CN115752582A - 一种机柜可视化监控系统 - Google Patents

Abstract

本发明提供了一种机柜可视化监控系统，包括：温度采集单元、湿度采集单元、电能表、服务器机柜、PDU电源、采集器、数据转发单元和监控器；本发明通过温度采集单元和湿度采集单元实现对机房内服务器机柜所对应温度和湿度的准确监测，再通过监测PDU电源数据和电能数据，实现对服务器机柜供电情况的监测，从而将各项数据在监控器端进行显示，并分析故障情况，在故障时可进行报警，实现对服务器机柜的可视化监控。

Description

一种机柜可视化监控系统

技术领域

本发明涉及机房监控技术领域，具体而言，涉及一种机柜可视化监控系统。

背景技术

用于放置服务器的机房，其内部的温度和湿度需要保持稳定，为了增强机房的安全性，通常会安排人员不断对机房进行巡检，虽然能够对机房进行监控，但是需要耗费大量的人力，且人对于温度和湿度的感应相对迟缓，无法准确确定当前各服务器机柜的温度和湿度，且无法实现对服务器机柜的全面监控。

发明内容

针对现有技术中的上述不足，本发明提供的一种机柜可视化监控系统解决了采用人工对机房进行巡检的方式，存在无法对服务器机柜的温度和湿度进行准确感知，且无法实现对服务器机柜的全面监控的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种机柜可视化监控系统，包括：温度采集单元、湿度采集单元、电能表、服务器机柜、PDU电源、采集器、数据转发单元和监控器；

所述温度采集单元用于采集温度数据，并转发至采集器；所述湿度采集单元用于采集湿度数据，并转发至采集器；所述电能表用于采集服务器机柜电能数据，并转发至采集器；所述采集器用于分别对温度数据、湿度数据和电能数据进行编码成标准数据格式，并将标准格式数据转发至数据转发单元；所述PDU电源用于对多个服务器机柜供电，并将电源数据发送至数据转发单元；所述服务器机柜用于将机柜数据发送至数据转发单元；所述数据转发单元用于将标准格式数据、电源数据和机柜数据发送至监控器；所述监控器用于根据标准格式数据、电源数据和机柜数据，显示每个服务器机柜的工况数据和环境数据，并在确定故障时报警。

进一步地，所述温度采集单元包括：温度采集子单元、温度异常值清除子单元和温度滤波子单元；

所述温度采集子单元用于采集服务器机柜的温度数据，得到原始温度数据；所述温度异常值清除子单元用于在当前采集的原始温度数据与上一时刻或下一时刻的原始温度数据的绝对值大于温度阈值时，去除当前采集的原始温度数据，得到滤除异常值的温度数据；所述温度滤波子单元用于对滤除异常值的温度数据进行处理，得到温度数据。

进一步地，所述湿度采集单元包括：湿度采集子单元、湿度异常值清除子单元和湿度滤波子单元；

所述湿度采集子单元用于采集服务器机柜的湿度数据，得到原始湿度数据；所述湿度异常值清除子单元用于在当前采集的原始湿度数据与上一时刻或下一时刻的原始湿度数据的绝对值大于湿度阈值时，去除当前采集的原始湿度数据，得到滤除异常值的湿度数据；所述湿度滤波子单元用于对滤除异常值的湿度数据进行处理，得到湿度数据。

进一步地，所述监控器包括：特征提取子单元、数据集构建子单元和故障预测子单元；

所述特征提取子单元用于对初始数据进行特征提取，得到特征数据，其中，所述初始数据的类型包括：温度数据、湿度数据、电能数据和电源PDU数据；所述数据集构建子单元用于将初始数据、特征数据与故障标签，构建为训练集；所述故障预测子单元用于采用训练集训练故障预测模型；所述训练后的故障预测模型用于预测机柜故障情况。

上述进一步方案的有益效果为：本发明通过将特征数据从初始数据中提取出来并与初始数据一起作为训练集输入故障预测模型，保障关键特征在故障预测模型中的表达程度。

进一步地，所述特征提取子单元包括：数据切分模块和特征提取模块；所述数据切分模块用于对初始数据进行切分得到多份初始数据块；所述特征提取模块用于对每份初始数据块提取特征数据。

上述进一步方案的有益效果为：对初始数据进行切分，在切分后的每一小块中去提取特征值，从而使得不同阶段的数据，可通过不同的特征值进行表达，可以充分体现初始数据的变化情况，避免初始数据过长，使得特征值无法体现其数据特征。

进一步地，提取的特征数据包括最大值、最小值、平均值和特征值，最大值的计算公式为：

r_max＝max{r₁，...，r_m，...，r_M}

其中，r_max为初始数据块中的最大值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，max{r₁，...，r_m，...，r_M}为求初始数据块中的最大值；

最小值的计算公式为：

r_min＝min{r₁，...，r_m，...，r_M}

其中，r_min为初始数据块中的最小值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，min{r₁，...，r_m，...，r_M}为求初始数据块中的最小值；

平均值的计算公式为：

其中，

为平均值，M为初始数据块中初始数据的数量；

特征值的计算公式为：

其中，r^*为特征值，λ为特征权重。

上述进一步方案的有益效果为：本发明通过最大值、最小值、平均值和特征值去体现初始数据的特征情况，并通过四阶距和三阶距来体现初始数据的分布情况，表征数据波动的变化情况。

进一步地，所述故障预测模型包括：第一卷积层、第二卷积层、加法器、softmax层、转置层、乘法器和全连接层；

所述第一卷积层的输出端与第二卷积层的输入端连接，其输入端用于输入初始数据；所述加法器的第一输入端与第二卷积层的输出端连接，其输出端与softmax层的输入端连接，其第二输入端用于输入特征数据；所述softmax层的输出端分别与转置层的第一输入端和乘法器的第一输入端连接；所述乘法器的第二输入端与转置层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。

上述进一步方案的有益效果为：初始数据通过卷积层提取特征，特征数据从故障预测模型外部直接输入，保障提取的特征数据不丢失，并将卷积层提取的特征与特征数据进行融合，在融合后进行归一化，将归一化后的数据进行转置操作，使其与转置前的数据进行相乘，实现数据在空间上的融合。

进一步地，所述故障预测子单元包括：训练模块和测试模块；

所述训练模块用于采用训练集训练故障预测模型，在故障预测模型的训练损失值低于训练损失阈值时，得到第一次训练的故障预测模型；

所述测试模块用于采用训练集对第一次训练的故障预测模型进行测试，在测试损失值低于测试损失阈值时，得到训练完成的故障预测模型，在测试损失值高于测试损失阈值时，则对第一次训练的故障预测模型的权重进行更新，直到测试损失值低于测试损失阈值。

上述进一步方案的有益效果为：本发明对故障预测模型参数的调整分为两个阶段，在训练阶段，实现对参数的初步调整，在测试阶段，实现对参数的微调。

进一步地，所述测试损失值的计算公式为：

其中，L为测试损失值，K为测试次数，

为第k次测试时故障预测模型输出的预测值，ζ_k为第k次测试时所对应的标签，

为第1次测试时故障预测模型输出的预测值，ζ₁为第1次测试时所对应的标签，

为第K次测试时故障预测模型输出的预测值，ζ_K为第K次测试时所对应的标签，

为求序列的最大值；

所述对第一次训练的故障预测模型的权重进行更新的公式为：

其中，w_k为第k次测试时故障预测模型的权重，w_k-1为第k-1次测试时故障预测模型的权重，L_k为第k次测试时的测试损失值，R为大于1的常数。

上述进一步方案的有益效果为：在测试阶段，本发明通过多测测量，取多测测量误差的平方，一方面能统计累计误差，另一方面通过取平方能放大误差，并将提取出多测测量中的最大误差，并平方，使其与累计误差具备相同的权重；在更新权重时，由于在训练阶段，权重已被初步训练，因此，需要通过微调权重，使得损失量低于测试损失量，常数R可选取较大值，使得权重下降更缓慢。

进一步地，所述工况数据包括：电源数据、电能数据、服务器名称、CPU负载率、CPU负载率曲线和故障情况，所述环境数据包括：机柜温度数据和机柜湿度数据。

本发明的有益效果为：本发明通过温度采集单元和湿度采集单元实现对机房内服务器机柜所对应温度和湿度的准确监测，再通过监测PDU电源数据和电能数据，实现对服务器机柜供电情况的监测，从而将各项数据在监控器端进行显示，并分析故障情况，在故障时可进行报警，实现对服务器机柜的可视化监控。

附图说明

图1为一种机柜可视化监控系统的系统框图；

图2为一种机柜可视化监控系统进一步的系统框图；

图3为故障预测模型的结构示意图。

具体实施方式

为使本发明实施例的目的、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，对本发明实施例中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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

如图1～2所示，一种机柜可视化监控系统，包括：温度采集单元、湿度采集单元、电能表、服务器机柜、PDU电源、采集器、数据转发单元和监控器；

所述温度采集单元用于采集温度数据，并转发至采集器；所述湿度采集单元用于采集湿度数据，并转发至采集器；所述电能表用于采集服务器机柜电能数据，并转发至采集器；所述采集器用于分别对温度数据、湿度数据和电能数据进行编码成标准数据格式，并将标准格式数据转发至数据转发单元；所述PDU电源用于对多个服务器机柜供电，并将电源数据发送至数据转发单元；所述服务器机柜用于将机柜数据发送至数据转发单元；所述数据转发单元用于将标准格式数据、电源数据和机柜数据发送至监控器；所述监控器用于根据标准格式数据、电源数据和机柜数据，显示每个服务器机柜的工况数据和环境数据，并在确定故障时报警。

在本实施例中，机柜数据包括：服务器名称、服务器编号和CPU负载率。

在本实施例中，如图2所示，数据转发单元包括交换机、无线通信器和有线通信器，服务器机柜和PDU电源与交换机进行通信，采用SNMP协议。采集器与温湿度单元和电能表进行通信，采用RS485协议，通过采集器进行转换，实现与交换机的通信。交换机再通过有线通信器或者无线通信器传输给其他的终端，例如：带树莓派HA系统终端或者WEB HMI终端。

温度采集单元包括：温度采集子单元、温度异常值清除子单元和温度滤波子单元；

所述温度采集子单元用于采集服务器机柜的温度数据，得到原始温度数据；所述温度异常值清除子单元用于在当前采集的原始温度数据与上一时刻或下一时刻的原始温度数据的绝对值大于温度阈值时，去除当前采集的原始温度数据，得到滤除异常值的温度数据；所述温度滤波子单元用于对滤除异常值的温度数据进行处理，得到温度数据。

所述温度滤波子单元用于对滤除异常值的温度数据进行处理，得到温度数据的公式为：

温度上升阶段；

温度下降阶段；

其中，y_t为第t时刻滤波后的温度数据，y_t-1为第t-1时刻滤波后的温度数据，y_t-i为第t-i时刻滤波后的温度数据，x_t-i为第t-i时刻的滤除异常值的温度数据，x_t为第t时刻的滤除异常值的温度数据，n为求和的数据长度，i为统计编号，b为温度补偿系数。

本发明以上一时刻滤波后的温度数据y_t-1为基础，通过历史滤波程度与历史温度数据x_t的比值来对新的温度数据x_t进行衡量，使得数据始终考虑最近的历史温度数据情况，保障数据平稳性。本发明还将温度分为上升阶段和下降阶段，进一步保障数据计算的准确性和总体的数据趋势。

温度补偿系数b的公式为：

b＝0,|x_t-x_t-1|<th₁

其中，x_t-1为第t-1时刻的滤除异常值的温度数据，th₁为温度差阈值。

本发明通过|x_t-x_t-1|的情况，来衡量数据上升情况或下降情况，在上升或下降剧烈时，通过补偿系数来补偿数据的上升或下降的量，增加滤波灵敏度。

湿度采集单元包括：湿度采集子单元、湿度异常值清除子单元和湿度滤波子单元；

所述湿度采集子单元用于采集服务器机柜的湿度数据，得到原始湿度数据；所述湿度异常值清除子单元用于在当前采集的原始湿度数据与上一时刻或下一时刻的原始湿度数据的绝对值大于湿度阈值时，去除当前采集的原始湿度数据，得到滤除异常值的湿度数据；所述湿度滤波子单元用于对滤除异常值的湿度数据进行处理，得到湿度数据。

在实施例中，湿度滤波子单元采用与温度滤波子单元相同的滤波方法，具体如下：

所述湿度滤波子单元用于对滤除异常值的湿度数据进行处理，得到湿度数据的公式为：

湿度上升阶段；

湿度下降阶段；

其中，Y_t为第t时刻滤波后的湿度数据，Y_t-1为第t-1时刻滤波后的湿度数据，Y_t-i为第t-i时刻滤波后的湿度数据，X_t-i为第t-i时刻的滤除异常值的湿度数据，X_t为第t时刻的滤除异常值的湿度数据，n为求和的数据长度，i为统计编号，B为湿度补偿系数。

本发明以上一时刻滤波后的湿度数据Y_t-1为基础，通过历史滤波程度与历史湿度数据X_t的比值来对新的湿度数据X_t进行衡量，使得数据始终考虑最近的历史湿度数据情况，保障数据平稳性。本发明还将湿度分为上升阶段和下降阶段，进一步保障数据计算的准确性和总体的数据趋势。

湿度补偿系数B的公式为：

B＝0，|X_t-X_t-1|＜th₂

其中，X_t-1为第t-1时刻的滤除异常值的湿度数据，th₂为湿度差阈值。

本发明通过|X_t-X_t-1|的情况，来衡量数据上升情况或下降情况，在上升或下降剧烈时，通过补偿系数来补偿数据的上升或下降的量，增加滤波灵敏度。

在实施例中，湿度滤波子单元和温度滤波子单元可采用其他现有滤波方法，例如均值滤波、卡尔曼滤波等。

所述监控器包括：特征提取子单元、数据集构建子单元和故障预测子单元；

所述特征提取子单元用于对初始数据进行特征提取，得到特征数据，其中，所述初始数据的类型包括：温度数据、湿度数据、电能数据和电源PDU数据；所述数据集构建子单元用于将初始数据、特征数据与故障标签，构建为训练集；所述故障预测子单元用于采用训练集训练故障预测模型；所述训练后的故障预测模型用于预测机柜故障情况。

在本实施例中，初始数据可包含：温度数据、湿度数据、电能数据和电源PDU数据中一种或几种数据。

本发明通过将特征数据从初始数据中提取出来并与初始数据一起作为训练集输入故障预测模型，保障关键特征在故障预测模型中的表达程度。

所述特征提取子单元包括：数据切分模块和特征提取模块；所述数据切分模块用于对初始数据进行切分得到多份初始数据块；所述特征提取模块用于对每份初始数据块提取特征数据。

对初始数据进行切分，在切分后的每一小块中去提取特征值，从而使得不同阶段的数据，可通过不同的特征值进行表达，可以充分体现初始数据的变化情况，避免初始数据过长，使得特征值无法体现其数据特征。

提取的特征数据包括最大值、最小值、平均值和特征值，最大值的计算公式为：

r_max＝max{r₁，...，r_m，...，r_M}

其中，r_max为初始数据块中的最大值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，max{r₁，...，r_m，...，r_M}为求初始数据块中的最大值；

最小值的计算公式为：

r_min＝min{r₁，...，r_m，...，r_M}

其中，r_min为初始数据块中的最小值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，min{r₁，...，r_m，...，r_M}为求初始数据块中的最小值；

平均值的计算公式为：

其中，

为平均值，M为初始数据块中初始数据的数量；

特征值的计算公式为：

其中，r^*为特征值，λ为特征权重。

本发明通过最大值、最小值、平均值和特征值去体现初始数据的特征情况，并通过四阶距和三阶距来体现初始数据的分布情况，表征数据波动的变化情况。

如图3所示，所述故障预测模型包括：第一卷积层、第二卷积层、加法器、softmax层、转置层、乘法器和全连接层；

所述第一卷积层的输出端与第二卷积层的输入端连接，其输入端用于输入初始数据；所述加法器的第一输入端与第二卷积层的输出端连接，其输出端与softmax层的输入端连接，其第二输入端用于输入特征数据；所述softmax层的输出端分别与转置层的第一输入端和乘法器的第一输入端连接；所述乘法器的第二输入端与转置层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。

初始数据通过卷积层提取特征，特征数据从故障预测模型外部直接输入，保障提取的特征数据不丢失，并将卷积层提取的特征与特征数据进行融合，在融合后进行归一化，将归一化后的数据进行转置操作，使其与转置前的数据进行相乘，实现数据在空间上的融合。

在本实施例中，故障预测模型可选用其他现有神经网络模型，以及SVM分类模型等。

所述故障预测子单元包括：训练模块和测试模块；

所述训练模块用于采用训练集训练故障预测模型，在故障预测模型的训练损失值低于训练损失阈值时，得到第一次训练的故障预测模型；

所述测试模块用于采用训练集对第一次训练的故障预测模型进行测试，在测试损失值低于测试损失阈值时，得到训练完成的故障预测模型，在测试损失值高于测试损失阈值时，则对第一次训练的故障预测模型的权重进行更新，直到测试损失值低于测试损失阈值。

在训练模块中，可采用交叉熵损失函数作为训练阶段的损失函数。

在测试模块中，对权重进行更新后，重新取训练集对模型进行继续测试，直到测试损失值低于测试损失阈值。

本发明对故障预测模型参数的调整分为两个阶段，在训练阶段，实现对参数的初步调整，在测试阶段，实现对参数的微调。

所述测试损失值的计算公式为：

其中，L为测试损失值，K为测试次数，

为第k次测试时故障预测模型输出的预测值，ζ_k为第k次测试时所对应的标签，

为第1次测试时故障预测模型输出的预测值，ζ₁为第1次测试时所对应的标签，

为第K次测试时故障预测模型输出的预测值，ζ_K为第K次测试时所对应的标签，

为求序列的最大值；

所述对第一次训练的故障预测模型的权重进行更新的公式为：

其中，w_k为第k次测试时故障预测模型的权重，w_k-1为第k-1次测试时故障预测模型的权重，K_k为第k次测试时的测试损失值，R为大于1的常数。

在测试阶段，本发明通过多测测量，取多测测量误差的平方，一方面能统计累计误差，另一方面通过取平方能放大误差，并将提取出多测测量中的最大误差，并平方，使其与累计误差具备相同的权重；在更新权重时，由于在训练阶段，权重已被初步训练，因此，需要通过微调权重，使得损失量低于测试损失量，常数R可选取较大值，使得权重下降更缓慢。

所述工况数据包括：电源数据、电能数据、服务器名称、CPU负载率、CPU负载率曲线和故障情况，所述环境数据包括：机柜温度数据和机柜湿度数据。

在监控器端可根据需求设置监控的画面，通过监控画面展示：环境温度、环境湿度、服务器机柜的总电能、服务器名称、CPU负载率和CPU负载率曲线，并在预测到故障时，进行报警。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种机柜可视化监控系统，其特征在于，包括：温度采集单元、湿度采集单元、电能表、服务器机柜、PDU电源、采集器、数据转发单元和监控器；

所述温度采集单元用于采集温度数据，并转发至采集器；所述湿度采集单元用于采集湿度数据，并转发至采集器；所述电能表用于采集服务器机柜电能数据，并转发至采集器；所述采集器用于分别对温度数据、湿度数据和电能数据进行编码成标准数据格式，并将标准格式数据转发至数据转发单元；所述PDU电源用于对多个服务器机柜供电，并将电源数据发送至数据转发单元；所述服务器机柜用于将机柜数据发送至数据转发单元；所述数据转发单元用于将标准格式数据、电源数据和机柜数据发送至监控器；所述监控器用于根据标准格式数据、电源数据和机柜数据，显示每个服务器机柜的工况数据和环境数据，并在确定故障时报警。

2.根据权利要求1所述的机柜可视化监控系统，其特征在于，所述温度采集单元包括：温度采集子单元、温度异常值清除子单元和温度滤波子单元；

所述温度采集子单元用于采集服务器机柜的温度数据，得到原始温度数据；所述温度异常值清除子单元用于在当前采集的原始温度数据与上一时刻或下一时刻的原始温度数据的绝对值大于温度阈值时，去除当前采集的原始温度数据，得到滤除异常值的温度数据；所述温度滤波子单元用于对滤除异常值的温度数据进行处理，得到温度数据。

3.根据权利要求1所述的机柜可视化监控系统，其特征在于，所述湿度采集单元包括：湿度采集子单元、湿度异常值清除子单元和湿度滤波子单元；

所述湿度采集子单元用于采集服务器机柜的湿度数据，得到原始湿度数据；所述湿度异常值清除子单元用于在当前采集的原始湿度数据与上一时刻或下一时刻的原始湿度数据的绝对值大于湿度阈值时，去除当前采集的原始湿度数据，得到滤除异常值的湿度数据；所述湿度滤波子单元用于对滤除异常值的湿度数据进行处理，得到湿度数据。

4.根据权利要求1所述的机柜可视化监控系统，其特征在于，所述监控器包括：特征提取子单元、数据集构建子单元和故障预测子单元；

所述特征提取子单元用于对初始数据进行特征提取，得到特征数据，其中，所述初始数据的类型包括：温度数据、湿度数据、电能数据和电源PDU数据；所述数据集构建子单元用于将初始数据、特征数据与故障标签，构建为训练集；所述故障预测子单元用于采用训练集训练故障预测模型；所述训练后的故障预测模型用于预测机柜故障情况。

5.根据权利要求1所述的机柜可视化监控系统，其特征在于，所述特征提取子单元包括：数据切分模块和特征提取模块；所述数据切分模块用于对初始数据进行切分得到多份初始数据块；所述特征提取模块用于对每份初始数据块提取特征数据。

6.根据权利要求5所述的机柜可视化监控系统，其特征在于，提取的特征数据包括最大值、最小值、平均值和特征值，最大值的计算公式为：

r_max＝max{r₁，...，r_m，...，r_M}

其中，r_max为初始数据块中的最大值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，max{r₁，...，r_m，...，r_M}为求初始数据块中的最大值；

最小值的计算公式为：

r_Min＝min{r₁，...，r_m，...，r_M}

其中，r_min为初始数据块中的最小值，{r₁，...，r_m，...，r_M}为初始数据块，r₁为初始数据块中第1个初始数据，r_m为初始数据块中第m个初始数据，r_M为初始数据块中第M个初始数据，min{r₁，...，r_m，...，r_M}为求初始数据块中的最小值；

平均值的计算公式为：

其中，

为平均值，M为初始数据块中初始数据的数量；

特征值的计算公式为：

其中，r^*为特征值，λ为特征权重。

7.根据权利要求4所述的机柜可视化监控系统，其特征在于，所述故障预测模型包括：第一卷积层、第二卷积层、加法器、softmax层、转置层、乘法器和全连接层；

所述第一卷积层的输出端与第二卷积层的输入端连接，其输入端用于输入初始数据；所述加法器的第一输入端与第二卷积层的输出端连接，其输出端与softmax层的输入端连接，其第二输入端用于输入特征数据；所述softmax层的输出端分别与转置层的第一输入端和乘法器的第一输入端连接；所述乘法器的第二输入端与转置层的输出端连接，其输出端与全连接层的输入端连接；所述全连接层的输出端作为故障预测模型的输出端。

8.根据权利要求4所述的机柜可视化监控系统，其特征在于，所述故障预测子单元包括：训练模块和测试模块；

所述训练模块用于采用训练集训练故障预测模型，在故障预测模型的训练损失值低于训练损失阈值时，得到第一次训练的故障预测模型；

所述测试模块用于采用训练集对第一次训练的故障预测模型进行测试，在测试损失值低于测试损失阈值时，得到训练完成的故障预测模型，在测试损失值高于测试损失阈值时，则对第一次训练的故障预测模型的权重进行更新，直到测试损失值低于测试损失阈值。

9.根据权利要求8所述的机柜可视化监控系统，其特征在于，所述测试损失值的计算公式为：

其中，K为测试损失值，K为测试次数，

为第k次测试时故障预测模型输出的预测值，ζ_k为第k次测试时所对应的标签，

为第1次测试时故障预测模型输出的预测值，ζ₁为第1次测试时所对应的标签，

为第K次测试时故障预测模型输出的预测值，ζ_K为第K次测试时所对应的标签，

为求序列的最大值；

所述对第一次训练的故障预测模型的权重进行更新的公式为：

其中，w_k为第k次测试时故障预测模型的权重，w_k-1为第k-1次测试时故障预测模型的权重，L_k为第k次测试时的测试损失值，R为大于1的常数。

10.根据权利要求1所述的机柜可视化监控系统，其特征在于，所述工况数据包括：电源数据、电能数据、服务器名称、CPU负载率、CPU负载率曲线和故障情况，所述环境数据包括：机柜温度数据和机柜湿度数据。

Images