Dieser wissenschaftliche Artikel stellt einen Ansatz des maschinellen Lernens zur Partikelcharakterisierung in einer Strömung vor. Das Verfahren analysiert Lichtstreusignale der TSTOF-Messtechnik. Diese Technik ist auch vom Messsystem SpraySpy bekannt.
Die Arbeit zeigt, wie ein Modell des maschinellen Lernens Partikelgröße und Partikelgeschwindigkeit aus nur einem Lichtstreusignal vorhersagen kann. Im klassischen TSTOF-Aufbau verwendet das System normalerweise vier optische Signale. Diese Studie markiert daher einen wichtigen Schritt hin zu einem kleineren, einfacheren und kostengünstigeren optischen Messgerät.
Maschinelles Lernen für die Partikelcharakterisierung
Die Partikelcharakterisierung spielt in Sprays, Strömungen und industriellen Prozessen eine wichtige Rolle. Sie hilft dabei, Partikelgröße, Partikelgeschwindigkeit und Prozessstabilität zu messen. Klassische optische Systeme benötigen jedoch häufig mehrere Detektoren, Lichtquellen und synchronisierte Signalkanäle.
In dieser Studie trainierten die Autoren ein Modell des maschinellen Lernens mit Daten eines klassischen TSTOF-Systems. Das ursprüngliche System verwendet zwei fokussierte Gaußsche Laserstrahlen und vier Detektoren. Nach dem Training analysiert das Modell nur ein einziges Signal als Eingabe.
Im Ergebnis sagt das Modell Partikelgröße und Partikelgeschwindigkeit aus einem einzigen Lichtstreusignal vorher.
Von vier Signalen zu einem Signal
Die Kernidee dieser Arbeit ist die Reduzierung der Hardware. Ein klassisches TSTOF-Messgerät zeichnet vier zeitaufgelöste Lichtstreusignale auf. Mit diesen Signalen werden Partikelgröße und Partikelgeschwindigkeit berechnet.
Dieser Artikel zeigt jedoch, dass ein einziges Signal genügend Informationen für die Partikelcharakterisierung enthalten kann, wenn maschinelles Lernen die Analyse unterstützt. Künftige Systeme könnten daher auf eine Lichtquelle, drei Detektoren sowie die zugehörigen optischen und elektronischen Komponenten verzichten.
Dies kann Kosten, Baugröße, Gewicht und Systemkomplexität verringern. Zudem kann ein einkanaliges Erfassungssystem ohne Synchronisation zwischen mehreren Kanälen arbeiten.
Versuchsaufbau mit SpraySpy
Für die Experimente wurde ein modifiziertes SpraySpy-Messgerät auf Basis des TSTOF-Verfahrens eingesetzt. Das System zeichnete die direkten Spannungssignale der Photodetektoren auf.
Eine Flachstrahldüse erzeugte in einer Spraykammer mit geschlossenem Kreislauf ein feines und stabiles Spray. Die Autoren variierten Pumpenförderrate, Druck und Messabstand, um ein breites Spektrum an Partikelgrößen und -geschwindigkeiten zu erzeugen.
Darüber hinaus nutzte das Signalerfassungssystem eine selbst entwickelte Messkarte mit einem FPGA und einem 12-Bit-ADC. Jedes Lichtstreusignal umfasste 1000 Abtastwerte und war mit zugehörigen Werten für Partikelgröße und Partikelgeschwindigkeit verknüpft.
Modellvalidierung
Die Autoren trainierten die Modelle des maschinellen Lernens mit einem großen Datensatz einzelner Lichtstreusignale. Anschließend testeten sie die Modelle mit einem unabhängigen Messdatensatz und zusätzlichen, zufällig ausgewählten Signalen.
Die vorhergesagten Werte zeigten eine gute Übereinstimmung mit den Werten der klassischen TSTOF-Auswertung mit vier Signalen. Die Ergebnisse bestätigen somit das Potenzial des Verfahrens für eine kompakte optische Partikelcharakterisierung.
Die Ergebnisse zeigen außerdem, dass das Verfahren mit unterschiedlichen Detektorkanälen funktionieren kann. Für jeden Detektor erstellten die Autoren separate Modelle zur Vorhersage von Partikelgröße und Partikelgeschwindigkeit.
Relevanz für SprayQuantAI
Diese Arbeit bildet eine wichtige wissenschaftliche Grundlage für SprayQuantAI. Sie zeigt, wie KI die Hardwarekomplexität TSTOF-basierter Spray- und Partikelmesssysteme verringern kann.
SprayQuantAI baut auf der Idee auf, dass Lichtstreusignale mehr Informationen enthalten, als eine klassische Signalauswertung ohne Weiteres extrahieren kann. Mit maschinellem Lernen kann ein kompaktes optisches System Tropfen oder Partikel in einem Spray mit weniger Komponenten analysieren.
Diese Veröffentlichung unterstützt daher die Entwicklung KI-gestützter Spraydiagnostik, kompakter Messsonden und von Systemen zur Prozessüberwachung in Echtzeit.
Vorteile für optische Messsysteme
Das vorgestellte Verfahren kann künftige Messsysteme für Sprays, Partikel, Tropfen und Strömungen unterstützen. Es kann dazu beitragen, Hardwarekosten zu senken und die Integration in industrielle Umgebungen zu vereinfachen.
Gleichzeitig bleibt das Hauptziel des TSTOF-Ansatzes erhalten: Das Verfahren misst Partikelgröße und Partikelgeschwindigkeit anhand zeitaufgelöster Lichtstreusignale.
Mögliche Anwendungen sind Spraymessung, Beschichtungsprozesse, Partikeldiagnostik, Zerstäubercharakterisierung, Prozessüberwachung und Qualitätskontrolle.
Wissenschaftlicher Ausblick
Der Artikel diskutiert auch die Grenzen des maschinellen Lernens. Der Rechenweg ist nicht immer direkt nachvollziehbar. Zudem kann für industrielle Anwendungen eine Kalibrierung erforderlich sein.
Die Ergebnisse zeigen jedoch ein großes Potenzial für weitere Forschung. Künftige Arbeiten können die Modelle des maschinellen Lernens verbessern, verschiedene Netzwerkstrukturen vergleichen und den Ansatz mit breiteren Partikelgrößen- und Geschwindigkeitsverteilungen testen.
Dies kann robustere KI-basierte Messgeräte für industrielle und wissenschaftliche Anwendungen ermöglichen.
Referenz
Schaefer, W., & Li, L. (2024). Particle characterization by analyzing light scattering signals with a machine learning approach. Applied Optics, 63(28), 7701–7707. https://doi.org/10.1364/AO.531346
