Applied Optics 2024 – 基于机器学习和TSTOF信号的颗粒表征

这篇学术论文介绍了一种用于流动中颗粒表征的机器学习方法。该方法分析来自TSTOF测量技术的光散射信号，这一技术也应用于SpraySpy测量系统。

研究表明，机器学习模型仅凭一个光散射信号即可预测颗粒粒径和颗粒速度。而在经典TSTOF装置中，系统通常需要使用四路光学信号。因此，这项研究标志着向更小、更简单、更具成本效益的光学测量仪器迈出了重要一步。

颗粒表征在喷雾、流动和工业过程中发挥着重要作用，有助于测量颗粒粒径、颗粒速度和过程稳定性。然而，经典光学系统通常需要多个探测器、光源以及同步的信号通道。

在这项研究中，作者使用经典TSTOF系统的数据训练了一个机器学习模型。原系统使用两束聚焦高斯激光束和四个探测器。训练完成后，该模型仅以一路信号作为输入进行分析。

由此，该模型可根据单个光散射信号预测颗粒粒径和颗粒速度。

这项工作的核心思想是精简硬件。经典的TSTOF测量设备记录四路时间分辨光散射信号，这些信号用于计算颗粒粒径和颗粒速度。

然而，本文表明，在机器学习的辅助分析下，一路信号即可包含足够的颗粒表征信息。因此，未来的系统有望省去一个光源、三个探测器以及相关的光学和电子组件。

这可以降低成本、尺寸、重量和系统复杂度。此外，单通道采集系统无需在多个通道之间进行同步。

实验使用了一台基于TSTOF技术的改进型SpraySpy测量设备。该系统记录了来自光电探测器的直接电压信号。

一个扇形喷嘴在闭环喷雾室内产生细微而稳定的喷雾。作者通过改变泵速、压力和测量距离，获得了范围广泛的颗粒粒径和速度。

此外，信号采集系统使用了一块自主研发的测量卡，配备FPGA和12位ADC。每个光散射信号包含1000个采样点，并关联有相应的颗粒粒径和颗粒速度值。

作者使用由大量单个光散射信号组成的数据集训练机器学习模型，然后利用独立的测量数据集以及额外随机选取的信号对模型进行测试。

预测值与经典四信号TSTOF评估得到的数值吻合良好。因此，结果证实了该方法在紧凑型光学颗粒表征方面的潜力。

结果还表明，该方法适用于不同的探测器通道。作者针对每个探测器分别建立了模型，用于预测颗粒粒径和颗粒速度。

这项工作为SprayQuantAI提供了重要的科学基础。它表明AI可以降低基于TSTOF的喷雾和颗粒测量系统的硬件复杂度。

SprayQuantAI基于这样一种理念：光散射信号所包含的信息比经典信号评估所能轻易提取的更多。借助机器学习，紧凑型光学系统能够以更少的组件分析喷雾中的液滴或颗粒。

因此，这篇论文为AI辅助喷雾诊断、紧凑型测量探头以及实时过程监测系统的开发提供了支持。

所提出的方法可为未来用于喷雾、颗粒、液滴和流动的测量系统提供支持，有助于降低硬件成本并简化在工业环境中的集成。

同时，该方法保持了TSTOF方法的主要目标：根据时间分辨光散射信号测量颗粒粒径和颗粒速度。

潜在应用包括喷雾测量、涂装工艺、颗粒诊断、雾化器表征、过程监测以及质量控制。

文章还讨论了机器学习的局限性：计算路径并非总是直接可见；此外，工业应用可能需要进行校准。

不过，研究结果显示出进一步研究的巨大潜力。未来的工作可以改进机器学习模型、比较不同的网络结构，并在更宽的颗粒粒径和速度分布范围内测试该方法。

这将有助于为工业和科研应用开发更可靠的基于AI的测量仪器。

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