Наука

В России ИИ научили находить скрытые поломки дата-центров

НИУ ВШЭ: учет устройства холодильного контура помог ИИ раньше замечать неполадки
1200 800 600 400 600 600 200 200 895 505 1200 900

Российские ученые разработали метод, позволяющий замечать постепенные утечки хладагента и загрязнение теплообменников в системах охлаждения центров обработки данных. Нейросеть анализирует не только показания датчиков, но и физические связи между узлами оборудования. Работа исследователей НИУ ВШЭ и Уральского федерального университета опубликована в IEEE Transactions on Industry Applications.

Медленно развивающуюся неисправность бывает трудно обнаружить: отдельные показатели еще остаются в допустимых пределах, хотя система уже работает хуже. Это повышает энергозатраты и может привести к остановке оборудования.

Авторы использовали графовую нейронную сеть. Она учитывает, как соединены компрессор, испаритель, конденсатор и другие части холодильного контура. Обучившись на исправной системе, модель прогнозирует ее нормальную работу и замечает устойчивые расхождения с реальными измерениями.

Метод проверили на экспериментальном стенде компании «ДАТАРК». Ученые использовали 12 датчиков и четыре расчетных показателя, моделируя четыре сценария утечки хладагента и загрязнения оборудования при разных нагрузках и температурах.

Во всех сценариях модель показала лучшее или сопоставимое с лучшим качество обнаружения. В одном опыте с утечкой показатель F1, объединяющий точность и полноту поиска неисправностей, достиг 0,87. В одном сценарии загрязнения отклонение выявляли в среднем через 200 минут после его появления.

Пока это результат стендовых испытаний. Следующим этапом должна стать проверка на более разнообразных данных и в работающих дата-центрах. Подход может помочь планировать обслуживание до серьезного ухудшения работы охлаждения.

Ранее в России создали ИИ для настройки ускорителей частиц.