CN116560475A - 一种服务器风扇控制方法及计算机设备 - Google Patents
一种服务器风扇控制方法及计算机设备 Download PDFInfo
- Publication number
- CN116560475A CN116560475A CN202310498216.4A CN202310498216A CN116560475A CN 116560475 A CN116560475 A CN 116560475A CN 202310498216 A CN202310498216 A CN 202310498216A CN 116560475 A CN116560475 A CN 116560475A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- server
- initial
- hidden layer
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000003062 neural network model Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 26
- 230000004044 response Effects 0.000 claims abstract description 9
- 239000010410 layer Substances 0.000 claims description 122
- 230000006870 function Effects 0.000 claims description 39
- 230000000306 recurrent effect Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000009432 framing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000011229 interlayer Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06F1/206—Cooling means comprising thermal management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本发明提出了一种服务器风扇控制方法及计算机设备,方法包括:构建初始神经网络模型,根据温度传感器的数量构建模型的输入层,根据风扇的数量构建模型的输出层,并在二者之间配置隐藏层;构建损失函数,损失函数包含传感器状态、系统功耗以及系统噪声;通过所有温度传感器在不同时刻的检测值在线训练初始神经网络模型,并根据损失函数的累加损失进行反向传播以更新初始神经网络模型的初始权重系数;响应于损失函数的累加损失小于预设阈值,输出第一神经网络模型;利用第一神经网络模型以及当前服务器内所有温度传感器的检测值确定每个风扇的转速。利用本发明的神经网络模型来预测风扇转速的方式落地效率高且为非线性预测,转速控制更加精确。
Description
技术领域
本发明设计服务器散热技术领域,尤其涉及一种服务器风扇控制方法及计算机设备。
背景技术
风冷型服务器主要应用风扇进行散热,同时服务器中的BMC为了平衡服务器性能、主板各部件温度、功耗以及噪声等因素,应用自动调速算法控制风扇转速。目前常用的调速方法有分段线性控制与PID控制两种方法。但是现有方法均存在以下共同的缺陷:1、两种方法均为线性控制,即风扇之间的转速控制存在固定的线性关系,导致控制不够精确,无法快速达到转速、功耗、噪声最优的平衡点;2、需要为服务器内部的每个风扇设置影响权重,导致预设参数过多,算法较为复杂,当不同服务器内部的风扇布设情况不同时,需要针对每个服务器的具体情况修改算法,算法的可移植性差,落地效率较低。
因此,一种能够实现精确转速控制且可移植性强的服务器风扇控制方案是本领域所亟需的。
发明内容
为解决上述技术问题,在本发明的第一方面,提出了一种服务器风扇控制方法,所述方法包括:构建初始神经网络模型,其中,根据所述服务器内的温度传感器的数量构建模型的输入层,根据风扇的数量构建模型的输出层,并在所述输入层和输出层之间配置隐藏层;构建损失函数,所述损失函数包含传感器状态、系统功耗以及系统噪声;通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,并根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数;响应于所述损失函数的累加损失小于预设阈值,输出第一神经网络模型;利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速。
在一个或多个实施例中,所述初始神经网络模型包括初始循环神经网络模型,所述初始循环神经网络模型包含至少三个隐藏层,每个隐藏层的输出作为该隐藏层的一个输入。
在一个或多个实施例中,所述循环神经网络模型包括4个隐藏层,与所述输入层连接的第一隐藏层包含4N个单元,与所述第一隐藏层连接的第二隐藏层包含3N个单元,与所述第二隐藏层连接的第三隐藏层包含2N个单元,与所述输出层连接的第四隐藏层包含N个单元,其中,N为输入层包含的单元数量。
在一个或多个实施例中,所述方法还包括:为所述初始循环神经网络模型配置初始权重系数,所述初始权重系数包括:第一初始权重系数,配置为输入层与隐藏层之间以及隐藏层与隐藏层之间的权重系数;第二初始权重系数,配置为隐藏层与输出层之间的层间的权重系数;第三初始权重系数,配置为隐藏层的自循环的权重系数。
在一个或多个实施例中,所述损失函数包括:
Losst=TempRatiot×Powert×Noiset;
其中, 为第n个温度传感器在t时刻的检测值,TempSetpointn为第n个传感器的设定的目标温度值,Powert指在(t-1)~t时刻期间的系统总功耗,Noiset指在(t-1)~t期间系统噪声的平均值。
在一个或多个实施例中,所述Noiset的计算方式包括:
其中,FrameN为对录音进行分帧后的总帧数,ValFreq_(r,f)为分帧之后的第r帧的第f个频点值。
在一个或多个实施例中,所述通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,还包括:将所述初始神经网络模型的输出发送至所述服务器的对应风扇以控制对应风扇的转速;利用预设在所述服务器内部的录音器实时采集所述服务器内部的噪声录音。
在一个或多个实施例中,所述根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数,包括;响应于所述损失函数的累加损失大于等于所述预设阈值,基于时间的反向传播算法更新所述初始神经网络模型的初始权重系数。
在一个或多个实施例中,所述利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速,包括:将所述当前所述服务器内所有温度传感器的检测值输入所述第一神经网络模型获得第一输出值;将所述第一输出值转换为多个PWM信号发送至所述服务器的对应风扇以控制每个风扇的转速。
在本发明的第二方面,提出了一种计算机设备,包括:至少一个处理器;以及存储器,所述存储器中存储有可执行的计算机程序,所述计算机程序被所述至少一个处理器执行时用于实现如上述任意一实施例中的一种服务器风扇控制方法的相应步骤,步骤包括:
构建初始神经网络模型,其中,根据所述服务器内的温度传感器的数量构建模型的输入层,根据风扇的数量构建模型的输出层,并在所述输入层和输出层之间配置隐藏层;构建损失函数,所述损失函数包含传感器状态、系统功耗以及系统噪声;通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,并根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数;响应于所述损失函数的累加损失小于预设阈值,输出第一神经网络模型;利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速。
在一个或多个实施例中,所述初始神经网络模型包括初始循环神经网络模型,所述初始循环神经网络模型包含至少三个隐藏层,每个隐藏层的输出作为该隐藏层的一个输入。
在一个或多个实施例中,所述循环神经网络模型包括4个隐藏层,与所述输入层连接的第一隐藏层包含4N个单元,与所述第一隐藏层连接的第二隐藏层包含3N个单元,与所述第二隐藏层连接的第三隐藏层包含2N个单元,与所述输出层连接的第四隐藏层包含N个单元,其中,N为输入层包含的单元数量。
在一个或多个实施例中,所述方法还包括:为所述初始循环神经网络模型配置初始权重系数,所述初始权重系数包括:第一初始权重系数,配置为输入层与隐藏层之间以及隐藏层与隐藏层之间的权重系数;第二初始权重系数,配置为隐藏层与输出层之间的层间的权重系数;第三初始权重系数,配置为隐藏层的自循环的权重系数。
在一个或多个实施例中,所述损失函数包括:
〖Loss〗^t=TempRatio^t×Power^t×Noise^t;
其中,TempRatio^t=max┬(1≤n≤N)((〖TempNow〗_n^t)/〖TempSetpoint〗_n),TempNow_n^t为第n个温度传感器在t时刻的检测值,TempSetpoint_n为第n个传感器的设定的目标温度值,Power^t指在(t-1)~t时刻期间的系统总功耗,Noise^t指在(t-1)~t期间系统噪声的平均值。
在一个或多个实施例中,所述Noise^t的计算方式包括:
其中,FrameN为对录音进行分帧后的总帧数,ValFreq_(r,f)为分帧之后的第r帧的第f个频点值。
在一个或多个实施例中,所述通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,还包括:将所述初始神经网络模型的输出发送至所述服务器的对应风扇以控制对应风扇的转速;利用预设在所述服务器内部的录音器实时采集所述服务器内部的噪声录音。
在一个或多个实施例中,所述根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数,包括;响应于所述损失函数的累加损失大于等于所述预设阈值,基于时间的反向传播算法更新所述初始神经网络模型的初始权重系数。
在一个或多个实施例中,所述利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速,包括:将所述当前所述服务器内所有温度传感器的检测值输入所述第一神经网络模型获得第一输出值;将所述第一输出值转换为多个PWM信号发送至所述服务器的对应风扇以控制每个风扇的转速。
本发明的有益效果包括:利用本发明的损失函数训练获得神经网络模型,并利用神经网络模型来预测风扇转速并控制的方式,能够有效减少预设参数的配置工作,实现流程化的训练控制方法部署,落地效率高;且由于模型为非线性,计算的风扇转速平滑且精确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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实施例。
图1为本发明实施例的一种服务器风扇控制方法的流程图;
图2为本发明实施例的神经网络模型的结构示意图;
图3为本发明实施例的在线训练循环神经网络模型的工作流程图;
图4为本发明应用实施例的风扇转速控制的流程图;
图5为本发明的一种计算机设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明实施例进一步详细说明。
需要说明的是,本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称非相同的实体或者非相同的参量,可见“第一”“第二”仅为了表述的方便,不应理解为对本发明实施例的限定,后续实施例对此不再一一说明。
为了能够实现精确的控制每个风扇的转速,在本发明的第一方面,提出了一种服务器风扇控制方法,通过将服务器内部所有温度传感器的检测值作为训练样本输入神经网络模型,并通过构建包含传感器状态、系统功耗以及系统噪声的损失函数对所述神经网络模型进行迭代训练,使得本发明方法能够基于所有温度传感器的探测值输出精确的转速控制信号,且控制信号之间不存在固定的线性关系,因而能够更加快速达到转速、功耗、噪声最优的平衡点。以下将结合附图对本发明的方案进行详细阐述。
图1为本发明实施例的一种服务器风扇控制方法的流程图。如图1所示,本实施例中的一种服务器风扇控制方法包括:步骤S1、构建初始神经网络模型,其中,根据服务器内的温度传感器的数量构建模型的输入层,根据风扇的数量构建模型的输出层,并在输入层和输出层之间配置隐藏层;步骤S2、构建损失函数,损失函数包含传感器状态、系统功耗以及系统噪声;步骤S3、通过服务器内部的所有温度传感器在不同时刻的检测值在线训练初始神经网络模型,并根据损失函数的累加损失进行反向传播以更新初始神经网络模型的初始权重系数;步骤S4、响应于损失函数的累加损失小于预设阈值,输出第一神经网络模型;步骤S5、利用第一神经网络模型以及当前服务器内所有温度传感器的检测值确定每个风扇的转速。
具体的,本实施提出了利用神经网络模型根据服务内部所有的温度传感器的探测值来预测服务器内各个风扇所需的转速,区别于传统方案的基于温度传感器的检测值进行线性控制风扇转速的方案,能够根据温度传感器的实时状态,改变对各风扇转速的控制关系,从而快速达到转速、功耗、噪声最优的平衡点;此外,在将训练好的神经网络模型移植到具有不同数量的温度传感器及风扇的服务器上时,只需要适应性的根据传感器数量与风扇数量调整模型的输入节点和输出节点数量,并基于当前服务器的传感器数据进行简单训练即可,能够大大缩短服务器集群的部署周期。
图2为本发明实施例的神经网络模型的结构示意图。在本实施例中,初始神经网络模型采用循环神经网络模型,且本实施例的循环神经网络模型包含至少三个隐藏层,每个隐藏层的输出作为该隐藏层的一个输入。
具体的,如图2所示,设输服务器内的温度传感器数量为N个,风扇数量为M个。本实施例的循环神经网络模型包括4个隐藏层,与输入层连接的第一隐藏层包含4N个单元,与第一隐藏层连接的第二隐藏层包含3N个单元,与第二隐藏层连接的第三隐藏层包含2N个单元,与输出层连接的第四隐藏层包含N个单元。其中,指在序列索引号为t时输入的训练样本,即在t时刻服务器内部的所有温度传感器的归一化的探测值;/>指该输入数据矩阵的维度为N×1,同理,Xt-1和Xt+1分别指t-1时刻和t+1时刻输入的训练样本;指在序列索引号为t时刻隐藏层第L层的状态,NL具体值取决于其所在层数,比如第一层隐藏层的具体维度表示即为/>指在序列索引号为t时刻模型的预测输出;隐藏层与输出层激活函数均采用sigmoid函数,如下公式所示:
其中,e为自然对数。
在进一步的实施例中,本发明的方法还包括:为初始循环神经网络模型配置初始权重系数,请继续参见图2,初始权重系数包括:第一初始权重系数(包括U1-U4),配置为输入层与隐藏层之间以及隐藏层与隐藏层之间的权重系数;第二初始权重系数(V),配置为隐藏层与输出层之间的层间的权重系数;第三初始权重系数(包括W1-W4),配置为隐藏层的自循环的权重系数。
具体的,U、V、W均为权重系数矩阵,是模型的线性变换系数,在整个RNN网络共享,其中,指模型第L层的输入权重系数,系数矩阵的维度取决于层数,比如第二层隐藏层的输入权重系数为/>指模型上一时刻与下一时刻隐藏层第L层的输入权重系数;NL具体值基于其所在层数,比如第二层隐藏层权重系数为指模型隐藏层与输出层的权重系数。
在进一步的实施例中,本发明采用的损失函数包括:
Losst=TempRatiot×Powert×Noiset;
其中, 为第n个温度传感器在t时刻的检测值,TempSetpointn为第n个传感器的设定的目标温度值,Powert为在(t-1)~t时刻期间的系统总功耗,Noiset为在(t-1)~t期间系统噪声的平均值。
在进一步的实施例中,Noiset的计算方式包括:
其中,FrameN为对录音进行分帧后的总帧数,ValFreq_(r,f)为分帧之后的第r帧的第f个频点值。
在进一步的实施例中,通过服务器内部的所有温度传感器在不同时刻的检测值在线训练初始神经网络模型,还包括:将初始神经网络模型的输出发送至服务器的对应风扇以控制对应风扇的转速;利用预设在服务器内部的录音器实时采集服务器内部的噪声录音。
在进一步的实施例中,根据损失函数的累加损失进行反向传播以更新初始神经网络模型的初始权重系数,包括;响应于损失函数的累加损失大于等于预设阈值,基于时间的反向传播算法更新初始神经网络模型的初始权重系数。
在进一步的实施例中,利用第一神经网络模型以及当前服务器内所有温度传感器的检测值确定每个风扇的转速,包括:将当前服务器内所有温度传感器的检测值输入第一神经网络模型获得第一输出值;将第一输出值转换为多个PWM信号发送至服务器的对应风扇以控制每个风扇的转速。
图3为本发明实施例的在线训练循环神经网络模型的工作流程图。请参见图3,本实施例中,训练循环神经网络模型的过程包括:
步骤10、对模型进行初始化;在一个可选的实施方式中,模型的所有权重系数均采用高斯分布N(0,0.01)进行初始化。
步骤20、获取所有传感器的实时检测值作为模型的输入数据;在一个可选的实施例中,每一轮训练输入10个序列数据,即在时间上连续的十组传感器的检测值,每组内包含服务器的全部传感器。
步骤30、对每个输入数据进行归一化处理;归一化方法按如下公式计算:
其中,为原始温度检测值;/>为理论上可以获取的温度最小值;/>为理论上可以获取的温度最大值;./为点除;/>指归一化后的值。
步骤40、对模型进行前向计算;具体的,前向计算包括两个过程,即步骤41和步骤41。
步骤41,获得循环神经网络模型的输出值,并将其转换为PWM控制信号以控制对应风扇的转速;其中,模型的输出值将被转换为多个PWM控制信号,数量与服务器内部风扇的数量保持一致。
具体的,在t时刻,根据当前时刻的输入Xt和上一时刻保留的隐藏层状态按照如下公式计算该时刻的模型输出。此处以计算隐藏层状态/>与最后输出层Ot为例,其它层以此类推:
O^t=sigmoid(V^'H_4^t);
其中,(x)′为对矩阵x进行转置,bL是每一层隐藏层对应的偏置系数,其维度与该层单元数量一致,L为层数。
在进一步的实施例中,为了避免PWM信号的理论控制转速大于风扇实际所能达到的转速,对PWM值按照如下公式进行取整以及截断处理:
Pt=MIN(MAX(UPPER(Pt),PWMMIN),PWMMAX)t
其中,UPPER(x)为对浮点数x向上取整;MIN(x,y)为取x与y中的较小值;MAX(x,y)为取x与y中的较大值;PWMMIN为风扇设定的最小PWM值;PWMMAX为风扇设定的最大PWM值。
步骤42、根据当前的服务器状态计算损失函数;在一个实施例中,本实施例设计的损失函数包括:
Losst=TempRatiot×Powert×Noiset;
其中, 为第n个温度传感器在t时刻的检测值,TempSetpointn为第n个传感器的设定的目标温度值,Powert为在(t-1)~t时刻期间的系统总功耗,Noiset为在(t-1)~t期间系统噪声的平均值;
具体的,服务器内部设置多个温度传感器用于监控不同硬件的温度信息,每个温度传感器预先配置有目标温度值,当对应硬件的温度大于等于该目标温度值时,则需要对相应风扇的转速进行调控,以使得硬件的温度小于该目标温度值。可以理解的是当的值越大时,对应的风扇转速越大,为了保证当前温度超过其安全值最多的硬件的安全性,需要以降低/>为方向对模型进行系数更新,即前述实施例中的U、V及W三种系数;
Noiset的计算方式包括:
其中,FrameN为对录音进行分帧后的总帧数,ValFreq_(r,f)为分帧之后的第r帧的第f个频点值;由损失函数的计算公式可知,本发明需要获取服务器系统的实时系统功率和系统噪声。对于系统功耗的计算,在一个可选的实施例中可以通过BMC板监控每个硬件的实时功耗并对其进行累和获得;在另一个可选的实施例中可以在干服务器的供电侧设置功率计,从而实时监控该服务器的功耗;对于系统噪声则需要在服务器内部预设录音器以实时采集服务器内部的噪声录音,此时的风扇应该能够根据上一时刻的模型输出而工作。
步骤50、计算累加误差(累加损失);具体的,反向传播更新系数时,需要考虑当前时刻之前所有时刻的累加误差,计算方法如下公式所示
其中,Loss指之前每一时刻的损失函数的输出值,T为当前一轮训练序列的总数量。
步骤60、判断是否满足训练结束条件;具体的,训练是否满足结束条件是根据累加损失和预设阈值决定的;当累加损失大于等于预设阈值执行步骤61;当当累加损小于预设阈值执行步骤62;
步骤61、更新模型权重系数;具体的,本实施例选择采用基于时间的反向传播算法(Back-Propagation Through Time,BPTT)更新模型的权重系数,即更新上述实施例中的U、V和W。
步骤62、输出权重系数,即输出最终的循环神经网络模型;
步骤70、结束训练。
在实际应用,只需在对应的服务器预设该神经网络模型,并将周期性采集到的服务器内所有传感器的检测值输入到运行该神经网络模型的处理器中即可输出对应的PWM控制信号。其控制风扇转速的完整过程如图4所示,包括获取实时传感器检测值;对输入数据进行归一化处理;前向计算;输出PWM信号;控风扇转速。图4为本发明应用实施例的风扇转速控制的流程图。
由上述实施例可以看出,循环神经网络是基于时间上的序列数据来建模的,能够学习序列数据前后之间(不同时刻)的相关性。利用本发明设计损失函数训练获得的循环神经网络模型,能够有效减少预设参数,实现流程化的训练部署,落地效率高;且由于模型为非线性,计算的风扇转速平滑且准确。
图5为本发明的一种计算机设备的结构示意图。如图2所示,包括:至少一个处理器100;以及存储器200,存储器200中存储有可执行的计算机程序,计算机程序被至少一个处理器100执行时用于实现如上述任意一实施例中的一种服务器风扇控制方法的相应步骤。
利用本发明计算机设备中的损失函数训练获得神经网络模型,并利用神经网络模型来预测风扇转速并控制的方式,能够有效减少预设参数的配置工作,实现流程化的训练控制方法部署,落地效率高;且由于模型为非线性,计算的风扇转速平滑且精确。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
上述本发明实施例公开实施例序号仅仅为了描述,不代表实施例的优劣。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本发明实施例公开的范围(包括权利要求)被限于这些例子;在本发明实施例的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,并存在如上的本发明实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。因此,凡在本发明实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种服务器风扇控制方法,其特征在于,所述方法包括:
构建初始神经网络模型,其中,根据所述服务器内的温度传感器的数量构建模型的输入层,根据风扇的数量构建模型的输出层,并在所述输入层和输出层之间配置隐藏层;
构建损失函数,所述损失函数包含传感器状态、系统功耗以及系统噪声;
通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,并根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数;
响应于所述损失函数的累加损失小于预设阈值,输出第一神经网络模型;
利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速。
2.根据权利要求1所述的一种服务器风扇控制方法,其特征在于,所述初始神经网络模型包括初始循环神经网络模型,所述初始循环神经网络模型包含至少三个隐藏层,每个隐藏层的输出作为该隐藏层的一个输入。
3.根据权利要求2所述的一种服务器风扇控制方法,其特征在于,所述循环神经网络模型包括4个隐藏层,与所述输入层连接的第一隐藏层包含4N个单元,与所述第一隐藏层连接的第二隐藏层包含3N个单元,与所述第二隐藏层连接的第三隐藏层包含2N个单元,与所述输出层连接的第四隐藏层包含N个单元,其中,N为输入层包含的单元数量。
4.根据权利要求2或3所述的一种服务器风扇控制方法,其特征在于,所述方法还包括:为所述初始循环神经网络模型配置初始权重系数,所述初始权重系数包括:
第一初始权重系数,配置为输入层与隐藏层之间以及隐藏层与隐藏层之间的权重系数;
第二初始权重系数,配置为隐藏层与输出层之间的层间的权重系数;
第三初始权重系数,配置为隐藏层的自循环的权重系数。
5.根据权利要求1或2所述的一种服务器风扇控制方法,其特征在于,所述损失函数包括:
Losst=TempRatiot×Powert×Noiset;
其中, 为第n个温度传感器在t时刻的检测值,TempSetpointn为第n个传感器的设定的目标温度值,Powert为在(t-1)~t时刻期间的系统总功耗,Noiset为在(t-1)~t期间系统噪声的平均值。
6.根据权利要求6所述的一种服务器风扇控制方法,其特征在于,所述Noiset的计算方式包括:
其中,FrameN为对录音进行分帧后的总帧数,ValFreq_(r,f)为分帧之后的第r帧的第f个频点值。
7.根据权利要求6所述的一种服务器风扇控制方法,其特征在于,所述通过所述服务器内部的所有温度传感器在不同时刻的检测值在线训练所述初始神经网络模型,还包括:
将所述初始神经网络模型的输出发送至所述服务器的对应风扇以控制对应风扇的转速;
利用预设在所述服务器内部的录音器实时采集所述服务器内部的噪声录音。
8.根据权利要求1所述的一种服务器风扇控制方法,其特征在于,所述根据所述损失函数的累加损失进行反向传播以更新所述初始神经网络模型的初始权重系数,包括;
响应于所述损失函数的累加损失大于等于所述预设阈值,基于时间的反向传播算法更新所述初始神经网络模型的初始权重系数。
9.根据权利要求1所述的一种服务器风扇控制方法,其特征在于,所述利用所述第一神经网络模型以及当前所述服务器内所有温度传感器的检测值确定每个风扇的转速,包括:
将所述当前所述服务器内所有温度传感器的检测值输入所述第一神经网络模型获得第一输出值;
将所述第一输出值转换为多个PWM信号发送至所述服务器的对应风扇以控制每个风扇的转速。
10.一种计算机设备,其特征在于,包括:
至少一个处理器;以及
存储器,所述存储器中存储有可执行的计算机程序,所述计算机程序被所述至少一个处理器执行时用于实现如上述权利要求1-9任意一项所述的一种服务器风扇控制方法的相应步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498216.4A CN116560475A (zh) | 2023-04-27 | 2023-04-27 | 一种服务器风扇控制方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310498216.4A CN116560475A (zh) | 2023-04-27 | 2023-04-27 | 一种服务器风扇控制方法及计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116560475A true CN116560475A (zh) | 2023-08-08 |
Family
ID=87489245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310498216.4A Pending CN116560475A (zh) | 2023-04-27 | 2023-04-27 | 一种服务器风扇控制方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116560475A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956759A (zh) * | 2023-09-21 | 2023-10-27 | 宝德计算机系统股份有限公司 | 一种调节bmc风扇转速的方法、系统及装置 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
-
2023
- 2023-04-27 CN CN202310498216.4A patent/CN116560475A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116956759A (zh) * | 2023-09-21 | 2023-10-27 | 宝德计算机系统股份有限公司 | 一种调节bmc风扇转速的方法、系统及装置 |
CN117406844A (zh) * | 2023-11-14 | 2024-01-16 | 珠海世宁达科技有限公司 | 一种基于神经网络的显卡风扇控制方法及相关装置 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023040165A1 (zh) | 一种服务器风扇转速控制方法、装置、设备及介质 | |
CN116560475A (zh) | 一种服务器风扇控制方法及计算机设备 | |
US20200279149A1 (en) | Method for reinforcement learning using virtual environment generated by deep learning | |
CN111126605B (zh) | 一种基于强化学习算法的数据中心机房控制方法及装置 | |
CN111353631A (zh) | 基于多层lstm的火电厂凝汽器真空度预测方法 | |
JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
CN111445010B (zh) | 一种基于证据理论融合量子网络的配网电压趋势预警方法 | |
CN107092987B (zh) | 一种中小型无人机自主着舰风速预测方法 | |
US11606393B2 (en) | Node classification in dynamic networks using graph factorization | |
JP6718500B2 (ja) | 生産システムにおける出力効率の最適化 | |
CN111191769A (zh) | 自适应的神经网络训练与推理装置 | |
CN112835715B (zh) | 基于强化学习的无人机任务卸载策略的确定方法和装置 | |
CN113778691B (zh) | 一种任务迁移决策的方法、装置及系统 | |
CN110852498A (zh) | 一种基于gru神经网络预测数据中心能耗效率值pue的方法 | |
CN116562908A (zh) | 一种基于双层vmd分解和ssa-lstm的电价预测方法 | |
CN117313029A (zh) | 一种基于卡尔曼滤波参数提取与状态更新的多传感器数据融合方法 | |
CN111785093A (zh) | 一种基于分形插值的空中交通流量短期预测方法 | |
CN111898799B (zh) | 一种基于BFA-Elman的电力负荷预测方法 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
Rady | Reyni’s entropy and mean square error for improving the convergence of multilayer backprobagation neural networks: a comparative study | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
JPH0581228A (ja) | ニユーラルネツトワークの構成方法および学習/想起システム | |
CN111783927B (zh) | 一种混沌蝙蝠算法uav网络控制系统及故障诊断方法 | |
US20220100254A1 (en) | Configuring a power management system using reinforcement learning | |
CN111797987A (zh) | 一种动态机器学习方法 |
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 |