基于红外成像的高压电力设备热状态评估可解释人工智能方法

摘要

本研究提出了一种物理约束的卷积神经网络框架，用于高压电力设备的红外热成像评估，该框架结合了基于扩散的正则化方法与蒙特卡洛丢弃技术，以实现符合物理规律的温度预测及具备不确定性感知的热状态监测。

摘要

红外热成像技术广泛用于高压电力设备的非接触式温度监测，其中异常的温度模式可能表明存在潜在故障或绝缘性能退化。然而，纯数据驱动的深度学习模型可能生成与传热物理规律不完全一致的温度预测结果。本研究探讨了一种基于物理约束的卷积神经网络（CNN）框架，用于从热成像图像中估计空间温度场。通过引入基于热传导方程推导出的扩散型拉普拉斯残差损失函数，提升了预测温度场的物理一致性。在现有数据集上的实验评估表明，与基准CNN模型相比，引入物理约束的模型性能有所提升，最优配置下均方根误差（RMSE）为12.013 °C，CAP决定系数（R-squared）为0.4646，显示出中等水平的预测能力。研究还探索了可学习的热扩散率参数以增强模型可解释性，但其表现未超过固定参数设定。此外，评估了一种引入源项增强的模型结构，但其对基于快照的热成像数据未带来进一步性能提升。采用蒙特卡洛 dropout 方法进行不确定性估计，结果显示在热点边界及温度梯度较大的区域预测方差更高。总体而言，研究结果表明，基于物理规律的正则化方法与不确定性估计有助于提升热成像预测模型的物理一致性与可解释性，但当前结论仍受限于所使用的数据集及验证条件。

引言

可靠的温度监测对于高压电力设备的安全运行至关重要，因为异常发热通常是绝缘老化、连接松动或早期电气故障的先兆。红外热成像（IRT）在此领域得到广泛应用，因其可在常规巡检过程中实现非接触式、全场表面温度测量。然而，由于发射率变化、环境干扰、传感器噪声以及标注数据有限等因素，实际的热成像分析仍然面临困难¹。

深度学习已提升了从热成像图像中自动检测热点和预测温度场的能力，但纯数据驱动模型并未显式地引入传热物理规律。因此，尽管预测的温度场在统计意义上可能较为准确，但在物理约束方面仍然较弱。对于安全性要求较高的检测任务，这一局限性会降低对模型输出结果的信任度，并削弱其在维护决策中的应用价值²。基于物理规律的先验信息可通过引导学习过程趋向热力学一致的温度分布来解决这一问题。对于瞬时红外数据，热传导方程中的时间项无法获取，因此采用拉普拉斯残差作为实用的正则化项，以强制实现类似扩散过程的空间平滑性。这一点在高压设备中尤为相关，因为其温度场通常在局部热点区域之外整体较为平滑。

为了协调数据驱动的灵活性与机理一致性，物理信息学习将控制偏微分方程（PDE）或其离散形式嵌入到训练目标中。物理信息神经网络（PINN）范式通过在数据损失之外对偏微分方程残差施加惩罚，已表明将微分算子作为软约束引入可提升模型泛化能力，并实现隐含参数的同步正向/反向推断。对于热传导问题，其典型模型为扩散（热）方程，

其中，T 表示温度，α 表示热扩散率，S 表示体积源项；对该算子（或基于拉普拉斯的代理项）的残差进行约束，可减少学习所得温度场中的虚假非扩散结构³。不确定性估计对于实际应用部署同样至关重要。确定性预测无法指示模型在哪些区域可靠性较低，尤其是在热点边界和陡峭温度梯度附近⁴。蒙特卡洛 dropout 方法可对认知不确定性进行高效近似，并生成像素级方差图，从而支持对预测温度场进行风险感知的解释^5,6。

本研究旨在开发并评估一种紧凑的物理约束卷积神经网络（CNN）框架，用于从高压电力设备的红外图像中进行空间温度估计。该模型将基于拉普拉斯算子的物理正则化与基础CNN相结合，探讨自适应热扩散率作为一种可解释的校准机制，评估引入源项增强的模型形式，并应用蒙特卡洛dropout方法进行不确定性映射。本研究旨在确定基于物理的正则化是否能够提高对瞬态热成像数据的预测一致性，以及不确定性估计是否能够增强结果的实际可解释性。

主要贡献有三个方面：首先，提出一种扩散约束的卷积神经网络（CNN），通过拉普拉斯残差损失实现温度场预测；其次，在基于快照的热成像条件下，对可学习的热扩散率和源项增强进行实证评估；第三，采用蒙特卡洛 dropout 进行像素级不确定性估计，以识别高压设备监测中热敏感且不确定性较高的区域。根据以往文献，物理信息神经网络（PINNs）将控制偏微分方程（PDEs）融入深度学习，使热模型能够遵循守恒定律和材料物理特性^7,8。例如，已有研究通过软PDE残差损失施加边界和初始条件，有效逼近温度场。将拉普拉斯算子或相关微分算子嵌入损失函数，可减少预测热场中虚假的、不符合物理规律的波动。然而，当解呈现陡峭梯度时（例如在热源附近或材料界面处），标准PINNs常表现不佳。近期的改进方法通过直接针对高梯度区域加以优化；例如，梯度驱动的PINNs引入基于梯度的损失项，以更准确捕捉尖锐的热特征。综上所述，用于传热问题的PINNs通过嵌入导热物理机制实现了数据高效的建模，但在处理剧烈温度变化时，仍需定制化的损失函数设计（如梯度惩罚项）。

红外热成像（IRT）可为运行中的电气设备提供全场温度数据，因此非常适用于无创故障诊断。卷积神经网络（CNN）已广泛用于从热图像中提取特征模式，以实现设备健康状态监测。例如，Ullah 等人证明，将预训练 CNN 特征（AlexNet）与随机森林分类器结合，可区分有缺陷与正常高压设备，准确率超过 96%⁹。类似地，采用更深层网络（如 VGG-16）进行迁移学习，在变电站热成像图上的热点检测几乎达到完美，分类准确率约为 99.98%¹⁰。除了分类任务，现代目标检测 CNN 模型（如 Faster R-CNN、YOLO、Mask R-CNN 等）已被用于定位电力系统中的热异常，其报告的准确率和平均精度通常在测试数据集上超过 90%。在实际应用中，深度 IRT 模型显著减少了对专家判读的依赖：它们能够自动识别发热部件并优先安排维护操作。然而，迄今为止大多数研究集中于静态图像的分类或分割；如何结合时间序列或运行工况等上下文信息，仍是提升实际巡检可靠性的一个待探索方向。

将物理规律嵌入神经网络还为反演建模开辟了新途径：偏微分方程（PDE）的参数（如热扩散率或导热系数）可被视为可训练变量，并通过数据推断得出。近年来在热物理信息神经网络（PINN）领域的研究已利用该特性实现参数反演。例如，已有研究提出采用耦合网络结构的PINN，以同时预测温度场并恢复未知的导热参数¹¹。2021年的一项研究表明，PINN能够高精度地反演恒定或空间变化的热传导系数，有效从温度测量数据中学习材料属性¹¹。在相关研究中，Waseem和Mielle开发了一种迭代式PINN框架，交替求解正向热传导方程并基于观测到的热图像优化墙体的热导率¹²。该方法在不同环境条件下成功估算了现场（in-situ）热导率，无需进行长时间实验。与此同时，混合型PINN方案结合有限的传感器数据与物理先验知识，以解决病态的反问题。2026年的一项研究提出了一种用于二维瞬态导热的混合PINN，能够从稀疏的温度读数中识别正交各向异性导热张量和内部高斯热源¹³。该框架可同时估计材料的各向异性属性以及热源特征（位置、幅值、分布范围），即使在仪器配置极少的情况下仍能实现低误差估计。这些研究共同表明，将可学习的PDE参数引入PINN，或耦合正向与反向网络，能够从红外或稀疏热数据中恢复潜在的热物性参数。此类混合反演模型通过将预测结果与物理参数关联，提供了良好的可解释性，在能源系统诊断中具有重要意义，但需谨慎平衡数据与物理约束，以确保推断的鲁棒性。

量化模型不确定性在安全敏感的热监测中至关重要。一种常用方法是蒙特卡洛（MC）dropout，该方法通过在推理阶段应用dropout层并进行多次前向传播采样，来近似贝叶斯推断。这种方法可生成像素级的预测方差图，有效突出模型置信度较低的区域。例如，采用MC dropout的贝叶斯U-Net在医学图像分割中产生了具有信息量的不确定性估计：不确定的像素通常位于目标边界或非典型区域，过滤这些像素可提高整体准确性¹⁴。在热成像监测中也观察到类似现象：高预测方差的区域常与热点或陡峭的热梯度重合，提示这些区域需要特别注意。因此，将MC dropout引入基于CNN的热模型，可实现对风险敏感的评估：操作人员可在温度预测结果上可视化不确定性叠加图，针对不确定区域加强人工检查或采取保守的控制措施¹⁴。总体而言，蒙特卡洛dropout及相关贝叶斯技术已成为CNN模型中不确定性估计的标准工具，通过揭示数据或模型知识不足的区域，提升了模型的鲁棒性与可解释性¹⁴。

方案

本节介绍了利用红外热成像进行热状态评估的完整物理约束深度学习流程。该框架集成了（i）温度场提取，（ii）基线卷积神经网络回归，（iii）基于扩散的物理正则化，（iv）自适应参数学习，以及（v）不确定性量化。本研究中使用的所有工具均在材料表中进行了描述。

热成像采集与温度场构建
采用经过校准的热成像相机获取高压电力设备的红外（IR）图像。通过相机辐射定标参数，将每个像素的灰度值映射为实际物理温度值（°C），从而将每幅图像转换为空间温度矩阵 T(x, y) ∈ ℝ^H×W。图1A–C 展示了温度可视化结果。原始红外图像被转化为具有物理意义的温度图。直方图显示温度分布呈偏态，主要集中于50–90 °C之间。局部高温区域（热点）清晰可见。图2 展示了温度场的三维热表面高程表示。三维表面高程图揭示了热点区域周围存在显著的温度梯度。温度峰值接近 ~120 °C。除带电导体和连接接头附近外，温度场在空间上整体平滑。这些特征表明，采用基于扩散的正则化项是合理的，可在保持局部高梯度现象的同时，强加物理意义上的平滑性。

图 1：温度可视化。（A）被检测高压设备的原始红外（IR）热成像图，显示观测到的热分布模式。（B）从热成像图中提取的温度图，展示表面温度的空间分布及相关的热梯度。（C）温度分布直方图，显示提取温度场中温度值的频率分布。 本图展示了将热成像图转化为定量温度表示的过程，并总结了用于后续模型构建与分析的基础温度分布。缩写：IR = 红外。 请点击此处查看该图的放大版本。

图2：温度场的三维热表面高程图示。温度分布的三维可视化，其中表面高程对应温度大小，并突出显示局部热热点。请点击此处查看此图的放大版本。

问题构建

让

 

表示 RGB 红外热成像图像，其中 H 和 W 代表空间维度，C = 3 对应于与彩虹热力调色板相关的颜色通道。尽管红外图像在视觉上表示热信息，但它并非直接的数值温度矩阵，因为显示的颜色取决于调色板映射、缩放、插值以及成像条件。

让

 

表示通过红外成像系统的辐射度定标和温度提取所获得的相应真实温度场。

学习目标是近似映射关系

其中，θ 表示卷积神经网络（CNN）的可训练参数，T̂ 表示预测的温度场。该监督映射的目的不仅仅是复现直接的辐射度转换，而是从渲染的热成像图像中学习一种空间上一致的温度回归模型。与直接的逐像素颜色到温度提取方法不同，卷积神经网络能够利用邻近区域之间的上下文热结构，降低对噪声的敏感性，保留热点特征，并在施加的扩散约束条件下生成更平滑且符合物理规律的温度场。基线目标函数旨在最小化预测温度场与校准后温度场之间的逐像素回归误差：

其中 T_ij 和 T̂_ij 分别表示像素位置 (i, j) 处的真实温度和预测温度。因此，该框架应被理解为一种物理正则化的热成像回归模型，而非直接辐射定标的替代方法。

红外图像采集条件
在户外变电站运行条件下，使用 FLIR 热成像相机获取红外热成像图像。数据集包含空间分辨率为 640 × 480 像素的 RGB 热成像图像，采用 FLIR 彩虹调色板记录。每幅图像均嵌入热标尺条，指示与采集帧相关的温度范围。热成像检测涵盖了多种高压设备类别，包括变压器、套管、绝缘子、连接件和接线端子结构。图像在设备正常运行状态下采集，以包含标准热行为以及与状态监测应用相关的局部热点模式。图像采集采用现场热成像中常用的实用检测视角。相机的朝向和观察角度根据设备可接近性及变电站布局而变化。对热成像图像进行目视筛选，以确保目标设备清晰可见，且热点区域可与背景明确区分。数据集按照设备类别和热状态分类整理至带标签的文件夹中。在模型构建之前，图像被分割并调整为统一的空间格式，用于温度场提取和卷积神经网络（CNN）训练。该热成像图像数据集包含适用于计算机视觉与深度学习研究的热分布数据，可用于热点检测、故障识别、异常定位及温度场预测等任务。在本研究中，从红外图像中提取的热分布特征被用于物理约束的温度估计及考虑不确定性的热状态评估。

热成像数据集与数据划分
本研究使用的数据集包含 174 张红外热成像图像，这些图像通过 FLIR 热成像系统从高压变电站设备获取¹⁵。数据集涵盖了多种电力系统组件，包括变压器、套管、绝缘子、连接器以及在实际户外条件下运行的高压终端结构。每幅热成像图像均利用红外相机提供的辐射信息转换为空间温度场。该数据集包含从正常运行状态到与热应力升高相关的局部热点区域的热变化情况。数据按 70:15:15 的比例划分为训练集、验证集和测试集，分别包含 121、26 和 27 张图像。由于数据集由在不同运行条件和视角下独立采集的热成像场景组成，因此划分在图像级别进行。为降低数据泄露风险并提高评估的公平性，划分过程中特别避免了各子集之间出现近似重复的图像帧。所有图像在训练前均被调整至统一的空间分辨率。为稳定优化过程，同时保留对状态评估至关重要的相对热梯度和热点特征，对温度数据进行了归一化处理。

基线 CNN 架构
采用全卷积编码器-解码器回归架构，以在基于红外热成像图像预测温度场时保持空间分辨率。所有输入的红外图像在训练前均被调整为统一的分辨率 256 × 256 × 3。编码器部分由四个卷积模块组成，特征深度逐级增加。每个模块包含一个 3 × 3 卷积层，后接批归一化和 ReLU 激活函数。空间下采样采用步幅卷积而非最大池化，以更好地保留局部热结构和热点信息。编码器的通道数变化如下：

32 → 64 → 128 → 256

解码器部分通过转置卷积层进行上采样，并采用反向特征传递来重建空间温度场：

256 → 128 → 64 → 32

每个解码器模块同样采用了转置卷积、批归一化和 ReLU 激活函数。最后的 1 × 1 卷积层生成了预测的单通道温度图：
T̂ ∈ ℝ^256×256

因此，该网络输出与红外输入图像对应的全分辨率空间温度场。为了支持不确定性量化，在瓶颈层和解码器阶段附近插入了丢弃概率为 p = 0.2 的 dropout 层。在推理过程中，dropout 保持激活状态，以实现蒙特卡洛采样，用于预测不确定性的估计。所有卷积权重均采用 He-normal 初始化方法进行初始化，而偏置项则初始化为零。模型使用 Adam 优化器进行训练，初始学习率为 1 × 10⁻³，批量大小为 8，权重衰减为 1 × 10⁻⁵。训练共进行 100 个轮次，采用余弦学习率衰减策略，并根据验证集的均方根误差（RMSE）进行早停。

基线目标函数定义为：

     

其中 L_data 表示预测温度场与真实温度场之间的像素级均方误差。
性能评估指标包括：R²、RMSE 和 MAE。

尽管基础CNN成功捕捉到了整体热结构和热点分布，但在低梯度区域偶尔会产生非物理性伪影，并在陡峭热边界附近出现轻微的过度平滑现象。这些局限性促使我们在后续模型构建中引入基于扩散的物理正则化方法。

基于扩散的物理约束学习
控制热方程
为了在预测的温度场中保持热一致性，将基于扩散的物理先验引入热方程。在准稳态条件下，表面温度近似满足

   

其中 T 表示温度，α 为热扩散率，S 代表局部热生成。由于现有的热成像样本为单次检测的静态图像，而非时间分辨序列，因此无法直接计算时间导数。据此，模型假设局部为准稳态热传导，并施加以下条件

     

远离主动加热区域。

采用标准的有限差分模板对二维拉普拉斯算子进行离散化：
      

随后在预测的温度图上计算了物理残差，其表达式为

     

为避免图像边界处的歧义，拉普拉斯残差仅在有效的内部像素上进行计算，这些像素的所有模板所需邻域值均可用。未对热点区域应用显式的掩膜，因为物理项的目标是对整个空间场进行正则化，而非抑制热活跃区域。因此，热点结构通过数据项得以学习，而拉普拉斯惩罚项则促使预测图中具有符合扩散特性的平滑性。

最终目标函数将数据损失和物理损失结合起来，即

     

其中 λ_phys 控制物理正则化的强度。在消融实验中，考察了 λ_phys ∈ {0, 10⁻⁴, 10⁻³, 10⁻², 10⁻¹} 的取值，以评估增强物理约束强度的影响。适中的取值改善了模型的泛化能力，而过强的权重则倾向于过度平滑局部热点的梯度变化。该现象与红外图像中观察到的热结构一致，即物理上平滑的区域与局部高温集中区域共存。

需要强调的是，本研究中采用的稳态扩散公式并非旨在完整描述高压设备中热点形成的传热机制。在实际中，局部过热源于焦耳热、接触电阻和绝缘材料退化等内部生热过程。由于现有数据集仅包含无时间信息或热源测量值的瞬时热成像图像，因此将扩散约束作为一种受物理规律启发的空间正则化项加以使用。其作用是促使温度场在局部平滑且符合物理合理性，同时允许从数据中学习热点的特征。因此，扩散先验应被理解为空间平滑性约束，而非对底层热物理过程的全面建模。

可学习的热扩散率与源项增强
为了提高物理可解释性，有效热扩散率被视为一个可训练的标量参数。设 T̂(x, y) 表示预测的温度场，α > 0 表示可学习的热扩散率。为保证其正值性，α 通过一个无约束变量 β 进行参数化，即

   

在此公式中，物理先验被表示为有效残余强迫场 R(x, y)，其中 R(x, y) 代表由未建模的加热效应引起的偏离纯扩散的局部偏差。因此，自适应扩散率关系可表示为

     

其中，∇²T̂(x, y) 是预测温度场的拉普拉斯算子，R(x, y) 是从热成像数据中隐式推断出的有效残差源项。由于可用的样本是快照图像而非时间分辨的热序列，R(x, y) 未受到单独的监督，仅在优化过程中作为潜在的物理量存在。相应的物理损失定义为

   

在源项增强实验中，增加了一个辅助的卷积神经网络头，用于估计空间源图 Ŝ(x, y)。在此情况下，Ŝ(x, y) 表示预测的局部生热场，控制关系变为

   

源头部连接到编码器瓶颈层，由一个小型卷积分支组成，该分支将共享的潜在特征映射到单通道输出图Ŝ(x, y)。由于没有可用的真实源标签，因此Ŝ(x, y)仅通过联合目标函数进行学习

   

其中，L_data 为温度回归损失，λ_phys 用于控制扩散约束，λ_s 对源项预测进行正则化，以避免出现无意义的高幅值源图。在本文所考虑的基于快照的设定中，源项的表达形式仍为欠定问题，且未能提升预测精度。

用于不确定性量化的蒙特卡洛丢弃法
为了估计预测温度场中的认知不确定性，在推理过程中应用了蒙特卡洛丢弃法。在卷积神经网络的瓶颈块之后以及解码器阶段中设置了丢弃率为 0.2 的丢弃层。在测试期间，这些丢弃层保持激活状态，并对每幅红外图像执行 30 次随机前向传播。对于第 k 次随机传播，预测的温度场表示为

   

其中 X 为输入的红外图像，θ_k 表示由 dropout 诱导的采样网络参数。预测均值的计算公式为

   

并获得了像素级的预测方差

   

其中 K = 30。生成的方差图用于识别预测置信度较低的空间区域。由于热成像回归任务中无法获得真实的不确定性标签，因此未采用基于校准的评估指标，而是通过逐像素方差图以及在热点区域和背景区域上计算的汇总统计量来评估不确定性。定量分析结果显示，整体平均预测标准差为 13.046 °C，热点区域的标准差为 15.934 °C，高于背景区域的 12.743 °C。这表明热点区域的不确定性相比背景区域增加了约 25%。这些结果表明，模型在热学特性复杂的区域附近表现出更高的不确定性，尤其是在热点边界和温度梯度较大的区域，这与热表面可视化结果中观察到的结构一致。图 3 和图 4 总结了该工作流程，展示了基于卷积神经网络（CNN）的整体处理流程。

图3：工作流程。所提出方法的总体流程，包括热成像图像采集、预处理、温度场提取、卷积神经网络（CNN）训练、物理约束学习以及不确定性量化。缩写：CNN = convolutional neural network（卷积神经网络）。请点击此处查看本图的放大版本。

图4：基于卷积神经网络（CNN）的整体处理流程。 所提出的CNN框架结构，展示如何将红外热成像图像转换为空间温度场预测结果。缩写：CNN = convolutional neural network（卷积神经网络）。 请点击此处查看该图的放大版本。

结果

本部分通过定量指标和可视化分析，评估所提出的物理约束深度学习框架。结果展示了基于扩散的物理约束与不确定性建模的融合如何影响预测精度和热学可解释性。

模型配置的性能比较
表1 展示了不同模型配置的性能比较。基准CNN模型的均方根误差（RMSE）为12.345 °C（图5A）以及一个 R² 0.4346 的值（图5B），表明纯数据驱动的方法能够捕捉热场的总体结构，但缺乏较强的物理一致性。当引入弱物理正则化时（λ = 0.01 时，性能略有下降（RMSE = 12.445 °C）。这表明过小的物理权重无法有效引导网络训练，并可能在优化过程中引入冲突的梯度。将物理约束增强至 λ = 0.1 时，稳定性略有改善，但预测性能未发生显著变化。然而，当约束强度进一步增加至 λ = 1 时，模型达到最佳性能，RMSE = 12.013 °C，...

讨论

本研究探讨了基于物理的正则化与不确定性感知的深度学习在利用红外热成像技术评估高压电力设备热状态中的融合应用。结果表明，将物理先验嵌入基于卷积神经网络（CNN）的温度预测中，相较于纯数据驱动的方法，能够提高所学习热场的鲁棒性与物理一致性。其中最重要的发现之一是基于扩散的物理约束在塑造模型性能方面所起的作用。基础CNN模型表现出合理的预测能力，证实了卷积结构能够学习热成像模式中的主要空间特征。然而，预测的温度场在陡峭热梯度区域偶尔出现局部不一致和不稳定现象。引入拉普拉斯残差约束后，空间平滑性得到改善，并减少了物理上不合理波动的发生。消融分析进一步表明，物理先验的有效性在很大程度上依赖于权重系数 λ_phys。较弱的正则化（λ = 0.01）影响甚微，而较强的正则化（λ = 1）在物理一致性与预测灵活性之间实现了最佳平衡。

这一改进表明，基于扩散的正则化函数在热学习问题中起到了有效的归纳偏置作用^3,7

材料

本文使用的材料清单

姓名	公司	目录编号	评论
CUDA / cuDNN	NVIDIA	用于训练的 GPU 加速	GTX 1080 Ti
红外热成像相机	FLIR 热成像相机	高压设备热图的采集	在一天中不同时段和负载条件下使用便携式专业 FLIR C5 红外相机。
Jupyter Notebook / 集成开发环境（IDE）	JupyterLab 4.2.0	实验开发与分析	用于实现
Matplotlib	Matplotlib 开发团队	预测结果、残差图和不确定性图的可视化	用于生成图表和绘图
NumPy	NumPy 开发团队	数值计算与数组操作	数据预处理和张量处理
OpenCV	OpenCV 基金会	图像加载、缩放和基本预处理	用于热成像图像处理
Python	Python 软件基金会	主要编程环境	所有实验所使用的版本
PyTorch	PyTorch 基金会	CNN 训练、物理约束学习和蒙特卡洛丢弃法	用于回归网络的实现
Scikit-learn	scikit-learn 开发团队	指标计算及训练/验证/测试评估	用于计算 (R²)、均方根误差（RMSE）和平均绝对误差（MAE）
SciPy	SciPy 开发团队	辅助数值计算例程	用于预处理或分析
热成像数据集	内部现场检测数据集	模型开发所用的 174 张红外图像来源	图像按标签文件夹组织
工作站 / GPU 计算系统	GTX 1080 Ti	模型训练与推理	12 GB 内存， GTX 1080 Ti，以及 Windows 11 操作系统