분석시간은 1분이상 1시간이하의 값을 가질 수 있다. 또한, 운전제어장치(310)는 기본 샘플링 주기로 획득된 센서 신호를 서버(100)로 송신하고, 서버(100)는 수신된 센서 신호를 리샘플링할 수도 있다. 이하에서는 운전제어장치(310)를 기준으로 리샘플링을 설명하지만 서버(100)가 수행할 수 있는 것으로 해석되어야 한다.
운전상태정보는 소각로의 현재 상태를 나타내는 온도, 습도, 압력, 액위, 물질의 양, 또는 물질의 농도 중 적어도 하나를 포함하는 정보일 수 있다.
운전상태정보는 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크의 액위 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함할 수 있다.
폐기물의 질량 정보는 소각로에서 현재 소각되고 있는 폐기물의 폐기물 투입 시점, 투입 폐기물 무게, 투입 폐기물의 미리 정해진 발열량, 및 투입 폐기물의 미리 정해진 발열커브 중 적어도 하나를 포함할 수 있다. 또한 폐기물의 질량 정보는 소각로에 투입된 폐기물의 질량정보를 포함할 수 있다. 또한, 폐기물의 질량 정보는 크레인에 의하여 호퍼에 투입되었지만, 소각로에 아직 투입되지 않아서 앞으로 투입 예정인 폐기물의 질량정보를 포함할 수 있다. 또한 폐기물의 질량 정보는 시간별 투입량의 적산 또는 초기화된 시간부터 투입된 양의 적산을 포함할 수 있다. 초기화된 시간은 예를 들어, 매일 0:00일 수 있으나, 이에 한정되지는 않는다.
공급유량 정보는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘, 소각로내 물 분사량, 탈기기 급수, 냉각수 급수, 절탄기 급수, 증기유량 또는 보일러 급수 중 적어도 하나를 소각로에 공급하는 양과 관련될 수 있다. 공급유량 정보는 유체의 유량과 관련된 단위를 가질 수 있다. 공급유량 정보는 센서부(320)에 포함된 유량센서에 의하여 측정될 수 있다.
송풍유량 정보는 압입송풍기(441, 451),유인송풍기 또는 배기가스 재순환기 중 적어도 하나의 송풍유량을 나타낼 수 있다. 송풍유량 정보는 소각로 내에 폐기물을 태우기 위한 공기 또는 산소의 송풍 유량을 포함할 수 있다. 압입송풍기는 1차압입송풍기 및 2차압입송풍기(441)를 포함할 수 있다. 압입송풍기는 소각로 내로 공기를 불어넣기 위한 송풍기일 수 있다. 유인송풍기는 소각로에서 나온 배출물을 굴뚝으로 배출하기 위한 송풍기일 수 있다. 배기가스 재순환기는 소각로에서 나온 공기를 소각로로 재공급하기 위한 송풍기일 수 있다. 송풍유량 정보는 센서부(320)에 포함된 유량센서에 의하여 측정될 수 있다.
압력 정보는 소각로 내의 압력, 보일러 내의 압력, 냉각수 수관 내의 압력, 보일러 수관 내의 압력, 암모니아 탱크내의 압력 보일러 드럼 내의 압력 또는 증기 압력 중 적어도 하나와 관련될 수 있다. 압력 정보는 센서부(320)에 포함된 압력센서에 의하여 측정될 수 있다.
저장 탱크에 대한 정보는 저장 탱크의 액위에 대한 정보를 포함할 수 있다. 저장 탱크에 대한 정보는 보일러 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크 중 적어도 하나의 채워진 정도와 관련될 수 있다. 저장 탱크에 대한 정보는 센서부(320)에 포함된 물질감지센서 또는 탱크 내의 물질의 레벨 감지 수단에 의하여 측정될 수 있다.
온도 정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 탈기기 입구, 탈기기 출구, 보일러 급수 온도, 증기온도, 절탄기 입구, 절탄기 출구, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 폐기물 보관 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기온도 중 적어도 하나의 온도와 관련될 수 있다. 온도 정보는 센서부(320)에 포함된 온도센서에 의하여 측정될 수 있다.
습도정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기습도 중 적어도 하나의 습도와 관련될 수 있다. 습도정보는 센서부(320)에 포함된 습도센서에 의하여 측정될 수 있다.
배기가스에 대한 정보는 소각로에서 배출되는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보를 포함할 수 있다. 여기서 양에 대한 정보는 몰농도, 질량, 또는 질량농도 중 적어도 하나를 포함할 수 있다. 또한 배기가스에 대한 정보는 유량, 온도, 압력, 및 습도 중 적어도 하나에 대한 정보를 포함할 수 있다. 배기가스에 대한 정보는 센서부(320)에 포함된 물질감지센서 또는 유량, 온도, 압력, 센서에 의하여 측정될 수 있다. 예를 들어 배기가스에 대한 정보는 TMS(Tele-Monitoring System)에서 획득된 정보일 수 있다. TMS는 사업장 굴뚝에서 배출되는 대기오염물질을 센서부(320)로 상시 측정하고 이를 관제센터와 온라인으로 연결하여 배출상황을 실시간으로 관리하는 시스템을 의미할 수 있다. 물질감지센서는 특정 화학물질을 감지하기 위한 센서일 수 있으며, 유량, 온도, 압력, 센서는 특정 공간을 지나는 물질이 흐르는 양, 온도, 압력, 습도를 측정하는 센서일 수 있다. 또한 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보는 물질의 질량을 나타낼 수 있으나 이에 한정되는 것은 아니고 전체 물질에 대한 해당 물질의 몰농도 또는 질량농도를 나타낼 수도 있다. 또한 배기가스에 대한 정보는 연소실(431), 보일러(435), 선택적비촉매환원장치(421), 원심력집진시설(사이클론)(422), 여과집진시설(백필터)(425), 선택적촉매환원장치(426), 반건식세정탑(반건식반응탑)(423), 굴뚝(428) 에서 배출되는 물질의 몰농도, 질량농도 및 온도, 압력, 습도 유량에 대한 정보일 수 있다.
운전제어장치(310)는 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계(520)를 수행할 수 있다. 운전설정정보는 사용자가 직접적으로 변화시키는 파라미터를 의미할 수 있다. 사용자는 운전설정정보를 수정함으로써, 운전상태정보를 변화시킬 수 있다. 운전상태정보는 운전설정정보에 따라 변화할 수 있으나, 소각로의 여러가지 환경 조건으로 인하여 항상 사용자가 원하는 바와 같이 변화하는 것은 아닐 수 있다. 하지만 운전설정정보는 기계적/전자적 문제가 있지 않은 이상 사용자가 원하는 바와 같이 변화할 수 있다.
보다 구체적으로, 운전설정정보는 송풍기 송풍량 정보, 푸셔에 대한 정보, 송풍 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 약품투입량 정보, 소각효율을 향상시키기 위한 약품투입량 정보, 또는 폐기물 투입설정 정보 중 적어도 하나를 포함할 수 있다. 또한 운전설정정보는 소각로의 폐기물 투입, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수에 대한 정보 중 적어도 하나를 포함할 수 있다 또한 운전설정정보중의 하나인 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 조정하여 제어할 수 있다.
송풍기의 송풍량 정보는 압입송풍기,유인송풍기 또는 배기가스 재순환 송풍기의 송풍량을 나타낼 수 있다. 압입송풍기는 1차압입송풍기 또는 2차압입송풍기 중 적어도 하나를 포함할 수 있다. 여기서 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 나타낼 수 있다. 즉, 운전제어장치(310)는 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 제어함으로써, 송풍량을 제어할 수 있다. 송풍량 정보는 송풍기의 주파수 정보에 대응될 수 있다.
송풍 댐퍼의 개도율은 압입송풍기,유인송풍기 또는 배기가스재순환송풍기가 공급하는 공기의 양을 조정하는 장치의 열림의 정도를 의미할 수 있다. 송풍 댐퍼 개도율은 압입송풍기,유인송풍기 또는 배기가스재순환송풍기로부터 공급되는 공기 유로의 모든 구간에 설치된 댐퍼의 열림의 정도를 의미할 수 있다.
푸셔(화격자)에 대한 정보는 푸셔의 동작주기 또는 동작 횟수 정보를 포함할 수 있다. 푸셔에 대한 정보는 램푸셔, 건조단 스토커, 연소단 스토커, 또는 후연소단 스토커에 포함된 푸셔의 동작 주기(속도) 또는 푸셔의 동작 횟수를 나타낼 수 있다. 여기서 푸셔의 동작은 푸셔가 폐기물을 미는 동작을 의미할 수 있다. 또한 푸셔에 대한 정보는 푸셔의 운전/정지 여부(on/off)도 포함할 수 있다. 램푸셔 유입된 폐기물을 밀어서 이동시키는 구성일 수 있다. 램푸셔에 의하여 투입된 폐기물은 건조단으로 이동되며, 건조단 푸셔에서 연소단 스토커를 거쳐 후연소단 스토커로 이동할 수 있다.
대기오염물질을 저감하기 위한 약품투입량 정보는 오염가스 처리시설부(420)에서 측정되는 또한 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 측정값을 낮추기 위하여, 소각로(410)의 오염가스 처리시설부(420)에 투입되는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘 양을 의미할 수 있다.
소각효율을 향상시키기 위한 약품투입량 정보는 소각로(410)에는 오염가스 처리시설부(420)에서 측정되는 운전상태정보는 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 최적으로 변화시키기 위하여 투입되는 약품의 양을 의미할 수 있다.
폐기물 투입 정보는 소각로에 투입되는 폐기물의 종류, 폐기물투입대기시간(폐기물 투입 시점), 투입 폐기물 무게(또는 질량), 투입 폐기물의 미리 정해진 발열량, 투입 폐기물의 미리 정해진 발열커브, 폐기물일일투입횟수, 또는 폐기물일일투입누적량 중 적어도 하나를 포함할 수 있다.
보다 구체적으로 폐기물 투입설정 정보는 폐기물 투입 시점, 투입 폐기물 무게, 및 투입 폐기물의 미리 정해진 발열커브 중 적어도 하나를 포함할 수 있다. 여기서 폐기물 투입 시점은 호퍼 게이트 대기시간(1차 호퍼 열린 후 대기시간)에 대한 데이터 기반으로 역산할 수 있다. 호퍼 게이트는 소각로 내부로 폐기물을 투입하기 위한 게이트로써, 열리면 호퍼 게이트에 쌓인 폐기물이 소각로 내부로 투입되고, 닫힌 경우, 폐기물이 소각로 내부로 투입되지 못한다. 또한 호퍼 게이트는 적어도 하나일 수 있다. 예를 들어, 소각로 제어 시스템(300)은, 역산을 위하여, 호퍼 게이트가 열린 후 대기시간을 누적하여 저장할 수 있다. 소각로 제어 시스템(300)은 열린 시점에 미리 정해진 대기시간을 더하여 다음 열린 시점을 획득할 수 있다.
또한 소각로 제어 시스템(300)은 1차 호퍼 게이트의 열린 시점을 폐기물 투입 시점으로 결정할 수 있다. 하지만 이에 한정되는 것은 아니다. 본 개시의 다양한 실시예에 따르면 소각로 제어 시스템(300)은 1차 호퍼 게이트가 열린 시점에 다음과 같은 투입차분시간을 더하여 폐기물의 실체 투입 시점을 획득할 수 있다.
투입차분시간 = 1차 호퍼게이트가 열린 후 2차 호퍼게이트가 열리고 닫히고 램푸셔가 푸쉬 후 돌아오기 까지의 시간
투입차분시간은 소각로마다 다를 수 있다. 투입차분시간은 관리자의 입력에 의하여 변경될 수 있다.
또한 투입 폐기물 무게는 폐기물일일투입누적량의 차분 값을 통해 역산할 수 있다. 보다 구체적으로 소각로 제어 시스템(300)은 폐기물일일투입누적량을 시간에 따라 저장할 수 있다. 폐기물일일투입누적량은 센서부(320)에 의하여 획득될 수 있다. 소각로 제어 시스템(300)은 폐기물일일투입누적량을 차분하여 투입 폐기물 무게를 획득할 수 있다. 또한 소각로 제어 시스템(300)은 역산된 투입 폐기물 무게를 위에서 획득한 투입 시점과 연계시킬 수 있다. 예를 들어, 폐기물 크레인이 호퍼 게이트 상단에 위치한 후 내려오는 시점에 폐기물일일투입누적량의 데이터가 측정되어 저장되고, 폐기물 크레인의 무게 정보가 급격히 차감되는 데이터를 기반으로 호퍼 게이트 위에 폐기물이 뿌려진 시점을 알 수 있다. 뿌려진 시점 이후 가장 가까운 시점의 폐기물 투입 시점 데이터와 역산된 폐기물 무게 데이터를 하나의 데이터 그룹으로 만들 수 있다. 즉, 소각로 제어 시스템(300)은 폐기물 투입 시점 및 해당 폐기물 투입 시점의 투입 폐기물 무게를 결정할 수 있다.
폐기물 투입설정 정보에 포함된 투입 폐기물의 미리 정해진 발열커브는 해당 폐기물의 발열 시점, 온도변화 커브 및 총 발열량 중 적어도 하나를 포함할 수 있다. 발열커브는 폐기물이 소각될 때, 시간에 따른 발열량을 나타낼 수 있다. 소각로 제어 시스템(300)은 미리 저장되어 있는 통계에 기반하여 밀도 추정(Densitiy Estimation)으로 역산하여 투입 폐기물의 미리 정해진 발열커브를 획득할 수 있다. 하지만 이에 한정되는 것은 아니며, 소각로 제어 시스템(300)은 기계학습모델을 이용하여 미리 정해진 발열커브를 획득할 수 있다.
투입 폐기물의 미리 정해진 발열량은 폐기물의 성상과 발열량을 대응시킨 테이블에 기초하여 획득될 수 있다. 또는 기계학습모델에 의하여 투입 폐기물의 영상에 기초하여 자동으로 획득된 발열량일 수 있다. 투입 폐기물의 미리 정해진 발열커브는 단위중량(또는 크기)의 폐기물의 투입 시점부터 시간에 따른 발열량을 나타낸 커브일 수 있다. 발열커브 역시 미리 정해진 테이블 또는 기계학습모델에 기초하여 결정될 수 있다.
운전상태정보 또는 운전설정정보는 보일러 드럼 전도도, 보일러 드럼 레벨조절밸브에 대한 정보, 낙진회 이송 컨베이어에 대한 정보, 재배출 컨베이어에 대한 정보, 로드셀 현재중량 순시-값, 음폐수 분무유량을 더 포함할 수 있다.
보일러 드럼 레벨조절밸브에 대한 정보는 밸브의 개폐여부 또는 개방정도에 대한 정보를 포함할 수 있다. 또한 낙진회 이송 컨베이어에 대한 정보 및 재배출 컨베이어에 대한 정보는 컨베이어의 동작 여부 또는 컨베이어의 속도에 대한 정보를 포함할 수 있다.
소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계(530)를 수행할 수 있다. 차분 정보를 획득하는 단계(530)에 대해서는 도 6 및 도 7을 참조하여 설명한다.
도 6은 본 개시의 일 실시예에 따른 소각로 제어 시스템을 설명하기 위한 도면이다. 또한, 도 7은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 나타낸 흐름도이다.
소각로 제어 시스템(300)은 차분 정보를 획득하기 위하여 다음과 같은 동작을 수행할 수 있다. 도 7을 참조하면, 소각로 제어 시스템(300)은 기본 샘플링 주기로 획득된 복수의 학습 운전상태정보 및 복수의 운전설정정보 중 적어도 하나를 획득하는 단계(710)를 수행할 수 있다. 기본 샘플링 주기는 센서부(320)에 포함된 센서들이 운전제어장치(310) 또는 서버(100)로 센서 신호를 송신하는 주기일 수 있다. 기본 샘플링 주기는 운전제어장치(310)의 센서제어 신호에 기초하여 변경될 수 있다. 기본 샘플링 주기는 센서부(320)에 포함된 센서마다 다를 수 있다. 운전제어장치(310)는 복수의 학습 운전상태정보를 기본 샘플링 주기로 획득할 수 있다. 또한 운전제어장치(310)는 기본 샘플링 주기로 획득된 복수의 학습 운전상태정보 및 복수의 운전설정정보 중 적어도 하나를 서버(100)로 송신할 수도 있다.
소각로 제어 시스템(300)은 운전설정정보를 메모리로부터 기본 샘플링 주기로 획득할 수 있다. 하지만 이에 한정되는 것은 아니며, 소각로 제어 시스템(300)은 운전설정정보를 기본 샘플링 주기로 획득하지 않을 수 있다. 소각로 제어 시스템(300)은 필요한 경우에 메모리로부터 운전설정정보를 획득할 수 있다.
소각로 제어 시스템(300)은 복수의 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계(720)를 수행할 수 있다. 소각로 제어 시스템(300)은 기본 샘플링 주기로 획득된 복수의 운전상태정보 및 복수의 운전설정정보 중 적어도 하나를 시스템 주기마다 리샘플링할 수 있다. 기본 샘플링 주기는 시스템 주기보다 작은 값일 수 있다. 소각로 제어 시스템(300)은 획득된 복수의 운전상태정보 및 복수의 운전설정정보 중 적어도 하나를 리샘플링함으로써, 정보의 정확도를 높일 수 있다. 왜냐하면, 획득된 복수의 운전상태정보 및 복수의 운전설정정보 중 일부는 잘못된 값일 수 있으나, 리샘플링을 하여 잘못된 값의 기여율이 크게 줄어들 수 있기 때문이다. 이에 따라 소각로 제어 시스템(300)의 정확도는 높아질 수 있다.
도 6과 함께 리샘플링에 대하여 자세히 설명한다. 도 6을 참조하면, 기본 샘플링 주기(610)는 시스템 주기(620)보다 작을 수 있다. 소각로 제어 시스템(300)은 기본 샘플링 주기(610)로 복수의 운전상태정보 및 복수의 운전설정정보 중 적어도 하나를 획득할 수 있다. 예를 들어 소각로 제어 시스템(300)은 복수의 정보(621, 622, 623, 624, 631, 632, 633, 634)를 획득할 수 있다. 운전제어장치는 시스템 주기(620)로 리샘플링을 할 수 있다.
소각로 제어 시스템(300)은 하나의 시스템 주기(620) 내에서 획득된 복수의 정보의 평균, 중앙값, 중간값, 최소값 또는 최대값을 리샘플링된 값으로 이용할 수 있다. 예를 들어 소각로 제어 시스템(300)은 시스템 주기마다 복수의 운전상태정보 및 복수의 운전설정정보를 평균하여 현재 시각의 운전상태정보, 현재 시각의 운전설정정보, 직전 시각의 운전상태정보, 및 직전 시각의 운전설정정보를 획득하는 단계를 수행할 수 있다. 운전제어장치(310)는 직전 주기에 포함된 복수의 정보(621, 622, 623, 624)의 평균을 직전 시각의 정보로 결정할 수 있다. 또한, 소각로 제어 시스템(300)은 현재 주기에 포함된 복수의 정보(631, 632, 633, 634)의 평균을 현재 시각의 정보로 결정할 수 있다. 도 6의 직전 시각의 정보는 직전 시각의 운전상태정보 또는 직전 시각의 운전설정정보를 포함할 수 있다. 도 6의 현재 시각의 정보는 현재 시각의 운전상태정보 또는 현재 시각의 운전설정정보를 포함할 수 있다.
소각로 제어 시스템(300)은 하나의 시스템 주기(620) 내에서 획득된 복수의 정보를 수식에 적용하여 도출된 값을 리샘플링된 값으로 이용할 수 있다. 예를 들어, 운전제어장치(310)는 Kernel Density Estimation 적용하여, 시스템 주기 내의 데이터의 PDF(Probability Density Function)를 smoothing 하여 리샘플링된 값을 획득할 수 있다. 또한, 소각로 제어 시스템(300)은 하나의 시스템 주기(620) 내에서 획득된 복수의 정보를 기계학습모델에 적용하여 도출된 값을 리샘플링된 값으로 이용할 수 있다. Kernel Density Estimation에 따르면 소각로 제어 시스템(300)은 시스템 주기(620) 내의 데이터 분포에 대한 정보를 연속적인 정보(불연속적인 분포를 연속적인 분포로 표현 가능)로 저장할 수 있다. 또한, Kernel Density Estimation에 따르면 소각로 제어 시스템(300)은 cross-sectional value(단일 row) 기반의 예측에 시계열(multi row) 예측의 효과(차분값과 그래디언트(추세) 값이 거시적인 시계열 정보라면, Kernel Density Estimation은 미시적인 시계열 정보)를 가미할 수 있다. 소각로 제어 시스템(300)은 시스템 주기 안의 데이터 분포 저장에 대한 시간 주기와 PDF에 대한 smoothing의 정도를 사용자의 입력으로부터 설정할 수 있다. 소각로 제어 시스템(300)은 사용자의 입력에 기초하여 리샘플링의 커스터마이징을 허용함으로써, 소각로 제어 시스템(300)에 포함된 다양한 운전상태정보 또는 운전설정정보의 특성에 따른 리샘플링을 수행할 수 있다.
도 7을 참조하면, 소각로 제어 시스템(300)은 현재 시각의 운전상태정보 및 현재 시각의 운전설정정보 중 하나에서 직전 시각의 운전상태정보 및 직전 시각의 운전설정정보 중 하나를 차감하여 차분 정보를 획득하는 단계(730)를 수행할 수 있다. 소각로 제어 시스템(300)은 대응되는 정보끼리 차감하여 차분 정보를 획득할 수 있다. 예를 들어 운전제어장치(310)는 현재 시각의 운전상태정보에서 직전 시각의 운전상태정보를 차감하여 차분 정보를 획득할 수 있다. 또한 소각로 제어 시스템(300)은 현재 시각의 온도 정보에서 직전 시각의 온도 정보를 차감하여 차분 정보를 획득할 수 있다. 소각로 제어 시스템(300)은 시스템 주기(620)로 리샘플링을 수행하므로, 현재 시각과 직전 시각의 차이는 시스템 주기일 수 있다.
차분 정보는 변화량 정보 및 변화방향 정보를 포함할 수 있다. 차분 정보의 크기가 변화량 정보에 대응되고 복수의 차분 정보의 부호가 변화방향 정보에 대응할 수 있다. 변화량 정보는 현재 시각의 정보에서 직전 시각의 정보를 뺀 차분의 절대값을 의미할 수 있다. 또한 변화방향 정보는 현재 시각의 정보에서 직전 시각의 정보를 뺀 차분의 부호를 의미할 수 있다.
다시 도 5를 참조하면, 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계(540)를 수행할 수 있다.
추세 정보는 차분 정보를 포함할 수 있다. 차분 정보가 직전 시각 정보 및 현재 시각 정보의 차분이라면, 추세 정보는 직전 시각의 직전 시각 정보 및 직전 시각 정보의 차분을 포함할 수 있다. 즉, 차분 정보는 가장 최근의 정보에 대한 것이고, 추세 정보는 분석시간 내의 모든 차분 정보를 포함할 수 있다. 소각로 제어 시스템(300)은 분석시간 동안의 복수의 차분 정보를 추세 정보로써 획득할 수 있다.
추세 정보는 분석시간 동안의 매 시스템 주기마다 운전상태정보 및 운전설정정보 중 하나의 변화량 정보 및 변화방향 정보를 포함할 수 있다. 변화량 정보는 현재 시각의 정보에서 직전 시각의 정보를 뺀 차분의 절대값을 의미할 수 있다. 또한 변화방향 정보는 현재 시각의 정보에서 직전 시각의 정보를 뺀 차분의 부호를 의미할 수 있다. 추세 정보는 차분의 변화량 정보 및 차분의 변화방향 정보를 포함할 수도 있다. 즉, 추세 정보는 정보의 기울기의 변화량 정보 및 기울기의 변화방향 정보를 포함할 수 있다. 여기서 차분은 현재 시각의 정보에서 직전 시각의 정보를 뺀 값 또는 직전 시각의 정보에서 현재 시각의 정보를 뺀 값을 의미할 수 있다.
소각로 제어 시스템(300)은 추세 정보를 획득하는 단계(540)를 수행하기 위하여 다음과 같은 과정을 더 수행할 수 있다. 소각로 제어 시스템(300)은 기본 샘플링 주기로 복수의 운전상태정보 및 복수의 운전설정정보를 획득하는 단계를 수행할 수 있다. 복수의 운전상태정보 및 복수의 운전설정정보를 획득하는 단계에 대해서는 차분 정보를 획득하는 과정에서 이미 설명하였으므로 중복되는 설명은 생략한다.
소각로 제어 시스템(300)은 복수의 운전상태정보 및 복수의 운전설정정보에 기초하여 시스템 주기에 따른 제 n 시각의 운전상태정보, 제 n 시각의 운전설정정보, 제 n-1 시각의 운전상태정보, 및 제 n-1 시각의 운전설정정보를 획득하는 단계를 수행할 수 있다. 제 n 시각의 운전상태정보, 제 n 시각의 운전설정정보, 제 n-1 시각의 운전상태정보, 및 제 n-1 시각의 운전설정정보를 획득하는 단계는 도 7의 단계(720)에 대응될 수 있다. 제 n 시각과 제 n-1 시각의 차는 시스템 주기일 수 있다. 여기서 n은 자연수 일 수 있다. n은 1부터 N까지의 수를 가질 수 있다. 예를 들어 N은 분석시간을 시스템 주기로 나눈 값일 수 있다. N은 자연수일 수 있다.
소각로 제어 시스템(300)은 제 n 시각의 운전상태정보 및 제 n 시각의 운전설정정보 중 하나에서 제 n-1 시각의 운전상태정보 및 제 n-1 시각의 운전설정정보 중 하나를 차분하여 복수의 차분 정보를 획득하는 단계를 수행할 수 있다. 이 단계는 도 7의 단계(730)에 대응될 수 있다. 소각로 제어 시스템(300)은 복수의 차분 정보의 추세 정보로 획득하는 단계를 수행할 수 있다. 운전제어장치(310)는 대응되는 정보끼리 차감하여 차분 정보를 획득할 수 있다. 예를 들어 소각로 제어 시스템(300)은 제 n 시각의 운전상태정보에서 제 n-1 시각의 운전상태정보를 차감하여 차분 정보를 획득할 수 있다. 또한 소각로 제어 시스템(300)은 제 n 시각의 온도 정보에서 제 n-1 시각의 온도 정보를 차감하여 차분 정보를 획득할 수 있다. 소각로 제어 시스템(300)은 시스템 주기(620)로 리샘플링을 수행하므로, 제 n 시각과 제 n-1 시각의 차이는 시스템 주기일 수 있다.
복수의 차분 정보의 크기가 추세 정보의 변화량 정보에 대응되고 복수의 차분 정보의 부호가 추세 정보의 변화방향 정보에 대응할 수 있다.
다시 도 5를 참조하면, 소각로 제어 시스템(300)은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 운전자모사기계학습모델(820)에 적용하여 예측된 운전제어정보를 획득하는 단계(550)를 수행할 수 있다. 본 개시의 일 실시예에 따른 운전제어장치(310)는 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 서버(100)로부터 수신한 운전자모사기계학습모델(820)에 적용하여 예측된 운전제어정보를 획득하는 단계(550)를 수행할 수 있다. 운전자모사기계학습모델에 입력되는 운전상태정보 및 운전설정정보는 센서부(320)의 신호를 시스템 샘플링 주기로 리샘플링한 값일 수 있다. 운전자모사기계학습모델(820)에 대해서는 도 8에서 설명한다. 단계(550)는 서버(100) 또는 운전제어장치(310)에 포함된 도 1의 데이터 인식부(120)에서 수행될 수 있다.
추세 정보는 차분 정보를 포함할 수 있다. 하지만 운전자모사기계학습모델(820)은 차분 정보 및 추세 정보를 모두 이용할 수 있다. 왜냐하면 차분 정보는 가장 최근의 정보를 이용하여 획득되므로, 추세 정보와 다른 가중치를 차분 정보에 적용하기 위해 차분 정보가 따로 운전자모사기계학습모델(820)에 입력될 필요가 있기 때문이다. 하지만 이에 한정되는 것은 아니며, 운전자모사기계학습모델(820)은 추세 정보만을 입력으로써, 이용할 수도 있다.
또한, 운전상태정보, 및 운전설정정보에 포함된 정보의 종류와 차분 정보 및 추세 정보에 포함된 정보의 종류는 다를 수 있다. 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 포함된 정보의 복수의 종류 중 일부 종류에 대한 차분 정보 또는 추세 정보를 이용할 수 있다. 정보의 종류는, 운전상태정보에 포함된, 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 각각을 나타낼 수 있다. 또한 정보의 종류는 운전설정정보에 폐기물 투입여부, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수와 같은 정보 각각을 나타낼 수 있다. 또한 운전설정정보중의 하나인 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 나타낼 수 있다, 즉, 운전자모사기계학습모델(820)은 운전상태정보에 포함된 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 운전자모사기계학습모델(820)은 운전설정정보에 포함된 폐기물 투입여부, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수와 같은 정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 운전설정정보중의 하나인 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 입력으로 수신할 수 있다. 또한 운전자모사기계학습모델(820)은 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 차분 정보 또는 추세 정보를 입력으로 수신할 수 있다.
운전제어정보에 포함된 정보의 종류는 운전설정정보에 포함된 정보의 종류와 동일하거나, 운전설정정보에 포함된 정보의 종류 중 일부일 수 있다. 운전자모사기계학습모델(820)로부터 출력되는 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보, 예측된 투입 폐기물의 무게, 예측된 투입 폐기물의 발열량, 예측된 투입 폐기물의 발열커브, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나를 포함할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다.
예측된 폐기물 투입 여부 정보는 폐기물의 투입량 또는 투입여부 중 적어도 하나를 나타낼 수 있다. 예측된 유인송풍기의 송풍량 정보는 유인송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다. 또한, 예측된 압입송풍기의 송풍량 정보는 압입송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다. 또한, 예측된 배기가스 재순환 송풍기의 송풍량은 배기가스 재순환 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 나타낼 수 있다.
또한, 예측된 송풍기 댐퍼의 개도율 정보는 유인 송풍기, 압입 송풍기, 배기가스 재순환 송풍기 출구 중 적어도 하나에 설치된 댐퍼의 예측된 개도율을 나타낼 수 있다. 또한 대기오염물질을 저감하기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기, 및 투입양 중 적어도 하나를 포함할 수 있다. 또한 소각효율을 향상시키기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기 및 투입양 중 적어도 하나를 포함할 수 있다. 또한, 예측된 푸셔의 동작 정보는 푸셔가 폐기물을 미는 주기(속도) 또는 푸셔의 운전(on/off) 여부 중 적어도 하나를 포함할 수 있다.
소각로 제어 시스템(300)은 예측된 운전제어정보에 기초하여 소각로를 제어하는 단계를 더 수행할 수 있다. 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나에 기초하여 소각로를 제어할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보로 소각로를 제어할 수 있다.
운전제어장치(310)는 예측된 운전제어정보를 표시하는 단계를 더 수행할 수 있다. 예를 들어, 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량 정보, 예측된 압입 송풍기의 송풍량 정보, 예측된 배기가스 재순환기 송풍기 송풍량 정보, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위해 예측된 약품투입량, 소각효율을 향상시키기 위해 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 적어도 하나를 표시하는 단계를 수행할 수 있다. 사용자는 자동으로 제어된 값을 확인할 수 있다.
보다 구체적으로, 운전자모사기계학습모델(820)로부터 수신된 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보를 나타낼 수 있다. 운전제어장치(310)는 예측된 운전제어정보에 기초하여 운전제어장치가 소각로를 제어하는 단계를 수행하기 위하여 다음과 같은 과정을 더 수행할 수 있다. 운전제어장치(310)는 예측된 폐기물 투입 여부 정보가 폐기물의 투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하는 단계를 수행할 수 있다. 또한, 운전제어장치(310)는 예측된 폐기물 투입 여부 정보가 폐기물의 미투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하지 않는 단계를 수행할 수 있다.
또한, 운전제어장치(310)는 운전제어정보에 포함된 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량 또는 예측된 배기가스재순환 송풍기의 송풍량에 기초하여 유인 송풍기, 압입 송풍기, 배기가스재순환 송풍기의 회전 여부, 회전 속도, 및 댐퍼 개도율 중 적어도 하나를 제어할 수 있다. 또한, 운전제어장치(310)는 운전제어정보에 포함된 배기가수 정보에 기초하여 대기오염물질을 저감하기 위해 예측된 약품투입량, 소각효율을 향상시키기 위해 예측된 약품투입량 중 적어도 하나를 제어할 수 있다. 또한, 운전제어장치(310)는 운전제어정보에 포함된 예측된 푸셔의 동작 정보에 기초하여 푸셔의 동작 여부 및 동작 속도 중 적어도 하나를 제어할 수 있다.
하지만 이에 한정되는 것은 아니다. 운전제어장치(310)는 예측된 운전제어정보에 기초하여 소각로를 자동으로 제어하지 않을 수 있다. 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위해 예측된 약품투입량, 소각효율을 향상시키기 위해 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 적어도 하나를 표시하기만 할 수 있다. 사용자는 제시된 예측된 운전제어정보에 기초하여 소각로를 제어하는 입력을 운전제어장치(310)에 입력할 수 있다. 운전제어장치(310)는 사용자로부터 수신한 입력에 기초하여 소각로를 제어할 수 있다.
도 8은 본 개시의 일 실시예에 따른 운전자모사기계학습모델을 설명하기 위한 도면이다.
먼저 운전자모사기계학습모델(820)을 생성하는 과정을 설명한다. 운전자모사기계학습모델(820)을 생성하는 단계는 서버에 포함된 도 1의 데이터 학습부(110)에서 수행될 수 있다. 서버(100)는 미리 수집된 학습데이터베이스로부터 복수의 학습 운전상태정보(811), 복수의 학습 운전설정정보(812), 및 복수의 운전제어정보(813)를 획득하는 단계를 수행할 수 있다. 여기서 복수의 학습 운전상태정보(811) 및 복수의 학습 운전설정정보(812)는 학습데이터이고, 복수의 운전제어정보(813)는 레이블 정보일 수 있다. 복수의 운전제어정보(813)는 실제(ground truth) 정보일 수 있다. 즉, 복수의 운전제어정보(813)는 숙련된 사용자가 실제로 입력한 운전제어정보일 수 있다.
소각로 제어 시스템(300)은 복수의 학습 운전상태정보(811), 복수의 학습 운전설정정보(812), 및 복수의 운전제어정보(813)를 다음과 같이 획득할 수 있다. 소각로 제어 시스템(300)은 사용자의 입력, 운전상태정보 및 운전설정정보를 계속적으로 수집하고 있을 수 있다. 또한 소각로 제어 시스템(300)은 사용자가 소각로를 제어하기 위한 운전제어정보를 입력했을 때, 그 이전의 분석시간 동안의 학습 운전상태정보 및 학습 운전설정정보를 메모리로부터 획득할 수 있다. 즉, 소각로 제어 시스템(300)은 운전제어정보에 대응되는 학습 운전상태정보 및 학습 운전설정정보를 메모리로부터 획득할 수 있다. 또한, 이와 같은 방법을 이용하여 소각로 제어 시스템(300)은 복수의 운전제어정보(813)에 대응되는 복수의 학습 운전상태정보(811) 및 복수의 학습 운전설정정보(812)를 획득할 수 있다.
숙련된 사용자가 실제로 입력한 운전제어정보는 숙련된 사용자의 경력에 기반하여 결정될 수도 있지만, 복수의 사용자의 복수의 운전제어정보 중에서 소각로 제어 시스템(300)이 자동으로 선택할 수도 있다. 예를 들어 소각로 제어 시스템(300)은 복수의 후보 학습 운전상태정보, 복수의 후보 학습 운전설정정보, 및 복수의 후보 운전제어정보를 획득할 수 있다. 복수의 후보 학습 운전상태정보, 복수의 후보 학습 운전설정정보, 및 복수의 후보 운전제어정보는 소각로 현장에서 획득된 데이터일 수 있다. 복수의 후보 학습 운전상태정보, 복수의 후보 학습 운전설정정보, 및 복수의 후보 운전제어정보는 소각로 현장의 일 시점의 데이터일 수 있다.
소각로 제어 시스템(300)은 복수의 후보 학습 운전상태정보, 복수의 후보 학습 운전설정정보, 및 복수의 후보 운전제어정보에 대응되는 미리 정해진 시간 이후의 운전상태정보를 획득할 수 있다. 즉, 소각로 제어 시스템(300)은 복수의 후보 학습 운전상태정보, 복수의 후보 학습 운전설정정보, 및 복수의 후보 운전제어정보에서 선택된 후보 학습 운전상태정보, 선택된 후보 학습 운전설정정보 및 선택된 후보 운전제어정보에 대응되는 미리 정해진 시간 이후의 운전상태정보를 획득할 수 있다. 여기서 미리 정해진 시간 이후의 운전상태정보는 후보 학습 운전상태정보, 후보 학습 운전설정정보 및 후보 운전제어정보에 기초하여 소각로가 운행된 후 미리 정해진 시간 이후의 운전상태정보를 의미할 수 있다.
운전상태정보는 온도, 질소 산화물의 양, 일산화탄소의 양, 염화수소의 양, 황산환물의 양, 먼지의양 및 시간 당 투입된 폐기물의 양을 포함할 수 있다. 여기서 미리 정해진 시간은 예측시간과 동일할 수 있다. 예를 들어 예측시간은 1초이상 4시간이하일 수 있다. 또한, 예측시간은 1초이상 4시간이하의 값일 수 있다. 하지만 이에 한정되지 않는다.
소각로 제어 시스템(300)은 미리 정해진 시간 이후의 운전상태정보에 기초하여 t 시점에서의 숙련도 정보(r_t)를 획득할 수 있다.
r_t = w1 * r_t_temp + w2 * r_t_NOX + w3 * r_t_CO + w4 * r_t_HCL + w5 * r_t_SOX + w6 * r_t_Dust + w7 * r_t_waste
여기서 w1 내지 w7은 미리 정해진 가중치로써, 양의 실수일 수 있다. 여기서 r_t_temp는 시점 t에서 학습 온도정보에 따른 보상값일 수 있다. 학습 온도정보는 소각로 출구의 온도정보일 수 있다. r_t_NOX는 학습 질소 산화물의 양에 따른 보상값이며, r_t_CO는 학습 일산화탄소의 양에 따른 보상값이며, r_t_HCL는 학습 염화수소의 양에 따른 보상값이며, r_t_SOX는 학습 황산화물의 양에 따른 보상값이며, r_t_Dust는 학습 먼지의 양에 따른 보상값일 수 있다. 또한, r_t_waste는 학습 시간 당 투입이 되는 폐기물 양(무게)에 따른 보상값일 수 있다. 소각로 제어 시스템(300)은 학습 온도정보에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 질소 산화물의 양에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 일산화탄소의 양에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 염화수소의 양에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 황산화물의 양에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 먼지의 양에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다. 소각로 제어 시스템(300)은 학습 시간 당 투입이 되는 폐기물 양(무게)에 따른 미리 정해진 보상값을 저장한 테이블을 저장하고 있을 수 있다.
t시점에서의 숙련도 정보(r_t)는 위의 식에 한정되는 것은 아니며, r_t_temp, r_t_NOX, r_t_CO, r_t_HCL, r_t_SOX, r_t_Dust, 및 r_t_waste 중 적어도 하나는 생략될 수 있다. 소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(r_t)를 획득할 수 있다. 예를 들어, 시간 범위는 시스템 샘플링 주기일 수 있다. 소각로 제어 시스템(300)은 t 시점에서의 숙련도 정보에 기초하여 시간 범위(t시점부터 t+alpha시점까지)에 대한 숙련도 정보(R)를 획득할 수 있다.
R = r_t + r_(t+1) + ... + r_(t+alpha)
여기서 t시각 및 t+1시각의 차이는 기본 샘플링 주기와 같을 수도 있다. 하지만 이에 한정되는 것은 아니다. 소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(R)가 미리 정해진 임계 보상값 이상인 경우, 해당 시간 범위에 대한 후보 운전제어정보를 숙련된 사용자의 것으로 결정할 수 있다. 즉, 소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(R)가 미리 정해진 임계 보상값 이상인 경우, 해당 시간 범위에 대한 후보 운전제어정보를 복수의 운전제어정보(813) 중 하나로 결정할 수 있다. 또한, 소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(R)가 미리 정해진 임계 보상값 이상인 경우, 해당 후보 운전제어정보의 이전의 분석시간 동안의 복수의 후보 학습 운전상태정보 및 복수의 후보 학습 운전설정정보를 메모리로부터 수집할 수 있다. 소각로 제어 시스템(300)은 해당 시간 범위에 대하여 복수의 후보 학습 운전상태정보 및 복수의 후보 학습 운전설정정보에 대한 리샘플링을 수행할 수 있다. 또한, 소각로 제어 시스템(300)은 리샘플링된 후보 학습 운전상태정보를 복수의 학습 운전상태정보(811) 중 하나로 결정하고, 리샘플링된 후보 학습 운전설정정보를 복수의 학습 운전설정정보(812) 중 하나로 결정할 수 있다. 소각로 제어 시스템(300)은 위와 같은 과정을 반복하여 복수의 학습 운전상태정보(811), 복수의 학습 운전설정정보(812), 및 복수의 운전제어정보(813)를 획득할 수 있다. 소각로 제어 시스템(300)은 복수의 학습 운전상태정보(811), 복수의 학습 운전설정정보(812) 및 복수의 운전제어정보(813)를 이용하여 운전자모사기계학습모델을 생성할 수 있다. 리샘플링에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다.
소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(R)가 미리 정해진 임계 보상값 미만인 경우, 해당 시간 범위에 대한 운전제어정보를 미숙련 사용자의 것으로 결정할 수 있다. 소각로 제어 시스템(300)은 시간 범위에 대한 숙련도 정보(R)가 미리 정해진 임계 보상값 미만인 경우, 해당 시간 범위에 대하여 리샘플링을 수행하지 않고, 기계학습모델 생성에 이용하지 않을 수 있다.
소각로 제어 시스템(300)은 위와 같은 과정에 기반하여 리샘플링된 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보를 획득할 수 있다.
소각로 제어 시스템(300)은 리샘플링된 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 운전자모사기계학습모델(820)을 생성할 수 있다. 소각로 제어 시스템(300)은 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 단계를 수행할 수 있다. 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 과정은 도 7에서 설명한 바 있으므로 중복되는 설명은 생략한다.
소각로 제어 시스템(300)은 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 복수의 과거 차분 정보, 및 복수의 과거 추세 정보 중 적어도 하나에 대한 복수의 운전제어정보의 상관관계(인과관계)를 기계학습하여 운전자모사기계학습모델(820)을 생성하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 순전파 및 역전파를 수행하여 운전자모사기계학습모델(820)에 포함된 가중치를 갱신하면서 운전자모사기계학습모델(820)의 정확도를 높여갈 수 있다.
예를 들어 운전자모사기계학습모델(820)은 서버(100)에서 생성될 수 있다. 서버(100)는 운전자모사기계학습모델(820)을 메모리에 저장할 수 있다. 또한 서버(100)는 운전자모사기계학습모델(820)을 운전제어장치(310) 또는 다른 서버로 송신하는 단계를 수행할 수 있다. 서버(100) 또는 운전제어장치(310)는 운전자모사기계학습모델(820)을 이용하여 예측된 운전제어정보(840)를 획득할 수 있다.
도 5에서 설명한 바와 같이 운전제어장치(310)는 단계(510) 및 단계(520)와 같이 운전상태정보(831) 및 운전설정정보(832)를 새로이 수집할 수 있다. 여기서 운전제어장치(310)가 수집하는 운전상태정보(831), 운전설정정보(832)는, 운전자모사기계학습모델(820)을 생성할 때 이용했던 복수의 학습 운전상태정보(811), 복수의 학습 운전설정정보(812), 및 복수의 운전제어정보(813)보다 미래의 정보일 수 있다. 운전상태정보(831) 및 운전설정정보(832)는 센서부(320)로부터 획득된 값을 리샘플링한 값일 수 있다. 운전제어장치(310) 또는 서버(100)는 운전자모사기계학습모델(820)을 갱신하기 위하여 운전상태정보(831), 운전설정정보(832)를 사용할 수 있음은 별론으로 한다.
소각로 제어 시스템(300)은 단계(530) 및 단계(540)와 같이 차분 정보 및 추세 정보를 획득할 수 있다. 또한 소각로 제어 시스템(300)은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 운전자모사기계학습모델(820)에 적용하여 예측된 운전제어정보(840)를 획득하는 단계(550)를 수행할 수 있다. 단계(550)는 서버(100) 또는 운전제어장치(310)에 포함된 도 1의 데이터 인식부(120)에서 수행될 수 있다.
본 개시의 소각로 제어 시스템(300)은 운전자모사기계학습모델(820)에 의하여 예측된 운전제어정보(840)를 생성하므로, 사용자가 예측된 운전제어정보(840)에 기초하여 운전제어정보를 결정하는데 도움을 줄 수 있다. 또한 소각로 사용자가 숙련자가 아니더라도 소각로를 최적의 상태로 유지시키도록 도울 수 있다.
도 9는 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작을 나타내는 흐름도이다.
소각로 제어 시스템(300)은 센서부(320), 운전제어장치(310) 및 서버(100)를 포함할 수 있다. 소각로 제어 시스템은 기계학습을 이용하여 소각로를 제어할 수 있다. 소각로 제어 시스템의 동작에 대해서 아래에서 설명한다. 도 9의 단계(510) 내지 단계(540)는 도 5의 단계(510) 내지 단계(540)에 대응될 수 있다. 도 9에 대한 설명 중 도 5에서 이미 설명한 사항에 대해서는 중복되는 설명을 생략한다.
운전제어장치(310)는 센서부(320)로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계(510)를 수행할 수 있다. 운전제어장치(310)는 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계(520)를 수행할 수 있다. 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계(530)를 수행할 수 있다. 또한, 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계(540)를 수행할 수 있다.
소각로 제어 시스템(300)은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 운전상태예측기계학습모델(1020)에 적용하여 예측된 운전상태정보를 획득하는 단계(950)를 수행할 수 있다. 예를 들어, 운전제어장치(310)는 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 서버로부터 수신한 운전상태예측기계학습모델(1020)에 적용하여 예측된 운전상태정보를 획득하는 단계(950)를 수행할 수 있다. 운전상태예측기계학습모델(1020)에 입력되는 운전상태정보 및 운전설정정보는 센서부(320)의 신호를 시스템 샘플링 주기로 리샘플링한 값일 수 있다 운전상태예측기계학습모델(1020)에 대해서는 도 10에서 설명한다. 단계(950)는 서버(100) 또는 운전제어장치(310)에 포함된 도 1의 데이터 인식부(120)에서 수행될 수 있다.
추세 정보는 차분 정보를 포함할 수 있다. 하지만 운전상태예측기계학습모델(1020)은 차분 정보 및 추세 정보를 모두 이용할 수 있다. 왜냐하면 차분 정보는 가장 최근의 정보를 이용하여 획득되므로, 추세 정보와 다른 가중치를 차분 정보에 적용하기 위해 차분 정보가 따로 운전상태예측기계학습모델(1020)에 입력될 필요가 있기 때문이다. 하지만 이에 한정되는 것은 아니며, 운전상태예측기계학습모델(1020)은 추세 정보만을 입력으로써, 이용할 수도 있다.
또한, 운전상태예측기계학습모델(1020)에 입력되는 운전상태정보, 및 운전설정정보에 포함된 정보의 종류와 차분 정보 및 추세 정보에 포함된 정보의 종류는 다를 수 있다. 운전제어장치(310)는 운전상태정보 및 운전설정정보에 포함된 정보의 복수의 종류 중 일부 종류에 대한 차분 정보 또는 추세 정보를 이용할 수 있다. 정보의 종류는, 운전상태정보에 포함된, 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 각각을 나타낼 수 있다. 또한 정보의 종류는 운전설정정보에 포함된 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)에 대한 정보, 또는 소각로의 폐기물 투입정보 각각을 나타낼 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수 정보를 나타낼 수 있다. 즉, 운전상태예측기계학습모델(1020)은 운전상태정보에 포함된 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 운전상태예측기계학습모델(1020)은 운전설정정보에 포함된 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)에 대한 정보, 또는 소각로의 폐기물 투입정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 운전상태예측기계학습모델(1020)은 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 차분 정보 또는 추세 정보를 입력으로 수신할 수 있다.
예측된 운전상태정보는 현재 시각부터 미리 정해진 예측시간 후의 미래 시각에서의 운전상태정보일 수 있다. 즉, 예측된 운전상태정보는 운전상태예측기계학습모델(1020)에 입력된 운전상태정보로부터 미리 정해진 예측시간 이후의 예측된 정보일 수 있다. 예측시간은 1초이상 4시간이하의 값일 수 있다. 예측된 운전상태정보는 운전상태예측기계학습모델(1020)에 의하여 예측된 값이다. 또한 예측된 운전상태정보는 운전상태예측기계학습모델(1020)에 입력된 운전설정정보가 예측시간만큼 유지된 경우 예측된 운전상태정보를 나타낼 수 있다. 예측된 운전상태정보는 예측된 폐기물의 질량 정보, 예측된 공급유량 정보, 예측된 송풍유량 정보, 예측된 압력 정보, 예측된 저장 탱크에 대한 정보, 예측된 온도 정보, 예측된 습도정보, 예측된 배기가스에 대한 정보 중 적어도 하나를 포함할 수 있다.
운전제어장치(310)는 예측된 운전상태정보를 표시하는 단계를 수행할 수 있다. 사용자는 예측된 운전상태정보를 확인할 수 있다. 사용자는 예측된 운전상태정보에 기초하여 현재 취해야 할 동작을 결정할 수 있다. 본 개시의 소각로 제어 시스템에 따르면, 사용자가 미래의 상황을 빠르게 예측할 수 있도록 돕고, 정상범위 내에서 소각로를 운행할 수 있도록 도울 수 있다.
운전제어장치(310)는 현재 운전상태정보 및 예측시간 후의 운전상태정보에 기반하여 예측된 운전제어정보를 생성할 수도 있다. 따라서 운전제어장치(310)는 예측된 운전제어정보에 기반하여 소각로를 자동으로 제어할 수 있다.
운전제어장치(310)는 예측된 운전상태정보를 출력하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다. 운전제어장치(310)는 예측된 운전상태정보가 미리 정해진 임계환경정보의 범위 이내인지 여부를 결정하는 단계를 수행할 수 있다. 여기서, 예측된 운전상태정보는 운전상태예측기계학습모델(1020)로부터 획득된 정보로써, 예측된 폐기물의 질량 정보, 예측된 공급유량 정보, 예측된 송풍유량 정보, 예측된 압력 정보, 예측된 저장 탱크에 대한 정보, 예측된 온도 정보, 예측된 습도정보, 예측된 배기가스에 중 적어도 하나를 포함할 수 있다. 또한, 임계환경정보는 임계 폐기물의 질량 정보, 임계 공급유량 정보, 임계 송풍유량 정보, 임계 압력 정보, 입례 저장 탱크에 대한 정보, 임계 온도 정보, 임계 습도정보, 임계 배기가스 중 적어도 하나를 포함할 수 있다. 또한, 임계환경정보는 임계온도범위정보, 임계 산소의 양의 범위 정보, 및 임계압력범위정보 중 적어도 하나를 포함할 수 있다. 임계환경정보는 소각로가 만족시켜야 하는 파라미터들의 범위일 수 있다. 임계환경정보는 법적인 기준 또는 소각로 회사의 운행 가이드 라인에 의하여 미리 정해질 수 있다.
운전제어장치(310)는 예측된 운전상태정보가 임계환경정보에 포함되지 않는 경우, 자동으로 제어를 수행할 수 있다. 운전제어장치(310)는 예측된 운전상태정보가 임계환경정보에 포함되지 않는 경우, 예측된 운전제어정보를 자동으로 생성할 수 있다. 운전제어장치(310)는 만족되지 못한 임계환경정보의 종류와 예측된 운전제어정보를 대응시킨 운전제어정보 생성 테이블을 미리 저장하고 있을 수 있다. 예측된 운전상태정보가 임계환경정보에 포함되지 않는 경우, 운전제어장치(310)는 테이블에 기초하여 예측된 운전제어정보를 자동으로 생성할 수 있다. 또한 소각로 제어 시스템은 자동으로 소각로가 임계환경정보를 만족하도록 제어할 수 있다.
예를 들어, 운전제어장치(310)는 예측된 운전상태정보에 포함된 예측된 온도정보가 임계환경정보에 포함된 임계온도범위정보에 포함되지 않는 경우, 자동으로 제어를 수행할 수 있다. 보다 구체적으로 예측된 온도정보가 임계온도범위정보의 하한의 이하인 경우, 운전제어장치(310)는 운전제어정보 생성 테이블에 기초하여 폐기물을 투입할 것을 나타내는 정보를 생성하는 단계를 수행할 수 있다. 운전제어정보 생성 테이블은 예측된 운전상태정보가 임계온도범위정보의 하한의 미만일 때의 예측된 운전제어정보 또는 임계온도범위정보의 상한의 초과일 때의 예측된 운전제어정보를 포함하고 있을 수 있다. 운전제어장치(310)는 예측된 운전제어정보에 기초하여 소각로를 제어함으로써, 임계환경정보를 만족하도록 할 수 있다.
운전제어장치(310)는 생성된 폐기물을 투입할 것을 나타내는 정보를 출력할 수 있다. 사용자는 운전제어장치(310)에 표시된 폐기물을 투입할 것을 나타내는 정보에 기초하여 폐기물을 투입할지 여부를 결정하여 운전제어장치(310)에 입력할 수 있다. 또는 운전제어장치(310)는 생성된 폐기물을 투입할 것을 나타내는 정보에 기초하여 자동으로 폐기물을 투입할 수도 있다.
예측된 운전상태정보에 포함된 예측된 온도정보가 임계환경정보에 포함된 임계온도범위정보에 포함되는 경우, 운전제어장치(310)는 예측된 운전상태정보가 임계환경정보에 포함됨을 출력할 수 있다. 사용자는 예측된 운전상태정보가 임계환경정보를 만족함을 확인할 수 있다. 위에서는 임계환경정보에 포함된 임계온도범위정보를 기준으로 설명하였으나, 임계 산소의 양의 범위 및 임계압력범위정보에 대해서도 동일한 설명이 가능하며, 중복되는 설명은 생략한다.
소각로의 운전상태정보가 임계환경정보의 범위를 이탈하는 경우, 소각로의 소각 능력이 저해되거나, 불완전연소로 유해물질이 발생할 수 있다. 본 개시의 소각로 제어 시스템(300)은 운전상태정보가 임계환경정보의 범위의 내로 유지되도록 제어할 수 있으므로 소각로가 소각을 위한 최적의 상태로 유지될 수 있다. 또한 소각로 사용자가 숙련자가 아니더라도 소각로를 최적의 상태로 유지시키도록 도울 수 있다.
도 10은 본 개시의 일 실시예에 따른 운전상태예측기계학습모델을 설명하기 위한 도면이다.
먼저 운전상태예측기계학습모델(1020)을 생성하는 과정을 설명한다. 운전상태예측기계학습모델(1020)을 생성하는 단계는 서버에 포함된 도 1의 데이터 학습부(110)에서 수행될 수 있다. 서버(100)는 미리 수집된 학습데이터베이스로부터 복수의 학습 운전상태정보(1011), 복수의 학습 운전설정정보(1012), 및 복수의 예측시간 후의 운전상태정보(1013)를 획득하는 단계를 수행할 수 있다. 여기서 복수의 학습 운전상태정보(1011) 및 복수의 학습 운전설정정보(1012)는 학습 데이터이고, 복수의 예측시간 후의 운전상태정보(1013)는 레이블 정보일 수 있다. 복수의 예측시간 후의 운전상태정보(1013)는 실제(ground truth) 정보일 수 있다. 즉, 복수의 예측시간 후의 운전상태정보(1013)는 센서부(320)로부터 획득된 값일 수 있다.
소각로 제어 시스템(300)은 복수의 학습 운전상태정보(1011), 복수의 학습 운전설정정보(1012), 및 복수의 예측시간 후의 운전상태정보(1013)를 다음과 같이 획득할 수 있다. 소각로 제어 시스템(300)은 사용자의 입력, 운전상태정보 및 운전설정정보를 계속적으로 수집하고 있을 수 있다. 또한 소각로 제어 시스템(300)은 미리 정해진 분석시간 동안의 복수의 학습 운전상태정보(1011), 복수의 학습 운전설정정보(1012)를 메모리로부터 수집할 수 있다. 또한, 복수의 예측시간 후의 운전상태정보(1013)는 복수의 학습 운전상태정보(1011)를 획득한 후 예측시간 후의 정보일 수 있다. 서버(100) 또는 운전제어장치(310)는 복수의 학습 운전상태정보(1011)의 마지막 시각의 데이터로부터 미리 정해진 예측시간 후의 복수의 예측시간 후의 운전상태정보(1013)를 획득할 수 있다.
복수의 학습 운전상태정보 각각은 리샘플링된 정보일 수 있다. 또한 복수의 학습 운전설정정보 각각은 리샘플링된 정보일 수 있다. 리샘플링에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다. 복수의 예측시간 후의 운전상태정보(1013) 각각은 리샘플링된 정보일 수 있다.
소각로 제어 시스템(300)은 리샘플링된 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 운전상태예측기계학습모델(1020)을 생성할 수 있다. 소각로 제어 시스템(300)은 복수의 학습 운전상태정보 및 복수의 학습 운전설정정보에 기초하여 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 단계를 수행할 수 있다. 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 과정은 도 7에서 설명한 바 있으므로 중복되는 설명은 생략한다.
소각로 제어 시스템(300)은 복수의 학습 운전상태정보(1011), 복수의 학습 운전설정정보(1012), 복수의 과거 차분 정보, 및 복수의 과거 추세 정보 중 적어도 하나에 대한 복수의 예측시간 후의 운전상태정보(1013)의 상관관계(인과관계)를 기계학습하여 운전상태예측기계학습모델(1020)을 생성하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 순전파 및 역전파를 수행하여 운전상태예측기계학습모델(1020)에 포함된 가중치를 갱신하면서 운전상태예측기계학습모델(1020)의 정확도를 높여갈 수 있다.
예를 들어 운전상태예측기계학습모델(1020)은 서버(100)에서 생성될 수 있다. 서버(100)는 운전상태예측기계학습모델(1020)을 메모리에 저장할 수 있다. 또한 서버(100)는 운전상태예측기계학습모델(1020)을 운전제어장치(310) 또는 다른 서버로 송신하는 단계를 수행할 수 있다. 서버(100) 또는 운전제어장치(310)는 운전상태예측기계학습모델(1020)을 이용하여 예측된 운전상태정보(1040)를 획득할 수 있다.
도 9에서 설명한 바와 같이 운전제어장치(310)는 단계(510) 및 단계(520)와 같이 운전상태정보(1031) 및 운전설정정보(1032)를 새로이 수집할 수 있다. 여기서 운전제어장치(310)가 수집하는 운전상태정보(1031), 운전설정정보(1032)는, 운전상태예측기계학습모델(1020)을 생성할 때 이용했던 복수의 학습 운전상태정보(1011), 복수의 학습 운전설정정보(1012), 및 복수의 예측시간 후의 운전상태정보(1013)보다 미래의 정보일 수 있다. 운전상태정보(1031) 및 운전설정정보(1032)는 센서부(320)로부터 획득된 복수의 정보를 리샘플링하여 획득될 수 있다. 소각로 제어 시스템(300)은 운전상태예측기계학습모델(1020)을 더 갱신하기 위하여 운전상태정보(1031), 운전설정정보(1032)를 추가적으로 사용할 수 있음은 별론으로 한다.
소각로 제어 시스템(300)은 도 9의 단계(530) 및 단계(540)와 같이 차분 정보 및 추세 정보를 획득할 수 있다. 또한 소각로 제어 시스템(300)은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 운전상태예측기계학습모델(1020)에 적용하여 예측된 운전상태정보(1040)를 획득하는 단계(950)를 수행할 수 있다. 단계(950)는 서버(100) 또는 운전제어장치(310)에 포함된 도 1의 데이터 인식부(120)에서 수행될 수 있다.
본 개시의 소각로 제어 시스템(300)은 운전상태예측기계학습모델(1020)에 의하여 예측된 운전상태정보(1040)를 생성하므로, 사용자가 운전상태정보(1040)를 확인하고 운전제어정보를 결정하는데 도움을 줄 수 있다. 또한 소각로 사용자가 숙련자가 아니더라도 소각로를 최적의 상태로 유지시키도록 도울 수 있다.
도 11은 본 개시의 다른 실시예에 따른 소각로 제어 시스템의 동작 방법을 나타내는 흐름도이다.
소각로 제어 시스템(300)은 센서부(320), 운전제어장치(310) 및 서버(100)를 포함할 수 있다. 소각로 제어 시스템(300)은 강화학습모델을 이용하여 소각로를 제어할 수 있다. 소각로 제어 시스템의 동작에 대해서 아래에서 설명한다. 도 11의 단계(510) 내지 단계(540)는 도 5의 단계(510) 내지 단계(540)에 대응될 수 있다. 따라서 도 5에서 이미 설명한 사항에 대해서는 중복되는 설명을 생략한다.
운전제어장치(310)는 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계(510)를 수행할 수 있다. 운전제어장치(310)는 메모리로부터 분석시간 동안의 운전설정정보를 획득하는 단계(520)를 수행할 수 있다. 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계(530)를 수행할 수 있다. 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 기초하여 분석시간 동안의 추세 정보를 획득하는 단계(540)를 수행할 수 있다.
소각로 제어 시스템(300)은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 현재 상태 정보로 결정하는 단계(1110)를 수행할 수 있다. 소각로제어강화학습모델의 행동의 주체(agent)는 운전제어장치(310) 또는 서버(100)일 수 있다. 또한 소각로제어강화학습모델은 운전상태정보, 운전설정정보, 차분 정보 및 추세 정보 중 적어도 하나를 이용하여 현재 상태 정보를 결정할 수 있다. 소각로 제어 시스템(300)은 현재 상태 정보에서 최적의 보상을 얻기 위한 최적 행동을 수행할 수 있다. 최적 행동은 현재 상태 정보에 따라 달라질 수 있다. 따라서 소각로 제어 시스템(300)은 현재 상태 정보를 확인할 수 있다. 소각로 제어 시스템(300)은 소각로제어강화학습모델에 현재 상태 정보를 적용하여 최상의 보상을 획득하기 위한 행동을 결정할 수 있다.
소각로 제어 시스템(300)은 현재 상태 정보를 소각로제어강화학습모델에 적용하여 최대 보상을 제공하는 예측된 운전제어정보를 획득하는 단계(1120)를 수행할 수 있다. 운전제어장치(310)는 현재 상태 정보를 서버(100)로부터 수신한 소각로제어강화학습모델에 적용하여 최대 보상을 제공하는 예측된 운전제어정보를 획득하는 단계(1120)를 수행할 수 있다. 단계(1120)는 서버(100) 또는 운전제어장치(310)에 포함된 도 1의 데이터 인식부(120)에서 수행될 수 있다.
현재 상태 정보에 포함되는 추세 정보는 차분 정보를 포함할 수 있다. 하지만 소각로제어강화학습모델은 차분 정보 및 추세 정보를 모두 이용할 수 있다. 왜냐하면 차분 정보는 가장 최근의 정보를 이용하여 획득되므로, 추세 정보와 다른 가중치를 차분 정보에 적용하기 위해 차분 정보가 따로 소각로제어강화학습모델에 입력될 필요가 있기 때문이다. 하지만 이에 한정되는 것은 아니며, 소각로제어강화학습모델은 추세 정보만을 입력으로써, 이용할 수도 있다.
또한, 소각로제어강화학습모델에 입력되는 운전상태정보, 및 운전설정정보에 포함된 정보의 종류와 차분 정보 및 추세 정보에 포함된 정보의 종류는 다를 수 있다. 소각로 제어 시스템(300)은 운전상태정보 및 운전설정정보에 포함된 정보의 복수의 종류 중 일부 종류에 대한 차분 정보 또는 추세 정보를 이용할 수 있다. 정보의 종류는, 운전상태정보에 포함된, 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 각각을 나타낼 수 있다. 또한 정보의 종류는 운전설정정보에 포함된 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수 또는 소각로의 폐기물 투입여부 정보 각각을 나타낼 수 있다. 즉, 소각로제어강화학습모델은 운전상태정보에 포함된 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 소각로제어강화학습모델은 운전설정정보에 포함된 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기 또는 동작 횟수 또는 소각로의 폐기물 투입여부 정보 중 적어도 하나를 입력으로 수신할 수 있다. 또한 소각로제어강화학습모델은 폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 차분 정보 또는 추세 정보를 입력으로 수신할 수 있다.
운전제어정보에 포함된 정보의 종류는 운전설정정보에 포함된 정보의 종류와 동일하거나, 운전설정정보에 포함된 정보의 종류 중 일부일 수 있다. 소각로제어강화학습모델로부터 출력되는 예측된 폐기물의 질량 정보, 예측된 공급유량 정보, 예측된 송풍유량 정보, 예측된 압력 정보, 예측된 저장 탱크에 대한 정보, 예측된 온도 정보, 예측된 습도정보, 예측된 배기가스 정보 중 하나를 포함할 수 있다 예측된 폐기물 투입 여부 정보는 폐기물의 투입량과 투입여부를 나타낼 수 있다. 예측된 유인송풍기의 송풍량 정보는 유인송풍기의 송풍량을 나타낼 수 있다. 또한, 예측된 압입송풍기의 송풍량 정보는 압입송풍기의 송풍량을 나타낼 수 있다. 또한, 예측된 배기가스 재순환 송풍기의 송풍량은 배기가스 재순환 송풍기의 송풍량을 나타낼 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 나타낼 수 있다. 또한, 예측된 송풍기 댐퍼의 개도율 정보는 유인 송풍기, 압입 송풍기, 배기가스 재순환 송풍기 출구에 설치된 댐퍼의 개도율을 나타낼 수 있다. 또한 대기오염물질을 저감하기 위한 예측된 약품투입량 정보는 투입 약품의 종류와 시기 및 이의 양중 적어도 하나를 나타낼 수 있다. 또한 소각효율을 향상시키기 위한 예측된 약품투입량 정보는 투입 약품의 종류와 시기 및 이의 양 중 적어도 하나를 나타낼 수 있다. 또한, 예측된 푸셔의 동작 정보는 푸셔가 폐기물을 미는 주기(속도) 또는 푸셔의 운전(on/off) 여부 중 적어도 하나를 나타낼 수 있다. 소각로 제어 시스템(300)은 예측된 운전제어정보에 기초하여 소각로를 제어하는 단계를 더 수행할 수 있다. 즉, 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나를 포함할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다. 운전제어장치(310)는 예측된 운전제어정보를 표시하는 단계를 더 수행할 수 있다. 예를 들어, 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 적어도 하나를 표시하는 단계를 수행할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 표시하는 단계를 수행할 수 있다. 사용자는 자동으로 제어된 값을 확인할 수 있다.
보다 구체적으로, 소각로제어강화학습모델로부터 수신된 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보를 나타낼 수 있다. 소각로 제어 시스템(300)은 예측된 운전제어정보에 기초하여 운전제어장치가 소각로를 제어하는 단계를 수행하기 위하여 다음과 같은 과정을 더 수행할 수 있다. 운전제어장치(310)는 예측된 폐기물 투입 여부 정보가 폐기물의 투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하는 단계를 수행할 수 있다. 또한, 운전제어장치(310)는 예측된 폐기물 투입 여부 정보가 폐기물의 미투입을 나타내는 경우, 운전제어장치는 폐기물을 투입하지 않는 단계를 수행할 수 있다.
하지만 이에 한정되는 것은 아니다. 운전제어장치(310)는 예측된 운전제어정보에 기초하여 소각로를 자동으로 제어하지 않을 수 있다. 운전제어장치(310)는 예측된 폐기물 투입 여부 정보, 예측된 유인 송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나를 표시하기만 할 수 있다. 송풍량은 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함할 수 있다. 사용자는 제시된 예측된 운전제어정보에 기초하여 소각로를 제어하는 입력을 운전제어장치(310)에 입력할 수 있다. 운전제어장치(310)는 사용자로부터 수신한 입력에 기초하여 소각로를 제어할 수 있다.
본 개시의 소각로 제어 시스템은 소각로제어강화학습모델에 의하여 예측된 운전제어정보를 생성하므로, 사용자가 예측된 운전제어정보에 기초하여 운전제어정보를 결정하는데 도움을 줄 수 있다. 또한 소각로 사용자가 숙련자가 아니더라도 소각로를 최적의 상태로 유지시키도록 도울 수 있다.
소각로제어강화학습모델은 서버(100)에 의하여 미리 생성될 수 있다. 이하에서는 서버(100)가 소각로제어강화학습모델을 생성하는 과정에 대하여 설명한다. 소각로제어강화학습모델을 생성하는 과정은 서버(100) 또는 운전제어장치(310)의 데이터 학습부(110)에서 수행될 수 있다.
도 12는 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면일 수 있다.
소각로 제어 시스템(300)은 학습 운전상태정보 및 학습 운전설정정보를 획득할 수 있다. 소각로 제어 시스템(300)은 메모리 또는 센서부(320)를 통하여 학습 운전상태정보 및 학습 운전설정정보를 획득할 수 있다. 소각로 제어 시스템(300)은 학습 운전상태정보 및 학습 운전설정정보 중 적어도 하나를 이용하여 학습 차분 정보 및 학습 추세 정보를 획득할 수 있다. 소각로 제어 시스템(300)은 도 5의 단계(530) 및 단계(540)에서 설명한 방법을 이용하여 학습 차분 정보 및 학습 추세 정보를 획득할 수 있다.
서버(100)가 소각로제어강화학습모델을 생성하는 과정은 마르코프 결정 과정에서 최고의 보상을 획득하는 과정과 같을 수 있다. 서버(100)는 Policy Optimization, Q-Learning 또는 Policy Optimization/Q-Learning Mixed 중 적어도 하나의 알고리즘을 이용하여 소각로제어강화학습모델을 생성할 수 있다. Policy Optimization에는 Policy Gradient, A2C(Advantage Actor Critic), A3C(Asynchronous Advantage Actor-Critic), PPO(Proximal Policy Optimization), 또는 TRPO(Trust region policy optimization)가 포함될 수 있다. 또한, Q-Learning에는 DQN(Deep Q Network), C51(Categorical DQN), QR-DQN(Quantile Regression Deep Q Network), 또는 HER(Hindsight Experience Replay)가 포함될 수 있다. Policy Optimization/Q-Learning Mixed에는 DDPG(Deep Deterministic Policy Gradient), TD3(Twin Delayed Deep Deterministic Policy Gradient) 또는 SAC(Soft Actor Critic)가 포함될 수 있다. 서버(100)는 대표적으로 Policy Optimization 계통을 이용할 수 있으며, PPO 또는 SAC를 이용할 수 있다.
소각로 제어 시스템(300)은)는 학습 운전상태정보, 학습 운전설정정보, 학습 차분 정보 및 학습 추세 정보 중 적어도 하나를 이용하여 제 k 학습 상태 정보(1210)를 획득할 수 있다. 제 k 학습 상태 정보(1210)는 서버(100) 또는 운전제어장치(310)가 행동을 하기 전의 상태를 나타낼 수 있다. 학습 상태 정보는 학습 온도정보, 학습 질소 산화물의 양, 학습 일산화탄소의 양, 학습 염화수소의 양, 학습 황산화물의 양, 학습 먼지의 양, 및 시간 당 투입되는 폐기물의 양 중 적어도 하나를 포함할 수 있다.
소각로 제어 시스템(300)은 제 k 학습 상태 정보(1210)에서 복수의 후보 운전제어정보(1220) 중 하나의 행동을 취할 수 있다. 복수의 후보 운전제어정보(1220)는 폐기물 투입 여부 정보, 투입 폐기물의 무게, 투입 폐기물의 발열량, 투입 폐기물의 발열커브, 송풍기의 송풍량, 송풍 댐퍼의 개도율, 대기오염물질을 저감하기 위한 약품투입량, 소각효율을 향상시키기 위한 약품투입량, 푸셔(화격자)의 동작 주기(속도) 중 하나를 포함할 수 있다.
소각로 제어 시스템(300)은 정책 정보에 기초하여 제 k 학습 상태 정보(1210)에서 사용가능한 복수의 후보 운전제어정보(1220) 중 제 k 학습 운전제어정보(1221)를 획득하는 단계를 수행할 수 있다. 보다 구체적으로, 소각로 제어 시스템(300)은 복수의 후보 운전제어정보(1220) 각각에 대한 확률에 따라 하나의 운전제어정보를 선택할 수 있다. 소각로 제어 시스템(300)은 심층신경망에 기초하여 복수의 후보 운전제어정보(1220) 각각에 대한 확률을 도출할 수 있다. 복수의 후보 운전제어정보(1220) 각각에 대한 확률을 소각로제어강화학습모델의 정책 정보라고 할 수 있다. 정책 정보는 해당 환경에서 행동의 주체가 어떠한 행동을 취할 지에 대한 확률이다. 현재의 소각로 상태에서 행동에 대한 분포를 의미할 수도 있다. 최초에 복수의 후보 운전제어정보(1220) 각각에 대한 확률은 랜덤하게 초기화될 수 있다. 서버(100)는 소각로제어강화학습모델을 생성하는 과정에서 소각로제어강화학습모델이 최상의 보상을 획득하도록 복수의 후보 운전제어정보(1220) 각각에 대한 확률은 갱신되어갈 수 있다. 즉 정책 정보는 소각로제어강화학습모델이 생성되는 과정에서 갱신되어갈 수 있다.
또한 소각로 제어 시스템(300)은 상기 확률에 기초하여 운전제어정보를 선택할 수 있다. 선택된 운전제어정보는 제 k 학습 운전제어정보(1221)일 수 있다. 서버(100) 또는 운전제어장치(310)는 확률이 높은 운전제어정보를 선택할 확률이 높을 뿐, 반드시 확률이 높은 운전제어정보를 선택하지는 않을 수 있다. 왜냐하면 탐사(Exploration)와 이용(Exploitation)의 균형을 위하여 소각로제어강화학습모델을 학습시키기 위해서는 다양한 행동을 시도해보아야 하기 때문이다. 서버(100)는 소각로제어강화학습모델을 생성하는 과정에서는 심층신경망의 가중치들을 순전파 및 역전파를 이용하여 보상이 최대가 되도록 업데이트할 수 있다. 서버(100)는 최초에 심층신경망의 가중치를 랜덤하게 초기화할 수 있지만, 순전파 및 역전파를 통하여 가중치들은 업데이트되어갈 수 있다. 가중치들이 업데이트 됨에 따라 소각로제어강화학습모델의 정책 정보는 갱신되어 가는 것일 수 있다.
소각로제어강화학습모델에 기초하여 서버(100)는 제 k 학습 상태 정보(1210)에 제 k 학습 운전제어정보(1221)를 반영하여 제 k+1 학습 상태 정보(1230)를 획득하는 단계를 수행할 수 있다. 보다 구체적으로, 서버(100) 또는 운전제어장치(310)가 선택한 제 k 학습 운전제어정보(1221)에 기초하여 변화된 상태 정보를 관측할 수 있다. 변화된 상태 정보는 제 k+1 학습 상태 정보(1230)일 수 있다. 제 k+1 학습 상태 정보(1230)는 제 k 학습 상태 정보(1210)로부터 예측시간 이후의 정보일 수 있다. 제 k+1 학습 상태 정보(1230)는 예측시간 이후의 운전상태정보, 예측시간 이후의 운전설정정보, 예측시간 이후의 학습 차분 정보 및 예측시간 이후의 학습 추세 정보를 포함할 수 있다. 예를 들어, 학습 상태 정보는 학습 온도정보, 학습 질소 산화물의 양, 학습 일산화탄소의 양, 학습 염화수소의 양, 학습 황산화물의 양, 및 학습 먼지의 양을 포함할 수 있다.
소각로 제어 시스템(300)은 컴퓨터 시뮬레이션에 기초하여 제 k+1 학습 상태 정보(1230)를 획득할 수 있다. 또는 서버(100) 또는 운전제어장치(310)는 실제 소각로에서 획득된 데이터에 기반하여, 제 k+1 학습 상태 정보(1230)를 획득할 수 있다. 또는 소각로 제어 시스템(300)은 제 k 학습 상태 정보(1210) 및 제 k 학습 운전제어정보(1221)를 운전상태예측기계학습모델(1020)에 적용하여 k+1 학습 상태 정보(1230)를 획득할 수 있다. 소각로 제어 시스템(300)은 제 k 학습 상태 정보(1210)를 운전상태예측기계학습모델(1020)의 입력인 운전상태정보로써 이용하고, 제 k 학습 운전제어정보(1221)를 운전상태예측기계학습모델(1020)의 입력인 운전설정정보로써 이용할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보를 보상함수에 적용하여, 제 k 학습 상태 정보에 대한 제 k 학습 운전제어정보의 제 k 서브 보상을 결정하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 기초하여 제 k 학습 운전제어정보(1221)에 대한 제 k 서브 보상을 제공할 수 있다. 소각로 제어 시스템(300)은 보상함수(r)의 의한 보상이 최대가 되도록 강화학습을 수행하여 소각로제어강화학습모델을 생성하는 단계를 수행할 수 있다. 보상함수(r)는 다음과 같을 수 있다.
r = r_temp + r_NOX + r_CO + r_HCL + r_SOX + r_Dust + r_waste
여기서 r_temp는 학습 온도정보에 따른 보상값일 수 있다. 학습 온도정보는 소각로 출구의 온도정보일 수 있다. r_NOX는 학습 질소 산화물의 양에 따른 보상값이며, r_CO는 학습 일산화탄소의 양에 따른 보상값이며, r_HCL는 학습 염화수소의 양에 따른 보상값이며, r_SOX는 학습 황산화물의 양에 따른 보상값이며, r_Dust는 학습 먼지의 양에 따른 보상값일 수 있다. 또한, r_waste는 학습 시간 당 투입되는 폐기물의 양(무게)에 따른 보상값일 수 있다. 보상함수(r)는 위의 식에 한정되는 것은 아니며, r_temp, r_NOX, r_CO, r_HCL, r_SOX, r_Dust, 및 r_waste 중 적어도 하나는 생략될 수 있다.
보상함수에 의하여 결정되는 보상은 서브 보상일 수 있다. 즉, 소각로 제어 시스템(300)은 위의 보상함수에 기초하여 제 k 서브 보상을 결정할 수 있다. 서버(100)는 제 k 서브 보상 및 제 k+1 서브 보상에 기초하여 제 k 보상을 결정하는 단계를 수행할 수 있다. 즉, 서버(100)는 제 k 학습 운전제어정보(1221)에 대한 제 k 서브 보상 뿐만 아니라, 미래에 제 k+1 학습 상태 정보(1230)에 서의 제 k+1 학습 운전제어정보에 의한 보상까지 반영하여 제 k 학습 운전제어정보(1221)에 대한 최종 보상을 결정할 수 있다. 왜냐하면, 제 k 학습 운전제어정보(1221)에 의한 결과는 이후의 과정에서 계속적으로 영향을 미칠 것이기 때문이다. 제 k+1 서브 보상을 획득하는 과정은 제 k 서브 보상을 획득하는 과정과 동일하므로 중복되는 설명은 생략한다. 서버(100)는 제 k 보상을 제 k 서브 보상 + gamma * 제 k+1 서브 보상 + gamma^2 * 제 k+2 서브 보상 +...+ gamma^(a) * 제 k+a 서브 보상과 같이 결정할 수 있다. 여기서 gamma는 할인률로써, 0이상 1이하의 값을 가질 수 있다.
소각로 제어 시스템(300)은 제 k 보상이 최대가 되도록 정책 정보를 변경하는 단계를 수행할 수 있다. 예를 들어, 서버(100)는 복수의 후보 운전제어정보(1220)의 각각에 대한 선택확률을 변경한다던가, 신경심층망의 가중치를 변경하여 정책 정보를 변경할 수 있다. 서버(100)는 정책 정보에 기초하여 소각로제어강화학습모델을 생성하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 위와 같은 과정을 반복하여 소각로제어강화학습모델의 정확도를 높여갈 수 있다.
서버(100)는 소각로제어강화학습모델을 메모리에 저장할 수 있다. 또한 서버(100)는 소각로제어강화학습모델을 운전제어장치(310) 또는 다른 서버로 송신하는 단계를 수행할 수 있다.
이하에서는 도 13과 함께, 제 k 보상을 결정하는 과정을 자세히 설명한다.
도 13은 본 개시의 일 실시예에 따른 소각로 제어 시스템의 동작을 설명하기 위한 도면이다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 온도정보가 제 1 임계온도 이상이고 제 2 임계온도 미만일 때, r_temp를 제 1 보상값으로 결정하는 단계를 수행할 수 있다. 여기서, 학습 온도정보는 소각로 출구의 온도정보일 수 있다. 또한, 소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 온도정보가 제 3 임계온도 이상이고 제 1 임계온도 미만이거나, 제 2 임계온도 이상이고 제 4 임계온도 미만일 때, r_temp를 제 2 보상값으로 결정하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 온도정보가 제 3 임계온도 미만이거나 제 4 임계온도 이상일 때, r_temp를 제 3 보상값으로 결정하는 단계를 수행할 수 있다. 소각로 제어 시스템(300)은 제 k 학습 상태 정보(1210)에 포함된 학습 온도정보가 제 5 임계온도 미만이거나 제 6 임계온도 이상이었을 때 다음 조건에 따라 보상값을 결정할 수 있다. 서버(100)는 제 k+1 학습 상태 정보(1230)에 포함된 학습 온도정보가 제 7 임계온도 이상이고 제 3 임계온도 미만이거나, 제 4 임계온도 이상 제 8 임계온도 미만인 경우, r_temp를 제 4 보상값으로 결정하는 단계를 수행할 수 있다.
제 1 보상값, 제 2 보상값, 제 3 보상값 및 제 4 보상값은 미리 정해진 값일 수 있다. 제 1 보상값, 제 2 보상값, 및 제 4 보상값은 양수이고, 제 3 보상값은 음수일 수 있다. 제 1 보상값은 제 3 보상값의 절대값보다 크고, 제 3 보상값의 절대값은 제 2 보상값보다 클 수 있다. 본 개시의 일 실시예에 따르면 제 4 보상값은 제 2 보상값보다 작을 수 있다. 하지만 이에 한정되는 것은 아니며 제 4 보상값은 제 1 보상값보다 클 수 있다.
제 1 임계온도 내지 제 8 임계온도는 미리 정해진 온도일 수 있다. 제 5 임계온도 < 제 7 임계온도 < 제 3 임계온도 < 제 1 임계온도 < 제 2 임계온도 < 제 4 임계온도 < 제 8 임계온도 < 제 6 임계온도인 관계식을 만족할 수 있다. 추가적으로 제 7 임계온도는 제 3 임계온도보다 작거나 같을 수 있다. 또한, 제 4 임계온도는 제 8 임계온도보다 작거나 같을 수 있다. 제 1 임계온도는 900도 이상 1000도이하일 수 있다. 제 2 임계온도는 1000도이상 1100도이하일 수 있다. 제 3 임계온도는 850도이상 950도이하일 수 있다. 제 4 임계온도는 1050도이상 1150도이하일 수 있다. 하지만 이에 한정되는 것은 아니며, 소각로의 상황에 따라 임계온도의 값은 관리자의 입력에 의하여 변경될 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 질소 산화물의 양이 미리 결정된 기준 질소 산화물의 양 미만일 때, r_NOX를 제 5 보상값으로 결정하는 단계를 수행할 수 있다. 미리 결정된 기준 질소 산화물은 미리 정해진 시간동안 측정된 질소 산화물의 양의 평균치일 수 있다. 위에서 설명한 바와 같이 본 개시의 물질의 양은 해당 물질의 질량, 또는 전체 중 해당 물질의 몰농도 또는 질량농도를 의미할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 질소 산화물의 양이 기준 질소 산화물의 양 이상이고 미리 결정된 허용 질소 산화물의 양 미만일 때, r_NOX를 제 6 보상값으로 결정하는 단계를 수행할 수 있다. 허용 질소 산화물의 양은 미리 정해진 값일 수 있다. 예를 들어, 허용 질소 산화물의 양은 30.0pmm이상 42.5ppm이하의 값을 가질 수 있다. 소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 질소 산화물의 양이 허용 질소 산화물의 양 이상일 때, r_NOX를 제 7 보상값으로 결정하는 단계를 수행할 수 있다.
제 5 보상값 내지 제 7 보상값은 미리정해진 값일 수 있다. 제 5 보상값은 양수이고, 제 6 보상값 및 제 7 보상값은 음수일 수 있다. 또한, 제 5 보상값 및 제 6 보상값의 절대값은 제 7 보상값의 절대값보다 작을 수 있다. 또한, 기준 질소 산화물의 양은 허용 질소 산화물의 양보다 작거나 같도록 결정될 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 일산화탄소의 양이 미리 결정된 기준 일산화탄소의 양 미만일 때, r_CO를 제 8 보상값으로 결정하는 단계를 수행할 수 있다. 미리 결정된 기준 일산화탄소의 양은 미리 정해진 시간동안 측정된 일산화탄소의 양의 평균치일 수 있다. 위에서 설명한 바와 같이 본 개시의 물질의 양은 해당 물질의 질량, 또는 전체 중 해당 물질의 몰농도 또는 질량농도를 의미할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 일산화탄소의 양이 기준 일산화탄소의 양 이상이고 미리 결정된 허용 일산화탄소의 양 미만일 때, r_CO를 제 9 보상값으로 결정하는 단계를 수행할 수 있다. 허용 일산화탄소의 양은 미리 결정된 값일 수 있다. 예를 들어, 허용 일산화탄소의 양은 35pmm이상 45ppm이하의 값을 가질 수 있다. 서버(100)는 제 k+1 학습 상태 정보(1230)에 포함된 학습 일산화탄소의 양이 허용 일산화탄소의 양의 이상일 때, r_CO를 제 10 보상값으로 결정하는 단계를 수행할 수 있다.
제 8 보상값 내지 제 10 보상값은 미리 결정된 값일 수 있다. 제 8 보상값은 양수이고, 제 9 보상값 및 제 10 보상값은 음수일 수 있다. 제 8 보상값 및 제 9 보상값의 절대값은 제 10 보상값의 절대값보다 작을 수 있다. 기준 일산화탄소의 양은 허용 일산화탄소의 양보다 작거나 같게 결정될 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 염화수소의 양이 미리 결정된 기준 염화수소의 양 미만일 때, r_HCL를 제 11 보상값으로 결정하는 단계를 수행할 수 있다. 미리 결정된 기준 염화수소의 양은 미리 정해진 시간동안 측정된 염화수소의 양의 평균치일 수 있다. 위에서 설명한 바와 같이 본 개시의 물질의 양은 해당 물질의 질량, 또는 전체 중 해당 물질의 몰농도 또는 질량농도를 의미할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 염화수소의 양이 기준 염산염화수소의 양 이상이고 미리 결정된 허용 염화수소의 양 미만일 때, r_HCL를 제 12 보상값으로 결정하는 단계를 결정할 수 있다. 허용 염화수소의 양은 미리 결정된 값일 수 있다. 예를 들어, 허용 염화수소의 양은 8.0pmm이상 9.6ppm이하의 값을 가질 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 염화수소의 양이 허용 염화수소의 양 이상일 때, r_HCL를 제 13 보상값으로 결정하는 단계를 수행할 수 있다.
제 11 보상값 내지 제 13 보상값은 미리 결정된 값일 수 있다. 제 11 보상값은 양수이고, 제 12 보상값 및 제 13 보상값은 음수일 수 있다. 제 11 보상값 및 제 12 보상값의 절대값은 제 13 보상값의 절대값보다 작을 수 있다. 또한, 기준 염화수소의 양은 허용 염화수소의 양보다 작거나 같을 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 황산화물의 양이 미리 결정된 기준 황산화물의 양 미만일 때, r_SOX를 제 14 보상값으로 결정하는 단계를 수행할 수 있다. 미리 결정된 기준 황산화물의 양은 미리 정해진 시간동안 측정된 황산화물의 양의 평균치일 수 있다. 위에서 설명한 바와 같이 본 개시의 물질의 양은 해당 물질의 질량, 또는 전체 중 해당 물질의 몰농도 또는 질량농도를 의미할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 황산화물의 양이 기준 황산화물의 양 이상이고 미리 결정된 허용 황산화물의 양 미만일 때, r_SOX를 제 15 보상값으로 결정하는 단계를 수행할 수 있다. 예를 들어, 허용 황산화물의 양은 15pmm이상 16ppm이하의 값을 가질 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 황산화물의 양이 허용 황산화물의 양 이상일 때, r_SOX를 제 16 보상값으로 결정하는 단계를 수행할 수 있다. 제 14 보상값 내지 제 16 보상값은 미리 결정된 값일 수 있다. 제 14 보상값은 양수이고, 제 15 보상값 및 제 16 보상값은 음수일 수 있다. 제 14 보상값 및 제 15 보상값의 절대값은 제 16 보상값의 절대값보다 작을 수 있다. 기준 황산화물의 양은 허용 황산화물의 양보다 작거나 같을 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 먼지의 양이 미리 결정된 기준 먼지의 양 미만일 때, r_Dust를 제 17 보상값으로 결정하는 단계를 수행할 수 있다. 미리 결정된 기준 먼지의 양은 미리 정해진 시간동안 측정된 먼지의 양의 평균치일 수 있다. 위에서 설명한 바와 같이 본 개시의 물질의 양은 해당 물질의 질량, 또는 전체 중 해당 물질의 몰농도 또는 질량농도를 의미할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 먼지의 양이 기준 먼지의 양 이상이고 미리 결정된 허용 먼지의 양 미만일 때, r_Dust를 제 18 보상값으로 결정하는 단계를 수행할 수 있다. 예를 들어, 허용 먼지의 양은 10mg/Sm^3이상 12mg/Sm^3이하의 값을 가질 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보에 포함된 학습 먼지의 양이 허용 먼지의 양 이상일 때, r_Dust를 제 19 보상값으로 결정하는 단계를 수행할 수 있다.
제 17 보상값 내지 제 19 보상값은 미리 결정된 값일 수 있다. 제 17 보상값은 양수이고, 제 18 보상값 및 제 19 보상값은 음수일 수 있다. 제 17 보상값 및 제 18 보상값의 절대값은 제 19 보상값의 절대값보다 작을 수 있다. 또한, 기준 먼지의 양은 허용 먼지의 양보다 작거나 같을 수 있다.
소각로 제어 시스템(300)은 제 k 서브 보상을 결정하는 단계를 수행할 때, 다음과 같은 과정을 더 수행할 수 있다.
소각로 제어 시스템(300)은 제 k+1 학습 상태 정보(1230)에 포함된 학습 폐기물의 양 및 미리 결정된 기준 폐기물의 양에 기초하여 보상값(r_waste)을 결정할 수 있다. 또한, 소각로 제어 시스템(300)은 학습 폐기물의 양 및 미리 결정된 기준 폐기물의 양의 차이가 클 수록 벌점을 부여할 수 있다. 예를 들어, 소각로 제어 시스템(300)은 단위 시간당 투입 폐기물의 양과 기준 폐기물의 양과의 차분의 절대값에 대해 미리 정해진 상수를 곱하여 r_waste를 결정할 수 있다.
r_waste = - a * |기준 폐기물의 양 - 단위 시간당 투입 폐기물의 양|
여기서 미리 정해진 상수(a)는 양의 실수일 수 있다. 폐기물의 양은 해당 물질의 질량, 무게, 부피 또는 밀도를 의미할 수 있다. 또한, 여기서 단위 시간당 투입 폐기물의 양은 단위 시간당 상기 폐기물의 질량 정보를 의미할 수 있다. 상기 폐기물의 질량 정보는 운전상태정보에 포함될 수 있다. 상기 폐기물의 질량 정보에 대해서는 이미 설명하였으므로 중복되는 설명은 생략한다. 폐기물의 양은 시간당 질량, 무게, 부피 또는 밀도를 의미할 수 있다. 기준 폐기물의 양은 미리 결정된 값일 수 있다. 예를 들어 기준 폐기물의 양은 시간당 5톤 이하 시간당 4톤 이상일 수 있다. 하지만 이에 한정되는 것은 아니며, 소각로에 따라 기준 폐기물의 양은 다르게 결정될 수 있다. 또한 기준 폐기물의 양은 사용자의 입력에 기초하여 변경될 수 있다.
서버(100)는 상술한 바와 같이 결정된 r_temp, r_NOX, r_CO, r_HCL, r_SOX, r_Dust, 및 r_waste을 결정하여 제 k 서브 보상을 결정할 수 있다. 또한 서버(100)는 제 k 서브 보상 내지 제 k+a 서브 보상을 이용하여 제 k 보상을 결정할 수 있다. 서버(100)는 제 k 보상이 최대가 되도록 정책 정보를 업데이트하여 소각로제어강화학습모델을 생성할 수 있다.
본 개시의 소각로 제어 시스템은 소각로제어강화학습모델에 의하여 예측된 운전제어정보를 생성할 수 있다. 또한, 사용자가 예측된 운전제어정보에 기초하여 운전제어정보를 결정하는데 도움을 줄 수 있다. 또한, 소각로 제어 시스템은 소각로제어강화학습모델에 기초한 예측된 운전제어정보에 기초하여 소각로를 자동으로 제어할 수도 있다. 따라서 소각로 제어 시스템은 소각로 사용자가 숙련자가 아니더라도 소각로를 최적의 상태로 유지시키도록 도울 수 있다.
이제까지 다양한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.
한편, 상술한 본 발명의 실시예들은 컴퓨터에서 실행될 수 있는 프로그램으로 작성가능하고, 컴퓨터로 읽을 수 있는 기록매체를 이용하여 상기 프로그램을 동작시키는 범용 디지털 컴퓨터에서 구현될 수 있다. 상기 컴퓨터로 읽을 수 있는 기록매체는 마그네틱 저장매체(예를 들면, 롬, 플로피 디스크, 하드디스크 등), 광학적 판독 매체(예를 들면, 시디롬, 디브이디 등)와 같은 저장매체를 포함한다.
Claims (11)
- 센서부, 운전제어장치 및 서버를 포함하고, 기계학습을 이용하여 소각로를 제어하는 소각로 제어 시스템의 동작 방법에 있어서,
상기 운전제어장치가 센서부로부터 미리 정해진 분석시간 동안의 운전상태정보를 획득하는 단계;
상기 운전제어장치가 메모리로부터 상기 분석시간 동안의 운전설정정보를 획득하는 단계;
상기 운전상태정보 및 상기 운전설정정보에 기초하여 현재 시각과 직전 시각 사이의 차분 정보를 획득하는 단계;
상기 운전상태정보 및 상기 운전설정정보에 기초하여 상기 분석시간 동안의 추세 정보를 획득하는 단계; 및
상기 운전상태정보, 상기 운전설정정보, 상기 차분 정보 및 상기 추세 정보 중 적어도 하나를 상기 서버로부터 수신한 운전자모사기계학습모델에 적용하여 예측된 운전제어정보를 획득하는 단계를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 운전상태정보는,
폐기물의 질량 정보, 공급유량 정보, 송풍유량 정보, 압력 정보, 저장 탱크에 대한 정보, 온도 정보, 습도정보, 배기가스에 대한 정보 중 적어도 하나를 포함하고,
상기 폐기물의 질량 정보는 소각로에서 현재 소각되고 있는 폐기물의 폐기물 투입 시점, 투입 폐기물 무게, 투입 폐기물의 미리 정해진 발열량, 투입 폐기물의 미리 정해진 발열커브, 및 소각로에 투입된 폐기물의 질량정보 중 적어도 하나를 포함하고,
상기 공급유량 정보는 요소수, 암모니아수, 암모니아가스, 희석수, 소석회, 수산화마그네슘, 소각로내 물 분사량, 탈기기 급수, 냉각수 급수, 절탄기 급수, 증기유량 또는 보일러 급수 중 적어도 하나를 소각로에 공급하는 양과 관련되고,
상기 송풍유량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환기 중 적어도 하나의 송풍유량나타내고,
상기 압력 정보는 소각로 내의 압력, 보일러 내의 압력, 냉각수 수관 내의 압력, 보일러 수관 내의 압력, 암모니아 탱크내의 압력 보일러 드럼 내의 압력 또는 증기 압력 중 적어도 하나와 관련되고,
상기 저장 탱크에 대한 정보는 보일러 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크 중 적어도 하나의 채워진 정도와 관련되고,
상기 온도 정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 탈기기 입구, 탈기기 출구, 보일러 급수 온도, 증기온도, 절탄기 입구, 절탄기 출구, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 폐기물 보관 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기온도 중 적어도 하나의 온도와 관련되고,
상기 습도정보는 소각로 내부, 소각로 출구, 소각로 건조단 상부, 보일러 입구, 보일러 출구, 선택적비촉매환원장치 입구, 선택적비촉매환원장치 출구, 반건식세정탑 입구, 반건식반응탑 출구, 원심력집진시설(싸이클론) 입구, 원심력집진시설(싸이클론) 출구, 여과집진시설(백필터) 입구, 여과집진시설(백필터) 출구, 세정탑 입구, 세정탑 출구, 선택적촉매환원장치 입구, 선택적촉매환원장치 출구, 연돌 배출, 용수 급수탱크, 공정수 저장탱크, 가성소다 공급탱크, 소석회 슬러리 저장탱크, 요소수 저장탱크, 암모니아 저장탱크, 경유 저장조, 세정수 저장조, 폐수저장조, 공정수 저장조, 시수 저장소, 또는 수산화 마그네슘 탱크, 대기, 창고, 호퍼부, 1차 공기 공급, 2차 공기 공급, 또는 배기가스재순환 입구 또는 배기가스재순환 출구, 소각로 시설 대기습도 중 적어도 하나의 습도와 관련되고,
상기 배기가스에 대한 정보는 상기 소각로에서 배출되는 염화수소(HCL), 질소 산화물(NOX), 황산화물(SOX), 먼지, 일산화탄소(CO), 또는 산소(O2) 중 적어도 하나의 양에 대한 정보, 온도, 압력, 습도, 및 유량 중 적어도 하나에 대한 정보를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 운전설정정보는 송풍기 송풍량 정보, 푸셔에 대한 정보, 송풍 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 약품투입량 정보, 소각효율을 향상시키기 위한 약품투입량 정보, 또는 폐기물 투입설정 정보 중 적어도 하나를 포함하고,
상기 송풍기 송풍량 정보는 압입송풍기, 유인송풍기 또는 배기가스 재순환 송풍기의 송풍량을 나타내고, 또한 송풍량은 송풍기와 연결된 전기 모터 인버터의 출력 주파수를 나타내고,
상기 푸셔에 대한 정보는 램푸셔, 건조단 스토커, 연소단 스토커, 또는 후연소단 스토커에 포함된 푸셔의 동작 주기 또는 푸셔의 동작 횟수를 나타내고,
폐기물 투입설정 정보는 폐기물 투입 시점, 투입 폐기물 무게, 및 투입 폐기물의 미리 정해진 발열커브 중 적어도 하나를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 예측된 운전제어정보는,
예측된 폐기물 투입 여부 정보, 예측된 유인송풍기의 송풍량, 예측된 압입 송풍기의 송풍량, 예측된 배기가스 재순환기 송풍기 송풍량, 예측된 송풍기 댐퍼의 개도율 정보, 대기오염물질을 저감하기 위한 예측된 약품투입량, 소각효율을 향상시키기 위한 예측된 약품투입량 또는 예측된 푸셔의 동작 정보 중 하나를 포함하고,
상기 예측된 폐기물 투입 여부 정보는 폐기물을 투입할지 여부를 나타내고,
상기 예측된 유인송풍기의 송풍량은 유인송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며,
상기 예측된 압입송풍기의 송풍량은 상기 압입송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며,
상기 예측된 배기가스 재순환 송풍기의 송풍량은 상기 배기가스 재순환 송풍기와 연결된 전기 모터 인버터의 예측 출력 주파수를 정보를 포함하며,
상기 예측된 송풍기 댐퍼의 개도율 정보는 상기 유인송풍기, 상기 압입송풍기, 상기 배기가스 재순환 송풍기의 출구 중 적어도 하나에 설치된 댐퍼의 예측된 개도율을 나타내며,
상기 대기오염물질을 저감하기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기 및 투입양 중 적어도 하나를 포함하며,
상기 소각효율을 향상시키기 위한 예측된 약품투입량 정보는 투입 약품의 종류, 투입시기 및 투입양 중 적어도 하나를 포함하며,
상기 예측된 푸셔의 동작 정보는 상기 푸셔가 폐기물을 미는 주기 및 푸셔의 운전(on/off) 여부 중 적어도 하나를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 4 항에 있어서,
상기 예측된 운전제어정보에 기초하여 상기 운전제어장치가 소각로를 제어하는 단계; 및
상기 예측된 폐기물 투입 여부 정보, 상기 예측된 유인송풍기의 송풍량 정보, 상기 예측된 압입송풍기의 송풍량 정보, 상기 예측된 배기가스 재순환기 송풍기 송풍량 정보, 상기 예측된 송풍기 댐퍼의 개도율 정보, 또는 상기 예측된 푸셔의 동작 정보 중 적어도 하나를 표시하는 단계를 더 포함하는 소각로 제어 시스템의 동작 방법.
- 제 5 항에 있어서,
상기 예측된 운전제어정보는 예측된 폐기물 투입 여부 정보를 나타내고,
상기 예측된 운전제어정보에 기초하여 상기 운전제어장치가 소각로를 제어하는 단계는,
상기 예측된 폐기물 투입 여부 정보가 폐기물의 투입을 나타내는 경우, 상기 운전제어장치는 폐기물을 투입하는 단계; 및
상기 예측된 폐기물 투입 여부 정보가 폐기물의 미투입을 나타내는 경우, 상기 운전제어장치는 폐기물을 투입하지 않는 단계를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 차분 정보를 획득하는 단계는,
기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계;
상기 복수의 학습 운전상태정보 및 상기 복수의 운전설정정보에 기초하여 시스템 주기에 따른 상기 현재 시각의 운전상태정보, 상기 현재 시각의 운전설정정보, 상기 직전 시각의 운전상태정보, 및 상기 직전 시각의 운전설정정보를 획득하는 단계; 및
상기 현재 시각의 운전상태정보 및 상기 현재 시각의 운전설정정보 중 하나에서 상기 직전 시각의 운전상태정보 및 상기 직전 시각의 운전설정정보 중 하나를 차분하여 상기 차분 정보를 획득하는 단계를 포함하고,
상기 현재 시각과 상기 직전 시각의 차이는 상기 시스템 주기인 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 추세 정보는 상기 분석시간 동안의 매 시스템 주기마다 상기 운전상태정보 및 상기 운전설정정보 중 하나의 변화량 정보 및 변화방향 정보를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 8 항에 있어서,
상기 추세 정보를 획득하는 단계는,
기본 샘플링 주기로 복수의 학습 운전상태정보 및 복수의 운전설정정보를 획득하는 단계;
상기 복수의 학습 운전상태정보 및 상기 복수의 운전설정정보에 기초하여 시스템 주기에 따른 제 n 시각의 운전상태정보, 상기 제 n 시각의 운전설정정보, 제 n-1 시각의 운전상태정보, 및 상기 제 n-1 시각의 운전설정정보를 획득하는 단계;
상기 제 n 시각의 운전상태정보 및 상기 제 n 시각의 운전설정정보 중 하나에서 상기 제 n-1 시각의 운전상태정보 및 상기 제 n-1 시각의 운전설정정보 중 하나를 차분하여 복수의 차분 정보를 획득하는 단계; 및
상기 복수의 차분 정보의 추세 정보로 획득하는 단계를 포함하고,
상기 제 n 시각과 상기 제 n-1 시각의 차이는 상기 시스템 주기이고,
상기 복수의 차분 정보의 크기가 상기 변화량 정보에 대응되고 상기 복수의 차분 정보의 부호가 상기 변화방향 정보에 대응하는 소각로 제어 시스템의 동작 방법.
- 제 1 항에 있어서,
상기 서버가 미리 수집된 학습데이터베이스로부터 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 및 복수의 운전제어정보를 획득하는 단계;
상기 서버가 상기 복수의 학습 운전상태정보 및 상기 복수의 학습 운전설정정보에 기초하여 복수의 과거 차분 정보 및 복수의 과거 추세 정보를 획득하는 단계;
상기 서버가 상기 복수의 학습 운전상태정보, 상기 복수의 학습 운전설정정보, 상기 복수의 과거 차분 정보, 및 상기 복수의 과거 추세 정보 중 적어도 하나에 대한 상기 복수의 운전제어정보의 인과관계를 기계학습하여 상기 운전자모사기계학습모델을 생성하는 단계; 및
상기 운전자모사기계학습모델을 상기 운전제어장치로 송신하는 단계를 포함하는 소각로 제어 시스템의 동작 방법.
- 제 10 항에 있어서,
상기 복수의 학습 운전상태정보, 복수의 학습 운전설정정보, 및 복수의 운전제어정보를 획득하는 단계는,
후보 학습 운전상태정보, 후보 학습 운전설정정보, 및 후보 운전제어정보를 획득하는 단계;
상기 후보 학습 운전상태정보, 상기 후보 학습 운전설정정보, 및 상기 후보 운전제어정보에 대응되는 미리 정해진 시간 이후의 운전상태정보를 획득하는 단계;
상기 미리 정해진 시간 이후의 운전상태 정보에 기초하여 숙련도 정보를 획득하는 단계; 및
상기 숙련도 정보가 미리 정해진 임계보상값 이상인 경우, 상기 후보 운전제어정보를 상기 복수의 운전제어정보 중 하나로 결정하는 단계 포함하는 소각로 제어 시스템의 동작 방법.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220049923A KR20230151124A (ko) | 2022-04-22 | 2022-04-22 | 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052175A KR20230151412A (ko) | 2022-04-22 | 2022-04-27 | 인공지능을 이용하여 운전상태정보를 예측하는 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052177A KR20230151413A (ko) | 2022-04-22 | 2022-04-27 | 강화학습을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
| PCT/KR2023/005439 WO2023204656A1 (ko) | 2022-04-22 | 2023-04-21 | 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220049923A KR20230151124A (ko) | 2022-04-22 | 2022-04-22 | 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220052175A Division KR20230151412A (ko) | 2022-04-22 | 2022-04-27 | 인공지능을 이용하여 운전상태정보를 예측하는 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052177A Division KR20230151413A (ko) | 2022-04-22 | 2022-04-27 | 강화학습을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20230151124A true KR20230151124A (ko) | 2023-11-01 |
Family
ID=88420275
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220049923A KR20230151124A (ko) | 2022-04-22 | 2022-04-22 | 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052177A KR20230151413A (ko) | 2022-04-22 | 2022-04-27 | 강화학습을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052175A KR20230151412A (ko) | 2022-04-22 | 2022-04-27 | 인공지능을 이용하여 운전상태정보를 예측하는 소각로 제어 시스템 및 시스템의 동작 방법 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220052177A KR20230151413A (ko) | 2022-04-22 | 2022-04-27 | 강화학습을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 |
| KR1020220052175A KR20230151412A (ko) | 2022-04-22 | 2022-04-27 | 인공지능을 이용하여 운전상태정보를 예측하는 소각로 제어 시스템 및 시스템의 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (3) | KR20230151124A (ko) |
| WO (1) | WO2023204656A1 (ko) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4188859B2 (ja) * | 2004-03-05 | 2008-12-03 | 株式会社荏原製作所 | 廃棄物処理プラント設備の運転制御方法及び運転制御装置 |
| US20080015826A1 (en) * | 2004-09-20 | 2008-01-17 | Jean-Christophe Ealet | Method And Device Of Predictive Assessment Of Thermal Load For Solid Waste Incineration Plants |
| JP6907151B2 (ja) * | 2018-04-27 | 2021-07-21 | 株式会社荏原製作所 | 燃焼炉の燃焼状態の推定方法、燃焼炉の燃焼制御方法、および燃焼炉の燃焼制御装置 |
| JP7443683B2 (ja) * | 2019-07-02 | 2024-03-06 | Ｊｆｅエンジニアリング株式会社 | 自動燃焼制御方法および監視センタ |
| KR102524977B1 (ko) * | 2020-10-13 | 2023-04-26 | 한국기계연구원 | 연소변동성 억제를 통한 소각로 질소산화물 제어방법 및 장치 |
-
2022
- 2022-04-22 KR KR1020220049923A patent/KR20230151124A/ko unknown
- 2022-04-27 KR KR1020220052177A patent/KR20230151413A/ko unknown
- 2022-04-27 KR KR1020220052175A patent/KR20230151412A/ko unknown
-
2023
- 2023-04-21 WO PCT/KR2023/005439 patent/WO2023204656A1/ko unknown
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230151413A (ko) | 2023-11-01 |
| KR20230151412A (ko) | 2023-11-01 |
| WO2023204656A1 (ko) | 2023-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Optimizing combustion of coal fired boilers for reducing NOx emission using Gaussian Process | |
| KR102271070B1 (ko) | 혼탄조합 결정 방법 및 장치 | |
| Kalogirou | Artificial intelligence for the modeling and control of combustion processes: a review | |
| Krzywanski et al. | Artificial intelligence treatment of SO 2 emissions from CFBC in air and oxygen-enriched conditions | |
| KR101480130B1 (ko) | 열정산 및 설계프로그램과 운전원(Ｏｐｅｒａｔｅｒ)의 운전형태 분석을 통한 소각시설과 고형 연료보일러의 진단과 제어 및 설비생애주기관리 시스템 및 방법 | |
| US8644961B2 (en) | Model based control and estimation of mercury emissions | |
| KR102271069B1 (ko) | 석탄화력발전소 보일러의 상태 예측 모델 생성 방법 및 장치 | |
| Liukkonen et al. | Dynamic soft sensors for NOx emissions in a circulating fluidized bed boiler | |
| EP1921280A2 (en) | Systems and methods for multi-level optimizing control systems for boilers | |
| US20100049561A1 (en) | Fluidized bed combustion optimization tool and method thereof | |
| WO2020228215A1 (zh) | 基于多层特征选择的固废焚烧过程二噁英排放浓度软测量方法 | |
| US20060121616A1 (en) | Method and system for increasing efficiency of FGD operation in fossil fuel boilers | |
| CN105278567A (zh) | 基于模糊控制的垃圾焚烧烟气净化控制方法及*** | |
| CN112464544A (zh) | 一种城市固废焚烧过程二噁英排放浓度预测模型构建方法 | |
| Dal Pozzo et al. | Economic and environmental benefits by improved process control strategies in HCl removal from waste-to-energy flue gas | |
| CN116688754A (zh) | 船舶烟气脱硫自动控制***及其方法 | |
| Gu et al. | Optimized scheme in coal-fired boiler combustion based on information entropy and modified K-prototypes algorithm | |
| Stehlik | Up-to-date waste-to-energy approach: from idea to industrial application | |
| KR20230151124A (ko) | 인공지능을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 | |
| KR102666088B1 (ko) | 인공지능을 이용한 소각로제어장치 및 장치의 동작 방법 | |
| Li et al. | Neural networks and genetic algorithms can support human supervisory control to reduce fossil fuel power plant emissions | |
| Chongwatpol et al. | Applying analytics in the energy industry: A case study of heat rate and opacity prediction in a coal-fired power plant | |
| US20150301535A1 (en) | System for optimizing air balance and excess air for a combustion process | |
| KR20240045669A (ko) | 시계열 예측 모델을 이용한 소각로 제어 시스템 및 시스템의 동작 방법 | |
| Xie et al. | Selective catalytic reduction system ammonia injection control based on deep deterministic policy reinforcement learning |