Исследователи НИУ ВШЭ и Уральского федерального университета разработали метод на основе искусственного интеллекта, который выявляет постепенные утечки хладагента и загрязнение теплообменников в системах охлаждения центров обработки данных. Новая модель учитывает физические связи между элементами холодильного контура, что позволяет выявлять неисправности на ранних стадиях. Результаты опубликованы в журнале IEEE Transactions on Industry Applications.
Системы охлаждения — одна из наиболее энергоемких частей инфраструктуры центра обработки данных (ЦОД). На них может приходиться около 30–50% общего энергопотребления такого объекта. При этом даже небольшие неисправности способны постепенно снижать эффективность оборудования и увеличивать затраты на электроэнергию. Например, при утечке хладагента или загрязнении теплообменника параметры работы системы меняются не сразу, и отдельные датчики могут продолжать показывать значения в допустимых пределах.
Исследователи НИУ ВШЭ и Уральского федерального университета в рамках проекта «Зеркальные лаборатории» разработали метод, который позволяет выявлять скрытые отклонения систем охлаждения на ранней стадии. Они предложили анализировать не только временные изменения показаний датчиков, но и связи между ними с учетом устройства холодильного контура.
В основе метода — графовая нейронная сеть. Она использует инженерную схему системы, чтобы учитывать связи между компрессором, испарителем, конденсатором и другими элементами. Модель обучается на данных исправного оборудования и прогнозирует ожидаемые значения показателей. Если фактические измерения начинают устойчиво расходиться с прогнозом, алгоритм фиксирует аномалию. Важная особенность подхода — возможность учитывать реальную схему оборудования и физическую топологию холодильного цикла, а не полагаться только на статистические корреляции между показаниями.
Ученые проверили метод на экспериментальном стенде промышленной системы охлаждения, предоставленном компанией ООО «ДАТАРК». Исследователи использовали данные 12 исходных датчиков и четырех дополнительных расчетных показателей. Измерения собирались с периодичностью одна минута. В ходе экспериментов моделировались четыре варианта постепенного ухудшения работы оборудования: два сценария потери хладагента и два — загрязнения конденсатора и теплообменника с разной степенью выраженности. Испытания проводились при различных температурах и нагрузках на оборудование.
Результаты показали, что модель, учитывающая физическую структуру холодильного контура, обеспечила наилучшее или сопоставимое с наилучшим качество обнаружения во всех четырех сценариях. В одном из сценариев утечки хладагента показатель F1 — метрика, объединяющая точность и полноту обнаружения, — достиг 0,87. Как объясняют ученые, это означает, что модель хорошо находит нужные случаи и при этом редко срабатывает по ошибке. В одном из сценариев постепенного загрязнения теплообменника модель выявляла отклонение в среднем через 200 минут после возникновения неисправности. По сравнению с альтернативными алгоритмами учет физических связей позволял повысить качество обнаружения и сократить время реакции.
«Для диагностики сложного технического оборудования недостаточно просто анализировать множество показаний датчиков. Важно учитывать, как эти показатели связаны друг с другом в реальном физическом процессе. Если заложить такие знания в модель искусственного интеллекта, она сможет замечать не только отдельные необычные значения, но и нарушения привычной работы системы в целом. Это особенно важно для неисправностей, которые накапливаются и проявляются постепенно, их сложно обнаружить стандартными средствами мониторинга», — отмечает один из авторов исследования — Михаил Гущин, ведущий научный сотрудник Научно-учебной лаборатории методов анализа больших данных ИИиЦН ФКН НИУ ВШЭ.
«Исследование способов повышения чувствительности методов обнаружения нештатных ситуаций инженерных систем является одной из наиболее важных задач автоматизации обслуживания ЦОД. Особенно это важно для докритических этапов медленно развивающихся поломок. В данной работе нашим коллективом показаны преимущества учета закономерностей, связанных со структурой датчиков при построении таких детекторов» — отмечает один из авторов исследования — Михаил Ронкин, старший научный сотрудник Института радиоэлектроники и информационных технологий — РТФ УрФУ.
Разработка может стать основой для более интеллектуальных систем мониторинга ЦОД. Раннее выявление утечек и загрязнения теплообменников позволит своевременно планировать техническое обслуживание, снижать риск внеплановых остановок и поддерживать энергоэффективность охлаждения. В перспективе подход можно адаптировать и к другим инженерным системам. Следующий шаг — проверка метода на более широком наборе данных и в условиях эксплуатации реальных центров обработки данных.