Applied Optics 2024 – 機械学習とTSTOF信号による粒子特性評価

この学術論文では、流れの中の粒子特性評価のための機械学習アプローチを紹介します。この手法は、TSTOF測定技術による光散乱信号を解析します。この技術はSpraySpy測定システムでも知られています。

本研究では、機械学習モデルがわずか1つの光散乱信号から粒子径と粒子速度を予測できることを示しています。従来のTSTOF構成では、システムは通常4つの光学信号を使用します。したがって、この研究は、より小型でシンプル、かつ低コストな光学測定装置に向けた重要な一歩となります。

粒子特性評価は、スプレー、流れ、産業プロセスにおいて重要な役割を果たします。粒子径、粒子速度、プロセス安定性の測定に役立ちます。しかし、従来の光学システムでは、複数の検出器、光源、同期した信号チャンネルが必要となることが少なくありません。

本研究では、著者らが従来のTSTOFシステムのデータを用いて機械学習モデルを学習させました。元のシステムは、集光された2本のガウシアンレーザービームと4つの検出器を使用します。学習後、モデルは入力として1つの信号のみを解析します。

その結果、モデルは単一の光散乱信号から粒子径と粒子速度を予測します。

本研究の核となるアイデアは、ハードウェアの削減です。従来のTSTOF測定装置は、4つの時間分解光散乱信号を記録します。これらの信号から粒子径と粒子速度が算出されます。

しかし本論文は、機械学習が解析を支援すれば、1つの信号でも粒子特性評価に十分な情報を含み得ることを示しています。したがって、将来のシステムでは、光源1つ、検出器3つ、および関連する光学・電子部品を省略できる可能性があります。

これにより、コスト、サイズ、重量、システムの複雑さを低減できます。さらに、単一チャンネルの取得システムであれば、複数チャンネル間の同期なしで動作できます。

実験には、TSTOF法に基づく改良型のSpraySpy測定装置を使用しました。システムは、光検出器からの電圧信号を直接記録しました。

閉ループ式のスプレーチャンバー内で、フラットファンノズルが微細で安定したスプレーを生成しました。著者らは、ポンプ流量、圧力、測定距離を変化させ、幅広い粒子径と粒子速度を作り出しました。

さらに、信号取得システムには、FPGAと12ビットADCを搭載した自社開発の測定カードを使用しました。各光散乱信号は1000サンプルで構成され、粒子径と粒子速度の値が対応付けられていました。

著者らは、個々の光散乱信号からなる大規模なデータセットを用いて機械学習モデルを学習させました。その後、独立した測定データセットと、ランダムに選んだ追加の信号を用いてモデルを検証しました。

予測値は、4信号による従来のTSTOF評価の値と良好な一致を示しました。したがって、この結果は、コンパクトな光学式粒子特性評価に向けたこの手法の可能性を裏付けるものです。

また、この手法が異なる検出器チャンネルでも機能することも示されました。著者らは検出器ごとに、粒子径と粒子速度を予測する個別のモデルを作成しました。

本研究は、SprayQuantAIの重要な科学的基盤となっています。AIによって、TSTOFベースのスプレー・粒子測定システムのハードウェアの複雑さをいかに低減できるかを示しています。

SprayQuantAIは、光散乱信号には従来の信号評価では容易に抽出できないほど多くの情報が含まれているという考えに基づいています。機械学習を用いることで、コンパクトな光学システムが、より少ない部品でスプレー中の液滴や粒子を解析できます。

したがって、この論文は、AI支援によるスプレー診断、コンパクトな測定プローブ、リアルタイムのプロセスモニタリングシステムの開発を後押しするものです。

提示された手法は、スプレー、粒子、液滴、流れを対象とする将来の測定システムに役立ちます。ハードウェアコストの削減や、産業環境への統合の簡素化に貢献できます。

同時に、この手法はTSTOFアプローチの主目的を維持しています。すなわち、時間分解光散乱信号から粒子径と粒子速度を測定します。

想定される用途には、スプレー測定、コーティングプロセス、粒子診断、アトマイザーの特性評価、プロセスモニタリング、品質管理などがあります。

本論文では、機械学習の限界についても論じています。計算過程は必ずしも直接見えるわけではありません。また、産業用途では校正が必要となる場合があります。

しかし、結果はさらなる研究に向けた大きな可能性を示しています。今後の研究では、機械学習モデルの改良、さまざまなネットワーク構造の比較、より広い粒子径分布および速度分布での検証が考えられます。

これにより、産業用途および科学用途に向けた、より堅牢なAIベースの測定装置の実現が期待されます。

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