【技术实现步骤摘要】
本申请涉及设备检测，具体涉及一种基于cnn和transformer的工厂设备异常检测方法、设备及介质。
技术介绍
1、工厂设备是企业组织生产的重要物质技术基础，是构成生产力的重要要素之一，为了保证工厂设备能够正常运转，需要对工厂设备进行定期点检，避免因设备出现险情没有被及时发现或处理，导致不可挽回的损失。
2、传统的设备点检方式大多需要点检人员定期定点的巡逻点检，这种方法虽然对设备检查的较为充分，但是由于点检周期较长，对于突发情况往往疏于监管，难以实现设备的实时监测与及时维护。除上述方式外，还可通过布置传感器来检测设备异常情况，但是这种方式存在一定的局限性，无法检测到设备漏油、破损等表面异常情况。
技术实现思路
1、为了解决上述问题，本申请提出了一种基于cnn和transformer的工厂设备异常检测方法，包括：
2、按照预设的采集间隔，采集工厂设备对应的设备运行信息；其中，所述设备运行信息包括设备图像，所述采集间隔与所述工厂设备所在车间区域的设备异常分布概率相关；
3、将所述设备图像输入到预设的异常检测模型中，通过所述异常检测模型中的cnn网络，提取所述设备图像中的特征信息，并通过transformer自注意力机制，对所述特征信息中用于表征工厂设备异常的异常特征进行定位；
4、通过所述cnn网络，对所述异常特征进行解码，以识别所述设备图像中的异常区域；
5、在所述设备图像存在异常区域的情况下，获取所述设备图像对应工厂设备
6、在本申请的一种实现方式中，通过transformer自注意力机制，对所述特征信息中用于表征工厂设备异常的异常特征进行定位，具体包括：
7、通过预设的重塑函数对所述特征信息进行重塑，得到所述特征信息对应的序列信息，并针对所述序列信息中的每个元素，添加与所述元素在所述序列信息中所在位置相对应的位置编码，以得到对应的特征序列；
8、将所述特征序列输入到带有transformer自注意力机制的transformer层中，通过所述transformer层，对所述特征图中用于表征工厂设备异常的异常特征进行定位。
9、在本申请的一种实现方式中，通过所述transformer层，对所述特征图中用于表征工厂设备异常的异常特征进行定位，具体计算方法为：
10、
11、其中，headi表示第i个注意力头的输出，h是注意力头的数量，zq是查询矩阵q的特征表示，是参考点在归一化后的三维坐标，λ(zq)ilqk∈[0,1]表示注意力权重，σ1重新缩放到第l-th级特征，δpilqk∈r3表示第l个特征级别的第k个采样点的采样偏移量，φ(…)表示线性投影层，用于加权和聚合所有注意力头的特征表示。
12、在本申请的一种实现方式中，通过所述cnn网络，对所述异常特征进行解码，以识别所述设备图像中的异常区域，具体包括：
13、通过所述cnn网络对所述异常特征进行转置卷积，以将所述异常特征上采样至所述设备图像对应的原始分辨率，得到上采样后的异常特征；
14、通过残差块对所述上采样后的异常特征进行细化，得到细化后的异常特征，并对所述细化后的异常特征进行语义分割，以识别所述设备图像中的异常区域。
15、在本申请的一种实现方式中，将所述设备图像输入到预设的异常检测模型中之前，所述方法还包括：
16、生成由若干设备图像构成的训练样本；其中，所述训练样本携带有实际异常区域以及用于标注所述实际异常区域的异常区域标签；
17、根据所述训练样本对异常检测模型进行预训练，以在所述预训练的过程中输出所述训练样本中存在的预测异常区域；
18、根据所述异常区域标签，对所述训练样本中的实际异常区域进行定位，并将所述预测异常区域与所述实际异常区域进行对比，计算对应的损失值；
19、根据所述损失值对所述异常检测模型进行优化，直至所述异常检测模型输出的预测区域能够满足预设条件。
20、在本申请的一种实现方式中，将所述设备位置和所述异常区域上报至预警中心，具体包括：
21、根据所述设备位置，确定所述工厂设备所属的车间区域；
22、分别对所述车间区域和整个车间内部的设备异常数量进行汇总，根据汇总后得到的所述设备异常数量，计算所述车间区域对应的设备异常分布概率；
23、将所述设备异常分布概率与其对应车间区域内的全部工厂设备进行绑定，并将所述设备位置、所述异常区域和所述设备异常分布概率上报至预警中心。
24、在本申请的一种实现方式中，按照预设的采集间隔，采集工厂设备对应的设备图像，具体包括：
25、确定工厂设备所在的车间区域，并获取所述车间区域对应的历史检测记录，根据所述历史检测信息，确定所述车间区域在上一采集间隔内对应的历史设备异常分布概率；
26、获取所述设备异常分布概率与采集间隔之间的映射关系，根据所述映射关系，确定所述历史设备异常分布概率对应的采集间隔；其中，所述历史设备异常分布概率与所述采集间隔呈负相关关系；
27、按照所述采集间隔，采集所述工厂设备对应的设备图像。
28、在本申请的一种实现方式中，所述方法还包括：
29、获取所述设备传感数据，将所述设备传感数据与其对应的数值范围进行匹配，以确定所述设备传感数据是否位于所述数值范围内；
30、若否，则生成相应的预警信息，并将所述预警信息和所述设备位置上报至所述预警中心。
31、本申请实施例提供了一种基于cnn和transformer的工厂设备异常检测设备，所述设备包括：
32、至少一个处理器；
33、以及，与所述至少一个处理器通信连接的存储器；
34、其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上任一项所述的一种基于cnn和transformer的工厂设备异常检测方法。
35、本申请实施例提供了一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
36、如上任一项所述的一种基于cnn和transformer的工厂设备异常检测方法。
37、通过本申请提出的一种基于cnn和transformer的工厂设备异常检测方法能够带来如下有益效果：
38、通过预设的采集间隔(该间隔与设备异常分布概率动态调整)，系统能够实时或近乎实时地采集设备运行信息，特别是设备图像，极大地缩短了设备状态检测的响应时间。相比传统的定期点检方式，这种方法能够更快速地捕捉到设备异常，避免了因点检周期长而导致的突发情况疏于监管的问题。
39、利用异常检测模型对设备图像进行特征提取和异常定本文档来自技高网...
【技术保护点】
1.一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，通过Transformer自注意力机制，对所述特征信息中用于表征工厂设备异常的异常特征进行定位，具体包括：
3.根据权利要求2所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，通过所述Transformer层，对所述特征图中用于表征工厂设备异常的异常特征进行定位，具体计算方法为：
4.根据权利要求1所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，通过所述CNN网络，对所述异常特征进行解码，以识别所述设备图像中的异常区域，具体包括：
5.根据权利要求1所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，将所述设备图像输入到预设的异常检测模型中之前，所述方法还包括：
6.根据权利要求1所述的一种基于CNN和Transformer的工厂设备异常检测方
7.根据权利要求6所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，按照预设的采集间隔，采集工厂设备对应的设备图像，具体包括：
8.根据权利要求1所述的一种基于CNN和Transformer的工厂设备异常检测方法，其特征在于，所述方法还包括：
9.一种基于CNN和Transformer的工厂设备异常检测设备，其特征在于，所述设备包括：
10.一种非易失性计算机存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
...【技术特征摘要】
1.一种基于cnn和transformer的工厂设备异常检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于cnn和transformer的工厂设备异常检测方法，其特征在于，通过transformer自注意力机制，对所述特征信息中用于表征工厂设备异常的异常特征进行定位，具体包括：
3.根据权利要求2所述的一种基于cnn和transformer的工厂设备异常检测方法，其特征在于，通过所述transformer层，对所述特征图中用于表征工厂设备异常的异常特征进行定位，具体计算方法为：
4.根据权利要求1所述的一种基于cnn和transformer的工厂设备异常检测方法，其特征在于，通过所述cnn网络，对所述异常特征进行解码，以识别所述设备图像中的异常区域，具体包括：
5.根据权利要求1所述的一种基于cnn和transf...
【专利技术属性】
技术研发人员：米继宗，张振宇，马龙宁，张韬，王岳朋，高增林，
申请(专利权)人：浪潮通用软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。