CN108194398A

CN108194398A - 风扇控制方法及装置

Info

Publication number: CN108194398A
Application number: CN201711472614.XA
Authority: CN
Inventors: 黄正发; 王靖武; 毛洪波
Original assignee: Qingdao Hisense Medical Equipment Co Ltd
Current assignee: Qingdao Hisense Medical Equipment Co Ltd
Priority date: 2017-12-29
Filing date: 2017-12-29
Publication date: 2018-06-22
Anticipated expiration: 2037-12-29
Also published as: CN108194398B

Abstract

本发明公开了一种风扇控制方法及装置，属于电子技术领域。所述方法包括：根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，所述转速控制器用于调节所述风扇的转速，所述目标时刻为所述当前时刻之后的时刻；在所述目标时刻，根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，以调节所述风扇的转速。本发明有效地减小了温度与风扇转速控制之间的时延，提高了温度调整的效率。本发明用于对机箱进行散热。

Description

风扇控制方法及装置

技术领域

本发明涉及电子技术领域，特别涉及一种风扇控制方法及装置。

背景技术

随着多媒体技术的发展，视频采集卡、视频输出卡和视频流控制卡等在多媒体机箱内的集成密度越来越大，使得机箱内部热量局部集中，进而对机箱内部的散热提出了越来越高的要求。

相关技术中，一般采用带有温度传感器的智能风扇对机箱进行散热，其散热方法为：使用温度传感器检测机箱内的温度，然后根据该检测到的温度控制智能风扇的转速，例如，当检测到机箱内温度高于预设温度范围时，相应地增大风扇的转速，使得机箱内的温度被控制在预设温度范围内。

但是，根据检测到的温度控制智能风扇的转速容易存在一定的调温时延，无法迅速地调整温度，因此，温度调整的效率较低。

发明内容

本发明实施例提供了一种风扇控制方法及装置，可以解决相关技术温度调整的效率较低的问题。所述技术方案如下：

第一方面，提供了一种风扇控制方法，所述方法包括：

根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，所述转速控制器用于调节所述风扇的转速，所述目标时刻为所述当前时刻之后的时刻；

在所述目标时刻，根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，以调节所述风扇的转速

第二方面，提供了一种风扇控制装置，所述装置包括：

预测模块，用于根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，所述转速控制器用于调节所述风扇的转速，所述目标时刻为所述当前时刻之后的时刻；

调节模块，用于在所述目标时刻，根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，以调节所述风扇的转速。

第三方面，提供了一种存储介质，该存储介质中存储有指令，当该存储介质在计算机上运行时，使得计算机执行第一方面所提供的风扇控制方法。

第四方面，提供了一种终端，包括存储器，处理器及存储在所述存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现第一方面所提供的风扇控制方法。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例提供的风扇控制方法及装置，通过采用径向基函数RBF神经网络，根据温度的变化趋势预测转速控制器在目标时刻的输出调节参数，并在目标时刻根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以便于在温度升高之前就对风扇转速进行超前调节，实现对机箱的提前散热，防止温度的进一步上升，有效地减小了温度与风扇转速控制之间的时延，进而提高了温度调整的效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种风扇控制方法的流程图；

图2是本发明实施例提供的另一种风扇控制方法的流程图；

图3是本发明实施例提供的一种根据当前时刻的温度和多个历史时刻的温度，采用RBF神经网络，预测转速控制器在目标时刻的输出调节参数的方法流程图；

图4是本发明实施例提供的一种采用RBF神经网络预测转速控制器在目标时刻的输出调节参数的原理框图；

图5是本发明实施例提供的一种RBF神经网络的模型示意图；

图6是本发明实施例提供的一种根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出的方法流程图；

图7是本发明实施例提供的一种采用风扇散热的效果示意图；

图8是本发明实施例提供的一种风扇控制装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

本发明实施例提供了一种风扇控制方法，如图1所示，该方法可以包括：

步骤101、根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数。

其中，转速控制器用于调节风扇的转速，目标时刻为当前时刻之后的时刻。

需要说明的是，本发明实施例中的风扇可以为智能风扇，该智能风扇中设置有温度传感器，该温度传感器可用于采集温度，智能风扇可根据其采集的温度自适应地调节智能风扇的转速，但为了便于描述，下文中将其简称为风扇。

步骤102、在目标时刻，根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以调节风扇的转速。

综上所述，本发明实施例提供的风扇控制方法，通过采用径向基函数RBF神经网络，根据温度的变化趋势预测转速控制器在目标时刻的输出调节参数，并在目标时刻根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以便于在温度升高之前就对风扇转速进行超前调节，实现对机箱的提前散热，防止温度的进一步上升，有效地减小了温度与风扇转速控制之间的时延，进而提高了温度调整的效率。

图2是本发明实施例提供的另一种风扇控制方法，如图2所示，该方法可以包括：

步骤201、获取当前时刻的温度和多个历史时刻的温度。

可选地，该获取当前时刻的温度的过程可以通过温度传感器实现，并且，在获取当前时刻的温度后，可将该当前时刻的温度保存至存储器以备使用，相应的，多个历史时刻的温度也可存储在存储器中，在获取该多个历史时刻的温度时，可以通过在存储器中进行查找，以获取该多个历史时刻的温度。

步骤202、根据当前时刻的温度和多个历史时刻的温度，采用RBF神经网络，预测转速控制器在目标时刻的输出调节参数。

可选地，如图3所示，根据当前时刻的温度和多个历史时刻的温度，采用径向基函数(Radical Basis Function，RBF)神经网络，预测转速控制器在目标时刻的输出调节参数的过程，可以包括：

步骤2021、基于当前时刻的温度，根据预设的温度与输出调节参数的预设关系，确定与当前时刻对应的第一调节参数。

其中，该第一调节参数为与当前时刻的温度对应的输出调节参数。

一般地，在使用风扇进行散热时，每个温度与一输出调节参数对应，当机箱内的温度达到某温度时，可基于对应的输出调节参数调节风扇的转速，以实现对机箱内的温度的调整。并且，该温度与输出调节参数的对应关系可预先存储在存储器中，在根据当前时刻的温度和多个历史温度预测转速控制器在目标时刻的输出调节参数时，根据该当前时刻的温度获取该当前时刻对应的第一调节参数，并将该第一调节参数作为RBF神经网络的输入，以实现对目标时刻的输出调节参数的预测。

表1

温度/℃	转速/rpm	噪声/db	PWM占空比调节因子	PWM占空比
					＜10	0	38	19.23	5
10～20	960	41	28.85	10
					20～25	960	41	38.46	15
25～30	960	41	48.08	20
					30～33	960	41	57.69	25
33～36	1300	42	67.30	30
					36～39	1600	44	76.92	35
39～42	2200	47	86.54	40
					42～45	2800	49	96.15	45
45～50	3200	51	105.77	50
					50～55	4000	54	115.38	55
≥55	4500	55	125.00	60

示例地，假设转速控制器为脉冲宽度调制(Pulse Width Modulation，PWM)控制器，输出调节参数为PWM占空比调节因子时，预设的温度与输出调节参数的对应关系为温度与PWM占空比调节因子的对应关系，该对应关系请参考表1，该表1为温度、转速、噪声、PWM占空比调节因子和PWM占空比的对应关系，且温度的单位为摄氏度(℃)，转速的单位为转/分钟(revolutions per minute，rpm)，噪声的单位为分贝(decibel，db)，其中，温度与PWM占空比调节因子的对应关系可表现为：当当前时刻的温度在10(℃)以下时，该当前时刻的温度对应的PWM占空比调节因子可以为19.23；当当前时刻的温度处于10至20℃的范围内时，该当前时刻的温度对应的PWM占空比调节因子可以为28.85等。

步骤2022、基于每个历史时刻的温度，根据预存的历史温度与历史调节参数的对应关系，确定与每个历史时刻的温度对应的第二调节参数。

其中，该第二调节参数为与历史时刻的温度对应的输出调节参数。

可选地，在当前时刻之前的历史时刻，根据历史时刻的温度对风扇的转速进行调节后，也可将该历史时刻的温度、调节后的风扇的转速以及对应的输出调节参数存储在存储器中，并在根据当前时刻的温度和多个历史温度预测转速控制器在目标时刻的输出调节参数时，根据该历史时刻的温度获取该历史时刻对应的第二调节参数，然后将该第二调节参数作为RBF神经网络的输入，以实现对目标时刻的输出调节参数的预测。

可选地，当输出调节参数为PWM占空比调节因子时，该预存的历史温度与历史调节参数的对应关系的形式可以参考表1所示的对应关系的形式。

实际实现时，该步骤201、步骤2021和步骤2022的实现过程请参考图4，在进入实时操作系统(Real Time Operating System，RTOS)之后，可以采用创建的温度采集线程采集温度传感器采集的温度，该采集的温度一方面可以直接发送至神经网络广义预测控制器，另一方面，该采集的温度还可发送至创建的温度数据处理线程，该温度数据处理线程可将该采集的温度与启动风扇的快速散热模式时的高温阈值进行比较，并且，当采集的温度不高于高温阈值时，将采集的温度与风扇的停止温度阈值(即无需启动风扇进行散热的温度阈值)进行比较；当采集的温度不低于风扇的停止温度阈值时，温度数据处理线程从存储器读取历史时刻对应的输出调节参数；当采集的温度低于风扇的停止温度阈值时，温度数据处理线程向转速控制器发送延时信号，以控制转速控制器停止输出控制信号，使得风扇停止转动；当采集的温度高于高温阈值时，温度数据处理线程查询预设的温度与输出调节参数的预设关系，以获取采集的温度对应的第一调节参数，将该第一调节参数写入ROM，以便于启动风扇的快速散热模式。并且，温度数据处理线程还可根据历史时刻的温度查询预存的历史温度与历史调节参数的对应关系，以获取与每个历史时刻的温度对应的第二调节参数，并将获取的第一调节参数和第二调节参数发送至神经网络广义预测控制器，以便于其对转速控制器在目标时刻的输出调节参数进行预测。

步骤2023、基于第一调节参数和第二调节参数，采用RBF神经网络预测转速控制器在目标时刻的输出调节参数。

可选地，可以结合广义预测控制(Generalized Predictive Control，GPC)技术(也称作GPC算法)，采用RBF神经网络，预测转速控制器在目标时刻的输出调节参数。

其实现方法可以包括：根据第一调节参数和第二调节参数确定转速控制器在当前时刻的输出调节参数的设定值，获取RBF神经网络在当前时刻之前的时刻对当前时刻的输出调节参数的预测结果，根据该设定值和该对当前时刻的输出调节参数的预测结果，得到GPC算法对应于输出调节参数的控制矢量，并将该控制矢量作用于控制对象，以得到实际输出调节参数，并且，根据该控制矢量、该实际输出调节参数和RBF神经网络对当前时刻的输出调节参数的预测结果，RBF神经网络可对目标时刻的输出调节参数进行预测。

实际实现时，可以采用神经网络广义预测控制器实现对该目标时刻的输出调节参数进行预测，请参考图4，该神经网络广义预测控制器包括：GPC控制模块和RBF预测模型，其中，GPC控制模块能够实现GPC算法，RBF预测模型能够实现RBF神经网络的预测功能。

请参考图4，该神经网络广义预测控制器在对输出调节参数进行预测时，GPC控制模块可以根据第一调节参数和第二调节参数确定转速控制器在当前时刻的输出调节参数的设定值y_r(k)，RBF预测模型可将对当前时刻的输出调节参数的预测结果发送至GPC控制模块，GPC控制模块根据该设定值y_r(k)和该预测结果可得到对应的控制矢量u(k)，并将该控制矢量u(k)发送至RBF预测模型，且该RBF预测模型还可获取其对当前时刻的输出调节参数的预测结果同时，该RBF预测模型还可获取控制矢量u(k)作用于控制对象后的实际输出调节参数y(k)，RBF预测模型根据该预测结果和该实际输出调节参数y(k)可获取对应的网络误差e(k)(例如：)，根据该网络误差e(k)、该控制矢量u(k)和该预测结果RBF预测模型可对目标时刻的输出调节参数进行预测。

进一步地，为了增强风扇转速调节的鲁棒性，在GPC的性能指标函数中应考虑当前时刻的控制对于目标时刻的影响，且GPC算法在每一时刻有一个相对于该时刻的优化性能指标，其性能指标为：

其中，N₁是最大预测时域，N₂是控制时域，λ(j)是加权常数，Δu是对输出调节参数进行调节的控制矢量的控制增量，y_r(k+d)是输出调节参数的设定值，是由神经网络模型预测的输出调节参数，且式中的可用于克服风扇转速的控制增量变化过大，以减小因转速的增量过大引起的噪声。

并且，为了对风扇转速进行柔化控制，避免控制器直接地跟踪设定的转速进行控制信号的输出，使转速控制器输出的控制信号能够平滑地达到设定值，以便于风扇的转速能够平稳地变化，本发明实施例中，可以跟踪风扇控制增量变化的参考轨迹，并使输出调节参数的变化情况满足以下参考轨迹：

δ_r(k+d)＝α^dy(k)+(1-α^d)y_r(k)，(0＜α＜1)；

式中，y_r(k)为输出调节参数的设定值，y(k)为实际输出调节参数，δ_r(k+d)为输出调节参数的参考轨迹,α为柔化系数，一般地，α为(0,1)的常数，T₀为采样周期，τ为参考轨迹时间常数。

进一步地，为了得到输出调节参数对应的控制矢量u，可以定义控制率Δu＝[Δu(t),…,Δu(t+N_t-1)]^T，在每个采样时刻，可以使用梯度下降法得到控制率并根据该控制率对当前时刻的预测控制进行滚动优化，使得控制矢量取为：

其中，μ为采用梯度下降法求取Δu时的优化步长，该的取值可借助神经网络反向传播算法得出，例如：

由于本发明实施例提供的风扇控制方法所作用的系统为一个时滞单输入单输出(Single-Input Single-Output，SISO)的非线性系统，可以采用自回归滑动平均模型(NARMAX)对该系统进行描述，并且，为使RBF神经网络能够对该系统进行逼近，可将RBF神经网络的模型也选为NARMAX模型，即：

根据该式进行递推，可得到输出调节参数的d步超前预测，即

其中，均为RBF神经网络的的预测输出，其分别对应于当前时刻k的目标时刻k+d-1，…，以及k+d-n_y。

本发明实施例中，可利用图5所示的RBF神经网络建立其预测模型，其中，R_j(x)为径向基函数，ω_j为隐含层高斯基函数的参数权值，j＝1,2,3,...,m。

该RBF神经网络可采用高斯基函数作为隐含层的激励函数，即：

其中，c_j为第j个基函数的中心点，且c_j＝[c_j1,c_j2,...,c_jn]^T；b_j用于决定高斯基函数的中心点的宽度。

可选地，该高斯基函数参数b_j(k)的学习算法可以为：

b_j(k)＝b_j(k-1)+Δb_j(k)+α(b_j(k-1)-b_j(k-2))

该高斯基函数参数c_ji(k)的学习算法可以为：

c_ji(k)＝c_ji(k-1)+Δc_ji(k)+α(c_ji(k-1)-c_ji(k-2))

并且，可以采用梯度下降δ学习算法调整隐含层高斯基函数的参数权值ω_j(k)，其学习算法为：

Δω_j(k)＝ηe(k)R_j(x(k))

ω_j(k)＝ω_j(k-1)+Δω_j(k)+α(ω_j(k-1))-ω_j(k-2))

根据以上分析可得，最终网络训练的目标函数为：RBF神经网络的网络误差e(k)为：

RBF神经网络能够根据历史时刻的参数、当前时刻的参数以及由RBF神经网络的输出反馈回的参数，对目标时刻的输出进行多步预测，其具有预测误差小、控制精度高和动态响应快等优点，采用RBF神经网络对转速控制器在目标时刻的输出调节参数进行预测，能够有效提高预测结果的准确性和预测速度，进而实现对机箱的有效散热。

步骤203、在目标时刻，基于输出调节参数与噪音分贝数的第一预设关系，确定输出调节参数对应的噪音分贝数。

风扇转速增大时会产生声音，且当风扇转速变化越大时，该产生的声音的响度越大，当该声音的响度达到一定程度时，其会对用户造成造成干扰，本发明实施例中，在获取预测的输出调节参数后，可以根据预测的输出调节参数确定其对应的噪音分贝数，并基于该噪音分贝数确定风扇的控制信号的目标输出量，使得风扇转速变化所产生的声音在可控范围内，进而减小风扇转速变化对用户造成的干扰。

可选地，基于该噪音分贝数确定风扇的控制信号的目标输出量的实现方式可以包括：当噪音分贝数小于预设分贝阈值时，根据输出调节参数与输出量的第二预设关系，确定风扇的控制信号的目标输出量，即执行步骤204；当噪音分贝数不小于预设分贝阈值时，将预设输出量确定为风扇的控制信号的目标输出量，即执行步骤205。

示例地，假设转速控制器为PWM控制器，输出调节参数为PWM占空比调节因子时，第一预设关系为PWM占空比调节因子与噪音分贝数的对应关系，该对应关系请参考表1，例如：两者的对应关系可表现为：当PWM占空比调节因子为19.23时，其对应的噪音分贝数为38db；当PWM占空比调节因子为28.85时，其对应的噪音分贝数为41db等。

步骤204、当噪音分贝数小于预设分贝阈值时，根据输出调节参数与输出量的第二预设关系，确定风扇的控制信号的目标输出量。

其中，该预设分贝阈值可以根据实际需要进行设置，例如：可以根据本发明实施例提供的风扇控制方法所应用的场所对噪声的要求设置该预设分贝阈值。示例地，假设该风扇控制方法应用于某办公场所，根据该某办公场所对噪声的要求，可设置该预设分贝阈值为50db，步骤202预测得到的PWM占空比调节因子为67.30，查询表1可得其对应的噪音分贝数为42db，该噪音分贝数小于预设分贝阈值，此时，可以根据第二预设关系确定风扇的控制信号的目标输出量。

可选地，当转速控制器为PWM控制器，输出调节参数为PWM占空比调节因子时，该目标输出量可以为风扇控制信号在输出周期内的有效电平时长f(x)，相应的，第二预设关系为：其中，为PWM占空比调节因子，k和b为调节系数。

实际实现时，可以通过微控制器或微处理器等对PWM控制器进行控制，此时，有效电平时长f(x)可以由微控制器或微处理器的PWM定时器的比较输出寄存器的值进行表示，例如：当通过微控制器STM32F429对PWM控制器进行控制时，第二预设关系中的调节系数k为5.2，调节系数b为-50，即

步骤205、当噪音分贝数不小于预设分贝阈值时，将预设输出量确定为风扇的控制信号的目标输出量。

其中，预设输出量为风扇控制方法所应用的场所所能容忍的噪声范围内的的最大输出量。当噪音分贝数不小于预设分贝阈值时，可将预设输出量确定为目标输出量，此时，可使风扇工作在噪声允许的最大转速下，能够达到噪声提前控制和预防的目的。

可选地，当转速控制器为PWM控制器，输出调节参数为PWM占空比调节因子时，该目标输出量为风扇控制信号在输出周期内的有效电平时长f(x)，相应的，预设输出量为预设的有效电平时长。当噪音分贝数不小于预设分贝阈值时，说明此时的噪音分贝数已超过了风扇控制方法所应用的场所对噪声的容忍程度，此时，可将预设的有效电平时长确定为有效电平时长f(x)，并根据该有效电平时长f(x)对控制信号进行调制输出。并且，为了实现对机箱的有效散热，该预设的有效电平时长可以设置为预设分贝阈值对应的有效电平时长。

示例地，假设预设分贝阈值为50db，预设的有效电平时长为450，步骤202预测得到的PWM占空比调节因子为115.38，查询表1可得其对应的噪音分贝数为54db，该噪音分贝数大于预设分贝阈值，则可以将预设的有效电平时长确定为有效电平时长f(x)，即f(x)＝450。

实际实现时，可以根据实际情况选择是否执行步骤203至步骤205，当选择执行步骤203至步骤205时，在对后续对风扇的控制信号进行调制输出时，可以直接根据该目标输出量进行调制输出；当选择不执行步骤203至步骤205时，在对后续对风扇的控制信号进行调制输出时，需要先参考步骤204的实现方式，根据预测的输出调节参数确定目标输出量，再根据该目标输出量进行风扇的控制信号的调制输出。

步骤206、在目标时刻，根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以调节风扇的转速。

可选地，转速控制器可以为脉冲宽度调制PWM控制器，相应地，输出调节参数为PWM的占空比调节因子，控制信号为PWM脉冲控制信号，相应的，请参考图6，该步骤206的实现过程，可以包括：

步骤2061、基于占空比调节因子，确定PWM脉冲控制信号的目标占空比。

可选地，该步骤2061的实现过程可以包括：根据占空比调节因子确定风扇控制信号在输出周期内的有效电平时长f(x)，再根据该有效电平时长f(x)确定PWM脉冲控制信号的目标占空比。当选择执行步骤203至步骤205时，该步骤2061中可以直接根据步骤204或步骤205确定的有效电平时长f(x)，确定PWM脉冲控制信号的目标占空比。

其中，确定目标占空比的一种可实现方式为：将有效电平时长f(x)与输出周期的时长T的百分比确定为目标占空比R，即R＝(f(x)/T)*100％。

示例地，当通过微控制器STM32F429对PWM控制器进行控制时，输出周期的时长T为1000，假设有效电平时长f(x)为450，则目标占空比R＝(450/1000)*100％＝45％。

步骤2062、控制PWM控制器向风扇输出占空比为目标占空比的PWM脉冲控制信号。

在确定PWM脉冲控制信号的目标占空比后，通过控制PWM控制器向风扇输出占空比为目标占空比的PWM脉冲控制信号，即可实现对风扇转速的调节。

示例地，假设某时刻的输出调节参数为115.38，若直接根据第二预设关系确定目标输出量，再根据该目标输出量确定目标占空比，可得目标占空比为55％，根据表1可得其对应的噪音分贝数为54db；若按照步骤203至步骤2061的方式确定目标占空比，即先根据表1确定该输出调节参数对应的噪音分贝数，将该对应的噪音分贝数与进行比较，然后根据比较结果可将预设输出量确定为目标输出量，再根据该目标输出量确定目标占空比，可得：根据表1可得该输出调节参数115.38对应的噪音分贝数为54db，由于该噪音分贝数小于预设分贝阈值50db，此时，可将目标输出量确定为450，继而得到目标占空比为45％，根据查找表1可得，其对应的噪音分贝数为49db，将该结果与直接根据第二预设关系确定目标输出量的方式相比可知：根据该结果确定的噪音分贝数小于直接根据第二预设关系确定目标输出量时对应的噪音分贝数，因此，按照步骤203至步骤2061的方式确定目标占空比时，能够预测风扇的噪声输出，并根据该噪声输出调节目标占空比，能够超前地对控制信号进行调节，以及时地控制温度的进一步上升，达到风扇的超前散热，并且，能够使风扇工作在噪声允许的最大转速下，并实现风扇控制的智能防噪和降噪。

示例地，请参考图7，如图7所示，虚线1为相关技术中温度传感器检测到的某机箱内部的实际温度对应的曲线；虚线2为按照相关技术中的风扇控制方法对风扇进行控制时风扇的转速曲线；实线3为采用本发明实施例提供的风扇控制方法对风扇进行控制时风扇的转速曲线；实线4为采用本发明实施例提供的风扇控制方法对风扇进行控制后，机箱内部的温度曲线图；区域A为高温高转速高噪声区，其用于标示：当机箱内部的温度处于该区域内时，该温度可视为高温；当风扇的转速处于该区域内时，该转速可视为高转速；当风扇产生的噪声处于该区域内时，该噪声可视为高噪声；区域B为本发明实施例提供的风扇控制方法对风扇产生控制作用的区域；区域C为低噪控制区域，也即是，该区域C为需要对噪声进行控制的区域。

从图7可以看出：按照相关技术中的风扇控制方法对风扇进行控制时，其对应的区域C范围内的转速曲线(虚线2)和温度曲线(虚线1)均处于区域A内，也即是，此时的转速处于高转速范围内，以及，此时的温度处于高温范围内，且此时的噪声为高噪声，相应的，采用本发明实施例提供的风扇控制方法对风扇进行控制时，区域C范围内的转速曲线(实线3)和温度曲线(实线4)均处于区域A之外。由此可见，采用本发明实施例提供的风扇控制方法对风扇进行控制，能够提高温度调整的效率，以及实现风扇控制的智能防噪和降噪，同时，由于此时的风扇转速不处于高转速范围内，可在一定程度上节省资源。

实际应用中，RBF神经网络预测出的输出调节参数也可以为转速，然后，根据转速与输出量的对应关系，确定对应的目标输出量，再基于该目标输出量对风扇的控制信号进行调制输出，其实现过程请相应参考上述步骤202至步骤206，此处对其不再赘述。

并且，本发明实施例提供的风扇控制方法不局限于应用在对机箱散热的风扇的控制上，例如：该方法还可应用在空调热交换散热风扇等散热装置的控制上，本发明实施例对其不做具体限定。

综上所述，本发明实施例提供的风扇控制方法，通过采用径向基函数RBF神经网络，根据温度的变化趋势预测转速控制器在目标时刻的输出调节参数，并在目标时刻根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以便于在温度升高之前就对风扇转速进行超前调节，实现对机箱的提前散热，防止温度的进一步上升，有效地减小了温度与风扇转速控制之间的时延，进而提高了温度调整的效率。并且，还能使风扇工作在噪声允许的最大转速下，能够及时地控制温度的进一步上升，达到风扇的超前散热，并实现风扇控制的智能防噪和降噪。同时，通过使用本发明实施例所提供的风扇控制方法对风扇进行控制，还拓展了风扇使用的覆盖面。

需要说明的是，本发明实施例提供的风扇控制方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，例如：可以根据实际情况选择是否执行步骤203至步骤205，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。

本发明实施例还提供了一种风扇控制装置，如图8所示，该装置800可以包括：

预测模块801，用于根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，转速控制器用于调节风扇的转速，目标时刻为当前时刻之后的时刻。

调节模块802，用于在目标时刻，根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以调节风扇的转速。

综上所述，本发明实施例提供的风扇控制装置，通过预测模块采用径向基函数RBF神经网络，根据温度的变化趋势预测转速控制器在目标时刻的输出调节参数，调节模块在目标时刻根据输出调节参数，通过转速控制器进行风扇的控制信号的调制输出，以便于在温度升高之前就对风扇转速进行超前调节，实现对机箱的提前散热，防止温度的进一步上升，有效地减小了温度与风扇转速控制之间的时延，进而提高了温度调整的效率。

可选地，预测模块801，用于：

结合广义预测控制GPC技术，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数。

可选地，转速控制器为脉冲宽度调制PWM控制器，输出调节参数为PWM的占空比调节因子，控制信号为PWM脉冲控制信号，调节模块802，用于：

基于占空比调节因子，确定PWM脉冲控制信号的目标占空比。

控制PWM控制器向风扇输出占空比为目标占空比的PWM脉冲控制信号。

可选地，调节模块802，用于：

基于输出调节参数与噪音分贝数的第一预设关系，确定输出调节参数对应的噪音分贝数。

当噪音分贝数小于预设分贝阈值时，根据输出调节参数与输出量的第二预设关系，确定风扇的控制信号的目标输出量。

当噪音分贝数不小于预设分贝阈值时，将预设输出量确定为风扇的控制信号的目标输出量。

基于目标输出量，通过转速控制器进行风扇的控制信号的调制输出。

可选地，所预测模块801，用于：

基于当前时刻的温度，根据预设的温度与输出调节参数的预设关系，确定与当前时刻对应的第一调节参数。

基于每个历史时刻的温度，根据预存的历史温度与历史调节参数的对应关系，确定与每个历史时刻的温度对应的第二调节参数。

基于第一调节参数和第二调节参数，采用RBF神经网络预测转速控制器在目标时刻的输出调节参数。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本发明实施例提供了一种存储介质，该存储介质可以为非易失性计算机可读存储介质，该存储介质中存储有指令，当该存储介质在计算机上运行时，使得计算机执行本发明实施例所提供的风扇控制方法。

本发明实施例提供了一种终端，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时，实现本发明实施例所提供的风扇控制方法。

本发明实施例还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行本发明实施例提供的风扇控制方法。

本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当该计算机可读存储介质在计算机上运行时，使得计算机执行本发明实施例所提供的风扇控制方法。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种风扇控制方法，其特征在于，所述方法包括：

在所述目标时刻，根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，以调节所述风扇的转速。

2.根据权利要求1所述的方法，其特征在于，所述采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，包括：

3.根据权利要求1或2所述的方法，其特征在于，所述转速控制器为脉冲宽度调制PWM控制器，所述输出调节参数为所述PWM的占空比调节因子，所述控制信号为PWM脉冲控制信号，所述根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，包括：

基于所述占空比调节因子，确定所述PWM脉冲控制信号的目标占空比；

控制所述PWM控制器向所述风扇输出占空比为所述目标占空比的PWM脉冲控制信号。

4.根据权利要求1或2所述的方法，其特征在于，

所述根据所述输出调节参数，通过所述转速控制器进行所述风扇的控制信号的调制输出，包括：

基于输出调节参数与噪音分贝数的第一预设关系，确定所述输出调节参数对应的噪音分贝数；

当所述噪音分贝数小于预设分贝阈值时，根据输出调节参数与输出量的第二预设关系，确定所述风扇的控制信号的目标输出量；

当所述噪音分贝数不小于预设分贝阈值时，将预设输出量确定为所述风扇的控制信号的目标输出量；

基于所述目标输出量，通过所述转速控制器进行所述风扇的控制信号的调制输出。

5.根据权利要求1或2所述的方法，其特征在于，所述根据当前时刻的温度和多个历史时刻的温度，采用径向基函数RBF神经网络，预测转速控制器在目标时刻的输出调节参数，包括：

基于所述当前时刻的温度，根据预设的温度与输出调节参数的预设关系，确定与所述当前时刻对应的第一调节参数；

基于每个所述历史时刻的温度，根据预存的历史温度与历史调节参数的对应关系，确定与每个所述历史时刻的温度对应的第二调节参数；

基于所述第一调节参数和所述第二调节参数，采用所述RBF神经网络预测所述转速控制器在目标时刻的输出调节参数。

6.一种风扇控制装置，其特征在于，所述装置包括：

7.根据权利要求6所述的装置，其特征在于，所述预测模块，用于：

8.根据权利要求6或7所述的装置，其特征在于，所述转速控制器为脉冲宽度调制PWM控制器，所述输出调节参数为所述PWM的占空比调节因子，所述控制信号为PWM脉冲控制信号，所述调节模块，用于：

9.根据权利要求6或7所述的装置，其特征在于，

所述调节模块，用于：

10.根据权利要求6或7所述的装置，其特征在于，所预测模块，用于：