Использование моделей диагностики отказов на основе данных для систем кондиционирования в центрах обработки данных может эффективно повысить их надежность эксплуатации. Однако такие модели обычно не имеют диагностической основы, что ограничивает их широкое применение. Был создан композитный модель диагностики отказов системы кондиционирования на основе типичных алгоритмов машинного обучения, сравнивались диагностические показатели различных моделей и была проведена интерпретируемая оценка модели диагностики на основе метода SHAP (shapley additive explanation). Результаты показали: модель диагностики на основе сверточной нейронной сети (CNN) показала оптимальные результаты при тепловой трубке и режиме парового сжатия, по всем классам F-1 значение было выше 0.999. В режиме тепловой трубки основные признаки диагностики модели CNN — частота вентилятора конденсатора, наружная температура и энергопотребление насоса хладагента; в режиме парового сжатия — наружная температура, частота компрессора и степень пересуждения.

Центр обработки данных;Композитная система кондиционирования;Диагностика отказов;Интерпретируемое исследование