SprayQuantAI®将经过训练的机器学习模型应用于单个液滴完整的时间分辨光散射特征，从而确定液滴粒径和速度。我们的专利方法利用同一液滴的四个光散射信号来确定用于模型训练的参考值。这些参考值与该液滴的一个选定信号配对，使模型能够学习信号波形与液滴特性之间的关系。经过训练和验证后，只需一个测量波形即可预测液滴粒径和速度。该方法及其科学基础详见[1][2]。
基于光散射信号的AI液滴测量
当液滴穿过测量区域时，探测器记录散射光强度随时间的变化：
AI模型接收完整的波形。信号高度、信号宽度、峰值位置以及更复杂的信号形状都可以为预测提供依据。波形反映了液滴、激光束、光学系统和探测器之间的相互作用，因此它所包含的信息可能多于单一峰值。
AI预测液滴粒径和速度
AI的核心计算可概括如下：
其中，d为预测的液滴直径，v为预测的液滴速度。模型学习的是整个波形中的模式，而不是依赖某个固定的信号值。由此在测得的光学信号与液滴的物理特性之间建立起基于数据的关系。
为什么光散射信号包含液滴信息
液滴在穿过激光束时，会经历空间光场的不同部分，并产生时间分辨的光散射信号。不同的散射分量可能在不同时间以不同强度出现，从而形成反映液滴物理和光学特性的波形。
液滴粒径、速度、轨迹和光学特性都会影响这一光散射特征。因此，完整的波形所包含的信息可能多于单一的峰值高度或信号宽度。基于AI的分析会综合评估多个特征及其相互关系，从而表征单个液滴。
利用四个光散射信号训练AI模型
训练从同一液滴记录的四个光散射信号开始[2]。系统对这些信号进行综合评估，以确定液滴直径和速度等参考值。
随后，训练过程将参考值与该液滴的一个选定波形关联起来，为该波形赋予粒径和速度的参考标签。对大量液滴重复这一过程，即可建立由测量信号及相应参考值组成的数据集。机器学习模型利用该数据集学习单个波形的结构与液滴粒径和速度之间的关系。
使用真实测量的光散射信号进行训练
该专利方法[2]使用真实测量的光散射信号进行AI训练。这些信号包含来自实际光学装置、液滴路径、探测器、电子设备、机械公差和喷雾条件的影响。
完整的数学模型需要有关激光器、光学几何结构、探测器、液滴路径和材料特性的详细信息。其中一些参数可能会变化，或无法精确获知。使用真实信号进行训练，可使模型从实际测量系统的行为中学习。
参考文献
[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.” 德国专利申请DE102023134228A1。专利权人：ai-quanton GmbH。