Intelligent wireless control system for crystallization using Ultrasound Tomographic Imaging and Deep Reinforcement Learning
Artykuł w czasopiśmie
MNiSW
0
brak dyscyplin
| Status: | |
| Warianty tytułu: |
Inteligentny bezprzewodowy system sterowania krystalizacją wykorzystujący obrazowanie ultrasonograficzne i głębokie uczenie ze wzmocnieniem
|
| Autorzy: | Niderla Konrad, Rymarczyk Tomasz, Kulisz Monika, Kłosowski Grzegorz, Kaleta Paweł, Olszewski Paweł |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2026 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 4 |
| Wolumen/Tom: | 102 |
| Numer artykułu: | 5 |
| Strony: | 31 - 35 |
| Scopus® Cytowania: | 0 |
| Bazy: | Scopus | BazTech |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 22 kwietnia 2026 |
| Abstrakty: | angielski | polski |
| This study presents a wireless edge-intelligent control framework for crystallization processes that integrates ultrasound tomography (UST) with deep reinforcement learning (DRL). Ultrasound tomography delivers non-invasive in-situ images of opaque media which makes it possible to observe precipitation fronts and spatial heterogeneity directly. A dedicated measurement platform acquires raw signals reconstructs images compresses salient tomographic features and forwards them to an edge controller for real-time inference. The reconstructed images serve as the state for a Proximal Policy Optimization agent that autonomously modulates cooling dosing and stirring to shorten cycle time while safeguarding product morphology. Simulation results indicate fast policy convergence and more than a twenty percent reduction in average crystallization time relative to baseline controllers. The principal contribution is the use of tomographic images as the decision substrate which elevates tomography from purely diagnostic use to a core component of closed-loop control. A wireless and modular architecture underscores suitability for Industry 4.0 settings and points toward adaptive image-driven control strategies in smart manufacturing. | |
| W niniejszym badaniu przedstawiono bezprzewodową strukturę inteligentnego sterowania procesami krystalizacji, która łączy tomografię ultradźwiękową (UST) z głębokim uczeniem się ze wzmocnieniem (DRL). Tomografia ultradźwiękowa zapewnia nieinwazyjne obrazy in-situ nieprzezroczystych mediów, co umożliwia bezpośrednią obserwację frontów opadów i niejednorodności przestrzennej. Dedykowana platforma pomiarowa pozyskuje nieprzetworzone sygnały, rekonstruuje obrazy, kompresuje istotne cechy tomograficzne i przekazuje je do kontrolera brzegowego w celu wnioskowania w czasie rzeczywistym. Zrekonstruowane obrazy służą jako stan dla agenta optymalizacji polityki proksymalnej, który autonomicznie moduluje dozowanie chłodzenia i mieszanie w celu skrócenia czasu cyklu przy jednoczesnym zachowaniu morfologii produktu. Wyniki symulacji wskazują na szybką zbieżność polityki i ponad dwudziestoprocentowe skrócenie średniego czasu krystalizacji w stosunku do kontrolerów bazowych. Głównym wkładem jest wykorzystanie obrazów tomograficznych jako substratu decyzyjnego, który podnosi tomografię z czysto diagnostycznego zastosowania do podstawowego elementu sterowania w pętli zamkniętej. Bezprzewodowa i modułowa architektura podkreśla przydatność dla ustawień Przemysłu 4.0 i wskazuje na adaptacyjne strategie sterowania oparte na obrazach w inteligentnej produkcji. |
