本發(fā)明涉及通信，尤其涉及一種基于礦燈的異常事件監(jiān)控方法、裝置、計算機設(shè)備和存儲介質(zhì)。

背景技術(shù)：

1、隨著現(xiàn)代科技的飛速進步與廣泛應(yīng)用，礦燈作為照明設(shè)備，其重要性日益凸顯，在戶外探險、潛水作業(yè)、礦山開采、緊急救援乃至家居應(yīng)急照明等多個領(lǐng)域均發(fā)揮著不可替代的作用。礦燈不僅要求具備高效、持久的照明能力，更需保證在極端環(huán)境下的安全性和穩(wěn)定性，以確保使用者的人身安全及工作順利進行。

2、然而，在礦燈的實際使用過程中，其安全性管理面臨諸多挑戰(zhàn)。當(dāng)前，大多數(shù)礦燈的異常事件監(jiān)控依賴于人工巡檢。然而，基于人工巡檢的異常事件監(jiān)控方式存在以下不足：人工巡檢需要大量的人力資源和時間成本，且難以實現(xiàn)全天候、不間斷的監(jiān)控，容易導(dǎo)致異常事件的漏檢或延遲發(fā)現(xiàn)。

技術(shù)實現(xiàn)思路

1、本發(fā)明的主要目的在于提供了一種基于礦燈的異常事件監(jiān)控方法、裝置、計算機設(shè)備和存儲介質(zhì)，旨在解決現(xiàn)有技術(shù)中，基于人工巡檢的異常事件監(jiān)控方式需要大量的人力資源和時間成本，且難以實現(xiàn)全天候、不間斷的監(jiān)控，容易導(dǎo)致異常事件的漏檢或延遲發(fā)現(xiàn)的技術(shù)問題。

2、為實現(xiàn)上述目的，本發(fā)明提供一種基于礦燈的異常事件監(jiān)控方法，該方法包括：

3、基于目標(biāo)傳感器采集礦燈使用環(huán)境中的環(huán)境參數(shù)數(shù)據(jù)與行為數(shù)據(jù)；

4、對所述環(huán)境參數(shù)數(shù)據(jù)與所述行為數(shù)據(jù)進行異常識別處理，得到目標(biāo)異常事件的異常因子；其中，所述異常因子的數(shù)量包括多個；

5、基于預(yù)設(shè)的數(shù)據(jù)挖掘算法對所述異常因子進行關(guān)聯(lián)規(guī)則挖掘，得到與所述異常因子對應(yīng)的異常關(guān)聯(lián)規(guī)則；

6、基于所述異常關(guān)聯(lián)規(guī)則生成與所述異常因子對應(yīng)的因子關(guān)聯(lián)系數(shù)；

7、基于預(yù)設(shè)的權(quán)重確定模型對所述異常關(guān)聯(lián)規(guī)則集合進行處理，得到與所述異常因子對應(yīng)的異常因子權(quán)重；

8、基于所述異常因子、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重生成所述目標(biāo)異常事件的動態(tài)異常系數(shù)；

9、在預(yù)設(shè)的礦燈監(jiān)控頁面中展示所述動態(tài)異常系數(shù)，并實時判斷所述動態(tài)異常系數(shù)是否大于預(yù)設(shè)的預(yù)警閾值；

10、若是，生成與所述目標(biāo)異常事件對應(yīng)的預(yù)警信息，并將所述預(yù)警信息發(fā)送給相關(guān)用戶。

11、可選地，所述對所述環(huán)境參數(shù)數(shù)據(jù)與所述行為數(shù)據(jù)進行異常識別處理，得到目標(biāo)異常事件的異常因子，包括：

12、分別對所述環(huán)境參數(shù)數(shù)據(jù)與所述行為數(shù)據(jù)進行預(yù)處理，得到對應(yīng)的目標(biāo)環(huán)境參數(shù)數(shù)據(jù)與目標(biāo)行為數(shù)據(jù)；

13、基于預(yù)設(shè)的統(tǒng)計分析方法對所述目標(biāo)環(huán)境參數(shù)數(shù)據(jù)進行異常識別，得到對應(yīng)的異常數(shù)據(jù)；

14、基于預(yù)設(shè)的圖像處理算法對所述目標(biāo)行為數(shù)據(jù)進行圖像處理，得到對應(yīng)的圖像特征數(shù)據(jù)；

15、基于預(yù)設(shè)的行為處理算法對所述圖像特征數(shù)據(jù)進行異常識別，得到對應(yīng)的異常行為；

16、基于所述異常數(shù)據(jù)與所述異常行為生成所述目標(biāo)異常事件的異常因子。

17、可選地，所述基于預(yù)設(shè)的數(shù)據(jù)挖掘算法對所述異常因子進行關(guān)聯(lián)規(guī)則挖掘，得到與所述異常因子對應(yīng)的異常關(guān)聯(lián)規(guī)則，包括：

18、獲取預(yù)設(shè)的多種關(guān)聯(lián)規(guī)則挖掘算法；

19、從所有所述關(guān)聯(lián)規(guī)則挖掘算法中確定出目標(biāo)關(guān)聯(lián)規(guī)則挖掘算法；

20、基于所述目標(biāo)關(guān)聯(lián)規(guī)則挖掘算法對所述異常因子進行關(guān)聯(lián)規(guī)則挖掘，得到與所述異常因子對應(yīng)的異常關(guān)聯(lián)規(guī)則。

21、可選地，所述基于所述異常關(guān)聯(lián)規(guī)則生成與所述異常因子對應(yīng)的因子關(guān)聯(lián)系數(shù)，包括：

22、將所述異常關(guān)聯(lián)規(guī)則轉(zhuǎn)換為對應(yīng)的第一特征向量；每一個第一特征向量對應(yīng)一個異常因子；

23、調(diào)用預(yù)設(shè)的機器學(xué)習(xí)模型；

24、基于所述機器學(xué)習(xí)模型對所述第一特征向量進行處理，得到與所述第一特征向量對應(yīng)的特征重要性評分；

25、基于預(yù)設(shè)的關(guān)聯(lián)系數(shù)計算算法對所述特征重要性評分進行計算處理，得到與所述異常關(guān)聯(lián)規(guī)則對應(yīng)的相關(guān)系數(shù)值；

26、將所述相關(guān)系數(shù)值作為與所述異常因子對應(yīng)的因子關(guān)聯(lián)系數(shù)。

27、可選地，所述基于預(yù)設(shè)的權(quán)重確定模型對所述異常關(guān)聯(lián)規(guī)則集合進行處理，得到與所述異常因子對應(yīng)的異常因子權(quán)重，包括：

28、將所述異常關(guān)聯(lián)規(guī)則轉(zhuǎn)換為對應(yīng)的第二特征向量；其中，每一個第二特征向量對應(yīng)一個異常因子；

29、對所述第二特征向量進行特征工程處理，得到對應(yīng)的目標(biāo)特征向量；

30、調(diào)用預(yù)設(shè)的權(quán)重確定模型；

31、將所述目標(biāo)特征向量輸入至所述權(quán)重確定模型內(nèi)，通過所述權(quán)重確定模型對所述目標(biāo)特征向量進行處理，得到與所述目標(biāo)特征向量對應(yīng)的權(quán)重；

32、將所述權(quán)重作為與所述異常因子對應(yīng)的異常因子權(quán)重。

33、可選地，所述基于所述異常因子、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重生成所述目標(biāo)異常事件的動態(tài)異常系數(shù)，包括：

34、獲取所述異常因子的異常因子值；

35、調(diào)用預(yù)設(shè)的異常系數(shù)計算公式；

36、基于所述異常系數(shù)計算公式對所述異常因子值、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重進行計算處理，得到對應(yīng)的計算結(jié)果；

37、將所述計算結(jié)果作為所述目標(biāo)異常事件的動態(tài)異常系數(shù)。

38、可選地，所述基于所述異常因子、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重生成所述目標(biāo)異常事件的動態(tài)異常系數(shù)之后，所述方法還包括：

39、生成與所述動態(tài)異常系數(shù)對應(yīng)的異常解釋信息；

40、調(diào)用預(yù)設(shè)的監(jiān)控日志；

41、將所述動態(tài)異常系數(shù)與所述異常解釋信息記錄至所述監(jiān)控日志內(nèi)。

42、此外，為實現(xiàn)上述目的，本發(fā)明還提供一種基于礦燈的異常事件監(jiān)控裝置，所述基于礦燈的異常事件監(jiān)控裝置包括：

43、采集模塊，用于基于目標(biāo)傳感器采集礦燈使用環(huán)境中的環(huán)境參數(shù)數(shù)據(jù)與行為數(shù)據(jù)；

44、識別模塊，用于對所述環(huán)境參數(shù)數(shù)據(jù)與所述行為數(shù)據(jù)進行異常識別處理，得到目標(biāo)異常事件的異常因子；其中，所述異常因子的數(shù)量包括多個；

45、挖掘模塊，用于基于預(yù)設(shè)的數(shù)據(jù)挖掘算法對所述異常因子進行關(guān)聯(lián)規(guī)則挖掘，得到與所述異常因子對應(yīng)的異常關(guān)聯(lián)規(guī)則；

46、第一生成模塊，用于基于所述異常關(guān)聯(lián)規(guī)則生成與所述異常因子對應(yīng)的因子關(guān)聯(lián)系數(shù)；

47、處理模塊，用于基于預(yù)設(shè)的權(quán)重確定模型對所述異常關(guān)聯(lián)規(guī)則集合進行處理，得到與所述異常因子對應(yīng)的異常因子權(quán)重；

48、第二生成模塊，用于基于所述異常因子、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重生成所述目標(biāo)異常事件的動態(tài)異常系數(shù)；

49、判斷模塊，用于在預(yù)設(shè)的礦燈監(jiān)控頁面中展示所述動態(tài)異常系數(shù)，并實時判斷所述動態(tài)異常系數(shù)是否大于預(yù)設(shè)的預(yù)警閾值；

50、發(fā)送模塊，用于若是，生成與所述目標(biāo)異常事件對應(yīng)的預(yù)警信息，并將所述預(yù)警信息發(fā)送給相關(guān)用戶。

51、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機設(shè)備，采用了如下所述的技術(shù)方案：

52、所述計算機設(shè)備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)本技術(shù)實施例中提出的任一項所述的基于礦燈的異常事件監(jiān)控方法的步驟。

53、為了解決上述技術(shù)問題，本技術(shù)實施例還提供一種計算機可讀存儲介質(zhì)，采用了如下所述的技術(shù)方案：

54、所述計算機可讀存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)本技術(shù)實施例中提出的任一項所述的基于礦燈的異常事件監(jiān)控方法的步驟。

55、與現(xiàn)有技術(shù)相比，本技術(shù)實施例主要有以下有益效果：

56、本發(fā)明提供了一種基于礦燈的異常事件監(jiān)控方法、裝置、計算機設(shè)備和存儲介質(zhì)，上述方法包括：首先基于目標(biāo)傳感器采集礦燈使用環(huán)境中的環(huán)境參數(shù)數(shù)據(jù)與行為數(shù)據(jù)；然后對所述環(huán)境參數(shù)數(shù)據(jù)與所述行為數(shù)據(jù)進行異常識別處理，得到目標(biāo)異常事件的異常因子；其中，所述異常因子的數(shù)量包括多個；之后基于預(yù)設(shè)的數(shù)據(jù)挖掘算法對所述異常因子進行關(guān)聯(lián)規(guī)則挖掘，得到與所述異常因子對應(yīng)的異常關(guān)聯(lián)規(guī)則；并基于所述異常關(guān)聯(lián)規(guī)則生成與所述異常因子對應(yīng)的因子關(guān)聯(lián)系數(shù)；以及基于預(yù)設(shè)的權(quán)重確定模型對所述異常關(guān)聯(lián)規(guī)則集合進行處理，得到與所述異常因子對應(yīng)的異常因子權(quán)重；后續(xù)基于所述異常因子、所述因子關(guān)聯(lián)系數(shù)以及所述異常因子權(quán)重生成所述目標(biāo)異常事件的動態(tài)異常系數(shù)；進一步在預(yù)設(shè)的礦燈監(jiān)控頁面中展示所述動態(tài)異常系數(shù)，并實時判斷所述動態(tài)異常系數(shù)是否大于預(yù)設(shè)的預(yù)警閾值；若是，生成與所述目標(biāo)異常事件對應(yīng)的預(yù)警信息，并將所述預(yù)警信息發(fā)送給相關(guān)用戶。本技術(shù)基于目標(biāo)傳感器、數(shù)據(jù)挖掘算法、異常關(guān)聯(lián)規(guī)則、權(quán)重確定模型、礦燈監(jiān)控頁面的使用構(gòu)建了一個完整的自動監(jiān)控系統(tǒng)，可以實現(xiàn)對于礦燈使用環(huán)境的實時監(jiān)控和自動預(yù)警，確保在發(fā)生異常事件時能夠及時響應(yīng)并采取措施，有利于保障生產(chǎn)安全和人員安全。通過本技術(shù)提供的對于礦燈的異常事件的自動監(jiān)控方式，可以有效避免人工巡檢，進而減少礦燈的異常事件監(jiān)控所需的人力資源和時間成本，有效地提高了對于礦燈的異常事件監(jiān)控的處理效率與響應(yīng)及時性。