服務(wù)器故障在線診斷、健康分析及失效預(yù)報(bào)系統(tǒng)的研究

陳浩　陳莉　王冬陽　董曉嵐　陶靜　趙傳偉

摘 要：文章提出一種基于神經(jīng)網(wǎng)絡(luò)模型的機(jī)房IT設(shè)備故障在線診斷的方法。IT設(shè)備的主要特征向量作為故障的主成分，通過對(duì)IT設(shè)備的故障樣本和正常運(yùn)行的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)和訓(xùn)練，將IT設(shè)備的故障與模型的連接權(quán)值和閥值的形式表現(xiàn)出來，當(dāng)對(duì)故障診斷有一定的要求時(shí)，通過不斷調(diào)節(jié)閥值就可獲得精確的故障診斷結(jié)果。仿真實(shí)驗(yàn)結(jié)果表明，文章算法能夠提高機(jī)房IT設(shè)備故障診斷的準(zhǔn)確率和速度，效果令人滿意。

關(guān)鍵詞：機(jī)房IT設(shè)備；故障診斷；健康分析；失效預(yù)報(bào)

1 概述

文章將機(jī)房IT設(shè)備的CPU溫度，主板溫度及CPU負(fù)載、內(nèi)存負(fù)載率、可用物理內(nèi)存等可檢測(cè)參數(shù)作為IT設(shè)備健康分析的目標(biāo)，利用神經(jīng)網(wǎng)絡(luò)算法建立機(jī)房IT設(shè)備的故障在線診斷檢測(cè)模型，通過一段時(shí)間的在線檢測(cè)，將在某一負(fù)載水平下的相關(guān)參數(shù)的檢測(cè)值與期望值進(jìn)行匹配，將匹配結(jié)果作為故障診斷的結(jié)果反饋給運(yùn)維人員，為故障的排除提供了準(zhǔn)確依據(jù)。從而提高了機(jī)房IT設(shè)備運(yùn)行的安全性和可靠性，降低了運(yùn)維人員的工作負(fù)擔(dān)。

2 機(jī)房IT設(shè)備運(yùn)行參數(shù)的特征提取

在進(jìn)行機(jī)房IT設(shè)備故障在線診斷、健康分析及失效預(yù)報(bào)的過程中，首先需要對(duì)機(jī)房IT設(shè)備的CPU溫度，主板溫度及CPU負(fù)載、內(nèi)存負(fù)載率、可用物理內(nèi)存等可檢測(cè)參數(shù)的特征進(jìn)行提取。

3 IT設(shè)備故障在線診斷、健康分析及失效預(yù)報(bào)系統(tǒng)的實(shí)現(xiàn)

3.1 建立IT設(shè)備在線診斷的神經(jīng)網(wǎng)絡(luò)模型

用于機(jī)房IT設(shè)備故障在線診斷的RBF神經(jīng)網(wǎng)絡(luò)模型是由輸入層、隱含層和輸出層這三部分構(gòu)成的，為前向型神經(jīng)網(wǎng)絡(luò)。在IT設(shè)備故障在線診斷的神經(jīng)網(wǎng)絡(luò)模型中，輸入層與隱含層存在線性關(guān)系，隱含層與輸出層存在非線性關(guān)系。為了提高故障診斷的速度，在神經(jīng)網(wǎng)絡(luò)模型中引入了動(dòng)量學(xué)習(xí)法，對(duì)各層之間的連接權(quán)值和閥值中加入了附加動(dòng)量項(xiàng)。

機(jī)房IT設(shè)備的神經(jīng)網(wǎng)絡(luò)模型對(duì)IT設(shè)備的故障樣本和正常運(yùn)行的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)和訓(xùn)練，將IT設(shè)備的故障與模型的連接權(quán)值和閥值的形式表現(xiàn)出來，當(dāng)對(duì)故障診斷有一定的要求時(shí)，通過不斷調(diào)節(jié)閥值就可獲得精確的故障診斷結(jié)果，同時(shí)引入的附加動(dòng)量項(xiàng)提高了診斷速度，滿足了在線診斷的要求。

3.2 機(jī)房IT設(shè)備故障在線診斷、健康分析及失效預(yù)報(bào)系統(tǒng)的實(shí)現(xiàn)過程

（1）建立IT設(shè)備故障在線診斷的初始樣本集。對(duì)機(jī)房IT設(shè)備的CPU溫度，主板溫度及CPU負(fù)載、內(nèi)存負(fù)載率、可用物理內(nèi)存等可檢測(cè)參數(shù)的運(yùn)行情況作為研究對(duì)象，采集運(yùn)行數(shù)據(jù)并進(jìn)行處理和分析，將得到IT設(shè)備的故障特征作為條件屬性，與其對(duì)應(yīng)的故障類型作為故障診斷的輸出期望，建立包括多種故障類型的初始樣本表。（2）提取故障主成分。由于原始的故障數(shù)據(jù)中包含多維的故障信息，利用上面闡述的故障特征提取方法提取故障特征，并刪除冗余特征，將保留的故障特征作為神經(jīng)網(wǎng)絡(luò)模型的輸入數(shù)據(jù)。（3）故障在線診斷過程。對(duì)IT設(shè)備的故障樣本和正常運(yùn)行的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)和訓(xùn)練，將IT設(shè)備的故障與模型的連接權(quán)值和閥值的形式表現(xiàn)出來，通過調(diào)整閥值獲得最優(yōu)模型的參數(shù)，最終得到準(zhǔn)確的故障診斷模型。（4）診斷結(jié)果的分析。將IT設(shè)備故障的樣本數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型的輸入量，如果不能滿足診斷要求，則不斷調(diào)整閥值，直至獲得滿意的診斷結(jié)果。并將診斷結(jié)果作為IT設(shè)備健康分析與實(shí)效預(yù)報(bào)的依據(jù)。

4 實(shí)驗(yàn)結(jié)果及分析

4.1 實(shí)驗(yàn)參數(shù)設(shè)置

為了驗(yàn)證文章算法在機(jī)房IT設(shè)備故障診斷方面的有效性，需要進(jìn)行一次仿真實(shí)驗(yàn)。利用仿真軟件matlab7.1構(gòu)建機(jī)IT設(shè)備故障診斷的實(shí)驗(yàn)環(huán)境。文章的故障診斷的神經(jīng)網(wǎng)絡(luò)模型的參數(shù)設(shè)置如下：輸入層神經(jīng)元的數(shù)目為8個(gè)，隱含層神經(jīng)元的數(shù)目為34個(gè)，輸出層神經(jīng)元的數(shù)目為6個(gè)，模型的初始學(xué)習(xí)速度為0.2。利用傳統(tǒng)算法進(jìn)行機(jī)房IT設(shè)備故障診斷的對(duì)比實(shí)驗(yàn)。

4.2 不同算法實(shí)驗(yàn)結(jié)果比較與分析

文章算法和傳統(tǒng)算法的實(shí)驗(yàn)結(jié)果用表1進(jìn)行描述：

根據(jù)表1中的實(shí)驗(yàn)數(shù)據(jù)能夠得知，文章算法的IT設(shè)備故障診斷正確率和診斷速度要遠(yuǎn)高于傳統(tǒng)算法，這是由于文章算法在故障診斷的神經(jīng)網(wǎng)絡(luò)模型中引入了附加動(dòng)量，加快了使模型的收斂性有了大幅度提高，這就提高了故障診斷的速度；利用神經(jīng)網(wǎng)絡(luò)模型不斷對(duì)IT設(shè)備的故障樣本和正常運(yùn)行的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)和訓(xùn)練，從而提高了故障診斷的準(zhǔn)確率。充分表明文章算法在機(jī)房IT設(shè)備故障診斷方面的優(yōu)勢(shì)。

5 結(jié)束語

對(duì)機(jī)房IT設(shè)備故障進(jìn)行及時(shí)診斷，能夠提高系統(tǒng)的安全性、可靠性并減少運(yùn)維人員的工作負(fù)擔(dān)。同時(shí)，通過文章故障診斷系統(tǒng)的建設(shè)，保障了機(jī)房?jī)?nèi)設(shè)備的穩(wěn)定運(yùn)行，使設(shè)備的使用壽命與穩(wěn)定性延長(zhǎng)，也使得客戶的滿意度、服務(wù)質(zhì)量、企業(yè)形象都得以很大提升，真正做到經(jīng)濟(jì)效益和設(shè)備效益雙豐收。

參考文獻(xiàn)

[1]劉江，左正軍.通用航空器故障診斷專家系統(tǒng)研究[J].科技經(jīng)濟(jì)市場(chǎng)，2013，8：5-9.

[2]馬廷方.民用航空器維修與無損檢測(cè)的淺析[J].中國科技博覽，2014，31：260-260.