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

1、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 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)對故障診斷有一定的要求時，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)存等可檢測參數(shù)作為it設(shè)備

2、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模型，通過一段時間的在線檢測，將在某一負(fù)載水平下的相關(guān)參數(shù)的檢測值與期望值進(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

3、 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)模型中引入了動量學(xué)習(xí)法，對各層之間的連接權(quán)值和閥值中加入了附加動量項(xiàng)。 機(jī)房it設(shè)備的神經(jīng)網(wǎng)絡(luò)模型對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)對故障診斷有一定的要求時，通過不斷調(diào)節(jié)閥值就可獲得精確的故障診斷結(jié)果，同時引入的附加動量項(xiàng)提高了診斷速度，滿足了在線診斷的要求。 3.2 機(jī)房i

4、t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)存等可檢測參數(shù)的運(yùn)行情況作為研究對象，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

5、，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，隱含層神經(jīng)元的數(shù)目為34個，輸出層神經(jīng)元的數(shù)目為

6、6個，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。 5 結(jié)束語 對機(jī)房it設(shè)備故障進(jìn)行及時診斷，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，通過文章故障診斷系統(tǒng)的建設(shè)，保障了機(jī)房內(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，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)