赤外線イメージングを用いた高電圧電力機器の熱状態評価のための説明可能な人工知能

サマリー

本研究は、高電圧発電機器の赤外線熱評価のための物理制約に制約されたCNNフレームワークを提示し、拡散に基づく正則化とモンテカルロドロップアウトを統合し、物理的に一貫した温度予測と不確実性認識した熱モニタリングを実現します。

要約

赤外線サーモグラフィーは、異常な温度パターンが故障や絶縁劣化の兆候を示す場合、高電圧発電設備の非接触熱監視に広く用いられています。しかし、純粋にデータ駆動型の深層学習モデルでは、熱伝達物理と完全に整合しない温度予測が出されることがあります。本研究は、熱画像から空間温度場を推定するための物理制約付き畳み込みニューラルネットワーク(CNN)フレームワークを調査します。熱方程式から導き出された拡散ベースのラプラシアン残差損失を組み込み、予測される熱場の物理的一貫性を向上させました。利用可能なデータセットでの実験評価では、物理制約モデルはベースラインCNNと比較して性能が向上し、最良の構成ではRMSEが12.013°C、CAPのR二乗値が0.4646となり、中程度の予測能力を示しました。解釈可能性を向上させるために学習可能な熱拡散率パラメータも検討されましたが、固定パラメータの定式化を上回ることはできませんでした。さらに、ソース・ターム拡張モデルも評価されましたが、スナップショットベースの熱記録データに対してさらなる改善は提供されませんでした。不確実性推定にはモンテカルロドロップアウトを適用し、ホットスポット境界付近や急勾配の地域でより高い予測分散が明らかになりました。全体として、物理に基づく正則化と不確実性推定は、熱波予測モデルの物理的一貫性と解釈可能性を向上させる可能性を示唆していますが、結果は現在のデータセットと検証環境に限定されています。

概要

高電圧電力機器の安全な運転には、信頼できる熱監視が不可欠です。なぜなら、異常な加熱は絶縁劣化、接続の緩み、または電気的故障の初期兆候となることが多いからです。赤外線サーモグラフィー(IRT)は、定期検査時に非接触の全視野表面温度測定を提供するため、この文脈で広く使われています。しかし、放射率の変化、周囲の干渉、センサーノイズ、ラベル^{表示データの制限}により、実用的な熱画像解析は依然として困難です。

ディープラーニングは熱画像からの自動ホットスポット検出や温度場予測を向上させましたが、純粋にデータ駆動型のモデルでは熱伝達物理を明示的に強制するわけではありません。その結果、予測される熱場は統計的には正確でありながら、物理的には弱い制約しか維持できない場合があります。安全性が重要な検査タスクにおいて、この制限はモデル出力の信頼性を低下させ、保守判断における価値を弱めます^。物理学に基づく事前分布は、学習を熱力学的に一貫した温度分布へと導くことでこの問題に対処できます。スナップショット赤外データの場合、熱方程式の時間項は利用できません。したがって、ラプラシアン残差は拡散のような空間的滑らかさを強制する実用的な正則化子として機能します。これは特に高電圧機器で重要であり、温度場は局所的なホットスポット領域を除いて一般的に滑らかです。

データ駆動の柔軟性と機構的一貫性を調和させるために、物理学に基づいた学習は偏微分方程式(PDE)やその離散類似物を学習目標に組み込みます。物理学に配慮したニューラルネットワーク(PINN)パラダイムでは、偏微分方程式残差がデータ損失と同時にペナルティを受けるため、微分演算子をソフト制約として組み込むことで一般化が改善され、潜在パラメータの同時順方向/逆推論が可能になることが示されています。熱問題の場合、標準モデルは拡散(熱)方程式です。

ここでTは温度、αは熱拡散率、Sは体積/源項です。この演算子の残差(またはラプラシアンベースの代理)を強制することで、学習された^{温度場における}偽の非拡散構造が減少します。不確実性推定は運用展開においても重要です。決定論的予測は、特にホットスポット境界付近や急勾配の熱勾配付近でモデルの信頼性が低い場所を示すもの^{ではありません。}モンテカルロドロップアウトは認識的不確実性の効率的な近似を提供し、予測される^{熱場のリスク}認識を支持するピクセル単位の分散マップを生成することができます^5,6。

本研究の目的は、高電圧電力機器の赤外線画像から空間温度推定を行うためのコンパクトで物理制約を受けたCNNフレームワークの開発と評価です。提案モデルはラプラシアンベースの物理正則化とベースラインCNNを統合し、適応熱拡散率を解釈可能な較正メカニズムとして検証し、ソース・項拡張定式化を評価し、不確実性マッピングのためにモンテカルロドロップアウトを適用します。この研究は、物理ベースの正則化がスナップショット熱記録データの予測一貫性を向上させるかどうか、また不確実性推定が結果の実用的な解釈性を高めるかどうかを明らかにすることを目的としています。

主な貢献は三つあります。第一に、ラプラシアン残差損失を用いた温度場予測のための拡散制約付きCNN;第二に、スナップショットベースの熱撮影条件下での学習可能な熱拡散率およびソース・ターム増強の実証的評価;第三に、モンテカルロドロップアウトを用いて高電圧機器監視における熱的に重要で不確実な領域を特定するピクセル単位の不確実性推定です。過去の文献によると、物理学知素ニューラルネットワーク(PINN)は支配偏微分方程式(PDE)を深層学習に統合し、熱モデルが保存則や材料物理学を尊重できるようにします^7,8。例えば、ソフトPDE残差損失を通じて境界条件と初期条件を強制することで温度場の効果的な近似が示されています。損失にラプラシアンまたは関連する微分演算子を組み込むことで、予測される熱場における物理的に一貫しない歪みを減らします。しかし、標準的なPINNは、溶液が急激な勾配を示す場合(例:熱源や材料界面の近くなど)、しばしば不安定になります。最近の改良では、高勾配領域を直接ターゲットにすることでこれに対応しています。例えば、勾配駆動型PINNは勾配ベースの損失項を取り入れ、鋭い熱的特徴をよりよく捉えます。まとめると、熱伝達用のPINNは伝導物理を埋め込むことでデータ効率の高いモデルを提供しますが、急激な温度変化に対応する場合には、個別化された損失設計(例えば勾配ペナルティ)が必要です。

赤外線サーモグラフィー(IRT)は、稼働中の電気機器の全フィールド熱データを提供し、非侵襲的な故障診断に最適です。畳み込みニューラルネットワーク(CNN)は、資産の健康状態監視のためにサーマル画像からパターンを抽出するために広く利用されています。例えば、Ullahらは事前学習済みCNN特徴(AlexNet)とランダムフォレスト分類器を組み合わせることで、故障した高電圧機器と健康機器を96%以上の精度で区別できることを示しました^。同様に、より深いネットワークを用いたトランスファーラーニング(例:VGG-16)は変電所のサーモグラムでほぼ完璧なホットスポット検出を達成し、≈99.98%の分類精度を達成しています。¹⁰。分類を超えて、現代の物体検出CNN(Faster R-CNN、YOLO、Mask R-CNNなど)は電力システム内の熱異常の局在化に適応されています。報告された正確性や平均精度はテストデータセットで90%を超えることが多いです。実際には、深いIRTモデルは専門家の解釈の必要性を大幅に減らし、加熱部品を自動的に特定し、保守作業の優先順位をつけることができます。それにもかかわらず、これまでの多くの作品は静止画像の分類やセグメンテーションに焦点を当てています。時間的または運用上の文脈との統合は、実際の検査における信頼性向上のための開かれた方向性として残っています。

ニューラルネットワークに物理学を埋め込むことで逆モデリングの道も開かれます。偏微分方程式パラメータ(熱拡散率や導電率など)は訓練可能な変数として扱い、データから推測できます。最近の熱PINNの研究では、パラメータ反転のためにこれを活用しています。例えば、結合ネットワークPINNアーキテクチャは、温度場の予測と未知の伝導パラメータ¹¹の回復を同時に行うために提案されています。2021年の研究では、PINNは一定または空間的に変化する熱伝導係数を高精度で反転させ、温度測定から材料特性を効果的に学習できることが示されました¹¹。関連するアプローチとして、WaseemとMielleは、前方熱方程式の解法と観測された熱グラフに基づく壁の熱伝導率最適化を交互に行う反復的なPINNフレームワーク^{を開発しました。}彼らの方法は、長時間の実験なしに異なる環境条件下での 現地 熱伝導率を成功裏に推定しました。同時に、ハイブリッドPINN方式は限られたセンサーデータと物理学の事前解析を組み合わせ、逆構合問題に取り組む。2026年の研究では、2次元過渡伝導用のハイブリッドPINNが導入され、まばらな温度測定から直交方性伝導テンソルと内部ガウス熱源を特定しました¹³。このフレームワークは異方性物質特性と発生源特性(位置、振幅、拡散)を同時に推定し、最小限の計測でも誤差を低く抑えます。これらの研究は、学習可能な偏微分方程式パラメータをPINNに組み込んだり、順方向・逆ネットワークを結合することで、赤外線やスパース熱データから潜在熱特性を回復できることを示しています。このようなハイブリッド逆モデルは、予測を物理パラメータに結びつけることで解釈可能性を提供し、エネルギーシステムにおける診断に不可欠ですが、堅牢な推論を確保するためにデータと物理の慎重なバランスが必要です。

モデルの不確実性を定量化することは、安全性に敏感な熱監視において極めて重要です。一般的な手法としてはモンテカルロ(MC)ドロップアウト法があり、これは推論時にドロップアウト層を適用し、複数の前方通過をサンプリングすることでベイズ推論を近似します。これによりピクセル単位の予測分散マップが生成され、モデルの信頼性が低い領域を効果的に強調します。例えば、MCドロップアウトを用いたベイズU-Netは、医療画像セグメンテーションにおける有益な不確実性推定を得ました。不確定なピクセルは対象の境界や非典型的な領域に存在しがちであり、それらをフィルタリングすることで全体の精度が向上しました¹⁴。熱画像モニタリングでも同様の挙動が観察されます。高い予測分散の領域はホットスポットや急激な熱勾配と重なり、注意が必要な領域を示します。したがって、MCドロップアウトをCNNベースの熱モデルに組み込むことで、リスク認識のある評価が可能になります。オペレーターは温度予測の不確実性オーバーレイを可視化し、手動検査や保守的な制御行動を曖昧^な領域に集中させることができます。全体として、モンテカルロドロップアウトおよび関連するベイズ手法はCNNモデルにおける不確実性推定の標準的なツールとなり、データやモデル知識が不十分な箇所を明らかにすることで堅牢性と解釈性を向上させています¹⁴。

プロトコル

このセクションでは、赤外線サーモグラフィー画像を用いた熱状態評価のための物理制約に基づく深層学習パイプライン全体について説明します。このフレームワークは、(i) 温度場抽出、(ii) ベースラインCNN回帰、(iii) 拡散に基づく物理正則化、(iv) 適応パラメータ学習、(v) 不確実性定量化を統合しています。本研究で使用されるすべての道具は 材料表に記載されています。

熱画像取得および温度場の構築
高電圧電力機器の赤外線(IR)画像は、校正されたサーモグラフィーカメラを用いて取得されました。各画像は、カメラ放射計較正パラメータを用いてピクセル強度を物理温度値(°C)にマッピングすることで、空間温度マトリックスT(x, y)∈R^H×Wに変換されました。図1A–Cは温度可視化を示しています。元の赤外線画像は物理的に意味のある温度マップに変換されます。ヒストグラムは50〜90°Cの間の濃度で歪んだ温度分布を示しています。 局所的な高温ゾーン(ホットスポット)がはっきりと見えます。図2は温度場の3次元熱表面標高表現を示しています。3次元地表標高図はホットスポット周辺の急勾配を示しています。気温のピークは~120°Cに近づきます。 熱場は空間的に滑らかですが、通電導体や接続接合部の近くを除きます。これらの特性により、拡散に基づく正則化項が用いられ、局所的な高勾配現象を保持しつつ物理的な滑らかさを強制することが正当化されます。

図1:温度可視化。 (A) 検査対象の高電圧機器の赤外線(IR)熱画像で、観測された熱パターンを示す。(B) 熱画像から抽出された温度マップで、表面温度の空間分布と関連する熱勾配を示しています。(C) 抽出された温度場内での温度値の頻度分布を示す温度分布ヒストグラム。 この図は、熱画像を定量的な温度表現に変換する方法を示し、その後のモデル開発および解析に用いられる基礎となる温度分布をまとめています。略語;IR = 赤外線。 この図の拡大版はこちらをクリックしてご覧ください。

図2:温度場の3次元熱表面標高表現。 地表の標高が温度の大きさに対応し、局所的な熱ホットスポットを強調する温度分布の三次元可視化。 この図の拡大版はこちらをクリックしてご覧ください。

問題の定式化

とします

 

はRGB赤外線熱画像を表し、 H と W は空間次元を表し、 C = 3は虹色熱パレットに関連するカラーチャネルに対応します。赤外線画像は熱情報を視覚的に表現しますが、表示色はパレットマッピング、スケーリング、補間、イメージング条件に依存するため、直接的な数値温度マトリックスではありません。

とします

 

は、放射学校正および赤外線イメージングシステムからの温度抽出によって得られる対応する地上温度場を表します。

学習目的はマッピングを近似することです

ここで θ はCNNの可調配パラメータを表し、 T̂ は予測温度場を表します。この教師ありマッピングの目的は、単に直接的な放射変換を再現することではなく、レンダリングされた熱画像から空間的に一貫した温度回帰モデルを学習することにあります。直接的なピクセル単位の色から温度への抽出とは異なり、CNNは隣接領域の文脈熱構造を活用し、ノイズ感度を低減し、ホットスポット特性を保持し、拡散制約の下でより滑らかな物理的に妥当な温度場を生成することができます。基準目的関数は、予測温度場と較正された温度場間のピクセルごとの回帰誤差を最小化します。

ここで T_ij と T̂_ij は、それぞれピクセル位置(i, j)における地上温度と予測温度を表します。したがって、このフレームワークは直接放射性較正の代替ではなく、物理学的正則化された熱回帰モデルとして解釈されるべきです。

赤外線画像取得条件
赤外線熱画像は屋外変電所の運転条件下でFLIRサーマルイメージングカメラを用いて取得されました。データセットは、FLIR虹色パレットを用いて記録された空間解像度640×480ピクセルのRGBサーモグラフィー画像で構成されていました。各画像には、取得フレームに関連する温度範囲を示す熱スケールバーが埋め込まれていました。熱写真検査は、変圧器、ブッシング、絶縁体、コネクター、端子構造など複数の高電圧機器カテゴリーを対象としました。画像は通常の運転条件下で撮影され、標準的な熱挙動と状態監視に関連する局所的なホットスポットパターンの両方が含まれていました。画像取得は、現場熱写真で通常用いられる実用的な検査の視点から行われました。カメラの向きや視点は、機器のアクセス性や変電所の配置によって異なりました。サーマル画像は目視でスクリーニングされ、ターゲット機器が明確に観察可能であり、ホットスポット領域が背景と区別されることが確認されました。データセットは機器カテゴリや熱状態に応じてラベル付きフォルダーに整理されました。モデル開発前は、画像をセグメント化し、温度場抽出とCNNトレーニングのために一貫した空間フォーマットにリサイズされました。サーモグラフィー画像には、ホットスポット検出、故障の特定、異常の位置特定、温度場予測など、コンピュータビジョンや深層学習の研究に適した熱分布が含まれています。本研究では、赤外画像から抽出された熱プロファイルを、物理制約に基づく温度推定および不確実性を認識した熱評価に用いています。

サーモグラフィーデータセットとデータ分割
本研究で使用されたデータセットは、高電圧変電所機器からFLIRサーマルイメージングシステム¹⁵を用いて取得した174枚の赤外線サーモグラフィー画像で構成されていました。データセットには、トランス、ブッシング、絶縁体、コネクター、高電圧端子構造など、実用的な屋外条件下で動作する複数の電力システム部品が含まれていました。各熱画像は赤外線カメラから提供される放射情報を使って空間温度場に変換されました。データセットには、通常の運転条件から高熱ストレスに関連する局所的なホットスポット領域まで、さまざまな熱変動が含まれています。データはトレーニング、検証、テストのサブセットに分けられ、それぞれ121、26、27の画像が生成されました。分割は画像レベルで行われました。なぜなら、データセットは異なる操作条件や視点で収集された独立にキャプチャされた熱写真シーンで構成されていたからです。データ漏洩リスクを減らし評価の公平性を高めるため、サブセット間でほぼ重複するフレームを避けるよう注意が払われました。すべての画像は訓練前に均一な空間解像度にリサイズされました。温度正規化は、条件評価に重要な相対熱勾配やホットスポット特性を保持しつつ最適化を安定化するために適用されました。

基本的なCNNアーキテクチャ
赤外線熱画像からの温度場予測時の空間分解能を保つため、完全畳み込みエンコーダ–デコーダ回帰アーキテクチャが採用されました。すべての入力赤外線画像は訓練前に256×256×3の均一解像度にリサイズされました。エンコーダセクションは、特徴量深度が徐々に増す4つの畳み込みブロックで構成されていました。各ブロックには3×3畳み込み層が含まれ、その後バッチ正規化とReLU活性化が行われました。空間的ダウンサンプリングは、局所的な熱構造やホットスポット情報をよりよく保存するために、最大プーリングではなくストライド畳み込みを用いて行われました。エンコーダーチャンネルの進行は以下の通りです:

32 → 64 → 128 → 256

デコーダセクションは、逆の特徴進行によるアップサンプリングのために転置畳み込み層を用いて空間温度場を再構築しました。

256 → 128 → 64 → 32

各デコーダブロックも同様に転置畳み込み、バッチ正規化、ReLU活性化を用いていました。最終的な1×1畳み込み層で予測された単一チャネル温度マップが生成されました。
T̂ ∈^{R 256×256}

したがって、ネットワークは赤外線入力画像に対応する全分解能の空間温度場を出力します。不確実性定量化を支援するため、確率 p = 0.2のドロップアウト層をボトルネックおよびデコーダ段階の近くに挿入しました。推論中はドロップアウトが有効であり、予測不確実性推定のためのモンテカルロサンプリングが可能となりました。すべての畳み込み重みはHe-normal初期化で初期化され、バイアス項はゼロに初期化されました。モデルはAdam optimを使って訓練され、初期学習率は1 × 10^⁻³、バッチサイズは8、重み減衰は1 × 10^⁻⁻⁻でした。RMSEの検証に基づく余弦学習率減衰と早期停止を用いて、100エポックのトレーニングが実施されました。

基準目的関数は次のように定義されます:

     

ここで L_データは 、予測温度場と地上真実温度場の間のピクセル単位の平均二乗誤差を表します。
性能は R²、RMSE、MAEを用いて評価されました。

ベースラインCNNは全体の熱構造とホットスポット分布を成功裏に捉えましたが、低勾配領域で非物理的なアーティファクトや鋭い熱境界付近でのわずかな過剰平滑化を時折生じさせました。これらの制約が、後のモデル定式化における拡散ベースの物理正則化の導入を促しました。

拡散による物理制約学習
熱方程式の支配
予測温度場の熱的一貫性を強制するために、拡散に基づく物理学の事前処理が熱方程式に組み込まれました。準定常条件下では、表面温度はほぼ次の条件を満たします。

   

ここで T は温度、 α は熱拡散率、 S は局所的な熱発生を表します。利用可能な熱波試料は単一検査スナップショットであり、時間分解されたシーケンスではないため、時間的微分は直接評価できません。したがって、モデルは局所準定常伝導を仮定し、

     

加熱が活発な領域から離れています。

2次元ラプラシアンは標準的な有限差分ステンシルを用いて離散化されました:
      

物理残差は予測温度マップ上で次のように計算されました。

     

画像境界の曖昧さを避けるため、ラプラシアン残差は有効な内部ピクセルのみで評価され、ステンシルで求められるすべての隣接値が利用可能です。ホットスポット領域には明示的なマスキングは適用されませんでした。物理学用語の目的は熱的に活性化されたゾーンを抑制するのではなく、空間場全体の正則化を目的としていたからです。したがって、ホットスポット構造はデータ項を通じて学習され、一方でラプラシアン・ペナルティは予測されたマップ全体で拡散一貫した滑らかさを促進しました。

最終的な目的関数はデータ損失と物理損失を組み合わせたもので、

     

ここで λ_Phys は物理正則化の強さを制御します。アブレーション研究では、 λ_phys ∈ {0, 10⁻⁴, 10⁻³, 10⁻², 10⁻¹} を調査し、物理的制約強度の増加の影響を評価しました。中程度の値は一般化を改善しましたが、過度に強い重み付けは鋭いホットスポット勾配を滑らかにしがちでした。この挙動は、物理的に滑らかな領域と局所的な高温濃度が共存する赤外線画像で観察される熱構造と一致しています。

本研究で用いられた定常状態拡散定式は、高電圧機器におけるホットスポット形成を支配する完全な熱伝達メカニズムを表現することを意図したものではないことを強調すべきです。実際には、局所的な過熱はジュール加熱、接触抵抗、断熱劣化などの内部熱発生過程から生じます。利用可能なデータセットは時間情報やソース測定を含まないスナップショットサーモグラフィー画像で構成されているため、拡散制約は物理学に基づく空間正則化の項として用いられています。その役割は、局所的に滑らかで物理的に妥当な温度場を促進しつつ、データからホットスポットの特性を学習できるようにすることです。したがって、拡散事前は基礎となる熱物理学の包括的なモデルではなく、空間的な滑らかさの制約として解釈されるべきです。

学習可能な熱拡散率とソース・ターム増強
物理的解釈可能性を高めるために、有効熱拡散率は訓練可能なスカラーパラメータとして扱われました。 T̂(x, y) を予測温度場、 α > 0 を学習可能な熱拡散率とします。正の性を強制するために、 α は制約のない変数 β によってパラメータ化されました。

   

この定式化では、物理学の事前処理は有効残留強制場 R(x, y)を用いて表され、ここで R(x, y)はモデル化されていない加熱効果によって誘導される純粋拡散からの局所的な逸脱を表します。適応拡散関係は次のように表されます

     

ここで、^∇2T̂(x, y) は予測温度場のラプラシアンであり、 R(x, y) は熱記録データから暗黙的に推定される有効残差源項である。利用可能なサンプルは時間分解熱シーケンスではなくスナップショット画像であるため、 R(x, y)は別に監督されず、最適化中の潜在物理量としてのみ機能します。対応する物理損失は次のように定義されました。

   

ソース・ターム拡張実験では、空間ソースマップ Ŝ(x, y)を推定するために補助CNNヘッドが追加されました。この場合、 Ŝ(x, y) は予測される局所熱発生場を表し、支配関係は次のようになります

   

ソースヘッドはエンコーダのボトルネックに接続され、共有の潜在特徴を単一チャネル出力マップ Ŝ(x, y)にマッピングする小さな畳み込み分岐で構成されていました。グラウンドトゥルースのソースラベルは存在せず、したがって、 Ŝ(x, y) は共同目的語を通じてのみ学習されました

   

ここで L_データは 温度回帰損失、 λ_phys は拡散制約を制御し、 λ_s は高強度の自明な源頭マップを抑制するためにソース予測を正則化します。ここで検討したスナップショットベースの設定では、ソース用語の定式化は不確定のままで、予測精度の向上には寄与しませんでした。

不確実性定量化のためのモンテカルロのドロップアウト
予測温度場における認識的不確実性を推定するために、推論時にモンテカルロドロップアウトを適用しました。ドロップアウト層は0.2のレートで、ボトルネックブロックの後、CNNのデコーダ段階内に配置されました。試験中はこれらのドロップアウト層を活性化したまま、赤外線画像ごとに30回の確率的前方通過が行われました。 k回目の確率パスでは、予測温度場は次のように表されます。

   

ここで X は入力赤外線画像、 θ_k はドロップアウトによって誘導されるサンプリングされたネットワークパラメータを表します。予測平均は次のように計算されました。

   

ピクセルごとの予測分散は次のように得られた。

   

ここでK = 30。得られた分散マップは、予測信頼度が低い空間領域を特定するために用いられました。熱回帰には地にまつわる不確実性ラベルがないため、不確実性はキャリブレーションベースの指標ではなく、ピクセル単位の分散マップやホットスポットおよび背景領域で計算された要約統計を用いて評価されました。定量解析の結果、平均予測標準偏差は13.046°Cであり、ホットスポット領域は背景領域の12.743°Cに比べて15.934°Cと高い標準偏差を示しました。これは、ホットスポットエリア内で背景に比べて約25%の不確実性増加に相当します。これらの結果は、モデルが熱的に複雑な領域、特にホットスポット境界や急な温度勾配付近で不確実性が大きく現れることを示しており、これは熱表面の可視化で観察された構造と一致しています。ワークフローは図3および図4にまとめられており、CNNベースの処理パイプライン全体を示しています。

図3:ワークフロー。 提案された方法の概要には、熱画像取得、前処理、温度場抽出、CNNトレーニング、物理制約学習、不確実性定量化が含まれます。略語;CNN = 畳み込みニューラルネットワーク。 この図の拡大版はこちらをクリックしてご覧ください。

図4:CNNベースの処理パイプライン全体。 赤外線サーモグラフィー画像を空間温度場予測に変換する提案CNNフレームワークのアーキテクチャ。略語;CNN = 畳み込みニューラルネットワーク。 この図の拡大版はこちらをクリックしてご覧ください。

結果

このセクションでは、定量的指標と視覚的分析を用いて提案された物理制約付き深層学習フレームワークを評価します。結果は、拡散に基づく物理的制約と不確実性モデリングの統合が、予測精度や熱的解釈可能性にどのように影響するかを示しています。

モデル構成の性能比較
表1は 異なるモデル構成の性能比較を示しています。ベースラインCNNはRMSEが12.345°C(図5A)、^R2 値が0.4346(図5B)を記録し、純粋なデータ駆動型アプローチでも熱場の一般的な構造を捉えることができるものの、強い物理的一貫性に欠けていることを示しました。弱い物理正則化が導入されると(λ = 0.01)、性能がわずかに低下しました(RMSE = 12.445 °C)。これは、物理の重みが不足...

ディスカッション

本研究では、赤外線熱画像を用いた高電圧発電設備の熱状態評価に物理ベースの正則化と不確実性認識型ディープラーニングの統合を調査しました。結果は、CNNベースの温度予測に物理的事前分布を埋め込むことで、純粋なデータ駆動型アプローチに比べて学習した熱場の堅牢性と物理的一貫性を向上させることが示されています。最も重要な発見の一つは、拡散に基づく物理制約がモデル性能の形成に果たす役割です。ベースラインCNNは合理的な予測能力を達成し、畳み込みアーキテクチャが熱写真パターンの支配的な空間構造を学習できることを確認しました。しかし、予測された温度場は急勾配付近で局所的な不整合や不安定性を示すことがありました。ラプラシアン残差制約の導入により、空間的な滑らかさが向上し、物理的に不自然な揺らぎが減少しました。アブレーション解析はさらに、物理事前分析の有効性が重み係数 λ_physに強く依存していることを示しました。弱い正則化(λ = 0.01)は影響が最小限でしたが、より強い正則化(λ = 1)は物理的一貫性と予測...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
CUDA / cuDNN	NVIDIA	GPU acceleration for training	GTX 1080 Ti
赤外線熱画像カメラ	FLIR熱画像カメラ	高電圧機器の熱画像の取得	異なる時間帯と負荷条件で使用されるポータブルな専門家向けFLIRC5赤外線カメラ。
Jupyter Notebook / IDE	JupyterLab 4.2.0	実験の開発と分析	実装に使用
Matplotlib	Matplotlib Developers	予測、残差マップ、不確実性マップの視覚化	図やプロットに使用
NumPy	NumPy Developers	数値計算と配列操作	データの前処理とテンソルの処理
OpenCV	OpenCV Foundation	画像の読み込み、サイズ変更、基本的な前処理	熱画像の処理に使用
Python	Python Software Foundation	メインのプログラミング環境	すべての実験で使用したバージョン
PyTorch	PyTorch Foundation	CNNのトレーニング、物理学的に制約された学習、モンテカルロドロップアウト	回帰ネットワークの実装に使用
Scikit-learn	scikit-learn Developers	指標の計算と学習/検証/テスト評価	(R^2)、RMSE、MAEに使用
SciPy	SciPy Developers	数値ルーチンのサポート	前処理や分析で使用
熱画像データセット	社内のフィールド検査データセット	モデル開発のための174枚の赤外線画像のソース	ラベル付けされたフォルダに整理された画像
ワークステーション/GPUコンピューティングシステム	GTX 1080 Ti	モデルのトレーニングと推論	12 GBのRAM、GTX 1080 Ti、およびWindows 11 OS