聲發(fā)射AI工作站

聲發(fā)射技術(shù)作為一種重要的無(wú)損檢測(cè)方法，廣泛用于材料內(nèi)部缺陷和結(jié)構(gòu)完整性的評(píng)估。聲發(fā)射AI工作站集成高性能服務(wù)器和清誠(chéng)自主研發(fā)的5大AI分析功能軟件，AI分析功能軟件是基于人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)技術(shù)研發(fā)的，適用于材料缺陷識(shí)別與結(jié)構(gòu)健康監(jiān)測(cè)，具備高效、精準(zhǔn)的分析的優(yōu)勢(shì)。

核心優(yōu)勢(shì)：提升訓(xùn)練速度

聲發(fā)射AI工作站采用NVIDIA RTX4090顯卡，配合CUDA軟件系統(tǒng)實(shí)現(xiàn)超高效率運(yùn)算。CUDA是用于GPU計(jì)算的開(kāi)發(fā)環(huán)境，它是一個(gè)全新的軟硬件架構(gòu)，可以將GPU視為一個(gè)并行數(shù)據(jù)計(jì)算的設(shè)備，高效分配和管理計(jì)算任務(wù)，在深度學(xué)習(xí)模型訓(xùn)練中大幅度縮短訓(xùn)練時(shí)間，提升訓(xùn)練速度。

技術(shù)亮點(diǎn)

5大基于人工神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的AI功能

1、網(wǎng)格標(biāo)注聲源定位GAL（Grid Annotation Location）

功能：無(wú)需聲源解析定位算法，在任意復(fù)雜結(jié)構(gòu)網(wǎng)格標(biāo)注，輸入聲源到達(dá)時(shí)間與信號(hào)參數(shù)即得到聲源的精準(zhǔn)定位。

實(shí)現(xiàn)流程：網(wǎng)格標(biāo)注與監(jiān)督訓(xùn)練數(shù)據(jù)生成—有監(jiān)督訓(xùn)練模型GAL得到A網(wǎng)格標(biāo)注數(shù)據(jù)的定位模型ALM—輸入實(shí)測(cè)數(shù)據(jù)T到定位模型ALM，得到定位結(jié)果網(wǎng)格號(hào)。

1.1 網(wǎng)格標(biāo)注與有監(jiān)督訓(xùn)練數(shù)據(jù)生成

將結(jié)構(gòu)劃分成多個(gè)網(wǎng)格并編號(hào)，聲發(fā)射傳感器布置在結(jié)構(gòu)上。如，風(fēng)電葉片劃分成1000個(gè)網(wǎng)格，編號(hào)1-1000，10個(gè)聲發(fā)射傳感器大致均勻間距布置在葉片上。

生成有監(jiān)督訓(xùn)練數(shù)據(jù)。每個(gè)網(wǎng)格人工產(chǎn)生多個(gè)聲源信號(hào)，如鉛芯折斷100次，10個(gè)聲發(fā)射傳感器采集數(shù)據(jù)，該數(shù)據(jù)標(biāo)注為網(wǎng)格號(hào)N組數(shù)據(jù)，例如1號(hào)網(wǎng)格100×10組標(biāo)注參數(shù)數(shù)據(jù)。1000個(gè)網(wǎng)格依次標(biāo)注得到1000組網(wǎng)格號(hào)1-1000編號(hào)的網(wǎng)格標(biāo)注數(shù)據(jù)集A。

1.2 有監(jiān)督訓(xùn)練模型GAL得到A網(wǎng)格標(biāo)注數(shù)據(jù)的定位模型ALM

1.3 輸入實(shí)測(cè)數(shù)據(jù)T到定位模型ALM，得到定位結(jié)果網(wǎng)格號(hào)

例如，1個(gè)月的監(jiān)測(cè)數(shù)據(jù)輸入到ALM結(jié)果顯示網(wǎng)格編號(hào)3、300、800有定位結(jié)果分別為500次、80次、5次，說(shuō)明3號(hào)網(wǎng)格位置有500次聲源定位信號(hào)，300網(wǎng)格位置80次，800號(hào)網(wǎng)格位置5次等聲源定位信息。

詳細(xì)使用操作請(qǐng)見(jiàn)使用說(shuō)明書。

網(wǎng)格標(biāo)注聲源定位跟傳統(tǒng)時(shí)差定位的準(zhǔn)確率對(duì)比圖
注：數(shù)據(jù)案例部分的數(shù)據(jù)只是示范應(yīng)用，可以使用用戶自己的數(shù)據(jù)訓(xùn)練和測(cè)試。

2、參數(shù)數(shù)據(jù)模式識(shí)別PPR(Parameter Pattern Recognition)

原理：參數(shù)數(shù)據(jù)模式識(shí)別是有監(jiān)督學(xué)習(xí)模式識(shí)別，采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，通過(guò)加權(quán)和與激活函數(shù)對(duì)輸入信號(hào)進(jìn)行計(jì)算，生成識(shí)別模型。

實(shí)現(xiàn)流程：輸入已知類別的參數(shù)數(shù)據(jù)到清誠(chéng)開(kāi)發(fā)的人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型PPR，訓(xùn)練得到參數(shù)模式識(shí)別模型PPRT，測(cè)試數(shù)據(jù)輸入到參數(shù)模式識(shí)別模型PPRT得到測(cè)試數(shù)據(jù)的分類結(jié)果。

PPRT模型分析得出識(shí)別詳細(xì)結(jié)果圖
注：數(shù)據(jù)案例部分的數(shù)據(jù)只是示范應(yīng)用，可以使用用戶自己的數(shù)據(jù)訓(xùn)練和測(cè)試。

3、波形數(shù)據(jù)模式識(shí)別WPR(Waveform Pattern Recognition)

原理：波形數(shù)據(jù)模式識(shí)別是有監(jiān)督學(xué)習(xí)模式識(shí)別，采用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，通過(guò)加權(quán)和與激活函數(shù)對(duì)輸入信號(hào)進(jìn)行計(jì)算，生成識(shí)別模型。

實(shí)現(xiàn)流程：輸入已知類別的波形數(shù)據(jù)到清誠(chéng)開(kāi)發(fā)的波形數(shù)據(jù)模式識(shí)別模型WPR，訓(xùn)練得到該數(shù)據(jù)識(shí)別的特定模型WPRT，輸入波形測(cè)試數(shù)據(jù)到WPRT模型得到測(cè)試數(shù)據(jù)的波形模式分類結(jié)果。

WPRT模型分析得出波形數(shù)據(jù)模式識(shí)別詳細(xì)結(jié)果圖
注：數(shù)據(jù)案例部分的數(shù)據(jù)只是示范應(yīng)用，可以使用用戶自己的數(shù)據(jù)訓(xùn)練和測(cè)試。

4、參數(shù)數(shù)據(jù)的聚類聲源分類PCSS（Parameter Clustering Source Separation）

功能：無(wú)監(jiān)督聚類算法自動(dòng)分類未知類別參數(shù)數(shù)據(jù)。

原理：參數(shù)數(shù)據(jù)的聚類聲源分類屬于無(wú)監(jiān)督的機(jī)器學(xué)習(xí)，輸入的參數(shù)數(shù)據(jù)事先不知道類別或沒(méi)有類別的樣本，PCSS根據(jù)樣本特征將樣本進(jìn)行分類。

實(shí)現(xiàn)流程：用戶輸入?yún)?shù)數(shù)據(jù)—設(shè)置集群數(shù)量，初始化簇中心坐標(biāo)—分配計(jì)算，直到聚類算法已經(jīng)達(dá)到迭代次數(shù)—得出參數(shù)數(shù)據(jù)聚類分類結(jié)果。

K-means聚類算法：基于距離的聚類算法，通過(guò)迭代計(jì)算將數(shù)據(jù)點(diǎn)劃分為K個(gè)簇，使得每個(gè)數(shù)據(jù)點(diǎn)到其所在簇中心的距離之和最小。

4.1 設(shè)置集群數(shù)量N，初始化簇中心坐標(biāo)

根據(jù)用戶設(shè)置的集群數(shù)量N，隨機(jī)選擇N個(gè)坐標(biāo)點(diǎn)作為初始簇中心，一組10個(gè)參數(shù)（幅度、能量、RMS、ASL、振鈴計(jì)數(shù)、上升時(shí)間、上升計(jì)數(shù)、持續(xù)時(shí)間、峰值頻率、質(zhì)心頻率）為一個(gè)10維坐標(biāo)。

4.2分配計(jì)算

對(duì)于數(shù)據(jù)集中的每個(gè)點(diǎn)，根據(jù)歐氏距離公式計(jì)算每個(gè)點(diǎn)到簇中心的距離，將其分配到最近的簇中心，根據(jù)當(dāng)前的簇分類，重新計(jì)算每個(gè)簇的中心坐標(biāo)（即計(jì)算簇內(nèi)所有點(diǎn)的均值作為新的簇中心坐標(biāo)）。

4.3更新

重復(fù)4.2步驟，直到簇中心不再發(fā)生變化（收斂）迭代次數(shù)。

參數(shù)聚類結(jié)果分布圖
注：數(shù)據(jù)案例部分的數(shù)據(jù)只是示范應(yīng)用，可以使用用戶自己的數(shù)據(jù)測(cè)試。

5、波形數(shù)據(jù)的聚類聲源分類WCSS（Waveform Clustering Source Separation）

功能：無(wú)監(jiān)督聚類算法自動(dòng)分類未知類別的波形數(shù)據(jù)。

原理：波形數(shù)據(jù)的聚類聲源分類屬于無(wú)監(jiān)督的機(jī)器學(xué)習(xí)，輸入的波形數(shù)據(jù)事先不知道類別或沒(méi)有類別的樣本，WCSS根據(jù)樣本特征進(jìn)行分類。

實(shí)現(xiàn)流程：用戶輸入波形數(shù)據(jù)—設(shè)置集群數(shù)量，初始化簇中心坐標(biāo)—分配計(jì)算，直到聚類算法已經(jīng)達(dá)到迭代次數(shù)—得出波形數(shù)據(jù)聚類分類結(jié)果。

K-means聚類算法：基于距離的聚類算法，通過(guò)迭代計(jì)算將數(shù)據(jù)點(diǎn)劃分為K個(gè)簇，使得每個(gè)數(shù)據(jù)點(diǎn)到其所在簇中心的距離之和最小。

5.1 設(shè)置集群數(shù)量N，初始化簇中心坐標(biāo)

根據(jù)用戶設(shè)置的集群數(shù)量N，隨機(jī)選擇N個(gè)坐標(biāo)點(diǎn)作為初始簇中心，對(duì)一幀波形提取7個(gè)時(shí)域參數(shù)（ASL、幅度電壓標(biāo)準(zhǔn)差、AMP、能量、平均能量、波峰因子、峰度）3個(gè)頻域參數(shù)（平均頻率、質(zhì)心頻率、峰值頻率）作為一個(gè)10維坐標(biāo)。

5.2分配計(jì)算

對(duì)于數(shù)據(jù)集中的每個(gè)點(diǎn)，根據(jù)歐氏距離公式計(jì)算每個(gè)點(diǎn)到簇中心的距離，將其分配到最近的簇中心，根據(jù)當(dāng)前的簇分類，重新計(jì)算每個(gè)簇的中心坐標(biāo)（即計(jì)算簇內(nèi)所有點(diǎn)的均值作為新的簇中心坐標(biāo)）。

5.3更新

重復(fù)5.2步驟，直到簇中心不再發(fā)生變化（收斂）或迭代次數(shù)。

波形數(shù)據(jù)聚類分布結(jié)果圖
注：數(shù)據(jù)案例部分的數(shù)據(jù)只是示范應(yīng)用，可以使用用戶自己的數(shù)據(jù)測(cè)試。