ISOC 2026——浆料喷雾液滴的AI喷雾监测

在日本京都举行的ISOC 2026上，我们介绍了一种对浆料喷雾液滴内煤颗粒进行AI喷雾监测的新方法。该方法将光学喷雾测量、连续光散射信号与ParticleTensorAI®相结合，因而能够分析复杂喷雾过程中载有颗粒的液滴。

浆料喷雾是一种具有挑战性的多相体系，其中既有液滴，也有固体颗粒。这两种组分都会影响光学信号、喷雾行为和工艺稳定性。因此，仅靠经典的液滴测量往往无法提供足够的信息。

正因如此，AI喷雾监测具有重要优势：它能够从复杂的光散射信号中提取更多的材料信息，并支持对载有颗粒的喷雾进行实时分析。

https://publikationen.bibliothek.kit.edu/1000196272

ParticleTensorAI®将连续的探测器信号转换为基于张量的数据格式。在本研究中，探测器信号构成类似图像的表示形式。例如，不同的探测器通道可以生成RGB图像，每个颜色通道代表一路光学信号流。

这些ParticleTensorAI®表示包含了浆料喷雾液滴内煤颗粒粒径和质量浓度的信息。卷积神经网络对这些数据进行分析，随后由AI模型对不同的材料状态进行分类。

测量系统记录来自液滴的连续光散射信号。这些液滴穿过整形光束，四个光学探测器从不同角度收集散射光。

由此，系统生成同步的信号流。这些信号描述了液滴流以及与颗粒相关的特性。通过这种方式，AI喷雾监测拓展了经典的光学喷雾诊断。

该方法还支持对光散射数据进行无触发评估。因此，与许多经典方法相比，它能保留连续信号流中的更多信息。

该方法为浆料喷雾监测、颗粒表征、喷雾测量技术和工业过程诊断开辟了新的可能性。尽管本研究聚焦于煤-单乙二醇浆料喷雾，但该理念同样适用于其他载有颗粒的液体喷雾。

这项工作展示了光学测量技术与人工智能如何协同工作，并证明了ParticleTensorAI®能够实时从复杂的光散射信号中提取与工艺相关的信息。

摘要：我们提出了一种新方法，用于表征煤-单乙二醇浆料喷雾中液滴内煤颗粒的平均粒径和质量浓度。该方法基于对单个液滴与整形光束相互作用所产生的连续光散射信号的分析。实验装置采用四个探测器，从不同角度收集散射光，生成与液滴流相对应的四路独立数据流。这些信号被转换为Particle-Tensor-AI（PTA）表示，并可构建为多种格式。在本工作中，我们采用了一种将探测器信号映射为RGB图像的格式，其中每个颜色通道代表一个特定的探测器。以平均煤颗粒粒径和质量浓度标注的PTA被用于训练卷积神经网络（CNN）以完成分类任务。研究考察了多种探测器组合、降采样策略和材料条件。验证实验证明了原理上的可行性，预测准确率最高可达95%。该方法可实现无触发、保留信息的光散射数据分析，不仅在煤-单乙二醇喷雾中，而且在其他液滴流和颗粒流中，都为先进诊断提供了巨大潜力。