一种计算机机房智能温控监测系统及预警方法与流程

1.本发明属于计算机机房技术领域，具体涉及一种计算机机房智能温控监测系统及预警方法。


背景技术：

2.机房普遍指的是电信、网通、移动、双线、电力以及政府或者企业等，存放服务器的，为用户以及员工提供it服务的地方，作为机房它的物理环境是受到了严格控制的，主要分为几个方面：即温度、电源、地板、防火系统，当机房温度过高，机器散热不畅，晶体管的工作参数会产生漂移，影响电路的稳定性和可靠性，严重时还会造成元器件的击穿损坏。湿度过高易引起设备的金属部件和插接件管部件产生锈蚀，电路板、插接件和布线降低绝缘性，严重导致电路短路，并且在机房的使用中，较多使用空调用来控制数据中心的温度和湿度。
3.现有对机房内的温控监测系统，基本是通过安装在各个位置的传感器实现温度监控的，整体手段较为单一，并且在实现自动温控调节的功能上，也均是通过简单的温度阈值触发设定的方式实现，无法满足多种复杂的温控监测与调节，在智能性上存在不足，以及在预警方式上，仍存在不及时、不准确的问题，故具有可改进的空间。


技术实现要素：

4.本发明的目的在于提供一种计算机机房智能温控监测系统及预警方法，以解决上述背景技术中提出的现有监测系统手段单一，对温度的智能调控上存在不足，以及在预警方式上存在不及时、不准确的问题。
5.为实现上述目的，本发明提供如下技术方案：一种计算机机房智能温控监测系统，该监测系统包括控制单元，所述控制单元上连接有用于对机房各个区域工作环境进行监测的区域监控模块，该区域监控模块上连接有传感器模块；所述控制单元上还连接有执行器模块，该执行器模块用于对机房内工作环境实现调节，所述执行器模块与区域监控模块的输出端上连接有自学习算法模块，该自学习算法模块基于机器学习技术，用于自动适应不同的机房环境和使用模式，优化机房内的温度、湿度和噪音水平，所述控制单元上还连接有远程监控模块，用于移动后台的实时监测查看。
6.优选的，所述自学习算法模块包括：
7.数据采集模块，用于收集机房内的各种数据，包括温度、湿度、噪音等参数，并将其转化为数字信号；
8.特征提取模块，用于提取数据中的重要特征，并后续处理；
9.模型训练模块，用于训练模型，建立机房内温度、湿度和噪音水平之间的映射关系；
10.决策控制模块，用于根据训练好的模型，对机房内温度、湿度和噪音水平进行优化控制，以达到理想的环境条件。
11.优选的，在所述模型训练模块中，使用基于反向传播算法的人工神经网络模型进
行训练，该模型包括若干个节点，每个节点对应一个神经元，它们之间通过连接进行通信和交换信息，其中，每个神经元采用激活函数将输入信号加权求和后输出结果；模型训练模块的目标是通过大量数据的学习，学习到机房内温度、湿度和噪音水平之间的非线性映射关系，模型通过迭代优化，逐步调整各个神经元之间的连接权重和偏置，以最小化误差损失函数，深度学习算法中的反向传播算法通过梯度下降法，对模型的参数进行优化调整，使得模型能够更加准确地预测输出结果，在每次迭代过程中，反向传播算法将误差从输出层往回传播，计算每个神经元的梯度，并根据梯度大小进行权重和偏置的更新。
12.优选的，所述控制单元上包括一个处理器、内存和一个通信接口，用于处理来自传感器模块的数据并采取相应控制策略，以控制机房内的温度、湿度和噪音水平；其中处理器使用高效能架构，内存容量充足，通信接口支持各种标准化协议。
13.优选的，所述传感器模块包括温度传感器、湿度传感器以及噪音传感器。
14.本发明还公开了一种计算机机房智能温控预警方法，包括监测系统，包括如下步骤：
15.步骤一：将机房内的空间进行分区，并在每个分区内设置传感器，同时设置好每个传输器的阈值，并形成区域监控模块，随后将区域监控模块与控制单元连接；
16.步骤二：通过分区内的传感器对机房内的温度进行监测，当所监测区域内的温度、湿度、噪音超过初始设定阈值后，通过控制单元反馈给远程监控模块，并提示相关工作人员，工作人员通过执行器模块对机房进行对应操作，此时自学习算法模块获取区域区域监控模块与执行器模块的数值，并形成初步数据；
17.步骤三：当分区内的传感器出现数值的变化时，自学习算法模块及时获取，并自动生成数值变化的折线图，根据折线图形成数值的后续轨迹路径，提升预警的速度；
18.步骤四：将预警结果反馈给控制单元，控制单元通过远程监控模块反馈给相关工作人员。
19.优选的，所述自学习算法模块根据步骤一中传感器设定的初始阈值作为第1～4次预警值，超过4次后的阈值根据步骤三中折线图中折线率趋势最大区域的中点设置阈值。
20.优选的，所述远程监控模块与后台设备连接，该后台设备包括电脑、平板、手机。
21.与现有技术相比，本发明的有益效果是：
22.在本发明中，通过分区域的监控方式，能够提升机房内各个位置的监测精准度，并根据监测的结果进行分析，得出对应的措施，完善了现有机房温控手段单一的问题，同时引入了自学习算法模块来提升对机房内温控的智能性，使得管理更加轻松、智能、高效，完善了现有监测系统中的不足；通过对预警。
附图说明
23.图1为本发明的系统图。
具体实施方式
24.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，所描述的实施例仅仅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，本领域普通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。
25.实施例1
26.请参阅图1，本发明提供一种技术方案：一种计算机机房智能温控监测系统，该监测系统包括控制单元，控制单元上连接有用于对机房各个区域工作环境进行监测的区域监控模块，该区域监控模块上连接有传感器模块；控制单元上还连接有执行器模块，该执行器模块用于对机房内工作环境实现调节，执行器的具体设备包括空调、加湿器、除湿器、噪音降低设备，执行器模块与区域监控模块的输出端上连接有自学习算法模块，该自学习算法模块基于机器学习技术，用于自动适应不同的机房环境和使用模式，优化机房内的温度、湿度和噪音水平，控制单元上还连接有远程监控模块，用于移动后台的实时监测查看。
27.本实施例中，优选的，自学习算法模块包括：
28.数据采集模块，用于收集机房内的各种数据，包括温度、湿度、噪音等参数，并将其转化为数字信号；
29.特征提取模块，用于提取数据中的重要特征，并后续处理，例如，在温度数据中提取日变化规律、季节性变化规律；
30.模型训练模块，用于训练模型，建立机房内温度、湿度和噪音水平之间的映射关系，这需要借助机器学习算法，如深度学习、神经网络等，通过大量数据的学习，来发现数据中的规律，并进行预测；
31.决策控制模块，用于根据训练好的模型，对机房内温度、湿度和噪音水平进行优化控制，以达到理想的环境条件，例如，在温度过高时，该模块可以自动调节空调的制冷效果，降低温度，从而实现智能化控制。
32.本实施例中，优选的，在模型训练模块中，使用基于反向传播算法的人工神经网络模型进行训练，该模型包括若干个节点，每个节点对应一个神经元，它们之间通过连接进行通信和交换信息，其中，每个神经元采用激活函数将输入信号加权求和后输出结果；模型训练模块的目标是通过大量数据的学习，学习到机房内温度、湿度和噪音水平之间的非线性映射关系，以温度为例，模型的输入为温度数据，输出为相应的控制指令(如空调的制冷/制热/关闭)，模型通过迭代优化，逐步调整各个神经元之间的连接权重和偏置，以最小化误差损失函数，深度学习算法中的反向传播算法通过梯度下降法，对模型的参数进行优化调整，使得模型能够更加准确地预测输出结果，在每次迭代过程中，反向传播算法将误差从输出层往回传播，计算每个神经元的梯度，并根据梯度大小进行权重和偏置的更新；
33.具体来说，反向传播算法可以表示为以下公式：
34.前向传播：$$z
∧
{(l+1)}＝w
∧
{(l)}a
∧
{(l)}+b
∧
{(l)}，\qquad
35.a
∧
{(l+1)}＝f(z
∧
{(l+1)})$$；
36.其中，a
(l)
表示第l层的输出，z
(l+1)
表示第(l+1)层的输入，w
(l)
表示第l层到第(l+1)层间的连接权值，b
(l)
表示偏置，f(.)表示激活函数；
37.反向传播：$$\delta
∧
{(l)}＝\nabla_ae\odot；
38.f'(z
∧
{(l)})$$；
39.δ
(l)
＝((w
(l)
)
t
δ
(l+1))
⊙f′
(z
(l)
)
40.其中，e表示损失函数，表示损失函数对输出层的输入a
(l)
的梯度，δ
(l)
表示第l层误差，
⊙
表示元素级别的乘积；
41.参数更新：$$w_{ij}
∧
{(l)}＝w_{ij}
∧
{(l)}-\eta\frac{\partial e}{\partialw_{ij}∧{(l)}}$$；
[0042][0043]
其中，η表示学习率；通过多次迭代以上公式，可以不断地优化模型参数，使得预测结果更加准确、可靠。
[0044]
本实施例中，优选的，控制单元上包括一个处理器、内存和一个通信接口，用于处理来自传感器模块的数据并采取相应控制策略，以控制机房内的温度、湿度和噪音水平；其中处理器使用高效能架构，内存容量充足，通信接口支持各种标准化协议。
[0045]
优选的，传感器模块包括温度传感器、湿度传感器以及噪音传感器。
[0046]
本发明还公开了一种计算机机房智能温控预警方法，包括监测系统，包括如下步骤：
[0047]
步骤一：将机房内的空间进行分区，并在每个分区内设置传感器，同时设置好每个传输器的阈值，并形成区域监控模块，随后将区域监控模块与控制单元连接；
[0048]
步骤二：通过分区内的传感器对机房内的温度进行监测，当所监测区域内的温度、湿度、噪音超过初始设定阈值后，通过控制单元反馈给远程监控模块，并提示相关工作人员，工作人员通过执行器模块对机房进行对应操作，此时自学习算法模块获取区域区域监控模块与执行器模块的数值，并形成初步数据；
[0049]
步骤三：当分区内的传感器出现数值的变化时，自学习算法模块及时获取，并自动生成数值变化的折线图，根据折线图形成数值的后续轨迹路径，提升预警的速度；
[0050]
步骤四：将预警结果反馈给控制单元，控制单元通过远程监控模块反馈给相关工作人员。
[0051]
本实施例中，优选的，自学习算法模块根据步骤一中传感器设定的初始阈值作为第2次预警值，超过4次后的阈值根据步骤三中折线图中折线率趋势最大区域的中点设置阈值。
[0052]
本实施例中，优选的，远程监控模块与后台设备连接，该后台设备包括电脑、平板、手机。
[0053]
实施例2
[0054]
与实施例1中的不同之处在于：自学习算法模块根据步骤一中传感器设定的初始阈值作为第1次预警值，超过4次后的阈值根据步骤三中折线图中折线率趋势最大区域的中点设置阈值。
[0055]
实施例3
[0056]
与上述实施例中的不同之处在于：自学习算法模块根据步骤一中传感器设定的初始阈值作为第3次预警值，超过4次后的阈值根据步骤三中折线图中折线率趋势最大区域的中点设置阈值。
[0057]
尽管已经示出和描述了本发明的实施例(详见上述详尽的描述)，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种计算机机房智能温控监测系统，该监测系统包括控制单元，其特征在于：所述控制单元上连接有用于对机房各个区域工作环境进行监测的区域监控模块，该区域监控模块上连接有传感器模块；所述控制单元上还连接有执行器模块，该执行器模块用于对机房内工作环境实现调节，所述执行器模块与区域监控模块的输出端上连接有自学习算法模块，该自学习算法模块基于机器学习技术，用于自动适应不同的机房环境和使用模式，优化机房内的温度、湿度和噪音水平，所述控制单元上还连接有远程监控模块，用于移动后台的实时监测查看。2.根据权利要求1所述的一种计算机机房智能温控监测系统，其特征在于：所述自学习算法模块包括：数据采集模块，用于收集机房内的各种数据，包括温度、湿度、噪音等参数，并将其转化为数字信号；特征提取模块，用于提取数据中的重要特征，并后续处理；模型训练模块，用于训练模型，建立机房内温度、湿度和噪音水平之间的映射关系；决策控制模块，用于根据训练好的模型，对机房内温度、湿度和噪音水平进行优化控制，以达到理想的环境条件。3.根据权利要求2所述的一种计算机机房智能温控监测系统，其特征在于：在所述模型训练模块中，使用基于反向传播算法的人工神经网络模型进行训练，该模型包括若干个节点，每个节点对应一个神经元，它们之间通过连接进行通信和交换信息，其中，每个神经元采用激活函数将输入信号加权求和后输出结果；模型训练模块的目标是通过大量数据的学习，学习到机房内温度、湿度和噪音水平之间的非线性映射关系，模型通过迭代优化，逐步调整各个神经元之间的连接权重和偏置，以最小化误差损失函数，深度学习算法中的反向传播算法通过梯度下降法，对模型的参数进行优化调整，使得模型能够更加准确地预测输出结果，在每次迭代过程中，反向传播算法将误差从输出层往回传播，计算每个神经元的梯度，并根据梯度大小进行权重和偏置的更新。4.根据权利要求1所述的一种计算机机房智能温控监测系统，其特征在于：所述控制单元上包括一个处理器、内存和一个通信接口，用于处理来自传感器模块的数据并采取相应控制策略，以控制机房内的温度、湿度和噪音水平；其中处理器使用高效能架构，内存容量充足，通信接口支持各种标准化协议。5.根据权利要求1所述的一种计算机机房智能温控监测系统，其特征在于：所述传感器模块包括温度传感器、湿度传感器以及噪音传感器。6.一种计算机机房智能温控预警方法，包括权利要求1至权利要求5任一项所述的监测系统，其特征在于：包括如下步骤：步骤一：将机房内的空间进行分区，并在每个分区内设置传感器，同时设置好每个传输器的阈值，并形成区域监控模块，随后将区域监控模块与控制单元连接；步骤二：通过分区内的传感器对机房内的温度进行监测，当所监测区域内的温度、湿度、噪音超过初始设定阈值后，通过控制单元反馈给远程监控模块，并提示相关工作人员，工作人员通过执行器模块对机房进行对应操作，此时自学习算法模块获取区域区域监控模块与执行器模块的数值，并形成初步数据；步骤三：当分区内的传感器出现数值的变化时，自学习算法模块及时获取，并自动生成
数值变化的折线图，根据折线图形成数值的后续轨迹路径，提升预警的速度；步骤四：将预警结果反馈给控制单元，控制单元通过远程监控模块反馈给相关工作人员。7.根据权利要求6所述的一种计算机机房智能温控预警方法，其特征在于：所述自学习算法模块根据步骤一中传感器设定的初始阈值作为第1～4次预警值，超过4次后的阈值根据步骤三中折线图中折线率趋势最大区域的中点设置阈值。8.根据权利要求6所述的一种计算机机房智能温控预警方法，其特征在于：所述远程监控模块与后台设备连接，该后台设备包括电脑、平板、手机。

技术总结
本发明公开了一种计算机机房智能温控监测系统及预警方法，该监测系统包括控制单元，所述控制单元上连接有用于对机房各个区域工作环境进行监测的区域监控模块，该区域监控模块上连接有传感器模块；所述控制单元上还连接有执行器模块，该执行器模块用于对机房内工作环境实现调节，所述执行器模块与区域监控模块的输出端上连接有自学习算法模块；在本发明中，通过分区域的监控方式，能够提升机房内各个位置的监测精准度，并根据监测的结果进行分析，得出对应的措施，完善了现有机房温控手段单一的问题，同时引入了自学习算法模块来提升对机房内温控的智能性，使得管理更加轻松、智能、高效，完善了现有监测系统中的不足；通过对预警。预警。预警。


技术研发人员：程全亮 程全让 侯卫杰 安卫民 王志理
受保护的技术使用者：菏泽泰康工贸有限公司
技术研发日：2023.06.13
技术公布日：2023/10/8