CN118278289A - 能量信息物质关联的系统性能裕量分配建模方法及应用 - Google Patents
能量信息物质关联的系统性能裕量分配建模方法及应用 Download PDFInfo
- Publication number
- CN118278289A CN118278289A CN202410692786.1A CN202410692786A CN118278289A CN 118278289 A CN118278289 A CN 118278289A CN 202410692786 A CN202410692786 A CN 202410692786A CN 118278289 A CN118278289 A CN 118278289A
- Authority
- CN
- China
- Prior art keywords
- subsystem
- reliability
- energy
- information
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000000126 substance Substances 0.000 title claims description 72
- 239000000463 material Substances 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims description 38
- 230000001364 causal effect Effects 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000003993 interaction Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 40
- 239000002245 particle Substances 0.000 description 37
- 230000015556 catabolic process Effects 0.000 description 16
- 238000006731 degradation reaction Methods 0.000 description 16
- 238000001816 cooling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种能量信息物质关联的系统性能裕量分配建模方法及应用，属于可靠性分析模型技术领域，针对现有技术中的可靠性分配不考虑子系统相互作用以及依赖于专家主观评价的问题，本发明的可靠性分配方法，其目的是依据系统内在能量、信息、物质三方面的相互关系建立子系统可靠性之间的联系，进而将系统可靠性指标要求分配至各子系统的性能裕量要求，从而解决上述当前可靠性分配中存在的问题。
Description
技术领域
本发明属于可靠性分析模型技术领域，具体涉及一种能量信息物质关联的系统性能裕量分配建模方法及应用，尤其涉及一种基于系统能量信息物质关联的水冷数据中心的性能裕量分配建模方法及确信可靠性分配方法。
背景技术
随着科技的日益发展，日常生活、生产对机械化设备、自动化设备的依赖性越来越强，为了增加使用产品、设备或系统时的可靠性、稳定性、能量的利用率和运行效率等需求，在对产品、设备或系统设计时，对其相应的能量、功能、性能、失效率与可靠度进行分配设计成为必不可少的环节之一，如中国专利CN116227135B和CN112487719B。
其中，可靠性如何分配是系统设计研发过程中的重要环节，其目的在于将系统层次的可靠性指标要求分配到各子系统以指导子系统的设计优化。当前，可靠性分配的主要方法为按照失效率、重要程度等因素为各个子系统设计权重，按照权重以及可靠性计算公式，将系统可靠度分配至子系统。如中国专利CN111144023B、CN103440419B和CN104268432B。
传统的可靠性分配方法主要依据可靠性框图建立子系统可靠性与系统可靠性之间的联系。然而可靠性框图仅构建子系统构成系统的逻辑关系，而通常假设子系统可靠性之间是相互独立的。然而真实场景下，子系统由于能量、信息、物质等各方面介质而存在相互作用与关联关系，子系统可靠性之间通常不是相互独立的。这使得传统的可靠性分配方法在应用于实际系统时存在局限性。
除此之外，当前可靠性分配的核心思想仍然为评价各子系统的重要度，基于重要度分配子系统的可靠度。在评价子系统重要度的过程中，专家打分所引入的模糊性与主观性是不可避免的，会影响计算与分配的准确性。这使得此类可靠性分配方法在实际应用中存在本质上的局限性。
发明内容
鉴于上述问题，针对以往的可靠性分配不考虑子系统相互作用以及依赖于专家主观评价的问题，本发明提出一种基于确信可靠性理论的可靠性分配方法，其目的是依据系统内在能量、信息、物质三方面的相互关系建立子系统可靠性之间的联系，进而将系统可靠性指标要求分配至各子系统的性能裕量要求，从而解决上述当前可靠性分配中存在的问题。
本发明提供了一种能量信息物质关联的系统性能裕量分配建模方法，具体步骤如下：
步骤1、确定系统的关键功能性能、关键功能性能对应的子系统，以及系统可靠度的计算方法；
步骤2、建立系统能量-信息-物质关联模型；
基于系统内部的能量输入输出关系，建立子系统的能量关联可靠度模型，表达式为：
其中，为第个子系统的能量关联可靠度；表示概率运算；表示能量的随机取值；表示第个子系统的输入能量；为第个子系统对输入能量的要求；表示的映射；表示向第个子系统供给能量的能量子系统的可靠度向量；
基于故障发生概率建立子系统的信息关联可靠度模型，表达式为：
其中，表示第个子系统的信息关联可靠度；表示第个子系统的第i种故障模式对应的故障概率；T为任务时间；表示第个子系统的信息网络故障模式总数；
基于系统内部的物质关联关系，建立子系统的物质关联可靠度模型，表达式为：
其中，为第个子系统的物质关联可靠度；表示概率运算；表示物质的随机取值；表示第个子系统的输入物质；为第个子系统对输入物质的要求；表示的映射；表示向第个子系统供给物质的能量子系统的可靠度向量；
基于子系统的能量关联可靠度模型、子系统的信息关联可靠度模型与子系统物质关联可靠度模型建立系统能量-信息-物质关联模型；
步骤3、基于系统能量-信息-物质关联模型，建立系统性能裕量分配模型；
步骤31、建立子系统性能裕量的均值与方差的因果重要度模型；
步骤32、基于子系统性能裕量的均值与方差的因果重要度模型，建立系统性能裕量分配模型的优化目标函数，并确定系统性能裕量分配模型的约束条件；
步骤33、基于优化目标函数和约束条件构建系统性能裕量分配模型。
可选地，步骤2中，基于子系统的能量关联可靠度模型、子系统的信息关联可靠度模型与子系统物质关联可靠度模型建立系统能量-信息-物质关联模型的具体步骤为：
建立设计可靠度；
基于设计可靠度，构建各个子系统的可靠度；
综合系统中的各子系统的可靠度，获得系统能量-信息-物质关联模型。
可选地，步骤2中，可靠度的表达式为：
其中，表示第个子系统的设计可靠度；为第个子系统在任务时间T考虑不确定性的性能裕量；、与分别表示能量、信息与物质输入正常的事件。
可选地，步骤2中，第个子系统的可靠度的表达式为：
其中，为第个子系统的可靠度；分别表示第个子系统的设计可靠度、能量关联可靠度、信息关联可靠度与物质关联可靠度。
本发明的另一方面，提供了一种能量信息物质关联的系统性能裕量分配模型的应用，使用前述的系统性能裕量分配建模方法构建的能量信息物质关联的系统性能裕量分配模型进行确信可靠性分配。
与现有技术相比，本发明至少具有现如下有益效果：
(1)本发明在进行可靠性分配时，完全从系统功能性能出发，基于系统的功能原理与能量-信息-物质关联机理进行建模与分析，而不依赖于主观的重要度评价或者打分。因此，本发明能够有效避免主观评价时引入的认知不确定性，从而提升可靠性分配的准确性。
(2)本发明以能量、信息与物质作为载体，充分考虑了子系统之间的相互作用，从而有效量化了子系统可靠度与性能裕量之间的联系。因此，本发明能够有效解决盲目基于可靠性框图中子系统相互独立假设使得计算结果不符合真实场景的问题。
(3)本发明在进行分配时考虑子系统的退化与一致性，将最终分配的可靠性指标具化到各子系统的性能裕量的均值与不确定性上，从而实现子系统的配置优化，解决了可靠性分配无法指导子系统实际设计研制的问题。
(4)本发明在进行分配时引入粒子群算法搜索各子系统性能裕量均值与方差的近似最优解，从而解决了实际应用中系统性能裕量分配模型难以求解解析解的问题，为实际工程中的快速应用提供基础，更进一步地，在对水冷数据中心的确信可靠性分配时，解决了水冷数据中心系统中子系统较多的问题，能够获得准确且可靠的可靠性分配方案。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制。
图1为本发明系统能量信息物质关联建模中示例配电器与运算服务器集群能量关系的示意图。
图2为本发明系统能量信息物质关联建模中示例冷水电机与运算服务器集群物质关系的示意图。
图3为本发明具体实施例水冷数据中心能量输入输出关系示意图。
图4为本发明具体实施例水冷数据中心子系统可靠与失效时的电压输出概率密度函数图。
图5为本发明具体实施例水冷数据中心信息输入输出关系示意图。
图6为本发明具体实施例水冷数据中心物质输入输出关系示意图。
图7为本发明基于系统能量信息物质关联的确信可靠性分配方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。另外，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，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例，如图1-图7，提供了一种能量信息物质关联的系统性能裕量分配建模方法，具体步骤如下：
步骤1、确定系统的关键功能性能、关键功能性能对应的子系统，以及系统可靠度的计算方法；
具体地，使用功能性能裕量分析确定确保系统正常工作的关键功能性能以及各个功能性能对应的子系统。
进一步地，系统可靠度的计算方法为：系统可靠度为各子系统可靠度最小值，表达式为：
（1）
其中，为系统可靠度，为第个子系统的可靠度，n为子系统总个数。
步骤2、建立系统能量-信息-物质关联模型；
进一步地，基于系统内部的能量输入输出关系，建立子系统的能量关联可靠度模型，表达式为：
（2）
其中，为第个子系统的能量关联可靠度；表示概率运算；表示能量的随机取值；表示第个子系统的输入能量；为第个子系统对输入能量的要求；表示的映射；表示向第个子系统供给能量的能量子系统的可靠度向量。
其中，第个子系统的输入能量由向第个子系统供给能量的能量子系统的可靠度向量决定；输入能量的要求为一区间值；向第个子系统供给能量的能量子系统的可靠度向量考虑了各个子系统之间的相互影响。
示例性地，以水冷数据中心中配电器向运算服务器集群供电为例，配电器可靠与否影响其对运算服务器集群的电压输入，进而影响运算服务器集群能否正常工作，二者的能量关系参见图1；首先明确式（2）中运算服务器集群得到的输入电压与配电器可靠性之间的映射，即；假设配电器可靠时其电压输出为（又称工作输出），失效时电压输出为（又称失效输出），即：
（3）
其中，表示运算服务器集群的输入电压；为配电器的可靠度；表示概率运算。
在式(3)基础上，运算服务器集群的能量关联可靠度值为：
（4）
其中，表示运算服务器集群的能量关联可靠度值；为配电器的可靠度；表示配电器对运算服务器集群的电压的随机输入；为运算服务器集群对输入电压的要求；表示概率运算。
在此能量关联基础上，完成各子系统能量输入输出关系信息收集表，对于收集与估计得到的能量信息，采用如表1所示的子系统能量输入输出关系信息收集表进行统一整理。
表 1 子系统能量输入输出关系信息收集表示意
进一步地，基于子系统信息输入输出关系，建立子系统的信息关联可靠度模型；
本发明通过子系统的信息关联可靠度模型量化子系统能否正常工作受到的子系统之间信息交互的影响，量化子系统能够正常接收数据、处理信息的概率。
本发明依据子系统信息输入输出关系，评估信息层面每个子系统可能发生的故障与相应故障等级，计算故障概率，从而获得子系统的信息关联可靠度。
具体步骤为：
首先，确认子系统信息输入输出关系；
具体地，获取各子系统接收信息和发送信息的走向，确认子系统信息输入输出关系，用于为分析各子系统信息层面可能发生的故障与相应等级提供依据。
然后，基于子系统信息输入输出关获取子系统信息网络故障清单；根据子系统信息网络故障清单获得故障发生概率；
参见表2，为子系统信息网络故障清单示意。具体来说，根据子系统信息网络故障清单对各故障模式进行定性的故障评级，一般按照极低、低、中三个等级进行评估，分别对应的故障率。
表 2 子系统信息网络故障清单示意
最后，基于故障发生概率建立子系统的信息关联可靠度模型，表达式为：
（5）
其中，表示第个子系统的信息关联可靠度；表示第个子系统的第i种故障模式对应的故障概率；T为任务时间；表示第个子系统的信息网络故障模式总数。
进一步地，基于子系统物质输入输出关系，建立子系统的物质关联可靠度模型，表达式为：
（6）
其中，为第个子系统的物质关联可靠度；表示概率运算；表示物质的随机取值；表示第个子系统的输入物质；为第个子系统对输入物质的要求；表示的映射；表示向第个子系统供给物质的能量子系统的可靠度向量。
其中，第个子系统的输入物质由向第个子系统供给物质的子系统的可靠度向量决定；输入物质的要求为一区间值；向第个子系统供给物质的子系统的可靠度向量考虑了各个子系统之间的相互影响。
示例性地，以水冷数据中心中冷水电机向运算服务器集群供应的物质冷水为例，冷水电机可靠与否影响其对运算服务器集群的冷水输入，进而影响运算服务器集群能否正常工作，二者的物质关系参见图2；首先明确式(2)中运算服务器集群得到的输入冷水流量与冷水电机可靠性之间的映射，即；假设冷水电机可靠时其冷水流量输出为（又称工作输出），失效时冷水流量输出为（又称失效输出），即：
（7）
其中，表示运算服务器集群的输入冷水流量；为冷水电机的可靠度；表示概率运算。
在式（7）基础上，运算服务器集群的物质关联可靠度值为：
（8）
其中，表示运算服务器集群的物质关联可靠度值；为冷水电机的可靠度；表示冷水电机对运算服务器集群的冷水流量随机输入；为运算服务器集群对输入冷水流量的要求；表示概率运算。
在此物质关联基础上，完成各子系统物质输入输出关系信息收集表，对于收集与估计得到的能量信息，采用如表3所示的子系统物质输入输出关系信息收集表进行统一整理。
表 3 子系统物质输入输出关系信息收集表示意
进一步地，基于子系统的能量关联可靠度模型、子系统的信息关联可靠度模型与子系统物质关联可靠度模型建立系统能量-信息-物质关联模型；
首先，建立设计可靠度，表达式为：
（9）
其中，表示第个子系统的设计可靠度；为第个子系统在任务时间T考虑不确定性的性能裕量；、与分别表示能量、信息与物质输入正常的事件。
本发明的设计可靠度用于表示子系统在外界能量（供给能量的能量子系统提供的能量）、信息输入与供给物质均满足要求时性能裕量大于零的概率，考虑了在能量与信息输入正常的情况下，子系统本身不确定性的影响，提高了分配的可信性。
然后，基于设计可靠度，构建第个子系统的可靠度为：
（10）
其中，为第个子系统的可靠度；分别表示第个子系统的设计可靠度、能量关联可靠度、信息关联可靠度与物质关联可靠度。
综合系统中的各子系统的可靠度，获得系统能量-信息-物质关联模型。
本发明对于实现各系统关键功能的子系统，考虑子系统之间的相互作用，其可靠性不仅取决于自身，还取决于是否能够实现有效的能量供应、信息处理与物质供应。
步骤3、基于系统能量-信息-物质关联模型，建立系统性能裕量分配模型；
本发明依据上述建立的系统能量-信息-物质关联模型，考虑综合系统可靠度要求、各子系统性能裕量的退化与不确定性要求，建立系统性能裕量分配模型，从而实现每个子系统性能裕量的配置优化。
具体而言，建立子系统性能裕量的均值与方差的因果重要度模型：
第k个子系统性能裕量的均值的因果重要度模型的表达式为：
（11）
其中，表示第k个子系统性能裕量均值的因果重要度；表示第k个子系统的性能裕量均值降低为初始设计性能裕量均值的时，所有子系统可靠度下降程度的加和，n为子系统总数；表示第k个子系统的初始设计性能裕量均值；表示均值下降比例；表示第i个子系统的初始可靠度；表示第k个子系统均值降低后第个子系统的降级可靠度；表示第个子系统的性能裕量均值降低为初始设计性能裕量均值的时，所有子系统可靠度下降程度的加和。
本发明在计算得到所有子系统降低时的子系统可靠度下降程度的加和集后，针对其中的进行指数化与归一化计算得到。
子系统性能裕量的方差的因果重要度模型的表达式为：
（12）
其中，表示第k个子系统性能裕量方差的因果重要度；表示第k个子系统性能裕量方差增大为初始设计性能裕量方差的倍时，所有子系统可靠度下降程度的加和，n为子系统总数；表示第k个子系统的初始设计性能裕量方差；表示方差增大比例；表示第个子系统的初始可靠度；表示第k个子系统方差增大后第个子系统的降级可靠度；表示第个子系统性能裕量方差增大为初始设计性能裕量方差的倍时，所有子系统可靠度下降程度的加和。
本发明在计算得到所有子系统增大时的可靠度下降程度的加和集后，针对其中的进行指数化与归一化计算得到。
进一步地，对于子系统性能裕量，其存在确定性的退化与不确定性因素。本发明针对各子系统性能裕量的均值与方差分别进行分配。
本发明的因果重要度用来量化各子系统性能裕量均值与方差对于系统中所有子系统可靠度的影响。
基于子系统性能裕量的均值与方差的因果重要度模型，建立系统性能裕量分配模型的优化目标函数，表达式为：
（13）
其中，表示第个子系统性能裕量均值的因果重要度；表示第个子系统任务时间T的降级性能裕量均值；第k个子系统性能裕量方差的因果重要度；表示第个子系统任务时间T的降级性能裕量方差。
进一步地，建立系统性能裕量分配模型的约束条件，具体包括：
1.步骤1的系统能量-信息-物质关联模型，其代表子系统可靠度之间的联系。
2.步骤1的子系统设计可靠性度，即式（9），其建立子系统设计可靠度与性能裕量之间的关系。
3. 子系统性能裕量退化确定性约束，表达式为：
其中，T为任务时间，为常数。
4.子系统性能裕量不确定性约束，表达式为：
其中，T为任务时间，为常数。
5.系统可靠度约束：，其中，为系统可靠度，为第个子系统的可靠度，表示系统可靠度要求的下界；表示系统可靠度要求的上界。
基于上述优化目标函数式（10）和约束条件，建立系统性能裕量分配模型，表达式为：
。（14）
本发明的第个子系统任务时间T的降级性能裕量均值和第个子系统任务时间T的降级性能裕量方差为各子系统性能裕量的均值与不确定性，均为决策变量。
另一方面，本发明还公开了一种前述能量信息物质关联的系统性能裕量分配模型的应用，将其用于确信可靠性分配，使用粒子群算法获得系统的可靠性分配结果，具体包括以下步骤：
首先，设置具有位置与速度属性的粒子，粒子的各个位置对应系统性能裕量分配模型的每一个决策变量取值；
其中，系统性能裕量分配模型的决策变量包括第个子系统任务时间T的降级性能裕量均值和第个子系统任务时间T的降级性能裕量方差。
然后，进行迭代过程，在迭代过程中，每个粒子独立地搜索系统性能裕量分配模型的决策变量的当前最优解与全局最优解，并且基于每一个决策变量的当前最优解与全局最优解调节粒子的速度与位置进行更新，直至迭代结束获得可靠性分配结果。
进一步地，在此过程中，系统性能裕量分配模型的全局最优解得到持续的更新迭代。
具体步骤如下：
步骤41、设置基础参数；
基础参数包括粒子总数N，迭代次数，惯性权重w，加速因子、。
步骤42、获取粒子的初始位置向量、初始速度向量、初始最优解和全局最优解，表达式为：
（15）
其中，表示第j个粒子位置初始值组成的向量；表示第j个粒子的第个位置的初始值；表示第j个粒子速度初始值组成的向量；表示第j个粒子的第个速度的初始值；
进一步地，确定粒子的初始位置向量时，随机生成初始粒子的位置向量与速度向量，若随机生成的粒子的初始位置向量不满足系统性能裕量分配模型的式(11)中的约束条件则重新生成，直至满足约束条件，获得第j个粒子位置初始值组成的向量，记录第j个粒子位置初始值组成的向量为第j个粒子的初始位置最优解。
具体地，=，其中，表示第j个粒子的初始位置最优解中，第个位置取值。
将第j个粒子的初始位置最优解代入系统性能裕量分配模型的式(11)中的优化目标函数，记作。
遍历所有粒子，获得所有位置的初始全局最优解，表达式为：
（16）
其中，表示所有位置的初始全局最优解。
具体地，=，其中，表示第个位置的初始全局最优解。
步骤43、令迭代次数t= 0，此时，t为初始迭代次数；
步骤44、更新第j个粒子的位置与速度，表达式为：
（17）
其中，和均为0到1的随机数；表示第j个粒子的第个速度在第t+1次迭代时的取值；表示惯性权重；表示第j个粒子的第个速度在第t次迭代时的取值；表示在第j个粒子截至第t次迭代时的个体最优解中，第个位置取值；表示第j个粒子的第个位置在第t次迭代时的取值；和均表示加速因子；表示在所有粒子截至第t次迭代时的全局最优解中，第个位置的取值；。
（18）
其中，表示第j个粒子的第个位置在第t+1次迭代时的取值；
（19）
其中，表示第j个粒子位置第t+1次迭代时的取值组成的向量。
若第j个粒子位置初始值组成的向量不满足步骤3的约束条件，调整随机数和，重新生成速度与位置；
若，则；
若，则；
其中，表示在第j个粒子截至第t次迭代时的位置最优解；表示在第j个粒子截至第t+1次迭代时的位置最优解。
遍历所有粒子，获得所有位置的更新全局最优解，表达式为：
。（20）
步骤45、判断迭代次数t是否达到，为最大迭代次数，如果达到，结束优化，获得可靠性分配结果；若否，迭代次数t=t+1，返回步骤44。
另一方面，本发明还公开了一种基于系统能量信息物质关联的水冷数据中心的性能裕量分配建模方及应用，具体实施步骤如下：
步骤1、确定水冷数据中心系统的关键功能性能、关键功能性能对应的子系统，以及系统可靠度的计算方法；
具体地，水冷数据中心系统的关键功能性能对应的子系统包括冷水电机、不间断电源（UPS）、配电器、运算服务器集群、存储服务器集群和监测与控制模块，水冷数据中心的关键功能性能、关键功能性能对应的子系统如表4所示。
表 4 水冷数据中心功能性能裕量分析
进一步地，确定水冷数据中心的系统可靠度。示例性地，数据中心任务周期为1年，任务周期内系统可靠度设置为大于0.8。
步骤2、建立水冷数据中心系统能量-信息-物质关联模型；
基于水冷数据中心系统内部的能量输入输出关系，建立子系统的能量关联可靠度模型。
具体地，对于水冷数据中心系统的各子系统的能量关联可靠度，依据各子系统之间的能量相互作用原理，如图3所示，建立能量关联示意图，UPS获得外界提供的电能，然后将电能（即电压）传递给配电器与冷水电机；配电器进一步将电压传递给运算服务器集群、存储服务器集群以及监测与控制模块。
进一步地，各子系统正常工作时输出电压服从正态分布，其中，为输出电压分布均值，为输出电压分布标准差；失效时输出电压服从指数分布，并且设置参数使得失效时输出电压在内的概率为0.9973，即，从而表示失效时输出电压过低不满足正常使用要求的情况。图4展示了各子系统可靠与失效时的电压输出概率密度函数。在此能量关联基础上，完成各子系统能量输入输出关系信息收集表，如表5所示。依据表5中信息，仅考虑日间使用场景以及电压的输入输出关系，输入电压能满足正常工作要求的概率可通过对输入输出分布进行蒙特卡洛采样估计得到。
表 5 水冷数据中心系统的子系统能量输入输出关系信息收集表
进一步地，基于水冷数据中心系统各子系统信息输入输出关系，建立子系统的信息关联可靠度模型；
具体地，对于水冷数据中心系统的各子系统的信息关联可靠度，依据各子系统之间的信息传输关系，如图5所示，建立信息网络。在此信息网络基础上，获取水冷数据中心系统的信息网络故障清单，如表6所示。根据子系统信息网络故障清单获得故障发生概率/等级。
表 6 水冷数据中心系统的子系统信息网络故障清单
示例性地，按照信息网络故障的指数分布假设以及任务周期1年，计算各子系统的信息关联可靠度，如表7所示。
表 7 子系统信息关联可靠度
对于水冷数据中心的物质关联可靠度，在数据中心系统中，冷水电机向运算服务器集群与存储服务器集群输出冷水以实现服务器冷却，物质关联示意图如图6所示。在此物质关联基础上，完成各子系统物质输入输出关系信息收集表，如表8所示。依据表8中信息，仅考虑日间使用场景以及电压的输入输出关系，输入电压能满足正常工作要求的概率可通过对输入输出分布进行蒙特卡洛采样估计得到。
表 8 水冷数据中心系统的子系统物质输入输出关系信息收集表
进一步地，基于子系统的能量关联可靠度、信息关联可靠度与物质关联可靠度，建立水冷数据中心系统能量-信息-物质关联模型；
首先，建立设计可靠度，表达式为：
其中，表示第个子系统的设计可靠度；为第个子系统在任务时间T考虑不确定性的性能裕量；、与分别表示能量、信息与物质输入正常的事件。
然后，基于设计可靠度，构建各子系统的可靠度；
具体地，UPS的可靠度为：
其中，分别为UPS的设计可靠度、信息关联可靠度和UPS可靠度。
配电器的可靠度为：
其中，分别为配电器的设计可靠度、信息关联可靠度和配电器可靠度；分别为UPS的工作输出电压与失效输出电压；为配电器的电压输入要求；为配电器输入电压的随机取值，表示概率运算。
冷水电机的可靠度为：
其中，分别为冷水电机的设计可靠度、信息关联可靠度和冷水电机可靠度；分别为UPS的工作输出电压与失效输出电压；为冷水电机的电压输入要求；为冷水电机输入电压的随机取值，表示概率运算。
运算服务器集群的可靠度为：
其中，分别为运算服务器集群的设计可靠度、信息关联可靠度、能量关联可靠度、物质关联可靠度与子系统可靠度；分别为配电器的工作输出电压与失效输出电压；分别为冷水电机的工作输出冷水流量与失效输出冷水流量；为运算服务器集群的电压输入要求；为运算服务器集群的冷水流量输入要求；为运算服务器集群输入电压的可能取值，为冷水流量的可能取值，表示概率运算。
存储服务器集群的可靠度为：
其中分别为存储服务器集群的设计可靠度、信息关联可靠度、能量关联可靠度、物质关联可靠度与子系统可靠度；分别为配电器的工作输出电压与失效输出电压；分别为冷水电机的工作输出冷水流量与失效输出冷水流量；为存储服务器集群的电压输入要求；为存储服务器集群的冷水流量输入要求；为存储服务器集群的电压的可能取值，为冷水流量的可能取值，表示概率运算。
监测与控制模块的可靠度为：
其中，分别为监测与控制模块的设计可靠度、信息关联可靠度与子系统可靠度；分别为配电器的工作输出电压与失效输出电压；为监测与控制模块的电压输入要求；为监测与控制模块的电压的随机能取值，表示概率运算。
综合水冷数据中心系统中的各子系统的可靠度，获得系统能量-信息-物质关联模型。
步骤3、基于水冷数据中心系统能量-信息-物质关联模型，建立水冷数据中心系统性能裕量分配模型；
根据各子系统性能裕量的均值与方差的因果重要度模型（式（8）和（9））获得水冷数据中心各子系统性能裕量的均值与方差的因果重要度模型，其中，预设各子系统的初始设计性能裕量均值和初始设计性能裕量方差，如表9所示；与设置为4。
表 9 各子系统的初始设计性能裕量均值和初始设计性能裕量方差
最终，各子系统性能裕量均值与方差的因果重要度结果如表10所示。
表 10 各子系统性能裕量均值与方差的因果重要度结果
对于水冷数据中心系统性能裕量分配模型的约束条件：考虑任务周期中的退化，各子系统性能裕量期望的最大值（建立的是子系统设计可靠度与性能裕量之间的关系，即式（6）的约束条件）如表9所示；对于子系统性能裕量的不确定性，假设各子系统性能裕量服从正态分布，各子系统在任务周期1年时的性能裕量方差最小值如表11所示；系统可靠度需要不小于0.8，不大于0.84。
表 11 子系统性能裕量退化约束
表 12 子系统性能裕量不确定性约束
步骤4、基于水冷数据中心系统性能裕量分配模型获得水冷数据中心系统的可靠性分配。
利用粒子群算法对各子系统性能裕量的期望值与方差进行优化。对于粒子群算法中的参数，粒子数为30，迭代次数为300，惯性权重为0.5，加速因子均为0.5。最终水冷数据中心系统的可靠性分配结果如表13所示。
表 13 子系统性能裕量优化结果
由表13结果可知，在当前各子系统性能裕量均值与方差的分配结果下，系统能够满足预期的可靠度要求，分配后的系统可靠度为0.8362。另外需要说明的是，各子系统性能裕量的均值与方差相较于最初的退化与不确定性要求均存在一定程度的放松，即在当前系统可靠度要求下，各子系统的性能裕量能够容忍更严重的确定性退化以及更差的一致性。
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，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种能量信息物质关联的系统性能裕量分配建模方法，其特征在于，具体步骤如下：
步骤1、确定系统的关键功能性能、关键功能性能对应的子系统，以及系统可靠度的计算方法；
步骤2、建立系统能量-信息-物质关联模型；
基于系统内部的能量输入输出关系，建立子系统的能量关联可靠度模型，表达式为：
其中，为第个子系统的能量关联可靠度，，n为子系统的总个数；表示概率运算；表示能量的随机取值；表示第个子系统的输入能量；为第个子系统对输入能量的要求；表示的映射；表示向第个子系统供给能量的能量子系统的可靠度向量；
基于故障发生概率建立子系统的信息关联可靠度模型，表达式为：
其中，表示第个子系统的信息关联可靠度；表示第个子系统的第i种故障模式对应的故障概率；T为任务时间；表示第个子系统的信息网络故障模式总数；
基于系统内部的物质关联关系，建立子系统的物质关联可靠度模型，表达式为：
其中，为第个子系统的物质关联可靠度；表示概率运算；表示物质的随机取值；表示第个子系统的输入物质；为第个子系统对输入物质的要求；表示的映射；表示向第个子系统供给物质的能量子系统的可靠度向量；
基于子系统的能量关联可靠度模型、子系统的信息关联可靠度模型与子系统物质关联可靠度模型建立系统能量-信息-物质关联模型；
步骤3、基于系统能量-信息-物质关联模型，建立系统性能裕量分配模型；
步骤31、建立子系统性能裕量的均值与方差的因果重要度模型；
步骤32、基于子系统性能裕量的均值与方差的因果重要度模型，建立系统性能裕量分配模型的优化目标函数，并确定系统性能裕量分配模型的约束条件；
步骤33、基于优化目标函数和约束条件构建系统性能裕量分配模型。
2.根据权利要求1所述的系统性能裕量分配建模方法，其特征在于，步骤2中，基于子系统的能量关联可靠度模型、子系统的信息关联可靠度模型与子系统物质关联可靠度模型建立系统能量-信息-物质关联模型的具体步骤为：
建立设计可靠度；
基于设计可靠度，构建各个子系统的可靠度；
综合系统中的各子系统的可靠度，获得系统能量-信息-物质关联模型。
3.根据权利要求2所述的系统性能裕量分配建模方法，其特征在于，步骤2中，设计可靠度的表达式为：
其中，表示第个子系统的设计可靠度；为第个子系统在任务时间T考虑不确定性的性能裕量；、与分别表示能量、信息与物质输入正常的事件。
4.根据权利要求2所述的系统性能裕量分配建模方法，其特征在于，步骤2中，第个子系统的可靠度的表达式为：
其中，为第个子系统的可靠度；分别表示第个子系统的设计可靠度、能量关联可靠度、信息关联可靠度与物质关联可靠度。
5.一种能量信息物质关联的系统性能裕量分配模型的应用，使用权利要求1-4任一项所述的系统性能裕量分配建模方法构建的能量信息物质关联的系统性能裕量分配模型进行确信可靠性分配。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410692786.1A CN118278289B (zh) | 2024-05-31 | 2024-05-31 | 能量信息物质关联的系统性能裕量分配建模方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410692786.1A CN118278289B (zh) | 2024-05-31 | 2024-05-31 | 能量信息物质关联的系统性能裕量分配建模方法及应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118278289A true CN118278289A (zh) | 2024-07-02 |
| CN118278289B CN118278289B (zh) | 2024-08-02 |
Family
ID=91640401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410692786.1A Active CN118278289B (zh) | 2024-05-31 | 2024-05-31 | 能量信息物质关联的系统性能裕量分配建模方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118278289B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118586207A (zh) * | 2024-08-05 | 2024-09-03 | 北京航空航天大学 | 一种基于吸引子的周期激励机电设备的综合裕量评价方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177858A (zh) * | 2019-12-09 | 2020-05-19 | 北京航空航天大学 | 一种考虑单元性能裕量的系统并联冗余优化方法 |
| CN112949094A (zh) * | 2021-04-13 | 2021-06-11 | 北京航空航天大学 | 航空电子产品电磁性能裕量分析与确信可靠性评估方法 |
| US20230153490A1 (en) * | 2021-11-18 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Systems and methods of anomaly detection for building components |
-
2024
- 2024-05-31 CN CN202410692786.1A patent/CN118278289B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111177858A (zh) * | 2019-12-09 | 2020-05-19 | 北京航空航天大学 | 一种考虑单元性能裕量的系统并联冗余优化方法 |
| CN112949094A (zh) * | 2021-04-13 | 2021-06-11 | 北京航空航天大学 | 航空电子产品电磁性能裕量分析与确信可靠性评估方法 |
| US20230153490A1 (en) * | 2021-11-18 | 2023-05-18 | Johnson Controls Tyco IP Holdings LLP | Systems and methods of anomaly detection for building components |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118586207A (zh) * | 2024-08-05 | 2024-09-03 | 北京航空航天大学 | 一种基于吸引子的周期激励机电设备的综合裕量评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118278289B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118278289B (zh) | 能量信息物质关联的系统性能裕量分配建模方法及应用 | |
| CN110610260B (zh) | 行车能耗预测系统、方法、存储介质和设备 | |
| CN118261069B (zh) | 一种电动机的系统性能裕量分配模型构建方法 | |
| CN112346893B (zh) | 故障预测方法、装置、终端及存储介质 | |
| CN111881574B (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
| CN116614385A (zh) | 基于数字孪生的业务调度路径规划方法、装置和设备 | |
| WO2021203738A1 (zh) | 考虑需求侧资源分层分散控制的配电系统可靠性计算方法 | |
| CN115384586A (zh) | 一种铁路平行调度系统、方法及其应用 | |
| CN115543626A (zh) | 采用异构计算资源负载均衡调度的电力缺陷图像仿真方法 | |
| Anandavel et al. | Application of digital twins to the product lifecycle management of battery packs of electric vehicles | |
| CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
| CN118296968B (zh) | 一种系统可靠性分配的物质网络模型及可靠度计算方法 | |
| CN110415136B (zh) | 一种电力调度自动化系统服务能力评估系统与方法 | |
| CN118261068B (zh) | 一种基于系统能量-信息关联的确信可靠性分配方法 | |
| CN115277249B (zh) | 一种多层异构网络协同的网络安全态势感知方法 | |
| CN118261071B (zh) | 一种电动机可靠性分配的信息网络模型及可靠度计算方法 | |
| Ferreiro et al. | A Bayesian network for burr detection in the drilling process | |
| CN118261070B (zh) | 一种电动机可靠性分配的能量网络模型及可靠度计算方法 | |
| CN115098261B (zh) | 一种云服务器资源分配的方法、介质及设备 | |
| Babu et al. | SoC estimation of Li-ion battery using hybrid artificial neural network and adaptive neuro-fuzzy inference system | |
| CN115691124B (zh) | 面向城市道路驾驶数据的危险评估方法和装置 | |
| CN118069073B (zh) | 数据存储空间动态调整方法、存储子系统及智能计算平台 | |
| CN114003988B (zh) | 一种基于动态分区的管廊环境控制方法及装置 | |
| Cejudo et al. | Electric vehicle battery consumption estimation model based on simulated environments | |
| Huang et al. | Research on a Reliability Prediction Method Based on Fuzzy Cognitive Map |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| 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 |