本申请涉及人工智能,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:
1、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。
2、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。
技术实现思路
1、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。
2、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:
3、获取待检测养殖水域的养殖设备工作状态数据集;
4、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;
5、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;
6、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;
7、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。
8、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:
9、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;
10、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;
11、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;
12、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;
13、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。
14、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。
1.一种基于极限学习机的设备异常分析方法,其特征在于,所述基于极限学习机的设备异常分析方法包括:
2.根据权利要求1所述的基于极限学习机的设备异常分析方法,其特征在于,所述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,包括:
3.根据权利要求2所述的基于极限学习机的设备异常分析方法,其特征在于,所述通过预置的互补式集合经验模态分解模型,根据所述初始化参数集合分别对所述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,包括:
4.根据权利要求1所述的基于极限学习机的设备异常分析方法,其特征在于,所述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,包括:
5.根据权利要求4所述的基于极限学习机的设备异常分析方法,其特征在于,所述通过所述极限学习机模型对所述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,并对所述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,包括:
6.根据权利要求5所述的基于极限学习机的设备异常分析方法,其特征在于,所述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,包括:
7.根据权利要求1所述的基于极限学习机的设备异常分析方法,其特征在于,所述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,包括:
8.一种基于极限学习机的设备异常分析装置,其特征在于,所述基于极限学习机的设备异常分析装置包括: