计算机机房雷电接地,关于计算机机房防雷、防静电及接地的若干问题

关于计算机机房防雷、防静电及接地的若干问题

发布日期:2013/6/6 17:37:44 点击量:853

一 对原机房的检测分析

1.该院校的中心机房位于大楼的三层,地面为防静电地板,但整个机房均无任何接地设施,检测时手触摸到防静电地板的龙骨有触电的感觉;

2.设备单相供电,检测时机房内设备机壳上存在很大的感应电流;

3.整幢大楼采用TN-C的供电系统,三相四线由总配电室供出,进入大楼前未进行重复接地,且N线接地电阻值为12欧姆,大大高出国家相关标准;

4.该大楼除天面设有避雷带外,再无其它防雷设施;检测时避雷带完好,接地电阻为3.5欧姆。

5.该大楼机房曾发生过雷击损坏设备及机房系统运行不稳定等情况。

二 改造方案

根据GB50343-2004《建筑物电子信息系统防雷技术规范》1.0.5“电子信息系统应采用外部防雷和内部防雷等措施进行综合防护(图1.),以及该院校机房的实际情况,我们从三个方面对该机房进行改造。

(一)建立完善的共用接地系统

1.在大楼周围的裸露土壤中增设人工接地体,具体方法为:

1.1.开挖不浅于50cm的地沟,并于沟底打入长度为3米的角钢,各角钢间距大于3米,角钢与角钢之间用Φ40×4的扁钢电焊连接。

1.2.将此扁铁与大楼底部(两处)柱头钢筋电焊连接,并在连接处安装一块“铜-铁双金属汇流牌”(1#),作为总等电位接地连接端子,此时实测该系统接地电阻为0.9欧,达到相关规范要求。

1.3.从1#连接端子用Φ16mm2铜芯线引入大楼总配电室,将TN-C系统的N线作重复接地,使之成为TN-S系统。

1.4.再从1#号连接端子用另一条Φ16mm2的铜芯线引入大楼三层的中心机房内,并与机房内的二处钢筋作电气连接,并于连接处安装2#、3#“铜-铁双金属汇流牌”,作为该中心机房的等电位接地网连接端子。

图1建筑物电子信息系统综合防雷系统图

2共用接地系统的功能等电位连接

(二)充分有效的等电位连接

2.1在机房防静电地板下用—30×3的铜条作一环状M型的等电位连接网,如(图2)。

2.2此等电位接地网络即为机房提供完整的功能性接地和保护性接地的共用接地系统。

(三)合理配备浪涌保护器

根据GB50343-2004《建筑物电子信息系统防雷技术规范》3.2雷电防护区划分(图3.)。

3.1根据GB50343-2004《建筑物电子信息系统防雷技术规范》,在各防护区交界处合理安装浪涌保护器。(如图4)。

3.3.1采用三级电源防护措施。

A、总配电室采用电流型避雷器,它的内部为火花塞间隙放电方式,具有雷电通流容量大的特点。其对应于冲击电流波形IECl312的定义为10/350波,雷电通流容量为100kA。其残压≤3.5kV,反应时间为100ns。

B、各楼层分配电采用针对于感应雷及暂态过电压的电压型避雷器,对应于冲击电流披形为8/20波,它由数个高品质压敏电阻MOV并联而成。它的残压低(≤1.2kV),反应时间快(≤25ns),雷电通流容量为40kA。

C、机房配电屏安装第三级浪涌吸收保护器,也属于电压型避雷器,但其反应时间快(≤25ns),雷电通流容量低(为3kA),残压低,因此主要是为了抑制线路中暂态过电压的影响。即选用避雷器,要保证大通流容量、高残压值的避雷器先于小通流容量、低残压值的避雷器动作,才能有效地避免雷击对设备的破坏作用。

结束语

防雷是一个系统工程,在做好外部防雷的同时,也应注意内部防雷的问题。本文侧重介绍计算机房内部防雷、防静电及接地系统的设计、施工中的一些概念、原则和方法。对于各种部门的防雷与接地具体的实施方法和设计方案,建筑物可参照国标GB50057—94《建筑物防雷设计规范》、GB50343—2004《建筑物电子信息系统防雷技术规范》及各种相关要求与规定,不断地总结完善。

石家庄鑫鸿之星防静电地板厂

主营业务:防静电地板、OA网络智能地板

联系方式:0311-85857152 13284458040 → 联系我时请告知是在建材采购网看到的 ←

联 系 人 :韩刚 5cdf0216634f38fce5735ae689756e1b.gif

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值