CN107229548A - 一种基于红外图像的服务器热故障监测及诊断方法 - Google Patents
一种基于红外图像的服务器热故障监测及诊断方法 Download PDFInfo
- Publication number
- CN107229548A CN107229548A CN201710369340.5A CN201710369340A CN107229548A CN 107229548 A CN107229548 A CN 107229548A CN 201710369340 A CN201710369340 A CN 201710369340A CN 107229548 A CN107229548 A CN 107229548A
- Authority
- CN
- China
- Prior art keywords
- image
- server
- entropy
- hot stall
- infrared
- 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
Classifications
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Radiation Pyrometers (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于红外图像的服务器热故障监测及诊断方法,其包括:采集服务器不同热故障状态下的红外图像及可见光图像;利用基于图像配准的标准化方法对每一种热故障状态下的图像进行倾斜校正处理,并采用手动分割方法确定红外图像中包含服务器的感兴趣区域;将确定的感兴趣区域图像转换成对应的灰度图像,并对其提取基于图像熵的特征;采用PCA方法对所获得的全局熵以及局部熵行列均值特征进行降维处理;降维后得到的特征主成分用于训练支持向量机分类器;采集待检测的服务器所对应的红外图像及可见光图像,通过训练好的SVM模型诊断出所述服务器的热故障状态类型。本发明极大地提高了数据中心管理人员的管理效率,便于工程调试和系统维护。
Description
技术领域
本发明属于图像处理技术领域,具体的说是涉及一种基于红外图像的服务器热故障监测及诊断方法。
背景技术
在数据中心规模高速扩张的同时,服务器的高密度集成导致其发热量增长,为了使服务器在合适环境下正常运行,而不致发生由于温度过高引发的宕机事故,很多数据中心不得不提高制冷空调的功率,这样造成数据中心能耗高、效率低下的现象。因此,精准地监测与控制机房温度,提高空调制冷效率、实现数据中心的节能降耗成为数据中心建设和维护过程中不可忽视的问题。
具体的说,数据中心内部温度分布不平衡现象是影响制冷效率的主因之一,数据中心中超高热服务器数量约占5%。由此可见我们既需要解决这5%的超高热机柜的散热问题,也需要很好地解决大多数“高热”机柜的散热问题。同时需要说明的是,我们不能用“超高热”散热方法解决“高热”机柜的散热问题,也不能用常规机房空调的方法来解决“过热”问题。如通过调整负载分布,调整制冷资源分布,或人工作业等方式,排除局部高温或高热源头(简称热点),进而可以实现平衡温度的目的。因此需要对数据中心内部环境温度场进行有效感知和分析。
目前,对大型数据中心的温度场测量,通用的方法是将大量温度传感器置于数据中心关键位置;然后,通过某种方法收集所有传感器的测量数据。早期的测量方法使用的是有线传感器,但是昂贵的安装及配置成本阻碍其广泛使用。虽然无线传感器具有低成本、无侵入式测量等优点,但是Chieh-Jan Mike Liang等人在“RACNet:A High-Fidelity DataCenter Sensing Network”文中指出了数据中心的电磁环境不利于传感器网络的大规模无线通信。另外,无论采用上述何种传感器网络覆盖一个大型数据中心,都要解决对上万节点的三维坐标标定、后期维护、数据管理等问题。同时,温度传感器空间分辨率不足,无法得到热点的详细信息。若传感器没有部署在合适的位置,我们不能准确地获得的热点的大小及温度最值,这将无法为后续处理提供充分的信息。
发明内容
鉴于已有技术存在的缺陷,本发明的目的是要提供一种基于红外图像的服务器热故障监测及诊断方法,该方法利用红外图像温度与灰度之间的关系,感知服务器温度异常点,从而对服务器热故障状态进行判断,极大地提高了数据中心管理人员的管理效率,便于工程调试和系统维护,同时提高数据中心空调系统的制冷效率,利于数据中心节能减排。
为了实现上述目的,本发明的技术方案:
一种基于红外图像的服务器热故障监测及诊断方法,其特征在于,包括如下步骤:
步骤1、采集服务器不同热故障状态下的红外图像及可见光图像,使得每一热故障状态对应服务器的一种热故障状态类型;
步骤2、基于图像配准的标准化方法对每一种热故障状态下的两幅图像进行倾斜校正处理,并采用手动分割方法确定红外图像中感兴趣区域,所述感兴趣区域至少包含服务器所在区域;
步骤3、对所确定的感兴趣区域的图像转换成对应的灰度图像并基于图像灰度分布的特征,自所述灰度图像中提取所对应的图像熵特征,以获得与当前所提取的红外图像相对应的图像灰度分布的聚集特征以及空间特征;所述的图像熵特征包括图像的全局熵和局部熵行列均值;
步骤4、采用PCA方法对所提取的全局熵以及局部熵行列均值特征进行降维处理;
步骤5、基于经步骤4处理后的全局熵的主成分以及局部熵行列均值特征的主成分,并通过支持向量机分类器进行训练,以获得各热故障状态下各自所对应的诊断模型;
步骤6、采集待检测的服务器所对应的红外图像及可见光图像,经步骤2-4处理后,通过所述诊断模型诊断出其所对应的服务器的热故障状态类型。
进一步的,所述步骤2包括如下步骤:
步骤21、使得红外热像仪和可见光照相机位于同一拍摄位置并采集服务器的图像数据;
步骤22、使得红外热像仪所采集的图像数据以及可见光照相机所采集的图像数据被调整至同一图像分辨率;
步骤23、建立被调整的两幅图像数据之间一对一的像素关系,以获得可见光照相机所采集的图像数据上任意位置所对应的温度数据,进而完成两幅图像的图像配准工作;
步骤24、将图像的温度分布特征几何变换至一个标准的模板;该模板是与服务器实际长宽成比例的标准矩形。
进一步的,所述步骤3包括如下步骤:
步骤31、将所确定的感兴趣区域的图像转换成对应的灰度图像;
步骤32、对所述灰度图像进行图像的全局熵特征提取,即灰度图像的全局灰度熵H(I)对应的公式,如下式所示:
其中,Pi表示图像中灰度值为i的像素所占的比例;
步骤33、对所述灰度图像进行图像的局部熵特征提取,即首先将图像的像素灰度与图像的邻域灰度均值组成特征二元组,记为(i,j),则某像素位置上的灰度值与其周围像素灰度分布的综合特征为其中,i表示像素的灰度值,j表示其对应的邻域灰度均值,f(i,j)为特征二元组出现的频数,M×N为所提取的局部窗口的尺度值,进而图像的局部熵特征对应的公式,如下式所示:
步骤34、将图像的局部熵特征的行列均值作为服务器热故障诊断的图像特征参数;其中所述的局部熵行均值是指计算图像中每一行的像素的局部熵均值;所述的局部熵列均值是指计算图像中每一列的像素的局部熵均值。
与现有技术相比,本发明的有益效果:
本发明通过采用红外热像仪监测大型数据中心温度场,能够更加直观通过红外图像实时监测服务器运行状态,发现异常温度特征,高效识别出务器热故障成因,从而为数据中心管理人员提供工程维护参考,同时平衡数据中心内部温度场的温度,以提高空调系统的制冷效率。
附图说明
图1是本发明所述方法对应的步骤流程框图;
图2是服务器在不同故障情况下运行的红外图像;
图3是服务器在不同故障情况下运行的红外图像标准化后的图像。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
鉴于目前采用的温度传感器测量数据中心温度场的方法的不足之处(但是不论使用有线或者无线传感器网络,都要解决对上万节点的三维坐标标定、后期维护、数据管理等问题,工作量巨大。另外传感器分辨率不高,无法提供热点的充分信息。),本发明提出了一种采用基于红外图像的服务器热故障监测及诊断方法,其通过提取服务器红外图像的特征信息即基于全局熵及局部熵行列均值特征的红外图像处理技术,来对服务器热故障进行监测及诊断,以识别服务器处于何种热故障状态,从而诊断出服务器的高温成因,进而达到优化数据中心管理,提高空调制冷效率目的。其中,红外热成像技术(IRT)具有非接触检测、无电磁干扰、安全可靠和监测范围大等优点。相比温度传感器,热成像摄像头可以获取更直观的二维热分布图像,利用图像处理技术能够进一步的分析热点即用红外图像温度与灰度之间的关系,感知服务器温度异常点,从而对服务器热故障状态进行判断,极大地提高了数据中心管理人员的管理效率,便于工程调试和系统维护,同时提高数据中心空调系统的制冷效率,利于数据中心节能减排。且可实现在无需停机的情况下监测电气设备故障方面,因而红外热像技术扮演很重要的角色。
基于上述原理,本发明所述的一种基于红外图像的服务器热故障监测及诊断方法,其特征在于,包括如下步骤:
如图1,步骤1、采集服务器不同热故障状态下的红外图像及可见光图像;,使得每一热故障状态对应服务器的一种热故障状态类型;其中采用红外热像仪拍摄服务器不同热故障状态下的红外图像。
步骤2、利用基于图像配准的标准化方法对每一种热故障状态下的两幅图像进行倾斜校正处理,并采用手动分割方法得到红外图像中包含服务器的感兴趣区域;由于红外相机的拍摄角度及距离的差异性,导致在拍摄过程中服务器红外图像出现扭曲变形的现象,这样会对后续的图像处理操作产生一定不良影响。因此在对服务器分割之前需要对其进行标准化倾斜校正处理;所述步骤2包括如下步骤:步骤21、使得红外热像仪和可见光照相机位于同一拍摄位置并采集服务器的图像数据;步骤22、使得红外热像仪所采集的图像数据以及可见光照相机所采集的图像数据被调整至同一图像分辨率;步骤23、建立被调整的两幅图像数据之间一对一的像素关系,以获得可见光照相机所采集的图像数据上任意位置所对应的温度数据,进而完成两幅图像的图像配准工作。步骤24、图像配准后,将其温度分布几何变换至一个与服务器实际长宽成比例的标准矩形模板。这样我们就能知道可见光图像上任意位置的温度,便于后期的特征提取,所述几何变换是指采用数字图像处理技术中所采用的几何变换法对其进行位置变换。
步骤3、对所确定的感兴趣区域图像转换成对应的灰度图像并基于图像灰度分布的特征,对其提取全局熵以及局部熵行列均值特征,以获得与当前所提取的红外图像相对应的图像灰度分布的聚集特征以及空间特征,所述的图像熵特征包括图像的全局熵和局部熵行列均值;由于红外图像的灰度值与其温度之间的线性关系下述公式所示关系:
其中T代表灰度图像某点的温度值,i代表该点的灰度值,Tmax与Tmin分别代表图像区域温度的最大值与最小值。且根据香农熵定理,熵是信息论中事件出现概率的不确定性的量度,能有效反映事件包含的信息。因此对于一幅正常运行的服务器红外图像而言,其热量分布是确定的。当有热点出现时,图像的热量分布遭到破坏,其熵值也会发生变化。则可通过获得图像中灰度分布的聚集特征以及空间特征来进行特征提取。所述步骤3包括如下步骤:步骤31、对所确定的感兴趣区域图像转换成对应的灰度图像;步骤32、图像的全局熵表示图像中灰度分布的聚集特征所包含的信息量,对于一幅256级灰度图像I而言,每个像素的灰度值可能是0~255级灰度中的某一级,令pi表示图像中灰度值为i的像素所占的比例,则定义灰度图像的全局灰度熵即对所述灰度图像进行图像的全局熵特征提取,即灰度图像的全局灰度熵H(I)对应的公式,如下式所示:
其中,Pi表示图像中灰度值为i的像素所占的比例;
步骤33、对于一幅图像来说,图像的全局熵虽然可以表示图像灰度分布的聚集特征,却不能反映图像灰度分布的空间特征,为了表达这种空间特征,本发明在全局熵的基础上引入图像的局部熵;即对所述灰度图像进行图像的局部熵特征提取,即选择图像的邻域灰度均值作为灰度分布的空间特征量,具体的首先将图像的像素灰度与图像的邻域灰度均值组成特征二元组,记为(i,j),则某像素位置上的灰度值与其周围像素灰度分布的综合特征为其中,i表示像素的灰度值,j表示其对应的邻域灰度均值,f(i,j)为特征二元组出现的频数,M×N为所提取的局部窗口的尺度值,进而图像的局部熵特征对应的公式,如下式所示:
构造的图像局部熵可以在图像所包含信息量的前提下,突出反映图像中像素位置的灰度信息和像素邻域内灰度分布的综合特征。可见局部熵是局部窗口内所有像素点共同作用的结果,对单点噪声不敏感,因此局部熵特征本身具有一定的抗噪滤波能力。
步骤34、为了提取局部熵的统计特征,本发明将图像的局部熵行列均值作为服务器热故障诊断的图像特征参数;其中所述的局部熵行均值是指计算图像中每一行的像素的局部熵均值;所述的局部熵列均值是指计算图像中每一列的像素的局部熵均值;例如,对于一幅尺寸为X×Y的图像来说,对每一行(列)像素,计算该行(列)的局部熵均值。因此,一幅尺寸为X×Y的图像,其局部熵行列均值的个数分别为X与Y。图像的局部熵行列均值分别反映了图像的行像素和列像素的灰度不均匀程度及像素邻域内灰度分布的特征,因此增加图像局部熵行列均值作为图像特征有助于服务器热故障诊断。
步骤4、考虑到本发明所需要的实时性,对所提取的全局熵以及局部熵行列均值特征,采用PCA方法进行特征降维处理。主成分分析是利用降维的思想,通过数学分析和处理,在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化成的综合指标称之为主成分,其中每个主成分都是原始变量的线性组合,且各个主成分之间互不相关,这就使得主成分比原始变量信息更加具有代表性,同时使问题得到简化,提高分析能力。基于以上理论知识,本发明提出了用PCA方法提取图像全局熵和局部熵行列均值特征主成分,目的是在不损失原始特征数据的基础上降低训练样本维数,以加快数据处理速度。
步骤5、本发明采用步骤4处理后的图像全局熵和局部熵行列均值特征的主成分来训练支持向量机分类器,优化与每一种热故障状态下相对应的分类参数,最终获得各热故障状态下的服务器热故障诊断模型;本步骤的基本思想为:将图像全局熵及局部熵行列均值特征经过PCA处理后得到的主成分用于训练SVM分类器,从而获得故障分类模型,进而诊断出服务器的热故障。这一过程中分类器核函数的选择及其参数设置具有决定性作用。具体的,由于SVM的核函数包括:线性核函数、多项式核函数、RBF核函数(径向基核函数)、sigmoid核函数;本例在参考大多数SVM实例的基础上,选择RBF核函数进行高维空间映射。同时采用网格搜索方法调整参惩罚参数c以及RBF核函数参数g来优化SVM分类效果;所述网格搜索法的基本原理是让c和g参数在一定的范围划分网格并遍历网格内所有点进行取值,对于取定的c和g参数,利用5折交叉验证方法得到在此组c和g参数下验证的分类准确率,最终使得训练验证分类准确率最高的那组c和g作为最佳的参数因此可见。基于SVM的分类结果,我们可以分析服务器的热故障原因。
步骤6、采集待检测的服务器所对应的红外图像及可见光图像,经步骤2-4处理后,通过SVM分类模型诊断出所述服务器的热故障状态类型;进而为数据中心管理人员提供工程调试及系统维护的参考,平衡数据中心内部温度提高空调制冷效率,节省数据中心能耗。
下面结合具体实例对本发明所述方案作以具体说明:
实验背景:本实验采用一台DELL710服务器进行研究,对其设置四种不同的故障状态,其分别为(1)服务器主风扇损坏;(2)服务器进风口空气流通不畅;(3)服务器满负荷工作;(4)服务器内部左侧第2个CPU风扇损坏。
如图2-图3,其中,图2中的(a)表示的是服务器主风扇损坏的红外图像,(b)表示的是服务器进风口空气流通不畅的红外图像,(c)表示的是服务器满负荷工作的红外图像,(d)表示的是服务器内部左侧第2个CPU风扇损坏的红外图像;相应的图3中的(a)表示的是服务器主风扇损坏的标准化图像,(b)表示的是服务器进风口空气流通不畅的标准化图像,(c)表示的是服务器满负荷工作的标准化图像,(d)表示的是服务器内部左侧第2个CPU风扇损坏的标准化图像。),首先基于红外热像仪拍摄服务器四种故障状态下的红外图像(如图2所示)并将其作为研究对象即样本数据,每种状态各拍摄255张红外图像,共计1020张红外图像,以下对四种故障服务器状态红外图像进行相同的处理。
其次,由于红外热像仪的拍摄角度、距离等因素,导致待处理的服务器图像扭曲变形,因此首先需要对其进行倾斜校正处理即利用基于图像配准的标准化方法对每一热故障状态下的两幅图像进行倾斜校正处理以建立红外图像与可见光图像一对一像素关系,这样就能知道可见光图像上任意位置的温度,便于特征提取,并采用手动分割方法确定红外图像中包含服务器的感兴趣区域图像,随后将感兴趣区域图像的温度分布几何映射到与实际服务器的尺寸成比例的标准矩形,如本发明映射到87×424像素的服务器图像(如图3所示),以备后续特征提取。
再次,对所确定的包含服务器的感兴趣区域图像转换成对应的灰度图像并基于图像灰度分布的特征,对其全局熵以及局部熵行列均值特征提取,本例提取图像全局熵1个特征;提取局部熵的行均值为87个特征,提取局部熵的列均值为424个特征,共计512个图像特征数据;
随后采用PCA方法对所获得的全局熵以及局部熵行列均值特征进行降维处理;即为了满足实验的实时性需要,采用PCA主成分分析的方法在保证99%的原始特征信息的基础上进行降维处理,加快算法的处理速度,最后得到49维特征主成分并将其应用于SVM分类器的分类。
将提取图像全局熵以及局部熵行列均值特征的主成分用于训练SVM分类器,通过优化每一中热故障状态下相对应的分类参数,最终获得服务器热故障诊断模型。采集待检测的服务器所对应的红外图像及可见光图像,经上述步骤处理后,诊断出所述服务器的热故障状态类型,进而分析服务器热故障形成原因;本发明采用5折交叉验证方法避免过学习与欠学习情况的发生,同时采用网格搜索法调整惩罚参数c与核函数参数g用于优化SVM模型。本发明将1020张服务器热故障红外图像中的80%用于训练SVM分类器,其中的20%红外图像用于测试SVM分类效果。实验结果显示,当c=1.4142,g=0.0442时,得到的最优分类正确率为81%左右。本发明的结果可靠地预测了服务器存在的热故障,为数据中心管理人员对服务器的维护工作提供参考建议,同时寻找到热点服务器,提高数据中心空调系统的制冷效率,节约能源。本发明具有一定的实际使用价值。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于红外图像的服务器热故障监测及诊断方法,其特征在于,包括如下步骤:
步骤1、采集服务器不同热故障状态下的红外图像及可见光图像,使得每一热故障状态对应服务器的一种热故障状态类型;
步骤2、基于图像配准的标准化方法对每一种热故障状态下的两幅图像进行倾斜校正处理,并采用手动分割方法确定红外图像中感兴趣区域,所述感兴趣区域至少包含服务器所在区域;
步骤3、对所确定的感兴趣区域的图像转换成对应的灰度图像并基于图像灰度分布的特征,自所述灰度图像中提取所对应的图像熵特征;所述的图像熵特征包括图像的全局熵和局部熵行列均值;
步骤4、采用PCA方法对所提取的全局熵以及局部熵行列均值特征进行降维处理;
步骤5、基于经步骤4处理后的全局熵的主成分以及局部熵行列均值特征的主成分,并通过支持向量机分类器进行训练,以获得各热故障状态下各自所对应的诊断模型;
步骤6、采集待检测的服务器所对应的红外图像及可见光图像,经步骤2-4处理后,通过所述诊断模型诊断出其所对应的服务器的热故障状态类型。
2.根据权利要求1所述的方法,其特征在于:
所述步骤2包括如下步骤:
步骤21、使得红外热像仪和可见光照相机位于同一拍摄位置并采集服务器的图像数据;
步骤22、使得红外热像仪所采集的图像数据以及可见光照相机所采集的图像数据被调整至同一图像分辨率;
步骤23、建立被调整的两幅图像数据之间一对一的像素关系,以获得可见光照相机所采集的图像数据上任意位置所对应的温度数据,进而完成两幅图像的图像配准工作;
步骤24、将图像的温度分布特征几何变换至一个标准的模板;该模板是与服务器实际长宽成比例的标准矩形。
3.根据权利要求1所述的方法,其特征在于:
所述步骤3包括如下步骤:
步骤31、将所确定的感兴趣区域的图像转换成对应的灰度图像;
步骤32、对所述灰度图像进行图像的全局熵特征提取,即灰度图像的全局灰度熵H(I)对应的公式,如下式所示:
其中,Pi表示图像中灰度值为i的像素所占的比例;
步骤33、对所述灰度图像进行图像的局部熵特征提取,即首先将图像的像素灰度与图像的邻域灰度均值组成特征二元组,记为(i,j),则某像素位置上的灰度值与其周围像素灰度分布的综合特征为其中,i表示像素的灰度值,j表示其对应的邻域灰度均值,f(i,j)为特征二元组出现的频数,M×N为所提取的局部窗口的尺度值,进而图像的局部熵特征对应的公式,如下式所示:
步骤34、将图像的局部熵特征的行列均值作为服务器热故障诊断的图像特征参数;其中所述的局部熵行均值是指计算图像中每一行的像素的局部熵均值;所述的局部熵列均值是指计算图像中每一列的像素的局部熵均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369340.5A CN107229548B (zh) | 2017-05-23 | 2017-05-23 | 一种基于红外图像的服务器热故障监测及诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710369340.5A CN107229548B (zh) | 2017-05-23 | 2017-05-23 | 一种基于红外图像的服务器热故障监测及诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107229548A true CN107229548A (zh) | 2017-10-03 |
CN107229548B CN107229548B (zh) | 2019-08-09 |
Family
ID=59933924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710369340.5A Active CN107229548B (zh) | 2017-05-23 | 2017-05-23 | 一种基于红外图像的服务器热故障监测及诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107229548B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198171A (zh) * | 2017-12-27 | 2018-06-22 | 大连理工大学 | 一种基于服务器表面热状态的运行状态诊断的方法 |
CN108254077A (zh) * | 2018-01-02 | 2018-07-06 | 国网上海市电力公司 | 基于局部与全局特征信息融合的gis热故障诊断方法 |
CN109816656A (zh) * | 2019-02-01 | 2019-05-28 | 辽宁工程技术大学 | 一种火电厂负压侧系统漏点精确定位方法 |
CN109931791A (zh) * | 2019-03-15 | 2019-06-25 | 山东建筑大学 | 一种管壳式换热器 |
WO2019177998A1 (en) | 2018-03-12 | 2019-09-19 | Headspin, Inc. | System to determine performance based on entropy values |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
CN112446854A (zh) * | 2019-08-30 | 2021-03-05 | Abb瑞士股份有限公司 | 用于监测开关设备的系统 |
CN113191383A (zh) * | 2020-01-29 | 2021-07-30 | Abb瑞士股份有限公司 | 用于监测开关设备的系统 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控系统 |
CN113554601A (zh) * | 2021-06-30 | 2021-10-26 | 合肥金星机电科技发展有限公司 | 电解槽极板的定位方法 |
CN116071287A (zh) * | 2021-10-29 | 2023-05-05 | 重庆药羚科技有限公司 | 分液过程监测方法及系统、存储介质及终端 |
CN117611654A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
US20130155256A1 (en) * | 2011-12-19 | 2013-06-20 | Certification Information Limited | Thermal imager and transmitter |
CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
-
2017
- 2017-05-23 CN CN201710369340.5A patent/CN107229548B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130155256A1 (en) * | 2011-12-19 | 2013-06-20 | Certification Information Limited | Thermal imager and transmitter |
CN102928742A (zh) * | 2012-11-22 | 2013-02-13 | 重庆市电力公司检修分公司 | 一种高压设备红外图像自动故障识别方法 |
CN103630244A (zh) * | 2013-12-18 | 2014-03-12 | 重庆大学 | 电力系统设备故障诊断方法及系统 |
Non-Patent Citations (1)
Title |
---|
LIU HANG, XIE TING, RAN JIAN, GAO SHAN: "A Modified Approach for Thermal Distribution Monitoring of The Container Data Center", 《IEEE》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108198171A (zh) * | 2017-12-27 | 2018-06-22 | 大连理工大学 | 一种基于服务器表面热状态的运行状态诊断的方法 |
CN108254077B (zh) * | 2018-01-02 | 2020-04-28 | 国网上海市电力公司 | 基于局部与全局特征信息融合的gis热故障诊断方法 |
CN108254077A (zh) * | 2018-01-02 | 2018-07-06 | 国网上海市电力公司 | 基于局部与全局特征信息融合的gis热故障诊断方法 |
EP3766008A4 (en) * | 2018-03-12 | 2021-12-01 | Headspin, Inc. | SYSTEM FOR DETERMINING PERFORMANCE BASED ON ENTROPY VALUES |
US11366738B2 (en) | 2018-03-12 | 2022-06-21 | Headspin, Inc. | System to determine performance based on entropy values |
WO2019177998A1 (en) | 2018-03-12 | 2019-09-19 | Headspin, Inc. | System to determine performance based on entropy values |
CN109816656A (zh) * | 2019-02-01 | 2019-05-28 | 辽宁工程技术大学 | 一种火电厂负压侧系统漏点精确定位方法 |
CN109931791B (zh) * | 2019-03-15 | 2019-12-27 | 山东建筑大学 | 一种管壳式换热器的泄漏检测方法 |
CN109931791A (zh) * | 2019-03-15 | 2019-06-25 | 山东建筑大学 | 一种管壳式换热器 |
CN112446854A (zh) * | 2019-08-30 | 2021-03-05 | Abb瑞士股份有限公司 | 用于监测开关设备的系统 |
CN113191383A (zh) * | 2020-01-29 | 2021-07-30 | Abb瑞士股份有限公司 | 用于监测开关设备的系统 |
CN111426406B (zh) * | 2020-06-02 | 2021-12-21 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
CN111426406A (zh) * | 2020-06-02 | 2020-07-17 | 国家电网有限公司 | 基于电缆涂层感温变色的电缆检测装置及其检测方法 |
CN113554601A (zh) * | 2021-06-30 | 2021-10-26 | 合肥金星机电科技发展有限公司 | 电解槽极板的定位方法 |
CN113503970A (zh) * | 2021-07-08 | 2021-10-15 | 江苏高速公路信息工程有限公司 | 一种火灾监控方法和监控系统 |
CN116071287A (zh) * | 2021-10-29 | 2023-05-05 | 重庆药羚科技有限公司 | 分液过程监测方法及系统、存储介质及终端 |
CN117611654A (zh) * | 2024-01-24 | 2024-02-27 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
CN117611654B (zh) * | 2024-01-24 | 2024-04-16 | 深圳市爱贝科精密工业股份有限公司 | 一种主轴热伸长测试方法及测试装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107229548B (zh) | 2019-08-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229548B (zh) | 一种基于红外图像的服务器热故障监测及诊断方法 | |
CN105844663B (zh) | 一种自适应orb目标跟踪方法 | |
CN103900503B (zh) | 提取形状特征的方法、安全检查方法以及设备 | |
CN106686377B (zh) | 一种基于深层神经网络的视频重点区域确定方法 | |
CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
US9418422B2 (en) | Skin image analysis | |
CN107368790B (zh) | 行人检测方法、系统、计算机可读存储介质及电子设备 | |
CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
CN108537170A (zh) | 一种电力设备固件无人机巡检销钉缺失检测方法 | |
Lile et al. | Anomaly detection in thermal images using deep neural networks | |
CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
CN108198171A (zh) | 一种基于服务器表面热状态的运行状态诊断的方法 | |
CN105938513A (zh) | 为计算机辅助诊断提供可靠性的装置和方法 | |
Song et al. | Image feature extraction of crop disease | |
CN113418617A (zh) | 一种风电场箱式变压器三维温度场测量与诊断方法 | |
CN104463876A (zh) | 一种基于自适应滤波的复杂背景下图像多圆快速检测方法 | |
Liu et al. | An efficient algorithm for server thermal fault diagnosis based on infrared image | |
CN113486877A (zh) | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 | |
Liu et al. | Fault diagnosis method of substation equipment based on You Only Look Once algorithm and infrared imaging | |
Lu et al. | Thermal Fault Diagnosis of Electrical Equipment in Substations Based on Image Fusion. | |
CN117392565A (zh) | 一种无人机电力巡检缺陷自动识别方法 | |
CN116600528A (zh) | 一种基于温度分布场的通信机房制冷监控方法及系统 | |
Widodo et al. | Application of self organizing map for intelligent machine fault diagnostics based on infrared thermography images | |
Burzo et al. | Thermal discomfort detection using thermal imaging |
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 | ||
GR01 | Patent grant |