Исследователи НИУ ВШЭ и Уральского федерального университета разработали метод на основе искусственного интеллекта, который выявляет постепенные утечки хладагента и загрязнение теплообменников в системах охлаждения центров обработки данных. Системы охлаждения — одна из наиболее энергоёмких частей инфраструктуры ЦОД: на них может приходиться около 30–50% общего энергопотребления, а даже небольшие неисправности постепенно снижают эффективность оборудования и увеличивают затраты. При утечке хладагента или загрязнении теплообменника параметры меняются не сразу, и отдельные датчики могут продолжать показывать значения в допустимых пределах. Результаты опубликованы в журнале IEEE Transactions on Industry Applications.
В основе метода — графовая нейронная сеть, которая использует инженерную схему системы, чтобы учитывать связи между компрессором, испарителем, конденсатором и другими элементами. Модель обучается на данных исправного оборудования и прогнозирует ожидаемые значения показателей; если фактические измерения начинают устойчиво расходиться с прогнозом, алгоритм фиксирует аномалию. Важная особенность подхода — возможность учитывать реальную схему оборудования и физическую топологию холодильного цикла, а не полагаться только на статистические корреляции между показаниями. Метод проверили на экспериментальном стенде промышленной системы охлаждения компании «ДАТАРК», используя данные 12 исходных датчиков и четырёх расчётных показателей с периодичностью измерения одна минута; моделировались четыре сценария постепенного ухудшения работы оборудования при разных температурах и нагрузках.
Модель, учитывающая физическую структуру холодильного контура, обеспечила наилучшее или сопоставимое с наилучшим качество обнаружения во всех четырёх сценариях: в одном из случаев утечки хладагента показатель F1 достиг 0,87, а в одном из сценариев загрязнения теплообменника отклонение выявлялось в среднем через 200 минут после возникновения неисправности. Как отметил один из авторов, ведущий научный сотрудник НИУ ВШЭ Михаил Гущин, для диагностики сложного оборудования недостаточно анализировать множество показаний датчиков — важно учитывать, как они связаны друг с другом в реальном физическом процессе, чтобы замечать нарушения привычной работы системы в целом, особенно когда неисправности накапливаются постепенно. Разработка может стать основой для более интеллектуальных систем мониторинга ЦОД: раннее выявление утечек и загрязнений позволит своевременно планировать обслуживание, снижать риск внеплановых остановок и поддерживать энергоэффективность охлаждения. В перспективе подход можно адаптировать и к другим инженерным системам.
Изображение: Magnific


