北科大班晓娟团队：用AI优化浓密机控制

北科大班晓娟团队：用AI优化浓密机控制

引用

科学网

等

7

来源

1.

https://blog.sciencenet.cn/blog-3291369-1296532.html

2.

https://blog.sciencenet.cn/blog-3291369-1351402.html

3.

http://scce.ustb.edu.cn/shiziduiwu/jiaoshixinxi/2018-04-10/37.html

4.

https://ai.ustb.edu.cn/szdw/xsszmjs/B/3cf3cd35a70a455abf7c4e2cf7b36064.htm

5.

https://ai.ustb.edu.cn/kxyj/kytd/1ac5edf4f4ce4bb585907b9b84d8f278.htm

6.

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190348?viewType=HTML09

7.

https://cje.ustb.edu.cn/article/doi/10.13374/j.issn2095-9389.2021.12.02.004?viewType=HTML

北京科技大学班晓娟教授团队近期在浓密机控制领域取得重要突破，他们采用强化学习方法，成功实现了工业浓密机底流浓度的精确控制。这一创新成果不仅优化了浓密机的工作效率，还显著降低了生产成本，为现代复杂过程工业提供了新的解决方案。

研究背景与挑战

在现代复杂过程工业生产中，对控制性能指标进行优化是不同控制算法、控制系统的首要任务。在采矿领域复杂过程工业场景下，浓密机是一种被广泛应用的大型沉降工具，它通过重力沉降作用可以将低浓度的固液混合物进行浓缩形成高浓度的混合物，起到减水、浓缩的作用。

由于浓密机运行过程具有非线性、多变量、高时滞等特点，操作员难以维持底流浓度持续稳定，浓度存在偏差的底流会导致产品质量退化以及增加工业生产成本。在工业领域中对于浓密机的底流浓度的控制是一个巨大的挑战。

技术创新

班晓娟教授团队针对这一难题，提出了基于自适应动态规划（ADP）算法架构的启发式评价网络值迭代算法（Heuristic Critic Network Value Iteration，HCNVI）。该算法的核心优势在于：

1. 简化模型结构：仅通过评价网络、模型网络和梯度优化算法即可求解系统最优控制输入，无需复杂的动作网络。

2. 短期经验回放技术：在训练评价网络时，将短期内系统运行轨迹数据共同用于模型训练，有效增强评价网络的收敛速度。

3. 高效优化算法：设计了一种不需要引入动作网络的迭代梯度下降算法，可以直接求解系统最优控制输入。

实验验证与效果

研究团队通过浓密机仿真实验验证了HCNVI算法的有效性。实验结果表明，该算法在控制精度和时间消耗上均优于其他对比方法。具体表现在：

• 控制精度提升：底流浓度变化更加稳定，能够有效避免浓度偏差导致的产品质量退化。

• 计算时间减少：相比其他在线ADP算法，HCNVI算法消耗了更少的训练时间，提高了生产效率。

• 效用函数优化：效用函数值变化显示，HCNVI算法能够更好地平衡控制性能和资源消耗。

团队背景与实力

班晓娟教授是北京科技大学智能科学与技术学院副院长，AI3D实验室主任，入选教育部新世纪优秀人才支持计划。她主持了多项国家级重点项目，包括科技创新2030-“新一代人工智能”重大项目、国家重点研发计划项目等。团队在Nature子刊、IEEE T-II、AAAI等顶级期刊和会议上发表论文近300篇，获得发明专利30余项。

未来展望

虽然HCNVI算法在浓密机控制中取得了显著成效，但研究团队也指出其局限性。该算法目前主要适用于运行缓慢、状态变化连续的系统，对于更复杂的被控系统，如何保持控制性能和收敛速度将是未来研究的重点方向。

班晓娟教授团队的这项研究成果，为工业浓密机的智能化控制提供了新的思路和方法，有望在采矿、冶金、化工等多个领域得到广泛应用，推动工业生产向更高效、更智能的方向发展。