CN115915734B - 风扇运行控制方法、装置、电子设备及存储介质 - Google Patents
风扇运行控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115915734B CN115915734B CN202310193137.2A CN202310193137A CN115915734B CN 115915734 B CN115915734 B CN 115915734B CN 202310193137 A CN202310193137 A CN 202310193137A CN 115915734 B CN115915734 B CN 115915734B
- Authority
- CN
- China
- Prior art keywords
- fan
- terminal equipment
- rotating speed
- state
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 107
- 230000017525 heat dissipation Effects 0.000 claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 40
- 230000002068 genetic effect Effects 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 28
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 abstract description 6
- 230000033228 biological regulation Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 26
- 239000000306 component Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 238000011217 control strategy Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000035772 mutation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000003111 delayed effect Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003864 performance function Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Control Of Positive-Displacement Air Blowers (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本申请实施例提供了一种风扇运行控制方法、装置、电子设备及存储介质，涉及散热技术领域，方法用于终端设备，终端设备上设有用于散热的风扇，方法包括：检测终端设备的运行状态，若终端设备的运行状态为正常运行状态，则获取终端设备的运行参数，将运行参数输入风扇转速预测模型，预测风扇的目标转速，基于目标转速控制风扇的运行。本申请实施例中，在终端设备的运行状态为正常状态时，采用BP神经网络建立了风扇转速预测模型，并以终端设备的运行参数作为输入，实现对终端设备中风扇的目标转速的自动化预测，可以提前、准确地预测出风扇的目标转速，避免因依赖设备内部温度计算风扇转速而导致风扇控制动作滞后，给设备的安全稳定运行造成隐患。
Description
技术领域
本申请涉及散热技术领域，特别是涉及一种风扇运行控制方法、一种风扇运行控制装置、一种电子设备以及一种计算机可读存储介质。
背景技术
对于需要进行散热的终端设备（如服务器、交换机等），均配置有风扇运行控制系统用以针对设备不同运行状态实时调整风扇转速最终实现设备可靠散热。
在目前的终端设备上针对同一转子类型的风扇，是根据设备当前进风口温度、设备内部主板温度、端口侧光模块温度，结合系统给定的温度与调速算法计算出风扇目标转速值，根据交换机内部不同部件的温度值，在调速算法上采用线性调速与PID调速相结合的方式分别计算风扇的目标转速，取两者的最高值作为最终的目标转速，从而实现通过风扇对终端设备进行散热。
然而，无论是线性调速算法还是PID调速算法，均依赖设备内部部件的温度，当设备功耗瞬时增加时，其内部温度上升速度较之功耗增加速度具有一定的延迟性，最终导致风扇运行控制动作滞后，给设备的安全稳定运行造成了一定的隐患。
发明内容
本申请实施例是提供一种风扇运行控制方法、装置、电子设备及存储介质，以解决依赖设备内部部件的温度计算风扇的目标转速，导致风扇运行控制动作滞后的问题。
本申请实施例公开了一种风扇运行控制方法，应用于终端设备，所述终端设备上设有用于散热的风扇，所述方法包括：
检测所述终端设备的运行状态；
若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数；
将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速；所述风扇转速预测模型为所述终端设备的历史运行参数对BP神经网络进行训练后得到的；
基于所述目标转速控制所述风扇的运行。
在一些实施例中，在所述将运行参数输入风扇转速预测模型之前，还包括：
获取所述终端设备的历史运行参数作为训练集和测试集；
依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型；
依据测试集对所述初始的BP神经网络模型进行验证，得到训练好的风扇转速预测模型。
在一些实施例中，所述的BP神经网络包括：输入层、隐藏层及输出层，所述输入层的神经元节点个数为8个、所述隐藏层的神经元节点个数为5个、所述输出层的神经元节点个数为1个。
在一些实施例中，在所述依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型之前，还包括：
确定所述BP神经网络的结构；
根据所述BP神经网络的结构确定所述BP神经网络的所有初始权值和阈值；
采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练。
在一些实施例中，所述采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，包括：
根据所述初始权值和阈值进行编码以形成所述遗传算法的初始种群；
对所述初始种群进行选择、交叉和变异操作，得到候选种群；
在操作次数达到预设最大进化次数时，将所述候选种群中的最优种群群体进行解码操作，得到所述BP神经网络的最佳权值和阈值；在操作次数小于所述预设最大进化次数时，将所述候选种群作为初始种群，并返回执行所述对所述初始种群进行选择、交叉和变异操作步骤。
在一些实施例中，所述终端设备中设有CPU和交换芯片，所述运行参数至少包括所述CPU的温度、所述CPU的电流、所述CPU的电压、所述CPU的功耗、所述交换芯片的温度、所述交换芯片的电流、所述交换芯片的电压、所述交换芯片的功耗和所述风扇的转速。
在一些实施例中，在所述检测所述终端设备的运行状态之后，还包括：
若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行。
在一些实施例中，还包括：
若所述终端设备的运行状态为异常运行状态，则输出告警信号。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备处于高温测试状态，则控制所述风扇以第一转速运行；
在所述高温测试阶段状态后，返回执行所述检测所述终端设备的运行状态步骤。
在一些实施例中，所述终端设备中设置有温度传感器，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中存在至少一所述温度传感器检测到所述终端设备的内温度大于或等于第一告警阈值，则控制所述风扇以第一转速运行。
在一些实施例中，还包括：
若所述终端设备中的所述温度传感器检测到所述终端设备的内温度均小于
所述第一告警阈值，且所述终端设备中存在至少一所述温度传感器检测到温度大于或等于第二告警阈值，则获取所述终端设备的运行参数；其中，所述第二告警阈值小于所述第一告警阈值；
将所述运行参数输入风扇转速预测模型，预测所述终端设备中风扇的目标转速；
基于所述目标转速控制所述终端设备中风扇的运行。
在一些实施例中，所述终端设备中设有交换芯片和CPU，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中位于交换芯片、CPU位置处的所述温度传感器中存在至少一个所述温度传感器的温度数据丢失且持续时间大于或等于第一预设时间，则控制所述风扇以第一转速运行。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备的冗余电源处于失位状态，则控制所述风扇以第一转速运行；
当所述终端设备的冗余电源从所述失位状态变更为在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中存在至少一所述风扇处于失位状态，则控制处于在位状态的所述风扇以第一转速运行；
当所述风扇均处于在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中的带电可擦可编程只读存储器中的风扇数据丢失，或者终端设备的系统复位重启，则控制所述风扇以第一转速运行。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中的板管理控制器挂起/失效，或所述终端设备中的复杂可编程逻辑器件在线升级/失效，则控制所述风扇以第一转速运行。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中存在至少一所述风扇的转速小于第三转速且持续第三预设时间，则控制所述终端设备中的所述风扇以第一转速运行；其中，所述第三转速小于所述第一转速。
在一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若检测到所述终端设备的系统上电重启且所述终端设备的基板管理控制器未启动，则控制所述风扇以第四转速运行，并检测所述基板管理控制器的运行状态；
当所述基板管理控制器正常启动，返回执行所述检测所述终端设备的运行状态步骤。
在一些实施例中，所述第一转速为所述风扇的满转转速。
本申请实施例中还公开了一种风扇运行控制装置，应用于终端设备，所述终端设备上设有用于散热的风扇，包括：
状态检测模块，用于检测所述终端设备的运行状态；
参数获取模块，用于若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数；
转速预测模块，用于将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速；所述风扇转速预测模型为所述终端设备的历史运行参数对BP神经网络进行训练后得到的；
第一运行控制模块，用于基于所述目标转速控制所述风扇的运行。
在一些实施例中，还包括：
训练集生成模块，用于获取所述终端设备的历史运行参数作为训练集和测试集；
模型训练模块，用于依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型；
模型测试模块，用于依据测试集对所述初始的BP神经网络模型进行验证，得到训练好的风扇转速预测模型。
在一些实施例中，所述的BP神经网络包括：输入层、隐藏层及输出层，所述输入层的神经元节点个数为8个、所述隐藏层的神经元节点个数为5个、所述输出层的神经元节点个数为1个。
在一些实施例中，还包括：
结构确定模块，用于确定所述BP神经网络的结构；
初始参数确定模块，用于根据所述BP神经网络的结构确定所述BP神经网络的初始权值和阈值；
模型优化模块，用于采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练。
在一些实施例中，所述模型优化模块，包括：
种群形成子模块，用于根据所述初始权值和阈值进行编码以形成所述遗传算法的初始种群；
种群训练子模块，用于对所述初始种群进行选择、交叉和变异操作，得到候选种群；
种群解码子模块，用于在操作次数达到预设最大进化次数时，将所述候选种群中的最优种群群体进行解码操作，得到所述BP神经网络的最佳权值和阈值；
步骤返回执行子模块，用于在操作次数小于所述预设最大进化次数时，将所述候选种群作为初始种群，并返回执行所述对所述初始种群进行选择、交叉和变异操作步骤。
在一些实施例中，所述终端设备中设有CPU和交换芯片，所述运行参数至少包括所述CPU的温度、所述CPU的电流、所述CPU的电压、所述CPU的功耗、所述交换芯片的温度、所述交换芯片的电流、所述交换芯片的电压、所述交换芯片的功耗和所述风扇的转速。
在一些实施例中，还包括：
第二运行控制模块，用于若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行。
在一些实施例中，还包括：
告警输出模块，用于若所述终端设备的运行状态为异常运行状态，则输出告警信号。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备处于高温测试状态，则控制所述风扇以第一转速运行；
步骤返回子模块，用于在所述高温测试阶段状态后，返回执行所述状态检测模块。
在一些实施例中，所述终端设备中设置有若干温度传感器，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述温度传感器检测到所述终端设备的内温度大于或等于第一告警阈值，则控制所述风扇以第一转速运行。
在一些实施例中，还包括：
参数获取子模块，用于若所述终端设备中的所述温度传感器检测到所述终端设备的内温度均小于所述第一告警阈值，且所述终端设备中存在至少一所述温度传感器检测到温度大于或等于第二告警阈值，则获取所述终端设备的运行参数；其中，所述第二告警阈值小于所述第一告警阈值；
转速预测子模块，用于将所述运行参数输入风扇转速预测模型，预测所述终端设备中风扇的目标转速；
运行控制子模块，用于基于所述目标转速控制所述终端设备中风扇的运行。
在一些实施例中，所述终端设备中设有交换芯片和CPU，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中位于交换芯片、CPU位置处的所述温度传感器中存在至少一个所述温度传感器的温度数据丢失且持续时间大于或等于第一预设时间，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备的冗余电源处于失位状态，则控制所述风扇以第一转速运行；
步骤返回子模块，用于当所述终端设备的冗余电源从所述失位状态变更为在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述状态检测模块；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述风扇处于失位状态，则控制处于在位状态的所述风扇以第一转速运行；
步骤返回执行子模块，用于当所述风扇均处于在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中的带电可擦可编程只读存储器中的风扇数据丢失，或者终端设备的系统复位重启，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中的板管理控制器挂起/失效，或所述终端设备中的复杂可编程逻辑器件在线升级/失效，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述风扇的转速小于第三转速且持续第三预设时间，则控制所述终端设备中的所述风扇以第一转速运行；其中，所述第三转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若检测到所述终端设备的系统上电重启且所述终端设备的基板管理控制器未启动，则控制所述风扇以第四转速运行，并检测所述基板管理控制器的运行状态；
步骤返回执行子模块，用于当所述基板管理控制器正常启动，返回执行所述检测所述终端设备的运行状态步骤。
在一些实施例中，所述第一转速为所述风扇的满转转速。
本申请实施例还公开了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如本申请实施例所述的方法。
本申请实施例还公开了一种计算机可读存储介质，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如本申请实施例所述的方法。
本申请实施例包括以下优点：在终端设备的运行状态为正常状态时，采用BP神经网络建立了风扇转速预测模型，并以终端设备的运行参数作为输入，实现对终端设备中风扇的目标转速的自动化预测，可以提前、准确地预测出风扇的目标转速，避免因依赖设备内部部件的温度计算风扇转速而导致风扇运行控制动作滞后，给终端设备的安全稳定运行造成了一定的隐患。
附图说明
图1是本申请实施例中提供的一种风扇运行控制方法的步骤流程图；
图2是本申请实施例中提供的一种风扇转速预测模型训练方法的步骤流程图；
图3是本申请实施例中提供的一种基于BP算法的多层前馈型网络的结构示意图；
图4是本申请实施例中提供的一种基于遗传算法优化BP神经网络预测的结果示意图；
图5是本申请实施例中提供的另一种风扇转速预测模型训练方法的步骤流程图；
图6是本申请实施例中提供的另一种风扇运行控制方法的步骤流程图；
图7是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之一；
图8是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之二；
图9是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之三；
图10是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之四；
图11是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之五；
图12是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之六；
图13是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之七；
图14是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之八；
图15是本申请实施例中提供的一种异常运行状态下风扇的控制策略的步骤流程图之九；
图16是本申请实施例中提供的一种风扇运行控制装置的结构框图；
图17是本申请实施例中提供的一种电子设备的框图；
图18是本申请实施例中提供的一种计算机可读存储介质的框图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
缩略语和关键术语定义：
BMC：Baseboard Management Controller，基板管理控制器
CPLD：Complex Programming Logic Device，复杂可编程逻辑器件
PSU： Power Supply Unit，电源供应器
Sensor：传感器
BP神经网络： Back Propagation 神经网络
GA：Genetic Algorithm，遗传算法
GA-BP： Genetic Algorithm - Back Propagation，遗传-反向传播
PID： Proportional（比例）、Integral（积分）、Differential（微分）的缩写
EEPROM： Electrically Erasable Programmable Read Only Memory，电可擦可编程只读存储器
服务器或者白盒交换机等网络终端设备中均配置有风扇运行控制系统用以针对设备不同运行状态实时调整风扇转速最终实现设备可靠散热。在目前的调速策略中，有根据风扇单双转子类型不同设置的调速方法，或者针对同一转子类型的风扇，根据设备当前进风口温度、设备内部主板温度、端口侧光模块温度，结合系统给定的温度与调速算法计算出风扇目标转速值，更进一步的方法，在上述方法的基础上，结合设备内部核心部件功耗值，利用PID调速算法计算目标转速值。以上几种风扇运行控制方法基本可以满足设备运行过程中散热问题，但是随着数据中心内部白盒交换机功能越来越复杂，大容量的白盒交换机设备在单位时间内产生的热量急剧上升，为保证设备的安全可靠稳定运行，不论客户还是白盒交换机供应商，均对散热系统尤其是风扇运行控制系统的实时性和准确性提出了更高的要求，因此迫切需要一种更精准的风扇运行控制方法以及调速策略用以保证大容量白盒交换机可靠稳定运行。
现有的技术方案之一在目前的白盒交换机上应用较为广泛，即针对同一转子类型的风扇，根据设备当前进风口温度、设备内部主板温度、端口侧光模块温度，结合系统给定的温度与调速算法计算出风扇目标转速值，根据交换机内部不同部件的温度值，在调速算法上采用线性调速与PID调速相结合的方式分别计算风扇的目标转速，取两者的最高值作为最终的目标转速。然而，此技术手段在一定程度上可以实现对风扇的准确调速，解决了风扇的散热问题，保证了白盒交换机的平稳安全运行，但是存在以下不足：（1）无论是线性调速算法还是PID调速算法，均依赖设备内部部件的温度，当设备功耗瞬时增加时，其内部温度上升速度较之功耗增加速度具有一定的延迟性，最终导致风扇运行控制动作滞后，给设备的安全稳定运行造成了一定的隐患。（2）将线性调速与PID调速算法获取的最高转速值作为目标转速值，此方式很有可能会使风扇转速过快，进而造成电能的过度浪费并影响风扇使用寿命。
现有的技术方案之二是在技术方案一的基础上引入了设备功耗，采用了两种调速策略，调速算法不仅需要依赖设备内部部件的温度进行调速，同时也要依赖设备内部核心部件的瞬时功耗。然而，此技术方案在一定程度上缓解了风扇运行控制的滞后性，但是仍然至少存在以下两个问题：（1）PID调速算法中的比例参数Kp、积分参数Ki、微分参数Kd均靠经验值指定，存在一定的误差，且风扇厂家各异，采用同一套参数对不同厂家的风扇运行控制更加剧了这种不准确性；（2）引入了设备内部部件的瞬时功耗后，虽然在一定程度上缓解了调速的滞后性，但是并没有充分考虑到设备异常状况下的功耗变化，容易导致对风扇转速的误调。
基于此，本申请实施例中公开了一种风扇运行控制方法、装置、电子设备及存储介质，以解决上述存在的技术问题。
参照图1，示出了本申请实施例中提供的一种风扇运行控制方法的步骤流程图，风扇运行控制方法应用于终端设备，所述终端设备上设有用于散热的风扇，所述方法包括：
步骤101：检测所述终端设备的运行状态。
其中，终端设备可以为设有散热风扇的终端设备，例如服务器或者交换机等。
具体地，终端设备上电启动后，通过终端设备内的CPU以轮询方式不断检查终端设备运行状态，终端设备运行状态包括异常运行状态和正常运行状态。
步骤102：若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数。
其中，运行参数为终端设备中重要的元件（例如CPU、交换芯片等）的运行参数，比如CPU的温度、CPU的电流、CPU的电压、CPU的功耗、交换芯片的温度、交换芯片的电流、交换芯片的电压和交换芯片的功耗等。
具体地，当终端设备的运行状态为正常运行状态时，则按照常规调速策略（即BP算法）对终端设备风扇运行控制，具体先获取终端设备的运行参数。
步骤103：将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速。
步骤104：基于所述目标转速控制所述风扇的运行。
其中，风扇转速预测模型为终端设备的历史运行参数对BP神经网络进行训练后得到的，即采集终端设备的历史运行参数作为训练数据对BP神经网络进行训练，得到训练完成的风扇转速预测模型。
具体地，将终端设备的运行参数输入风扇转速预测模型中，可以预测得到终端设备的风扇接下来的一段时间的目标转速。例如，终端设备的运行参数为将CPU的温度、电流、电压、功耗以及交换芯片的温度、电流、电压、功耗等8个参量，可以直接将这8个参量输入风扇转速预测模型，预测得到终端设备的风扇接下来的一段时间的目标转速，以便通过目标转速控制终端设备中风扇的运行。
本申请实施例中，在终端设备的运行状态为正常状态时，采用BP神经网络建立了风扇转速预测模型，并以终端设备的运行参数作为输入，实现对终端设备中风扇的目标转速的自动化预测，可以提前、准确地预测出风扇的目标转速，避免因依赖设备内部部件的温度计算风扇转速而导致风扇运行控制动作滞后，给终端设备的安全稳定运行造成了一定的隐患。
参照图2，示出了本申请实施例中提供的一种风扇转速预测模型训练方法的步骤流程图，本发明实施例在图1所示的实施例的基础上主要描述了一种风扇转速预测模型的训练方式。如图2所示，本实施例的方法可以包括：
步骤201：获取所述终端设备的历史运行参数作为训练集和测试集。
其中，本申请实施例中的历史运行参数以CPU的温度、CPU的电流、CPU的电压、CPU的功耗、交换芯片的温度、交换芯片的电流、交换芯片的电压、交换芯片的功耗和风扇的转速为例进行说明。
具体地，可以设置隐含层神经元节点个数为5，则本申请实施例中BP神经网络结构为8-5-1，即输入层有8个节点，隐含层有5个节点，输出层有1个节点，即输入层的神经元节点个数为8个、隐藏层的神经元节点个数为5个、输出层的神经元节点个数为1个，因此共有45个权值，6个阈值。因此可以周期性获取终端设备的运行参数，以CPU和交换芯片的温度、电流、电压、功耗作为8个输入值，以对应的下一时刻的风扇转速值作为输出，获得若干组输入输出数据（历史运行参数），并将获取到若干组输入输出数据分别作为训练数据和测试数据。例如，若获取到200组输入输出数据，那么可以从200组输入输出数据中随机选择140组作为训练数据，用于网络训练，60组作为测试数据。把训练数据预测误差绝对值和作为个体适应度值，个体适应度值越小，该个体越优。
步骤202：依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型。
其中，在初始化网络阶段确定BP神经网络结构，BP神经网络作为一种前馈网络，采用误差反向传递机制，在输入层输入信息后，经过隐含层处理并计算每个单元的实际输出值，若在输出层未能得到期望的输出值，则逐层递归计算实际输出与期望输出的偏差值，然后基于此偏差值调整权值。基于BP神经网络算法的3层结构如图3所示。x和o分别作为此网络的输入和输出，每个神经元用一个节点表示，本发明中，包含一个输入层、一个隐含层以及一个输出层。图3中，j表示输入层中神经元个数，i表示隐含层神经元个数，k表示输出层神经元数，网络内学习依赖的反向传播算法如下，选取目标函数为：
以误差函数E减少最快方向调整，使BP神经网络逐渐收敛。按照梯度下降算法得到神经元j到神经元i的t+1次权系数调整值：
误差函数E相对于该式中网络此刻实际输出关系为：
采用单一隐含层，利用试差法确定隐含层最佳节点个数。网络隐含层神经元传递函数采用S型正切函数Tansig，输出层传递函数采用线性函数Purelin，选取收敛速度最快的Trainlm函数为训练函数。
具体地，以8个输入参数（CPU和交换芯片的温度、电流、电压、功耗）和对应的一个输出参数（下一时刻的风扇转数值），对BP神经网络进行训练，得到初始BP神经网络模型。
在本申请的一些实施例中，在所述步骤202之前，还包括：确定所述BP神经网络的结构；根据所述BP神经网络的结构确定所述BP神经网络的初始权值和阈值；采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练。
其中，鉴于单一的BP神经网络算法存在容易陷入局部极小点等缺点，本发明中利用遗传算法对其进行优化，在优化过程中，主要分为选择、交叉、变异等环节的操作。
遗传算法是1962年美国Michigan大学教授提出的模拟自然遗传机制和生物进化论而成的一种并行随机搜索最优化方法。它的主要特点之一就是基于群体搜索的策略，它在进化搜索中基本不用外部信息，仅用目标函数即适应度函数为依据。在遗传进化过程中，对未成熟收敛现象，应设法降低某些异常个体的竞争力，这可以通过缩小相应的适应度值来实现。主要分为选择、交叉、变异等操作。遗传算法优化BP神经网络主要通过确定BP神经网络初始的权值和阈值。其中，通过计算遗传算法的最优个体，即遗传算法的最佳权值和阈值，并将该最优的权值和阈值作为BP神经网络的初始权值和阈值。
具体地，利用遗传算法优化BP神经网络的初始权值和阈值可分为以下2个部分：1、确定BP神经网络结构，具体根据BP神经网络结构（输入层的神经元节点、隐藏层的神经元节点和输出层的神经元节点）确定BP神经网络的初始权值和阈值；2、在确定BP神经网络的初始权值和阈值后，采用遗传算法对BP神经网络的初始权值和阈值进行优化，得到BP神经网络的最佳权值和阈值。
在本申请的一些实施例中，所述采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，包括：根据所述初始权值和阈值进行编码以形成所述遗传算法的初始种群；对所述初始种群进行选择、交叉和变异操作，得到候选种群；在操作次数达到预设最大进化次数时，将所述候选种群中的最优种群群体进行解码操作，得到所述BP神经网络的最佳权值和阈值；在操作次数小于所述预设最大进化次数时，将所述候选种群作为初始种群，并返回执行所述对所述初始种群进行选择、交叉和变异操作步骤。
具体地，根据初始权值和阈值进行编码（二进制编码或实数编码）以形成遗传算法的初始种群，例如BP神经网络的输入层的神经元节点个数为8个、隐藏层的神经元节点个数为5个、输出层的神经元节点个数为1个，那么BP神经网络包括45个初始权值，6个初始阈值时，那么对45个初始权值和6个初始阈值进行编码，遗传算法的个体编码长度为51，得到初始种群，种群中每一个个体都包括一个网络所有的初始权值和初始阈值。
然后建立适应度函数，对初始种群进行选择、交叉、变异等环节的操作，优化BP神经网络内部初始权值和阈值，得到候选种群。
判断操作次数是否达到预设最大进化次数，预设最大进化次数为预先设置，例如进化次数为100，当操作次数小于预设最大进化次数，将候选种群作为初始种群，返回执行对初始种群进行选择、交叉、变异等环节的操作。
当操作次数达到预设最大进化次数时，从所有候选种群中选出适应度值最大的种群作为最优种群群体进行解码操作，得到BP神经网络的最佳权值和阈值；
其中，例如在遗传算法优化权值和阈值部分，可以设置进化次数为100，种群规模设置太小难以求出最优解，设置过大则收敛时间太长，根据经验值，一般取30-160为宜，在本发明中种群规模设置可以为50，且种群中每一个个体都包含一个网络所有初始权值和初始阈值，交叉概率Pc取值可以为0.4，变异概率取值可以为0.1。
在通过遗传算法确定BP神经网络的初始权值和阈值之后，即可以通过训练集对BP神经网络进行训练，以便得到最优的BP神经网络，即风扇转速预测模型。
步骤203：依据测试集对所述初始的BP神经网络模型进行验证，得到训练好的风扇转速预测模型。
具体地，在通过训练集中的各个样本数据对BP神经网络进行训练，得到的初始BP神经网络后，为了得到预测的准确性更高的模型，还需要对训练好的初始的BP神经网络进行验证，具体采用测试集中的测试样本对训练好的初始的BP神经网络测试，输出预测结果与期望值进行比对，当风扇转速期望值与预测值基本吻合时，如图4所示，调速预测准确率较高，说明得到训练好的风扇转速预测模型。
参照图5，示出了本申请实施例中提供的另一种风扇转速预测模型训练方法的步骤流程图，在初始化BP神经网络之后，通过遗传算法对BP神经网络进行优化，具体对BP神经网络的初始值进行编码，如BP神经网络包括45个权值，6个阈值时，遗传算法的个体编码长度为51，然后建立适应度函数，进行选择、交叉、变异等环节的操作，优化BP神经网络内部权值和阈值，即得到BP神经网络的最佳权值和最佳阈值，根据训练集、最佳权值和阈值对初始BP神经网络进行训练，得到最优BP神经网络，根据测试集对最优BP神经网络进行验证，若验证通过，则得到风扇转速预测模型。
上述实施例中，采用BP神经网络建立了风扇转速预测模型，并对其进行优化，建立了基于遗传算法BP神经网络的风扇转速预测模型，在分析理解BP神经网络算法和遗传算法思想的基础上，建立神经网络，通过实际仿真测试，该模型对风扇转速的模拟具有误差小且预测稳定的特点，为终端设备节能、安全、可靠、稳定运行提供了有效的解决办法。
并且，在本申请实施例中的BP（GA-BP）神经网络模型中，可以通过增加输入参数种类和隐含层节点个数进一步提高本模型的预测准确率和稳定性。
参照图6，示出了本申请实施例中提供的另一种风扇转速预测模型训练方法的步骤流程图，本发明实施例在图1所示的实施例的基础上主要描述了终端设备的运行状态为异常运行状态的情况下对风扇的控制方式，如图6本实施例的方法可以包括：
步骤601：若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行。
具体地，终端设备的异常运行状态包括不限于以下几种：系统上电重启、BMC未启动、高温测试态、设备内部温度异常态、插拔风扇、插拔PSU、CPLD升级或者失效、BMC挂起等。而根据不同的异常运行状态需要采用相应的控制策略对风扇的转速进行控制，以更好的对终端设备进行散热，
在本申请的一些实施例中，还包括：若所述终端设备的运行状态为异常运行状态，则输出告警信号。具体地，在终端设备的运行状态为异常运行状态时，需要向工作人员/用户输出告警信号，例如在终端设备上设置声光报警器向用户进行示警，或者通过通信元件向工作人员/用户使用的移动终端发送警告信息，具体可以根据实际需要进行设置，本申请实施例中对此不加以限制。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备处于高温测试状态，则控制所述风扇以第一转速运行；在所述高温测试阶段状态后，返回执行所述检测所述终端设备的运行状态步骤。
其中，本申请实施例中的第一转速可以为风扇的满转转速，也可以为根据需要设置的高转速（例如为满转转速的80%），具体可以根据实际需要进行设置，本申请实施例中对此不加以限制。
具体地，参照图7所示，如果终端设备在执行高温测试，则不再发出高温告警信号，同时风扇以满转转速运行以保证交换机稳定运行，高温测试结束，返回执行检测终端设备的运行状态步骤，若检测到终端设备的运行状态为正常运行状态，则按照常规调速策略（风扇转速预测模块）对风扇运行控制。
在本申请的一些实施例中，所述终端设备中设置有若干温度传感器，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中存在至少一所述温度传感器检测到所述终端设备的内温度大于或等于第一告警阈值，则控制所述风扇以第一转速运行。
具体地，如图8所示，如果终端设备中任一温度传感器检测到设备内温度达到或者超过最高告警阈值（第一告警阈值），则立即发出高温告警信号，同时，风扇以满转转速运行，防止因终端设备温度过高而导致故障。
在本申请的一些实施例中，还包括：若所述终端设备中的所述温度传感器检测到所述终端设备的内温度均小于所述第一告警阈值，且所述终端设备中存在至少一所述温度传感器检测到温度大于或等于第二告警阈值，则获取所述终端设备的运行参数；其中，所述第二告警阈值小于所述第一告警阈值；将所述运行参数输入风扇转速预测模型，预测所述终端设备中风扇的目标转速；基于所述目标转速控制所述终端设备中风扇的运行。
具体地，如果终端设备中任一温度传感器检测到设备内温度达到或者超过最小告警阈值（第二告警阈值），且所有的温度传感器检测到设备内温度均小于第一告警阈值，则仅发出高温告警信号，照常规调速策略对风扇运行控制，即获取终端设备的运行参数，将运行参数输入风扇转速预测模型，预测终端设备中风扇的目标转速，基于目标转速控制终端设备中风扇的运行。
在本申请的一些实施例中，所述终端设备中设有交换芯片和CPU，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中位于交换芯片、CPU位置处的所述温度传感器中存在至少一个所述温度传感器的温度数据丢失且持续时间大于或等于第一预设时间，则控制所述风扇以第一转速运行。
具体地，如图9所示，如果检测到终端设备内部交换芯片、CPU内部温度传感器中任一传感器温度读值丢失且持续时间大于或等于第一预设时间，则终端设备的风扇立即调整至满转并发出告警信号，防止交换芯片、CPU温度过高导致性能下降或故障。一旦上述传感器温度读值恢复，则返回执行检测终端设备的运行状态步骤，若终端设备的运行状态为正常状态则按照常规调速策略（风扇转速预测模块）对风扇运行控制。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备的冗余电源处于失位状态，则控制所述风扇以第一转速运行；当所述终端设备的冗余电源从所述失位状态变更为在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
具体地，如图10所示，如果检测到终端设备的PSU（冗余电源）被人为拔掉或者突然失位，则风扇立即以满转转速运行，如果检测到终端设备PSU被重新插入或者恢复在位状态，则风扇立即以第二转速（满转的60%转速、70%转速等）运行第二预设时间（例如20秒、30秒等），并在第二预设时间后返回执行检测终端设备的运行状态步骤，若终端设备的运行状态为正常状态则按照常规调速策略（风扇转速预测模块）对风扇运行控制。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中存在至少一所述风扇处于失位状态，则控制处于在位状态的所述风扇以第一转速运行；当所述风扇均处于在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
具体地，如图11所示，如果检测到终端设备的风扇被人为拔掉或者突然失位，则其他风扇立即以满转转速运行，以防止风扇的散热效能降低，如果检测到终端设备的风扇被重新插入或者恢复在位状态，则风扇立即以第二转速（满转的60%转速、70%转速等）运行第二预设时间（例如20秒、30秒等），并在第二预设时间后返回执行检测终端设备的运行状态步骤，若终端设备的运行状态为正常状态则按照常规调速策略（风扇转速预测模块）对风扇运行控制。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中的带电可擦可编程只读存储器中的风扇数据丢失，或者终端设备的系统复位重启，则控制所述风扇以第一转速运行。
具体地，如图12所示，如果检测到风扇EEPROM（带电可擦可编程只读存储器）丢失、或者PSU（冗余电源）失效、或者系统复位重启等，则交换机风扇立即调整至满转，并发出告警信号并保持风扇指示灯闪烁。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中的板管理控制器挂起/失效，或所述终端设备中的复杂可编程逻辑器件在线升级/失效，则控制所述风扇以第一转速运行。
具体地，如图13所示，如果检测到BMC（板管理控制器）突然挂起、失效、CPLD（复杂可编程逻辑器件）在线升级或者失效，则交换机风扇立即调整至满转转速，发出告警信号。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若所述终端设备中存在至少一所述风扇的转速小于第三转速且持续第三预设时间，则控制所述终端设备中的所述风扇以第一转速运行；其中，所述第三转速小于所述第一转速。
其中，第三转速可以是风扇的最低转速。
具体地，如图14所示，如果检测到终端设备任一风扇转速小于第三转速且持续第三预设时间（25秒、30秒等），说明存在风扇处于故障状态，因此需要将终端设备中的其他风扇立即调整至满转并发出告警信号。
在本申请的一些实施例中，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：若检测到所述终端设备的系统上电重启且所述终端设备的基板管理控制器未启动，则控制所述风扇以第四转速运行，并检测所述基板管理控制器的运行状态；当所述基板管理控制器正常启动，返回执行所述检测所述终端设备的运行状态步骤。
具体地，如图15所示，如果检测到系统上电重启且BMC未启动，则风扇以第四转速运行（如满转转速的50%运行），并实时检测BMC运行状态，一旦检测到BMC正常启动，返回执行检测终端设备的运行状态步骤，若终端设备的运行状态为正常状态则按照常规调速策略（风扇转速预测模块）对风扇运行控制。
上述实施例中，通过根据终端设备的不同异常运行状态，制定合理的风扇运行控制策略对移动终端中的风扇进行控制，针对不同的异常状况提供相适配的散热方式，实现对移动终端的有效散热，尽可能避免因异常状况导致终端设备温度过高，致使移动终端性能下降或故障，同时可以节约能源。
综上，本申请中的实施例中，充分考虑风扇运行过程中的异常运行场景和常规运行场景，分别针对以上两种业务场景制定合理的风扇运行控制策略。
解决PID调速滞后且不准确的问题，摒弃现有PID调速算法，采用GA-BP（遗传-BP神经网络）算法，分别以交换机内部各主要部件温度、电流、电压、功耗等信息作为神经网络模型输入，构建基于BP神经网络的风扇转速预测模型，并对神经网络算法进一步改进，采用遗传算法对网络的权值和阈值进行优化，从而建立完备的基于遗传BP的神经网络风扇转速预测模型，较之单纯使用PID算法，实时性和预测精度更高，可以实现对风扇转速的有效预测。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请实施例并不受所描述的动作顺序的限制，因为依据本申请实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请实施例所必须的。
参照图16，示出了本申请实施例中提供的一种风扇运行控制装置的结构框图，风扇运行控制装置应用于终端设备，所述终端设备上设有用于散热的风扇，包括：
状态检测模块1601，用于检测所述终端设备的运行状态；
参数获取模块1602，用于若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数；
转速预测模块1603，用于将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速；所述风扇转速预测模型为所述终端设备的历史运行参数对BP神经网络进行训练后得到的；
第一运行控制模块1604，用于基于所述目标转速控制所述风扇的运行。
在一些实施例中，还包括：
训练集生成模块，用于获取所述终端设备的历史运行参数作为训练集和测试集；
模型训练模块，用于依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型；
模型测试模块，用于依据测试集对所述初始的BP神经网络模型进行验证，得到训练好的风扇转速预测模型。
在一些实施例中，所述的BP神经网络包括：输入层、隐藏层及输出层，所述输入层的神经元节点个数为8个、所述隐藏层的神经元节点个数为5个、所述输出层的神经元节点个数为1个。
在一些实施例中，还包括：
结构确定模块，用于确定所述BP神经网络的结构；
初始参数确定模块，用于根据所述BP神经网络的结构确定所述BP神经网络的初始权值和阈值；
模型优化模块，用于采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练。
在一些实施例中，所述模型优化模块，包括：
种群形成子模块，用于根据所述初始权值和阈值进行编码以形成所述遗传算法的初始种群；
种群训练子模块，用于对所述初始种群进行选择、交叉和变异操作，得到候选种群；
种群解码子模块，用于在操作次数达到预设最大进化次数时，将所述候选种群中的最优种群群体进行解码操作，得到所述BP神经网络的最佳权值和阈值；
步骤返回执行子模块，用于在操作次数小于所述预设最大进化次数时，将所述候选种群作为初始种群，并返回执行所述对所述初始种群进行选择、交叉和变异操作步骤。
在一些实施例中，所述终端设备中设有CPU和交换芯片，所述运行参数至少包括所述CPU的温度、所述CPU的电流、所述CPU的电压、所述CPU的功耗、所述交换芯片的温度、所述交换芯片的电流、所述交换芯片的电压、所述交换芯片的功耗和所述风扇的转速。
在一些实施例中，还包括：
第二运行控制模块，用于若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行。
在一些实施例中，还包括：
告警输出模块，用于若所述终端设备的运行状态为异常运行状态，则输出告警信号。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备处于高温测试状态，则控制所述风扇以第一转速运行；
步骤返回子模块，用于在所述高温测试阶段状态后，返回执行所述状态检测模块。
在一些实施例中，所述终端设备中设置有若干温度传感器，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述温度传感器检测到所述终端设备的内温度大于或等于第一告警阈值，则控制所述风扇以第一转速运行。
在一些实施例中，还包括：
参数获取子模块，用于若所述终端设备中的所述温度传感器检测到所述终端设备的内温度均小于所述第一告警阈值，且所述终端设备中存在至少一所述温度传感器检测到温度大于或等于第二告警阈值，则获取所述终端设备的运行参数；其中，所述第二告警阈值小于所述第一告警阈值；
转速预测子模块，用于将所述运行参数输入风扇转速预测模型，预测所述终端设备中风扇的目标转速；
运行控制子模块，用于基于所述目标转速控制所述终端设备中风扇的运行。
在一些实施例中，所述终端设备中设有交换芯片和CPU，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中位于交换芯片、CPU位置处的所述温度传感器中存在至少一个所述温度传感器的温度数据丢失且持续时间大于或等于第一预设时间，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备的冗余电源处于失位状态，则控制所述风扇以第一转速运行；
步骤返回子模块，用于当所述终端设备的冗余电源从所述失位状态变更为在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述状态检测模块；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述风扇处于失位状态，则控制处于在位状态的所述风扇以第一转速运行；
步骤返回执行子模块，用于当所述风扇均处于在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中的带电可擦可编程只读存储器中的风扇数据丢失，或者终端设备的系统复位重启，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中的板管理控制器挂起/失效，或所述终端设备中的复杂可编程逻辑器件在线升级/失效，则控制所述风扇以第一转速运行。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若所述终端设备中存在至少一所述风扇的转速小于第三转速且持续第三预设时间，则控制所述终端设备中的所述风扇以第一转速运行；其中，所述第三转速小于所述第一转速。
在一些实施例中，所述第二运行控制模块，包括：
运行控制子模块，用于若检测到所述终端设备的系统上电重启且所述终端设备的基板管理控制器未启动，则控制所述风扇以第四转速运行，并检测所述基板管理控制器的运行状态；
步骤返回执行子模块，用于当所述基板管理控制器正常启动，返回执行所述检测所述终端设备的运行状态步骤。
在一些实施例中，所述第一转速为所述风扇的满转转速。
对于装置实施例而言，由于其与方法实施例基本相似，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。
另外，本申请实施例还提供了一种电子设备，包括：处理器，存储器，存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被处理器执行时实现上述数据获取方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本申请实施例还提供了一种计算机可读存储介质，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实现上述数据获取方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
图17为实现本申请各个实施例的一种电子设备的硬件结构示意图。
该电子设备1700包括但不限于：射频单元1701、网络模块1702、音频输出单元1703、输入单元1704、传感器1705、显示单元1706、用户输入单元1707、接口单元1708、存储器1709、处理器1710、以及电源1711等部件。本领域技术人员可以理解，图17中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。在本申请实施例中，电子设备包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
应理解的是，本申请实施例中，射频单元1701可用于收发信息或通话过程中，信号的接收和发送，具体的，将来自基站的下行数据接收后，给处理器1710处理；另外，将上行的数据发送给基站。通常，射频单元1701包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外，射频单元1701还可以通过无线通信系统与网络和其他设备通信。
电子设备通过网络模块1702为用户提供了无线的宽带互联网访问，如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元1703可以将射频单元1701或网络模块1702接收的或者在存储器1709中存储的音频数据转换成音频信号并且输出为声音。而且，音频输出单元1703还可以提供与电子设备1700执行的特定功能相关的音频输出(例如，呼叫信号接收声音、消息接收声音等等)。音频输出单元1703包括扬声器、蜂鸣器以及受话器等。
输入单元1704用于接收音频或视频信号。输入单元1704可以包括图形处理器（Graphics Processing Unit，GPU）17041和麦克风17042，图形处理器17041对在视频捕获模式或图像捕获模式中由图像捕获装置（如摄像头）获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元1706上。经图形处理器17041处理后的图像帧可以存储在存储器1709（或其它存储介质）中或者经由射频单元1701或网络模块1702进行发送。麦克风17042可以接收声音，并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元1701发送到移动通信基站的格式输出。
电子设备1700还包括至少一种传感器1705，比如光传感器、运动传感器以及其他传感器。具体地，光传感器包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板17061的亮度，接近传感器可在电子设备1700移动到耳边时，关闭显示面板17061和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上（一般为三轴）加速度的大小，静止时可检测出重力的大小及方向，可用于识别电子设备姿态（比如横竖屏切换、相关游戏、磁力计姿态校准）、振动识别相关功能（比如计步器、敲击）等；传感器1705还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等，在此不再赘述。
显示单元1706用于显示由用户输入的信息或提供给用户的信息。显示单元1706可包括显示面板17061，可以采用液晶显示器（Liquid Crystal Display，LCD）、有机发光二极管（Organic Light-Emitting Diode, OLED）等形式来配置显示面板17061。
用户输入单元1707可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入。具体地，用户输入单元1707包括触控面板17071以及其他输入设备17072。触控面板17071，也称为触摸屏，可收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板17071上或在触控面板17071附近的操作）。触控面板17071可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器1710，接收处理器1710发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板17071。除了触控面板17071，用户输入单元1707还可以包括其他输入设备17072。具体地，其他输入设备17072可以包括但不限于物理键盘、功能键（比如音量控制按键、开关按键等）、轨迹球、鼠标、操作杆，在此不再赘述。
进一步的，触控面板17071可覆盖在显示面板17061上，当触控面板17071检测到在其上或附近的触摸操作后，传送给处理器1710以确定触摸事件的类型，随后处理器1710根据触摸事件的类型在显示面板17061上提供相应的视觉输出。虽然在图17中，触控面板17071与显示面板17061是作为两个独立的部件来实现电子设备的输入和输出功能，但是在某些实施例中，可以将触控面板17071与显示面板17061集成而实现电子设备的输入和输出功能，具体此处不做限定。
接口单元1708为外部装置与电子设备1700连接的接口。例如，外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元1708可以用于接收来自外部装置的输入(例如，数据信息、电力等等)并且将接收到的输入传输到电子设备1700内的一个或多个元件或者可以用于在电子设备1700和外部装置之间传输数据。
存储器1709可用于存储软件程序以及各种数据。存储器1709可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器1709可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器1710是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器1709内的软件程序和/或模块，以及调用存储在存储器1709内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器1710可包括一个或多个处理单元；优选的，处理器1710可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1710中。
电子设备1700还可以包括给各个部件供电的电源1711（比如电池），优选的，电源1711可以通过电源管理系统与处理器1710逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外，电子设备1700包括一些未示出的功能模块，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，如图18所示，所述计算机可读存储介质上存储有计算机程序1801，所述计算机程序1801被处理器执行时实现上述数据获取方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端（可以是手机，计算机，资源服务器，空调器，或者网络设备等）执行本申请各个实施例所述的方法。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨和权利要求所保护的范围情况下，还可做出很多形式，均属于本申请的保护之内。
本领域普通技术人员可以意识到，结合本申请实施例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、或者计算机软件和电子硬件的结合来实现。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。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，资源服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (19)
1.一种风扇运行控制方法，其特征在于，应用于终端设备，所述终端设备上设有用于散热的风扇，所述方法包括：
检测所述终端设备的运行状态；
所述终端设备运行状态包括异常运行状态和正常运行状态；
若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数；
所述终端设备中设有CPU和交换芯片，所述运行参数至少包括所述CPU的温度、所述CPU的电流、所述CPU的电压、所述CPU的功耗、所述交换芯片的温度、所述交换芯片的电流、所述交换芯片的电压、所述交换芯片的功耗和所述风扇的转速；
确定BP神经网络的结构；所述的BP神经网络包括：输入层、隐藏层及输出层；
根据所述BP神经网络的结构确定所述BP神经网络的初始权值和阈值；
采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练；
将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速；所述风扇转速预测模型为所述终端设备的历史运行参数对所述BP神经网络进行训练后得到的；
基于所述目标转速控制所述风扇的运行；
若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行；
所述终端设备的异常运行状态包括：系统上电重启、BMC未启动、高温测试态、设备内部温度异常态、插拔风扇、插拔PSU、CPLD升级或者失效、BMC挂起；
检测到异常运行状态结束后，返回执行检测终端设备的运行状态步骤。
2.根据权利要求1所述的方法，其特征在于，在采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值之后，所述将运行参数输入风扇转速预测模型之前，还包括：
获取所述终端设备的历史运行参数作为训练集和测试集；
依据所述训练集对BP神经网络进行训练，得到初始BP神经网络模型；
依据测试集对所述初始的BP神经网络模型进行验证，得到训练好的风扇转速预测模型。
3.根据权利要求1所述的方法，其特征在于，所述输入层的神经元节点个数为8个、所述隐藏层的神经元节点个数为5个、所述输出层的神经元节点个数为1个。
4.根据权利要求1所述的方法，其特征在于，所述采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，包括：
根据所述初始权值和阈值进行编码以形成所述遗传算法的初始种群；
对所述初始种群进行选择、交叉和变异操作，得到候选种群；
在操作次数达到预设最大进化次数时，将所述候选种群中的最优种群群体进行解码操作，得到所述BP神经网络的最佳权值和阈值；在操作次数小于所述预设最大进化次数时，将所述候选种群作为初始种群，并返回执行所述对所述初始种群进行选择、交叉和变异操作步骤。
5.根据权利要求1所述的方法，其特征在于，还包括：
若所述终端设备的运行状态为异常运行状态，则输出告警信号。
6.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备处于高温测试状态，则控制所述风扇以第一转速运行；
在所述高温测试状态后，返回执行所述检测所述终端设备的运行状态步骤。
7.根据权利要求1所述的方法，其特征在于，所述终端设备中设置有温度传感器，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备中存在至少一所述温度传感器检测到所述终端设备的内温度大于或等于第一告警阈值，则控制所述风扇以第一转速运行。
8.根据权利要求7所述的方法，其特征在于，还包括：
若所述终端设备中的所述温度传感器检测到所述终端设备的内温度均小于所述第一告警阈值，且所述终端设备中存在至少一所述温度传感器检测到温度大于或等于第二告警阈值，则获取所述终端设备的运行参数；其中，所述第二告警阈值小于所述第一告警阈值；
将所述运行参数输入风扇转速预测模型，预测所述终端设备中风扇的目标转速；
基于所述目标转速控制所述终端设备中风扇的运行。
9.根据权利要求7所述的方法，其特征在于，所述终端设备中设有交换芯片和CPU，所述基于所述异常运行状态控制所述终端设备中风扇的运行，包括：
若所述终端设备中位于交换芯片、CPU位置处的所述温度传感器中存在至少一个所述温度传感器的温度数据丢失且持续时间大于或等于第一预设时间，则控制所述风扇以第一转速运行。
10.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备的冗余电源处于失位状态，则控制所述风扇以第一转速运行；
当所述终端设备的冗余电源从所述失位状态变更为在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
11.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备中存在至少一所述风扇处于失位状态，则控制处于在位状态的所述风扇以第一转速运行；
当所述风扇均处于在位状态时，控制所述风扇以第二转速运行第二预设时间，并在所述第二预设时间后返回执行所述检测所述终端设备的运行状态步骤；其中，所述第二转速小于所述第一转速。
12.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备中的带电可擦可编程只读存储器中的风扇数据丢失，或者终端设备的系统复位重启，则控制所述风扇以第一转速运行。
13.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备中的板管理控制器挂起/失效，或所述终端设备中的复杂可编程逻辑器件在线升级/失效，则控制所述风扇以第一转速运行。
14.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若所述终端设备中存在至少一所述风扇的转速小于第三转速且持续第三预设时间，则控制所述终端设备中的所述风扇以第一转速运行；其中，所述第三转速小于所述第一转速。
15.根据权利要求1所述的方法，其特征在于，所述基于所述异常运行状态控制所述终端设备中风扇的运行，还包括：
若检测到所述终端设备的系统上电重启且所述终端设备的基板管理控制器未启动，则控制所述风扇以第四转速运行，并检测所述基板管理控制器的运行状态；
当所述基板管理控制器正常启动，返回执行所述检测所述终端设备的运行状态步骤。
16.根据权利要求6-7、9-14任一项所述的方法，其特征在于，所述第一转速为所述风扇的满转转速。
17.一种风扇运行控制装置，其特征在于，应用于终端设备，所述终端设备上设有用于散热的风扇，包括：
状态检测模块，用于检测所述终端设备的运行状态，所述终端设备运行状态包括异常运行状态和正常运行状态；
参数获取模块，用于若所述终端设备的运行状态为正常运行状态，则获取所述终端设备的运行参数；
结构确定模块，用于确定BP神经网络的结构，所述的BP神经网络包括：输入层、隐藏层及输出层；
初始参数确定模块，用于根据所述BP神经网络的结构确定所述BP神经网络的初始权值和阈值；
模型优化模块，用于采用遗传算法对所述初始权值和阈值进行优化，得到所述BP神经网络的最佳权值和阈值，以便基于所述最佳权值和阈值对所述BP神经网络进行训练；转速预测模块，用于将所述运行参数输入风扇转速预测模型，预测所述风扇的目标转速；所述风扇转速预测模型为所述终端设备的历史运行参数对所述BP神经网络进行训练后得到的；
运行控制模块，用于基于所述目标转速控制所述风扇的运行；
第二运行控制模块，用于若所述终端设备的运行状态为异常运行状态，则基于所述异常运行状态控制所述风扇的运行；
所述终端设备的异常运行状态包括：系统上电重启、BMC未启动、高温测试态、设备内部温度异常态、插拔风扇、插拔PSU、CPLD升级或者失效、BMC挂起；
步骤返回子模块，用于在所述异常运行状态结束后，返回执行所述状态检测模块。
18.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口以及所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行存储器上所存放的程序时，实现如权利要求1-16任一项所述的方法。
19.一种计算机可读存储介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得所述处理器执行如权利要求1-16任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193137.2A CN115915734B (zh) | 2023-03-02 | 2023-03-02 | 风扇运行控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310193137.2A CN115915734B (zh) | 2023-03-02 | 2023-03-02 | 风扇运行控制方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115915734A CN115915734A (zh) | 2023-04-04 |
| CN115915734B true CN115915734B (zh) | 2023-05-23 |
Family
ID=85735529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310193137.2A Active CN115915734B (zh) | 2023-03-02 | 2023-03-02 | 风扇运行控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115915734B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116225194B (zh) * | 2023-05-10 | 2023-07-14 | 江苏智能低碳科技发展有限公司 | 基于智能算法的服务器集群控制平台 |
| 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 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI430108B (zh) * | 2011-12-14 | 2014-03-11 | Inventec Corp | 散熱控制系統及其控制方法 |
| 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 |
| 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 |
| CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
| CN115434937A (zh) * | 2021-06-03 | 2022-12-06 | 英业达科技有限公司 | 控制装置及控制方法 |
| 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 |
| CN114002952A (zh) * | 2021-09-29 | 2022-02-01 | 苏州浪潮智能科技有限公司 | 一种集群集中式散热调控系统及方法 |
| CN114510134A (zh) * | 2021-12-30 | 2022-05-17 | 锐捷网络股份有限公司 | 一种调节单板风扇方法、装置及存储介质 |
| CN115163540B (zh) * | 2022-09-06 | 2022-12-23 | 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 |
-
2023
- 2023-03-02 CN CN202310193137.2A patent/CN115915734B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN115915734A (zh) | 2023-04-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115915734B (zh) | 风扇运行控制方法、装置、电子设备及存储介质 | |
| CN110598802B (zh) | 一种内存检测模型训练的方法、内存检测的方法及装置 | |
| CN111527478B (zh) | 云设备协同实时用户体验和性能异常检测的系统和方法 | |
| WO2023040165A1 (zh) | 一种服务器风扇转速控制方法、装置、设备及介质 | |
| Yin et al. | Human activity detection based on multiple smart phone sensors and machine learning algorithms | |
| CN109538459B (zh) | 基于联网的机泵设备故障监测运维系统及方法 | |
| CN111614634B (zh) | 流量检测方法、装置、设备及存储介质 | |
| KR102632254B1 (ko) | 심볼 검출기 선택 방법 및 시스템 | |
| CN108063701B (zh) | 一种控制智能设备的方法及装置 | |
| CN113825356A (zh) | 冷源系统的节能控制方法、装置、电子设备和存储介质 | |
| US20220215256A1 (en) | Edge-side federated learning for anomaly detection | |
| US10922406B2 (en) | Protecting method and system for malicious code, and monitor apparatus | |
| CN113326585B (zh) | 燃气锅炉的能效异常预警方法、装置和计算机设备 | |
| CN114091611A (zh) | 设备负载重量获取方法、装置、存储介质及电子设备 | |
| CN116991102A (zh) | 一种实验室智能控制方法、系统及存储介质 | |
| CN116610508A (zh) | 一种散热测试方法、装置、电子设备及存储介质 | |
| TWI779993B (zh) | 基於物聯網之模型管理系統、模型管理方法及其電腦程式產品 | |
| CN109754319B (zh) | 信用分值确定系统、方法、终端及服务器 | |
| Mehrani et al. | Deep-learning based forecasting sampling frequency of biosensors in wireless body area networks | |
| CN116405396A (zh) | 一种带宽数据预测结果生成方法和装置 | |
| CN116184851A (zh) | 一种睡眠模式调节方法、装置、终端及存储介质 | |
| CN115048274A (zh) | 一种基于大数据的运维系统 | |
| CN115718536B (zh) | 一种调频方法、装置、电子设备及可读存储介质 | |
| CN116227325A (zh) | 基于神经元模型的电器故障预测方法和装置 | |
| CN117748733A (zh) | 一种基于数字孪生模型的电网信息控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |