DE102023134228A1 beschreibt ein Verfahren und eine Vorrichtung zur Charakterisierung von Teilcheneigenschaften durch Auswertung eines Streulichtsignals mittels eines maschinellen Lernmodells. Der Kerngedanke ist die Reduzierung des primären Apparates: Ein aufwendiges optisches Messsystem wird nur für das Training des Modells benötigt. Die eigentliche Messung erfolgt anschließend mit deutlich einfacherer Hardware.
Von der Primärapparatur zur reduzierten Apparatur
Die Primärapparatur kombiniert das Time-Shift-Verfahren mit dem Time-of-Flight-Verfahren. Sie verwendet zwei Lichtquellen und vier Detektoren. Jedes Teilchen, das das Messvolumen durchquert, erzeugt vier zeitaufgelöste Streulichtsignale. Aus diesen Signalen werden mit etablierter Signalauswertung Teilchengröße, Geschwindigkeit und Brechungsindex bestimmt.
Diese Ergebnisse dienen als Referenzwerte. Ein Modell des maschinellen Lernens lernt den Zusammenhang zwischen der Form eines ausgewählten Streulichtsignals und den Teilcheneigenschaften. Nach dem Training erfasst eine reduzierte Apparatur mit nur einer Lichtquelle und einem Detektor ein einzelnes Signal. Das trainierte Modell bestimmt daraus die Teilcheneigenschaften.
Warum maschinelles Lernen?
Reale Streulichtsignale weichen von idealisierten mathematischen Modellen ab. Der optische Aufbau ist nie vollständig bekannt, Teilchenparameter variieren, und die Strömung verursacht zufällige Störungen. Die klassische Auswertung nutzt nur wenige Signalmerkmale, etwa die Lage der Peaks. Ein trainiertes Modell wertet die vollständige Signalform aus und lernt aus realen Messdaten – einschließlich ihres Rauschens und ihrer Unsicherheiten.
Vorteile
- Weniger optische Komponenten: eine Lichtquelle und ein Detektor statt zwei Lichtquellen und vier Detektoren
- Kompakte und kostengünstige Messgeräte
- Gleichzeitige Bestimmung von Teilchengröße, Geschwindigkeit und Brechungsindex
- Training mit realen Messdaten statt mit idealisierten Modellen
Anwendungen
Das Verfahren eignet sich für die Spraycharakterisierung, zum Beispiel in Beschichtungsprozessen, Einspritzsystemen, beim Pflanzenschutz und bei medizinischen Aerosolen. Es unterstützt außerdem die Qualitätskontrolle sowie kompakte, tragbare Systeme zur Teilchenmessung. Für ai-quanton ist das Patent eine Grundlage für KI-basierte Messsysteme wie SprayQuantAI® und ParticleTensorAI®.
