CN117520103B - 基于热成像的数据中心机房温度监控方法 - Google Patents
基于热成像的数据中心机房温度监控方法 Download PDFInfo
- Publication number
- CN117520103B CN117520103B CN202410022023.6A CN202410022023A CN117520103B CN 117520103 B CN117520103 B CN 117520103B CN 202410022023 A CN202410022023 A CN 202410022023A CN 117520103 B CN117520103 B CN 117520103B
- Authority
- CN
- China
- Prior art keywords
- value
- temperature change
- area
- point
- temperature
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012544 monitoring process Methods 0.000 title claims abstract description 18
- 238000001931 thermography Methods 0.000 title claims abstract description 18
- 230000008859 change Effects 0.000 claims abstract description 103
- 230000002159 abnormal effect Effects 0.000 claims abstract description 89
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
- G01J5/485—Temperature profile
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及图像数据处理领域,更具体地,本发明涉及基于热成像的数据中心机房温度监控方法,方法包括:采集的热成像图像进行预处理,得到灰度图像并进行二值化;根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值,并进行归一化处理,计算所述温度变化区域的单点异常值;得到所述温度变化区域的边缘点异常值;根据所述边缘点异常值进行加权,得到预测异常值;根据所述预测异常值和所述边缘点异常值的时序数据,得到预测机箱风险值,同时对机房温度进行预警调整。本发明提高了边缘点异常值预测的准确率,便于提前预测数据中心机房的温度变化异常,提高数据中心机房的抗风险能力。
Description
技术领域
本发明一般地涉及图像数据处理领域。更具体地,本发明涉及基于热成像的数据中心机房温度监控方法。
背景技术
红外成像技术就是根据探测到的物体的辐射能量的高低。经系统处理转变为目标物体的热图像,以灰度级或伪彩色显示出来,即得到被测目标的温度分布从而判断物体所处的状态。热成像是通过非接触探测红外能量(热量),并将其转换为电信号,进而在显示器上生成热图像和温度值,并可以对温度值进行计算的一种检测设备。
在现阶段数据中心机房场景中,温度检测常常需要红外光线摄像头生成热成像图像。只有当热成像图像中的温度值达到设定温度值时,系统才会出现发出警报。所以这就会造成当系统开始报警时,已经出现了灾害的情况。进而本方案提出了一种基于热成像的数据中心机房温度监控方法,通过对其历史数据进行预测,实现提前预警,降低灾害的发生。
现有的机房温度检测方式常常都是实时的,通过红外相机进行温度感知,当温度值达到预设值时,系统才能发出警报,不能及时对即将达到预设值进行温度报警,延迟及时减少对数据中心机房的数据的损失,因此需要基于热成像的数据中心机房温度监控方法。
发明内容
为解决上述一个或多个技术问题,本发明通过温度变化区域的面积变化和目标像素点温度变化值得到预测边界点异常值,进而更准确的预测温度异常,并进行预警,为此,本发明在如下的多个方面中提供方案。
基于热成像的数据中心机房温度监控方法,包括:采集的热成像图像进行预处理,得到灰度图像,对所述灰度图像进行二值化,得到二值图像;根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值;根据所述温度变化区域的面积和温度变化值,进行归一化处理,计算所述温度变化区域的单点异常值;根据所述单点异常值,得到所述温度变化区域的边缘点异常值;根据所述边缘点异常值进行加权,得到预测异常值;根据所述预测异常值和所述边缘点异常值的时序数据,得到预测机箱风险值;根据所述机箱风险值,对机房温度进行预警调整。
在一个实施例中,根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值,包括:
计算二值图像中目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化区域,将所述温度变化区域的有值像素点的个数作为所述温度变化区域的面积的度量;
根据目标时刻和相邻下一时刻的原图像,对应二值图像中所述温度变化区域的有值像素点进行点乘,得到原图像中温度变化区域的像素点的温度值,计算目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化值。
通过采用上述技术方案,在数据中心机房的部分区域温度升高后,其高温区域由于热传导的作用,致使高温区域的面积变大,通过二值化的特征,得到一个分割结果表示温度变化区域,从而便于选取温度变化区域的边缘点的数据进行分析。
在一个实施例中,根据所述温度变化区域的面积和温度变化值,进行归一化处理,计算所述温度变化区域的单点异常值,包括:
对原图像中所述温度变化区域的面积与目标下一时刻的面积的比值作为面积变化参数;
对原图像中所述温度变化区域的像素点,对应目标下一时刻的温度变化值与设定温度值的比值作为温度变化参数;
计算所述面积变化参数和温度变化参数的乘积得到单点异常值。
通过采用上述技术方案,因为温度变化区域的面积和对应目标像素点的温度值变化的量纲不同,不能直接计算,需要进行归一化处理,进而进一步分析单点异常值。
在一个实施例中,根据所述温度变化区域的单个像素点到外边缘点的距离进行加权,得到温度变化区域的边缘点异常值,所述边缘点异常值满足下述关系式:
其中,表示第/>时刻第/>个边缘点异常值,/>表示第/>时刻第/>个像素点异常值,/>表示第/>时刻第/>个像素点到外边界距离的参数。
通过采用上述技术方案,单个像素点距离边界越远,权重值越小,对边界点的影响效果越差,利用单个像素点到边缘异常点的距离作为权重。
在一个实施例中,根据所述温度变化区域的边缘点异常值,还包括:
计算相邻两个时刻所述边缘点异常值的变化量,得到所述变化量的直方图,根据所述直方图获得边缘点异常值的分布,其中,横坐标为边缘点异常值的大小,纵坐标为边缘点异常值相同的个数;
根据所述直方图,获得所述变化量的均值和方差,根据所述均值和方差得到高斯函数;
计算目标时刻每个边缘点实际个数和高斯函数的值的偏差值。
在一个实施例中,根据所述变化量与偏差值,得到多项式拟合时的单点异常值的权重,满足下述关系式:
其中,表示第/>时刻第/>个边缘点的多项式拟合时的单点权重,/>表示第/>时刻第/>个边缘点的边缘点异常值的变化量,/>表示第/>时刻第/>个边缘点的实际个数和拟合结果的偏差值。
通过采用上述技术方案,在拟合预测时,当高温区域温度值出现突变时,多项式拟合会出现欠拟合的情况,导致预测值会比实际值低,进而系统会根据预测值进行误判,为了提高预测的准确性,进而在拟合预测时,将突变边缘点异常值进行加权拟合。
在一个实施例中,根据单点异常值的权重进行多项式加权拟合,得到预测机箱风险值,包括:
根据多项式加权拟合结果,得到预测异常值;
计算所述边缘异常值的时序数据与所述预测异常值的和,得到机箱风险值,其中,时序数据为每个时刻得到的温度数据值。
在一个实施例中,根据所述预测机箱风险值,判断机房温度监控预警状态,包括:
设置机箱风险阈值;
响应于预测机箱风险值大于机箱风险阈值时,对机房进行温度预警。
本申请具有以下效果:
1、本申请通过温度变化区域的预测单点异常值,实现了对数据中心机柜温度变化的准确监测,根据单点异常值和其对应位置关系获取温度变化区域边缘的异常,根据温度变化区域,边缘点异常值进行加权预测,提高了边缘点异常值预测的准确率,便于提前预测数据中心机房的温度变化异常,提高数据中心机房的抗风险能力,减少损失。
2、本申请通过温度变化区域的目标像素点的异常值和目标像素点到边缘点的距离的不同,利用加权把所有温度变化区域的目标像素点的异常值转化为边缘点异常值,通过边缘点异常值得到外边缘的异常情况,通过预测边缘点的异常,便于在拟合过程中不断修正预测异常值,便于拟合的结果更加准确。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本申请的实施例基于热成像的数据中心机房温度监控方法中步骤S1-S7的方法流程图。
图2是本申请实施例基于热成像的数据中心机房温度监控方法中步骤S20-S21的方法流程图。
图3是本申请实施例基于热成像的数据中心机房温度监控方法中步骤S30-S32的方法流程图。
图4是本申请实施例基于热成像的数据中心机房温度监控方法中步骤S50-S53的方法流程图。
具体实施方式
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。基于本发明中的实施例,本领域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。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,基于热成像的数据中心机房温度监控方法包括步骤S1-S7,具体如下:
S1:采集的热成像图像进行预处理,得到灰度图像,对灰度图像进行二值化,得到二值图像。
S2:根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值,参照图2,包括步骤S20-S21:
S20:计算二值图像中目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化区域,将温度变化区域的有值像素点的个数作为温度变化区域的面积的度量;
S21:根据目标时刻和相邻下一时刻的原图像,对应二值图像中温度变化区域的有值像素点进行点乘,得到原图像中温度变化区域的像素点的温度值,计算目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化值。
S3:根据温度变化区域的面积和温度变化值,进行归一化处理,计算温度变化区域的单点异常值,参照图3,包括步骤S30-S32:
S30:对原图像中温度变化区域的面积与目标下一时刻的面积的比值作为面积变化参数;
S31:对原图像中温度变化区域的像素点,对应目标下一时刻的温度变化值与设定温度值的比值作为温度变化参数;
示例性的,设定温度值为100℃,响应于机箱的表面温度升高的越快,温度变化参数的数值就会越大,单点异常值也会变大。对于机箱内部热源增加时,面积变化参数的数值就会增大,单点异常值也会变大。面积变化参数和温度变化参数之间有正相关的联系,所以单点异常值变化比较明显。
S32:计算面积变化参数和温度变化参数的乘积得到单点异常值。
示例性的,由于温度变化区域的目标像素点的异常值和目标像素点到边缘点的距离的不同,利用加权把所有温度变化区域的目标像素点的异常值转化为边缘点异常值,通过边缘点异常值得到外边缘的异常情况,通过预测边缘点的异常,实现机房温度检测。
S4:根据单点异常值,得到温度变化区域的边缘点异常值。
根据温度变化区域的单个像素点到外边缘点的距离进行加权,得到温度变化区域的边缘点异常值,边缘点异常值满足下述关系式:
其中,表示第/>时刻第/>个边缘点异常值,/>表示第/>时刻第/>个像素点异常值,/>表示第/>时刻第/>个像素点到外边界距离的参数。
示例性的,对于单点像素点距离边界越远,权重值越小,对边界点的影响效果越差。单点异常值为公式中的一个因子,对于边界点的变化参数的影响远远没有距离参数的影响大,进而利用距离参数作为温度变化区域内的任意一点温度值到边缘点温度值的加权条件。
S5:根据边缘点异常值进行加权,得到预测异常值,参照图4,还包括步骤S50-S53:
S50:计算相邻两个时刻边缘点异常值的变化量,得到变化量的直方图,根据直方图获得边缘点异常值的分布,其中,横坐标为边缘点异常值的大小,纵坐标为边缘点异常值相同的个数;
S51:根据直方图,获得变化量的均值和方差,根据均值和方差得到高斯函数;
S52:计算目标时刻每个边缘点实际个数和高斯函数的值的偏差值;
示例性的,偏差值越大,则高斯函数的值异常性越大,进而在拟合预测时对该点的加权值就应该越大。
S53:根据变化量与偏差值,得到多项式拟合时的单点异常值的权重,满足下述关系式:
其中,表示第/>时刻第/>个边缘点的多项式拟合时的单点权重,/>表示第/>时刻第/>个边缘点的边缘点异常值的变化量,/>表示第/>时刻第/>个边缘点的实际个数和拟合结果的偏差值。
示例性的,当变化量大时,说明温度值有了突变,对应偏差也会越大,此时预测权重也越大。其中,是因为当不存在偏差时无异常,其加权值应当为0。/>为激活函数,当偏差值小于等于0在合理范围内,不存在偏差无异常,所以/>为0时,进而需要,使得/>为0,进而单点权重为0。
在拟合预测时,当温度变化区域的温度值出现突变时,多项式拟合会出现欠拟合的情况,导致预测值会比实际值低,进而系统会根据预测值进行误判。为了避免这种问题,进而在拟合预测时,将突变边缘点异常值进行加权拟合,权值随着突变量和时间的变化而变化。通过对突变点的加权得到精准的预测数据。
S6:根据预测异常值和边缘点异常值的时序数据,得到预测机箱风险值。
计算边缘异常值的时序数据与预测异常值的和,得到机箱风险值,其中,时序数据为每个时刻得到的温度数据值。
示例性的,因为温度变化区域从开始时刻就是一直是扩散的,进而需要将边缘点异常值的时序数据和预测边缘异常值的数据进行累加得到机箱风险值。
S7:根据机箱风险值,对机房温度进行预警调整。
设置机箱风险阈值;
响应于预测机箱风险值大于机箱风险阈值时,对机房进行温度预警。
示例性的,设定机箱风险值阈值,当机箱风险值的预测结果超过机箱风险值阈值时,表示当前机房温度温控过高,且面积较大和温度变化较快,需要进行温度预警。本方案中机箱风险值阈值为0.8。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (3)
1.基于热成像的数据中心机房温度监控方法,其特征在于,包括:
采集的热成像图像进行预处理,得到灰度图像,对所述灰度图像进行二值化,得到二值图像;
根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值;
对所述温度变化区域的面积和温度变化值进行归一化处理,并计算所述温度变化区域的单点异常值;
根据所述单点异常值,得到所述温度变化区域的边缘点异常值;
根据所述边缘点异常值进行加权,得到预测异常值;
根据所述预测异常值和所述边缘点异常值的时序数据,得到预测机箱风险值;
根据所述预测机箱风险值,对机房温度进行预警调整;
根据相邻两个时刻的原图像和二值图像,计算温度变化区域的面积和温度变化值,包括:
计算二值图像中目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化区域,将所述温度变化区域的有值像素点的个数作为所述温度变化区域的面积的度量;
根据目标时刻和相邻下一时刻的原图像,对应二值图像中所述温度变化区域的有值像素点进行点乘,得到原图像中温度变化区域的像素点的温度值,计算目标时刻的相邻下一时刻与目标时刻的差值,得到温度变化值;
根据所述温度变化区域的面积和温度变化值,进行归一化处理,计算所述温度变化区域的单点异常值,包括:
将原图像中所述温度变化区域的面积与目标下一时刻的面积的比值作为面积变化参数;
将原图像中所述温度变化区域的像素点,对应目标下一时刻的温度变化值与设定温度值的比值作为温度变化参数;
计算所述面积变化参数和温度变化参数的乘积得到单点异常值;
根据所述温度变化区域的单个像素点到外边缘点的距离进行加权,得到温度变化区域的边缘点异常值,所述边缘点异常值满足下述关系式:
其中,表示第/>时刻第/>个边缘点异常值,/>表示第/>时刻第/>个像素点异常值,/>表示第/>时刻第/>个像素点到外边界距离的参数;
根据所述温度变化区域的边缘点异常值,得到的实际个数和拟合结果的偏差值的过程为:
计算相邻两个时刻所述边缘点异常值的变化量,得到所述变化量的直方图,根据所述直方图获得边缘点异常值的分布,其中,所述直方图的横坐标为边缘点异常值的大小,纵坐标为边缘点异常值相同的个数;
根据所述直方图,获得所述变化量的均值和方差,根据所述均值和方差得到高斯函数;
计算目标时刻每个边缘点实际个数和高斯函数的值的偏差值;
根据所述变化量与偏差值,得到多项式拟合时的单点异常值的权重,满足下述关系式:
其中,表示第/>时刻第/>个边缘点的多项式拟合时的单点权重,/>表示第/>时刻第/>个边缘点的边缘点异常值的变化量,/>表示第/>时刻第/>个边缘点的实际个数和拟合结果的偏差值。
2.根据权利要求1所述的基于热成像的数据中心机房温度监控方法,其特征在于,根据单点异常值的权重进行多项式加权拟合,得到预测机箱风险值,包括:
根据多项式加权拟合结果,得到预测异常值;
计算所述边缘点异常值的时序数据与所述预测异常值的和,得到机箱风险值,其中,时序数据为每个时刻得到的温度数据值。
3.根据权利要求1所述的基于热成像的数据中心机房温度监控方法,其特征在于,根据所述预测机箱风险值,判断机房温度监控预警状态,包括:
设置机箱风险阈值;
响应于预测机箱风险值大于机箱风险阈值时,对机房进行温度预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022023.6A CN117520103B (zh) | 2024-01-08 | 2024-01-08 | 基于热成像的数据中心机房温度监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022023.6A CN117520103B (zh) | 2024-01-08 | 2024-01-08 | 基于热成像的数据中心机房温度监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117520103A CN117520103A (zh) | 2024-02-06 |
CN117520103B true CN117520103B (zh) | 2024-04-26 |
Family
ID=89751745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410022023.6A Active CN117520103B (zh) | 2024-01-08 | 2024-01-08 | 基于热成像的数据中心机房温度监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117520103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117743965B (zh) * | 2024-02-21 | 2024-05-07 | 深圳市互盟科技股份有限公司 | 基于机器学习的数据中心能效优化方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108419045A (zh) * | 2018-02-11 | 2018-08-17 | 浙江大华技术股份有限公司 | 一种基于红外热成像技术的监控方法及装置 |
CN109461282A (zh) * | 2019-01-09 | 2019-03-12 | 上海欧萨数据技术有限公司 | 一种监视温度的装置和方法 |
CN112085724A (zh) * | 2020-09-09 | 2020-12-15 | 张鹏 | 一种基于bim及热图像的机柜温度测量方法及其装置 |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN115700334A (zh) * | 2022-10-31 | 2023-02-07 | 国联江森自控绿色科技(无锡)有限公司 | 基于物联网的高效机房暖通设备管理系统及方法 |
CN116012346A (zh) * | 2023-02-01 | 2023-04-25 | 江苏天南电力股份有限公司 | 一种输电线路监测方法及系统 |
CN116645643A (zh) * | 2023-05-16 | 2023-08-25 | 深圳技术大学 | 一种基于红外图像的机房维护监控方法及系统 |
CN116823839A (zh) * | 2023-08-31 | 2023-09-29 | 梁山中维热力有限公司 | 基于热红外图像的管道泄漏检测方法 |
CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
-
2024
- 2024-01-08 CN CN202410022023.6A patent/CN117520103B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108419045A (zh) * | 2018-02-11 | 2018-08-17 | 浙江大华技术股份有限公司 | 一种基于红外热成像技术的监控方法及装置 |
CN109461282A (zh) * | 2019-01-09 | 2019-03-12 | 上海欧萨数据技术有限公司 | 一种监视温度的装置和方法 |
CN112085724A (zh) * | 2020-09-09 | 2020-12-15 | 张鹏 | 一种基于bim及热图像的机柜温度测量方法及其装置 |
CN113077467A (zh) * | 2021-06-08 | 2021-07-06 | 深圳市华汉伟业科技有限公司 | 一种目标物体的边缘缺陷检测方法及装置、存储介质 |
CN115700334A (zh) * | 2022-10-31 | 2023-02-07 | 国联江森自控绿色科技(无锡)有限公司 | 基于物联网的高效机房暖通设备管理系统及方法 |
CN116012346A (zh) * | 2023-02-01 | 2023-04-25 | 江苏天南电力股份有限公司 | 一种输电线路监测方法及系统 |
CN116645643A (zh) * | 2023-05-16 | 2023-08-25 | 深圳技术大学 | 一种基于红外图像的机房维护监控方法及系统 |
CN116823839A (zh) * | 2023-08-31 | 2023-09-29 | 梁山中维热力有限公司 | 基于热红外图像的管道泄漏检测方法 |
CN117274722A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市咏华宇电子有限公司 | 基于红外图像的配电箱智能检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117520103A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117520103B (zh) | 基于热成像的数据中心机房温度监控方法 | |
CN108681633B (zh) | 一种基于状态参数的凝结水泵故障预警方法 | |
RU2576588C2 (ru) | Обнаружение ухудшения характеристик датчика, реализованное в передатчике | |
CN110910383B (zh) | 基于红外图像识别的调相机故障监测方法和系统 | |
US20190072075A1 (en) | Method and device for detecting equivalent load of wind turbine | |
TW201401231A (zh) | 在半導體製造中用於檢測之雜訊中所內嵌之缺陷之偵測 | |
CN117274722B (zh) | 基于红外图像的配电箱智能检测方法 | |
CN116304956B (zh) | 一种芯片温度异常在线检测方法 | |
Zhu-Mao et al. | Research on thermal fault detection technology of power equipment based on infrared image analysis | |
CN109596226B (zh) | 用于红外热成像测温系统的黑体异常检测方法、装置、设备及系统 | |
CN117348517B (zh) | 一种机床刀具热补偿方法、系统及机床 | |
CN117518982B (zh) | 一种提高机床加工精度的方法及系统 | |
CN104359559B (zh) | 一种扩展制冷型测温系统测温范围的方法 | |
CN109523129A (zh) | 一种无人车多传感器信息实时融合的方法 | |
CN113358236B (zh) | 一种提高温度测量精度的方法及装置 | |
CN110926651A (zh) | 一种配电柜检测方法与装置 | |
CN114814419A (zh) | 一种基于大数据的电力柜散热性能检测方法 | |
Rokrakthong et al. | Applying cnn to infrared thermography for preventive maintenance of electrical equipment | |
CN112184645A (zh) | 风机叶片检测方法、系统及其计算机可存储介质 | |
CN115786614B (zh) | 一种高炉炉衬厚度的测量方法和装置 | |
CN113857936B (zh) | 一种基于视觉检测的机床立柱热补偿方法、系统和机床 | |
CN117556274B (zh) | 一种热管背板的温度数据异常分析方法 | |
CN108801467B (zh) | 一种红外全景成像巡检控制方法和装置 | |
CN117806388A (zh) | 一种基于热电效应的储能柜自动温控方法及系统 | |
CN115062649A (zh) | 利用时空关联性识别齿轮箱振动信号离群点的方法和系统 |
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 |