DE102023134228A1は、機械学習モデルによる散乱光信号の評価を用いて粒子特性を評価する方法および装置について記載しています。中心となる考え方は一次装置の簡素化です。複雑な光学測定システムはモデルの学習にのみ必要で、実際の測定ははるかにシンプルなハードウェアで行います。
一次装置から簡素化装置へ
一次装置はタイムシフト法と飛行時間法（Time-of-Flight）を組み合わせたもので、2つの光源と4つの検出器を使用します。測定領域を通過する各粒子は、4つの時間分解散乱光信号を生成します。これらの信号から、確立された信号解析により粒子径、速度、屈折率を求めます。
これらの結果は参照値として使われます。機械学習モデルは、選択した1つの散乱光信号の形状と粒子特性との関係を学習します。学習後は、光源1つと検出器1つだけの簡素化装置が1つの信号を記録し、学習済みモデルがその信号から粒子特性を求めます。
なぜ機械学習なのか
実際の散乱光信号は理想化された数学モデルとは異なります。光学系は完全には把握できず、粒子パラメータはばらつき、流れはランダムな外乱を加えます。従来の解析はピーク位置など少数の信号特徴しか利用しません。学習済みモデルは信号形状全体を評価し、ノイズや不確かさを含む実測データから学習します。
利点
- 光学部品の削減：光源2つ・検出器4つの代わりに光源1つ・検出器1つ
- 小型で低コストな測定装置
- 粒子径・速度・屈折率の同時測定
- 理想化モデルではなく実測データによる学習
用途
本手法は、塗装プロセス、噴射システム、農薬散布、医療用エアロゾルなどのスプレー評価に適しています。また、品質管理や小型・可搬型の粒子測定システムにも役立ちます。ai-quantonにとって、この特許はSprayQuantAI®やParticleTensorAI®などのAIベース測定システムの基盤です。
