L'application de modèles de diagnostic de panne basés sur les données aux systèmes de climatisation des centres de données peut améliorer efficacement leur fiabilité opérationnelle. Cependant, ces modèles manquent généralement de justifications diagnostiques, limitant ainsi leur application large. Un modèle de diagnostic de panne composite basé sur des algorithmes d’apprentissage machine typiques a été établi, comparant les performances de diagnostic de chaque modèle et menant une étude d’interprétabilité du modèle de diagnostic basée sur la méthode SHAP (shapley additive explanation). Les résultats montrent que le modèle de diagnostic basé sur le réseau de neurones convolutionnel (CNN) est optimal en mode tube thermique et mode compression de vapeur, avec des valeurs F-1 supérieures à 0,999 dans chaque catégorie. En mode tube thermique, les principales caractéristiques diagnostiquées par le modèle CNN sont la fréquence du ventilateur du condenseur, la température extérieure et la consommation de puissance de la pompe de réfrigérant ; en mode compression de vapeur, il s'agit de la température extérieure, la fréquence du compresseur et le sous-refroidissement.

Centre de données;Système de climatisation composite;Diagnostic de panne;Étude d’interprétabilité