畢云星

摘要：建設(shè)數(shù)據(jù)中心機(jī)房動(dòng)力環(huán)境集中監(jiān)控系統(tǒng)具有重要意義，通過(guò)動(dòng)力環(huán)境集中監(jiān)控系統(tǒng)可以將不同地區(qū)機(jī)房的監(jiān)控?cái)?shù)據(jù)進(jìn)行集中監(jiān)控管理，采用數(shù)據(jù)挖掘模型能夠進(jìn)一步提升監(jiān)控的智能化水平。文章對(duì)數(shù)據(jù)挖掘模型應(yīng)用于機(jī)房動(dòng)力環(huán)境監(jiān)控系統(tǒng)中的設(shè)備故障預(yù)警等進(jìn)行研究，建立GMDH神經(jīng)網(wǎng)絡(luò)，利用監(jiān)控系統(tǒng)中的歷史數(shù)據(jù)，可以有效地對(duì)機(jī)房中的各類(lèi)設(shè)備故障進(jìn)行預(yù)警，加強(qiáng)對(duì)機(jī)房的監(jiān)控，提高機(jī)房監(jiān)控的智能化水平。

關(guān)鍵詞：動(dòng)力環(huán)境；監(jiān)控系統(tǒng)；神經(jīng)網(wǎng)絡(luò)；監(jiān)控預(yù)警

doi：10.3969/J.ISSN.1672-7274.2024.03.047

中圖分類(lèi)號(hào)：O 157.5，TP 183? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

1? ?研究背景

建設(shè)數(shù)據(jù)中心機(jī)房動(dòng)力環(huán)境集中監(jiān)控系統(tǒng)具有重要意義，通過(guò)動(dòng)力環(huán)境集中監(jiān)控系統(tǒng)可以將不同地區(qū)機(jī)房的監(jiān)控?cái)?shù)據(jù)進(jìn)行集中管理，實(shí)現(xiàn)實(shí)時(shí)監(jiān)控、遠(yuǎn)程管理、預(yù)警功能、統(tǒng)一展示的運(yùn)維管理目的。該系統(tǒng)的主要監(jiān)控對(duì)象包括電力供應(yīng)設(shè)備、精密空調(diào)、溫濕度、漏水檢測(cè)、消防、紅外、視頻監(jiān)測(cè)等。集中監(jiān)控系統(tǒng)需要具備穩(wěn)定、可靠、安全的特性，提供7×24×365不間斷的系統(tǒng)監(jiān)控及運(yùn)行保障。動(dòng)力環(huán)境監(jiān)控系統(tǒng)在對(duì)機(jī)房進(jìn)行全面監(jiān)控的過(guò)程中，所產(chǎn)生的監(jiān)控?cái)?shù)據(jù)是寶貴的資源。通過(guò)運(yùn)用數(shù)據(jù)挖掘技術(shù)對(duì)這些數(shù)據(jù)中的潛在價(jià)值與隱藏知識(shí)進(jìn)行分析，能夠?yàn)闄C(jī)房管理和運(yùn)維提供洞察力和決策支持[1]。

首先，數(shù)據(jù)挖掘技術(shù)能夠深入分析機(jī)房監(jiān)控對(duì)象的數(shù)據(jù)，從中識(shí)別出潛在的趨勢(shì)和規(guī)律。例如，通過(guò)對(duì)動(dòng)力設(shè)備的歷史數(shù)據(jù)進(jìn)行分析，系統(tǒng)可以發(fā)現(xiàn)設(shè)備故障的周期性規(guī)律，預(yù)測(cè)可能再次發(fā)生的故障情況，監(jiān)控人員能夠提前采取維護(hù)措施，降低機(jī)房運(yùn)行出現(xiàn)故障的風(fēng)險(xiǎn)。

其次，數(shù)據(jù)挖掘技術(shù)還可以實(shí)現(xiàn)對(duì)機(jī)房能耗的優(yōu)化。通過(guò)分析能耗數(shù)據(jù)和環(huán)境參數(shù)的關(guān)系，系統(tǒng)可以識(shí)別出能耗過(guò)高的設(shè)備，并分析導(dǎo)致能源浪費(fèi)的原因。通過(guò)對(duì)比設(shè)備在不同時(shí)間段的能耗數(shù)據(jù)，識(shí)別能源消耗的高峰期和低谷期，優(yōu)化設(shè)備在不同時(shí)段的使用，達(dá)到降低能源開(kāi)支、提高機(jī)房運(yùn)行效率的目的。

再次，數(shù)據(jù)挖掘技術(shù)有助于加強(qiáng)機(jī)房的安全防護(hù)。通過(guò)對(duì)安全監(jiān)控?cái)?shù)據(jù)的分析，系統(tǒng)可以檢測(cè)出異?；顒?dòng)和入侵行為，及時(shí)發(fā)出預(yù)警，確保機(jī)房的安全。同時(shí)，對(duì)設(shè)備運(yùn)行數(shù)據(jù)的挖掘，能夠識(shí)別潛在的故障風(fēng)險(xiǎn)或安全隱患，有利于機(jī)房管理人員采取措施，保障機(jī)房的安全。

最后，除了保障機(jī)房的運(yùn)行安全，數(shù)據(jù)挖掘技術(shù)還能提升機(jī)房的運(yùn)維效率。通過(guò)對(duì)設(shè)備維修記錄和運(yùn)行數(shù)據(jù)的挖掘，系統(tǒng)可以建立設(shè)備運(yùn)維的智能計(jì)劃，制訂更加科學(xué)合理的維護(hù)周期和預(yù)防性維護(hù)策略。機(jī)房管理員可以在保證設(shè)備穩(wěn)定運(yùn)行的前提下，最大程度地減少不必要的維護(hù)成本和停機(jī)時(shí)間。

2? ?GMDH神經(jīng)網(wǎng)絡(luò)基本原理

GMDH（Group Method of Data Handling）神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用于回歸與分類(lèi)問(wèn)題。GMDH神經(jīng)網(wǎng)絡(luò)由A.G. Ivakhnenko于1968年提出，經(jīng)過(guò)不斷發(fā)展與完善，被應(yīng)用于各類(lèi)場(chǎng)景中。GMDH神經(jīng)網(wǎng)絡(luò)是一種根據(jù)樣本信息自動(dòng)確定網(wǎng)絡(luò)結(jié)構(gòu)的模型。與BP神經(jīng)網(wǎng)絡(luò)等不同，GMDH神經(jīng)網(wǎng)絡(luò)無(wú)須事先預(yù)定網(wǎng)絡(luò)結(jié)構(gòu)，而是根據(jù)數(shù)據(jù)的特性和復(fù)雜程度自動(dòng)選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)。在每一層神經(jīng)網(wǎng)絡(luò)中，GMDH神經(jīng)網(wǎng)絡(luò)會(huì)對(duì)變量進(jìn)行組合，形成新的特征，擴(kuò)展模型的復(fù)雜度。通過(guò)原始變量的線性及非線性組合，可以實(shí)現(xiàn)對(duì)不同函數(shù)的擬合。在GMDH神經(jīng)網(wǎng)絡(luò)中，由傳遞函數(shù)負(fù)責(zé)具體組合原始變量。傳遞函數(shù)可以選擇不同的函數(shù)形式，主要包括以下幾類(lèi)。

GMDH神經(jīng)網(wǎng)絡(luò)采用多層結(jié)構(gòu)處理數(shù)據(jù)，每一層結(jié)構(gòu)都對(duì)數(shù)據(jù)集進(jìn)行計(jì)算。最初的輸入層接受原始的輸入變量，然后逐層進(jìn)行變量組合和篩選來(lái)建立新的模型。假設(shè)對(duì)機(jī)房設(shè)備故障預(yù)警的判定指標(biāo)可以表示為，其中，代表預(yù)警輸出的狀態(tài)向量，D代表由故障預(yù)警指標(biāo)組成的矩陣，滿(mǎn)足半正定矩陣的性質(zhì)，如公式（1）所示。

采用AUC、查準(zhǔn)率等指標(biāo)作為模型的評(píng)價(jià)依據(jù)，則機(jī)房故障預(yù)警樣本劃分可以采用式（2）進(jìn)行表示。

對(duì)公示（2）進(jìn)行正則化以后，得到式（3）。

式中，代表公式（2）中，對(duì)應(yīng)的A組樣本的各項(xiàng)輸入向量，代表公式（2）中，對(duì)應(yīng)的B組樣本的各項(xiàng)輸入向量，第h層GMDH神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)需要滿(mǎn)足公式（4）。

式中，代表預(yù)警輸出的狀態(tài)向量，代表第H層的傳遞函數(shù)形成的矩陣。通過(guò)求解以上公式，GMDH神經(jīng)網(wǎng)絡(luò)能夠自適應(yīng)的調(diào)整網(wǎng)絡(luò)結(jié)構(gòu)，達(dá)到對(duì)機(jī)房設(shè)備故障進(jìn)行預(yù)警的目的。

3? ?基于GMDH神經(jīng)網(wǎng)絡(luò)的機(jī)房動(dòng)力環(huán)境預(yù)測(cè)應(yīng)用

基于GMDH神經(jīng)網(wǎng)絡(luò)，采用機(jī)房動(dòng)力環(huán)境監(jiān)測(cè)數(shù)據(jù)，可以構(gòu)建機(jī)房設(shè)備故障預(yù)警模型。

如圖1所示，在將GMDH神經(jīng)網(wǎng)絡(luò)應(yīng)用于機(jī)房動(dòng)力環(huán)境集中監(jiān)控時(shí)，首先，需要收集機(jī)房動(dòng)力環(huán)境中各個(gè)設(shè)備的傳感器數(shù)據(jù)，如溫度、濕度、電壓、電流等。同時(shí)，記錄設(shè)備的運(yùn)行狀態(tài)，包括正常運(yùn)行和故障情況。收集好的數(shù)據(jù)將用于訓(xùn)練和測(cè)試GMDH神經(jīng)網(wǎng)絡(luò)模型。對(duì)收集到的數(shù)據(jù)通過(guò)預(yù)處理、數(shù)據(jù)清洗、缺失值處理、特征選擇等步驟，確保數(shù)據(jù)的質(zhì)量和完整性[2]。

其次，在訓(xùn)練GMDH神經(jīng)網(wǎng)絡(luò)時(shí)，可以采用遺傳算法進(jìn)行參數(shù)優(yōu)化。遺傳算法是一種基于自然選擇和遺傳機(jī)制的參數(shù)優(yōu)化算法。該算法是一種在解決復(fù)雜問(wèn)題時(shí)尋找近似最優(yōu)解的啟發(fā)式搜索算法。遺傳算法模擬自然界中的遺傳和進(jìn)化過(guò)程，通過(guò)模擬生物個(gè)體的繁殖、適應(yīng)度和遺傳變異等機(jī)制，搜索問(wèn)題的求解空間，找到最優(yōu)或接近最優(yōu)的解。

再次，在GMDH神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，可以采用額外的樣本數(shù)據(jù)進(jìn)行測(cè)試。將數(shù)據(jù)輸入到訓(xùn)練好的GMDH神經(jīng)網(wǎng)絡(luò)模型中，得到GMDH神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果，與設(shè)備的實(shí)際運(yùn)行狀態(tài)進(jìn)行比較，對(duì)模型進(jìn)行估計(jì)。在使用測(cè)試集數(shù)據(jù)驗(yàn)證訓(xùn)練好的GMDH神經(jīng)網(wǎng)絡(luò)模型時(shí)，評(píng)估模型預(yù)測(cè)性能的指標(biāo)主要包括準(zhǔn)確率、召回率、精確率等，通過(guò)對(duì)這些指標(biāo)進(jìn)行分析，確保模型的可靠性和準(zhǔn)確性。

最后，在驗(yàn)證完GMDH神經(jīng)網(wǎng)絡(luò)的性能以后，可以將GMDH神經(jīng)用于生產(chǎn)實(shí)踐中。一旦GMDH神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成并通過(guò)驗(yàn)證，就可以將其應(yīng)用于實(shí)時(shí)數(shù)據(jù)的監(jiān)控中。當(dāng)實(shí)時(shí)數(shù)據(jù)被輸入到GMDH神經(jīng)網(wǎng)絡(luò)中時(shí)，模型根據(jù)歷史數(shù)據(jù)的規(guī)律來(lái)預(yù)測(cè)設(shè)備的運(yùn)行狀態(tài)。如果GMDH神經(jīng)網(wǎng)絡(luò)檢測(cè)到異常情況或設(shè)備故障的潛在跡象，即可發(fā)出預(yù)警信號(hào)。通過(guò)將GMDH神經(jīng)網(wǎng)絡(luò)模型集成到機(jī)房動(dòng)力環(huán)境集中監(jiān)控系統(tǒng)中，可以實(shí)現(xiàn)實(shí)時(shí)的設(shè)備故障預(yù)警。預(yù)警信息可以通過(guò)各種方式通知相關(guān)工作人員，比如手機(jī)短信、郵件、App通知等，以便機(jī)房管理人員及時(shí)采取措施進(jìn)行處理和維修。

4? ?應(yīng)用效果分析

為分析GMDH神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于機(jī)房動(dòng)力環(huán)境監(jiān)控系統(tǒng)中的作用，筆者搜集了機(jī)房中精密空調(diào)設(shè)備的報(bào)警數(shù)據(jù)，構(gòu)建了基于GMDH神經(jīng)網(wǎng)絡(luò)的故障預(yù)警模型。其中，預(yù)警采用的各項(xiàng)指標(biāo)主要包括環(huán)境溫度、濕度、空調(diào)負(fù)荷、空調(diào)轉(zhuǎn)速等。采用監(jiān)控系統(tǒng)中累積的過(guò)去一年的監(jiān)控?cái)?shù)據(jù)119 090條進(jìn)行建模測(cè)試，其中隨機(jī)抽取80%的數(shù)據(jù)作為訓(xùn)練集用于構(gòu)建GMDH神經(jīng)網(wǎng)絡(luò)，采用剩余的20%作為測(cè)試集合數(shù)據(jù)，對(duì)GMDH神經(jīng)網(wǎng)絡(luò)的預(yù)警性能進(jìn)行樣本外測(cè)。樣本外測(cè)試結(jié)果如表1所示。

如表1所示，在機(jī)房動(dòng)力環(huán)境監(jiān)測(cè)系統(tǒng)的故障預(yù)警樣本中，GMDH神經(jīng)網(wǎng)絡(luò)模型能夠預(yù)測(cè)實(shí)際發(fā)生故障的2 073個(gè)樣本中的2 036個(gè)樣本，具有較為準(zhǔn)確的預(yù)測(cè)性能。采用ROC曲線以及AUC值評(píng)估GMDH模型的預(yù)警效果，得到圖2數(shù)據(jù)。

如圖2所示，ROC曲線是一種常用于評(píng)估分類(lèi)模型性能的工具。在ROC曲線中，每個(gè)點(diǎn)代表預(yù)測(cè)模型在特定閾值下的性能表現(xiàn)。閾值控制了將樣本分為正例和負(fù)例的邊界，不同的閾值會(huì)導(dǎo)致不同的真正例率和假正例率。ROC曲線的理想狀態(tài)是盡量向左上角靠攏，即真正例率高而假正例率低，這預(yù)示著模型在各種情況下都能有較好的預(yù)測(cè)性能。AUC值是ROC曲線下的面積，用來(lái)定量計(jì)算模型的性能。AUC值的范圍在0到1之間，AUC值越大越好。AUC值反映了模型辨別正常情況和故障情況的能力。從圖2中可以看到，采用GMDH神經(jīng)網(wǎng)絡(luò)模型對(duì)設(shè)備故障預(yù)警具有較好的預(yù)測(cè)效果。

5? ?結(jié)束語(yǔ)

通過(guò)建立GMDH神經(jīng)網(wǎng)絡(luò)，借助機(jī)房集中監(jiān)控系統(tǒng)中的歷史數(shù)據(jù)，可對(duì)機(jī)房中各類(lèi)設(shè)備故障進(jìn)行預(yù)警。采用GMDH神經(jīng)網(wǎng)絡(luò)模型進(jìn)行設(shè)備故障預(yù)警，有利于提高機(jī)房智能化運(yùn)維的水平。

參考文獻(xiàn)

[1] 邢毓華，李凡菲．用改進(jìn)GA-BP神經(jīng)網(wǎng)絡(luò)的設(shè)備故障維修時(shí)間預(yù)測(cè)[J]．計(jì)算機(jī)仿真，2021（10）：90-94.

[2] 梁浩，楊偉偉，周娟，等．基于云計(jì)算平臺(tái)的運(yùn)維監(jiān)控系統(tǒng)數(shù)據(jù)檢測(cè)算法研究[J]．自動(dòng)化技術(shù)與應(yīng)用，2023（4）：5-10.