CN113534936A - 一种服务器风扇转速控制方法、装置、设备及介质 - Google Patents
一种服务器风扇转速控制方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113534936A CN113534936A CN202111071724.1A CN202111071724A CN113534936A CN 113534936 A CN113534936 A CN 113534936A CN 202111071724 A CN202111071724 A CN 202111071724A CN 113534936 A CN113534936 A CN 113534936A
- Authority
- CN
- China
- Prior art keywords
- rotating speed
- value
- fan
- historical
- server
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 55
- 238000012549 training Methods 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013450 outlier detection Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 11
- 238000012706 support-vector machine Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000011426 transformation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
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
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
- F04D—NON-POSITIVE-DISPLACEMENT PUMPS
- F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
- F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
-
- 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
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- 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
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/325—Power saving in peripheral device
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请公开了一种服务器风扇转速控制方法、装置、设备及介质,包括:采集当前时刻服务器的运行状态数据,得到当前运行状态数据;将当前运行状态数据输入至预先创建的转速预测模型,并通过转速预测模型预测与当前运行状态数据对应的风扇转速值得到初始转速预测值;获取与当前时刻相隔预设时长的历史时间段内服务器的风扇转速值得到目标历史转速值;利用目标历史转速值对初始转速预测值进行优化修正,并根据优化后的转速预测值对风扇进行转速控制。本申请基于预先创建的转速预测模型得到初始转速预测值后,利用服务器风扇的历史转速值对初始转速预测值进行优化修正,有效减少了风扇急速调整转速的情况,降低了风扇噪声、功耗并提升了风扇稳定性。
Description
技术领域
本申请涉及服务器领域,特别涉及一种服务器风扇转速控制方法、装置、设备及介质。
背景技术
随着信息技术的快速发展,对于服务器的运算能力和数据处理能力提出了更高的要求,服务器在对数据进行处理的过程中会导致服务器内机箱温度升高,当温度过高时可能会影响服务器的正常运转,进而影响用户的体验。
目前服务器散热主要依靠风扇,风扇主要由主板上的BMC(Baseboard ManagerController,基板管理控制器)或者CPLD(Complex Programmable Logic Device,复杂可编程逻辑器件)直接控制,通过采集主板上温度传感器的温度值,并通过与预设阈值进行比较来判断机箱内温度是否过热,若达到预设阈值,则通过PWM (Pulse Width Modulation,脉宽调制)控制方式来调整风扇的转速。
然而,上述服务器风扇散热方法存在较大的弊端,例如,当服务器开机启动时,主板温度快速跳跃,风扇转速将直接进行大幅度调整,此时风扇噪音较大,功耗较高,以及当机箱内温度达到设定阈值时,风扇会进行急速运转以降低温度,此时同样会产生较大功耗及噪音,从而对电源产生较大影响。综上所述,可以看出目前服务器风扇散热的方法存在噪声大、功耗高、效能低的问题。
发明内容
有鉴于此,本申请的目的在于提供一种服务器风扇转速控制方法、装置、设备及介质,能够有效减少服务器风扇的转速出现急速调整的情况,从而降低了风扇噪声和风扇功耗,提升了风扇的效能,使得风扇运行更加稳定。其具体方案如下:
第一方面,本申请公开了一种服务器风扇转速控制方法,包括:
采集当前时刻服务器的运行状态数据,得到当前运行状态数据;
将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值;
获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值;
利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
可选的,所述将所述当前运行状态数据输入至预先创建的转速预测模型,包括:
将所述当前运行状态数据分别输入至预先创建的多个转速预测模型;其中,所述多个转速预测模型为利用训练样本数据分别对预先基于不同模型构建算法构建的多个待训练模型进行训练后得到的模型,所述训练样本数据包括所述服务器的历史运行状态数据以及与所述历史运行状态数据对应的风扇转速值。
可选的,所述服务器风扇转速控制方法,还包括:
在多个第一历史时刻下,分别采集所述服务器的历史运行状态数据以及相应的风扇转速值,以得到包括多个初始样本数据的样本集;其中,所述历史运行状态数据包括所述服务器在所述第一历史时刻下的第一历史机箱温度;
将预设时间间隔分别与多个所述第一历史时刻进行相加,以得到与多个所述第一历史时刻分别对应的多个第二历史时刻,并分别采集所述服务器在多个所述第二历史时刻下的机箱温度,以得到多个第二历史机箱温度;
判断所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值是否小于预设阈值,如果是则对所述样本集中与所述第一历史机箱温度对应的所述初始样本数据进行归一化,以得到所述训练样本数据,如果否则从所述样本集中剔除所述第一历史机箱温度对应的所述初始样本数据。
可选的,所述采集所述服务器的历史运行状态数据,包括:
采集所述服务器的CPU占用率、内存利用率、硬盘读写速率、电源功率和所述第一历史机箱温度。
可选的,所述将所述当前运行状态数据分别输入至预先创建的多个转速预测模型,包括:
将所述当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型。
可选的,所述通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值,包括:
通过所述多个转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的多个转速预测值;
利用离群点检测算法从所述多个转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值;
对所述剩余转速预测值进行平均计算,以得到所述初始转速预测值。
可选的,所述利用所述目标历史转速值对所述初始转速预测值进行优化修正,包括:
对所述目标历史转速值和所述初始转速预测值进行加权平均处理,以完成对所述初始转速预测值的优化修正;其中,所述加权平均处理后的数值为优化后的转速预测值。
第二方面,本申请公开了一种服务器风扇转速控制装置,包括:
数据采集模块,用于采集当前时刻服务器的运行状态数据,得到当前运行状态数据;
预测模块,用于将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值;
数据获取模块,用于获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值;
转速控制模块,用于利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
第三方面,本申请公开了一种电子设备,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现前述的服务器风扇转速控制方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述的服务器风扇转速控制方法。
可见,本申请先采集当前时刻服务器的运行状态数据,得到当前运行状态数据,然后将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值,再获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值,然后利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。可见,本申请基于当前时刻服务器的运行状态数据和预先创建的转速预测模型,对服务器的风扇转速进行预测得到初始转速预测值后,进一步利用与当前时刻相隔预设时长的历史时间段内服务器风扇的历史转速值对上述初始转速预测值进行优化修正,而并非是直接利用上述初始转速预测值对服务器风扇进行转速控制,这样一定程度上能够有效减少后续进行风扇转速调整时出现急速调整的情况,从而降低了风扇噪声和风扇功耗,提升了风扇的效能,使得风扇运行更加稳定。
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,还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种服务器风扇转速控制方法流程图;
图2为本申请公开的一种具体的服务器风扇转速控制方法流程图;
图3为本申请公开的一种训练样本数据的获取方法流程图;
图4为本申请公开的一种具体的服务器风扇转速控制方法流程图;
图5为本申请公开的一种服务器风扇转速控制装置结构示意图;
图6为本申请公开的一种电子设备结构图。
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。
目前,当服务器开机启动时,主板温度快速跳跃,风扇转速将直接进行大幅度调整,此时风扇噪音较大,功耗较高,以及当机箱内温度达到设定阈值时,风扇会进行急速运转以降低温度,此时同样会产生较大功耗及噪音,从而对电源产生较大影响。为此,本申请提供了一种服务器风扇转速控制方案,能够有效减少服务器风扇的转速出现急速调整的情况,从而降低了风扇噪声和风扇功耗,提升了风扇的效能,使得风扇运行更加稳定。
本申请实施例公开了一种服务器风扇转速控制方法,参见图1所示,该方法包括:
步骤S11:采集当前时刻服务器的运行状态数据,得到当前运行状态数据。
本实施例中,通过服务器主板上的BMC可以对当前时刻下的服务器的运行状态数据进行采集,得到所述当前运行状态数据;其中,所述当前运行状态数据包括但不限于CPU占用率、内存利用率、硬盘读写速率、电源功率和机箱温度等。
步骤S12:将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值。
本实施例中,在采集到当前时刻服务器的运行状态数据,得到当前运行状态数据之后,可以将采集到的上述当前运行状态数据输入到预先创建的转速预测模型,上述转速预测模型在获取到上述当前运行状态数据之后,会将输入的数据进行相应的处理,进而输出与上述当前运行状态数据对应的风扇转速预测值,即所述初始转速预测值。需要指出的是,在将所述当前运行状态数据输入到预先创建的转速预测模型的过程中,所述转速预测模型既可以有一个也可以有多个,相应的,当有多个转速预测模型时,输出的风扇转速值也会对应有多个,并将上述多个风扇转速值进行相应的处理,如进行筛选和/或计算,进而得到所述初始转速预测值。
步骤S13:获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值。
本实施例中,将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值之后,可以通过服务器主板上的BMC对上述当前时刻之前的经过预设时长的历史时间段内的服务器的风扇转速值进行采集,得到与上述历史时间段相对应的风扇历史转速值,即所述目标历史转速值。可以理解的是,本实施例可以通过人工设置参数的方式来确定上述预设时长。
步骤S14:利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
本实施例中,在获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值之后,可以利用上述目标历史转速值对上述初始转速预测值进行优化修正,可以理解的是,上述初始转速预测值是根据当前运行状态数据预测出来的,在具体的应用中为防止预测值与风扇的当前转速值偏差相对较大导致风扇转速的激增,可以利用上述目标历史转速值对上述初始转速预测值进行进一步的优化修正。并且可以根据优化后的转速预测值生成相应的转速控制指令,并将上述转速控制指令发送至BMC,BMC在获取到上述转速控制指令之后,可以以PWM的方式控制服务器风扇将当前服务器风扇转速调整至上述目标历史转速值。
可见,本申请实施例先采集当前时刻服务器的运行状态数据,得到当前运行状态数据,然后将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值,再获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值,然后利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。由上可知,本申请实施例基于当前时刻服务器的运行状态数据和预先创建的转速预测模型,对服务器的风扇转速进行预测得到初始转速预测值后,进一步利用与当前时刻相隔预设时长的历史时间段内服务器风扇的历史转速值对上述初始转速预测值进行优化修正,而并非是直接利用上述初始转速预测值对服务器风扇进行转速控制,这样一定程度上能够有效减少后续进行风扇转速调整时出现急速调整的情况,从而降低了风扇噪声和风扇功耗,提升了风扇的效能,使得风扇运行更加稳定。
本申请实施例公开了一种具体的服务器风扇转速控制方法,参见图2所示,该方法包括:
步骤S21:采集当前时刻服务器的运行状态数据,得到当前运行状态数据。
步骤S22:将所述当前运行状态数据分别输入至预先创建的多个转速预测模型;其中,所述多个转速预测模型为利用训练样本数据分别对预先基于不同模型构建算法构建的多个待训练模型进行训练后得到的模型,所述训练样本数据包括所述服务器的历史运行状态数据以及与所述历史运行状态数据对应的风扇转速值。
本实施例中,在采集当前时刻服务器的运行状态数据,得到当前运行状态数据之后,具体可以将采集到的上述当前运行状态数据分别输入到预先基于不同模型构建算法创建的多个转速预测模型中。其中,上述多个预测模型为利用包括所述服务器的历史运行状态数据以及与所述历史运行状态数据对应的风扇转速值的训练样本数据,分别对预先基于不同模型构建算法构建的多个待训练模型进行训练后得到的模型;所述模型构建算法包括但不限于XGBoost(Extreme Gradient Boosting,极端梯度提升)算法、支持向量机(SVM,Support Vector Machine)算法、人工神经网络(ANN,Artificial Neural Network)算法等。
需要指出的是,参见图3所示,本实施例中进一步公开了一种上述训练样本数据的获取过程,具体可以包括:
步骤S31:在多个第一历史时刻下,分别采集服务器的历史运行状态数据以及相应的风扇转速值,以得到包括多个初始样本数据的样本集;其中,所述历史运行状态数据包括所述服务器在所述第一历史时刻下的第一历史机箱温度;
步骤S32:将预设时间间隔分别与多个所述第一历史时刻进行相加,以得到与多个所述第一历史时刻分别对应的多个第二历史时刻,并分别采集所述服务器在多个所述第二历史时刻下的机箱温度,以得到多个第二历史机箱温度;
步骤S33:判断所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值是否小于预设阈值,如果是则对所述样本集中与所述第一历史机箱温度对应的所述初始样本数据进行归一化,以得到所述训练样本数据,如果否则从所述样本集中剔除所述第一历史机箱温度对应的所述初始样本数据。
本实施例中,在获取上述训练样本数据之前,可以以任意多个历史时刻为基准,大规模地采集上述历史时刻下的服务器的历史运行状态数据以及对应历史时刻下的风扇转速值,得到历史采样数据,即所述初始样本数据,进而可以得到包括多个所述初始样本数据的样本集。其中,所述历史运行状态数据种包括所述第一历史时刻下的机箱温度,即所述第一历史机箱温度;需要指出的是,除了上述第一历史机箱温度以外,所述历史运行状态数据包括但不限于所述服务器在所述历史时刻下的CPU占用率、内存利用率、硬盘读写速率、电源功率等。例如,采集t时刻下的历史运行状态数据以及t时刻下的风扇转速值,得到单一样本和,其中、、、、分别对应t时刻下的服务器的CPU占用率、内存利用率、硬盘读写速率、电源功率和机箱温度。另外,本实施例中所述初始样本数据的采样数量可以基于实际应用需求来进行确定,例如可以取为200000。
在多个第一历史时刻下,分别采集所述服务器的历史运行状态数据以及相应的风扇转速值,以得到包括多个初始样本数据的样本集之后,将按照预设的时间间隔,获取与上述第一历史时刻对应的并经过上述时间间隔延迟后的多个第二历史时刻,并分别对上述第二历史时刻下的服务器的机箱温度进行采集,得到对应的多个第二历史机箱温度。例如,预设时间间隔为a,采集t+a时刻下的服务器的机箱温度,并标记为,优选的,参数a通常取为10,单位为秒(s)。
进一步的,分别判断上述第二历史机箱温度与上述第一历史机箱温度之间的差值是否小于预设阈值,如果上述第二历史机箱温度与上述第一历史机箱温度之间的差值小于预设阈值,则将上述第一历史机箱温度对应的初始样本数据进行归一化处理,从而得到用于模型训练的训练样本数据。其中,上述归一化的方法包括但不限于线性函数转换法、对数函数转换法、反正切函数转换法等。
需要指出的是,上述预设阈值的值不是固定,而是根据服务器机箱在正常运转状态下的机箱温度及机箱温度过高并达到影响服务器正常运转的温度而自定义的值。例如,将服务器机箱温度正常运转状态的温度取为25度,并且根据实际服务器应用情况,将影响服务器正常运转的温度取为55度,则可以将上述影响服务器正常运转的温度与上述正常运转状态的温度之差作为预设阈值,即预设阈值为30。
在另一种具体的实施例中,如果上述第二历史机箱温度与上述第一历史机箱温度之间的差值不小于预设阈值,则判定为与所述第一历史机箱温度对应的所述初始样本数据不合法,并从所述样本集中将与所述第一历史机箱温度对应的所述初始样本数据剔除。本实施例中,在进行模型训练之前,为了提升模型训练效果,还可以在所有合法的初始样本数据被挑选出来之后,对上述合法样本数据的顺序进行打乱,以得到重新排序后的训练样本数据。
步骤S23:通过所述多个转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的多个转速预测值。
本实施例中,在将所述当前运行状态数据分别输入至预先创建的多个转速预测模型之后,上述多个转速预测模型会对上述当前运行状态数据进行相应的处理,进而输出多个与上述当前运行状态数据对应的风扇转速预测值,即所述多个转速预测值。其中,所述多个转速预测模型包括但不限于预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型等。
步骤S24:利用离群点检测算法从所述多个转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值。
本实施例中,在通过所述多个转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的多个转速预测值之后,可以利用离群点检测算法从上述多个转速预测值中确定出与其他预测值偏差较大的数值,即所述待剔除转速预测值,然后将上述与其他预测值偏差较大的数值从上述多个转速预测值中剔除,进而得到剩余的转速预测值。另外,需要指出的是,除了上述离群点检测算法以外,还可以采用其他剔除算法对上述多个转速预测值进行剔除,所述其他剔除算法包括但不限于K-means(k-means clusteringalgorithm,k均值聚类算法)、KNN(k-Nearest Neighbor,k最近邻) 算法及SVM算法等。
步骤S25:对所述剩余转速预测值进行平均计算,以得到所述初始转速预测值。
本实施例中,在利用离群点检测算法从所述多个转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值之后,可以通过对上述剩余转速预测值进行平均计算的方式确定出转速预测值,即所述初始转速预测值。
步骤S26:获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值。
步骤S27:对所述目标历史转速值和所述初始转速预测值进行加权平均处理,以完成对所述初始转速预测值的优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制;其中,所述加权平均处理后的数值为优化后的转速预测值。
本实施例中,在获取到与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值之后,为了进一步地优化上述初始转速预测值,可以对上述目标历史转速值和上述初始转速预测值进行加权平均处理。具体的,本实施例可以基于实际应用需要为上述目标历史转速值和上述初始转速预测值配置不同的权重。例如,可以将初始转速预测值的权重设置为3/5,将目标历史转速值的权重设置为2/5,并利用上述设置的权重对所述目标历史转速值和所述初始转速预测值进行加权平均处理,并利用加权平均处理后的值对服务器的风扇进行转速控制。当然,本实施例也可以为上述目标历史转速值和上述初始转速预测值配置相同的权重。
其中,关于上述步骤S21、S26更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例将采集到的当前运行状态数据分别输入至预先创建的多个转速预测模型,然后利用离群点检测算法从输出的多个转速预测值中剔除偏差较大的预测值,经过计算得到初始转速预测值,并通过获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值对上述初始转速预测值进行优化修正,能够实时的根据当前运行状态数据获取到风扇转速预测值,能够减小风扇运转过程中转速突然变大而产生的噪声,降低风扇功耗,增加风扇效能,风扇转速变化更平滑,延长风扇寿命。
本申请实施例公开了一种具体的服务器风扇转速控制方法,参见图4所示,该方法包括:
步骤S41:采集当前时刻服务器的运行状态数据,得到当前运行状态数据。
步骤S42:将所述当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型。
本实施例中,在采集到当前时刻服务器的运行状态数据,得到当前运行状态数据之后,可以将采集到的上述当前运行状态数据分别输入到预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型中。需要指出的是,在预先基于人工神经网络算法构建第三转速预测模型时,优选的,人工神经网络可以使用3层感知机,并且建模方法可以采用反向传播算法。
步骤S43:通过所述第一转速预测模型、所述第二转速预测模型及所述第三转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的第一转速预测值、第二转速预测值及第三转速预测值。
本实施例中,在将所述当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型之后,通过上述第一转速预测模型、上述第二转速预测模型及上述第三转速预测模型预测与所述当前运行状态数据对应的风扇转速值,可以输出相应的三个转速预测值,即所述第一转速预测值、所述第二转速预测值及所述第三转速预测值,并分别标记为、、。
步骤S44:利用离群点检测算法从所述第一转速预测值、所述第二转速预测值及所述第三转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值。
本实施例中,在通过所述第一转速预测模型、所述第二转速预测模型及所述第三转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的第一转速预测值、第二转速预测值及第三转速预测值,即、、之后,可以利用离群点检测算法从上述、、中确定出待剔除转速预测值,在一种具体实施例中,当被确定为待剔除转速预测值时,则将从上述、、中剔除,得到剩余的转速预测值,即、。
步骤S45:对所述剩余转速预测值进行平均计算,以得到所述初始转速预测值。
本实施例中,在利用离群点检测算法从所述第一转速预测值、所述第二转速预测值及所述第三转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值之后,可以对上述剩余转速预测值进行平均计算,并将计算结果作为所述初始转速预测值。具体的,例如,通过对剩余的上述、进行平均计算,可以得到平均计算结果,并将其标记为。
步骤S46:获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值。
本实施例中,在对所述剩余转速预测值进行平均计算,得到所述初始转速预测值,即之后,可以采集与上述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值。例如,以所述当前采集时刻为基准,采集上述当前时刻之前的经过b时长内的历史风扇转速值,并按照预设的采样周期对上述b时长内的历史风扇转速值进行采集,得到多个历史风扇转速值,即所述目标历史转速值,并标记为。
步骤S47:利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
本实施例中,在获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值之后,可以利用所述目标历史转速值对上述初始转速预测值进行优化修正。例如,通过计算上述与的均值实现对上述初始转速预测值进行优化修正,并利用均值计算后的转速预测值并基于PWM方波对服务器的风扇进行转速控制。
其中,关于上述步骤S41、S47更加具体的处理过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例将采集到的当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型,然后利用离群点检测算法从输出的多个转速预测值中剔除偏差较大的预测值,经过计算得到初始转速预测值,并通过获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值对上述初始转速预测值进行优化修正,通过上述方法可以实时的根据服务器当前运行状态数据预测出风扇的转速,能够使风扇转速变化更平稳,减小风扇运转过程中转速突然变大产生的噪声,降低了风扇的功耗,增加了风扇的效能,延长风扇寿命。
相应的,本申请实施例还公开了一种服务器风扇转速控制装置,参见图5所示,该装置包括:
数据采集模块11,用于采集当前时刻服务器的运行状态数据,得到当前运行状态数据;
预测模块12,用于将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值;
数据获取模块13,用于获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值;
转速控制模块14,用于利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
其中,关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
可见,本申请实施例中,先采集当前时刻服务器的运行状态数据,得到当前运行状态数据,然后将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值,再获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值,然后利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。可见,本申请实施例基于当前时刻服务器的运行状态数据和预先创建的转速预测模型,对服务器的风扇转速进行预测得到初始转速预测值后,进一步利用与当前时刻相隔预设时长的历史时间段内服务器风扇的历史转速值对上述初始转速预测值进行优化修正,而并非是直接利用上述初始转速预测值对服务器风扇进行转速控制,这样一定程度上能够有效减少后续进行风扇转速调整时出现急速调整的情况,从而降低了风扇噪声和风扇功耗,提升了风扇的效能,使得风扇运行更加稳定。
在一些具体实施例中,所述预测模块12,具体可以包括:
第一输入单元,用于将所述当前运行状态数据分别输入至预先创建的多个转速预测模型;其中,所述多个转速预测模型为利用训练样本数据分别对预先基于不同模型构建算法构建的多个待训练模型进行训练后得到的模型,所述训练样本数据包括所述服务器的历史运行状态数据以及与所述历史运行状态数据对应的风扇转速值。
在一些具体实施例中,所述服务器风扇转速控制装置,具体还可以包括:
第一数据采集单元,用于在多个第一历史时刻下,分别采集所述服务器的历史运行状态数据以及相应的风扇转速值,以得到包括多个初始样本数据的样本集;其中,所述历史运行状态数据包括所述服务器在所述第一历史时刻下的第一历史机箱温度;
温度采集单元,用于将预设时间间隔分别与多个所述第一历史时刻进行相加,以得到与多个所述第一历史时刻分别对应的多个第二历史时刻,并分别采集所述服务器在多个所述第二历史时刻下的机箱温度,以得到多个第二历史机箱温度;
判断单元,用于判断所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值是否小于预设阈值;
归一化单元,用于如果所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值小于预设阈值,则对所述样本集中与所述第一历史机箱温度对应的所述初始样本数据进行归一化,以得到所述训练样本数据;
第一剔除单元,用于如果所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值不小于预设阈值,则从所述样本集中剔除所述第一历史机箱温度对应的所述初始样本数据。
在一些具体实施例中,所述第一数据采集单元,具体可以包括:
第二数据采集单元,用于采集所述服务器的CPU占用率、内存利用率、硬盘读写速率、电源功率和所述第一历史机箱温度。
在一些具体实施例中,所述第一输入单元,具体可以包括:
第二输入单元,用于将所述当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型。
在一些具体实施例中,所述预测模块12,具体可以包括:
预测单元,用于通过所述多个转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的多个转速预测值;
第二剔除单元,用于利用离群点检测算法从所述多个转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值;
计算单元,用于对所述剩余转速预测值进行平均计算,以得到所述初始转速预测值。
在一些具体实施例中,所述转速控制模块14,具体可以包括:
修正单元,用于对所述目标历史转速值和所述初始转速预测值进行加权平均处理,以完成对所述初始转速预测值的优化修正;其中,所述加权平均处理后的数值为优化后的转速预测值。
进一步的,本申请实施例还公开了一种电子设备,图6是根据一示例性实施例示出的电子设备20结构图,图中的内容不能认为是对本申请的使用范围的任何限制。
图6为本申请实施例提供的一种电子设备20的结构示意图。该电子设备 20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的服务器风扇转速控制方法中的相关步骤。另外,本实施例中的电子设备20具体可以为电子计算机。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵 循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进 行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、 磁盘或者光盘等,其上所存储的资源可以包括操作系统221、计算机程序222 等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算 机程序222,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的服务器风扇转速控制方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的,本申请还公开了一种计算机可读存储介质,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现前述公开的服务器风扇转速控制方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容,在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,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。
以上对本申请所提供的一种服务器风扇转速控制方法、装置、设备及介质进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种服务器风扇转速控制方法,其特征在于,包括:
采集当前时刻服务器的运行状态数据,得到当前运行状态数据;
将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值;
获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值;
利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
2.根据权利要求1所述的服务器风扇转速控制方法,其特征在于,所述将所述当前运行状态数据输入至预先创建的转速预测模型,包括:
将所述当前运行状态数据分别输入至预先创建的多个转速预测模型;其中,所述多个转速预测模型为利用训练样本数据分别对预先基于不同模型构建算法构建的多个待训练模型进行训练后得到的模型,所述训练样本数据包括所述服务器的历史运行状态数据以及与所述历史运行状态数据对应的风扇转速值。
3.根据权利要求2所述的服务器风扇转速控制方法,其特征在于,还包括:
在多个第一历史时刻下,分别采集所述服务器的历史运行状态数据以及相应的风扇转速值,以得到包括多个初始样本数据的样本集;其中,所述历史运行状态数据包括所述服务器在所述第一历史时刻下的第一历史机箱温度;
将预设时间间隔分别与多个所述第一历史时刻进行相加,以得到与多个所述第一历史时刻分别对应的多个第二历史时刻,并分别采集所述服务器在多个所述第二历史时刻下的机箱温度,以得到多个第二历史机箱温度;
判断所述第二历史机箱温度与相应的所述第一历史机箱温度之间的差值是否小于预设阈值,如果是则对所述样本集中与所述第一历史机箱温度对应的所述初始样本数据进行归一化,以得到所述训练样本数据,如果否则从所述样本集中剔除所述第一历史机箱温度对应的所述初始样本数据。
4.根据权利要求3所述的服务器风扇转速控制方法,其特征在于,所述采集所述服务器的历史运行状态数据,包括:
采集所述服务器的CPU占用率、内存利用率、硬盘读写速率、电源功率和所述第一历史机箱温度。
5.根据权利要求2所述的服务器风扇转速控制方法,其特征在于,所述将所述当前运行状态数据分别输入至预先创建的多个转速预测模型,包括:
将所述当前运行状态数据分别输入至预先基于XGBoost算法构建的第一转速预测模型、基于支持向量机算法构建的第二转速预测模型和基于人工神经网络算法构建的第三转速预测模型。
6.根据权利要求2所述的服务器风扇转速控制方法,其特征在于,所述通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值,包括:
通过所述多个转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到相应的多个转速预测值;
利用离群点检测算法从所述多个转速预测值中确定出待剔除转速预测值,然后将所述待剔除转速预测值从所述多个转速预测值中剔除,得到剩余转速预测值;
对所述剩余转速预测值进行平均计算,以得到所述初始转速预测值。
7.根据权利要求1至6任一项所述的服务器风扇转速控制方法,其特征在于,所述利用所述目标历史转速值对所述初始转速预测值进行优化修正,包括:
对所述目标历史转速值和所述初始转速预测值进行加权平均处理,以完成对所述初始转速预测值的优化修正;其中,所述加权平均处理后的数值为优化后的转速预测值。
8.一种服务器风扇转速控制装置,其特征在于,包括:
数据采集模块,用于采集当前时刻服务器的运行状态数据,得到当前运行状态数据;
预测模块,用于将所述当前运行状态数据输入至预先创建的转速预测模型,并通过所述转速预测模型预测与所述当前运行状态数据对应的风扇转速值,得到初始转速预测值;
数据获取模块,用于获取与所述当前时刻相隔预设时长的历史时间段内所述服务器的风扇转速值,得到相应的目标历史转速值;
转速控制模块,用于利用所述目标历史转速值对所述初始转速预测值进行优化修正,并根据优化后的转速预测值对所述服务器的风扇进行转速控制。
9.一种电子设备,其特征在于,包括处理器和存储器;其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的服务器风扇转速控制方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的服务器风扇转速控制方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071724.1A CN113534936B (zh) | 2021-09-14 | 2021-09-14 | 一种服务器风扇转速控制方法、装置、设备及介质 |
PCT/CN2022/074611 WO2023040165A1 (zh) | 2021-09-14 | 2022-01-28 | 一种服务器风扇转速控制方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111071724.1A CN113534936B (zh) | 2021-09-14 | 2021-09-14 | 一种服务器风扇转速控制方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113534936A true CN113534936A (zh) | 2021-10-22 |
CN113534936B CN113534936B (zh) | 2021-12-17 |
Family
ID=78092479
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111071724.1A Active CN113534936B (zh) | 2021-09-14 | 2021-09-14 | 一种服务器风扇转速控制方法、装置、设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113534936B (zh) |
WO (1) | WO2023040165A1 (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114320970A (zh) * | 2021-12-31 | 2022-04-12 | 浪潮(北京)电子信息产业有限公司 | 一种风扇的异常预警方法、装置、设备及介质 |
CN114442794A (zh) * | 2022-01-20 | 2022-05-06 | 苏州浪潮智能科技有限公司 | 服务器功耗控制方法、系统、终端及存储介质 |
CN114490275A (zh) * | 2022-04-11 | 2022-05-13 | 江苏嘉擎信息技术有限公司 | 一种基于mcu的主机监测控制方法、系统、电子设备及介质 |
CN114546073A (zh) * | 2021-12-31 | 2022-05-27 | 广东省工业边缘智能创新中心有限公司 | 服务器的风扇控制方法及其系统、温控系统 |
CN114922842A (zh) * | 2022-06-28 | 2022-08-19 | 武汉烽火技术服务有限公司 | 风扇调速控制方法、装置、设备及可读存储介质 |
CN115079738A (zh) * | 2022-07-28 | 2022-09-20 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速调控方法、装置、设备及存储介质 |
CN115097920A (zh) * | 2022-07-29 | 2022-09-23 | 苏州浪潮智能科技有限公司 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
CN115169251A (zh) * | 2022-09-06 | 2022-10-11 | 新华三人工智能科技有限公司 | 一种风扇转速控制方法、装置及设备 |
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
CN115915734A (zh) * | 2023-03-02 | 2023-04-04 | 苏州浪潮智能科技有限公司 | 风扇运行控制方法、装置、电子设备及存储介质 |
WO2023078237A1 (zh) * | 2021-11-02 | 2023-05-11 | 北京百度网讯科技有限公司 | 控制云手机服务器温度的方法、装置以及设备 |
CN116221160A (zh) * | 2023-01-06 | 2023-06-06 | 歌尔股份有限公司 | 风扇噪声调整方法、装置、头戴显示设备及存储介质 |
CN116483180A (zh) * | 2023-03-10 | 2023-07-25 | 苏州振畅智能科技有限公司 | 一种主动散热装置的智能控制方法、系统、设备及介质 |
CN116661574A (zh) * | 2023-07-13 | 2023-08-29 | 之江实验室 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
CN116906362A (zh) * | 2023-08-31 | 2023-10-20 | 肇庆晟辉电子科技有限公司 | 一种散热风扇转速控制系统及方法 |
CN117258138A (zh) * | 2023-11-21 | 2023-12-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116050030B (zh) * | 2023-04-03 | 2023-07-28 | 亿昇(天津)科技有限公司 | 一种鼓风机转子轴心位置确定方法、装置及设备 |
CN116432542B (zh) * | 2023-06-12 | 2023-10-20 | 国网江西省电力有限公司电力科学研究院 | 一种基于误差序列修正的开关柜母排温升预警方法及系统 |
CN116499529B (zh) * | 2023-06-25 | 2023-09-22 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
CN116956471B (zh) * | 2023-09-19 | 2024-01-12 | 中国空气动力研究与发展中心计算空气动力研究所 | 大型运输机的气动力预测方法、装置、设备及介质 |
CN117311159A (zh) * | 2023-10-30 | 2023-12-29 | 上海新华控制技术集团科技有限公司 | 控制系统的自适应调节方法、装置、存储介质及电子设备 |
CN117521423B (zh) * | 2024-01-05 | 2024-04-05 | 山东鑫林纸制品有限公司 | 瓦楞纸加工的机器速度智能预测方法、装置及存储介质 |
CN117529069B (zh) * | 2024-01-08 | 2024-04-05 | 浙江德塔森特数据技术有限公司 | 一种数据中心峰谷电应用控制方法以及管控服务器 |
CN117782647A (zh) * | 2024-02-23 | 2024-03-29 | 杭州中港地铁装备维护有限公司 | 一种地铁行走部轴承健康状态监测系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104863881A (zh) * | 2014-02-21 | 2015-08-26 | 中兴通讯股份有限公司 | 电子设备中风扇转速的控制方法及装置 |
CN106837838A (zh) * | 2016-12-29 | 2017-06-13 | 郑州云海信息技术有限公司 | 服务器风扇转速的控制系统及方法 |
CN109642754A (zh) * | 2016-09-06 | 2019-04-16 | 三菱电机株式会社 | 制冷循环装置 |
CN112393390A (zh) * | 2020-07-15 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN112395046A (zh) * | 2020-07-30 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于温度预测的虚拟机迁移规划调度方法及其系统与介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108691795B (zh) * | 2017-04-05 | 2019-09-06 | 营邦企业股份有限公司 | 电子设备的风扇控制与修正方法 |
US9846444B1 (en) * | 2017-06-07 | 2017-12-19 | Aic Inc. | Method for controlling and adjusting fans of electronic apparatus |
CN108194398B (zh) * | 2017-12-29 | 2019-09-20 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
CN110725806A (zh) * | 2018-07-16 | 2020-01-24 | 研祥智能科技股份有限公司 | 风扇转速控制方法、装置及服务器 |
CN110134208A (zh) * | 2019-04-08 | 2019-08-16 | 上海闻泰信息技术有限公司 | 风扇转速自动调节方法、系统及服务器 |
CN113534936B (zh) * | 2021-09-14 | 2021-12-17 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
-
2021
- 2021-09-14 CN CN202111071724.1A patent/CN113534936B/zh active Active
-
2022
- 2022-01-28 WO PCT/CN2022/074611 patent/WO2023040165A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104863881A (zh) * | 2014-02-21 | 2015-08-26 | 中兴通讯股份有限公司 | 电子设备中风扇转速的控制方法及装置 |
CN109642754A (zh) * | 2016-09-06 | 2019-04-16 | 三菱电机株式会社 | 制冷循环装置 |
CN106837838A (zh) * | 2016-12-29 | 2017-06-13 | 郑州云海信息技术有限公司 | 服务器风扇转速的控制系统及方法 |
CN112393390A (zh) * | 2020-07-15 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN112395046A (zh) * | 2020-07-30 | 2021-02-23 | 上海有孚智数云创数字科技有限公司 | 基于温度预测的虚拟机迁移规划调度方法及其系统与介质 |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023040165A1 (zh) * | 2021-09-14 | 2023-03-23 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速控制方法、装置、设备及介质 |
WO2023078237A1 (zh) * | 2021-11-02 | 2023-05-11 | 北京百度网讯科技有限公司 | 控制云手机服务器温度的方法、装置以及设备 |
CN114546073A (zh) * | 2021-12-31 | 2022-05-27 | 广东省工业边缘智能创新中心有限公司 | 服务器的风扇控制方法及其系统、温控系统 |
CN114320970A (zh) * | 2021-12-31 | 2022-04-12 | 浪潮(北京)电子信息产业有限公司 | 一种风扇的异常预警方法、装置、设备及介质 |
CN114320970B (zh) * | 2021-12-31 | 2023-09-22 | 浪潮(北京)电子信息产业有限公司 | 一种风扇的异常预警方法、装置、设备及介质 |
CN114442794A (zh) * | 2022-01-20 | 2022-05-06 | 苏州浪潮智能科技有限公司 | 服务器功耗控制方法、系统、终端及存储介质 |
CN114442794B (zh) * | 2022-01-20 | 2023-07-18 | 苏州浪潮智能科技有限公司 | 服务器功耗控制方法、系统、终端及存储介质 |
CN114490275B (zh) * | 2022-04-11 | 2022-07-19 | 江苏嘉擎信息技术有限公司 | 一种基于mcu的主机监测控制方法、系统、电子设备及介质 |
CN114490275A (zh) * | 2022-04-11 | 2022-05-13 | 江苏嘉擎信息技术有限公司 | 一种基于mcu的主机监测控制方法、系统、电子设备及介质 |
CN114922842A (zh) * | 2022-06-28 | 2022-08-19 | 武汉烽火技术服务有限公司 | 风扇调速控制方法、装置、设备及可读存储介质 |
CN115079738A (zh) * | 2022-07-28 | 2022-09-20 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速调控方法、装置、设备及存储介质 |
CN115079738B (zh) * | 2022-07-28 | 2024-01-19 | 苏州浪潮智能科技有限公司 | 一种服务器风扇转速调控方法、装置、设备及存储介质 |
CN115097920B (zh) * | 2022-07-29 | 2023-08-08 | 苏州浪潮智能科技有限公司 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
CN115097920A (zh) * | 2022-07-29 | 2022-09-23 | 苏州浪潮智能科技有限公司 | 一种调节服务器机箱的温度的方法、装置、服务器及介质 |
CN115169251A (zh) * | 2022-09-06 | 2022-10-11 | 新华三人工智能科技有限公司 | 一种风扇转速控制方法、装置及设备 |
CN116221160A (zh) * | 2023-01-06 | 2023-06-06 | 歌尔股份有限公司 | 风扇噪声调整方法、装置、头戴显示设备及存储介质 |
CN115915734A (zh) * | 2023-03-02 | 2023-04-04 | 苏州浪潮智能科技有限公司 | 风扇运行控制方法、装置、电子设备及存储介质 |
CN116483180A (zh) * | 2023-03-10 | 2023-07-25 | 苏州振畅智能科技有限公司 | 一种主动散热装置的智能控制方法、系统、设备及介质 |
CN116661574A (zh) * | 2023-07-13 | 2023-08-29 | 之江实验室 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
CN116661574B (zh) * | 2023-07-13 | 2023-12-12 | 之江实验室 | 一种计算设备散热的方法、装置、存储介质及电子设备 |
CN116906362A (zh) * | 2023-08-31 | 2023-10-20 | 肇庆晟辉电子科技有限公司 | 一种散热风扇转速控制系统及方法 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
CN117406844B (zh) * | 2023-11-14 | 2024-04-19 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
CN117258138A (zh) * | 2023-11-21 | 2023-12-22 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
CN117258138B (zh) * | 2023-11-21 | 2024-03-12 | 安徽通灵仿生科技有限公司 | 一种心室辅助系统的冲洗设备的控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2023040165A1 (zh) | 2023-03-23 |
CN113534936B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113534936B (zh) | 一种服务器风扇转速控制方法、装置、设备及介质 | |
CN110377447B (zh) | 一种异常数据检测方法、装置及服务器 | |
CN106933650B (zh) | 云应用系统的负载管理方法及系统 | |
CN112000459B (zh) | 一种用于服务的扩缩容的方法及相关设备 | |
CN108194398B (zh) | 风扇控制方法及装置 | |
US20060173559A1 (en) | Methods and systems for a prediction model | |
US11513851B2 (en) | Job scheduler, job schedule control method, and storage medium | |
CN110289994B (zh) | 一种集群容量调整方法及装置 | |
JP7379833B2 (ja) | 強化学習方法、強化学習プログラム、および強化学習システム | |
US11042410B2 (en) | Resource management of resource-controlled system | |
CN110928341B (zh) | 温度控制方法、装置、设备及存储介质 | |
US8521855B2 (en) | Centralized server-directed power management in a distributed computing system | |
CN116560475A (zh) | 一种服务器风扇控制方法及计算机设备 | |
Zhang et al. | Service workload patterns for Qos-driven cloud resource management | |
Dogani et al. | K-agrued: a container autoscaling technique for cloud-based web applications in kubernetes using attention-based gru encoder-decoder | |
CN113326132A (zh) | 一种信息调节方法、设备及存储介质 | |
CN114899876B (zh) | 风电场运行控制方法、装置、设备及存储介质 | |
KR102516412B1 (ko) | 기계학습 추론을 위한 gpu 클럭 조절 방법 및 장치 | |
WO2022221638A1 (en) | Dynamic microservice intercommunication configuration | |
KR20230089509A (ko) | Bi-LSTM 기반 웹 애플리케이션 워크로드 예측 방법 및 장치 | |
CN112419098B (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
CN115002126A (zh) | 一种基于边缘服务器集群的服务调度方法及装置 | |
JP7265847B2 (ja) | 電力データ処理システム及び電力データ処理システムを用いて電力データを処理する方法 | |
CN116413609B (zh) | 一种电池跳水识别方法、装置、电子设备及存储介质 | |
CN115045855B (zh) | 基于温度闭环控制的冷却风扇控制方法及系统 |
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 |