CN117370115A - 一种idc机房运营监测*** - Google Patents
一种idc机房运营监测*** Download PDFInfo
- Publication number
- CN117370115A CN117370115A CN202311336151.XA CN202311336151A CN117370115A CN 117370115 A CN117370115 A CN 117370115A CN 202311336151 A CN202311336151 A CN 202311336151A CN 117370115 A CN117370115 A CN 117370115A
- Authority
- CN
- China
- Prior art keywords
- electric cabinet
- risk
- disaster
- machine room
- data
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 230000002265 prevention Effects 0.000 claims abstract description 25
- 238000011161 development Methods 0.000 claims abstract description 23
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000004458 analytical method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 230000003449 preventive effect Effects 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
-
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
- G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于IDC机房运营监测技术领域,具体的说是一种IDC机房运营监测***,包括数据分析模块,数据采集模块、风险监测模块、演化模块以及检测预警模块;所述数据采集模块用于采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;所述数据分析模块用于接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理;解决现有技术中无法对上述因素作出综合智能判断,无法保证IDC机房处于一个相对稳定环境中运行,且在灾害发生后,无法作出灾害发展预判的问题。
Description
技术领域
本发明属于IDC机房运营监测技术领域,具体的说是一种IDC机房运营监测***。
背景技术
IDC机房与传统机房粗放低效式的管理不同,采用了更加科学精细的管理手段,对各种影响安全运维的风险因素都尽可能的考虑其中。先于用户发现问题解决问题,不让小隐患积累成***烦,是管控的主要目标和方向。
现有的IDC机房在运行时易搜到外界因素影响,IDC机房温度过高或者,IDC机房湿度过大,可能会导致IT硬件宕机或损坏,目前大多通过专用空调送风,可以形成一个整体的空气循环,使机房内的所有设备都能得到平均的冷却,解决上述问题,在空气过于干燥时易出现静电危害,也会导致短路等问题,现有技术中无法对上述因素作出综合智能判断,无法保证IDC机房处于一个相对稳定环境中运行,且在灾害发生后,无法作出灾害发展预判,若单一硬件损坏,及时修复或更换该硬件还在可接受范围内,而如果因某一硬件影响了与之相连硬件运行,则会对IDC机房整体运营造成重大影响。
为此,本发明提供一种IDC机房运营监测***。
发明内容
为了弥补现有技术的不足,解决背景技术中所提出的至少一个技术问题。
本发明解决其技术问题所采用的技术方案是:本发明所述的一种IDC机房运营监测***,包括数据分析模块,数据采集模块、风险监测模块、演化模块以及检测预警模块;
所述数据采集模块用于采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;所述数据分析模块用于接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理;
所述风险监测模块用于对风险灾害电柜进行实时监测,确定对应的电柜灾害参数,并将检测的数据传递至服务器进行储存;所述演化模块用于将风险监测模块的检测数据导入演化模型,进行风险进程演化,建立风险灾害发展进程时间轴,对灾害电柜位置和时间节点进行预判,得到风险波及范围分析评估结果;
所述检测预警模块根据风险波及范围分析评估结果对风险波及区域进行预警,以提醒防治中心在风险未波及时提前进行预防措施。
优选的,所述运行信息数据包括电柜内部温度以及电柜电功率消耗值。
优选的,所述数据分析模块用于接收运行信息数据进行风险系数FX分析,具体为:
获取电柜的类型信息,通过监控设备获取电柜不同温度下的预设电柜电功率消耗值以及对应条件下的外界环境温度、环境湿度、电柜密度以及流通风速,并对监控的数据整合为训练信息;将训练信息输入电柜全域信息识别模型,确定对应电柜的运行信息数据;
获取该温度下的标准运行信息数据;将标准运行信息数据中的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值依次标记为Wb、Sb、Pb、Mb、Db;将实际电柜对应的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值标记为Ws、Ss、Ps、Ms、Ds;
利用公式Hn=(Ds-Db)×[a1×(Ws-Wb)/Wb+a2×(Ss-Sb)/Sb+a3×(Ps-Pb)/Pb+a4×(Ms-Mb)/Mb]×u计算得到损耗值Hn,其中u为预设补偿因子,a1、a2、a3、a4为系数因子;根据损耗值Hn的时间变化趋势对风险系数FX进行评估。
优选的,所述电柜密度的获取方式为:
获取IDC机房的室内面积,并标记为J;获取IDC机房内存在的电柜数量,并标记为Q,根据公式P=J/Q计算得到电柜密度P。
优选的,所述风险系数FX的获取方法具体为:
建立损耗值Hn随时间变化的曲线图,将Hn与预设阈值相比较;
将Hn大于预设阈值开始至回落至预设阈值以下的曲线段标注记为偏离段;在预设时间段内,统计偏离段的次数为Li;将偏离段上对应Hn与预设阈值的差值对时间进行积分并进行求和,得到偏离量Ti;利用公式FX=Li×b1+Ti×b2得到风险系数FX,其中b1、b2为系数因子。
优选的,根据相应电柜的内部温度和电柜电功率消耗值确定对应的防治阈值FY,所述电柜标准运行数据库内还预存有电柜内部温度和电柜电功率消耗值与防治阈值的对照表。
优选的,所述电柜全域信息识别模型基于电柜标准运行数据库通过深度神经网络进行训练得到。
优选的,所述演化模型的具体建立方法为:
通过互联网获取各类受灾IDC机房的历史发展进程以及对应的电柜灾害参数;其中电柜灾害参数为灾害类型、灾害过程中的外界环境温度和湿度、受灾电柜损毁情况以及应急措施;
将同一类型灾害类型的历史发展过程和对应的电柜灾害参数整合标记为训练集,其中电柜灾害参数为输入数据,对应的灾害历史发展过程为输出数据,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为对应类型的演化模型。
优选的,所述灾害类型包括环境潮湿引发的电路板短路损坏、环境干燥静电引发的短路灾害以及温度过高导致的电路板损坏。
优选的,所述灾害电柜位置获取如下:
采集IDC机房各电柜分布位置信息与电柜内部温度信息,以IDC机房进门为坐标原点,机房的长度为Y坐标轴,宽度为X坐标轴,建立二维坐标模型,对每个电柜位置进行序号标记,并赋予序号对应的坐标位置信息。
本发明的有益效果如下:
1.本发明所述的一种IDC机房运营监测***,通过数据采集模块采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;数据分析模块接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;通过获取电柜不同温度下的预设电柜电功率消耗值以及对应条件下的外界环境温度、环境湿度、电柜密度以及流通风速,与电柜实际运行信息数据进行对比,计算出损耗值Hn;根据损耗值Hn的时间变化趋势得出风险系数FX;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理,能够结合多种环境因素作出综合智能判断,保证IDC机房处于一个相对稳定环境中运行。
2.本发明所述的一种IDC机房运营监测***,通过风险监测模块用于对风险灾害电柜进行实时监测,确定对应的电柜灾害参数,并将检测的数据传递至服务器进行储存;演化模块用于将风险监测模块的检测数据导入演化模型,进行风险进程演化,建立风险灾害发展进程时间轴,对灾害电柜位置和时间节点进行预判,得到风险波及范围分析评估结果;在灾害发生后,能够作出灾害发展预判,降低因某一硬件影响了与之相连硬件运行的概率,减少损失。
附图说明
下面结合附图对本发明作进一步说明。
图1是本发明***原理框图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面结合具体实施方式,进一步阐述本发明。
实施例一
如图1所示,本发明实施例所述的一种IDC机房运营监测***,数据分析模块,数据采集模块、风险监测模块、演化模块以及检测预警模块;
所述数据采集模块用于采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;所述数据分析模块用于接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理;
所述运行信息数据包括电柜内部温度以及电柜电功率消耗值。
所述数据分析模块用于接收运行信息数据进行风险系数FX分析,具体为:
获取电柜的类型信息,通过监控设备获取电柜不同温度下的预设电柜电功率消耗值以及对应条件下的外界环境温度、环境湿度、电柜密度以及流通风速,并对监控的数据整合为训练信息;将训练信息输入电柜全域信息识别模型,确定对应电柜的运行信息数据;
具体的,所述电柜内部温度通过在电柜内部设置温度传感器采集,电柜电功率消耗值为电柜内部电消耗值与散热机构的电消耗值总和。
获取该温度下的标准运行信息数据;将标准运行信息数据中的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值依次标记为Wb、Sb、Pb、Mb、Db;将实际电柜对应的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值标记为Ws、Ss、Ps、Ms、Ds;
利用公式Hn=(Ds-Db)×[a1×(Ws-Wb)/Wb+a2×(Ss-Sb)/Sb+a3×(Ps-Pb)/Pb+a4×(Ms-Mb)/Mb]×u计算得到损耗值Hn,其中u为预设补偿因子,a1、a2、a3、a4为系数因子;根据损耗值Hn的时间变化趋势对风险系数FX进行评估。
所述电柜密度的获取方式为:
获取IDC机房的室内面积,并标记为J;获取IDC机房内存在的电柜数量,并标记为Q,根据公式P=J/Q计算得到电柜密度P。
具体的,电柜密度是IDC机房室内面积与摆放电柜数量的比值,能够反应电柜摆放的稠密程度,对电柜的散热有着比较重要的影响,一般来说电柜密度越高,散热效果越差。
所述风险系数FX的获取方法具体为:
建立损耗值Hn随时间变化的曲线图,将Hn与预设阈值相比较;
将Hn大于预设阈值开始至回落至预设阈值以下的曲线段标注记为偏离段;在预设时间段内,统计偏离段的次数为Li;将偏离段上对应Hn与预设阈值的差值对时间进行积分并进行求和,得到偏离量Ti;利用公式FX=Li×b1+Ti×b2得到风险系数FX,其中b1、b2为系数因子。
根据相应电柜的内部温度和电柜电功率消耗值确定对应的防治阈值FY,所述电柜标准运行数据库内还预存有电柜内部温度和电柜电功率消耗值与防治阈值的对照表。
所述电柜全域信息识别模型基于电柜标准运行数据库通过深度神经网络进行训练得到。
具体的,所述电柜标准运行数据库由电柜生产厂家提供。
实施例二
对比实施例一,其中本发明的另一种实施方式为:
本实施例中所述风险监测模块用于对风险灾害电柜进行实时监测,确定对应的电柜灾害参数,并将检测的数据传递至服务器进行储存;所述演化模块用于将风险监测模块的检测数据导入演化模型,进行风险进程演化,建立风险灾害发展进程时间轴,对灾害电柜位置和时间节点进行预判,得到风险波及范围分析评估结果;
具体的
所述检测预警模块根据风险波及范围分析评估结果对风险波及区域进行预警,以提醒防治中心在风险未波及时提前进行预防措施。
所述演化模型的具体建立方法为:
通过互联网获取各类受灾IDC机房的历史发展进程以及对应的电柜灾害参数;其中电柜灾害参数为灾害类型、灾害过程中的外界环境温度和湿度、受灾电柜损毁情况以及应急措施;
将同一类型灾害类型的历史发展过程和对应的电柜灾害参数整合标记为训练集,其中电柜灾害参数为输入数据,对应的灾害历史发展过程为输出数据,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为对应类型的演化模型。
具体的,演化模块能够通过互联网获取各类受灾IDC机房的历史发展进程以及对应的电柜灾害参数,通过对受灾IDC机房的历史发展进程以及对应的电柜灾害参数整合进行神经网络模型训练,得到演化模型,将演化的风险波及范围分析评估结果发送至防治中心,解决在灾害发生后,无法作出灾害发展预判,若单一硬件损坏,及时修复或更换该硬件还在可接受范围内,而如果因某一硬件影响了与之相连硬件运行,则会对IDC机房整体运营造成重大影响的问题,便于工作人员内进行采取提前防护措施,将灾害损失降到最低。
所述灾害类型包括环境潮湿引发的电路板短路损坏、环境干燥静电引发的短路灾害以及温度过高导致的电路板损坏。
所述灾害电柜位置获取如下:
采集IDC机房各电柜分布位置信息与电柜内部温度信息,以IDC机房进门为坐标原点,机房的长度为Y坐标轴,宽度为X坐标轴,建立二维坐标模型,对每个电柜位置进行序号标记,并赋予序号对应的坐标位置信息。
具体的,通过将IDC机房建立二维坐标模型,确立每个电柜的位置,在电柜出现异常后,通过监控能够及时发现该电柜的异常信息并将位置信息发送至防治中心,工作人员通过位置信息能够快速找到异常电柜位置,在通过建立通过对灾害电柜位置进行快速识别,保证工作人员能够在灾害发生后及时找到灾害位置,减小处理时间,降低损失。
工作原理,本发明通过数据采集模块采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;数据分析模块接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;通过获取电柜不同温度下的预设电柜电功率消耗值以及对应条件下的外界环境温度、环境湿度、电柜密度以及流通风速,与电柜实际运行信息数据进行对比,计算出损耗值Hn;根据损耗值Hn的时间变化趋势得出风险系数FX;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理;
通过风险监测模块用于对风险灾害电柜进行实时监测,确定对应的电柜灾害参数,并将检测的数据传递至服务器进行储存;演化模块通过互联网获取各类受灾IDC机房的历史发展进程以及对应的电柜灾害参数;其中电柜灾害参数为灾害类型、灾害过程中的外界环境温度和湿度、受灾电柜损毁情况以及应急措施;将同一类型灾害类型的历史发展过程和对应的电柜灾害参数整合标记为训练集,其中电柜灾害参数为输入数据,对应的灾害历史发展过程为输出数据,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为对应类型的演化模型,将风险监测模块的检测数据进行风险进程演化,建立风险灾害发展进程时间轴,对灾害电柜位置和时间节点进行预判,得到风险波及范围分析评估结果。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种IDC机房运营监测***,其特征在于:包括数据分析模块,数据采集模块、风险监测模块、演化模块以及检测预警模块;
所述数据采集模块用于采集IDC机房的各电柜运行信息数据,并将运行信息数据发送至数据分析模块;所述数据分析模块用于接收运行信息数据进行风险系数FX分析,判断是否要进行风险防治;若风险系数FX大于对应风险防治阈值FY,则判断对应的电柜存在使用风险,发出报警信号至防治中心,由防治中心处理;
所述风险监测模块用于对风险灾害电柜进行实时监测,确定对应的电柜灾害参数,并将检测的数据传递至服务器进行储存;所述演化模块用于将风险监测模块的检测数据导入演化模型,进行风险进程演化,建立风险灾害发展进程时间轴,对灾害电柜位置和时间节点进行预判,得到风险波及范围分析评估结果;
所述检测预警模块根据风险波及范围分析评估结果对风险波及区域进行预警,以提醒防治中心在风险未波及时提前进行预防措施。
2.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述运行信息数据包括电柜内部温度以及电柜电功率消耗值。
3.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述数据分析模块用于接收运行信息数据进行风险系数FX分析,具体为:
获取电柜的类型信息,通过监控设备获取电柜不同温度下的预设电柜电功率消耗值以及对应条件下的外界环境温度、环境湿度、电柜密度以及流通风速,并对监控的数据整合为训练信息;将训练信息输入电柜全域信息识别模型,确定对应电柜的运行信息数据;
获取该温度下的标准运行信息数据;将标准运行信息数据中的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值依次标记为Wb、Sb、Pb、Mb、Db;将实际电柜对应的外界环境温度、环境湿度、电柜密度、流通风速以及电功率值标记为Ws、Ss、Ps、Ms、Ds;
利用公式Hn=(Ds-Db)×[a1×(Ws-Wb)/Wb+a2×(Ss-Sb)/Sb+a3×(Ps-Pb)/Pb+a4×(Ms-Mb)/Mb]×u计算得到损耗值Hn,其中u为预设补偿因子,a1、a2、a3、a4为系数因子;根据损耗值Hn的时间变化趋势对风险系数FX进行评估。
4.根据权利要求3所述的一种IDC机房运营监测***,其特征在于:所述电柜密度的获取方式为:
获取IDC机房的室内面积,并标记为J;获取IDC机房内存在的电柜数量,并标记为Q,根据公式P=J/Q计算得到电柜密度P。
5.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述风险系数FX的获取方法具体为:
建立损耗值Hn随时间变化的曲线图,将Hn与预设阈值相比较;
将Hn大于预设阈值开始至回落至预设阈值以下的曲线段标注记为偏离段;在预设时间段内,统计偏离段的次数为Li;将偏离段上对应Hn与预设阈值的差值对时间进行积分并进行求和,得到偏离量Ti;利用公式FX=Li×b1+Ti×b2得到风险系数FX,其中b1、b2为系数因子。
6.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:根据相应电柜的内部温度和电柜电功率消耗值确定对应的防治阈值FY,所述电柜标准运行数据库内还预存有电柜内部温度和电柜电功率消耗值与防治阈值的对照表。
7.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述电柜全域信息识别模型基于电柜标准运行数据库通过深度神经网络进行训练得到。
8.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述演化模型的具体建立方法为:
通过互联网获取各类受灾IDC机房的历史发展进程以及对应的电柜灾害参数;其中电柜灾害参数为灾害类型、灾害过程中的外界环境温度和湿度、受灾电柜损毁情况以及应急措施;
将同一类型灾害类型的历史发展过程和对应的电柜灾害参数整合标记为训练集,其中电柜灾害参数为输入数据,对应的灾害历史发展过程为输出数据,通过训练集对神经网络模型进行训练,将训练后的神经网络模型标记为对应类型的演化模型。
9.根据权利要求8所述的一种IDC机房运营监测***,其特征在于:所述灾害类型包括环境潮湿引发的电路板短路损坏、环境干燥静电引发的短路灾害以及温度过高导致的电路板损坏。
10.根据权利要求1所述的一种IDC机房运营监测***,其特征在于:所述灾害电柜位置获取如下:
采集IDC机房各电柜分布位置信息与电柜内部温度信息,以IDC机房进门为坐标原点,机房的长度为Y坐标轴,宽度为X坐标轴,建立二维坐标模型,对每个电柜位置进行序号标记,并赋予序号对应的坐标位置信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336151.XA CN117370115B (zh) | 2023-10-16 | 2023-10-16 | 一种idc机房运营监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311336151.XA CN117370115B (zh) | 2023-10-16 | 2023-10-16 | 一种idc机房运营监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117370115A true CN117370115A (zh) | 2024-01-09 |
CN117370115B CN117370115B (zh) | 2024-07-23 |
Family
ID=89392297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311336151.XA Active CN117370115B (zh) | 2023-10-16 | 2023-10-16 | 一种idc机房运营监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117370115B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295746A (ja) * | 2003-03-28 | 2004-10-21 | Fujitsu Fip Corp | 災害対策シミュレーション装置 |
CN108073490A (zh) * | 2017-12-26 | 2018-05-25 | 云栖科技(广州)有限公司 | 一种智能化计算机机房控制*** |
US20190340526A1 (en) * | 2016-11-07 | 2019-11-07 | Equifax Inc. | Optimizing automated modeling algorithms for risk assessment and generation of explanatory data |
CN111243214A (zh) * | 2020-01-19 | 2020-06-05 | 佛山科学技术学院 | 一种基于机器学习的工业机房火灾监测***及方法 |
CN113704066A (zh) * | 2021-09-03 | 2021-11-26 | 广东启信数据服务有限公司 | 机房设备监控管理方法、存储介质及*** |
CN115278390A (zh) * | 2022-07-29 | 2022-11-01 | 昌建宏程实业有限公司 | 一种通信基站建设用综合机柜结构及其控制*** |
CN116227917A (zh) * | 2022-12-26 | 2023-06-06 | 中国电信股份有限公司 | 建筑防汛风险的处理方法、装置、电子设备及存储介质 |
-
2023
- 2023-10-16 CN CN202311336151.XA patent/CN117370115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004295746A (ja) * | 2003-03-28 | 2004-10-21 | Fujitsu Fip Corp | 災害対策シミュレーション装置 |
US20190340526A1 (en) * | 2016-11-07 | 2019-11-07 | Equifax Inc. | Optimizing automated modeling algorithms for risk assessment and generation of explanatory data |
CN108073490A (zh) * | 2017-12-26 | 2018-05-25 | 云栖科技(广州)有限公司 | 一种智能化计算机机房控制*** |
CN111243214A (zh) * | 2020-01-19 | 2020-06-05 | 佛山科学技术学院 | 一种基于机器学习的工业机房火灾监测***及方法 |
CN113704066A (zh) * | 2021-09-03 | 2021-11-26 | 广东启信数据服务有限公司 | 机房设备监控管理方法、存储介质及*** |
CN115278390A (zh) * | 2022-07-29 | 2022-11-01 | 昌建宏程实业有限公司 | 一种通信基站建设用综合机柜结构及其控制*** |
CN116227917A (zh) * | 2022-12-26 | 2023-06-06 | 中国电信股份有限公司 | 建筑防汛风险的处理方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王慧超;: "机房温度监控报警***研究", 《网络安全和信息化》, no. 05, 5 September 2016 (2016-09-05), pages 57 - 60 * |
Also Published As
Publication number | Publication date |
---|---|
CN117370115B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613428A (zh) | 一种能像***及其在电机设备故障检测方法中的应用 | |
CN113551775A (zh) | 基于红外热成像的设备故障在线监测报警方法和*** | |
CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测*** | |
CN117390403B (zh) | 一种新能源灯塔发电站的电网故障检测方法及*** | |
CN117268588B (zh) | 一种远程监控电力柜环境的监测*** | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析*** | |
CN212895016U (zh) | 一种基于LoRa无线测控技术的铝电解槽况诊断*** | |
CN116028887B (zh) | 一种连续性工业生产数据的分析方法 | |
CN115060312A (zh) | 一种基于人工智能的建筑材料安全监测*** | |
CN114387762A (zh) | 一种楼宇数据管理的方法、装置、设备及存储介质 | |
CN115933508A (zh) | 一种配电网智能电力运维*** | |
CN108681625A (zh) | 基于大数据技术的变压器短期过载能力智能评估*** | |
CN113740666B (zh) | 一种数据中心电力***告警风暴根源故障的定位方法 | |
CN108093210A (zh) | 一种变压器油位告警***及其告警方法 | |
CN114740343A (zh) | 断路器用实时检测*** | |
CN114610553A (zh) | 一种智能设备检测***及其检测方法 | |
CN117370115B (zh) | 一种idc机房运营监测*** | |
CN116185757B (zh) | 机房能耗智能监测*** | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN115684829A (zh) | 一种电力二次回路故障检测预警方法及*** | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及*** | |
CN114997375A (zh) | 一种空气型开关柜中绝缘子表面金属污秽模型搭建*** | |
CN115343558A (zh) | 一种低压电器的故障分析检测*** | |
CN109470984B (zh) | 带有电子沙盘的保电配电网故障研判***及其研判方法 | |
CN112198472A (zh) | 一种局部放电智能传感器在线远程校验方法及*** |
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 |