Эффективная методика генерации синтетических данных для обучения ML-моделей диагностики аномалий в системах охлаждения ЦОД с помощью OpenModelica

Разработана динамическая модель системы охлаждения ЦОД в OpenModelica с использованием библиотеки DLR ThermoFluidStream для анализа аномалий (утечки хладагента, засорения). Предложена инновационная двухэтапная методика (имитация в OpenModelica + обработка в Python), позволяющая в 300 раз эффективнее синтезировать зашумленные данные для анализа отказов по сравнению с нативным моделированием. Модель позволяет воспроизводить критические сценарии в контролируемых условиях и предназначена для тестирования алгоритмов диагностики и оптимизации архитектуры систем охлаждения на этапе проектирования, а также позволяет генерировать синтетические данные для обучения предиктивных ML-моделей.

Ключевые слова: ЦОД, охлаждение, динамическое моделирование, OpenModelica, аномалии, синтез данных, Python, DLR ThermoFluidStream.