基于RST的连退炉温度神经网络模型研究

崔岚　郑怀宇

摘 要：准确的连续退火炉温度控制是高质量冷轧生产的基本要求，然而变量的不确定性和不完整性以及测量误差的存在使这项任务具有挑战性。人工神经网络在这一领域虽然得到了广泛的应用，但是它们可能无法提供所需的准确性。随着深度置信网络、堆叠自编码机等算法的出现，使得越来越多的学者倾向于对无监督—微调模型的研究。人们寄期望于无监督模型可以挖掘出数据中潜在的关系和知识，然后通过微调引导，从而得到一个更好、更具鲁棒性的模型。基于该思想，将粗糙集理论引入退火炉的神经网络“遗忘门”部分，通过粗糙集理论决定变量的淘汰和保留。

关键词：粗糙集；神经网络；RST

RESEARCH ON NEURAL NETWORK MODEL FOR CONTINUOUS ANNEALING FURNACE TEMPERATURE BASED ON RST

Cui Lan    Zheng Huaiyu

（Benxi Iron and Steel（Group）Co.Ltd.    Benxi    117000，China）

Abstract：Accurate continuous annealing furnace temperature control is a fundamental requirement for high-quality cold rolling production， but the uncertainty and incompleteness of variables， as well as the presence of measurement errors， make this task challenging. Although artificial neural networks have been widely used in this field， they may not provide the required accuracy. With the emergence of algorithms such as deep confidence networks and stacked self coding machines， more and more scholars are inclined to study unsupervised fine-tuning models. People expect unsupervised models to uncover potential relationships and knowledge in the data， and then fine-tune guidance to obtain a better and more robust model. Based on this idea， this article introduces rough set theory into the "forgetting gate" part of the neural network of the annealing furnace， and determines the elimination and retention of variables through rough set theory.

Key words：rough set theory；neural network；RST

1    粗糙集理论概述

粗糙集理论（Rough Set Theory，RST）是Pawlak提出的，用于处理机器学习和模式识别领域那些不确定、不精确的或者是模糊知识的一种数学工具[1-2]。粗糙集理论首先定义一个信息系统 ，其中 表示有限非空对象集合，也叫论域； 是有限非空属性集合，也称之为条件属性集； 是值域集合。每个属性 都与一个论域集合 和 相联系。知识约简是粗糙集理论中的重要思想，其准则是尽量不改变系统的性能，尽可能多的删除冗余的或者重复的知识，这种特性对神经网络“遗忘门”的搭建起到重要的用。

2    基于粗糙集理论的神经元

粗糙集神经网络由传统神经元和相互连接的粗糙神经元组成，粗糙神经元 可以看作是一对神经元，一个是上界 ，另一个是下界 。粗糙神经元的输出是一对上界和下界，而传统神经元的输出是单个值。该神经网络模型使用多层、前馈和反向传播设计来描述，由一个输入层、一个输出层和一个隐含层组成。以粗糙集神经网络为基础，单个粗糙神经元和神经网络“遗忘门”的设计结构图如图1所示：

该网络的输入为粗糙集理论获得输入数据的上、下边界。通过后期试验，从时间复杂度和算法的预测性能来分析，我们发现隐含层的个数选择2是最合理的。

3    基于粗糙集理论的神经网络

本文使用神经网络粗糙模式进行预测，粗糙模式中的每个值都是一对上界和下界，粗糙神经元提供了使用粗糙模式的能力。根据应用程序的性质，网络中的两个粗糙神经元可以通过四个上界和下界连接相互连接。粗糙神经元也可以通过两个连接权重来连接到传统神经元，所以粗糙神经网络是由粗糙神经元和传统神经元相互连接组成的。在粗糙集理论中，我们引入了另一个集合相等的概念，即近似（粗糙）相等。粗糙集另一个重要的性质-属性约简，给模型的选择带来了极大的便利。因为在知识库中知识（属性）并不是同等重要的，甚至某些知识是冗余的，所谓知识约简就是在保持知识库分类能力不变的条件下，删除其中不相关或不重要的知识。利用粗糙集理论这些关键性质，我们将其引入到现有的退火炉神经网络模型中。本文设计的退火炉神经网络结构如图2所示。

4    试验及分析

为了证明所提出模型的有效性，我们进行了试验仿真，试验中所使用的数据为退火炉的燃气流量、空气流量、燃烧温度。

从图3a可以看出，由于引入粗糙集理论，退火炉神经网络的跟随能力很高。在训练阶段，RST神经网络的性能并没有出现过拟合现象，且针对干扰具有一定的鲁棒性。从图3b可以看出，训练数据的最大正负误差较小，主要原因是粗糙集很好地在不同时刻识别出每个变量的贡献度。

5    总    结

简单来讲，在该模型中粗糙集理论相当于一个分类器，用于对特征进行简单的分类，然后神经网络再进行深度提取数据特征。利用粗糙集神经元的知识筛选特性对数据进行选择，可以增强遗忘门的数据选择能力，虽然训练时间增加，但是模型的其他性能均得到了明显的提高。根据退火炉实际运行数据分析，如果我们控制模型在线调整的间隔，可以实现其更优秀的性能。

参考文献

[1]    Pawla，Z.Vagueness and Uncertainty： A Rough Set Perspective[J].Computational Intelligence，  1995，11（2）：227-232.

[2]    Pawla Z，Grzymala-Busse J，Slowinski R， et al. Rough Sets[J].Communications of the ACM， 1995，38（11）：88-95.