\nGoogle的数据中心以高能效著称。但是他们还不满足，在今天的DataCentersEurope2014上，Google数据中心副总裁Joekava介绍了自己的公司是如何利用机器学习和人工智能来进一步改进数据中心能效的。\n\n业界一般用PUE（电能使用效率）来衡量数据中心的能效，PUE=数据中心总设备能耗/IT设备能耗，其基准值为2，越接近1表明能效越高。Google之前的PUE已经达到了惊人的1.12，这说明其用于制冷与配电等的消耗已经很少。\n\n但是Google决定利用神经网络让其数据中心能效更上一层楼。据Kava介绍，该项目属于Google的20%项目（参见Google创新九原则或Google管理黄金法则）。他们每30秒就计算一次PUE，还不断跟踪IT设备能耗、机外气温以及制冷和机械设备的设置情况等。而Google数据中心团队成员JimGao对这些数据非常熟悉，他意识到这些数据还可以进一步利用。于是Gao通过机器学习对这些数据进行研究，并建立起模型来预测并进一步改进数据中心能效。\n\n结果表明，该模型的预测准确率达到了99.6%（参见下图）。如果高的准确率意味着Google对数据中心下一步的能量需求情况了如指掌，从而可以通过设置调整进一步提升能效。Kava举了一个例子。几个月前，他们有几台服务器要下线几天，其结果是数据中心能效会有所降低。但利用Gao的模型他们临时调整了制冷设置，从而降低了那段时间对PUE的影响。\n\n\n\n上述情况下Google进行电力基础设施升级要重新调整40%的服务器流量，但是通过PUE与专家知识的结合，团队选定了一套新的运营参数，从而将PUE再降了0.02。不要小看这个值，考虑到Google有成千上万台服务器，乘上巨大的能耗就是可观的节能效果。\n\nGao在今天发布的白皮书上解释了自己的做法。他说神经网络对复杂系统建模具有优势，因为神经网络不需要用户预设模型的交互特征，而是在特征中寻找模式和交互，然后自动生成**匹配模型。\n\n该神经网络研究的因素包括了服务器总负载，水泵、冷却塔、冷水机组、干式冷却器、运行中的冷水注水泵数量；冷却塔水温、湿球温度、户外湿度、风速、风向等。Google利用传感器部署了亿万个数据点来收集这些基础设施和电能使用信息。不过令人略为惊讶的是，Google只用一台服务器就能跑这个神经网络了。\n\n\nGao在白皮书中写道，Google数据中心的实际测试表明，机器学习是利用传感器数据对数据中心能效建模的一种有效方法，可带来显著的成本节省。不过国内较为粗放式管理的数据中心恐怕短时间内难以效仿。

　　第二点:冷水机常见故障及排除方法,冷水机常见故障及排除方法:打开电源开关冷水机电源指示灯不亮,1未安装**丝，加装适当**丝。2电源指示灯损坏，更换电子板。3电源三相接线错误（注意辅助控制线），检查接线问题,打开电源开关及水泵开关烧**丝,电路短路故障检查控制电线和主电源线水泵转子卡死，用螺丝刀转松电机转子（适用于5匹以下的冷水机）水泵故障1水泵电机线圈短，断路，修理电机线圈或更换电机2水泵过载保护器自动跳开，将保护器的电流限数在允许的范围内适当调高半按下复位键压缩机故障1压缩机线圈短，断路，更换匹配的压缩机2压缩机过载保护器自动跳开，将保护器的电流限数在允许的范围内适当调高并按下复位键压缩机结霜1循环水流通或阀未打开，检查水阀，所有管路，保证畅通，加装短路管道。2循环水管道配置过小，加大循环水管直径，保证水循环正常。温按表温度显示数字上下跳动1温控表损坏，修理或更换温控表2感温线接触不良，修理或更换感温线3感温线及测温体有污，将测温体擦干净循环水箱内结冰1设定温度过低更正设定值2水箱内水无循环水，在冷冻水出口和进口之间短接一条循环水路3温控表失控，更换温控表高压故障散热不良，散热器过脏，清洗散热器能风不好，改善通风条件散热风机不工作，检查风机马达是否烧坏短路维修或更换电机马达高压擎损坏，更换高压擎制冷不良冷媒不足或管道漏媒，补充冷媒或检漏后补焊，抽真空再补充冷媒散热不良，散热器过脏、散热水阀门未打开或打开太小，将散热器清理干净，并将阀门全开.

　　（2）为了防止出现破坏，即使在机组停机时，也不要切断机组的电源。

　　（2）机组将作一次自检，几秒钟后，一台压缩机启动，待负荷增加后另一台压缩机启动。