AI工作站
01 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。AI工作站使用了GPU加速，提高海量数据的训练效率，同时可以自带清诚开发的5大AI工具，满足不同领域的需求。
5大AI工具
- 基于AI深度学习的复杂结构声源定位人工神经网络模型：利用人工神经网络模型，实现复杂结构下的声源精准定位。
- 基于声发射参数的模式识别功能：使用声发射参数进行模式识别，提升数据分析的准确性。
- 基于声发射波形的模式识别功能：通过深度学习技术，对声发射波形进行高效模式识别。
- 基于声发射参数的聚类识别功能：利用聚类算法，对声发射参数进行分类识别，优化数据处理流程。
- 基于声发射波形的聚类识别功能：对声发射波形进行聚类分析，实现更精细的数据分类。
AI工作站集成了先进的深度学习技术与强大的硬件配置，采用NVIDIA RTX4090，搭载CUDA12.4系统软件，大幅度缩短训练时间。
.jpg "AI工作站")
02 服务器介绍
服务器采用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，NVM额 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。
RTX4090配合CUDA软件实现超高效率运算。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，对所进行的计算进行分配和管理，提高数据训练效率。
| 处理器 | i9 14900K |
| 内存容量 | 192G |
| 显卡 | RTX4090（注：支持插入两张RTX4090的GPU，也可根据用户选装1块） |
| 硬盘容量 | 2T固态硬盘 |
| 内存类型 | Non-ECC |
| 电源类型 | 非冗余 |
| 硬盘类型 | SAS混合硬盘SATA |
| 支持CPU颗数 | 1颗 |
| 散热 | 加强版360一体式水冷散热器 |
03 AI 工具
1、基于AI深度学习的复杂结构声源定位人工神经网络模型
传统声发射定位方法在复杂结构、各向异性、材料的不均匀、边界条件复杂等中面临精度受限的问题。为了解决这一挑战，我们提出了一种新的方法——基于AI深度学习的复杂结构声源定位人工神经网络模型。
算法流程图
AI定位跟传统时差定位的准确率对比，错误率为0%。
- 学习率、训练周期轮数、最大训练轮数提供界面自定义数值。当loss值小于输入时，停止训练；当Accuracy值大于输入数值时，停止训练
- loss值：损失函数是用来估量模型的预测值f(x)与真实值Y的不一致程度，损失函数越小，模型的鲁棒性就越好。
- Accuracy值：精确率是指模型预测为正类的样本中，实际为正类的比例。
- PC端配备GPU硬件，结合CUDA软件加速模型训练，提升训练效率。
- 训练完成后生成模型，用于复杂结构的声源定位。
模型训练过程
2、基于声发射参数的模式识别
模式识别采用人工神经网络，它由多个神经元组成，每个神经元接收多个输入信号，通过加权和和激活函数进行计算，产生一个输出信号，作为下一层神经元的输入信号。神经元之间的连接权重可以通过训练来调整，以达到最优的计算效果。
人工神经网络模型：
原理：采用人工神经网络，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。
- 支持输入输出及中间隐藏层的网络结构可以自动调整，自动调整规则。
- 利用大量数据进行训练，生成特定模型，用于声发射参数数据的识别与分析。
模型保存
模型调用
参数模式识别结果图
3、基于声发射波形的模式识别
- 使用大量数据进行训练，生成特定的模型，模型可帮助用户完成声发射波形数据识别。
模型训练过程图
数据训练完成后，得出训练和验证的准确率、波形识别分类结果。
训练得出的模型可靠性结果图
选择需要波形模式识别的数据进行识别后，AI模型分析得出的波形类别可能性结果。
AI模型分析得出的波形类别可能性结果图
模型下载
模型调用
4、基于声发射参数的聚类识别功能
使用声发射参数进行聚类，结果以二维图的形式展示，不同的类别用不同的颜色代替，从图上可以大体看出相同类别的数据点都在一起，可以明显分开不同的类别。
参数聚类结果分布图
类别分布结果
5、基于声发射波形的聚类识别功能
声发射波形进行聚类，结果以二维图的形式展示，不同的类别用不同的颜色代替，从图上可以大体看出相同类别的数据点都在一起，可以明显分开不同的类别。
参数聚类结果分布图
类别分布结果
聚类的详细结果
