★珠海大橫琴科技發展有限公司朱俊

關鍵詞：數據中心；BAS系統；自動化控制；IBAS-BP模型；故障預測

數據中心作為信息時代的關鍵基礎設施，其穩定運行與能效管理直接關系到信息系統可靠性與成本。其中，建筑自動化系統（Building Automation System，BAS）承擔環境監控、設備控制以及能源管理等功能。傳統控制方法存在集成度不足、缺乏自適應能力和數據分析能力薄弱等問題。先進BAS自動化控制技術可降低PUE值0.05～0.08，能夠提升運行效率和可靠性。因此，深入研究數據中心BAS系統自動化控制技術，對提升控制精度、降低能耗和增強系統穩定性具有重要意義。橫琴新區國際數據中心作為橫琴粵澳深度合作區重要的新基建基礎設施，為本研究提供了寶貴工程案例。

1　數據中心BAS自動化控制工程概況

1.1　橫琴數據中心BAS系統控制需求與挑戰

橫琴新區國際數據中心對于完善橫琴通信基礎設施、電子政務建設，提高產業園區對科技、金融企業的吸引力有著重大意義；另一方面從國家政策、港珠澳地緣經濟發展、橫琴的定位布局和未來發展目標來看，橫琴國際數據中心為粵港澳大灣區產業集群發展提供了重要的科技基礎設施支撐，為協助合作區政府建設智慧城市奠定了良好的基礎。其投資規模超2.8億元人民幣，設計規模約有332個標準機柜。該數據中心BAS系統面臨著多項挑戰，比如系統集成度不足使得各設備監控系統數據交互不暢形成信息孤島；傳統控制策略基于預設規則運行缺乏對復雜工況的自適應能力；雖采集大量設備運行數據，但數據挖掘與分析能力薄弱未能轉化為決策支持信息^[1]。作為粵港澳大灣區的重要新基建基礎設施，其還需解決龐大的數據流動、數據存儲、數據挖掘、數據分析、數據處理、數據加工、數據應用以及算力資源調度等問題。這對BAS系統智能化控制提出了更高要求，亟需探索“跨域多維數據+橫琴算力+灣區場景”的創新模式。

1.2　自動化控制系統總體架構設計

針對上面提到的挑戰，我們專門設計了三層架構的BAS自動化控制系統。其現場層是由分布在配電房、電池室、空調主機房以及數據機房等場所的一體化采集器構成，可實時采集溫度、濕度、電流等運行參數；控制層由區域控制器組合而成，負責執行控制邏輯和智能算法，進而實現供配電、空調和安防系統的自動控制；管理層會把監控信息上傳到監控中心主機，以此實現集中管理與遠程控制（如圖1所示）。該架構搭建起統一的數據平臺，能夠打破信息孤島現象，為子系統協同控制創造有利條件。引入人工智能技術，可讓系統依據實時工況實現自適應控制，提高了系統對復雜環境的響應能力。

圖1數據中心BAS系統分層控制工程結構圖

2　BAS系統自動化控制技術實現

2.1　多源數據采集與處理機制

橫琴新區國際數據中心BAS系統會產生大量異構數據，涵蓋設備運行參數、維護記錄以及系統日志等內容。因此，要建立統一環境監控系統，借助一體化采集器監測大約1000個傳感器點位，數據處理工作包含去除重復數據、修正錯誤數據、填充缺失值等操作，并且要進行標準化處理，把各類參數歸一化到[0，1]區間。系統采用流式處理和批處理相結合的方式，在確保異常能夠實時預警的同時保留歷史數據用于深度分析。數據質量控制采用多級校驗機制，有范圍檢查、變化率檢查和相關性檢查等內容，以此提高數據的可靠性。針對設備運行特性，我們設計了自適應采樣頻率調整策略，在設備負載發生變化時可動態調整采樣頻率，既保證了關鍵時刻的數據精度又降低了數據存儲壓力，從而提高了系統運行效率^[2]。如表1所示，不同設備類型采用差異化的監測參數和采集頻率策略。

表1數據中心BAS系統關鍵監測參數及采集頻率

2.2　IBAS-BP融合算法設計原理

為解決傳統BP神經網絡容易陷入局部極小值的問題，我們專門設計了IBAS-BP融合算法，把改進天牛須搜索算法跟BP神經網絡進行結合。BP網絡構建起三層結構，輸入層負責接收設備運行的各類參數，隱藏層會進行復雜的非線性變換，輸出層用于預測設備可能出現的故障類型，天牛須搜索算法引入種群的概念，以此增強算法全局尋優的能力。該融合算法充分發揮出兩種算法的互補優勢，BP網絡具備強大的非線性映射和自學習能力，而IBAS算法擁有全局尋優以及跳出局部最優的特性。在實際應用過程中，其可依據不同設備的具體特性，對網絡結構開展針對性的優化工作，涵蓋隱藏層節點數量、激活函數選擇以及學習率調整等方面，提高了算法的泛化能力和魯棒性。

天牛觸角位置更新計算公式為式（1）：

式中：xil和xir為觸角位置；xi為天牛當前位置；d為步長；di為隨機方向向量。步長通過指數衰減更新，保證搜索從全局探索逐漸過渡到局部精細搜索。

2.3　天牛須搜索優化策略改進

本研究針對傳統天牛須搜索算法在高維優化問題里的局限性做多方面改進^[3]，包括：將搜索模式從單一個體擴展成種群并行搜索以此提高探索效率；引入動態步長機制讓算法初期用大步長進行全局搜索后期用小步長做局部精細搜索；設計精英保留機制來保存每輪最優個體并傳遞給下一代以加速收斂。改進后的算法在參數尋優過程中展現出更強的適應性和穩定性，尤其在處理設備狀態多變的復雜環境時優勢明顯。實驗對比表明，和傳統優化算法相比，改進后的IBAS在收斂速度和解的質量上都有顯著提升，在25維測試函數上收斂速度提升43%，且全局最優解查找成功率達97.3%（如圖2所示）。這些改進為BP神經網絡提供了更可靠的參數初始化方案，有效避免了網絡訓練陷入局部最優的風險。IBAS-BP模型的適應度函數為式（2）：

式中：MSE為均方誤差；k為樣本數量；tl為真實值；yl為預測值。該函數評價網絡參數優化效果，值越小表明預測越準確。IBAS優化后的參數作為BP網絡初始值，再通過梯度下降微調，形成全局優化與局部調整相結合的訓練模式。

圖2 改進天牛須搜索算法與傳統算法收斂性能對比

2.4　設備故障預測系統實現

依靠IBAS-BP融合算法實現高精度的設備故障預測系統，此系統把多設備傳感器參數當作輸入并結合維保記錄構建設備健康畫像。該系統分成數據層、算法層和應用層來負責數據預處理、模型部署以及可視化預警。針對不同設備構建包含35類典型故障的特征庫，模型采用增量學習策略定期融合新數據和故障案例以提升泛化能力，系統實現故障溯源功能可追蹤設備性能劣化時間線和關鍵節點^[4]。在實際應用里，系統能夠提前14～72小時預警潛在故障，且壽命預測準確率達92.7%，讓停機時間減少30%并使維護成本降低25%，為數據中心穩定運行提供了技術支撐。

3　BAS自動化控制技術效能評估

3.1　控制算法性能與優化效果

對IBAS-BP融合算法的控制性能開展系統評估，從算法收斂性、響應速度以及控制精度這三方面來進行。IBAS-BP算法在橫琴新區國際數據中心BAS系統里平均迭代次數僅38次，相比傳統BP算法減少65%，從而提高了系統響應速度。溫度控制精度從傳統方法的±1.2℃提高到±0.5℃，濕度控制精度從±5%RH提升至±2%RH，系統響應時間縮短42%，由8.5秒降至4.9秒，使其對負載突變的適應能力顯著增強。改進的天牛須搜索算法解決了BP網絡局部極小值問題，讓控制穩定性提升31%，系統擾動恢復時間減少27%，為數據中心環境控制提供了更可靠保障。

3.2　設備故障預測準確性驗證

采用混淆矩陣、精確率、召回率以及F1分數來對故障預測系統做評估，系統在35類典型故障預測當中平均準確率達到92.7%，相較于傳統規則診斷提高了23.6個百分點。系統針對軸承磨損、制冷劑泄漏等關鍵故障預測準確率分別達到96.4%和94.8%，且能提前14～72小時預警，設備剩余使用壽命預測準確率達到98.5%，平均誤差僅為±6.2天。系統對未訓練故障模式識別準確率達到85.3%，表現出良好自適應性，大幅降低了數據中心運維風險和服務中斷頻率。系統與其他預測模型對比分析情況如表2所示。

表2 IBAS-BP與傳統預測模型在設備故障預測中的性能對比

3.3　系統可靠性與運維效率提升

IBAS-BP融合算法應用后，系統平均無故障運行時間從1850小時提升至2780小時，增長50.3%；數據中心PUE值從1.42降至1.35，年節電43.8萬度，減少碳排放436噸；設備計劃外停機時間減少30%，維護成本降低25%，年運維成本節省約180萬元；系統可用性達99.98%，提升0.46個百分點，故障應急響應時間從45分鐘縮短至15分鐘；預測性維護策略使設備維修從被動響應轉為主動預防，維護效率提升38%，人員工作量減少25%；在極端環境下系統穩定性提高42%，為數據中心7×24小時運行提供了技術支撐。

4　結語

數據中心BAS系統自動化控制技術實驗研究顯示，基于人工智能控制策略可顯著提升數據中心運行效率，基于IBAS-BP融合算法的設備故障預測模型準確率達到92.7%，進而顯著提高了系統運行可靠性。本研究通過改進天牛須搜索算法解決了傳統BP神經網絡易陷入局部極小值問題，且預測迭代次數僅38次，平均誤差低至0.1%，設備剩余使用壽命預測準確率達到98.5%，能減少停機時間30%以上。未來需著重開展人工智能技術深度融合、提升多維數據挖掘與分析能力，以及優化預測性維護策略工作，以為數據中心提供更高效可靠的自動化控制解決方案。

作者簡介：

朱　俊（1987-），男，湖北當陽人，中級工程師，學士，現就職于珠海大橫琴科技發展有限公司，研究方向為機電工程控制工程。

參考文獻：

[1]吳靖.基于PLC的大型數據中心BA系統設計與應用[J].化工設計通訊,2024,50(06):122-125.

[2]黃贇,陳強,葛鴿,等.數據中心冷卻系統運維技術研究進展[J].制冷技術,2024,44(S1):76-94.

[3]宋大鵬,楊曉飛,王俊,等.基于改進天牛須搜索算法的傳感器網絡覆蓋優化策略[J].計算機與數字工程,2023,51(03):539-544+583.

[4]熊峰,龍紅葉,胡小梅,等.動量因子BP神經網絡算法在設備故障預測中的應用[J].制造業自動化,2011,33(23):13-16.

摘自《自動化博覽》2025年10月刊