★珠海大横琴科技发展有限公司朱俊

关键词：数据中心；BAS系统；自动化控制；IBAS-BP模型；故障预测

数据中心作为信息时代的关键基础设施，其稳定运行与能效管理直接关系到信息系统可靠性与成本。其中，建筑自动化系统（Building Automation System，BAS）承担环境监控、设备控制以及能源管理等功能。传统控制方法存在集成度不足、缺乏自适应能力和数据分析能力薄弱等问题。先进BAS自动化控制技术可降低PUE值0.05～0.08，能够提升运行效率和可靠性。因此，深入研究数据中心BAS系统自动化控制技术，对提升控制精度、降低能耗和增强系统稳定性具有重要意义。横琴新区国际数据中心作为横琴粤澳深度合作区重要的新基建基础设施，为本研究提供了宝贵工程案例。

1　数据中心BAS自动化控制工程概况

1.1　横琴数据中心BAS系统控制需求与挑战

横琴新区国际数据中心对于完善横琴通信基础设施、电子政务建设，提高产业园区对科技、金融企业的吸引力有着重大意义；另一方面从国家政策、港珠澳地缘经济发展、横琴的定位布局和未来发展目标来看，横琴国际数据中心为粤港澳大湾区产业集群发展提供了重要的科技基础设施支撑，为协助合作区政府建设智慧城市奠定了良好的基础。其投资规模超2.8亿元人民币，设计规模约有332个标准机柜。该数据中心BAS系统面临着多项挑战，比如系统集成度不足使得各设备监控系统数据交互不畅形成信息孤岛；传统控制策略基于预设规则运行缺乏对复杂工况的自适应能力；虽采集大量设备运行数据，但数据挖掘与分析能力薄弱未能转化为决策支持信息^[1]。作为粤港澳大湾区的重要新基建基础设施，其还需解决庞大的数据流动、数据存储、数据挖掘、数据分析、数据处理、数据加工、数据应用以及算力资源调度等问题。这对BAS系统智能化控制提出了更高要求，亟需探索“跨域多维数据+横琴算力+湾区场景”的创新模式。

1.2　自动化控制系统总体架构设计

针对上面提到的挑战，我们专门设计了三层架构的BAS自动化控制系统。其现场层是由分布在配电房、电池室、空调主机房以及数据机房等场所的一体化采集器构成，可实时采集温度、湿度、电流等运行参数；控制层由区域控制器组合而成，负责执行控制逻辑和智能算法，进而实现供配电、空调和安防系统的自动控制；管理层会把监控信息上传到监控中心主机，以此实现集中管理与远程控制（如图1所示）。该架构搭建起统一的数据平台，能够打破信息孤岛现象，为子系统协同控制创造有利条件。引入人工智能技术，可让系统依据实时工况实现自适应控制，提高了系统对复杂环境的响应能力。

图1数据中心BAS系统分层控制工程结构图

2　BAS系统自动化控制技术实现

2.1　多源数据采集与处理机制

横琴新区国际数据中心BAS系统会产生大量异构数据，涵盖设备运行参数、维护记录以及系统日志等内容。因此，要建立统一环境监控系统，借助一体化采集器监测大约1000个传感器点位，数据处理工作包含去除重复数据、修正错误数据、填充缺失值等操作，并且要进行标准化处理，把各类参数归一化到[0，1]区间。系统采用流式处理和批处理相结合的方式，在确保异常能够实时预警的同时保留历史数据用于深度分析。数据质量控制采用多级校验机制，有范围检查、变化率检查和相关性检查等内容，以此提高数据的可靠性。针对设备运行特性，我们设计了自适应采样频率调整策略，在设备负载发生变化时可动态调整采样频率，既保证了关键时刻的数据精度又降低了数据存储压力，从而提高了系统运行效率^[2]。如表1所示，不同设备类型采用差异化的监测参数和采集频率策略。

表1数据中心BAS系统关键监测参数及采集频率

2.2　IBAS-BP融合算法设计原理

为解决传统BP神经网络容易陷入局部极小值的问题，我们专门设计了IBAS-BP融合算法，把改进天牛须搜索算法跟BP神经网络进行结合。BP网络构建起三层结构，输入层负责接收设备运行的各类参数，隐藏层会进行复杂的非线性变换，输出层用于预测设备可能出现的故障类型，天牛须搜索算法引入种群的概念，以此增强算法全局寻优的能力。该融合算法充分发挥出两种算法的互补优势，BP网络具备强大的非线性映射和自学习能力，而IBAS算法拥有全局寻优以及跳出局部最优的特性。在实际应用过程中，其可依据不同设备的具体特性，对网络结构开展针对性的优化工作，涵盖隐藏层节点数量、激活函数选择以及学习率调整等方面，提高了算法的泛化能力和鲁棒性。

天牛触角位置更新计算公式为式（1）：

式中：xil和xir为触角位置；xi为天牛当前位置；d为步长；di为随机方向向量。步长通过指数衰减更新，保证搜索从全局探索逐渐过渡到局部精细搜索。

2.3　天牛须搜索优化策略改进

本研究针对传统天牛须搜索算法在高维优化问题里的局限性做多方面改进^[3]，包括：将搜索模式从单一个体扩展成种群并行搜索以此提高探索效率；引入动态步长机制让算法初期用大步长进行全局搜索后期用小步长做局部精细搜索；设计精英保留机制来保存每轮最优个体并传递给下一代以加速收敛。改进后的算法在参数寻优过程中展现出更强的适应性和稳定性，尤其在处理设备状态多变的复杂环境时优势明显。实验对比表明，和传统优化算法相比，改进后的IBAS在收敛速度和解的质量上都有显著提升，在25维测试函数上收敛速度提升43%，且全局最优解查找成功率达97.3%（如图2所示）。这些改进为BP神经网络提供了更可靠的参数初始化方案，有效避免了网络训练陷入局部最优的风险。IBAS-BP模型的适应度函数为式（2）：

式中：MSE为均方误差；k为样本数量；tl为真实值；yl为预测值。该函数评价网络参数优化效果，值越小表明预测越准确。IBAS优化后的参数作为BP网络初始值，再通过梯度下降微调，形成全局优化与局部调整相结合的训练模式。

图2 改进天牛须搜索算法与传统算法收敛性能对比

2.4　设备故障预测系统实现

依靠IBAS-BP融合算法实现高精度的设备故障预测系统，此系统把多设备传感器参数当作输入并结合维保记录构建设备健康画像。该系统分成数据层、算法层和应用层来负责数据预处理、模型部署以及可视化预警。针对不同设备构建包含35类典型故障的特征库，模型采用增量学习策略定期融合新数据和故障案例以提升泛化能力，系统实现故障溯源功能可追踪设备性能劣化时间线和关键节点^[4]。在实际应用里，系统能够提前14～72小时预警潜在故障，且寿命预测准确率达92.7%，让停机时间减少30%并使维护成本降低25%，为数据中心稳定运行提供了技术支撑。

3　BAS自动化控制技术效能评估

3.1　控制算法性能与优化效果

对IBAS-BP融合算法的控制性能开展系统评估，从算法收敛性、响应速度以及控制精度这三方面来进行。IBAS-BP算法在横琴新区国际数据中心BAS系统里平均迭代次数仅38次，相比传统BP算法减少65%，从而提高了系统响应速度。温度控制精度从传统方法的±1.2℃提高到±0.5℃，湿度控制精度从±5%RH提升至±2%RH，系统响应时间缩短42%，由8.5秒降至4.9秒，使其对负载突变的适应能力显著增强。改进的天牛须搜索算法解决了BP网络局部极小值问题，让控制稳定性提升31%，系统扰动恢复时间减少27%，为数据中心环境控制提供了更可靠保障。

3.2　设备故障预测准确性验证

采用混淆矩阵、精确率、召回率以及F1分数来对故障预测系统做评估，系统在35类典型故障预测当中平均准确率达到92.7%，相较于传统规则诊断提高了23.6个百分点。系统针对轴承磨损、制冷剂泄漏等关键故障预测准确率分别达到96.4%和94.8%，且能提前14～72小时预警，设备剩余使用寿命预测准确率达到98.5%，平均误差仅为±6.2天。系统对未训练故障模式识别准确率达到85.3%，表现出良好自适应性，大幅降低了数据中心运维风险和服务中断频率。系统与其他预测模型对比分析情况如表2所示。

表2 IBAS-BP与传统预测模型在设备故障预测中的性能对比

3.3　系统可靠性与运维效率提升

IBAS-BP融合算法应用后，系统平均无故障运行时间从1850小时提升至2780小时，增长50.3%；数据中心PUE值从1.42降至1.35，年节电43.8万度，减少碳排放436吨；设备计划外停机时间减少30%，维护成本降低25%，年运维成本节省约180万元；系统可用性达99.98%，提升0.46个百分点，故障应急响应时间从45分钟缩短至15分钟；预测性维护策略使设备维修从被动响应转为主动预防，维护效率提升38%，人员工作量减少25%；在极端环境下系统稳定性提高42%，为数据中心7×24小时运行提供了技术支撑。

4　结语

数据中心BAS系统自动化控制技术实验研究显示，基于人工智能控制策略可显著提升数据中心运行效率，基于IBAS-BP融合算法的设备故障预测模型准确率达到92.7%，进而显著提高了系统运行可靠性。本研究通过改进天牛须搜索算法解决了传统BP神经网络易陷入局部极小值问题，且预测迭代次数仅38次，平均误差低至0.1%，设备剩余使用寿命预测准确率达到98.5%，能减少停机时间30%以上。未来需着重开展人工智能技术深度融合、提升多维数据挖掘与分析能力，以及优化预测性维护策略工作，以为数据中心提供更高效可靠的自动化控制解决方案。

作者简介：

朱　俊（1987-），男，湖北当阳人，中级工程师，学士，现就职于珠海大横琴科技发展有限公司，研究方向为机电工程控制工程。

参考文献：

[1]吴靖.基于PLC的大型数据中心BA系统设计与应用[J].化工设计通讯,2024,50(06):122-125.

[2]黄贇,陈强,葛鸽,等.数据中心冷却系统运维技术研究进展[J].制冷技术,2024,44(S1):76-94.

[3]宋大鹏,杨晓飞,王俊,等.基于改进天牛须搜索算法的传感器网络覆盖优化策略[J].计算机与数字工程,2023,51(03):539-544+583.

[4]熊峰,龙红叶,胡小梅,等.动量因子BP神经网络算法在设备故障预测中的应用[J].制造业自动化,2011,33(23):13-16.

摘自《自动化博览》2025年10月刊