CN116738296A - 机房状况综合智能监控系统 - Google Patents
机房状况综合智能监控系统 Download PDFInfo
- Publication number
- CN116738296A CN116738296A CN202311017805.2A CN202311017805A CN116738296A CN 116738296 A CN116738296 A CN 116738296A CN 202311017805 A CN202311017805 A CN 202311017805A CN 116738296 A CN116738296 A CN 116738296A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- representing
- machine room
- monitoring data
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 151
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000003672 processing method Methods 0.000 claims abstract description 4
- 230000003071 parasitic effect Effects 0.000 claims description 25
- 238000000034 method Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 8
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000006855 networking Effects 0.000 claims description 4
- 230000024241 parasitism Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000003491 array Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 18
- 239000004973 liquid crystal related substance Substances 0.000 description 84
- 238000013138 pruning Methods 0.000 description 7
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B7/00—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00
- G08B7/06—Signalling systems according to more than one of groups G08B3/00 - G08B6/00; Personal calling systems according to more than one of groups G08B3/00 - G08B6/00 using electric transmission, e.g. involving audible and visible signalling through the use of sound and light sources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及智能监测技术领域，尤其为机房状况综合智能监控系统，包括：数据采集模块：用于通过监测端采集机房监测数据；数据处理模块：用于对采集的机房监测数据进行预处理；数据分析模块：用于对预处理后的机房监测数据进行异常分析；智能报警模块：用于对数据分析模块判定为异常的监测数据进行智能报警。本发明分别通过三种监测端对机房的环境、监控和传输信号进行全方位的智能监控，不仅对机房内的环境和视频进行监控，还能够对机房内的传输信号进行监控和分析，通过数据分析，对出现异常的监测数据通过多种报警方式进行报警，提醒工作人员及时采取措施，减少故障发生的几率，降低损失。
Description
技术领域
本发明涉及智能监测技术领域，尤其是机房状况综合智能监控系统。
背景技术
计算机机房和数据中心支撑着各公司现代化生产体系的正常运行，一些机房甚至已成为无人值守型。在这种情况下，任何一个由于环境因素和人为失误造成的意外系统中断和设备损坏都会给企事业单位带来巨大的损失。为了减少这种损失，用户需要有一套先进、可靠的机房环境监控与预警系统来确保设备的安全运行。
现有技术中的机房监控系统大多已较为完善，对于机房的监控系统大多数集中于对机房的环境和机房安保的监控，但是其监测范围有限，如仅对高温、高湿环境进行监测报警，未监测低温、干燥过度的环境情况，难以对机房及机房内的各种设备的整体运行情况做出全面的监控；并且现有技术大多基于被动监控，往往在机房出现故障之后才能发出报警信号，易造成较大的损失。鉴于以上问题，本发明提出机房状况综合智能监控系统以解决上述问题。
发明内容
本发明的目的是通过提出机房状况综合智能监控系统，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供机房状况综合智能监控系统，包括：
数据采集模块：用于通过监测端采集机房监测数据；
数据处理模块：用于对采集的机房监测数据进行预处理；
数据分析模块：用于对预处理后的机房监测数据进行异常分析；
智能报警模块：用于对数据分析模块判定为异常的监测数据进行智能报警。
作为本发明的一种优选技术方案：所述数据采集模块通过第一监测端、第二监测端、和第三监测端分别监测获取第一监测数据、第二监测数据和第三监测数据。
作为本发明的一种优选技术方案：所述数据处理模块对采集的第一监测数据、第二监测数据和第三监测数据分别进行数据清洗和异常值修正处理。
作为本发明的一种优选技术方案：所述数据分析模块根据数据处理模块预处理后获得的第一监测数据与预设的第一正常阈值数据进行比较，对超出第一正常阈值数据范围的第一监测数据及第一监测端通过智能报警模块进行报警。
作为本发明的一种优选技术方案：所述数据分析模块对第二监测数据基于如下的处理算法进行处理：
通过特征学习网络分布提取第二监测数据中的特征数据，特征数据分辨率为，其中，/>表示特征提取网络第/>层输出的特征数据分辨率，/>、/>、/>分别为特征数据对应的长、宽和通道数；
通过卷积层学习其对应的空间注意力数据：
其中，表示卷积操作，/>，表示第二监测数据第/>层特征获得的第/>个注意力数据,/>代表注意力数据的数量；
融合后的注意力数据为：
其中，表示特征金字塔计算函数，/>和/>分别表示第/>层和第/>层空间注意力数据；
计算局部区域对应的数据特征：
其中，表示第/>个局部区域对应的特征，/>表示将特征数据/>和融合后的第/>个注意力数据/>对应位置元素相乘，/>表示全局平均池化操作；
引入额外中心损失进行第二监测特征数据的构造：
其中，表示/>对应的特征中心，/>表示第/>个特征中心，/>表示更新权重。
作为本发明的一种优选技术方案：所述数据分析模块对第三监测数据进行如下处理：
获取第三监测数据，设正常状态下采集到的数据为，其中含有/>个观测变量和/>个观测值，采用矩阵表示数据/>：
将数据分解为以下形式：
其中，表示主元分矩阵，/>表示主元负荷矩阵，/>表示转置,/>表示第j个主元分量，/>表示第j个主元负荷，j为索引变量；
设定数据的方差/>为：
其中，表示数据/>的方差，/>的特征值表示为/>
通过相关系数矩阵对主成分进行求解：
通过方差累计贡献率进行主元数量的确定：
其中，表示特征方差贡献率，m为保留的主元数量；
对数据进行训练获得对应的数据阵；计算对应的数据阵的统计量和/>统计量在置信度/>的控制限/>和/>：
其中：
其中，表示特征方差/>的/>阶累计值，/>表示特征方差贡献率，/>表示置信度/>的标准正态分布，/>表示满足/>分布的随机变量。
作为本发明的一种优选技术方案：所述第二监测数据的更新权重和所述第三监测数据的主元子空间均通过共生生物搜索算法进行寻优获取，通过获取最佳的更新权重和主元子空间进行第二监测数据和第三监测数据的监测；
所述共生生物搜索算法包括共生、共栖和寄生，所述共生具体如下：
其中，和/>分别表示两种生物，/>和/>分别为/>和/>对应的下一代，/>表示/>间的随机数，/>和/>分别为生物/>和/>的收益水平，/>表示共生向量，/>表示解空间的最佳目标函数；
所述共栖具体如下：
其中，表示共栖阶段/>的下一代的解，/>表示/>间的随机数；
所述寄生具体如下：
其中，表示寄生生物；寄生阶段的寄生生物取代法则具体如下：
其中，表示寄生阶段/>的影响结果，/>、/>分别表示生物/>和寄生生物/>的目标函数值。
作为本发明的一种优选技术方案：所述第二监测数据基于获取的最优更新权重构造第二特征监测数据，并通过分类函数进行第二监测数据的异常分类：
其中，表示/>分类器的预测结果，/>表示通过最优更新权重构造的第二特征监测数据。
发明的一种优选技术方案：所述第三监测数据基于寻优获取的主元子空间，将数据向量分别分解到不同的主元子空间中，根据不同的主元子空间中的统计量和/>的统计量，搭建异常诊断模型/>：
其中，表示对应的数据阵的第一个数据值，/>表示对应的数据阵的第i个数据值，/>表示对应的数据阵的数据量。
作为本发明的一种优选技术方案：所述智能报警模块根据异常监测结果进行灯光、语音、短信、邮件和联网报警。
本发明提供的机房状况综合智能监控系统，与现有技术相比，其有益效果有：
本发明分别通过三种监测端对机房的环境、监控和传输信号进行全方位的智能监控，不仅对机房内的环境和视频进行监控，还能够对机房内的传输信号进行监控和分析，通过数据分析，对出现异常的监测数据通过多种报警方式进行报警，提醒工作人员及时采取措施，减少故障发生的几率，降低损失。
附图说明
图1为本发明优选实施例的系统框图。
图中各个标记的意义为：100、数据采集模块；200、数据处理模块；300、数据分析模块；400、智能报警模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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，所描述的实施例仅仅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。
参照图1，本发明优选实施例提供了机房状况综合智能监控系统，包括：
数据采集模块100：用于通过监测端采集机房监测数据；
数据处理模块200：用于对采集的机房监测数据进行预处理；
数据分析模块300：用于对预处理后的机房监测数据进行异常分析；
智能报警模块400：用于对数据分析模块300判定为异常的监测数据进行智能报警。
所述数据采集模块100通过第一监测端、第二监测端、和第三监测端分别监测获取第一监测数据、第二监测数据和第三监测数据。
所述数据处理模块200对采集的第一监测数据、第二监测数据和第三监测数据分别进行数据清洗和异常值修正处理。
所述数据分析模块300根据数据处理模块200预处理后获得的第一监测数据与预设的第一正常阈值数据进行比较，对超出第一正常阈值数据范围的第一监测数据及第一监测端通过智能报警模块400进行报警。
所述数据分析模块300对第二监测数据基于如下的处理算法进行处理：
通过特征学习网络分布提取第二监测数据中的特征数据，特征数据分辨率为，其中，/>表示特征提取网络第/>层输出的特征数据分辨率，/>、/>、/>分别为特征数据对应的长、宽和通道数；
通过卷积层学习其对应的空间注意力数据：
其中，表示卷积操作，/>，表示第二监测数据第/>层特征获得的第/>个注意力数据,/>代表注意力数据的数量；
融合后的注意力数据为：
其中，表示特征金字塔计算函数，/>和/>分别表示第/>层和第/>层空间注意力数据；
计算局部区域对应的数据特征：
其中，表示第/>个局部区域对应的特征，/>表示将特征数据/>和融合后的第/>个注意力数据/>对应位置元素相乘，/>表示全局平均池化操作；
引入额外中心损失进行第二监测特征数据的构造：
其中，表示/>对应的特征中心，/>表示第/>个特征中心，/>表示更新权重。
在本实施例中，考虑到对于机房状况的监控，实时性是一个重要的考虑因素，本实施例采用模型剪枝减少模型的计算复杂度，以实现更高的实时性能。具体方法如下：
首先，评估卷积层的参数重要性，以确定哪些参数应该被剪枝。使用权重值的绝对值作为参数重要性的度量。本实施例中卷积层的权重矩阵为，其中/>是输入通道数，/>是输出通道数，K 是卷积核的大小。我们可以计算每个权重的重要性得分：
其中，q表示输入通道索引，w表示输出通道索引，e 和 r 分别表示卷积核的行和列索引。
选择保留重要性得分最高的 v% 的参数，将其他的参数剪枝掉。根据设定的阈值，对卷积层的参数进行剪枝操作。选择保留 v% 的参数，即剪枝比例为 1 - v。首先，按重要性得分从高到低对参数进行排序。然后，根据剪枝比例，确定需要剪枝的参数数量。参数总数为 S，需要剪枝的参数数量。接下来，根据剪枝数量 Z，从排序后的参数列表中选择前Z个参数进行剪枝。
所述数据分析模块300对第三监测数据进行如下处理：
获取第三监测数据，设正常状态下采集到的数据为，其中含有/>个观测变量和/>个观测值，采用矩阵表示数据/>：
将数据分解为以下形式：
其中，表示主元分矩阵，/>表示主元负荷矩阵，/>表示转置,/>表示第j个主元分量，/>表示第j个主元负荷，j为索引变量；
设定数据的方差/>为：
其中，表示数据/>的方差，/>的特征值表示为/>
通过相关系数矩阵对主成分进行求解：
通过方差累计贡献率进行主元数量的确定：
其中，表示特征方差贡献率，m为保留的主元数量；
对数据进行训练获得对应的数据阵；计算对应的数据阵的统计量和/>统计量在置信度/>的控制限/>和/>：
其中：
其中，表示特征方差/>的/>阶累计值，/>表示特征方差贡献率，/>表示置信度/>的标准正态分布，/>表示满足/>分布的随机变量。
所述第二监测数据的更新权重和所述第三监测数据的主元子空间均通过共生生物搜索算法进行寻优获取，通过获取最佳的更新权重和主元子空间进行第二监测数据和第三监测数据的监测；
所述共生生物搜索算法包括共生、共栖和寄生，所述共生具体如下：
其中，和/>分别表示两种生物，/>和/>分别为/>和/>对应的下一代，/>表示/>间的随机数，/>和/>分别为生物/>和/>的收益水平，/>表示共生向量，/>表示解空间的最佳目标函数；
所述共栖具体如下：
其中，表示共栖阶段/>的下一代的解，/>表示/>间的随机数；
所述寄生具体如下：
其中，表示寄生生物；寄生阶段的寄生生物取代法则具体如下：
其中，表示寄生阶段/>的影响结果，/>、/>分别表示生物/>和寄生生物/>的目标函数值。
所述第二监测数据基于获取的最优更新权重构造第二特征监测数据，并通过分类函数进行第二监测数据的异常分类：
其中，表示/>分类器的预测结果，/>表示通过最优更新权重构造的第二特征监测数据。
所述第三监测数据基于寻优获取的主元子空间，将数据向量分别分解到不同的主元子空间中，根据不同的主元子空间中的统计量和/>的统计量，搭建异常诊断模型/>：
其中，表示对应的数据阵的第一个数据值，/>表示对应的数据阵的第i个数据值，/>表示对应的数据阵的数据量。
所述智能报警模块400根据异常监测结果进行灯光、语音、短信、邮件和联网报警。
本实施例中，数据采集模块100通过传感器，如温度传感器、湿度传感器等；摄像头如门禁摄像头、机房内各设备的摄像头；信号采集端，如机房传输信号采集端，分别采集机房内综合状况数据，第一监测数据是机房中通过机房内部的各类传感器直接获取的数据，例如温度数值、湿度数值，并通过数据处理模块200对各端采集的数据进行数据清洗和异常值处理，以保证数据处理的准确性对于通过传感器采集的第一监测数据，通过数据分析模块300与传感器设置的阈值，如温度阈值和湿度阈值等，进行比较监测，对于监测出现异常的传感器数据，及时通过智能报警模块400进行报警处理，以便工作人员及时进行处理。
第二监测数据是指摄像头拍摄的机房内部图像数据，数据分析模块300对摄像头采集的第二监测数据，即图像数据进行分析处理：
通过特征学习网络分布提取图像数据中的特征图，特征数据分辨率为，其中，/>表示特征提取网络第/>层输出的特征数据分辨率，/>、/>、/>分别为特征数据对应的长、宽和通道数；
通过卷积层学习其对应的空间注意力图：
其中，表示卷积操作，可由一个卷积核大小为/>的卷积层和一个Relu层实现，，表示图像数据第5层特征获得的第/>个注意力图；
可通过一个的卷积操作已知混叠效应，
融合后的注意力数据为：
其中，表示特征金字塔计算函数，/>和/>分别表示第5层和第6层空间注意力图，/>和/>分别为卷积核为/>和/>的卷积计算，/>表示基于反卷积的2倍上采样计算；
通过融合后的注意力图计算局部区域对应的特征：
其中，表示第/>个局部区域对应的特征，/>表示将特征图/>和融合后的第/>个注意力图/>对应位置元素相乘，/>表示全局平均池化操作；为了保证局部区域的判别性，假设一个局部区域是判别性的，那么其对应的特征/>在分类时一定能够高度响应其类别。
引入额外中心损失进行图像特征数据的构造：
其中，表示/>对应的特征中心，/>表示第/>个特征中心，/>表示更新权重。
通过共生生物搜索算法进行更新权重的寻优获取，共生生物搜索算法是一种基于生态系统物种多样性关系的启发式算法，包括共生、共栖和寄生；
共生是两种不同生物相互依存的关系，具体如下：
其中，和/>分别表示两种生物，/>和/>分别为/>和/>对应的下一代，/>表示/>间的随机数，/>和/>分别为生物/>和/>的收益水平，/>表示共生向量，/>表示解空间的最佳目标函数；
在共栖阶段，和/>相互影响，并且其中一个生物不从另一个生物获益，也不受到另一生物的影响，/>可以从/>中获益从而继续生存，/>的下一代解为：
其中，表示共栖阶段/>的下一代的解，/>表示/>间的随机数；
在寄生阶段，两种生物相互影响，一种生物获益，而另一种生物受损，寄生生物与另一种生物/>关系如下：
其中，表示寄生生物；寄生阶段的寄生生物取代法则具体如下：
其中，表示寄生阶段/>的影响结果，/>、/>分别表示生物/>和寄生生物/>的目标函数值；可设置其目标函数为/>的函数值的倒数，中心损失越小其目标函数值越大。
对于多目标、非线性、多维度、并行的优化问题，共生生物搜索算法能够用于最佳策略的求解。
基于获取的最优更新权重构造图像特征数据，并通过分类函数进行图像特征数据的异常分类：
其中，表示/>分类器的预测结果，/>表示通过最优更新权重构造的第二特征监测数据。设置分类阈值，根据预测结果与分类阈值的大小情况进行相应的报警处理。
数据分析模块300还获取信号采集端采集的第三监测数据，即机房传输信号数据，即机房各设备之间以及机房设备与外界设备通过以太网或局域网传输的数据，设正常状态下采集到的机房传输信号数据为，其中含有/>个观测变量和/>个观测值，采用矩阵表示机房传输信号数据/>：
将机房传输信号数据分解为以下形式：
其中，表示主元分矩阵，/>表示主元负荷矩阵，/>表示转置；
设定机房传输信号数据的方差/>为：
其中，表示机房传输信号数据/>的方差，/>的特征值表示为
通过相关系数矩阵对主成分进行求解：/>
通过方差累计贡献率进行主元数量的确定：
其中，表示特征方差贡献率；
对机房传输信号数据进行训练获得对应的机房传输信号数据阵；计算对应的机房传输信号数据阵的统计量和/>统计量在置信度/>的控制限/>和/>：
其中：
其中，、/>、/>表示特征方差/>的1阶、2阶和3阶累计值，/>表示置信度/>的标准正态分布，/>表示满足/>分布的随机变量。
同样通过共生搜索算法进行主元子空间的搜索，其中设定方差倒数为目标函数进行主元子空间的寻优获取，将数据向量分别分解到不同的主元子空间中，根据不同的主元子空间中的统计量和/>的统计量，搭建异常诊断模型/>：
/>
其中，表示对应的机房传输信号数据阵的第一个数据值，/>表示对应的机房传输信号数据阵的第/>个数据值，/>表示对应的机房传输信号数据阵的数据量。
根据异常诊断模型的值进行机房传输信号的异常判断，对于判断出现异常的机房传输信号，通过智能报警模块400进行灯光、语音、短信、邮件和联网报警。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.机房状况综合智能监控系统，其特征在于：包括：
数据采集模块（100）：用于通过监测端采集机房监测数据；
数据处理模块（200）：用于对采集的机房监测数据进行预处理；
数据分析模块（300）：用于对预处理后的机房监测数据进行异常分析；
智能报警模块（400）：用于对数据分析模块（300）判定为异常的监测数据进行智能报警；
所述数据采集模块（100）通过第一监测端、第二监测端、和第三监测端分别监测获取第一监测数据、第二监测数据和第三监测数据；
所述数据分析模块（300）对第二监测数据基于如下的处理算法进行处理：
通过特征学习网络分布提取第二监测数据中的特征数据，特征数据分辨率为，其中，/>表示特征提取网络第/>层输出的特征数据分辨率，/>、/>、/>分别为特征数据对应的长、宽和通道数；
通过卷积层学习其对应的空间注意力数据：
其中，/>表示卷积操作，/>，表示第二监测数据第/>层特征获得的第/>个注意力数据,/>代表注意力数据的数量；
融合后的注意力数据为：
其中，/>表示特征金字塔计算函数，/>和/>分别表示第/>层和第/>层空间注意力数据；
计算局部区域对应的数据特征：
其中，/>表示第/>个局部区域对应的特征，/>表示将特征数据/>和融合后的第/>个注意力数据/>对应位置元素相乘，/>表示全局平均池化操作；
引入额外中心损失进行第二监测特征数据的构造：
其中，/>表示/>对应的特征中心，/>表示第/>个特征中心，/>表示更新权重。
2.根据权利要求1所述的机房状况综合智能监控系统，其特征在于：所述数据处理模块（200）对采集的第一监测数据、第二监测数据和第三监测数据分别进行数据清洗和异常值修正处理。
3.根据权利要求2所述的机房状况综合智能监控系统，其特征在于：所述数据分析模块（300）根据数据处理模块（200）预处理后获得的第一监测数据与预设的第一正常阈值数据进行比较，对超出第一正常阈值数据范围的第一监测数据及第一监测端通过智能报警模块（400）进行报警。
4.根据权利要求3所述的机房状况综合智能监控系统，其特征在于：所述数据分析模块（300）对第三监测数据进行如下处理：
获取第三监测数据，设正常状态下采集到的数据为，其中含有/>个观测变量和/>个观测值，采用矩阵表示数据/>：
将数据/>分解为以下形式：
其中，/>表示主元分矩阵，/>表示主元负荷矩阵，/>表示转置,/>表示第j个主元分量，/>表示第j个主元负荷，j为索引变量；
设定数据的方差/>为：
其中，/>表示数据/>的方差，/>的特征值表示为/>
通过相关系数矩阵对主成分/>进行求解：
通过方差累计贡献率进行主元数量/>的确定：
其中，/>表示特征方差贡献率，m为保留的主元数量；
对数据进行训练获得对应的数据阵；计算对应的数据阵的统计量和/>统计量在置信度/>的控制限/>和/>：
其中：/>其中，/>表示特征方差/>的/>阶累计值，/>表示特征方差贡献率，/>表示置信度/>的标准正态分布，/>表示满足/>分布的随机变量。
5.根据权利要求4所述的机房状况综合智能监控系统，其特征在于：所述第二监测数据的更新权重和所述第三监测数据的主元子空间均通过共生生物搜索算法进行寻优获取，通过获取最佳的更新权重和主元子空间进行第二监测数据和第三监测数据的监测；
所述共生生物搜索算法包括共生、共栖和寄生，所述共生具体如下：
其中，/>和/>分别表示两种生物，/>和/>分别为/>和/>对应的下一代，/>表示/>间的随机数，/>和/>分别为生物/>和/>的收益水平，/>表示共生向量，/>表示解空间的最佳目标函数；
所述共栖具体如下：
其中，/>表示共栖阶段/>的下一代的解，/>表示/>间的随机数；
所述寄生具体如下：
其中，/>表示寄生生物；寄生阶段的寄生生物取代法则具体如下：
其中，/>表示寄生阶段/>的影响结果，/>、分别表示生物/>和寄生生物/>的目标函数值。
6.根据权利要求5所述的机房状况综合智能监控系统，其特征在于：所述第二监测数据基于获取的最优更新权重构造第二特征监测数据，并通过分类函数进行第二监测数据的异常分类：
其中，/>表示/>分类器的预测结果，表示通过最优更新权重构造的第二特征监测数据。
7.根据权利要求6所述的机房状况综合智能监控系统，其特征在于：所述第三监测数据基于寻优获取的主元子空间，将数据向量分别分解到不同的主元子空间中，根据不同的主元子空间中的统计量和/>的统计量，搭建异常诊断模型/>：
其中，/>表示对应的数据阵的第一个数据值，/>表示对应的数据阵的第i个数据值，/>表示对应的数据阵的数据量。
8.根据权利要求1所述的机房状况综合智能监控系统，其特征在于：所述智能报警模块（400）根据异常监测结果进行灯光、语音、短信、邮件和联网报警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017805.2A CN116738296B (zh) | 2023-08-14 | 2023-08-14 | 机房状况综合智能监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311017805.2A CN116738296B (zh) | 2023-08-14 | 2023-08-14 | 机房状况综合智能监控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738296A true CN116738296A (zh) | 2023-09-12 |
| CN116738296B CN116738296B (zh) | 2024-04-02 |
Family
ID=87919018
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311017805.2A Active CN116738296B (zh) | 2023-08-14 | 2023-08-14 | 机房状况综合智能监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116738296B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
| CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
| CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
| CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
| CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
| CN208027111U (zh) * | 2018-04-23 | 2018-10-30 | 宝鸡市科学技术信息研究所 | 用于数据中心机房的智能预警控制系统 |
| CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
| CN110851329A (zh) * | 2019-11-12 | 2020-02-28 | 黑龙江电力调度实业有限公司 | 一种机房状态诊断系统及方法 |
| WO2020098225A1 (zh) * | 2018-11-16 | 2020-05-22 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
| CN111204867A (zh) * | 2019-06-24 | 2020-05-29 | 北京工业大学 | 膜生物反应器-mbr膜污染智能决策方法 |
| CN111428807A (zh) * | 2020-04-03 | 2020-07-17 | 桂林电子科技大学 | 图像处理方法及计算机可读存储介质 |
| CN114419494A (zh) * | 2021-12-30 | 2022-04-29 | 南京智万企云计算有限公司 | 一种数据中心机房实时监测模块 |
| CN115903676A (zh) * | 2022-10-09 | 2023-04-04 | 北京化工大学 | 一种基于主元分析的闭环系统过程监测方法 |
| CN116244837A (zh) * | 2023-05-09 | 2023-06-09 | 西北工业大学 | 一种襟翼故障感知方法及系统 |
-
2023
- 2023-08-14 CN CN202311017805.2A patent/CN116738296B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103729562A (zh) * | 2013-12-31 | 2014-04-16 | 东北大学 | 一种基于重构识别分析的青霉素发酵过程故障监测方法 |
| CN104898646A (zh) * | 2015-04-30 | 2015-09-09 | 东北大学 | 一种基于kpca进行故障分离与重构的电熔镁炉故障诊断方法 |
| CN107506717A (zh) * | 2017-08-17 | 2017-12-22 | 南京东方网信网络科技有限公司 | 无约束场景中基于深度变换学习的人脸识别方法 |
| CN107608335A (zh) * | 2017-09-14 | 2018-01-19 | 山东科技大学 | 一种无人机飞行控制系统故障检测与故障分离的数据驱动方法 |
| CN208027111U (zh) * | 2018-04-23 | 2018-10-30 | 宝鸡市科学技术信息研究所 | 用于数据中心机房的智能预警控制系统 |
| CN108710831A (zh) * | 2018-04-24 | 2018-10-26 | 华南理工大学 | 一种基于机器视觉的小数据集人脸识别算法 |
| WO2020098225A1 (zh) * | 2018-11-16 | 2020-05-22 | 北京市商汤科技开发有限公司 | 关键点检测方法及装置、电子设备和存储介质 |
| CN110188635A (zh) * | 2019-05-16 | 2019-08-30 | 南开大学 | 一种基于注意力机制和多层次卷积特征的植物病虫害识别方法 |
| CN111204867A (zh) * | 2019-06-24 | 2020-05-29 | 北京工业大学 | 膜生物反应器-mbr膜污染智能决策方法 |
| CN110851329A (zh) * | 2019-11-12 | 2020-02-28 | 黑龙江电力调度实业有限公司 | 一种机房状态诊断系统及方法 |
| CN111428807A (zh) * | 2020-04-03 | 2020-07-17 | 桂林电子科技大学 | 图像处理方法及计算机可读存储介质 |
| CN114419494A (zh) * | 2021-12-30 | 2022-04-29 | 南京智万企云计算有限公司 | 一种数据中心机房实时监测模块 |
| CN115903676A (zh) * | 2022-10-09 | 2023-04-04 | 北京化工大学 | 一种基于主元分析的闭环系统过程监测方法 |
| CN116244837A (zh) * | 2023-05-09 | 2023-06-09 | 西北工业大学 | 一种襟翼故障感知方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116738296B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| CN107169426B (zh) | 一种基于深度神经网络的人群情绪异常检测和定位方法 | |
| CN110717481B (zh) | 一种利用级联卷积神经网络实现人脸检测的方法 | |
| CN113156917B (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
| CN113486578A (zh) | 一种工业过程中设备剩余寿命的预测方法 | |
| CN111583592B (zh) | 一种基于多维卷积神经网络的实验环境安全预警方法 | |
| CN116684878B (zh) | 一种5g信息传输数据安全监测系统 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN117272196A (zh) | 一种基于时空图注意力网络的工业时序数据异常检测方法 | |
| CN117114913A (zh) | 一种基于大数据的智能化农业数据采集系统 | |
| CN117438087A (zh) | 基于健康监测数据分析的健康管理方法及系统 | |
| Song et al. | Deformable YOLOX: detection and rust warning method of transmission line connection fittings based on image processing technology | |
| CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
| CN116738296B (zh) | 机房状况综合智能监控系统 | |
| CN113096792A (zh) | 一种基于机器学习的智能健康监测预警方法及系统 | |
| CN117251695A (zh) | 数据预测模型的训练方法、装置、设备及存储介质 | |
| CN116861343A (zh) | 一种轴承故障诊断方法 | |
| Zhang et al. | Collaborative Forecasting and Analysis of Fish Catch in Hokkaido From Multiple Scales by Using Neural Network and ARIMA Model | |
| CN115348297A (zh) | 一种生态环境治理修复方式的智慧分析处理系统 | |
| CN114137915A (zh) | 一种工业设备的故障诊断方法 | |
| Wang et al. | Forecast-based multi-aspect framework for multivariate time-series anomaly detection | |
| CN116757338B (zh) | 农作物产量预测方法、装置、电子设备及存储介质 | |
| Wang et al. | Integrating field images and microclimate data to realize multi-day ahead forecasting of maize crop coverage using CNN-LSTM | |
| CN117172598B (zh) | 一种基于云计算的流域水生态鱼类监测管理系统 | |
| CN112305184B (zh) | 一种污水处理多故障诊断系统及方法 |
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 |