数据中心维护的未来发展

人工智能（AI）和高性能计算（HPC）加快了采用新的冷却和电源技术的步伐，加剧了数据中心维护中的资源可用性挑战，特别是规模和容量。

随着技术和操作需求的发展，传统的基于间隔的预防性维护方法可以得到改进，以进一步降低昂贵的设备停机风险。人工智能与机器学习算法的发展为帮助数据中心的维护计划变得具有预测性奠定了基础。

基于状态的维护（CBM）和高级监控服务利用设备数据生成健康评分和警报。现场工作人员可以使用这些信息来评估资产状况，并根据需要安排维护计划，改进了固定间隔的典型方法。通过先进的监控和数据中心服务，运营商可以提高运营效率，减少停机风险，并改善风险管理。

比较传统与基于状态的维护服务模型：维护的演变表明，落后的、传统的和领先的实践的变化和随后的组合使公司能够创建一个维护模型，优化其资产的连续运行时间、效率和生命周期。

了解基于状态的维护功能

基于状态的维护和高级监控服务支持数据中心优化维护活动，提高其资产可用性。这种方法包括监视、捕获设备数据，并提醒员工注意潜在问题。

（1）实时连接和数据收集

数据中心运营商可以采用基于状态的维护和高级监控服务，通过安全的网关或由通信卡支持的直接物联网实现全天候连接，将资产健康数据传输到基于云的平台。可以适当的间隔收集详细的数据，以进行精确的监控和卓越的分析。

（2）数据集中和处理

一旦基于云的监控平台从设备中捕获数据，系统就会将这些信息集中并传输到一个私有的、安全的全球数据湖中。使用提取、加载、转换（ELT）过程对数据进行整理和转换，以便进行高级分析。利用人工智能和机器学习工具，算法处理相关信息并通过以下方式生成输出：

• 从主题专家（SME）和部件制造商那里定义明确的问题陈述，以指导分析
• 使用设备行为和操作条件的反馈来不断改进算法
• 对具有相同设计、安装和配置的设备进行基准测试，以识别潜在的异常

（3）警报生成和动作触发

采用专有OEM算法生成健康评分、剩余使用寿命、异常检测和质量评估等分析，突出显示潜在性能下降的偏差。考虑到独特的工作条件和退化模式，每个警报都是针对特定的组件和技术量身定制的。当检测到异常时，将向网络运营中心的操作员发送警报，由操作员管理输出并指导所需的服务响应：

• 趋势表现