基于极限学习机的设备异常分析方法及装置

技术领域

本申请涉及人工智能技术领域，尤其涉及一种基于极限学习机的设备异常分析方法及装置。

背景技术

水产养殖是一种重要的农业和食品生产领域，对全球食品供应具有重要意义。然而，养殖设备的异常情况导致生产中断、资源浪费和环境问题。因此，开发一种高效的水产基于极限学习机的设备异常分析方法对于提高生产效率、减少损失和维护环境至关重要。

随着传感器技术和数据采集技术的发展，水产养殖业开始利用大数据和智能监测来改善生产效率。这种数据驱动的方法为异常检测和设备故障诊断提供了新的机会。但是养殖设备受到多种因素的影响，包括机械故障、环境变化、水质问题等，这导致设备异常和生产问题，进而导致现有方案的准确率低。

发明内容

本申请提供了一种基于极限学习机的设备异常分析方法及装置，用于提高养殖设备异常处理的准确率和效率。

本申请第一方面提供了一种基于极限学习机的设备异常分析方法，所述基于极限学习机的设备异常分析方法包括：

获取待检测养殖水域的养殖设备工作状态数据集；

通过预置的运行数据分解模型，对所述养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；

分别将所述多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；

将所述多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；

根据所述设备异常分类结果创建对应的养殖设备异常处理策略。

本申请第二方面提供了一种基于极限学习机的设备异常分析装置，所述基于极限学习机的设备异常分析装置包括：

获取模块，用于获取待检测养殖水域的养殖设备工作状态数据集；

分解模块，用于通过预置的运行数据分解模型，对所述养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；

提取模块，用于分别将所述多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；

检测模块，用于将所述多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；

创建模块，用于根据所述设备异常分类结果创建对应的养殖设备异常处理策略。

本申请提供的技术方案中，获取待检测养殖水域的养殖设备工作状态数据集；通过预置的运行数据分解模型，对所述养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；分别将所述多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；将所述多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；根据所述设备异常分类结果创建对应的养殖设备异常处理策略，本申请通过实时监测和检测设备异常，及时发现和处理异常可以减少生产中断，确保设备运行正常，通过监测水质、温度等因素并及时调整，可以改善水产动植物的生长环境，提高养殖产量和质量。通过早期识别异常情况，可以减少因设备故障或不良环境条件导致的资源浪费，提供了智能决策支持。根据异常情况，它能够为养殖业提供建议和策略，进而提高了养殖设备异常处理的准确率和效率。

附图说明

图1为本申请实施例中基于极限学习机的设备异常分析方法的一个实施例示意图；

图2为本申请实施例中基于极限学习机的设备异常分析装置的一个实施例示意图。

具体实施方式

本申请实施例提供了一种基于极限学习机的设备异常分析方法及装置，用于提高养殖设备异常处理的准确率和效率。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中基于极限学习机的设备异常分析方法的一个实施例包括：

S101、获取待检测养殖水域的养殖设备工作状态数据集；

可以理解的是，本申请的执行主体可以为基于极限学习机的设备异常分析装置，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。

具体的，服务器首先明确养殖设备数据的来源和获取方式。养殖设备运行数据可以从多个来源收集，其中包括传感器数据、设备日志、远程监控系统和手动记录。传感器数据是最常见的来源之一，因为它们能够提供实时的设备状态和环境参数。例如，在鱼塘养殖中，可以使用水质传感器来测量水中的pH值、溶解氧含量和温度。这些传感器可以定期采集数据，并将其发送到数据存储系统中。另一方面，设备日志记录了设备的运行状态、操作和事件。这些日志通常以文本文件或数据库记录的形式存在，可以提供有关设备性能和潜在异常情况的信息。远程监控系统允许远程访问设备数据，通过网络传输实时数据，这对于远程监控和实时异常检测非常有用。此外，人工操作员的手动记录也是数据的一部分。操作员会定期记录关键参数、事件和观察结果。这些手动记录可以补充自动数据采集，并提供有关设备运行的人工洞察力。一旦服务器确定了数据的来源，接下来是建立数据存储和管理系统。数据存储位置的选择包括本地服务器、云存储或专门的数据库系统，这取决于数据量、访问需求和安全性要求。此外，需要定义数据的格式和结构，以确保数据易于处理和分析。这可以涉及创建数据表、使用JSON文件、CSV文件或其他适合数据的格式。确定数据采集频率也是关键因素之一。某些数据需要高频率采集，以便及时检测异常，而其他数据可以更稀疏地采集以减少存储和处理成本。同时，实施数据质量控制措施非常重要，以检测和处理数据中的错误或异常值，以确保数据的准确性和一致性。

S102、通过预置的运行数据分解模型，对养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；

具体的，服务器使用预置的参数聚类模型对养殖设备工作状态数据集进行分类，以获得多个初始设备运行数据。这些初始数据包括温度数据、湿度数据、水质数据和设备振动数据等不同参数的数据。例如，考虑一个养殖设备监控系统，其中包括温度传感器、湿度传感器、水质传感器和振动传感器。系统每分钟记录这些参数的值。通过使用聚类模型，服务器将这些数据分类为不同的初始设备运行数据。例如，模型会将温度和湿度数据分类为一组，将水质数据分类为另一组，而将振动数据分类为另一组。服务器就得到了多个初始养殖设备工作状态数据集。服务器对每个初始设备运行数据进行时序关联处理，以获得多个目标设备运行数据。这个步骤可以包括数据插值、平滑处理或其他时间序列处理技术，以确保数据的连续性和一致性。例如，对于温度和湿度数据，服务器进行插值处理，以填补存在的数据缺失或不连续性。对于水质数据，服务器进行平滑处理，以去除噪音和异常值。对于振动数据，服务器进行频谱分析，以提取频域特征。这些处理步骤将使服务器得到多个目标设备运行数据，每个都具有更好的时序连续性。服务器对每个目标设备运行数据进行参数初始化，以准备进行互补式集合经验模态分解。例如，对于温度数据，参数初始化可以包括确定初始温度范围和基准温度值。对于水质数据，初始化可以涉及到定义水质参数的标准和允许范围。对于振动数据，初始化可以包括振动幅度和频率的估计。这些初始化参数将用于后续的数据分解过程。服务器使用预置的互补式集合经验模态分解模型，根据初始化参数集合分别对每个目标设备运行数据进行分解，得到每个目标设备运行数据的多个工作状态分解结果。互补式集合经验模态分解是一种信号处理技术，它能够将复杂的时序数据分解成不同频率和振幅的工作状态分解结果，以便更好地理解数据的特征和变化。例如，假设服务器对温度数据进行互补式集合经验模态分解，服务器得到多个工作状态分解结果，每个函数代表不同频率范围内的温度变化。例如，服务器得到一个高频工作状态分解结果，表示快速的温度波动，以及一个低频工作状态分解结果，表示温度的长期趋势。类似地，对于水质数据和振动数据，服务器也可以得到相应的工作状态分解结果集合。

根据预置的互补式集合经验模态分解模型，服务器设置迭代次数M和收敛阈值ε。这些参数将用于后续的分解过程。例如，假设服务器设置迭代次数M为100和收敛阈值ε为0.01。服务器将执行100次迭代，每次迭代都会检查一维累积能量曲线是否小于0.01，以确定是否收敛。服务器使用预置的均值曲线计算函数来计算每个目标设备运行数据的均值曲线ci(t)。均值曲线是通过对目标设备运行数据进行多次迭代和噪声函数的加权平均得到的。例如，对于温度数据，服务器执行迭代过程，每次迭代根据当前的噪声函数hm(t)计算均值曲线ci(t)。这些均值曲线表示了温度数据的平均趋势。使用一维累积能量曲线计算函数，服务器计算每个目标设备运行数据的一维累积能量曲线Ei(t)。这个曲线用于评估数据的能量分布，并用于后续的判断过程。例如，对于湿度数据，服务器计算一维累积能量曲线Ei(t)，它表示了湿度数据与均值曲线ci(t)之间的能量差异。较小的Ei(t)值表示数据与均值的接近程度。服务器判断一维累积能量曲线Ei(t)是否小于设定的收敛阈值ε。如果Ei(t)小于ε，说明数据已经收敛，服务器继续生成工作状态分解结果。否则，服务器将执行下一步骤以进一步处理数据。例如，假设服务器对湿度数据进行判断，发现Ei(t)=0.005，小于ε（0.01）。因此，数据已经收敛，服务器继续生成工作状态分解结果。如果一维累积能量曲线Ei(t)小于ε，说明数据已经收敛，服务器使用互补式集合经验模态分解模型生成多个工作状态分解结果，这些函数捕捉了数据的主要特征。例如，对于湿度数据，服务器生成多个工作状态分解结果，每个模态函数代表湿度数据的不同频率和振幅成分。这些模态函数有助于理解湿度数据的变化模式。如果一维累积能量曲线Ei(t)大于或等于ε，说明数据尚未收敛。在这种情况下，服务器将计算一维极值曲线Mi(t)。例如，对于振动数据，如果Ei(t)大于ε，服务器计算一维极值曲线Mi(t)，它帮助服务器识别数据中的极值点。这些极值点对于捕捉振动的重要特征很有帮助。服务器根据迭代次数M的设置，重复以上步骤，直到达到指定的迭代次数。这样可以进一步提炼和改进生成的工作状态分解结果，以更好地反映目标设备运行数据的特性。例如，如果服务器设置了迭代次数为100，那么将执行100次迭代。每次迭代都会生成新的工作状态分解结果，以不断优化数据的表示。

S103、分别将多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；

需要说明的是，服务器预置极限学习机（Extreme Learning Machine，ELM）模型。ELM是一种机器学习模型，通常包括输入层、多个隐藏层和输出层。在这里，服务器将使用ELM来进行特征提取，以便将工作状态分解结果转化为高维特征向量。例如，假设服务器有一个ELM模型，其中包含一个输入层、两个隐藏层和一个输出层。每个工作状态分解结果将被输入到该模型中，以进行特征提取。服务器将每个目标设备运行数据的多个工作状态分解结果分别输入到预置的ELM模型中，以进行特征提取。ELM模型的隐藏层将自动学习工作状态分解结果中的特征信息，并将其映射到高维特征空间中。例如，对于温度数据的工作状态分解结果，服务器将其输入到ELM模型中。该模型的隐藏层将学习如何从工作状态分解结果中提取温度数据的特征，例如温度的趋势、周期性和峰谷。这些特征将被映射到高维特征向量中。每个工作状态分解结果经过ELM模型后，都会得到一个初始高维特征向量。为了得到每个目标设备运行数据的组合高维特征向量，服务器将这些初始特征向量进行组合。这可以是简单的向量连接或其他适当的方式。例如，对于湿度数据的工作状态分解结果和水质数据的工作状态分解结果，经过ELM模型后，服务器将它们的初始高维特征向量进行连接，形成一个组合高维特征向量。这个向量将包含来自不同工作状态分解结果的特征信息。权重优化分析，服务器使用预置的樽海鞘优化算法（Sea Cucumber OptimizationAlgorithm）对每个目标设备运行数据的组合高维特征向量进行权重优化分析。这个优化过程的目标是找到最佳的权重分配，以使高维特征向量更好地反映设备运行数据的特性。例如，假设服务器使用樽海鞘优化算法来优化温度、湿度和水质数据的组合高维特征向量的权重分配。优化的目标是最大化特征向量的区分性，以更好地捕捉设备运行数据的特性和异常情况。通过权重优化分析，服务器得到了多个目标高维特征向量。每个向量都包含了从不同工作状态分解结果中提取的特征，经过权重优化后，能够更好地反映设备运行数据的特性和异常情况。例如，本实施例中，服务器得到了多个目标高维特征向量，每个向量代表了不同设备运行数据的特征。这些特征向量可以用于后续的养殖设备异常检测，以识别设备异常并采取适当的措施。

其中，每个目标设备运行数据的多个工作状态分解结果将被输入到ELM模型的输入层中。这些工作状态分解结果代表了设备运行数据的不同特性和频率成分。例如，对于温度数据，服务器有多个工作状态分解结果，每个模态函数代表了温度数据的不同频率成分，例如快速波动和长期趋势。这些模态函数将作为ELM模型的输入。ELM模型的多个隐藏层将用于对每个工作状态分解结果进行隐藏特征提取。这些隐藏层将自动学习工作状态分解结果中的特征信息，例如频率、振幅和时序模式等。例如，在ELM模型的第一个隐藏层中，模型会学习提取温度数据的频率特征，而在第二个隐藏层中，模型会学习提取振幅和时序模式等其他特征。ELM模型的输出层将按照预设的初始向量权重对隐藏层中得到的初始高维特征向量进行向量组合，从而生成每个目标设备运行数据的组合高维特征向量。例如，假设服务器有预设的向量权重，例如[0.5，0.3，0.2]，用于组合隐藏层中的特征向量。对于温度数据的工作状态分解结果，ELM模型将使用这些权重来组合提取的频率、振幅和时序特征，生成温度数据的组合高维特征向量。通过向量组合过程，服务器成功地生成了每个目标设备运行数据的组合高维特征向量。这些高维特征向量包含了来自不同工作状态分解结果的特征信息，经过权重组合后更好地反映了设备运行数据的特性和异常情况。例如，对于湿度数据、水质数据和振动数据，分别重复以上步骤，分别生成这些数据的组合高维特征向量。每个向量将代表了不同设备运行数据的特征。

其中，服务器使用预置的樽海鞘优化算法来对每个目标设备运行数据的组合高维特征向量进行权重参数初始化。这个初始化过程将生成初始的樽海鞘群体，其中包括多个第一候选向量权重。例如，假设服务器有三个目标设备运行数据的组合高维特征向量，分别为V1、V2和V3。服务器使用樽海鞘优化算法为每个向量生成初始的权重向量，得到初始樽海鞘群体。这个群体包括多个第一候选向量权重，如W1、W2和W3。服务器对初始樽海鞘群体中的每个第一候选向量权重进行适应度计算。适应度函数通常是根据特定任务或优化目标而定义的，用于评估每个向量权重的性能。例如，本实施例中，适应度函数可以是用于设备异常检测的性能度量，例如准确度、召回率或F1分数。每个向量权重将被用于计算对应目标设备运行数据的组合高维特征向量的性能度量。根据计算的适应度，服务器使用樽海鞘优化算法对初始樽海鞘群体进行位置更新，得到多个第二候选向量权重。这个位置更新过程旨在根据适应度来调整权重，以改进性能。例如，假设在适应度计算后，服务器得到了更新后的权重向量，如W1'、W2'和W3'。这些向量权重经过位置更新，已经更好地满足设备异常检测的性能度量。从多个第二候选向量权重中确定最优解，即目标向量权重。这个最优解是根据适应度来选择的，通常是具有最佳性能度量的向量权重。例如，本实施例中，根据适应度计算，服务器确定了最佳的权重向量，如W1''、W2''和W3''，其中一个或多个向量具有最佳性能度量。这些最优的权重向量将被用于后续的权重优化计算。使用确定的目标向量权重对每个目标设备运行数据的组合高维特征向量进行权重优化计算。这个计算过程将生成多个目标高维特征向量，这些向量经过权重优化后更好地反映了设备运行数据的特性和异常情况。例如，通过应用最优的权重向量，如W1''、W2''和W3''，服务器对每个目标设备运行数据的组合高维特征向量进行优化，得到多个目标高维特征向量。这些向量将被用于养殖设备异常检测和分析，以提高异常检测的准确性。

S104、将多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；

具体的，服务器建立预置的养殖设备异常检测模型。这个模型是一个深度学习模型，包括多个LSTM层和两层全连接网络。LSTM用于处理序列数据，而全连接网络用于最终的异常检测分类。例如，养殖设备异常检测模型包括两个LSTM层和两个全连接层。这个模型被训练用于识别设备运行数据的异常情况。服务器将多个目标高维特征向量输入到预置的养殖设备异常检测模型中。这些高维特征向量是在前面的步骤中生成的，包含了从设备运行数据中提取的特征信息。例如，假设服务器有三个目标设备的高维特征向量，分别为F1、F2和F3。这些向量将被输入到养殖设备异常检测模型中进行异常检测。在养殖设备异常检测模型中，多个LSTM层将用于对高维特征向量进行特征分类运算。LSTM是一种适用于序列数据的循环神经网络，能够有效地捕捉数据中的时序信息。例如，每个高维特征向量F1、F2和F3将经过LSTM层进行特征分类运算，以便更好地理解其时序特性和潜在的异常情况。这将生成多个特征分类运算值，用于后续的异常检测。将多个特征分类运算值输入到两层全连接网络中进行异常检测。全连接网络将综合考虑各个特征分类运算值，以得出设备的异常分类结果。例如，通过两层全连接网络，服务器将特征分类运算值综合起来，得到设备的异常分类结果。例如，如果综合结果表明某个设备的运行数据与正常情况不符，那么它将被分类为异常状态。

S105、根据设备异常分类结果创建对应的养殖设备异常处理策略。

具体的，需要收集设备异常分类的结果，这通常是通过设备监测系统、传感器或异常检测模型实现的。这些结果会被划分为不同的分类，通常包括正常、警告和异常等情况。基于这些分类结果，制定不同的异常处理策略，每一种情况都需要具体的应对措施。这些策略应该是根据养殖业最佳实践和相关标准定义的，以确保设备的可靠性、安全性和效率。例如，当设备被分类为正常情况时，可以继续正常的生产或运营流程，但仍需定期监测和维护，以确保设备保持在良好状态。而在设备被分类为警告情况时，需要采取预防性的措施，如增加监测频率、进行更频繁的维护、调整操作参数等。同时，需要通知相关人员，以确保问题得到足够的关注。当设备被分类为异常情况时，需要立即采取紧急行动，如停机维修、紧急维修调度、备用设备的使用等。同时，需要迅速通知维修团队或相关责任人员，以便采取紧急措施。在某些情况下，可以使用自动化系统来执行这些异常处理策略。例如，设备监控系统可以自动检测到异常并触发相应的操作，从而减少人工干预的需要，提高反应速度。例如，假设经营一家水产养殖场，使用了自动水质监测系统。如果系统检测到水质出现异常，可以自动执行以下策略：若水质轻微出现问题，系统可自动调整水质控制设备以纠正问题；若水质问题较为严重，系统可自动停止水泵并通知相关工作人员进行检查和修复；若水质问题极为严重，系统可自动触发备用水处理设备以确保水质维持在可接受的水平。这种自动化决策可以大大减少响应时间，降低潜在的损失。

本申请实施例中，获取待检测养殖水域的养殖设备工作状态数据集；通过预置的运行数据分解模型，对养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；分别将多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；将多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；根据设备异常分类结果创建对应的养殖设备异常处理策略，本申请通过实时监测和检测设备异常，及时发现和处理异常可以减少生产中断，确保设备运行正常，通过监测水质、温度等因素并及时调整，可以改善水产动植物的生长环境，提高养殖产量和质量。通过早期识别异常情况，可以减少因设备故障或不良环境条件导致的资源浪费，提供了智能决策支持。根据异常情况，它能够为养殖业提供建议和策略，进而提高了养殖设备异常处理的准确率和效率。

在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：

（1）通过预置的参数聚类模型，对养殖设备工作状态数据集进行运行参数分类，得到多个初始设备运行数据，其中，多个初始设备运行数据包括：温度数据、湿度数据、水质数据及设备振动数据；

（2）分别对多个初始设备运行数据进行时序关联处理，得到多个目标设备运行数据；

（3）分别对多个目标设备运行数据进行参数初始化，得到每个目标设备运行数据的初始化参数集合；

（4）通过预置的互补式集合经验模态分解模型，根据初始化参数集合分别对多个目标设备运行数据进行分解，得到每个目标设备运行数据的多个工作状态分解结果。

具体的，服务器通过建立一个参数聚类模型，对养殖设备工作状态数据集进行运行参数分类。目的是将设备运行数据分为多个不同的类别，每个类别代表了一组相关的运行参数。这可以借助于聚类算法，如K均值聚类或层次聚类来实现。例如，对于水产养殖业，可以将水温、盐度、溶氧量等参数进行分类。对每个初始设备运行数据集进行时序关联处理。将不同参数的数据按照时间进行关联，以确保它们在相同的时间点上对应。这可以通过时间戳或时间序列对齐来实现，以便后续分析能够在相同时间点上进行比较和统一。对每个目标设备运行数据进行参数初始化。这个步骤涉及根据设备规格、生产环境等因素，为每个参数设置初始值。参数的初始化是为了确保在后续的分解过程中能够更好地理解数据的特征和变化。通过预置的互补式集合经验模态分解模型，根据初始化参数集合对多个目标设备运行数据进行分解，得到每个设备的多个工作状态分解结果。这个模型通常基于数学和信号处理技术，可以将原始数据分解成多个模态函数，每个模态函数对应不同的频率或时域特性。例如，假设有一家水产养殖场，服务器的目标是监测水温、盐度、溶氧量等参数。使用参数聚类模型将这些参数分类，并对每个参数的数据进行时序关联处理。接着，为每个参数初始化合适的初始值，以确保数据的准确性和可解释性。通过互补式集合经验模态分解模型，服务器将初始化参数集合应用于每个参数的设备运行数据，从而得到每个设备的多个工作状态分解结果。这些模态函数将有助于服务器更深入地了解设备运行的特征和变化趋势。

在一具体实施例中，执行步骤通过预置的互补式集合经验模态分解模型，根据初始化参数集合分别对多个目标设备运行数据进行分解，得到每个目标设备运行数据的多个工作状态分解结果的过程可以具体包括如下步骤：

S1：通过预置的互补式集合经验模态分解模型，根据初始化参数集合设置迭代次数M和收敛阈值ε；

S2：通过预置的均值曲线计算函数，分别计算每个目标设备运行数据的均值曲线ci(t)，其中，均值曲线计算函数为：ci(t)=1/M∑x(t)*hm(t)，ci(t)表示均值曲线，M表示迭代次数，x(t)表示目标设备运行数据，hm(t)表示噪声函数；

S3：根据均值曲线ci(t)，计算每个目标设备运行数据的一维累积能量曲线Ei(t)，其中，一维累积能量曲线Ei(t)的计算函数为：Ei(t)=∫[x(t)-ci(t)]2dt，Ei(t)表示一维累积能量曲线，x(t)表示目标设备运行数据，ci(t)表示均值曲线ci(t)；

S4：判断一维累积能量曲线Ei(t)是否小于收敛阈值ε；

S5：若一维累积能量曲线Ei(t)＜收敛阈值ε，则根据一维累积能量曲线Ei(t)生成每个目标设备运行数据的多个工作状态分解结果；

S6：若一维累积能量曲线Ei(t)≥收敛阈值ε，则根据一维累积能量曲线Ei(t)计算对应的一维极值曲线Mi(t)，并根据一维累积能量曲线Ei(t)和一维极值曲线Mi(t)生成每个目标设备运行数据的多个工作状态分解结果，其中，一维极值曲线Mi(t)的计算函数为：Mi(t)=max(Ei(t))-Ei(t)，Mi(t)表示一维极值曲线，max(Ei(t))表示一维累积能量曲线Ei(t)的极值，Ei(t)表示一维累积能量曲线；

S7：迭代执行上述步骤S2~S6，直至迭代次数M执行结束，输出每个目标设备运行数据的多个工作状态分解结果。

具体的，服务器为了进行模态分解，必须设置两个关键参数：迭代次数M和收敛阈值ε。迭代次数M代表分解过程中的迭代次数，而收敛阈值ε是一个用于判断分解是否足够精确的阈值。这两个参数的选择需要根据具体问题和数据的性质进行调整。通常，迭代次数M应足够大以确保充分迭代，而收敛阈值ε应根据数据的噪声水平和精度要求来选择。使用预置的均值曲线计算函数，分别计算每个目标设备运行数据的均值曲线ci(t)。均值曲线是通过对每个数据点在时间上进行平均得到的，这有助于消除数据中的噪声和随机变化。均值曲线计算函数的具体形式如下：ci(t)=1/M*Σx(t)*hm(t)，在这个公式中，ci(t)表示均值曲线，M表示迭代次数，x(t)表示目标设备运行数据，hm(t)表示噪声函数。基于均值曲线ci(t)，计算每个目标设备运行数据的一维累积能量曲线Ei(t)。一维累积能量曲线用于量化数据与均值曲线之间的差异，其计算方式如下：Ei(t)=∫[x(t)-ci(t)]

在一具体实施例中，执行步骤S103的过程可以具体包括如下步骤：

（1）分别将每个目标设备运行数据的多个工作状态分解结果输入预置的极限学习机模型，其中，极限学习机模型包括：输入层、多个隐藏层以及输出层；

（2）通过极限学习机模型对多个工作状态分解结果进行特征提取，得到每个工作状态分解结果对应的初始高维特征向量，并对初始高维特征向量进行组合，得到每个目标设备运行数据的组合高维特征向量；

（3）通过预置的樽海鞘优化算法对每个目标设备运行数据的组合高维特征向量进行权重优化分析，得到多个目标高维特征向量。

具体的，服务器准备预置的极限学习机（Extreme Learning Machine，ELM）模型。ELM是一种机器学习算法，用于特征提取和分类任务。ELM模型包括输入层、多个隐藏层以及输出层。每个隐藏层包含多个神经元，可以根据问题的复杂程度来设置隐藏层的数量和神经元的数量。将每个目标设备运行数据的多个工作状态分解结果分别输入预置的ELM模型。每个工作状态分解结果可以视为输入特征。ELM模型将每个工作状态分解结果作为输入，在隐藏层中进行特征提取。这个特征提取过程通过权重参数的随机初始化和激活函数的作用来实现。特征提取后，得到每个工作状态分解结果对应的初始高维特征向量。将每个工作状态分解结果对应的初始高维特征向量进行组合，得到每个目标设备运行数据的组合高维特征向量。这可以通过简单地将不同特征向量连接在一起或采用其他组合策略来实现。使用预置的樽海鞘优化算法对每个目标设备运行数据的组合高维特征向量进行权重优化分析。樽海鞘优化算法是一种基于自然界樽海鞘群体行为的优化算法，用于寻找最优解。在这一步，算法会优化每个特征的权重，以使组合高维特征向量更好地表示目标设备运行数据的特征。通过樽海鞘优化算法的运算，得到多个目标高维特征向量。每个向量包含了对应目标设备运行数据的重要特征，经过了特征提取和权重优化的处理。例如，假设服务器正在监测水产养殖设备的运行。服务器收集了多个设备的传感器数据，包括温度、湿度、水质和设备振动等方面的信息。通过互补式集合经验模态分解模型，服务器将每个设备的数据分解成工作状态分解结果。服务器使用预置的ELM模型，将每个工作状态分解结果输入，进行特征提取，得到初始高维特征向量。服务器将每个设备的初始高维特征向量组合成一个更全面的特征向量，以更好地表示设备的运行状态。服务器应用樽海鞘优化算法，优化特征向量中每个特征的权重，以确保这些特征最适合用于设备运行状态的分类和异常检测。最终，服务器得到了多个目标高维特征向量，这些向量包含了每个设备的重要特征信息，并且已经过了特征提取和权重优化的处理。这些高维特征向量可以用于后续的设备运行状态分类和异常检测，帮助服务器更好地管理和维护水产养殖设备。

在一具体实施例中，执行步骤S202的过程可以具体包括如下步骤：

（1）通过极限学习机模型中的输入层，接收每个目标设备运行数据的多个工作状态分解结果；

（2）通过极限学习机模型中的多个隐藏层，分别对多个工作状态分解结果进行隐藏特征提取，得到每个工作状态分解结果对应的初始高维特征向量；

（3）通过极限学习机模型中的输出层，按照预设的初始向量权重对初始高维特征向量进行向量组合，得到每个目标设备运行数据的组合高维特征向量。

具体的，将每个目标设备运行数据的多个工作状态分解结果分别作为输入传递给ELM模型的输入层。每个工作状态分解结果可以被看作是模型的一个输入特征。ELM模型中的隐藏层的数量和神经元的数量需要预先设置。每个隐藏层负责对输入的工作状态分解结果进行特征提取和数据映射。具体来说，隐藏层通过权重和激活函数的作用，将输入的工作状态分解结果映射到隐藏层的特征空间中，得到每个工作状态分解结果对应的初始高维特征向量。在ELM模型的输出层，按照预设的初始向量权重，对每个工作状态分解结果对应的初始高维特征向量进行向量组合。这个过程将各个特征向量组合成一个更高维度的特征向量，该向量包含了每个工作状态分解结果的信息。例如，假设服务器正在监测水产养殖设备的运行，每个设备都有多个传感器，每个传感器记录了不同的工作状态分解结果，如温度、湿度、水质和设备振动等数据。服务器已经建立了一个ELM模型，其中包括输入层、多个隐藏层和输出层。服务器的目标是通过ELM模型将这些工作状态分解结果转化为有用的高维特征向量，以更好地理解设备的运行状态。将每个设备的工作状态分解结果传递给ELM模型的输入层。例如，对于设备A，服务器有温度、湿度、水质和设备振动等多个工作状态分解结果。ELM的隐藏层将分别对这些模态函数进行特征提取，每个隐藏层负责一个模态函数。在隐藏层中，通过权重和激活函数的作用，每个模态函数对应的初始高维特征向量被提取出来。这些高维特征向量包含了每个模态函数的抽象表示。在ELM模型的输出层，按照预设的初始向量权重，将这些高维特征向量组合成一个更高维度的特征向量，表示设备A的整体特征。这个组合后的特征向量包含了设备A各个工作状态分解结果的信息，并且可以用于后续的数据分析、分类或异常检测。

在一具体实施例中，执行步骤通过预置的樽海鞘优化算法对每个目标设备运行数据的组合高维特征向量进行权重优化分析，得到多个目标高维特征向量的过程可以具体包括如下步骤：

（1）通过预置的樽海鞘优化算法对每个目标设备运行数据的组合高维特征向量进行权重参数初始化，得到初始化樽海鞘群体，其中，初始化樽海鞘群体包括多个第一候选向量权重；

（2）对多个第一候选向量权重进行适应度计算，得到每个第一候选向量权重的目标适应度；

（3）根据目标适应度，对初始化樽海鞘群体进行樽海鞘位置更新，得到多个第二候选向量权重；

（4）从多个第二候选向量权重中确定最优解，得到目标向量权重，并根据目标向量权重对每个目标设备运行数据的组合高维特征向量进行权重优化计算，得到多个目标高维特征向量。

具体的，服务器通过预置的樽海鞘优化算法对每个目标设备运行数据的组合高维特征向量进行权重参数初始化。这个过程中，每个向量的权重参数被初始化为樽海鞘群体中的第一候选向量权重。樽海鞘算法使用了群体智能的思想，其中每个樽海鞘个体都有一组权重参数，用于权重的优化。对于每个第一候选向量权重，计算其适应度。适应度是一个反映权重参数质量的指标，通常使用目标函数来度量。在这个情境下，适应度函数的设计应该考虑到特征向量的优化目标，例如最小化误差或最大化分类性能等。根据计算得到的适应度，对初始化的樽海鞘群体进行位置更新。在樽海鞘算法中，个体的位置更新是通过权重参数的微调来实现的。具体来说，适应度越高的个体将更有被选中并更新其权重参数，以便更好地满足优化目标。在多次迭代后，从多个第二候选向量权重中确定最优解。最优解通常是具有最高适应度的个体的权重参数。这些参数被认为是最能满足优化目标的权重参数。使用确定的目标向量权重，对每个目标设备运行数据的组合高维特征向量进行权重优化计算。通过调整权重参数，可以更好地表达每个目标设备的高维特征向量，以便后续的数据分析、分类或异常检测任务。例如，假设服务器正在监测不同水产养殖设备的运行状态，服务器已经使用ELM模型将工作状态分解结果转化为高维特征向量，并将这些向量组合成了组合高维特征向量。接着，服务器通过樽海鞘优化算法来进一步优化这些特征向量，以更好地满足服务器的监测和分类任务。服务器首先初始化了一个樽海鞘群体，每个樽海鞘个体都有一组权重参数，用于特征向量的权重。服务器计算了每个樽海鞘个体的适应度，这个适应度函数可以是根据服务器的任务需求设计的。高适应度的个体将更有在下一次迭代中被选中，并且其权重参数会稍微调整，以更好地满足服务器的优化目标。经过多次迭代后，服务器确定了具有最高适应度的樽海鞘个体，这个个体的权重参数被认为是最能满足服务器的优化目标的参数。服务器使用这些最优权重参数对每个目标设备运行数据的组合高维特征向量进行权重优化计算。这些优化后的特征向量可以更好地用于设备状态的监测、分类或异常检测任务，帮助服务器更有效地管理水产养殖设备。

在一具体实施例中，执行步骤S104的过程可以具体包括如下步骤：

（1）将多个目标高维特征向量输入预置的养殖设备异常检测模型，其中，养殖设备异常检测模型包括多个长短时记忆网络以及两层全连接网络；

（2）通过多个长短时记忆网络分别对多个目标高维特征向量进行特征分类运算，得到多个特征分类运算值；

（3）将多个特征分类运算值输入两层全连接网络进行异常检测，得到设备异常分类结果。

具体的，服务器建立预置的养殖设备异常检测模型。这个模型由多个LSTM网络和两层全连接网络组成。LSTM网络用于处理序列数据，而全连接网络用于特征分类和异常检测。将多个目标设备的高维特征向量作为输入传递给养殖设备异常检测模型。每个目标设备对应一个高维特征向量，这些向量包含了从该设备采集到的特征数据。每个目标高维特征向量都经过一个对应的LSTM网络进行特征分类运算。LSTM网络被设计成能够处理时序数据，因此可以捕捉数据中的时间依赖性和序列模式。每个LSTM网络的输出将是该设备的特征分类运算值。LSTM网络的输出（特征分类运算值）被传递到两层全连接网络中。第一层全连接网络用于进一步特征提取和映射，第二层全连接网络用于执行异常检测任务。这个网络结构被训练用于将特征分类运算值映射到设备异常分类结果。通过养殖设备异常检测模型，将多个目标高维特征向量输入模型中，经过LSTM网络和两层全连接网络的处理，得到设备异常分类结果。这个结果可以表示设备的状态是否正常或存在异常情况。例如，假设服务器在监测多个水产养殖设备的运行状态，每个设备都有多个传感器，采集到的数据经过特征提取后形成了高维特征向量。服务器通过一个养殖设备异常检测模型来实现设备状态的实时监测和异常检测。服务器建立了一个养殖设备异常检测模型，该模型由多个LSTM网络和两层全连接网络组成。每个LSTM网络负责处理一个设备的高维特征向量，以捕捉数据中的时序信息。两层全连接网络用于将LSTM网络的输出映射到设备异常分类结果。服务器将每个设备的高维特征向量输入到养殖设备异常检测模型中。每个LSTM网络对特征向量进行特征分类运算，得到每个设备的特征分类运算值。这些值反映了每个设备当前的状态。通过两层全连接网络，将特征分类运算值映射到设备的异常分类结果。例如，如果异常检测结果为“正常”或“异常”，则可以知道每个设备的状态。如果异常检测结果为“异常”，则可以进一步分析设备的异常原因。通过这个养殖设备异常检测模型，服务器实现对多个设备的实时监测和异常检测，帮助服务器及时发现设备问题并采取必要的措施，以确保养殖过程的顺利进行。这有助于提高水产养殖的效率和可靠性。

上面对本申请实施例中基于极限学习机的设备异常分析方法进行了描述，下面对本申请实施例中基于极限学习机的设备异常分析装置进行描述，请参阅图2，本申请实施例中基于极限学习机的设备异常分析装置一个实施例包括：

获取模块201，用于获取待检测养殖水域的养殖设备工作状态数据集；

分解模块202，用于通过预置的运行数据分解模型，对所述养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；

提取模块203，用于分别将所述多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；

检测模块204，用于将所述多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；

创建模块205，用于根据所述设备异常分类结果创建对应的养殖设备异常处理策略。

通过上述各个组成部分的协同合作，获取待检测养殖水域的养殖设备工作状态数据集；通过预置的运行数据分解模型，对所述养殖设备工作状态数据集进行分解，得到多个工作状态分解结果；分别将所述多个工作状态分解结果输入预置的极限学习机模型进行特征提取，得到多个目标高维特征向量；将所述多个目标高维特征向量输入预置的养殖设备异常检测模型进行养殖设备运行异常检测，得到设备异常分类结果；根据所述设备异常分类结果创建对应的养殖设备异常处理策略，本申请通过实时监测和检测设备异常，及时发现和处理异常可以减少生产中断，确保设备运行正常，通过监测水质、温度等因素并及时调整，可以改善水产动植物的生长环境，提高养殖产量和质量。通过早期识别异常情况，可以减少因设备故障或不良环境条件导致的资源浪费，提供了智能决策支持。根据异常情况，它能够为养殖业提供建议和策略，进而提高了养殖设备异常处理的准确率和效率。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。