Objaśnialna Inteligencja Sztuczna do oceny warunków termicznych wysokonapięciowego sprzętu energetycznego z wykorzystaniem obrazowania podczerwieni

Summary

Niniejsze badanie przedstawia fizykowo ograniczoną strukturę CNN do oceny infraczerwonych termograficznych wysokiego napięcia sprzętu energetycznego, integrującą regularyzację opartą na dyfuzji oraz upuszczanie Monte Carlo dla fizycznie spójnego przewidywania temperatury i monitorowania termicznego uwzględniającego niepewność.

Abstract

Termografia w podczerwieni jest szeroko stosowana do bezdotykowego monitorowania termicznego urządzeń energetycznych wysokiego napięcia, gdzie nienormalne wzorce temperatury mogą wskazywać na rozwijające się uszkodzenia lub degradację izolacji. Jednak modele uczenia głębokiego bazujące wyłącznie na danych mogą wydawać prognozy temperatury, które nie są w pełni zgodne z fizyką przenoszenia ciepła. W niniejszym badaniu zbadano fizycznie ograniczoną ramę konwolucyjnej sieci neuronowej (CNN) do estymacji przestrzennych pól temperatury na podstawie obrazów termograficznych. Wprowadzono stratę rezydualną opartą na dyfuzji, pochodzącą z równania ciepła, aby poprawić spójność fizyczną przewidywanych pól termicznych. Ocena eksperymentalna na dostępnym zbiorze danych wykazała, że model ograniczony fizycznie osiągnął lepszą wydajność w porównaniu z podstawową CNN, przy czym najlepsza konfiguracja uzyskała RMSE wynoszący 12,013 °C i wartość R-kwadrat CAP 0,4646, co wskazuje na umiarkowaną zdolność predykcyjną. Zbadano również parametr dyfuzyjności termicznej podlegający nauce, aby poprawić interpretowalność, chociaż nie przewyższył on formuły o stałych parametrach. Dodatkowo oceniono ulepszony model z dodatkowym źródłem termicznym, ale nie przyniosło to żadnej poprawy dla danych termograficznych bazujących na chwilowości. Zastosowano metodę Monte Carlo dropout do estymacji niepewności, ujawniając wyższą wariancję predykcyjną w pobliżu granic punktów gorących i regionów o stromych gradientach termicznych. Ogólnie rzecz biorąc, wyniki sugerują, że regularyzacja oparta na fizyce i estymacja niepewności mogą poprawić spójność fizyczną i interpretowalność modeli predykcyjnych termograficznych, chociaż wyniki pozostają ograniczone do obecnego zbioru danych i ustawień walidacji.

Introduction

Niezawodne monitorowanie termiczne jest niezbędne dla bezpiecznej eksploatacji wysokonapięciowego sprzętu energetycznego, ponieważ nienormalne nagrzewanie jest często wczesnym wskaźnikiem degradacji izolacji, luźnych połączeń lub początkowych usterek elektrycznych. Termografia podczerwieni (IRT) jest szeroko stosowana w tym kontekście, ponieważ zapewnia bezdotykowe, pełne pomiary temperatury powierzchni podczas rutynowych inspekcji. Jednak praktyczna analiza termograficzna nadal jest trudna z powodu zmian emisyjności, zakłóceń otoczenia, szumu czujników i ograniczonej liczby oznaczonych danych¹.

Uczenie głębokie poprawiło automatyczne wykrywanie punktów gorących i prognozowanie pola temperaturowego na podstawie obrazów termograficznych, ale modele czysto oparte na danych nie wymuszają wyraźnie fizyki przenoszenia ciepła. W rezultacie przewidziane pola cieplne mogą być dokładne w sensie statystycznym, ale tylko słabo ograniczone fizycznie. Dla bezpiecznych zadań inspekcyjnych ogranicza to pewność wyników modelu i osłabia ich wartość dla procesu decyzyjnego w zakresie konserwacji². Priorytet oparty na fizyce może rozwiązać ten problem, kierując uczenie w stronę termodynamicznie spójnych dystrybucji temperatur. W przypadku danych infraczerwonych z jednej chwili termin czasowy w równaniu ciepła jest niedostępny; dlatego resztka laplacjańska służy jako praktyczny regulator, który wymusza dyfuzyjną gładkość przestrzenną. Jest to szczególnie istotne w przypadku sprzętu wysokonapięciowego, gdzie pola temperaturowe są ogólnie gładkie, z wyjątkiem zlokalizowanych regionów punktów gorących.

Aby pogodzić elastyczność opartą na danych z konsekwencją mechanistyczną, uczenie z uwzględnieniem fizyki osadzać równania różniczkowe cząstkowe (PDE) lub ich dyskretne odpowiedniki w celach treningowych. Paradygmat sieci neuronowych informowanych fizyką (PINN), gdzie reszty PDE są karane obok straty danych, wykazał, że włączenie operatorów różniczkowych jako miękkich ograniczeń poprawia generalizację i może umożliwić jednoczesne wnioskowanie do przodu/wstecz o ukrytych parametrach. W przypadku problemu termicznego, kanonicznym modelem jest równanie dyfuzji (ciepła),

gdzie T to temperatura, α to dyfuzyjność termiczna, a S to termin objętościowy/źródłowy; wymuszanie reszty tego operatora (lub surogatów opartych na laplacjanach) zmniejsza fałszywą, niedyfuzyjną strukturę w nauczanych polach temperaturowych³. Oszacowanie niepewności jest również ważne dla wdrożenia operacyjnego. Deterministyczne przewidywania nie wskazują, gdzie model jest mniej wiarygodny, szczególnie w pobliżu granic punktów gorących i stromych gradientów temperaturowych⁴. Monte Carlo dropout zapewnia wydajne przybliżenie niepewności epistemicznej i może generować mapy wariancji na poziom pikseli, które wspierają ryzykowne interpretacje przewidywanych pól temperaturowych^5,6.

Celem niniejszego badania jest opracowanie i ocena zwartej ramy CNN ograniczane fizycznie dla estymacji temperatury przestrzennej na podstawie obrazów podczerwonych sprzętu energetycznego o wysokim napięciu. Proponowany model integruje regularyzację fizyką opartą na laplacjanach z bazową siecią CNN, bada adaptacyjną dyfuzyjność termiczną jako mechanizm kalibracji interpretowalny, ocenia sformułowanie z uwzględnieniem termu źródłowego i stosuje Monte Carlo dropout do mapowania niepewności. Badanie ma na celu określenie, czy regularyzacja oparta na fizyce poprawia spójność przewidywań dla danych termograficznych z jednej chwili i czy oszacowania niepewności poprawiają praktyczną interpretowalność wyników.

Główne wkłady są trzy: pierwsze, CNN ograniczona dyfuzją dla przewidywania pola temperaturowego za pomocą straty reszty laplacjanej; drugie, empiryczna ocena dyfuzyjności termicznej i uzupełnienia termu źródłowego w warunkach termograficznych opartych na chwili; i trzecie, estymacja niepewności na poziom pikseli za pomocą Monte Carlo dropout w celu zidentyfikowania termicznie krytycznych i mniej pewnych obszarów w monitorowaniu sprzętu wysokonapięciowego. Zgodnie z poprzednią literaturą, sieci neuronowe informowane fizyką (PINN) integrują rządzące równania różniczkowe cząstkowe (PDE) z uczeniem głębokim, umożliwiając modelom termicznym przestrzeganie praw zachowania i fizyki materiału^7,8. Na przykład badania wykazują skuteczne przybliżenie pól temperaturowych poprzez wymuszenie warunków brzegowych i początkowych poprzez miękkie straty reszty PDE. Osadzenie laplacjanu lub pokrewnych operatorów różniczkowych w stracie zmniejsza fałszywe, niezgodne fizycznie fluktuacje w przewidywanym polu termicznym. Jednak standardowe PINN często zawodzą, gdy rozwiązania wykazują ostry gradient (np. w pobliżu źródeł ciepła lub interfejsów materiałowych). Ostatnie ulepszenia radzą sobie z tym, dostosowując się bezpośrednio do regionów o wysokim gradientzie; na przykład, Gradient-Driven PINN uwzględniają termin

Protocol

Niniejsza sekcja opisuje kompletny proces fizycznie ograniczony głęboką naukę do oceny warunków termicznych za pomocą podczerwieni termograficznych obrazów. Ramowy system integruje (i) wyodrębnianie pola temperatur, (ii) regresję sieci CNN bazującą na bazie, (iii) regularyzację fizyczną opartą na dyfuzji, (iv) adaptacyjne uczenie parametrów i (v) kwantyfikację niepewności. Wszystkie narzędzia użyte w tym badaniu są opisane w Tabeli Materiałów.

Nabywanie obrazu termicznego i budowanie pola temperatur
Podczerwień (IR) obraz wysokiego napięcia sprzętu energetycznego był nabywany za pomocą skalibrowanej kamery termograficznej. Każdy obraz był konwertowany na macierz przestrzennej temperatury T(x, y) ∈ ℝ^H×W poprzez przekształcanie intensywności pikseli na wartości temperatury fizycznej (°C) za pomocą parametrów kalibacji radiometrycznej kamery. Rycina 1A-C pokazuje wizualizacje temperatury. Oryginalny IR obraz jest konwertowany na fizycznie znaczącą mapę temperatury. Histogram pokazuje skośną dystrybucję temperatury z koncentracją między 50–90 °C. Lokalne strefy wysokiej temperatury (punkty gorące) są jasno widoczne. Rycina 2 pokazuje 3D reprezentację podniesienia powierzchni termicznej pola temperatury. 3D wykres podniesienia powierzchni ujawnia strome gradienty wokół regionów punktów gorących. Szczyty temperatury dochodzą do ~120 °C. Pole termiczne jest przestrzennie gładkie, z wyjątkiem obszarów energetyzowanych przewodników i złączy. Te cechy uzasadniają użycie terminu regularyzacji fizycznej opartej na dyfuzji do egzekwowania fizycznej gładkości podczas zachowania lokalnych zjawisk wysokiego gradientu.

Rycina 1: Wizualizacja temperatury. (A) Oryginalny podczerwień (IR) termograficzny obraz inspekcji wysokiego napięcia sprzętu pokazujący zaobserwowaną strukturę termiczną. (B) Wyodrębniona mapa temperatury uzyskana z obrazu termograficznego, ilustrująca przestrzenny rozkład temperatury na powierzchni i skojarzonych gradientów termicznych. (C) Histogram dystrybucji temperatury pokazujący dystrybucję częstotliwości wartości temperatury w wyodrębnionej strefie temperatury. Rycina demonstruje konwersję obrazu termograficznego do ilościowego przedstawienia temperatury i podsumowuje podstawową dystrybucję temperatury używaną do dalszego rozwoju modelu i analizy. Skróty; IR = podczerwień. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej ryciny.

Rycina 2: 3D reprezentacja podniesienia powierzchni termicznej pola temperatury. Trójwymiarowa wizualizacja rozkładu temperatury, gdzie podniesienie powierzchni odpowiada wielkości temperatury i podkreśla lokalne termiczne punkty gorące. Proszę kliknąć tutaj, aby zobaczyć większą wersję tej ryciny.

Formułowanie problemu

Niech

 

oznacza podczerwień termograficzny obraz RGB, gdzie H i W reprezentują wymiary przestrzenne, a C = 3 odpowiada kanałom kolorów skojarzonym z tęczową paletą termiczną. Chociaż obraz podczerwieni wizualizacyjnie reprezentuje informacje termiczne, nie jest to bezpośrednia macierz numerycznej temperatury, ponieważ wyświetlane kolory zależą od mapowania palety, skalowania, interpolacji i warunków obrazu.

Niech

 

oznacza odpowiadające pole temperatury prawdy uzyskane poprzez kalibracje radiometryczne i ekstrakcję temperatury z systemu obrazu podczerwieni.

Celem uczenia jest przybliżenie mapowania

gdzie θ oznacza parametry trenujące sieci CNN, a T̂ reprezentuje przewidywane pole temperatury. Celem tego nadzorowanego mapowania nie jest po prostu odtworzenie bezpośredniej konwersji radiometrycznej, ale nauka przestrzennie spójnego modelu regresji temperatury z renderowanych obrazów termograficznych. W przec

Results

Niniejsza sekcja ocenia zaproponowaną fizykę ograniczeń opartego na uczeniu głębokim za pomocą wskaźników ilościowych i analizy wizualnej. Wyniki pokazują, jak integracja ograniczenia fizycznego opartego na dyfuzji i modelowania niepewności wpływa na dokładność predykcji i interpretację termiczną.

Porównanie wydajności konfiguracji modelu
Tabela 1 przedstawia porównanie wydajności różnych konfiguracji modelu. Model CNN bazowy osiągnął RMSE 12,345 °C (Rysunek 5A) i wartość R² 0,4346 (Rysunek 5B), co pokazuje, że podejście wyłącznie oparte na danych może uchwycić ogólną strukturę pól termicznych, ale brakuje mu silnej spójności fizycznej. Kiedy wprowadzono słabe fizyczne regulacje (λ = 0,01), wydajność nieznacznie się pogorszyła (RMSE = 12,445 °C). Oznacza to, że niewystarczająca waga fizyczna nie efektywnie kieruje siecią i może wprowadzić sprzeczne gradienty podczas optymalizacji. Zwiększenie ograniczenia fizycznego do λ = 0,1 zapewniło marginalne poprawy stabilności, ale nie znacząco zmieniło wydajność predykcji. Jednak gdy wzmocniono siłę ograniczeń do λ = 1, model osiągnął najlepszą wydajność z RMSE = 12,013 °C i R² = 0,4646. Trend ten jest ilustrowany na Rysunku 5A-B, analizie ablacji, gdzie zwiększenie wagi fizycznej zmniejsza RMSE i poprawia wartości R² aż do osiągnięcia optymalnego punktu. Zachowanie to sugeruje, że regularyzacja oparta na dyfuzji poprawia gładkość przestrzenną, zapobiega niefizycznym artefaktom temperatury i nadal pozwala modelowi zachować ostre gradienty termiczne.

Konfiguracja modelu	Ograniczenie fizyczne (λ)	Rozpraszanie cieplne (α)	RMSE (°C)	R²	Uwagi
Bazowy CNN	0	-	12,345	0,4346	Model czysto oparty na danych
CNN fizyczny	0,01	Stałe (0,1)	12,445	0,4255	Słaby wpływ fizyki
CNN fizyczny	0,1	Stałe (0,1)	12,432	0,4266	Umiarkowane ograniczenie fizyczne
CNN fizyczny	1	Stałe (0,1)	12,013	0,4646	Najlepsza wydajność modelu
CNN fizyczny	1	Uczącą się α	12,309	0,438	Uczony α ≈ 0,711
CNN fizyczny + termin źródłowy	1	Uczącą się α	12,453	0,4247	Termin źródłowy niemożliwy do zidentyfikowania

Tabela 1: Porównanie wydajności różnych konfiguracji modelu. Porównanie wartości RMSE i R² dla bazowego CNN, wariantów CNN o ograniczeniu fizycznym, modelu o uczącym się rozpraszaniu cieplnym i modelu z uzupełnionym terminem źródłowym. Skróty; RMSE = średni kwadrat odchylenia; CNN = sieć neuronowa składana.

Rysunek 5: Wpływ wagi ograniczenia fizycznego na wydajność modelu. (A) Zmiana średniego kwadratowego odchylenia (RMSE) przy różnych wagach regularyzacji fizycznej (λphys), ilustrująca wpływ ograniczeń opartych na fizyce na błąd predykcji. (B) Zmiana współczynnika determinacji (R²) przy różnych wagach regularyzacji fizycznej (λphys), pokazująca wpływ regularyzacji fizycznej na wydajność wyjaśniającą modelu. Wyniki wskazują, że zwiększenie wagi ograniczenia fizycznego poprawia wydajność predykcji, przy czym λphys = 1,0 osiąga najniższy RMSE i najwyższy R² wśród ocenianych konfiguracji. Skróty; RMSE = średni kwadrat odchylenia; R² = współczynnik determinacji. Proszę kliknąć tutaj, aby wyświetlić większą wersję tego rysunku.

Studium ablacji
Przeprowadzono badanie ablacji, aby ocenić wkład poszczególnych komponentów zaproponowanego frameworku. Począwszy od bazowego CNN, wprowadzono regularyzację fizyczną poprzez ró

Discussion

Niniejsze badanie zbadał integrację rejestracji opartej na fizyce i uczenia głębokiego z uwzględnieniem niepewności w ocenie stanu termicznego wysokonapięciowego sprzętu energetycznego za pomocą termograficznych obrazów w podczerwieni. Wyniki pokazują, że osadzanie wstępnych założeń fizycznych w opartych na CNN prognozach temperatury poprawia odporność i spójność fizyczną uczonych pól termicznych w stosunku do czysto opartych na danych podejść. Jednym z najważniejszych odkryć jest rola ograniczenia fizycznego opartego na dyfuzji w kształtowaniu wydajności modelu. Bazowy CNN osiągnął zadowalającą zdolność predykcyjną, potwierdzając, że architektury konwolucyjne mogą nauczyć się dominującej struktury przestrzennej wzorców termograficznych. Jednak przewidywane pola temperaturowe sporadycznie wykazywały lokalne niezgodności i niestabilność w pobliżu stromych gradientów termicznych. Wprowadzenie ujemnego ograniczenia reszty laplacjańskiej poprawiło gładkość przestrzenną i zmniejszyło nieprawdopodobne fluktuacje fizyczne. Analiza ablacji pokazała ponadto, że skuteczność wstępnego założenia fizycznego silnie zależy od współczynnika wagowego λ_fiz. Słaba rejestracja (λ = 0,01) miała minimalny wpływ, podczas gdy silniejsza rejestracja (λ = 1) zapewniała najlepszy bilans między spójnością fizyczną a elastycznością predykcyjną.

Ta poprawa sugeruje, że rejestracja oparta na dyfuzji funkcjonuje jako efektywne skojarzenie indukcyjne dla problemów uczenia termicznego^3,7,8. Ponieważ przewodzenie ciepła rządzi się ciągłością przestrzenną, wymuszenie priorytetu laplacjańskiego prowadzi sieć w kierunku termodynamicznie prawdopodobnych rozwiązań. W niniejszym badaniu ograniczenia fizyczne były szczególnie skuteczne w zmniejszaniu niestabilności na gładkich obszarach termicznych, zachowując jednocześnie zlokalizowanych gorących punktach, co jest niezbędne do niezawodnej inspekcji sprzętu energetycznego w podczerwieni. Eksperyment z termicznym dyfuzywnością uczoną dostarczył dalszych informacji na temat kompromisu między interpretacją fizyczną a dokładnością predykcyjną. Parametr dostosowanego dyfuzywności zbiegł do fizycznie znaczącej wartości (α ≈ 0,71), wskazując, że model mógłby niejawnym oszacować efektywne zachowanie przewodzenia ciepła z danych obrazowych. Niemniej konfiguracja z parametrem uczonym nie przewyższała modelu o stałym dyfuzywności. Jest to prawdopodobnie spowodowane przypadkową naturą zestawu danych, który zawiera niezależne termograficzne klatki, a nie ewoluujące czasowo sekwencje termiczne. Bez dynamiki czasowej, odwrotne oszacowanie parametrów przewodzenia pozostaje niewystarczająco ograniczone^11,12,13, ograniczając zdolność modelu do jednoznacznego wywnioskowania właściwości termofizycznych.

Podobne ograniczenie zaobserwowano w formułowaniu z uzupełnionym terminem źródłowym. Chociaż dodatkowy komponent źródłowy miał na celu uchwycenie zlokalizowanych mechanizmów generowania ciepła, przewidywane mapy źródeł brakowały przejrzystości przestrzennej i nie odpowiadały mocno obserwowanym regionom gorących punktów. Problemy odwrotnego przewodzenia ciepła są z natury niewłaściwie postawione, gdy dostępne są tylko statyczne pomiary temperatury^11,12,13,14, a dokładna rekonstrukcja źródeł ogólnie wymaga przejściowych obserwacji termicznych lub eksplicytnych informacji o warunkach brzegowych. W konsekwencji model źródłowy wprowadził dodatkową złożoność optymalizacji bez poprawy dokładności predykcyjnej. Wyniki ilościowania niepewności dostarczają ważnego praktycznego wkładu do monitorowania termicznego w rzeczywistym świecie. Monte Carlo dropout umożliwił oszacowanie wariancji predykcyjnej na poziomie pikseli^5,6,14 i ujawniło, że niepewność była skoncentrowana w pobliżu granic gorących punktów i regionów o wysokim gradientzie. To zachowanie jest fizycznie intuicyjne, ponieważ ostre przejścia termiczne są trudniejsze do dokładnego modelowania i są często bardziej wrażliwe na szum, zmiany emisyjności i lokalne efekty środowiskowe. Wynikową mapę niepewności, dodaje zatem operacyjnie znaczącą warstwę interpretacji poza deterministycznym przewidywaniem temperatury. Z punktu widzenia zastosowania, współczesne oszacowywanie temperatury i pewności predykcyjnej jest cennym dla konserwacji sprzętu energetycznego opartej na stanie. Konwencjonalna inspekcja termograficzna często silnie opiera się na sądach ekspertów, szczególnie przy rozróżnianiu normalnej zmienności termicznej od rozwijających się usterek. Wyodrębniając regiony o podwyższonej niepewności, zaproponowany framework może wspierać priorytetyzację inspekcji ręcznej i zmniejszyć ryzyko nadufnych zautomatyzowanych decyzji w krytycznych dla bezpieczeństwa środowiskach.

Powinno również uznać kilka ograniczeń. Po pierwsze,

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
CUDA / cuDNN	NVIDIA	Akceleracja GPU do szkolenia	GTX 1080 Ti
Infrared thermographic camera	FLIR thermal imaging camera	Nabywanie termogramów wysokonapięciowego sprzętu	Przenośna profesjonalna kamera FLIR C5 Infrared w różnych godzinach dnia i warunkach obciążenia.
Jupyter Notebook / IDE	JupyterLab 4.2.0	Rozwój i analiza eksperymentów	Używane w implementacji
Matplotlib	Matplotlib Developers	Wizualizacja przewidywań, map resztowych i map niepewności	Używane do figur i wykresów
NumPy	NumPy Developers	Obliczenia numeryczne i operacje na tablicach	Przepływ danych i obsługa tensorów
OpenCV	OpenCV Foundation	Ładowanie, skalowanie i podstawowe przetwarzanie obrazów	Używane do przetwarzania obrazów termograficznych
Python	Python Software Foundation	Główne środowisko programistyczne	Wersja użyta we wszystkich eksperymentach
PyTorch	PyTorch Foundation	Szkolenie CNN, nauka poddana ograniczeniom fizycznym i upuszczanie Monte Carlo	Używane do implementacji sieci regresji
Scikit-learn	scikit-learn Developers	Obliczanie metryk i ocena treningu/walidacji/testu	Używane do (R^2), RMSE i MAE
SciPy	SciPy Developers	Obsługa rutyn numerycznych	Używane w przetwarzaniu wstępnym lub analizie
Zestaw danych termograficznych	Własny zestaw danych z inspekcji terenowej	Źródło 174 obrazów w podczerwieni do opracowania modelu	Obrazów zorganizowanych w etykietowanych folderach
Stacja robocza / system do obliczeń GPU	GTX 1080 Ti	Trening i inferencja modelu	12 GB pamięci RAM,  GTX 1080 Ti i system operacyjny Windows 11