具体实施方式

该装置和系统使得能够通过标识开关设备的红外图像中的热点来检测开关设备中(例如，断路器中和其他电气设备中)的温度热点。这是通过使用经过图像训练的机器学习算法来实现的，其中至少有一些图像是综合生成的，以便训练集足够重要以使机器学习算法能够在不同设备类型中、从不同有利位置和在不同情况下标识热点。因此，具有若干变体的电气资产组件或子系统的综合创建的红外图像与机器学习方法一起使用以检测热点，而不必使用红外图像或红外相机，或者至少减少对使用这样的图像和相机的需要，以开发可以基于红外图像来标识和定位热点的机器学习分类器。

因此，这是通过包括输入单元、处理单元和输出单元的装置来实现的。输入单元被配置为向处理单元提供开关设备的监测红外图像。处理单元被配置为实现机器学习分类器算法以分析监测红外图像并且确定开关设备中是否存在一个或多个异常热点。机器学习分类器算法已经基于多个不同训练图像被训练。多个训练图像包括由图像处理算法生成的多个合成红外图像。输出单元被配置为输出与一个或多个异常热点相关的信息。

根据示例，图像处理算法是条件对抗网络。

根据示例，多个合成红外图像是基于开关设备的至少一个计算机辅助设计绘图、绘图或草图生成的。

根据示例，至少计算机辅助设计绘图、绘图或草图包括多个绘图，多个绘图包括多个不同开关设备的绘图数据。

根据示例，至少计算机辅助设计绘图、绘图或草图包括至少一个断路器的绘图数据。

根据示例，至少计算机辅助设计绘图、绘图或草图包括多个绘图，多个绘图包括具有不同内部结构的多个断路器的绘图数据。

根据示例，多个合成红外图像中的两个或更多个合成红外图像是基于开关设备的一个计算机辅助设计绘图、绘图或草图生成的。

根据示例，多个合成红外图像是基于开关设备的对应数目的计算机辅助设计绘图、绘图或草图生成的。

根据示例，多个合成红外图像中的一个或多个合成红外图像的生成包括至少一个热点向一个或多个合成红外图像的添加。

根据示例，多个合成红外图像中的一个或多个合成红外图像的生成包括至少一个热点向开关设备的一个或多个计算机辅助设计绘图、绘图或草图的添加。

根据示例，至少一个热点的添加是手动执行的。

根据示例，开关设备的至少一个计算机辅助设计绘图、绘图或草图包括至少一个断路器的绘图数据。

根据示例，图像处理算法使用风格迁移算法。

根据示例，图像处理算法使用pix2pix算法。

根据示例，监测红外图像包括至少一个断路器的图像数据。

根据示例，机器学习分类器算法是神经网络。

根据示例，神经网络是卷积神经网络。

根据示例，处理单元被配置为更新机器学习分类器算法的训练，该训练包括监测红外图像的使用。

根据示例，训练更新包括关于监测红外图像不包括异常热点的手动指示或关于监测红外图像包括一个或多个异常热点的手动指示。

根据示例，监测红外图像包括一个或多个异常热点的手动指示包括在一个或多个异常热点的监测红外图像中的一个或多个位置的手动指示。

因此，如用户指示该图像中的何处存在一个或多个异常热点。

如上所述，该装置可以是具有相机的系统的一部分，该相机获取监测红外图像并且经由输入单元将其提供给处理单元。

参考开关设备中的断路器更详细地解释该装置和系统，但这只是一个示例，该装置和系统可以用于开关设备的其他部分和很多其他类型的电气设备，其中可能出现热点并且有问题。

因此，设置场景很方便。目前，人们对使用红外数据评估断路器的健康情况有着浓厚的兴趣，其中热点指示存在问题，并且这些热点很容易被人类标识和解释。然而，以这种方式使用熟练的技术人员和工程师是非常昂贵的。这里，使用机器学习算法来实现这一目标，而无需人工干预。然而，机器学习算法需要大量相关数据的训练数据集，而这提供起来既困难又昂贵。这里描述的装置和系统解决了这种情况。

因此，所描述的装置和系统提供了一种在不考虑相机角度或断路器配置的情况下整体分析红外图像的方式。它特别考虑了存在不同断路器几何形状的这一事实。为此，使用机器学习算法(例如，卷积神经网络)。该网络用由条件对抗网络基于包括断路器和其他电气组件的开关设备的绘图而生成的人工数据被训练。因此，从过程中消除了校准或区域定义的昂贵的人工干预。

因此，可以通过在组件中创建的热点来检测电气系统中的组件(诸如断路器)的结构健康情况。聚焦于这样的组件的红外相机捕获热变化以检测热点。使用神经网络分类器算法来自动化这个过程需要使用正确标记的图像对其进行训练，并且需要大量有问题和没有问题的这样的训练图像来自动检测这样的热点。断路器有若干变体，并且内部结构大不相同，因此使用诸如机器学习等数据驱动方法将具有挑战性，因为相关图像的数量并不多，并且获取这样的图像需要长时间等待为各种断路器获取它们，例如在出现热点时。目前的做法是，由领域专家不时对热图像进行手动检查，以检测组件中的任何损坏，并且如果经过的监测时段足够长以具有同时发生的损坏，则可能是有害的。

这里描述的装置和系统解决了这些问题。这实质上是通过使用条件对抗网络执行以下操作来实现的：

(1)由不同类型断路器(其内部结构不同)的CAD或草图来综合地训练所需要的红外图像；

(2)从(1)中为不同断路器生成个体预训练机器学习模型，使得它们可以用于检测热点(如果存在)(或者以足以处理断路器之间差异的稳健性为不同断路器生成一个预训练机器学习模型)，因此可以从安装之日起开始监测开关设备和断路器。

换言之，该装置和系统使得预训练模型能够从安装的第一天起以潜在可接受的精度应用，随着提供更多训练数据，精度可以随着时间的推移而改进。存在若干设备变体，诸如开关设备和相关断路器，它们在结构上不同并且需要长时间观察，否则需要安装若干红外相机以创建样本以构建可靠数据驱动模型来检测热点。这将需要很长时间才能在实践中使用模型来检测任何热点。然而，通过创建或生成用于分类器训练的相关数据，该装置和系统解决了与资产管理的数据采集相关的两个问题。第一问题是缺乏用于训练模型的机械结构的若干变体的设备的红外数据，第二问题是缺乏使用这些红外图像来自动检测热点而不是手动的分析系统和敏捷的方法，或者提供半自动检测机制，其中让操作员意识到需要进一步调查。

该解决方案的技术成果使维护和服务工程师能够通过基于机器学习模型的检测机制来指示断路器变体中的任何异常，并且减少在异常情况期间获取数据(红外图像)的漫长等待时间。

继续开发所描述的装置和系统之前的情况，一些现有解决方案需要对传感器进行非常精确的校准以观察正确位置。这表示，工程成本很高。覆盖更大区域的解决方案仍然需要人类来确定要查看的正确区域。

对于不需要标识正确区域的任何通用解决方案(例如，基于卷积神经网络)，这需要对断路器几何形状和功能的差异具有鲁棒性才能有用。但是，如果训练网络从未经历过某些情况，则不太可能对它们进行正确分类。最后一点的传统解决方案是使用来自不同断路器的大量训练数据。像人类一样，神经网络从经验中学习，并且更擅长判断与之前看到的情况相同或相似的情况。解决这个问题的一种方法是使用来自不同断路器的大量训练数据。然而，这是昂贵的并且需要时间。

因此，在这里描述的装置和系统中使用的令人惊奇的解决方案涉及获取附加数据，该附加数据是真实数据的合成生成，但是基于绘图。有了这些附加数据，神经网络就能够处理更广泛的情况。

令人惊讶的解决方案使用条件对抗网络，诸如pix2pix算法，条件对抗网络可以将草图变成照片。因此，在当前情况下，条件对抗网络将断路器的内部部件的CAD或草图例如变换为等效的红外图像风格传输元素。因此，提供了各种断路器的CAD图或草图，其中标记了可能出现热点的区域(在领域专家的帮助下做出的)，并且使用条件对抗网络将这些转换为包含热变化特征的合成红外图像。这在图1中表示。

然后使用分类模型生成器。该元素获取由前一元素“CAD到IR风格迁移元素”生成的图像，并且被训练以为断路器的每个变体生成机器学习分类模型。这个预训练模型然后可以标识结构损坏。与断路器变体相对应的机器学习模型可以通过对在现场生成的红外图像进行分类来检测断路器是否正在遭受任何结构损坏并且提供技术结果。

图2示出了用于实现该解决方案的流程的示意图。断路器的若干变体的普通CAD图像存储在数据库中，并且首先呈现给领域专家，领域专家使用模板标记可能出现热点的位置。然后，基于领域专家和条件对抗网络的输入，为每个断路器变体创建具有变化的若干合成红外图像。然后将合成红外图像与不包含热点的其他合成红外图像一起提供给合适的分类器(机器学习模型)，以训练分类器以准备预训练模型。然后使用预训练模型来标识和检测相应断路器中的热点，以从相机获取当前红外监测图像。

因此，总而言之，该装置和系统能够：

1.用于热点标记模板：该装置/系统包含使得领域专家能够标记可能具有热点的组件的特征。

2.从CAD或草图自动生成红外图像：该装置/系统可以使用条件对抗网络从CAD图或草图自动生成红外图像。

3.预训练模型生成：该装置/系统可以基于断路器变体的综合生成的红外图像来生成相应预训练模型，以自动分类作为带有红外相机的实时系统的输入的图像以检测热点。