CN116069139A - 温度预测方法、装置、电子设备及介质 - Google Patents
温度预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116069139A CN116069139A CN202210946458.0A CN202210946458A CN116069139A CN 116069139 A CN116069139 A CN 116069139A CN 202210946458 A CN202210946458 A CN 202210946458A CN 116069139 A CN116069139 A CN 116069139A
- Authority
- CN
- China
- Prior art keywords
- temperature
- time
- data
- sensor
- hot spot
- 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 102
- 238000012549 training Methods 0.000 claims description 91
- 230000015654 memory Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 31
- 238000009529 body temperature measurement Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 15
- 238000010438 heat treatment Methods 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 33
- 230000006854 communication Effects 0.000 description 33
- 230000006870 function Effects 0.000 description 33
- 238000010586 diagram Methods 0.000 description 20
- 239000011159 matrix material Substances 0.000 description 20
- 230000008569 process Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 17
- 239000000306 component Substances 0.000 description 16
- 238000007726 management method Methods 0.000 description 15
- 230000005236 sound signal Effects 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 12
- 238000010295 mobile communication Methods 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 7
- 238000012805 post-processing Methods 0.000 description 7
- 230000000877 morphologic effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 229920001621 AMOLED Polymers 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003416 augmentation Effects 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000006740 morphological transformation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002138 osteoinductive effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000010349 pulsation Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003238 somatosensory effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000001755 vocal 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
- G06F1/203—Cooling means for portable computers, e.g. for laptops
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/02—Means for indicating or recording specially adapted for thermometers
- G01K1/026—Means for indicating or recording specially adapted for thermometers arrangements for monitoring a plurality of temperatures, e.g. by multiplexing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K1/00—Details of thermometers not specially adapted for particular types of thermometer
- G01K1/08—Protective devices, e.g. casings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Telephone Function (AREA)
Abstract
本申请涉及智能终端领域,公开了一种温度预测方法、装置、电子设备及介质。该方法通过获取多个温度传感器对应于第一时间采集的第一温度数据,并根据多个温度传感器中的低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据,将第一温度数据和外壳热点对应于第一时间的温度数据输入温度预测模型,得到外壳热点对应于第二时间的温度预测数据,再将外壳热点对应于第二时间的温度预测数据和多个温度传感器对应于第二时间采集的第二温度数据输入温度预测模型,得到外壳热点对应于第三时间的温度预测数据,从而能够提高外壳热点的温度预测准确性。
Description
技术领域
本申请涉及智能终端领域,特别涉及一种温度预测方法、装置、电子设备及介质。
背景技术
随着智能终端技术的发展,手机等智能终端电子设备中运行的应用越来越多,导致电子设备的发热量也越来越大,手机温度对电子设备的运行产生了较大影响。电子设备为避免温度过高提供了相应的温度控制方案,例如电子设备在检测到温度较高时,停止后台运行的应用以降低处理器负载,从而减少处理器发热量进而降低温度等。现有的温度控制方案中,对电子设备中多个温度传感器上报的温度数据进行简单回归移动平均值的计算,将计算结果作为电子设备的当前温度,再根据电子设备的当前温度实现电子设备应用运行的温度策略控制。
然而,当前的温度控制方案存在温度数据上报滞后和异常值问题,进而导致了实时性和准确性不高,从而影响到电子设备的性能和用户体验。
发明内容
本申请实施例提供了一种温度预测方法、装置、电子设备及介质,用于解决现有技术中对电子设备的外壳温度估计不准确的问题。
第一方面,本申请实施例提供了一种温度预测方法,用于电子设备,该方法包括:
获取多个温度传感器对应于第一时间采集的第一温度数据,多个温度传感器包括:至少一个主板温度传感器、至少一个低温温度传感器和至少一个高敏温度传感器;
根据至少一个低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据;
将第一温度数据和外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,获取外壳热点对应于第二时间的温度预测数据,温度预测模型使用向量自回归时间序列算法进行训练得到,第二时间晚于第一时间;
将外壳热点对应于第二时间的温度预测数据和多个温度传感器对应于第二时间采集的第二温度数据输入温度预测模型,获取外壳热点对应于第三时间的温度预测数据,第三时间晚于第二时间。
可以理解,现有对电子设备的外壳温度进行估计的方法是对多个温度传感器上报的温度数据进行简单回归计算,将移动平均值作为电子设备的外壳温度,存在温度数据上报滞后和可能上报温度异常值等问题,然而通过本申请的温度预测方法,能够根据多个传感器当前采集的温度数据对电子设备的外壳热点的未来时刻温度进行预测,从而能够提高电子设备的外壳温度的预测准确性,避免上报滞后和上报温度异常值,进而能够优化温度控制方案,提高电子设备的性能表现。
通过上述方法,在电子设备的不同位置设置多个温度传感器,将其中低温传感器采集的温度数据作为外壳热点的初始温度数据,并将多个温度传感器在当前时刻采集的温度数据和外壳热点的初始温度数据输入温度预测模型得到外壳热点在下一时刻的温度预测数据,再将外壳热点在下一时刻的温度预测数据和多个温度传感器在下一时刻采集的温度数据输入温度预测模型进行预测,能够通过训练完成的向量自回归时间序列模型实现对电子设备的外壳热点的温度预测,并且提高了外壳热点的温度预测数据的准确性。
在上述第一方面的一种可能的实现中,获取多个温度传感器对应于第一时间采集的第一温度数据,包括:
获取多个温度传感器对应于第一时间采集的第一温度数据和多形态哑变量,多形态哑变量用于描述电子设备的当前形态。
通过上述方法,可以对电子设备的当前形态进行描述,为根据电子设备的不同形态进行后续处理提供相应基础。
在上述第一方面的一种可能的实现中,将第一温度数据和外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,包括:
根据多形态哑变量的取值,确定用于电子设备的当前形态的温度预测模型;
将第一温度数据和外壳热点对应于第一时间的温度数据输入确定的温度预测模型。
通过上述方法,可以根据电子设备的形态使用在相应形态下训练的温度预测模型,避免电子设备的不同形态对温度预测模型的影响,从而提高电子设备在不同形态时进行温度预测的准确性。
在上述第一方面的一种可能的实现中,温度预测模型包括用于展开态的温度预测模型和用于闭合态的温度预测模型。
在上述第一方面的一种可能的实现中,第一时间、第二时间和第三时间分别为某一个时刻的值,或第一时间、第二时间和第三时间分别为某个时段的平均值。
在上述第一方面的一种可能的实现中,主板温度传感器设置在电子设备的发热单元的附近位置,低温温度传感器设置在接近电子设备的外壳并远离发热单元的位置,高敏温度传感器设置在电子设备中温度变化剧烈的器件的附近位置。
通过上述方法,将多个温度传感器通过设置位置的不同划分为三种类型的温度传感器,各自在同一时间采集的温度数据相差较大,使得温度预测模型的输入数据的代表性更强,对外壳热点的温度预测准确性更高。
在上述第一方面的一种可能的实现中,至少一个低温温度传感器还包括设置在电子设备的转轴附近位置的温度传感器。
通过上述方法,可以充分考虑电子设备的展开态和闭合态之间的形态转换对外壳热点的温度预测的影响,提高温度预测模型的预测准确性。
在上述第一方面的一种可能的实现中,高敏温度传感器的热敏指数比主板温度传感器或低温温度传感器的热敏指数高,高敏温度传感器的响应时间比主板温度传感器或低温温度传感器的响应时间短。
通过上述方法,使用热敏指数更高、响应时间更短的温度传感器能够及时、准确地采集温度变化剧烈的器件的温度数据,使得温度预测模型的预测数据能够及时反应温度的变化。
在上述第一方面的一种可能的实现中,向量自回归时间序列算法使用如下公式:
其中,Xt为多个温度传感器对应于t时间采集的温度数据,Tt为对应于t时间对外壳热点进行测量得到的温度测量数据,ε和μ为随机温度扰动项,其均值为0,ω0和θ0为截距项,α和β为不同时间得到的温度数据的参数。
通过上述公式,将多个温度传感器在不同时间采集的温度数据和外壳热点的温度测量数据输入向量自回归时间序列算法进行多次循环迭代训练,所训练出的温度预测模型能够较好地预测外壳热点在不同时间的温度数据。
本申请实施例中提供了温度预测方法,该方法通过获取多个温度传感器对应于第一时间采集的第一温度数据,并根据多个温度传感器中的低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据,将第一温度数据和外壳热点对应于第一时间的温度数据输入温度预测模型,得到外壳热点对应于第二时间的温度预测数据,再将外壳热点对应于第二时间的温度预测数据和多个温度传感器对应于第二时间采集的第二温度数据输入温度预测模型,得到外壳热点对应于第三时间的温度预测数据,从而能够提高外壳热点的温度预测准确性。
第二方面,本申请实施例提供了一种温度预测装置,该装置包括:
温度获取模块,用于获取多个温度传感器对应于第一时间采集的第一温度数据,多个温度传感器包括:至少一个主板温度传感器、至少一个低温温度传感器和至少一个高敏温度传感器;
温度初值确定模块,用于根据至少一个低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据;
温度预测模块,用于将第一温度数据和外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,获取外壳热点对应于第二时间的温度预测数据,温度预测模型使用向量自回归时间序列算法进行训练得到,第二时间晚于第一时间;和将外壳热点对应于第二时间的温度预测数据和多个温度传感器对应于第二时间采集的第二温度数据输入温度预测模型,获取外壳热点对应于第三时间的温度预测数据,第三时间晚于第二时间。
第三方面,本申请实施例提供了一种电子设备,包括:
主板温度传感器,设置在发热单元附近位置,用于采集发热单元附近的温度数据,
低温温度传感器,设置在接近外壳并远离发热单元的位置,用于采集外壳附近的温度数据,
高敏温度传感器,设置在温度变化剧烈的器件附近位置,用于采集温度变化剧烈的器件附近的温度数据,
存储器,用于存储由电子设备的一个或多个处理器执行的指令,以及
处理器,是电子设备的处理器之一,用于执行上述第一方面以及第一方面的各种可能实现中的任意一种温度预测方法。
第四方面,本申请实施例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指令,该指令在计算机上执行时使计算机执行上述第一方面以及第一方面的各种可能实现中的任意一种温度预测方法。
第五方面,本申请实施例提供了一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令在计算机上执行时使计算机执行上述第一方面以及第一方面的各种可能实现中的任意一种温度预测方法。
附图说明
图1根据本申请的一些实施例,示出了一种温度预测方法的场景示意图。
图2根据本申请的一些实施例,示出了一种温度预测方法的网络架构示意图。
图3根据本申请的一些实施例,示出了一种手机的结构示意图。
图4根据本申请的一些实施例,示出了一种温度预测模型的训练方法的流程示意图。
图5根据本申请的一些实施例,示出了一种手机中温度传感器的设置位置示意图。
图6根据本申请的一些实施例,示出了一种温度预测模型的训练方法的功能模块图。
图7根据本申请的一些实施例,示出了一种温度预测模型的训练方法的功能框图。
图8根据本申请的一些实施例,示出了一种温度预测方法的流程示意图。
图9根据本申请的一些实施例,示出了另一种温度预测方法的流程示意图。
图10根据本申请的一些实施例,示出了又一种温度预测方法的功能框图。
图11根据本申请的一些实施例,示出了一种温度预测装置的结构示意图。
图12根据本申请的一些实施例,示出了一种用于温度预测方法的训练设备的硬件结构框图。
具体实施方式
本申请的说明性实施例包括但不限于温度预测方法、装置、电子设备及介质。
可以理解,本申请的温度预测方法适用于对电子设备的温度进行预测以优化电子设备温度控制策略的场景。
如前所述,现有在根据一些实施例的温度控制方案中,采用的是对多个温度传感器提供的温度数据进行简单回归移动平均值的计算,将计算结果作为电子设备的外壳温度的方法,存在温度数据上报的滞后性和外壳温度数据的不准确问题,进而导致温度控制方案不能很好地发挥作用。
为了解决该问题,本申请实施例提供了一种具有更高实时性和准确性的温度预测方法。具体地,根据电子设备内置的多个温度传感器在当前时间采集的温度数据,通过温度预测模型对多个温度传感器在下一时间采集的温度数据和电子设备外壳热点的温度数据进行预测,将预测的温度数据作为电子设备的温度数据,并根据电子设备的温度数据实现电子设备的温度控制,进而优化电子设备的运行性能。
图1为本申请实施例的温度预测方法中对电子设备的温度进行预测的场景示意图。如图1所示,该场景包括手机100、温度预测模型200、采集温度数据300和预测温度数据400。
在此,手机100用于运行多种应用,并可以根据手机100的温度进行应用运行状况的控制,例如在温度达到一定阈值时对应用的运行策略进行调整。手机100中设置有多个位于不同位置的温度传感器,温度传感器用于获取位置附近的温度数据,随着手机100中运行应用的变化,温度传感器采集的温度数据也随着时间的不同而变化。
手机100的温度传感器可以持续采集温度数据,多个温度传感器在同一时间采集的温度数据为该时间对应的采集温度数据300,随着温度传感器持续采集温度数据,手机100可以持续得到不同时间对应的采集温度数据300。
采集温度数据300包括多个温度传感器在某个时间采集的温度数据,如温度数据T1、T2、T3…和TN,温度数据T1为第一个温度传感器采集的温度数据,温度数据T2为第二个温度传感器采集的温度数据,温度数据T3为第三个温度传感器采集的温度数据,温度数据TN为第N个温度传感器采集的温度数据,N为手机100中温度传感器的数量。
采集温度数据300输入到温度预测模型200,温度预测模型200根据采集温度数据300对外壳热点的温度进行预测得到外壳热点的温度预测数据400。在此,温度预测模型200是预先建立的模型,用于根据某一时间对应的采集温度数据300对手机100的外壳热点温度进行预测。
温度预测数据400包括对多个温度传感器在下一时间采集的温度数据的预测数据和对手机100的多个外壳热点的温度数据的预测数据。多个温度传感器在下一时间采集的温度数据的预测数据是指对多个温度传感器在下一时间所采集的温度数据进行预测所得到的预测数据,例如对多个温度传感器采集的温度数据的预测数据T1’、T2’、T3’…和TN’,温度数据T1’为对第一个温度传感器在下一时间采集的温度数据进行预测得到的预测温度数据,温度数据T2’为对第二个温度传感器在下一时间采集的温度数据进行预测得到的预测温度数据,温度数据T3’为对第三个温度传感器在下一时间采集的温度数据进行预测得到的预测温度数据,TN’为对第N个温度传感器在下一时间采集的温度数据进行预测得到的预测温度数据N为手机100中温度传感器的数量。类似地,温度数据T1”为对第一个外壳热点的温度数据进行预测得到的预测数据,温度数据TM”为对第M个外壳热点的温度数据进行预测得到的预测数据,M为手机100中外壳热点的数量。
得到外壳热点的温度数据的预测数据后,手机100可以在预测数据满足预设条件的情况下进行相应的温度控制,例如对手机100中运行应用的运行状况进行调整,从而降低手机100的外壳热点温度,不但能提高手机100的运行性能,还能够提高用户的使用体验。
从而,本申请的温度预测方法适用于电子设备根据温度传感器采集的温度数据对外壳热点的温度数据进行预测的场景。
可以理解,本申请提供的温度预测方法所适用的电子设备可以包括但不限于,膝上型计算机、台式计算机、平板计算机、手机、服务器、可穿戴设备、头戴式显示器、移动电子邮件设备、车机设备、便携式游戏机、便携式音乐播放器、阅读器设备、其中嵌入或耦接有一个或多个处理器的电视机、或能够访问网络的其他电子设备。
本申请实施例中,在电子设备的不同位置设置了多个温度传感器,通过将在不同时间多个温度传感器采集的温度数据和对外壳热点进行测量得到的温度测量数据作为温度训练数据对向量自回归时间序列算法进行训练得到温度预测模型,并且能够根据电子设备的不同形态训练用于相应形态的温度预测模型,在进行温度预测时,根据电子设备的当前形态确定使用的温度预测模型,将电子设备的多个温度传感器在当前时间采集的温度数据和外壳热点的温度数据输入温度预测模型,得到下一时间外壳热点的温度预测数据,将外壳热点的温度预测数据作为外壳热点的当前温度数据上报给电子设备,从而能够提高温度预测的准确性和外壳热点温度的上报及时性,使得电子设备能够根据温度预测数据进行及时的温度控制,提高电子设备的性能表现和用户体验。
在一些实施例中,采用了基于神经网络的外壳温度预测及模型训练方法,如有中国专利申请公开了一种温度预测及模型训练方法和相关装置,该专利申请通过获取电池、主板、CPU等热敏电阻(Negative Temperature Coefficient,NTC)节点温度,通过实际测试获取到的系数关系,拟合出当前手机外壳温度,当壳温超过配置的温度等级阈值时,上报当前壳温等级,统一智能温控上层获取到当前温度等级后会做出相应的系统优化策略,缓解手机发热。
在另外一些实施例中,采用了通过热敏单元检测温度影响外壳温度的控制方案,如有中国专利申请公开了一种控制电子设备外壳温度的方法及电子设备,该专利申请包括获取热敏元件感测到的温度,其中热敏元件被置备在电子设备外壳内表面上预设的易发热位置处,并在温度超过预设的门限值后,基于设定的外壳温度保护算法控制电子设备的运行状态,以对电子设备外壳进行降温。
与前述第一种实施方式和第二种实施方式相比,本申请方案能够实现对多个外壳热点的温度进行持续预测,从而对外壳温度预测的覆盖面更大,能够了解电子设备外壳的整体温度状况,还能够根据电子设备的不同形态进行外壳热点的温度预测,对电子设备的适应性更广。
图2为本申请实施例的温度预测方法的一种网络架构的示意图。如图2所示,该网络架构包括训练设备500和模型应用设备100。训练设备500使用不同时间的温度传感器采集的温度数据和相应的外壳热点的温度测量数据进行训练,得到温度预测模型。模型应用设备100使用得到的温度预测模型进行外壳热点的温度预测,例如模型应用设备可以为手机。
本申请实施例的温度预测方法可以包括:训练阶段和模型应用阶段,训练阶段中,训练设备500使用温度传感器采集的温度数据和相应的外壳热点的温度测量数据对温度预测模型进行训练,得到训练完成的温度预测模型;模型应用阶段中,模型应用设备100使用训练完成的温度预测模型对多个温度传感器当前时间采集的温度数据进行预测,输出下一时间外壳热点的温度预测数据,以便模型应用设备100根据该外壳热点的温度预测数据进行后续的温度控制,例如,该后续的温度控制可以为调整模型应用设备100中应用的运行状况。
可以理解,上述训练设备500和模型应用设备100可以是两个分离的设备,例如训练设备500为服务器,模型应用设备100为手机,也可以是一个设备,例如一个如上述任一具体形式的电子设备,本申请实施例对此不做具体限制。
图3根据本申请实施例示出了一种手机100的结构示意图。
如图3所示,手机100可以包括处理器110,外部存储器接口120,内部存储器121,通用串行总线(universal serial bus,USB)接口130,充电管理模块140,电源管理模块141,电池142,天线1,天线2,移动通信模块150,无线通信模块160,音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,传感器模块180,按键190,马达191,指示器192,摄像头193,显示屏194,以及用户标识模块(subscriber identification module,SIM)卡接口195等。其中传感器模块180可以包括压力传感器180A,陀螺仪传感器180B,气压传感器180C,磁传感器180D,加速度传感器180E,距离传感器180F,接近光传感器180G,指纹传感器180H,温度传感器180J,触摸传感器180K,环境光传感器180L,骨传导传感器180M等。
处理器110可以包括一个或多个处理单元,例如:处理器110可以包括应用处理器(application processor,AP),调制解调处理器,图形处理器(GPU),图像信号处理器(image signal processor,ISP),控制器,视频编解码器,数字信号处理器(digitalsignal processor,DSP),基带处理器,和/或神经网络处理器(neural-networkprocessing unit,NPU)等。其中,不同的处理单元可以是独立的器件,也可以集成在一个或多个处理器中。
控制器可以根据指令操作码和时序信号,产生操作控制信号,完成取指令和执行指令的控制。
处理器110中还可以设置存储器,用于存储指令和数据。在一些实施例中,处理器110中的存储器为高速缓冲存储器。该存储器可以保存处理器110刚用过或循环使用的指令或数据。如果处理器110需要再次使用该指令或数据,可从所述存储器中直接调用。避免了重复存取,减少了处理器110的等待时间,因而提高了系统的效率。
在本申请实施例中,处理器110可以是上述通过实施本申请的温度预测方法进行预测温度计算的CPU,其中本申请的温度预测方法的指令和数据可以设置在存储器中,以供CPU调用和执行,CPU可以通过控制器控制温度预测方法的相关指令的执行过程,以完成本申请的温度预测方法的实施过程,实现对手机100的温度预测以进行运行应用控制的目的。
在一些实施例中,处理器110可以包括一个或多个接口。接口可以包括集成电路(inter-integrated circuit,I2C)接口,集成电路内置音频(inter-integrated circuitsound,I2S)接口,脉冲编码调制(pulse code modulation,PCM)接口,通用异步收发传输器(universal asynchronous receiver/transmitter,UART)接口,移动产业处理器接口(mobile industry processor interface,MIPI),通用输入输出(general-purposeinput/output,GPIO)接口,用户标识模块(subscriber identity module,SIM)接口,和/或通用串行总线(universal serial bus,USB)接口等。
I2C接口是一种双向同步串行总线,包括一根串行数据线(serial data line,SDA)和一根串行时钟线(derail clock line,SCL)。在一些实施例中,处理器110可以包含多组I2C总线。处理器110可以通过不同的I2C总线接口分别耦合触摸传感器180K,充电器,闪光灯,摄像头193等。例如:处理器110可以通过I2C接口耦合触摸传感器180K,使处理器110与触摸传感器180K通过I2C总线接口通信,实现手机100的触摸功能。
I2S接口可以用于音频通信。在一些实施例中,处理器110可以包含多组I2S总线。处理器110可以通过I2S总线与音频模块170耦合,实现处理器110与音频模块170之间的通信。在一些实施例中,音频模块170可以通过I2S接口向无线通信模块160传递音频信号,实现通过蓝牙耳机接听电话的功能。
PCM接口也可以用于音频通信,将模拟信号抽样,量化和编码。在一些实施例中,音频模块170与无线通信模块160可以通过PCM总线接口耦合。在一些实施例中,音频模块170也可以通过PCM接口向无线通信模块160传递音频信号,实现通过蓝牙耳机接听电话的功能。所述I2S接口和所述PCM接口都可以用于音频通信。
UART接口是一种通用串行数据总线,用于异步通信。该总线可以为双向通信总线。它将要传输的数据在串行通信与并行通信之间转换。在一些实施例中,UART接口通常被用于连接处理器110与无线通信模块160。例如:处理器110通过UART接口与无线通信模块160中的蓝牙模块通信,实现蓝牙功能。在一些实施例中,音频模块170可以通过UART接口向无线通信模块160传递音频信号,实现通过蓝牙耳机播放音乐的功能。
MIPI接口可以被用于连接处理器110与显示屏194,摄像头193等外围器件。MIPI接口包括摄像头串行接口(camera serial interface,CSI),显示屏串行接口(displayserial interface,DSI)等。在一些实施例中,处理器110和摄像头193通过CSI接口通信,实现手机100的拍摄功能。处理器110和显示屏194通过DSI接口通信,实现手机100的显示功能。
GPIO接口可以通过软件配置。GPIO接口可以被配置为控制信号,也可被配置为数据信号。在一些实施例中,GPIO接口可以用于连接处理器110与摄像头193,显示屏194,无线通信模块160,音频模块170,传感器模块180等。GPIO接口还可以被配置为I2C接口,I2S接口,UART接口,MIPI接口等。
USB接口130是符合USB标准规范的接口,具体可以是Mini USB接口,Micro USB接口,USB Type C接口等。USB接口130可以用于连接充电器为手机100充电,也可以用于手机100与外围设备之间传输数据。也可以用于连接耳机,通过耳机播放音频。该接口还可以用于连接其他电子设备,例如AR设备等。
可以理解的是,本发明实施例示意的各模块间的接口连接关系,只是示意性说明,并不构成对手机100的结构限定。在本申请另一些实施例中,手机100也可以采用上述实施例中不同的接口连接方式,或多种接口连接方式的组合。
充电管理模块140用于从充电器接收充电输入。其中,充电器可以是无线充电器,也可以是有线充电器。在一些有线充电的实施例中,充电管理模块140可以通过USB接口130接收有线充电器的充电输入。在一些无线充电的实施例中,充电管理模块140可以通过手机100的无线充电线圈接收无线充电输入。充电管理模块140为电池142充电的同时,还可以通过电源管理模块141为电子设备供电。
电源管理模块141用于连接电池142,充电管理模块140与处理器110。电源管理模块141接收电池142和/或充电管理模块140的输入,为处理器110,内部存储器121,显示屏194,摄像头193,和无线通信模块160等供电。电源管理模块141还可以用于监测电池容量,电池循环次数,电池健康状态(漏电,阻抗)等参数。在其他一些实施例中,电源管理模块141也可以设置于处理器110中。在另一些实施例中,电源管理模块141和充电管理模块140也可以设置于同一个器件中。
手机100的无线通信功能可以通过天线1,天线2,移动通信模块150,无线通信模块160,调制解调处理器以及基带处理器等实现。
天线1和天线2用于发射和接收电磁波信号。手机100中的每个天线可用于覆盖单个或多个通信频带。不同的天线还可以复用,以提高天线的利用率。例如:可以将天线1复用为无线局域网的分集天线。在另外一些实施例中,天线可以和调谐开关结合使用。
移动通信模块150可以提供应用在手机100上的包括2G/3G/4G/5G等无线通信的解决方案。移动通信模块150可以包括至少一个滤波器,开关,功率放大器,低噪声放大器(lownoise amplifier,LNA)等。移动通信模块150可以由天线1接收电磁波,并对接收的电磁波进行滤波,放大等处理,传送至调制解调处理器进行解调。移动通信模块150还可以对经调制解调处理器调制后的信号放大,经天线1转为电磁波辐射出去。在一些实施例中,移动通信模块150的至少部分功能模块可以被设置于处理器110中。在一些实施例中,移动通信模块150的至少部分功能模块可以与处理器110的至少部分模块被设置在同一个器件中。
调制解调处理器可以包括调制器和解调器。其中,调制器用于将待发送的低频基带信号调制成中高频信号。解调器用于将接收的电磁波信号解调为低频基带信号。随后解调器将解调得到的低频基带信号传送至基带处理器处理。低频基带信号经基带处理器处理后,被传递给应用处理器。应用处理器通过音频设备(不限于扬声器170A,受话器170B等)输出声音信号,或通过显示屏194显示图像或视频。在一些实施例中,调制解调处理器可以是独立的器件。在另一些实施例中,调制解调处理器可以独立于处理器110,与移动通信模块150或其他功能模块设置在同一个器件中。
无线通信模块160可以提供应用在手机100上的包括无线局域网(wireless localarea networks,WLAN)(如无线保真(wireless fidelity,Wi-Fi)网络),蓝牙(bluetooth,BT),全球导航卫星系统(global navigation satellite system,GNSS),调频(frequencymodulation,FM),近距离无线通信技术(near field communication,NFC),红外技术(infrared,IR)等无线通信的解决方案。无线通信模块160可以是集成至少一个通信处理模块的一个或多个器件。无线通信模块160经由天线2接收电磁波,将电磁波信号调频以及滤波处理,将处理后的信号发送到处理器110。无线通信模块160还可以从处理器110接收待发送的信号,对其进行调频,放大,经天线2转为电磁波辐射出去。
在一些实施例中,手机100的天线1和移动通信模块150耦合,天线2和无线通信模块160耦合,使得手机100可以通过无线通信技术与网络以及其他设备通信。所述无线通信技术可以包括全球移动通讯系统(global system for mobile communications,GSM),通用分组无线服务(general packet radio service,GPRS),码分多址接入(code divisionmultiple access,CDMA),宽带码分多址(wideband code division multiple access,WCDMA),时分码分多址(time-division code division multiple access,TD-SCDMA),长期演进(long term evolution,LTE),BT,GNSS,WLAN,NFC,FM,和/或IR技术等。所述GNSS可以包括全球卫星定位系统(global positioning system,GPS),全球导航卫星系统(globalnavigation satellite system,GLONASS),北斗卫星导航系统(beidou navigationsatellite system,BDS),准天顶卫星系统(quasi-zenith satellite system,QZSS)和/或星基增强系统(satellite based augmentation systems,SBAS)。
手机100通过GPU,显示屏194,以及应用处理器等实现显示功能。GPU为图像处理的微处理器,连接显示屏194和应用处理器。GPU用于执行数学和几何计算,用于图形渲染。处理器110可包括一个或多个GPU,其执行程序指令以生成或改变显示信息。
显示屏194用于显示图像,视频等。显示屏194包括显示面板。显示面板可以采用液晶显示屏(liquid crystal display,LCD),有机发光二极管(organic light-emittingdiode,OLED),有源矩阵有机发光二极体或主动矩阵有机发光二极体(active-matrixorganic light emitting diode的,AMOLED),柔性发光二极管(flex light-emittingdiode,FLED),Mini-LED,Micro-LED,Micro-OLED,量子点发光二极管(quantum dot lightemitting diodes,QLED)等。在一些实施例中,手机100可以包括1个或N个显示屏194,N为大于1的正整数。
手机100可以通过ISP,摄像头193,视频编解码器,GPU,显示屏194以及应用处理器等实现拍摄功能。
ISP用于处理摄像头193反馈的数据。例如,拍照时,打开快门,光线通过镜头被传递到摄像头感光元件上,光信号转换为电信号,摄像头感光元件将所述电信号传递给ISP处理,转化为肉眼可见的图像。ISP还可以对图像的噪点,亮度,肤色进行算法优化。ISP还可以对拍摄场景的曝光,色温等参数优化。在一些实施例中,ISP可以设置在摄像头193中。
摄像头193用于捕获静态图像或视频。物体通过镜头生成光学图像投射到感光元件。感光元件可以是电荷耦合器件(charge coupled device,CCD)或互补金属氧化物半导体(complementary metal-oxide-semiconductor,CMOS)光电晶体管。感光元件把光信号转换成电信号,之后将电信号传递给ISP转换成数字图像信号。ISP将数字图像信号输出到DSP加工处理。DSP将数字图像信号转换成标准的RGB,YUV等格式的图像信号。在一些实施例中,手机100可以包括1个或N个摄像头193,N为大于1的正整数。
数字信号处理器用于处理数字信号,除了可以处理数字图像信号,还可以处理其他数字信号。例如,当手机100在频点选择时,数字信号处理器用于对频点能量进行傅里叶变换等。
视频编解码器用于对数字视频压缩或解压缩。手机100可以支持一种或多种视频编解码器。这样,手机100可以播放或录制多种编码格式的视频,例如:动态图像专家组(moving picture experts group,MPEG)1,MPEG2,MPEG3,MPEG4等。
NPU为神经网络(neural-network,NN)计算处理器,通过借鉴生物神经网络结构,例如借鉴人脑神经元之间传递模式,对输入信息快速处理,还可以不断的自学习。通过NPU可以实现手机100的智能认知等应用,例如:图像识别,人脸识别,语音识别,文本理解等。
外部存储器接口120可以用于连接外部存储卡,例如Micro SD卡,实现扩展手机100的存储能力。外部存储卡通过外部存储器接口120与处理器110通信,实现数据存储功能。例如将音乐,视频等文件保存在外部存储卡中。
内部存储器121可以用于存储计算机可执行程序代码,所述可执行程序代码包括指令。内部存储器121可以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。存储数据区可存储手机100使用过程中所创建的数据(比如音频数据,电话本等)等。此外,内部存储器121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,通用闪存存储器(universal flash storage,UFS)等。处理器110通过运行存储在内部存储器121的指令,和/或存储在设置于处理器中的存储器的指令,执行手机100的各种功能应用以及数据处理。
手机100可以通过音频模块170,扬声器170A,受话器170B,麦克风170C,耳机接口170D,以及应用处理器等实现音频功能。例如音乐播放,录音等。
音频模块170用于将数字音频信息转换成模拟音频信号输出,也用于将模拟音频输入转换为数字音频信号。音频模块170还可以用于对音频信号编码和解码。在一些实施例中,音频模块170可以设置于处理器110中,或将音频模块170的部分功能模块设置于处理器110中。
扬声器170A,也称“喇叭”,用于将音频电信号转换为声音信号。手机100可以通过扬声器170A收听音乐,或收听免提通话。
受话器170B,也称“听筒”,用于将音频电信号转换成声音信号。当手机100接听电话或语音信息时,可以通过将受话器170B靠近人耳接听语音。
麦克风170C,也称“话筒”,“传声器”,用于将声音信号转换为电信号。当拨打电话或发送语音信息时,用户可以通过人嘴靠近麦克风170C发声,将声音信号输入到麦克风170C。手机100可以设置至少一个麦克风170C。在另一些实施例中,手机100可以设置两个麦克风170C,除了采集声音信号,还可以实现降噪功能。在另一些实施例中,手机100还可以设置三个,四个或更多麦克风170C,实现采集声音信号,降噪,还可以识别声音来源,实现定向录音功能等。
耳机接口170D用于连接有线耳机。耳机接口170D可以是USB接口130,也可以是3.5mm的开放移动电子设备平台(open mobile terminal platform,OMTP)标准接口,美国蜂窝电信工业协会(cellular telecommunications industry association of the USA,CTIA)标准接口。
压力传感器180A用于感受压力信号,可以将压力信号转换成电信号。在一些实施例中,压力传感器180A可以设置于显示屏194。压力传感器180A的种类很多,如电阻式压力传感器,电感式压力传感器,电容式压力传感器等。电容式压力传感器可以是包括至少两个具有导电材料的平行板。当有力作用于压力传感器180A,电极之间的电容改变。手机100根据电容的变化确定压力的强度。当有触摸操作作用于显示屏194,手机100根据压力传感器180A检测所述触摸操作强度。手机100也可以根据压力传感器180A的检测信号计算触摸的位置。在一些实施例中,作用于相同触摸位置,但不同触摸操作强度的触摸操作,可以对应不同的操作指令。例如:当有触摸操作强度小于第一压力阈值的触摸操作作用于短消息应用图标时,执行查看短消息的指令。当有触摸操作强度大于或等于第一压力阈值的触摸操作作用于短消息应用图标时,执行新建短消息的指令。
陀螺仪传感器180B可以用于确定手机100的运动姿态。在一些实施例中,可以通过陀螺仪传感器180B确定手机100围绕三个轴(即,x,y和z轴)的角速度。陀螺仪传感器180B可以用于拍摄防抖。示例性的,当按下快门,陀螺仪传感器180B检测手机100抖动的角度,根据角度计算出镜头模组需要补偿的距离,让镜头通过反向运动抵消手机100的抖动,实现防抖。陀螺仪传感器180B还可以用于导航,体感游戏场景。
气压传感器180C用于测量气压。在一些实施例中,手机100通过气压传感器180C测得的气压值计算海拔高度,辅助定位和导航。
磁传感器180D包括霍尔传感器。手机100可以利用磁传感器180D检测翻盖皮套的开合。在一些实施例中,当手机100是翻盖机时,手机100可以根据磁传感器180D检测翻盖的开合。进而根据检测到的皮套的开合状态或翻盖的开合状态,设置翻盖自动解锁等特性。
加速度传感器180E可检测手机100在各个方向上(一般为三轴)加速度的大小。当手机100静止时可检测出重力的大小及方向。还可以用于识别电子设备姿态,应用于横竖屏切换,计步器等应用。
距离传感器180F,用于测量距离。手机100可以通过红外或激光测量距离。在一些实施例中,拍摄场景,手机100可以利用距离传感器180F测距以实现快速对焦。
接近光传感器180G可以包括例如发光二极管(LED)和光检测器,例如光电二极管。发光二极管可以是红外发光二极管。手机100通过发光二极管向外发射红外光。手机100使用光电二极管检测来自附近物体的红外反射光。当检测到充分的反射光时,可以确定手机100附近有物体。当检测到不充分的反射光时,手机100可以确定手机100附近没有物体。手机100可以利用接近光传感器180G检测用户手持手机100贴近耳朵通话,以便自动熄灭屏幕达到省电的目的。接近光传感器180G也可用于皮套模式,口袋模式自动解锁与锁屏。
环境光传感器180L用于感知环境光亮度。手机100可以根据感知的环境光亮度自适应调节显示屏194亮度。环境光传感器180L也可用于拍照时自动调节白平衡。环境光传感器180L还可以与接近光传感器180G配合,检测手机100是否在口袋里,以防误触。
指纹传感器180H用于采集指纹。手机100可以利用采集的指纹特性实现指纹解锁,访问应用锁,指纹拍照,指纹接听来电等。
温度传感器180J用于检测温度。在一些实施例中,手机100利用温度传感器180J检测的温度,执行温度处理策略。例如,当温度传感器180J上报的温度超过阈值,手机100执行降低位于温度传感器180J附近的处理器的性能,以便降低功耗实施热保护。在另一些实施例中,当温度低于另一阈值时,手机100对电池142加热,以避免低温导致手机100异常关机。在其他一些实施例中,当温度低于又一阈值时,手机100对电池142的输出电压执行升压,以避免低温导致的异常关机。本申请的实施例中,温度传感器180J可以有多个,分别设置在手机100的不同位置,例如设置在发热单元如CPU、摄像头、天线、扬声器等附近位置,也可以设置在靠近外壳并远离发热单元的位置。
触摸传感器180K,也称“触控器件”。触摸传感器180K可以设置于显示屏194,由触摸传感器180K与显示屏194组成触摸屏,也称“触控屏”。触摸传感器180K用于检测作用于其上或附近的触摸操作。触摸传感器可以将检测到的触摸操作传递给应用处理器,以确定触摸事件类型。可以通过显示屏194提供与触摸操作相关的视觉输出。在另一些实施例中,触摸传感器180K也可以设置于手机100的表面,与显示屏194所处的位置不同。
骨传导传感器180M可以获取振动信号。在一些实施例中,骨传导传感器180M可以获取人体声部振动骨块的振动信号。骨传导传感器180M也可以接触人体脉搏,接收血压跳动信号。在一些实施例中,骨传导传感器180M也可以设置于耳机中,结合成骨传导耳机。音频模块170可以基于所述骨传导传感器180M获取的声部振动骨块的振动信号,解析出语音信号,实现语音功能。应用处理器可以基于所述骨传导传感器180M获取的血压跳动信号解析心率信息,实现心率检测功能。
按键190包括开机键,音量键等。按键190可以是机械按键。也可以是触摸式按键。手机100可以接收按键输入,产生与手机100的用户设置以及功能控制有关的键信号输入。
马达191可以产生振动提示。马达191可以用于来电振动提示,也可以用于触摸振动反馈。例如,作用于不同应用(例如拍照,音频播放等)的触摸操作,可以对应不同的振动反馈效果。作用于显示屏194不同区域的触摸操作,马达191也可对应不同的振动反馈效果。不同的应用场景(例如:时间提醒,接收信息,闹钟,游戏等)也可以对应不同的振动反馈效果。触摸振动反馈效果还可以支持自定义。
指示器192可以是指示灯,可以用于指示充电状态,电量变化,也可以用于指示消息,未接来电,通知等。
SIM卡接口195用于连接SIM卡。SIM卡可以通过插入SIM卡接口195,或从SIM卡接口195拔出,实现和手机100的接触和分离。手机100可以支持1个或N个SIM卡接口,N为大于1的正整数。SIM卡接口195可以支持Nano SIM卡,Micro SIM卡,SIM卡等。同一个SIM卡接口195可以同时插入多张卡。所述多张卡的类型可以相同,也可以不同。SIM卡接口195也可以兼容不同类型的SIM卡。SIM卡接口195也可以兼容外部存储卡。手机100通过SIM卡和网络交互,实现通话以及数据通信等功能。在一些实施例中,手机100采用eSIM,即:嵌入式SIM卡。eSIM卡可以嵌在手机100中,不能和手机100分离。
以上介绍了手机100可能具有的硬件结构,可以理解的是,本申请实施例示意的结构并不构成对手机100的具体限定。在本申请另一些实施例中,手机100可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以以硬件,软件或软件和硬件的组合实现。
为了方便描述,下面以电子设备为手机为例,具体说明本申请的温度预测方法实现的具体过程。
下面根据图4并结合具体场景,详细介绍本申请实施例的温度预测模型的训练方法。如图4所示,本申请的一些实施例中温度预测模型的训练方法,可以包括如下步骤:
步骤S401:获取温度训练数据。
本申请实施例基于手机100中设置的多个温度传感器采集的温度数据作为温度训练数据,使用温度训练数据对温度预测模型进行训练,其中,该温度训练数据包括多个温度传感器在不同时间采集的多条温度数据。
可以理解,温度传感器在不同时间采集的温度数据,可以是在某一个时刻采集的温度数据,例如在上午10点28分54秒采集的温度数据,也可以是在某个时段内采集的温度数据的平均值,例如在下午3点20分至22分的时间段内按照10秒的间隔进行温度采集,并对该时间段内采集的温度数据计算平均值。本申请实施例对此不做具体限制。
本申请的一些实施例中,手机100中的温度传感器可以分为三种类型,设置在手机100的发热单元附近的主板温度传感器、设置在靠近手机100的外壳、远离发热单元的低温温度传感器和设置在温度变化剧烈的器件附件的高敏温度传感器。图5示出了本申请实施例中手机100的温度传感器的设置位置示意图。在此,温度传感器是指负温度系数(Negative Temperature Coefficient,NTC)传感器,核心部件是热敏电阻,通过温度与电阻之间的对应关系确定当前的温度。
手机100的发热单元可以包括但不限于:处理器(Central Processing Unit,CPU)、天线、扬声器、片上系统(System on a Chip,SoC)、电池等。在手机100的运行过程中,这些器件是手机100上主要的发热器件,如图5所示,通过在这些器件附近设置主板温度传感器(即图5中的主板NTC),可以直接感知手机100的发热情况,主板温度传感器采集的温度数据通常较高。
低温温度传感器(即图5中的低温NTC)通常设置在距离发热单元较远、靠近手机外壳的位置,采集的温度数据一般要比主板温度传感器采集的温度数据低,与手机外壳上热点的温度较为接近。
本申请的一些实施例中,手机100包括折叠形态手机和非折叠形态手机,非折叠形态手机是指手机屏幕不能折叠的手机,即直板机,折叠形态手机是指手机屏幕可以折叠,手机屏幕包括主屏和副屏的手机。折叠形态手机可以根据转轴的位置不同分为内/外折叠机和上/下折叠机。
在此,低温温度传感器可以设置在折叠形态手机的远转轴侧和近转轴侧,即图5中的转轴NTC,折叠形态手机的开/合状态对手机外壳热点的温度有不同的影响,通过在相应位置设置温度传感器可以直接获取温度的变化情况。另外,低温温度传感器还可以设置在折叠形态手机的副屏上,即图5中的副屏NTC,主屏和副屏的外壳热点的温度也相差较大。
高敏温度传感器(即图5中的高敏NTC)设置在温度变化剧烈的器件附近,手机100中温度变化剧烈的器件例如摄像模组,摄像模组在未使用时发热量不大,温度较低,一旦使用发热量会剧增,温度上升很快。本申请的一些实施例中,与主板温度传感器和低温温度传感器相比,高敏温度传感器是具有更高的热敏指数和更低的响应时间的NTC传感器,热敏指数即B值,B值越大,NTC传感器随温度变化的程度也越大。
在进行高敏温度传感器与其它温度传感器的性能比较时,可采用如下方法:对某个NTC传感器测试其电阻值-温度变化曲线,同时测试在温度发生突变时,测量其热时间常数,即热敏电阻体变化始末温度差的63.2%所需时间,将热时间常数与其它NTC传感器的热时间常数相比,如果该热时间常数较短则说明响应时间短;再通过如下公式计算B值:
其中,T1和T2为温度,R1为温度是T1时的零功率电阻值,R2为温度是T2时的零功率电阻值。
将计算得到的B值与其它NTC传感器的B值相比,如果该B值较大则说明更灵敏。通过比较热时间常数和B值,可以在多个NTC传感器中找出性能最佳的NTC传感器作为高敏温度传感器。
在此,将高敏温度传感器作为训练数据的一部分,可以利用高敏温度传感器的低响应时间、高灵敏性对温度变化剧烈的器件如摄像组件的温度变化进行及时采集,避免采集的温度数据不够准确而导致训练的温度预测模型的预测准确性下降。
可以理解,高敏温度传感器也可以用作主板温度传感器和低温温度传感器,可以使得主板温度传感器和低温温度传感器采集的温度数据更加准确,使用这些更准确的温度数据作为训练数据对温度预测模型进行训练,得到的温度预测模型的预测准确性更高。
本申请的一些实施例中,可以将多个温度传感器在不同时间持续采集的温度数据作为训练数据。在此,采集温度数据的时间间隔以秒为单位,例如可以是1秒采集一次,也可以是几秒钟采集一次。
在此,温度预测模型可以用于对手机100的外壳热点的温度进行预测,因此对温度预测模型进行训练需要提供与多个温度传感器采集的温度数据对应的同一时间的外壳热点的温度测量数据,外壳热点的温度测量数据用做模型训练中的真实值,可以通过计算温度测量数据与外壳热点的温度预测数据之间的差距来确定模型预测的误差。
本申请的一些实施例中,手机100的表面区域即外壳区域划分为多个区域,每个区域中温度最高的点为外壳热点。进行区域划分时可以根据手机100的区域化特征进行,区域化特征即手机100的表面区域的温度的分布情况,手机100中发热单元的设置位置不同导致区域化特征不同。例如,发热单元集中在上部,可以将手机的表面区域划分为上半区域和下半区域,又例如,折叠形态手机的发热单元集中在主屏,因此可以将手机的表面区域划分为主屏区域和副屏区域等。
在此,获得外壳热点的温度测量数据可以通过手机100外部的温度测量设备进行,例如可以是外部的温度传感器,将该温度传感器设置在外壳热点的位置进行温度测量以获取温度测量数据。类似地,持续对外壳热点进行测量从而得到不同时间的温度测量数据。
通过将多个温度传感器采集的温度数据和同一时间外壳热点通过温度测量得到的温度测量数据进行对应,得到完整的温度训练数据。温度训练数据包括多条不同时间的数据,每条数据可以包括温度传感器采集的温度数据和相应的外壳热点的温度测量数据。
步骤S402:获取温度训练数据对应的多形态哑变量,根据多形态哑变量确定用于不同形态的温度预测模型。
多形态哑变量用于描述获取温度训练数据时手机100的形态,手机100的形态可以分为闭合态和展开态。多形态哑变量可以取值为0或1,0表示获取温度训练数据时手机100处于闭合态,1表示获取温度训练数据时手机100处于展开态。
本申请的一些实施例中,温度预测模型可以分为用于展开态的温度预测模型和用于闭合态的温度预测模型,由于手机100处于闭合态或展开态时温度变化的特征不同,为手机100的不同形态构建相应的温度预测模型,能够提高温度预测模型的预测准确性。
在此,根据多形态哑变量的取值确定用于不同形态的温度预测模型,例如,多形态哑变量的取值为0,确定使用用于闭合态的温度预测模型,多形态哑变量的取值为1,确定使用用于展开态的温度预测模型。
步骤S403:将温度训练数据中的温度数据初始值输入温度预测模型进行第一次迭代。
本申请的一些实施例中,温度预测模型使用向量自回归时间序列算法对温度传感器在下一时间多个传感器采集的温度数据和外壳热点的温度数据进行预测。
向量自回归模型(Vector Autoregressive model,VAR)出现在上个世纪80年代,被广泛应用于描述随着时间变化的过程,最为经典的应用是时间序列分析,在这里,向量自回归模型假设变量之间存在一个线性的依赖关系,通过系数矩阵来描述输出变量与输入的历史变量之间的依赖关系。在求解系数矩阵时,通常采用最小二乘法对系数矩阵进行求解得到最优解。最小二乘法又称最小平方法,是一种数学优化技术,通过使得拟合得到的预测数据与实际数据之间的误差的平方和最小,简单来说即确定一个系数矩阵使得预测数据与实际数据之间的误差平方和最小。
本申请的一些实施例中,通过向量自回归时间序列算法构造温度预测模型,可以使用如下公式:
其中,Xt为多个温度传感器对应于t时间采集的温度数据,Tt为对应于t时间对外壳热点进行测量得到的温度测量数据,ε和μ为随机温度扰动项,其均值为0,ω0和θ0为截距项,α和β为不同时间得到的温度数据的参数。
通过对上述公式(1)和(2)进行矩阵化,可以得到如下公式:
其中,W为截距项,Xt为多个温度传感器对应于t时间采集的温度数据向量,Tt为对应于t时间对外壳热点进行测量得到的温度测量数据向量,ε为随机温度扰动项,a和b为不同时间得到的温度数据的参数。
在此,向量自回归时间序列算法需要使用外壳热点的温度数据初始值开始第一次迭代。本申请的一些实施例中,可以温度训练数据中低温温度传感器采集的温度数据作为外壳热点的温度数据初始值输入向量自回归时间序列算法。在此,低温温度传感器采集的温度数据由于是靠近外壳、远离发热器件,通常温度较低,比较适合作为算法迭代的外壳热点的温度初始数据。
另外,根据低温温度传感器采集的温度数据确定外壳热点的温度数据初始值可以有多种方法。具体来说,外壳热点的温度数据初始值可以直接使用低温温度传感器采集的温度数据,例如将离该外壳热点最近的低温温度传感器采集的温度数据作为外壳热点的温度数据初始值,也可以根据多个低温温度传感器采集的温度数据进行计算,例如对多个低温温度传感器采集的温度数据进行加权平均,将得到的结果作为外壳热点的温度数据初始值等。
确定外壳热点的温度数据初始值之后,将多个温度传感器在当前时间采集的温度数据和外壳热点的温度数据初始值输入温度预测模型进行第一次迭代,输出多个温度传感器在下一时间采集的温度数据的预测数据和外壳热点的温度预测数据。
步骤S404:将温度训练数据输入温度预测模型进行循环迭代,确定目标温度预测模型。
使用向量自回归时间序列算法进行第一次迭代之后,再将多个温度传感器在下一时间采集的温度数据和外壳热点在下一时间的温度预测数据输入向量自回归时间序列算法进行第二次迭代,第二次迭代之后均使用多个温度传感器采集的温度数据和相同时间外壳热点的温度预测数据作为向量自回归时间序列算法的输入数据进行循环迭代。通过将设置在不同位置的温度传感器采集的温度数据作为温度训练数据的一部分,可以使得温度预测模型充分考虑不同位置的温度对外壳热点温度的影响,模型关注因素更加全面,对外壳热点温度的预测准确性更高。
在此,使用向量自回归时间序列算法进行的每一次迭代,可以输出根据相应时间多个温度传感器采集的温度数据和外壳热点的温度预测数据通过上述公式计算后得到的下一时间多个温度传感器采集的温度数据的预测数据和外壳热点的温度预测数据,前一次迭代得到的外壳热点的温度预测数据作为下一次迭代的部分输入数据。
本申请的一些实施例中,还可以对得到的向量自回归时间序列算法的系数矩阵进行分析,确定系数矩阵可用。在此,分析系数矩阵中的数值是否包括异常值如空白值、文本值或时间项重复值等,如果包括异常值,可以对异常值进行处理如为空白值进行复制、删除文本值或时间项重复值等,使得系数矩阵中的数值只包括正常数据。
本申请的一些实施例中,还可以为温度训练数据中的温度数据设置相应的温度阈值,以避免温度数据异常对温度预测模型的训练产生较大影响,温度阈值可以根据温度数据的经验值确定,例如可以将温度阈值设定为60°,超过该温度阈值的温度数据被认为是异常值,可以丢弃该温度数据或将该温度数据调整为温度阈值。
在此,每一次迭代会输出通过预测得到的预测数据,预测数据可以包括多个温度传感器在下一时间采集的温度数据的预测数据和外壳热点的温度预测数据。预测数据和对应的真实数据之间的差异用损失函数表示。
本申请的一些实施例中,损失函数可以使用L1或L2损失函数。L1损失函数也称为最小绝对值偏差(LAD)或绝对值损失函数(LAE),即预测值与真实值之间的绝对差值之和。L2损失函数也称为最小平方误差(LSE),即预测值与真实值之间差值的平方和。
本申请的一些实施例中,可以使用梯度下降法确定温度预测模型的优化方向。梯度下降法(Gradient descent)是一种一阶最优化算法,也称为最陡下降法,可以用于求解最小二乘问题,在多变量函数中,梯度是函数对每个变量的偏微分组成的向量,梯度的方向即该向量的方向。在求解损失函数的最小值时,可以通过梯度下降法来一步步的迭代求解,得到最小化的损失函数和模型参数值。
通过上述过程持续优化向量自回归时间序列算法的系数矩阵,在满足预设的训练结束条件后,将得到的温度预测模型作为目标温度预测模型。
图6示出了本申请的一些实施例中,对温度预测模型进行训练的功能模块图。如图6所示,对温度预测模型进行训练可以包括4个功能模块:读取模块、变量模块、训练模块和后处理模块,其中,读取模块用于输入的温度训练数据,变量模块用于识别读取的温度数据中可用于训练的不同温度传感器的组合,训练模块用于根据温度训练数据对向量自回归时间序列算法进行训练得到温度预测模型,后处理模块用于进行温度预测模型的表达,如以图形化方式展现输出的温度预测数据随着时间推进的变化情况等。
图7示出了本申请的另一些实施例中,对温度预测模型进行训练的功能框图。如图7所示,在用于对温度预测模型进行训练的训练端包括样本读取模块701、训练模块702和后处理模块703。其中,训练模块702包括初训练单元721、前处理模块722、AIC单元723和主训练单元724。
样本读取模块701用于对作为输入的温度训练数据进行读取,并将读取的温度训练数据提供给训练模块702进行向量自回归时间序列算法的训练,训练好的向量自回归模型即温度预测模型提供给后处理模块703。
在此,样本读取模块701可以对应图6中的读取模块和变量模块,训练模块702可以对应图6中的训练模块,后处理模块703可以对应图6中的后处理模块。
在训练模块702中,温度训练数据首先输入到初训练单元721。初训练单元721用于对向量自回归时间序列算法进行第一次迭代,即根据温度训练数据中的低温温度传感器在当前时间采集的温度数据确定外壳热点在当前时间的温度数据初始值,并将得到的温度数据初始值和多个温度传感器采集的温度数据作为迭代初始值输入向量自回归时间序列算法,并进行第一次温度预测,例如可以通过最小二乘法得到第一次的预测数据。
前处理模块722用于对得到的向量自回归时间序列算法的系数矩阵进行分析,确定系数矩阵可用。在此,系数矩阵可用是指系数矩阵中的数值没有异常值,异常值可以包括但不限于:空白值、文本值、时间项重复值等。空白值是指系数矩阵中元素位置无数据,文本值是指系数矩阵中由于温度传感器的设备因素出现的非数字的值,时间项重复值是指由于温度传感器的设备因素导致的对应同一时间的多条数据。
前处理模块722还可以在系数矩阵不可用即数值中存在异常值时进行相应的数值处理,例如进行空值填补、文本值删除、时间项重复值删除等。
AIC单元723用于对模型进行最优选择,将赤池信息量(Akaike InformationCriterion,AIC)最小的模型作为最优模型。在此,AIC的计算公式如下:AIC=2k+nln(RSS/N),其中,k为参数数量,n为训练样本数量,RSS为残差平方和(Residual Sum of Squares,RSS)。通过AIC进行模型选择,可以提高模型的拟合度并减小过拟合及参数复杂度。AIC单元723还可以用于排除受到异常值影响较大的模型,从而保证模型的最优化。
主训练单元724用于进行后续的迭代训练过程,优化向量自回归时间序列算法的系数矩阵。例如,根据输入数据通过向量自回归时间序列算法确定外壳热点的温度预测数据,并通过损失函数计算外壳热点的温度预测数据与通过实际测量得到的该外壳热点的温度测量数据之间的误差,并通过最小二乘法确定系数矩阵的优化方向,并调整系数矩阵的值供下一次迭代使用等。
后处理模块703用于进行模型表达相关的处理,例如展示温度数据随时间变化的曲线图等。
图8示出了本申请的一些实施例中温度预测方法的流程示意图。如图8所示,本申请实施例的执行主体可以是上述模型应用设备或手机100,以下以手机100为例进行说明。本申请实施例的温度预测方法可以包括:
步骤S801:获取多个温度传感器采集的温度数据。
在此,多个温度传感器可以包括上述三种类型的温度传感器:主板温度传感器、低温温度传感器和高敏温度传感器。
本申请的一些实施例中,可以持续获取多个温度传感器采集的温度数据,获取温度数据的间隔时间可以为预先设定的间隔时间,例如1秒或若干秒等。
步骤S802:获取用于描述手机100当前形态的形态哑变量。
在此,形态哑变量的取值根据手机100的当前形态确定,例如手机100的当前形态为闭合态,形态哑变量的取值为0,手机100的当前形态为展开态,形态哑变量的取值为1。
步骤S803:根据形态哑变量确定用于当前形态的温度预测模型。
在此,温度预测模型为根据采集的温度训练数据对向量自回归时间序列算法进行训练后得到的模型,可以用于根据多个温度传感器在当前时间采集的温度数据对下一时间的多个温度传感器采集的温度数据、外壳热点的温度数据进行预测。
本申请的一些实施例中,温度预测模型可以包括两种类型:用于闭合态的温度预测模型和用于展开态的温度预测模型,分别用于对处于闭合态的手机100和处于展开态的手机100进行外壳热点的温度预测。
在此,根据形态哑变量的取值确定用于当前形态的温度预测模型,例如,形态哑变量的取值为0,则确定使用的温度预测模型为用于闭合态的温度预测模型,形态哑变量的取值为1,则确定使用的温度预测模型为用于展开态的温度预测模型。通过根据手机100的当前形态选择用于不同形态的温度预测模型,能够提高手机100在不同形态时的温度预测准确性,避免不同形态对外壳热点的温度预测的影响。
步骤S804:将温度数据输入温度预测模型,获取外壳热点的温度预测数据。
在此,手机100将温度数据输入上述步骤确定的温度预测模型,温度预测模型根据温度数据进行计算得到下一时间多个温度传感器采集的温度数据的预测数据和外壳热点的温度预测数据,手机100获取外壳热点的温度预测数据以根据该温度预测数据进行后续的温度控制。
在此,通过温度预测模型进行第一次温度预测时,需要输入外壳热点的温度数据初始值,类似地,外壳热点的温度数据初始值可以根据多个温度传感器中低温温度传感器在当前时间采集的温度数据来确定,方法可以有多种。具体来说,外壳热点的温度数据初始值可以直接使用低温温度传感器采集的温度数据,例如将离该外壳热点最近的低温温度传感器采集的温度数据作为外壳热点的温度数据初始值,也可以根据多个低温温度传感器采集的温度数据进行计算,例如对多个低温温度传感器采集的温度数据进行加权平均,将得到的结果作为外壳热点的温度数据初始值等。
进行第一次温度预测后,温度预测模型输出多个温度传感器在下一时间采集的温度数据的预测数据和外壳热点的温度预测数据。将外壳热点的温度预测数据和多个温度传感器在下一时间采集的温度数据输入温度预测模型进行第二次温度预测,得到下下时间多个温度传感器采集的温度数据的预测数据和外壳热点的温度预测数据。第三次以后的温度预测过程与第二次温度预测的过程类似,在此不再赘述。
本申请的一些实施例中,手机100可以持续将不同时间多个温度传感器采集的温度数据输入温度预测模型,温度预测模型可以持续输出外壳热点的温度预测数据给手机100,手机100可以根据持续输出的温度预测数据的变化趋势进行相应的温度控制。
图9示出了本申请的一些实施例中,另一种温度预测方法的流程示意图。如图9所示,该方法可以包括如下步骤:
S901:读取电子设备启动温度读数。
在此,启动温度读数即低温温度传感器采集的温度数据,多个低温温度传感器设置在电子设备中靠近外壳、远离发热单元的位置,采集的温度数据通常比主板温度传感器采集的温度数据低。
S902:读取当前各点传感器温度读数及哑变量。
在此,各点传感器温度读数包括主板温度传感器和高敏温度传感器采集的温度数据,主板温度传感器设置在电子设备中靠近发热单元的位置,高敏温度传感器设置在温度变化剧烈的器件附近,高敏温度传感器通常比其它温度传感器的响应时间短,灵敏度更高,从而能够及时反应该器件的温度变化,及时上报。
哑变量即形态哑变量,用于描述电子设备的当前形态,电子设备的形态为闭合态,则形态哑变量的取值为0,电子设备的形态为展开态,则形态哑变量的取值为1。
S903:导入读数进入向量自回归时间序列温度模型。
向量自回归时间序列温度模型为根据向量自回归时间序列算法进行训练,并且已经训练完成的温度预测模型,该温度预测模型可以用于根据多个温度传感器在当前时间采集的温度数据对下一时间的多个温度传感器采集的温度数据和外壳热点的温度数据进行预测。
在此,多个温度传感器在当前时间采集的温度数据作为输入数据输入到向量自回归时间序列温度模型中。
S904:通过白噪声及平稳性检验,迭代平稳化处理。
在此,输入向量自回归时间序列温度模型的温度数据可能存在异常值,异常值可以包括但不限于:空白值、文本值、重复值等,异常值可能导致温度预测模型的预测数据出现较大的误差。为避免异常值对温度预测的迭代过程的影响,对输入数据进行白噪声及平稳性检验,从而实现迭代的平稳化。
S905:进入模型识别单元,预测出各传感器及设备外壳热点的下一时段温度。
在此,模型识别单元用于根据形态哑变量选择用于电子设备相应形态的温度预测模型进行温度预测。例如,形态哑变量的取值为0,则模型识别单元选择用于闭合态的温度预测模型进行温度预测,形态哑变量的取值为1,则模型识别单元选择用于展开态的温度预测模型进行温度预测。
选择好温度预测模型后,将多个温度传感器当前采集的温度数据输入该温度预测模型,温度预测模型对当前采集的温度数据进行预测,得到下一时间多个温度传感器采集的温度数据的预测数据和外壳热点的温度预测数据。
S906:进入下一迭代循环。
在完成本次迭代的过程后,重复上述根据多个温度传感器采集的温度数据和外壳热点的温度预测数据对随后时间外壳热点的温度数据进行预测的过程。
图10示出了本申请的一些实施例中,又一种温度预测方法的功能框图。如图10所示,在用于根据温度预测模型进行温度预测的执行端包括NTC温度采集1001、数据读取单元1002、数据寄存器1003、预处理单元1004、运算单元1005、数据输出单元1006和数据寄存器1007。其中,数据寄存器1003和数据寄存器1007可以是同一个数据寄存器,也可以是不同的数据寄存器。在此,执行端为终端设备,用于执行温度预测的整个过程。
NTC温度采集1001用于进行多个温度传感器的温度数据采集,这里的多个温度传感器包括三种类型的传感器:主板温度传感器、低温温度传感器和高敏温度传感器。多个温度传感器可以持续对温度数据进行采集,例如,每秒采集一次温度数据,持续采集一个小时,可以得到3600条温度数据。
数据读取单元1002用于读取多个温度传感器采集的温度数据。在此,多个温度传感器采集的实时温度数据可以首先存储在本地存储中,再由电子设备的数据读取单元1002将实时温度数据从温度传感器的存储中读取出来。
数据寄存器1003用于存储数据读取单元1002读取的实时温度数据。
预处理单元1004用于从数据寄存器1003中获取存储的实时温度数据,并将获取的实时温度数据转换为矩阵,并对实时温度数据中的异常值如空值、异常值等进行处理。
运算单元1005用于接收预处理后的温度数据,并根据温度预测模型进行温度预测。在此,温度预测模型的实现从训练设备移植过来,包括3个文件:模型文件、参数文件和标记文档文件。要使用温度预测模型,需要将这3个文件由训练设备移植到执行端。
数据输出单元1006用于接收温度预测模型输出的温度预测数据,这里的温度预测数据包括下一时间多个温度传感器采集的温度数据的预测数据和外壳热点的温度预测数据。
数据寄存器1007用于存储数据输出单元1006输出的温度预测数据,并可以向终端设备提供温度预测数据以使终端设备根据温度预测数据执行相应的温度控制策略。
根据本申请的一个实施例,还提供了一种温度预测装置。如图11所示,温度预测装置包括:
温度获取模块1101,用于获取多个温度传感器对应于第一时间采集的第一温度数据,多个温度传感器包括:至少一个主板温度传感器、至少一个低温温度传感器和至少一个高敏温度传感器;
温度初值确定模块1102,用于根据至少一个低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据;
温度预测模块1103,用于将第一温度数据和外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,获取外壳热点对应于第二时间的温度预测数据,温度预测模型使用向量自回归时间序列算法进行训练得到,第二时间晚于第一时间;和将外壳热点对应于第二时间的温度预测数据和多个温度传感器对应于第二时间采集的第二温度数据输入温度预测模型,获取外壳热点对应于第三时间的温度预测数据,第三时间晚于第二时间。
图12根据本申请的一些实施例,示出了一种用于温度预测方法的训练设备500的硬件结构框图。在图12所示的实施例中,训练设备500可以包括一个或多个处理器501,与处理器501中的至少一个连接的系统控制逻辑502,与系统控制逻辑502连接的系统内存503,与系统控制逻辑502连接的非易失性存储器(Non-Volatile Memory,NVM)504,以及与系统控制逻辑502连接的网络接口506。
在一些实施例中,处理器501可以包括一个或多个单核或多核处理器。在一些实施例中,处理器501可以包括通用处理器和专用处理器(例如,图形处理器,应用处理器,基带处理器等)的任意组合。在训练设备500采用增强型基站(Evolved Node B,eNB)或无线接入网(Radio Access Network,RAN)控制器的实施例中,处理器501可以被配置为执行各种符合的实施例。例如,处理器501可以用于实现温度预测方法。
在一些实施例中,系统控制逻辑502可以包括任意合适的接口控制器,以向处理器501中至少一个与系统控制逻辑502通信的、任意合适的设备或组件提供任意合适的接口。
在一些实施例中,系统控制逻辑502可以包括一个或多个存储器控制器,以提供连接到系统内存503的接口。系统内存503可以用于加载以及存储数据和/或指令。例如,系统内存503可以加载本申请实施例中的多个温度传感器采集的温度数据。
在一些实施例中训练设备500的系统内存503可以包括任意合适的易失性存储器,例如合适的动态随机存取存储器(Dynamic Random Access Memory,DRAM)。
NVM存储器504可以包括用于存储数据和/或指令的一个或多个有形的、非暂时性的计算机可读介质。在一些实施例中,NVM存储器504可以包括闪存等任意合适的非易失性存储器和/或任意合适的非易失性存储设备,例如硬盘驱动器(Hard Disk Drive,HDD),光盘(Compact Disc,CD)驱动器,数字通用光盘(Digital Versatile Disc,DVD)驱动器中的至少一个。在本申请实施例中,NVM存储器504可以用于存储温度预测模型对应的相关模型文件。
NVM存储器504可以包括安装训练设备500的装置上的一部分存储资源,或者它可以由设备访问,但不一定是设备的一部分。例如,可以经由网络接口506通过网络访问NVM存储器504。
特别地,系统内存503和NVM存储器504可以分别包括:指令505的暂时副本和永久副本。指令505可以包括:由处理器501中的至少一个执行时导致训练设备500实施如图4所示的方法的获取温度训练数据的指令。在一些实施例中,指令505、硬件、固件和/或其软件组件可另外地/替代地置于系统控制逻辑502,网络接口506和/或处理器501中。
网络接口506可以包括收发器,用于为训练设备500提供无线电接口,进而通过一个或多个网络与任意其他合适的设备(如前端模块,天线等)进行通信。在一些实施例中,网络接口506可以集成于训练设备500的其他组件。例如,网络接口506可以集成于处理器501的,系统内存503,NVM存储器504,和具有指令的固件设备(未示出)中的至少一种,当处理器501中的至少一个执行所述指令时,训练设备500实现如方法实施例中示出的方法。在本申请实施例中,网络接口506可以用于向模型应用设备发送温度预测模型的实现等。
网络接口506可以进一步包括任意合适的硬件和/或固件,以提供多输入多输出无线电接口。例如,网络接口506可以是用户识别卡,网络适配器,无线网络适配器,电话调制解调器和/或无线调制解调器。
在一些实施例中,处理器501中的至少一个可以与用于系统控制逻辑502的一个或多个控制器的逻辑封装在一起,以形成系统封装(System In a Package,SiP)。在一些实施例中,处理器501中的至少一个可以与用于系统控制逻辑502的一个或多个控制器的逻辑集成在同一管芯上,以形成片上系统(System on Chip,SoC)。
训练设备500可以进一步包括:输入/输出(I/O)设备507。I/O设备507可以包括用户界面,使得用户能够与训练设备500进行交互;外围组件接口的设计使得外围组件也能够与训练设备500交互。在一些实施例中,训练设备500还包括传感器,用于确定与训练设备500相关的环境条件和位置信息的至少一种。
在一些实施例中,用户界面可包括但不限于显示器(例如,液晶显示器,触摸屏显示器等),扬声器,麦克风,一个或多个相机(例如,静止图像照相机和/或摄像机),手电筒(例如,发光二极管闪光灯)和键盘。
在一些实施例中,外围组件接口可以包括但不限于非易失性存储器端口、音频插孔和电源接口。
在一些实施例中,传感器可包括但不限于陀螺仪传感器,加速度计,近程传感器,环境光线传感器和定位单元。定位单元还可以是网络接口506的一部分或与网络接口506交互,以与定位网络的组件(例如,北斗卫星)进行通信。
可以理解的是,图12示意的结构并不构成对训练设备500的具体限定。在本申请另外一些实施例中训练设备500可以包括比图示更多或更少的部件,或者组合某些部件,或者拆分某些部件,或者不同的部件布置。图示的部件可以由硬件或软件,或软件和硬件的组合实现。
本申请公开的机制的各实施例可以被实现在硬件、软件、固件或这些实现方法的组合中。本申请的实施例可实现为在可编程系统上执行的计算机程序或程序代码,该可编程系统包括至少一个处理器、存储系统(包括易失性和非易失性存储器和/或存储元件)、至少一个输入设备以及至少一个输出设备。
可将程序代码应用于输入指令,以执行本申请描述的各功能并生成输出信息。可以按已知方式将输出信息应用于一个或多个输出设备。为了本申请的目的,处理系统包括具有诸如例如数字信号处理器(Digital Signal Processor,DSP)、微控制器、专用集成电路(Application Specific Integrated Circuit,ASIC)或微处理器之类的处理器的任何系统。
程序代码可以用高级程序化语言或面向对象的编程语言来实现,以便与处理系统通信。在需要时,也可用汇编语言或机器语言来实现程序代码。事实上,本申请中描述的机制不限于任何特定编程语言的范围。在任一情形下,该语言可以是编译语言或解释语言。
在一些情况下,所公开的实施例可以以硬件、固件、软件或其任何组合来实现。所公开的实施例还可以被实现为由一个或多个暂时或非暂时性机器可读(例如,计算机可读)存储介质承载或存储在其上的指令,其可以由一个或多个处理器读取和执行。例如,指令可以通过网络或通过其他计算机可读介质分发。因此,机器可读介质可以包括用于以机器(例如,计算机)可读的形式存储或传输信息的任何机制,包括但不限于,软盘、光盘、光碟、只读存储器(CD-ROMs)、磁光盘、只读存储器(Read Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、可擦除可编程只读存储器(Erasable Programmable Read OnlyMemory,EPROM)、电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory,EEPROM)、磁卡或光卡、闪存、或用于利用因特网以电、光、声或其他形式的传播信号来传输信息(例如,载波、红外信号数字信号等)的有形的机器可读存储器。因此,机器可读介质包括适合于以机器(例如计算机)可读的形式存储或传输电子指令或信息的任何类型的机器可读介质。
在附图中,可以以特定布置和/或顺序示出一些结构或方法特征。然而,应该理解,可能不需要这样的特定布置和/或排序。而是,在一些实施例中,这些特征可以以不同于说明性附图中所示的方式和/或顺序来布置。另外,在特定图中包括结构或方法特征并不意味着暗示在所有实施例中都需要这样的特征,并且在一些实施例中,可以不包括这些特征或者可以与其他特征组合。
需要说明的是,本申请各设备实施例中提到的各单元/模块都是逻辑单元/模块,在物理上,一个逻辑单元/模块可以是一个物理单元/模块,也可以是一个物理单元/模块的一部分,还可以以多个物理单元/模块的组合实现,这些逻辑单元/模块本身的物理实现方式并不是最重要的,这些逻辑单元/模块所实现的功能的组合才是解决本申请所提出的技术问题的关键。此外,为了突出本申请的创新部分,本申请上述各设备实施例并没有将与解决本申请所提出的技术问题关系不太密切的单元/模块引入,这并不表明上述设备实施例并不存在其它的单元/模块。
需要说明的是,在本专利的示例和说明书中,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。
虽然通过参照本申请的某些优选实施例,已经对本申请进行了图示和描述,但本领域的普通技术人员应该明白,可以在形式上和细节上对其作各种改变,而不偏离本申请的精神和范围。
Claims (13)
1.一种温度预测方法,用于电子设备,其特征在于,包括:
获取多个温度传感器对应于第一时间采集的第一温度数据,其中,所述多个温度传感器包括:至少一个主板温度传感器、至少一个低温温度传感器和至少一个高敏温度传感器;
根据所述至少一个低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据;
将所述第一温度数据和所述外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,获取所述外壳热点对应于第二时间的温度预测数据,其中,所述温度预测模型使用向量自回归时间序列算法进行训练得到,所述第二时间晚于所述第一时间;
将所述外壳热点对应于第二时间的温度预测数据和所述多个温度传感器对应于第二时间采集的第二温度数据输入所述温度预测模型,获取所述外壳热点对应于第三时间的温度预测数据,其中,所述第三时间晚于所述第二时间。
2.根据权利要求1所述的方法,其特征在于,获取多个温度传感器对应于第一时间采集的第一温度数据,包括:
获取多个温度传感器对应于第一时间采集的第一温度数据和多形态哑变量,所述多形态哑变量用于描述所述电子设备的当前形态。
3.根据权利要求2所述的方法,其特征在于,将所述第一温度数据和所述外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,包括:
根据所述多形态哑变量的取值,确定用于所述电子设备的当前形态的温度预测模型;
将所述第一温度数据和所述外壳热点对应于第一时间的温度数据输入确定的温度预测模型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述温度预测模型包括用于展开态的温度预测模型和用于闭合态的温度预测模型。
5.根据权利要求1所述的方法,其特征在于,所述第一时间、所述第二时间和所述第三时间分别为某一个时刻的值,或所述第一时间、所述第二时间和所述第三时间分别为某个时段的平均值。
6.根据权利要求1所述的方法,其特征在于,所述主板温度传感器设置在所述电子设备的发热单元的附近位置,所述低温温度传感器设置在接近所述电子设备的外壳并远离所述发热单元的位置,所述高敏温度传感器设置在所述电子设备中温度变化剧烈的器件的附近位置。
7.根据权利要求6所述的方法,其特征在于,所述至少一个低温温度传感器还包括设置在所述电子设备的转轴附近位置的温度传感器。
8.根据权利要求6所述的方法,其特征在于,所述高敏温度传感器的热敏指数比所述主板温度传感器或所述低温温度传感器的热敏指数高,所述高敏温度传感器的响应时间比所述主板温度传感器或所述低温温度传感器的响应时间短。
10.一种温度预测装置,其特征在于,该装置包括:
温度获取模块,用于获取多个温度传感器对应于第一时间采集的第一温度数据,其中,所述多个温度传感器包括:至少一个主板温度传感器、至少一个低温温度传感器和至少一个高敏温度传感器;
温度初值确定模块,用于根据所述至少一个低温温度传感器对应于第一时间采集的温度数据确定外壳热点对应于第一时间的温度数据;
温度预测模块,用于将所述第一温度数据和所述外壳热点对应于第一时间的温度数据输入预先训练的温度预测模型,获取所述外壳热点对应于第二时间的温度预测数据,其中,所述温度预测模型使用向量自回归时间序列算法进行训练得到,所述第二时间晚于所述第一时间;和将所述外壳热点对应于第二时间的温度预测数据和所述多个温度传感器对应于第二时间采集的第二温度数据输入所述温度预测模型,获取所述外壳热点对应于第三时间的温度预测数据,其中,所述第三时间晚于所述第二时间。
11.一种电子设备,其特征在于,包括:
主板温度传感器,设置在发热单元附近位置,用于采集所述发热单元附近的温度数据,
低温温度传感器,设置在接近外壳并远离所述发热单元的位置,用于采集外壳附近的温度数据,
高敏温度传感器,设置在温度变化剧烈的器件附近位置,用于采集所述温度变化剧烈的器件附近的温度数据,
存储器,用于存储由电子设备的一个或多个处理器执行的指令,以及
处理器,是电子设备的处理器之一,用于执行权利要求1-9中任一项所述的温度预测方法。
12.一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指令,该指令在计算机上执行时使计算机执行权利要求1-9中任一项所述的温度预测方法。
13.一种计算机程序产品,包括计算机程序/指令,其特征在于,该计算机程序/指令在计算机上执行时使计算机执行权利要求1-9中任一项所述的温度预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946458.0A CN116069139B (zh) | 2022-08-08 | 2022-08-08 | 温度预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210946458.0A CN116069139B (zh) | 2022-08-08 | 2022-08-08 | 温度预测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116069139A true CN116069139A (zh) | 2023-05-05 |
CN116069139B CN116069139B (zh) | 2023-10-31 |
Family
ID=86177628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210946458.0A Active CN116069139B (zh) | 2022-08-08 | 2022-08-08 | 温度预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116069139B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116301117A (zh) * | 2023-05-24 | 2023-06-23 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
CN116501581A (zh) * | 2023-06-26 | 2023-07-28 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111475384A (zh) * | 2020-05-07 | 2020-07-31 | Oppo广东移动通信有限公司 | 壳体温度的计算方法、装置、存储介质及电子设备 |
CN113542495A (zh) * | 2020-03-31 | 2021-10-22 | 华为技术有限公司 | 一种测量温度的方法及电子设备 |
CN113835948A (zh) * | 2020-06-23 | 2021-12-24 | 华为技术有限公司 | 温度检测方法、温度检测装置及电子设备 |
CN114139805A (zh) * | 2021-11-29 | 2022-03-04 | 杭州逗酷软件科技有限公司 | 温度预测及模型训练方法和相关装置 |
CN114136447A (zh) * | 2020-09-04 | 2022-03-04 | 华为技术有限公司 | 一种测量温度的方法、电子设备及计算机可读存储介质 |
CN114721903A (zh) * | 2022-03-29 | 2022-07-08 | 上海勤宽科技有限公司 | 壳体温度的获取方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-08 CN CN202210946458.0A patent/CN116069139B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113542495A (zh) * | 2020-03-31 | 2021-10-22 | 华为技术有限公司 | 一种测量温度的方法及电子设备 |
CN111475384A (zh) * | 2020-05-07 | 2020-07-31 | Oppo广东移动通信有限公司 | 壳体温度的计算方法、装置、存储介质及电子设备 |
CN113835948A (zh) * | 2020-06-23 | 2021-12-24 | 华为技术有限公司 | 温度检测方法、温度检测装置及电子设备 |
CN114136447A (zh) * | 2020-09-04 | 2022-03-04 | 华为技术有限公司 | 一种测量温度的方法、电子设备及计算机可读存储介质 |
CN114139805A (zh) * | 2021-11-29 | 2022-03-04 | 杭州逗酷软件科技有限公司 | 温度预测及模型训练方法和相关装置 |
CN114721903A (zh) * | 2022-03-29 | 2022-07-08 | 上海勤宽科技有限公司 | 壳体温度的获取方法、装置、电子设备及存储介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116301117A (zh) * | 2023-05-24 | 2023-06-23 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
CN116301117B (zh) * | 2023-05-24 | 2023-10-20 | 荣耀终端有限公司 | 温度控制方法和电子设备 |
CN116501581A (zh) * | 2023-06-26 | 2023-07-28 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
CN116501581B (zh) * | 2023-06-26 | 2023-08-25 | 宜宾邦华智慧科技有限公司 | 一种手机温度监测预警方法 |
CN116989897A (zh) * | 2023-09-26 | 2023-11-03 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
CN116989897B (zh) * | 2023-09-26 | 2023-12-22 | 山东聚亨源环保科技有限公司 | 一种低功耗的可车载式危废库远程异常监测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116069139B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11871328B2 (en) | Method for identifying specific position on specific route and electronic device | |
CN116069139B (zh) | 温度预测方法、装置、电子设备及介质 | |
CN111371938B (zh) | 一种故障检测方法及电子设备 | |
CN113542580B (zh) | 去除眼镜光斑的方法、装置及电子设备 | |
CN111563466B (zh) | 人脸检测方法及相关产品 | |
CN114880251B (zh) | 存储单元的访问方法、访问装置和终端设备 | |
CN114422340A (zh) | 日志上报方法、电子设备及存储介质 | |
CN114448015B (zh) | 温度补偿方法、装置、终端设备及可读存储介质 | |
CN111104295A (zh) | 一种页面加载过程的测试方法及设备 | |
CN113224804A (zh) | 一种充电控制方法及电子设备 | |
US20240164725A1 (en) | Physiological detection signal quality evaluation method, electronic device, and storage medium | |
CN113901485B (zh) | 应用程序加载方法、电子设备及存储介质 | |
CN113838478B (zh) | 异常事件检测方法、装置和电子设备 | |
CN114173286A (zh) | 确定测试路径的方法、装置、电子设备及可读存储介质 | |
CN114339607B (zh) | 测距方法、装置及存储介质 | |
CN114125144B (zh) | 一种防误触的方法、终端及存储介质 | |
CN116709023B (zh) | 视频处理方法和装置 | |
CN115619628B (zh) | 图像处理方法和终端设备 | |
CN114077323B (zh) | 电子设备的触摸屏防误触方法、电子设备及芯片系统 | |
CN113364067B (zh) | 充电精度校准方法及电子设备 | |
CN115993592B (zh) | 蓝牙测距方法、电子设备及存储介质 | |
CN114285946B (zh) | 携号转网号码显示方法、电子设备及存储介质 | |
CN115513571B (zh) | 电池温度的控制方法和终端设备 | |
CN116321265B (zh) | 网络质量评估方法、电子设备以及存储介质 | |
CN117706182A (zh) | 参数调整方法及电子设备 |
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 |