CN115467849A - 一种风扇控制方法及相关装置 - Google Patents

一种风扇控制方法及相关装置 Download PDF

Info

Publication number
CN115467849A
CN115467849A CN202211259643.9A CN202211259643A CN115467849A CN 115467849 A CN115467849 A CN 115467849A CN 202211259643 A CN202211259643 A CN 202211259643A CN 115467849 A CN115467849 A CN 115467849A
Authority
CN
China
Prior art keywords
power consumption
heat dissipation
fan
consumption component
heat
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.)
Pending
Application number
CN202211259643.9A
Other languages
English (en)
Inventor
郭晓冬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Jinan data Technology Co ltd
Original Assignee
Inspur Jinan data Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Jinan data Technology Co ltd filed Critical Inspur Jinan data Technology Co ltd
Priority to CN202211259643.9A priority Critical patent/CN115467849A/zh
Publication of CN115467849A publication Critical patent/CN115467849A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • F04D27/008—Stop safety or alarm devices, e.g. stop-and-go control; Disposition of check-valves
    • 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
    • G06F1/206—Cooling means comprising thermal management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Temperature (AREA)

Abstract

本申请公开了一种风扇控制方法，涉及计算机散热技术领域，包括：根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；记录所述功耗部件在不同功率下所述散热模型中各变量的数值；以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；根据所述关系曲线，调控所述风扇转速。该方法控制周期短、速度快，能够精准的调控温度。本申请还公开了一种风扇控制装置、设备以及计算机可读存储介质，均具有上述技术效果。

Description

一种风扇控制方法及相关装置
技术领域
本申请涉及计算机散热技术领域，特别涉及一种风扇控制方法；还涉及一种风扇控制装置、设备以及计算机可读存储介质。
背景技术
服务器或存储设备中的散热方式主要是采用风扇吹动空气流动，将CPU(CentralProcessing Unit，中央处理器)、内存、硬盘等功耗模块产生的热量带走。风扇的转速主要由主板上的BMC(Baseboard Management Controller，基板管理控制器)控制。风扇控制方式主要包括分段转速控制与PID控制即比例、积分、微分控制。然而，分段转速难以有效的将温度控制在所需温度点。PID控制的精度不高，不够精准。由于PID控制属于线性控制，而现实中大多数应用场景是非线性的，用线性近似非线性，精度会有所下降，调控时间也会增加。
因此，如何精准的调控温度已成为本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种风扇控制方法，控制周期短、速度快，能够精准的调控温度。本申请的另一个目的是提供一种风扇控制装置、设备以及计算机可读存储介质，均具有上述技术效果。
为解决上述技术问题，本申请提供了一种风扇控制方法，包括：
根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；
根据所述关系曲线，调控所述风扇转速。
可选的，所述根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型包括：
根据影响功耗部件产热的因素，构建功耗部件产热功率与影响功耗部件产热的因素的关系式；
根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式；
以功耗部件产热功率与风扇散热功率相等为条件，根据所述功耗部件产热功率与影响功耗部件产热的因素的关系式与所述风扇散热功率与影响功耗部件散热的因素的关系式，构建得到所述散热模型。
可选的，所述根据影响功耗部件产热的因素，构建功耗部件的功耗部件产热功率与影响功耗部件产热的因素的关系式包括：
根据散热系数、散热表面积、功耗部件的温度以及出风口温度，构建所述功耗部件产热功率与影响功耗部件产热的因素的关系式。
可选的，所述根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式包括：
根据空气比热容、空气密度、散热截面、风扇转速、出风口温度以及环境温度，构建所述风扇散热功率与影响功耗部件散热的因素的关系式。
可选的，还包括：
在所述散热模型中添加补偿参数。
可选的，还包括：
风扇转速调控后，分析风扇转速与功耗部件的温度的关系；
若风扇转速与功耗部件的温度的关系不符合所述散热模型，则进行异常告警。
可选的，所述进行异常告警包括：
向维护人员发送预警信息。
为解决上述技术问题，本申请还提供了一种风扇控制装置，包括：
模型构建模块，用于根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
数值记录模块，用于记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
曲线拟合模块，用于以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到功耗部件的温度与风扇转速的关系曲线；
转速调控模块，用于根据所述关系曲线，调控风扇转速。
为解决上述技术问题，本申请还提供了一种风扇控制设备，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任一项所述的风扇控制方法的步骤。
为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机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任一项所述的风扇控制方法的步骤。
本申请所提供的风扇控制方法，包括：根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；记录所述功耗部件在不同功率下所述散热模型中各变量的数值；以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；根据所述关系曲线，调控所述风扇转速。
可见，本申请所提供的风扇控制方法，根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型，并基于此散热模型利用神经网络算法拟合得到功耗部件的温度与风扇转速之间的关系曲线，最终依据此关系曲线调控风扇转速。相较于PID控制以及分段转速控制，本申请依据功耗部件的温度与风扇转速之间的关系曲线进行风扇转速调控时，风扇转速不会产生频繁的波动，能够精准的调控温度，并且控制周期短、速度快。
本申请所提供的风扇控制装置、设备以及计算机可读存储介质均具有上述技术效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对现有技术和实施例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为本申请实施例所提供的一种风扇控制方法的流程示意图；
图2为本申请实施例所提供的一种风扇控制装置的示意图；
图3为本申请实施例所提供的一种风扇控制设备的示意图。
具体实施方式
本申请的核心是提供一种风扇控制方法，控制周期短、速度快，能够精准的调控温度。本申请的另一个核心是提供一种风扇控制装置、设备以及计算机可读存储介质，均具有上述技术效果。
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。
请参考图1，图1为本申请实施例所提供的一种风扇控制方法的流程示意图，参考图1所示，该方法包括：
S101：根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
功耗部件可以为CPU(Central Processing Unit，中央处理器)、内存、硬盘等。功耗部件在机箱中的热态过程主要包括：功耗部件发热与气流带走热量。功耗部件在运行过程中产生热量，并将热量传导至周围的空气。风扇转动后，从机箱外吸入空气，空气流过功耗部件周围，吸收热量后将热量带走，排出机箱。
步骤S101旨在依据机箱内部的结构，根据影响功耗部件产热与散热的因素，构建功耗部件的散热模型。功耗部件的散热模型能够反应功耗部件的温度与影响功耗部件产热与散热的因素之间的关系。
其中，在一些实施例中，所述根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型包括：
根据影响功耗部件产热的因素，构建功耗部件产热功率与影响功耗部件产热的因素的关系式；
根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式；
以功耗部件产热功率与风扇散热功率相等为条件，根据所述功耗部件产热功率与影响功耗部件产热的因素的关系式与所述风扇散热功率与影响功耗部件散热的因素的关系式，构建得到所述散热模型。
功耗部件产热功率与影响功耗部件产热的因素的关系式表征功耗部件的产热功率与影响功耗部件产热的因素之间的关系。风扇散热功率与影响功耗部件散热的因素的关系式表征风扇散热功率与影响功耗部件散热的因素之间的关系。功耗部件的产热量与空气带走的热量相等时，功耗部件的温度会稳定于一个定值。
本实施例在构建功耗部件产热功率与影响功耗部件产热的因素的关系式与风扇散热功率与影响功耗部件散热的因素的关系式的基础上，以功耗部件的产热功率与风扇散热功率相等为条件，建立功耗部件产热功率与影响功耗部件产热的因素的关系式与风扇散热功率与影响功耗部件散热的因素的关系式的关系，进而得到散热模型。
其中，所述根据影响功耗部件产热的因素，构建功耗部件的功耗部件产热功率与影响功耗部件产热的因素的关系式可以包括：
根据散热系数、散热表面积、功耗部件的温度以及出风口温度，构建所述功耗部件产热功率与影响功耗部件产热的因素的关系式。
本实施例中，影响功耗部件产热的因素主要包括散热机械的散热系数、散热表面积、出风口温度。所构建的功耗部件产热功率与影响功耗部件产热的因素的关系式为：
P功率部件≈h散热系数*S表面积*(t-t1)。
P功率部件表示功率部件的产热功率，h散热系数表示散热机械的散热系数，S表面积表示散热机械的散热表面积，t表示功耗部件的温度，t1表示出风口温度。
假设风扇转速v与出风口温度t1的关系为：t1＝f(v)；
则，P功率部件≈h散热系数*S表面积*(t-f(v))。
另外，所述根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式可以包括：
根据空气比热容、空气密度、散热截面、风扇转速、出风口温度以及环境温度，构建所述风扇散热功率与影响功耗部件散热的因素的关系式。
本实施例中，影响功耗部件散热的因素主要包括空气比热容、空气密度、散热截面、风扇转速、出风口温度以及环境温度。所构建的风扇散热功率与影响功耗部件散热的因素的关系式为：
P风散＝C比热*ρ密度S截面v(t1-t0)。
P风散表示风扇散热功率，C比热表示空气比热容，ρ密度表示空气密度，S截面表示散热截面，v表示风扇转速，t1表示出风口温度，t0表示环境温度。
风扇转速v与出风口温度t1的关系为：t1＝f(v)；
则，P风散＝C比热*ρ密度S截面v(f(v)-t0)。
P功率部件＝P风散，因此，h散热系数*S表面积*(t-f(v))＝C比热*ρ密度S截面v(t1-t0)；进而，化简得到散热模型为：
t＝P功耗部件/(v*C比热ρ密度S截面)+P功耗部件/h散热系数S表面积+t0。
S102：记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
在构建散热模型的基础上，为最终得到功耗部件与风扇转速的关系曲线，在功耗部件为不同的功率下，采集稳态时功耗部件的温度、风扇转速的数值。进而将功耗部件的温度、风扇转速、功耗部件的功率等数据记录到数据库中。
可以编写BMC风扇控制程序，由BMC控制风扇转速，并通过采集功耗部件内部温度传感器的值而得到功耗部件的温度。
S103：以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到功耗部件的温度与风扇转速的关系曲线；
S104：根据所述关系曲线，调控所述风扇转速。
通过神经网络算法拟合得到功耗部件的温度与风扇转速的关系曲线的过程实际上是通过神经网络算法确定散热模型中各定量的值。散热模型中的定量包括空气比热容、空气密度、散热截面、散热机械的散热系数、散热表面积。散热模型中的变量包括风扇转速、环境温度、出风口温度以及功耗部件的温度。
提取数据库中的样本，采用人工神经网络算法进行模拟训练，最终拟合得到功耗部件的温度与风扇转速的关系曲线，即最终得到散热模型的曲线算例。
得到功耗部件的温度与风扇转速的关系曲线后，根据所述关系曲线，调控风扇转速，以使功耗部件的温度达到期望值。
为了更精装的实现风扇转速调控，在一些实施例中，还可以包括：
在所述散热模型中添加补偿参数。
如上文所述，功耗部件产热功率与影响功耗部件产热的因素的关系式P功率部件≈h散热系数*S表面积*(t-t1)是一个近似的关系式，关系式约等于号两侧存在微量的偏差，最终所得散热模型也存在微量的偏差。为此，本实施例在在所述散热模型中添加补偿参数，以便进行精准调控。
添加了补偿参数的散热模型可表示如下：
t＝P功耗部件/(v*C比热ρ密度S截面)+P功耗部件/h散热系数S表面积+t0+t补偿参数。
t补偿参数的大小，可以通过实验来确定。
在实际应用中，可能发生由于机箱结构变化等因素导致散热模型中定量发生变化，进而导致风扇转速调控后，功耗部件的温度未达到期望值的情况。为了及时获知调控结果，在一些实施例中，还可以包括：
风扇转速调控后，分析风扇转速与功耗部件的温度的关系；
若风扇转速与功耗部件的温度的关系不符合所述散热模型，则进行异常告警。
散热模型中功耗部件的温度与风扇转速之间呈负相关。如果，风扇转速调控后，功耗部件的温度与风扇转速之间的关系不是负相关，则认为功耗部件的温度不符合散热模型，可能是由于散热系数、散热截面、散热表面等中的一项或多项发生变化，进一步可进行异常告警。异常告警的方式可以为向维护人员发送预警信息，以告知维护人员功耗部件的温度异常。
例如，增大风扇转速后，功耗部件的温度反而升高，此时功耗部件的温度与风扇转速之间的关系呈正相关，此时可以向维护人员发送预警信息，以告知维护人员功耗部件温度异常。
此外，风扇转速调控后，如果功耗部件的温度与期望值相差过大，此时可以重新进行风扇转速调控。如果多次重复进行风扇转速调控后，功耗部件的温度仍与期望值存在较大偏差，此时也可以进行异常告警。
以下以功耗部件为CPU为例，阐述一种风扇控制的实施例：
CPU在机箱中的热态过程主要包括：CPU发热与气流带走热量。CPU在运行过程中产生热量，并将热量传导至周围的空气。风扇转动后，从机箱外吸入空气，空气流过CPU周围，吸收热量后将热量带走，排出机箱。
热量传导过程中，散热系数、散热表面积、空气的比热容等为定量，风扇转速、环境温度、CPU的出风口温度、CPU温度为变量。
CPU温度在机箱中的散热模型构建方式为：当环境温度不变，控制CPU功耗和风扇转速在一定值时，CPU温度最终会稳定在一个定值，CPU产热量与空气带走的热量相等即Pcpu＝P风散； (1-1)
假设风扇转速v与出风口温度t1有如下关系：
t1＝f(v)；
则，CPU产热功率可表示为：
Pcpu≈h散热系数*S表面积(t-f(v))； (1-2)
风扇散热功率可表示为：
P风散＝C比热*ρ密度*S截面*v*(f(v)-t0)； (1-3)
将变量代入公式(1-1)中，化简得到出风口温度与CPU温度以及风扇转速之间关系：
t1＝f(v)＝λ(t-t0)/(v+λ)+t0； λ＝h散热系数*S表面积/C比热*ρ密度*S截面； (1-4)
将公式(1-4)代入公式(1-2)中，得到CPU的散热模型为：
t＝Pcpu/(v*C比热*ρ密度*S截面)+Pcpu/h散热系数*S表面积+t0。
在构建CPU的散热模型的基础上，为最终得到CPU与风扇转速的关系曲线，在CPU为不同功耗值时，采集稳态时CPU的温度、风扇转速的数值。进而可通过BMC将CPU的温度、风扇转速、CPU的功率等数据记录到数据库中。
提取数据库中的样本，采用人工神经网络算法进行模拟训练，最终拟合得到CPU的温度与风扇转速的关系曲线，即最终得到散热模型的曲线算例。得到CPU的温度与风扇转速的关系曲线后，根据所述关系曲线，调控风扇转速，以使CPU的温度达到期望值。
其中，为了更精装的实现风扇转速调控，可以在CPU的散热模型中添加补偿参数。添加补偿参数后的CPU的散热模型可表示为：
t＝Pcpu/(v*C比热*ρ密度*S截面)+Pcpu/h散热系数*S表面积+t0+t补偿参数。
此外，风扇转速调控后，进一步分析风扇转速与CPU的温度的关系。如果，风扇转速调控后，CPU的温度与风扇转速之间的关系不符合散热模型所表征的CPU的温度与风扇转速之间的关系，可能是由于散热系数、散热截面、散热表面等中的一项或多项发生变化，进一步可进行异常告警。异常告警的方式可以为向维护人员发送预警信息。
综上所述，本申请所提供的风扇控制方法，包括：根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；记录所述功耗部件在不同功率下所述散热模型中各变量的数值；以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；根据所述关系曲线，调控所述风扇转速。可见，本申请所提供的风扇控制方法，根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型，并基于此散热模型利用神经网络算法拟合得到功耗部件的温度与风扇转速之间的关系曲线，最终依据此关系曲线调控风扇转速。相较于PID控制以及分段转速控制，本申请依据功耗部件的温度与风扇转速之间的关系曲线进行风扇转速调控时，风扇转速不会产生频繁的波动，能够精准的调控温度，并且控制周期短、速度快。
本申请还提供了一种风扇控制装置，下文描述的该装置可以与上文描述的方法相互对应参照。请参考图2，图2为本申请实施例所提供的一种风扇控制装置的示意图，结合图2所示，该装置包括：
模型构建模块10，用于根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
数值记录模块20，用于记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
曲线拟合模块30，用于以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到功耗部件的温度与风扇转速的关系曲线；
转速调控模块40，用于根据所述关系曲线，调控风扇转速。
在上述实施例的基础上，作为一种具体的实施方式，模型构建模块10包括：
第一关系式构建单元，用于根据影响功耗部件产热的因素，构建功耗部件产热功率与影响功耗部件产热的因素的关系式；
第二关系式构建单元，用于根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式；
模型构建单元，用于以功耗部件产热功率与风扇散热功率相等为条件，根据所述功耗部件产热功率与影响功耗部件产热的因素的关系式与所述风扇散热功率与影响功耗部件散热的因素的关系式，构建得到所述散热模型。
在上述实施例的基础上，作为一种具体的实施方式，所述第一关系式构建单元具体用于：
根据散热系数、散热表面积、功耗部件的温度以及出风口温度，构建所述功耗部件产热功率与影响功耗部件产热的因素的关系式。
在上述实施例的基础上，作为一种具体的实施方式，所述第一关系式构建单元具体用于：
根据空气比热容、空气密度、散热截面、风扇转速、出风口温度以及环境温度，构建所述风扇散热功率与影响功耗部件散热的因素的关系式。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
补偿参数添加模块，用于在所述散热模型中添加补偿参数。
在上述实施例的基础上，作为一种具体的实施方式，还包括：
分析模块，用于风扇转速调控后，分析风扇转速与功耗部件的温度的关系；
告警模块，用于若风扇转速与功耗部件的温度的关系不符合所述散热模型，则进行异常告警。
在上述实施例的基础上，作为一种具体的实施方式，所述告警模块具体用于：
向维护人员发送预警信息。
本申请所提供的风扇控制装置，根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型，并基于此散热模型利用神经网络算法拟合得到功耗部件的温度与风扇转速之间的关系曲线，最终依据此关系曲线调控风扇转速。相较于PID控制以及分段转速控制，本申请依据功耗部件的温度与风扇转速之间的关系曲线进行风扇转速调控时，风扇转速不会产生频繁的波动，能够精准的调控温度，并且控制周期短、速度快。
本申请还提供了一种风扇控制设备，参考图3所示，该设备包括存储器1和处理器2。
存储器1，用于存储计算机程序；
处理器2，用于执行计算机程序实现如下的步骤：
根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；记录所述功耗部件在不同功率下所述散热模型中各变量的数值；以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；根据所述关系曲线，调控所述风扇转速。
本申请所提供的风扇控制设备，根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型，并基于此散热模型利用神经网络算法拟合得到功耗部件的温度与风扇转速之间的关系曲线，最终依据此关系曲线调控风扇转速。相较于PID控制以及分段转速控制，本申请依据功耗部件的温度与风扇转速之间的关系曲线进行风扇转速调控时，风扇转速不会产生频繁的波动，能够精准的调控温度，并且控制周期短、速度快。
对于本申请所提供的设备的介绍请参照上述方法实施例，本申请在此不做赘述。
本申请还提供了一种计算机可读存储介质，该计算机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可实现如下的步骤：
根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；记录所述功耗部件在不同功率下所述散热模型中各变量的数值；以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；根据所述关系曲线，调控所述风扇转速。
该计算机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。
本申请所提供的计算机可读存储介质，根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型，并基于此散热模型利用神经网络算法拟合得到功耗部件的温度与风扇转速之间的关系曲线，最终依据此关系曲线调控风扇转速。相较于PID控制以及分段转速控制，本申请依据功耗部件的温度与风扇转速之间的关系曲线进行风扇转速调控时，风扇转速不会产生频繁的波动，能够精准的调控温度，并且控制周期短、速度快。
对于本申请所提供的计算机可读存储介质的介绍请参照上述方法实施例，本申请在此不做赘述。
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他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置、设备以及计算机可读存储介质而言，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。
以上对本申请所提供的风扇控制方法、装置、设备以及计算机可读存储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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围。

Claims (10)

1.一种风扇控制方法，其特征在于，包括：
根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到所述功耗部件的温度与风扇转速的关系曲线；
根据所述关系曲线，调控所述风扇转速。
2.根据权利要求1所述的风扇控制方法，其特征在于，所述根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型包括：
根据影响功耗部件产热的因素，构建功耗部件产热功率与影响功耗部件产热的因素的关系式；
根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式；
以功耗部件产热功率与风扇散热功率相等为条件，根据所述功耗部件产热功率与影响功耗部件产热的因素的关系式与所述风扇散热功率与影响功耗部件散热的因素的关系式，构建得到所述散热模型。
3.根据权利要求2所述的风扇控制方法，其特征在于，所述根据影响功耗部件产热的因素，构建功耗部件的功耗部件产热功率与影响功耗部件产热的因素的关系式包括：
根据散热系数、散热表面积、功耗部件的温度以及出风口温度，构建所述功耗部件产热功率与影响功耗部件产热的因素的关系式。
4.根据权利要求2所述的风扇控制方法，其特征在于，所述根据影响功耗部件散热的因素，构建风扇散热功率与影响功耗部件散热的因素的关系式包括：
根据空气比热容、空气密度、散热截面、风扇转速、出风口温度以及环境温度，构建所述风扇散热功率与影响功耗部件散热的因素的关系式。
5.根据权利要求1所述的风扇控制方法，其特征在于，还包括：
在所述散热模型中添加补偿参数。
6.根据权利要求1所述的风扇控制方法，其特征在于，还包括：
风扇转速调控后，分析风扇转速与功耗部件的温度的关系；
若风扇转速与功耗部件的温度的关系不符合所述散热模型，则进行异常告警。
7.根据权利要求6所述的风扇控制方法，其特征在于，所述进行异常告警包括：
向维护人员发送预警信息。
8.一种风扇控制装置，其特征在于，包括：
模型构建模块，用于根据影响功耗部件产热与散热的因素，构建所述功耗部件的散热模型；
数值记录模块，用于记录所述功耗部件在不同功率下所述散热模型中各变量的数值；
曲线拟合模块，用于以记录的所述散热模型中各变量的数值作为样本，通过神经网络算法拟合得到功耗部件的温度与风扇转速的关系曲线；
转速调控模块，用于根据所述关系曲线，调控风扇转速。
9.一种风扇控制设备，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至7任一项所述的风扇控制方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机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至7任一项所述的风扇控制方法的步骤。
CN202211259643.9A 2022-10-14 2022-10-14 一种风扇控制方法及相关装置 Pending CN115467849A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211259643.9A CN115467849A (zh) 2022-10-14 2022-10-14 一种风扇控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211259643.9A CN115467849A (zh) 2022-10-14 2022-10-14 一种风扇控制方法及相关装置

Publications (1)

Publication Number Publication Date
CN115467849A true CN115467849A (zh) 2022-12-13

Family

ID=84337314

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211259643.9A Pending CN115467849A (zh) 2022-10-14 2022-10-14 一种风扇控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN115467849A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451513A (zh) * 2023-06-19 2023-07-18 广东电网有限责任公司佛山供电局 一种变电站高压室温度调节优化方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116451513A (zh) * 2023-06-19 2023-07-18 广东电网有限责任公司佛山供电局 一种变电站高压室温度调节优化方法和系统
CN116451513B (zh) * 2023-06-19 2023-11-24 广东电网有限责任公司佛山供电局 一种变电站高压室温度调节优化方法和系统

Similar Documents

Publication Publication Date Title
CN102224474B (zh) 用于评估和管理数据中心气流和功率使用的系统和方法
US20210264076A1 (en) Information processing system and simulation method
US9841773B2 (en) Cooling system management
US20120005505A1 (en) Determining Status Assignments That Optimize Entity Utilization And Resource Power Consumption
US8355828B2 (en) Determining optimal settings for resource actuators
JP6962042B2 (ja) シミュレーション装置およびシミュレーション方法
CN115467849A (zh) 一种风扇控制方法及相关装置
CN102564489A (zh) 用于监测目的的机器操作状态的检测的方法和系统
US10705580B2 (en) Intelligent energy-optimization technique for computer datacenters
Li et al. Thermal error modeling of electric spindle based on particle swarm optimization-SVM neural network
MirhoseiniNejad et al. ALTM: Adaptive learning-based thermal model for temperature predictions in data centers
Liu et al. A data-assisted first-principle approach to modeling server outlet temperature in air free-cooled data centers
US7412430B1 (en) Determining the quality of computer software
Tilli et al. A two-layer distributed MPC approach to thermal control of Multiprocessor Systems-on-Chip
Fang et al. Control-oriented modeling and optimization for the temperature and airflow management in an air-cooled data-center
Liu et al. Prediction, detection, and suppression of regenerative chatter in milling
CN117010601B (zh) 数据处理方法、装置、计算机设备及计算机可读存储介质
Rosli et al. Modeling of high voltage induction motor cooling system using linear regression mathematical models
Chan et al. Optimal performance-aware cooling on enterprise servers
US7801650B2 (en) Inferring the altitude of computing devices using multivariate pattern recognition of telemetry signals
Moore et al. Consil: Low-cost thermal mapping of data centers
CN111538392B (zh) 一种风扇控制方法、装置、电子设备和可读存储介质
De Lorenzi et al. Neural network-based prediction and control of air flow in a data center
US20180089637A1 (en) Framework for industrial asset repair recommendations
CN110826278B (zh) 基于有限元的硅油风扇离合器散热性能分析方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination