一种机房漏水检测方法及设备技术

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。机房维修不及时的问题。机房维修不及时的问题。

【技术实现步骤摘要】
一种机房漏水检测方法及设备


[0001]本申请涉及机房安全监督
，尤其涉及一种机房漏水检测方法及设备。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]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。
[0005]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。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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。
[0013]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。
[0014]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；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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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。2.根据权利要求1所述方法，其特征在于，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。3.根据权利要求2所述方法，其特征在于，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。4.根据权利要求2所述方法，其特征在于，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。5.根据权利要求1所述方法，其特征在于，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，...

【专利技术属性】
技术研发人员：单辉，解汉忠，乔学军，
申请(专利权)人：山东金宇信息科技集团有限公司，
类型：发明
国别省市：