機房建置,人工智能如何優化數據中心散熱冷卻?

機房建置,如果要實現真正的數據中心熱優化,則需要基於數千個實時傳感器和專家空間模型的經過驗證的安全過程。這不可避免地涉及到大量信息的收集,因此,如果要成功消除數據中心冷卻的大部分不確定性,那麼絕對依賴於正在收集的數據,這至關重要。

當運營商考慮監控數據中心區域的多個機房空調(堅固)/空氣處理單元(摘要)的關鍵冷卻負載性能所需的控制模型時尤其如此。當然,還需要使用標準溫度和電流測量傳感器實時跟蹤數據中心冷卻負載,以用於冷凍水和直接膨脹冷卻系統。但是,持續監控空氣入口和出口溫度以及風扇性能,過濾器質量和潛在機房空調(堅固)/空氣處理單元(摘要)堵塞警報等變量也很重要。
這顯然需要捕獲和吸收大量數據,那麼數據中心如何將其轉化爲可以採取行動的有意義的信息呢?在這個階段,人們總是開始談論人工智能應該扮演的角色。企業收集了所有的數據,但不用擔心,人工智能會爲其排序。這種動態管理聽起來很好,但是當涉及真正100%可靠的數據中心冷卻所需的控制時,其事情就不那麼簡單了。
現在是更清楚地瞭解數據中心和人工智能的時候了
人們非常高興能夠應用人工智能技術來幫助優化數據中心的熱性能,但是擔心人工智能通常被認爲是一種通用的靈丹妙藥,可以某種方式解決與最佳實踐數據中心熱量相關的所有多種複雜性和權衡問題優化。
人們顯然致力於建立最佳實踐,以實現“完全感知”的數據中心並捕獲真正的熱優化所需的實時機器學習類數據,但目前還不相信人工智能應該單獨實施管理關鍵冷卻負荷性能所需控制的一部分。
這就是爲什麼現在需要一定的清晰度,以及對所謂的人工智能解決方案和基於專家系統的控制之間的重大差異的認識的的原因,這些控制實際上更具可預測性,可審計性和有效性。
通過專家系統控制實現更好的控制和更多的節能
鑑於大多數數據中心環境具有業務關鍵性,組織需要確保在管理冷卻負載性能方面存在真正的透明度。如果它是一個負責處理這個角色的人工智能引擎,那麼就會有一些問題要問:人工智能算法是否可審計?爲什麼在特定情況下做出特定決定?是否可以預測,當新的機器學習數據被引入系統時,它會做出類似的決定?真的知道人工智能正在查詢哪些源數據嗎?
相比之下,基於專家系統的方法根本不同,具有可審計的受控序列,可從經驗中獲得洞察力,並提供風險管理和合規官員要求的所有檢查和平衡。使用專家系統,企業可以挑戰控制應用程序的開發方式,隨時檢查流程,並審覈系統以確定特定性能問題的根本原因。
但是問一下人工智能系統是如何做出決定的,人們很快就會發現技術真的不像希望的那樣容易接近。與此相比,專家系統控制算法的穩健性和可訪問性,以及它們在更廣泛的建築管理系統環境中作爲可管理組件有效運行的能力,企業很快就會開始質疑密封的人工智能引擎是否真的適合黃金時段數據中心部署。
但是,人工智能可以發揮重大作用的是提供深入的洞察力來支持數據中心專家。例如,熱優化引擎核心的人工智能啓用多站點熱分析工作正在進行中。這一突破爲用戶提供了強大的仿真工具,可以提供有關現場無效率或風險區域的實時建議。從戰略上講,人們相信以這種方式證明人工智能驅動的優化引擎的功效將不可避免地導致預測警報功能,其中“經過測試的“人工智能引擎能夠實時模擬潛在的即將發生的系統故障,而這些故障尚未突破報警條件。
並且誰會知道,未來可能最終會導致自動人工智能控制,但在人們推進這一步驟之前還有幾個關鍵階段。而現在要提醒的是,將其關鍵控制措施完全委託給人工智能系統會帶來風險成本,這可能比任何承諾的冷卻節能量大得多。這並不意味着人工智能在未來的控制系統環境中仍然不會發揮重要作用,但它可能必須等到基本的“專家系統“元素緊密集成到流程中。