在法兰克福举行的DECHEMA 2026（德语名称：Jahrestreffen der DECHEMA/VDI-Fachgruppen Kristallisation und Trocknungstechnik 2026）上，我们介绍了一种用于液滴和颗粒表征的全新AI辅助方法。该研究聚焦于连续光散射信号及其借助ParticleTensorAI进行的评估。
ParticleTensorAI®将光学探测器信号转换为基于张量的数据格式，随后由人工智能对这些数据结构进行分析。由此，该方法为喷雾诊断、浆料液滴分析和颗粒表征开辟了新途径。
https://dechema.de/JTR_KRI_TRO_2026.html
该方法为何重要
经典TSTOF测量通过在计数模式下分析单个光散射信号来确定液滴粒径和速度。然而，许多工业喷雾所包含的信息远不止粒径和速度。
例如，浆料液滴中可能含有颗粒，涂料液滴中可能含有颜料，液体混合物可能具有不同的折射率。因此，先进的喷雾诊断需要能够同时检测材料相关特性的方法。
从光散射信号到ParticleTensorAI®
ParticleTensorAI使用连续的探测器信号，而不仅仅是触发式的单液滴事件，从而保留了原始光学信号流中的更多信息。
在实际实现中，多路探测器信号被映射为类似图像的张量结构。例如，三个探测器通道可构成RGB图像，每个颜色通道代表一路光学信号。
随后，可利用现代AI方法（尤其是卷积神经网络）对这些张量图像进行分析。ParticleTensorAI®由此将光学测量技术与AI辅助信号评估结合起来。
利用CNN模型进行浆料液滴分析
本研究聚焦于浆料液滴和含颗粒喷雾。首先记录来自多个探测器的连续光散射信号，然后对信号进行分段，并将其转换为ParticleTensorAI表示形式。
之后，由卷积神经网络对数据进行分析。模型预测了浆料液滴中的质量浓度和平均粒径，并分别以分类和回归两种模式使用。
分析还涵盖了不同的探测器组合和多种降采样因子。结果表明，基于张量的信号结构能够为液滴内部的颗粒相关特性提供可靠的信息。
质量浓度与粒径预测
ParticleTensorAI®能够根据光学光散射数据预测质量浓度和平均粒径。在所展示的实验中，该方法的预测准确率最高可达95%。
这一结果表明，连续光散射信号包含有价值的材料信息。借助AI辅助评估，这些信息可为复杂液滴、浆料喷雾、含颗粒液体以及涂层材料的分析提供支持。
此外，研究还表明，降采样可以在不显著降低预测准确率的情况下减少数据速率。这对未来的实时应用和工业监测系统具有重要意义。
对喷雾诊断和过程监测的优势
ParticleTensorAI兼具计数法和积分法的优势：它既保留了光学信号中的时间分辨信息，又能分析大量液滴和颗粒的集体行为。
因此，当经典的单液滴分析不足以满足需求时，该方法尤为有用，例如浆料喷雾、含颜料涂料、结晶过程、复杂液体以及多相流。
借助基于张量的喷雾诊断，研究人员和工程师可以从光学测量数据中提取更多信息，从而为工艺理解、质量控制、材料表征以及AI辅助喷雾监测提供支持。
展望
ParticleTensorAI为未来喷雾诊断和颗粒表征领域的工作奠定了基础。潜在应用包括颜料色调测定、结晶分析、多相流表征以及工业涂装过程监测。
该方法展示了光学测量技术与人工智能如何协同工作。它拓展了经典的TSTOF诊断，为实现智能、无触发且对材料敏感的喷雾分析开辟了新途径。
