臭氧有很强的氧化特性和消毒特性,在工业污水、食品加工等各领域均被广泛的应用。因此臭氧的制备在这些领域具有很大的需求。目前对其特性以及制备方法国内外的学者都有十分深入的研究,并取得了一系列理论上的成果,为我们实际制备臭氧奠定了强有力的基础。现今被广泛应用于工业臭氧制备领域的方式是介质阻挡放电法,此方法能够制备出高浓度的臭氧。但是此方法仍存在着一些问题。其放电室结构比较复杂,并且臭氧发生系统中影响臭氧生成的内部参数比较多,因此无法通过机理进行建模。而现在已有的臭氧发生器大都采用开环控制,没根据实际的产量和浓度需求进行控制,因此存在能耗高且效率低的问题。所以要在系统控制方面进行更加深入的研究。为改善臭氧发生系统生成臭氧效率低和能耗高的问题,需要提高系统的可控性以及智能性。本文将MFAC算法部署到臭氧发生系统控制中,并提出一种基于深度强化学习的臭氧发生系统多目标优化方法。臭氧在不同的应用场景下,其浓度、响应时间以及波动均有特定的需求,因此控制好这三个目标是关键。在DDPG算法框架下对MFAC算法的参数进行调节,依据三个关键目标值进行DDPG算法的奖励函数设置,然后通过神经网络的训练以调整MFAC参数,最终使参数向着满足三个目标值的方向调整。为验证DDPG算法以及MFAC算法的可行性及优越性,本文分别设计了MFAC算法与传统的PID算法控制的对比实验、DDPG算法与PSO算法参数调整对比实验。通过各个实验结果表明:针对臭氧发生系统,MFAC算法控制效果优于传统PID算法控制效果。基于DDPG的MFAC参数调节方式优于PSO算法的调节。因此基于深度强化学习的臭氧发生系统多目标优化方式能够保证臭氧发生系统的稳定工作。并且能够保证针对不同的应用场景,只需依据需求改变奖励函数的设置,经过学习便可使臭氧发生系统稳定的生成出相应的臭氧浓度。