1.基于图正则增量非负矩阵分解的采矿场景异常检测方法,其特征在于，包括以下步骤：S1：数据采集；使用两套设备，每套设备包括摄像头及瓦斯传感器、CO2传感器，各传感器数量为一个，对多个正常工作时刻下的环境进行采样；两套设备获得的数据均分别做以下相同处理；

S2：数据预处理；将S1采集的数据进行灰度化、向量化、归一化预处理后得到训练集X'，初始训练样本矩阵 该矩阵中有k个样本，由训练集X'中某个时段的数据样本组成，将训练集X'中此后时刻的数据样本依次作为下一个新增样本；

S3：训练阶段；将S2得到的初始训练样本矩阵 和新增样本进行图正则增量非负矩阵分解得到最优基矩阵Wnew和系数矩阵Hnew；其中使用 进行SVD分解得到的奇异值矩阵、奇异向量矩阵分别对 进行图正则非负矩阵分解中的基矩阵和系数矩阵初始化；这样不会破坏原始数据的数据结构，能在低维空间保持样本的几何结构信息，还能结合增量学习充分利用上一步的分解结果，避免重复计算，从而降低了运算时间；

2 2

S4：计算控制限；由S3得到的Wnew、Hnew计算监控统计量N 和SPE，N为监控特征空间的变化，SPE为监控残差空间的变化；再采用核密度估计(KED)方法对过程数据进行概率密度估计，提取出数据的实际分布信息，从而确定每套设备训练样本对应的统计量控制限S5：测试阶段；重新采集测试集数据X”进行检测，对测试集X”进行S2、S3相同处理，求出对应的统计量，将该监控统计量与两套控制限进行对比；如果统计量均在两套设备训练集的控制限之内则表示正常状态；如果任意一个或两个统计量均在两套设备训练集的控制限之外则表示异常状态，立即进行一级警报；如果任意一个或两个统计量仅在其中一套设备训练集的控制限之外则进一步排查是否为设备异常，若不是则为环境异常，进行二级警报；

当场景异常时，计算贡献值并进行排序，将最大的几个贡献值作为异常原因上传至控制接口以展示。

2.根据权利要求书1所述的基于图正则增量非负矩阵分解的采矿场景异常检测方法，其特征在于：步骤S2中数据样本具体参数如下：初始训练样本矩阵 其中t0≤

ti≤…≤ti+k‑1≤t1，表示是初始时段t0～t1采集的数据； 表示第j个样本中第i个设备所采集到的数据，该样本是在ti时刻采集到的；i＝1表示设备是摄像头，i＝2表示设备是瓦斯传感器， 表示第三个样本中瓦斯传感器的数据，该样本是在ti+2时刻采集到的；

表示第一个数据样本，是在ti时刻采集的；

表示第k+1个数据样本，是在t2时刻采集的，也是作为下一次的新增样本，此后的新增样本以此类推。

3.根据权利要求书1所述的基于图正则增量非负矩阵分解的采矿场景异常检测方法，其特征在于：步骤S3中训练阶段具体步骤如下：S3.1：先将初始训练样本矩阵 进行SVD分解，得到奇异值矩阵∑和奇异向量矩阵U、V,使用奇异值矩阵、奇异向量矩阵分别对 进行图正则非负矩阵分解中的基矩阵和系数矩阵进行初始化，对初始化后的基矩阵、系数矩阵再进行更新迭代，直至目标函数趋于稳定，得到Wk,Hk；这样可获得更优的全局最优解的效果，且对于输入矩阵无需进行任何数据结构的改变处理，不会破坏原始数据的数据结构，可以保留更多的细节信息，从而提高分解效果；

SVD分解公式：

Wk,Hk初始化：

目标函数：

迭代规则：

其中R表示权重矩阵，D是对角矩阵 Lk是拉普拉斯矩阵Lk＝D‑R，λ是正则化参数；

S3.2：当下一个时刻的新增样本加入时，采用图正则增量非负矩阵分解获得最优基矩阵和系数矩阵；

当 加入时目标函数为：

迭代规则

S3.3：将所有新增样本重复上述操作，更新结束后得到最优基矩阵Wnew和系数矩阵Hnew。

4.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机指令，该指令用于使计算机执行如权利要求1‑3任意一项所述的采矿场景异常检测方法。