CN109707654A - 一种风扇调速方法及装置 - Google Patents
一种风扇调速方法及装置 Download PDFInfo
- Publication number
- CN109707654A CN109707654A CN201811545187.8A CN201811545187A CN109707654A CN 109707654 A CN109707654 A CN 109707654A CN 201811545187 A CN201811545187 A CN 201811545187A CN 109707654 A CN109707654 A CN 109707654A
- Authority
- CN
- China
- Prior art keywords
- gear
- state
- fan
- reward
- temperature
- 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.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请实施例提供了一种风扇调速方法及装置,涉及设备控制技术领域,其中,所述方法包括:获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;按照所述调速后档位对风扇进行调速。应用本申请实施例提供的方案能够灵活的对风扇进行调速。
Description
技术领域
本申请涉及设备控制技术领域,特别是涉及一种风扇调速方法及装置。
背景技术
随着业务量增长、运行时间变长,交换机、路由器等网络设备中CPU、MAC(MediaAccess Control,媒体访问控制)等芯片会不断产生热量,热量累积,使得芯片所处工作环境的温度越来越高,若不及时散热,会影响各个芯片正常工作,甚至导致芯片烧坏。
现有技术中,一般会在网络设备中设置多个温度传感器,并监控各个温度传感器采集的温度,根据温度传感器采集的温度控制风扇调速,进而达到散热的目的。
目前,通常是工作人员根据经验设定最高调速门限温度H和最低调速门限温度L,根据温度传感器采集的温度控制风扇调速时,若各个温度传感器采集的温度中存在高于H的温度则触发所有风扇向高转速调速,而只有在各个温度传感器采集的温度均低于上述L,才触发所有风扇向低转速调速。
虽然应用上述方式可以实现风扇调速,但是上述调速方式依赖于根据工作人员经验设置的上述H和L,且调速方式不够灵活。
发明内容
本申请实施例的目的在于提供一种风扇调速方法及装置,以降低风扇调速对根据工作人员经验设置的调速门限温度的依赖,提高调速方式的灵活性。具体技术方案如下:
第一方面,本申请实施例提供了一种风扇调速方法,所述方法包括:
获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
按照所述调速后档位对风扇进行调速。
第二方面,本申请实施例提供了一种风扇调速装置,所述装置包括:
信息获得模块,用于获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
档位预测模块,用于以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
风扇调速模块,用于按照所述调速后档位对风扇进行调速。
第三方面,本申请实施例提供了一种电子设备,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现本申请实施例所述的方法步骤。
第四方面,本申请实施例提供了一种机器可读存储介质,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现本申请实施例所述的方法步骤。
由以上可见,本申请实施例提供的方案中,获得用于监测设备所处工作环境温度的温度传感器采集的当前温度、用于调节上述工作环境温度的风扇工作的当前档位,并以上述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,按照上述调速后档位对风扇进行调速。由于上述档位预测模型是以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型,因此,对风扇进行调速时不会再依赖于根据工作人员经验设置的调速门限温度,进而可以降低对上述调速门限温度的依赖。另外,由于强化学习的学习过程是一个先观测、再行动、再观测、再行动的过程,因此采用强化学习的方式得到的上述档位预测模型可以基于工作环境的当前状态预测到后续为上述工作环境带来最大奖励的风扇调速方式,这样不会在任何情况均依据上述调速门限温度进行调速,从而提高了调速方式的灵活性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术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申请的一些实施例,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为本申请实施例提供的一种风扇调速方法的流程示意图;
图2为本申请实施例提供的一种模型训练方法的流程示意图;
图3为本申请实施例提供的一种样本获得方法的流程示意图;
图4为本申请实施例提供的另一种模型训练方法的流程示意图;
图5为本申请实施例提供的一种风扇调速装置的结构示意图;
图6为本申请实施例提供的一种模型训练装置的结构示意图;
图7为本申请实施例提供的另一种模型训练装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为本申请实施例提供的一种风扇调速方法的流程示意图,该方法包括:
S101:获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节工作环境温度的风扇工作的当前档位。
本申请的一个实施例中,上述设备可以是交换机、路由器等网络设备。
上述设备所处工作环境是指设备所工作的环境。
本领域技术人员可以理解的是,一个设备对外呈现为一个整体,所以上述环境可以理解为设备这一整体所工作的环境。例如,各个设备工作于机房中,则上述环境可以理解为机房。
另外,一个设备是由各种不同的器件组装而成的,从这个角度来讲,上述环境还可以理解为上述设备所包括的各个器件所工作的环境。例如,设备所包括的控制器、电路板等器件安装于设备的机箱内,则上述环境可以理解为上述控制器、电路板所工作的环境,也就是上述机箱内。
为监测设备所处工作环境的温度和调整上述工作环境的温度,上述温度传感器和风扇安装于上述工作环境中。相对于上述针对工作环境的描述,一方面,温度传感器和风扇可以安装于上述设备作为一个整体所处的环境中,例如,机房。另一方面,温度传感器和风扇还可以安装于设备的内部,例如,设备的机箱内。
除此之外,为保证能够准确的监测上述工作环境的温度,且快速调整上述工作环境的温度,上述温度传感器的数量可以是一个以上,上述风扇的数量也可以是一个以上,当然,本申请实施例并不对此进行限定,温度传感器的数量还可以是一个,风扇的数量也可以是一个。
S102:以当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位。
其中,上述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型。
强化学习是介于监督学习和非监督学习之间的一种机器学习算法,一般由agent(智能体)、state(状态)、action(行为)、reward(奖励)和policy(策略)构成。强化学习过程是agent从环境到行为映射的学习,以使得用于描述奖励信号的函数值最大。强化学习不同于上述监督学习,强化学习过程主要是依据环境提供的强化信号对所产生动作的好坏做出评价,而不是如何去产生正确的动作,可以归纳为:先观测、再行动、再观测、再行动……。
鉴于上述描述可以得知,本申请实施例提供的方案中,在进行强化学习得到上述档位预测模型时,是以包含温度传感器采集的温度和风扇工作的档位的信息为状态、以调整风扇工作的档位为动作的。
本申请的一个实施例中,强化学习过程中采用的奖励函数R可以为:
也就是,
其中,R表示在上述工作环境的一个状态下按照一个动作调整风扇工作的档位对上述工作环境带来的奖励,N表示温度传感器的数量,M表示风扇的数量,θ表示预设的平衡系数,Ii表示第i个温度传感器采集的温度是否在正常工作温度范围内,上述正常工作温度范围根据预设的告警温度阈值确定,Cj表示第j个风扇的档位数量,fj表示第j个风扇工作的档位,Wj表示第j个风扇的最大功率。
具体的,上述θ的取值可以是依据实际应用中对温度告警次数、能耗高低等需求而设定的。例如,若希望温度告警次数少,则可以设置θ的取值小一些,若希望风扇的能耗尽量小,则可以设置θ的取值大一些,若希望温度告警次数和能耗均衡考虑,则可以设置θ的取值为0.5。
上述根据预设的告警温度阈值确定的正常工作温度范围可以是(-∞,告警温度阈值],还可以是[预设温度值,告警温度阈值],其中,预设温度值低于告警温度阈值。本申请仅仅以此为例进行说明,并不限定上述正常工作温度范围的具体形式。
由于上述Ii表示第i个温度传感器采集的温度是否在正常工作温度范围内,且正常工作温度范围是根据告警温度阈值确定的,因此,根据上述表达式计算R时,考虑了工作环境温度与告警温度阈值之间的关系,例如,第i个温度传感器采集的温度不在正常工作温度范围内时Ii取值为0,在正常工作温度范围内时Ii取值为1,这样温度传感器采集的温度中在正常工作温度范围内的温度越多,R的取值越大,也就是强化学习过程中在一个状态下按照一个动作调整风扇工作的档位后对工作环境带来的奖励越高。据此进行强化学习得到的档位预测模型,可以做到提前预防工作环境温度不在正常工作温度范围内的情况发生,进而为用户带来较佳的体验。
另外,fj表示第j个风扇工作的档位,而风扇工作的档位越高其工作过程的能耗也会越高,鉴于此应用上述表达式计算R时,风扇工作的档位越高,计算得到的R值会越小,也就是强化学习过程中在一个状态下按照一个动作调整风扇工作的档位后对工作环境带来的奖励越低,反之,风扇工作的档位越低,计算得到的R值会越大,也就是强化学习过程中在一个状态下按照一个动作调整风扇工作的档位后对工作环境带来的奖励越高。据此进行强化学习得到的档位预测模型,考虑了风扇工作过程中的节能问题,进而避免了资源浪费。
训练得到上述档位预测模型的过程在后续实施例中进行说明,这里暂不详述。
在存在多个温度传感器、多个风扇的情况下,上述强化学习过程中涉及的状态可以表示为:[T0,T1…TN-1,f0,f1…fM-1]。其中,T0,T1…TN-1分别表示各个温度传感器采集的温度。
S103:按照调速后档位对风扇进行调速。
由于本实施例中上述档位预测模型是以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型,因此,对风扇进行调速时不会再依赖于根据工作人员经验设置的调速门限温度,进而可以降低对上述调速门限温度的依赖。另外,由于强化学习的学习过程是一个先观测、再行动、再观测、再行动的过程,因此采用强化学习的方式得到的上述档位预测模型可以基于工作环境的当前状态预测到后续为上述工作环境带来最大奖励的风扇调速方式,这样不会再任何情况均依据上述调速门限温度进行调速,从而提高了调速方式的灵活性。
本申请的一个实施例中,在上述步骤S101获得当前温度后,还可以检测所获得的当前温度中是否存在达到上述设备中器件的保护温度的温度,也即检测所获得的当前温度中是否存在接近器件的极限温度的温度,若存在,可以关闭上述设备。这样可以保证上述设备工作于正常状态,防止由于工作环境温度过高导致器件烧坏。
由于训练得到上述档位预测模型时可以基于多种模型进行训练,下面分情况进行说明。
实施例一、上述档位预测模型为:用于记录上述工作环境的状态之间进行转化的权值的状态转化权值表,其中,上述工作环境的状态包括:温度传感器采集的温度和风扇工作的档位。
工作环境的两个状态之间进行转化的权值越高,表示这两个状态之间进行转化的概率越高,也就是这两个状态之间进行转化的可能性越大。
这种情况下,上述步骤S102以当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,包括:
S102A:查询状态转化权值表,获得对上述工作环境的第一状态进行状态转化时权值最高的第二状态。
其中,上述第一状态为:包括当前温度和当前档位的状态。
也就是,上述第二状态为:从第一状态向其他状态转化时权值最高的状态。
S102B:将第二状态中包括的风扇的档位确定为风扇的调速后档位。
本领域技术人员可以理解的是,当温度传感器数量较少,风扇的数量也较少时,例如,1个温度传感器,1个风扇,包括温度传感器采集的温度和风扇工作的档位的上述工作环境的状态数量有限,且数量不会过于庞大,这样以表的形式记录状态之间进行转化的权值,不会占用较多的存储资源,且状态之间的转换关系简单明了。另外,通过查表的形式获得对第一状态进行状态转化时最佳的转化状态时,由于数据量不大,则能够快速获得上述最佳的转化状态,从而提高了对风扇进行调速的效率。
本申请的一个实施例中,如图2所示,提供了一种模型训练方法的流程示意图。在上述档位预测模型为状态转化权值表的情况下,可以通过以下方式训练得到上述状态转化权值表:
S201:根据温度传感器的数量、工作环境的温度范围、风扇的数量以及风扇的档位范围,获得初始的状态转化权值表。
由于上述工作环境的状态包括温度传感器采集的温度和风扇工作的档位,所以可以根据温度传感器的数量、工作环境的温度范围、风扇的数量以及风扇的档位范围计算出上述工作环境的状态的数量。
例如,温度传感器的数量为:1,工作环境的温度范围为[-25,105],也就是包括130个整数温度,风扇的数量为:1,风扇的档位范围为[0,1],也就是包括2个档位,这种情况下,上述工作环境的状态的数量=130x2=260。
在计算出上述状态的数量后,可以根据该数量构建状态转化权值表。为便于后续对该状态转化权值表进行训练,在训练之初可以先对该状态转化权值表进行初始化。在初始化过程中状态转化权值表中取值可以是随机确定的。
具体的,上述状态转化权值表可以是一PxP大小的表,其中,P表示上述工作环境的状态的数量。
S202:获得第一初始状态。
具体的,上述第一初始状态可以是从上述状态转化权值表记录的各个状态中随机选择的一个状态。
S203:查询状态转化权值表,获得对第一初始状态进行状态转化时权值最高的第三状态。
由于上述状态转化权值表中记录了上述工作环境的状态之间进行转化的权值,所以通过查询上述状态转化权值表,可以得到从第一初始状态向其他任一状态转化的权值,进而可以得到从第一初始状态向其他状态时权值最高的状态,为便于表述,本申请实施例中将这一权值最高的状态称为第三状态。
S204:根据第三状态,确定对第一初始状态进行状态转化时调整风扇工作档位的第一动作。
由于上述工作环境的状态包括了温度传感器采集的温度和风扇工作的档位,所以从上述第三状态中可以得知在工作环境处于上述第三状态时风扇工作的档位,又由于上述第三状态是在第一初始状态下对风扇进行调速而得到的状态,为此一种情况下,可以直接将上述第三状态中包括的风扇工作的档位确定为上述第一动作。这种情况下,对风扇进行调速可以理解为将风扇工作的档位调整至上述第一动作所指示的档位。例如,第三状态中包括的风扇工作的档位为:风扇1工作于2档位,则上述第一动作可以为:将风扇1工作的档位调整至2档位,对风扇进行调速为:将风扇工作的档位调整至上述2档位。
另一种情况下,还可以将上述第三状态中包括的风扇工作的档位与第一初始状态中包括的风扇工作的档位之间的差异确定为上述第一动作。这种情况下,对风扇进行调速可以理解为将风扇工作的档位调整过上述第一动作所指示的档位。例如,第三状态中包括的风扇工作的档位为:风扇1工作于2档位,第一初始状态中包括的风扇工作的档位为:风扇1工作于0档位,则上述第一动作可以为:将风扇1工作的档位调整过2个档位,对风扇进行调速为:将风扇1工作的档位从0档位调整过2个档位,进而调整至2档位。
S205:查询状态转化权值表,获得对第三状态进行状态转化时权值最高的第四状态。
S206:根据第四状态,确定对第三状态进行状态转化时调整风扇工作档位的第二动作。
需要说明的,上述S205和S206与前述S203、S204相似,这里不再赘述。
S207:计算在第一初始状态下按照第一动作调整风扇工作的档位对工作环境带来的奖励,作为第一奖励。
具体的,可以按照强化学习过程中预设的奖励函数计算上述第一奖励。例如可以按照前述R的计算表达式计算上述第一奖励。
S208:根据第一转化权值、第二转化权值和第一奖励更新第一转化权值。
其中,上述第一转化权值为:状态转化权值表中记录的、从第一初始状态转化至第三状态的权值,上述第二转化权值为:状态转化权值表中记录的、从第三状态转化至第四状态的权值。
本申请实施例中,可以设定强化学习中的Q-函数Q(s,t)表示在状态s下执行动作a时所能获得的最大折扣未来奖励,具体可以表示如下:
Q(st,at)=maxRt+1
上述表达式中,Q(st,at)表示在时刻t时状态st下执行动作at时所能获得的t+1时刻最大折扣未来奖励Rt+1。
本申请的一个实施例中,可以采用贝尔曼方程不断迭代近似得到上述Q-函数:
Q(s,a)=r+γmaxa′Q(s′,a′)
鉴于上述情况,可以依据以下表达式对上述第一转化权值进行更新。
Q[s,a]+α(r+γmaxa′Q[s′,a′]-Q[s,a])
其中,上述s’表示强化学习过程中的一种状态,a’表示强化学习过程中执行的动作,r表示在状态s下执行动作a所能获得的奖励,γ表示预设的折扣系数,例如,γ的取值可以为0.8、0.9、1等,α为表示学习快慢的预设的学习率,例如,α的取值可以为1、0.9等。
也就是,更新后的第一转化权值=
更新前第一转化权值+α(第一奖励+γ*第二转化权值-第转化权值)。
S209:将第一初始状态更新为所述第三状态,并返回上述S203,反复迭代多次,直至状态转化权值表收敛。
具体的,在更新状态转化权值表中的第一转化权值时,若第一转化权值的值不再发生变化,或者更新前第一转化权值的取值与转化后第一转化权值的取值之间的差异小于预设的阈值,则可以认为状态转化权值表已收敛。这种情况下可以结束训练。
实施例、上述档位预测模型为神经网络模型。
这种情况下,上述步骤S102以当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,包括:
S102C:将上述工作环境的第一状态输入神经网络模型,获得神经网络模型预测得到的、在第一状态下风扇工作于各个档位为上述工作环境带来的奖励。
其中,上述第一状态为:包括当前温度和当前档位的状态。
S102D:针对每一风扇,将最高奖励对应的档位确定为该风扇的调速后档位。
本领域技术人员可以理解的是,当温度传感器数量较多,风扇的数量也较多时,包括温度传感器采集的温度和风扇工作的档位的上述工作环境的状态数量会急剧增长,导致上述状态数量过于庞大,这样仍以表的形式记录状态之间进行转化的权值的话会占用较多的存储资源,且通过查表的形式获得对第一状态进行状态转化时最佳的转化状态时,由于数据量过大,导致查表速度较慢。而本实施例中以神经网络模型作为上述档位预测模型,则可以摆脱温度传感器数量以及风扇数量的限制。
在上述档位预测模型为神经网络模型的情况下,需要获得训练样本,并采用所获得的训练样本对神经网络模型进行训练,进而得到用于进行档位预测的档位预测模型。
本申请的一个实施例中,如图3所示,提供了一种样本获得方法的流程示意图,按照以下方式获得对神经网络模型进行训练的训练样本:
S301:获得第二初始状态。
具体的,本步骤可以随机选择上述工作环境的任意一个状态作为上述第二初始状态。
S302:确定调整风扇工作档位的第三动作。
第一种实现方式,可以以随机选择动作的方式确定上述第三动作。
第二种实现方式,还可以选择在第二初始状态下调整风扇工作的档位时对上述工作环境带来最大奖励的动作作为上述第三动作,也就是,通过上述神经网络模型预测得到的档位确定的动作。
除上述两种方式外,还可以设定一随机概率ε,按照ε的取值决定采用上述第一种实现方式确定上述第三动作,还是采用上述第二种实现方式确定上述第三动作。
另外,随着获得样本越来越多、以及模型训练过程的继续,上述神经网络模型的收敛性越来越好,预测结果越来趋于准确,可以逐渐减小上述ε,例如,从1逐渐减小至0.1。
S303:获得在第二初始状态下按照第三动作调整风扇工作的档位后工作环境的第五状态。
在第二初始状态下按照第三动作调整风扇工作的档位后,由于风扇工作的档位发生变化,会使得上述工作环境的温度也逐渐发生变化,进而温度传感器采集的温度也会随之发生变化,这种情况下包含温度传感器采集的温度和风扇工作的档位的状态被称为上述第五状态。
S304:计算在第二初始状态下按照第三动作调整风扇工作的档位对工作环境带来的奖励,作为第二奖励。
具体的,可以按照强化学习过程中预设的奖励函数计算上述第二奖励。例如可以按照前述R的计算表达式计算上述第二奖励。
S305:获得包含第二初始状态、第三动作、第二奖励和第五状态的训练样本。
S306:将第二初始状态更新为第五状态,并返回上述S302的步骤,继续获得训练样本。
通过上述步骤S301-S306循环往复可以得到越来越多的训练样本。
在按照上述方式获得训练样本的同时,本实施例中,可以按照如图4所示的方式,采用已获得的训练样本训练得到上述神经网络模型,其中,每次对神经网络模型进行训练时,从已获得的训练样本中选择的样本可以是一个,也可以是多个,本申请并不对此进行限定。
具体的,上述训练过程包括:
S401:获得在训练样本中第五状态下调整风扇工作的档位对上述工作环境带来的最大奖励。
从前述图3实施例的描述中可以得知,可以设定强化学习中的Q-函数Q(s,t)表示在状态s下执行动作a时所能获得的最大折扣未来奖励,具体可以表示如下:
Q(st,at)=maxRt+1
上述表达式中,Q(st,at)表示在时刻t时状态st下执行动作at时所能获得的t+1时刻最大折扣未来奖励Rt+1。
则在上述基础上,可以结合上述Q-函数获得上述最大奖励。
具体的,上述Rt+1可以基于前述实施例中提及的用于计算R的表达式计算得到。
S402:根据训练样本中的第二奖励和上述最大奖励,确定训练基准。
本申请的一个实施例中,可以按照以下表达式确定训练基准。
训练基准=第二奖励+γ*上述最大奖励
S403:将训练样本中的第二初始状态输入上述神经网络模型,获得神经网络模型预测得到的、在第二初始状态下风扇工作于目标档位对上述工作环境带来的奖励,作为第三奖励。
其中,上述目标档位为:在第二初始状态下按照训练样本中的第三动作对风扇工作的档位进行调整后风扇所工作的档位。
S404:基于上述第三奖励和训练基准对神经网络模型进行训练。
具体的,基于上述第三奖励和训练基准对神经网络模型进行训练时,先计算上述第三奖励和训练基准之间的差异,然后依据计算得到的差异调整神经网络模型中的参数,使得神经网络模型进行预测得到的预测结果向训练基准靠拢。
本申请的一个实施例中,在从已获得的训练样本中选择用于进行模型训练的样本后,可以先判断所选择样本中的第五状态是否表征上述工作环境的终点状态,若为是,则可以直接将训练样本中的第二奖励作为训练基准。
上述工作环境的终点状态可以理解为不能再继续调整的状态,例如,温度传感器采集的温度达到保护温度的状态等。
为保证训练得到鲁棒性较强的档位预测模型,在训练过程中可以增加样本的多样性。例如,可以考虑引入以下类型的样本。
1、模拟由不同带宽的业务流量而引起设备内芯片不同程度温度变化的样本;
2、模拟个别风扇故障的样本;
3、模拟热风枪吹热某个风扇或者液氮冷却某个芯片而使得芯片温度发生变化的样本。
本申请仅仅以上述为例进行说明,并不对训练过程中所使用样本的具体形式进行限定。
与上述风扇调速方法相对应,本申请实施例还提供了一种风扇调速装置。
图5为本申请实施例提供的一种风扇调速装置的结构示意图,该装置包括:
信息获得模块501,用于获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
档位预测模块502,用于以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
风扇调速模块503,用于按照所述调速后档位对风扇进行调速。
本申请的一个实施例中,强化学习过程中采用的奖励函数R为:
其中,R表示在所述工作环境的一个状态下按照一个动作调整风扇工作的档位对所述工作环境带来的奖励,N表示温度传感器的数量,M表示风扇的数量,θ表示预设的平衡系数,Ii表示第i个温度传感器采集的温度是否在正常工作温度范围内,所述正常工作温度范围根据预设的告警温度阈值确定,Cj表示第j个风扇的档位数量,fj表示第j个风扇工作的档位,Wj表示第j个风扇的最大功率。
由于本实施例中上述档位预测模型是以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型,因此,对风扇进行调速时不会再依赖于根据工作人员经验设置的调速门限温度,进而可以降低对上述调速门限温度的依赖。另外,由于强化学习的学习过程是一个先观测、再行动、再观测、再行动的过程,因此采用强化学习的方式得到的上述档位预测模型可以基于工作环境的当前状态预测到后续为上述工作环境带来最大奖励的风扇调速方式,这样不会再任何情况均依据上述调速门限温度进行调速,从而提高了调速方式的灵活性。
由于训练得到上述档位预测模型时可以基于多种模型进行训练,下面分情况进行说明。
实施例一、所述档位预测模型为:用于记录所述工作环境的状态之间进行转化的权值的状态转化权值表,其中,所述工作环境的状态包括:温度传感器采集的温度和风扇工作的档位;
所述档位预测模块502,包括:
第一状态获得单元,用于查询所述状态转化权值表,获得对所述工作环境的第一状态进行状态转化时权值最高的第二状态,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
第一档位确定单元,用于将所述第二状态中包括的风扇的档位确定为风扇的调速后档位。
本领域技术人员可以理解的是,当温度传感器数量较少,风扇的数量也较少时,例如,1个温度传感器,1个风扇,包括温度传感器采集的温度和风扇工作的档位的上述工作环境的状态数量有限,且数量不会过于庞大,这样以表的形式记录状态之间进行转化的权值,不会占用较多的存储资源,且状态之间的转换关系简单明了。另外,通过查表的形式获得对第一状态进行状态转化时最佳的转化状态时,由于数据量不大,则能够快读获得上述最佳的转化状态,从而提高了对风扇进行调速的效率。
本申请的一个实施例中,上述装置还可以包括:
表获得模块,用于训练得到所述状态转化权值表。
基于此,如图6所示,提供了一种模型训练装置的结构示意图。该装置中,上述表获得模块,包括:
初始表获得单元601,用于根据温度传感器的数量、所述工作环境的温度范围、风扇的数量以及风扇的档位范围,获得初始的状态转化权值表;
第二状态获得单元602,用于获得第一初始状态;
第三状态获得单元603,用于查询所述状态转化权值表,获得对所述第一初始状态进行状态转化时权值最高的第三状态;
第一动作确定单元604,用于根据所述第三状态,确定对所述第一初始状态进行状态转化时调整风扇工作档位的第一动作;
第四状态获得单元605,用于查询所述状态转化权值表,获得对所述第三状态进行状态转化时权值最高的第四状态;
第二动作确定单元606,用于根据所述第四状态,确定对所述第三状态进行状态转化时调整风扇工作档位的第二动作;
第一奖励计算单元607,用于计算在所述第一初始状态下按照所述第一动作调整风扇工作的档位对所述工作环境带来的奖励,作为第一奖励;
权值更新单元608,用于根据第一转化权值、第二转化权值和第一奖励更新所述第一转化权值,其中,所述第一转化权值为:所述状态转化权值表中记录的、从所述第一初始状态转化至所述第三状态的权值,所述第二转化权值为:所述状态转化权值表中记录的、从所述第三状态转化至所述第四状态的权值;
第一状态更新单元609,用于将所述第一初始状态更新为所述第三状态,并触发所述第二状态获得单元602,直至所述状态转化权值表收敛。
实施例二、上述档位预测模型为神经网络模型。
这种情况下,所述档位预测模型为神经网络模型;
所述档位预测模块502,包括:
奖励获得单元,用于将所述工作环境的第一状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第一状态下风扇工作于各个档位为所述工作环境带来的奖励,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
第二档位确定单元,用于针对每一风扇,将最高奖励对应的档位确定为该风扇的调速后档位。
本领域技术人员可以理解的是,当温度传感器数量较多,风扇的数量也较多时,包括温度传感器采集的温度和风扇工作的档位的上述工作环境的状态数量会急剧增长,导致上述状态数量过于庞大,这样仍以表的形式记录状态之间进行转化的权值的话会占用较多的存储资源,且通过查表的形式获得对第一状态进行状态转化时最佳的转化状态时,由于数据量过大,导致查表速度较慢。而本实施例中以神经网络模型作为上述档位预测模型,则可以摆脱温度传感器数量以及风扇数量的限制。
本申请的一个实施例中,上述装置还可以包括:
样本获得模块701,用于获得对神经网络模型进行训练的训练样本;
模型训练模块702,用于采用已获得的训练样本训练得到所述神经网络模型。
基于此,如图7所示,提供了另一种模型训练装置的结构示意图,该装置中:
所述样本获得模块701,包括:
第五状态获得单元701A,用于获得第二初始状态;
第三动作确定单元701B,用于确定调整风扇工作档位的第三动作;
第六状态获得单元701C,用于获得在所述第二初始状态下按照所述第三动作调整风扇工作的档位后所述工作环境的第五状态;
第二奖励计算单元701D,用于计算在所述第二初始状态下按照所述第三动作调整风扇工作的档位对所述工作环境带来的奖励,作为第二奖励;
样本获得单元701E,用于获得包含所述第二初始状态、第三动作、第二奖励和第五状态的训练样本;
第二状态更新单元701F,用于将所述第二初始状态更新为所述第五状态,并触发所述第三动作确定单元701B,继续获得训练样本;
所述模型训练模块702,包括:
第三奖励获得单元702A,用于获得在训练样本中第五状态下调整风扇工作的档位对所述工作环境带来的最大奖励;
基准确定单元702B,用于根据训练样本中的第二奖励和所述最大奖励,确定训练基准;
第四奖励获得单元702C,用于将训练样本中的第二初始状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第二初始状态下风扇工作于目标档位对所述工作环境带来的奖励,作为第三奖励,其中,所述目标档位为:在所述第二初始状态下按照训练样本中的第三动作对风扇工作的档位进行调整后风扇所工作的档位;
模型训练单元702D,用于基于所述第三奖励和训练基准对所述神经网络模型进行训练。
与上述风扇调速方法相对应,本申请实施例还提供了一种电子设备,包括:处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现本申请实施例所述的风扇调速方法步骤。
本申请的一个实施例中,提供了一种风扇调速方法,所述方法包括:
获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
按照所述调速后档位对风扇进行调速。
需要说明的是,处理器被机器可执行指令促使实现的风扇调速方法的其他实施例,与前述方法实施例部分所提及的实施例相同,这里不再赘述。
机器可读存储介质可以包括随机存取存储器(Random Access Memory,RAM),也可以包括非易失性存储器(Non-Volatile Memory,NVM),例如至少一个磁盘存储器。可选的,机器可读存储介质还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital SignalProcessing,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
由于本实施例中上述档位预测模型是以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型,因此,对风扇进行调速时不会再依赖于根据工作人员经验设置的调速门限温度,进而可以降低对上述调速门限温度的依赖。另外,由于强化学习的学习过程是一个先观测、再行动、再观测、再行动的过程,因此采用强化学习的方式得到的上述档位预测模型可以基于工作环境的当前状态预测到后续为上述工作环境带来最大奖励的风扇调速方式,这样不会再任何情况均依据上述调速门限温度进行调速,从而提高了调速方式的灵活性。
与上述风扇调速方法相对应,本申请实施例还提供了一种机器可读存储介质,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现本申请实施例所述的风扇调速方法步骤。
本申请的一个实施例中,提供了一种风扇调速方法,所述方法包括:
获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
按照所述调速后档位对风扇进行调速。
需要说明的是,上述机器可执行指令促使处理器实现的风扇调速方法的其他实施例,与前述方法实施例部分所提及的实施例相同,这里不再赘述。
由于本实施例中上述档位预测模型是以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型,因此,对风扇进行调速时不会再依赖于根据工作人员经验设置的调速门限温度,进而可以降低对上述调速门限温度的依赖。另外,由于强化学习的学习过程是一个先观测、再行动、再观测、再行动的过程,因此采用强化学习的方式得到的上述档位预测模型可以基于工作环境的当前状态预测到后续为上述工作环境带来最大奖励的风扇调速方式,这样不会再任何情况均依据上述调速门限温度进行调速,从而提高了调速方式的灵活性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置、电子设备和机器可读存储介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内所作的任何修改、等同替换、改进等,均包含在本申请的保护范围内。
Claims (14)
1.一种风扇调速方法,其特征在于,所述方法包括:
获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
按照所述调速后档位对风扇进行调速。
2.根据权利要求1所述的方法,其特征在于,所述档位预测模型为:用于记录所述工作环境的状态之间进行转化的权值的状态转化权值表,其中,所述工作环境的状态包括:温度传感器采集的温度和风扇工作的档位;
所述以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,包括:
查询所述状态转化权值表,获得对所述工作环境的第一状态进行状态转化时权值最高的第二状态,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
将所述第二状态中包括的风扇的档位确定为风扇的调速后档位。
3.根据权利要求2所述的方法,其特征在于,通过以下方式训练得到所述状态转化权值表:
根据温度传感器的数量、所述工作环境的温度范围、风扇的数量以及风扇的档位范围,获得初始的状态转化权值表;
获得第一初始状态;
查询所述状态转化权值表,获得对所述第一初始状态进行状态转化时权值最高的第三状态;
根据所述第三状态,确定对所述第一初始状态进行状态转化时调整风扇工作档位的第一动作;
查询所述状态转化权值表,获得对所述第三状态进行状态转化时权值最高的第四状态;
根据所述第四状态,确定对所述第三状态进行状态转化时调整风扇工作档位的第二动作;
计算在所述第一初始状态下按照所述第一动作调整风扇工作的档位对所述工作环境带来的奖励,作为第一奖励;
根据第一转化权值、第二转化权值和第一奖励更新所述第一转化权值,其中,所述第一转化权值为:所述状态转化权值表中记录的、从所述第一初始状态转化至所述第三状态的权值,所述第二转化权值为:所述状态转化权值表中记录的、从所述第三状态转化至所述第四状态的权值;
将所述第一初始状态更新为所述第三状态,并返回所述查询所述状态转化权值表,获得对所述第一初始状态进行状态转化时权值最高的第三状态的步骤,直至所述状态转化权值表收敛。
4.根据权利要求1所述的方法,其特征在于,所述档位预测模型为神经网络模型;
所述以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,包括:
将所述工作环境的第一状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第一状态下风扇工作于各个档位为所述工作环境带来的奖励,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
针对每一风扇,将最高奖励对应的档位确定为该风扇的调速后档位。
5.根据权利要求4所述的方法,其特征在于,按照以下方式获得对神经网络模型进行训练的训练样本:
获得第二初始状态;
确定调整风扇工作档位的第三动作;
获得在所述第二初始状态下按照所述第三动作调整风扇工作的档位后所述工作环境的第五状态;
计算在所述第二初始状态下按照所述第三动作调整风扇工作的档位对所述工作环境带来的奖励,作为第二奖励;
获得包含所述第二初始状态、第三动作、第二奖励和第五状态的训练样本;
将所述第二初始状态更新为所述第五状态,并返回所述确定调整风扇工作档位的第三动作的步骤,继续获得训练样本;
通过以下方式,采用已获得的训练样本训练得到所述神经网络模型:
获得在训练样本中第五状态下调整风扇工作的档位对所述工作环境带来的最大奖励;
根据训练样本中的第二奖励和所述最大奖励,确定训练基准;
将训练样本中的第二初始状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第二初始状态下风扇工作于目标档位对所述工作环境带来的奖励,作为第三奖励,其中,所述目标档位为:在所述第二初始状态下按照训练样本中的第三动作对风扇工作的档位进行调整后风扇所工作的档位;
基于所述第三奖励和训练基准对所述神经网络模型进行训练。
6.根据权利要求1-5中任一项所述的方法,其特征在于,强化学习过程中采用的奖励函数R为:
其中,R表示在所述工作环境的一个状态下按照一个动作调整风扇工作的档位对所述工作环境带来的奖励,N表示温度传感器的数量,M表示风扇的数量,θ表示预设的平衡系数,Ii表示第i个温度传感器采集的温度是否在正常工作温度范围内,所述正常工作温度范围根据预设的告警温度阈值确定,Cj表示第j个风扇的档位数量,fj表示第j个风扇工作的档位,Wj表示第j个风扇的最大功率。
7.一种风扇调速装置,其特征在于,所述装置包括:
信息获得模块,用于获得用于监测设备所处工作环境温度的温度传感器采集的当前温度,并获得用于调节所述工作环境温度的风扇工作的当前档位;
档位预测模块,用于以所述当前温度和当前档位为模型输入,根据预先训练得到的档位预测模型,预测风扇的调速后档位,其中,所述档位预测模型为:以温度传感器采集的温度和风扇工作的档位为状态、且以调整风扇工作的档位为动作进行强化学习得到的、用于预测风扇调速后所工作档位的模型;
风扇调速模块,用于按照所述调速后档位对风扇进行调速。
8.根据权利要求7所述的装置,其特征在于,所述档位预测模型为:用于记录所述工作环境的状态之间进行转化的权值的状态转化权值表,其中,所述工作环境的状态包括:温度传感器采集的温度和风扇工作的档位;
所述档位预测模块,包括:
第一状态获得单元,用于查询所述状态转化权值表,获得对所述工作环境的第一状态进行状态转化时权值最高的第二状态,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
第一档位确定单元,用于将所述第二状态中包括的风扇的档位确定为风扇的调速后档位。
9.根据权利要求8所述的装置,其特征在于,所述装置还包括:
表获得模块,用于训练得到所述状态转化权值表;
其中,所述表获得模块,包括:
初始表获得单元,用于根据温度传感器的数量、所述工作环境的温度范围、风扇的数量以及风扇的档位范围,获得初始的状态转化权值表;
第二状态获得单元,用于获得第一初始状态;
第三状态获得单元,用于查询所述状态转化权值表,获得对所述第一初始状态进行状态转化时权值最高的第三状态;
第一动作确定单元,用于根据所述第三状态,确定对所述第一初始状态进行状态转化时调整风扇工作档位的第一动作;
第四状态获得单元,用于查询所述状态转化权值表,获得对所述第三状态进行状态转化时权值最高的第四状态;
第二动作确定单元,用于根据所述第四状态,确定对所述第三状态进行状态转化时调整风扇工作档位的第二动作;
第一奖励计算单元,用于计算在所述第一初始状态下按照所述第一动作调整风扇工作的档位对所述工作环境带来的奖励,作为第一奖励;
权值更新单元,用于根据第一转化权值、第二转化权值和第一奖励更新所述第一转化权值,其中,所述第一转化权值为:所述状态转化权值表中记录的、从所述第一初始状态转化至所述第三状态的权值,所述第二转化权值为:所述状态转化权值表中记录的、从所述第三状态转化至所述第四状态的权值;
第一状态更新单元,用于将所述第一初始状态更新为所述第三状态,并触发所述第二状态获得单元,直至所述状态转化权值表收敛。
10.根据权利要求7所述的装置,其特征在于,所述档位预测模型为神经网络模型;
所述档位预测模块,包括:
奖励获得单元,用于将所述工作环境的第一状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第一状态下风扇工作于各个档位为所述工作环境带来的奖励,其中,所述第一状态为:包括所述当前温度和当前档位的状态;
第二档位确定单元,用于针对每一风扇,将最高奖励对应的档位确定为该风扇的调速后档位。
11.根据权利要求10所述的装置,其特征在于,所述装置还包括:
样本获得模块,用于获得对神经网络模型进行训练的训练样本;
模型训练模块,用于采用已获得的训练样本训练得到所述神经网络模型;
其中,所述样本获得模块,包括:
第五状态获得单元,用于获得第二初始状态;
第三动作确定单元,用于确定调整风扇工作档位的第三动作;
第六状态获得单元,用于获得在所述第二初始状态下按照所述第三动作调整风扇工作的档位后所述工作环境的第五状态;
第二奖励计算单元,用于计算在所述第二初始状态下按照所述第三动作调整风扇工作的档位对所述工作环境带来的奖励,作为第二奖励;
样本获得单元,用于获得包含所述第二初始状态、第三动作、第二奖励和第五状态的训练样本;
第二状态更新单元,用于将所述第二初始状态更新为所述第五状态,并触发所述第三动作确定单元,继续获得训练样本;
所述模型训练模块,包括:
第三奖励获得单元,用于获得在训练样本中第五状态下调整风扇工作的档位对所述工作环境带来的最大奖励;
基准确定单元,用于根据训练样本中的第二奖励和所述最大奖励,确定训练基准;
第四奖励获得单元,用于将训练样本中的第二初始状态输入所述神经网络模型,获得所述神经网络模型预测得到的、在所述第二初始状态下风扇工作于目标档位对所述工作环境带来的奖励,作为第三奖励,其中,所述目标档位为:在所述第二初始状态下按照训练样本中的第三动作对风扇工作的档位进行调整后风扇所工作的档位;
模型训练单元,用于基于所述第三奖励和训练基准对所述神经网络模型进行训练。
12.根据权利要求7-11中任一项所述的装置,其特征在于,强化学习过程中采用的奖励函数R为:
其中,R表示在所述工作环境的一个状态下按照一个动作调整风扇工作的档位对所述工作环境带来的奖励,N表示温度传感器的数量,M表示风扇的数量,θ表示预设的平衡系数,Ii表示第i个温度传感器采集的温度是否在正常工作温度范围内,所述正常工作温度范围根据预设的告警温度阈值确定,Cj表示第j个风扇的档位数量,fj表示第j个风扇工作的档位,Wj表示第j个风扇的最大功率。
13.一种电子设备,其特征在于,包括处理器和机器可读存储介质,所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令,所述处理器被所述机器可执行指令促使:实现权利要求1-6任一所述的方法步骤。
14.一种机器可读存储介质,其特征在于,存储有机器可执行指令,在被处理器调用和执行时,所述机器可执行指令促使所述处理器:实现权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545187.8A CN109707654B (zh) | 2018-12-17 | 2018-12-17 | 一种风扇调速方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811545187.8A CN109707654B (zh) | 2018-12-17 | 2018-12-17 | 一种风扇调速方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109707654A true CN109707654A (zh) | 2019-05-03 |
CN109707654B CN109707654B (zh) | 2021-01-22 |
Family
ID=66255843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811545187.8A Active CN109707654B (zh) | 2018-12-17 | 2018-12-17 | 一种风扇调速方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109707654B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110925234A (zh) * | 2019-12-06 | 2020-03-27 | 怀化学院 | 电风扇控制装置和电风扇 |
CN111561732A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的换热站供热调节方法及系统 |
CN112783230A (zh) * | 2020-12-31 | 2021-05-11 | 深圳市火乐科技发展有限公司 | 温度控制方法及相关装置 |
CN113204461A (zh) * | 2021-04-16 | 2021-08-03 | 山东英信计算机技术有限公司 | 一种服务器硬件监控的方法、装置、设备及可读介质 |
WO2022100740A1 (zh) * | 2020-11-16 | 2022-05-19 | 华为技术有限公司 | 机柜内多个设备的散热联调方法及系统、装置、存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902328A (zh) * | 2011-07-29 | 2013-01-30 | 鸿富锦精密工业(深圳)有限公司 | 服务器集群散热管理系统 |
CN106961236A (zh) * | 2015-09-30 | 2017-07-18 | 发那科株式会社 | 电动机驱动装置 |
US9846444B1 (en) * | 2017-06-07 | 2017-12-19 | Aic Inc. | Method for controlling and adjusting fans of electronic apparatus |
US9936614B2 (en) * | 2015-02-11 | 2018-04-03 | Dell Products, Lp | System and method for automated open loop fan control |
CN108050092A (zh) * | 2017-11-14 | 2018-05-18 | 深圳市科比特航空科技有限公司 | 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 |
CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
-
2018
- 2018-12-17 CN CN201811545187.8A patent/CN109707654B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102902328A (zh) * | 2011-07-29 | 2013-01-30 | 鸿富锦精密工业(深圳)有限公司 | 服务器集群散热管理系统 |
US9936614B2 (en) * | 2015-02-11 | 2018-04-03 | Dell Products, Lp | System and method for automated open loop fan control |
CN106961236A (zh) * | 2015-09-30 | 2017-07-18 | 发那科株式会社 | 电动机驱动装置 |
US9846444B1 (en) * | 2017-06-07 | 2017-12-19 | Aic Inc. | Method for controlling and adjusting fans of electronic apparatus |
CN108050092A (zh) * | 2017-11-14 | 2018-05-18 | 深圳市科比特航空科技有限公司 | 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 |
CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
陈慧岩等: "《智能车辆理论与应用》", 31 July 2018, 北京理工大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110925234A (zh) * | 2019-12-06 | 2020-03-27 | 怀化学院 | 电风扇控制装置和电风扇 |
CN111561732A (zh) * | 2020-05-18 | 2020-08-21 | 瑞纳智能设备股份有限公司 | 基于人工智能的换热站供热调节方法及系统 |
WO2022100740A1 (zh) * | 2020-11-16 | 2022-05-19 | 华为技术有限公司 | 机柜内多个设备的散热联调方法及系统、装置、存储介质 |
CN112783230A (zh) * | 2020-12-31 | 2021-05-11 | 深圳市火乐科技发展有限公司 | 温度控制方法及相关装置 |
CN113204461A (zh) * | 2021-04-16 | 2021-08-03 | 山东英信计算机技术有限公司 | 一种服务器硬件监控的方法、装置、设备及可读介质 |
CN113204461B (zh) * | 2021-04-16 | 2022-05-03 | 山东英信计算机技术有限公司 | 一种服务器硬件监控的方法、装置、设备及可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109707654B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109707654A (zh) | 一种风扇调速方法及装置 | |
US11965666B2 (en) | Control method for air conditioner, and device for air conditioner and storage medium | |
KR102553299B1 (ko) | 데이터 학습 서버 및 이의 학습 모델 생성 및 이용 방법 | |
US11836599B2 (en) | Optimizing data center controls using neural networks | |
US11879656B2 (en) | Initialization of radial base function neural network nodes for reinforcement learning incremental control system | |
US20190195525A1 (en) | Method and apparatus for operating heating and cooling equipment via a network | |
US20220004475A1 (en) | Data center infrastructure optimization method based on causal learning | |
KR102456900B1 (ko) | 에지 컴퓨팅 기반 데이터 분석 시스템 및 그 방법 | |
CN110826784B (zh) | 能源使用效率的预测方法、装置及存储介质和终端设备 | |
US11536477B2 (en) | Electronic apparatus and operation method for predicting HVAC energy consumption | |
JP2020154785A (ja) | 予測方法、予測プログラムおよびモデル学習方法 | |
CN110542178B (zh) | 具有自学习能力的空调冷冻机房控制方法及系统 | |
Chavan et al. | An integrated approach for weather forecasting over Internet of Things: A brief review | |
CN108665052A (zh) | 果蝇算法优化广义回归神经网络的方法和装置 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
KR20210055992A (ko) | 인공지능 모델 관리 방법 및 장치 | |
Xu et al. | Concept drift learning with alternating learners | |
Khan et al. | An OCF-IoTivity enabled smart-home optimal indoor environment control system for energy and comfort optimization | |
CN113821903B (zh) | 温度控制方法和设备、模块化数据中心及存储介质 | |
KR102577327B1 (ko) | 인공신경망 기반의 전기 부하 예측 방법 및 장치 | |
WO2016203757A1 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラムが格納されているコンピュータ読み取り可能な記憶媒体 | |
JP2011165152A (ja) | エネルギー需要予測装置およびエネルギー需要予測方法 | |
Alonso et al. | Virtual sensor for probabilistic estimation of the evaporation in cooling towers | |
KR102187793B1 (ko) | 예측 풍속을 이용한 가변속 풍력 터빈의 최대 풍력 에너지 추출 방법 | |
US20210158976A1 (en) | Method and apparatus for managing abnormal behavior of iot device |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |