本发明属于数据中心管理，具体涉及一种基于transformer和yolov9的数据中心气流优化方法及系统。
背景技术：
1、数据中心作为数字化时代的关键枢纽，其内部环境的稳定性对于保障数据安全和系统可靠性至关重要；现有的数据中心气流管理多采用传统方法，例如基于静态压力控制和热通道/冷通道布局，这些方法虽然在一定程度上有效，但存在明显不足，它们通常依赖于运维人员的经验和手动调节，缺乏实时监控和自适应调整的能力，导致在快速变化的负载和环境条件下响应迟缓，无法有效预测和防范潜在的设备故障。
2、现已有相关技术，能够根据数据中心的内部环境变化，进行自动化的环境温度调整等，但是该方式往往针对特定的数据中心环境而进行特定的调控，导致适应性较差，且在对环境调整时，需要对整个数据中心的温度进行整体性调控，导致数据中心的能效水平较低。
技术实现思路
1、本发明的目的在于克服现有技术中的不足，提供一种基于transformer和yolov9的数据中心气流优化方法及系统，能够适应不同规模和类型的数据中心环境，且能够实时根据数据中心内部环境的变化进行自适应的调整。
2、本发明提供了如下的技术方案：
3、第一方面，提供基于transformer和yolov9的数据中心气流优化方法，所述的数据中心包括有若干个电子设备，包括：
4、实时获取数据中心内部的环境数据和环境图像；
5、通过目标检测模型对所述环境图像进行特征提取，识别各个电子设备的位置和运行状态，同时提取识别的目标区域特征；
6、将提取的目标区域特征进行序列化处理以及添加位置编码，获得带有位置信息的输入序列；
7、将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化。
8、可选地，所述实时获取数据中心内部的环境数据和环境图像中，所述环境数据包括温度、湿度和风速，所述环境数据通过安装在数据中心的各个传感器采集获得；所述环境图像通过安装在数据中心的摄像头捕捉采集。
9、可选地，所述通过目标检测模型对所述环境图像进行特征提取，识别各个电子设备的位置和运行状态中，
10、所述目标检测模型是基于原始yolov9模型改进构建的；
11、所述目标检测模型利用深度可分离卷积替代原始yolov9模型中传统的卷积层，使用focal loss损失函数来改进原始yolov9模型中交叉熵损失，同时在原始yolov9模型的主干网络中引入se block注意力机制。
12、可选地，所述深度可分离卷积为将标准卷积分解为深度卷积和点卷积；
13、所述深度卷积表示为:
14、depthwiseconv(x)＝wd*x
15、其中，x是输入特征图，wd是深度卷积核，*表示卷积操作；
16、所述点卷积表示为：
17、pointwiseconv(depthwiseconv(x))＝wp*depthwiseconv(x)
18、其中，wp是1×1的卷积核；
19、所述focal loss损失函数为：
20、focalloss(pt)＝-α(1-pt)γlog(pt)
21、其中，pt是模型对于正确类别的预测概率，∝和γ分别是平衡因子和调节因子；
22、所述se block注意力机制的数学表示为：
23、seblock(x)＝x⊙σ(w2δ(w1gap(x)))
24、其中，gap是全局平均池化，δ是relu激活函数，σ是sigmoid激活函数，w1和w2分别是第一个和第二个全连接层的权重矩阵，⊙表示张量积。
25、可选地，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
26、所述改进transformer模型分析电子设备的运行状态变化和气流分布的变化，并结合历史运行状态数据和历史环境数据对各个电子设备进行故障预测；
27、若预测到各个电子设备未存在潜在故障，则保持现有的环境参数或者根据运行状态发生变化的电子设备的散热需求和所在位置，调整环境参数；
28、若预测到其中一个电子设备或者部分电子设备可能发生故障，则针对可能出现故障的电子设备的所在位置和散热需求，调整环境参数。
29、可选地，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
30、当预测到其中一个电子设备或者部分电子设备可能发生故障，则根据可能出现故障的电子设备的所在位置，发出预警信息。
31、可选地，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
32、所述改进transformer模型基于原始transformer模型改进构建的，所述改进transformer模型为在原始transformer模型的神经网络的不同层或者不同部分之间共享权重，以及采用多头自注意力机制。
33、可选地，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
34、所述改进transformer模型在训练过程中，使用历史数据学习电子设备运行状态的特征、气流分布的特征以及学习气流分布与电子设备散热需求的关系。
35、可选地，所述将提取的目标区域特征进行序列化处理以及添加位置编码，获得带有位置信息的输入序列中，所述序列化处理包括展平或者重塑操作；所述位置编码的方式为相对编码。
36、第二方面，提供基于transformer和yolov9的数据中心气流优化系统，所述的数据中心包括有若干个电子设备，包括：
37、获取模块，用于实时获取数据中心内部的环境数据和环境图像；
38、特征提取模块，用于通过目标检测模型对所述环境图像进行特征提取，识别各个电子设备的位置和运行状态，同时提取识别的目标区域特征；
39、区域特征转换模块，用于将提取的目标区域特征进行序列化处理以及添加位置编码，获得带有位置信息的输入序列；
40、预测优化模块，用于将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化。
41、与现有技术相比，本发明的有益效果是：
42、本发明融合了环境数据和环境图像，实现了多模态分析，相对现有技术的单一时序数据分析更加的准确，且本发明将改进yolov9模型和改进transformer模型进行结合后，具有强泛化能力，能够适应不同规模和类型的数据中心环境；另外，本发明实时监控，且能够根据故障预测结果，进行环境参数的自适应调整，有助于快速响应环境变化，提高数据中心的运行效率和可靠性。
1.基于transformer和yolov9的数据中心气流优化方法，所述的数据中心包括有若干个电子设备，其特征在于，包括：
2.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述实时获取数据中心内部的环境数据和环境图像中，所述环境数据包括温度、湿度和风速，所述环境数据通过安装在数据中心的各个传感器采集获得；所述环境图像通过安装在数据中心的摄像头捕捉采集。
3.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述通过目标检测模型对所述环境图像进行特征提取，识别各个电子设备的位置和运行状态中，
4.根据权利要求3所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述深度可分离卷积为将标准卷积分解为深度卷积和点卷积；
5.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
6.根据权利要求5所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
7.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
8.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述将带有位置信息的输入序列和环境数据输入至改进transformer模型中，预测各个电子设备的故障情况，并根据预测结果进行气流优化中，
9.根据权利要求1所述的基于transformer和yolov9的数据中心气流优化方法，其特征在于，所述将提取的目标区域特征进行序列化处理以及添加位置编码，获得带有位置信息的输入序列中，所述序列化处理包括展平或者重塑操作；所述位置编码的方式为相对编码。
10.基于transformer和yolov9的数据中心气流优化系统，所述的数据中心包括有若干个电子设备，其特征在于，包括：
