本技術(shù)涉及設(shè)備檢測，具體涉及一種基于cnn和transformer的工廠設(shè)備異常檢測方法、設(shè)備及介質(zhì)。

背景技術(shù)：

1、工廠設(shè)備是企業(yè)組織生產(chǎn)的重要物質(zhì)技術(shù)基礎(chǔ)，是構(gòu)成生產(chǎn)力的重要要素之一，為了保證工廠設(shè)備能夠正常運轉(zhuǎn)，需要對工廠設(shè)備進行定期點檢，避免因設(shè)備出現(xiàn)險情沒有被及時發(fā)現(xiàn)或處理，導(dǎo)致不可挽回的損失。

2、傳統(tǒng)的設(shè)備點檢方式大多需要點檢人員定期定點的巡邏點檢，這種方法雖然對設(shè)備檢查的較為充分，但是由于點檢周期較長，對于突發(fā)情況往往疏于監(jiān)管，難以實現(xiàn)設(shè)備的實時監(jiān)測與及時維護。除上述方式外，還可通過布置傳感器來檢測設(shè)備異常情況，但是這種方式存在一定的局限性，無法檢測到設(shè)備漏油、破損等表面異常情況。

技術(shù)實現(xiàn)思路

1、為了解決上述問題，本技術(shù)提出了一種基于cnn和transformer的工廠設(shè)備異常檢測方法，包括：

2、按照預(yù)設(shè)的采集間隔，采集工廠設(shè)備對應(yīng)的設(shè)備運行信息；其中，所述設(shè)備運行信息包括設(shè)備圖像，所述采集間隔與所述工廠設(shè)備所在車間區(qū)域的設(shè)備異常分布概率相關(guān)；

3、將所述設(shè)備圖像輸入到預(yù)設(shè)的異常檢測模型中，通過所述異常檢測模型中的cnn網(wǎng)絡(luò)，提取所述設(shè)備圖像中的特征信息，并通過transformer自注意力機制，對所述特征信息中用于表征工廠設(shè)備異常的異常特征進行定位；

4、通過所述cnn網(wǎng)絡(luò)，對所述異常特征進行解碼，以識別所述設(shè)備圖像中的異常區(qū)域；

5、在所述設(shè)備圖像存在異常區(qū)域的情況下，獲取所述設(shè)備圖像對應(yīng)工廠設(shè)備所在的設(shè)備位置，并將所述設(shè)備位置和所述異常區(qū)域上報至預(yù)警中心，實現(xiàn)對所述工廠設(shè)備的異常預(yù)警。

6、在本技術(shù)的一種實現(xiàn)方式中，通過transformer自注意力機制，對所述特征信息中用于表征工廠設(shè)備異常的異常特征進行定位，具體包括：

7、通過預(yù)設(shè)的重塑函數(shù)對所述特征信息進行重塑，得到所述特征信息對應(yīng)的序列信息，并針對所述序列信息中的每個元素，添加與所述元素在所述序列信息中所在位置相對應(yīng)的位置編碼，以得到對應(yīng)的特征序列；

8、將所述特征序列輸入到帶有transformer自注意力機制的transformer層中，通過所述transformer層，對所述特征圖中用于表征工廠設(shè)備異常的異常特征進行定位。

9、在本技術(shù)的一種實現(xiàn)方式中，通過所述transformer層，對所述特征圖中用于表征工廠設(shè)備異常的異常特征進行定位，具體計算方法為：

10、

11、其中，headi表示第i個注意力頭的輸出，h是注意力頭的數(shù)量，zq是查詢矩陣q的特征表示，是參考點在歸一化后的三維坐標，λ(zq)ilqk∈[0,1]表示注意力權(quán)重，σ1重新縮放到第l-th級特征，δpilqk∈r3表示第l個特征級別的第k個采樣點的采樣偏移量，φ(…)表示線性投影層，用于加權(quán)和聚合所有注意力頭的特征表示。

12、在本技術(shù)的一種實現(xiàn)方式中，通過所述cnn網(wǎng)絡(luò)，對所述異常特征進行解碼，以識別所述設(shè)備圖像中的異常區(qū)域，具體包括：

13、通過所述cnn網(wǎng)絡(luò)對所述異常特征進行轉(zhuǎn)置卷積，以將所述異常特征上采樣至所述設(shè)備圖像對應(yīng)的原始分辨率，得到上采樣后的異常特征；

14、通過殘差塊對所述上采樣后的異常特征進行細化，得到細化后的異常特征，并對所述細化后的異常特征進行語義分割，以識別所述設(shè)備圖像中的異常區(qū)域。

15、在本技術(shù)的一種實現(xiàn)方式中，將所述設(shè)備圖像輸入到預(yù)設(shè)的異常檢測模型中之前，所述方法還包括：

16、生成由若干設(shè)備圖像構(gòu)成的訓(xùn)練樣本；其中，所述訓(xùn)練樣本攜帶有實際異常區(qū)域以及用于標注所述實際異常區(qū)域的異常區(qū)域標簽；

17、根據(jù)所述訓(xùn)練樣本對異常檢測模型進行預(yù)訓(xùn)練，以在所述預(yù)訓(xùn)練的過程中輸出所述訓(xùn)練樣本中存在的預(yù)測異常區(qū)域；

18、根據(jù)所述異常區(qū)域標簽，對所述訓(xùn)練樣本中的實際異常區(qū)域進行定位，并將所述預(yù)測異常區(qū)域與所述實際異常區(qū)域進行對比，計算對應(yīng)的損失值；

19、根據(jù)所述損失值對所述異常檢測模型進行優(yōu)化，直至所述異常檢測模型輸出的預(yù)測區(qū)域能夠滿足預(yù)設(shè)條件。

20、在本技術(shù)的一種實現(xiàn)方式中，將所述設(shè)備位置和所述異常區(qū)域上報至預(yù)警中心，具體包括：

21、根據(jù)所述設(shè)備位置，確定所述工廠設(shè)備所屬的車間區(qū)域；

22、分別對所述車間區(qū)域和整個車間內(nèi)部的設(shè)備異常數(shù)量進行匯總，根據(jù)匯總后得到的所述設(shè)備異常數(shù)量，計算所述車間區(qū)域?qū)?yīng)的設(shè)備異常分布概率；

23、將所述設(shè)備異常分布概率與其對應(yīng)車間區(qū)域內(nèi)的全部工廠設(shè)備進行綁定，并將所述設(shè)備位置、所述異常區(qū)域和所述設(shè)備異常分布概率上報至預(yù)警中心。

24、在本技術(shù)的一種實現(xiàn)方式中，按照預(yù)設(shè)的采集間隔，采集工廠設(shè)備對應(yīng)的設(shè)備圖像，具體包括：

25、確定工廠設(shè)備所在的車間區(qū)域，并獲取所述車間區(qū)域?qū)?yīng)的歷史檢測記錄，根據(jù)所述歷史檢測信息，確定所述車間區(qū)域在上一采集間隔內(nèi)對應(yīng)的歷史設(shè)備異常分布概率；

26、獲取所述設(shè)備異常分布概率與采集間隔之間的映射關(guān)系，根據(jù)所述映射關(guān)系，確定所述歷史設(shè)備異常分布概率對應(yīng)的采集間隔；其中，所述歷史設(shè)備異常分布概率與所述采集間隔呈負相關(guān)關(guān)系；

27、按照所述采集間隔，采集所述工廠設(shè)備對應(yīng)的設(shè)備圖像。

28、在本技術(shù)的一種實現(xiàn)方式中，所述方法還包括：

29、獲取所述設(shè)備傳感數(shù)據(jù)，將所述設(shè)備傳感數(shù)據(jù)與其對應(yīng)的數(shù)值范圍進行匹配，以確定所述設(shè)備傳感數(shù)據(jù)是否位于所述數(shù)值范圍內(nèi)；

30、若否，則生成相應(yīng)的預(yù)警信息，并將所述預(yù)警信息和所述設(shè)備位置上報至所述預(yù)警中心。

31、本技術(shù)實施例提供了一種基于cnn和transformer的工廠設(shè)備異常檢測設(shè)備，所述設(shè)備包括：

32、至少一個處理器；

33、以及，與所述至少一個處理器通信連接的存儲器；

34、其中，所述存儲器存儲有可被所述至少一個處理器執(zhí)行的指令，所述指令被所述至少一個處理器執(zhí)行，以使所述至少一個處理器能夠執(zhí)行如上任一項所述的一種基于cnn和transformer的工廠設(shè)備異常檢測方法。

35、本技術(shù)實施例提供了一種非易失性計算機存儲介質(zhì)，存儲有計算機可執(zhí)行指令，所述計算機可執(zhí)行指令設(shè)置為：

36、如上任一項所述的一種基于cnn和transformer的工廠設(shè)備異常檢測方法。

37、通過本技術(shù)提出的一種基于cnn和transformer的工廠設(shè)備異常檢測方法能夠帶來如下有益效果：

38、通過預(yù)設(shè)的采集間隔(該間隔與設(shè)備異常分布概率動態(tài)調(diào)整)，系統(tǒng)能夠?qū)崟r或近乎實時地采集設(shè)備運行信息，特別是設(shè)備圖像，極大地縮短了設(shè)備狀態(tài)檢測的響應(yīng)時間。相比傳統(tǒng)的定期點檢方式，這種方法能夠更快速地捕捉到設(shè)備異常，避免了因點檢周期長而導(dǎo)致的突發(fā)情況疏于監(jiān)管的問題。

39、利用異常檢測模型對設(shè)備圖像進行特征提取和異常定位，不僅能夠檢測到傳感器難以捕捉的表面異常情況，還能通過圖像識別技術(shù)精準地定位異常區(qū)域，這種方式比單純的傳感器檢測方式更為全面和準確，提高了異常檢測的可靠性。

40、從圖像采集、特征提取、異常定位到異常預(yù)警，實現(xiàn)了對工廠設(shè)備的全流程自動化和智能化處理，大大減輕了人工點檢的負擔，提高了工作效率。