Нейросеть, учитывающая физику холодильного контура, поможет раньше находить неисправности в системах охлаждения ЦОД

Автор/Источник: holodindustry.ru/Генерация ИИ

Специалисты НИУ ВШЭ и Уральского федерального университета представили новый способ раннего выявления неполадок в системах охлаждения центров обработки данных. Разработанный алгоритм основан на графовой нейронной сети и позволяет обнаруживать утечки хладагента и загрязнение теплообменников на начальных стадиях. Результаты исследования опубликованы в журнале IEEE Transactions on Industry Applications.

Отличие подхода состоит в том, что система анализирует не только отдельные показания датчиков, но и физические связи между элементами холодильного контура. Нейросеть учитывает взаимодействие компрессора, конденсатора, испарителя и другого оборудования. После обучения на данных штатной работы алгоритм рассчитывает ожидаемые параметры и фиксирует устойчивые отклонения фактических значений от прогнозных.

Проверка проходила на промышленном экспериментальном стенде компании «ДАТАРК». В испытаниях использовались данные 12 датчиков и четыре расчетных показателя, которые фиксировались с минутным интервалом. Были рассмотрены четыре сценария постепенного развития неисправностей, включая утечку хладагента и загрязнение теплообменников, при различных температурных режимах и нагрузках.

Графовая модель, учитывающая топологию холодильного контура, показала лучшие или сопоставимые с лучшими результаты во всех четырех сценариях. В одном из случаев утечки хладагента метрика F1 составила 0,87. При постепенном загрязнении теплообменника среднее время обнаружения отклонения составило 200 минут. Метод также продемонстрировал преимущества перед архитектурами LSTM, Transformer и графовыми моделями, которые не учитывают физическую топологию оборудования.

Ведущий научный сотрудник Научно-учебной лаборатории методов анализа больших данных НИУ ВШЭ Михаил Гущин отметил, что для диагностики сложного технического оборудования недостаточно анализировать множество показаний датчиков — важно учитывать их взаимосвязи в реальном физическом процессе.

В дальнейшем исследователи планируют проверить алгоритм на расширенном наборе данных и в действующих ЦОД. Кроме того, рассматривается применение похожего подхода для диагностики других инженерных систем.