GW-EA声发射边缘计算网关

声发射边缘计算网关（GW-EA）是面向声发射（Acoustic Emission）监测场景的工业边缘计算设备。作为声发射传感网络的核心节点，网关汇聚 RAEM1、RAEM1-6等采集器数据，在本地边缘端完成声源定位、模式识别与参数等级评定，并将结果通过 MQTT 协议上报至清诚物联网平台（清诚云）或用户私有服务器，实现分布式设备的集中管理与实时监控。

网关支持采集器经以太网或 WiFi 以 TCP 方式接入，上行网络支持以太网/WiFi。其工业级硬件架构适配严苛环境，内置 6 TOPS 算力 NPU，可本地运行 Swin-Transformer 波形识别模型，适用于压力容器、管道、储罐、钢结构等工业场景的声发射在线监测与状态诊断。

GW-EA 将声源定位、模式识别与参数等级评定全部下沉至网关本地完成，仅将结构化结果上报云端，兼顾实时性、带宽成本与数据安全；单网关最多接入 32 台采集器，上行支持以太网/WiFi 灵活组网；金属外壳被动散热、宽温运行，适配严苛工业现场的长期在线监测。

硬件性能

系统能力

功能模块

电源与环境

网关在边缘端完成声源定位、模式识别与参数等级评定等核心计算任务，其中 4 类基于人工神经网络 / 深度学习的模型以推理（inference）方式在边缘端运行：识别/定位模型由声发射 AI 工作站（GPU）上的 AI 模型训练工具训练生成后，部署至网关 NPU / CPU，输入实测数据即可本地实时输出结果，全程无需回传云端计算，云端只需接收网关边缘计算后得到的有价值数据。

5.1 GAL 网格声源定位

原理：网格标注 + 监督学习。将监测结构划分为若干网格并编号，传感器阵列布置于结构表面；在每个网格批量制造标准声源（如铅芯重复折断），传感器阵列同步采集，形成有监督训练数据集，训练得到网格标注定位模型，学习“到达时间 + 参数 → 网格号”的映射。无需建立结构声速传播模型，不受结构形状与材料声速影响，适用于叶片、罐体、管道等复杂结构；在某 16 网格阵列实测案例中，AI 定位平均准确率达 99.75%，传统 TDOA 时差定位平均约 86%，多数网格定位准确率可达 100%。

边缘推理：网关加载模型后，从采集器上传的参数中提取到达时间与特征参数，直接输出声发射源所在的网格编号，进一步得到实际的声源位置。定位结果经网关上传至云端。

5.2 TDOA 时差定位

原理：基于同一声发射事件到达各传感器的时差进行声源定位，支持线性、平面、立方体、罐底、柱面、柱体、球面 7 种几何结构，适配管道、平板、储罐底板、圆柱容器、球罐等不同监测对象；支持介质波速设置（钢约 5000 m/s、铝约 6300 m/s）、事件定义与闭锁时间、幅值容差、参与定位的传感器数量上下限等参数配置，并可设置守护传感器排除噪声通道干扰。

边缘推理：网关对同一事件内各通道撞击的到达时间进行时差解算，实时输出声源坐标；结果上报云端后，可在清诚物联网平台查看线定位、平面定位、柱面定位等可视化定位结果。

5.3 波形模式识别 WPR

原理：有监督人工神经网络（ANN）。以波形数据为输入，按用户定义的声源类别（开裂、异物碰撞、铅芯折断等）进行标注，训练多层神经网络，通过逐层加权求和与激活函数计算，学习“波形 → 类别”的映射，得到波形识别模型 WPR。

模型训练与评估：训练轮数（Epochs）、精度阈值、损失阈值可调；训练结束后分别输出训练集与验证集的准确率、损失值，量化模型识别精度。以 4 类声源、500 个波形数据的训练集为例，训练集准确率达 99.75%，验证集准确率达 93%。

边缘推理：网关加载模型后，对采集器上传的实时波形帧提取特征并做网络前向计算，输出声源类别及其概率，识别结果上传至云端。

5.4 参数模式识别 PPR

原理：有监督 ANN。以参数数据（到达时间、幅度、能量、RMS、ASL、振铃计数、持续时间、上升时间、上升计数、峰值频率、质心频率等）为输入，按用户定义类别标注，训练人工神经网络，得到参数识别模型 PPR；隐藏层将输入数据转换为更高层次的特征表示。

模型训练与评估：训练参数含 Epochs、Dropout（通常取 ≤0.2）、精度阈值、损失阈值；训练完成后以混淆矩阵量化各类别的识别准确率。以 4 类声源、1680 个测试数据为例，整体识别准确率达 96.31%（正确识别 1618 个）。

边缘推理：网关加载模型后，对实时参数做前向计算，输出声源类别及其概率，并上传至云端。

5.5 Swin-Transformer 波形识别

原理：深度学习。原始波形先重采样至 16 kHz，经连续小波变换（CWT）生成 64×64 时频图，将一维时序信号转化为二维时频表示；再输入 Swin-Transformer 网络，通过分窗自注意力（Shifted Window Attention）机制提取时频图的局部与全局特征，完成分类。

边缘推理：由 6 TOPS NPU硬件加速本地前向计算，输出 Top-3 识别结果，并将结果上传至云端。

5.6 参数等级评定

原理：参照声发射参数评级方法（QC 等级评定），对声发射事件按严重程度分级，便于运维决策。实时强度等级基于单次撞击的特征参数（幅值、能量等）判定，分为 1~3 级；活度等级基于统计周期内的撞击计数判定，分为 1~4 级；综合等级由统计强度与活度综合评定。强度与活度均由规则引擎定义，每级支持多条规则，规则内多参数阈值相与、同级规则间相或，阈值可按通道单独设置或统一下发。

边缘推理：网关按统计周期在本地完成等级计算，支持实时强度、统计强度、统计活度、综合等级等用户设置上报模式，结果上报清诚物联网平台或用户私有服务器。

依托网关内置的边缘 AI 推理能力，GW-EA 可在数据产生的现场直接完成声源定位与模式识别。声发射技术在桥梁、机加工、风电、石油化工等领域已有成熟的在线监测应用实践，GW-EA 将边缘 AI 能力延伸至上述场景，典型应用方向如下。

6.1 桥梁缆索断丝监测

方案组成：在缆索、吊索等监测部位布置声发射传感器与 RAEM 系列采集器，网关本地运行波形识别模型及参数评级，对断丝等异常事件识别，并经以太网/4G 上报至用户私有服务器。应用价值：准确识别缆索真实断丝事件，排除噪声干扰，按等级告警，保障桥梁结构运营安全。

6.2 机加工刀具磨损监测

方案组成：采集器实时采集切削过程中的声发射信号传输至边缘计算网关，网关通过 WPR/PPR 模型区分刀具正常磨损、剧烈磨损与崩刃等状态，异常时输出告警。应用价值：刀具状态实时可知，避免过度磨损造成批量不良与停机损失，支撑换刀策略优化与无人化产线运行。

6.3 风电轴承/叶片监测

方案组成：在叶片根部、主轴承及变桨/偏航轴承等关键部位布置声发射传感器，采集器经以太网/WiFi 接入网关；叶片侧识别基体开裂、层间分层、脱粘、纤维断裂等损伤特征信号，转动部件侧识别轴承磨损、点蚀及润滑异常等特征信号，Swin-Transformer 模型在风机运行噪声环境下完成损伤识别，结果经以太网/4G 上报至清诚物联网平台。应用价值：无需停机即可捕捉肉眼不可见的内部损伤萌生与扩展过程，实现叶片裂纹、分层与轴承故障的早期预警，为制定维修计划提供依据，降低叶片断裂、倒塔等重大事故风险。

6.4 储罐及管道阀门泄漏监测

方案组成：在储罐罐底、管壁及阀门等关键部位布置声发射传感器与 RAEM 系列采集器，网关本地运行模式识别模型，实时识别泄漏产生的声发射信号并抑制环境噪声干扰，对泄漏事件分级告警，并经以太网/4G 上报至清诚物联网平台。应用价值：无需停输即可对石油、化工、燃气等管道及储罐、阀门实现在线监测，泄漏早发现、早定位，降低介质泄漏引发的安全与环境风险，减少人工巡检强度。

6.5 转动设备状态监测

方案组成：在轴承座、齿轮箱等部位布置声发射传感器与 RAEM 系列采集器，网关通过 WPR/PPR/Swin-Transformer 模型识别轴承早期损伤、齿轮异常、摩擦磨损、松动碰撞等特征信号，异常时输出分级告警。应用价值：声发射对早期微小异常敏感，可在故障萌芽阶段及时发现问题，支撑转动设备由定期维护向预测性维护转变，避免突发停机与连锁损坏。

产品介绍单页