ICLASS 2024——基于机器学习的喷雾诊断

在中国上海举办的第16届三年一度国际液体雾化与喷雾系统会议（16th Triennial International Conference on Liquid Atomization and Spray Systems）ICLASS 2024上，我们展示了一张关于基于机器学习的喷雾诊断与颗粒表征的海报。该工作表明，数据驱动的方法能够改进光学喷雾测量，并为面向复杂雾化过程的紧凑型测量仪器提供支持。

该海报的重点是采用机器学习方法分析光散射信号，从而实现颗粒表征。该方法建立在成熟的时移飞行时间（Time-Shift Time-of-Flight，TSTOF）测量技术基础之上。TSTOF也因商用测量系统SpraySpy®而为人所知。

喷雾和流动中的颗粒表征通常需要有关颗粒粒径和颗粒速度的详细信息。经典的基于TSTOF的仪器利用多路光学信号来提取这些信息，这些信号来自穿过结构化光场的液滴或颗粒。

在这项工作中，我们展示了机器学习如何减少所需的信号数量。模型从完整的信号集中学习，随后在最终评估中仅使用一路信号。因此，该方法仍能确定粒径和速度等重要的颗粒信息。

基于机器学习的喷雾诊断有助于简化光学测量系统。由于最终评估仅使用一路信号，该方法可以减少所需的光学组件数量。

这带来了多项实际优势：一个光源、三个探测器以及部分相关电子和光学部件可能不再需要。因此，未来基于TSTOF的系统可以更小巧、更具成本效益，并且更易于集成到实验室和工业环境中。

TSTOF测量技术在光学喷雾诊断和颗粒测量领域有着悠久的历史。它分析流动中颗粒或液滴的时移光散射信号。基于该方法的商用设备以SpraySpy®品牌名称而广为人知。

ICLASS 2024的这篇会议论文展示了如何利用机器学习对这一成熟的测量原理进行扩展。经典光学诊断与AI辅助信号评估的这种结合，是迈向SprayQuantAI®等新型系统的重要一步。

所提出的方法可支持颗粒表征、液滴分析、光学喷雾诊断以及工业喷雾监测。它可以帮助研究人员和工程师以更低的硬件复杂度测量喷雾，同时保留光散射信号中的相关信息。

因此，该方法对于雾化研究、涂装工艺、喷雾开发、过程监测以及紧凑型光学测量仪器都具有重要意义。