Kızılötesi görüntüleme kullanarak yüksek voltajlı güç ekipmanlarının termal durum değerlendirmesi için açıklanabilir yapay zeka

Özet

Bu çalışma, yüksek voltajlı güç ekipmanlarının kızılötesi termografik değerlendirmesi için fizik kısıtlı bir CNN çerçevesi sunar; difüzyon tabanlı düzenleme ve Monte Carlo kesintisi ile fiziksel tutarlı sıcaklık tahmini ve belirsizlik duyarlı termal izleme için entegre edilir.

Özet

Kızılötesi termografi, anormal sıcaklık desenlerinin gelişen arızalar veya yalıtım bozulmalarını gösterebileceği yüksek voltajlı enerji ekipmanlarının temassız termal izlemesinde yaygın olarak kullanılır. Ancak, tamamen veri odaklı derin öğrenme modelleri, ısı transfer fiziğiyle tam tutarlı olmayan sıcaklık tahminleri üretebilir. Bu çalışma, termografik görüntülerden mekansal sıcaklık alanlarını tahmin etmek için fizik kısıtlı konvolüsyon sinir ağı (CNN) çerçevesini incelemektedir. Tahmin edilen termal alanlarda fiziksel tutarlılığı artırmak için ısı denkleminden türetilen difüzyon tabanlı bir Laplacian kalıntı kaybı dahil edilmiştir. Mevcut veri seti üzerinde yapılan deneysel değerlendirme, fizik kısıtlamalı modelin temel CNN'e kıyasla daha iyi performans sağladığını gösterdi; en iyi konfigürasyonda RMSE 12.013 °C ve CAP R-kare değeri 0.4646 olarak belirlendi; bu da orta düzeyde öngörücü yetenekliliği gösteriyor. Yorumlanabilirliği artırmak için öğrenilebilir bir termal difüzyötü parametresi de araştırıldı, ancak sabit parametre formülasyonunu geride bırakmadı. Ayrıca, kaynak terimi destekli bir model değerlendirildi, ancak anlık tabanlı termografik veriler için ek iyileştirme sağlamadı. Belirsizlik tahmini için Monte Carlo kopma uygulandı ve bu da sıcak nokta sınırları ve dik termal gradyanlara sahip bölgeler yakınında daha yüksek tahmin varyansı ortaya koydu. Genel olarak, bulgular fizik temelli düzenleme ve belirsizlik tahmininin termografik tahmin modellerinin fiziksel tutarlılığını ve yorumlanabilirliğini artırabileceğini göstermektedir; ancak sonuçlar mevcut veri seti ve doğrulama ayarlarıyla sınırlı kalır.

Giriş

Yüksek voltajlı enerji ekipmanlarının güvenli çalışması için güvenilir termal izleme gereklidir, çünkü anormal ısınma genellikle yalıtımın bozulmasının, gevşek bağlantıların veya yeni ortaya çıkan elektrik arızalarının erken bir göstergesidir. Kızılötesi termografi (IRT), rutin denetimler sırasında temassız, tam alan yüzey sıcaklığı ölçümleri sağladığı için bu bağlamda yaygın olarak kullanılır. Ancak, emisivite değişimi, ortam paraziti, sensör gürültüsü ve sınırlı etiketlenmiş veriler nedeniyle pratik termografik analiz^{hâlâ zordur.}

Derin öğrenme, termografik görüntülerden otomatik sıcak nokta algılamasını ve sıcaklık alanı tahminini geliştirmiştir, ancak tamamen veri odaklı modeller ısı transferi fiziğini açıkça uygulamaz. Sonuç olarak, tahmin edilen termal alanlar istatistiksel anlamda doğru olabilir ancak fiziksel olarak yalnızca zayıf şekilde kısıtlanmış olabilir. Güvenlik açısından kritik denetim görevlerinde, bu sınırlama model çıktılarına olan güveni azaltır ve bakım kararları için değerlerini^{zayıflatır 2}. Fizik temelli bir öncelik, öğrenmeyi termodinamik olarak tutarlı sıcaklık dağılımlarına yönlendirerek bu sorunu ele alabilir. Anlık kızılötesi verileri için, ısı denklemindeki zamansal terim mevcut değildir; bu nedenle, bir Laplacian kalıntısı, difüzyon benzeri uzamsal düzgünlüğü sağlamak için pratik bir düzenleyici olarak hizmet verir. Bu özellikle, sıcaklık alanları genellikle düzgün, ancak yerel sıcak nokta bölgelerinde hariç, yüksek voltajlı ekipmanlar için önemlidir.

Veri odaklı esnekliği mekanik tutarlılıkla uzlaştırmak için, fizik destekli öğrenme, kısmi diferansiyel denklemleri (PDE'ler) veya onların ayrık analoglarını eğitim hedeflerine entegre eder. Fizik bilgili sinir ağı (PINN) paradigması, PDE kalıntılarının veri kaybıyla birlikte cezalandırıldığı bir paradigma, diferansiyel operatörlerin yumuşak kısıtlamalar olarak dahil edilmesinin genellemeyi iyileştirdiğini ve gizli parametrelerin eşzamanlı ileri/ters çıkarımını mümkün kıldığını göstermiştir. Termal problem için kanonik model difüzyon (ısı) denklemidir,

burada T sıcaklık, α termal difüzyon, S ise hacim/kaynak terimdir; Bu operatörün (veya Laplacian tabanlı vekillerin) kalıntılarını uygulamak, öğrenilen sıcaklık alanlarında sahte, difüzyon olmayan yapıyı azaltır³. Belirsizlik tahmini operasyonel dağıtım için de önemlidir. Deterministik bir tahmin, modelin daha az güvenilir olduğu yerleri göstermez, özellikle sıcak nokta sınırları ve dik termal^{gradyanlar 4}. Monte Carlo dropout, epistemik belirsizliğin verimli bir yaklaşımını sağlar ve tahmin edilen termal alanların risk farkında yorumlanmasını destekleyen piksel bazında varyans^{haritaları oluşturabilir 5,6}.

Bu çalışmanın amacı, yüksek voltajlı güç ekipmanlarının kızılötesi görüntülerinden uzamsal sıcaklık tahmini için kompakt fizik kısıtlı bir CNN çerçevesi geliştirmek ve değerlendirmektir. Önerilen model, Laplacian tabanlı fizik düzenlemesini temel bir CNN ile entegre eder, uyarlanabilir termal difüzyötü yorumlanabilir bir kalibrasyon mekanizması olarak inceler, kaynak-terim artırılmış formülasyonunu değerlendirir ve belirsizlik haritalamasında Monte Carlo dropout'u uygular. Çalışma, fizik temelli düzenlemenin anlık görüntü termografik veriler için tahmin tutarlılığını iyileştirip iyileştirmediğini ve belirsizlik tahminlerinin sonuçların pratik yorumlanabilirliğini artırıp artırmadığını belirlemek için tasarlanmıştır.

Ana katkılar üçdür: birincisi, Laplacian kalıntı kaybı kullanarak sıcaklık alanı tahmini için difüzyon kısıtlı bir CNN; ikincisi, anlık görüntü tabanlı termografik koşullarda öğrenilebilir termal dağılım ve kaynak-terim artırımının ampirik değerlendirmesi; ve üçüncüsü, yüksek voltajlı ekipman izlemede termal olarak kritik ve daha az belirli bölgeleri belirlemek için Monte Carlo kesintisi kullanılarak piksel bazında belirsizlik tahmini. Önceki literatüre göre, Fizik bilgilendirilmiş sinir ağları (PINN'ler), yönetici kısmi diferansiyel denklemleri (PDE'ler) derin öğrenmeye entegre eder ve termal modellerin koruma yasalarına ve malzeme^{fiziğine saygı göstermesini sağlar 7,8}. Örneğin, çalışmalar, yumuşak PDE-kalıntı kayıplar yoluyla sınır ve başlangıç koşullarını uygulayarak sıcaklık alanlarının etkili bir yaklaşımını göstermektedir. Laplacian veya ilgili diferansiyel operatörlerin kayba gömülmesi, tahmin edilen termal alandaki sahte ve fiziksel olarak tutarsız dalgalanmaları azaltır. Ancak, standart PINN'ler genellikle keskin gradyanlar sergilediğinde (örneğin, ısı kaynakları veya malzeme arayüzlerinin yakınında) durur. Son geliştirmeler, yüksek gradyanlı bölgeleri doğrudan hedef alarak bu durumu ele alır; örneğin, Gradient Driven PINN'ler, keskin termal özellikleri daha iyi yakalamak için gradyan tabanlı kayıp terimleri içerir. Özetle, ısı transferi için PINN'ler, iletken fiziğini gömmekle veri verimli modelleme sunar, ancak keskin sıcaklık değişimleriyle uğraşırken özel kayıp tasarımları (örneğin, gradyan cezaları) gerektirir.

Kızılötesi termografi (IRT), çalışan elektrik ekipmanları için tam alan termal veri sağlar ve bu da onu invaziv olmayan arıza teşhisi için ideal hale getirir. Konvolüsyon sinir ağları (CNN'ler), varlık sağlığı izlemek için termal görüntülerden desen çıkarmak amacıyla yaygın olarak kullanılmıştır. Örneğin, Ullah ve ark. önceden eğitilmiş CNN özelliklerinin (AlexNet) rastgele bir orman sınıflandırıcıyla birleştiğinde, arızalı ve sağlıklı yüksek voltajlı ekipmanları %96'nın üzerinde doğrulukla ayırt edebildiğini^{göstermiştir9}. Benzer şekilde, daha derin ağlarla (örneğin VGG-16) aktarım öğrenmesi trafo termogramlarında neredeyse mükemmel sıcak nokta tespit sağlamış ve ≈%99,98 sınıflandırma^{doğruluğu 10} elde etmiştir. Sınıflandırmanın ötesinde, modern nesne algılama CNN'leri (Faster R-CNN, YOLO, Mask R-CNN vb.) enerji sistemlerinde termal anomalileri lokalize etmek için uyarlanmıştır; Test veri setlerinde bildirilen doğruluk ve ortalama hassasiyet genellikle %90'ı aşmaktadır. Pratikte, derin IRT modelleri uzman yorumlama ihtiyacını önemli ölçüde azaltır: ısıtılan bileşenleri otomatik olarak tespit edebilir ve bakım işlemlerini önceliklendirebilirler. Buna rağmen, bugüne kadarki çoğu çalışma statik görüntü sınıflandırması veya segmentasyonuna odaklanmaktadır; Zamansal veya operasyonel bağlamla entegrasyon, gerçek dünya denetimlerinde güvenilirliği artırmak için açık bir yön olmaya devam etmektedir.

Fiziği sinir ağlarına gömmek, ters modellemenin kapısını da açar: PDE parametreleri (termal difüzyon veya iletkenlik gibi) eğitilebilir değişkenler olarak ele alınabilir ve verilerden çıkarılabilir. Son dönemde yapılan termal PINN'ler çalışmaları bunu parametre tersleme için kullanmaktadır. Örneğin, eşleştirilmiş ağ PINN mimarileri aynı anda sıcaklık alanlarını tahmin etmek ve bilinmeyen ilgeçim parametrelerini geri kazanmak için^{önerilmiştir 11}. 2021 yılında yapılan bir çalışma, PINN'lerin sabit veya mekansal olarak değişen ısı iletimleme katsayılarını yüksek doğrulukla tersine çevirebildiğini göstererek malzeme özelliklerini sıcaklık ölçümlerinden etkili şekilde^{öğrenebildiğini göstermiştir 11}. İlgili bir yaklaşımda, Waseem ve Mielle, gözlemlenen termograflara dayanarak ileri ısı denklemini çözmek ile duvarın termal iletkenliğini optimize etmek arasında dönüşümlü bir yineleme PINN^{çerçevesi geliştirmiştir 12}. Yöntemleri, uzun süren deneyler olmadan değişen çevresel koşullarda yerinde sıcak iletkenliği başarıyla tahmin etti. Aynı zamanda, hibrit PINN şemaları, sınırlı sensör verilerini ve fizik önceliklerini birleştirerek kötü konumlanmış ters problemleri çözer. 2026 yılında yapılan bir çalışma, ortotropik iletkenlik tensörü ve iç Gauss ısı kaynaklarını seyrek sıcaklık ölçümlerinden tanımlayan 2D geçici iletkenlik için hibrit bir PINN^{tanıtmıştır 13}. Bu çerçeve, anizotropik malzeme özelliklerini ve kaynak özelliklerini (konum, genlik, yayılım) aynı anda tahmin eder ve minimum enstrümantasyon ile bile düşük hata sağlar. Bu çalışmalar, PINN'lere öğrenilebilir PDE parametrelerinin entegre edilmesinin veya ileri/ters ağların bağlanmasının kızılötesi veya seyrek termal verilerden gizli termal özelliklerin geri kazanılmasını sağladığını göstermektedir. Bu tür hibrit ters modeller, tahminleri fiziksel parametrelerle bağlayarak yorumlanabilirlik sunar ve enerji sistemlerinde tanı için hayati öneme sahiptir, ancak sağlam çıkarım sağlamak için veri ve fiziğin dikkatli dengelenmesini gerektirirler.

Model belirsizliğini nicelendirmek, güvenliğe duyarlı termal izlemede kritik öneme sahiptir. Popüler bir yaklaşım, Bayes çıkarımını yaklaşık olarak çıkarma katmanları uygulayarak ve birden fazla ileri geçiş örneği alarak Monte Carlo (MC) çıkarımıdır. Bu, modelin daha az güvendiği bölgeleri etkili şekilde vurgulayan piksel bazında öngörücü varyans haritaları sağlar. Örneğin, MC bırakma kullanan bir Bayes U-Net, tıbbi görüntü segmentasyonunda bilgilendirici belirsizlik tahminleri üretmiştir: belirsiz pikseller genellikle nesne sınırlarında veya atipik bölgelerde bulunur ve filtrelemek genel doğruluğu artırır¹⁴. Termografik izlemede benzer davranışlar gözlemlenir: yüksek tahminci varyanslı bölgeler genellikle sıcak noktalar veya keskin termal gradyanlarla örtüşür, bu da dikkatli olması gereken bölgeleri işaret eder. Bu nedenle, CNN tabanlı termal modellere MC kesintisi dahil etmek, risk farkında değerlendirmeler mümkün kılıyor: operatörler sıcaklık tahminlerinde belirsizlik katmanlarını görselleştirebilir, manuel denetim veya muhafazakar kontrol eylemlerini belirsiz alanlarda^{yönlendirebilir 14}. Genel olarak, Monte Carlo terk (Monte Carlo terk edilme) ve ilgili Bayes teknikleri, CNN modellerinde belirsizlik tahmini için standart araçlar haline gelmiş, veri veya model bilgisinin yetersiz olduğu yerleri ortaya koyarak sağlamlığı ve yorumlanabilirliği^{artırmıştır 14}.

Protokol

Bu bölüm, kızılötesi termografik görüntüler kullanılarak termal durum değerlendirmesi için fizik kısıtlı derin öğrenme sürecinin tamamını açıklar. Çerçeve, (i) sıcaklık alanı çıkarımını, (ii) temel CNN regresyonunu, (iii) difüzyon tabanlı fizik düzenlemesini, (iv) uyarlanabilir parametre öğrenmesini ve (v) belirsizlik nicelenmesini entegre eder. Bu çalışmada kullanılan tüm araçlar Materyaller Tablosu'nda açıklanmıştır.

Termal görüntü alımı ve sıcaklık alanı inşası
Yüksek voltajlı güç ekipmanlarının kızılötesi (IR) görüntüleri, kalibre edilmiş termografik kamera kullanılarak alındı. Her görüntü, kamera radyometrik kalibrasyon parametreleri kullanılarak piksel yoğunluklarının fiziksel sıcaklık değerlerine (°C) eşlenmesiyle T(x, y) ∈ R^H×W mekansal sıcaklık matrisine dönüştürüldü. Şekil 1A–C sıcaklık görselleştirmesini gösterir. Orijinal IR görüntüsü, fiziksel olarak anlamlı bir sıcaklık haritasına dönüştürülür. Histogram, 50–90 °C arasında konsantrasyon olan eğik bir sıcaklık dağılımı göstermektedir. Yerel yüksek sıcaklık bölgeleri (sıcak noktalar) açıkça görülebilir. Şekil 2 , sıcaklık alanının 3D termal yüzey yükseltme temsilini göstermektedir. 3D yüzey yüksekliği grafiki, sıcak nokta bölgeleri etrafında dik gradyanlar gösteriyor. Sıcaklık zirveleri ~120 °C'ye yaklaşır. Termal alan mekansal olarak düzgündür, ancak enerjili iletkenler ve bağlantı bağlantılarının yakınında yer alır. Bu özellikler, fiziksel düzgünlüğü sağlamak için difüzyon tabanlı düzenleme teriminin kullanılmasını haklı çıkarır; ancak yerel yüksek gradyan fenomenleri korur.

Şekil 1: Sıcaklık görselleştirme. (A) Gözlemlenen termal deseni gösteren incelenen yüksek voltajlı ekipmanın orijinal kızılötesi (IR) termografik görüntüsü. (B) Yüzey sıcaklıklarının mekânsal dağılımını ve ilgili termal gradyanları gösteren termografik görüntüden elde edilen sıcaklık haritası. (C) Çıkarılan sıcaklık alanı içindeki sıcaklık değerlerinin frekans dağılımını gösteren sıcaklık dağılımı histogramı. Bu şekil, bir termografik görüntünün nicel bir sıcaklık temsiline dönüştürülmesini gösterir ve sonraki model geliştirme ve analizinde kullanılan temel sıcaklık dağılımını özetler. Kısaltmalar; IR = kızılötesi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 2: Sıcaklık alanının 3D termal yüzey yükseltme temsili. Yüzey yüksekliğinin sıcaklık büyüklüğüne karşılık geldiği ve yerel termal sıcak noktaları vurguladığı sıcaklık dağılımının üç boyutlu görselleştirilmesi. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Problem formülasyonu

Bırakalım

 

RGB kızılötesi termografik görüntünü gösterir; burada H ve W mekânsal boyutları temsil eder ve C = 3 gökkuşağı termal paletine eşdeğer renk kanallarına karşılık gelir. Kızılötesi görüntü görsel olarak termal bilgiyi temsil etse de, doğrudan sayısal bir sıcaklık matrisi değildir çünkü gösterilen renkler palet eşleme, ölçeklendirme, enterpolasyon ve görüntüleme koşullarına bağlıdır.

Bırakalım

 

kızılötesi görüntüleme sisteminden radyometrik kalibrasyon ve sıcaklık çıkarımı yoluyla elde edilen karşılık gelen yer-gerçeklik sıcaklık alanını belirtir.

Öğrenme amacı, eşlemeyi yaklaşık olarak gerçekleştirmektir

burada θ , CNN'in yönlendirilebilir parametrelerini, T̂ ise tahmin edilen sıcaklık alanını temsil eder. Bu denetli haritalamanın amacı sadece doğrudan radyometrik dönüşümü yeniden üretmek değil, aynı zamanda render edilmiş termografik görüntülerden mekansal olarak tutarlı bir sıcaklık regresyon modeli öğrenmektir. Doğrudan piksel bazında renk-sıcaklık çıkarımın aksine, CNN komşu bölgelerde bağlamsal termal yapıyı kullanabilir, gürültü duyarlılığını azaltabilir, sıcak nokta özelliklerini koruyabilir ve uygulanan difüzyon kısıtlamaları altında daha akıcı fiziksel olarak makul sıcaklık alanları üretebilir. Temel hedef fonksiyonu, tahmin edilen ve kalibre edilmiş sıcaklık alanları arasındaki piksel bazında regresyon hatasını en aza indirir:

burada T_ij ve T̂_ij , piksel konumunda (i, j) yer gerçeği ve tahmin edilen sıcaklıkları gösterir. Buna göre, çerçeve doğrudan radyometrik kalibrasyonun yerine fizik düzenli termografik regresyon modeli olarak yorumlanmalıdır.

Kızılötesi görüntü alma koşulları
Kızılötesi termografik görüntüler, açık hava trafo istasyonu çalışma koşullarında FLIR termal görüntüleme kamerası kullanılarak alındı. Veri seti, FLIR gökkuşağı renk paleti kullanılarak kaydedilmiş 640 × 480 piksel uzamsal çözünürlüğe sahip RGB termografik görüntülerden oluşuyordu. Her görüntü, alım çerçevesiyle ilişkili sıcaklık aralığını gösteren gömülü bir termal ölçek çubuğu içeriyordu. Termografik inceleme, transformatörler, burçlar, yalıtmacılar, konnektörler ve terminal yapıları dahil olmak üzere birçok yüksek gerilim ekipman kategorisini kapsadı. Görüntüler, hem standart termal davranışı hem de durum izleme uygulamalarıyla ilgili yerel sıcak nokta desenlerini içeren normal çalışma koşullarında çekildi. Görüntü alımı, genellikle saha termografisinde kullanılan pratik inceleme bakış açılarından gerçekleştirildi. Kamera yönü ve izleme açısı, ekipman erişilebilirliği ve trafo istasyon düzenine bağlı olarak değişiyordu. Termal görüntüler, hedef ekipmanının net bir şekilde gözlemlenebilir kalması ve sıcak nokta bölgelerinin arka plandan ayırt edilmesi için görsel olarak tarandı. Veri seti, ekipman kategorisi ve termal duruma göre etiketlenmiş klasörler halinde düzenlendi. Model geliştirmeden önce, görüntüler segmentlere ayrılmış ve sıcaklık alanı çıkarımı ile CNN eğitimi için tutarlı bir mekansal formata dönüştürülmüştür. Termografik görüntüler, sıcak nokta tespiti, hata tanımlama, anomalinin yerini belirleme ve sıcaklık alanı tahminini içeren bilgisayar görüşü ve derin öğrenme çalışmaları için uygun termal dağılımlar içerir. Mevcut çalışmada, kızılötesi görüntülerden çıkarılan termal profiller, fizik kısıtlı sıcaklık tahmini ve belirsizlik farkında termal değerlendirme için kullanılmıştır.

Termografik veri seti ve veri bölümleme
Bu çalışmada kullanılan veri seti, FLIR termal görüntüleme sistemi kullanılarak yüksek voltajlı trafo merkezi ekipmanlarından alınan 174 kızılötesi termografik görüntüden^{oluşuyordu 15}. Veri seti, pratik dış koşullarda çalışan transformatörler, burçlar, yalıtmacılar, konnektörler ve yüksek voltajlı terminal yapıları dahil olmak üzere çeşitli güç sistemi bileşenlerini içeriyordu. Her termografik görüntü, kızılötesi kameranın sağladığı radyometrik bilgilerle mekansal sıcaklık alanına dönüştürüldü. Veri seti, normal çalışma koşullarından yüksek termal stresle ilişkili yerel sıcak nokta bölgelerine kadar uzanan termal değişimler içerir. Veriler, eğitim, doğrulama ve test alt kümelerine bölündü; 70:15:15 bölünmesi ile sırasıyla 121, 26 ve 27 görüntü elde edildi. Bölünme, veri setinin farklı çalışma koşulları ve bakış açıları altında toplanmış bağımsız olarak yakalanan termografik sahnelerden oluşması nedeniyle görüntü düzeyinde gerçekleştirildi. Veri sızıntısı riskini azaltmak ve değerlendirme adaletini artırmak için alt kümeler arasında neredeyse tekrarlanan çerçevelerden kaçınmaya özen gösterildi. Tüm görüntüler eğitimden önce tekiz bir mekansal çözünürlüğe dönüştürüldü. Sıcaklık normalizasyonu, koşul değerlendirmesi için önemli olan göreceli termal gradyanları ve sıcak nokta özelliklerini korurken optimizasyonu stabilize etmek amacıyla uygulanmıştır.

Temel CNN mimarisi
Kızılötesi termografik görüntülerden sıcaklık alanı tahmini sırasında mekânsal çözünürlüğü korumak için tam konvolüsyon kodlayıcı–kodlayıcı regresyon mimarisi benimsenmiştir. Tüm giriş kızılötesi görüntüler eğitimden önce 256 × 256 × 3 arasında eşit bir çözünürlükle yeniden boyutlandırıldı. Kodlayıcı bölümü, özellik derinliği giderek artan dört konvolüsyon bloktan oluşuyordu. Her blok, 3 × 3 konvolüsyon katmanı içerir, ardından toplu normalizasyon ve ReLU aktivasyonu gelirdi. Mekansal aşağı örnekleme, yerel termal yapıları ve hotspot bilgilerini daha iyi korumak için maksimum havuzlama yerine çizgili konvolüsyonlar kullanılarak gerçekleştirildi. Kodlayıcı kanal ilerlemesi şuydu:

32 → 64 → 128 → 256

Kod çözücü bölümü, ters özellik ilerlemesi ile yukarı sümpsiyon için transpozize konvolüsyon katmanları kullanarak mekansal sıcaklık alanını yeniden inşa etti:

256 → 128 → 64 → 32

Her dekoder bloğu benzer şekilde transpozize edilmiş konvolüsyon, parti normalizasyonu ve ReLU aktivasyonu kullandı. Son 1 × 1 konvolüsyon katmanı, tahmin edilen tek kanallı sıcaklık haritasını oluşturdu:
T̂ ∈ R^256×256

Bu nedenle ağ, kızılötesi giriş görüntüsüne karşılık gelen tam çözünürlüklü bir uzaysal sıcaklık alanı üretir. Belirsizlik niceliğini desteklemek için, p = 0.2 olasılıklı dropout katmanları darboğaz ve dekoder aşamalarına yerleştirildi. Çıkarım sırasında, kesinti aktif kaldı; bu da öngörücü belirsizlik tahmini için Monte Carlo örneklemesini mümkün kılmıştır. Tüm konvolüsyon ağırlıklar He-normal başlangıldama kullanılarak başlangıllaştırılırken, önyargı terimleri sıfıra başlatılır. Model, Adam optimizatörü kullanılarak 1 × 10⁻³ öğrenme oranı, parti büyüklüğü 8 ve ağırlık düşüşü 1 × 10⁻⁵ ile eğitilmiştir. Eğitim, RMSE doğrulamasına dayalı olarak kosinüs öğrenme hızı azalması ve erken durma kullanılarak 100 dönem boyunca gerçekleştirildi.

Temel hedef fonksiyonu şu şekilde tanımlanır:

     

burada L_verisi , tahmin edilen ve gerçek sıcaklık alanları arasındaki piksel ortalama kare hatasını gösterir.
Performans şu yöntemlerle değerlendirildi: R², RMSE ve MAE.

Temel CNN genel termal yapıyı ve sıcak nokta dağılımını başarıyla yakalamış olsa da, zaman zaman düşük gradyanlı bölgelerde fiziksel olmayan artefaktlar ve keskin termal sınırlar yakınında hafif aşırı düzleşme üretmiştir. Bu sınırlamalar, sonraki model formülasyonunda difüzyon tabanlı fizik düzenlemesinin getirilmesini teşvik etti.

Fizik kısıtlı öğrenme difüzyon yoluyla
Yönetici ısı denklemi
Tahmin edilen sıcaklık alanında termal tutarlılığı sağlamak için, ısı denklemine difüzyon tabanlı bir fizik öncesi dahil edilmiştir. Yarı-sabit koşullarda, yüzey sıcaklığı yaklaşık olarak yetiştirir

   

burada T sıcaklığı gösterir, α termal difüzyonet, S ise yerel ısı oluşumunu temsil eder. Mevcut termografik örnekler, zaman çözünçüsüyle belirlenmiş diziler yerine tek denetim anlık görüntüleri olduğundan, zamansal türev doğrudan değerlendirilemez. Buna göre, model yerel yarı-sabit iletkenliği varsayır ve zorunlu kılar

     

aktif ısıtma bölgelerinden uzakta.

2D Laplacian, standart sonlu fark şablonu kullanılarak ayrıştırıldı:
      

Fizik kalıntısı daha sonra tahmin edilen sıcaklık haritası üzerinden şu şekilde hesaplandı

     

Görüntü sınırlarında belirsizlik önlemek için, Laplacian kalıntısı yalnızca geçerli iç piksellerde değerlendirildi; burada şablon tarafından gerekli tüm komşu değerler mevcuttur. Sıcak nokta bölgelerine açıkça maskeleme uygulanmadı, çünkü fizik teriminin amacı, termal olarak aktif bölgeleri bastırmak yerine tam uzaysal alanı düzenlemekti. Bu nedenle hotspot yapısı veri terimi aracılığıyla öğrenilirken, Laplacian cezası tahmin edilen harita boyunca yayılma tutarlı düzgünlüğü teşvik etti.

Son hedef fonksiyonu, veri kaybı ile fizik kaybını şu şekilde birleştirdi

     

burada λ_phys , fizik düzenlemenin gücünü kontrol eder. Ablasyon çalışmasında, fiziksel kısıtlama kuvvetinin artmasının etkisini değerlendirmek için λ_phys ∈ {0, 10⁻⁴, 10⁻³, 10⁻², 10⁻¹} incelendi. Orta dereceli veriler genellemeyi iyileştirirken, aşırı güçlü ağırlıklandırma keskin sıcak nokta gradyanlarını aşırı yumuşatıyordu. Bu davranış, fiziksel olarak düzgün bölgelerin lokal yüksek sıcaklık konsantrasyonlarıyla birlikte bulunduğu kızılötesi görüntülerde gözlemlenen termal yapılarla tutarlıdır.

Bu çalışmada kullanılan sabit durum difüzyon formülasyonunun, yüksek voltajlı ekipmanlarda sıcak nokta oluşumunu yöneten tam ısı transfer mekanizmasını temsil etmeyi amaçlamadığı vurgulanmalıdır. Pratikte, yerel aşırı ısınma, Joule ısıtması, temas direnci ve yalıtım bozulması gibi iç ısı üretim süreçlerinden kaynaklanır. Mevcut veri seti, zamansal bilgi veya kaynak ölçümleri olmayan anlık termografik görüntülerden oluştuğu için, difüzyon kısıtlaması fizikten esinlenen bir mekânsal düzenleme terimi olarak kullanılır. Rolü, yerel olarak pürüzsüz, fiziksel olarak makul sıcaklık alanlarını teşvik ederken hotspot özelliklerinin verilerden öğrenilmesine olanak sağlamaktır. Bu nedenle, önceki difüzyon öncesi, temel termal fiziğin kapsamlı bir modeli yerine uzamsal düzgünlük kısıtlaması olarak yorumlanmalıdır.

Öğrenilebilir termal dağılım ve kaynak-terim artırımı
Fiziksel yorumlanabilirliği artırmak için, etkili termal difüzyonite, eğitilebilir bir skaler parametre olarak ele alınmıştır. T̂(x, y) tahmin edilen sıcaklık alanını, α > 0 ise öğrenilebilir termal difüzyofeti belirtsin. Pozitifliği sağlamak için α, kısıtlamamış bir değişken ile parametre yapıldı β

   

Bu formülasyonda, fizik öncesi, R(x, y) etkin kalıntı zorlama alanı R(x, y) olarak yazılmıştır; burada R(x, y), modellenmemiş ısınma etkileriyle indüklenen saf difüzyondan yerel sapmayı temsil eder. Bu nedenle uyarlanabilir-dağılış ilişkisi şu şekilde ifade edilir:

     

Burada, ∇²T̂(x, y) tahmin edilen sıcaklık alanının Laplasienidir ve R(x, y) termografik verilerden örtük olarak çıkarılan etkili kalıntı kaynak terimidir. Mevcut örnekler zamanla çözülen termal diziler yerine anlık görüntüler olduğundan, R(x, y) ayrı olarak denetlenmez ve optimizasyon sırasında yalnızca gizli bir fizik büyüklüğü olarak hizmet eder. İlgili fizik kaybı şu şekilde tanımlanmıştır

   

Kaynak terimi artırılmış deney için, uzamsal kaynak haritası Ŝ(x, y)'yi tahmin etmek için yardımcı bir CNN başlığı eklenmiştir. Bu durumda, Ŝ(x, y) öngörülen yerel ısı üretim alanını temsil eder ve yönetici ilişki şöyle olur

   

Kaynak başlık, kodlayıcı darboğazına bağlanmıştı ve ortak gizli özellikleri tek kanallı çıkış haritası Ŝ(x, y)'ye eşleyen küçük bir konvolüsyon daldan oluşuyordu. Gerçek kaynak etiketleri mevcut değildi; bu nedenle, Ŝ(x, y) yalnızca ortak hedef aracılığıyla öğrenildi

   

burada L_veri sıcaklık regresyon kaybıdır, λ_phys difüzyon kısıtlamasını kontrol eder ve λ_s kaynak tahminini düzenleyerek önemsiz yüksek büyüklüklü kaynak haritalarını caydırır. Burada ele alınan anlık tabanlı ortamda, kaynak-terim formülasyonu yeterince belirlenmemiş ve tahmin doğruluğunu artırmamıştır.

Monte Carlo terk edilme belirsizlik niceliği için
Tahmin edilen sıcaklık alanında epistemik belirsizliği tahmin etmek için, çıkarım sırasında Monte Carlo dropout uygulanmıştır. 0.2 oranına sahip dropout katmanları, darboğaz bloğundan sonra ve CNN'in kod çözücü aşamalarına yerleştirildi. Test sırasında bu dropout katmanları aktif tutuldu ve her kızılötesi görüntü için 30 stokastik ileri geçiş yapıldı. k-y-nci stokastik geçiş için, tahmin edilen sıcaklık alanı şu şekilde gösterilir

   

burada X , giriş kızılötesi görüntüdür ve θ_k , kesilme sonucu indüklenen örneklenmiş ağ parametrelerini temsil eder. Öngörücü ortalama şu şekilde hesaplandı

   

ve piksel bazında öngörücü varyans şu şekilde elde edildi

   

K = 30 ile birlikte. Ortaya çıkan varyans haritası, daha düşük tahmin güvenine sahip uzamsal bölgeleri tanımlamak için kullanıldı. Termografik regresyon için gerçek belirsizlik etiketleri mevcut olmadığından, belirsizlik, kalibrasyona dayalı metrikler yerine piksel bazında varyans haritaları ve hotspot ile arka plan bölgeleri üzerinden hesaplanan özet istatistikler kullanılarak değerlendirildi. Nicel analiz, ortalama öngörücü standart sapmanın 13,046 °C olduğunu, sıcak nokta bölgesinin ise arka plan bölgesindeki 12,743 °C ile karşılaştırıldığında 15,934 °C ile daha yüksek standart sapma gösterdiğini gösterdi. Bu, arka plana göre sıcak nokta bölgelerinde belirsizlikte yaklaşık %25 artışa karşılık gelir. Bu sonuçlar, modelin özellikle sıcak nokta sınırları ve dik sıcaklık gradyanları çevresinde, termal yüzey görselleştirmelerinde gözlemlenen yapıyla tutarlı olan termal olarak karmaşık bölgelerde daha fazla belirsizlik ifade ettiğini göstermektedir. İş akışı, Şekil 3 ve 4'te özetlenmiştir ve genel CNN tabanlı işlem hattını gösterir.

Şekil 3: İş Akışı. Önerilen metodolojinin genel görünümü; termografik görüntü alımı, ön işleme, sıcaklık alanı çıkarımı, CNN eğitimi, fizik kısıtlı öğrenme ve belirsizlik ölçüsünü belirleme gibi yöntemler. Kısaltmalar; CNN = konvolüsyon sinir ağı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Şekil 4: Genel CNN tabanlı işleme hattı. Önerilen CNN çerçevesinin mimarisi, kızılötesi termografik görüntülerin mekânsal sıcaklık alanı tahminlerine dönüşümünü göstermektedir. Kısaltmalar; CNN = konvolüsyon sinir ağı. Bu figürün daha büyük bir versiyonunu görmek için lütfen buraya tıklayın.

Sonuçlar

Bu bölüm, nicel metrikler ve görsel analiz kullanarak önerilen fizik kısıtlı derin öğrenme çerçevesini değerlendirir. Sonuçlar, difüzyon tabanlı fiziksel kısıtlamalar ve belirsizlik modellemesinin entegrasyonunun öngörü doğruluğunu ve termal yorumlanabilirliği nasıl etkilediğini göstermektedir.

Model konfigürasyonlarının performans karşılaştırması
Tablo 1, farklı model konfigürasyonlarının performans karşılaştırmasını göst...

Tartışma

Bu çalışma, kızılötesi termografik görüntüler kullanılarak yüksek voltajlı güç ekipmanlarının termal durum değerlendirmesinde fizik tabanlı düzenleme ve belirsizliğe duyarlı derin öğrenmenin entegrasyonunu incelemiştir. Sonuçlar, CNN tabanlı sıcaklık tahminine fiziksel önceliklerin gömmenin, öğrenilen termal alanların sağlamlığını ve fiziksel tutarlılığını tamamen veri odaklı yaklaşımlara göre artırdığını göstermektedir. En önemli bulgulardan biri, difüzyon tabanlı fizik kısıtlamasının m...

Malzemeler

Bu makalede kullanılan malzemelerin listesi

Ad	Şirket	Katalog numarası	Yorumlar
CUDA / cuDNN	NVIDIA	GPU acceleration for training	GTX 1080 Ti
Infrared termografik kamera	FLIR termal görüntüleme kamerası	Yüksek voltajlı ekipman termogramlarının elde edilmesi	farklı gün ve yük koşullarında taşınabilir profesyonel FLIR C5 Kızılötesi kamera.
Jupyter Notebook / IDE	JupyterLab 4.2.0	Deney geliştirme ve analizi	Uygulamada kullanıldı
Matplotlib	Matplotlib Geliştiricileri	Tahminlerin, kalıntı haritalarının ve belirsizlik haritalarının görselleştirilmesi	Şekiller ve grafikler için kullanıldı
NumPy	NumPy Geliştiricileri	Sayısal hesaplama ve dizi işlemleri	Veri ön işleme ve tensor işleme
OpenCV	OpenCV Vakfı	Resim yükleme, yeniden boyutlandırma ve temel ön işleme	Termografik görüntü işleme için kullanıldı
Python	Python Yazılım Vakfı	Ana programlama ortamı	Tüm deneyler için kullanılan sürüm
PyTorch	PyTorch Vakfı	CNN eğitimi, fiziksel olarak kısıtlı öğrenme ve Monte Carlo bırakma	Regresyon ağının uygulanmasında kullanıldı
Scikit-learn	scikit-learn Geliştiricileri	Metrik hesaplama ve eğitim/doğrulama/test değerlendirmesi	(R^2), RMSE ve MAE için kullanıldı
SciPy	SciPy Geliştiricileri	Destekleyici sayısal rutinler	Ön işleme veya analizde kullanıldı
Termografik veri seti	Kurum içi saha teftiş veri seti	Model geliştirme için 174 kızılötesi görüntünün kaynağı	Etiketli klasörlerde düzenlenmiş görüntüler
İş istasyonu / GPU hesaplama sistemi	GTX 1080 Ti	Model eğitimi ve çıkarım	12 GB RAM,  GTX 1080 Ti ve Windows 11 işletim sistemi