Siemens je ovih dana uspješno dovršio projekt White Space Cooling Optimization (WSCO) u suradnji s Hrvatskim Telekomom (HT).
Zahvaljujući inteligentnoj postavci senzora i upravljanju hlađenjem temeljenom na umjetnoj inteligenciji, HT-ov podatkovni centar u Zagrebu sada posluje učinkovitije i ekološki prihvatljivije. Hlađenje podatkovnih centara daleko je složenije od pukog snižavanja temperature.
Mogućnost strojnog učenja
Riječ je o precizno kontroliranom procesu koji mora pratiti ekstremne zahtjeve pouzdanosti, energetske učinkovitosti i tehnološke evolucije. Martin Lang, direktor poslovne jedinice Smart Infrastructure Buildings, Siemens Austrija, kaže kako će odsad Hrvatski Telekom koristiti AI rješenje s mogućnošću strojnog učenja koje dinamički upravlja procesom hlađenja u podatkovnom centru.
“Očekuju se uštede u šestoznamenkastom iznosu u eurima u potrošnji električne energije, koje će kompanija ostvariti zahvaljujući WSCO rješenju, te izbjegavanje potencijalnih kvarova uzrokovanih previsokom temperaturom”, poručuje Lang. Ivan Visković, direktor Sektora za jezgrenu mrežu i usluge, Hrvatskog Telekoma kaže kako su zahvaljujući WSCO rješenju i dinamičkom AI hlađenju, postigli znatno učinkovitije hlađenje informatičke i mrežne opreme u njihovom najvećem podatkovnom centru. “Implementacija je rezultirala boljom regulacijom temperature u sistem salama, uklanjanjem tzv. toplih džepova, smanjenjem radnih sati rashladnih jedinica, te u konačnici smanjenjem troškova održavanja”, detektira Visković.
White Space Cooling Optimization (WSCO) sastoji se od tehničke i procesne komponente. Termistori mjere promjene temperature na serverskim, odnosno mrežnim ormarima na principu električnog otpora. Tehnička komponenta obuhvaća bežične senzorske i upravljačke module, AI engine, te korisničko sučelje. S procesne strane koristi se optimizacijska petlja koja osigurava kontinuirano unapređenje.
Preventivno održavanje
Proces započinje analizom koja se bazira na podacima sa senzora koji prikupljaju podatke o trenutačnom stanju. WSCO zatim koristi umjetnu inteligenciju za automatsku regulaciju protoka zraka ventilatora i identifikaciju problema.
Procesi hlađenja dinamički se prilagođavaju u skladu s dobivenim podacima. Kontinuirani rad sustava i primjena strojnog učenja omogućuju uklanjanje do 99 posto tzv. toplih džepova koje se mogu pojaviti u podatkovnom centru. Osim permanentnog unapređenja, ovo rješenje također doprinosi kvalitetnijem preventivnom održavanju identifikacijom neispravnih komponenti.
