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

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。

5大基于人工神经网络深度学习的AI功能

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。

网格标注声源定位跟传统时差定位的准确率对比图
注：数据案例部分的数据只是示范应用，可以使用用户自己的数据训练和测试。

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。

PPRT模型分析得出识别详细结果图
注：数据案例部分的数据只是示范应用，可以使用用户自己的数据训练和测试。

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。

WPRT模型分析得出波形数据模式识别详细结果图
注：数据案例部分的数据只是示范应用，可以使用用户自己的数据训练和测试。

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。

参数聚类结果分布图
注：数据案例部分的数据只是示范应用，可以使用用户自己的数据测试。

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。

波形数据聚类分布结果图
注：数据案例部分的数据只是示范应用，可以使用用户自己的数据测试。

产品介绍单页

产品用户手册