一种基于人工智能的智慧机房管控方法与流程

本发明涉及机房管控领域，尤其涉及一种基于人工智能的智慧机房管控方法。

背景技术：

1、在当今高度数字化和互联的环境中，各行业都在不断寻求方法来提升效率、降低成本并增强服务能力。电力行业尤其如此，其传统的基础设施管理模式面临着诸多挑战，包括设备密集度高、实时监控需求强、故障风险管理复杂等问题。

2、而随着计算需求和数据量的激增，机房已成为电力行业的核心资产之一。机房内设备的复杂性和密集性使得传统的人工管理方式难以满足高效运维和安全管理的要求。为应对这一挑战，行业正逐步转向使用人工智能和三维建模等新兴技术，以实现智慧机房的自动化和智能化管理。

技术实现思路

1、为了解决上述问题，本发明的目的在于提供一种基于人工智能的智慧机房管控方法，实现机房的管理和维护的智能化、自动化及高效化，在提升可靠性的同时，提高了资源的利用效率和数据管理的严谨性。

2、为实现上述目的，本发明采用以下技术方案：

3、一种基于人工智能的智慧机房管控方法，包括以下步骤：

4、s1:使用激光扫描设备获取机房的三维数据，并基于机房的三维数据创建静态三维模型;

5、s2:获取机房的所有设备的运行数据以及环境数据，构建机房动力图和环境云图，并将机房动力图、环境云图结合到静态三维模型中，得到动态三维模型；

6、s3:基于动态三维模型，采用webgl构建一个可视化平台，供人员从三维视角全方位查看和管理机房的所有设备；

7、s4:基于设备的运行数据，通过异常检测模型，检测异常数据节点，并在动态三维模型中标记和报告异常数据节点；

8、s5:结合wi-fi、和uwb标签技术，实现机房人员的精确定位，并通过角色授权与实时位置监控，基于动态三维模型，进行精细化的权限管理；

9、s6:基于人员实时定位和异常数据节点，考虑权限管理，选择最近的合适人员，结合路径规划算法，自动为人员生成最优路径，在移动设备上提供ar导航功能，协助人员高效到达指定任务区域。

10、进一步的，s1具体为：

11、使用高精度lidar设备进行多角度扫描，捕捉机房内各个角落和设备的详细点云数据；

12、基于sor滤波处理去除点云数据的噪声点，得到滤波后的多角度扫描点云数据；

13、使用icp算法对滤波后的多角度扫描点云数据进行拼接和全局对齐，使所有扫描数据合并成一个统一的点云；

14、将合并后的点云数据导入三维建模软件作为建模基础，采用表面重建技术（如poisson surface reconstruction）将点云转换为可视化的三维模型。

15、进一步的，基于sor滤波处理去除点云数据的噪声点，得到滤波后的多角度扫描点云数据，具体如下：

16、初始化参数，邻域点数k和标准差乘数阈值σ；

17、对于点云中的每个点 pi，计算其与其邻域中其他点的欧式距离，并计算邻域平均距离：

18、；

19、其中， p j为 p i邻域内的任意一个点；k为邻域点数 ；

20、计算所有点邻域距离的均值和标准差，使用标准差乘数定义阈值，筛选出离群点，对于点云中的每个点 pi，其邻域平均距离与全局平均距离之间的差异超过了，则该点被标记为异常点，即可能的噪声点。

21、进一步的，使用icp算法对滤波后的多角度扫描点云数据进行拼接和全局对齐，使所有扫描数据合并成一个统一的点云，具体如下：

22、根据高精度lidar设备的初始定位数据，获取初始对准；

23、对于点云 p 中的每个点 ，点云p中点的数量为n，寻找点云 q中的最近点，形成点对 ；

24、使用奇异值分解，基于最近点对计算最优的刚体变换，包括旋转矩阵 r 和位移向量 t，使得两组点的平方误差最小化：

25、；

26、将点云 p 进行更新：

27、；

28、其中，为更新后的点；

29、计算当前迭代的匹配误差，若误差低于预设阈值或达到最大迭代次数，则终止迭代；

30、将多个已对齐的点云进行融合，生成统一的点云数据。

31、进一步的，s2具体为：

32、基于工业物联网连接各类传感器获取设备的实时运行数据和环境数据；

33、使用数据库存储高频率收集的时间序列数据，并标准化数据以匹配三维模型中的相应维度单位；

34、整合设备运行参数数据，绘制代表设备功耗、效率或状态变化的动力图，绘制环境云图，包括温度分布图、高湿区域标志；

35、将机房的静态三维模型导入3d建模软件，为模型中的每个设备和监测点添加数据接口和可视化组件；通过数据接口抓取和映射实时数据至静态三维模型；可视化组件定义数据值到可视化表现的映射函数，使用动态纹理映射在模型表面显示动力图和环境云图。

36、进一步的，异常检测模型结合自动编码器与oc-svm构建，具体如下：

37、收集设备运行期间的多维数据，对数据进行标准化处理，提取相关性的特征，构建训练数据集；

38、自动编码器由一个编码器和一个解码器组成，用于数据的降维与重构：

39、编码器：将训练数据集数据x映射到低维潜在空间z；

40、 ；

41、其中， w enc和 b enc分别是编码器的权重矩阵和偏置向量，是激活函数；

42、解码器：从潜在空间z重构出输入数据；

43、 ；

44、其中， w dec和 b dec分别是解码器的权重矩阵和偏置向量;

45、通过重建损失函数最小化原始输入与重构输出之间的差距：

46、

47、其中，n 表示数据样本的数量，是第 个输入样本，是第个重构输出；

48、使用编码器输出的潜在空间特征z来训练oc-svm模型，使用rbf核来解决更多非线性分布：

49、；

50、其中，为核函数,计算 z和 z′ 在特征空间中的相似度；γ为核函数中控制分布扩展的参数;z′ 为区别于z的潜在空间特征；

51、oc-svm目标优化函数：找到一个超平面将ν%的样本标记为正常而非异常：

52、

53、其中，w为决策函数的权重向量；为第松弛变量；为偏置；

54、实时数据经过自动编码器得到低维特征zd，通过oc-svm判断是否为异常：

55、若 oc-svm 决策函数 f(zd)<0则标记为异常：

56、；

57、其中，为特征映射函数；表示内积运算；

58、训练过程中，通过超参数优化调节自动编码器的结构和oc-svm的参数。

59、进一步的，通过超参数优化调节自动编码器的结构和oc-svm的参数，具体如下：

60、使用神经网络库定义自动编码,自动编码器架构包括输入层、若干隐藏层、瓶颈层，以及解码器。

61、超参数包括编码器层数、编码器单位以及学习率：

62、在每个超参数组合下，进行预设次数的训练迭代以使自动编码器达到重建目标；

63、使用经过训练的自动编码器，获取输入数据的低维潜在特征；

64、使用支持向量机库读取自动编码器输出的潜在特征进行oc-svm训练，使用贝叶斯优化调整超参数组合，选择性能指标最高的超参数组合作为最终模型参数。

65、进一步的，使用贝叶斯优化调整超参数组合，具体如下：

66、在超参数搜索空间中随机选择或使用拉丁超立方采样选择几个超参数组合进行初始评估；

67、使用初始采样点构建gp模型，拟合目标函数；

68、使用当前所有数据样本更新gp代理模型的均值和协方差矩阵；

69、使用期望改进 ei作为获取函数，定义如下：

70、；

71、其中，是当前观察到的最佳目标值，进一步得到：

72、

73、其中，为高斯过程代理模型在点 x 处的预测均值；为高斯过程预测在点 x 处的标准偏差；为当前搜索过程中观察到的最佳；为探索参数；为标准正态累积分布函数的值；为标准正态概率密度函数的值；z为标准化参数；

74、最大化获取函数ei(x)来选择下一个超参数组合，进行模型评估；

75、用选定的超参数组合训练模型，记录并计算目标函数值；

76、根据最大迭代次数、耐心参数来终止优化过程；

77、返回具有最高目标函数值的超参数作为最终最佳组合。

78、进一步的，结合wi-fi、和uwb标签技术，实现机房人员的精确定位，具体为：

79、在机房内不同固定位置测量wi-fi的rssi，通过实验建立信号强度与物理距离之间的模型，并使用路径损耗模型将信号强度转换为距离；

80、部署多个uwb锚点，并使用tof测量，转换信号往返时间为距离；

81、人员进出机房时携带uwb标签，锚点根据计算区域部署在预设位置；首先

82、利用机房现有的wi-fi接入点，通过rssi进行粗略的位置估计；

83、收集uwb的tof数据和wi-fi的rssi数据；

84、融合数据输入卡尔曼滤波器进行整合，使用当前时间戳做好同步；

85、将信号强度数据转换为初步距离评估；

86、将uwb精准测距和rssi提供的信息同步到统一的坐标系中。

87、进一步的，s6具体为：

88、从角色权限数据库中查询，确定哪些人员有权限处理特定的异常节点，使用以下公式进行权限校验：

89、

90、其中，为校验公式；表示人员u的权限，是异常节点所需权限;为空集；

91、从已授权的人员中，选择距离异常节点最近的，并具有当前可用状态的人员，使用欧氏距离计算以选择最近的人员；

92、使用路径规划算法，基于当前人员位置和异常节点位置，找到最优路径；

93、在移动设备中集成ar引擎，用于在摄像头视图上叠加导航指示；

94、基于路径规划结果，生成逐步导航提示，在ar视图中显示指示箭头和信息标记；

95、随时更新定位信息和导航路径，根据人员行动动态调整导航路线。

96、本发明具有如下有益效果：

97、1、本发明实现机房的管理和维护的智能化、自动化及高效化，在提升可靠性的同时，提高了资源的利用效率和数据管理的严谨性；

98、2、本发明采用sor滤波有效去除点云数据中的噪声和异常点，提升点云数据的质量，降低了冗余和错误数据的影响；在清晰的点云基础上，使用icp算法进行精确的点云对齐，确保多角度扫描的点云能够精确拼接成统一模型，可以有效整合多次扫描的数据，实现点云的精确全局对齐；

99、3、本发明通过端到端的模型结合，结合自动编码器的特征表示和oc-svm构建异常检测模型，能有效应对复杂数据集中的异常检测任务，特别是针对机房管理中需要处理高维、非线性的实际数据场景中尤其适用；

100、4、本发明融合先进的无线定位技术与精密的算法处理，实现了人员实时定位和权限管理的全面解决方案，确保机房安全和操作高效，并实现在异常状况下，确保最快时间响应和解决，提升整体操作效率和响应能力。