声发射AI工作站

AI工作站

01 声发射AI工作站

声发射技术作为一种重要的无损检测方法，广泛用于材料内部缺陷和结构完整性的评估。声发射AI工作站集成高性能服务器和清诚自主研发的5大AI分析功能软件，AI分析功能软件是基于人工神经网络深度学习技术研发的，适用于材料缺陷识别与结构健康监测，具备高效、精准的分析的优势。

核心优势：极致提升训练速度

声发射AI工作站采用NVIDIA RTX4090显卡，配合CUDA软件系统实现超高效率运算。CUDA是用于GPU计算的开发环境，它是一个全新的软硬件架构，可以将GPU视为一个并行数据计算的设备，高效分配和管理计算任务，在深度学习模型训练中大幅度缩短训练时间，提升训练速度。

技术亮点

• 高效训练：声发射AI工作站依托RTX4090和CUDA，加速神经网络计算，大幅缩短训练时间，提升训练速度。
• 精准定位：GAL实现复杂结构下的高精度声源定位，网格标注声源定位相比传统时差定位的准确率显著提升。
• 灵活建模：PPR支持用户设置模型网络结构（注：GAL的网络拓扑结构用户无需设置，软件自动从测试数据中读取），训练和识别用户指定的声源模式，满足多样化需求。
• 操作简单：可视化操作界面，支持训练参数调整、加载模型到结果呈现的直观操作，降低使用门槛。
• 自动分类：PCSS、WCSS实现未知类别数据的自动分类，提升分析效率。

02 硬件介绍

服务器选用华硕i9 14900K深度学习工作站，带有i9-14900K处理器及DDR5高频内存，24核心32线程，3.2GHz主频，工作站至高支持192G DDR5 5200MHz高频内存，充分释放系统潜能，减少因内存不足引起的卡顿。

2TB M2大容量固态硬盘，NVMe PCIe4.0×4高速读写通道，读取速度3500MB/s，写入速度2800MB/s，迅速读写，显著提升系统工作效率。

03 软件介绍

5大基于人工神经网络深度学习的AI功能

• 网格标注声源定位GAL（Grid Annotation Location）：无需传统的声源解析定位算法，任意复杂结构划分网格标注，输入声源到达时间与信号参数，即可得到声源的精准定位。
• 波形数据模式识别WPR(Waveform Pattern Recognition)：波形数据的训练和识别用户指定的声源模式。例如开裂、异物碰撞、铅芯折断等。
• 参数数据模式识别PPR(Parameter Pattern Recognition)：参数数据的训练和识别用户指定的声源模式。例如开裂、异物碰撞、铅芯折断等。
• 参数数据的聚类声源分类PCSS（Parameter Clustering Source Separation）：无监督聚类算法声源分类，适用于未知类别的参数数据分类。例如可分出开裂、碰撞、铅芯折断等声源等。
• 波形数据的聚类声源分类WCSS（Waveform Clustering Source Separation）：无监督聚类算法声源分类，适用于未知类别的波形数据分类。例如可分出开裂、碰撞、铅芯折断等声源等。

1、网格标注声源定位GAL（Grid Annotation Location）

功能：无需声源解析定位算法，在任意复杂结构网格标注，输入声源到达时间与信号参数即得到声源的精准定位。

实现流程：网格标注与监督训练数据生成—有监督训练模型GAL得到A网格标注数据的定位模型ALM—输入实测数据T到定位模型ALM，得到定位结果网格号。

1.1 网格标注与有监督训练数据生成

将结构划分成多个网格并编号，声发射传感器布置在结构上。如，风电叶片划分成1000个网格，编号1-1000，10个声发射传感器大致均匀间距布置在叶片上。

生成有监督训练数据。每个网格人工产生多个声源信号，如铅芯折断100次，10个声发射传感器采集数据，该数据标注为网格号N组数据，例如1号网格100×10组标注参数数据。1000个网格依次标注得到1000组网格号1-1000编号的网格标注数据集A。

1.2 有监督训练模型GAL得到A网格标注数据的定位模型ALM

1.3 输入实测数据T到定位模型ALM，得到定位结果网格号

例如，1个月的监测数据输入到ALM结果显示网格编号3、300、800有定位结果分别为500次、80次、5次，说明3号网格位置有500次声源定位信号，300网格位置80次，800号网格位置5次等声源定位信息。

详细使用操作请见使用说明书。

2、参数数据模式识别PPR(Parameter Pattern Recognition)

原理：参数数据模式识别是有监督学习模式识别，采用人工神经网络技术，通过加权和与激活函数对输入信号进行计算，生成识别模型。

实现流程：输入已知类别的参数数据到清诚开发的人工神经网络训练模型PPR，训练得到参数模式识别模型PPRT，测试数据输入到参数模式识别模型PPRT得到测试数据的分类结果。

• PPR模型支持输入及中间隐藏层的网络结构自定义调整规则，用户可以自定义模式类别（注：暂无可视化界面定义模式类别，现阶段只能人工创建文件夹定义）。例如裂纹、噪声1、噪声2共3种模式，等。
• 用户使用自己的数据，定义模式类别，PPR模型训练得到自己专用的参数模式识别模型PPRT，PPRT测试自己的数据得到参数模式识别结果。

3、波形数据模式识别WPR(Waveform Pattern Recognition)

原理：波形数据模式识别是有监督学习模式识别，采用人工神经网络技术，通过加权和与激活函数对输入信号进行计算，生成识别模型。

实现流程：输入已知类别的波形数据到清诚开发的波形数据模式识别模型WPR，训练得到该数据识别的特定模型WPRT，输入波形测试数据到WPRT模型得到测试数据的波形模式分类结果。

• WPR模型支持自定义调整训练规则，可以自定义模式类别（注：暂无可视化界面定义模式类别，现阶段只能人工创建文件夹定义）。例如裂纹、噪声1、噪声2共3种模式，等。
• 用户使用自己的数据，定义模式类别，WPR模型训练得到自己的参数模式识别模型WPRT，WPRT模型测试自己的数据得到波形模式识别结果。

4、参数数据的聚类声源分类PCSS（Parameter Clustering Source Separation）

功能：无监督聚类算法自动分类未知类别参数数据。

原理：参数数据的聚类声源分类属于无监督的机器学习，输入的参数数据事先不知道类别或没有类别的样本，PCSS根据样本特征将样本进行分类。

实现流程：用户输入参数数据—设置集群数量，初始化簇中心坐标—分配计算，直到聚类算法已经达到最优解或者达到最大迭代次数—得出参数数据聚类分类结果。

K-means聚类算法：基于距离的聚类算法，通过迭代计算将数据点划分为K个簇，使得每个数据点到其所在簇中心的距离之和最小。

4.1 设置集群数量N，初始化簇中心坐标

根据用户设置的集群数量N，随机选择N个坐标点作为初始簇中心，一组10个参数（幅度、能量、RMS、ASL、振铃计数、上升时间、上升计数、持续时间、峰值频率、质心频率）为一个10维坐标。

4.2分配计算

对于数据集中的每个点，根据欧氏距离公式计算每个点到簇中心的距离，将其分配到最近的簇中心，根据当前的簇分类，重新计算每个簇的中心坐标（即计算簇内所有点的均值作为新的簇中心坐标）。

4.3更新

重复4.2步骤，直到簇中心不再发生变化（收敛）或最大迭代次数。

• 有可视化界面，用户可以设置种类数量。
• 参数数据的聚类声源分类结果以二维图的形式显示，不同类别用不同的颜色区分。

5、波形数据的聚类声源分类WCSS（Waveform Clustering Source Separation）

功能：无监督聚类算法自动分类未知类别的波形数据。

原理：波形数据的聚类声源分类属于无监督的机器学习，输入的波形数据事先不知道类别或没有类别的样本，WCSS根据样本特征进行分类。

实现流程：用户输入波形数据—设置集群数量，初始化簇中心坐标—分配计算，直到聚类算法已经达到最优解或者达到最大迭代次数—得出波形数据聚类分类结果。

K-means聚类算法：基于距离的聚类算法，通过迭代计算将数据点划分为K个簇，使得每个数据点到其所在簇中心的距离之和最小。

5.1 设置集群数量N，初始化簇中心坐标

根据用户设置的集群数量N，随机选择N个坐标点作为初始簇中心，对一帧波形提取7个时域参数（ASL、幅度电压标准差、AMP、能量、平均能量、波峰因子、峰度）3个频域参数（平均频率、质心频率、峰值频率）作为一个10维坐标。

5.2分配计算

对于数据集中的每个点，根据欧氏距离公式计算每个点到簇中心的距离，将其分配到最近的簇中心，根据当前的簇分类，重新计算每个簇的中心坐标（即计算簇内所有点的均值作为新的簇中心坐标）。

5.3更新

重复5.2步骤，直到簇中心不再发生变化（收敛）或最大迭代次数。

• 有可视化界面，用户可以设置种类数量。
• 波形数据的聚类声源分类结果以二维图的形式显示，不同类别用不同的颜色区分。