Эффективная методика генерации синтетических данных для обучения ML-моделей диагностики аномалий в системах охлаждения ЦОД с помощью OpenModelica
DOI:
https://doi.org/10.5281/zenodo.18229781Ключевые слова:
ЦОД, охлаждение, динамическое моделирование, OpenModelica, аномалии, синтез данных, Python, DLR ThermoFluidStreamАннотация
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.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.
Статьи журнала «Вестник Донецкого университета. Серия 04. Технические науки» находятся в открытом доступе и распространяются в соответствии с условиями Лицензионного Договора с Донецким Государственным университетом, который бесплатно предоставляет авторам неограниченное распространение и самостоятельное архивирование.
