1.基于区块链的企业运行诊断系统，其特征在于：包括有传感器一、电量转换器一、传感器二、电量转换器二、数值识别器一、数值识别器二和云平台，所述云平台中包括有区块链和大数据平台，所述传感器一、电量转换器一和云平台依次电气连接，所述传感器二、电量转换器二和云平台依次电气连接，所述数值识别器一与数值识别器二分别与云平台电气连接；

所述大数据平台基于VMD‑HHO‑ELM诊断算法判定大数据平台中工业园区各阶段的用电量、供电量、税收值及产值数据是否异常；

所述VMD‑HHO‑ELM诊断算法，具体包括以下步骤：S1：建立目标函数：

；

其中 为工业园区在a至b阶段的用电量， 为工业园区在a至b阶段的供电量， 为a至b阶段的电价， 为工业园区在a至b阶段的产值， 为工业园区在a至b阶段的税收值，为VMD‑HHO‑ELM诊断算法的实际输出值；

若 的值在 区间内，则数据正常，反之则此阶段工业园区数据存在异常，进一步查看与处理；

S2：所述区块链包括有应用层、合约层、激励层、共识层、网络层及数据层，所述应用层封装有区块链的应用场景和案例；所述合约层封装有各类脚本、算法和智能合约；所述激励层将经济因素集成到区块链技术体系中；所述共识层封装有网络节点的各类共识算法；所述网络层包括分布式组网机制、数据传播机制和数据验证机制；所述数据层封装有底层数据区块以及相关的数据加密和时间戳这些基础数据和基本算法；

所述区块链中将收集的工业园区各阶段的用电量、供电量、税收值及产值，再加入国家最新公布的缴税标准这些模拟数值数据，送入数据收集系统进行临时存储，通过数据收集系统将这些模拟数值数据送入区块链税收数据处理系统中，通过区块链网络管理中的区块链数据处理网关，将模拟数值进行处理与加密后转换为数字数值，便于区块链对数字数值进行处理，将数字数值送入区块链网络中的各个区块链节点进行存储，使数字数值难以更改，以保证其真实性及准确性，数字数值在各个区块链节点之间实现相关数据的联动，最后，将联动后的数字数值数据通过区块链网络管理中的区块链数据处理网关，转换为模拟数值数据作为结果输出，输入大数据平台进行处理；

利用VMD算法对输入的数据进行初步处理，去除冗余或干扰性数据，该算法将原信号分解成 个IMF分量，把模态函数定义为一个调频调幅信号，记为：；

其中： 为IMF的幅值， 为IMF的频率；

S3：利用HHO算法对ELM算法中的输入权重 和阈值 进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对工业园区税收数据异常的高精度诊断；

S4：利用优化后的ELM算法，对通过VMD算法初步处理后的数据进一步处理，诊断工业园区税收数据是否异常，具体的：ELM算法由输入层、隐含层以及输出层3部分组成，输入层的输入权重 和隐含层的阈值 由S3中HHO算法寻优搜索获得；

输入层的 个神经元对应的输入矩阵为 ，输出层的 个神经元对应的输出矩阵为 ，隐含层有 个神经元，激励函数 的模型为：；

式中： 为隐含层第 个神经元与输出层第 个神经元的连接权值； 为输入层第 个神经元与隐含层第 个神经元的连接权值； 为隐含层神经元的激励函数；

为第 个隐含层神经元的阈值； 为网络的实际输出值；

隐含层输出矩阵 表示为：

；

网络输出用 表示，其中 为矩阵 的转置，若 则预测结果与 和无关，神经网络的输出值以零误差逼近训练样本，即：；

；

式中：  为神经网络的期望输出； 为输出误差，当 足够大时， ；

根据最小范围二乘准则，计算出连接权值 为：；

式中： 为隐含层输出矩阵的广义逆；

S2中VMD的计算过程如下：

S2.1：利用Hilbert变换计算得到每一个调频调幅信号 对应解析信号，得到其单边频：；

式中： 为冲击函数，其表达式为：

；

S2.2：进一步加入指数项 模态函数对应解析信号的预估中心频率，将每个模态的频谱转移至基带：；

S2.3：变分模态分解写成如下含有约束的最优化问题：；

式中： 为调频调幅信号； 为各模态分量的中心频率； 为未分解的输入的数据；

S2.4：引入二次惩罚因子 和增广Lagrange函数，将变分问题转变为非约束性变分问题，组成扩展的Lagrange表达式：；

式中： 为二次惩罚因子，通过选取 来调节变分模态分解方法的完备性；

S2.5：计算得到约束模型的最优解：

；

所述S3中HHO算法对 ELM 算法中的输入权重 和阈值 进行寻优搜索的具体步骤如下：S3.1：在搜索阶段中时，HHO算法在大范围等待并搜索目标，此阶段会从两种不同的行动策略中，随机且等概率选取一种来执行，其公式如下：；

式中： 表示从第 代种群中随机的个体； 为截至第 代所得到的全局最优个体； 为目标所在位置； 、 、 、 和 为 区间上均匀分布的随机数；

和 分别为种群位置的上界和下界； 是第 代种群所有个体的平均位置；

S3.2：在转换阶段时，为了模拟猎物在逃逸过程中的能量衰减，引入逃逸能量 ，其模型如下：；

式中： 表示目标初始逃逸能量，值为 区间的随机数，是当前迭代次数， 为总迭代次数，随着不断迭代，逃逸能量 的绝对值呈减小趋势，当逃逸能量绝对值大于1时，认为目标能量充足，此时为探索阶段，当逃逸能量绝对值小于1时，认为目标能量逐渐衰减，逐步包围并获取目标，此为开发阶段；

S3.3：在开发阶段时，根据逃逸能量 及随机数均匀分布在 区间的逃脱模拟参量 的大小，采用4种不同的包围策略，当逃逸能量 较大时，认为目标剩余能量较多，采取软包围，反之则采取硬包围，当 时，认为目标逃脱失败，采取包围策略获取目标，当时，则认为目标逃脱成功，采用俯冲方式进行包围，并调整位置；

所述S3.3中4种不同的包围策略，具体包括有：软包围：当 ， 时，目标具有较多的逃逸能量，则对目标采取柔和的方式进行包围，消耗其能量，此阶段模型为：；

式中： 为目标与种群位置的距离； 代表目标的随机跳跃强度，其值为区间的随机数；

硬包围：当 ， 时，目标具有较少的逃逸能量，则对目标采取最后的突袭，此阶段模型为：

；

渐近快速俯冲软包围：当 ， 时，目标依然具有较多的逃逸能量，有突破目前包围的可能，则对目标进行软包围，并调整种群位置，此阶段模型为：；

式中： 为维数， 为 的随机向量， 为Levy飞行函数；

；

式中： 和 为 区间上的随机数， 为常数1.5；

渐近快速俯冲硬包围：当 ， 时，目标具有较少的逃逸能量，则对目标形成硬包围，为最后的突袭做准备，此阶段的目的是使种群位置的平均值更接近目标的位置，此阶段的模型为：。

2.根据权利要求1所述的基于区块链的企业运行诊断系统，其特征在于：所述传感器一在工业园区进行生产活动用电时，采集工业园区电网的电流值及电压值，并通过电量转换器一将采集到的电流值数据和电压值数据转换为工业园区每月的用电量数据；所述传感器二在工业园区的供电设备运行及从电网购入电量时，采集工业园区电网的电流值及电压值，并通过电量转换器二将采集到的电流值数据和电压值数据转换为工业园区每月的供电量数据。

3.根据权利要求1所述的基于区块链的企业运行诊断系统，其特征在于：所述数值识别器一从工业园区的税收账单中采集各阶段的税收数据，数值识别器二从工业园区的账务账单中采集各阶段的产值数据。

4.根据权利要求1所述的基于区块链的企业运行诊断系统，其特征在于：所述云平台中的区块链内汇集记录有传感器一、传感器二、数值识别器一和数值识别器二采集的数据，并且传感器一、传感器二、数值识别器一和数值识别器二采集的数据在大数据平台内进一步处理。

5.根据权利要求1所述的基于区块链的企业运行诊断系统，其特征在于：所述大数据平台经过VMD‑HHO‑ELM诊断算法诊断后，若某一阶段的数据存在异常，通过区块链回溯该阶段的所有数据，找出异常的原因。

6.基于区块链的企业运行诊断方法，其特征在于：应用于权利要求1‑5中任一项所述的基于区块链的企业运行诊断系统，所述诊断方法具体包括以下步骤：S1：建立目标函数：

；

其中 为工业园区在a至b阶段的用电量， 为工业园区在a至b阶段的供电量， 为a至b阶段的电价， 为工业园区在a至b阶段的产值， 为工业园区在a至b阶段的税收值，为VMD‑HHO‑ELM诊断算法的实际输出值；

若 的值在 区间内，则数据正常，反之则此阶段工业园区数据存在异常，进一步查看与处理；

S2：所述区块链包括有应用层、合约层、激励层、共识层、网络层及数据层，所述应用层封装有区块链的应用场景和案例；所述合约层封装有各类脚本、算法和智能合约；所述激励层将经济因素集成到区块链技术体系中；所述共识层封装有网络节点的各类共识算法；所述网络层包括分布式组网机制、数据传播机制和数据验证机制；所述数据层封装有底层数据区块以及相关的数据加密和时间戳这些基础数据和基本算法；

所述区块链中将收集的工业园区各阶段的用电量、供电量、税收值及产值，再加入国家最新公布的缴税标准这些模拟数值数据，送入数据收集系统进行临时存储，通过数据收集系统将这些模拟数值数据送入区块链税收数据处理系统中，通过区块链网络管理中的区块链数据处理网关，将模拟数值进行处理与加密后转换为数字数值，便于区块链对数字数值进行处理，将数字数值送入区块链网络中的各个区块链节点进行存储，使数字数值难以更改，以保证其真实性及准确性，数字数值在各个区块链节点之间实现相关数据的联动，最后，将联动后的数字数值数据通过区块链网络管理中的区块链数据处理网关，转换为模拟数值数据作为结果输出，输入大数据平台进行处理；

利用VMD算法对输入的数据进行初步处理，去除冗余或干扰性数据，该算法将原信号分解成 个IMF分量，把模态函数定义为一个调频调幅信号，记为：；

其中： 为IMF的幅值， 为IMF的频率；

S3：利用HHO算法对ELM算法中的输入权重 和阈值 进行寻优搜索，最小化预测误差，获取最佳期望网络模型，实现ELM算法对工业园区税收数据异常的高精度诊断；

S4：利用优化后的ELM算法，对通过VMD算法初步处理后的数据进一步处理，诊断工业园区税收数据是否异常，具体的：ELM算法由输入层、隐含层以及输出层3部分组成，输入层的输入权重 和隐含层的阈值 由S3中HHO算法寻优搜索获得；

输入层的 个神经元对应的输入矩阵为 ，输出层的 个神经元对应的输出矩阵为 ，隐含层有 个神经元，激励函数 的模型为：；

式中： 为隐含层第 个神经元与输出层第 个神经元的连接权值； 为输入层第 个神经元与隐含层第 个神经元的连接权值； 为隐含层神经元的激励函数；

为第 个隐含层神经元的阈值； 为网络的实际输出值；

隐含层输出矩阵 表示为：

；

网络输出用 表示，其中 为矩阵 的转置，若 则预测结果与 和无关，神经网络的输出值以零误差逼近训练样本，即：；

；

式中：  为神经网络的期望输出； 为输出误差，当 足够大时， ；

根据最小范围二乘准则，计算出连接权值 为：；

式中： 为隐含层输出矩阵的广义逆。

7.根据权利要求6所述的基于区块链的企业运行诊断方法，其特征在于：所述S2中VMD的计算过程如下：S2.1：利用Hilbert变换计算得到每一个调频调幅信号 对应解析信号，得到其单边频：；

式中： 为冲击函数，其表达式为：

；

S2.2：进一步加入指数项 模态函数对应解析信号的预估中心频率，将每个模态的频谱转移至基带：；

S2.3：变分模态分解写成如下含有约束的最优化问题：；

式中： 为调频调幅信号； 为各模态分量的中心频率； 为未分解的输入的数据；

S2.4：引入二次惩罚因子 和增广Lagrange函数，将变分问题转变为非约束性变分问题，组成扩展的Lagrange表达式：；

式中： 为二次惩罚因子，通过选取 来调节变分模态分解方法的完备性；

S2.5：计算得到约束模型的最优解：

。

8.根据权利要求6所述的基于区块链的企业运行诊断方法，其特征在于：所述S3中HHO算法对 ELM 算法中的输入权重 和阈值 进行寻优搜索的具体步骤如下：S3.1：在搜索阶段中时，HHO算法在大范围等待并搜索目标，此阶段会从两种不同的行动策略中，随机且等概率选取一种来执行，其公式如下：；

式中： 表示从第 代种群中随机的个体； 为截至第 代所得到的全局最优个体； 为目标所在位置； 、 、 、 和 为 区间上均匀分布的随机数；

和 分别为种群位置的上界和下界； 是第 代种群所有个体的平均位置；

S3.2：在转换阶段时，为了模拟猎物在逃逸过程中的能量衰减，引入逃逸能量 ，其模型如下：；

式中： 表示目标初始逃逸能量，值为 区间的随机数，是当前迭代次数， 为总迭代次数，随着不断迭代，逃逸能量 的绝对值呈减小趋势，当逃逸能量绝对值大于1时，认为目标能量充足，此时为探索阶段，当逃逸能量绝对值小于1时，认为目标能量逐渐衰减，逐步包围并获取目标，此为开发阶段；

S3.3：在开发阶段时，根据逃逸能量 及随机数均匀分布在 区间的逃脱模拟参量 的大小，采用4种不同的包围策略，当逃逸能量 较大时，认为目标剩余能量较多，采取软包围，反之则采取硬包围，当 时，认为目标逃脱失败，采取包围策略获取目标，当时，则认为目标逃脱成功，采用俯冲方式进行包围，并调整位置。

9.根据权利要求8所述的基于区块链的企业运行诊断方法，其特征在于：所述S3.3中4中不同的包围策略，具体包括有：软包围：当 ， 时，目标具有较多的逃逸能量，则对目标采取柔和的方式进行包围，消耗其能量，此阶段模型为：；

式中： 为目标与种群位置的距离； 代表目标的随机跳跃强度，其值为区间的随机数；

硬包围：当 ， 时，目标具有较少的逃逸能量，则对目标采取最后的突袭，此阶段模型为：

；

渐近快速俯冲软包围：当 ， 时，目标依然具有较多的逃逸能量，有突破目前包围的可能，则对目标进行软包围，并调整种群位置，此阶段模型为：；

式中： 为维数， 为 的随机向量， 为Levy飞行函数；

；

式中： 和 为 区间上的随机数， 为常数1.5；

渐近快速俯冲硬包围：当 ， 时，目标具有较少的逃逸能量，则对目标形成硬包围，为最后的突袭做准备，此阶段的目的是使种群位置的平均值更接近目标的位置，此阶段的模型为：。