CN108921223B - 一种服务器冷却***及控制方法、计算机程序、计算机 - Google Patents
一种服务器冷却***及控制方法、计算机程序、计算机 Download PDFInfo
- Publication number
- CN108921223B CN108921223B CN201810732051.1A CN201810732051A CN108921223B CN 108921223 B CN108921223 B CN 108921223B CN 201810732051 A CN201810732051 A CN 201810732051A CN 108921223 B CN108921223 B CN 108921223B
- Authority
- CN
- China
- Prior art keywords
- server
- module
- temperature
- hard disk
- air volume
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 78
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 title abstract description 6
- 230000002159 abnormal effect Effects 0.000 claims abstract description 52
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 239000007788 liquid Substances 0.000 claims abstract description 21
- 238000012423 maintenance Methods 0.000 claims abstract description 21
- 238000007664 blowing Methods 0.000 claims abstract description 8
- 230000007704 transition Effects 0.000 claims description 24
- 238000009423 ventilation Methods 0.000 claims description 9
- 238000007493 shaping process Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 206010033799 Paralysis Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
- Control Of Temperature (AREA)
Abstract
本发明属于服务器冷却技术领域,公开了一种服务器冷却***及控制方法、计算机程序、计算机,通过风量检测模块检测服务器风扇风量数据;中央控制模块调度风冷模块通过风扇吹风进行冷却操作;通过液冷模块采用液体进行冷却操作;通过自动维护模块自动检测服务器硬盘安全状态并进行维护;通过报警模块根据检测的温度、风量数据判断是否异常,如果异常则及时报警。本发明通过风量检测模块便于服务器根据其电源模块(即服务器电源)的自身运行状态输出风量信息,进而便于数据中心的散热器实现对服务器风量的精准监测;同时通过自动维护模块能够及时发现硬盘异常,能够及时维护,维护成本低及可靠性高的优点。
Description
技术领域
本发明属于服务器冷却技术领域,尤其涉及一种服务器冷却***及控制方法、计算机程序、计算机。
背景技术
目前,业内常用的现有技术是这样的:
服务器,也称伺服器,是提供计算服务的设备。由于服务器需要响应服务请求,并进行处理,因此一般来说服务器应具备承担服务并且保障服务的能力。服务器的构成包括处理器、硬盘、内存、***总线等,和通用的计算机架构类似,但是由于需要提供高可靠的服务,因此在处理能力、稳定性、可靠性、安全性、可扩展性、可管理性等方面要求较高。然而,现有服务器冷却***不能及时精确的检测服务器风扇风量数据,不利对服务器散热的监测;同时如果服务器硬盘异常,不能及时维护,导致服务器瘫痪。
综上所述,现有技术存在的问题是:
现有服务器冷却***不能及时精确的检测服务器风扇风量数据,不利对服务器散热的监测;同时如果服务器硬盘异常,不能及时维护,导致服务器瘫痪。
来自温度的偏差威胁有其独有的特点,诸如模糊性、不确定性和时效性等,因此不能用常规的方法,比如函数法来定量地分析温度偏差威胁。如工程化数学模型评估法,它们都有很大的局限性,因为自身条件的约束,模拟推理出的近似效果并不乐观。并缺乏对温度的偏差信息的时效性分析,不能反映温度偏差威胁在不同时刻的变化规律。导致不能进行温度的准确控制。
发明内容
针对现有技术存在的问题,本发明提供了一种服务器冷却***及控制方法。
本发明是这样实现的,一种服务器冷却***的控制方法,所述服务器冷却***的控制方法包括:
通过温度检测模块对接收的温度信号s(t)进行非线性变换,按如下公式进行:
通过风量检测模块利用接收的风扇风量信号y(t)进行检测服务器风扇风量数据,y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数;
中央控制模块调度风冷模块通过风扇吹风进行冷却操作;通过液冷模块采用液体进行冷却操作;
中央控制模块调度风冷模块中,将收集的服务器温度信息、服务器风扇风量信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立温度威胁等级与影响温度因素的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的温度威胁等级;发出控制指令,对风冷模块进行调度;
通过自动维护模块自动检测服务器硬盘安全状态并进行维护;
通过报警模块根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
进一步,所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,服务器温度、服务器风扇风量共同构成离散状态节点,温度威胁等级为观测节点。
进一步,所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率;
具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1), 1≤i≤n
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1, 1≤i≤n
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的温度威胁等级;
所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={严重,正常}。
进一步,风量检测方法包括:
首先,分别基于其当前获取到的电源风扇的PWM值;
然后,依据预先建立的机柜式服务器的电源模块通风量Q与电源风扇PWM值的对应函数关系式Q=f(PWM);计算当前待监测服务器电源模块当前的通风量Q,之后可以输出该当前计算所得的通风量Q。
进一步,硬盘自动维护方法包括:
首先,检测硬盘的状态;
然后,判断所述硬盘是否异常,若所述硬盘异常,则接收所述硬盘的异常信息及处于异常状态的所述硬盘所在的区域位置信息,对处于异常状态的所述硬盘进行定位并标识处于异常状态的所述硬盘;
最后,根据所述异常信息及处于异常状态的所述硬盘的定位信息控制机器人运动到处于异常状态的所述硬盘的区域位置;所述机器人识别处于异常状态的所述硬盘的标识,以获取处于异常状态的所述硬盘的定位信息,并将处于异常状态的所述硬盘取出并更换为正常工作的硬盘。
本发明的另一目的在于提供一种实现所述服务器冷却***的控制方法的计算机程序。
本发明的另一目的在于一种实现所述服务器冷却***的控制方法的信息计算机。
本发明的另一目的在于一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的服务器冷却***的控制方法。
本发明的另一目的在于一种实现所述控制方法的服务器冷却***,服务器冷却***包括:
电源模块,与中央控制模块连接,用于对服务器各个模块进行供电;
温度检测模块,与中央控制模块连接,用于通过温度传感器检测服务器工作温度数据;
风量检测模块,与中央控制模块连接,用于检测服务器风扇风量数据;
中央控制模块,与电源模块、温度检测模块、风量检测模块、风冷模块、液冷模块、自动维护模块、报警模块连接,用于控制各个模块正常工作;
风冷模块,与中央控制模块连接,用于通过风扇吹风进行冷却操作;
液冷模块,与中央控制模块连接,用于通过液体进行冷却操作;
自动维护模块,与中央控制模块连接,用于自动检测服务器硬盘安全状态并进行维护;
报警模块,与中央控制模块连接,用于根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
本发明的另一目的在于一种搭载所述服务器冷却***的用于工业控制的服务器。
本发明的优点及积极效果为:
本发明通过风量检测模块便于服务器根据其电源模块(即服务器电源)的自身运行状态输出风量信息,进而便于数据中心的散热器实现对服务器风量的精准监测;同时通过自动维护模块能够及时发现硬盘异常,能够及时维护,维护成本低及可靠性高的优点。
本发明通过温度检测模块对接收的温度信号s(t)进行非线性变换,按如下公式进行:
通过风量检测模块利用接收的风扇风量信号y(t)进行检测服务器风扇风量数据,y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数;可获得准确的温度和风量信号,为下一步的智能控制提供依据。
本发明实现了连续观测值和离散动态贝叶斯网络的有机结合,将所有温度偏差威胁度相关的重要因子综合起来进行判断推理,建立了适用于温度偏差威胁度推理的离散动态贝叶斯网络模型(见图3),并结合推理出威胁程度的概率分布;使温度偏差评估的有效性、实用性和准确性大大提升;与静态贝叶斯网络相比,离散动态贝叶斯网络由于利用了临近时间段的节点信息,因此推理结果准确性更高,且当数据存在异常或不确定情况下,离散动态贝叶斯网络仍能够推理出较为正确的温度偏差威胁等级。
附图说明
图1是本发明实施提供的服务器冷却***的控制方法流程图。
图2是本发明实施提供的服务器冷却***结构图。
图中:1、电源模块;2、温度检测模块;3、风量检测模块;4、中央控制模块;5、风冷模块;6、液冷模块;7、自动维护模块;8、报警模块。
图3是本发明实施提供的适用于温度偏差威胁度推理的离散动态贝叶斯网络模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图及具体实施例对本发明的应用原理作进一步描述。
如图1所示,本发明提供的一种服务器冷却***及控制方法包括以下步骤:
S101,通过电源模块对服务器各个模块进行供电;
S102,通过温度检测模块检测服务器工作温度数据;通过风量检测模块检测服务器风扇风量数据;
S103,中央控制模块调度风冷模块通过风扇吹风进行冷却操作;通过液冷模块采用液体进行冷却操作;
S104,通过自动维护模块自动检测服务器硬盘安全状态并进行维护;
S105,通过报警模块根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
如图2所示,本发明实施例提供的服务器冷却***包括:电源模块1、温度检测模块2、风量检测模块3、中央控制模块4、风冷模块5、液冷模块6、自动维护模块7、报警模块8。
电源模块1,与中央控制模块4连接,用于对服务器各个模块进行供电;
温度检测模块2,与中央控制模块4连接,用于通过温度传感器检测服务器工作温度数据;
风量检测模块3,与中央控制模块4连接,用于检测服务器风扇风量数据;
中央控制模块4,与电源模块1、温度检测模块2、风量检测模块3、风冷模块5、液冷模块6、自动维护模块7、报警模块8连接,用于控制各个模块正常工作;
风冷模块5,与中央控制模块4连接,用于通过风扇吹风进行冷却操作;
液冷模块6,与中央控制模块4连接,用于通过液体进行冷却操作;
自动维护模块7,与中央控制模块4连接,用于自动检测服务器硬盘安全状态并进行维护;
报警模块8,与中央控制模块4连接,用于根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
本发明实施例提供的风量检测模块3检测方法如下:
首先,分别基于其当前获取到的电源风扇的PWM值;
然后,依据预先建立的机柜式服务器的电源模块通风量Q与电源风扇PWM值的对应函数关系式Q=f(PWM);计算当前待监测服务器电源模块当前的通风量Q,之后可以输出该当前计算所得的通风量Q。
本发明提供的自动维护模块7维护方法如下:
首先,检测硬盘的状态;
然后,判断所述硬盘是否异常,若所述硬盘异常,则接收所述硬盘的异常信息及处于异常状态的所述硬盘所在的区域位置信息,对处于异常状态的所述硬盘进行定位并标识处于异常状态的所述硬盘;
最后,根据所述异常信息及处于异常状态的所述硬盘的定位信息控制机器人运动到处于异常状态的所述硬盘的区域位置;所述机器人识别处于异常状态的所述硬盘的标识,以获取处于异常状态的所述硬盘的定位信息,并将处于异常状态的所述硬盘取出并更换为正常工作的硬盘。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的服务器冷却***的控制方法,所述服务器冷却***的控制方法包括:
通过温度检测模块对接收的温度信号s(t)进行非线性变换,按如下公式进行:
通过风量检测模块利用接收的风扇风量信号y(t)进行检测服务器风扇风量数据,y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,an=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数;
中央控制模块调度风冷模块通过风扇吹风进行冷却操作;通过液冷模块采用液体进行冷却操作;
中央控制模块调度风冷模块中,将收集的服务器温度信息、服务器风扇风量信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立温度威胁等级与影响温度因素的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的温度威胁等级;发出控制指令,对风冷模块进行调度;
通过自动维护模块自动检测服务器硬盘安全状态并进行维护;
通过报警模块根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,服务器温度、服务器风扇风量共同构成离散状态节点,温度威胁等级为观测节点。
所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率;
具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1), 1≤i≤n
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1, 1≤i≤n
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的温度威胁等级;
所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={严重,正常}。
图3是本发明实施提供的适用于温度偏差威胁度推理的离散动态贝叶斯网络模型图。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种服务器冷却***的控制方法,其特征在于,所述服务器冷却***的控制方法包括:
通过温度检测模块对接收的温度信号s(t)进行非线性变换,按如下公式进行:
通过风量检测模块利用接收的风扇风量信号y(t)进行检测服务器风扇风量数据,y(t)表示为:
y(t)=x(t)+n(t);
其中,x(t)为数字调制信号,n(t)为服从标准SαS分布的脉冲噪声,x(t)的解析形式表示为:
其中,N为采样点数,an为发送的信息符号,在MASK信号中,n=0,1,2,…,M-1,M为调制阶数,an=ej2πε/M,ε=0,1,2,…,M-1,g(t)表示矩形成型脉冲,Tb表示符号周期,fc表示载波频率,载波初始相位是在[0,2π]内均匀分布的随机数;
中央控制模块调度风冷模块通过风扇吹风进行冷却操作;通过液冷模块采用液体进行冷却操作;
中央控制模块调度风冷模块中,将收集的服务器温度信息、服务器风扇风量信息按照划分的量化等级进行量化处理,并建立观测证据表;
利用专家知识或经验建立状态间的条件概率转移矩阵,确定时间片段间的状态转移矩阵;
建立温度威胁等级与影响温度因素的离散动态贝叶斯网络模型;
利用建立的观测证据表、条件转移概率表和状态转移概率表,运用隐马尔科夫推理算法计算出最终的温度威胁等级;发出控制指令,对风冷模块进行调度;
通过自动维护模块自动检测服务器硬盘安全状态并进行维护;
通过报警模块根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
2.如权利要求1所述的服务器冷却***的控制方法,其特征在于,
所述离散动态贝叶斯网络模型是由观测节点和状态节点构成的有向无环图,服务器温度、服务器风扇风量共同构成离散状态节点,温度威胁等级为观测节点。
3.如权利要求1所述的服务器冷却***的控制方法,其特征在于,所述建立的观测证据表、条件转移概率表和状态转移概率表,结合所建立的离散动态贝叶斯网络模型,确定最终的威胁等级即为贝叶斯推理过程依据大量状态节点数据推理出观测节点最大可能取值的概率;
具体包括:***参数λ和观测序列Y,前向-后向算法推理出概率P(Y|λ)的过程如下:
前向算法,定义前向变量αt(i)=P(y1,y2,...,yt,xt=i|λ)
初始化:α1(i)=πibi(y1),1≤i≤n
后向算法,定义后向变量βt(i)=P(yt+1,yt+2,...,yT|xt=i,λ)
初始化:βT(i)=1,1≤i≤n
将前向算法、后向算法结合起来构成前向-后向算法:
最终,根据确立的观测证据表、条件转移概率表和状态转移概率表,结合前向-后向算法推理出UAV的温度威胁等级;
所述的离散动态贝叶斯网络模型中各节点的状态集合用S表示,各因子用下标区分,如下所示:
STT={严重,正常}。
4.如权利要求1所述的服务器冷却***的控制方法,其特征在于,风量检测方法包括:
首先,分别基于其当前获取到的电源风扇的PWM值;
然后,依据预先建立的机柜式服务器的电源模块通风量Q与电源风扇PWM值的对应函数关系式Q=f(PWM);计算当前待监测服务器电源模块当前的通风量Q,之后可以输出该当前计算所得的通风量Q。
5.如权利要求1所述的服务器冷却***的控制方法,其特征在于,硬盘自动维护方法包括:
首先,检测硬盘的状态;
然后,判断所述硬盘是否异常,若所述硬盘异常,则接收所述硬盘的异常信息及处于异常状态的所述硬盘所在的区域位置信息,对处于异常状态的所述硬盘进行定位并标识处于异常状态的所述硬盘;
最后,根据所述异常信息及处于异常状态的所述硬盘的定位信息控制机器人运动到处于异常状态的所述硬盘的区域位置;所述机器人识别处于异常状态的所述硬盘的标识,以获取处于异常状态的所述硬盘的定位信息,并将处于异常状态的所述硬盘取出并更换为正常工作的硬盘。
6.一种实现权利要求1~5任意一项所述服务器冷却***的控制方法的信息计算机。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的服务器冷却***的控制方法。
8.一种实现权利要求1所述控制方法的服务器冷却***,其特征在于,所述服务器冷却***包括:
电源模块,与中央控制模块连接,用于对服务器各个模块进行供电;
温度检测模块,与中央控制模块连接,用于通过温度传感器检测服务器工作温度数据;
风量检测模块,与中央控制模块连接,用于检测服务器风扇风量数据;
中央控制模块,与电源模块、温度检测模块、风量检测模块、风冷模块、液冷模块、自动维护模块、报警模块连接,用于控制各个模块正常工作;
风冷模块,与中央控制模块连接,用于通过风扇吹风进行冷却操作;
液冷模块,与中央控制模块连接,用于通过液体进行冷却操作;
自动维护模块,与中央控制模块连接,用于自动检测服务器硬盘安全状态并进行维护;
报警模块,与中央控制模块连接,用于根据检测的温度、风量数据判断是否异常,如果异常则及时报警。
9.一种搭载权利要求8所述服务器冷却***的用于工业控制的服务器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732051.1A CN108921223B (zh) | 2018-07-05 | 2018-07-05 | 一种服务器冷却***及控制方法、计算机程序、计算机 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810732051.1A CN108921223B (zh) | 2018-07-05 | 2018-07-05 | 一种服务器冷却***及控制方法、计算机程序、计算机 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108921223A CN108921223A (zh) | 2018-11-30 |
CN108921223B true CN108921223B (zh) | 2021-12-10 |
Family
ID=64425393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810732051.1A Expired - Fee Related CN108921223B (zh) | 2018-07-05 | 2018-07-05 | 一种服务器冷却***及控制方法、计算机程序、计算机 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108921223B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111637614B (zh) * | 2020-05-26 | 2021-06-08 | 内蒙古工业大学 | 数据中心主动通风地板的智能控制方法 |
CN112733604B (zh) * | 2020-12-08 | 2022-11-22 | 黑龙江省爱格机械产品检测有限公司 | 冷却液杂质检测平台及方法 |
CN114679900B (zh) * | 2022-04-25 | 2023-06-06 | 东营金丰正阳科技发展有限公司 | 一种户外用便于散热降温的智能油井控制柜 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992377A (zh) * | 2015-06-25 | 2015-10-21 | 华中电网有限公司 | 一种基于服役年龄和负荷水平的变压器可靠性分析方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN106849151A (zh) * | 2015-12-03 | 2017-06-13 | 甘肃省电力公司风电技术中心 | 一种光伏电站接入电网点电压闪变评估检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104679180A (zh) * | 2013-11-30 | 2015-06-03 | 鸿富锦精密工业(深圳)有限公司 | 数据中心及其散热*** |
-
2018
- 2018-07-05 CN CN201810732051.1A patent/CN108921223B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992377A (zh) * | 2015-06-25 | 2015-10-21 | 华中电网有限公司 | 一种基于服役年龄和负荷水平的变压器可靠性分析方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN106849151A (zh) * | 2015-12-03 | 2017-06-13 | 甘肃省电力公司风电技术中心 | 一种光伏电站接入电网点电压闪变评估检测方法 |
Non-Patent Citations (2)
Title |
---|
A Bayes-competing risk model for the use of expert judgment in reliability estimation;Coolen F 等;《Reliability Engineering & System Safety》;20030303;第35卷(第1期);第23-30页 * |
基于贝叶斯网络的数控机床热误差建模;吴雄彪 等;《中国机械工程》;20090228;第20卷(第3期);第293-296页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108921223A (zh) | 2018-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108418841B (zh) | 基于ai的下一代关键信息基础设施网络安全态势感知*** | |
CN108921223B (zh) | 一种服务器冷却***及控制方法、计算机程序、计算机 | |
CN109088775B (zh) | 异常监控方法、装置以及服务器 | |
CN111130940A (zh) | 异常数据检测方法、装置及服务器 | |
US7356548B1 (en) | System and method for remote monitoring and controlling of facility energy consumption | |
CN111045894B (zh) | 数据库异常检测方法、装置、计算机设备和存储介质 | |
CN111897705B (zh) | 服务状态处理、模型训练方法、装置、设备和存储介质 | |
CN112712113B (zh) | 一种基于指标的告警方法、装置及计算机*** | |
US11774295B2 (en) | Cognitive energy assessment by a non-intrusive sensor in a thermal energy fluid transfer system | |
US10591970B2 (en) | Industrial asset management systems and methods thereof | |
CN109783324A (zh) | ***运行预警方法及装置 | |
CN116663747B (zh) | 一种基于数据中心基础设施的智能预警方法及*** | |
CN108809720A (zh) | 云数据***中告警任务的管理方法和装置 | |
CN110971488A (zh) | 一种数据处理方法、装置、服务器和存储介质 | |
CN116506200A (zh) | 云安全服务实现***及方法 | |
CN116595756A (zh) | 基于数字孪生的数据中心智能化运维方法及装置 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN114443437A (zh) | 告警根因输出方法、装置、设备、介质和程序产品 | |
CN112380073B (zh) | 一种故障位置的检测方法、装置及可读存储介质 | |
CN112882898B (zh) | 基于大数据日志分析的异常检测方法、***、设备及介质 | |
CN116857118A (zh) | 一种基于物联网技术的风力发电变桨方法和*** | |
KR20200075091A (ko) | 이상 감지를 위한, 엣지 기반의 데이터 차등 갱신 방법 및 장치 | |
CN111782480B (zh) | 磁盘使用率监测方法、装置、***和介质 | |
CN114577400B (zh) | 一种液冷服务器漏液检测方法、装置、设备、存储介质 | |
CN113743769B (zh) | 数据安全检测方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211210 |
|
CF01 | Termination of patent right due to non-payment of annual fee |