Эффективная методика генерации синтетических данных для обучения ML-моделей диагностики аномалий в системах охлаждения ЦОД с помощью OpenModelica
Эффективная методика генерации синтетических данных для обучения ML-моделей диагностики аномалий в системах охлаждения ЦОД с помощью OpenModelica
Разработана динамическая модель системы охлаждения ЦОД в OpenModelica с использованием библиотеки DLR ThermoFluidStream для анализа аномалий (утечки хладагента, засорения). Предложена инновационная двухэтапная методика (имитация в OpenModelica + обработка в Python), позволяющая в 300 раз эффективнее синтезировать зашумленные данные для анализа отказов по сравнению с нативным моделированием. Модель позволяет воспроизводить критические сценарии в контролируемых условиях и предназначена для тестирования алгоритмов диагностики и оптимизации архитектуры систем охлаждения на этапе проектирования, а также позволяет генерировать синтетические данные для обучения предиктивных ML-моделей. Ключевые слова: ЦОД, охлаждение, динамическое моделирование, OpenModelica, аномалии, синтез данных, Python, DLR ThermoFluidStream.
selected citations These citations are derived from selected sources.This is an alternative to the "Influence" indicator, which also reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).0 popularity This indicator reflects the "current" impact/attention (the "hype") of an article in the research community at large, based on the underlying citation network.Average influence This indicator reflects the overall/total impact of an article in the research community at large, based on the underlying citation network (diachronically).Average impulse This indicator reflects the initial momentum of an article directly after its publication, based on the underlying citation network.Average
Citations provided by BIP!Popularity provided by BIP!