动画：PTA1的工作原理
与SprayQuantAI® SQA1不同，PTA1并不主要对每个液滴或颗粒事件进行单独评估，而是在规定的采集时间间隔内记录时间分辨的探测器信号，将其作为缓存测量数据保留，并转换为多维表示，用于ParticleTensorAI®分析。
这种方法使AI模型不仅能够分析单个信号的形状，还能分析测量时间间隔内众多液滴或颗粒所呈现的时间结构、信号密度、统计模式及其变化。
PTA1系统配置
PTA1由LSS1光学测量探头、ZEON控制与采集单元以及ParticleTensorAI®分析软件组成。
ParticleTensorAI®软件
测量原理
LSS1光学探头生成特定形状的照明场。穿过测量区域的液滴或颗粒会将光散射至光学探测器。
由于颗粒在空间光分布中运动，它们与照明光的相互作用会产生具有特征性的随时间变化的光散射信号。LSS1探测器以高时间分辨率连续记录这些信号。
在PTA1中，ZEON会在规定的采集时间间隔内保留记录的信号，而不是立即将测量结果简化为单个颗粒的参数。
颗粒 → LSS1 → 连续光散射信号 → ZEON缓存 → ParticleTensorAI® → AI结果
单通道ParticleTensorAI®
PTA1使用一个有效光学探测器通道，因此是ParticleTensorAI®平台中最紧凑的标准配置。
单一探测器通道连续记录穿过测量区域的液滴或颗粒所产生的光散射信息序列。ParticleTensorAI®不仅考虑孤立的信号峰，还能分析整个缓存序列的结构。
这意味着，信息不仅可能包含在单个事件的波形中，还可能包含在以下方面：
- 信号幅值
- 信号形状
- 信号的时间序列
- 颗粒或液滴事件密度
- 相互重叠的信号结构
- 采集时间间隔内的统计模式
- 信号分布随时间的变化
缓存信号分析
PTA1与传统基于事件的颗粒测量之间的决定性区别，在于对所采集信号的处理方式。
在传统计数系统中，通常先探测单个颗粒事件，然后再分别进行评估。而PTA1可以在规定的时间间隔内保留完整的信号片段，并以这些缓存信息作为AI分析的基础。
信号序列被转换为ParticleTensorAI®模型所需的多维数据表示。随后，AI模型评估整个测量时间间隔内的特征模式。
连续探测器信号 → 规定时间窗口 → 缓存数据 → 张量表示 → AI模型 → 分类结果或工艺参数
无触发分析
PTA1不一定要求在AI分析开始之前单独探测每个液滴或颗粒事件。
这在信号幅值变化剧烈、颗粒事件快速相继出现或单个光散射信号相互重叠时尤为有用。
由于ParticleTensorAI®能够分析完整的缓存信号序列，即使单个事件难以分离，来自密集或复杂颗粒群的信息仍可供AI模型使用。
基于AI的评估
PTA1专为基于AI的评估而设计。所记录的光学信号结构与期望测量结果之间的关系，是通过合适的训练和验证数据学习得到的。
根据具体应用，AI模型可经过训练，用于区分不同的喷雾条件、颗粒群、材料或工艺状态。
因此，具体输出因应用而异，取决于光学配置、可用的参考数据、训练范围和AI模型。
可能的测量与分析结果
根据所训练的模型和测量任务，PTA1可用于以下应用：
- 喷雾条件分类
- 颗粒或液滴分类
- 工艺变化检测
- 不同运行条件的比较
- 识别与材料相关的信号变化
- 监测稳定与不稳定的喷雾条件
- 趋势分析
- 基于AI的过程监测
如果有合适的参考数据，且所关注的特性会使记录的光散射信号产生可测量的变化，还可以研究其他与材料相关的特性或光学特性。
与材料相关的表征
光散射信号不仅受颗粒粒径和速度的影响，光学特性和材料特性也会改变所测得的信号结构。
ParticleTensorAI®研究如何直接从记录的光学数据中识别这些复杂变化。因此，PTA1为开发AI模型提供了一个紧凑的平台，用于检测喷雾或颗粒流中与材料或工艺相关的变化。
可实现的结果取决于具体应用，必须通过适当的参考测量和独立的验证数据加以证明。
AI模型开发
ParticleTensorAI®模型需要能够代表预期应用的测量数据。在开发过程中，光学信号在规定的参考条件下记录，并被分配到已知类别或参考量。
由此得到的数据集被划分为训练数据和验证数据。AI模型使用其中一部分数据进行训练，随后使用未参与训练的独立测量数据进行评估。
重要因素包括：
- 参考测量的质量
- 数据集所涵盖的运行条件范围
- 光学配置的稳定性
- 材料特性
- 测量案例的数量和多样性
- 所选的AI模型架构
- 训练条件与后续应用条件之间的相似性
因此，客户定制的PTA1应用可能需要单独开展测量、训练和验证工作。
LSS1光学探头
LSS1是PTA1所使用的单通道光学探头。它生成照明场、确定测量区域，并探测穿过光场的液滴或颗粒所产生的散射光。
探头通过光纤与ZEON连接，因此敏感的采集和处理电子装置可以与测量位置分开布置。
| 参数 | LSS1 |
|---|---|
| 测量原理 | 时间分辨光散射 |
| 有效探测器通道 | 1 |
| 波长 | 405 nm |
| 尺寸 | 约131 × 74 × 30 mm（长 × 高 × 宽） |
| 机械安装 | M3 |
| 控制单元 | ZEON |
ZEON控制单元
ZEON控制单元提供信号采集、缓存、处理、主机通信，以及用于集成到实验室或工业系统中的接口。
在PTA1运行模式下，ZEON被配置为保留时间分辨光散射数据以供ParticleTensorAI®处理，而不是立即将测量结果简化为单个颗粒的参数。
| 参数 | ZEON |
|---|---|
| 光学信号输入 | 1 |
| 主机通信 | Ethernet |
| 数字输入 | 4 × 24 V |
| 数字输出 | 4 × 24 V |
| 模拟输入 | 4 × 4–20 mA |
| 模拟输出 | 4 × 4–20 mA |
| 触发 | 触发输入和输出 |
| 尺寸 | 251 × 211 × 109 mm |
过程监测
PTA1可在喷雾或颗粒工艺运行期间评估连续的测量时间间隔。每个时间间隔均可由经过训练的AI模型进行分析，并转换为分类结果、预测参数、概率值或其他特定于应用的结果。
可随时间跟踪所得数值，以检测工艺变化或与先前记录的参考条件之间的偏差。
根据系统配置，所选结果还可传输至上级监控和自动化系统。
工业集成
PTA1可集成到实验室试验台、开发装置、喷雾设备和工业过程中。
ZEON控制单元提供与外部设备和工艺基础设施通信的接口。
- 以太网通信
- 数字输入和输出
- 4–20 mA模拟输入和输出
- 外部触发输入和输出
- 传输AI生成的工艺值
- 集成到监控和自动化系统
PTA1的典型应用
- 基于AI的喷雾分类
- 工艺变化检测
- 与材料相关的喷雾表征
- 涂料与涂装过程监测
- 雾化器运行条件比较
- 质量监控
- 光学颗粒特征研究
- 开发特定于应用的AI测量模型
- 工业过程监测
特定于应用的配置
PTA1可根据测量任务进行调整。合适的配置取决于颗粒或喷雾体系、材料、光学特性、浓度、工艺条件、安装环境、可用的参考数据以及所需的AI输出。
可能的调整包括：
- 光学探头几何结构
- 工作距离
- 测量区域
- 机械安装
- 光学配置
- 采集时间间隔
- 缓存配置
- AI模型
- 输出参数
- 工业接口
PTA1与SQA1采用相同的硬件平台
PTA1与SprayQuantAI® SQA1使用相同的LSS1光学探头和ZEON控制单元硬件，区别在于采集和评估理念。
| 参数 | SQA1 | PTA1 |
|---|---|---|
| 光学探头 | LSS1 | LSS1 |
| 控制单元 | ZEON | ZEON |
| 探测器通道 | 1 | 1 |
| 基本数据单元 | 单个颗粒事件 | 缓存信号序列 |
| 评估理念 | 单事件评估 | 基于张量的AI分析 |
| 评估 | 经典方法或基于AI，取决于配置 | 基于AI |
| 典型侧重点 | 定量液滴测量与喷雾监测 | 复杂信号、材料与工艺表征 |
共用硬件平台使两套系统之间的区别尤为清晰：光学信号由同一物理测量硬件产生，而固件、采集流程、数据表示和评估软件决定了信息的使用方式。
PTA1还是PTA2？
两种标准ParticleTensorAI®配置的主要区别在于同步光学探测器通道的数量。
| 系统 | 光学探头 | 控制单元 | 探测器通道 |
|---|---|---|---|
| PTA1 | LSS1 | ZEON | 1 |
| PTA2 | LSS2 | IMEA | 2 |
PTA1是最紧凑的标准配置。PTA2增加了第二个同步探测器通道。
科学背景
ParticleTensorAI®以时间分辨光散射测量、基于机器学习的颗粒表征以及复杂光学信号序列分析等领域的研究为基础。
相关研究探讨如何借助人工智能从测得的光散射信号中提取有关颗粒、液滴、材料和工艺的信息。
精选参考文献
[1] Schaefer, W.; Li, L. Particle characterization by analyzing light scattering signals with a machine learning approach. Applied Optics 2024, 63(29), 7701–7707. https://doi.org/10.1364/AO.531346
[2] Schaefer, W.; Fleck, S.; Haas, M.; Jakobs, T. Optical measurement method for monitoring high-mass-concentration slurry sprays: An experimental study. Photonics 2025, 12(7), 673. https://doi.org/10.3390/photonics12070673
[3] Schäfer, W.; Jakobs, T.; Stegmann, P. AI-assisted monitoring of coal particles within droplets in a coal monoethylene glycol slurry spray. 41st International Symposium on Combustion, Kyoto, Japan, 2026. KITopen ID 1000196272. https://doi.org/10.5445/IR/1000196272
相关页面
如需特定于应用的PTA1配置，请提供喷雾或颗粒体系、材料、工艺条件、可用参考数据以及所需分析结果等信息，并联系ai-quanton。