本發(fā)明屬于圖像處理技術(shù)領(lǐng)域,具體的說是涉及一種基于紅外圖像的服務(wù)器熱故障監(jiān)測及診斷方法。
背景技術(shù):
在數(shù)據(jù)中心規(guī)模高速擴張的同時,服務(wù)器的高密度集成導致其發(fā)熱量增長,為了使服務(wù)器在合適環(huán)境下正常運行,而不致發(fā)生由于溫度過高引發(fā)的宕機事故,很多數(shù)據(jù)中心不得不提高制冷空調(diào)的功率,這樣造成數(shù)據(jù)中心能耗高、效率低下的現(xiàn)象。因此,精準地監(jiān)測與控制機房溫度,提高空調(diào)制冷效率、實現(xiàn)數(shù)據(jù)中心的節(jié)能降耗成為數(shù)據(jù)中心建設(shè)和維護過程中不可忽視的問題。
具體的說,數(shù)據(jù)中心內(nèi)部溫度分布不平衡現(xiàn)象是影響制冷效率的主因之一,數(shù)據(jù)中心中超高熱服務(wù)器數(shù)量約占5%。由此可見我們既需要解決這5%的超高熱機柜的散熱問題,也需要很好地解決大多數(shù)“高熱”機柜的散熱問題。同時需要說明的是,我們不能用“超高熱”散熱方法解決“高熱”機柜的散熱問題,也不能用常規(guī)機房空調(diào)的方法來解決“過熱”問題。如通過調(diào)整負載分布,調(diào)整制冷資源分布,或人工作業(yè)等方式,排除局部高溫或高熱源頭(簡稱熱點),進而可以實現(xiàn)平衡溫度的目的。因此需要對數(shù)據(jù)中心內(nèi)部環(huán)境溫度場進行有效感知和分析。
目前,對大型數(shù)據(jù)中心的溫度場測量,通用的方法是將大量溫度傳感器置于數(shù)據(jù)中心關(guān)鍵位置;然后,通過某種方法收集所有傳感器的測量數(shù)據(jù)。早期的測量方法使用的是有線傳感器,但是昂貴的安裝及配置成本阻礙其廣泛使用。雖然無線傳感器具有低成本、無侵入式測量等優(yōu)點,但是chieh-janmikeliang等人在“racnet:ahigh-fidelitydatacentersensingnetwork”文中指出了數(shù)據(jù)中心的電磁環(huán)境不利于傳感器網(wǎng)絡(luò)的大規(guī)模無線通信。另外,無論采用上述何種傳感器網(wǎng)絡(luò)覆蓋一個大型數(shù)據(jù)中心,都要解決對上萬節(jié)點的三維坐標標定、后期維護、數(shù)據(jù)管理等問題。同時,溫度傳感器空間分辨率不足,無法得到熱點的詳細信息。若傳感器沒有部署在合適的位置,我們不能準確地獲得的熱點的大小及溫度最值,這將無法為后續(xù)處理提供充分的信息。
技術(shù)實現(xiàn)要素:
鑒于已有技術(shù)存在的缺陷,本發(fā)明的目的是要提供一種基于紅外圖像的服務(wù)器熱故障監(jiān)測及診斷方法,該方法利用紅外圖像溫度與灰度之間的關(guān)系,感知服務(wù)器溫度異常點,從而對服務(wù)器熱故障狀態(tài)進行判斷,極大地提高了數(shù)據(jù)中心管理人員的管理效率,便于工程調(diào)試和系統(tǒng)維護,同時提高數(shù)據(jù)中心空調(diào)系統(tǒng)的制冷效率,利于數(shù)據(jù)中心節(jié)能減排。
為了實現(xiàn)上述目的,本發(fā)明的技術(shù)方案:
一種基于紅外圖像的服務(wù)器熱故障監(jiān)測及診斷方法,其特征在于,包括如下步驟:
步驟1、采集服務(wù)器不同熱故障狀態(tài)下的紅外圖像及可見光圖像,使得每一熱故障狀態(tài)對應服務(wù)器的一種熱故障狀態(tài)類型;
步驟2、基于圖像配準的標準化方法對每一種熱故障狀態(tài)下的兩幅圖像進行傾斜校正處理,并采用手動分割方法確定紅外圖像中感興趣區(qū)域,所述感興趣區(qū)域至少包含服務(wù)器所在區(qū)域;
步驟3、對所確定的感興趣區(qū)域的圖像轉(zhuǎn)換成對應的灰度圖像并基于圖像灰度分布的特征,自所述灰度圖像中提取所對應的圖像熵特征,以獲得與當前所提取的紅外圖像相對應的圖像灰度分布的聚集特征以及空間特征;所述的圖像熵特征包括圖像的全局熵和局部熵行列均值;
步驟4、采用pca方法對所提取的全局熵以及局部熵行列均值特征進行降維處理;
步驟5、基于經(jīng)步驟4處理后的全局熵的主成分以及局部熵行列均值特征的主成分,并通過支持向量機分類器進行訓練,以獲得各熱故障狀態(tài)下各自所對應的診斷模型;
步驟6、采集待檢測的服務(wù)器所對應的紅外圖像及可見光圖像,經(jīng)步驟2-4處理后,通過所述診斷模型診斷出其所對應的服務(wù)器的熱故障狀態(tài)類型。
進一步的,所述步驟2包括如下步驟:
步驟21、使得紅外熱像儀和可見光照相機位于同一拍攝位置并采集服務(wù)器的圖像數(shù)據(jù);
步驟22、使得紅外熱像儀所采集的圖像數(shù)據(jù)以及可見光照相機所采集的圖像數(shù)據(jù)被調(diào)整至同一圖像分辨率;
步驟23、建立被調(diào)整的兩幅圖像數(shù)據(jù)之間一對一的像素關(guān)系,以獲得可見光照相機所采集的圖像數(shù)據(jù)上任意位置所對應的溫度數(shù)據(jù),進而完成兩幅圖像的圖像配準工作;
步驟24、將圖像的溫度分布特征幾何變換至一個標準的模板;該模板是與服務(wù)器實際長寬成比例的標準矩形。
進一步的,所述步驟3包括如下步驟:
步驟31、將所確定的感興趣區(qū)域的圖像轉(zhuǎn)換成對應的灰度圖像;
步驟32、對所述灰度圖像進行圖像的全局熵特征提取,即灰度圖像的全局灰度熵h(i)對應的公式,如下式所示:
其中,pi表示圖像中灰度值為i的像素所占的比例;
步驟33、對所述灰度圖像進行圖像的局部熵特征提取,即首先將圖像的像素灰度與圖像的鄰域灰度均值組成特征二元組,記為(i,j),則某像素位置上的灰度值與其周圍像素灰度分布的綜合特征為
步驟34、將圖像的局部熵特征的行列均值作為服務(wù)器熱故障診斷的圖像特征參數(shù);其中所述的局部熵行均值是指計算圖像中每一行的像素的局部熵均值;所述的局部熵列均值是指計算圖像中每一列的像素的局部熵均值。
與現(xiàn)有技術(shù)相比,本發(fā)明的有益效果:
本發(fā)明通過采用紅外熱像儀監(jiān)測大型數(shù)據(jù)中心溫度場,能夠更加直觀通過紅外圖像實時監(jiān)測服務(wù)器運行狀態(tài),發(fā)現(xiàn)異常溫度特征,高效識別出務(wù)器熱故障成因,從而為數(shù)據(jù)中心管理人員提供工程維護參考,同時平衡數(shù)據(jù)中心內(nèi)部溫度場的溫度,以提高空調(diào)系統(tǒng)的制冷效率。
附圖說明
圖1是本發(fā)明所述方法對應的步驟流程框圖;
圖2是服務(wù)器在不同故障情況下運行的紅外圖像;
圖3是服務(wù)器在不同故障情況下運行的紅外圖像標準化后的圖像。
具體實施方式
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點更加清楚,下面將結(jié)合本發(fā)明實施例中的附圖,對本發(fā)明的技術(shù)方案進行清楚、完整地描述,顯然,所描述的實施例是本發(fā)明一部分實施例,而不是全部的實施例。基于本發(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。
鑒于目前采用的溫度傳感器測量數(shù)據(jù)中心溫度場的方法的不足之處(但是不論使用有線或者無線傳感器網(wǎng)絡(luò),都要解決對上萬節(jié)點的三維坐標標定、后期維護、數(shù)據(jù)管理等問題,工作量巨大。另外傳感器分辨率不高,無法提供熱點的充分信息。),本發(fā)明提出了一種采用基于紅外圖像的服務(wù)器熱故障監(jiān)測及診斷方法,其通過提取服務(wù)器紅外圖像的特征信息即基于全局熵及局部熵行列均值特征的紅外圖像處理技術(shù),來對服務(wù)器熱故障進行監(jiān)測及診斷,以識別服務(wù)器處于何種熱故障狀態(tài),從而診斷出服務(wù)器的高溫成因,進而達到優(yōu)化數(shù)據(jù)中心管理,提高空調(diào)制冷效率目的。其中,紅外熱成像技術(shù)(irt)具有非接觸檢測、無電磁干擾、安全可靠和監(jiān)測范圍大等優(yōu)點。相比溫度傳感器,熱成像攝像頭可以獲取更直觀的二維熱分布圖像,利用圖像處理技術(shù)能夠進一步的分析熱點即用紅外圖像溫度與灰度之間的關(guān)系,感知服務(wù)器溫度異常點,從而對服務(wù)器熱故障狀態(tài)進行判斷,極大地提高了數(shù)據(jù)中心管理人員的管理效率,便于工程調(diào)試和系統(tǒng)維護,同時提高數(shù)據(jù)中心空調(diào)系統(tǒng)的制冷效率,利于數(shù)據(jù)中心節(jié)能減排。且可實現(xiàn)在無需停機的情況下監(jiān)測電氣設(shè)備故障方面,因而紅外熱像技術(shù)扮演很重要的角色。
基于上述原理,本發(fā)明所述的一種基于紅外圖像的服務(wù)器熱故障監(jiān)測及診斷方法,其特征在于,包括如下步驟:
如圖1,步驟1、采集服務(wù)器不同熱故障狀態(tài)下的紅外圖像及可見光圖像;,使得每一熱故障狀態(tài)對應服務(wù)器的一種熱故障狀態(tài)類型;其中采用紅外熱像儀拍攝服務(wù)器不同熱故障狀態(tài)下的紅外圖像。
步驟2、利用基于圖像配準的標準化方法對每一種熱故障狀態(tài)下的兩幅圖像進行傾斜校正處理,并采用手動分割方法得到紅外圖像中包含服務(wù)器的感興趣區(qū)域;由于紅外相機的拍攝角度及距離的差異性,導致在拍攝過程中服務(wù)器紅外圖像出現(xiàn)扭曲變形的現(xiàn)象,這樣會對后續(xù)的圖像處理操作產(chǎn)生一定不良影響。因此在對服務(wù)器分割之前需要對其進行標準化傾斜校正處理;所述步驟2包括如下步驟:步驟21、使得紅外熱像儀和可見光照相機位于同一拍攝位置并采集服務(wù)器的圖像數(shù)據(jù);步驟22、使得紅外熱像儀所采集的圖像數(shù)據(jù)以及可見光照相機所采集的圖像數(shù)據(jù)被調(diào)整至同一圖像分辨率;步驟23、建立被調(diào)整的兩幅圖像數(shù)據(jù)之間一對一的像素關(guān)系,以獲得可見光照相機所采集的圖像數(shù)據(jù)上任意位置所對應的溫度數(shù)據(jù),進而完成兩幅圖像的圖像配準工作。步驟24、圖像配準后,將其溫度分布幾何變換至一個與服務(wù)器實際長寬成比例的標準矩形模板。這樣我們就能知道可見光圖像上任意位置的溫度,便于后期的特征提取,所述幾何變換是指采用數(shù)字圖像處理技術(shù)中所采用的幾何變換法對其進行位置變換。
步驟3、對所確定的感興趣區(qū)域圖像轉(zhuǎn)換成對應的灰度圖像并基于圖像灰度分布的特征,對其提取全局熵以及局部熵行列均值特征,以獲得與當前所提取的紅外圖像相對應的圖像灰度分布的聚集特征以及空間特征,所述的圖像熵特征包括圖像的全局熵和局部熵行列均值;由于紅外圖像的灰度值與其溫度之間的線性關(guān)系下述公式所示關(guān)系:
其中t代表灰度圖像某點的溫度值,i代表該點的灰度值,tmax與tmin分別代表圖像區(qū)域溫度的最大值與最小值。且根據(jù)香農(nóng)熵定理,熵是信息論中事件出現(xiàn)概率的不確定性的量度,能有效反映事件包含的信息。因此對于一幅正常運行的服務(wù)器紅外圖像而言,其熱量分布是確定的。當有熱點出現(xiàn)時,圖像的熱量分布遭到破壞,其熵值也會發(fā)生變化。則可通過獲得圖像中灰度分布的聚集特征以及空間特征來進行特征提取。所述步驟3包括如下步驟:步驟31、對所確定的感興趣區(qū)域圖像轉(zhuǎn)換成對應的灰度圖像;步驟32、圖像的全局熵表示圖像中灰度分布的聚集特征所包含的信息量,對于一幅256級灰度圖像i而言,每個像素的灰度值可能是0~255級灰度中的某一級,令pi表示圖像中灰度值為i的像素所占的比例,則定義灰度圖像的全局灰度熵即對所述灰度圖像進行圖像的全局熵特征提取,即灰度圖像的全局灰度熵h(i)對應的公式,如下式所示:
其中,pi表示圖像中灰度值為i的像素所占的比例;
步驟33、對于一幅圖像來說,圖像的全局熵雖然可以表示圖像灰度分布的聚集特征,卻不能反映圖像灰度分布的空間特征,為了表達這種空間特征,本發(fā)明在全局熵的基礎(chǔ)上引入圖像的局部熵;即對所述灰度圖像進行圖像的局部熵特征提取,即選擇圖像的鄰域灰度均值作為灰度分布的空間特征量,具體的首先將圖像的像素灰度與圖像的鄰域灰度均值組成特征二元組,記為(i,j),則某像素位置上的灰度值與其周圍像素灰度分布的綜合特征為
步驟34、為了提取局部熵的統(tǒng)計特征,本發(fā)明將圖像的局部熵行列均值作為服務(wù)器熱故障診斷的圖像特征參數(shù);其中所述的局部熵行均值是指計算圖像中每一行的像素的局部熵均值;所述的局部熵列均值是指計算圖像中每一列的像素的局部熵均值;例如,對于一幅尺寸為x×y的圖像來說,對每一行(列)像素,計算該行(列)的局部熵均值。因此,一幅尺寸為x×y的圖像,其局部熵行列均值的個數(shù)分別為x與y。圖像的局部熵行列均值分別反映了圖像的行像素和列像素的灰度不均勻程度及像素鄰域內(nèi)灰度分布的特征,因此增加圖像局部熵行列均值作為圖像特征有助于服務(wù)器熱故障診斷。
步驟4、考慮到本發(fā)明所需要的實時性,對所提取的全局熵以及局部熵行列均值特征,采用pca方法進行特征降維處理。主成分分析是利用降維的思想,通過數(shù)學分析和處理,在損失很少信息的前提下把多個指標轉(zhuǎn)化為幾個綜合指標的多元統(tǒng)計方法。通常把轉(zhuǎn)化成的綜合指標稱之為主成分,其中每個主成分都是原始變量的線性組合,且各個主成分之間互不相關(guān),這就使得主成分比原始變量信息更加具有代表性,同時使問題得到簡化,提高分析能力。基于以上理論知識,本發(fā)明提出了用pca方法提取圖像全局熵和局部熵行列均值特征主成分,目的是在不損失原始特征數(shù)據(jù)的基礎(chǔ)上降低訓練樣本維數(shù),以加快數(shù)據(jù)處理速度。
步驟5、本發(fā)明采用步驟4處理后的圖像全局熵和局部熵行列均值特征的主成分來訓練支持向量機分類器,優(yōu)化與每一種熱故障狀態(tài)下相對應的分類參數(shù),最終獲得各熱故障狀態(tài)下的服務(wù)器熱故障診斷模型;本步驟的基本思想為:將圖像全局熵及局部熵行列均值特征經(jīng)過pca處理后得到的主成分用于訓練svm分類器,從而獲得故障分類模型,進而診斷出服務(wù)器的熱故障。這一過程中分類器核函數(shù)的選擇及其參數(shù)設(shè)置具有決定性作用。具體的,由于svm的核函數(shù)包括:線性核函數(shù)、多項式核函數(shù)、rbf核函數(shù)(徑向基核函數(shù))、sigmoid核函數(shù);本例在參考大多數(shù)svm實例的基礎(chǔ)上,選擇rbf核函數(shù)進行高維空間映射。同時采用網(wǎng)格搜索方法調(diào)整參懲罰參數(shù)c以及rbf核函數(shù)參數(shù)g來優(yōu)化svm分類效果;所述網(wǎng)格搜索法的基本原理是讓c和g參數(shù)在一定的范圍劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有點進行取值,對于取定的c和g參數(shù),利用5折交叉驗證方法得到在此組c和g參數(shù)下驗證的分類準確率,最終使得訓練驗證分類準確率最高的那組c和g作為最佳的參數(shù)因此可見?;趕vm的分類結(jié)果,我們可以分析服務(wù)器的熱故障原因。
步驟6、采集待檢測的服務(wù)器所對應的紅外圖像及可見光圖像,經(jīng)步驟2-4處理后,通過svm分類模型診斷出所述服務(wù)器的熱故障狀態(tài)類型;進而為數(shù)據(jù)中心管理人員提供工程調(diào)試及系統(tǒng)維護的參考,平衡數(shù)據(jù)中心內(nèi)部溫度提高空調(diào)制冷效率,節(jié)省數(shù)據(jù)中心能耗。
下面結(jié)合具體實例對本發(fā)明所述方案作以具體說明:
實驗背景:本實驗采用一臺dell710服務(wù)器進行研究,對其設(shè)置四種不同的故障狀態(tài),其分別為(1)服務(wù)器主風扇損壞;(2)服務(wù)器進風口空氣流通不暢;(3)服務(wù)器滿負荷工作;(4)服務(wù)器內(nèi)部左側(cè)第2個cpu風扇損壞。
如圖2-圖3,其中,圖2中的(a)表示的是服務(wù)器主風扇損壞的紅外圖像,(b)表示的是服務(wù)器進風口空氣流通不暢的紅外圖像,(c)表示的是服務(wù)器滿負荷工作的紅外圖像,(d)表示的是服務(wù)器內(nèi)部左側(cè)第2個cpu風扇損壞的紅外圖像;相應的圖3中的(a)表示的是服務(wù)器主風扇損壞的標準化圖像,(b)表示的是服務(wù)器進風口空氣流通不暢的標準化圖像,(c)表示的是服務(wù)器滿負荷工作的標準化圖像,(d)表示的是服務(wù)器內(nèi)部左側(cè)第2個cpu風扇損壞的標準化圖像。),首先基于紅外熱像儀拍攝服務(wù)器四種故障狀態(tài)下的紅外圖像(如圖2所示)并將其作為研究對象即樣本數(shù)據(jù),每種狀態(tài)各拍攝255張紅外圖像,共計1020張紅外圖像,以下對四種故障服務(wù)器狀態(tài)紅外圖像進行相同的處理。
其次,由于紅外熱像儀的拍攝角度、距離等因素,導致待處理的服務(wù)器圖像扭曲變形,因此首先需要對其進行傾斜校正處理即利用基于圖像配準的標準化方法對每一熱故障狀態(tài)下的兩幅圖像進行傾斜校正處理以建立紅外圖像與可見光圖像一對一像素關(guān)系,這樣就能知道可見光圖像上任意位置的溫度,便于特征提取,并采用手動分割方法確定紅外圖像中包含服務(wù)器的感興趣區(qū)域圖像,隨后將感興趣區(qū)域圖像的溫度分布幾何映射到與實際服務(wù)器的尺寸成比例的標準矩形,如本發(fā)明映射到87×424像素的服務(wù)器圖像(如圖3所示),以備后續(xù)特征提取。
再次,對所確定的包含服務(wù)器的感興趣區(qū)域圖像轉(zhuǎn)換成對應的灰度圖像并基于圖像灰度分布的特征,對其全局熵以及局部熵行列均值特征提取,本例提取圖像全局熵1個特征;提取局部熵的行均值為87個特征,提取局部熵的列均值為424個特征,共計512個圖像特征數(shù)據(jù);
隨后采用pca方法對所獲得的全局熵以及局部熵行列均值特征進行降維處理;即為了滿足實驗的實時性需要,采用pca主成分分析的方法在保證99%的原始特征信息的基礎(chǔ)上進行降維處理,加快算法的處理速度,最后得到49維特征主成分并將其應用于svm分類器的分類。
將提取圖像全局熵以及局部熵行列均值特征的主成分用于訓練svm分類器,通過優(yōu)化每一中熱故障狀態(tài)下相對應的分類參數(shù),最終獲得服務(wù)器熱故障診斷模型。采集待檢測的服務(wù)器所對應的紅外圖像及可見光圖像,經(jīng)上述步驟處理后,診斷出所述服務(wù)器的熱故障狀態(tài)類型,進而分析服務(wù)器熱故障形成原因;本發(fā)明采用5折交叉驗證方法避免過學習與欠學習情況的發(fā)生,同時采用網(wǎng)格搜索法調(diào)整懲罰參數(shù)c與核函數(shù)參數(shù)g用于優(yōu)化svm模型。本發(fā)明將1020張服務(wù)器熱故障紅外圖像中的80%用于訓練svm分類器,其中的20%紅外圖像用于測試svm分類效果。實驗結(jié)果顯示,當c=1.4142,g=0.0442時,得到的最優(yōu)分類正確率為81%左右。本發(fā)明的結(jié)果可靠地預測了服務(wù)器存在的熱故障,為數(shù)據(jù)中心管理人員對服務(wù)器的維護工作提供參考建議,同時尋找到熱點服務(wù)器,提高數(shù)據(jù)中心空調(diào)系統(tǒng)的制冷效率,節(jié)約能源。本發(fā)明具有一定的實際使用價值。
以上所述,僅為本發(fā)明較佳的具體實施方式,但本發(fā)明的保護范圍并不局限于此,任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi),根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變,都應涵蓋在本發(fā)明的保護范圍之內(nèi)。