神经网络模型在机房动力环境监控系统中的应用与研究

毕云星

摘要：建设数据中心机房动力环境集中监控系统具有重要意义，通过动力环境集中监控系统可以将不同地区机房的监控数据进行集中监控管理，采用数据挖掘模型能够进一步提升监控的智能化水平。文章对数据挖掘模型应用于机房动力环境监控系统中的设备故障预警等进行研究，建立GMDH神经网络，利用监控系统中的历史数据，可以有效地对机房中的各类设备故障进行预警，加强对机房的监控，提高机房监控的智能化水平。

关键词：动力环境；监控系统；神经网络；监控预警

doi：10.3969/J.ISSN.1672-7274.2024.03.047

中图分类号：O 157.5，TP 183          文献标志码：A           文章编码：1672-7274（2024）03-0-03

1   研究背景

建设数据中心机房动力环境集中监控系统具有重要意义，通过动力环境集中监控系统可以将不同地区机房的监控数据进行集中管理，实现实时监控、远程管理、预警功能、统一展示的运维管理目的。该系统的主要监控对象包括电力供应设备、精密空调、温湿度、漏水检测、消防、红外、视频监测等。集中监控系统需要具备稳定、可靠、安全的特性，提供7×24×365不间断的系统监控及运行保障。动力环境监控系统在对机房进行全面监控的过程中，所产生的监控数据是宝贵的资源。通过运用数据挖掘技术对这些数据中的潜在价值与隐藏知识进行分析，能够为机房管理和运维提供洞察力和决策支持[1]。

首先，数据挖掘技术能够深入分析机房监控对象的数据，从中识别出潜在的趋势和规律。例如，通过对动力设备的历史数据进行分析，系统可以发现设备故障的周期性规律，预测可能再次发生的故障情况，监控人员能够提前采取维护措施，降低机房运行出现故障的风险。

其次，数据挖掘技术还可以实现对机房能耗的优化。通过分析能耗数据和环境参数的关系，系统可以识别出能耗过高的设备，并分析导致能源浪费的原因。通过对比设备在不同时间段的能耗数据，识别能源消耗的高峰期和低谷期，优化设备在不同时段的使用，达到降低能源开支、提高机房运行效率的目的。

再次，数据挖掘技术有助于加强机房的安全防护。通过对安全监控数据的分析，系统可以检测出异常活动和入侵行为，及时发出预警，确保机房的安全。同时，对设备运行数据的挖掘，能够识别潜在的故障风险或安全隐患，有利于机房管理人员采取措施，保障机房的安全。

最后，除了保障机房的运行安全，数据挖掘技术还能提升机房的运维效率。通过对设备维修记录和运行数据的挖掘，系统可以建立设备运维的智能计划，制订更加科学合理的维护周期和预防性维护策略。机房管理员可以在保证设备稳定运行的前提下，最大程度地减少不必要的维护成本和停机时间。

2   GMDH神经网络基本原理

GMDH（Group Method of Data Handling）神经网络能够应用于回归与分类问题。GMDH神经网络由A.G. Ivakhnenko于1968年提出，經过不断发展与完善，被应用于各类场景中。GMDH神经网络是一种根据样本信息自动确定网络结构的模型。与BP神经网络等不同，GMDH神经网络无须事先预定网络结构，而是根据数据的特性和复杂程度自动选择合适的网络结构。在每一层神经网络中，GMDH神经网络会对变量进行组合，形成新的特征，扩展模型的复杂度。通过原始变量的线性及非线性组合，可以实现对不同函数的拟合。在GMDH神经网络中，由传递函数负责具体组合原始变量。传递函数可以选择不同的函数形式，主要包括以下几类。

GMDH神经网络采用多层结构处理数据，每一层结构都对数据集进行计算。最初的输入层接受原始的输入变量，然后逐层进行变量组合和筛选来建立新的模型。假设对机房设备故障预警的判定指标可以表示为，其中，代表预警输出的状态向量，D代表由故障预警指标组成的矩阵，满足半正定矩阵的性质，如公式（1）所示。

采用AUC、查准率等指标作为模型的评价依据，则机房故障预警样本划分可以采用式（2）进行表示。

对公示（2）进行正则化以后，得到式（3）。

式中，代表公式（2）中，对应的A组样本的各项输入向量，代表公式（2）中，对应的B组样本的各项输入向量，第h层GMDH神经网络的结构需要满足公式（4）。

式中，代表预警输出的状态向量，代表第H层的传递函数形成的矩阵。通过求解以上公式，GMDH神经网络能够自适应的调整网络结构，达到对机房设备故障进行预警的目的。

3   基于GMDH神经网络的机房动力环境预测应用

基于GMDH神经网络，采用机房动力环境监测数据，可以构建机房设备故障预警模型。

如图1所示，在将GMDH神经网络应用于机房动力环境集中监控时，首先，需要收集机房动力环境中各个设备的传感器数据，如温度、湿度、电压、电流等。同时，记录设备的运行状态，包括正常运行和故障情况。收集好的数据将用于训练和测试GMDH神经网络模型。对收集到的数据通过预处理、数据清洗、缺失值处理、特征选择等步骤，确保数据的质量和完整性[2]。

其次，在训练GMDH神经网络时，可以采用遗传算法进行参数优化。遗传算法是一种基于自然选择和遗传机制的参数优化算法。该算法是一种在解决复杂问题时寻找近似最优解的启发式搜索算法。遗传算法模拟自然界中的遗传和进化过程，通过模拟生物个体的繁殖、适应度和遗传变异等机制，搜索问题的求解空间，找到最优或接近最优的解。

再次，在GMDH神经网络训练完成后，可以采用额外的样本数据进行测试。将数据输入到训练好的GMDH神经网络模型中，得到GMDH神经网络模型的预测结果，与设备的实际运行状态进行比较，对模型进行估计。在使用测试集数据验证训练好的GMDH神经网络模型时，评估模型预测性能的指标主要包括准确率、召回率、精确率等，通过对这些指标进行分析，确保模型的可靠性和准确性。

最后，在验证完GMDH神经网络的性能以后，可以将GMDH神经用于生产实践中。一旦GMDH神经网络训练完成并通过验证，就可以将其应用于实时数据的监控中。当实时数据被输入到GMDH神经网络中时，模型根据历史数据的规律来预测设备的运行状态。如果GMDH神经网络检测到异常情况或设备故障的潜在迹象，即可发出预警信号。通过将GMDH神经网络模型集成到机房动力环境集中监控系统中，可以实现实时的设备故障预警。预警信息可以通过各种方式通知相关工作人员，比如手机短信、邮件、App通知等，以便机房管理人员及时采取措施进行处理和维修。

4   应用效果分析

为分析GMDH神经网络模型应用于机房动力环境监控系统中的作用，笔者搜集了机房中精密空调设备的报警数据，构建了基于GMDH神经网络的故障预警模型。其中，预警采用的各项指标主要包括环境温度、湿度、空调负荷、空调转速等。采用监控系统中累积的过去一年的监控数据119 090条进行建模测试，其中随机抽取80%的数据作为训练集用于构建GMDH神经网络，采用剩余的20%作为测试集合数据，对GMDH神经网络的预警性能进行样本外测。样本外测试结果如表1所示。

如表1所示，在机房动力环境监测系统的故障预警样本中，GMDH神经网络模型能够预测实际发生故障的2 073个样本中的2 036个样本，具有较为准确的预测性能。采用ROC曲线以及AUC值评估GMDH模型的预警效果，得到图2数据。

如图2所示，ROC曲线是一种常用于评估分类模型性能的工具。在ROC曲线中，每个点代表预测模型在特定阈值下的性能表现。阈值控制了将样本分为正例和负例的边界，不同的阈值会导致不同的真正例率和假正例率。ROC曲线的理想状态是尽量向左上角靠拢，即真正例率高而假正例率低，这预示着模型在各种情况下都能有较好的预测性能。AUC值是ROC曲线下的面积，用來定量计算模型的性能。AUC值的范围在0到1之间，AUC值越大越好。AUC值反映了模型辨别正常情况和故障情况的能力。从图2中可以看到，采用GMDH神经网络模型对设备故障预警具有较好的预测效果。

5   结束语

通过建立GMDH神经网络，借助机房集中监控系统中的历史数据，可对机房中各类设备故障进行预警。采用GMDH神经网络模型进行设备故障预警，有利于提高机房智能化运维的水平。

参考文献

[1] 邢毓华，李凡菲．用改进GA-BP神经网络的设备故障维修时间预测[J]．计算机仿真，2021（10）：90-94.

[2] 梁浩，杨伟伟，周娟，等．基于云计算平台的运维监控系统数据检测算法研究[J]．自动化技术与应用，2023（4）：5-10.