Inteligencia artificial explicable para la evaluación de condiciones térmicas de equipos de alta tensión utilizando imágenes infrarrojas

Resumen

Este estudio presenta un marco CNN con limitaciones físicas para la evaluación termográfica infrarroja de equipos de alta tensión, integrando regularización basada en difusión y Monte Carlo dropout para una predicción de temperatura físicamente consistente y una monitorización térmica consciente de la incertidumbre.

Resumen

La termografía infrarroja se utiliza ampliamente para la monitorización térmica sin contacto de equipos de alta tensión, donde patrones de temperatura anormales pueden indicar el desarrollo de fallos o degradación del aislamiento. Sin embargo, los modelos de aprendizaje profundo puramente basados en datos pueden producir predicciones de temperatura que no son totalmente coherentes con la física de transferencia de calor. Este estudio investiga un marco de redes neuronales convolucionales (CNN) con constrenciones físicas para estimar campos de temperatura espaciales a partir de imágenes termográficas. Se incorporó una pérdida residual laplaciana basada en difusión derivada de la ecuación del calor para mejorar la consistencia física en los campos térmicos predichos. La evaluación experimental del conjunto de datos disponible mostró que el modelo limitado por la física logró un mejor rendimiento en comparación con la CNN base, con la mejor configuración obteniendo un RMSE de 12,013 °C y un valor CAP R-cuadrado de 0,4646, lo que indica una capacidad predictiva moderada. También se exploró un parámetro de difusividad térmica aprendible para mejorar la interpretabilidad, aunque no superó la formulación de parámetros fijos. Además, se evaluó un modelo aumentado por términos fuente, pero no aportó ninguna mejora adicional para los datos termográficos basados en instantáneas. Se aplicó el dropout de Monte Carlo para la estimación de la incertidumbre, revelando una mayor varianza predictiva cerca de los límites de los puntos calientes y regiones con gradientes térmicos pronunciados. En general, los hallazgos sugieren que la regularización y la estimación de la incertidumbre basadas en la física pueden mejorar la coherencia física y la interpretabilidad de los modelos de predicción termográfica, aunque los resultados siguen limitados al conjunto de datos y al entorno de validación actuales.

Introducción

Una monitorización térmica fiable es esencial para el funcionamiento seguro de equipos de alta tensión, ya que el calentamiento anormal suele ser un indicador temprano de degradación del aislamiento, conexiones sueltas o fallos eléctricos incipientes. La termografía infrarroja (TRI) se utiliza ampliamente en este contexto porque proporciona mediciones de temperatura superficial sin contacto y en campo completo durante inspecciones rutinarias. Sin embargo, el análisis termográfico práctico sigue siendo difícil debido a la variación de emisividad, la interferencia ambiental, el ruido de los sensores y la limitada información

Protocolo

Esta sección describe la cadena completa de aprendizaje profundo con constrenciones físicas para la evaluación de condiciones térmicas utilizando imágenes termográficas infrarrojas. El marco integra (i) extracción de campos por temperatura, (ii) regresión CNN de línea base, (iii) regularización física basada en difusión, (iv) aprendizaje adaptativo de parámetros y (v) cuantificación de incertidumbre. Todas las herramientas utilizadas en este estudio se describen en la Tabla de Materiales.

Adquisición de imagen térmica y construcción de campos de temperatura
Se adquiriero....

Resultados

Esta sección evalúa el marco propuesto de aprendizaje profundo limitado por la física utilizando métricas cuantitativas y análisis visual. Los resultados demuestran cómo la integración de restricciones físicas basadas en difusión y el modelado de incertidumbre influye en la precisión predictiva y la interpretabilidad térmica.

Comparación de rendimiento de configuraciones de modelos
La Tabla 1 muestra la comparación de rend.......

Discusión

El presente estudio investigó la integración de regularización basada en física y aprendizaje profundo consciente de la incertidumbre para la evaluación de condiciones térmicas de equipos de alta tensión utilizando imágenes termográficas infrarrojas. Los resultados muestran que incorporar los priors físicos en la predicción de temperatura basada en CNN mejora la robustez y consistencia física de los campos térmicos aprendidos en comparación con enfoques puramente basados en datos. Uno de.......

Materiales

```html

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
CUDA / cuDNN	NVIDIA	Aceleración de GPU para entrenamiento	GTX 1080 Ti
Cámara termográfica infrarroja	Cámara de imagen térmica FLIR	Adquisición de termogramas de equipos de alta tensión	Cámara FLIR C5 infrarroja profesional portátil en diferentes momentos del día y condiciones de carga.
Jupyter Notebook / IDE	JupyterLab 4.2.0	Desarrollo y análisis de experimentos	Utilizado en la implementación
Matplotlib	Matplotlib Developers	Visualización de predicciones, mapas de residuos y mapas de incertidumbre	Utilizado para figuras y gráficos
NumPy	NumPy Developers	Computación numérica y operaciones de matrices	Preprocesamiento de datos y manejo de tensores
OpenCV	OpenCV Foundation	Carga, redimensionamiento y preprocesamiento básico de imágenes	Utilizado para el manejo de imágenes termográficas
Python	Python Software Foundation	Entorno de programación principal	Versión utilizada para todos los experimentos
PyTorch	PyTorch Foundation	Entrenamiento de CNN, aprendizaje con restricciones físicas y dropout de Monte Carlo	Utilizado para la implementación de la red de regresión
Scikit-learn	scikit-learn Developers	Cálculo de métricas y evaluación de entrenamiento/validación/prueba	Utilizado para (R^2), RMSE y MAE
SciPy	SciPy Developers	Rutinas numéricas de apoyo	Utilizado en el preprocesamiento o análisis
Conjunto de datos termográfico	Conjunto de datos de inspección de campo interno	Fuente de 174 imágenes infrarrojas para el desarrollo del modelo	Imágenes organizadas en carpetas etiquetadas
Estacion de trabajo / sistema de computación GPU	GTX 1080 Ti	Entrenamiento e inferencia del modelo	12 GB RAM,  GTX 1080 Ti, y sistema operativo Windows 11

```