BTC $67 359 -0.21%Золото $2 341 +0.55%USD/RUB 93.42 +0.43%EUR/RUB 101.77 +0.38%Brent $67.24 -0.81%МосБиржа 2 854 +1.02%BTC $67 359 -0.21%Золото $2 341 +0.55%USD/RUB 93.42 +0.43%EUR/RUB 101.77 +0.38%Brent $67.24 -0.81%МосБиржа 2 854 +1.02%BTC $67 359 -0.21%Золото $2 341 +0.55%USD/RUB 93.42 +0.43%EUR/RUB 101.77 +0.38%Brent $67.24 -0.81%МосБиржа 2 854 +1.02%
Юрлица
ИВ
Korp&Co visual
ИИ выявляет утечки и загрязнение в охлаждении ЦОД на ранней стадии
#292572 · 17.11.2026
Юрлица

ИИ выявляет утечки и загрязнение в охлаждении ЦОД на ранней стадии

Охлаждение может потреблять 30–50% энергии центра обработки данных, а постепенные утечки хладагента и загрязнение теплообменников долго остаются незаметными для отдельных датчиков. Исследователи НИУ ВШЭ и УрФУ разработали метод на основе графовой нейронной сети, который учитывает устройство холодильного контура и помогает находить такие неисправности раньше.

Модель использует инженерную схему оборудования, связывающую компрессор, испаритель, конденсатор и другие элементы. На данных исправной системы она учится прогнозировать показатели, а затем сравнивает прогноз с измерениями. Устойчивое расхождение алгоритм отмечает как аномалию. В отличие от методов, опирающихся только на статистические связи между показаниями датчиков, новый подход учитывает физическую топологию холодильного цикла.

Испытания провели на стенде промышленной системы охлаждения, предоставленном ООО «ДАТАРК». Ученые анализировали данные 12 исходных датчиков и четырех расчетных показателей, которые собирались каждую минуту. В эксперименте моделировали четыре сценария постепенного ухудшения работы: две утечки хладагента и два случая загрязнения конденсатора и теплообменника разной степени. Проверки проводили при разных температурах и нагрузках.

Во всех четырех сценариях модель с учетом структуры холодильного контура показала наилучшее или сопоставимое с лучшим качество обнаружения. В одном из сценариев утечки показатель F1, объединяющий точность и полноту, составил 0,87. При одном из вариантов постепенного загрязнения теплообменника отклонение обнаруживали в среднем через 200 минут после возникновения неисправности. По сравнению с альтернативными алгоритмами физические связи помогали точнее выявлять проблему и быстрее на нее реагировать.

«Для диагностики сложного технического оборудования недостаточно просто анализировать множество показаний датчиков. Важно учитывать, как эти показатели связаны друг с другом в реальном физическом процессе», — объяснил Михаил Гущин, ведущий научный сотрудник Научно-учебной лаборатории методов анализа больших данных ИИиЦН ФКН НИУ ВШЭ. Михаил Ронкин, старший научный сотрудник Института радиоэлектроники и информационных технологий — РТФ УрФУ, отметил значимость раннего обнаружения медленно развивающихся неисправностей для автоматизации обслуживания ЦОД.

Результаты опубликованы в журнале IEEE Transactions on Industry Applications. Разработку планируют проверить на более широком наборе данных и в реальных центрах обработки данных. В дальнейшем метод можно адаптировать и для других инженерных систем.

Комментарии (0)

Оставить комментарий

Пока нет комментариев. Будьте первым!