1. 서 론
2. 선행 연구 사례
3. 시멘트 예열ㆍ소성 공정 프로세스
4. 공정 데이터 분석
4.1. 데이터 전처리
4.2. 주요 공정 변수의 인과ㆍ상관관계
5. 예 측
6. 설명가능 인공지능
7. 제 어
8. 결 과
8.1. 예측 결과
8.2. 제어 결과
9. 결론 및 고찰
1. 서 론
시멘트 생산공정은 전 세계적으로 많은 양의 탄소 배출을 야기한다. 2021년 발표된 자료에 따르면 2019년 한 해 동안 시멘트 및 콘크리트의 생산, 운송, 사용 및 철거 과정에서 탄산염 분해, 연료 연소 및 전기 사용 등으로 인해 발생하는 이산화탄소 발생량이 전 세계 에너지 관련 CO2 배출량의 약 9~10%를 차지하며, 이 중에서 시멘트 생산 과정에서 발생하는 이산화탄소 배출량이 약 77%에 해당한다1). 특히 예열 및 소성공정은 시멘트 생산 과정에서 시멘트 반제품인 클링커를 생산하는 중요한 공정이며, 주요 탄소 배출원이다. 예열 및 소성 공정은 시멘트의 주원료인 석회석을 예열실과 소성로에서 최고 1500°C까지 고온 가열하여 원료를 탈탄산(CaCO3 → CaO + CO2↑)한다. 이때 고온의 열을 발생시키기 위해 주로 화석연료(유연탄)를 연소시키고 탄소가 배출되기 때문에 시멘트 제조공정 중 탄소 배출량이 가장 많다.
그 중, 예열 공정은 예열실을 적정 온도로 유지하고 원료를 충분히 예열하기 위해 과도한 화석 연료(유연탄)의 투입량 제어가 많은 탄소 배출량을 야기한다. 이전 연구들에서 계산된 바로는, 예열 공정에서 생산된 시멘트 1톤당 약 900kg의 CO2가 배출되어 전 세계에서 인위적으로 발생하는 CO2의 약 5~6%를 배출하며, 지구 온난화의 약 4%를 차지한다2,3).
그러나, 최근 지구 온난화 문제로 인해, 시멘트 제조 공정의 많은 탄소 배출량과 화석 연료 사용량 등이 문제가 되고 있다. 따라서, 시멘트 산업은 생산 과정에서 발생하는 환경 오염 문제를 해결하기 위해 많은 노력과 시도들을 해오고 있다. 한양대학교 친환경건축기술연구소에서는 시멘트 산업의 환경 부하를 감소시키는 방법의 하나로 무기계 건설폐기물을 이용한 환경부하 저감형 재생시멘트의 개발 가능성과 이에 따른 환경부하 저감 효과에 대해 소개하고 있다. 환경부하 저감형 시멘트는 석회석 사용량을 기존 대비 9% 절감하고 부원료를 무기계 건설폐기물로 100% 대체하여 6대 환경영향 지표(ADP, GWP, POCP, ODP, AP, EP)를 각각 29.32%, 27.73%, 15.66%, 13.48%, 11.30%, 10.49% 절감하는 효과를 달성하였다. 특히, 이산화탄소가 다량 배출되는 석회석의 사용이 절감되어 GWP 지표가 27.73% 절감되었다4).
특히, 시멘트 산업의 탄소 배출 저감 과제에 대한 해결책으로 폐기물 유래 연료(RDF, Refuse-Derived Fuel)와 같은 대체연료(AF, Alternative Fuel)가 화석 연료의 대안으로 떠오르고 있다. RDF 외에도 폐플라스틱류, 폐고무류, 재생유(Reclaimed Oil) 등 다양한 연료가 시멘트 예열공정에 사용되고 있으며, 이들을 통칭하여 대체연료라 부른다. 시멘트 예열 공정 내에서의 대체연료의 사용은 재생 불가능한 화석 연료를 보존하고 탄소 배출을 크게 억제하는 것과 같은 상당한 환경적 이점들을 가져올 수 있다. 뿐만 아니라 질소산화물(NOx) 발생량 저감에도 기여할 수 있다5). 또한, 일반적으로 외국에서 수입을 통해 수급해야 하고, 세계 경제에 따라 가격 변동이 있는 연료용 유연탄과는 달리, 상대적으로 수급이 안정적이며 폐기물 처리 비용을 받고 사용할 수 있기 때문에 경제적으로도 시멘트 생산기업에 이득이 될 수 있다. Lim et al.6)은 환경 오염을 완화하기 위해 플라스틱 폐기물을 재생에너지 자원으로 분류하고 재활용하는 최적 전략을 제안하였다. Huh et al.7)은 대한민국 시멘트 생산 기업의 대체연료 사용량이 유연탄 가격이 상승할수록 증가하며, 대체연료 사용량이 증가함에 따라 이산화탄소 배출량이 감소함을 연구하였다.
이에 따라, 최근 전 세계적으로 시멘트 생산 공정에서 대체연료를 많이 사용하고자 하는 추세가 형성되고 있으며, 많은 국내외 시멘트 생산업체들 또한 시멘트 예열실과 소성로에서 대량의 폐플라스틱을 고온 연소하는 기술과 설비를 개발하여 예열실의 대체연료 사용량이 증가하고 있다. 보조연소장치를 시멘트 예열기 및 소성로와 연결하여 폐플라스틱을 연소하여 시멘트 예열 및 소성공정의 보조 에너지원으로 사용하는 기술을 개발하고 적용하고 있다8).
하지만, 이러한 대체연료는 타이어, 도시 고형 폐기물(MSW, Municipal Solid Waste)과 같은 폐기물 자원에서 파생되기 때문에 수분, 탄소 등의 성분을 무작위로 포함하고 있고, 그 열량을 추정하기가 어렵다. 동일한 폐기물 공급업체로부터 공급받은 대체 연료이더라도 연소 특성(열량) 변화로 인해 예열실 온도가 크게 변화할 수 있으며, 이는 결과적으로 예열 공정에서 대체연료를 사용함으로써 안정적인 온도를 유지하며 제어하는 데 어려움을 야기하고 있다.
한국시멘트협회 자원순환센터에서 조사한 국가별 시멘트 산업 순환자원 재활용 현황에 따르면, Fig. 1과 같이 현재까지 국내 시멘트 공장의 가연성 폐기물에 대한 유연탄 대체율은 독일 등 다른 선진국보다 여전히 낮다9). 국내와 달리 일본, 미국, 유럽 등 선진국에서는 20~30년 전부터 시멘트 소성로를 활용하여 순환자원 재활용 기술을 실용화하고 있으며, 특히 독일에서는 시멘트 소성로에 사용되는 전체 연료의 69%를 순환자원을 재활용하여 높은 대체율을 달성하고 있다.
2. 선행 연구 사례
이전까지 국내 시멘트 산업은 예열실 온도를 효과적으로 제어하기 위해 비례 적분 미분(PID, Proportional-Integral-Derivative) 제어10)와 퍼지(fuzzy) 제어 시스템11)과 같은 전통적인 제조 공정 제어 시스템을 중심으로 발전해 왔다. 그러나 대체연료의 불안정한 열량으로 인해 공정 조건이 더욱 복잡해지면서 시간 지연과 비선형성 등의 문제를 처리하고 제어하는 데 제한적이라는 단점이 있다.
이러한 PID의 단점을 인식한 시멘트 산업은 모델 예측 제어(MPC, Model Predictive Control)를 기반으로 예열실 온도를 제어할 방안을 연구했다. Ramasamy12)은 유전알고리즘을 사용하여 MPC의 파라미터를 적절하게 조정하고 예열실 온도를 제어하는 데 사용하였다. 하지만 MPC는 예측 모델에 종속적이라는 단점이 있다. 예측 모델의 정확도에 따라 제어 결과의 신뢰성이 달라진다. 시멘트 제조공정과 같은 복잡하고 기민한 공정에서 예측 결과의 부정확성이 제어 성능 또한 저하시킬 수 있다.
일반적으로 PID 혹은 MPC 기반의 제어 접근 방법은 RDF의 특성을 고려하지 않고 현재 예열실 온도에 대응하는 정도에 그치기 때문에, RDF의 도입 이후 더욱 복잡해진 시멘트 예열실 내부 열역학 문제를 이해하고 RDF의 사용량을 증대시키는 제어 시스템을 개발하기 어렵다. 이러한 문제를 해결하는 한 방법으로 심층 신경망(DNN, Deep Neural Network)을 활용하는 방법이 있다. 심층 신경망 기반의 예측 제어 모델은 복잡한 공정 변수 간 관계를 파악하고 예열실 온도를 예측하여 미래에 변화하는 예열실 온도에 대해 사전 대응하는 접근 방안으로 활용될 수 있다. 심층 신경망은 강력한 패턴 인식 기능을 갖춘 것이 특징이며, 특히 시멘트 제조공정 시스템의 비선형성 및 시간 지연 문제와 관련하여 PID, MPC와 같은 전통적인 기존 제어 방법의 고질적인 문제를 해결할 수 있다. 최근 인공지능과 딥러닝의 발전에 따라 시멘트 예열ㆍ소성 공정에 심층 신경망을 적용시키는 사례 또한 증가하고 있다. 독일의 S사(지멘스)는 예열실 온도를 정확하게 예측해서 소성 공정 전체를 안정적으로 제어하고 연료 소비 및 탄소 배출량을 저감하기 위해 인공지능 기반 제어 알고리즘을 개발하였다13). Sun et al.14)은 시간 지연, 비선형성 등 복잡한 예열 공정을 예측 및 제어하기 위해 딥러닝(CGA-ARX, CNN-GRU-Attention-ARX) 기반 예측 모델을 사용하여 예열실 온도를 예측하고, 예측값을 활용하여 ISSA(Intrinsic Self-Supervised Architecture)를 기반으로 한 제어 전략을 도출하였다.
그러나 심층 신경망의 복잡한 구조는 예측 정확도를 향상시키는 데에는 도움이 되지만, 본질적으로 신경망 내부의 복잡한 구조를 알 수 없는 “블랙박스(Black-Box)” 현상을 초래한다. 따라서 예측 결과의 원인을 알 수 없고 제조 공정 제어 시에 문제가 된다. 예를 들어, 예열실 온도가 상승할 것으로 예측하였지만 그 원인을 파악하지 못하여 적절한 대처 방안을 제시할 수 없다. 따라서 실제 시멘트 생산 현장에서 예열실을 제어하는 운전원의 예측 및 제어 시스템에 대한 신뢰성을 떨어뜨리고 사용성에 영향을 줄 수 있다.
따라서, 본 연구에서는 심층 신경망을 기반으로 미래의 예열실 온도를 사전에 예측하고, 설명가능 인공지능(XAI, Explainable AI)을 활용하여 예측 결과에 대한 적절한 연료 투입량을 제안하는 예열실 온도 예측 및 제어 시스템을 개발하였다. 솔루션의 개발을 통해 예열실의 대체연료 사용량을 증대시키고 안정적으로 예열실 온도를 제어하고자 한다.
본 연구에서 제안하는 심층 신경망은 실제 제조 공정 데이터를 기반으로 개발되었기 때문에 국내 시멘트 산업의 실정에 맞는 예측 및 제어를 제안할 수 있다. 또한 심층 신경망의 비교적 정확한 예측 결과에 대한 근거를 설명가능 인공지능이 투명하게 제공하고 제어에 활용할 수 있다. 이는 대체연료 사용으로 인해 발생하는 예열실 운영 문제에 대한 해결방안을 제공할 뿐만 아니라 국내 시멘트 생산업계의 지속 가능성 및 효율성 향상에도 기여할 수 있다.
3. 시멘트 예열ㆍ소성 공정 프로세스
시멘트 제조공정은 크게 Fig. 2와 같은 순서로 진행된다. 석회석 광산에서 채광된 대형 석회석은 두 차례의 조쇄 과정을 거치며 약 60~80mm 크기로 분쇄된다. 분쇄된 석회석은 점토, 규석, 철광석 등의 다른 원료 성분들과 함께 혼합된 후 약 80mm 이하의 크기로 미분쇄된다. 최종적으로 만들어진 분진 형태의 조합원료는 예열실에서 약 900°C 이상의 고온의 기체와 만나 예열된다. 예열된 원료는 긴 원통형의 소성로를 지나면서 1500°C 이상의 초고온의 상태에서 다시 한번 더 가열되고 이때 시멘트 반제품인 클링커가 생산된다. 완성된 클링커는 후속 공정을 위해 쿨러에서 100°C 이하로 급랭 되고, 석고와 혼합 및 분쇄되어 시멘트 완제품으로 거듭나게 된다.
Fig. 3에서 예열실의 내부 구조를 상세히 기술하였다. 예열실은 여러 단의 사이클론으로 이루어져 있고 하소로(Calciner)와 소성로 상단에 위치해있다. 예열실 최상단 사이클론에 원료를 투입하면 하소로와 소성로에서부터 상승하는 뜨거운 공기를 만나 예열된다.
예열실 하단에서 원료를 탈탄산하고 이를 킬른으로 전달하기 때문에, 예열실 온도는 예열 및 소성공정 성능에 영향을 미치는 중요한 변수이다. 예열실의 온도가 너무 높을 경우 사이클론 내에서 과도한 탈탄산 반응으로 인해 점성이 생긴 원료가 예열실 내부 파이프의 막힘 현상을 초래하고, 클링커 생산량 대비 에너지 소모량이 증가하여 연료 낭비가 발생한다. 반대로, 예열실 온도가 너무 낮을 경우, 원료 예열이 충분히 이루어지지 않아 열효율 및 생산성이 하락하고 소성공정에 문제가 발생한다. 소성공정은 제어하기가 까다롭고 생산된 시멘트의 품질과 직결되어 있기 때문에 예열실의 온도를 적절하게 유지하는 것은 생산된 시멘트의 품질을 보장하는 데 있어 중요한 문제이다.
4. 공정 데이터 분석
본 연구에서는 국내의 시멘트 생산 기업에서 현재 운영하고 있는 예열 및 소성 공정 데이터를 수집 및 활용하였다.
생산 현장 운전원들과의 인터뷰를 통해 예열 공정에 대한 도메인 지식을 얻고 각 공정 변수의 특징을 이해할 수 있었으며, 수집된 데이터는 예열실의 다양한 공정 변수들 간의 상호작용을 분석하고, 미래의 공정 상황을 예측하는 데 활용되었다. 현재 활발히 운영되고 있는 예열실에서 측정된 데이터를 수집하였기 때문에 예열 공정 내부의 다양한 요인 인자들을 포함하고 있으며, 효율적인 제조 공정 개선에 대한 중요한 통찰력을 제공하였다.
4.1. 데이터 전처리
수집한 공정 데이터를 모델 학습에 활용하기에 앞서, 공정 변수에 대한 도메인 지식을 기반으로 각 변수의 특징을 고려하여 데이터 잡음(Noise)과 이상치(Outlier) 등을 판별하고 처리하였다. 데이터 잡음이란, 여러 요인으로 인해 발생하는 데이터의 불규칙성을 의미한다. 특히 제조 공정 데이터는 센서의 물리적인 오류로 인해 잘못 측정이 되거나 공정 내외의 환경 변화와 같은 문제에서 기인하는 잡음이 많다는 특징이 있다. 잡음과 이상치는 예측 모델 성능 개선의 방해 요인이 될 수 있기 때문에 제거, 대체, 변형 등의 전처리 과정이 필요하다.
예열 공정 데이터 중 배출가스의 산소, CO 농도 데이터는 대표적으로 잡음이 많이 발생하는 데이터이다. 배출가스의 산소, CO 농도 데이터는 가스 분석기 설비를 통해 측정되는데, 설비 특성상 먼지가 많이 발생하기 때문에 설비 내부의 먼지를 청소하기 위해 산소를 주입하는 과정에서 산소와 CO 농도가 급격히 증가한다. 설비 청소를 위해 짧은 시간 동안 산소를 주입하여 예열실 온도 변화에 영향을 미치지 않으므로 이로 인해 발생하는 잡음은 모두 제거하고 사용하였다.
4.2. 주요 공정 변수의 인과ㆍ상관관계
예열 공정에서 발생하는 배출가스의 주요 성분 중 NOx 발생량 또한 전처리 대상이 되는 데이터이다. NOx는 높은 온도에서 연소하는 과정에서 발생하는 대기오염물질이므로 NOx 발생량이 많을수록 NOx를 제거하기 위해 요소수 투입량을 증가시키기 때문에, NOx 발생량과 요소수 투입량 데이터는 서로 비례관계여야 한다. 하지만 전처리하지 않은 데이터의 경우, Fig. 4(a)와 같이 시각적으로 두 변수 사이의 유사한 패턴을 관찰하기 어렵고, Fig. 5(a)와 같이 산점도를 그렸을 때 두 변수 사이의 상관관계가 뚜렷하게 표현되지 않는다. 또한 식 (1)에 따라 피어슨 상관계수(Pearson Correlation Coefficient)를 계산하였을 때 약 0.58로, 상대적으로 약한 양의 상관계수가 계산된다. 반면 NOx 발생량과 요소수 투입량 데이터의 잡음을 제거한 후 비교하였을 때, Fig. 4(b)와 같이 시간의 흐름에 따라 동시에 상승하거나 하강하는 패턴을 관찰할 수 있으며, Fig. 5(b)와 같이 우상향하는 모양의 산점도가 그려지며 0.70의 높은 양의 상관계수를 얻을 수 있었다.
5. 예 측
본 연구에서는 시멘트 제조 공정에 대한 현장 조사와 데이터분석을 통해 예열실 온도는 소성 공정의 상태에 영향을 미치는 주요 제어 변수라는 사실과 예열실 온도를 예측하기 위해 고려해야 하는 주요 공정 변수와 상관관계를 파악할 수 있었다.
이를 바탕으로 Fig. 6과 같이 시간 순서에 따라 내부 변수 및 상호 변수에 대한 종속성을 고려하여 예열실 온도를 예측하는 심층 신경망 모델을 구축하였다. 심층 신경망 모델은 원하는 시간대의 하위 패턴과 강한 상호 의존성을 동시에 갖는 변수를 고려하도록 설계되었다. 예를 들어, Fig. 7과 같이 예열실 온도와 유연탄 투입량 데이터를 시각화하면, 4t/h으로 유지되고 있던 예열실 유연탄 투입량이 57번째 시점에서 큰 폭으로 감소하였고, 감소한 유연탄 투입량의 영향을 받아 62번째 시점에서 예열실 온도가 약 925°C에서 875°C로 하강하였다. 따라서 심층 신경망 모델은 과거 시간대의 예열실 유연탄 투입량과 현재 예열실 온도가 서로 강한 상호 의존성을 갖는다는 점을 고려하여 예열실 온도를 예측할 수 있다.
6. 설명가능 인공지능
설명가능 인공지능이란 심층 신경망 모델과 같은 인공지능 예측 모델이 결정한 예측 결과를 사람이 이해하고 신뢰할 수 있도록 만드는 기술이다. 설명가능 인공지능의 주요 목표는 심층 신경망 모델이 어떻게 작동되었는지, 어떠한 입력 변수들이 예측 결과에 얼만큼의 영향을 미쳤는지에 대해서 설명하는 것이다. 최근 연구되고 있는 다양한 설명 가능한 기술 중, 대표적인 알고리즘으로 Saliency Map과 LRP(Layer-wise Relevance Propagation)가 있다. Saliency Map은 심층 신경망의 역전파 과정에서 구해지는 가중치를 활용하여 입력 변수에 중점을 두는 설명을 제공하는 반면, LRP는 심층 신경망의 은닉층에 중점을 두고 조사하여 해당 예측 모델이 각 입력변수에 대해 어떻게 반응하는지 설명한다.
본 연구에서는 공정 도메인 지식을 기반으로 위 두 가지 알고리즘 외, 다양한 설명가능 인공지능을 구현 및 개발하여 적용하였고, 그 결과, Fig. 8과 같이 주요 공정변수들에 대해 각 설명가능 인공지능 알고리즘이 계산한 변수의 중요도를 막대그래프로 시각화하고 설명할 수 있었다. 값이 1에 가까울수록 해당 변수의 중요도가 높음을 의미하며 해당 그래프를 통해 제안된 예측 모델이 미래 예열실 온도를 예측한 근거가 도메인 지식과 일치함을 알 수 있다. 예를 들어, AF가 완전 연소되는 경우, AF의 투입량의 증감에 따라 예열실 온도 또한 상승 또는 하락하고, 불완전 연소 상태를 의미하는 배출가스 중 CO 농도가 감소한다. 따라서 심층 신경망 모델이 AF가 완전 연소한 경우의 데이터를 학습하고 예열실 온도를 예측할 때는 Fig. 8(a)과 같이 배출가스 중 CO 농도보다 AF의 투입량을 상대적으로 더 중요하게 고려하였음을 보여준다. 반면 AF가 불완전 연소되는 경우, AF 투입량의 증감과 관계없이 예열실 온도가 변화하며, 배출가스 중 CO 농도가 증가한다. 또한 불완전 연소하는 AF 대신 예열실 유연탄 투입량으로 예열실 온도를 제어한다. 따라서 대체연료가 잘 연소되지 않거나 열량이 낮은 경우 예열실 온도는 Fig. 8(b)과 같이 유연탄 투입량과 배출가스 중 CO 발생량으로부터 더 큰 영향을 받는다는 것을 보여준다.
7. 제 어
본 연구에서 개발된 심층 신경망의 예열실 온도 예측 모델과 설명가능 인공지능 모델의 결과에 따라 예열실 유연탄 투입량을 제어하는 인공지능 기반 연료 투입량 제어 모델을 설계하였다. 또한 개발된 예측 및 제어 모델을 실제 예열 공정 현장에 적용하기 위해 자동화된 연료 공급 제어 시스템(이하 ‘인공지능 기반 자동 제어 시스템’)을 구축하였다. 인공지능 기반 자동 제어 시스템은 제공하는 기능에 따라 여러 단계로 나뉠 수 있는데, 이번 실험에서는 예열실에 투입되는 유연탄 연료만을 제어하도록 개발되었다.
Fig. 9는 인공지능 기반 자동 제어 시스템의 적용 여부에 따라 예열실 온도, 유연탄, AF 투입량을 비교한 그래프이다. 18일 오전 10시 15분부터 18일 오전 11시까지 본 연구에서 개발한 인공지능 기반 자동 제어 시스템을 적용하여 자동 운전하였고, 18일 오전 11시부터 오전 11시 49분까지 현장 운전원이 직접 운전하였다. 자동 운전 기간 직후의 현장 운전 데이터를 대조군으로 설정하여 비교적 동일한 공정 상태에서 온도 제어 결과를 비교하고자 하였다. 본 연구에서 제안하는 인공지능 기반 자동 제어 시스템을 적용한 경우, Fig. 9(a)와 같이 예열실 온도가 적정 범위 이내에서 유지되었으며, Fig. 9(b), (c)와 같이 AF 투입량을 최대로 유지한 상태에서 유연탄 투입량만을 제어하여 AF의 사용률을 높일 수 있었다. 반면 현장 운전원이 직접 운전한 경우, Fig. 9(a)의 예열실 온도 그래프가 11시 3분부터 적정 온도 범위를 초과하였으며 Fig. 9(b)의 유연탄 투입량을 사전에 감소시키지 못하여 Fig. 9(c)와 같이 AF 투입량을 감소시켜 온도를 적정 범위로 회복시킬 수 있었다. 인공지능 기반 자동 제어 시스템은 미래 예열실 온도의 변화를 예측하여 적정 온도 범위를 벗어나기 이전에 유연탄 투입량을 제어하기 때문에 온도가 변동하는 폭이 감소하였으며, 일관된 온도 유지로 인해 클링커 품질을 균일화할 수 있었다.
8. 결 과
본 연구에서 제안한 예측 모델과 이를 기반으로 한 연료 공급 자동 제어 시스템의 성능을 평가하기 위해 여러 차례 현장 적용 실험을 수행하였다. 그 결과 미래 예열실 온도를 예측한 결과는 실제 측정값과 비교했을 때 매우 높은 정확도를 보였으며, 제안된 제어 모델은 장기간 현장 실정과 공정 지식에 부합하는 적절한 연료 투입량 제어를 안정적으로 수행할 수 있음을 확인하였다.
8.1. 예측 결과
앞서 개발된 예측 모델의 성능을 비교판단 하기 위해 제조 공정 데이터와 같은 시계열 데이터에 특화된 여러 가지 예측 모델을 대조군으로 선정하여 미래 예열실 온도에 대한 예측 성능을 확인하였다. 그 결과, Fig. 10과 같이 MLP, CNN-1D 모델은 예열실 온도의 평균값을 크게 벗어나지 못하며 대략 890~900°C 사이의 예측값을 계산하였으며, LSTM, N-HiTS 모델의 예측값 범위는 약 880~910°C로, 상대적으로 예열실 온도의 변화를 예측하는 모습을 많이 볼 수 있었다. 대조군으로 선정된 예측 모델 중 TFT(Temporal Fusion Transformer) 모델은 실제 예열실 온도 변화와 가장 유사한 예측 결과를 보였으나, 예열실 온도가 적정 온도 범위 이상 상승하고 하강하는 것처럼 급변하는 경우 제안된 예측 모델(Ours)이 예열실 온도 패턴을 포착하는 데 뛰어남을 볼 수 있었다. 따라서 제안된 예측 모델이 미래의 예열실 온도가 얼마나 상승하거나 하강할 것인지에 대해 가장 정확도 높은 예측을 제공할 수 있음을 알 수 있었다. 이는 곧 다음에서 제시하는 제어 모델이 예측 모델이 제시한 미래 예열실 온도에 대하여 현재 최적의 연료투입량을 제시할 수 있도록 한다.
8.2. 제어 결과
본 연구에서는 자동화 시스템을 통해 실제 시멘트 제조 공장에서 장기간 예측, 제어 모델 적용 테스트를 수행하였으며 각 테스트 차수별 AI 자동운전 적용 여부에 따른 성과를 비교 분석하였다. 비교적 동일한 공정 상태에서 성과 비교를 하기 위해 자동화 시스템을 적용한 구간 직전, 직후의 현장 운전 구간을 대조군으로 삼았다. 그 결과, Fig. 11(a)과 같이 1, 4차시를 제외한 모든 테스트에서 예열실 온도의 편차가 감소하였고, 1, 4차시 테스트에서도 현장 운전 구간과 비교했을 때 비교적 유사한 온도 편차를 유지하였다. 또한 Fig. 11(c)과 같이 AF 투입량은 비교적 동일하게 유지하였으며, Fig. 11(b)과 같이 5차시를 제외한 모든 테스트에서 유연탄 투입량이 감소하였다. 예열실 온도의 표준편차를 약 35%, 화석 연료 사용량을 약 5% 절감하는 성과를 거두었다.
이번 AI 자동운전 테스트에서는 대체연료를 직접 제어하지는 않았지만, 대체연료 투입량을 최대로 유지한 상태에서 예열실 온도를 적정 범위 이내로 낮춤으로써 유연탄 사용량을 감소시킨 데에 그 의의가 있다. 따라서 AF 투입량을 단순 비교하지 않고 현재 예열 공정에서 필요로 하는 전체 열량 중 대체연료의 열량이 차지하는 비율을 지표로 사용하였다. 식 (2)에 따라 유연탄, AF 등 예열 공정에 투입되는 모든 연료로 인해 발생하는 전체 열량 중 대체연료를 연소시켜 발생하는 열량이 차지하는 정도를 계산하였다. 그 결과, 현장 적용 테스트 중 AF 대체율을 약 49%를 달성하였으며 Fig. 1과 같이 최근 국내 AF 대체율이 35%인 점을 고려하였을 때 인공지능 기반 자동 제어 시스템을 통해 향상된 결과를 얻을 수 있었다.
9. 결론 및 고찰
최근 시멘트 산업은 시멘트 생산 과정에서 발생하는 탄소 배출을 줄이기 위해 대체연료 사용량을 증가시키면서, 대체연료 열량의 불안정성을 해결하고 안정적인 공정 운영을 유지하기 위한 해결 방법을 찾고 있다. 본 연구는 이에 대한 해결 방안으로, 예측 모델을 기반으로 대체연료를 사용하는 예열실 온도를 제어하는 새로운 접근 방식을 제안한다. 본 연구에서 제안하는 예측 모델은 인공지능을 기반으로 실제 제조 공정 지식을 학습하여 복잡한 공정 내부 화학 반응에도 높은 정확도의 예측을 수행할 수 있다. 또한 실제 제조 공정 운영에 적용한 실험 결과를 통해 대체연료 사용으로 인해 변화하는 예열실 온도의 동적 특성을 처리하는 데 있어 탁월한 성능을 보여준다. 뿐만 아니라, 미래 예열실 온도 예측 결과에 대해 공정 운영 지식 기반의 설명가능 인공지능을 활용하여 사전에 적절한 연료투입량 제어를 가능하게 하였다.
하지만, 실제 공정에서 장기간 테스트를 진행하면서 다른 소성 공정 요인들이 예열실 온도 제어에 영향을 미치는 경우가 많았다. 이러한 상황에서는 다양한 공정 요인들을 추가로 반영한 예측 및 제어 모델의 고도화가 필요함을 확인하였다. 특히 킬른 내부 소성 상태에 따라 예열실 온도 예측과 제어에 영향을 미친다는 것을 알게 되었다. 킬른 내부의 연료투입량이나 온도, 탈탄산된 원료의 액화 과정에서 발생하는 열 등이 예열실 하단 온도에도 영향을 미치며, 킬른 내부 소성 상태에서 기인하는 온도의 변동성으로 인해 예열실 온도 예측에 어려움을 야기했다. 또한, 킬른 내부 소성 상태가 좋지 않으면, 킬른을 회전시키는 데 사용되는 전력량이 낮아지고, 예열실 온도를 좀 더 높게 제어해야 한다.
향후 연구에서는 예열실과 소성로의 연관관계에 대한 깊은 연구를 통해 킬른 온도를 예측하여 예열실 온도 예측 정확도를 고도화하고 킬른 모터 전력량을 예측하여 예열 소성 공정 전반의 최적화를 이루는 데 목적을 두었으며, 환경적인 요인까지 고려하여 NOx 배출 저감을 위한 연소공정 최적화 방법을 개발할 수 있도록 시스템을 확장할 예정이다. 최종적으로 만들어진 시스템은 실제 시멘트 생산 공정에 적용되어 탄소 배출을 줄이고 환경오염을 방지하는 데 기여할 것으로 기대된다.
