CN103176573A - 散热控制系统及其控制方法 - Google Patents

Abstract

一种散热控制系统及其控制方法，散热控制系统包括一感测模块、一类神经网络运算模块及二散热模块。类神经网络运算模块分别依据感测模块发出的多个温度感测值进行控制运算。其中控制运算为将一倒传递演算法的一目标函数定义为一误差函数的平方项。藉此计算出各散热模块适合的转速值，以发挥至最大的散热效益。

Description

散热控制系统及其控制方法

技术领域

本发明涉及一种散热控制系统，特别涉及一种用于电子装置的散热控制系统。

背景技术

近年来，风扇常用来设置于电子装置内，以对此电子装置进行散热。当风扇运转时，风扇于电子装置内会产生一强制对流，此强制对流用以引导外部环境的冷空气流入电子装置内。进入电子装置内的冷空气与电子装置内的电子元件所产生的热能进行热交换后，再通过电子装置的开口排至外部环境。其中，电子装置包括服务器、笔记型计算机或台式计算机。

为了避免电子装置内的各电子元件因温度过高而产生死机，各电子元件会搭配一温度感测器，由各温度感测器分别监控各电子元件的温度，由控制器再依据感测结果以调整风扇的转速值。

然而以服务器为例，因服务器内的电子元件的数量较多，而每一电子元件运转时均会成为一位于服务器内部一发热源，而在这些发热源之间的相互影响下便会使服务器内部的温度分布变得十分复杂。此时势必要改进控制器的演算法则，进而使各风扇能以更恰当的转速值来降低服务器内部的温度。如此一来，控制器将可妥善分配各风扇的转速值以发挥至较大的散热效益，同时也可降低所需的能源。因此，如何计算出各风扇适合的转速值，将是研发人员应解决的问题。

发明内容

本发明的目的在于提供一种散热控制系统及其控制方法，藉以解决现有技术所存在无法妥善分配各风扇的转速以发挥至最大的散热效益的问题。

一实施例所揭露的散热控制系统，适于配置于一电子装置，其包括一感测模块、一类神经网络运算模块及二散热模块。感测模块用于撷取电子装置的各部位的多个温度感测值。类神经网络运算模块用以接收这些温度感测值，并将这些温度感测值分别与对应的多个预设温度值比较，当这些温度感测值与对应的这些预设温度值相异时，类神经网络运算模块会依据这些温度感测值分别执行一控制运算以计算出多个控制信号值，每一控制运算是将一目标函数定义为一误差函数的平方项并进行一倒传递演算法。每一散热模块同时接收到这些控制信号值，并受其中一控制信号值驱动而运转。

其中，该些目标函数为

$J_i=\frac{1}{2}{E}_i^2,$ E_i＝(r_i-y_i)

其中，J_i为该些目标函数，E_i为该些控制运算的误差函数，r_i为该些预设之温度信号，y_i为该些温度感测值，i：1～n。

一实施例所揭露的散热控制方法，其包括经由一感测模块撷取多个温度感测值。接着经由一类神经网络运算模块分别接收这些温度感测值，并与多个预设温度值比较。接着当这些温度感测值与这些预设温度值相异时，这类神经网络运算模块依据这些温度感测值分别执行一控制运算以计算出多个控制信号值，控制运算是将一目标函数定义为一误差函数的平方项并进行一倒传递演算法。接着同时经由类神经网络运算模块输出这些控制信号值至二散热模块。接着每一散热模块受其中一控制信号值驱动而运作。

上述实施例所揭露的散热控制系统及控制方法，是将目标函数定义成误差函数的平方项之后再进行一倒传递演算法以计算出各散热模块适合的转速值。如此一来，相较于现有的控制器，各类神经网络运算模块将可较精确计算出各散热模块输出的散热强度，是以散热控制系统能使电子装置有较好的散热效益，同时也可降低散热模块运转时所需的能源。

以下结合附图和具体实施例对本发明进行详细描述，但不作为对本发明的限定。

附图说明

图1为第一实施例的散热控制系统的方框示意图；

图2为图1的控制流程的方框示意图；

图3为第二实施例散热控制系统的方框示意图；

图4为第三实施例的散热控制系统的方框示意图；

图5为第四实施例的散热控制系统的方框示意图；

图6为图5未加入加权值的方框示意图；

图7至图9为图5的控制方法的步骤流程图。

其中，附图标记

10     散热控制系统

100    感测模块

110    第一感测器

120    第二感测器

200    类神经网络运算模块

210    第一类神经网络控制器

220    第二类神经网络控制器

300    散热模块

310    第一散热器

320    第二散热器

330    第三散热器

400    电子装置

410    第一电子元件

420    第二电子元件

500    加权值

510    第一加权值

520    第二加权值

530    第三加权值

540    第四加权值

550    第五加权值

560    第六加权值

710    第一温度感测值

720    第二温度感测值

810    第一控制信号值

820    第二控制信号值

910    第一驱动负载值

920    第二驱动负载值

930    第三驱动负载值

940    第四驱动负载值

950    第五驱动负载值

960    第六驱动负载值

具体实施方式

下面结合附图对本发明的结构原理和工作原理作具体的描述：

请参阅图1与图2，图1为第一实施例的散热控制系统的方框示意图，图2为图1的控制流程的方框示意图。本实施例的散热控制系统10适于配置于一电子装置400，电子装置400包括多个电子元件，电子元件包括中央处理器、记忆卡或显示卡，而电子装置400可以是服务器、台式计算机、笔记型计算机或平板计算机。而本实施例以服务器作为下述说明，但不以此为限。

本实施例的散热控制系统10包括一感测模块100、一类神经网络运算模块200及一散热模块300。感测模块100包括多个感测器，每一个感测器用以感测电子装置400一个元件或一个位置的温度值，故多个感测器则用以感测电子装置400多个元件或多个位置的温度感测值。类神经网络运算模块200包括多个类神经网络控制器，类神经网络控制器的数量与感测器的数量相对应。换句话说，每一个感测器感测到温度感测值后，会传至对应的类神经网络控制器进行控制运算以分别获得一控制信号值。散热模块300包括多个散热器，而每一控制信号值会传送至多个相对应的散热器，并令各散热器运转。其中，散热器的数量可依实际需求而定，并未限定要与电子元件或类神经网络控制器的数量相同。其中散热器例如为风扇。

再者，因为每一散热器与各电子元件间的距离不同，所以各散热器对各电子元件具有不同的散热效益。举例来说，各散热器运转时，邻近的电子元件可获得较佳的散热效益，而距离较远的电子元件可获得次佳的散热效益。因此，为了呈现出每个散热模块300与各电子元件之间的不同散热效益，控制信号值还可另外经过加权值500的补正。其中，加权值500是将这些散热效益的差异数值化，使各类神经网络控制器能够更准确地控制各散热器的动力输出。

另外，如图2所示，散热控制系统10为一反馈控制系统，感测模块100会持续监控电子装置400的温度状况，以持续追踪并修正散热模块300的输出动力。

散热控制系统10进行上述的控制运算前先是将这些温度感测值与对应的多个预设温度值比较。其中预设温度值由可依据电子元件或电子装置各部位的温度条件作设定，以电子元件来说，每个电子元件具有一个预设温度值。举例来说，中央处理器适合运算的温度值为摄氏60度以下，而超过摄氏60度时中央处理器死机的机率相对提高，此时即可设定中央处理器的预设温度值为摄氏77度。

当这些温度感测值与对应的这些预设温度值相异时，类神经网络运算模块200会依据这些温度感测值分别执行控制运算以计算出多个控制信号值。在本实施例及其他实施例中，每一控制运算系将一目标函数定义为一误差函数的平方项并进行一倒传递演算法。需注意的是，上述的目标函数为

$J_i=\frac{1}{2}{E}_i^2,$ E_i＝(r_i-y_i)

其中，J_i为该些目标函数，E_i为该些控制运算的误差函数，r_i为该些预设之温度信号，y_i为该些温度感测值，i：1～n。

其中，倒传递演算法为

$W_{\mathrm{hyi}}(k+1)=W_{\mathrm{hyi}}\left(k\right)-\mathrm{\η}\frac{\∂J_i}{\∂W_{\mathrm{hyi}}\left(k\right)}$

其中，J_i为该些目标函数，W_hyi为该类神经网络的权重值，k为取样点，(k+1)为下一个取样点，η为修正速率，i：1～n。

上述的为

$\frac{{\∂J}_i}{\∂W_{\mathrm{hyi}}}=\frac{{\∂J}_i}{\∂E_i}\frac{\∂E_i}{\∂y_i}\frac{{\∂y}_i}{\∂v_i}\frac{\∂x_{\mathrm{yi}}}{\∂u_{\mathrm{yi}}}\frac{\∂u_{\mathrm{yi}}}{{\∂W}_{\mathrm{hyi}}}$

其中，J_i为该些目标函数，E_i为该些控制运算的误差函数，y_i为该些温度感测值，ν_i为该些控制信号值，x_yi为控制运算输出，u_yi为控制运算输入，i：1～n。

上述的各偏微分项为

$\frac{\∂J_i}{\∂E_i}=(r_i-y_i)$

$\frac{\∂E_i}{\∂y_i}=-1$

$\frac{{\∂y}_i}{\∂v_i}=\mathrm{sgn}[(y_i\left(k\right)-y_i(k-1))*(v_i(k-1)-v_i(k-2)]$

$\frac{{\∂x}_{\mathrm{yi}}}{\∂u_{\mathrm{yi}}}=1$

$\frac{\∂u_{\mathrm{yi}}}{\∂W_{\mathrm{hyi}}}=x_{\mathrm{hi}}$

其中，J_i为这些目标函数，E_i为这些误差函数，r_i为这些预设的温度设定值，y_i为这些温度感测值，k为取样点，(k-1)为上一个取样点，ν_i为这些控制信号值，x_yi为控制运算输出，u_yi为控制运算输入，W_hyi为这些类神经网路的权重值，x_hi为多个增益变数。

上述每一增益变数包括一比例参数、一微分参数及一积分参数，比例参数、微分参数及积分参数分别为

$x_{\mathrm{hi}1}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}1}\left(k\right)>1\\ u_{\mathrm{hi}1}\left(k\right),-1\&le;u_{\mathrm{hi}1}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}1}\left(k\right)<-1\end{array}\right.$

$x_{\mathrm{hi}2}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}2}\left(k\right)>1\\ u_{\mathrm{hi}2}\left(k\right)+u_{\mathrm{hi}2}(k-1),-1\&le;u_{\mathrm{hi}2}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}2}\left(k\right)<-1\end{array}\right.$

$x_{\mathrm{hi}3}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}3}\left(k\right)>1\\ u_{\mathrm{hi}3}\left(k\right)-u_{\mathrm{hi}3}(k-1),-1\&le;u_{\mathrm{hi}3}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}3}\left(k\right)<-1\end{array}\right.$

其中，x_hi1为其一该增益变数的该比例参数，x_hi2为其一该增益变数的该积分参数，x_hi3为其一该增益变数的该微分参数，i：1～n。

以下将分成三个实施例来说明散热控制系统10，首先，请参阅图3，图3为第二实施例散热控制系统的方框示意图，第二实施例为电子装置400具有一个电子元件(第一电子元件410)，且散热模块300具有一个散热器(第一散热器310)的情况。

本实施例的散热控制系统10包括一感测模块100、一类神经网络运算模块200及一散热模块300。感测模块100具有一第一感测器110以监控第一电子元件410并输出一第一温度感测值710。类神经网络运算模块200具有一第一类神经网络控制器210，其接收第一温度感测值710并执行上述的控制运算以获得一第一控制信号值810。散热模块300具有一第一散热器310，其第一散热器310会依据第一控制信号值810来决定自身的动力输出值。

其中，在本实施例中，因为各模块呈现一对一的连接关系，故无需加入加权值。

接着，请参阅图4，图4为第三实施例的散热控制系统的方框示意图。第三实施例为电子装置400具有一个电子元件(第一电子元件410)，且散热模块300具有两个散热器(第一散热器310及第二散热器320)的情况。

本实施例的散热控制系统10包括一感测模块100、一类神经网络运算模块200及一散热模块300。感测模块100具有一第一感测器110以监控第一电子元件410并输出一第一温度感测值710。类神经网络运算模块200具有一第一类神经网络控制器210，其接收第一温度感测值710并执行上述的控制运算以获得一第一控制信号值810。散热模块300具有一第一散热器310及一第二散热器320，而第一散热器310及第二散热器320因对第一电子元件410有不同程度上的影响而具有一第一加权值510及一第二加权值520，第一类神经网络控制器210将第一控制信号值810分别乘以第一加权值510与第二加权值520而控制第一散热器310与第二散热器320。

其中，若第一电子元件410的温度仅超过预设温度值些许，则第一类神经网络控制器210能够只开启第一散热器310，而选择将第二散热器320关闭。若第一电子元件410的温度超过预设温度值太多，则第一类神经网络控制器210能够将第一散热器310及第二散热器320同时打开，以求快速排除第一电子元件410所散出的热能。

接着，请参阅图5，图5为第四实施例的散热控制系统的方框示意图。第四实施例为电子装置400具有两个电子元件(第一电子元件410及第二电子元件420)，且散热模块300具有三个散热器(第一散热器310、第二散热器320及第三散热器330)的情况。

本实施例的散热控制系统10包括一感测模块100、一类神经网络运算模块200及一散热模块300。感测模块100具有一第一感测器110以监控第一电子元件410并输出一第一温度感测值710，以及具有一第二感测器120以监控第二电子元件420并输出一第二温度感测值720。

类神经网络运算模块200具有一第一类神经网络控制器210及一第二类神经网络控制器220。第一类神经网络控制器210依据第一温度感测值710执行上述控制运算获得一第一控制信号值810，以及第二类神经网络控制器220依据第二温度感测值720执行上述控制运算获得一第二控制信号值820。

散热模块300具有一第一散热器310、一第二散热器320及一第三散热器330，而第一控制信号值810与第二控制信号值820经由各散热器的加权值的补正分别传输至对应的散热器。以本实施例来说，第一散热器310至第三散热器330分别对第一电子元件410与第二电子元件420有不同的散热效益，故分别以第一加权值510至第六加权值560加以补正而产生第一驱动负载值910至第六驱动负载值960。而第一散热器310会同时接收到第一驱动负载值910及第四驱动负载值940，第二散热器320会同时接收到第二驱动负载值920及第五驱动负载值950，第三散热器330会同时接收到第三驱动负载值930及第六驱动负载值960。然而，为了同时满足各电子元件的散热需求，各散热器会依据接收到的最大驱动负载值运转。

举例来说，第一散热器310依据第一驱动负载值910运转的转速为100RPM，而依据第四驱动负载值940运转的转速为80RPM，此时最后转速值即为100RPM，以此类推。

接着说明散热控制系统10的控制方法，请同时参阅图5至图9，图6为图5未加入加权值的方框示意图，图7至图9为图5的控制方法的步骤流程图。

下列步骤先不加入加权值的因素，首先，如图6与图7所示，在步骤S100中，经由一感测模块撷取多个温度感测值。举例来说，第一感测器110及第二感测器120分别监控第一电子元件410及第二电子元件420以撷取一第一温度感测值710及一第二温度感测值720。

接着，在步骤S200中，经由一类神经网络运算模块分别接收这些温度感测值，并且将每一温度感测值分别与对应的一预设温度值比较。

接着，在步骤S300中，当这些温度感测值与这些预设温度值相异时，类神经网络运算模块依据这些温度感测值分别执行一控制运算以计算出多个对应的控制信号值，控制运算是将一目标函数定义为误差函数的平方项并进行一倒传递演算法。换言之，每一个温度感测值是经过一次控制运算以获得一个对应的控制信号值

其中，接下来将以例子来说明温度感测值与相对应的预设温度值相异时的状况。

举例来说，如图5所示，第一类神经网络控制器210接收第一温度感测值710，并将第一温度感测值710与内部的第一预设温度值相比较。当第一温度感测值710小于内部的第一预设温度值时，第一类神经网络控制器210执行控制运算以计算出一第一控制信号值810，此控制信号值传输至相对应的各散热器时，可令相对应的各散热器维持现有转速或降低现有转速，以节省各散热器的动力消耗。

但当第一温度感测值710大于内部的第一预设温度值时，第一类神经网络控制器210执行控制运算以计算出第一控制信号值810。将此控制信号值传输至相对应的各散热器时，可令相对应的各散热器提高现有转速，以加速排除第一电子元件所产生的热能。其中，控制运算如上所述，故不再赘述。

接着，在步骤S400中，同时经由类神经网络运算模块输出这些控制信号值至一散热模块。举例来说，如图5所示，第一类神经网络控制器210同时将第一控制信号值810输出至第一散热器310、第二散热器320及第三散热器330。而第二类神经网络控制器220同时将第二控制信号值820输出至第一散热器310、第二散热器320及第三散热器330。因此，第一散热器310同时接收到第一控制信号值810及第二控制信号值820。同理，第二散热器320与第三散热器330也同时接到第一控制信号值810及第二控制信号值820。

接着，在步骤S500中，散热模块受对应的控制信号值驱动而运转。举例来说，第一散热器310会被第一控制信号值810或第二控制信号值820控制而运转。同理，第二散热器320及第三散热器330也相同。

然而因为各散热器与各电子元件间的距离不同，所以各散热器对各电子元件的影响程度也不同。每一散热器运转时，邻近的电子元件受到较强的风力，故可获得较佳的散热效果，远处的电子元件受到较弱的风力，故获得次佳的散热效果。因此，每个散热器与各电子元件之间具有不同的散热效益而需要加入不同的加权值补正，以使各散热器能以更精确地动力输出值运转。本实施例分别将多个加权值500加入散热控制系统10。故请同时参阅图5与图8，步骤S400及步骤S500另包括下列所述。

首先，在步骤S600中，将每一控制信号值乘以影响散热效益的多个加权值，以获得多个对应的驱动负载值，这些驱动负载值再分别输送至散热模块。接着，在步骤S700中，散热模块受对应的驱动负载值驱动而运转。

举例来说，如图5所示，加入影响散热效益的各加权值，如一第一加权值510、一第二加权值520、一第三加权值530反应出第一散热器310、第二散热器320及第三散热器330对第一电子元件410的影响程度。

同理，加入一第四加权值540、一第五加权值550、一第六加权值560反应出第一散热器310、第二散热器320及第三散热器330对第二电子元件420的影响程度。

其中，第一控制信号值810经过第一加权值510的加乘后变成一第一驱动负载值910，以及第二控制信号值820经过一第四加权值540的加乘后变成一第四驱动负载值940，而第一类神经网络控制器210将第一驱动负载值910以及第二类神经网络控制器220将第四驱动负载值940输送到第一散热器310。

同理，第二散热器320同时获得第二驱动负载值920、第五驱动负载值950，以及第三散热器330同时获得第三驱动负载值930、第六驱动负载值960。

然而，各散热器运转时必需满足所有电子元件的散热需求，方可避免有任何电子元件因高温而死机。故每一散热器均会以对应较大输出转数的驱动负载值，并依据对应较大输出转数的驱动负载值运转。请同时参阅图1与图5，在步骤S800中，散热模块依据一对应的最后转速值运转，最后转速值为所接收到的最大的该驱动负载值。

举例来说，第一散热器310依据第一驱动负载值910运转的转速为100RPM，而依据第四驱动负载值940运转的转速为80RPM，此时最后转速值即为100RPM，以此类推。

上述实施例所揭露的散热控制系统及控制方法，是将目标函数定义成误差函数的平方项之后再进行一倒传递演算法以计算出各散热模块适合的转速值。如此一来，相较于现有的控制器，各类神经网络运算模块将可较精确计算出各散热器输出的散热强度，所以散热控制系统能使电子装置有较好的散热效益，同时也可降低散热模块运转时所需的能源。

另外，类神经网络运算模块考量散热模块对电子元件的影响程度，以调整散热模块于最佳的输出散热强度运转。

当然，本发明还可有其他多种实施例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (10)

1.一种散热控制系统，适于配置于一电子装置，其特征在于，包括：

一感测模块，用于撷取该电子装置的各部位的多个温度感测值；

一类神经网络运算模块，用以接收该些温度感测值，并分别将该些温度感测值与对应的多个预设温度值比较，当该些温度感测值与对应的该些预设温度值相异时，该类神经网络运算模块会依据该些温度感测值分别执行一控制运算以计算出多个控制信号值，每一该控制运算是将一目标函数定义为一误差函数的平方项并进行一倒传递演算法；以及

一散热模块，包括一第一散热器，该第一散热器同时接收到该些控制信号值，并受其中一该控制信号值驱动而运转；

其中，该些目标函数为

$J_i=\frac{1}{2}{E}_i^2,$ E_i＝(r_i-y_i)

其中，J_i为该些目标函数，E_i为该些控制运算的该误差函数，r_i为该些预设的温度信号，y_i为该些温度感测值，i：1～n。

2.根据权利要求1所述的散热控制系统，其特征在于，该倒传递演算法用以修正一类神经网络的权重值以将该目标函数值趋近极小值，且该倒传递演算法为

$W_{\mathrm{hy}}(k+1)=W_{\mathrm{hy}}\left(k\right)-\mathrm{\&eta;}\frac{\&PartialD;J_i}{\&PartialD;W_{\mathrm{hy}}\left(k\right)}$

其中，J_i为该些目标函数，W_hy为该类神经网络的权重值，k为取样点，(k+1)为下一个取样点，η为修正速率，i：1～n。

3.根据权利要求2所述的散热控制系统，其特征在于，每一该目标函数对该类神经网络的权重值的偏微分为

$\frac{{\&PartialD;J}_i}{\&PartialD;W_{\mathrm{hyi}}}=\frac{{\&PartialD;J}_i}{\&PartialD;E_i}\frac{\&PartialD;E_i}{\&PartialD;y_i}\frac{{\&PartialD;y}_i}{\&PartialD;v_i}\frac{\&PartialD;x_{\mathrm{yi}}}{\&PartialD;u_{\mathrm{yi}}}\frac{\&PartialD;u_{\mathrm{yi}}}{{\&PartialD;W}_{\mathrm{hyi}}}$

其中，J_i为该些目标函数，E_i为该些控制运算的该误差函数，y_i为该些温度感测值，ν_i为该些控制信号值，x_yi为控制运算输出，u_yi为控制运算输入，i：1～n。

4.根据权利要求3所述的散热控制系统，其特征在于，每一该目标函数对该类神经网络的权重值的偏微分的各项分别为

$\frac{\&PartialD;J_i}{\&PartialD;E_i}=(r_i-y_i)$

$\frac{\&PartialD;E_i}{\&PartialD;y_i}=-1$

$\frac{{\&PartialD;y}_i}{\&PartialD;v_i}=\mathrm{sgn}[(y_i\left(k\right)-y_i(k-1))*(v_i(k-1)-v_i(k-2)]$

$\frac{{\&PartialD;x}_{\mathrm{yi}}}{\&PartialD;u_{\mathrm{yi}}}=1$

$\frac{\&PartialD;u_{\mathrm{yi}}}{\&PartialD;W_{\mathrm{hyi}}}=x_{\mathrm{hi}}$

其中，J_i为该些目标函数，E_i为该些误差函数，r_i为该些预设的温度设定值，y_i为该些温度感测值，k为取样点，(k-1)为上一个取样点，ν_i为该些控制信号值，x_yi为控制运算输出，u_yi为控制运算输入，W_hyi为该些类神经网络的权重值，x_hi为一增益变数。

5.根据权利要求4所述的散热控制系统，其特征在于，每一该增益变数包括一比例参数、一微分参数及一积分参数，该比例参数、该微分参数及该积分参数分别为

$x_{\mathrm{hi}1}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}1}\left(k\right)>1\\ u_{\mathrm{hi}1}\left(k\right),-1\&le;u_{\mathrm{hi}1}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}1}\left(k\right)<-1\end{array}\right.$

$x_{\mathrm{hi}2}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}2}\left(k\right)>1\\ u_{\mathrm{hi}2}\left(k\right)+u_{\mathrm{hi}2}(k-1),-1\&le;u_{\mathrm{hi}2}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}2}\left(k\right)<-1\end{array}\right.$

$x_{\mathrm{hi}3}\left(k\right)=\left\{\begin{array}{c}1,u_{\mathrm{hi}3}\left(k\right)>1\\ u_{\mathrm{hi}3}\left(k\right)-u_{\mathrm{hi}3}(k-1),-1\&le;u_{\mathrm{hi}3}\left(k\right)\&le;1\\ -1,u_{\mathrm{hi}3}\left(k\right)<-1\end{array}\right.$

其中，x_hi1为其一该增益变数的该比例参数，x_hi2为其一该增益变数的该积分参数，x_hi3为其一该增益变数的该微分参数，i：1～n。

6.根据权利要求1所述的散热控制系统，其特征在于，该第一散热器具有对应该电子装置的各部位的多个加权值，每一该控制信号值乘以各该加权值，以令该类神经网络运算模块取得多个驱动负载值，该第一散热器同时接收到该些驱动负载值，并依据较大的该驱动负载值运转产生一最后转速值。

7.根据权利要求1所述的散热控制系统，其特征在于，该散热模块还包括一第二散热器，该第二散热器具有对应该电子装置的各部位的多个加权值，每一该控制信号值乘以各该加权值，以令每一该类神经网络运算模块取得多个驱动负载值。

8.一种散热控制方法，其特征在于，包括：

经由一感测模块撷取多个温度感测值；

经由一类神经网络运算模块分别接收该些温度感测值，每一该温度感测值与对应的一预设温度值比较；

当该些温度感测值与该些预设温度值相异时，该类神经网络运算模块依据该些温度感测值分别执行一控制运算以计算出多个对应的控制信号值，该控制运算是将一目标函数定义为一误差函数的平方项并进行一倒传递演算法，其中该误差函数为其中一该预设温度值减去对应的该温度感测值；

同时经由该类神经网络运算模块输出该些控制信号值至一散热模块；以及

该散热模块受对应的该控制信号值驱动而运转。

9.根据权利要求8所述的散热控制方法，其特征在于，同时经由该类神经网络运算模块输出该些控制信号值至该散热模块的步骤还包括：

将每一该控制信号值乘以影响散热效益的多个加权值，以获得多个对应的驱动负载值，该些驱动负载值再分别输送至该散热模块；以及

该散热模块受对应的该些驱动负载值驱动而运转。

10.根据权利要求9所述的散热控制方法，其特征在于，该散热模块受对应的该些驱动负载值驱动而运转的步骤还包括步骤：

该散热模块依据一对应的最后转速值运转，该最后转速值为所接收到的最大的该驱动负载值。

Images