CN109343680A - 一种基于机器学习算法的风扇调控方法及系统 - Google Patents
一种基于机器学习算法的风扇调控方法及系统 Download PDFInfo
- Publication number
- CN109343680A CN109343680A CN201811095823.1A CN201811095823A CN109343680A CN 109343680 A CN109343680 A CN 109343680A CN 201811095823 A CN201811095823 A CN 201811095823A CN 109343680 A CN109343680 A CN 109343680A
- Authority
- CN
- China
- Prior art keywords
- particle
- system performance
- pid
- algorithm
- calculated
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 230000033228 biological regulation Effects 0.000 title claims abstract description 56
- 238000010801 machine learning Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 194
- 230000003044 adaptive effect Effects 0.000 claims description 72
- 230000009897 systematic effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 230000001276 controlling effect Effects 0.000 description 10
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/20—Cooling means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Human Computer Interaction (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及服务器散热技术领域，提供一种基于机器学习算法的风扇调控方法及系统，方法包括：从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，将计算得到的系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为PID调控算法的最优参数，若否则返回执行从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤，从而实现对服务器风扇的PID智能调控，避免费时费力的人工调节，保障服务器各个元器件工作在安全温度值范围内。
Description
技术领域
本发明涉及服务器散热技术领域，具体为一种基于机器学习算法的风扇调控方法及系统。
背景技术
随着云计算、大数据等新型技术的发展，对数据存储的带宽和容量要求越来越高，处理器的运算速度与运算量也越来越大，导致内存、硬盘等各个元器件的温度也不断飙升，电子器件的散热成为目前一个相当灼手的问题，而且现在社会对功耗的要求也越来越低，节能是目前的一个主流趋势。如何能有效的降低各个电子元器件的温度过高而且降低风扇墙的功耗，而且满足整机的功耗最优已是一个急需解决的技术问题。
目前，风扇转速控制采用PID的调控方法，其具体的实现为：首先检测电子元器件的温度值，然后与各自的控制点进行对比，从而计算出需要增加或者降低的PWM值，进一步将电子的元器件的温度控制在相应的控制点内，但是现有PID调控算法的存在如下缺陷：在不同的环境温度下需要人工进行大量的测试，找出可能的最佳参数，既费时费力，也不能保证最佳的性能。
发明内容
为了克服上述所指出的现有技术的缺陷，本发明人对此进行了深入研究，在付出了大量创造性劳动后，从而完成了本发明。
具体而言，本发明所要解决的技术问题是：提供一种基于机器学习算法的风扇调控方法，旨在解决现有技术中在不同的环境温度下需要人工进行大量的测试，找出可能的最佳参数，既费时费力，也不能保证最佳的性能的技术问题。
为解决上述技术问题，本发明的技术方案是：
一种基于机器学习算法的风扇调控方法，所述方法包括下述步骤：
从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；
运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；
将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤。
作为一种改进的方案，所述方法还包括下述步骤：
初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
作为一种改进的方案，所述运行PID调控算法，计算得到PID闭环控制的系统性能指标的步骤具体包括下述步骤：
运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；
将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；
根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
作为一种改进的方案，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求的步骤之前还包括下述步骤：
根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。
作为一种改进的方案，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤具体包括下述步骤：
将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值，是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
本发明的另一目的在于提供一种基于机器学习算法的风扇调控系统，所述系统包括：
粒子选取模块，用于从粒子群算法产生的粒子中选取其中三个；
赋值模块，用于将所述粒子选取模块选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；
系统性能指标计算模块，用于运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；
调控判断模块，用于将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求；
确定模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，将选取的三个粒子对应的参数作为所述PID调控算法的最优参数；
返回执行控制模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，返回执行所述粒子选取模块从粒子群算法产生的粒子中选取其中三个的步骤。
作为一种改进的方案，所述系统还包括：
初始化操作模块，用于初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
最优位置计算模块，用于根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
作为一种改进的方案，所述系统性能指标计算模块具体包括：
输出信号生成模块，用于运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；
系统误差计算模块，用于将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；
积分计算模块，用于根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
作为一种改进的方案，所述系统还包括：
适应值计算模块，用于根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。
作为一种改进的方案，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，所述调控判断模块具体包括下述步骤：
第一适应值比较判断模块，用于将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值；
第一最优位置确定模块，用于当判定系统性能指标J小于粒子所经历过的最优位置Pt的适应值时，所述确定模块将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
第二适应值比较判断模块，用于将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值；
第二最优位置确定模块，用于当判定系统性能指标J小于整个粒子群所经历过的最优位置Gt的适应值时，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
更新模块，用于当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述返回执行控制模块从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
在本发明实施例中，从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤，从而实现对服务器风扇的PID智能调控，避免费时费力的人工调节，保障服务器各个元器件工作在安全温度值范围内。
附图说明
图1是本发明提供的基于机器学习算法的风扇调控方法的实现流程图；
图2是本发明提供的运行PID调控算法，计算得到PID闭环控制的系统性能指标的实现流程图；
图3是本发明提供的基于机器学习算法的风扇调控系统的结构框图；
图4是本发明提供的系统性能指标计算模块的结构框图；
图5是本发明提供的调控判断模块的结构框图。
具体实施方式
下面结合具体的实施例对本发明进一步说明。但这些例举性实施方式的用途和目的仅用来例举本发明，并非对本发明的实际保护范围构成任何形式的任何限定，更非将本发明的保护范围局限于此。
图1示出了本发明提供的基于机器学习算法的风扇调控方法的实现流程图，其具体包括下述步骤：
在步骤S101中，从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd。
在步骤S102中，运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值。
在步骤S103中，将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，是则执行步骤S104，否则返回执行步骤S101。
在步骤S104中，将选取的三个粒子对应的参数作为所述PID调控算法的最优参数。
其中，在执行上述步骤S101之前还需要执行下述步骤：
(1)初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
(2)根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
其中，该两个步骤属于粒子群算法的成熟内容，在此不再赘述。
在该实施例中，根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值；
其中，该适应值的计算可以根据粒子群算法中的目标函数进行计算，在此不再赘述。
如图2所示，运行PID调控算法，计算得到PID闭环控制的系统性能指标的步骤具体包括下述步骤：
在步骤S201中，运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)。
在该实施例中，该运行的PID调控算法的载体可以是常见的Simulink环境下的PID控制系统模型，在此不再赘述。
在步骤S202中，将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)。
在步骤S203中，根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
在本发明实施例中，上述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤具体包括下述步骤：
将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值，是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
在该实施例中，更新粒子群中粒子的速度x和位置v的计算式为：
υt+1＝ωυt+c1r1(Pt-xt)+c2r2)(Gt-xt)
xt+1＝xt+υt+1
其中，x表示粒子群的位置；v表示粒子群的速度；w为惯性因子；C1、C2为加速常数；r1、r2为[0，1]区间的随机数；Pt是粒子迄今为止搜素到的最优为止；Gt是整个粒子群迄今为止搜索到的最优位置。
图3示出了本发明提供的基于机器学习算法的风扇调控系统的结构框图，为了便于说明，图中仅给出了与本发明实施例相关的部分。
基于机器学习算法的风扇调控系统包括：
粒子选取模块11，用于从粒子群算法产生的粒子中选取其中三个；
赋值模块12，用于将所述粒子选取模块选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；
系统性能指标计算模块13，用于运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；
调控判断模块14，用于将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求；
确定模块15，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，将选取的三个粒子对应的参数作为所述PID调控算法的最优参数；
返回执行控制模块16，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，返回执行所述粒子选取模块从粒子群算法产生的粒子中选取其中三个的步骤。
其中，所述系统还包括：
初始化操作模块17，用于初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
最优位置计算模块18，用于根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
所述系统还包括：
适应值计算模块19，用于根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。
在本发明实施例中，如图4所示，系统性能指标计算模块13具体包括：
输出信号生成模块20，用于运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；
系统误差计算模块21，用于将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；
积分计算模块22，用于根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
在本发明实施例中，PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，如图5所示，所述调控判断模块14具体包括下述步骤：
第一适应值比较判断模块23，用于将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值；
第一最优位置确定模块24，用于当判定系统性能指标J小于粒子所经历过的最优位置Pt的适应值时，所述确定模块将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
第二适应值比较判断模块25，用于将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值；
第二最优位置确定模块26，用于当判定系统性能指标J小于整个粒子群所经历过的最优位置Gt的适应值时，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
更新模块27，用于当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述返回执行控制模块16从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
其中，上述各个模块的功能如上述方法实施例所记载，在此不再赘述。
在本发明实施例中，从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤，从而实现对服务器风扇的PID智能调控，避免费时费力的人工调节，保障服务器各个元器件工作在安全温度值范围内。
应当理解，这些实施例的用途仅用于说明本发明而非意欲限制本发明的保护范围。此外，也应理解，在阅读了本发明的技术内容之后，本领域技术人员可以对本发明作各种改动、修改和/或变型，所有的这些等价形式同样落于本申请所附权利要求书所限定的保护范围之内。
Claims (10)
1.一种基于机器学习算法的风扇调控方法，其特征在于，所述方法包括下述步骤：
从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；
运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；
将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤。
2.根据权利要求1所述的基于机器学习算法的风扇调控方法，其特征在于，所述方法还包括下述步骤：
初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
3.根据权利要求2所述的基于机器学习算法的风扇调控方法，其特征在于，所述运行PID调控算法，计算得到PID闭环控制的系统性能指标的步骤具体包括下述步骤：
运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；
将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；
根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
4.根据权利要求3所述的基于机器学习算法的风扇调控方法，其特征在于，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求的步骤之前还包括下述步骤：
根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。
5.根据权利要求4所述的基于机器学习算法的风扇调控方法，其特征在于，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤具体包括下述步骤：
将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值，是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
6.一种基于机器学习算法的风扇调控系统，其特征在于，所述系统包括：
粒子选取模块，用于从粒子群算法产生的粒子中选取其中三个；
赋值模块，用于将所述粒子选取模块选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；
系统性能指标计算模块，用于运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；
调控判断模块，用于将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求；
确定模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，将选取的三个粒子对应的参数作为所述PID调控算法的最优参数；
返回执行控制模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，返回执行所述粒子选取模块从粒子群算法产生的粒子中选取其中三个的步骤。
7.根据权利要求6所述的基于机器学习算法的风扇调控系统，其特征在于，所述系统还包括：
初始化操作模块，用于初始化粒子群，随机生成群体中所有粒子的位置v和速度x；
最优位置计算模块，用于根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。
8.根据权利要求7所述的基于机器学习算法的风扇调控系统，其特征在于，所述系统性能指标计算模块具体包括：
输出信号生成模块，用于运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；
系统误差计算模块，用于将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；
积分计算模块，用于根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，
9.根据权利要求8所述的基于机器学习算法的风扇调控系统，其特征在于，所述系统还包括：
适应值计算模块，用于根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。
10.根据权利要求9所述的基于机器学习算法的风扇调控系统，其特征在于，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；
其中，所述调控判断模块具体包括下述步骤：
第一适应值比较判断模块，用于将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值；
第一最优位置确定模块，用于当判定系统性能指标J小于粒子所经历过的最优位置Pt的适应值时，所述确定模块将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；
第二适应值比较判断模块，用于将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值；
第二最优位置确定模块，用于当判定系统性能指标J小于整个粒子群所经历过的最优位置Gt的适应值时，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；
更新模块，用于当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述返回执行控制模块从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811095823.1A CN109343680A (zh) | 2018-09-19 | 2018-09-19 | 一种基于机器学习算法的风扇调控方法及系统 |
| PCT/CN2019/093322 WO2020057217A1 (zh) | 2018-09-19 | 2019-06-27 | 一种基于机器学习算法的风扇调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811095823.1A CN109343680A (zh) | 2018-09-19 | 2018-09-19 | 一种基于机器学习算法的风扇调控方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109343680A true CN109343680A (zh) | 2019-02-15 |
Family
ID=65305912
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811095823.1A Withdrawn CN109343680A (zh) | 2018-09-19 | 2018-09-19 | 一种基于机器学习算法的风扇调控方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109343680A (zh) |
| WO (1) | WO2020057217A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020057217A1 (zh) * | 2018-09-19 | 2020-03-26 | 郑州云海信息技术有限公司 | 一种基于机器学习算法的风扇调控方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103592852A (zh) * | 2013-11-29 | 2014-02-19 | 西南交通大学 | 基于粒子群膜算法的pid控制器优化设计方法 |
| CN103886146B (zh) * | 2014-03-12 | 2017-02-22 | 河海大学 | 一种提高直流系统抑制换相失败能力的控制参数优化方法 |
| CN104064177B (zh) * | 2014-05-05 | 2017-09-08 | 浙江银江研究院有限公司 | 基于量子粒子群优化算法的主动噪声控制方法 |
| CN107272403A (zh) * | 2017-06-14 | 2017-10-20 | 浙江师范大学 | 一种基于改进粒子群算法的pid控制器参数整定算法 |
| CN109343680A (zh) * | 2018-09-19 | 2019-02-15 | 郑州云海信息技术有限公司 | 一种基于机器学习算法的风扇调控方法及系统 |
-
2018
- 2018-09-19 CN CN201811095823.1A patent/CN109343680A/zh not_active Withdrawn
-
2019
- 2019-06-27 WO PCT/CN2019/093322 patent/WO2020057217A1/zh active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020057217A1 (zh) * | 2018-09-19 | 2020-03-26 | 郑州云海信息技术有限公司 | 一种基于机器学习算法的风扇调控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020057217A1 (zh) | 2020-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9889915B2 (en) | Systems, apparatuses, and methods to control output power of groups of engines | |
| CN111005799B (zh) | 一种水温的控制方法、装置、热管理系统和存储介质 | |
| CN108050092B (zh) | 燃料电池的风扇转速调节方法及装置、计算机存储介质及设备 | |
| US20070061021A1 (en) | Combining power prediction and optimal control approaches for performance optimization in thermally limited designs | |
| CN108869173A (zh) | 风电机组的功率控制方法和设备 | |
| CN109236713A (zh) | 一种应用于通用机型的智能风扇调控方法及系统 | |
| CN108825543A (zh) | 一种服务器风扇调控方法及系统 | |
| CN104460902A (zh) | 一种优化功率的风扇调控方法及装置 | |
| CN113968160B (zh) | 车辆充电时间预估方法、装置、设备及存储介质 | |
| CN109921149A (zh) | 电池热管理控制方法、装置、计算机设备和存储介质 | |
| CN108691795B (zh) | 电子设备的风扇控制与修正方法 | |
| CN108482168A (zh) | 一种电池包内部温度的调节方法、装置及汽车 | |
| CN103246299A (zh) | 一种采用模糊运算与pid控制相结合的温控系统 | |
| JP2013228859A (ja) | プラント制御装置 | |
| CN103557206A (zh) | 液压系统中冷却风机的转速控制方法及装置 | |
| Wang et al. | Economic MPC of nonlinear systems with nonmonotonic Lyapunov functions and its application to HVAC control | |
| CN109343680A (zh) | 一种基于机器学习算法的风扇调控方法及系统 | |
| CN110032770B (zh) | 抽水蓄能机组双机相继开机规律的多目标优选方法及系统 | |
| CN109193811B (zh) | 一种新能源发电有功功率平滑控制方法、系统及存储介质 | |
| US20220374059A1 (en) | Customized thermal throttling using environmental conditions | |
| CN104747295A (zh) | 燃气轮机功率控制方法及装置 | |
| CN112524073B (zh) | 风扇调速控制方法、装置、设备及存储介质 | |
| CN116387555B (zh) | 燃料电池冷却回路的散热调控方法及装置 | |
| JP2015162098A (ja) | 空調制御システム及び空調制御方法 | |
| CN108528434B (zh) | 终止状态受约束的行星式混合动力系统全局优化方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190215 |
|
| WW01 | Invention patent application withdrawn after publication |