特開 2025-19030 産業工程の予測および制御システムを具現するための電子装置およびその制御方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2025019030

(43)【公開日】2025-02-06

(54)【発明の名称】産業工程の予測および制御システムを具現するための電子装置およびその制御方法

(51)【国際特許分類】

   C04B 7/44 20060101AFI20250130BHJP

   F23N 1/00 20060101ALI20250130BHJP

【ＦＩ】

C04B7/44

F23N1/00 115Z

【審査請求】有

【請求項の数】15

【出願形態】ＯＬ

(21)【出願番号】P 2024120381

(22)【出願日】2024-07-25

(31)【優先権主張番号】10-2023-0096477

(32)【優先日】2023-07-25

(33)【優先権主張国・地域又は機関】KR

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＨＤＭＩ

(71)【出願人】

【識別番号】524158151

【氏名又は名称】インイージ カンパニー リミテッド

(74)【代理人】

【識別番号】110003801

【氏名又は名称】ＫＥＹ弁理士法人

(72)【発明者】

【氏名】バーサンオチル バルジンニャム

(72)【発明者】

【氏名】イ イェリム

(72)【発明者】

【氏名】ユ ボソン

【テーマコード（参考）】

3K068

4G112

【Ｆターム（参考）】

3K068GA03

3K068HA01

4G112KA03

(57)【要約】      （修正有）

【課題】温度予測及び制御システムを具現する電子装置及びその制御方法を提供する。
【解決手段】電子装置１００は、通信インターフェースと、第１の学習された神経網モデル及び第２の学習された神経網モデルが保存されたメモリと、通信インターフェースを介してセメント製造装置の投入燃料情報を含む工程情報を受信し、前処理を行った工程情報を第２の学習された神経網モデルに入力して第１の学習された神経網モデルが出力した第１予測温度情報及びセメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得し、取得した誤差情報及び投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別し、識別した予測熱量情報に基づいてアップデートした投入燃料情報を第１の学習された神経網モデルに入力して第１予熱室の第２予測温度情報を取得し、取得した第２予測温度情報を含むガイド情報を提供する１つ以上のプロセッサと、を含む。
【選択図】図２

【特許請求の範囲】

【請求項1】

温度予測および制御システムを具現するための電子装置であって、
通信インターフェースと；
第１の学習された神経網モデルおよび第２の学習された神経網モデルが保存されたメモリと；
前記通信インターフェースを介してセメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行い、
前記前処理が行われた工程情報を前記第２の学習された神経網モデルに入力し、前記第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得し、
前記取得した誤差情報および前記投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別し、
前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得し、
前記取得した第２予測温度情報を含むガイド情報を提供する１つ以上のプロセッサと；を含む、電子装置。

【請求項2】

前記第１の学習された神経網モデルは、
前記第１再生燃料を含む異なるタイプの投入燃料それぞれに対応する投入量に関する情報および投入燃料それぞれに対応する熱量情報を含む投入燃料情報が入力されると、前記第１予熱室の予測温度情報を出力するように学習され、
前記第２の学習された神経網モデルは、
前記投入燃料情報および工程状態情報を含む前記前処理が行われた工程情報が入力されると、前記第１の学習された神経網モデルから出力された前記予測温度情報および前記第１予熱室の測定温度情報に関する誤差情報を出力するように学習される、請求項１に記載の電子装置。

【請求項3】

ユーザインタフェース；をさらに含み、
前記投入燃料情報は、
前記第１再生燃料、メイン燃料、および補助燃料のうち少なくとも１つを含む異なるタイプの投入燃料それぞれに対応する投入量に関する情報および投入燃料それぞれに対応する熱量情報を含み、
前記１つ以上のプロセッサは、
前記ユーザインタフェースを介して前記セメント製造装置内の第１予熱室のターゲット温度値を受信し、
前記取得した第２予測温度情報および前記受信されたターゲット温度値に基づいて、前記第１予熱室の温度値が前記ターゲット温度値に到達するための前記異なるタイプの投入燃料それぞれに対応する投入量を識別し、
前記識別された投入量に対応するガイド情報を取得し、
前記取得したガイド情報が含まれたＵＩを提供する、請求項１に記載の電子装置。

【請求項4】

前記１つ以上のプロセッサは、
前記投入燃料情報に含まれた投入燃料それぞれに対応する投入量が変更されたサブ投入燃料情報を識別し、
前記サブ投入燃料情報を前記第１の学習された神経網モデルに入力し、第２サブ予測温度情報を取得し、
前記取得した第２予測温度情報および前記第２サブ予測温度情報を用いて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を取得し、
前記取得したガイダンス情報を含むガイド情報を提供する、請求項３に記載の電子装置。

【請求項5】

前記前処理が行われた工程情報は、
前記第１予熱室の温度履歴情報および前記投入燃料の履歴情報を含み、
前記１つ以上のプロセッサは、
前記受信された第１予熱室の温度履歴情報、前記投入燃料の履歴情報、および前記取得した第２予測温度情報が含まれたＵＩを提供する、請求項３に記載の電子装置。

【請求項6】

前記１つ以上のプロセッサは、
前記取得した誤差情報および前記投入燃料情報に含まれた前記第１再生燃料の投入量に関する情報に基づいて前記第１再生燃料の予測熱量情報を識別する、請求項１に記載の電子装置。

【請求項7】

ユーザインタフェース；をさらに含み、
前記１つ以上のプロセッサは、
前記ユーザインタフェースを介して前記取得したガイド情報に対応するユーザ入力が受信されると、前記受信されたユーザ入力に対応する制御情報を識別し、
前記通信インターフェースを介して前記識別された制御情報を制御エンジン（Ｅｎｇｉｎｅ）に伝送する、請求項１に記載の電子装置。

【請求項8】

温度予測および制御システムを具現するための電子装置の制御方法であって、
セメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行う段階と；
前記前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得する段階と；
前記取得した誤差情報および前記投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別する段階と；
前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得する段階と；
前記取得した第２予測温度情報を含むガイド情報を提供する段階と；を含む、制御方法。

【請求項9】

前記第１の学習された神経網モデルは、
前記第１再生燃料を含む異なるタイプの投入燃料それぞれに対応する投入量に関する情報および投入燃料それぞれに対応する熱量情報を含む投入燃料情報が入力されると、前記第１予熱室の予測温度情報を出力するように学習され、
前記第２の学習された神経網モデルは、
前記投入燃料情報および工程状態情報を含む前記前処理が行われた工程情報が入力されると、前記第１の学習された神経網モデルから出力された前記予測温度情報および前記第１予熱室の測定温度情報に関する誤差情報を出力するように学習される、請求項８に記載の制御方法。

【請求項10】

前記投入燃料情報は、
前記第１再生燃料、メイン燃料、および補助燃料のうち少なくとも１つを含む異なるタイプの投入燃料それぞれに対応する投入量に関する情報および投入燃料それぞれに対応する熱量情報を含み、
前記ガイド情報を提供する段階は、
前記セメント製造装置内の第１予熱室のターゲット温度値を受信する段階と；
前記取得した第２予測温度情報および前記受信されたターゲット温度値に基づいて、前記第１予熱室の温度値が前記ターゲット温度値に到達するための前記異なるタイプの投入燃料それぞれに対応する投入量を識別する段階と；
前記識別された投入量に対応するガイド情報を取得する段階と；をさらに含み、
前記制御方法は、
前記取得したガイド情報が含まれたＵＩを提供する段階；をさらに含む、請求項８に記載の制御方法。

【請求項11】

前記ガイド情報を取得する段階は、
前記投入燃料情報に含まれた投入燃料それぞれに対応する投入量が変更されたサブ投入燃料情報を識別する段階と；
前記サブ投入燃料情報を前記第１の学習された神経網モデルに入力し、第２サブ予測温度情報を取得する段階と；
前記取得した第２予測温度情報および前記第２サブ予測温度情報を用いて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を取得する段階と；
前記取得したガイダンス情報を含むガイド情報を提供する段階と；をさらに含む、請求項１０に記載の制御方法。

【請求項12】

前記前処理が行われた工程情報は、
前記第１予熱室の温度履歴情報および前記投入燃料の履歴情報を含み、
前記ＵＩを提供する段階は、
前記受信された第１予熱室の温度履歴情報、前記投入燃料の履歴情報、および前記取得した第２予測温度情報が含まれたＵＩを提供する、請求項１０に記載の制御方法。

【請求項13】

前記予測熱量情報を識別する段階は、
前記取得した誤差情報および前記投入燃料情報に含まれた前記第１再生燃料の投入量に関する情報に基づいて前記第１再生燃料の予測熱量情報を識別する、請求項８に記載の制御方法。

【請求項14】

前記取得したガイド情報に対応するユーザ入力が受信されると、前記受信されたユーザ入力に対応する制御情報を識別する段階と；
前記識別された制御情報を制御エンジン（Ｅｎｇｉｎｅ）に伝送する段階と；をさらに含む、請求項８に記載の制御方法。

【請求項15】

温度予測および制御システムを具現するための電子装置のプロセッサによって実行される場合、前記電子装置が動作を行うようにするコンピュータ命令を保存する非一時的なコンピュータ可読記録媒体であって、前記動作は、
セメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行う段階と；
前記前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得する段階と；
前記取得した誤差情報および前記投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別する段階と；
前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得する段階と；
前記取得した第２予測温度情報を含むガイド情報を提供する段階と；を含む、コンピュータ可読記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、産業工程の予測および制御システムを具現するための電子装置およびその制御方法に関する。より詳細には、学習された神経網モデルを用いて再生燃料の熱量およびセメント製造装置内の予熱室の温度を予測し、これに基づいてセメントの投入燃料を制御する電子装置およびその制御方法に関する。

【背景技術】

【0002】

最近、産業工程で電力および石炭消費のような指標を最適化することによって、環境に優しい工程を目指して炭素排出を削減し、不要なエネルギー消費を減らすための技術開発が行われている。

【0003】

なお、セメント工程の場合、投入される燃料の特性上、炭素排出を削減し、不要なエネルギー消費を減らすための必要性がさらに強調される。セメント工程は、セメント原料である石灰石を掘る採鉱工程、採鉱した石灰石塊を粗砕する粗砕工程、品質のばらつきを減らすために粗砕された石灰石を混合する混合工程、混合した石灰石を天然資源（例えば、粘土、珪石、鉄鉱石など）または循環資源（石炭灰、スラグ、鋳物砂、脱硫石膏など）と共に粉末状に細かく砕く原料粉砕工程、原料貯蔵所から供給された微細な粉末原料が予熱室に投入され、焼成過程に必要な酸化カルシウムを生成する予熱工程、生成された酸化カルシウムを既定の温度で加熱させて化学反応を通じてクリンカー（ｃｌｉｎｋｅｒ）を製造する焼成工程、製造されたクリンカーを冷却させる冷却工程、およびクリンカーに石膏を添加し、さらに細かく砕いてセメントを完成する粉砕過程で構成されている。

【0004】

特に、予熱工程および焼成工程の場合、それぞれセメント製造装置に含まれた予熱室および焼成炉で当該工程が行われるが、良質のクリンカーを製造するために、予熱室は、適正工程温度を維持しなければならない。温度が適正工程温度に比べて低い場合、化学反応がよく起こらず、温度が適正工程温度に比べて高い場合、不要な燃料消耗と大気汚染ガス排出が増加する恐れがあるためである。これによって、適正工程温度を維持する方法が必要である。

【0005】

なお、炭素排出を減らすために、再生燃料（例えば、廃棄合成樹脂）を用いてセメントが生成される工程の開発が活発になっている。再生燃料を用いる場合、再生燃料の成分は、一定でなく、水分含有量などの要因により発熱量が変わるという問題がある。これによって、再生燃料の熱量を識別しにくく、これは、適正工程温度を維持するのに困難を与える。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】韓国公開特許第１０－２０２２－０１４７０２８号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

本開示は、前述した問題点を解決するためのものであって、学習された神経網モデルを用いて再生燃料の熱量を予測し、予測した再生燃料の熱量を用いて予熱室の温度を予測し、予測した温度に基づいてユーザに適正工程温度を維持するためのガイド情報を提供する電子装置およびその制御方法を提供することにある。

【課題を解決するための手段】

【0008】

本開示の一実施形態による温度予測および制御システムを具現するための電子装置は、通信インターフェースと、第１の学習された神経網モデルおよび第２の学習された神経網モデルが保存されたメモリと、前記通信インターフェースを介してセメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行う１つ以上のプロセッサと、を含んでもよい。

【0009】

前記１つ以上のプロセッサは、前記前処理が行われた工程情報を前記第２の学習された神経網モデルに入力し、前記第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得することができる。

【0010】

前記１つ以上のプロセッサは、前記取得した誤差情報および前記投入燃料情報に基づいて前記投入燃料のうち第１再生燃料の予測熱量情報を識別することができる。

【0011】

前記１つ以上のプロセッサは、前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得することができる。

【0012】

前記１つ以上のプロセッサは、前記取得した第２予測温度情報を含むガイド情報を提供することができる。

【0013】

本開示の一実施形態による温度予測および制御システムを具現するための電子装置の制御方法は、セメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行う段階を含んでもよい。

【0014】

前記制御方法は、前記前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得する段階を含んでもよい。

【0015】

前記制御方法は、前記取得した誤差情報および前記投入燃料情報に基づいて前記投入燃料のうち第１再生燃料の予測熱量情報を識別する段階を含んでもよい。

【0016】

前記制御方法は、前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得する段階を含んでもよい。

【0017】

前記制御方法は、前記取得した第２予測温度情報を含むガイド情報を提供する段階を含んでもよい。

【0018】

本開示の一実施形態による非一時的なコンピュータ可読記録媒体は、温度予測および制御システムを具現するための電子装置のプロセッサによって実行される場合、前記電子装置が動作を行うようにするコンピュータ命令を保存し、前記動作は、セメント製造装置の投入燃料情報を含む工程情報が受信されると、前記受信された工程情報の前処理を行う段階を含んでもよい。

【0019】

前記動作は、前記前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報および前記セメント製造装置内の第１予熱室の測定温度に関する誤差情報を取得する段階を含んでもよい。

【0020】

前記動作は、前記取得した誤差情報および前記投入燃料情報に基づいて前記投入燃料のうち第１再生燃料の予測熱量情報を識別する段階を含んでもよい。

【0021】

前記動作は、前記識別された予測熱量情報に基づいてアップデートされた投入燃料情報を前記第１の学習された神経網モデルに入力し、前記第１予熱室の第２予測温度情報を取得する段階を含んでもよい。

【0022】

前記動作は、前記取得した第２予測温度情報を含むガイド情報を提供する段階を含んでもよい。

【発明の効果】

【0023】

本開示によれば、製造工程に対するデータに基づいて学習を行った人工知能モデルを用いて炭素排出を削減できる再生燃料の熱量を予測し、予測した再生燃料の熱量を用いて予熱室の温度を正確に予測することができる。本開示によれば、正確に予測された温度に基づいてユーザに適正工程温度を維持するためのガイド情報を提供することができる。

【図面の簡単な説明】

【0024】

【図1】一実施形態による電子装置の制御方法を概略的に説明するための図である。

【図2】一実施形態による電子装置の構成を示すブロック図である。

【図3】一実施形態による電子装置の制御方法を説明するためのフローチャートである。

【図4】一実施形態による第１の学習された神経網モデルおよびその学習方法を説明するための図である。

【図5】一実施形態による第２の学習された神経網モデルおよびその学習方法を説明するための図である。

【図6】一実施形態によるガイド情報を提供する方法を説明するための図である。

【図7】一実施形態によるガイド情報を取得して提供する方法を説明するための図である。

【図8a】一実施形態によるＵＩ提供方法を説明するための図である。

【図8b】同上。

【図9a】一実施形態によるＵＩ提供方法を説明するための図である。

【図9b】同上。

【図9c】同上。

【図10】一実施形態による制御情報を識別して制御エンジンに伝送する方法を説明するための図である。

【図11】一実施形態による電子装置の細部構成を示すブロック図である。

【発明を実施するための形態】

【0025】

以下では、添付の図面を参照して本開示を詳細に説明する。

【0026】

本明細書において使用される用語について簡略に説明し、本開示について具体的に説明する。

【0027】

本開示の実施形態において使用される用語は、本開示における機能を考慮して可能な限り現在広く使用される一般的な用語を選択したが、これは、当該分野に従事する技術者の意図または判例、新しい技術の出現などによって変わることができる。また、特定の場合は、出願人が任意に選定した用語もあり、この場合、該当する開示の説明部分で詳細にその意味を記載する。したがって、本開示において使用される用語は、単純な用語の名称でなく、当該用語が有する意味と本開示の全般にわたった内容に基づいて定義すべきである。

【0028】

本明細書において、「有する」、「有してもよい」、「含む」または「含んでもよい」などの表現は、当該特徴（例：数値、機能、動作、または部品などの構成要素）の存在を指し、追加的な特徴の存在を排除しない。

【0029】

Ａまたは／およびＢのうち少なくとも１つという表現は、「Ａ」または「Ｂ」または「ＡおよびＢ」のうちいずれか１つを示すものと理解すべきである。

【0030】

本明細書において使用された「第１」、「第２」、「一番目」または「二番目」などの表現は、様々な構成要素を、順序および／または重要度に関係なく修飾することができ、一つの構成要素を他の構成要素と区分するために使用されるだけであり、当該構成要素を限定しない。

【0031】

任意の構成要素（例：第１構成要素）が他の構成要素（例：第２構成要素）に「（機能的にまたは通信的に）連結（（ｏｐｅｒａｔｉｖｅｌｙ ｏｒ ｃｏｍｍｕｎｉｃａｔｉｖｅｌｙ） ｃｏｕｐｌｅｄ ｗｉｔｈ／ｔｏ）」されるか、「接続（ｃｏｎｎｅｃｔｅｄ ｔｏ）」されると言及されたときには、任意の構成要素が他の構成要素に直接に連結されたり、他の構成要素（例：第３構成要素）を介して連結されたりしてもよいと理解すべきである。

【0032】

単数の表現は、文脈上明白に相違に意味しない限り、複数の表現を含む。本出願において、「含む」または「構成される」などの用語は、明細書上に記載された特徴、数字、段階、動作、構成要素、部品またはこれらを組み合わせたものが存在することを指定しようとするものであり、１つまたはそれ以上の他の特徴や数字、段階、動作、構成要素、部品またはこれらを組み合わせたものの存在または付加可能性をあらかじめ排除しないものと理解すべきである。

【0033】

本開示において「モジュール」あるいは「部」は、少なくとも１つの機能や動作を行い、ハードウェアまたはソフトウェアで具現されたり、ハードウェアとソフトウェアの結合で具現されたりしてもよい。また、複数の「モジュール」あるいは複数の「部」は、特定のハードウェアで具現される必要がある「モジュール」あるいは「部」を除いては、少なくとも１つのモジュールに一体化して少なくとも１つのプロセッサ（不図示）で具現されてもよい。

【0034】

本開示の一実施形態による電子装置は、少なくとも１つの神経網レイヤーで構成される人工知能モデル（または人工神経網モデルまたは学習ネットワークモデル）を含んでもよい。人工神経網は、ディープニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を含んでもよいし、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＲＢＭ（Ｒｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ）、ＤＢＮ（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋ）、ＢＲＤＮＮ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｃｕｒｒｅｎｔ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、またはディープＱ－ネットワーク（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋｓ）などがあるが、前述した例に限定されない。

【0035】

また、本明細書において「パラメーター」は、ニューラルネットワークを成す各レイヤーの演算過程で用いられる値であり、例えば、入力値を所定の演算式に適用するときに用いられる加重値を含んでもよい。また、パラメーターは、マトリックス形態で表現され得る。パラメーターは、訓練の結果として設定される値であり、必要に応じて別途の訓練データ（ｔｒａｉｎｉｎｇ ｄａｔａ）を介して更新することができる。

【0036】

図１は、一実施形態による電子装置の制御方法を概略的に説明するための図である。

【0037】

図１を参照すると、まず、一実施形態により、セメント製造装置１に含まれた焼成炉で焼成工程が行われる。セメント工程が成功的に行われるためには、焼成工程が行われる焼成炉の温度が既定の範囲（一実施形態により、１５００℃～２０００℃）内でなければならない。セメント製造装置１は、複数個の予熱室を含んでもよい。これらのうち、パイロローターおよび焼成炉と連結された第１予熱室１０の温度も、既定の範囲内である場合、効率的な工程が行われ得る。

【0038】

なお、セメント製造装置１は、複数個の燃料投入口を含んでもよい。一例により、セメント製造装置には、補助燃料投入口、メイン燃料投入口、および再生燃料投入口２０を含んでもよい。セメント製造装置１に再生燃料が投入されることによって炭素排出が削減され、エネルギー排出が減少する。ただし、再生燃料の特性上、正確な熱量値を測定しにくく、これは、予熱室および焼成炉の温度を制御しにくい要素として作用する。

【0039】

以下では、セメント製造装置に投入される再生燃料の熱量を予測し、これに基づいてパイロローターおよび焼成炉と連結された第１予熱室１０の温度を予測し、第１予熱室の温度が既定の範囲内の温度を維持しながら、再生燃料の割合を高めるためのガイド情報を提供する様々な実施形態について説明する。

【0040】

図２は、一実施形態による電子装置の構成を示すブロック図である。

【0041】

図２を参照すると、電子装置１００は、通信インターフェース１１０、メモリ１２０、および１つ以上のプロセッサ１３０を含んでもよい。

【0042】

電子装置１００は、一実施形態により、サーバーのようにデータを処理して外部装置と通信を行う装置で具現されてもよいが、これに限定されない。例えば、電子装置１００は、スマートＴＶ、タブレット、モニター、スマートフォン、デスクトップコンピュータ、ラップトップコンピュータなどのように様々な装置で具現されてもよい。本開示の一実施形態による電子装置１００は、前述した機器に限定されず、電子装置１００は、前述した機器の二つ以上の機能を備えた電子装置１００で具現されてもよい。

【0043】

なお、電子装置１００は、様々な方式で外部装置および外部サーバーと通信接続することができる。一実施形態により、外部装置および外部サーバーとの通信のための通信モジュールが同一に具現されてもよい。例えば、電子装置１００は、外部装置とはブルートゥースモジュールを用いて通信し、外部サーバーも、ブルートゥースモジュールを用いて通信することができる。

【0044】

他の実施形態により、外部装置および外部サーバーとの通信のための通信モジュールは、別々に具現されてもよい。例えば、電子装置１００は、外部装置とはブルートゥースモジュールを用いて通信し、外部サーバーとはイーサネット（登録商標）モデムまたはＷｉ－Ｆｉモジュールを用いて通信することができる。

【0045】

なお、一実施形態により、外部装置（不図示）は、セメント製造装置で具現されてもよいが、これに限定されるものではない。

【0046】

通信インターフェース１１０は、様々なタイプのデータを入力および出力することができる。例えば、通信インターフェース１１０は、ＡＰ基盤のＷｉ－Ｆｉ（ワイ・ファイ、Ｗｉｒｅｌｅｓｓ ＬＡＮネットワーク）、ブルートゥース（登録商標）（Ｂｌｕｅｔｏｏｔｈ）、ジグビー（Ｚｉｇｂｅｅ（登録商標））、有線／無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、イーサネット（Ｅｔｈｅｒｎｅｔ）、ＩＥＥＥ １３９４、ＨＤＭＩ（Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｉｎｔｅｒｆａｃｅ）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）、ＭＨＬ（Ｍｏｂｉｌｅ Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ Ｌｉｎｋ）、ＡＥＳ／ＥＢＵ（Ａｕｄｉｏ Ｅｎｇｉｎｅｅｒｉｎｇ Ｓｏｃｉｅｔｙ／Ｅｕｒｏｐｅａｎ Ｂｒｏａｄｃａｓｔｉｎｇ Ｕｎｉｏｎ）、オプティカル（Ｏｐｔｉｃａｌ）、コアキシャル（Ｃｏａｘｉａｌ）などのような通信方式を介して外部装置（例えば、ソース装置）、外部記憶媒体（例えば、ＵＳＢメモリ）、外部サーバー（例えば、ウェブハード）と様々なタイプのデータを送受信することができる。

【0047】

一例により、通信インターフェース１１０は、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）モジュールを含んでもよい。ＢＬＥは、約１０ｍの到達半径を有する２．４ＧＨｚ周波数帯域で低電力低容量データの送受信が可能なブルートゥース技術を意味する。ただし、これに限定されず、通信インターフェース１１０は、Ｗｉ－Ｆｉ通信モジュールを含むこともできる。すなわち、通信インターフェース１１０は、ＢＬＥ（Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）モジュールまたはＷｉ－Ｆｉ通信モジュールのうち少なくとも１つを含んでもよい。

【0048】

一例により、通信インターフェース１１０は、遠隔制御装置のような外部装置および外部サーバーと通信するために異なる通信モジュールを用いることができる。例えば、通信インターフェース１１０は、外部サーバーと通信するためにイーサネットモジュールまたはワイ・ファイモジュールのうち少なくとも１つを用いることができ、遠隔制御装置のような外部装置と通信するためにブルートゥースモジュールを用いることもできる。ただし、これは、一実施形態に過ぎず、通信インターフェース１１０は、複数の外部装置または外部サーバーと通信する場合、様々な通信モジュールのうち少なくとも１つの通信モジュールを用いることができる。

【0049】

メモリ１２０は、様々な実施形態のために必要なデータを保存することができる。メモリ１２０は、データ保存用途によって電子装置１００に埋め込まれたメモリ形態で具現されたり、電子装置１００に着脱可能なメモリ形態で具現されたりすることもできる。例えば、電子装置１００の駆動のためのデータの場合、電子装置１００に埋め込まれたメモリに保存され、電子装置１００の拡張機能のためのデータの場合、電子装置１００に着脱可能なメモリに保存される。

【0050】

なお、電子装置１００に埋め込まれたメモリの場合、揮発性メモリ（例：ＤＲＡＭ（ｄｙｎａｍｉｃ ＲＡＭ）、ＳＲＡＭ（ｓｔａｔｉｃ ＲＡＭ）、またはＳＤＲＡＭ（ｓｙｎｃｈｒｏｎｏｕｓ ｄｙｎａｍｉｃ ＲＡＭ）など）、不揮発性メモリ（ｎｏｎ－ｖｏｌａｔｉｌｅ Ｍｅｍｏｒｙ）（例：ＯＴＰＲＯＭ（ｏｎｅ ｔｉｍｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＰＲＯＭ（ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＰＲＯＭ（ｅｒａｓａｂｌｅ ａｎｄ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（ｅｌｅｃｔｒｉｃａｌｌｙ ｅｒａｓａｂｌｅ ａｎｄ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ｍａｓｋ ＲＯＭ、ｆｌａｓｈ ＲＯＭ、フラッシュメモリ（例：ＮＡＮＤ ｆｌａｓｈまたはＮＯＲ ｆｌａｓｈなど）、ハードドライブ、またはソリッドステートドライブ（ｓｏｌｉｄ ｓｔａｔｅ ｄｒｉｖｅ（ＳＳＤ））のうち少なくとも１つで具現されてもよい。また、電子装置１００に着脱可能なメモリの場合、メモリカード（例えば、ＣＦ（ｃｏｍｐａｃｔ ｆｌａｓｈ）、ＳＤ（ｓｅｃｕｒｅ ｄｉｇｉｔａｌ）、Ｍｉｃｒｏ－ＳＤ（ｍｉｃｒｏ ｓｅｃｕｒｅ ｄｉｇｉｔａｌ）、Ｍｉｎｉ－ＳＤ（ｍｉｎｉ ｓｅｃｕｒｅ ｄｉｇｉｔａｌ）、ｘＤ（ｅｘｔｒｅｍｅ ｄｉｇｉｔａｌ）、ＭＭＣ（ｍｕｌｔｉ－ｍｅｄｉａ ｃａｒｄ）など）、ＵＳＢポートに接続可能な外部メモリ（例えば、ＵＳＢメモリ）などのような形態で具現されてもよい。

【0051】

一実施形態により、メモリ１２０には、第１の学習された神経網モデルおよび第２の学習された神経網モデルが保存されていてもよい。なお、第１の学習された神経網モデルおよび第２の学習された神経網モデルについては、図４および図５を参照して詳しく説明する。

【0052】

１つ以上のプロセッサ１３０（以下、プロセッサ）は、通信インターフェース１１０およびメモリ１２０と電気的に接続され、電子装置１００の全般的な動作を制御する。プロセッサ１３０は、１つまたは複数のプロセッサで構成されてもよい。具体的には、プロセッサ１３０は、メモリ１２０に保存された少なくとも１つのインストラクションを実行することによって、本開示の様々な実施形態による電子装置１００の動作を行うことができる。

【0053】

一実施形態により、プロセッサ１３０は、デジタル映像信号を処理するデジタルシグナルプロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ（ＤＳＰ）、マイクロ・プロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）プロセッサ、ＮＰＵ（Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＴＣＯＮ（Ｔｉｍｅ ｃｏｎｔｒｏｌｌｅｒ）で具現されてもよい。ただし、これに限定されるものではなく、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ（ＣＰＵ））、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＭＰＵ（ｍｉｃｒｏ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、コントローラー（ｃｏｎｔｒｏｌｌｅｒ）、アプリケーションプロセッサ（ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ（ＡＰ））、またはコミュニケーションプロセッサ（ｃｏｍｍｕｎｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ（ＣＰ））、ＡＲＭプロセッサのうち１つまたはそれ以上を含んだり、当該用語で定義したりすることができる。また、プロセッサ１３０は、プロセッシングアルゴリズムが内蔵されたＳｏＣ（Ｓｙｓｔｅｍ ｏｎ Ｃｈｉｐ）、ＬＳＩ（ｌａｒｇｅ ｓｃａｌｅ ｉｎｔｅｇｒａｔｉｏｎ）で具現されることもでき、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）形態で具現されることもできる。

【0054】

一実施形態により、プロセッサ１３０は、デジタルシグナルプロセッサ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ（ＤＳＰ）、マイクロ・プロセッサ（ｍｉｃｒｏｐｒｏｃｅｓｓｏｒ）、ＴＣＯＮ（Ｔｉｍｅ ｃｏｎｔｒｏｌｌｅｒ）で具現されてもよい。ただし、これに限定されるものではなく、中央処理装置（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ（ＣＰＵ））、ＭＣＵ（Ｍｉｃｒｏ Ｃｏｎｔｒｏｌｌｅｒ Ｕｎｉｔ）、ＭＰＵ（ｍｉｃｒｏ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、コントローラー（ｃｏｎｔｒｏｌｌｅｒ）、アプリケーションプロセッサ（ａｐｐｌｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ（ＡＰ））、またはコミュニケーションプロセッサ（ｃｏｍｍｕｎｉｃａｔｉｏｎ ｐｒｏｃｅｓｓｏｒ（ＣＰ））、ＡＲＭプロセッサのうち１つまたはそれ以上を含んだり、当該用語で定義したりすることができる。また、プロセッサ１３０は、プロセッシングアルゴリズムが内蔵されたＳｏＣ（Ｓｙｓｔｅｍ ｏｎ Ｃｈｉｐ）、ＬＳＩ（ｌａｒｇｅ ｓｃａｌｅ ｉｎｔｅｇｒａｔｉｏｎ）で具現されることもでき、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）形態で具現されることもできる。

【0055】

一実施形態により、プロセッサ１３０は、通信インターフェース１１０を介してセメント製造装置１の投入燃料情報を含む工程情報を受信することができる。ここで、工程情報は、セメント工程が行われるセメント製造装置１の諸般環境に関する情報であり、一例により、工程情報には、セメント製造のためにセメント製造装置１に投入される投入燃料情報またはセメント製造装置１に対応する工程状態情報を含んでもよい。

【0056】

投入燃料情報は、一例により、セメント製造のために投入される複数のタイプの燃料それぞれに対応する投入量に関する情報および複数のタイプの投入燃料それぞれに対応する熱量情報を含んでもよい。複数のタイプの燃料は、例えば、有煙炭タイプのメイン燃料、有煙炭タイプの補助燃料、および複数のタイプの再生燃料を含んでもよい。ここで、メイン燃料および補助燃料は、同じタイプの燃料であるが、セメント製造装置１内の焼成炉の一側に設けられた第１燃料投入部を介して投入されるものがメイン燃料であり、焼成炉の他側に設けられた第２燃料投入部を介して投入されるものが補助燃料である。補助燃料は、メイン燃料を補助する燃料である。

【0057】

なお、再生燃料は、環境に優しい工程および炭素排出削減のために投入される燃料であり、有煙炭タイプのメイン燃料および補助燃料に比べて炭素含有量が相対的に低いため、炭素排出を削減することができ、不要なエネルギー消費を減らすことができる燃料である。一例により、再生燃料は、廃棄合成樹脂タイプ、廃タイヤタイプ、廃油タイプ、および下水スラッジ（Ｓｌｕｄｇｅ）タイプのうち少なくとも１つを含んでもよい。

【0058】

なお、セメント製造装置１に対応する工程状態情報は、例えば、セメント製造装置１に関する工程環境情報を含んでもよいし、一例により、工程状態情報は、セメント製造装置１内の焼成炉の入口から排出される排出ガス内の酸素の濃度、二酸化炭素の濃度、および窒素酸化物の濃度のうち少なくとも１つを含んでもよい。または、工程状態情報は、冷却工程の進行後、パイロローターおよび焼成炉に投入される空気の温度、冷却器内のファン（Ｆａｎ）の圧力情報、コンベヤーベルトの速度情報、パイロローターと焼成炉の速度情報および電流量情報、セメント製造装置１に投入される原料（例えば、石灰粉）に関する情報を含んでもよいが、これに限定されるものではない。

【0059】

一例により、プロセッサ１３０は、通信インターフェース１１０を介してセメント製造装置１の工程情報を保存している外部サーバー（不図示）からセメント製造装置１の投入燃料情報を含む工程情報を受信することができる。または、プロセッサ１３０は、セメント製造装置１に設けられたセンサーから通信インターフェース１１０を介して工程情報を受信することもできるが、これに限定されるものではない。

【0060】

一実施形態により、プロセッサ１３０は、工程情報が受信されると、受信された工程情報の前処理を行うことができる。一例により、プロセッサ１３０は、既定のアルゴリズムを用いて受信された工程情報に含まれた複数のデータのうち異常データ（Ｏｕｔｌｉｅｒ）を識別することができ、識別した異常データ（Ｏｕｔｌｉｅｒ）が除去された工程情報を取得することができる。または、プロセッサ１３０は、工程が行われる時間中に既定の時間区間に対応する工程情報が受信されなかった場合、通信インターフェース１１０から受信されなかった工程情報を受信することによって、前処理を行うこともできる。ただし、これに限定されるものではない。

【0061】

一実施形態により、プロセッサ１３０は、前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報およびセメント製造装置１内の第１予熱室の測定温度に関する誤差情報を取得することができる。

【0062】

一例により、第２の学習された神経網モデルは、投入燃料情報および工程状態情報を含む工程情報が入力されると、第１の学習された神経網モデルから出力された予測温度情報および第１予熱室の測定温度情報に関する誤差情報を出力するように学習された神経網モデルでありうる。プロセッサ１３０は、前処理が行われた投入燃料情報および工程状態情報を含む工程情報を第２の学習された神経網モデルに入力し、誤差情報を取得することができる。

【0063】

ここで、第１の学習された神経網モデルから出力された予測温度情報および第１予熱室の測定温度情報に関する誤差情報は、複数の再生燃料タイプのうち廃棄合成樹脂の熱量の変化によって発生した誤差を意味する。すなわち、廃棄合成樹脂の場合、燃料の特性上、熱量の大きさを正確に識別しにくく、廃棄合成樹脂の熱量が正確に識別されないことにより、第１予熱室の予測温度の大きさと測定温度の大きさに誤差が発生する。本開示では、再生燃料のうち廃棄合成樹脂の熱量の大きさを正確に識別することによって、第１予熱室の温度を正確に予測しようとする。

【0064】

なお、一例により、第１予測温度情報、第２予測温度情報を含む複数のタイプの温度情報は、温度値に関する情報を含んでもよい。

【0065】

一実施形態により、プロセッサ１３０は、取得した誤差情報および投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別することができる。ここで、第１再生燃料は、一例により、廃棄合成樹脂であってもよく、プロセッサ１３０は、取得した誤差情報および投入燃料情報に含まれた第１再生燃料の投入量に関する情報に基づいて第１再生燃料の予測熱量情報を識別することができる。例えば、プロセッサ１３０は、下記の数式（１）を用いて廃棄合成樹脂の予測熱量を識別することができる。

【0066】

【数1】

【0067】

ここで、Ａは、廃棄合成樹脂の予測熱量を意味し、Ｂは、既存の第１予熱室の温度を予測するための既存の廃棄合成樹脂の熱量を意味する。Ｃは、第２の学習された神経網モデルを介して出力された第１予熱室の温度に関する誤差情報を意味し、Ｄは、廃棄合成樹脂の投入量を意味する。一例により、既存の廃棄合成樹脂の熱量が１０であり、誤差の大きさが５０であり、投入量が１００である場合を想定する。プロセッサ１３０は、数式（１）を通じて廃棄合成樹脂の予測熱量の大きさを１０．５（１０＋（５０／１００））で識別することができる。これを通じて、プロセッサ１３０は、正確な廃棄合成樹脂の熱量を識別することができる。

【0068】

一実施形態により、プロセッサ１３０は、識別された予測熱量情報に基づいてアップデートされた投入燃料情報を第１の学習された神経網モデルに入力し、第１予熱室の第２予測温度情報を取得することができる。一例により、プロセッサ１３０は、識別された廃棄合成樹脂の予測熱量情報がアップデートされた投入燃料情報を第１の学習された神経網モデルに入力し、第１の学習された神経網モデルから第１予熱室の第２予測温度情報を取得することができる。ここで、第１予測温度情報は、第１再生燃料、すなわち廃棄合成樹脂熱量情報がアップデートされる前の投入燃料情報に対応する第１予熱室の予測温度情報であり、第２予測温度情報は、第１再生燃料、すなわち廃棄合成樹脂の熱量情報がアップデートされた後の投入燃料情報に対応する第１予熱室の予測温度情報である。

【0069】

一実施形態により、プロセッサ１３０は、取得した第２予測温度情報を含むガイド情報を提供することができる。一例により、プロセッサ１３０は、取得した第２予測温度情報がターゲット温度値を超えると識別されると、メイン燃料および補助燃料のうち少なくとも１つの投入量が減少するようにガイドするガイド情報を取得することができる。または、一例により、プロセッサ１３０は、取得した第２予測温度情報がターゲット温度値未満であると識別されると、第１再生燃料の投入量が増加するようにガイドするガイド情報を取得することができる。プロセッサ１３０は、取得したガイド情報を提供することができる。

【0070】

図３は、一実施形態による電子装置の制御方法を説明するためのフローチャートである。

【0071】

一実施形態により、まず、制御方法は、セメント製造装置１の投入燃料情報を含む工程情報が受信されると（Ｓ３１０：Ｙ）、受信された工程情報の前処理を行うことができる（Ｓ３２０）。一例により、プロセッサ１３０は、既定のアルゴリズムを用いて受信された工程情報に含まれた複数のデータのうち異常（Ｏｕｔｌｉｅｒ）データを識別することができ、識別された異常データが除去された工程情報を取得することができる。

【0072】

次に、一実施形態により、制御方法は、前処理が行われた工程情報を第２の学習された神経網モデルに入力し、第１の学習された神経網モデルから出力された第１予測温度情報およびセメント製造装置１内第１予熱室の測定温度に関する誤差情報を取得することができる（Ｓ３３０）。

【0073】

次に、一実施形態により、制御方法は、取得した誤差情報および投入燃料情報に基づいて投入燃料のうち第１再生燃料の予測熱量情報を識別することができる（Ｓ３４０）。一例により、プロセッサ１３０は、第２の学習された神経網モデルから出力された第１予熱室の温度に関する誤差情報、複数のタイプの投入燃料のうち廃棄合成樹脂に対応する第１再生燃料の投入量に関する情報、および既存廃棄合成樹脂に関する熱量情報に基づいて第１再生燃料の予測熱量情報を識別することができる。

【0074】

次に、一実施形態により、制御方法は、識別された予測熱量情報に基づいてアップデートされた投入燃料情報を第１の学習された神経網モデルに入力し、第１予熱室の第２予測温度情報を取得することができる（Ｓ３５０）。一例により、プロセッサ１３０は、数式（１）を用いて識別された予測熱量情報に基づいて投入燃料情報をアップデートし、アップデートした投入燃料情報を第１の学習された神経網モデルに入力し、第１予熱室の第２予測温度情報を取得することができる。

【0075】

次に、一実施形態により、制御方法は、取得した第２予測温度情報を含むガイド情報を提供することができる（Ｓ３６０）。一例により、プロセッサ１３０は、取得した第２予測温度情報がターゲット温度値を超えると識別されると、メイン燃料および補助燃料のうち少なくとも１つの投入量が減少するようにガイドするガイド情報を取得することができる。または、一例により、プロセッサ１３０は、取得した第２予測温度情報がターゲット温度値未満であると識別されると、第１再生燃料の投入量が増加するようにガイドするガイド情報を取得することができる。プロセッサ１３０は、取得したガイド情報を提供することができる。

【0076】

ただし、これに限定されるものではなく、一実施形態により、プロセッサ１３０は、メイン燃料、補助燃料、および再生燃料以外の異なるタイプの燃料に対する投入量に関するガイド情報を提供することもできる。または、一実施形態により、プロセッサ１３０は、セメント製造装置１に含まれた冷却器ファン（Ｃｏｏｌｅｒ Ｆａｎ）の圧力に関するガイド情報も提供することもできることはもちろんである。

【0077】

前述した例によれば、電子装置１００は、学習された神経網モデルを用いて再生燃料の熱量を予測することができ、これに基づいて第１予熱室の温度を予測することができる。これによって、電子装置１００は、正確に予測された予熱室の温度に基づいてユーザにガイド情報を提供することによって、環境に優しい工程および効率的な工程を可能にする。

【0078】

図４は、一実施形態による第１の学習された神経網モデルおよびその学習方法を説明するための図である。

【0079】

本開示の一実施形態による第１の学習された神経網モデルおよび第２の学習された神経網モデルを含む人工神経網（または神経網モデル）は、ディープニューラルネットワーク（ＤＮＮ：Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）を含んでもよいし、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＲＢＭ（Ｒｅｓｔｒｉｃｔｅｄ Ｂｏｌｔｚｍａｎｎ Ｍａｃｈｉｎｅ）、ＤＢＮ（Ｄｅｅｐ Ｂｅｌｉｅｆ Ｎｅｔｗｏｒｋ）、ＢＲＤＮＮ（Ｂｉｄｉｒｅｃｔｉｏｎａｌ Ｒｅｃｕｒｒｅｎｔ Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、またはディープＱ－ネットワーク（Ｄｅｅｐ Ｑ－Ｎｅｔｗｏｒｋｓ）などがあるが、前述した例に限定されない。

【0080】

一実施形態により、メモリ１２０には、第１の学習された神経網モデルが保存されていてもよい。第１の学習された神経網モデルは、第１再生燃料を含む異なるタイプの投入燃料それぞれに対応する投入量に関する情報および投入燃料それぞれに対応する熱量情報を含む投入燃料情報が入力されると、第１予熱室の予測温度情報を出力するように学習されることができる。

【0081】

図４を参照すると、一実施形態により、メイン燃料、補助燃料、および複数の再生燃料それぞれに対応する燃料の投入量情報および熱量情報を含む投入燃料情報４０が含まれたデータセット（ｓｅｔ）が学習データとして第１の神経網モデル４００に入力され、神経網モデルが学習されることができる。この場合、データセット（ｓｅｔ）には、投入した燃料に基づいて（または起因して）出力される第１予熱室の温度情報４１がラベル（Ｌａｂｅｌ）に含まれ得る。

【0082】

例えば、第ｎ時点でのメイン燃料、補助燃料、および複数の再生燃料それぞれに対応する燃料の投入量情報および熱量情報が含まれたデータセット（ｓｅｔ）が学習データとして第１の神経網モデルに入力され、神経網モデルが学習されることができる。この場合、データセット（ｓｅｔ）には、第ｎ時点で投入した燃料に基づいて測定される第１予熱室の第ｎ＋１時点での第１予熱室の温度情報がラベルに含まれて学習が行われ得る。

【0083】

図５は、一実施形態による第２の学習された神経網モデルおよびその学習方法を説明するための図である。

【0084】

一実施形態により、メモリ１２０には、第２の学習された神経網モデルが保存されていてもよい。一例により、第２の学習された神経網モデルは、投入燃料情報および工程状態情報を含む工程情報が入力されると、第１の学習された神経網モデルから出力された予測温度情報および第１予熱室の測定温度情報に関する誤差情報を出力するように学習されることができる。ここで、第１予熱室の測定温度情報は、実際のセンサーを介して測定された第１予熱室の温度に関する情報である。

【0085】

図５を参照すると、一実施形態により、投入燃料情報および工程状態情報を含む工程情報５０が含まれたデータセット（ｓｅｔ）が学習データとして第２の神経網モデル５００に入力され、第２の神経網モデル５００が学習されることができる。ここで、投入燃料情報は、一例により、メイン燃料、補助燃料および複数の再生燃料それぞれに対応する燃料の投入量情報および熱量情報を含んでもよい。工程状態情報は、例えば、セメント製造装置１に関する工程環境情報を含んでもよいし、一例により、工程状態情報は、セメント製造装置１内の焼成炉の入口から排出される排出ガス内の酸素の濃度、二酸化炭素の濃度、および窒素酸化物の濃度のうち少なくとも１つを含んでもよい。または、工程状態情報は、冷却工程の進行後にパイロローターおよび焼成炉に投入される空気の温度、冷却器内のファン（Ｆａｎ）の圧力情報、コンベヤーベルトの速度情報、パイロローターと焼成炉の速度情報および電流量情報、セメント製造装置１に投入される原料（例えば、石灰粉）に関する情報を含んでもよい。

【0086】

なお、データセット（ｓｅｔ）には、第１の学習された神経網モデルから出力された第１予熱室の予測温度情報５１および測定された第１予熱室の温度情報５２の差異値がラベル（Ｌａｂｅｌ）に含まれ得る。すなわち、第２の神経網モデル５００は、第１の学習された神経網モデルから出力された予測温度情報を学習データとして用いて学習を行うことができる。なお、一例により、工程情報は、第１予熱室の温度履歴情報および投入燃料の履歴情報を含んでもよいし、測定された第１予熱室の温度情報５２は、工程情報に含まれた第１予熱室の温度履歴情報に基づいて取得されることができる。

【0087】

図６は、一実施形態によるガイド情報を提供する方法を説明するための図である。

【0088】

図６を参照すると、まず、一実施形態により、制御方法は、ユーザインタフェース（不図示）を介してセメント製造装置内の第１予熱室のターゲット温度値を受信することができる（Ｓ６１０）。

【0089】

次に、一実施形態により、制御方法は、取得した第２予測温度情報および受信されたターゲット温度値に基づいて、第１予熱室の温度値がターゲット温度値に到達するための異なるタイプの投入燃料それぞれに対応する投入量を識別し（Ｓ６２０）、識別された投入量に対応するガイド情報を取得することができる（Ｓ６３０）。

【0090】

一例により、メモリ１２０には、メイン燃料および補助燃料を含む複数のタイプの投入燃料それぞれに対応する単位投入量の変化による第１予熱室の温度の変化値に関する情報が既に保存されていてもよい。一例により、プロセッサ１３０は、既定のアルゴリズムを用いて工程履歴情報を含む工程情報を通じて単位投入量の変化による第１予熱室の温度の変化値に関する情報を取得することができる。プロセッサ１３０は、メモリ１２０に保存された情報および第２予測温度情報とターゲット温度値との間の差異値に基づいて投入されるべきメイン燃料または補助燃料の投入量を識別し、識別された投入量に関する情報が含まれたガイド情報を取得することができる。または、プロセッサ１３０は、メモリ１２０に保存された情報および第２予測温度情報とターゲット温度値との間の差異値に基づいて投入されるべき第１再生燃料の投入量を識別し、識別された投入量に関する情報が含まれたガイド情報を取得することができる。

【0091】

例えば、プロセッサ１３０は、第２予測温度情報がターゲット温度値を超えると、有煙炭タイプのメイン燃料および補助燃料のうち少なくとも１つの投入量を変更し、第１予熱室の温度値がターゲット温度値に到達するようにガイドするガイド情報を取得することができる。または、例えば、第２予測温度情報がターゲット温度値未満であれば、プロセッサ１３０は、第１再生燃料の投入量が増加するようにガイドするガイド情報を取得することができる。プロセッサ１３０は、メモリ１２０に保存された情報に基づいて第２予測温度情報がターゲット温度値未満であると識別されると、第１再生燃料に対応する廃棄合成樹脂の投入量が増加するようにガイドするガイド情報を取得することができる。

【0092】

ただし、これに限定されるものではなく、プロセッサ１３０は、学習された第１および第２の神経網モデルを用いて予測された温度情報の大きさそれぞれに対応するガイド情報を取得することもできる。これは、図７を参照して詳しく説明する。

【0093】

次に、一実施形態により、制御方法は、取得したガイド情報が含まれたＵＩを提供することができる（Ｓ６４０）。ＵＩを提供する具体的な方法については、図８、図９ａ、および図９ｂを参照して詳しく説明する。

【0094】

図７は、一実施形態によるガイド情報を取得して提供する方法を説明するための図である。

【0095】

図７を参照すると、一実施形態により、制御方法は、まず、投入燃料情報に含まれた投入燃料それぞれに対応する投入量が変更されたサブ投入燃料情報を識別することができる（Ｓ７１０）。ここで、サブ投入燃料情報は、投入燃料の割合が既定の値だけ変更された工程情報であってもよいが、これに限定されるものではなく、一例により、サブ投入燃料情報は、工程状態（例えば、セメント製造装置内の圧力の大きさ）が変更された工程情報であってもよい。例えば、プロセッサ１３０は、メイン燃料または補助燃料の投入量が既定の値だけ減少したサブ投入燃料情報を識別することができる。

【0096】

次に、一実施形態により、制御方法は、サブ投入燃料情報を第１の学習された神経網モデルに入力し、第２サブ予測温度情報を取得することができる（Ｓ７２０）。

【0097】

次に、一実施形態により、制御方法は、取得した第２予測温度情報および第２サブ予測温度情報を用いて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を取得することができる（Ｓ７３０）。ここで、ガイダンス情報は、第１予熱室の温度がターゲット温度値を維持する状態で投入される再生燃料の割合を高めるための投入燃料それぞれに対応する推薦投入割合に関する情報を意味する。一例により、プロセッサ１３０は、既定のアルゴリズムを用いて、取得した第２予測温度情報および第２予測温度情報に対応する工程情報が含まれたデータセットと、第２サブ予測温度情報および第２予測温度情報に対応する工程情報が含まれたデータセットを通じて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を取得することができる。

【0098】

ただし、これに限定されるものではなく、一実施形態により、プロセッサ１３０は、メモリ１２０に保存されたメイン燃料および補助燃料を含む複数のタイプの投入燃料それぞれに対応する単位投入量の変化による第１予熱室の温度の変化値に関する情報に基づいて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を取得することもできることはもちろんである。

【0099】

または、一実施形態により、プロセッサ１３０は、第１予熱室の温度履歴情報およびセメント製造装置１に関する工程環境情報のうち少なくとも１つに基づいて投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を識別し、識別されたガイダンス情報を提供することもできる。一例により、プロセッサ１３０は、取得した第２予測温度情報、第２サブ予測温度情報、第１予熱室の温度履歴情報、およびセメント製造装置１に関する工程環境情報のうち少なくとも１つに基づいて投入燃料に関するガイダンス情報を識別することができる。ここで、工程環境情報は、セメント製造装置１内の焼成炉の入口から排出される排出ガス内の酸素の濃度、一酸化炭素の濃度、二酸化炭素の濃度、および窒素酸化物の濃度のうち少なくとも１つを含んでもよい。

【0100】

一例により、プロセッサ１３０は、第１予熱室の温度履歴情報に基づいて現在の第１予熱室の温度値が識別されると、現在の第１予熱室の温度値およびターゲット温度値の差異値に基づいてガイダンス情報を識別することができる。例えば、プロセッサ１３０は、現在の第１予熱室の温度値およびターゲット温度値の差異値が閾値以上の場合、第１予熱室の温度がターゲット温度値を維持する状態で第１予熱室の温度値がターゲット温度値に到達する時間が最小になるようにするガイダンス情報を識別することができる。

【0101】

または、一例により、プロセッサ１３０は、第１予熱室の温度履歴情報に基づいて現在の第１予熱室の温度値および現在から既定の時間前の第１時点での第１予熱室の温度値を識別し、これに基づいてガイダンス情報を提供することもできる。

【0102】

例えば、プロセッサ１３０は、現在の第１予熱室の温度値および現在から１分前の時点での第１予熱室の温度値（または過去の第１予熱室の温度値）を識別し、識別された現在の第１予熱室の温度値および過去の第１予熱室の温度値を比較して、第１予熱室の温度に関する傾向情報を取得することができる。プロセッサ１３０は、取得した傾向情報に基づいて第１予熱室の温度値がターゲット温度値に到達する時間の大きさが閾値未満の場合、第１予熱室の温度がターゲット温度値を維持する状態で第１予熱室の温度値がターゲット温度値に到達する時間が増加するようにするガイダンス情報を識別することができる。または、プロセッサ１３０は、取得した傾向情報に基づいて第１予熱室の温度値がターゲット温度値に到達する時間の大きさが閾値以上の場合、第１予熱室の温度がターゲット温度値を維持する状態で第１予熱室の温度値がターゲット温度値に到達する時間が減少するようにするガイダンス情報を識別することができる。

【0103】

または、一例により、プロセッサ１３０は、セメント製造装置１に関する工程環境情報を用いてガイダンス情報を識別することもできる。例えば、プロセッサ１３０は、焼成炉の入口から排出される排出ガス内の一酸化炭素（ＣＯ）の濃度が既定の値以上であると識別されると、第１予熱室の温度がターゲット温度値を維持する状態で投入される再生燃料の投入量が既に識別された再生燃料の投入量より減少するようにガイダンス情報をアップデートすることができる。すなわち、一酸化炭素の濃度が既定の値以上である場合のように、焼成炉の焼成状態が良くない場合、プロセッサ１３０は、再生燃料の投入量が減少するガイダンス情報をユーザに提供することによって、焼成炉の焼成状態を考慮して再生燃料の投入量をガイドすることができる。

【0104】

ただし、この場合、プロセッサ１３０は、工程環境情報に基づいて焼成炉に含まれたメインモーターに印加される電流の大きさが既定の値以上であると識別されると、既に識別された再生燃料投入量を維持するガイダンス情報を提供することもできる。これは、焼成炉のメインモーターの電流値が既定の値以上の場合、焼成炉の焼成状態が良いことを意味するためである。

【0105】

または、例えば、プロセッサ１３０は、工程環境情報に含まれた排出ガス内の酸素の濃度を用いてガイダンス情報を識別することができる。具体的には、プロセッサ１３０は、工程環境情報に基づいて排出ガス内の酸素の濃度の傾向情報を識別し、排出ガス内の酸素の濃度が時間の経過につれて減少すると識別されると、再生燃料投入量が減少するようにするガイダンス情報を提供することができる。すなわち、排出ガス内の酸素の濃度が低くなると、予熱室の温度が上昇することを意味するので、プロセッサ１３０は、排出ガス内の酸素の濃度に基づいて再生燃料の投入量を識別することができる。

【0106】

ただし、これに限定されるものではなく、一実施形態により、プロセッサ１３０は、既定のアルゴリズムを用いてガイダンス情報を識別することができる。例えば、プロセッサ１３０は、制御変数と基準入力との間の誤差に基づいて出力が基準値を維持するようにするフィードバック制御に対する機能を提供することができる。プロセッサ１３０は、第１予熱室のターゲット温度値、現在の温度値、および第１予熱室の温度値を識別するための情報（例えば、メイン燃料、補助燃料、および再生燃料の投入量に関する情報、焼成炉の入口の排出ガス内の酸素、二酸化炭素、窒素酸化物の濃度、冷却後のパイロローターと焼成炉に投入される空気の温度情報、冷却器内のファンの圧力、コンベヤーベルトの速度、パイロローターと焼成炉の速度情報のような工程情報を含む異なるタイプのセメント製造装置１に対応する制御変数に関する情報を含んでもよい）を入力値として投入燃料に関するガイダンス（Ｇｕｉｄａｎｃｅ）情報を識別することもできる。

【0107】

次に、一実施形態により、制御方法は、取得したガイダンス情報を含むガイド情報を提供することができる（Ｓ７４０）。

【0108】

図８ａ～図８ｂは、一実施形態によるＵＩ提供方法を説明するための図である。

【0109】

図８ａ～図８ｂを参照すると、一実施形態により、プロセッサ１３０は、ＵＩ８００を提供することができる。一例により、電子装置１００は、ディスプレイ（不図示）を含んでもよいし、プロセッサ１３０は、ディスプレイ（不図示）を介してＵＩ８００を提供することができる。

【0110】

また、一実施形態により、プロセッサ１３０は、メモリ１２０に保存された情報に基づいて第１予熱室の温度履歴情報を識別し、これに基づいて第１予熱室の温度履歴に対応するグラフ情報が含まれたＵＩ８００を提供することもできる。この場合、一例により、プロセッサ１３０は、取得した第２予測温度情報を第１予熱室の温度履歴情報と比較するためのグラフ情報が含まれたＵＩ８００を提供することもできる。

【0111】

なお、一実施形態により、プロセッサ１３０は、第２予測温度情報を第１予熱室の温度履歴情報と比較するためのグラフ情報と共に取得したガイダンス情報を提供することもできる。

【0112】

この場合、一例により、プロセッサ１３０は、ガイダンス情報に基づいて予測される予熱室の温度変化に対応する効果情報９０４をも提供することができる。ここで、効果情報９０４は、複数のタイプの燃料それぞれに対応する温度変化に対する寄与度の値を含む。

【0113】

なお、一例により、プロセッサ１３０は、第１予熱室のターゲット温度値を入力されるためのＵＩ８１０をも提供することができる。ここで、ガイダンス情報は、第１予熱室の温度がターゲット温度値を維持する状態で投入される再生燃料の割合を高めるための投入燃料それぞれに対応する推薦投入割合に関する情報を意味し、プロセッサ１３０は、ユーザから第１予熱室に対応するターゲット温度値を入力されるためのＵＩ８１０を取得した第２予測温度情報を第１予熱室の温度履歴情報と比較するためのグラフ情報が含まれたＵＩ８００と共に提供することができる。プロセッサ１３０は、提供されたＵＩ８１０に基づいてユーザからターゲット温度値に関する情報を受信し、受信した情報に基づいて動作を行うことができる。

【0114】

なお、一実施形態により、プロセッサ１３０は、複数のタイプの投入燃料それぞれに対応する履歴情報を提供するためのＵＩおよびメイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力を受信するためのＵＩ８２０を提供することができる。一例により、プロセッサ１３０は、前述したＵＩ８２０をディスプレイ（不図示）を介して提供し、これに対応するユーザ入力が受信される場合、図８ｂに対応するＵＩを提供することができる。これについては、図８ｃを参照して詳しく説明する。

【0115】

図８ｂを参照すると、一実施形態により、プロセッサ１３０は、複数のタイプの投入燃料それぞれに対応する履歴情報を提供するためのＵＩおよびメイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力を受信するためのＵＩ８２０を提供することができる。ＵＩ８２０が提供されることにより、ユーザ入力が受信される場合、プロセッサ１３０は、複数のタイプの投入燃料それぞれに対応する履歴情報に対応するＵＩ８２３およびメイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力に対応するＵＩ８２２を提供することができる。この場合、プロセッサ１３０は、メイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力に対応するＵＩ８２２を介してメイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力が受信されると、受信されたユーザ入力に対応する情報を学習された神経網モデルに入力し、これによって受信されたユーザ入力が反映されたガイダンス情報を取得することもできる。

【0116】

なお、一実施形態により、工程情報は、第１予熱室の温度履歴情報および投入燃料の履歴情報を含む工程履歴情報を含んでもよい。一例により、プロセッサ１３０は、メモリ１２０に保存された情報に基づいて複数のタイプの投入燃料それぞれに対応する投入量に関する履歴情報を識別し、これに基づいてメイン燃料または補助燃料のうち少なくとも１つの投入履歴に対応するグラフ情報が含まれたＵＩ８２３を提供することができる。

【0117】

なお、一実施形態により、複数のタイプの投入燃料それぞれに対応する履歴情報に対応するＵＩ８２３およびメイン燃料または補助燃料の投入量それぞれに対する最大値および最小値に対応するユーザ入力に対応するＵＩ８２２をそれぞれ提供することができるが、これに限定されるものではなく、前述したＵＩ８２２および８２３を共に提供することもできることはもちろんである。

【0118】

図９ａ、図９ｂ、および図９ｃは、一実施形態によるＵＩ提供方法を説明するための図である。

【0119】

図９ａを参照すると、一実施形態により、プロセッサ１３０は、ガイド情報が含まれたＵＩ９００を提供することができる。一例により、ＵＩ９００は、現在投入される複数のタイプの投入燃料それぞれに対応する投入量情報９０１が含まれ得る。図９ａに示された“ＭＣＯＡＬ”、“ＰＣＯＡＬ”、“ＭＲＤＦ”、および“ＰＲＤＦ”は、複数のタイプの投入燃料の一例示であるが、これに限定されるものではない。または、一例により、ＵＩ９００には、取得したガイダンス情報９０３が含まれ得る。ガイダンス情報９０３は、第１予熱室の温度が既定の範囲を維持する状態で投入される再生燃料の割合を高めるための投入燃料それぞれに対応する推薦投入割合に関する情報を意味する。なお、一例により、ＵＩ９００には、現在投入される複数のタイプの投入燃料それぞれに対応する投入量情報９０１と取得したガイダンス情報９０３との間の差異値に対応する変更情報９０２をも提供することができる。

【0120】

図９ｂを参照すると、一実施形態により、プロセッサ１３０は、取得したガイダンス情報に基づいて、ガイダンス情報に基づいて燃料が投入される場合、改善される予熱室の温度改善値およびガイダンス情報と関係なく、現在投入される燃料に対応する既定の時間（例えば、５分）後の予熱室の温度改善値に関する情報９１１を含むＵＩ９１０を提供することができる。この場合、現在の予熱室の温度の大きさおよび神経網モデルを通じて予測される予熱室の温度の大きさが含まれたＵＩ９１０を提供することができる。なお、現在投入される燃料に対応する既定の時間（例えば、５分）後の予熱室の温度改善値は、ガイダンス情報と関係なく、現在投入される燃料に基づいて既定の時間後の予熱室の予測される温度に対する値を意味し、ガイダンス情報に基づいて燃料が投入される場合、改善される予熱室の温度改善値は、ガイダンス情報に基づいて投入される燃料の場合、既定の時間後の予熱室の予測される温度に対する値を意味する。

【0121】

また、一例により、プロセッサ１３０は、ガイダンス情報に基づいて燃料が投入される場合、改善される予熱室の温度改善値およびガイダンス情報と関係なく、現在投入される燃料に対応する既定の時間（例えば、５分）後の予熱室の温度改善値の差異値に関する情報を「効果」情報として提供することもできる。

【0122】

図９ｃは、本開示の実施形態による制御方法を提供するためのユーザインタフェースの例示である。

【0123】

図９ｃの９２１は、予熱室の温度情報を表示するためのＵＩ要素の例示である。温度情報は、９２１のように時間情報が反映されたグラフ形態で提供することができ、実測情報と予測情報の比較を識別しやすい形態で提供することができる。

【0124】

図９ｃの９２２は、燃料投入量を設定する機能を提供するためのＵＩ要素の例示である。ユーザは、９２２を介して燃料投入量に対する最小値および／または最大値を設定することができる。この際、前記燃料は、複数のタイプを含んでもよいし、ユーザは、９２２を介して補助燃料および／または再生燃料のそれぞれの投入量を設定することができる。

【0125】

図９ｃの９２３は、燃料投入量情報を提供するためのＵＩ要素の例示である。燃料投入量情報は、時間情報が反映されたグラフ形態で提供することができ、実際値とガイド値の比較を識別しやすい形態で提供することができる。この際、前記燃料は、複数のタイプを含んでもよいし、ユーザは、９２３を介して補助燃料および／または再生燃料のそれぞれの投入量を確認することができる。

【0126】

図９ｃの９２４は、予熱室の温度を設定する機能を提供するためのＵＩ要素の例示である。ユーザは、９２４を介して予熱室の目標温度を設定することができる。

【0127】

図９ｃの９２５は、ガイダンス情報を提供するためのＵＩ要素の例示である。９２５には、現在の燃料投入量に対する第１情報、予熱室の温度が既定の範囲を維持する状態で投入される再生燃料の割合を高めるための推薦燃料投入量に対する第２情報、第１情報と第２情報の差異値に対応する変更情報を含んでもよい。

【0128】

この際、前記燃料は、複数のタイプを含んでもよいし、９２５に示された“ＭＣＯＡＬ”、“ＰＣＯＡＬ”、“ＭＲＤＦ”、および“ＰＲＤＦ”は、複数のタイプの投入燃料の一例示であってもよいが、これに限定されるものではない。また、９２５は、複数のタイプの燃料別の温度の変化に寄与する程度に関する情報を含んでもよい。

【0129】

図９ｃの９２６は、予測した温度情報を提供するためのＵＩ要素の例示である。９２６には、現在投入される燃料に対応する既定の時間（図９ｃの例で５分）後の予熱室の温度予測値に関する情報、ガイダンス情報に基づいて燃料が投入される場合、前記時間後の予熱室の温度予測値に関する情報および／または温度変化量に関する情報を含んでもよい。

【0130】

図１０は、一実施形態による制御情報を識別して制御エンジンに伝送する方法を説明するための図である。

【0131】

図１０を参照すると、一実施形態により、制御方法は、取得したガイド情報に対応するユーザ入力が受信されると、受信されたユーザ入力に対応する制御情報を識別することができる（Ｓ１０１０）。ここで、制御情報は、制御エンジンを制御するための制御信号を意味し、制御エンジン（Ｅｎｇｉｎｅ）は、セメント製造装置１を制御するためのエンジンを意味する。一例により、電子装置１００は、ユーザインタフェース（不図示）をさらに含んでもよいし、プロセッサ１３０は、ユーザインタフェース（不図示）を介して取得したガイド情報に対応するユーザ入力を受信することができる。次に、プロセッサ１３０は、メモリ１２０に保存された情報に基づいて受信されたユーザ入力に対応する制御情報を識別することができる。

【0132】

次に、一実施形態により、制御方法は、識別された制御情報を制御エンジン（Ｅｎｇｉｎｅ）に伝送することができる（Ｓ１０２０）。一例により、プロセッサ１３０は、通信インターフェース１１０を介して識別された制御情報を制御エンジンに伝送することができる。

【0133】

前述した例によれば、再生燃料の熱量を考慮して予測された第１予熱室の温度を識別し、これに基づいてセメント製造装置１の効率的な工程のためのガイド情報をユーザに提供することができる。これによって、環境に優しい工程および炭素低減工程をより容易に具現することができる。

【0134】

図１１は、一実施形態による電子装置の細部構成を示すブロック図である。

【0135】

図１１を参照すると、電子装置１００’は、通信インターフェース１１０、メモリ１２０、１つ以上のプロセッサ１３０、マイク１４０、スピーカー１５０、ディスプレイ１６０、ユーザインタフェース１７０、および少なくとも１つのセンサー１８０を含んでもよい。図１１に示された構成のうち図２に示された構成と重複した構成については、詳しい説明を省略する。

【0136】

マイク１４０は、音を取得して電気信号に変換するモジュールを意味し、コンデンサマイク、リボンマイク、ムービングコイルマイク、圧電素子マイク、カーボンマイク、ＭＥＭＳ（Ｍｉｃｒｏ Ｅｌｅｃｔｒｏ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍ）マイクでありうる。また、無指向性、双指向性、単一指向性、サブカーディオイド（Ｓｕｂ Ｃａｒｄｉｏｉｄ）、スーパーカーディオイド（Ｓｕｐｅｒ Ｃａｒｄｉｏｉｄ）、ハイパーカーディオイド（Ｈｙｐｅｒ Ｃａｒｄｉｏｉｄ）の方式で具現されてもよい。

【0137】

電子装置１００’がマイク１４０を介して受信されたユーザ音声信号に対応する動作を行う様々な実施形態がありえる。

【0138】

一例として、電子装置１００’は、マイク１４０を介して受信されたユーザ音声信号に基づいてディスプレイ１６０を制御することができる。例えば、Ａコンテンツを表示するためのユーザ音声信号が受信されると、電子装置１００’は、Ａコンテンツを表示するようにディスプレイ１６０を制御することができる。

【0139】

他の例として、電子装置１００’は、マイク１４０を介して受信されたユーザ音声信号に基づいて電子装置１００’と接続された外部ディスプレイ装置を制御することができる。具体的には、電子装置１００’は、ユーザ音声信号に対応する動作が外部ディスプレイ装置で行われるように外部ディスプレイ装置を制御するための制御信号を提供し、提供した制御信号を外部ディスプレイ装置に伝送することができる。ここで、電子装置１００’は、外部ディスプレイ装置を制御するための遠隔制御アプリケーションを保存することができる。また、電子装置１００’は、提供された制御信号をブルートゥース、ワイ・ファイ、または赤外線のうち少なくとも１つの通信方法を用いて外部ディスプレイ装置に伝送することができる。例えば、Ａコンテンツを表示するためのユーザ音声信号が受信されると、電子装置１００’は、Ａコンテンツが外部ディスプレイ装置で表示されるように制御するための制御信号を外部ディスプレイ装置に伝送することができる。ここで、電子装置１００’は、スマートフォン、ＡＩスピーカーなど、遠隔制御アプリケーションをインストールできる様々な端末装置を意味する。

【0140】

さらに他の例として、電子装置１００’は、マイク１４０を介して受信されたユーザ音声信号に基づいて電子装置１００’と接続された外部ディスプレイ装置を制御するために遠隔制御装置を用いることができる。具体的には、電子装置１００’は、ユーザ音声信号に対応する動作が外部ディスプレイ装置で行われるように外部ディスプレイ装置を制御するための制御信号を遠隔制御装置に伝送することができる。また、遠隔制御装置は、電子装置１００’から受信された制御信号を外部ディスプレイ装置に伝送することができる。例えば、Ａコンテンツを表示するためのユーザ音声信号が受信されると、電子装置１００’は、Ａコンテンツが外部ディスプレイ装置で表示されるように制御するための制御信号を遠隔制御装置に伝送し、遠隔制御装置は、受信された制御信号を外部ディスプレイ装置に伝送することができる。

【0141】

スピーカー１５０は、高音再生のためのツイーター、中音再生のためのミッドレンジ、低音再生のためのウーファー、極低音再生のためのサブウーファー、共振を制御するためのエンクロージャー、スピーカーに入力される電気信号周波数を帯域別に分けるクロスオーバーネットワークなどからなる。

【0142】

スピーカー１５０は、音響信号を電子装置１００’の外部に出力することができる。スピーカー１５０は、マルチメディア再生、録音再生、各種通知音、音声メッセージなどを出力することができる。電子装置１００’は、スピーカー１５０のようなオーディオ出力装置を含んでもよいが、オーディオ出力端子のような出力装置を含んでもよい。特に、スピーカー１５０は、取得した情報、取得した情報に基づいて加工・生産した情報、ユーザ音声に対する応答結果または動作結果などを音声形態で提供することができる。

【0143】

ディスプレイ１６０は、自発光素子を含むディスプレイまたは非自発光素子およびバックライトを含むディスプレイで具現されてもよい。例えば、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）、ＯＬＥＤ（Ｏｒｇａｎｉｃ Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅｓ）ディスプレイ、ＬＥＤ（Ｌｉｇｈｔ Ｅｍｉｔｔｉｎｇ Ｄｉｏｄｅｓ）、マイクロＬＥＤ（ｍｉｃｒｏ ＬＥＤ）、Ｍｉｎｉ ＬＥＤ、ＰＤＰ（Ｐｌａｓｍａ Ｄｉｓｐｌａｙ Ｐａｎｅｌ）、ＱＤ（Ｑｕａｎｔｕｍ ｄｏｔ）ディスプレイ、ＱＬＥＤ（Ｑｕａｎｔｕｍ ｄｏｔ ｌｉｇｈｔ－ｅｍｉｔｔｉｎｇ ｄｉｏｄｅｓ）などのような様々な形態のディスプレイで具現されてもよい。ディスプレイ１６０内には、ａ－ｓｉ ＴＦＴ、ＬＴＰＳ（ｌｏｗ ｔｅｍｐｅｒａｔｕｒｅ ｐｏｌｙ ｓｉｌｉｃｏｎ）ＴＦＴ、ＯＴＦＴ（ｏｒｇａｎｉｃ ＴＦＴ）などのような形態で具現される駆動回路、バックライトユニットなども共に含まれ得る。なお、ディスプレイ１６０は、タッチセンサーと結合したタッチスクリーン、フレキシブルディスプレイ（ｆｌｅｘｉｂｌｅ ｄｉｓｐｌａｙ）、ローラブルディスプレイ（ｒｏｌｌａｂｌｅ ｄｉｓｐｌａｙ）、３次元ディスプレイ（３Ｄ ｄｉｓｐｌａｙ）、複数のディスプレイモジュールが物理的に連結されたディスプレイなどで具現されてもよい。プロセッサ１３０は、前述した様々な実施形態により取得した出力映像を出力するようにディスプレイ１６０を制御することができる。ここで、出力映像は、４Ｋまたは８Ｋ以上の高解像度映像でありうる。

【0144】

なお、他の実施形態により、電子装置１００’は、ディスプレイ１６０を含まなくてもよい。電子装置１００’は、外部ディスプレイ装置と接続されてもよく、電子装置１００’に保存されたイメージまたはコンテンツを外部ディスプレイ装置に伝送することができる。具体的には、電子装置１００’は、外部ディスプレイ装置でイメージまたはコンテンツが表示されるように制御するための制御信号と共にイメージまたはコンテンツを外部ディスプレイ装置に伝送することができる。

【0145】

ここで、外部ディスプレイ装置は、電子装置１００’と通信インターフェース１１０または入出力インターフェース（不図示）を介して接続することができる。例えば、電子装置１００’は、ＳＴＢ（Ｓｅｔ Ｔｏｐ Ｂｏｘ）のようにディスプレイを含まなくてもよい。また、電子装置１００’は、テキスト情報などの簡単な情報だけを表示できる小型ディスプレイのみを含んでもよい。ここで、電子装置１００’は、イメージまたはコンテンツを通信インターフェース１１０を介して有線または無線で外部ディスプレイ装置に伝送したり、入出力インターフェース（不図示）を介して外部ディスプレイ装置に伝送したりすることができる。

【0146】

ユーザインタフェース１７０は、電子装置１００’がユーザとインタラクション（Ｉｎｔｅｒａｃｔｉｏｎ）を行うための構成である。例えば、ユーザインタフェース１７０は、タッチセンサー、モーションセンサー、ボタン、ジョグ（Ｊｏｇ）ダイヤル、スイッチ、マイク、またはスピーカーのうち少なくとも１つを含んでもよいが、これに限定されるものではない。

【0147】

少なくとも１つのセンサー１８０（以下、センサー）は、様々なタイプの複数のセンサーを含んでもよい。センサー１８０は、物理量を計測したり電子装置１００’の作動状態を感知したりして、計測または感知した情報を電気信号に変換することができる。センサー１８０は、カメラを含んでもよいし、カメラは、オブジェクトによって反射して受信される可視光その他の光学信号をイメージセンサーにフォーカシングするレンズおよび可視光その他の光学信号を感知できるイメージセンサーを含んでもよい。ここで、イメージセンサーは、複数のピクセルに区分される２Ｄのピクセルアレイを含んでもよい。

【0148】

前述した例によれば、電子装置１００’は、学習された神経網モデルを用いて再生燃料の熱量を予測することができ、これに基づいて第１予熱室の温度を予測することができる。これによって、電子装置１００’は、正確に予測された予熱室の温度に基づいてユーザにガイド情報を提供することによって、環境に優しい工程および効率的な工程を可能にする。

【0149】

なお、前述した本開示の様々な実施形態による方法は、従来の電子装置にインストール可能なアプリケーション形態で具現されてもよい。または、前述した本開示の様々な実施形態による方法は、ディープラーニング基盤の学習された神経網（または深層学習された神経網）、すなわち、学習ネットワークモデルを用いて行われ得る。また、前述した本開示の様々な実施形態による方法は、従来の電子装置に対するソフトウェアアップグレードまたはハードウェアアップグレードだけでも具現されてもよい。また、前述した本開示の様々な実施形態は、電子装置に設けられたエンベデッドサーバー、または電子装置の外部サーバーを介して行われることも可能である。

【0150】

なお、本開示の一実施形態によれば、以上で説明された様々な実施形態は、機器（ｍａｃｈｉｎｅ）（例：コンピュータ）で読み取り可能な記憶媒体（ｍａｃｈｉｎｅ－ｒｅａｄａｂｌｅ ｓｔｏｒａｇｅ ｍｅｄｉａ）に保存された命令語を含むソフトウェアで具現されてもよい。機器は、記憶媒体から、保存された命令語を呼び出し、呼び出された命令語により動作が可能な装置であり、開示された実施形態によるディスプレイ装置（例：ディスプレイ装置（Ａ））を含んでもよい。命令がプロセッサによって実行される場合、プロセッサが直接、またはプロセッサの制御下に他の構成要素を用いて命令に該当する機能を行うことができる。命令は、コンパイラーまたはインタープリターにより提供または実行されるコードを含んでもよい。機器で読み取り可能な記憶媒体は、非一時的な（ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ）記憶媒体の形態で提供されてもよい。ここで、「非一時的な」は、記憶媒体が信号（ｓｉｇｎａｌ）を含まず、実在（ｔａｎｇｉｂｌｅ）することを意味するだけで、データが記憶媒体に半永久的または臨時的に保存されることを区分しない。

【0151】

また、一実施形態によれば、以上で説明された様々な実施形態による方法は、コンピュータプログラム製品（ｃｏｍｐｕｔｅｒ ｐｒｏｇｒａｍ ｐｒｏｄｕｃｔ）に含まれて提供されてもよい。コンピュータプログラム製品は、商品として販売者と購買者との間で取引されてもよい。コンピュータプログラム製品は、機器で読み取り可能な記憶媒体（例：ｃｏｍｐａｃｔ ｄｉｓｃ ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ（ＣＤ－ＲＯＭ））の形態で、またはアプリケーションストア（例：プレイストアＴＭ）を介してオンラインで配布することができる。オンライン配布の場合に、コンピュータプログラム製品の少なくとも一部は、メーカーのサーバー、アプリケーションストアのサーバー、または中継サーバーのメモリのような記憶媒体に少なくとも一時保存されたり、臨時的に提供されたりしてもよい。

【0152】

また、前述した様々な実施形態による構成要素（例：モジュールまたはプログラム）それぞれは、単数または複数の個体で構成されてもよく、前述した当該サブ構成要素のうち一部のサブ構成要素が省略されるか、または他のサブ構成要素が様々な実施形態にさらに含まれてもよい。代替としてまたは追加として、一部の構成要素（例：モジュールまたはプログラム）は、１つの個体として統合され、統合される前のそれぞれの当該構成要素により行われる機能を同一または類似に行うことができる。様々な実施形態によれば、モジュール、プログラムまたは他の構成要素により行われる動作は、順次に、並列的に、反復的に、またはヒューリスティックに実行されたり、少なくとも一部の動作が他の順序で実行されたり、省略されたり、または他の動作が追加されてもよい。

【0153】

以上では、本開示の好ましい実施形態について図示し説明したが、本開示は、前述した特定の実施形態に限定されず、特許請求の範囲において請求する本開示の要旨を逸脱することなく、当該開示に属する技術分野における通常の知識を有する者によって様々な変形実施が可能であることはもちろんであり、このような変形実施は、本開示の技術的思想や展望から個別的に理解されてはならない。

【符号の説明】

【0154】

１００ 電子装置
１１０ 通信インターフェース
１２０ メモリ
１３０ １つ以上のプロセッサ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8a】

【図8b】

【図9a】

【図9b】

【図9c】

【図10】

【図11】