SprayQuantAI® bestimmt Tropfengröße und Tropfengeschwindigkeit, indem ein trainiertes Modell des maschinellen Lernens auf die vollständige zeitaufgelöste Lichtstreusignatur eines einzelnen Tropfens angewendet wird. Unser patentiertes Verfahren nutzt vier Lichtstreusignale desselben Tropfens, um Referenzwerte für das Modelltraining zu bestimmen. Diese Werte werden mit einem ausgewählten Signal dieses Tropfens verknüpft, sodass das Modell den Zusammenhang zwischen Signalverlauf und Tropfeneigenschaften lernen kann. Nach Training und Validierung genügt ein einziger gemessener Signalverlauf, um Tropfengröße und Tropfengeschwindigkeit vorherzusagen. Das Verfahren und seine wissenschaftlichen Grundlagen sind in [1][2] beschrieben.
KI-Tropfenmessung anhand eines Lichtstreusignals
Wenn ein Tropfen den Messbereich durchquert, zeichnet der Detektor die Streulichtintensität über die Zeit auf:
Das KI-Modell erhält den vollständigen Signalverlauf. Signalhöhe, Signalbreite, Peakpositionen und komplexere Signalformen können alle zur Vorhersage beitragen. Der Signalverlauf spiegelt die Wechselwirkung zwischen Tropfen, Laserstrahl, optischem System und Detektor wider. Er kann daher mehr Informationen enthalten als ein einzelner Spitzenwert.
KI-Vorhersage von Tropfengröße und Tropfengeschwindigkeit
Die zentrale KI-Berechnung lässt sich wie folgt zusammenfassen:
Dabei ist d der vorhergesagte Tropfendurchmesser und v die vorhergesagte Tropfengeschwindigkeit. Das Modell lernt Muster über den gesamten Signalverlauf, anstatt sich auf einen festen Signalwert zu stützen. So entsteht ein datenbasierter Zusammenhang zwischen dem gemessenen optischen Signal und den physikalischen Eigenschaften des Tropfens.
Warum das Lichtstreusignal Informationen über den Tropfen enthält
Während sich ein Tropfen durch den Laserstrahl bewegt, trifft er auf unterschiedliche Bereiche des räumlichen Lichtfelds und erzeugt ein zeitaufgelöstes Lichtstreusignal. Verschiedene Streubeiträge können zu unterschiedlichen Zeitpunkten und mit unterschiedlicher Intensität auftreten und ergeben einen Signalverlauf, der die physikalischen und optischen Eigenschaften des Tropfens widerspiegelt.
Tropfengröße, Geschwindigkeit, Flugbahn und optische Eigenschaften können diese Lichtstreusignatur beeinflussen. Der vollständige Signalverlauf kann daher mehr Informationen enthalten als eine einzelne Peakhöhe oder Signalbreite. Die KI-basierte Analyse wertet mehrere Merkmale und deren Zusammenhänge gemeinsam aus, um den einzelnen Tropfen zu charakterisieren.
Training des KI-Modells mit vier Lichtstreusignalen
Das Training beginnt mit vier Lichtstreusignalen, die von demselben Tropfen aufgezeichnet werden [2]. Das System wertet diese Signale gemeinsam aus, um Referenzwerte wie Tropfendurchmesser und Tropfengeschwindigkeit zu bestimmen.
Anschließend verknüpft der Trainingsprozess die Referenzwerte mit einem ausgewählten Signalverlauf dieses Tropfens. Der ausgewählte Signalverlauf erhält Referenzlabels für Größe und Geschwindigkeit. Durch Wiederholung dieses Vorgangs für viele Tropfen entsteht ein Datensatz aus gemessenen Signalen und zugehörigen Referenzwerten. Das Modell des maschinellen Lernens nutzt diesen Datensatz, um zu lernen, wie die Struktur eines einzelnen Signalverlaufs mit Tropfengröße und Tropfengeschwindigkeit zusammenhängt.
Training mit real gemessenen Lichtstreusignalen
Das patentierte Verfahren [2] nutzt real gemessene Lichtstreusignale für das KI-Training. Diese Signale enthalten Einflüsse des tatsächlichen optischen Aufbaus, der Tropfenbahn, des Detektors, der Elektronik, mechanischer Toleranzen und der Spraybedingungen.
Ein vollständiges mathematisches Modell würde detaillierte Informationen über Laser, optische Geometrie, Detektor, Tropfenbahn und Materialeigenschaften erfordern. Einige dieser Werte können sich ändern oder sind möglicherweise nicht genau bekannt. Das Training mit realen Signalen ermöglicht es dem Modell, aus dem Verhalten des tatsächlichen Messsystems zu lernen.
Literatur
[1] Schaefer, W., & Li, L. (2024). “Particle characterization by analyzing light scattering signals with a machine learning approach.” Applied Optics, 63(29), 7701–7707. https://doi.org/10.1364/AO.531346.
[2] Schäfer, W. „Method and device for characterizing particle properties by evaluating a scattered-light signal using a machine-learning model and reducing the primary apparatus.“ Deutsche Patentanmeldung DE102023134228A1. Anmelder: ai-quanton GmbH.