Mit der raschen Entwicklung von künstlicher Intelligenz und Hochleistungsrechnen ist die Flüssigkeitskühlung mit Kaltplatte allmählich zu einer der Haupttechnologien geworden, um den Wärmeableitungsanforderungen von Kühlsystemen für hochdichte Rechenzentren gerecht zu werden. Dieser Artikel stellt die Auslösemechanismen, Auswirkungen und gekoppelten Evolutionsregeln typischer Störungen in Flüssigkeitskühlsystemen mit Kaltplatte für Rechenzentren vor; fasst die Prinzipien und Merkmale direkter Detektionstechniken und störungsdiagnostischer Techniken basierend auf Betriebsdaten zusammen und beleuchtet die Schlüsselprobleme bei der praktischen Anwendung dieser Diagnoseverfahren in Flüssigkeitskühlsystemen mit Kaltplatte; basierend auf Diagnoseerfahrungen im HLK-Bereich werden gezielte Verbesserungsmethoden für bestehende Probleme abgeleitet, wie halbüberwachtes Lernen, Lernen mit kleinen Stichproben, Datenaugmentation und Fusion von Physik und Daten. Zukünftige Forschung in diesem Bereich kann sich auf die Kombination mehrerer Algorithmen, die Milderung von Datenungleichgewichten, die Verbesserung der Modellinterpretierbarkeit und Störfestigkeit konzentrieren, um die Genauigkeit, Zuverlässigkeit und technische Anwendbarkeit der Fehlererkennung zu verbessern. Dieser Artikel bietet einen Überblick und eine Zusammenfassung relevanter Forschungsarbeiten und kann als Referenz für theoretische Forschung und ingenieurtechnische Anwendungen im Bereich der Fehlerdiagnose von Flüssigkeitskühlsystemen mit Kaltplatte dienen.

Rechenzentrum; Flüssigkeitskühlung mit Kaltplatte; direkte Detektion; Fehlerdiagnose; maschinelles Lernen