發(fā)布時(shí)間：2023-06-08 19:18

　　數(shù)據(jù)中心作為關(guān)鍵設(shè)施,通常包含數(shù)以千計(jì)的數(shù)據(jù)處理設(shè)備,例如服務(wù)器、交換機(jī)和路由器等。隨著“互聯(lián)網(wǎng)+”時(shí)代的發(fā)展,其數(shù)量和規(guī)模均呈爆炸性增長(zhǎng)態(tài)勢(shì)。機(jī)柜風(fēng)扇損壞、服務(wù)器長(zhǎng)期滿負(fù)荷工作等異常情況極易導(dǎo)致數(shù)據(jù)中心溫度過(guò)高,通常采用進(jìn)一步降低空調(diào)溫度的方法來(lái)維持服務(wù)器安全可靠運(yùn)行,由此導(dǎo)致巨大的電能消耗。因此對(duì)服務(wù)器進(jìn)行熱故障診斷不僅可以極大地提高數(shù)據(jù)中心管理效率,保證數(shù)據(jù)中心安全可靠運(yùn)行,也能夠在一定程度上提高空調(diào)制冷效率。通過(guò)比較分析數(shù)據(jù)中心溫度場(chǎng)感知方法,結(jié)合圖像處理及人工智能發(fā)展現(xiàn)狀,本研究提出基于紅外圖像的服務(wù)器熱故障狀態(tài)診斷方法,目的是根據(jù)診斷結(jié)果做出高效節(jié)能的熱管理決策,以優(yōu)化數(shù)據(jù)中心的能源配置和熱管理,進(jìn)而保證數(shù)據(jù)中心可靠運(yùn)行并降低數(shù)據(jù)中心能耗。為了驗(yàn)證方法的有效性,本研究設(shè)計(jì)服務(wù)器四種常見(jiàn)的熱故障,通過(guò)紅外熱像儀采集處于不同運(yùn)行情況下的服務(wù)器紅外圖像,建立服務(wù)器紅外圖像庫(kù)。本研究從圖像特征提取與分類(lèi)器設(shè)計(jì)兩個(gè)關(guān)鍵技術(shù)出發(fā),設(shè)計(jì)兩種服務(wù)器熱故障診斷方法。一種是基于特征與支持向量機(jī)結(jié)合的服務(wù)器熱故障診斷方法。首先通過(guò)圖像增強(qiáng)算法突顯服務(wù)器熱分布區(qū)域,然后采用圖像標(biāo)準(zhǔn)化方法消除由于相...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外數(shù)據(jù)中心監(jiān)測(cè)現(xiàn)狀
        1.2.1 國(guó)內(nèi)外發(fā)展現(xiàn)狀
        1.2.2 未來(lái)發(fā)展趨勢(shì)
    1.3 本文的主要研究?jī)?nèi)容
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 章節(jié)安排
2 服務(wù)器熱故障診斷算法介紹
    2.1 服務(wù)器熱故障診斷關(guān)鍵技術(shù)
        2.1.1 圖像特征提取
        2.1.2 分類(lèi)器設(shè)計(jì)
    2.2 實(shí)驗(yàn)環(huán)境與算法硬件要求
        2.2.1 數(shù)據(jù)中心環(huán)境要求
        2.2.2 算法硬件要求
    2.3 服務(wù)器熱故障紅外圖像庫(kù)的建立
        2.3.1 圖像采集設(shè)備
        2.3.2 服務(wù)器熱故障種類(lèi)
    2.4 本章小結(jié)
3 基于特征與SVM結(jié)合的服務(wù)器熱故障診斷方法
    3.1 圖像預(yù)處理
        3.1.1 圖像增強(qiáng)
        3.1.2 圖像標(biāo)準(zhǔn)化
    3.2 圖像特征提取
        3.2.1 紋理特征
        3.2.2 方向梯度直方圖特征
        3.2.3 圖像改進(jìn)熵特征
    3.3 支持向量機(jī)
        3.3.1 支持向量機(jī)簡(jiǎn)介
        3.3.2 支持向量機(jī)參數(shù)優(yōu)化
    3.4 實(shí)驗(yàn)結(jié)果及性能分析
    3.5 本章小結(jié)
4 基于卷積神經(jīng)網(wǎng)絡(luò)的服務(wù)器熱故障診斷方法
    4.1 卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)結(jié)構(gòu)
        4.1.1 卷積層
        4.1.2 下采樣層
        4.1.3 全連接層
    4.2 AlexNet網(wǎng)絡(luò)模型結(jié)構(gòu)說(shuō)明
        4.2.1 ReLU函數(shù)
        4.2.2 Dropout層
        4.2.3 Softmax回歸
    4.3 服務(wù)器熱故障診斷方法分析
        4.3.1 卷積神經(jīng)網(wǎng)絡(luò)特征分析
        4.3.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程
    4.4 實(shí)驗(yàn)結(jié)果與性能分析
    4.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3832333