随着数据中心与电力机房规模的不断扩大

传统监控系统在实时性、准确性与智能判断方面逐渐显现出局限性。本文提出一种融合深度学习目标检测、行为识别与数字孪生建模的智慧机房监控系统。系统采用改进的YOLOv5算法进行设备与人员目标检测

引入LSTM网络实现对异常行为的时序识别

并融合红外、视觉、环境等多模态数据

实现高鲁棒性监测。结合数字孪生技术构建机房三维模型

实现机房运行状态的动态仿真与故障预测。仿真结果表明

系统在故障检测准确率达到98.7%

能耗优化效率提升15.2%。