CN113984245A - 一种数据中心机房温度检测与温度场重建方法及系统 - Google Patents
一种数据中心机房温度检测与温度场重建方法及系统 Download PDFInfo
- Publication number
- CN113984245A CN113984245A CN202111246742.9A CN202111246742A CN113984245A CN 113984245 A CN113984245 A CN 113984245A CN 202111246742 A CN202111246742 A CN 202111246742A CN 113984245 A CN113984245 A CN 113984245A
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- interpolation
- mobile robot
- sampling
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种数据中心机房温度检测与温度场重建方法及系统,基于移动机器人,首先进行温度采样;其次,温度数据进行滤波处理、温度修正,通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;再次,将得到的所述与移动机器人自身坐标所匹配的温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;最后,基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。具有采集方便快捷、且检测精准的优点。
Description
技术领域
本发明属于温度检测技术领域,具体涉及一种数据中心机房温度检测与温度场重建方法及系统。
背景技术
近些年来,随着我国经济社会发展,计算机网络普及程度增加,通讯网络规模扩大,大数据服务、云端的使用在日常生活中也越来越普遍,而作为这种信息服务的基础设施,对数据中心机房的需求量越来越大,数据中心机房在生活生产中发挥的作用越来越重要。数据中心机房服务器属于高精度设备,其运行环境对其是否存在安全隐患和运行效率与能耗有着重要影响。因此对数据中心机房内环境检测成了保证其安全高效运行的重要课题之一,也是机房运行管理维护中不可缺失的一环。在数据中心环境监测中,温度指标是表征数据中心环境状态的重要指标之一。在实际工程中,通过数据中心的环境检测可以得到机房内温度场模型,该区域的热流方式,对优化数据中心运行效能、节省运行成本、避免运行事故有着重大意义。
现在普及的数据中心机房温度检测方式分为定点检测与移动监测,定点检测指关键位置设置温湿度传感装置,并实时监控;移动监测指采用移动机器人或者移动设备对一条路径或者片区域进行监控。定点检测在运行通信方面需要大量繁琐的布线走线,同时无线通信可能会对机房内运行的设备产生影响,高耗能带来在检测方面大量的电力投入。而移动监测在数据中心的使用,多是进行移动式的指标监测,例如对仪器的工作状态进行视觉检测和判断,或是对机房内某关键点进行检测,以及一些对诸如噪音烟雾的检测等。
而在关于数据中心机房温度场重建方面,相关研究提出使用安装过数个传感器的架子在机房排风通道或者散热通道中进行监测,通推动架子可以得到通道中温度分布特点的方法,以及一些通过关键点还原机房整体热流环境的方法。存在的问题例如前者的采集效率不高,需要人工驱动;而后者的还原时的数据依据较为片面,不能很好的反映机房内的整体情况。因此在数据中心温度场的还原上,需要建立一个易于操作自由度高的采集还原系统。
发明内容
本发明的目的在于避免现有技术中的不足而提供一种数据中心机房温度检测与温度场重建方法及系统,其基于移动机器人,具有采集方便快捷、且检测精准的优点。
本发明的目的之一通过以下技术方案实现:提供一种数据中心机房温度检测与温度场重建方法,所述方法包括以下步骤:
步骤一、通过移动机器人搭载温度传感器在预设的采集区域内对数据中心机房热环境进行预设的采样点的温度采集与传感工作;
步骤二、对步骤一采集回的温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;
步骤三、将步骤二得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;
步骤四、基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。
作为进一步的改进,所述步骤一具体包括:
11)移动机器人在预设的采集区域内按照预设路径移动时,安装在移动机器人上的温度传感器实现各所述采样点的温度数据采集,采集到的所述温度数据通过串口通信从温度传感器传输到移动机器人的MCU,再经由移动机器人无线通信传输到远程主机PC上并存储;
12)移动机器人在预设的采集区域内按照预设路径移动时,通过搭载在移动机器人上用于定位的雷达和用于控制的移动机器人行动的舵机,实现对自身坐标的订阅,并将所订阅的信息以无线通信方式传输到远程主机PC上并存储,所订阅的信息包含机器人当前的位姿与系统时间。
作为进一步的改进,所述步骤二包括:
21)通过串口通信传回的所述温度数据,包含8位整数数据与8位小数数据,对所述温度数据进行DA转换,并存于移动机器人内部存储器的变量数组中,同时每隔一秒传回远程主机PC进行存储;
22)对进行DA转换后的温度数据进行卡尔曼滤波或移动平均滤波;
23)对滤波后的所述温度数据进行温度修正,并将修正后的温度数据传回并写入远程主机PC的预设储存文档中,同时进行存储;
24)通过访问移动机器人自身位姿获得自身坐标数据,实现对移动机器人位置的订阅,并将所述坐标数据返回到所述变量数组中并存储,同时,将所述坐标数据写入所述预设储存文档且存储;
25)数据融合:所述温度数据与坐标数据均是带有系统时间信息的数据,在对某采样点进行采集时,若出现温度数据的回传时间tt在坐标数据的回传时间tc之前,即tt<tc,则该时间tt之后所传回的温度数据皆为该采样点的温度数据,即得到与移动机器人自身坐标所匹配的温度信息。
作为进一步的改进,步骤23)中通过如下公式对滤波后的温度数据进行修正:
ttrue=tm+e(tm)
式中,ttrue表示修正后的实际温度,tm表示温度测量值,e(tm)表示误差修正函数。
作为进一步的改进,所述空间插值方法包括内插、外推、格网插值法、距离加权平均法中的反距离加权平均法、克里金法,曲面样条插值法的线性三角网插值、最小曲率法,自然邻点法、最近邻点法、零阶插值法。
作为进一步的改进,所述步骤三中采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布,具体表现为:
31)将所有采样点分为两个数据集,一个为学习集,一个为验证集;
32)将所采集的采样点依次进行交叉验证,即将学习集所插值的结果对验证集的采样点进行验证,得到所采集每个采样点的预测误差;
33)引入三个评价指标进行插值重建精度的评估,实现对插值重建方法的评估和筛选,所述三个评价指标包括平均绝对误差,平均觉得百分比误差和均方根误差:
式中,MAE为平均绝对误差,MAPE为平均觉得百分比误差,RMSE为均方根误差,ei表示误差,即实际值与预测值的差值绝对值,Xmi表示实际值,n表示采样点个数,取正整数;
34)在统计各采样点的插值预测误差后,若某采样点的误差远远高于其他采样点的平均误差,则说明在该采样点插值重建对该采样点的预测效果不佳,所采样点无法反映该区域温度的变化情况,则在采样时,需对该点附近的采样点的分布进行重新规划,使采样点分布更密集从而可以反映该点温度的变化情况。
本发明的目的之二通过以下技术方案实现:提供一种数据中心机房温度检测与温度场重建系统,运用其上所述的数据中心机房温度检测与温度场重建方法进行温度检测与温度场重建,所述系统包括远程主机PC、移动机器人、温度传感器,所述移动机器人包括MCU,所述MCU、温度传感器均与远程主机PC连接,其中:
所述温度传感器安装在移动机器人,用于在预设的采集区域内对数据中心机房热环境进行预设的采样点的温度采集与传感工作;
所述移动机器人的MCU,用于对采集回的温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;用于对得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;用于基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图;
所述远程主机PC,用于存储采集回的温度数据;用于存储滤波后的温度数据;用于存储并显示得到的所述采样区域重建的二维温度场图或三维温度场图。
本发明提供的数据中心机房温度检测与温度场重建方法及系统,首先进行温度采样;其次,温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;再次,将得到的所述与移动机器人自身坐标所匹配的温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;最后,基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。与现有技术相比,本发明采集方便快捷,适用于各种环境下数据中心的温度检测与温度场重建,所重建的温度场精准客观,有较高可信度,对数据中心的热环境监控与能效优化有重大意义。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1是一种数据中心机房温度检测与温度场重建方法的流程图。
图2是设备通信与数据传输图。
图3是温度传感器在采样点的采集实施方法流程图。
图4是数据融合逻辑图。
图5是交叉验证与优化流程图。
图6是一种数据中心机房温度检测与温度场重建系统的示意图。
图7是温度采集与采集区域示意图。
图8是温度场重建逻辑图。
图9是温度修正测试示例。
附图标记说明:
1、移动机器人;2、温度传感器;3、采样点;4、采样路径;5、远程PC主机;6、机柜;7、散热口。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合附图和具体实施例对本发明作进一步详细的描述,需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
交叉验证是指将采样点分为两个数据集:一个为学习集,一个为验证集,所述学习集对应预测值,所述验证集对应真实值,将学习集所插值的结果对验证集的采样点进行验证,得到预测值与真实值之间的预测误差
如图1-图2所示,本发明实施例提供的数据中心机房温度检测与温度场重建方法,基于移动机器人,所述方法包括以下步骤:
步骤一、通过移动机器人搭载温度传感器在预设的采集区域内对数据中心机房热环境进行预设的采样点的温度采集与传感工作;
步骤二、对步骤一采集回的温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;具体参见图4;
步骤三、将步骤二得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;
步骤四、基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。
通过上述过程,本发明首先进行温度采样;其次,温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;再次,将得到的所述与移动机器人自身坐标所匹配的温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;最后,基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。与现有技术相比,本发明采集方便快捷,适用于各种环境下数据中心的温度检测与温度场重建,所重建的温度场精准客观,有较高可信度,对数据中心的热环境监控与能效优化有重大意义。
作为进一步优选的实施方式,上述步骤一具体包括:
11)移动机器人在预设的采集区域内按照预设路径移动时,安装在移动机器人上的温度传感器实现各所述采样点的温度数据采集,采集到的所述温度数据通过串口通信从温度传感器传输到移动机器人的MCU,再经由移动机器人无线通信传输到远程主机PC上并存储;
12)移动机器人在预设的采集区域内按照预设路径移动时,通过搭载在移动机器人上用于定位的雷达和用于控制的移动机器人行动的舵机,实现对自身坐标的订阅,并将所订阅的信息以无线通信方式传输到远程主机PC上并存储,所订阅的信息包含机器人当前的位姿与系统时间。
需要说明的是,本发明的移动机器人设有若干拓展接口,实现对机器人的功能拓展,如通过拓展接口外接温度传感器,实现对外接温度传感器的读取,同时读取温度数据时所对应的系统时间。同时,本发明将远程主机PC作为主机,移动机器人作为从机,并通过无线通信实现对机器人的控制,具体包括对移动机器人的运动,以及温度传感器的启动与关闭的控制。
具体地,图3是温度传感器在采样点的采集实施方法流程图。参见图3,通过远程主机PC启动移动机器人,移动机器人在预设的采集区域内进行扫描建图并保存;控制移动机器人上搭载的雷达实现导航,且控制舵机使移动机器人前往下一个预设的采样点(指定位置);控制雷达和温度传感器,分别实现坐标订阅与温度传感的启动;判断在预设的采集区域内的各采样点的温度数据与坐标数据是否采集完成,若是,则将所述温度数据和坐标数据传回远程主机PC;若否,则返回,控制舵机使移动机器人前往下一个预设的采样点(指定位置)。
进一步地,为提高本发明采集温度数据的准确性,如图4所示,上述步骤二包括:
21)通过串口通信传回的所述温度数据,包含8位整数数据与8位小数数据,对所述温度数据进行DA转换,并存于移动机器人内部存储器的变量数组中,同时每隔一秒传回远程主机PC进行存储;
22)对进行DA转换后的温度数据进行卡尔曼滤波或移动平均滤波;
23)对滤波后的温度数据进行修正,并将修正后的温度数据传回并写入远程主机PC的预设储存文档中,同时进行存储;优选地,通过如下公式对滤波后的温度数据进行修正:
ttrue=tm+e(tm)
式中,ttrue修正后的表示实际温度,tm表示温度测量值,e(tm)表示误差修正函数。
24)通过访问移动机器人自身位姿获得自身坐标数据,实现对移动机器人位置的订阅,并将所述坐标数据返回到所述变量数组中并存储,同时,将所述坐标数据写入所述预设储存文档且存储;
25)数据融合:所述温度数据与坐标数据均是带有系统时间信息的数据,在对某采样点进行采集时,若出现温度数据的回传时间tt在坐标数据的回传时间tc之前,即tt<tc,则该时间tt之后所传回的温度数据皆为该采样点的温度数据,即得到与移动机器人自身坐标所匹配的温度信息。
作为进一步优选的实施方式,本发明步骤22)的温度修正具体包括:
221)各温度段的测量值与在第i个温度段上存在关系为ttrue,i=tm,i+ei,其中,ttrue,i为第i个温度段上的真实值,tm,i为第i个温度段上的测量值,ei为第i个温度段上的平均误差;
222)通过各温度段的多个温度数据的统计,得出各温度段的测量值与实际值的平均误差ei;
223)在ei确定的基础上,通过对大量数据的统计和曲线线性拟合得出平均误差关于tm的变化规律,得到误差修正函数e(tm)=at+b,a,b为系数,本发明测试示例中,a,b拟合的数值分别为0.1189和-2.356;
224)将所述误差修正函数应用于各测量的温度点上,可以得到该温度点修正后的实际温度ttrue:ttrue=tm+e(tm)。
图9是本发明的温度修正测试示例,具体是一组实际测量数据在修正前与修正后的对比。从中可知:通过本发明的方法修正后的测量数据更接近真实值。
同时,作为本发明的优选实施例,上述空间插值方法包括内插、外推、格网插值法、距离加权平均法中的反距离加权平均法、克里金法,曲面样条插值法的线性三角网插值、最小曲率法,自然邻点法、最近邻点法、零阶插值法,具体地:
内插是对预设的采样区域内的未采样点进行预测,外推是对预设的采样区域以外的未采样点进行预测,所有采样点所围成的区域为预设的采样区域,在计算时内插比外推能更充分的利用采样信息,使预测结果更为可靠;
格网插值法,旨在根据现有采样的温度数据,在采样区域内添加多个采样点,形成温度数据空间位置分布的格网化;需要说明的是,格网化插值能够实现对空间曲面的插值,包括空间曲面的插值内插与插值外推,所使用格网化插值并不是会去根据采样点插值出一个具体空间曲面,而是通过采样点信息对采样点之间进行多个数据点的插补,提高所采集平面内数据点密度;
式中,m的取值为1或2,ti表示第i个采样点的值,di表示采样点到预测点的距离,以该参数的乘方的倒数作为权重值,距离预测点越近的点权重越高,距离越远的权重越低;
自然邻点法:该法仍旧通过各采样点加权后得到需要预测的数据点的数据,不同的是未知点的影响权重和它们所处的泰森多边形与新生成的泰森多边形相交的面积成正比:
式中,wi(x,y)表示权重。
最近邻点法,其数学语言表诉为,预测点的值t0(x,y)等于某采样点的值ti:
t0(x,y)=ti
且满足,预测点距离该采样点的距离di0是距离所有采样点距离中最小的,即:
di0=min di0
该法是零阶插值法,得到的图像为不连续的很多平面。
需要说明的是,本发明中交叉验证是为了产生误差从而对各种插值方法进行评价,筛选出合适的插值法进行实际运用,具体地是指,将采样点分为两个数据集,一个为学习集,一个为验证集,将学习集的数据运用上述的插值方法进行插值,所插值的结果对验证集的点进行验证可得到预测值与真实值之间的误差。
在一个优选实施例中,参见图5,本发明步骤三中采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布,具体表现为:
31)将所有采样点分为两个数据集,一个为学习集,一个为验证集;
32)将所采集的采样点依次进行交叉验证,即将学习集所插值的结果对验证集的采样点进行验证,得到所采集每个采样点的预测误差(预测值与真实值之间的误差);
33)引入三个评价指标进行插值重建精度的评估,实现对插值重建方法的评估和筛选,所述三个评价指标包括平均绝对误差,平均觉得百分比误差和均方根误差:
式中,MAE为平均绝对误差,MAPE为平均觉得百分比误差,RMSE为均方根误差,ei表示误差,即实际值与预测值的差值绝对值,Xmi表示实际值,n表示采样点个数,取正整数;
34)在统计各采样点的插值预测误差后,若某采样点的误差水平远远高于其他采样点的平均误差水平,则说明在该采样点插值重建对该采样点的预测效果不佳,所采样点无法反映该区域温度的变化情况,则在采样时,需对该点附近的采样点的分布进行重新规划,使采样点分布更密集从而可以反映该点温度的变化情况。图8为通过本发明方法建立的温度场重建逻辑图。
同时,参见图6-图7,本发明还提供了一种数据中心机房温度检测与温度场重建系统,运用其上所述的数据中心机房温度检测与温度场重建方法进行温度检测与温度场重建,上述系统设置于数据中心机房内机柜6的散热口7的附近,包括远程主机PC5、移动机器人1、温度传感器2,移动机器人1包括MCU,该MCU、温度传感器2均与远程主机PC5连接,其中:
温度传感器2安装在移动机器人1,用于在预设的采集区域内对数据中心机房热环境进行预设的采样点3的温度采集与传感工作,所有采样点3分布在预设的采样路径4上;
移动机器人1的MCU(微控制单元,Microcontroller Unit),用于对采集回的温度数据进行滤波处理、数据修正,通过系统时间进行数据融合,得到与移动机器人1自身坐标所匹配的温度信息;用于对得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;用于基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图;
远程主机PC5,用于存储采集回的温度数据;用于存储滤波后的温度数据;用于存储并显示得到的所述采样区域重建的二维温度场图或三维温度场图。
与现有技术相比,本发明有以下优点:
1)本发明是基于移动机器人进行温度检测和温度场重建,具有控制简便,节省人力资源的优点。
2)相较于传统定点采样,本发明的基于移动机器人搭载的温度传感器,可根据预设路径进行温度采集,针对各种采样环境都能灵活应对,同时根据误差分析可以方便调整采样策略,做出更为精准的机房温度场图像,灵活性高、应用性广。
3)本发明所提出的温度修正方法,可以应用于各种场合解决检测不精准的问题。
4)根据采样与重建的温度场图,可以直观看到预设的采样区域内的温度分布,便于进行下一步效能分析与优化。
上面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,不能理解为对本发明保护范围的限制。
总之,本发明虽然列举了上述优选实施方式,但是应该说明,虽然本领域的技术人员可以进行各种变化和改型,除非这样的变化和改型偏离了本发明的范围,否则都应该包括在本发明的保护范围内。
Claims (7)
1.一种数据中心机房温度检测与温度场重建方法,基于移动机器人,其特征在于,所述方法包括以下步骤:
步骤一、通过移动机器人搭载温度传感器在预设的采集区域内对数据中心机房热环境进行预设的采样点的温度采集与传感工作;
步骤二、对步骤一采集回的温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;
步骤三、将步骤二得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;
步骤四、基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图。
2.根据权利要求1所述的数据中心机房温度检测与温度场重建方法,其特征在于,所述步骤一具体包括:
11)移动机器人在预设的采集区域内按照预设路径移动时,安装在移动机器人上的温度传感器实现各所述采样点的温度数据采集,采集到的所述温度数据通过串口通信从温度传感器传输到移动机器人的MCU,再经由移动机器人无线通信传输到远程主机PC上并存储;
12)移动机器人在预设的采集区域内按照预设路径移动时,通过搭载在移动机器人上用于定位的雷达和用于控制的移动机器人行动的舵机,实现对自身坐标的订阅,并将所订阅的信息以无线通信方式传输到远程主机PC上并存储,所订阅的信息包含机器人当前的位姿与系统时间。
3.根据权利要求2所述的数据中心机房温度检测与温度场重建方法,其特征在于,所述步骤二包括:
21)通过串口通信传回的所述温度数据,包含8位整数数据与8位小数数据,对所述温度数据进行DA转换,并存于移动机器人内部存储器的变量数组中,同时每隔一秒传回远程主机PC进行存储;
22)对进行DA转换后的温度数据进行卡尔曼滤波或移动平均滤波;
23)对滤波后的所述温度数据进行温度修正,并将修正后的温度数据传回并写入远程主机PC的预设储存文档中,同时进行存储;
24)通过访问移动机器人自身位姿获得自身坐标数据,实现对移动机器人位置的订阅,并将所述坐标数据返回到所述变量数组中并存储,同时,将所述坐标数据写入所述预设储存文档且存储;
25)数据融合:所述温度数据与坐标数据均是带有系统时间信息的数据,在对某采样点进行采集时,若出现温度数据的回传时间tt在坐标数据的回传时间tc之前,即tt<tc,则该时间tt之后所传回的温度数据皆为该采样点的温度数据,即得到与移动机器人自身坐标所匹配的温度信息。
4.根据权利要求3所述的数据中心机房温度检测与温度场重建方法,其特征在于,步骤23)中通过如下公式对滤波后的温度数据进行修正:
ttrue=tm+e(tm)
式中,ttrue表示修正后的实际温度,tm表示温度测量值,e(tm)表示误差修正函数。
5.根据权利要求4所述的数据中心机房温度检测与温度场重建方法,其特征在于,所述空间插值方法包括内插、外推、格网插值法、距离加权平均法中的反距离加权平均法、克里金法,曲面样条插值法的线性三角网插值、最小曲率法,自然邻点法、最近邻点法、零阶插值法。
6.根据权利要求5所述的数据中心机房温度检测与温度场重建方法,其特征在于,所述步骤三中采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布,具体表现为:
31)将所有采样点分为两个数据集,一个为学习集,一个为验证集;
32)将所采集的采样点依次进行交叉验证,即将学习集所插值的结果对验证集的采样点进行验证,得到所采集每个采样点的预测误差;
33)引入三个评价指标进行插值重建精度的评估,实现对插值重建方法的评估和筛选,所述三个评价指标包括平均绝对误差,平均觉得百分比误差和均方根误差:
式中,MAE为平均绝对误差,MAPE为平均绝对百分比误差,RMSE为均方根误差,ei表示误差,即实际值与预测值的差值绝对值,Xmi表示实际值,n表示采样点个数,取正整数;
34)在统计各采样点的插值预测误差后,若某采样点的误差水平远远高于其他采样点的平均误差水平,则说明在该采样点插值重建对该采样点的预测效果不佳,所采样点无法反映该区域温度的变化情况,则在采样时,需对该点附近的采样点的分布进行重新规划,使采样点分布更密集从而可以反映该点温度的变化情况。
7.一种数据中心机房温度检测与温度场重建系统,其特征在于,运用权利要求1至6中任一项所述的数据中心机房温度检测与温度场重建方法进行温度检测与温度场重建,所述系统包括远程主机PC、移动机器人、温度传感器,所述移动机器人包括MCU,所述MCU、温度传感器均与远程主机PC连接,其中:
所述温度传感器安装在移动机器人,用于在预设的采集区域内对数据中心机房热环境进行预设的采样点的温度采集与传感工作;
所述移动机器人的MCU,用于对采集回的温度数据进行滤波处理、温度修正,并通过系统时间进行数据融合,得到与移动机器人自身坐标所匹配的温度信息;用于对得到的所述温度信息采用不同插值方法进行空间内插,并采用交叉验证对不同插值方法进行误差分析,根据各采样点的温度误差大小,优化插值方法和采样点空间分布;用于基于优化后的插值方法和采样点空间分布,对所述采集区域进行二维平面或三维空间的插值重建,得到所述采样区域重建的二维温度场图或三维温度场图;
所述远程主机PC,用于存储采集回的温度数据;用于存储滤波后的温度数据;用于存储并显示得到的所述采样区域重建的二维温度场图或三维温度场图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246742.9A CN113984245A (zh) | 2021-10-26 | 2021-10-26 | 一种数据中心机房温度检测与温度场重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111246742.9A CN113984245A (zh) | 2021-10-26 | 2021-10-26 | 一种数据中心机房温度检测与温度场重建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113984245A true CN113984245A (zh) | 2022-01-28 |
Family
ID=79741498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111246742.9A Pending CN113984245A (zh) | 2021-10-26 | 2021-10-26 | 一种数据中心机房温度检测与温度场重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113984245A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431975A (zh) * | 2023-06-12 | 2023-07-14 | 陕西巨人商务信息咨询有限公司 | 一种数据中心的环境监测方法及系统 |
CN116502319A (zh) * | 2023-06-28 | 2023-07-28 | 长江三峡集团实业发展(北京)有限公司 | 一种混凝土坝三维温度场重构方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107133286A (zh) * | 2017-04-18 | 2017-09-05 | 浙江中烟工业有限责任公司 | 一种机房温度参数分布场三维图的生成与分析方法和系统 |
US9908239B1 (en) * | 2014-06-12 | 2018-03-06 | Amazon Technologies, Inc. | Mobile robot system |
CN109959467A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 一种全域大坝定温方法 |
CN111044154A (zh) * | 2020-01-10 | 2020-04-21 | 南京工业大学 | 机器人移动构建数据机房实时热分布地图的系统及方法 |
CN111590540A (zh) * | 2020-05-29 | 2020-08-28 | 南京工业大学 | 一种布置在机柜顶部的数据机房温度巡检机器人及方法 |
CN112183906A (zh) * | 2020-12-02 | 2021-01-05 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及系统 |
CN112512267A (zh) * | 2020-11-11 | 2021-03-16 | 中国建设银行股份有限公司 | 基于移动机器人的温度监控方法、系统、设备和存储介质 |
CN112711860A (zh) * | 2021-01-13 | 2021-04-27 | 珠海格力电器股份有限公司 | 空间三维温度场检测方法及计算机可读存储介质 |
-
2021
- 2021-10-26 CN CN202111246742.9A patent/CN113984245A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9908239B1 (en) * | 2014-06-12 | 2018-03-06 | Amazon Technologies, Inc. | Mobile robot system |
CN107133286A (zh) * | 2017-04-18 | 2017-09-05 | 浙江中烟工业有限责任公司 | 一种机房温度参数分布场三维图的生成与分析方法和系统 |
CN109959467A (zh) * | 2019-03-25 | 2019-07-02 | 清华大学 | 一种全域大坝定温方法 |
CN111044154A (zh) * | 2020-01-10 | 2020-04-21 | 南京工业大学 | 机器人移动构建数据机房实时热分布地图的系统及方法 |
CN111590540A (zh) * | 2020-05-29 | 2020-08-28 | 南京工业大学 | 一种布置在机柜顶部的数据机房温度巡检机器人及方法 |
CN112512267A (zh) * | 2020-11-11 | 2021-03-16 | 中国建设银行股份有限公司 | 基于移动机器人的温度监控方法、系统、设备和存储介质 |
CN112183906A (zh) * | 2020-12-02 | 2021-01-05 | 北京蒙帕信创科技有限公司 | 一种基于多模型组合模型的机房环境预测方法及系统 |
CN112711860A (zh) * | 2021-01-13 | 2021-04-27 | 珠海格力电器股份有限公司 | 空间三维温度场检测方法及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
陈明: "《大数据技术概论》", 31 January 2019 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116431975A (zh) * | 2023-06-12 | 2023-07-14 | 陕西巨人商务信息咨询有限公司 | 一种数据中心的环境监测方法及系统 |
CN116431975B (zh) * | 2023-06-12 | 2023-08-18 | 陕西巨人商务信息咨询有限公司 | 一种数据中心的环境监测方法及系统 |
CN116502319A (zh) * | 2023-06-28 | 2023-07-28 | 长江三峡集团实业发展(北京)有限公司 | 一种混凝土坝三维温度场重构方法、装置及电子设备 |
CN116502319B (zh) * | 2023-06-28 | 2023-10-20 | 长江三峡集团实业发展(北京)有限公司 | 一种混凝土坝三维温度场重构方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105045950B (zh) | 一种基于三维激光扫描的桥梁安全评估系统 | |
CN113984245A (zh) | 一种数据中心机房温度检测与温度场重建方法及系统 | |
CN105157590A (zh) | 一种基于三维激光扫描技术的建构物健康监测系统 | |
CN102072747B (zh) | 基于热工参数场监测的建筑群能耗监测系统及其方法 | |
CN108595301A (zh) | 一种基于机器学习的服务器能耗预测方法和系统 | |
CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
CN111611541B (zh) | 基于Copula函数的无资料地区降水数据推求方法及系统 | |
CN104619009A (zh) | 一种定位数据采样周期的调整方法、装置及移动终端 | |
CN103415027B (zh) | Wifi室内信号分布模型自动选择与定位方法 | |
CN109190640A (zh) | 一种基于大数据的浮游生物的拦截式采集方法及采集系统 | |
CN110580552A (zh) | 一种普适的区域环境信息移动感知及预测方法 | |
CN117189309A (zh) | 一种智算中心柴油发电机组的噪声降低方法及装置 | |
CN117077526A (zh) | 基于数字孪生的雷达tr模块温度预测方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN116663126A (zh) | 一种基于通道注意力BiLSTM模型的桥梁温度效应预测方法 | |
CN116933626A (zh) | 一种基于数字孪生的数据监测方法及装置 | |
CN115081677B (zh) | 一种风速预测方法、装置、电子设备及可读存储介质 | |
CN115828688A (zh) | 一种基于高斯过程回归的数字孪生电缆温度预测方法 | |
CN104635206B (zh) | 一种无线定位的方法及装置 | |
CN110672231B (zh) | 一种基于手机电池温度传感器的空气温度测量方法 | |
CN202041228U (zh) | 一种基于热工参数场监测的建筑群能耗监测装置 | |
CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
CN111625525A (zh) | 一种环境数据修复/填充方法及系统 | |
Kehrer | Interactive visual analysis of multi-faceted scientific data | |
CN111401624A (zh) | 一种风功率预测的方法、装置及计算机可读存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220128 |