تقدم هذه الدراسة إطارا مقيدا بالفيزياء لشبكة CNN لتقييم التصوير الحراري بالأشعة تحت الحمراء لمعدات الطاقة عالية الجهد، مع دمج التنظيم القائم على الانتشار وسقوط مونتي كارلو لتحقيق توقع درجات حرارة متسق فيزيائيا ومراقبة حرارية واعية لعدم اليقين.
Research Article
الذكاء الاصطناعي القابل للتفسير لتقييم الحالة الحرارية لمعدات الطاقة عالية الجهد باستخدام التصوير بالأشعة تحت الحمراء
Kanaka Raju Kalla1 , R. Ramya Swetha2 , Mahesh K.3 , Ijjada Ramesh3 , CH V V Ramana4 , Sara Abdelwahab Ghorashi5 , Faten Khalid Karim6 , Samih M. Mostafa7
1Department of EEE, Aditya Institute of Technology and Management, Tekkali, 2Department of Civil Engineering, Institute of Aeronautical Engineering, 3Department of EEE, Sir M. Visvesvaraya Institute of Technology, 4Vignan's Institute of Information Technology (A), 5Department of Computer Sciences, Princess Nourah bint Abdulrahman University, 6Department of Computer Sciences, Princess Nourah bint Abdulrahman University, 7Computer Science Department, Qena University
Opens in a new tab
In This Article
Summary
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
Abstract
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يستخدم التصوير الحراري بالأشعة تحت الحمراء على نطاق واسع لمراقبة الحرارة غير التلامسية لمعدات الطاقة عالية الجهد، حيث قد تشير أنماط الحرارة غير الطبيعية إلى ظهور أعطال أو تدهور في العزل. ومع ذلك، قد تنتج نماذج التعلم العميق المعتمدة على البيانات فقط توقعات درجات حرارة لا تتوافق تماما مع فيزياء انتقال الحرارة. تبحث هذه الدراسة في إطار شبكة عصبية الالتفافية مقيدة بالفيزياء (CNN) لتقدير حقول درجة الحرارة المكانية من الصور الحرارية. تم دمج فقدان بقايا لابلاسيان قائم على الانتشار مشتق من معادلة الحرارة لتحسين الاتساق الفيزيائي في الحقول الحرارية المتوقعة. أظهر التقييم التجريبي لمجموعة البيانات المتاحة أن النموذج المقيد بالفيزياء حقق أداء أفضل مقارنة بشبكة CNN الأساسية، حيث حصل أفضل تكوين على RMSE بقيمة RMSE تبلغ 12.013 °C وقيمة CAP R-squared 0.4646، مما يشير إلى قدرة تنبؤية متوسطة. تم أيضا استكشاف معامل انتشار حراري قابل للتعلم لتحسين قابلية التفسير، رغم أنه لم يتفوق على صياغة المعاملات الثابتة. بالإضافة إلى ذلك، تم تقييم نموذج معزز بمصطلح المصدر، لكنه لم يوفر أي تحسين إضافي لبيانات التصوير الحراري القائمة على اللقطات. تم تطبيق انقطاع مونتي كارلو لتقدير عدم اليقين، مما كشف عن تباين تنبؤي أعلى بالقرب من حدود النقاط الساخنة والمناطق ذات التدرجات الحرارية الحادة. بشكل عام، تشير النتائج إلى أن التنظيم القائم على الفيزياء وتقدير عدم اليقين يمكن أن يحسن التماسك الفيزيائي وقابلية التفسير لنماذج التنبؤ الحراري، رغم أن النتائج تبقى محدودة بمجموعة البيانات الحالية وإعداد التحقق فقط.
Introduction
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يعد المراقبة الحرارية الموثوقة ضرورية لتشغيل معدات الطاقة عالية الجهد بأمان، لأن التسخين غير الطبيعي غالبا ما يكون مؤشرا مبكرا على تدهور العزل، أو الوصلات المرتخية، أو الأعطال الكهربائية الناشئة. يستخدم التصوير الحراري بالأشعة تحت الحمراء (IRT) على نطاق واسع في هذا السياق لأنه يوفر قياسات لدرجة حرارة السطح الكاملة وغير التلامسية أثناء الفحوصات الروتينية. ومع ذلك، يظل التحليل الحراري العملي صعبا بسبب تغير الانبعاثية، والتداخل المحيط، وضوضاء المستشعرات، وقلة البيانات الموسومة1.
لقد حسن التعلم العميق الكشف التلقائي عن النقاط الساخنة والتنبؤ بمجال درجة الحرارة من الصور الحرارية، لكن النماذج المعتمدة على البيانات فقط لا تفرض صراحة فيزياء انتقال الحرارة. وبالتالي، قد تكون الحقول الحرارية المتوقعة دقيقة إحصائيا، مع البقاء محدودة بشكل ضعيف فقط من الناحية الفيزيائية. بالنسبة لمهام الفحص الحرجة للسلامة، يقلل هذا القيد من الثقة في مخرجات النماذج ويضعف قيمتها في اتخاذ قرارات الصيانة2. يمكن لمقدم معتمد على الفيزياء معالجة هذه المشكلة من خلال توجيه التعلم نحو توزيعات درجات حرارة متسقة حراريا. بالنسبة لبيانات الأشعة تحت الحمراء اللقطة، فإن المصطلح الزمني في معادلة الحرارة غير متاح؛ لذلك، يعمل بقايا لابلاس كمنظم عملي لفرض سلاسة مكانية شبيهة بالانتشار. وهذا مهم بشكل خاص للمعدات ذات الجهد العالي، حيث تكون حقول الحرارة عادة ناعمة باستثناء مناطق النقاط الساخنة المحلية.
للتوفيق بين المرونة القائمة على البيانات والاتساق الميكانيكي، يدمج التعلم المستند إلى الفيزياء المعادلات التفاضلية الجزئية (PDEs) أو نظيراتها المنفصلة في أهداف تدريبية. أظهر نموذج الشبكة العصبية المستندة إلى الفيزياء (PINN)، حيث تعاقب بقايا المعادلات التفاضلية التفاضلية إلى جانب فقدان البيانات، أن دمج المؤثرات التفاضلية كقيود ناعمة يحسن التعميم ويمكن أن يمكن الاستدلال الأمامي/العكسي في الوقت نفسه للمعلمات الكامنة. بالنسبة للمشكلة الحرارية، النموذج القانوني هو معادلة الانتشار (الحرارة)،
حيث T هي درجة الحرارة، α هي الانتشار الحراري وS هو مصطلح حجمي/مصدر؛ فرض بقايا هذا العامل (أو البديلات القائمة على لابلاسيان) يقلل من البنية الزائفة وغير المنتشرة في حقول الحرارة المتعلمة3. تقدير عدم اليقين مهم أيضا للنشر التشغيلي. التنبؤ الحتمي لا يشير إلى أين يكون النموذج أقل موثوقية، خاصة بالقرب من حدود النقاط الساخنة والتدرجات الحرارية الحادة4. يوفر سقوط مونت كارلو تقريبا فعالا لعدم اليقين المعرفي ويمكنه توليد خرائط تباين بكسلات تدعم تفسيرا واعيا للمخاطر للحقول الحرارية المتوقعة 5,6.
هدف هذه الدراسة هو تطوير وتقييم إطار عمل CNN مقيد بالفيزياء لتقدير درجة الحرارة المكانية من الصور تحت الحمراء لمعدات الطاقة عالية الجهد. يدمج النموذج المقترح تنظيم الفيزياء القائم على لابلاس مع شبكة CNN الأساسية، ويفحص الانتشار الحراري التكيفي كآلية معايرة قابلة للتفسير، ويقيم صياغة معززة بمصطلح المصدر، ويطبق انقطاع مونت كارلو لرسم خرائط عدم اليقين. تهدف الدراسة إلى تحديد ما إذا كان التنظيم القائم على الفيزياء يحسن اتساق التنبؤ لبيانات التصوير الحراري اللقطة، وما إذا كانت تقديرات عدم اليقين تعزز قابلية التفسير العملية للنتائج.
المساهمات الرئيسية ثلاثية: أولا، CNN مقيد بالانتشار للتنبؤ بدرجة حرارة المجال باستخدام فقدان متبقي لابلاسياني؛ ثانيا، تقييم تجريبي للانتشار الحراري القابل للتعلم وتعزيز مصطلحات المصدر تحت ظروف حرارية قائمة على اللقطات؛ وثالثا، تقدير عدم اليقين بالبكسل باستخدام انقطاع مونتي كارلو لتحديد المناطق الحرجة حراريا والأقل يقينا في مراقبة معدات الجهد العالي. وفقا للأدبيات السابقة، تدمج الشبكات العصبية المستندة إلى الفيزياء (PINNs) المعادلات التفاضلية الجزئية الحاكمة (PDEs) في التعلم العميق، مما يمكن النماذج الحرارية من احترام قوانين الحفظ وفيزياء المواد7،8. على سبيل المثال، تظهر الدراسات تقريبا فعالا لحقول درجة الحرارة من خلال فرض شروط حدودية وأولية من خلال خسائر متبقية ناعمة من المعادلات التفاضلية الجزئية. إدراج مؤثرات لابلاسيان أو العوامل التفاضلية ذات الصلة في الفقد يقلل من التقلبات الزائفة وغير المتسقة فيزيائيا في المجال الحراري المتوقع. ومع ذلك، غالبا ما تتعثر الأنابيب القياسية عندما تظهر المحاليل تدرجات حادة (مثل قرب مصادر الحرارة أو واجهات المواد). تعالج التحسينات الحديثة هذا من خلال استهداف المناطق ذات التدرج العالي مباشرة؛ على سبيل المثال، تدمج PINNs المدفوعة بالتدرج مصطلحات فقدان قائمة على التدرج لالتقاط ميزات حرارية حادة بشكل أفضل. باختصار، توفر PINN لنقل الحرارة نمذجة فعالة للبيانات من خلال تضمين فيزياء التوصيل، لكنها تتطلب تصاميم خسائر مخصصة (مثل عقوبات التدرج) عند التعامل مع تغيرات درجات الحرارة الحادة.
يوفر التصوير الحراري بالأشعة تحت الحمراء (IRT) بيانات حرارية كاملة المجال للمعدات الكهربائية المشغلة، مما يجعله مثاليا لتشخيص الأعطال غير الجراحية. تم استخدام الشبكات العصبية الالتفافية (CNNs) على نطاق واسع لاستخراج الأنماط من الصور الحرارية لمراقبة صحة الأصول. على سبيل المثال، أظهر الله وآخرون أن ميزات CNN المدربة مسبقا (AlexNet) مع مصنف غابات عشوائي يمكنها التمييز بين المعدات عالية الجهد المعيبة والصحية بدقة تزيد عن 96٪. وبالمثل، حقق التعلم الانتقالي مع الشبكات الأعمق (مثل VGG-16) اكتشاف نقاط ساخنة شبه مثالي على مخططات الحرارة في محطات الفرع، مما أعطى دقة تصنيف ≈99.98٪10). بعيدا عن التصنيف، تم تكييف شبكات CNN الحديثة لكشف الأجسام (FASTER R-CNN، YOLO، MASK R-CNN، وغيرها) لتحديد مواقع الشذوذات الحرارية في أنظمة الطاقة؛ غالبا ما تتجاوز الدقة المبلغ عنها ومتوسط الدقة 90٪ في مجموعات بيانات الاختبار. في الواقع، تقلل نماذج IRT العميقة بشكل كبير الحاجة إلى التفسير الخبير: فهي قادرة تلقائيا على تحديد المكونات المسخنة وإعطاء الأولوية لإجراءات الصيانة. ومع ذلك، تركز معظم الأعمال حتى الآن على تصنيف الصور الثابتة أو تقسيمها؛ يظل التكامل مع السياق الزمني أو التشغيلي اتجاها مفتوحا لتحسين الموثوقية في عمليات التفتيش الواقعية.
دمج الفيزياء في الشبكات العصبية يفتح أيضا الباب للنمذجة العكسية: يمكن التعامل مع معلمات المعادلات التفاضلية التفاضلية (مثل الانتشار الحراري أو التوصيلية) كمتغيرات قابلة للتدريب واستنتاجها من البيانات. تستغل الدراسات الحديثة في الشبكات الحرارية PINN هذا لعكس المعاملات. على سبيل المثال، تم اقتراح هياكل PINN للشبكات المترابطة للتنبؤ بحقول درجة الحرارة واستعادة معلمات التوصيل غير المعروفة11 في الوقت نفسه. أظهرت دراسة أجريت عام 2021 أن PINN يمكنها عكس معاملات توصيل الحرارة الثابتة أو المتغيرة مكانيا بدقة عالية، مما يتعلم خصائص المادة من قياسات درجة الحرارة11. في نهج ذي صلة، طور وسيم ومييلي إطار عمل PINN تكراري يتناوب بين حل معادلة الحرارة الأمامية وتحسين التوصيل الحراري للجدار بناء على الرسوم الحراريةالمرصودة 12. وقد نجحت طريقتهم في تقدير التوصيل الحراري في الموقع تحت ظروف بيئية مختلفة دون تجارب ممتدة. وفي الوقت نفسه، تجمع أنظمة PINN الهجينة بين بيانات حساسات محدودة وسابقات فيزيائية لمعالجة المشكلات العكسية غير المثبتة. قدمت دراسة عام 2026 نظام PINN هجين للتوصيل العابر ثنائي الأبعاد يحدد موتر التوصيل المتعامد ومصادر الحرارة الغاوسية الداخلية من قراءات درجات حرارة متفرقة13. يقدر هذا الإطار في الوقت نفسه خصائص المواد غير المتجانسة وخصائص المصدر (الموقع، السعة، الانتشار)، مما يؤدي إلى أخطاء منخفضة حتى مع الحد الأدنى من الأجهزة. تظهر هذه الأعمال مجتمعة أن دمج معلمات المعادلات التفاضلية الجزئية القابلة للتعلم في PINNs أو ربط الشبكات الأمامية/العكسية يمكن من استعادة الخصائص الحرارية الكامنة من بيانات الأشعة تحت الحمراء أو البيانات الحرارية المتفرقة. توفر هذه النماذج العكسية الهجينة قابلية للتفسير (عن طريق ربط التنبؤات بالمعلمات الفيزيائية) وهي ضرورية للتشخيص في أنظمة الطاقة، رغم أنها تتطلب توازنا دقيقا بين البيانات والفيزياء لضمان استنتاج قوي.
يعد قياس عدم اليقين في النموذج أمرا بالغ الأهمية في المراقبة الحرارية الحساسة للسلامة. نهج شائع هو السقوط مونتي كارلو (MC)، الذي يقارب الاستدلال البايزي عن طريق تطبيق طبقات السقوط عند الاستدلال وأخذ عينات من عدة تمريرات أمامية. وهذا ينتج خرائط تباين تنبؤية حسب البكسلات، مما يبرز بشكل فعال المناطق التي يكون فيها النموذج أقل ثقة. على سبيل المثال، أنتج شبكة U-Net بايزية تستخدم حذف MC تقديرات لعدم اليقين المعلوماتي في تقسيم الصور الطبية: حيث كانت البكسلات غير المؤكدة تميل إلى الوقوع عند حدود الأجسام أو في مناطق غير نمطية، وتصفيتها حسن الدقة العامة14. في المراقبة الحرارية، يلاحظ سلوك مشابه: غالبا ما تتزامن المناطق ذات التباين التنبؤي العالي مع النقاط الساخنة أو التدرجات الحرارية الحادة، مما يشير إلى مناطق تتطلب الحذر. لذا، فإن دمج انقطاع MC في نماذج الحرارة المبنية على CNN يمكن من تقييمات واعية للمخاطر: يمكن للمشغلين تصور تراكبات عدم اليقين على تنبؤات درجات الحرارة، مع تركيز الفحص اليدوي أو إجراءات التحكم المحافظة على المناطق الغامضة14. بشكل عام، أصبحت تقنيات مونتي كارلو الهادئة والتقنيات البايزية ذات الصلة أدوات قياسية لتقدير عدم اليقين في نماذج CNN، مما يحسن المتانة وقابلية التفسير من خلال كشف أماكن عدم كفاية البيانات أو معرفة النموذج14.
Protocol
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يصف هذا القسم خط أنابيب التعلم العميق الكامل المقيدة بالفيزياء لتقييم الحالة الحرارية باستخدام الصور الحرارية بالأشعة تحت الحمراء. يدمج الإطار (1) استخراج حقل درجة الحرارة، (2) انحدار CNN الأساسي، (3) تنظيم الفيزياء المعتمد على الانتشار، (4) تعلم المعلمات التكيفي، و(5) قياس عدم اليقين. جميع الأدوات المستخدمة في هذه الدراسة موصوفة في جدول المواد.
التقاط الصور الحرارية وبناء مجال درجة الحرارة
تم التقاط صور بالأشعة تحت الحمراء (IR) لمعدات الطاقة عالية الجهد باستخدام كاميرا حرارية معايرة. تم تحويل كل صورة إلى مصفوفة درجة حرارة مكانية T(x, y) ∈ RH×W عن طريق تعيين شدة البكسلات إلى قيم درجة الحرارة الفيزيائية (°C) باستخدام معلمات معايرة إشعاعية للكاميرا. يوضح الشكل 1A–C تصور درجة الحرارة. يتم تحويل الصورة الأصلية للأشعة تحت الحمراء إلى خريطة درجة حرارة ذات معنى فيزيائي. يظهر المدرج توزيع درجات الحرارة المائل بتركيز يتراوح بين 50–90 درجة مئوية. المناطق ذات درجات الحرارة العالية المحلية (النقاط الساخنة) واضحة جدا. يوضح الشكل 2 تمثيلا ثلاثي الأبعاد لارتفاع السطح الحراري لحقل درجة الحرارة. يكشف مخطط الارتفاع السطحي ثلاثي الأبعاد عن انحدارات شديدة حول مناطق النقاط الساخنة. تقترب ذروات درجات الحرارة من ~120 درجة مئوية. المجال الحراري ناعم مكانيا، باستثناء الموصلات القريبة من الطاقة ووصلات الاتصال. تبرر هذه الخصائص استخدام مصطلح تنظيم قائم على الانتشار لتعزيز النعومة الفيزيائية مع الحفاظ على ظواهر التدرج العالي المحلية الموضعية.
الشكل 1: تصور درجة الحرارة. (أ) صورة حرارية بالأشعة تحت الحمراء الأصلية للمعدات عالية الجهد التي تم فحصها تظهر النمط الحراري المرصود. (ب) خريطة درجة الحرارة المستخرجة من الصورة الحرارية، توضح التوزيع المكاني لدرجات حرارة السطح والتدرجات الحرارية المرتبطة بها. (ج) مخطط توزيع درجة الحرارة الذي يوضح توزيع تردد قيم درجات الحرارة داخل حقل درجة الحرارة المستخرج. يوضح هذا الشكل تحويل صورة حرارية إلى تمثيل كمي لدرجة الحرارة ويلخص توزيع درجات الحرارة الأساسي المستخدم في تطوير وتحليل النماذج لاحقا. الاختصارات؛ IR = الأشعة تحت الحمراء. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 2: تمثيل ارتفاع سطح حراري ثلاثي الأبعاد لحقل درجة الحرارة. تصوير ثلاثي الأبعاد لتوزيع درجة الحرارة، حيث يتوافق ارتفاع السطح مع مقدار درجة الحرارة ويبرز النقاط الحرارية الساخنة المحلية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
صياغة المسألة
لتكن
تشير إلى صورة التصوير الحراري بالأشعة تحت الحمراء RGB، حيث يمثل H و W الأبعاد المكانية وC = 3 يتوافق مع قنوات الألوان المرتبطة باللوحة الحرارية القوس قزحية. على الرغم من أن صورة الأشعة تحت الحمراء تمثل معلومات حرارية بصريا، إلا أنها ليست مصفوفة درجة حرارة رقمية مباشرة لأن الألوان المعروضة تعتمد على رسم خرائط اللوحة، والتكبير، والاستيفاء، وظروف التصوير.
لتكن
تشير إلى حقل درجة حرارة الحقيقة الأرضية المقابل الذي يتم الحصول عليه من خلال المعايرة الإشعاعية واستخراج درجة الحرارة من نظام التصوير بالأشعة تحت الحمراء.
هدف التعلم هو تقريب التعيين
حيث θ تمثل المعلمات القابلة للتوجيه للشبكة النووية النووية وT̂ تمثل حقل درجة الحرارة المتوقع. الغرض من هذا الرسم الخفي المراقب ليس فقط إعادة إنتاج التحويل الإشعاعي المباشر، بل تعلم نموذج انحدار درجة حرارة متسق مكانيا من الصور الحرارية المعروضة. على عكس الاستخراج المباشر من اللون إلى درجة الحرارة حسب البكسلات، يمكن ل CNN استغلال البنية الحرارية السياقية عبر المناطق المجاورة، وتقليل حساسية الضوضاء، والحفاظ على خصائص النقاط الساخنة، وتوليد حقول حرارية أكثر سلاسة ومعقولة فيزيائية تحت قيود الانتشار المفروضة. دالة الهدف الأساسية تقلل من خطأ الانحدار باتجاه البكسل بين حقل درجة الحرارة المتوقع والمعايرة:
حيث Tij و T̂ij يدلان إلى الحقيقة الأرضية ودرجات الحرارة المتوقعة عند موقع البكسل (i, j) على التوالي. وبناء عليه، يجب تفسير الإطار كنموذج انحدار حراري منظم الفيزياء بدلا من كونه بديلا للمعايرة الإشعاعية المباشرة.
شروط التقاط الصور بالأشعة تحت الحمراء
تم التقاط صور حرارية بالأشعة تحت الحمراء باستخدام كاميرا تصوير حراري FLIR تحت ظروف تشغيل المحطات الفرعية الخارجية. تكونت مجموعة البيانات من صور حرارية RGB بدقة مكانية 640 × 480 بكسل، تم تسجيلها باستخدام لوحة ألوان قوس قزح FLIR. تضمنت كل صورة شريط مقياس حراري مدمج يشير إلى نطاق درجة الحرارة المرتبط بإطار الاستحواذ. شمل الفحص الحراري عدة فئات من معدات الجهد العالي، بما في ذلك المحولات، والبوشينغز، والعوازل، والموصلات، والهياكل الطرفية. تم التقاط الصور خلال ظروف التشغيل العادية لتشمل كل من السلوك الحراري القياسي وأنماط النقاط الساخنة المحلية ذات الصلة بتطبيقات مراقبة الحالة. تم التقاط الصور من منظور فحص عملي يستخدم عادة في التصوير الحراري الميداني. كان اتجاه الكاميرا وزاوية الرؤية يتغيران حسب سهولة الوصول إلى المعدات وتصميم المحطات الفرعية. تم فحص الصور الحرارية بصريا لضمان بقاء معدات الهدف قابلة للرصد بوضوح وأن مناطق النقاط الساخنة كانت مميزة عن الخلفية. تم تنظيم مجموعة البيانات في مجلدات معنونة حسب فئة المعدات والحالة الحرارية. قبل تطوير النموذج، تم تقسيم الصور وتغيير حجمها إلى تنسيق مكاني متسق لاستخراج الحقل الحراري وتدريب CNN. تحتوي الصور الحرارية على توزيعات حرارية مناسبة لدراسات الرؤية الحاسوبية والتعلم العميق التي تشمل اكتشاف النقاط الساخنة، وتحديد الأعطال، وتحديد مواقع الشذوذ، والتنبؤ بمجال درجة الحرارة. في العمل الحالي، تم استخدام الملفات الحرارية المستخرجة من الصور تحت الحمراء لتقدير درجة الحرارة المقيدة بالفيزياء وتقييم الحرارة الواعي بعدم اليقين.
مجموعة البيانات الحرارية وتقسيم البيانات
تكونت مجموعة البيانات المستخدمة في هذه الدراسة من 174 صورة حرارية تحت الحمراء تم الحصول عليها من معدات محطات فرعية عالية الجهد باستخدام نظام تصوير حراري FLIR15. شملت مجموعة البيانات أنواعا متعددة من مكونات نظام الطاقة، بما في ذلك المحولات، والبوشينغز، والعوازل، والموصلات، والهياكل النهائية عالية الجهد التي تعمل في ظروف خارجية عملية. تم تحويل كل صورة حرارية إلى حقل درجة حرارة مكاني باستخدام المعلومات الإشعاعية التي توفرها كاميرا الأشعة تحت الحمراء. تحتوي مجموعة البيانات على تغيرات حرارية تتراوح بين ظروف التشغيل العادية إلى مناطق النقاط الساخنة المحلية المرتبطة بالإجهاد الحراري المرتفع. تم تقسيم البيانات إلى مجموعات تدريب، وتحقق من الصحة، واختبارات بنسبة 70:15:15، مما أدى إلى 121 و26 و27 صورة على التوالي. تم إجراء التقسيم على مستوى الصورة لأن مجموعة البيانات كانت تتكون من مشاهد حرارية ملتقطة بشكل مستقل تم جمعها تحت ظروف تشغيل ووجهات نظر مختلفة. تم اتخاذ حرص على تجنب الإطارات شبه المكررة عبر المجموعات الفرعية لتقليل خطر تسرب البيانات وتحسين عدالة التقييم. تم إعادة تكبير جميع الصور إلى دقة مكانية موحدة قبل التدريب. تم تطبيق تطبيع درجة الحرارة لتثبيت التحسين مع الحفاظ على التدرجات الحرارية النسبية وخصائص النقاط الساخنة المهمة لتقييم الحالة.
بنية CNN الأساسية
تم اعتماد بنية انحدار الترميز-فك التشفير الالتفافية بالكامل للحفاظ على الدقة المكانية أثناء التنبؤ بدرجة الحرارة والحقل من الصور الحرارية تحت الحمراء. تم تغيير حجم جميع الصور تحت الحمراء المدخلة إلى دقة موحدة 256 × 256 × 3 قبل التدريب. تكون قسم المشفر من أربع كتل ملتفة مع عمق ميزات متزايد تدريجيا. كل كتلة احتوت على طبقة التفاف من 3 × 3 تليها تطبيع دفعي وتفعيل ReLU. تم إجراء التقليل المكاني باستخدام الالتفافات الخطية بدلا من التجميع القصوى للحفاظ بشكل أفضل على الهياكل الحرارية المحلية ومعلومات النقاط الساخنة. كان تقدم قناة المشفر:
32 → 64 → 128 → 256
أعاد قسم فك الترميز بناء حقل درجة الحرارة المكانية باستخدام طبقات الالتفاف المنقولة للعينة مع تقدم الخصائص العكسي:
256 → 128 → 64 → 32
كل كتلة فك ترميز استخدمت الالتفاف المنقول، وتطبيع الدفعات، وتفعيل ReLU بشكل مشابه. ولدت طبقة الالتفاف النهائية 1 × 1 خريطة درجة الحرارة المتوقعة لقناة واحدة:
∈ R256×256
لذلك، تنتج الشبكة حقل درجة حرارة مكاني بدقة كاملة يتوافق مع صورة الإدخال تحت الحمراء. لدعم قياس عدم اليقين، تم إدخال طبقات الانقطاع باحتمالية p = 0.2 بالقرب من مرحلتي عنق الزجاجة وفك الترميز. خلال الاستدلال، ظل الانقطاع نشطا لتمكين أخذ عينات مونتي كارلو لتقدير عدم اليقين التنبؤي. تم تهيئة جميع الأوزان الالتفافية باستخدام تهيئة He-normal، بينما تم تهيئة مصطلحات التحيز إلى الصفر. تم تدريب النموذج باستخدام محسن آدم بمعدل تعلم ابتدائي 1 × 10−3، وحجم دفعة 8، وفقدان الوزن 1 × 10−5. تم إجراء التدريب لمدة 100 فترة باستخدام تدهور معدل تعلم جيب تمام والتوقف المبكر بناء على التحقق من RMSE.
تعرف دالة الهدف الأساسية كالتالي:
حيث تشير بيانات L إلى متوسط الخطأ التربيعي حسب البكسلات بين حقول درجة الحرارة المتوقعة وحقل الحقيقة الأرضية.
تم تقييم الأداء باستخدام: R2، RMSE، وMAE.
على الرغم من أن CNN الأساسي التقط بنجاح البنية الحرارية العامة وتوزيع النقاط الساخنة، إلا أنه أحيانا أنتج تشوهات غير مادية في مناطق منخفضة الانحدار وتعييم طفيف بالقرب من الحدود الحرارية الحادة. هذه القيود دفعت إلى إدخال تنظيم الفيزياء القائم على الانتشار في صياغة النموذج اللاحق.
التعلم المقيد بالفيزياء عبر الانتشار
معادلة الحرارة الحاكمة
ولضمان الاتساق الحراري في مجال درجة الحرارة المتوقع، تم دمج مادة فيزيائية قائمة على الانتشار في معادلة الحرارة. في ظروف شبه مستقرة، تتحقق درجة حرارة السطح تقريبا
حيث T يرمز إلى درجة الحرارة، α هو الانتشار الحراري، وS يمثل توليد الحرارة المحلية. نظرا لأن العينات الحرارية المتاحة هي لقطات فحص فردية وليست تسلسلات محددة زمنيا، فلا يمكن تقييم المشتقة الزمنية مباشرة. وبناء عليه، يفترض النموذج توصيلا شبه مستقر محليا ويفرض
بعيدا عن مناطق التدفئة النشطة.
تم تقسيم لابلاسيان ثنائي الأبعاد باستخدام القناع القياسي للفروق المحدودة:
ثم تم حساب بقايا الفيزياء فوق خريطة درجة الحرارة المتوقعة كالتالي
لتجنب الغموض عند حدود الصورة، تم تقييم بقايا لابلاسيان فقط على البكسلات الداخلية الصالحة، حيث تتوفر جميع القيم المجاورة المطلوبة بواسطة القالب. لم يتم تطبيق أي تغطية صريحة على مناطق النقاط الساخنة، حيث كان هدف مصطلح الفيزياء هو تنظيم المجال المكاني الكامل بدلا من قمع المناطق النشطة حراريا. لذلك تم تعلم بنية النقطة الساخنة من خلال مصطلح البيانات، بينما شجعت عقوبة لابلاسيان على سلاسة متسقة مع الانتشار عبر الخريطة المتوقعة.
دالة الهدف النهائية جمعت بين فقدان البيانات وخسارة الفيزياء كما يلي
حيث λphys تتحكم في قوة تنظيم الفيزياء. في دراسة الاستئصال، تم فحص λphys ∈ {0, 10−4, 10−3, 10−2, 10−1} لتقييم تأثير زيادة قوة التقييد الفيزيائية. حسنت القيم المتوسطة التعميم، بينما كان الوزن القوي المفرط يميل إلى تدرج النقاط الساخنة الحادة بشكل مفرط. يتوافق هذا السلوك مع الهياكل الحرارية التي تلاحظ في صور الأشعة تحت الحمراء، حيث تتعايش المناطق الفيزيائية الملساء مع تركيزات عالية الحرارة محلية.
يجب التأكيد على أن صياغة الانتشار المستقرة المستخدمة في هذا العمل ليست تهدف إلى تمثيل آلية نقل الحرارة الكاملة التي تحكم تكوين النقاط الساخنة في معدات الجهد العالي. في الواقع، ينشأ ارتفاع الحرارة الموضعي نتيجة عمليات توليد الحرارة الداخلية مثل تسخين جول، ومقاومة التلامس، وتدهور العزل. نظرا لأن مجموعة البيانات المتاحة تتكون من صور حرارية لقطات بدون معلومات زمنية أو قياسات مصدر، يستخدم قيد الانتشار كمصطلح منظم مكاني مستوحى من الفيزياء. دورها هو تشجيع حقول درجات الحرارة المحلية السلسة والمعقولة فيزيائيا، مع السماح بتعلم خصائص النقطة الساخنة من البيانات. لذلك، يجب تفسير الانتشار المسبق كقيد للنعومة المكانية بدلا من نموذج شامل للفيزياء الحرارية الأساسية.
الانتشار الحراري القابل للتعلم وتعزيز مصطلح المصدر
لتحسين قابلية التفسير الفيزيائي، تم التعامل مع الانتشار الحراري الفعال كمعامل قياسي قابل للتدريب. لتكن T̂(x, y) تشير إلى حقل درجة الحرارة المتوقع، ولتكن α > 0 تدل على الانتشارية الحرارية القابلة للتعلم. لفرض الإيجابية، تم تصنيف α من خلال متغير غير مقيد β كالتالي
في هذه الصيغة، كتب الأساس الفيزيائي من حيث حقل إجبار فعال متبقي R(x, y)، حيث يمثل R(x, y) الخروج المحلي عن الانتشار الخالص الناتج عن تأثيرات التسخين غير النمذجة. لذلك، تعبر عن علاقة التكيف-الانتشارية كالتالي
هنا، ∇2T̂(x, y) هو لابلاسيان لحقل درجة الحرارة المتوقع، وR(x, y) هو مصطلح المصدر المتبقي الفعال المستخلص ضمنيا من البيانات الحرارية. نظرا لأن العينات المتاحة هي صور لقطات وليست تسلسلات حرارية محددة زمنيا، فإن R(x, y) لا يخضع لإشراف منفصل ويعمل فقط ككمية فيزيائية كامنة أثناء التحسين. تم تعريف خسارة الفيزياء المقابلة على النحو التالي
بالنسبة لتجربة المصطلح المعزز بالمصطلح، تمت إضافة رأس CNN مساعد لتقدير خريطة مصدر مكانية Ŝ(x, y). في هذه الحالة، تمثل Ŝ(x, y) حقل توليد الحرارة المحلي المتوقع، وتصبح العلاقة الحاكمة
كان رأس المصدر مرتبطا بعنق زجاجة المشفر ويتكون من فرع التفافي صغير يربط الميزات الكامنة المشتركة إلى خريطة إخراج أحادية القناة Ŝ(x, y). لم تكن هناك تسميات مصادر حقيقية متوفرة؛ لذلك، تم تعلم Ŝ(x, y) فقط من خلال الهدف المشترك
حيث أن بيانات L هي فقدان الانحدار الحراري، وλphys تتحكم في قيد الانتشار، وλs ينظم توقع المصدر لتثبيط خرائط المصدر عالية القدر التافهة. في الإعداد القائم على اللقطات السريعة الذي تم النظر فيه هنا، ظل صياغة مصطلح المصدر غير محددة ولم تحسن دقة التنبؤ.
انسحاب مونتي كارلو بسبب قياس عدم اليقين
لتقدير عدم اليقين المعرفي في مجال درجة الحرارة المتوقع، تم تطبيق انقطاع مونتي كارلو أثناء الاستدلال. تم وضع طبقات انسحاب بمعدل 0.2 بعد كتلة عنق الزجاجة وضمن مراحل فك التشفير في شبكة CNN. خلال الاختبارات، تم إبقاء هذه الطبقات القابلة للانطلاق نشطة، وتم إجراء 30 تمريرة عشوائية للأمام لكل صورة بالأشعة تحت الحمراء. بالنسبة للمرور العشوائي من الدرجة k، يرمز إلى حقل درجة الحرارة المتوقع ب
حيث X هي صورة الأشعة تحت الحمراء المدخلة وθk تمثل معلمات الشبكة المأخوذة من عينات الناتجة عن الانقطاع. تم حساب المتوسط التنبؤي كالتالي
وتم الحصول على التباين التنبؤي حسب البكسلات كالتالي
مع K = 30. تم استخدام خريطة التباين الناتجة لتحديد المناطق المكانية ذات الثقة التنبؤية المنخفضة. نظرا لعدم توفر تسميات عدم اليقين في الحقيقة الأرضية للانحدار الحراري، تم تقييم عدم اليقين باستخدام خرائط تباين بكسلية وإحصائيات ملخصة محسوبة على مناطق النقطة الساخنة والخلفية، بدلا من المقاييس القائمة على المعايرة. أظهر التحليل الكمي أن متوسط الانحراف المعياري التنبؤي كان 13.046 درجة مئوية، بينما أظهرت منطقة النقطة الساخنة انحرافا معياريا أعلى بمقدار 15.934 درجة مئوية مقارنة ب 12.743 درجة مئوية في المنطقة الخلفية. وهذا يتوافق مع زيادة تقارب 25٪ في عدم اليقين داخل مناطق النقاط الساخنة مقارنة بالخلفية. تشير هذه النتائج إلى أن النموذج يعبر عن عدم يقين أكبر بالقرب من المناطق الحرارية المعقدة، خاصة حول حدود النقاط الساخنة وتدرجات الحرارة الحادة، وهو ما يتوافق مع البنية التي لوحظت في التصوير الحراري للسطح. يتم تلخيص سير العمل في الشكلين 3 و4 الذي يوضح خط أنابيب المعالجة المعتمد على CNN بشكل عام.
الشكل 3: سير العمل. نظرة عامة على المنهجية المقترحة، بما في ذلك التقاط الصور الحرارية، المعالجة المسبقة، استخراج الحقل الحراري، تدريب CNN، التعلم المقيد بالفيزياء، وقياس عدم اليقين. الاختصارات؛ CNN = شبكة عصبية الالتفافية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
الشكل 4: خط أنابيب المعالجة المعتمد على CNN بشكل عام. هيكل إطار CNN المقترح يظهر تحويل الصور الحرارية تحت الحمراء إلى تنبؤات مكانية لدرجة الحرارة والحقل. الاختصارات؛ CNN = شبكة عصبية الالتفافية. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
Results
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
يقيم هذا القسم إطار التعلم العميق المقترح المقيد بالفيزياء باستخدام المقاييس الكمية والتحليل البصري. تظهر النتائج كيف يؤثر دمج القيود الفيزيائية القائمة على الانتشار ونمذجة عدم اليقين على الدقة التنبؤية وقابلية التفسير الحراري.
مقارنة الأداء في تكوينات النماذج
يوضح الجدول 1 مقارنة الأداء بين تكوينات النماذج المختلفة. حقق CNN الأساسي RMSE قدره 12.345 درجة مئوية (الشكل 5A) وقيمة R2 0.4346 (الشكل 5B)، مما يثبت أن الأساليب المعتمدة فقط على البيانات يمكنها التقاط البنية العامة للحقول الحرارية لكنها تفتقر إلى الاتساق الفيزيائي القوي. عندما تم إدخال تنظيم الفيزياء الضعيف (λ = 0.01)، تدهور الأداء قليلا (RMSE = 12.445 °C). يشير هذا إلى أن الوزن الفيزيائي غير الكاف لا يوجه الشبكة بفعالية وقد يؤدي إلى تدرجات متضاربة أثناء التحسين. زيادة قيد الفيزياء إلى λ = 0.1 قدمت تحسينات هامشية في الاستقرار لكنها لم تغير بشكل كبير الأداء التنبؤي. ومع ذلك، عندما زادت قوة التقييد إلى λ = 1، حقق النموذج أفضل أداء له مع RMSE = 12.013 °C و R2 = 0.4646. يظهر هذا الاتجاه في الشكل 5A–B، تحليل الكاهل، حيث يؤدي زيادة الوزن الفيزيائي إلى تقليل RMSE وتحسين قيم R2 حتى الوصول إلى نقطة مثلى. يشير هذا السلوك إلى أن التنظيم القائم على الانتشار يحسن السلاسة المكانية، ويمنع التشوهات الحرارية غير الفيزيائية، ولا يزال يسمح للنموذج بالحفاظ على التدرجات الحرارية الحادة.
| تكوين النموذج | قيد الفيزياء (λ) | الانتشار الحراري (α) | RMSE (°C) | R² | ملاحظات |
| CNN الأساسي | 0 | — | 12.345 | 0.4346 | نموذج قائم على البيانات البحت |
| الفيزياء CNN | 0.01 | ثابت (0.1) | 12.445 | 0.4255 | تأثير الفيزياء الضعيف |
| الفيزياء CNN | 0.1 | ثابت (0.1) | 12.432 | 0.4266 | قيد الفيزياء المعتدل |
| الفيزياء CNN | 1 | ثابت (0.1) | 12.013 | 0.4646 | أفضل نموذج أداء |
| الفيزياء CNN | 1 | α قابل للتعلم | 12.309 | 0.438 | تعلم α ≈ 0.711 |
| مصطلح الفيزياء CNN + مصطلح المصدر | 1 | α قابل للتعلم | 12.453 | 0.4247 | مصطلح المصدر غير قابل للتعريف |
الجدول 1: مقارنة الأداء لتكوينات النماذج المختلفة. مقارنة بين قيم RMSE و R2 لقيم CNN الأساسية، والمتغيرات المحدودة بالفيزياء، ونموذج الانتشار القابل للتعلم، والنموذج المعزز بمصطلح المصدر. الاختصارات؛ RMSE = جذر متوسط تربيع الخطأ؛ CNN = شبكة عصبية الالتفافية.
الشكل 5: تأثير وزن القيود الفيزيائية على أداء النموذج. (أ) تغير متوسط التربيع الجذري (RMSE) مع أوزان تنظيم فيزيائية مختلفة (λphys)، مما يوضح تأثير القيود القائمة على الفيزياء على خطأ التنبؤ. (ب) تغير معامل التحديد (R2) مع أوزان تنظيمية فيزيائية مختلفة (λphys)، مما يثبت تأثير تنظيم الفيزياء على أداء تفسير النموذج. تشير النتائج إلى أن زيادة وزن القيود الفيزيائية يحسن الأداء التنبؤي، حيث تحقق λphys = 1.0 أدنى RMSE وأعلى R2 بين التكوينات المقيمة. الاختصارات؛ RMSE = جذر متوسط تربيع الخطأ؛ R2 = معامل التحديد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
دراسة الاستئصال
تم إجراء دراسة استئصال لتقييم مساهمة مكونات الإطار المقترحة. بدءا من CNN الأساسية، تم إدخال التنظيم القائم على الفيزياء من خلال قيم مختلفة لوزن الفيزياء، تلاها تجارب بمعامل انتشار حراري قابل للتعلم وصياغة مصطلح مصطلح معزز. كما هو موضح في الجدول 1، قدم تنظيم الفيزياء الضعيف تحسنا محدودا، في حين أن التنظيم الأقوى أعطى أفضل أداء. حقق النموذج الثابت الانتشار المقيد بالفيزياء أدنى RMSE (12.013 °C) وأعلى قيمة (R^2) (0.4646)، مما يوضح فائدة التنظيم القائم على الانتشار. على الرغم من أن معامل الانتشار القابل للتعلم تقارب إلى قيمة ذات معنى فيزيائي (Learned α ≈ 0.711)، إلا أنه لم يحسن الدقة التنبؤية. وبالمثل، لم تظهر صياغة مصطلح المصدر أي زيادة في الأداء، ويرجح أن ذلك يعود إلى الطبيعة القائمة على اللقطات لمجموعة البيانات. بشكل عام، تشير النتائج إلى أن تنظيم الفيزياء القائم على الانتشار هو المساهم الأساسي في تحسين الأداء، بينما تعزز المكونات الإضافية بشكل رئيسي قابلية التفسير الفيزيائي.
التقييم البصري للتنبؤ بدرجة الحرارة
تظهر المقارنة النوعية بين خريطة درجة حرارة الحقيقة الأرضية وتوقع CNN في الشكل 6. تتوافق أرقام التنبؤ النوعي مع CNN الأساسية بدون تنظيم فيزيائي؛ لذلك، فإن الخريطة المتبقية المعروضة في الشكل 6A–C، مع R2 = 0.409، تعكس نموذج المرجع المعتمد على البيانات، في حين أن الأداء المحسن المذكور في الجدول 1 (R2 = 0.4646) يتوافق مع التكوين المقيد بالفيزياء. يحتوي الشكل على ثلاثة مكونات: صورة حرارية الحقيقة الأرضية (الشكل 6A)، حقل درجة الحرارة المتوقعة (الشكل 6B)، وخريطة الخطأ المتبقية (الشكل 6C). حقل درجة الحرارة المتوقع يعيد بناء البنية الحرارية العالمية للمعدات بنجاح، بما في ذلك منطقة النقطة الساخنة الرئيسية. تظهر خريطة البقايا أخطاء تنبؤية محلية، خاصة بالقرب من حدود درجات الحرارة العالية حيث تكون التدرجات حادة. تؤكد المقارنة البصرية أن النموذج يحافظ على ميزات حرارية واسعة النطاق مع الحفاظ على مستويات خطأ مقبولة في معظم المناطق المكانية.
الشكل 6: نتائج التنبؤ النوعي لشبكة CNN الأساسية. (أ) حقل درجة حرارة الحقيقة الأرضية المستمد من الصورة الحرارية، ويمثل توزيع درجة الحرارة المرجعي المستخدم لتقييم النموذج. (ب) حقل درجة الحرارة المتوقع بواسطة CNN الأساسي، مما يوضح قدرة النموذج على إعادة بناء النمط الحراري المكاني. (ج) خريطة الخطأ المتبقية التي تظهر الفرق بمقدار بكسل بين الحقول المتوقعة وحقل درجة الحرارة الحقيقية الأرضية، مع قيم موجبة وسالبة تشير إلى التقدير الزائد والتقليل على التوالي. معامل التحديد (R2) لهذا التنبؤ التمثيلي هو 0.409. يظهر الشكل أن شبكة CNN الأساسية تلتقط البنية الحرارية العامة للمعدات لكنها تظهر أخطاء تنبؤ محلية، خاصة في المناطق التي تعاني من تدرجات حرارة حادة وميزات حرارية معقدة. الاختصارات؛ CNN = شبكة عصبية الالتفافية؛ R2 = معامل التحديد. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تأثير الانتشار الحراري القابل للتعلم
لتعزيز قابلية التفسير الفيزيائي، تم التعامل مع معامل الانتشار الحراري α كمعامل قابل للتعلم أثناء التدريب. تقارب الانتشار المكتسب إلى حوالي α ≈ 0.711، مما يشير إلى أن النموذج عدل معامل التوصيل الفعال ليتناسب بشكل أفضل مع التوزيع الحراري المرصود. يتم توضيح مقارنة الأداء بين CNN الأساسية، ونموذج فيزياء المعاملات الثابتة، وتكوين الانتشار القابل للتعلم في مخطط مقارنة النموذج (الشكل 7A–C). على الرغم من أن معامل التعلم القابل للتعلم حسن التفسير الفيزيائي، إلا أنه لم يتفوق على تكوين الانتشار الثابت. من المحتمل أن تنشأ هذه النتيجة لأن مجموعة البيانات تتكون من صور حرارية لقطات دون تطور زمني، مما يصعب استنتاج معاملات التوصيل بشكل موثوق فقط من المعلومات المكانية.
الشكل 7: مقارنة الأداء بين نماذج الانتشار الثابت، والانتشار القابل للتعلم. (أ) مقارنة قيم متوسط التربيع الجذري (RMSE) للشبكة العصبية الالتفاوية الأساسية (CNN)، والنموذج المقيد بالفيزياء الثابتة الانتشارية، ونموذج التعلم-الانتشارية. تشير قيم RMSE المنخفضة إلى تحسين دقة التنبؤ بدرجة الحرارة والحقل. (ب) مقارنة معامل التحديد (R2) لتكوينات النماذج الثلاثة، موضحا تأثير التعلم الموجه بالفيزياء على الأداء التنبؤي. تشير قيم R2 الأعلى إلى توافق أفضل بين مجالات درجة الحرارة المتوقعة والمرجعية. (ج) مقارنة بين قيمة الانتشار الحراري الثابت ومعامل الانتشارية الذي تم تعلمه أثناء تحسين النموذج، مما يثبت قدرة النموذج على تقدير خصائص حرارية ذات معنى فيزيائي من البيانات. تظهر النتائج أن نموذج الانتشار الثابت والمحدود بالفيزياء حقق أفضل أداء تنبؤي عام، في حين أن صيغة التعلم الانتشارية حددت قيمة انتشار أعلى بنجاح لكنها لم تحقق تحسينات إضافية في الدقة. الاختصارات؛ CNN = شبكة عصبية الالتفافية؛ RMSE = جذر متوسط تربيع الخطأ؛ R2 = معامل التحديد؛ α = الانتشار الحراري. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تقييم تعزيز مصطلح المصدر
تم استكشاف صياغة مصطلح المصدر لالتقاط عمليات توليد الحرارة المحلية داخل المجال الحراري. تظهر خريطة مصدر الحرارة المتوقعة في الشكل 8A–C. يبدو توزيع المصدر المقدر منتشرة مكانيا ولا يتوافق بوضوح مع مناطق النقاط الساخنة المرصودة. يشير هذا إلى أن النموذج لم يتمكن من تحديد مصادر الحرارة بشكل فريد من حقول درجات الحرارة الثابتة. هذا القيد متوقع لأن حل مشكلة التوصيل الحراري العكسي يتطلب عادة قياسات درجة حرارة زمنية أو معلومات عن حالة الحدود. وبالتالي، لم يحسن النموذج المعزز بمصطلح المصدر الأداء التنبؤي وخفض مقياس R2 بشكل طفيف.
الشكل 8: تقييم نموذج الفيزياء المعززة بمصطلح المصدر. (أ) حقل درجة حرارة الحقيقة الأرضية المستخرج من الصورة الحرارية، ويعمل كتوزيع مرجعي لتقييم النموذج. (ب) مجال درجة الحرارة المتوقع بواسطة نموذج الفيزياء الموسع المحدد بمصطلح المصدر، يوضح النمط الحراري المكاني المعاد بناؤه. (C) توزيع مصدر الحرارة المتوقع (S(x,y))، الذي يمثل مصطلح المصدر المتغير مكانيا الذي تعلمه النموذج أثناء التحسين. تشير القيم الموجبة والسالبة إلى مناطق توليد الحرارة النسبية وامتصاص الحرارة ضمن تمثيل المصدر المكتسب. يوضح الشكل قدرة الصياغة المعززة بمصطلح المصدر على تقدير توزيعات درجات الحرارة وحقل مصدر الحرارة المساعد بشكل مشترك. على الرغم من أن مصطلح المصدر المكتسب يوفر قابلية تفسير فيزيائية إضافية، إلا أنه لم يحقق تحسينات كبيرة في الدقة التنبؤية مقارنة بالنموذج المقيد بالفيزياء القائم على الانتشار. الاختصارات؛ (S(x,y)) = مصطلح مصدر الحرارة المكاني. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
التحقق من صحة الملف الحراري المكاني
لتقييم الدقة المكانية بشكل أعمق، تم تحليل الملفات الحرارية المقطعية والشعاعية. يقدم الشكل 9 ثلاثة تحليلات: ملف درجة الحرارة المقطعي (الشكل 9A)، الانحلال الحراري الشعاعي من مركز النقطة الساخنة (الشكل 9B)، وتوزيع الخطأ المتبقي (الشكل 9C). يتبع ملف درجة الحرارة المتوقع عن كثب حقيقة الأرض في معظم المواقع المكانية، خصوصا في المناطق ذات الانحدار المنخفض. تحدث بعض الانحرافات بالقرب من حدود النقاط الساخنة حيث توجد تدرجات حرارية حادة. التوزيع المتبقي متماثل تقريبا، يتركز حول الصفر، مما يشير إلى أن النموذج لا يظهر تحيزا منهجيا في التنبؤ بدرجة الحرارة.
الشكل 9: ملف درجة الحرارة المكاني وتوزيع الأخطاء المتبقية. (أ) ملف درجة الحرارة المقطعي يقارن بين الحقيقة الأرضية وقيم درجات الحرارة المتوقعة على طول خط مكاني تمثيلي داخل حقل درجة الحرارة. (ب) تحليل الانحلال الحراري الشعاعي الذي يظهر تغير درجة الحرارة مع المسافة الشعاعية من منطقة النقطة الساخنة لكل من توزيعات الحقيقة الأرضية وتوزيعات درجات الحرارة المتوقعة. (ج) توزيع أخطاء التنبؤ المتبقية، موضحا تكرار وحجم الانحرافات بين درجات الحرارة المتوقعة ودرجات الحرارة المرجعية عبر المجال المكاني المقيم. يوفر الشكل تقييما مفصلا لقدرة النموذج على إعادة إنتاج التغيرات المكانية في درجات الحرارة وخصائص التدهور الحراري. بينما تتبع ملفات درجات الحرارة المتوقعة عموما الاتجاهات العامة للبيانات المرجعية، تظل الأخطاء المتبقية موجودة في المناطق التي تظهر تدرجات حرارية حادة وأنماط حرارية معقدة. تساعد هذه النتائج في توصيف الدقة المكانية والقيود في إطار التنبؤ المقترح بمجال درجة الحرارة. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
تحليل كمية عدم اليقين
يوضح الجدول 2 نتائج قياس عدم اليقين (مونتي كارلو دروب آوت). تم استخدام دروب آوت مونتي كارلو لتقدير عدم اليقين التنبؤي من خلال تنفيذ 30 تمريرة أمامية عشوائية في زمن الاستدلال. المتوسط التنبؤي الناتج (الشكل 10A)، وخريطة الانحراف المعياري حسب البكسل (الشكل 10B)، والمنحنيات عالية عدم اليقين (الشكل 10C) معروضة في الشكل 10. نظرا لأن تسميات عدم اليقين في الحقيقة الأرضية غير متاحة للانحدار الحراري، تم تقييم عدم اليقين باستخدام أنماط التباين المكاني وإحصاءات ملخصة حسب المنطقة. في التقارير الكمية، تم تعريف منطقة النقطة الساخنة بأنها مجموعة البكسلات التي تظهر أعلى شدة حرارية ضمن منطقة المعدات المعنية، بينما كانت منطقة الخلفية تتوافق مع البكسلات غير الساحنة المتبقية، باستثناء حدود الصورة. يسمح هذا الفصل بمقارنة عدم اليقين بين المناطق النشطة حراريا والمناطق المستقرة حراريا بطريقة قابلة للتكرار. يذكر الجدول 2 متوسط الانحراف المعياري التنبؤي عبر الحقل الكامل، ومنطقة النقطة الساخنة، ومنطقة الخلفية.
تظهر النتائج أن عدم اليقين يكون أعلى في مناطق النقاط الساخنة مقارنة بالخلفية، مع أكبر تباين لوحظ بالقرب من حدود النقاط الساخنة ومنحدرات حرارية شديدة أخرى. هذا السلوك متسق فيزيائيا، حيث أن المناطق ذات التغيرات السريعة في درجات الحرارة تكون أكثر حساسية للضوضاء، وتغيرات الانبعاثية، والتعقيد البنيوي المحلي. وبناء عليه، توفر حدود عدم اليقين إشارة بصرية مفيدة للفحص الواعي بالمخاطر من خلال إبراز المناطق التي قد تتطلب تحققا يدويا إضافيا. تم تنفيذ سير العمل الحسابي بلغة بايثون باستخدام PyTorch لتدريب CNN، وحساب الخسارة المقيد بالفيزياء، وتقدير عدم اليقين القائم على الانسجام في مونت كارلو، كما هو موضح في جدول المواد. تم إجراء معالجة الصور الحرارية وتصورها باستخدام OpenCV وNumPy وMatplotlib. تم إجراء تقييم النماذج باستخدام مقاييس scikit-learn. تم التقاط الصور تحت الحمراء باستخدام كاميرا حرارية من نوع FLIR أثناء الفحوصات الميدانية. تم تنفيذ خط أنابيب التدريب والاستدلال على محطة عمل مدعومة بوحدة معالجة الرسوميات.
| القياس | القيمة |
| الانحراف المعياري التنبؤي المتوسط | 13.046 درجة مئوية |
| منطقة النقطة الساخنة | 15.934 درجة مئوية |
| خلفية المنطقة الثانوية | 12.743 درجة مئوية |
| عدد عينات MC | 30 |
| سلوك عدم اليقين | عدم اليقين الأعلى حول حواف النقاط الساخنة |
الجدول 2: نتائج قياس عدم اليقين (مونتي كارلو دروب آوت). ملخص إحصائيات عدم اليقين التنبؤية التي تم الحصول عليها من 30 تمريرة أمامية عشوائية، بما في ذلك قيم المتوسط، والنقطة الساخنة، وقيم الانحراف المعياري الخلفي. الاختصارات؛ MC = مونتي كارلو; std = الانحراف المعياري.
الشكل 10: نتائج قياس عدم اليقين (مونتي كارلو دروب آوت). (أ) حقل متوسط درجة الحرارة التنبؤي المستخرج من عدة تمريرات عشوائية للنموذج المقيد بالفيزياء، ممثلا توزيع درجة الحرارة المتوقع. (ب) خريطة الانحراف المعياري التنبؤي (Std) التي تظهر التوزيع المكاني لعدم اليقين في النموذج، حيث تشير القيم الأعلى إلى انخفاض ثقة التنبؤ. (ج) تراكب الخطوط عالية عدم اليقين يبرز المناطق التي تظهر تباين تنبؤي مرتفع وزيادة عدم اليقين في النموذج. يوضح الشكل تقديرات عدم اليقين التي تم إنشاؤها باستخدام الانسحاب في مونتي كارلو. تلاحظ قيم عدم اليقين الأعلى بشكل أساسي في المناطق ذات الأنماط الحرارية المعقدة وتدرجات الحرارة الحادة، مما يشير إلى مناطق يجب فيها تفسير توقعات النماذج بحذر أكبر. توفر خرائط عدم اليقين هذه معلومات مكملة يمكن أن تساعد في تحديد المناطق التي تحتاج إلى فحص أو تحقق إضافي. الاختصارات؛ MC = مونتي كارلو; std = الانحراف المعياري. يرجى الضغط هنا لعرض نسخة أكبر من هذا الشكل.
توفر البيانات:
الصور الحرارية تحت الحمراء، وخرائط درجات الحرارة المعالجة، ومخرجات النماذج المدربة، وسكريبتات التنفيذ المبنية على بايثون التي تدعم نتائج هذه الدراسة متاحة للجمهور على: https://github.com/KallaKanakaRaju/HV-Equipment-Thermography-CNN.git
Discussion
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
بحثت الدراسة الحالية في دمج التنظيم القائم على الفيزياء والتعلم العميق الواع بعدم اليقين لتقييم الحالة الحرارية لمعدات الطاقة عالية الجهد باستخدام الصور الحرارية بالأشعة تحت الحمراء. تظهر النتائج أن تضمين النماذج الأولية الفيزيائية في التنبؤ بدرجة الحرارة المعتمد على CNN يحسن من المتانة والاتساق الفيزيائي للحقول الحرارية المتعلمة مقارنة بالأساليب المعتمدة على البيانات فقط. واحدة من أهم النتائج هي دور القيد الفيزيائي القائم على الانتشار في تشكيل أداء النموذج. حقق CNN الأساسي قدرة تنبؤية معقولة، مؤكدا أن البنى الالتفاوية يمكنها تعلم البنية المكانية السائدة للأنماط الحرارية. ومع ذلك، أظهرت الحقول المتوقعة أحيانا تناقضات وعدم استقرار محلي بالقرب من التدرجات الحرارية الحادة. أدى إدخال قيد البقايا لابلاسيان إلى تحسين السلاسة المكانية وقلل من التقلبات الفيزيائية غير المعقولة. أظهر تحليل الاستئصال أيضا أن فعالية الفيزياء السابقة تعتمد بشكل كبير على معامل الوزن λphys. كان للتنظيم الضعيف (λ = 0.01) تأثير ضئيل، بينما التنظيم الأقوى (λ = 1) قدم أفضل توازن بين الاتساق الفيزيائي والمرونة التنبؤية.
يشير هذا التحسن إلى أن التنظيم القائم على الانتشار يعمل كتحيز استقرائي فعال لمشاكل التعلم الحراري 3,7,8. نظرا لأن التوصيل الحراري يحكمه الاستمرارية المكانية، فإن فرض السابقة اللابلاستية يوجه الشبكة نحو حلول حرارية معقولة. في هذه الدراسة، كان القيد الفيزيائي فعالا بشكل خاص في تقليل عدم الاستقرار عبر المناطق الحرارية الملساء مع الحفاظ على النقاط الساخنة المحلية، وهو أمر ضروري لفحص موثوق قائم على الأشعة تحت الحمراء لمعدات الطاقة. قدمت تجربة الانتشار الحراري القابلة للتعلم مزيدا من الفهم حول التوازن بين قابلية التفسير الفيزيائي والدقة التنبؤية. تقارب معامل الانتشار التكيفي إلى قيمة ذات معنى فيزيائي (α ≈ 0.71)، مما يشير إلى أن النموذج يمكنه بشكل ضمني تقدير سلوك التوصيل الحراري الفعال من بيانات الصورة. ومع ذلك، لم يتفوق تكوين المعلمات القابلة للتعلم على نموذج الانتشار الثابت. ويرجع ذلك على الأرجح إلى طبيعة مجموعة البيانات التي تحتوي على لقطات لقطة، حيث تحتوي على إطارات حرارية مستقلة بدلا من تسلسلات حرارية متطورة زمنيا. بدون الديناميكا الزمنية، يبقى التقدير العكسي لمعاملات التوصيل غير مقيدب 11,12,13، مما يحد من قدرة النموذج على استنتاج خصائص حرارية فيزيائية بشكل فريد.
لوحظ قيد مماثل في الصياغة المعززة لمصطلح المصدر. على الرغم من أن المكون المصدر الإضافي كان يهدف إلى التقاط آليات توليد الحرارة المحلية، إلا أن خرائط المصدر المتوقعة كانت تفتقر إلى الوضوح المكاني ولم تكن متوافقة بشكل كبير مع مناطق النقاط الساخنة المرصودة. مشاكل التوصيل الحراري العكسي تكون بطبيعتها غير مرتبة عندما تتوفر قياسات درجة الحرارة الثابتة فقط 11,12,13,14، وعادة ما يتطلب إعادة بناء المصدر الدقيق ملاحظات حرارية عابرة أو معلومات صريحة عن حالة الحدود. وبالتالي، أدخل نموذج مصطلح المصدر تعقيد تحسين إضافي دون تحسين دقة التنبؤ. توفر نتائج قياس عدم اليقين مساهمة عملية مهمة في المراقبة الحرارية الواقعية. مكن سقوط مونتي كارلو تقدير التباين التنبؤي بالبكسل 5,6,14 وكشف أن عدم اليقين كان مرتفعا باستمرار بالقرب من حدود النقاط الساخنة والمناطق ذات التدرج العالي. هذا السلوك بديهي فيزيائيا لأن الانتقالات الحرارية الحادة أصعب في النمذجة بدقة وغالبا ما تكون أكثر حساسية للضوضاء وتغير الانبعاثية والتأثيرات البيئية المحلية. لذلك، تضيف خرائط عدم اليقين الناتجة طبقة ذات معنى تشغيلي من قابلية التفسير تتجاوز التنبؤ الحتمي بدرجات الحرارة. من منظور التطبيق، فإن تقدير درجة الحرارة المشترك والثقة التنبؤية أمر ذو قيمة في صيانة معدات الطاقة القائمة على الحالة. غالبا ما يعتمد الفحص الحراري التقليدي بشكل كبير على حكم الخبراء، خاصة عند التمييز بين التغير الحراري الطبيعي والأعطال المتطورة. من خلال تسليط الضوء على المناطق ذات عدم اليقين المرتفع، يمكن للإطار المقترح دعم تحديد أولويات التفتيش اليدوي وتقليل خطر اتخاذ قرارات آلية مفرطة الثقة في البيئات الحرجة للسلامة.
يجب أيضا الاعتراف بعدة قيود. أولا، تكونت مجموعة البيانات من إطارات حرارية ثابتة، مما قيد قدرة النموذج على التقاط سلوك انتشار الحرارة العابر. ثانيا، تشير قيم R2 المعتدلة إلى أن التنبؤ الحراري لا يزال تحديا بسبب التقلبات البيئية، وتأثيرات الانبعاثية السطحية، وآليات انتقال الحرارة المعقدة في معدات الطاقة الحقيقية. ثالثا، يفترض الإطار الحالي سلوك انتشار مبسط ولا يصنف صراحة تأثيرات الحمل الحراري أو الإشعاع، وكلاهما قد يؤثر على التوزيعات الحرارية في ظروف التشغيل العملية.
على الرغم من التحسينات الملحوظة مقارنة بشبكة CNN الأساسية، يظل الأداء التنبؤي الذي تحقق في هذه الدراسة متواضعا، حيث بلغت القيمة الأفضل (R2) 0.4646 وRMSE 12.013 °C. بالإضافة إلى ذلك، تظل الأخطاء المتبقية المحلية ذات دلالة كبيرة في بعض مناطق النقاط الساخنة. تشير هذه النتائج إلى أن الإطار المقترح لم يلب بعد متطلبات الدقة اللازمة للنشر الحرج للسلامة في مراقبة المعدات عالية الجهد. من المرجح أن الأداء المحدود يتأثر بمجموعة البيانات الصغيرة نسبيا، واستخدام الصور الحرارية اللقطة بدون معلومات زمنية، والتغيرات البيئية، والنموذج الفيزيائي المبسط القائم على الانتشار المستخدم في هذا العمل. وبالتالي، يجب اعتبار الإطار المقترح نهجا استكشافيا لتحليل حراري مقيد بالفيزياء بدلا من نظام تشخيصي تشغيلي مستقل. يجب أن تتضمن الدراسات المستقبلية مجموعات بيانات أكبر، وقياسات حرارية مكانية-زمانية، ونماذج أكثر شمولا لنقل الحرارة لتحسين الموثوقية التنبؤية.
لذا يجب أن يركز العمل المستقبلي على التسلسلات الحرارية الزمانية المكانية لتمكين النمذجة الديناميكية لنقل الحرارة وتقدير أكثر موثوقية للانتشار الحراري وخصائص مصدر الحرارة. يمكن أن يؤدي دمج هياكل الشبكات العصبية المتقدمة المستندة إلى الفيزياء، والتمثيلات الحرارية القائمة على المحولات، وتقنيات الذكاء الاصطناعي القابلة للتفسير بشكل أكبر في تحسين قابلية التفسير والأداء التنبؤي. بالإضافة إلى ذلك، قد توفر أطر المراقبة متعددة الوسائط التي تجمع بين التصوير الحراري وبيانات الأحمال الكهربائية أو الطقس أو الاهتزاز فهما أكثر شمولا لصحة المعدات في بيئات الشبكات الذكية الحديثة. بشكل عام، تشير النتائج إلى أن دمج التنظيم القائم على الفيزياء مع التعلم العميق يحسن من متانة ومعقولية التحليل الحراري بالأشعة تحت الحمراء فيزيائية. يوفر الإطار المقترح أداة عملية للمراقبة الحرارية الذكية لمعدات الطاقة عالية الجهد، مما يدعم الكشف المبكر عن أنماط التسخين غير الطبيعية وتحسين اتخاذ قرارات الصيانة في أنظمة الطاقة.
Disclosures
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
لا يوجد تضارب مصالح لدى المؤلفين.
Acknowledgements
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
وقد دعم هذا العمل مشروع دعم الباحثين في جامعة الأميرة نورة بنت عبد الرحمن (PNURSP2026R755)، جامعة الأميرة نورة بنت عبد الرحمن، الرياض، المملكة العربية السعودية.
Materials
| Name | Company | Catalog Number | Comments |
|---|---|---|---|
| CUDA / cuDNN | NVIDIA | تسريع GPU للتدريب | GTX 1080 Ti |
| كاميرا التصوير الحراري بالأشعة تحت الحمراء | كاميرا التصوير الحراري FLIR | اكتساب رسومات المعدات عالية الجهد | كاميرا FLIR C5 بالأشعة تحت الحمراء المهنية المحمولة في أوقات مختلفة من اليوم وظروف الحمولة. |
| Jupyter Notebook / IDE | JupyterLab 4.2.0 | تطوير التجارب والتحليل | المستخدمة في التنفيذ |
| Matplotlib | مطورو Matplotlib | تصور التوقعات، خرائط المتبقيات، وخرائط عدم اليقين | المستخدمة في الأشكال والرسوم البيانية |
| NumPy | مطورو NumPy | الحساب العددي وعمليات المصفوفات | معالجة البيانات ومعالجة الموتر |
| OpenCV | مؤسسة OpenCV | تحميل الصور وتغيير حجمها والمعالجة الأساسية | المستخدمة في التعامل مع الصور الحرارية |
| Python | مؤسسة Python للبرمجيات | بيئة البرمجة الرئيسية | الإصدار المستخدم في جميع التجارب |
| PyTorch | مؤسسة PyTorch | تدريب CNN، والتعلم المقيد بالفيزياء، والقطوع العشوائية في مونت كارلو | المستخدمة في تنفيذ شبكة الانحدار |
| Scikit-learn | مطورو scikit-learn | حساب المقاييس وتقييم التدريب / التحقق / الاختبار | المستخدمة في (R^2)، و RMSE، و MAE |
| SciPy | مطورو SciPy | الدعم لإجراءات العددية | المستخدمة في المعالجة المسبقة أو التحليل |
| مجموعة البيانات الحرارية | مجموعة بيانات التفتيش الميداني الداخلية | مصدر 174 صورة بالأشعة تحت الحمراء لتطوير النموذج | الصور منظمة في مجلدات مؤرشفة |
| محطة العمل / نظام الحوسبة GPU | GTX 1080 Ti | تدريب النموذج والاستنتاج | 12 غيغابايت من ذاكرة الوصول العشوائي، و GTX 1080 Ti، ونظام تشغيل Windows 11 |
Reprints and Permissions
Request permission to reuse the text or figures of this JoVE article
Request Permission