39、声学发射监测与金属铸件传感器集成技术综述

声学发射监测与金属铸件传感器集成技术综述

声学发射源定位的CNN模型研究

在声学发射（AE）监测领域，为了实现对声学信号到达时间（ToA）的有效估计，研究人员采用了卷积神经网络（CNN）模型，并通过不同的量化技术在边缘设备上实现了模型的部署。

实验设置

为了进行AE源定位，实验采用了特定的设置。在一块板的三个角上安装了三个传感器（S1、S2、S3），同时考虑了9个等间距的不同点用于AE激励。并且，为了评估AI方法在处理噪声AE监测场景的能力，研究人员对采集的数据添加了加性高斯白噪声，使信噪比（SNR）从20 dB以4 dB的整数步长逐步降低到4 dB。

合成信号的初步验证

对CNN模型及其对应的量化策略在合成数据上进行测试，结果总结在表1中。通过计算平均绝对误差（MAE）的百分比退化，来评估量化模型相对于原始未量化模型（Model 1在Keras中运行）的性能。MAE损失百分比的计算公式为：
[MAE_{loss}\% = 1 - \frac{MAE_q}{MAE_{Model 1 Keras}} \times 100]
其中，(MAE_q)是通用量化版本模型的MAE（单位：µs），(MAE_{Model 1 Keras})为12.39 µs。

同时，还估计了计算复杂度（以乘法累加（MAC）操作的数量表示）、整体执行时间和内存占用。分析Model 1的性能可以发现，Q - aware解决方案具有双重优势：一是通过低深度量化，所需的内存空间大大减少；二是其精度退化比训练后量化低一个数量级。基于这一结果，Model 2仅采用了Q - aware量化方法，该方法在整体预测精度上仅有极小的损失，并且将