神經網絡模型在機房動力環境監控系統中的應用與研究

畢云星

摘要：建設數據中心機房動力環境集中監控系統具有重要意義，通過動力環境集中監控系統可以將不同地區機房的監控數據進行集中監控管理，采用數據挖掘模型能夠進一步提升監控的智能化水平。文章對數據挖掘模型應用于機房動力環境監控系統中的設備故障預警等進行研究，建立GMDH神經網絡，利用監控系統中的歷史數據，可以有效地對機房中的各類設備故障進行預警，加強對機房的監控，提高機房監控的智能化水平。

關鍵詞：動力環境；監控系統；神經網絡；監控預警

doi：10.3969/J.ISSN.1672-7274.2024.03.047

中圖分類號：O 157.5，TP 183? ? ? ? ? 文獻標志碼：A? ? ? ? ? ?文章編碼：1672-7274（2024）03-0-03

1? ?研究背景

建設數據中心機房動力環境集中監控系統具有重要意義，通過動力環境集中監控系統可以將不同地區機房的監控數據進行集中管理，實現實時監控、遠程管理、預警功能、統一展示的運維管理目的。該系統的主要監控對象包括電力供應設備、精密空調、溫濕度、漏水檢測、消防、紅外、視頻監測等。集中監控系統需要具備穩定、可靠、安全的特性，提供7×24×365不間斷的系統監控及運行保障。動力環境監控系統在對機房進行全面監控的過程中，所產生的監控數據是寶貴的資源。通過運用數據挖掘技術對這些數據中的潛在價值與隱藏知識進行分析，能夠為機房管理和運維提供洞察力和決策支持[1]。

首先，數據挖掘技術能夠深入分析機房監控對象的數據，從中識別出潛在的趨勢和規律。例如，通過對動力設備的歷史數據進行分析，系統可以發現設備故障的周期性規律，預測可能再次發生的故障情況，監控人員能夠提前采取維護措施，降低機房運行出現故障的風險。

其次，數據挖掘技術還可以實現對機房能耗的優化。通過分析能耗數據和環境參數的關系，系統可以識別出能耗過高的設備，并分析導致能源浪費的原因。通過對比設備在不同時間段的能耗數據，識別能源消耗的高峰期和低谷期，優化設備在不同時段的使用，達到降低能源開支、提高機房運行效率的目的。

再次，數據挖掘技術有助于加強機房的安全防護。通過對安全監控數據的分析，系統可以檢測出異?；顒雍腿肭中袨?，及時發出預警，確保機房的安全。同時，對設備運行數據的挖掘，能夠識別潛在的故障風險或安全隱患，有利于機房管理人員采取措施，保障機房的安全。

最后，除了保障機房的運行安全，數據挖掘技術還能提升機房的運維效率。通過對設備維修記錄和運行數據的挖掘，系統可以建立設備運維的智能計劃，制訂更加科學合理的維護周期和預防性維護策略。機房管理員可以在保證設備穩定運行的前提下，最大程度地減少不必要的維護成本和停機時間。

2? ?GMDH神經網絡基本原理

GMDH（Group Method of Data Handling）神經網絡能夠應用于回歸與分類問題。GMDH神經網絡由A.G. Ivakhnenko于1968年提出，經過不斷發展與完善，被應用于各類場景中。GMDH神經網絡是一種根據樣本信息自動確定網絡結構的模型。與BP神經網絡等不同，GMDH神經網絡無須事先預定網絡結構，而是根據數據的特性和復雜程度自動選擇合適的網絡結構。在每一層神經網絡中，GMDH神經網絡會對變量進行組合，形成新的特征，擴展模型的復雜度。通過原始變量的線性及非線性組合，可以實現對不同函數的擬合。在GMDH神經網絡中，由傳遞函數負責具體組合原始變量。傳遞函數可以選擇不同的函數形式，主要包括以下幾類。

GMDH神經網絡采用多層結構處理數據，每一層結構都對數據集進行計算。最初的輸入層接受原始的輸入變量，然后逐層進行變量組合和篩選來建立新的模型。假設對機房設備故障預警的判定指標可以表示為，其中，代表預警輸出的狀態向量，D代表由故障預警指標組成的矩陣，滿足半正定矩陣的性質，如公式（1）所示。

采用AUC、查準率等指標作為模型的評價依據，則機房故障預警樣本劃分可以采用式（2）進行表示。

對公示（2）進行正則化以后，得到式（3）。

式中，代表公式（2）中，對應的A組樣本的各項輸入向量，代表公式（2）中，對應的B組樣本的各項輸入向量，第h層GMDH神經網絡的結構需要滿足公式（4）。

式中，代表預警輸出的狀態向量，代表第H層的傳遞函數形成的矩陣。通過求解以上公式，GMDH神經網絡能夠自適應的調整網絡結構，達到對機房設備故障進行預警的目的。

3? ?基于GMDH神經網絡的機房動力環境預測應用

基于GMDH神經網絡，采用機房動力環境監測數據，可以構建機房設備故障預警模型。

如圖1所示，在將GMDH神經網絡應用于機房動力環境集中監控時，首先，需要收集機房動力環境中各個設備的傳感器數據，如溫度、濕度、電壓、電流等。同時，記錄設備的運行狀態，包括正常運行和故障情況。收集好的數據將用于訓練和測試GMDH神經網絡模型。對收集到的數據通過預處理、數據清洗、缺失值處理、特征選擇等步驟，確保數據的質量和完整性[2]。

其次，在訓練GMDH神經網絡時，可以采用遺傳算法進行參數優化。遺傳算法是一種基于自然選擇和遺傳機制的參數優化算法。該算法是一種在解決復雜問題時尋找近似最優解的啟發式搜索算法。遺傳算法模擬自然界中的遺傳和進化過程，通過模擬生物個體的繁殖、適應度和遺傳變異等機制，搜索問題的求解空間，找到最優或接近最優的解。

再次，在GMDH神經網絡訓練完成后，可以采用額外的樣本數據進行測試。將數據輸入到訓練好的GMDH神經網絡模型中，得到GMDH神經網絡模型的預測結果，與設備的實際運行狀態進行比較，對模型進行估計。在使用測試集數據驗證訓練好的GMDH神經網絡模型時，評估模型預測性能的指標主要包括準確率、召回率、精確率等，通過對這些指標進行分析，確保模型的可靠性和準確性。

最后，在驗證完GMDH神經網絡的性能以后，可以將GMDH神經用于生產實踐中。一旦GMDH神經網絡訓練完成并通過驗證，就可以將其應用于實時數據的監控中。當實時數據被輸入到GMDH神經網絡中時，模型根據歷史數據的規律來預測設備的運行狀態。如果GMDH神經網絡檢測到異常情況或設備故障的潛在跡象，即可發出預警信號。通過將GMDH神經網絡模型集成到機房動力環境集中監控系統中，可以實現實時的設備故障預警。預警信息可以通過各種方式通知相關工作人員，比如手機短信、郵件、App通知等，以便機房管理人員及時采取措施進行處理和維修。

4? ?應用效果分析

為分析GMDH神經網絡模型應用于機房動力環境監控系統中的作用，筆者搜集了機房中精密空調設備的報警數據，構建了基于GMDH神經網絡的故障預警模型。其中，預警采用的各項指標主要包括環境溫度、濕度、空調負荷、空調轉速等。采用監控系統中累積的過去一年的監控數據119 090條進行建模測試，其中隨機抽取80%的數據作為訓練集用于構建GMDH神經網絡，采用剩余的20%作為測試集合數據，對GMDH神經網絡的預警性能進行樣本外測。樣本外測試結果如表1所示。

如表1所示，在機房動力環境監測系統的故障預警樣本中，GMDH神經網絡模型能夠預測實際發生故障的2 073個樣本中的2 036個樣本，具有較為準確的預測性能。采用ROC曲線以及AUC值評估GMDH模型的預警效果，得到圖2數據。

如圖2所示，ROC曲線是一種常用于評估分類模型性能的工具。在ROC曲線中，每個點代表預測模型在特定閾值下的性能表現。閾值控制了將樣本分為正例和負例的邊界，不同的閾值會導致不同的真正例率和假正例率。ROC曲線的理想狀態是盡量向左上角靠攏，即真正例率高而假正例率低，這預示著模型在各種情況下都能有較好的預測性能。AUC值是ROC曲線下的面積，用來定量計算模型的性能。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神經網絡模型對設備故障預警具有較好的預測效果。

5? ?結束語

通過建立GMDH神經網絡，借助機房集中監控系統中的歷史數據，可對機房中各類設備故障進行預警。采用GMDH神經網絡模型進行設備故障預警，有利于提高機房智能化運維的水平。

參考文獻

[1] 邢毓華，李凡菲．用改進GA-BP神經網絡的設備故障維修時間預測[J]．計算機仿真，2021（10）：90-94.

[2] 梁浩，楊偉偉，周娟，等．基于云計算平臺的運維監控系統數據檢測算法研究[J]．自動化技術與應用，2023（4）：5-10.