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.
مقالة بحثية
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
يفتح في علامة تبويب جديدة
في هذه المقالة
ملخص
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
الملخص
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.
المقدمة
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.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
البروتوكول
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.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
النتائج
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 R
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المناقشة
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 م...
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
الإفصاحات
Loading...
$$\rightleftharpoonup{xx}$$
$$\longleftharp{xx}$$,
$$\longrightharp{xx}$$,
لا يوجد تضارب مصالح لدى المؤلفين.
شكر وتقدير
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.
الوصول مقيد. يرجى تسجيل الدخول أو بدء فترة تجريبية لعرض هذا المحتوى.
المواد
| الاسم | الشركة | رقم فهرسي | التعليقات |
|---|---|---|---|
| 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 |
إعادة الطباعة والأذونات
طلب إذن لإعادة استخدام النص أو الأشكال في مقالة JoVE هذه
طلب إذن