CN115033461A - 一种风扇监控方法、系统、装置、服务器及可读存储介质 - Google Patents
一种风扇监控方法、系统、装置、服务器及可读存储介质 Download PDFInfo
- Publication number
- CN115033461A CN115033461A CN202210947593.7A CN202210947593A CN115033461A CN 115033461 A CN115033461 A CN 115033461A CN 202210947593 A CN202210947593 A CN 202210947593A CN 115033461 A CN115033461 A CN 115033461A
- Authority
- CN
- China
- Prior art keywords
- fan
- pwm duty
- passing frequency
- blade passing
- duty ratio
- 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 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 57
- 238000003745 diagnosis Methods 0.000 claims abstract description 104
- 238000013507 mapping Methods 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 8
- 238000004804 winding Methods 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 6
- 238000006731 degradation reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003862 health status Effects 0.000 claims description 5
- 238000005461 lubrication Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000010408 sweeping Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000010687 lubricating oil Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
- G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Computing Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
Abstract
本申请公开了一种风扇监控方法、系统、装置、服务器及可读存储介质，涉及风扇监控领域，该风扇监控方法应用于BMC，包括：获取麦克风采集的风扇的噪音信号；基于噪音信号得到信号特征数据及风扇的扇叶通过频率；将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息。本申请能够提高对风扇的故障诊断的全面性，仅通过麦克风采集到的噪音信号即可完成风扇的故障诊断，硬件架构简单，无需占用过多硬件资源。
Description
技术领域
本申请涉及风扇监控领域，特别涉及一种风扇监控方法、系统、装置、服务器及可读存储介质。
背景技术
风扇作为服务器中的重要散热部件，一旦发生故障会导致服务器的噪声异常、系统报错甚至因过热保护而关机。目前服务器中的风扇只能通过Tach端子向系统反馈转速信号，从而实现对风扇转速的调节与监控，但转速信号不能很好地反馈风扇的健康状况。因此，为了监控风扇的健康状况，还需要额外增加电压、电流的测量电路、时钟电路、AD（Digital to Analog，模数转换）采样校准电路、湿敏电容等，使本来就拥挤不堪的服务器主板变得更加难以布局和设计，且硬件需要占用过多的系统资源。
因此，如何提供一种解决上述技术问题的方案是本领域技术人员目前需要解决的问题。
发明内容
本申请的目的是提供一种风扇监控方法、系统、装置、服务器及可读存储介质，能够提高对风扇的故障诊断的全面性，仅通过麦克风采集到的噪音信号即可完成风扇的故障诊断，硬件架构简单，无需占用过多硬件资源。
为解决上述技术问题，本申请提供了一种风扇监控方法，应用于BMC，该风扇监控方法包括：
获取麦克风采集的风扇的噪音信号；
基于所述噪音信号得到信号特征数据及所述风扇的扇叶通过频率；
将所述信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息。
可选的，该风扇监控方法还包括：
计算所述扇叶通过频率和参考扇叶通过频率的偏差百分比；
基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息的过程包括：
基于所述诊断数据和所述偏差百分比生成所述风扇的状态诊断提示信息。
可选的，该风扇监控方法还包括：
按预设规则对所述风扇进行步进扫频，获取所述风扇在每一PWM占空比下的初始扇叶通过频率；
基于所述步进扫频对应的所有所述PWM占空比及每一所述PWM占空比下的所述初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；
计算所述扇叶通过频率和参考扇叶通过频率的偏差百分比的过程包括：
确定所述扇叶通过频率对应的当前PWM占空比；
基于当前PWM占空比及所述映射表中的所述初始扇叶通过频率，确定参考扇叶通过频率；
计算所述扇叶通过频率和所述参考扇叶通过频率的偏差百分比。
可选的，所述基于当前PWM占空比及所述映射表中的所述初始扇叶通过频率，确定参考扇叶通过频率的过程包括：
判断所述映射表中是否存在所述扇叶通过频率对应的当前PWM占空比；
若是，将所述映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；
若否，基于当前PWM占空比确定所述映射表中的第一目标PWM占空比和第二目标PWM占空比；
根据所述第一目标PWM占空比对应的初始扇叶通过频率及所述第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；
其中，所述第一目标PWM占空比和所述第二目标PWM占空比相邻，所述第一目标PWM占空比小于当前PWM占空比，所述第二目标PWM占空比大于当前PWM占空比。
可选的，根据所述第一目标PWM占空比对应的初始扇叶通过频率及所述第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率的过程包括：
确定所述第一目标PWM占空比对应的第一初始扇叶通过频率及所述第二目标PWM占空比对应的第二初始扇叶通过频率；
对所述第一初始扇叶通过频率和所述第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
可选的，所述信号特征数据包括时域特征数据、频域特征数据及时频域特征数据。
可选的，基于所述噪音信号得到所述风扇的扇叶通过频率的过程包括：
对所述噪音信号进行FFT处理，得到频谱数据；
基于所述频谱数据计算扇叶通过频率。
可选的，所述诊断数据包括健康状态，或，故障状态及所述故障状态对应的故障原因。
可选的，所述故障原因包括叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项。
可选的，该风扇监控方法还包括：
通过所述扇叶通过频率对所述风扇的转速进行调整。
可选的，预先构建状态诊断模型的过程包括：
获取所述风扇在目标电子设备中的噪音样本，所述噪音样本包括故障噪音样本及非故障噪音样本，并对所述故障噪音样本和所述非故障噪音样本添加各自对应的标签；
提取各个所述噪音样本中的特征数据，将所述特征数据组合成矩阵样本，并将所述矩阵样本划分为第一矩阵样本和第二矩阵样本；
将所述第一矩阵样本输入分类器进行训练，得到多个模型；
将所述第二矩阵样本载入多个所述模型中进行测试，根据测试结果选择最优模型作为所述状态诊断模型。
为解决上述技术问题，本申请还提供了一种风扇监控系统，应用于BMC，该风扇监控系统包括：
获取模块，用于获取麦克风采集的风扇的噪音信号；
提取模块，用于基于所述噪音信号得到信号特征数据及所述风扇的扇叶通过频率；
诊断模块，用于将所述信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
信息生成模块，用于基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息。
为解决上述技术问题，本申请还提供了一种风扇监控装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文任意一项所述的风扇监控方法的步骤。
为解决上述技术问题，本申请还提供了一种服务器，包括如上文所述的风扇监控装置。
为解决上述技术问题，本申请还提供了一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文任意一项所述的风扇监控方法的步骤。
本申请提供了一种风扇监控方法，应用于BMC，利用麦克风获取风扇的噪音信号，基于噪音信号提取信号特征数据及风扇的扇叶通过频率，将信号特征数据输入预设诊断模型可得到风扇的诊断数据，根据诊断数据及扇叶通过频率共同确定风扇的状态诊断结果，使得诊断更全面，仅通过麦克风采集到的噪音信号即可完成故障诊断，硬件架构简单，无需占用过多硬件资源。本申请还提供了一种风扇监控系统、装置、服务器及可读存储介质，具有和上述风扇监控方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，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为本申请所提供的一种风扇监控方法的步骤流程图；
图2为本申请所提供的一种BMC的结构示意图；
图3为本申请所提供的一种获取当前PWM占空比对应的参考扇叶通过频率的流程图；
图4为本申请所提供的一种风扇监控系统的结构示意图。
具体实施方式
本申请的核心是提供一种风扇监控方法、系统、装置、服务器及可读存储介质，能够提高对风扇的故障诊断的全面性，仅通过麦克风采集到的噪音信号即可完成风扇的故障诊断，硬件架构简单，无需占用过多硬件资源。
为使本申请实施例的目的、技术方案和优点更加清楚，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。
请参照图1，图1为本申请所提供的一种风扇监控方法的步骤流程图，该风扇监控方法可应用到PC（Personal Computer，个人计算机）、边缘服务器等使用风扇作为散热装置的电子产品中，为便于理解本申请的方案，以应用在服务器中为例进行说明。上述风扇监控方法可通过BMC（Baseboard Management Controller，基板管理控制器）实现，BMC的结构参照图2所示，包括傅里叶变换单元、存储单元、特征提取单元、BPF（Blade PassingFrequency，扇叶通过频率）提取单元、转速偏差计算单元、特征匹配与分析单元。该风扇监控方法包括：
S101：获取麦克风采集的风扇的噪音信号；
具体的，在服务器主板内集成有一颗或多颗用于采集风扇的噪音信号的麦克风，作为一种优选的实施例，可将麦克风设置在服务器主板上靠近风扇的一侧，便于噪音信号的采集。
具体的，麦克风按预设周期采集风扇的噪音信号，预设周期可以设置为1小时，采样时间可以设置为10s。
其中，预设周期和采样时间可以根据实际需要设置，本申请在此不做具体的限制。
S102：基于噪音信号得到信号特征数据及风扇的扇叶通过频率；
具体的，BMC获取到噪音信号后，将噪音信号分别输入傅里叶变换单元和特征提取单元，通过特征提取单元对噪音信号进行信号特征提取，得到信号特征数据，信号特征数据包括但不限于时域特征数据、频域特征数据及时频域特征数据，具体包括但不限于峭度指标、PSD（Power Spectral Density，功率谱密度）离散峰值和频率、PSD和时间的瀑布图等。
可以理解的是，麦克风采集到的噪音信号为时域信号，将该噪音信号发送到傅里叶变换单元对噪音信号进行FFT（Fast Fourier Transform，快速傅里叶变换）处理，将噪音信号由时域转换为频域，得到频谱数据，基于频谱数据计算扇叶通过频率，其中，频率分辨率为df的频谱数据为N行2列数组[df，p1；2df，p2；3df，p3；…；Ndf，pN]。
S103：将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
在执行本步骤之前还包括预先训练预设诊断模型的操作，作为一种可选的实施例，预先构建状态诊断模型的过程包括：
获取风扇在目标电子设备中的噪音样本，噪音样本包括故障噪音样本及非故障噪音样本，并对故障噪音样本和非故障噪音样本添加各自对应的标签；
提取各个噪音样本中的特征数据，将特征数据组合成矩阵样本，并将矩阵样本划分为第一矩阵样本和第二矩阵样本；
将第一矩阵样本输入分类器进行训练，得到多个模型；
将第二矩阵样本载入多个模型中进行测试，根据测试结果选择最优模型作为状态诊断模型。
具体的，收集足够多的故障与非故障的噪音样本，非故障样本的标签为非故障，故障样本的标签指示具体故障原因，如叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化等；在标记好故障标签后进行信号特征提取，包括时域特征、频域特征和时频域特征；本实施例中应用的峭度指标、PSD离散峰值和频率、PSD和时间的瀑布图，这些特征数据分别组合成矩阵；将大部分矩阵样本输入给分类器算法进行训练，模型训练完成后会输出一系列模型；将其余的矩阵样本载入上一步生成的模型中，进行测试；根据测试结果挑选出表现最好的模型，将模型代码保存在BMC的专用存储单元中。
在实际应用过程中，将基于噪音信号得到的信号特征数据输入上述训练好的预设诊断模型，该预设诊断模型即可输出风扇的诊断数据，诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因，其中故障原因包括但不限于叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项，以便工作人员及时了解风扇的状态，并及时做出处理。
S104：基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息。
可以理解的是，通过扇叶通过频率可以确定风扇是否存在通信故障，如通信线故障等，因此，本申请基于诊断数据和扇叶通过频率共同得到风扇的状态诊断提示信息，从而使诊断结果更全面，其中状态诊断提示信息包括报警信息风扇故障日志等。
可见，本实施例所提供的一种风扇监控方法，利用麦克风获取风扇的噪音信号，基于噪音信号提取信号特征数据及风扇的扇叶通过频率，将信号特征数据输入预设诊断模型可得到风扇的诊断数据，根据诊断数据及扇叶通过频率共同确定风扇的状态诊断结果，使得诊断更全面，仅通过麦克风采集到的噪音信号即可完成故障诊断，硬件架构简单，无需占用过多硬件资源。
在上述实施例的基础上：
作为一种可选的实施例，该风扇监控方法还包括：
计算扇叶通过频率和参考扇叶通过频率的偏差百分比；
基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息的过程包括：
基于诊断数据和偏差百分比生成风扇的状态诊断提示信息。
其中，扇叶通过频率的偏差即从当前噪音信号中提取到的当前扇叶通过频率与相同PWM占空比下的参考扇叶通过频率的偏差百分比。可以理解的是，偏差百分比较小时，说明风扇正常受控，偏差百分比大于预设阈值时，说明风扇已经由于一些原因不受控了，此时风扇存在异常，因此，偏差百分比也可以作为一个风扇故障的依据。可根据偏差百分比和诊断数据生成对应的提示信息，可以理解的是，提示信息中包括故障状态及偏差百分比过大时对应的报警信息。
作为一种可选的实施例，该风扇监控方法还包括：
按预设规则对风扇进行步进扫频，获取风扇在每一PWM（Pulse WidthModulation，脉宽调制技术）占空比下的初始扇叶通过频率；
基于步进扫频对应的所有PWM占空比及每一PWM占空比下的初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；
计算扇叶通过频率和参考扇叶通过频率的偏差百分比的过程包括：
确定扇叶通过频率对应的当前PWM占空比；
基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率；
计算扇叶通过频率和参考扇叶通过频率的偏差百分比。
具体的，在服务器产品完成组装后、出厂前需要在适宜的温湿度下校准麦克风的灵敏度，这里的适宜是指尽量接近实际工作环境。另外需要启动风扇的步进扫频，采集不同PWM占空比下麦克风采集到的时域信号，提取其初始状态下的扇叶通过频率BPF，并将PWM-BPF的映射表保存到BMC的专用存储单元中。
具体的，启动风扇从10%到100%PWMduty的步进扫频，采集不同PWM占空比对应的时域信号，提取其初始状态下的BPF(扇叶通过频率)，并将PWM-BPF的映射表保存到BMC的专用存储单元中。映射表为一个10行2列的数组MatrixBPF=[10%，F1；20%，F2；…，100%，F10]。
作为一种可选的实施例，基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率的过程包括：
判断映射表中是否存在扇叶通过频率对应的当前PWM占空比；
若是，将映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；
若否，基于当前PWM占空比确定映射表中的第一目标PWM占空比和第二目标PWM占空比；
根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；
其中，第一目标PWM占空比和第二目标PWM占空比相邻，第一目标PWM占空比小于当前PWM占空比，第二目标PWM占空比大于当前PWM占空比。
作为一种可选的实施例，根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率的过程包括：
确定第一目标PWM占空比对应的第一初始扇叶通过频率及第二目标PWM占空比对应的第二初始扇叶通过频率；
对第一初始扇叶通过频率和第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
具体的，考虑到构建PWM-BPF的映射表时，是按照步进扫频的方式进行的，实际工作中PWM占空比可能不在PWM-BPF的映射表中，因此，在确定当前PWM占空比后，首先判断映射表中是否存在当前PWM占空比，如果存在，则直接匹配相同的PWM占空比的初始扇叶通过频率作为当前PWM占空比对应的参考扇叶通过频率。若实际工作中获取到的当前PWM占空比不在映射表中，用映射表中与当前PWM占空比最接近的两个PWM占空比的初始扇叶通过频率做差分计算得到与当前PWM占空比对应的参考扇叶通过频率，假设当前PWM占空比为34%，则通过映射表中30%对应的初始扇叶通过频率和40%对应的初始扇叶通过频率进行差分计算得到34%对应的参考扇叶通过频率。
具体的，首先从BMC调取当前PWM占空比数值，在存储单元中的映射表中检索到对应的BPF数值。若当前PWM占空比不在预存参数表中,可差分计算出BPF。比如当前PWM占空比(用W代替)为34,可用取整函数计算其在映射表中最接近的PWM，即第一目标PWM占空比和第二目标PWM占空比，利用第一目标PWM占空比对应的第一初始扇叶通过频率及第二目标PWM占空比对应的第二初始扇叶通过频率作差分计算求出当前PWM占空比对应的BPF。参照图3所示，图3为本申请所提供的一种获取当前PWM占空比对应的参考扇叶通过频率的流程图，假设W=34，那么通过S201计算得到n为3，通过S202计算得到的delta为4，可以理解的是，如果S203中的delta=0，说明当前PWM占空比位于映射表中，可直接匹配，即当前PWM占空比对应的BPF=Matrix_BPF(n，2)，如果S203中的delta≠0，说明当前PWM占空比不在映射表中，通过S205中的差分计算方案计算当前PWM占空比对应的参考扇叶通过频率。
作为一种可选的实施例，该风扇监控方法还包括：
通过扇叶通过频率对风扇的转速进行调整。
可以理解的是，扇叶通过频率与转速呈正比，扇叶通过频率的偏差就是转速的偏差，因此，本步骤可通过扇叶通过频率来对风扇的转速进行监控和调整，采用这种方案，风扇内不需要在设置转速控制电路，也不需要FG信号端子，硬件架构简单。
综上，采用本申请的方案在服务器主板上集成一颗或多颗麦克风，采集风扇的噪音，并通过噪音的特征分析来判断风扇的健康状况，并在BMC中预存储模型参数和故障标签，对风扇的状态进行在线分析，识别到故障或故障趋势后发出警报，并且可以通过麦克风采集到的信号计算转速，替代风扇PCB板上的读取元件，硬件架构简单不需占用过多系统内资源，同时能定位具体的故障原因，为服务器的维护提供准确建议。
另一方面，请参照图4，图4为本申请所提供的一种风扇监控系统的结构示意图，应用于BMC，该风扇监控系统包括：
获取模块1，用于获取麦克风采集的风扇的噪音信号；
提取模块2，用于基于噪音信号得到信号特征数据及风扇的扇叶通过频率；
诊断模块3，用于将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
信息生成模块4，用于基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息。
可见，本实施例所提供的一种风扇监控系统，利用麦克风获取风扇的噪音信号，基于噪音信号提取信号特征数据及风扇的扇叶通过频率，将信号特征数据输入预设诊断模型可得到风扇的诊断数据，根据诊断数据及扇叶通过频率共同确定风扇的状态诊断结果，使得诊断更全面，仅通过麦克风采集到的噪音信号即可完成故障诊断，硬件架构简单，无需占用过多硬件资源。
作为一种可选的实施例，该风扇监控系统还包括：
计算模块，用于计算扇叶通过频率和参考扇叶通过频率的偏差百分比；
基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息的过程包括：
基于诊断数据和偏差百分比生成风扇的状态诊断提示信息。
作为一种可选的实施例，该风扇监控系统还包括：
预处理模块，用于按预设规则对风扇进行步进扫频，获取风扇在每一PWM占空比下的初始扇叶通过频率；基于步进扫频对应的所有PWM占空比及每一PWM占空比下的初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；
计算扇叶通过频率和参考扇叶通过频率的偏差百分比的过程包括：
确定扇叶通过频率对应的当前PWM占空比；
基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率；
计算扇叶通过频率和参考扇叶通过频率的偏差百分比。
作为一种可选的实施例，基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率的过程包括：
判断映射表中是否存在扇叶通过频率对应的当前PWM占空比；
若是，将映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；
若否，基于当前PWM占空比确定映射表中的第一目标PWM占空比和第二目标PWM占空比；
根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；
其中，第一目标PWM占空比和第二目标PWM占空比相邻，第一目标PWM占空比小于当前PWM占空比，第二目标PWM占空比大于当前PWM占空比。
作为一种可选的实施例，根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率的过程包括：
确定第一目标PWM占空比对应的第一初始扇叶通过频率及第二目标PWM占空比对应的第二初始扇叶通过频率；
对第一初始扇叶通过频率和第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
作为一种可选的实施例，信号特征数据包括时域特征数据、频域特征数据及时频域特征数据。
作为一种可选的实施例，基于噪音信号得到风扇的扇叶通过频率的过程包括：
对噪音信号进行FFT处理，得到频谱数据；
基于频谱数据计算扇叶通过频率。
作为一种可选的实施例，诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因。
作为一种可选的实施例，故障原因包括叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项。
作为一种可选的实施例，该风扇监控系统还包括：
控制模块，用于通过扇叶通过频率对风扇的转速进行调整。
作为一种可选的实施例，预先构建状态诊断模型的过程包括：
获取风扇在目标电子设备中的噪音样本，噪音样本包括故障噪音样本及非故障噪音样本，并对故障噪音样本和非故障噪音样本添加各自对应的标签；
提取各个噪音样本中的特征数据，将特征数据组合成矩阵样本，并将矩阵样本划分为第一矩阵样本和第二矩阵样本；
将第一矩阵样本输入分类器进行训练，得到多个模型；
将第二矩阵样本载入多个模型中进行测试，根据测试结果选择最优模型作为状态诊断模型。
另一方面，本申请还提供了一种风扇监控装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行计算机程序时实现如上文任意一个实施例所描述的风扇监控方法的步骤。
具体的，存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器为风扇监控装置提供计算和控制能力，执行存储器中保存的计算机程序时，可以实现以下步骤：获取麦克风采集的风扇的噪音信号；基于噪音信号得到信号特征数据及风扇的扇叶通过频率；将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息。
可见，本实施例所提供的一种风扇监控装置，利用麦克风获取风扇的噪音信号，基于噪音信号提取信号特征数据及风扇的扇叶通过频率，将信号特征数据输入预设诊断模型可得到风扇的诊断数据，根据诊断数据及扇叶通过频率共同确定风扇的状态诊断结果，使得诊断更全面，仅通过麦克风采集到的噪音信号即可完成故障诊断，硬件架构简单，无需占用过多硬件资源。
处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：计算扇叶通过频率和参考扇叶通过频率的偏差百分比；基于诊断数据和偏差百分比生成风扇的状态诊断提示信息。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：按预设规则对风扇进行步进扫频，获取风扇在每一PWM占空比下的初始扇叶通过频率；基于步进扫频对应的所有PWM占空比及每一PWM占空比下的初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；确定扇叶通过频率对应的当前PWM占空比；基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率；计算扇叶通过频率和参考扇叶通过频率的偏差百分比。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：判断映射表中是否存在扇叶通过频率对应的当前PWM占空比；若是，将映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；若否，基于当前PWM占空比确定映射表中的第一目标PWM占空比和第二目标PWM占空比；根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；其中，第一目标PWM占空比和第二目标PWM占空比相邻，第一目标PWM占空比小于当前PWM占空比，第二目标PWM占空比大于当前PWM占空比。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：确定第一目标PWM占空比对应的第一初始扇叶通过频率及第二目标PWM占空比对应的第二初始扇叶通过频率；对第一初始扇叶通过频率和第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：基于噪音信号得到信号特征数据；信号特征数据包括时域特征数据、频域特征数据及时频域特征数据。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：对噪音信号进行FFT处理，得到频谱数据；基于频谱数据计算扇叶通过频率。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因；故障原因包括叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：通过扇叶通过频率对风扇的转速进行调整。
作为一种可选的实施例，处理器执行存储器中保存的计算机子程序时，可以实现以下步骤：获取风扇在目标电子设备中的噪音样本，噪音样本包括故障噪音样本及非故障噪音样本，并对故障噪音样本和非故障噪音样本添加各自对应的标签；提取各个噪音样本中的特征数据，将特征数据组合成矩阵样本，并将矩阵样本划分为第一矩阵样本和第二矩阵样本；将第一矩阵样本输入分类器进行训练，得到多个模型；将第二矩阵样本载入多个模型中进行测试，根据测试结果选择最优模型作为状态诊断模型。
在上述实施例的基础上，作为优选实施方式，该风扇监控装置还包括：
输入接口，与处理器相连，用于获取外部导入的计算机程序、参数和指令，经处理器控制保存至存储器中。该输入接口可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板。
显示单元，与处理器相连，用于显示处理器发送的数据。该显示单元可以为液晶显示屏或者电子墨水显示屏等。
网络端口，与处理器相连，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术（MHL）、通用串行总线（USB）、高清多媒体接口（HDMI）、无线保真技术（WiFi）、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。
另一方面，本申请还提供了一种服务器，包括如上文实施例所描述的风扇监控装置。
对于本申请所提供的一种服务器的介绍请参照上述实施例，本申请在此不再赘述。
本申请所提供的一种服务器具有和上述风扇监控装置相同的有益效果。
另一方面，本申请还提供了一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上文任意一个实施例所描述的风扇监控方法的步骤。
具体的，该可读存储介质可以包括：U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。该存储介质上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取麦克风采集的风扇的噪音信号；基于噪音信号得到信号特征数据及风扇的扇叶通过频率；将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；基于诊断数据和扇叶通过频率生成风扇的状态诊断提示信息。
可见，本实施例利用麦克风获取风扇的噪音信号，基于噪音信号提取信号特征数据及风扇的扇叶通过频率，将信号特征数据输入预设诊断模型可得到风扇的诊断数据，根据诊断数据及扇叶通过频率共同确定风扇的状态诊断结果，使得诊断更全面，仅通过麦克风采集到的噪音信号即可完成故障诊断，硬件架构简单，无需占用过多硬件资源。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：计算扇叶通过频率和参考扇叶通过频率的偏差百分比；基于诊断数据和偏差百分比生成风扇的状态诊断提示信息。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：按预设规则对风扇进行步进扫频，获取风扇在每一PWM占空比下的初始扇叶通过频率；基于步进扫频对应的所有PWM占空比及每一PWM占空比下的初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；确定扇叶通过频率对应的当前PWM占空比；基于当前PWM占空比及映射表中的初始扇叶通过频率，确定参考扇叶通过频率；计算扇叶通过频率和参考扇叶通过频率的偏差百分比。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：判断映射表中是否存在扇叶通过频率对应的当前PWM占空比；若是，将映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；若否，基于当前PWM占空比确定映射表中的第一目标PWM占空比和第二目标PWM占空比；根据第一目标PWM占空比对应的初始扇叶通过频率及第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；其中，第一目标PWM占空比和第二目标PWM占空比相邻，第一目标PWM占空比小于当前PWM占空比，第二目标PWM占空比大于当前PWM占空比。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：确定第一目标PWM占空比对应的第一初始扇叶通过频率及第二目标PWM占空比对应的第二初始扇叶通过频率；对第一初始扇叶通过频率和第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：基于噪音信号得到信号特征数据；信号特征数据包括时域特征数据、频域特征数据及时频域特征数据。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：对噪音信号进行FFT处理，得到频谱数据；基于频谱数据计算扇叶通过频率。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：将信号特征数据输入预先构建的状态诊断模型，得到诊断数据；诊断数据包括健康状态，或，故障状态及故障状态对应的故障原因；故障原因包括叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：通过扇叶通过频率对风扇的转速进行调整。
作为一种可选的实施例，可读存储介质中存储的计算机子程序被处理器执行时，具体可以实现以下步骤：获取风扇在目标电子设备中的噪音样本，噪音样本包括故障噪音样本及非故障噪音样本，并对故障噪音样本和非故障噪音样本添加各自对应的标签；提取各个噪音样本中的特征数据，将特征数据组合成矩阵样本，并将矩阵样本划分为第一矩阵样本和第二矩阵样本；将第一矩阵样本输入分类器进行训练，得到多个模型；将第二矩阵样本载入多个模型中进行测试，根据测试结果选择最优模型作为状态诊断模型。
还需要说明的是，在本说明书中，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。在没有更多限制的状况下，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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其他实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种风扇监控方法，其特征在于，应用于BMC，该风扇监控方法包括：
获取麦克风采集的风扇的噪音信号；
基于所述噪音信号得到信号特征数据及所述风扇的扇叶通过频率；
将所述信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息。
2.根据权利要求1所述的风扇监控方法，其特征在于，该风扇监控方法还包括：
计算所述扇叶通过频率和参考扇叶通过频率的偏差百分比；
基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息的过程包括：
基于所述诊断数据和所述偏差百分比生成所述风扇的状态诊断提示信息。
3.根据权利要求2所述的风扇监控方法，其特征在于，该风扇监控方法还包括：
按预设规则对所述风扇进行步进扫频，获取所述风扇在每一PWM占空比下的初始扇叶通过频率；
基于所述步进扫频对应的所有所述PWM占空比及每一所述PWM占空比下的所述初始扇叶通过频率，构建PWM占空比与扇叶通过频率的映射表；
计算所述扇叶通过频率和参考扇叶通过频率的偏差百分比的过程包括：
确定所述扇叶通过频率对应的当前PWM占空比；
基于当前PWM占空比及所述映射表中的所述初始扇叶通过频率，确定参考扇叶通过频率；
计算所述扇叶通过频率和所述参考扇叶通过频率的偏差百分比。
4.根据权利要求3所述的风扇监控方法，其特征在于，所述基于当前PWM占空比及所述映射表中的所述初始扇叶通过频率，确定参考扇叶通过频率的过程包括：
判断所述映射表中是否存在所述扇叶通过频率对应的当前PWM占空比；
若是，将所述映射表中与当前PWM占空比对应的初始扇叶通过频率作为参考扇叶通过频率；
若否，基于当前PWM占空比确定所述映射表中的第一目标PWM占空比和第二目标PWM占空比；
根据所述第一目标PWM占空比对应的初始扇叶通过频率及所述第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率；
其中，所述第一目标PWM占空比和所述第二目标PWM占空比相邻，所述第一目标PWM占空比小于当前PWM占空比，所述第二目标PWM占空比大于当前PWM占空比。
5.根据权利要求4所述的风扇监控方法，其特征在于，根据所述第一目标PWM占空比对应的初始扇叶通过频率及所述第二目标PWM占空比对应的初始扇叶通过频率计算当前PWM占空比对应的参考扇叶通过频率的过程包括：
确定所述第一目标PWM占空比对应的第一初始扇叶通过频率及所述第二目标PWM占空比对应的第二初始扇叶通过频率；
对所述第一初始扇叶通过频率和所述第二初始扇叶通过频率进行差分计算，得到当前PWM占空比对应的参考扇叶通过频率。
6.根据权利要求1所述的风扇监控方法，其特征在于，所述信号特征数据包括时域特征数据、频域特征数据及时频域特征数据。
7.根据权利要求1所述的风扇监控方法，其特征在于，基于所述噪音信号得到所述风扇的扇叶通过频率的过程包括：
对所述噪音信号进行FFT处理，得到频谱数据；
基于所述频谱数据计算扇叶通过频率。
8.根据权利要求1所述的风扇监控方法，其特征在于，所述诊断数据包括健康状态，或，故障状态及所述故障状态对应的故障原因。
9.根据权利要求8所述的风扇监控方法，其特征在于，所述故障原因包括叶片偏心、轴承磨损、绕组性能退化、润滑油不足或耗干、IC元件电阻变化中的一项或多项。
10.根据权利要求1所述的风扇监控方法，其特征在于，该风扇监控方法还包括：
通过所述扇叶通过频率对所述风扇的转速进行调整。
11.根据权利要求1-10任意一项所述的风扇监控方法，其特征在于，预先构建状态诊断模型的过程包括：
获取所述风扇在目标电子设备中的噪音样本，所述噪音样本包括故障噪音样本及非故障噪音样本，并对所述故障噪音样本和所述非故障噪音样本添加各自对应的标签；
提取各个所述噪音样本中的特征数据，将所述特征数据组合成矩阵样本，并将所述矩阵样本划分为第一矩阵样本和第二矩阵样本；
将所述第一矩阵样本输入分类器进行训练，得到多个模型；
将所述第二矩阵样本载入多个所述模型中进行测试，根据测试结果选择最优模型作为所述状态诊断模型。
12.一种风扇监控系统，其特征在于，应用于BMC，该风扇监控系统包括：
获取模块，用于获取麦克风采集的风扇的噪音信号；
提取模块，用于基于所述噪音信号得到信号特征数据及所述风扇的扇叶通过频率；
诊断模块，用于将所述信号特征数据输入预先构建的状态诊断模型，得到诊断数据；
信息生成模块，用于基于所述诊断数据和所述扇叶通过频率生成所述风扇的状态诊断提示信息。
13.一种风扇监控装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1-11任意一项所述的风扇监控方法的步骤。
14.一种服务器，其特征在于，包括如权利要求13所述的风扇监控装置。
15.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-11任意一项所述的风扇监控方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210947593.7A CN115033461B (zh) | 2022-08-09 | 2022-08-09 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
| PCT/CN2023/111986 WO2024032655A1 (zh) | 2022-08-09 | 2023-08-09 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210947593.7A CN115033461B (zh) | 2022-08-09 | 2022-08-09 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115033461A true CN115033461A (zh) | 2022-09-09 |
| CN115033461B CN115033461B (zh) | 2023-04-18 |
Family
ID=83130359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210947593.7A Active CN115033461B (zh) | 2022-08-09 | 2022-08-09 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115033461B (zh) |
| WO (1) | WO2024032655A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024032655A1 (zh) * | 2022-08-09 | 2024-02-15 | 苏州元脑智能科技有限公司 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118030588B (zh) * | 2024-04-10 | 2024-06-11 | 永联科技(常熟)有限公司 | 风扇控制方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105501A (zh) * | 2006-07-14 | 2008-01-16 | 鸿富锦精密工业（深圳）有限公司 | 风扇转速测试系统及方法 |
| CN102521088A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于声学探测的服务器风扇状态检测方法 |
| CN110985425A (zh) * | 2019-11-29 | 2020-04-10 | 联想(北京)有限公司 | 一种信息检测方法、电子设备及计算机可读存储介质 |
| CN113886156A (zh) * | 2021-09-09 | 2022-01-04 | 苏州浪潮智能科技有限公司 | 一种风扇噪声对硬盘的干扰的测试方法、系统及相关组件 |
| CN114153693A (zh) * | 2021-11-26 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 一种服务器风扇状态监控方法、装置及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103423186B (zh) * | 2012-05-21 | 2015-08-26 | 联想(北京)有限公司 | 一种检测风扇故障的方法及一种电子设备 |
| CN105136435B (zh) * | 2015-07-15 | 2017-10-31 | 北京汉能华科技股份有限公司 | 一种风力发电机组叶片故障诊断的方法和装置 |
| JP2018025841A (ja) * | 2016-08-08 | 2018-02-15 | 株式会社明電舎 | ファン監視システム，監視方法，監視プログラム |
| CN115033461B (zh) * | 2022-08-09 | 2023-04-18 | 苏州浪潮智能科技有限公司 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
-
2022
- 2022-08-09 CN CN202210947593.7A patent/CN115033461B/zh active Active
-
2023
- 2023-08-09 WO PCT/CN2023/111986 patent/WO2024032655A1/zh unknown
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101105501A (zh) * | 2006-07-14 | 2008-01-16 | 鸿富锦精密工业（深圳）有限公司 | 风扇转速测试系统及方法 |
| CN102521088A (zh) * | 2011-11-15 | 2012-06-27 | 浪潮电子信息产业股份有限公司 | 一种基于声学探测的服务器风扇状态检测方法 |
| CN110985425A (zh) * | 2019-11-29 | 2020-04-10 | 联想(北京)有限公司 | 一种信息检测方法、电子设备及计算机可读存储介质 |
| CN113886156A (zh) * | 2021-09-09 | 2022-01-04 | 苏州浪潮智能科技有限公司 | 一种风扇噪声对硬盘的干扰的测试方法、系统及相关组件 |
| CN114153693A (zh) * | 2021-11-26 | 2022-03-08 | 苏州浪潮智能科技有限公司 | 一种服务器风扇状态监控方法、装置及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024032655A1 (zh) * | 2022-08-09 | 2024-02-15 | 苏州元脑智能科技有限公司 | 一种风扇监控方法、系统、装置、服务器及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024032655A1 (zh) | 2024-02-15 |
| CN115033461B (zh) | 2023-04-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115033461B (zh) | 一种风扇监控方法、系统、装置、服务器及可读存储介质 | |
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| US20210319375A1 (en) | Churn prediction in a broadband network | |
| US6959265B1 (en) | User-centric measurement of quality of service in a computer network | |
| CN112882796A (zh) | 异常根因分析方法和装置，及存储介质 | |
| CN101999101B (zh) | 系统运行预测的确定方法 | |
| US20120136816A1 (en) | Network analysis system | |
| CN109738191B (zh) | 发动机健康状态评价方法及系统 | |
| Kumar et al. | A health indicator method for degradation detection of electronic products | |
| CN111144009B (zh) | 一种风机的运行状态评估方法、装置、设备和存储介质 | |
| KR101953558B1 (ko) | 스마트 기기 결함 관리 장치 및 방법 | |
| JP2019067197A (ja) | 故障予兆検知手法 | |
| CN117115937B (zh) | 设备运行状态监测方法、装置、云端设备及存储介质 | |
| CN117634932B (zh) | 一种智能手表生产测试用平台的管理系统 | |
| CN110991932A (zh) | 一种风电场运行状态评估方法、系统及相关设备 | |
| CN113688564A (zh) | 一种预测ssd硬盘剩余寿命的方法、装置、终端及存储介质 | |
| CN114167132B (zh) | 无线终端的功耗检测方法、装置、电子设备及存储介质 | |
| JP2022177322A (ja) | 複雑なシステムにおける状態予測の説明のためのシステム及び方法 | |
| CN102014163B (zh) | 一种基于事务驱动的云存储测试方法及系统 | |
| CN116628564B (zh) | 用于检测发电机状态的模型训练方法和系统 | |
| CN116653817A (zh) | 故障预警方法、模型训练方法、装置、车辆及存储介质 | |
| CN113608953B (zh) | 测试数据生成方法、装置、电子设备及可读存储介质 | |
| WO1995011488A1 (en) | Diagnostic monitor system | |
| US20230179501A1 (en) | Health index of a service | |
| CN113126554B (zh) | 光学设备监控系统 |
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 |