CN115993210B

CN115993210B - 一种机房漏水检测方法及设备

Info

Publication number: CN115993210B
Application number: CN202310293168.5A
Authority: CN
Inventors: 单辉; 解汉忠; 乔学军
Original assignee: Shandong Jinyu Information Technology Group Co Ltd
Current assignee: Shandong Jinyu Information Technology Group Co Ltd
Priority date: 2023-03-24
Filing date: 2023-03-24
Publication date: 2023-06-20
Anticipated expiration: 2043-03-24
Also published as: CN115993210A

Abstract

本申请提供了一种机房漏水检测方法及设备，属于机房安全监督技术领域。该方法确定目标漏水点位；基于预设采样时间间隔，获取历史时间段内目标漏水点位在各采样时刻的漏水轨迹数据，以生成目标漏水点位相应的漏水轨迹数据集。基于漏水轨迹数据集，确定各采样时刻对应的采样时段内的漏水坐标时间序列。其中，各采样时段对应的漏水坐标存在转场点位。转场点位为在漏水轨迹数据集中的漏水轨迹坐标发生变化的情况下确定的。根据漏水坐标时间序列，确定目标漏水点位相应的漏水转场信息，以根据漏水转场信息，监测目标漏水点位的漏水危险程度。通过上述方法解决当前机房漏水检测时间长，人工成本高，机房维修不及时的问题。

Description

一种机房漏水检测方法及设备

技术领域

本申请涉及机房安全监督技术领域，尤其涉及一种机房漏水检测方法及设备。

背景技术

机房如计算机机房、数据中心、电脑室、配电室、档案室、博物馆等，机房中的服务器设备存放有重要资料，机房设备一旦损坏将出现无法估计的严重后果，引发严重的经济财产、保密信息的损失。

目前，为保障机房不会被漏水所影响，将在机房内部或外部布设漏水检测类传感器，用于进行漏水检测。在机房漏水的情况下，由于水的蔓延，多个传感器均可能发出报警，维护人员需要经过现场勘查及检测，获知最主要的漏水点位，进而进行依次维修。维护人员的现场勘查及检测需要投入人工时间，可能影响维修进度，影响机房恢复正常使用。

发明内容

本申请实施例提供了一种机房漏水检测方法及设备，用于解决当前机房漏水检测时间长，人工成本高，机房维修不及时的问题。

一方面，本申请实施例提供了一种机房漏水检测方法，该方法包括：

确定目标漏水点位；

基于预设采样时间间隔，获取历史时间段内所述目标漏水点位在各采样时刻的漏水轨迹数据，以生成所述目标漏水点位相应的漏水轨迹数据集；

基于所述漏水轨迹数据集，确定各所述采样时刻对应的采样时段内的漏水坐标时间序列；其中，各所述采样时段对应的漏水坐标存在转场点位；所述转场点位为在所述漏水轨迹数据集中的漏水轨迹坐标发生变化的情况下确定的；

根据所述漏水坐标时间序列，确定所述目标漏水点位相应的漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度。

在本申请的一种实现方式中，基于所述漏水轨迹数据集，确定各所述采样时刻对应的采样时段内的漏水坐标时间序列，具体包括：

将所述漏水轨迹数据集中的所述漏水轨迹数据，依次输入预先训练的小波神经网络模型；其中，所述漏水轨迹数据至少包括：轨迹图像；

确定所述小波神经网络模型的输出层输出的若干漏水轨迹曲线；其中，所述漏水轨迹曲线为漏水轨迹的边沿曲线；

根据各所述漏水轨迹曲线及预设坐标系，确定各初始采样时段相应的漏水坐标集；

基于各所述漏水坐标集的第一比对结果，确定相应的所述采样时段；所述采样时段由至少一个所述初始采样时段组成；

根据各所述采样时段对应的漏水坐标集及各所述采样时段，生成所述漏水坐标时间序列。

在本申请的一种实现方式中，根据各所述漏水轨迹曲线及预设坐标系，确定各初始采样时段相应的漏水坐标集，具体包括：

以所述目标漏水点位为中心，预设方向为正向坐标轴，建立所述预设坐标系；

确定各所述漏水轨迹曲线在所述预设坐标系的轨迹曲线方程；

根据各所述轨迹曲线方程，确定所述漏水轨迹的边沿坐标集为所述漏水坐标集。

在本申请的一种实现方式中，将所述漏水轨迹数据集中的所述漏水轨迹数据，依次输入预先训练的小波神经网络模型之前，所述方法还包括：

获取若干历史漏水轨迹样本；

按照时间顺序，将各所述历史漏水轨迹样本划分为多个训练样本序列；其中，一个所述训练样本序列至少包括四个时间连续的历史漏水轨迹样本；

将各所述训练样本序列依次输入所述小波神经网络模型，以对所述小波神经网络模型进行训练，直至所述小波神经网络模型的输出误差小于预设值，得到训练完成的所述小波神经网络模型；所述训练至少包括对所述小波神经网络模型的权值参数进行修正。

在本申请的一种实现方式中，根据所述漏水坐标时间序列，确定所述目标漏水点位相应的漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度，具体包括：

将各所述漏水坐标时间序列按照采样时刻进行排序，并以自然数顺序，累计记录排序编号；

按照所述排序编号，确定第一漏水坐标时间序列中的第一数量的起始坐标、中间坐标及终止坐标，并将所述第一漏水坐标时间序列作为标准序列；

将第二漏水坐标时间序列中所述第一数量的起始坐标、中间坐标及终止坐标分别与所述标准序列中的第一数量的起始坐标、中间坐标及终止坐标进行比对，并在第二比对结果满足预设条件的情况下，将所述第二漏水坐标时间序列作为所述标准序列，以比对相应的第N漏水坐标时间序列，直至遍历所述排序编号对应的各所述漏水坐标时间序列；其中，所述N为大于2的自然数；

否则，将所述第二比对结果不满足所述预设条件的所述漏水坐标时间序列及其相应的所述排序编号，添加至漏水转场记录表，并将所述第二比对结果不满足所述预设条件的所述漏水坐标时间序列，作为所述标准序列；

根据遍历结束得到的所述漏水转场记录表，确定所述漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度；其中，所述漏水转场信息至少包括转场坐标、转场位移量。

在本申请的一种实现方式中，根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度，具体包括：

获取来自用户终端的机房地图信息；

根据所述机房地图信息及所述漏水转场信息的转场坐标，确定相应的第一风险值；

根据所述漏水转场信息中的所述转场位移量及所述机房地图信息，匹配所述转场坐标对应的区域转场风险表中的第二风险值；

根据各所述第一风险值与各所述第二风险值的加权平均值，确定所述目标漏水点位的漏水危险值；所述漏水危险值用于表征所述漏水危险程度。

在本申请的一种实现方式中，所述方法还包括：

将所述第一漏水坐标时间序列中的元素，按照时间顺序，平均划分为三组元素组，并确定元素组中的元素数量为所述第一数量；

确定其余各所述漏水坐标时间序列中的元素总数量，为第二数量；

在所述第二数量大于所述第一数量的三倍的情况下，将其余各所述漏水坐标时间序列进行预设滤波处理，以剔除所述漏水坐标时间序列中的部分元素，得到其余各所述漏水坐标时间序列对应的所述第一数量的起始坐标、中间坐标及终止坐标。

在本申请的一种实现方式中，根据所述机房地图信息及所述漏水转场信息的转场坐标，确定相应的第一风险值，具体包括：

根据所述机房地图信息，判断所述转场坐标相应的转场路径方向，是否存在机房设备；

在所述转场坐标相应的转场路径方向上存在所述机房设备的情况下，根据所述转场坐标与所述机房设备的距离及所述机房设备的预设防水权重，确定所述第一风险值，并生成漏水告警信息。

在本申请的一种实现方式中，确定目标漏水点位，具体包括：

获取来自预先设置的线式水浸传感器和/或漏水检测绳的检测信号；

根据所述检测信号对应的设备标识，定位所述目标漏水点位。

另一方面，本申请实施例还提供了一种机房漏水检测设备，所述设备包括：

至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：

确定目标漏水点位；

本申请通过上述技术方案，能够对机房漏水的严重程度进行监测，并提供给漏水的目标漏水点位，便于维护人员进行机房漏水的点对点维修。提供漏水点位的漏水严重程度，无需人工检测，减少机房漏水检测时间，降低人工成本。进而使维护人员能够及时对机房漏水情况进行维修。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例中一种机房漏水检测方法的一种流程示意图；

图2为本申请实施例中一种机房漏水检测设备的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

机房漏水检测系统主要职责是保护计算机机房、数据中心、电脑室、配电室、档案室、博物馆等重要资料和服务器设备安全，一旦出现漏液和漏水事故而配备漏水检测系统，会通过声光报警和短信等方式告知值班人员早期发现漏水或漏水事故及时处理。

由于当前维护人员在收到机房漏水报警后，无法第一时刻确定漏水严重程度，也不能够根据漏水严重程度进行依次地机房维护。进而当前机房漏水检测时间长，人工成本高，机房维修不及时。

基于此，本申请实施例提供了一种机房漏水检测方法及设备，用来减少机房漏水的检测时长，降低人工检测成本，使维护人员对机房进行及时维修。

以下结合附图，详细说明本申请的各个实施例。

本申请实施例提供了一种机房漏水检测方法，如图1所示，该方法可以包括步骤S101-S104：

S101，服务器确定目标漏水点位。

需要说明的是，服务器作为机房漏水检测方法的执行主体，仅为示例性存在，执行主体不仅限于服务器，本申请对此不作具体限定。

目标漏水点位具体通过以下方案确定，具体如下：

服务器获取来自预先设置的线式水浸传感器和/或漏水检测绳的检测信号。根据检测信号对应的设备标识，定位目标漏水点位。

服务器可以通过模拟量、数字量接口与线式水浸传感器连接，漏水检测绳可以连接线式水浸传感器，通过传感器与服务器进行信息交互。上述检测信号为干接点信号，在线式水浸传感器和/或漏水检测绳触碰到水的情况下，将生成上述检测信号，并发送至服务器，检测信号中携带有对应的设备标识，或者检测绳检测到水的点位信息，便于服务器根据检测信号定位机房中的目标漏水点位。

S102，服务器基于预设采样时间间隔，获取历史时间段内目标漏水点位在各采样时刻的漏水轨迹数据，以生成目标漏水点位相应的漏水轨迹数据集。

预设采样时间间隔可以由用户进行设定，用于间隔一段时间采集一次漏水轨迹数据。漏水轨迹数据可以为图像采集设备如摄像头等设备采集的表面漏水轨迹图像，也可以是激光设备，采集地面或墙体的漏水路径信息。由于有水和无水区域的反射率不同，因此可以采用激光设备的反射，得到有水和无水区域，进而得到各采样时刻的漏水轨迹数据。预设采样时间间隔为t1的情况下，在t0时刻，采集第一漏水轨迹数据，在t1时刻采集第二漏水轨迹数据，在2*t1时刻采集第三漏水轨迹数据……直至在历史时间段T内，得到所有的漏水轨迹数据。历史时间段可以是用户预先设定的当前时间点之前的一个时间段，根据实际地使用情况进行设定，例如设定30分钟为一历史时间段，或24小时为一历史时间段，本申请对此不作具体限定。

将上述得到的漏水轨迹数据进行组合，得到目标漏水点位相应的漏水轨迹数据集。

S103，服务器基于漏水轨迹数据集，确定各采样时刻对应的采样时段内的漏水坐标时间序列。

其中，各采样时段对应的漏水坐标存在转场点位。转场点位为在漏水轨迹数据集中的漏水轨迹坐标发生变化的情况下确定的。

转场点位可以理解为漏水坐标发生了足够大的变化，该变化可以理解为坐标值差值大于或等于一比对阈值。该比对阈值由用户自行设定，本申请对此不作具体限定。

在本申请实施例中，基于漏水轨迹数据集，确定各采样时刻对应的采样时段内的漏水坐标时间序列，具体包括：

首先，服务器将漏水轨迹数据集中的漏水轨迹数据，依次输入预先训练的小波神经网络模型。其中，漏水轨迹数据至少包括：轨迹图像。

小波神经网络模型经过预先训练，能够识别漏水轨迹数据如轨迹图像中的水的边沿曲线，即有水与无水区域的分界线。小波神经网络（WaveletNeuralNetwork，WNN）是基于小波分析理论以及小波变换所构造的一种分层的、多分辨率的新型人工神经网络模型，其网络收敛速度快，避免陷入局部最优。小波神经网络模型具有输入层、隐含层和输出层。

其中，小波神经网络模型的隐含层小波函数可以如：

其中，

为隐含层的第/>

个神经元的小波基函数的漏水轨迹曲线的计算输出值，本申请的小波基函数可以为Morlet母小波基函数；/>

为输入层与输出层间的联结权重；/>

为输入层输入的漏水轨迹数据的数量；/>

为/>

的平移因子，/>

为/>

的伸缩因子，联结权重、平移因子、伸缩因子由训练过程中得到。

输出层对应的计算公式如下：

其中，

为输出层输出的漏水轨迹曲线，/>

为隐含层到输出层的权重值，可以训练得到；/>

为第/>

个隐含层小波神经元节点输出的数值，/>

为隐含层节点数，/>

为输出神经元节点数，本申请小波神经网络模型为1。

本申请实施例中，服务器将漏水轨迹数据集中的漏水轨迹数据，依次输入预先训练的小波神经网络模型之前，方法还包括：

服务器获取若干历史漏水轨迹样本。并按照时间顺序，将各历史漏水轨迹样本划分为多个训练样本序列。其中，一个训练样本序列至少包括四个时间连续的历史漏水轨迹样本。然后，将各训练样本序列依次输入小波神经网络模型，以对小波神经网络模型进行训练，直至小波神经网络模型的输出误差小于预设值，得到训练完成的小波神经网络模型。训练至少包括对小波神经网络模型的权值参数进行修正。预设值由用户根据经验进行设定，本申请对此不作具体限定。

也就是说，本申请能够利用历史漏水轨迹样本对小波神经网络模型进行训练，以对小波神经网络模型中的权重进行训练。本申请还能够通过以下公式确定训练的小波神经网络模型的输出层输出误差，根据误差与预设值的关系，对权值参数进行修正，权值参数至少包括上述联结权重、平移因子、伸缩因子及隐含层到输出层的权重值。误差计算公式如下：

其中，

为小波神经网络模型的输出层期望输出，/>

为小波神经网络模型的预测输出。本申请对权值参数的修正，可以采用梯度修正法，即在误差大于预设值的情况下，利用梯度修正法对权值参数的参数值进行增大或减小调整，使预测输出不断逼近期望输出。

接着，服务器确定小波神经网络模型的输出层输出的若干漏水轨迹曲线。其中，漏水轨迹曲线为漏水轨迹的边沿曲线。

本申请将漏水轨迹数据集中漏水轨迹数据，依次输入训练完成的小波神经网络模型，本申请可以将采集时刻连续的多个，也可以将单个漏水轨迹数据输入小波神经网络模型，进而得到与漏水轨迹数据集中的漏水轨迹数据的数量相对应的漏水轨迹曲线。

再接着，服务器根据各漏水轨迹曲线及预设坐标系，确定各初始采样时段相应的漏水坐标集。

在本申请实施例中，根据各漏水轨迹曲线及预设坐标系，确定各初始采样时段相应的漏水坐标集，具体包括：

服务器以目标漏水点位为中心，预设方向为正向坐标轴，建立预设坐标系。并确定各漏水轨迹曲线在预设坐标系的轨迹曲线方程。接着，根据各轨迹曲线方程，确定漏水轨迹的边沿坐标集为漏水坐标集。

换言之，服务器可以以目标漏水点位为坐标原点，建立坐标系，并由用户预先设定好正向坐标轴的方向。服务器可以根据得到的漏水轨迹曲线，确定其在坐标系中的曲线方程，并根据该曲线方程对应的漏水坐标，得到漏水坐标集。

然后，服务器基于各漏水坐标集的第一比对结果，确定相应的采样时段。采样时段由至少一个初始采样时段组成。

本申请可以对各漏水坐标集的坐标进行比对，进而得到由至少一个初始采样时段组成的采样时段，初始采样时段为按照采样时间间隔划分得到的时段。比对可以是将漏水坐标集中坐标，按照位置进行一一比对，例如时间最早的漏水坐标集为{

}，再一漏水坐标集为{/>

}。在{/>

}与{/>

}的第一比对结果为各相应的坐标值差值小于一比对阈值，如/>

与/>

的差值为a，a小于比对阈值，以此类推，直至比对/>

与/>

的差值小于比对阈值。那么比对结果为两个漏水坐标集为同一采样时段；在比对过程中，任一对坐标值的差值大于或等于上述比对阈值，那么两个漏水坐标集为不同采样时段，以此划分得到不同的采样时段。漏水坐标集中的坐标值数量可能不同，本申请可以通过预先设定的坐标选择规则，例如有一漏水坐标集中有8个坐标值，那么可以间隔1个坐标值的方式，选择4个坐标值组成与前一漏水坐标集比对的漏水坐标集。

第一比对结果还可以是将各漏水坐标集中的总坐标数量进行比对的结果，例如一漏水坐标集有3个坐标值，另一漏水坐标集有5个坐标值，5-3=2，可以确定一比对阈值为2。该第一比对结果为大于或等于比对阈值的情况，则确定两个漏水坐标集不为同一采样时段，从而对初始采样时段进行划分。

最后，服务器根据各采样时段对应的漏水坐标集及各采样时段，生成漏水坐标时间序列。

在本申请实施例中，服务器得到采样时段之后，可以确定各采样时段所对应的漏水坐标集，按照采样时段对应的时间顺序，服务器将同一采样时段对应的漏水坐标集中坐标进行求平均值处理，如有同一采样时段内具有

个{/>

}，/>

为自然数。服务器将对应位置的坐标如/>

包含/>

、/>

、/>

……进行求平均值，并分别计算/>

，/>

，/>

进而得到在该采样时段内的漏水坐标时间序列。

本申请通过上述方案，能够得到各采样时段对应的漏水坐标时间序列，进而对漏水转场行为进行监测。

S104，服务器根据漏水坐标时间序列，确定目标漏水点位相应的漏水转场信息，以根据漏水转场信息，监测目标漏水点位的漏水危险程度。

在本申请实施例中，服务器根据漏水坐标时间序列，确定目标漏水点位相应的漏水转场信息，以根据漏水转场信息，监测目标漏水点位的漏水危险程度，具体包括：

首先，服务器将各漏水坐标时间序列按照采样时刻进行排序，并以自然数顺序，累计记录排序编号。

也就是说，服务器可以进行漏水坐标时间序列的排序。

接着，服务器按照排序编号，确定第一漏水坐标时间序列中的第一数量的起始坐标、中间坐标及终止坐标，并将第一漏水坐标时间序列作为标准序列。

其中，第一数量可以通过以下实施例进行确定，具体如下：

服务器将第一漏水坐标时间序列中的元素，按照时间顺序，平均划分为三组元素组，并确定元素组中的元素数量为第一数量。

接着，服务器确定其余各漏水坐标时间序列中的元素总数量，为第二数量。

在第二数量大于第一数量的三倍的情况下，将其余各漏水坐标时间序列进行预设滤波处理，以剔除漏水坐标时间序列中的部分元素，得到其余各漏水坐标时间序列对应的第一数量的起始坐标、中间坐标及终止坐标。

换言之，漏水坐标时间序列中的元素数量可以不同，例如第一漏水坐标时间序列的元素数量有3个，另一漏水坐标时间序列中的元素数量有6个，本申请第一数量即为1，第二数量为6，大于第一数量1的三倍，那么将对另一漏水坐标时间序列进行滤波处理，进行剔除部分元素，例如隔一个元素进行剔除一个，或者是将坐标差较大的坐标进行剔除，例如{1,1,5,3,6,2}，服务器可以将5,3,6进行剔除。起始坐标、中间坐标、终止坐标分别为{1,1,2}。

以及将第二漏水坐标时间序列中第一数量的起始坐标、中间坐标及终止坐标分别与标准序列中的第一数量的起始坐标、中间坐标及终止坐标进行比对，并在第二比对结果满足预设条件的情况下，将第二漏水坐标时间序列作为标准序列，以比对相应的第N漏水坐标时间序列，直至遍历排序编号对应的各漏水坐标时间序列。其中，N为大于2的自然数。

也就是通过上述滤波处理方式，得到其余漏水坐标时间序列的起始坐标、中间坐标及终止坐标，并进行坐标的比对。预设条件可以是起始坐标、中间坐标及终止坐标的比对值，小于预设比对值，该预设比对值可以由用户进行设定，该预设比对值可以基于机房面积或机房内设备设置距离进行设定。

否则，将第二比对结果不满足预设条件的漏水坐标时间序列及其相应的排序编号，添加至漏水转场记录表，并将比对结果不满足预设条件的漏水坐标时间序列，作为标准序列。

随后，服务器根据遍历结束得到的漏水转场记录表，确定漏水转场信息，以根据漏水转场信息，监测目标漏水点位的漏水危险程度。其中，漏水转场信息至少包括转场坐标、转场位移量。

也就是说，服务器可以根据漏水在随时间变化的变化程度，即漏水转场记录表，得到漏水危险程度。例如在目标漏水点位开始漏水时，水往往从该点位逐渐扩散，进而抵达机房各个位置，通过上述方案，可以记录漏水蔓延过程及蔓延地点，进而得到漏水危险程度。

在本申请实施例中，根据漏水转场信息，监测目标漏水点位的漏水危险程度，具体包括：

首先，服务器获取来自用户终端的机房地图信息。

机房地图信息可以是用户预先发送至服务器，或发送至服务器相应的数据库中，机房地图信息记录有机房中设备位置、内部布置信息。

随后，服务器根据机房地图信息及漏水转场信息的转场坐标，确定相应的第一风险值。

本申请可以根据机房地图信息及漏水转场信息的转场坐标，确定相应的第一风险值，具体包括：

服务器根据机房地图信息，判断转场坐标相应的转场路径方向，是否存在机房设备。在转场坐标相应的转场路径方向上存在机房设备的情况下，根据转场坐标与机房设备的距离及机房设备的预设防水权重，确定第一风险值，并生成漏水告警信息。

也就是说，服务器相应的数据库中可以存储有防水权重列表，防水权重列表中记录有水与机房设备距离的防水权重，该防水权重可以在机房设备布置时进行记录，也可以是用户在实际工作过程中，基于经验进行设定的。一般地，水距离机房设备越近，防水权重越大；机房设备位置的坡度越缓（机房设备处于高处），防水权重越大。根据防水权重及转场坐标与机房设备的距离值的乘积，计算得到第一风险值，并生成漏水告警信息，发送至用户终端。漏水告警信息可以是文字信息、图片信息，用户终端可以为用户的手机、电脑等设备，本申请对此不作具体限定。

随后，服务器根据漏水转场信息中的转场位移量及机房地图信息，匹配转场坐标对应的区域转场风险表中的第二风险值。

区域转场风险表可以预先存储于与服务器连接的数据库中，该区域转场风险表中包含转场位移量与在机房各区域位置之间的关联风险值，例如在区域A，转场位移量为b，那么区域转场风险表中A-b，对应于关联风险值c，该关联风险值即为第二风险值。

最后，服务器根据各第一风险值与各第二风险值的加权平均值，确定目标漏水点位的漏水危险值。漏水危险值用于表征漏水危险程度。

在得到漏水危险值后，服务器可以将其发送至用户终端，也可以在得到多个目标漏水点位对应的漏水危险值的情况下，按照漏水危险值的大小顺序进行排列，将目标漏水点位对应的点位标识发送至用户终端，进而监测机房的漏水危险程度。

服务器能够得到目标漏水点位对应的多个第一风险值、多个第二风险值，本申请可以通过计算多个第一风险值、多个第二风险值对应的加权平均值，得到漏水危险值。具体计算公式如下：

其中，

为漏水危险值，/>

为第/>

个第一风险值的权重，/>

第/>

个第一风险值，/>

第

个第二风险值的权重，/>

第/>

个第一风险值，其中，第一风险值的权重及第二风险值的权重可以由用户自行设定，例如根据机房地图信息中转场坐标与机房设备的关系得到的两组权重。

本申请通过上述技术方案，能够对机房漏水的严重程度进行监测，并提供给漏水的目标漏水点位，便于维护人员进行对点维修，减少机房漏水检测时间，降低人工成本。进而使维护人员能够及时对机房漏水情况进行维修。

图2为本申请实施例提供的一种机房漏水检测设备的结构示意图，如图2所示，设备包括：

至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：

确定目标漏水点位。基于预设采样时间间隔，获取历史时间段内目标漏水点位在各采样时刻的漏水轨迹数据，以生成目标漏水点位相应的漏水轨迹数据集。基于漏水轨迹数据集，确定各采样时刻对应的采样时段内的漏水坐标时间序列。其中，各采样时段对应的漏水坐标存在转场点位。转场点位为在漏水轨迹数据集中的漏水轨迹坐标发生变化的情况下确定的。根据漏水坐标时间序列，确定目标漏水点位相应的漏水转场信息，以根据漏水转场信息，监测目标漏水点位的漏水危险程度。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

本申请实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims

1.一种机房漏水检测方法，其特征在于，所述方法包括：

确定目标漏水点位；

基于所述漏水轨迹数据集，确定各所述采样时刻对应的采样时段内的漏水坐标时间序列；其中，各所述采样时段对应的漏水坐标存在转场点位；所述转场点位为在所述漏水轨迹数据集中的漏水轨迹坐标发生变化的情况下确定的；所述转场点位为坐标值差值大于或等于比对阈值；

根据所述漏水坐标时间序列，确定所述目标漏水点位相应的漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度；

其中，基于所述漏水轨迹数据集，确定各所述采样时刻对应的采样时段内的漏水坐标时间序列，具体包括：

根据各所述采样时段对应的漏水坐标集及各所述采样时段，生成所述漏水坐标时间序列；

其中，根据各所述漏水轨迹曲线及预设坐标系，确定各初始采样时段相应的漏水坐标集，具体包括：

根据各所述轨迹曲线方程，确定所述漏水轨迹的边沿坐标集为所述漏水坐标集；

其中，将所述漏水轨迹数据集中的所述漏水轨迹数据，依次输入预先训练的小波神经网络模型之前，所述方法还包括：

获取若干历史漏水轨迹样本；

将各所述训练样本序列依次输入所述小波神经网络模型，以对所述小波神经网络模型进行训练，直至所述小波神经网络模型的输出误差小于预设值，得到训练完成的所述小波神经网络模型；所述训练至少包括对所述小波神经网络模型的权值参数进行修正；

其中，根据所述漏水坐标时间序列，确定所述目标漏水点位相应的漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度，具体包括：

根据遍历结束得到的所述漏水转场记录表，确定所述漏水转场信息，以根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度；其中，所述漏水转场信息至少包括转场坐标、转场位移量；

其中，根据所述漏水转场信息，监测所述目标漏水点位的漏水危险程度，具体包括：

获取来自用户终端的机房地图信息；

根据各所述第一风险值与各所述第二风险值的加权平均值，确定所述目标漏水点位的漏水危险值；所述漏水危险值用于表征所述漏水危险程度；

其中，所述方法还包括：

在所述第二数量大于所述第一数量的三倍的情况下，将其余各所述漏水坐标时间序列进行预设滤波处理，以剔除所述漏水坐标时间序列中的部分元素，得到其余各所述漏水坐标时间序列对应的所述第一数量的起始坐标、中间坐标及终止坐标；

其中，根据所述机房地图信息及所述漏水转场信息的转场坐标，确定相应的第一风险值，具体包括：

2.根据权利要求1所述方法，其特征在于，确定目标漏水点位，具体包括：

获取来自预先设置的线式水浸传感器的检测信号；

3.一种机房漏水检测设备，其特征在于，所述设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-2任一项所述的一种机房漏水检测方法。