ParticleTensorAI® – KI-basierte Tensoranalyse

ParticleTensorAI® nutzt künstliche Intelligenz, um mehrdimensionale Darstellungen zeitaufgelöster Lichtstreusignale zu analysieren. Der Particle Tensor strukturiert die Messdaten; das KI-Modell lernt Muster in diesen Daten und setzt sie in Beziehung zu einer definierten Klassifizierungs- oder Schätzaufgabe.

Ein KI-Modell erhält Particle Tensors als Eingabe. Während der Entwicklung werden dem Modell Messdaten und geeignete Referenzinformationen bereitgestellt. Es lernt statistische Zusammenhänge zwischen Mustern in den Tensoren und den zugehörigen Referenzlabels oder -werten.

Nach Training und Validierung kann das Modell neue Particle Tensors analysieren und eine für die Messaufgabe definierte Ausgabe erzeugen. Je nach Modell kann dies eine Klassifizierung sein, etwa die Zuordnung einer Messung zu einem bekannten Zustand, oder eine Schätzung einer Zielgröße.

Beim überwachten Lernen wird jedes Trainingsbeispiel mit Referenzinformationen verknüpft. Diese Informationen teilen dem Modell mit, was der Particle Tensor repräsentiert – zum Beispiel einen bekannten Materialzustand oder ein Referenzmessergebnis.

Während des Trainings passt das Modell seine internen Parameter an, um die Abweichung zwischen seinen Vorhersagen und den Referenzinformationen zu verringern. Der gelernte Zusammenhang wird anschließend mit Daten bewertet, die nicht zum Training des Modells verwendet wurden.

In einer veröffentlichten ParticleTensorAI®-Studie wurden Convolutional Neural Networks (CNNs) eingesetzt, um bildbasierte Darstellungen von Particle Tensors zu analysieren. In dieser Studie wurden die Detektorsignale auf RGB-Bildkanäle abgebildet. Die Tensoren wurden für ein Spray aus einer Kohle-Monoethylenglykol-Slurry mit der mittleren Kohlepartikelgröße und der Massenkonzentration gelabelt.

Die CNNs wurden für Klassifizierungsaufgaben trainiert. In Validierungsexperimenten wurden unter den in dieser Studie untersuchten Bedingungen Vorhersagegenauigkeiten von bis zu 95 % erreicht. Dieses Ergebnis gilt für diese spezifische Forschungsanwendung und stellt keine allgemeine Genauigkeitsangabe für andere Materialien, Messaufbauten oder Modelle dar.

Das KI-Modell ersetzt nicht die optische Messung und erzeugt keine Informationen, die in den aufgezeichneten Signalen nicht enthalten sind. Es analysiert Muster in den Messdaten und setzt sie in Beziehung zu den Referenzinformationen, die bei seiner Entwicklung verwendet wurden.

Tensorformat, Detektorsignale, Referenzlabels und Modellarchitektur bestimmen gemeinsam, was das Modell lernen kann. Bei einem Modell, das zur Klassifizierung bestimmter Bedingungen trainiert wurde, darf ohne geeignete Prüfung nicht angenommen werden, dass es für eine andere Aufgabe validierte Ergebnisse liefert.

Die Validierung bewertet, wie gut ein trainiertes Modell bei Daten abschneidet, die vom Trainingsprozess getrennt gehalten wurden. Die Validierungsdaten sollten die für die vorgesehene Anwendung relevanten Materialien und Messbedingungen abbilden.

• Die Trainingsdaten bestimmen, welche Signalmuster das Modell lernen kann.
• Die Referenzinformationen legen fest, welche Ausgabe das Modell erzeugen soll.
• Mit Validierungsdaten wird die Leistungsfähigkeit über die Trainingsbeispiele hinaus bewertet.
• Änderungen an Material, Prozessbedingungen oder Messaufbau können eine zusätzliche Validierung erfordern.

Bei ParticleTensorAI® folgt die KI-Analyse auf die Erstellung des Particle Tensors. Der Tensor strukturiert die zeitaufgelösten Signalinformationen, während das trainierte Modell Zusammenhänge zwischen Tensormustern und Referenzdaten erkennt. Die resultierende Ausgabe ist innerhalb der Aufgabe und der Bedingungen aussagekräftig, für die das Modell entwickelt und validiert wurde.

Ein veröffentlichtes Beispiel für die CNN-basierte Analyse von Particle-Tensor-Darstellungen finden Sie unter „AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray“ im Repository KITopen.