ParticleTensorAI® beruht auf der Idee, dass zeitaufgelöste Lichtstreusignale Information enthalten, die über die Eigenschaften eines einzelnen detektierten Partikelereignisses hinausgeht. Werden Abschnitte der aufgezeichneten Signale gespeichert und als mehrdimensionale Datenstrukturen angeordnet, kann ein KI-Modell Muster über die Zeit und – sofern vorhanden – über mehrere Detektorkanäle hinweg analysieren.
1. Lichtstreuung erzeugt zeitabhängige Signale
Wenn ein Tropfen oder Partikel ein definiertes Lichtfeld durchquert, streut er Licht. Die von einem optischen Detektor erfasste Intensität ändert sich, während sich das Partikel durch den beleuchteten Bereich bewegt. Das resultierende Signal verändert sich daher mit der Zeit.
Form und Intensität des Signals werden durch die Wechselwirkung zwischen Partikel und Lichtfeld beeinflusst. Je nach Messaufgabe kann dieses Signal Information über Partikel- bzw. Tropfeneigenschaften, Materialeigenschaften und die Bedingungen der Partikelströmung enthalten.
Beobachten mehrere Detektoren das Streulicht aus unterschiedlichen Richtungen, erzeugen sie getrennte Signalströme. Diese können sich ergänzende Information über dasselbe Messintervall liefern.
2. Von Einzelereignissen zu Signalsequenzen
Bei der ereignisbasierten Messung wird ein Signal untersucht, um einzelne Partikelwechselwirkungen zu identifizieren. Anschließend kann das System aus jedem detektierten Ereignis ausgewählte Parameter berechnen.
ParticleTensorAI® verfolgt ein anderes Auswertekonzept. Ein Abschnitt des zeitabhängigen Signals kann für die Analyse gespeichert werden, ohne dass zuvor jede Partikelwechselwirkung als Einzelereignis identifiziert und abgetrennt werden muss. Dies wird als triggerfreie Signalsequenzanalyse bezeichnet.
Triggerfreie Analyse bedeutet nicht, dass Partikel keine separaten physikalischen Wechselwirkungen erzeugen. Sie bedeutet, dass die KI-Auswertung auf der aufgezeichneten Signalsequenz arbeiten kann, ohne einen triggerbasierten Schritt zur Ereignistrennung als Ausgangspunkt zu benötigen.
3. Darstellung der Signale als Particle Tensor
Vor der KI-Analyse werden die aufgezeichneten Daten in einer mehrdimensionalen Darstellung angeordnet, dem sogenannten Particle Tensor. Diese Darstellung bewahrt ausgewählte Information aus der Signalsequenz, etwa Signalintensität, zeitliche Struktur und Beziehungen zwischen den Detektorkanälen.
Die Struktur des Tensors hängt von der Mess- und Analyseaufgabe ab. Seine Dimensionen und die Datenzuordnung werden so festgelegt, dass die relevante Signalinformation dem gewählten KI-Modell konsistent zugeführt werden kann. Ein Tensor ist somit eine strukturierte Darstellung von Messdaten – für sich genommen jedoch kein physikalisches Messergebnis.
4. KI-basierte Auswertung
Ein KI-Modell analysiert den Particle Tensor, um einen Zustand zu klassifizieren oder eine Zielgröße zu schätzen. Das Modell lernt Zusammenhänge zwischen den Mustern im Tensor und den Referenzinformationen, die während seiner Entwicklung bereitgestellt wurden.
Bei einem überwachten Modell werden die Trainingsdaten mit bekannten Labels oder Referenzwerten verknüpft. Das trainierte Modell kann anschließend neue Particle Tensors auswerten, die innerhalb des validierten Messbereichs liegen. Die Zuverlässigkeit seiner Ausgabe hängt von der Qualität und Abdeckung der Trainingsdaten, den Messbedingungen und dem Validierungsverfahren ab.
5. Zusammenhang zwischen Signalphysik und Modellausgabe
Das KI-Modell ersetzt nicht das optische Messprinzip. Es wertet Muster in Signalen aus, die durch Lichtstreuung entstehen. Die physikalische Messung legt fest, welche Information erfasst werden kann; die Tensordarstellung ordnet diese Information; und das KI-Modell setzt die erfassten Muster in Beziehung zum gewählten Analyseziel.
Die Ausgabe muss daher im Zusammenhang mit dem konkreten Messaufbau, dem Material, den Prozessbedingungen, den Referenzdaten und den Validierungsergebnissen interpretiert werden. Bei einem für eine Anwendung entwickelten Modell sollte nicht automatisch davon ausgegangen werden, dass es für eine andere Anwendung validierte Ergebnisse liefert.
Forschungsbeispiel
Eine veröffentlichte Studie untersuchte Kohlepartikel in Tropfen eines Sprays aus einer Kohle-Monoethylenglykol-Slurry. Die Detektorsignale wurden in Particle-Tensor-Darstellungen überführt und zum Training von Convolutional Neural Networks (faltenden neuronalen Netzen) für die Klassifizierung nach mittlerer Kohlepartikelgröße und Massenkonzentration verwendet.
Die Studie berichtete in Validierungsexperimenten unter den untersuchten Bedingungen Vorhersagegenauigkeiten von bis zu 95 %. Dies ist ein Ergebnis dieser spezifischen Machbarkeitsstudie und kein allgemeiner Leistungswert für jede ParticleTensorAI®-Anwendung.
Lesen Sie den Forschungsartikel im KITopen-Repository.
Zusammenfassung
- Bewegte Tropfen und Partikel erzeugen zeitabhängige Lichtstreusignale.
- ParticleTensorAI® speichert Signalsequenzen für die Analyse, ohne dass zuvor jedes Ereignis abgetrennt werden muss.
- Die Signale werden in einem mehrdimensionalen Particle Tensor angeordnet.
- Ein KI-Modell analysiert den Tensor im Hinblick auf ein definiertes Messziel.
- Modellausgaben erfordern geeignete Referenzdaten und eine Validierung für die jeweiligen Messbedingungen.