Auditoria de confiabilidade operacional e otimização de unidades de controle térmico em data centers utilizando machine learning

Abstract

A crescente complexidade operacional dos data centers tem imposto novos desafios à efi ciência energética e à confiabilidade dos sistemas de gerenciamento térmico. Esses desafios decorrem, principalmente, da integração entre infraestruturas legadas e modernas, bem como da elevada variabilidade das cargas de trabalho. Embora haja avanços na aplicação de técnicas de aprendizado de máquina nesse contexto, ainda permanecem questões em aberto relacionadas ao equilíbrio entre precisão preditiva e explicabilidade física dos mod elos. Esse equilíbrio é fundamental para garantir a segurança operacional em ambientes de missão crítica. Além disso, torna-se necessário o desenvolvimento de uma arquitetura de suporte à decisão que seja confiável, auditável e passível de implantação prática, capaz de diferenciar falhas reais de fenômenos associados a ruídos, incertezas ou instabilidades de instrumentação. Esses desafios de robustez estão diretamente associados à dificuldade de validar informações provenientes de sistemas sensoriais sujeitos a ruído, falhas inter mitentes ou limitações de calibração, especialmente antes do treinamento dos modelos preditivos. Neste estudo, propomos um sistema de análise multivariada de dados sensori ais voltado ao apoio operacional, capaz de identificar padrões, correlações e desvios rele vantes no comportamento térmico. O sistema incorpora técnicas de detecção de anomalias vetoriais para lidar com problemas de integridade, consistência e incerteza dos dados co letados. Os resultados experimentais indicam que o modelo híbrido de detecção adotado, considerando métricas como erro quadrático médio e coeficiente de determinação, foi ca paz de prever o comportamento térmico do sistema e identificar a natureza das falhas no momento correspondente ao registro dos dados. Para avaliar ações que conciliam eficiência energética e segurança operacional, três cenários distintos de falha foram anal isados, cada um validado por meio do diagnóstico correspondente. No primeiro cenário, o sistema identificou anomalias estruturais latentes nas correlações entre sensores, recomen dando ajustes operacionais com vistas à restauração da estabilidade térmica. No segundo cenário, restrições na dinâmica de atuação foram diagnosticadas pela irrelevância estatís tica da variável de controle, indicando um quadro de inércia ou estagnação operacional. Por fim, no terceiro cenário, a ferramenta diferenciou a instabilidade sistêmica do ruído de instrumentação, demonstrando que a saturação dos sinais de entrada por interferências 5 externas pode inviabilizar ações de controle precisas. Os resultados demonstraram que a abordagem multivariada apresenta desempenho estatisticamente superior aos modelos univariados em ambientes dinâmicos. Com base nessas análises, o sistema evidenciou sua capacidade de evoluir da analítica descritiva para a prescritiva, oferecendo recomendações fundamentadas e auditáveis para a melhoria contínua do ambiente operacional.