Новости · Инструменты

Графовая нейросеть ищет утечки в охлаждении ЦОД по схеме контура

Исследователи ВШЭ и УрФУ предложили метод раннего обнаружения утечек хладагента и загрязнения теплообменников: нейросеть учитывает физические связи между узлами холодильного контура и замечает отклонения раньше отдельных датчиков.

Редакция DeepMe
· 2 мин чтения
Керамические детали, соединённые бумажными лентами в контур, с разрывом одной ленты и отдельной карточкой рядом.
Иллюстрация к теме новости
Первоисточник: science.mail.ruМатериал источника от 17.11.2026

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.

Системы охлаждения забирают 30–50% энергопотребления дата-центра, но их неисправности редко выглядят как авария. Утечка хладагента или постепенное загрязнение теплообменника снижают эффективность исподволь, а отдельные датчики могут не показывать ничего тревожного. Исследователи НИУ ВШЭ и УрФУ предложили искать такие отклонения с помощью графовой нейронной сети, которая знает, как элементы холодильного контура связаны друг с другом. Работа опубликована в IEEE Transactions on Industry Applications.

Графовая нейросеть — это модель, работающая не с плоским набором признаков, а с узлами и связями между ними. Здесь узлы — компрессор, испаритель, конденсатор и другие части контура, а рёбра отражают реальную схему. Модель обучают на данных исправного оборудования: она предсказывает ожидаемые показатели, и если фактические значения устойчиво расходятся с прогнозом, алгоритм сообщает об аномалии.

Что показали испытания на стенде

Метод проверили на стенде компании «ДАТАРК» — по данным пресс-службы ВШЭ, использовались показания 12 датчиков и 4 расчётных величины. Смоделировали четыре сценария ухудшения работы: две утечки хладагента и два случая загрязнения оборудования. В одном из сценариев утечки метрика F1 достигла 0,87. F1 — это сводная оценка точности и полноты: единица означает идеальное совпадение с реальными неисправностями, ноль — бесполезные срабатывания или полные пропуски. Загрязнение теплообменника, по сообщению, выявлялось в среднем через 200 минут после появления проблемы.

Авторы утверждают, что учёт физических связей повысил точность и сократил время реакции по сравнению с альтернативными алгоритмами. Детали этого сравнения — какие именно алгоритмы брались за базу и на каких данных — в пересказе не раскрыты, поэтому цифры стоит воспринимать как результат разработчиков на одном стенде, а не как независимую проверку.

Где заканчивается доказанное

Испытания шли на смоделированных неисправностях и ограниченном наборе оборудования. Следующий этап, который называют исследователи, — проверка на большем объёме данных и в реальных ЦОД. Именно там станет ясно, выдержит ли подход шум, сезонные колебания нагрузки и разнообразие контуров. Пока же это скорее многообещающий прототип мониторинга, чем готовый продукт: о сроках внедрения и доступности для эксплуатантов дата-центров источник не сообщает.

Для инженеров и аналитиков, которые работают с промышленным ИИ, ценность работы в другом: она показывает, как предметное знание о схеме системы встраивается прямо в архитектуру модели. Такой подход применим не только к холодильным контурам — авторы говорят о возможной адаптации к другим инженерным системам, где важны связи между узлами, а не только показания отдельных датчиков.