基于红外图像的服务器热故障诊断方法研究

发布时间：2023-06-08 19:18

　　数据中心作为关键设施,通常包含数以千计的数据处理设备,例如服务器、交换机和路由器等。随着“互联网+”时代的发展,其数量和规模均呈爆炸性增长态势。机柜风扇损坏、服务器长期满负荷工作等异常情况极易导致数据中心温度过高,通常采用进一步降低空调温度的方法来维持服务器安全可靠运行,由此导致巨大的电能消耗。因此对服务器进行热故障诊断不仅可以极大地提高数据中心管理效率,保证数据中心安全可靠运行,也能够在一定程度上提高空调制冷效率。通过比较分析数据中心温度场感知方法,结合图像处理及人工智能发展现状,本研究提出基于红外图像的服务器热故障状态诊断方法,目的是根据诊断结果做出高效节能的热管理决策,以优化数据中心的能源配置和热管理,进而保证数据中心可靠运行并降低数据中心能耗。为了验证方法的有效性,本研究设计服务器四种常见的热故障,通过红外热像仪采集处于不同运行情况下的服务器红外图像,建立服务器红外图像库。本研究从图像特征提取与分类器设计两个关键技术出发,设计两种服务器热故障诊断方法。一种是基于特征与支持向量机结合的服务器热故障诊断方法。首先通过图像增强算法突显服务器热分布区域,然后采用图像标准化方法消除由于相...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外数据中心监测现状
        1.2.1 国内外发展现状
        1.2.2 未来发展趋势
    1.3 本文的主要研究内容
        1.3.1 主要研究内容
        1.3.2 章节安排
2 服务器热故障诊断算法介绍
    2.1 服务器热故障诊断关键技术
        2.1.1 图像特征提取
        2.1.2 分类器设计
    2.2 实验环境与算法硬件要求
        2.2.1 数据中心环境要求
        2.2.2 算法硬件要求
    2.3 服务器热故障红外图像库的建立
        2.3.1 图像采集设备
        2.3.2 服务器热故障种类
    2.4 本章小结
3 基于特征与SVM结合的服务器热故障诊断方法
    3.1 图像预处理
        3.1.1 图像增强
        3.1.2 图像标准化
    3.2 图像特征提取
        3.2.1 纹理特征
        3.2.2 方向梯度直方图特征
        3.2.3 图像改进熵特征
    3.3 支持向量机
        3.3.1 支持向量机简介
        3.3.2 支持向量机参数优化
    3.4 实验结果及性能分析
    3.5 本章小结
4 基于卷积神经网络的服务器热故障诊断方法
    4.1 卷积神经网络网络结构
        4.1.1 卷积层
        4.1.2 下采样层
        4.1.3 全连接层
    4.2 AlexNet网络模型结构说明
        4.2.1 ReLU函数
        4.2.2 Dropout层
        4.2.3 Softmax回归
    4.3 服务器热故障诊断方法分析
        4.3.1 卷积神经网络特征分析
        4.3.2 卷积神经网络训练流程
    4.4 实验结果与性能分析
    4.5 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3832333