TWM641638U - 智慧型機櫃的空調控制與風險評估系統 - Google Patents

Abstract

一種智慧型機櫃的空調控制與風險評估系統，透過N個傳感器感應機櫃裝置的環境及能耗作為量測訊號，再由處理器執行計算機可讀指令以根據量測訊號訓練類神經網路的模型，以及使用訓練完成的模型搭配可量化相對差異的統計指標計算出健康度及風險值，並且根據健康度及風險值控制機櫃裝置的空調裝置，藉以達到提高機櫃裝置的功能性之技術功效。

Description

智慧型機櫃的空調控制與風險評估系統

本創作涉及一種控制系統，特別是智慧型機櫃的空調控制與風險評估系統。

近年來，隨著數位化的普及與蓬勃發展，提供數位化服務的基礎設施，如：伺服器、網路儲存設備、路由器等等，其重要性已毋庸置疑。因此，如何使放置上述設備的機櫃更為智能化，以便提供各種有效的防護，便成為各家廠商亟欲解決的問題之一。

一般而言，傳統的機櫃只是單純的櫃體，提供各種網路設備設置在其中，同時機櫃具有風扇以達成散熱的功用。然而，單純的機櫃已經無法滿足使用者的需求，故具有機櫃的功能性不足的問題。

有鑑於此，便有廠商提出電路保護的技術手段，其透過設置具有過電壓／電流或突波保護的電路，可以有效避免機櫃內的網路設備因為不穩定的電源而受損。然而，此方式僅能針對電源問題進行保護，但實際上會影響網路設備的環境因素非常多樣，例如：溫度、濕度、共振、電流負載、能耗等等，所以傳統的保護方式有很大的侷限性，故仍然無法有效解決機櫃的功能性不足之問題。

綜上所述，可知先前技術在長期以來一直存在機櫃的功能性不足的問題，因此實有必要提出改進的技術手段，來解決此一問題。

本創作揭露一種智慧型機櫃的空調控制與風險評估系統。

首先，本創作揭露一種智慧型機櫃的空調控制與風險評估系統，應用在具有空調裝置的機櫃裝置，其包含：N個傳感器、非暫態（Non-transitory）計算機可讀儲存媒體及處理器。其中，N個傳感器設置在機櫃裝置，用以在 M 個時間區段感測機櫃裝置的環境及能耗以生成相應的量測訊號，並且將所述量測訊號傳送至設置在機櫃裝置的處理器，其中，N 及 M 為正整數；非暫態計算機可讀儲存媒體用以儲存多個計算機可讀指令；處理器電性連接所述N個傳感器及所述非暫態計算機可讀儲存媒體，用以執行計算機可讀指令且處理器被配置為：建立模組用建立類神經網路模型，其中，在建立所述類神經網路模型時，所述計算機可讀指令依序執行：（A）讀取第 i 個所述時間區段的量測訊號以作為相應的黃金樣本（Golden Sample），其中，i 為正整數；（B）對黃金樣本執行特徵壓縮及樣本重構以生成第一重構訊號；（C）量化第一重構訊號與黃金樣本的差異以生成第一差異量；以及（D）當第一差異量低於門檻值時，所述類神經網路模型建立完成，當第一差異量不低於門檻值時，重新執行步驟（B）至步驟（D）以調整權重直到第一差異量低於門檻值為止；檢測模組連接建立模組，用以在類神經網路模型建立完成後，將第 i + j 個時間區段讀取到的量測訊號作為檢測樣本，並且對此檢測樣本進行特徵壓縮及樣本重構以生成第二重構訊號，再將第二重構訊號輸入至類神經網路模型以生成第二差異量，其中，j 為正整數；以及評估模組連接檢測模組，用以根據不同的時間區段的第二差異量及可量化相對差異的統計指標計算出健康度及風險值至少其中之一以控制機櫃裝置的空調裝置，其中，風險值為數值1減健康度。

本創作所揭露之系統如上，與先前技術的差異在於本創作是透過N個傳感器感應機櫃裝置的環境及能耗作為量測訊號，再由處理器執行計算機可讀指令以根據量測訊號訓練類神經網路的模型，以及使用訓練完成的模型搭配可量化相對差異的統計指標計算出健康度及風險值，並且根據健康度及風險值控制機櫃裝置的空調裝置。

透過上述的技術手段，本創作可以達成提高機櫃裝置的功能性之技術功效。

以下將配合圖式及實施例來詳細說明本創作之實施方式，藉此對本創作如何應用技術手段來解決技術問題並達成技術功效的實現過程能充分理解並據以實施。

首先，請先參閱「第1圖」，「第1圖」為本創作智慧型機櫃的空調控制與風險評估系統的系統方塊圖，應用在具有空調裝置101的機櫃裝置100，此系統包含：N個傳感器（110a~110n）、非暫態計算機可讀儲存媒體120及處理器130。其中，N個傳感器（110a~110n）設置在機櫃裝置100，用以在 M 個時間區段感測機櫃裝置100的環境及能耗以生成相應的量測訊號，並且將所述量測訊號傳送至設置在機櫃裝置100的處理器130，其中，N 及 M 為正整數。在實際實施上，所述傳感器（110a~110n）可為溫度、濕度、能耗、空調運轉時間、空調設定風速與溫度至少其中之一的傳感器。舉例來說，N個傳感器（110a~110n）可以感應機櫃裝置100內的伺服器之運轉電流、環境溫度／濕度、空調累計運轉時間、空調設定風速與溫度等等。另外，所述 M 個時間區段可根據時間長短不同而視為短期、中期及長期。

非暫態計算機可讀儲存媒體120用以儲存多個計算機可讀指令。在實際實施上，所述非暫態計算機可讀儲存媒體120可包含硬碟、光碟、快閃記憶體或其相似物。另外，所述計算機可讀指令是指可被計算機（或稱之為電腦）解讀和執行的指令。

處理器130電性連接N個傳感器（110a~110n）及非暫態計算機可讀儲存媒體120，用以執行計算機可讀指令且處理器130被配置為：建立模組131、檢測模組132及評估模組133。其中，建立模組131用建立類神經網路模型，並且在建立所述類神經網路模型時，所述計算機可讀指令依序執行：（A）讀取第 i 個時間區段的量測訊號以作為相應的黃金樣本，其中，i 為正整數；（B）對此黃金樣本執行特徵壓縮及樣本重構以生成第一重構訊號；（C）量化第一重構訊號與黃金樣本的差異以生成第一差異量；以及（D）當第一差異量低於門檻值時，類神經網路模型建立完成，當第一差異量不低於門檻值時，重新執行步驟（B）至步驟（D）以調整權重直到第一差異量低於門檻值為止。在實際實施上，所述量測訊號包含機櫃裝置100的溫度、濕度、能耗、空調運轉時間、空調設定風速與溫度至少其中之一。另外，執行特徵壓縮及樣本重構則可使用自動編碼器（Autoencoder）、長短期記憶自動編碼器（LSTM Autoencoder）、小波分解（Wavelet Decomposition）、小波封包分解（Wavelet Packet Decomposition）或其相似技術來實現。特別要說明的是，所述黃金樣本是指在模型訓練或評估中作為參考的標準數據或標籤，以便評估模型的精度進而提高模型的準確性。

檢測模組132連接建立模組131，用以在類神經網路模型建立完成後，將第 i + j 個時間區段讀取到的量測訊號作為檢測樣本，並且對此檢測樣本進行特徵壓縮及樣本重構以生成第二重構訊號，再將第二重構訊號輸入至類神經網路模型以生成第二差異量，其中，j 為正整數。

評估模組133連接檢測模組132，用以根據不同時間區段的第二差異量及可量化相對差異的統計指標計算出健康度及風險值至少其中之一以控制機櫃裝置100的空調裝置101，其中，風險值為數值1減健康度。以計算健康度為例，首先，取第 1 個時間區段的量測訊號建立「LSTM Autoencoder」模型，接著取鄰近的第 2 個時間區段的量測訊號輸入此模型以計算出「

」作為基準值，其計算方式是根據第 2 個時間區段的量測訊號與模型預測之誤差，使用可量化相對差異的統計指標來進行估算。同樣地，取第 3 個時間區段的量測訊號輸入模型可以相同方式計算出「

」，並以此類推，取第 i 個時間區段的量測訊號輸入模型計算出「

」。接著，不同時間區段的健康度，其計算式可為「

」，稍後將配合圖式進一步作詳細說明。接著，假設估算出的健康度為數值0.8，則風險值即為0.2（計算方式為「1 - 0.8 = 0.2」）。在實際實施上，所述可量化相對差異的統計指標包含但不限於均方根誤差（Roots Mean Square Error）、絕對平均誤差（Absolute Mean Error）、資訊熵（Shannon Entropy）等等。另外，機櫃裝置100可通過連接埠連接空調裝置101，並且由處理器130根據健康度及風險值產生包含運轉參數的控制信號，用以通過連接埠傳送控制信號控制空調裝置101，所述運轉參數包含開關、溫度、濕度、風速及運轉時間的控制，所述連接埠可支援傳輸介面，如：RS232、RS422、RS485或其相似的通訊介面。

另外，處理器130更可被配置為壽命分析模組134，用以讀取第 i 個時間區段的量測訊號及壽命紀錄以作為訓練資料，並且對此訓練資料進行特徵壓縮或降維映射以建立特徵與壽命關聯的壽命分析模型，其中，所述壽命紀錄來自同規格的另一空調裝置或機櫃裝置100內的伺服器異常運轉之電流紀錄。接著壽命分析模型建立完成後，壽命分析模組134可將第 i + j 個時間區段讀取到的量測訊號進行特徵壓縮或降維映射以輸入至壽命分析模型並獲得壽命預估值，以及將健康度、風險值及獲得的壽命預估值一併輸出至機櫃裝置100的輸出元件，所述輸出元件可包含顯示器、發光二極體及揚聲器等等。在實際實施上，特徵壓縮可通過積分變換、碎形壓縮、小波壓縮或其相似方式來實現，而降維映射則可通過自組織映射（Self-Organizing Map, SOM）、均勻流形逼近及投影（Uniform Manifold Approximation and Projection, UMAP）或其相似方式來實現。另外，所述壽命分析模型與前述類神經網路模型可為多層感知器（Multi-Layer Perceptron, MLP）、支持向量機回歸（Support Vector Regression, SVR）、卷積神經網路（Convolutional Neural Network, CNN）或其相似技術。

特別要說明的是，在實際實施上，本創作可部分地或完全地基於硬體來實現，例如，系統中的一個或多個元件可以透過積體電路晶片、系統單晶片（System on Chip, SoC）、複雜可程式邏輯裝置（Complex Programmable Logic Device, CPLD）、現場可程式邏輯閘陣列（Field Programmable Gate Array, FPGA）等硬體處理器（Hardware Processor）來實現。本創作所述的非暫態計算機可讀儲存媒體，其上載有用於使處理器實現本創作的各個方面的計算機可讀指令（或稱為電腦程式指令），非暫態計算機可讀儲存媒體可以是可以保持和儲存由指令執行設備使用的指令的有形設備。非暫態計算機可讀儲存媒體可以是但不限於電儲存設備、磁儲存設備、光儲存設備、電磁儲存設備、半導體儲存設備或上述的任意合適的組合。計算機可讀儲存媒體的更具體的例子（非窮舉的列表）包括：硬碟、隨機存取記憶體、唯讀記憶體、快閃記憶體、光碟、軟碟以及上述的任意合適的組合。此處所使用的非暫態計算機可讀儲存媒體不被解釋爲瞬時訊號本身，諸如無線電波或者其它自由傳播的電磁波、通過波導或其它傳輸媒介傳播的電磁波（例如，通過光纖電纜的光訊號）、或者通過電線傳輸的電訊號。另外，此處所描述的計算機可讀指令可以從非暫態計算機可讀儲存媒體下載到各個計算／處理設備，或者通過網路，例如：網際網路、區域網路、廣域網路及／或無線網路下載到外部電腦設備或外部儲存設備。所述網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換器、集線器及／或閘道器。每一個計算／處理設備中的網路卡或者網路介面從網路接收計算機可讀指令，並轉發此計算機可讀指令，以供儲存在各個計算／處理設備中的非暫態計算機可讀儲存媒體中。執行本創作操作的計算機可讀指令可以是組合語言指令、指令集架構指令、機器指令、機器相關指令、微指令、韌體指令、或者以一種或多種程式語言的任意組合編寫的原始碼或目的碼（Object Code），所述程式語言包括物件導向的程式語言，如：Common Lisp、Python、C++、Objective-C、Smalltalk、Delphi、Java、Swift、C#、Perl、Ruby與PHP等，以及常規的程序式（Procedural）程式語言，如：C語言或類似的程式語言。

請參閱「第2A圖」至「第2C圖」，「第2A圖」至「第2C圖」為本發明智慧型機櫃的空調控制與風險評估方法的方法流程圖，應用在具有空調裝置101的機櫃裝置100，其步驟包括：將 N 個傳感器（110a~110n）設置在機櫃裝置100，用以在 M 個時間區段感測機櫃裝置100的環境及能耗以生成相應的量測訊號，並且將所述量測訊號傳送至設置在機櫃裝置100的處理器130，其中，N 及 M 為正整數（步驟210）；處理器130執行多個計算機可讀指令以建立及使用類神經網路模型，其中，在建立所述類神經網路模型時，所述計算機可讀指令依序執行以下步驟（步驟220）：讀取第 i 個所述時間區段的量測訊號以作為相應的黃金樣本，其中，i 為正整數（步驟221）；對黃金樣本執行特徵壓縮及樣本重構以生成第一重構訊號（步驟222）；量化第一重構訊號與黃金樣本的差異以生成第一差異量（步驟223）；以及判斷第一差異量是否低於門檻值，若是，類神經網路模型建立完成，若否，重新執行步驟222至步驟224以調整權重直到第一差異量低於門檻值為止（步驟224）。接著，如「第2B圖」所示意，當類神經網路模型建立完成後，處理器130將第 i + j 個時間區段讀取到的量測訊號作為檢測樣本，並且對此檢測樣本進行特徵壓縮及樣本重構以生成第二重構訊號，再將第二重構訊號輸入至類神經網路模型以生成第二差異量，其中，j 為正整數（步驟230）；以及處理器130根據不同時間區段的第二差異量及可量化相對差異的統計指標計算出健康度及風險值至少其中之一以控制機櫃裝置100的空調裝置101，其中，風險值為數值1減健康度（步驟240）。透過上述步驟，即可透過N個傳感器（110a~110n）感應機櫃裝置100的環境及能耗作為量測訊號，再由處理器130執行計算機可讀指令以根據量測訊號訓練類神經網路的模型，以及使用訓練完成的模型搭配可量化相對差異的統計指標計算出健康度及風險值，並且根據健康度及風險值控制機櫃裝置100的空調裝置101。

除此之外，如「第2C圖」所示意，在步驟240之後，處理器130可讀取第 i 個時間區段的量測訊號及壽命紀錄以作為訓練資料，並且對此訓練資料進行特徵壓縮或降維映射以建立特徵與壽命關聯的壽命分析模型，其中，所述壽命紀錄來自同規格的空調裝置或機櫃裝置100內的伺服器異常運轉之電流紀錄（步驟250）；接著，處理器130將第 i + j 個時間區段讀取到的量測訊號進行特徵壓縮或降維映射以輸入至壽命分析模型並獲得壽命預估值（步驟260）；以及處理器130將健康度、風險值及壽命預估值輸出至機櫃裝置的輸出元件，所述輸出元件包含顯示器、發光二極體及揚聲器（步驟270）。如此一來，使用者可以通過輸出元件直觀地瞭解估計壽命，並且及早採取因應措施。

以下配合「第3A圖」至「第5圖」以實施例的方式進行如下說明，如「第3A圖」至「第3C圖」所示意，「第3A圖」至「第3C圖」為應用本創作估算健康度及風險值之示意圖。假設從正常運轉進入異常運轉的電流反應310如「第3A圖」所示意，其中，時間區段（301～303）為正常運轉的電流反應，時間區段304為異常運轉的電流反應。當要估算健康度及風險值時，可以取第 1 個時間區段301的電流作為量測訊號，並且將此量測訊號作為黃金樣本用以訓練出一個類神經網路模型，如：「LSTM Autoencoder」，並且在訓練完成後，取鄰近的第 2 個時間區段302的電流作為量測訊號輸入此模型，以便使用均方根誤差、絕對平均誤差、資訊熵等等來計算原始訊號與重構訊號的誤差並作為基準值「

」。接著，再取鄰近的第 3 個時間區段303的電流作為量測訊號輸入此模型以計算出「

」，此時，可通過計算式「

」計算出健康度，再將數值1減去健康度的值以獲得相應的風險值，舉例來說，假設健康度為0.88，則風險值為0.12（計算方式為「1 - 0.88 = 0.12」），並且以此類推，當進入異常運轉時，取第 4 個時間區段304的電流作為量測訊號輸入此模型，並以相同方式計算出「

」，以及通過計算式「

」計算出健康度，再根據此健康度計算出相應的風險值。以「第3B圖」為例，其為第 2 個時間區段的實際數據（原始值）與透過第 1 個時間區段建模後，所預測第 2 個時間區段的數據（預測值）之比較與誤差之示意，從圖示320中可以清楚看到，兩者（原始值及預測值）的差距不大。然而，當進入異常運轉時，健康度的數值將變得相對較小，如：0.0257，也就是說風險值將變得非常大，在此情況下，如「第3C圖」所示意的圖示330，其原始值與預測值的誤差也會變大。如此一來，只要量測訊號（如：電流）朝向異常運轉的情況變化，處理器130便可即時控制空調裝置101，例如：調整風速、溫度等等。另一方面，使用者也可從輸出元件得知健康度及風險值，進而快速判斷機櫃裝置100內的設備狀態。

如「第4圖」所示意，「第4圖」為應用本創作分析壽命之示意圖。在實際實施上，除了計算健康度及風險值之外，處理器130還可以讀取每一個時間區段的量測訊號及壽命紀錄來建立模型，如：「Autoencoder」，並且提取「Autoencoder」隱藏層的壓縮特徵以建立壓縮特徵對應於剩餘壽命的神經網路，如：壽命分析模型400，用以獲得壽命預估值。此時，處理器130可將健康度、風險值及壽命預估值輸出至機櫃裝置100的輸出元件，如：顯示器、發光二極體及揚聲器。所述壽命紀錄可來自同規格的另一空調裝置或機櫃裝置100內的伺服器異常運轉之電流紀錄，如「第3A圖」中，1000毫秒之後的電流紀錄（可視為剩餘壽命）。

如「第5圖」所示意，「第5圖」為應用本創作確保伺服器完全散熱之示意圖。在實際實施上，量測訊號也可以是能耗，並且可以預先設定能耗警戒線500，而時間區段可根據長短區分為短期預測、中期預測及長期預測，如「第5圖」所示意，當長期預測的能耗（以虛線表示）超出能耗警戒線500時，處理器130可以控制空調裝置101提高風量及降低溫度，以避免伺服器在高能耗的狀態下因產生的高溫無法即時散熱而當機或損毀。所述能耗警戒線500可根據目標溫度（如：攝氏100度）進行相應的能耗設定以確保伺服器能夠完全散熱。特別要說明的是，雖然上述分別以電流及能耗舉例說明，然而本創作並不以此為限，任何時間序列的量測訊號皆不脫離本創作的應用範疇。

綜上所述，可知本創作與先前技術之間的差異在於透過N個傳感器感應機櫃裝置的環境及能耗作為量測訊號，再由處理器執行計算機可讀指令以根據量測訊號訓練類神經網路的模型，以及使用訓練完成的模型搭配可量化相對差異的統計指標計算出健康度及風險值，並且根據健康度及風險值控制機櫃裝置的空調裝置，藉由此一技術手段可以解決先前技術所存在的問題，進而達成提高機櫃裝置的功能性之技術功效。

雖然本創作以前述之實施例揭露如上，然其並非用以限定本創作，任何熟習相像技藝者，在不脫離本創作之精神和範圍內，當可作些許之更動與潤飾，因此本創作之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。

100:機櫃裝置 101:空調裝置 110a~110n:傳感器 120:非暫態計算機可讀儲存媒體 130:處理器 131:建立模組 132:檢測模組 133:評估模組 134:壽命分析模組 210,220,221~224,230,240,250,260,270:步驟 301~304:時間區段 310:電流反應 320,330:圖示 400:壽命分析模型 500:能耗警戒線

第1圖為本創作智慧型機櫃的空調控制與風險評估系統的系統方塊圖。 第2A圖至第2C圖為本創作智慧型機櫃的空調控制與風險評估方法的方法流程圖。 第3A圖至第3C圖為應用本創作估算健康度及風險值之示意圖。 第4圖為應用本創作分析壽命之示意圖。 第5圖為應用本創作確保伺服器完全散熱之示意圖。

100:機櫃裝置

101:空調裝置

110a~110n:傳感器

120:非暫態計算機可讀儲存媒體

130:處理器

131:建立模組

132:檢測模組

133:評估模組

134:壽命分析模組

Claims (5)

1. 一種智慧型機櫃的空調控制與風險評估系統，應用在具有一空調裝置的一機櫃裝置，該系統包含： N個傳感器，設置在該機櫃裝置，用以在 M 個時間區段感測該機櫃裝置的環境及能耗以生成相應的一量測訊號，並且將所述量測訊號傳送至設置在該機櫃裝置的一處理器，其中，N 及 M 為正整數； 一非暫態計算機可讀儲存媒體，用以儲存多個計算機可讀指令；以及 一處理器，電性連接所述N個傳感器及所述非暫態計算機可讀儲存媒體，用以執行所述計算機可讀指令且該處理器被配置為： 一建立模組，用建立至少一類神經網路模型，其中，在建立所述類神經網路模型時，所述計算機可讀指令依序執行： （A）讀取第 i 個所述時間區段的該量測訊號以作為相應的一黃金樣本（Golden Sample），其中，i 為正整數； （B）對該黃金樣本執行特徵壓縮及樣本重構以生成一第一重構訊號； （C）量化該第一重構訊號與該黃金樣本的差異以生成一第一差異量；以及 （D）當該第一差異量低於一門檻值時，該類神經網路模型建立完成，當該第一差異量不低於該門檻值時，重新執行步驟（B）至步驟（D）以調整權重直到該第一差異量低於該門檻值為止； 一檢測模組，連接該建立模組，用以在該類神經網路模型建立完成後，將第 i + j 個所述時間區段讀取到的所述量測訊號作為一檢測樣本，並且對該檢測樣本進行特徵壓縮及樣本重構以生成一第二重構訊號，再將該第二重構訊號輸入至該類神經網路模型以生成一第二差異量，其中，j 為正整數；以及 一評估模組，連接該檢測模組，用以根據不同的所述時間區段的該第二差異量及一可量化相對差異的統計指標計算出一健康度及一風險值至少其中之一以控制該機櫃裝置的該空調裝置，其中，該風險值為數值1減該健康度。
2. 如請求項1之智慧型機櫃的空調控制與風險評估系統，其中所述量測訊號包含該機櫃裝置的溫度、濕度、能耗、空調運轉時間、空調設定風速與溫度至少其中之一。
3. 如請求項1之智慧型機櫃的空調控制與風險評估系統，其中所述可量化相對差異的統計指標包含但不限於均方根誤差（Roots Mean Square Error）、絕對平均誤差（Absolute Mean Error）及資訊熵（Shannon Entropy）。
4. 如請求項1之智慧型機櫃的空調控制與風險評估系統，其中該機櫃裝置通過一連接埠連接該空調裝置，並且由所述處理器根據該健康度及該風險值產生包含至少一運轉參數的一控制信號，用以通過該連接埠傳送該控制信號控制該空調裝置，所述運轉參數包含開關、溫度、濕度、風速及運轉時間的控制。
5. 如請求項1之智慧型機櫃的空調控制與風險評估系統，其中該處理器更被配置為一壽命分析模組，連接該檢測模組，用以讀取第 i 個所述時間區段的該量測訊號及一壽命紀錄以作為一訓練資料，並且對該訓練資料進行特徵壓縮或降維映射以建立特徵與壽命關聯的一壽命分析模型，其中，所述壽命紀錄來自同規格的另一所述空調裝置或所述機櫃裝置內的伺服器異常運轉之電流紀錄，並且在所述壽命分析模型建立完成後，將第 i + j 個所述時間區段讀取到的所述量測訊號進行特徵壓縮或降維映射以輸入至所述壽命分析模型並獲得一壽命預估值，再將該健康度、該風險值及該壽命預估值輸出至該機櫃裝置的一輸出元件，所述輸出元件包含顯示器、發光二極體及揚聲器。

Images