【技术实现步骤摘要】
本专利技术涉及过热管理的，尤其涉及一种基于人工智能多模态大模型的机房过热管理方法及系统。
技术介绍
1、机房作为各类信息技术设备的集中地，其运行多维度机房空间的稳定性至关重要。而机房过热管理则是保障机房正常运行的关键因素之一。机房内众多设备在运行过程中会产生大量热量，如果不能及时有效地散发这些热量，温度就会不断升高，进而对设备造成严重损害。过热会加速电子元件的老化，缩短设备的使用寿命，增加设备故障的风险，可能导致系统崩溃、数据丢失等问题，给企业带来不可估量的损失。同时，过热还可能引发过热超上限等安全事故。机房过热管理能够通过合理的散热设计、温度监测等手段，确保机房温度维持在适宜范围内，降低安全风险。此外，良好的机房过热管理有助于提升设备的性能和效率，保证系统的稳定运行，为企业的业务开展提供可靠的技术保障。因此，重视机房过热管理，采取科学有效的措施来控制机房温度，是保障机房安全、稳定、高效运行的必要条件，必须将其视为机房管理的重点。目前技术在这方面存在明显不足，无法实现资源的高效利用，从而影响整体机房过热管理的效率和效果。
技术实现思路
1、本专利技术提出通过人工智能多模态大模型应用为机房过热管理提供了新的思路和手段。一种基于人工智能多模态大模型的机房过热管理方法，实现机房过热风险的精准预测和快速响应，为现代机房过热管理提供一种高效、稳定、可靠、智能的新方案。
2、本专利技术提供了一种基于人工智能多模态大模型的机房过热管理方法及系统，用于解决如何实现机房过热风险的精准预测
3、本专利技术中，所述机房过热风险评估预测模型为预先构建的人工智能多模态大模型，所述采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据的步骤之前，包括：获取与第一机房过热监控区域相关的第一训练数据；其中，第一训练数据包括训练多模态第三数据、训练多模态第四数据、训练多模态第五数据，以及对机房过热设备的影响标签结果；将所述第一训练数据输入至初始机房过热风险评估预测模型中，预测得到对机房过热设备的影响预测结果；计算影响标签结果与影响预测结果之间的损失值，并迭代调整初始机房过热风险评估预测模型的模型参数，以最小化所述损失值，得到机房过热风险评估预测模型。
4、本专利技术中，所述采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据的步骤之前，包括：收集与机房过热安全相关的多模态数据，将所述多模态数据输入至初始构建的人工智能多模态大模型中；其中，所述多模态数据至少包括历史过热超上限数据、实时多维度机房空间监测数据、机房内仪器数据和分布数据、安全设备状态数据，以及机房过热模拟运行反馈数据；所述初始构建的人工智能多模态大模型由多维度机房空间监测分项模型、历史过热超上限分析分项模型、机房内仪器安全评估分项模型、机房过热设施状态监测分项模型、机房过热响应模拟分项模型组成，每个分项模型侧重于不同的机房过热数据评估维度；基于多维度机房空间监测分项模型，通过解析实时多维度机房空间监测数据，预测导致过热超上限的高危多维度机房空间条件，输出多维度机房空间风险指标；基于历史过热超上限分析分项模型，通过分析历史过热超上限数据，识别过热超上限发生的模式和常见原因，输出历史风险模式指标；基于机房内仪器安全评估分项模型，根据机房内仪器数据和分布数据，评估在过热超上限情况下的机房内仪器恢复运行难度，输出机房内仪器安全指标；通过机房过热设施状态监测分项模型，解析安全设备状态数据，监测机房过热设备的工作状态，确保实时反应能力，输出设施运行效率指标；通过机房过热响应模拟分项模型，解析机房过热模拟运行反馈数据，模拟过热超上限发生时的应急响应流程，预测响应效率，输出响应能力指标；从多模态数据中提取的预设的标准值；并根据构建的人工智能多模态大模型中各个分项模型的输出与预设的标准值之间的差异，计算误差值；其中，所述误差值为预测指标与实际标准指标的偏差；基于预设的优化策略，逐步调整人工智能多模态大模型中各个分项模型的参数，以最小化各项误差值，完成人工智能多模态大模型的训练；其中，训练完成的人工智能多模态大模型用于对各个机房过热监控区域进行多维度的机房过热数据评估。
5、本专利技术中，所述基于所述机房过热风险评估预测值，对所述多模态第二数据进行优化更新处理，得到优化更新后的多模态第二数据，包括：基于预设的第一优化更新规则，构建所述多模态第一数据与所述多模态第二数据之间的多模态第一数据优化更新模型；基于预设的第二优化更新规则，构建机房过热风险评估预测值与所述多模态第二数据之间的多模态第二数据优化更新模型；通过所述多模态第一数据优化更新模型对所述多模态第二数据进行第一优化更新，得到第一安全初步优化更新结果；通过所述多模态第二数据优化更新模型对所述多模态第二数据进行第二优化更新，得到第二安全初步优化更新结果；基于预设的数据融合策略，对所述第一安全初步优化更新结果和所述第二安全初步优化更新结果进行数据融合，得到目标优化更新结果；根据所述目标优化更新结果，对所述多模态第二数据进行优化更新，得到优化更新后的多模态第二数据。
6、本专利技术中，所述预设的标准值包括在最佳安全状态下的实际多维度机房空间风险指标、实际历史风险模式指标、实际机房内仪器安全指标、实际设施运行效率指标、实际响应能力指标。
7、本专利技术，提供了一种基于人工智能多模态大模型的机房过热管理系统，所述基于人工智能多模态大模型机房过热管理系统包括：数据采集模块，用于采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据；其中，所述多模态第一数据至少包括多模态第三数据、多模态第四数据、多模态第五数据，所述多模态第二数据至少包括多模态第六数据；评估预测模块，用于将所述多模态第一数据输入至机房过热风险评本文档来自技高网...
【技术保护点】
1.一种基于人工智能多模态大模型的机房过热管理方法，其特征在于：采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据；其中，所述多模态第一数据至少包括多模态第三数据、多模态第四数据、多模态第五数据，所述多模态第二数据至少包括多模态第六数据、多模态第七数据；将所述多模态第一数据输入至机房过热风险评估预测模型中，得到机房过热风险评估预测值；基于所述机房过热风险评估预测值，对所述多模态第二数据进行优化更新处理，得到优化更新后的多模态第二数据；计算第一机房过热监控区域和第二机房过热监控区域的潜在隐患风险相关度，得到目标潜在隐患风险相关系数；将所述目标潜在隐患风险相关系数和所述优化更新后的多模态第二数据输入至机房过热告警策略模型，得到对应的机房过热告警策略；基于所述机房过热告警策略，从第一机房过热监控区域和第二机房过热监控区域中选取具有最高风险的三个监控区域作为重点过热管理目标;输出结果并告警；所述机房过热风险评估预测模型为预先构建的人工智能多模态大模型；所述机房过热告警策略模型经过提前训练得到。
2.根据权利要求1所述的一种基于人工智能
3.一种基于人工智能多模态大模型的机房过热管理系统，其特征在于包括：数据采集模块，用于采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据；其中，所述多模态第一数据至少包括多模态第三数据、多模态第四数据、多模态第五数据，所述多模态第二数据至少包括多模态第六数据；评估预测模块，用于将所述多模态第一数据输入至机房过热风险评估预测模型中，得到机房过热风险评估预测值；其中，所述机房过热风险评估预测模型为预先构建的人工智能多模态大模型；优化更新模块，用于基于所述机房过热风险评估预测值，对所述多模态第二数据进行优化更新处理，得到优化更新后的多模态第二数据；...
【技术特征摘要】
1.一种基于人工智能多模态大模型的机房过热管理方法，其特征在于：采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据；其中，所述多模态第一数据至少包括多模态第三数据、多模态第四数据、多模态第五数据，所述多模态第二数据至少包括多模态第六数据、多模态第七数据；将所述多模态第一数据输入至机房过热风险评估预测模型中，得到机房过热风险评估预测值；基于所述机房过热风险评估预测值，对所述多模态第二数据进行优化更新处理，得到优化更新后的多模态第二数据；计算第一机房过热监控区域和第二机房过热监控区域的潜在隐患风险相关度，得到目标潜在隐患风险相关系数；将所述目标潜在隐患风险相关系数和所述优化更新后的多模态第二数据输入至机房过热告警策略模型，得到对应的机房过热告警策略；基于所述机房过热告警策略，从第一机房过热监控区域和第二机房过热监控区域中选取具有最高风险的三个监控区域作为重点过热管理目标;输出结果并告警；所述机房过热风险评估预测模型为预先构建的人工智能多模态大模型；所述机房过热告警策略模型经过提前训练得到。
2.根据权利要求1所述的一种基于人工智能多模态大模型的机房过热管理方法，其特征在于：所述采集与第一机房过热监控区域相关的多模态第一数据以及与第二机房过热监控区域相关的多模态第二数据的步骤之前，包括：收集与机房过热安全相关的多模态数据，将所述多模态数据输入至初始构建的人工智能多模态大模型中；其中，所述多模态数据至少包括历史过热超上限数据、实时多维度机房空间监测数据、机房内仪器数据和分布数据、安全设备状态数据，以及机房过热模拟运行反馈数据；所述初始构建的人工智能多模态大模型由多维度机房空间监测分项模型、历史过热超上限分析分项模型、机房内仪器安全评估分项模型、机房过热设施状态监测分项模型、机房过热响应模拟分项模型组成，每个分项模型侧重于不同的机房过热数据评估维度；基于多维度机房空间监测分项模型，通过解析实时多维度机房空间监测数据，预测导致过热超上限的高危多维度机房空间条件，输出多维度机房空间风险指标；基于历史过热超上限分析分项模型，通过分析历史过热超上限数据，识别过热超上限发生的模式和常见原因，输出历史风险模式指标；基于机房内仪器安全评估分项模型，根据机房内仪器数据和分布数据，评估在过热超上限情况下的机房内仪器恢复运行难度，输出机房内仪器安全指标；通过机房过热设施状态监测分项模型，解析安全设备状态数据，监测机房过热设备的工作状态，确保实时反应能力，输出设施运行效率指标；通过机房过热响应模拟分项模型，解析机房过热模拟运行反馈数据，模拟过热超上限发生时的应急响应流程，预测响应效率，输出响应能力指标；从多模态数据中提取的预设的标准值；并根据构建的人工智能多模态大模型中各个分项模型的输出与预设的标准值之间的差异，计算误差值；其中，所述误差值为预测指标与实际标准指标的偏差；基于预设的优化策略，逐步调整人工智能多模态大模...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。