CN111963471A - 一种风扇转速控制方法和装置 - Google Patents

Abstract

本发明公开了一种风扇转速控制方法和装置，所述方法包括：温度传感器采集温度信息并传递至基板管理控制器，基板管理控制器将控制信号传递至风扇控制芯片；风扇控制芯片根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；PID控制器调节PWM信号，控制风扇转速。所述装置包括温度传感器、基板管理控制器、风扇控制芯片和PID控制器。本发明使用模糊控制与RBF神经网络相结合的模糊神经网络来整定PID参数，提高了PID控制的精度，得到最优的PID参数值，从而提高风扇系统控制精度，减小转速波动范围，降低风扇功耗，实现更为精准的转速控制。

Description

一种风扇转速控制方法和装置

技术领域

本发明涉及服务器散热领域，具体涉及一种风扇转速控制方法和装置。

背景技术

伴随着科技的高速发展和互联网技术的愈发成熟，云计算和大数据产业占据了越来越重要的位置。服务器作为数据中心的核心正扮演着更加重要的角色，而大量服务器集群组成的数据中心的功耗问题也愈发地受到关注。如何有效地提高服务器散热的效率，降低数据中心中服务器的功耗成为各个专家学者的研究重点。

服务器的散热技术主要有风冷散热和液冷散热。风冷散热是引导风的走向，通过将冷风吹向发热元件，或者将热风从服务器内部抽出。散热系统的主要部件是风扇和导风罩，风扇通常采用抽风型风扇或吹风型风扇，导风罩可以引导风从指定的风道吹出，在散热过程中形成固定的气流流通方向。液冷散热是通过热传导的方式，通过液体的流动或者浸没将发热元件的热量带走。常见的液冷散热方式有浸没和液冷回路。但由于电子元件遇水极易损坏，因此浸没所采用的液体通常是氟化物等不易导电的液体，而液冷回路则是将封闭的液冷回路与电子元器件接触，通过液体流动将元器件产生的热量带走。

传统服务器散热多采用风冷散热，而风冷散热是通过查表法读取温度，根据温度传感器采集到温度信息后交由BMC(Baseboard Management Controller，基板管理控制器)处理，BMC将温度信息传给风扇控制芯片，由风扇控制芯片发出控制信号调整PWM(PulseWidth Modulation，脉冲宽度调制)实现转速控制，为服务器降温，但此类方法控制精度不高且会使风扇转速产生较大的波动，不利于服务器的散热和功耗的优化。为解决该问题，服务器的风扇控制系统中可以采用PID(Proportion Integration Differentiation，比例-积分-微分)控制器来对风扇转速进行控制，PID控制器具有结构简单，鲁棒性强、适用性强等特点，是工业生产中使用最为广泛的控制器。但是传统PID控制器的控制性能十分依赖PID参数的整定与优化，PID参数的选择将直接影响整个系统的性能，而靠经验法手动调节难以获得最优参数，无法取得最优的控制效果。

发明内容

为了解决上述技术问题，本发明提出了一种风扇转速控制方法和装置，能够精准选择PID参数，提高风扇转速控制精度，降低转速波动，实现更为精确的控制。

为实现上述目的，本发明采用以下技术方案：

一种风扇转速控制方法，包括：

温度传感器采集温度信息并传递至基板管理控制器，基板管理控制器将控制信号传递至风扇控制芯片；

风扇控制芯片根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器调节PWM信号，控制风扇转速。

进一步地，所述RBF模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的比例参数K_p、积分参数K_i和微分参数K_d；

所述输入层与输入变量直接相连；

所述模糊化层采用隶属度函数对输入层的输出量进行模糊化；

所述模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度；

所述归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算；

所述输出层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。

进一步地，输入层输入量为：

输入层输出量为：

输入层节点总数为：N₁＝n；

其中，i＝1,2...n，n为输入变量的个数，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

进一步地，所述模糊化层采用高斯径向基函数，模糊化层输入量为：

模糊化层输出量为：

模糊化层节点总数为：

其中，x_i为第i个输入变量；c_ij、σ_ij分别为第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；i＝1,2...n，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

进一步地，所述模糊推理层的每个节点代表模糊规则库的一条模糊规则，模糊推理层输入量为：

模糊推理层输出量为：

模糊推理层节点总数为：

其中，k_n∈{1,2...m_n}，l＝1,2...m，m为模糊推理层节点总数。

进一步地，归一化层输入量为：

归一化层输出量为：

归一化层节点总数为：N₄＝N₃＝m；

其中，l＝1,2...m。

进一步地，输出层输入量为：

输出层输出量为：

输出层节点总数为：N₅＝r；

其中，m为模糊推理层节点的数目，即模糊规则数，k＝1,2...r，r为输出层节点的数目，即RBF模糊神经网络的输出变量数目，

为第k个输出对应的第j个权值。

进一步地，所述PID控制器的控制参数K_p、K_i、K_d用于求取增量式PID控制器的增量为：

ΔU(n)＝K_p·e(n-1)+K_i·e(n)+K_d·[e(n)-2e(n-1)+2(n-2)]

其中，

e(n)为输入变量偏差。

本发明还提出了一种风扇转速控制装置，包括：

温度传感器，用于采集温度信息并传递至基板管理控制器；

基板管理控制器，用于将温度信息转换为控制信息并传递至风扇控制芯片；

风扇控制芯片，用于根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器，用于调节PWM信号，控制风扇转速。

进一步地，所述RBF模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的比例参数K_p、积分参数K_i和微分参数K_d；

所述输入层与输入变量直接相连；

所述模糊化层采用隶属度函数对输入层的输出量进行模糊化；

所述模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度；

所述归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算；

所述输出层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。

本发明的有益效果是：

本发明提出了一种风扇转速控制方法，使用模糊控制与RBF神经网络相结合的模糊神经网络来整定PID参数，提高了PID控制的精度，使神经网络各个节点及参数具有明确的物理意义，同时又可以使模糊控制具有自学习能力，从而得到最优的PID参数值，从而提高风扇系统控制精度，减小转速波动范围，降低风扇功耗，实现更为精准的转速控制。

附图说明

图1是本发明实施例风扇转速控制方法流程示意图；

图2是本发明实施例RBF模糊神经网络整定PID参数控制原理图；

图3是本发明实施例RBF模糊神经网络结构示意图；

图4是本发明实施例风扇转速控制装置结构示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

如图1所示，本发明实施例公开了一种风扇转速控制方法，包括：

温度传感器采集温度信息并传递至基板管理控制器，基板管理控制器将控制信号传递至风扇控制芯片；

风扇控制芯片根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器调节PWM信号，控制风扇转速。

具体地，服务器风扇控制系统中，基板管理控制器通过I²C总线传递控制信号。所使用的模糊控制与RBF神经网络相结合的RBF模糊神经网络整定PID控制器控制参数的控制原理图如图2所示，PID控制器和RBF模糊神经网络以目标温度和实际采集温度的偏差e和偏差变化率e_c作为输入，通过RBF模糊神经网络对K_p、K_i、K_d进行在线整定，以实现不同时刻的e和e_c对控制器参数的实时调整。

PID控制器的控制输出可以表示为：

其中，k为采样序号，T为采样时间，e(k)为其输入变量偏差，e(k)-e(k-1)为偏差变化率，K_p、K_i、K_d分别PID控制器的控制参数。

RBF模糊神经网络采用两输入三输出的形式，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的3个参数比例参数K_p、积分参数K_i、微分参数K_d，根据模糊规则和输入变量来实时更新PID控制器的参数值，以实现参数的实时调整，实现PID控制器参数的自适应调节。

具体地，如图3所示，RBF模糊神经网络为一个五层的前馈神经网络，包括第一层输入层、第二层模糊化层、第三层模糊推理层、第四层归一化层和第五层输出层。其中，x_i表示输入，

表示第k层的第i个输入，

表示第k层的第i个输出，N_k表示第k层的节点总数，

表示第i个输出对应的第j个输入的连接权值，图中未标注的各层节点之间的连接权值都为1。

输入层与输入变量直接相连，每个节点代表一个输入变量，输入层输入量为：

输入层输出量为：

输入层节点总数为：N₁＝n；

其中，i＝1,2...n，n为输入变量的个数，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

模糊层采用隶属度函数对输入层的输出量进行模糊化，该层的每个节点代表一个隶属度函数，所采用的函数为高斯径向基函数，模糊化层输入量为：

模糊化层输出量为：

模糊化层节点总数为：

其中，x_i为第i个输入变量；c_ij、σ_ij分别为第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；i＝1,2...n，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度，该层的每个神经元节点代表模糊规则库的一条模糊规则，模糊推理层输入量为：

模糊推理层输出量为：

模糊推理层节点总数为：

其中，k_n∈{1,2...m_n}，l＝1,2...m，m为模糊推理层节点总数。

归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算，归一化层输入量为：

归一化层输出量为：

归一化层节点总数为：N₄＝N₃＝m；

其中，l＝1,2...m。

输出层为输入经过RBF模糊神经网络计算后得到的输出，该层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。输出层输入量为：

输出层输出量为：

输出层节点总数为：N₅＝r；

其中，m为模糊推理层节点的数目，即模糊规则数，k＝1,2...r，r为输出层节点的数目，即RBF模糊神经网络的输出变量数目，

为第k个输出对应的第j个权值。

经过RBF模糊神经网络整定后，输出的PID控制器的控制参数K_p、K_i、K_d用于求取增量式PID控制器的增量为：

ΔU(n)＝K_p·e(n-1)+K_i·e(n)+K_d·[e(n)-2e(n-1)+2(n-2)]

其中，

e(n)为输入变量偏差。

如图4所示，本发明实施例还公开了一种风扇转速控制装置，包括：

温度传感器，用于采集温度信息并传递至基板管理控制器；

基板管理控制器，用于将温度信息转换为控制信息并传递至风扇控制芯片；

风扇控制芯片，用于根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器，用于调节PWM信号，控制风扇转速。

所述RBF模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的比例参数K_p、积分参数K_i和微分参数K_d；

所述输入层与输入变量直接相连；

所述模糊化层采用隶属度函数对输入层的输出量进行模糊化；

所述模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度；

所述归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算；

所述输出层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制。对于所属领域的技术人员来说，在上述说明的基础上还可以做出其它不同形式的修改或变形。这里无需也无法对所有的实施方式予以穷举。在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种风扇转速控制方法，其特征在于，包括：

温度传感器采集温度信息并传递至基板管理控制器，基板管理控制器将控制信号传递至风扇控制芯片；

风扇控制芯片根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器调节PWM信号，控制风扇转速。

2.根据权利要求1所述的风扇转速控制方法，其特征在于，所述RBF模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的比例参数K_p、积分参数K_i和微分参数K_d；

所述输入层与输入变量直接相连；

所述模糊化层采用隶属度函数对输入层的输出量进行模糊化；

所述模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度；

所述归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算；

所述输出层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。

3.根据权利要求2所述的风扇转速控制方法，其特征在于，输入层输入量为：

输入层输出量为：

输入层节点总数为：N₁＝n；

其中，i＝1,2...n，n为输入变量的个数，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

4.根据权利要求3所述的风扇转速控制方法，其特征在于，所述模糊化层采用高斯径向基函数，模糊化层输入量为：

模糊化层输出量为：

模糊化层节点总数为：

其中，x_i为第i个输入变量；c_ij、σ_ij分别为第i个输入变量的第j个模糊集合的隶属度函数的中心和宽度；i＝1,2...n，j＝1,2...m_i，m_i为第i个输入变量x_i的模糊分割数。

5.根据权利要求4所述的风扇转速控制方法，其特征在于，所述模糊推理层的每个节点代表模糊规则库的一条模糊规则，模糊推理层输入量为：

模糊推理层输出量为：

模糊推理层节点总数为：

其中，k_n∈{1,2...m_n}，l＝1,2...m，m为模糊推理层节点总数。

6.根据权利要求5所述的风扇转速控制方法，其特征在于，归一化层输入量为：

归一化层输出量为：

归一化层节点总数为：N₄＝N₃＝m；

其中，l＝1,2...m。

7.根据权利要求6所述的风扇转速控制方法，其特征在于，输出层输入量为：

输出层输出量为：

输出层节点总数为：N₅＝r；

其中，m为模糊推理层节点的数目，即模糊规则数，k＝1,2...r，r为输出层节点的数目，即RBF模糊神经网络的输出变量数目，

为第k个输出对应的第j个权值。

8.根据权利要求7所述的风扇转速控制方法，其特征在于，所述PID控制器的控制参数K_p、K_i、K_d用于求取增量式PID控制器的增量为：

ΔU(n)＝K_p·e(n-1)+K_i·e(n)+K_d·[e(n)-2e(n-1)+2(n-2)]

其中，

e(n)为输入变量偏差。

9.一种风扇转速控制装置，其特征在于，包括：

温度传感器，用于采集温度信息并传递至基板管理控制器；

基板管理控制器，用于将温度信息转换为控制信息并传递至风扇控制芯片；

风扇控制芯片，用于根据目标温度和实际采集温度的偏差和偏差变化率，使用RBF模糊神经网络整定PID控制器的控制参数；

PID控制器，用于调节PWM信号，控制风扇转速。

10.根据权利要求9所述的风扇转速控制装置，其特征在于，所述RBF模糊神经网络包括输入层、模糊化层、模糊推理层、归一化层和输出层，输入变量为目标温度和实际采集温度的偏差e和偏差变化率e_c，输出变量为PID控制器的比例参数K_p、积分参数K_i和微分参数K_d；

所述输入层与输入变量直接相连；

所述模糊化层采用隶属度函数对输入层的输出量进行模糊化；

所述模糊推理层利用模糊化层的输出量计算模糊规则库中每条模糊规则的适应度；

所述归一化层对模糊推理层输出的每条模糊规则的适应度进行归一化运算；

所述输出层对归一化层的输出赋予权值并求和，输出为K_p、K_i、K_d的整定结果。

Images