ParticleTensorAI® wandelt zeitaufgelöste Lichtstreudaten in strukturierte Eingangsdaten für die KI-Analyse um. Statt nur isolierte Werte einzelner Partikelereignisse auszuwerten, kann das Verfahren Signalsequenzen von einem oder mehreren Detektoren beibehalten und als mehrdimensionale Datenstruktur anordnen, den sogenannten Particle Tensor.
Was ist ein Particle Tensor?
In diesem Zusammenhang ist ein Tensor eine strukturierte Anordnung numerischer Messdaten. Er kann die Beziehungen zwischen Signalabtastwerten, Detektorkanälen und dem gewählten Messintervall bewahren. Der Begriff bezeichnet das für die rechnergestützte Analyse verwendete Datenformat; er bezieht sich nicht auf eine eigene physikalische Eigenschaft eines Partikels.
Das genaue Tensorformat hängt von der Messaufgabe und dem KI-Modell ab. Es gibt keine einheitliche Darstellung, die für jede ParticleTensorAI®-Anwendung verwendet werden muss.
Konzeptionelle Datentransformation
Die Transformation der gemessenen Signale in einen Particle Tensor lässt sich in folgende Stufen gliedern:
- Detektorsignale aufzeichnen: Optische Detektoren erfassen zeitabhängige Lichtstreusignale, während Tropfen oder Partikel den Messbereich durchqueren.
- Messsequenz auswählen: Ein definiertes Intervall der aufgezeichneten Daten wird für die Analyse beibehalten. Das Intervall kann Informationen aus mehreren Partikelwechselwirkungen enthalten.
- Daten anordnen: Die Signalabtastwerte werden in einer mehrdimensionalen Struktur organisiert. Je nach gewähltem Verfahren kann die Darstellung Zeitinformationen und Beziehungen zwischen Detektorkanälen bewahren.
- Modelleingabe vorbereiten: Der Particle Tensor wird konsistent mit dem für das Messziel entwickelten KI-Modell formatiert.
- Tensor auswerten: Das Modell analysiert den Tensor und liefert eine für die Aufgabe definierte Klassifikation oder Schätzung.
Alle Datenverarbeitungsschritte müssen für die Modellentwicklung und die spätere Auswertung einheitlich festgelegt werden. Die Tensordarstellung sollte die für das Analyseziel benötigten Signalinformationen bewahren.
Beziehungen in den Signaldaten bewahren
Eine Signalsequenz enthält mehr als ihre maximale oder mittlere Intensität. Ihre zeitabhängige Struktur kann Änderungen der Amplitude, der Signalform und des zeitlichen Verlaufs sowie Beziehungen zwischen Signalen verschiedener Detektoren umfassen.
Werden die Daten als Particle Tensor dargestellt, kann ein KI-Modell diese Merkmale gemeinsam auswerten. Das ist nützlich, wenn die Analyse von Mustern über ein Messintervall hinweg abhängen kann statt von einem einzelnen Wert oder einem separat identifizierten Partikelereignis.
Eine bildbasierte Tensordarstellung
Eine Möglichkeit, Signaldaten darzustellen, ist ein Bild. In einer veröffentlichten Studie zu einem Kohle-Monoethylenglykol-Slurry-Spray wurden Detektorsignale auf RGB-Bildkanäle abgebildet. Die resultierenden Particle-Tensor-Darstellungen wurden mit der mittleren Kohlepartikelgröße und der Massenkonzentration gelabelt und zum Training von Convolutional Neural Networks für die Klassifikation verwendet.
Diese bildbasierte Darstellung ist ein Beispiel dafür, wie Signalsequenzen in Modelleingaben umgewandelt werden können. Für andere Detektoranordnungen, Messdaten oder Analyseziele können andere Tensorformate geeignet sein.
Training und Referenzinformationen
Für die überwachte KI-Analyse werden Particle Tensors mit Referenzinformationen verknüpft, etwa mit bekannten Materialbedingungen oder Messergebnissen. Das Modell lernt Muster, die die Tensordaten mit diesen Referenzen in Beziehung setzen.
Die Trainingsdaten sollten die Bedingungen abbilden, für die das Modell eingesetzt werden soll. Eine unabhängige Validierung ist erforderlich, um zu beurteilen, wie zuverlässig das Modell mit Daten arbeitet, die nicht im Training verwendet wurden.
Wichtige Hinweise
- Der Particle Tensor ist eine Datendarstellung, kein direktes Messergebnis.
- Tensorformat und Datenaufbereitung hängen von der Messaufgabe und dem gewählten KI-Modell ab.
- Referenzlabels beeinflussen, was ein überwachtes Modell zu klassifizieren oder zu schätzen lernen kann.
- Modellausgaben erfordern eine Validierung unter relevanten Material- und Prozessbedingungen.
Forschungsbeispiel
Die KITopen-Studie „AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray“ beschreibt einen bildbasierten Particle-Tensor-Ansatz zur Analyse von Lichtstreudaten. Die Arbeit untersucht die Klassifikation der mittleren Kohlepartikelgröße und der Massenkonzentration für die getesteten Slurry-Spray-Bedingungen.