CN116956759A - 一种调节bmc风扇转速的方法、系统及装置 - Google Patents

一种调节bmc风扇转速的方法、系统及装置 Download PDF

Info

Publication number
CN116956759A
CN116956759A CN202311225037.XA CN202311225037A CN116956759A CN 116956759 A CN116956759 A CN 116956759A CN 202311225037 A CN202311225037 A CN 202311225037A CN 116956759 A CN116956759 A CN 116956759A
Authority
CN
China
Prior art keywords
lstm
bmc
fnn
fan
adjusting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311225037.XA
Other languages
English (en)
Inventor
代舜
李瑞杰
黄文杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baode Computer System Co ltd
Original Assignee
Baode Computer System Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baode Computer System Co ltd filed Critical Baode Computer System Co ltd
Priority to CN202311225037.XA priority Critical patent/CN116956759A/zh
Publication of CN116956759A publication Critical patent/CN116956759A/zh
Pending legal-status Critical Current

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/004—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids by varying driving speed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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 Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mechanical Engineering (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种调节BMC风扇转速的方法，包括以下步骤：步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；步骤S20：温度数据预处理，对收集到的温度数据进行预处理；步骤S30：构建LSTM‑FNN网络模型，基于LSTM网络以及FNN网络构建LSTM‑FNN模型；步骤S40：对LSTM‑FNN网络模型进行训练；步骤S50：使用训练后的LSTM‑FNN网络模型预测BMC系统中的风扇转速。本发明的有益效果是：该方法可以通过双LSTM神经网络和FNN神经网络实现对BMC系统中风扇转速进行调节。

Description

一种调节BMC风扇转速的方法、系统及装置
技术领域
本发明涉及服务器温度调节领域，具体的说涉及到一种调节BMC风扇转速的方法、系统及装置。
背景技术
BMC，全称基板管理控制器，是服务器特有的管理控制器，BMC可以自动监控服务器运行状态，并及时根据当前状态进行调控，其中主要的一个功能就是获取当前服务器各模块的温度，根据当前温度进行风扇转速控制及告警等操作。
但是AI服务器的散热一直也是按照传统方式的散热方式，会产生大量的热量。为了让系统散热，一般会在系统中加入风扇进行散热，使得芯片温度不至于过高从而对系统造成损坏，但是传统BMC散热的方法都是基于线性或简单非线性模型，然后嵌入到BMC内部，但是这些模型对于复杂系统的建模能力非常有限，不能够很好的预测BMC的风扇转速，因此需要一种更精确的方法来控制服务器风扇转速来进行散热。
发明内容
为了克服现有技术的不足，本发明提供一种调节BMC风扇转速的方法，该方法可以通过双LSTM神经网络和FNN神经网络实现对BMC系统中风扇的转速进行调节。
本发明解决其技术问题所采用的技术方案是：一种调节BMC风扇转速的方法，包括以下步骤：
步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；
步骤S20：温度数据预处理，对收集到的温度数据进行预处理；
步骤S30：构建LSTM-FNN网络模型，基于LSTM网络以及FNN网络构建LSTM-FNN模型；
步骤S301：定义LSTM-F，对于每个时间步t，LSTM-F通过输入门、遗忘门/>、输出门/>以及候选细胞状态/>计算隐藏状态/>和细胞状态/>的更新；
步骤S302：定义LSTM-B，对于每个时间步t，LSTM-B通过输入门、遗忘门/>、输出门/>以及候选细胞状态/>计算隐藏状态/>和细胞状态/>的更新；
步骤S303：构建FNN网络，将LSTM-F中的前向隐藏状态序列和LSTM-B模型中的后向隐藏状态序列/>连接起来得到FNN网络的输入层/>，计算出FNN网络的输出层/>。
步骤S40：训练LSTM-FNN网络模型；
步骤S50：使用训练后的LSTM-FNN网络模型预测并调节BMC系统中的风扇转速。
在上述的步骤中，所述步骤S301中计算隐藏状态和细胞状态/>更新的公式为：
输入门：，
遗忘门：，
输出门：，
候选细胞状态：，
细胞状态更新：，
隐藏状态更新：。
在上述的步骤中，所述步骤S302中计算隐藏状态和细胞状态/>更新的公式为：
输入门：，
遗忘门：，
输出门：，
候选细胞状态：，
细胞状态更新：，
隐藏状态更新：。
在上述的步骤中，所述步骤S303中：
前向隐藏状态序列：/>，
后向隐藏状态序列：/>，
FNN网络输入层：/>，
FNN网络输出层：/>，
其中和/>是可学习的参数。
在上述的步骤中，所述步骤S303中通过线性变换以及非线性激活函数计算得出FNN网络输出层。
在上述的步骤中，所述步骤S40中通过反向传播算法更新LSTM-FNN模型参数，并通过最小化损失函数训练LSTM-FNN模型。
在上述的步骤中，所述步骤S10中温度的数据集：，其中/>是一个长度为m的向量，表示第i个时间步的各个设备的温度；风扇转速数据集：
，/>是第i个时间步的风扇转速。
在上述的步骤中，所述步骤S50中风扇转速的预测值：
，其中/>和/>是可学习的参数，/>表示激活函数。
一种调节BMC风扇转速的系统，包含上述任一所述的调节BMC风扇转速的方法。
一种调节BMC风扇转速的装置，包含上述任一所述的调节BMC风扇转速的方法。
本发明的有益效果是：该方法可以通过双LSTM神经网络和FNN神经网络实现对BMC系统中风扇转速进行调节。
附图说明
图1为本发明一种调节BMC风扇转速的方法步骤流程图。
图2为本发明一种调节BMC风扇转速的方法中温度数据以及预测风扇转速。
图3为本发明一种调节BMC风扇转速的方法的控制图。
图4为本发明中LSTM-FNN网络模型与传统步进算法的对比图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本发明的目的、特征和效果。显然，所描述的实施例只是本发明的一部分实施例，而不是全部实施例，基于本发明的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本发明保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本发明创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
参照图1所示，本发明揭示了一种调节BMC风扇转速的方法，具体的，该方法包括以下步骤：
步骤S10：数据采集，首先收集BMC系统中多个时间步的温度数据，包括CPU、GPU、硬盘、RAID卡以及显卡等设备的温度；在本实施例中，时间步长设置为3秒；然后建立温度的数据集以及风扇转速的数据集，其中温度的数据集：
，/>是一个长度为m的向量，表示第i个时间步的各个设备的温度，包含CPU、硬盘、GPU、RAID卡以及其他设备的温度；
风扇转速数据集：
，/>是第i个时间步的风扇转速。
步骤S20：温度数据预处理，对收集到的温度数据进行预处理，其中预处理的方式包括：首先对数据进行归一化，然后将数据分割成训练集以及测试集；
在本实施例中，首先通过归一化将数据转换为均值为0、标准差为1的分布。具体的，先使用Z-score标准化对数据进行归一化，公式如下所示：
；
其中X是原始数据，mean是数据的均值，std是数据的标准差，X'是标准化后的数据。
然后对温度数据进行分割，采用随机划分的方式将温度数据按照一定的比例划分为训练集以及测试集，例如采用70%的数据作为训练集，剩余的30%作为测试集；也可以采用75%的数据作为训练集，剩余的25%作为测试集；也可以采用80%的数据作为训练集，剩余的20%作为测试集。进行数据分割的时候需要将原始数据进行打乱，其中训练集的数据需要多余测试集的数据。在本实施例中，构建完成LSTM-FNN网络模型后，通过80%的训练集合来训练模型的拟合能力,当训练结束得到离线模型后，再使用20%的测试集来验证模型的实际效果。
步骤S30：构建LSTM-FNN网络模型，基于LSTM网络以及FNN网络构建LSTM-FNN模型；具体的步骤S30包括以下步骤：
步骤S301：定义前向LSTM（LSTM-F）：
对于每个时间步t，LSTM-F通过以下公式计算隐藏状态和细胞状态/>的更新：
输入门（input gate）：，
遗忘门（forget gate）：，
输出门（output gate）：，
候选细胞状态（candidate cell state）：
，
细胞状态更新：，
隐藏状态更新：。
步骤S302：定义后向LSTM（LSTM-B）：
对于每个时间步t，LSTM-B通过以下公式计算隐藏状态和细胞状态/>的更新：
输入门（input gate）：，
遗忘门（forget gate）：，
输出门（output gate）：，
候选细胞状态（candidate cell state）：
，
细胞状态更新：，
隐藏状态更新：。
步骤S303：构建FNN网络模型，将LSTM-F模型中的前向隐藏状态序列和LSTM-B模型中的后向隐藏状态序列/>连接起来，其中：
，
，
通过将前向隐藏状态序列以及后向隐藏状态序列/>连接起来就可以得到FNN网络的输入层/>：
；
得到FNN网络的输入层后，通过线性变换以及非线性激活函数计算FNN网络的输出层/>：
，其中/>和/>是可学习的参数。
具体的，线性变换指的是(),非线性激活函数指的是/>，本实施例中使用的是sigmoid函数，公式为：
，
其中，exp表示自然指数函数，x为输入值。sigmoid函数能够将将输入值映射到一个范围在0到1之间的实数。
步骤S40：对LSTM-FNN模型进行训练；
步骤S401：定义损失函数以及均方误差（Mean Squared Error），均方误差公式为：
，其中/>为模型预测的风扇转速；
步骤S402：通过反向传播算法更新LSTM-FNN模型的参数，并通过最小化损失函数训练LSTM-FNN模型。损失函数 (loss function)是用来估量模型的预测值f(x)与真实值的不一致程度，它是一个非负实值函数,通常使用L(Y,f(x)来表示，损失函数越小，模型的鲁棒性就越好。在本方案中使用最小化损失函数来训练LSTM-FNN模型有比较好的效果，不仅能调整模型参数还可以减小预测的误差。
具体的，和/>参数学习的过程如下：
1.初始化参数:将权重矩阵和偏置向量/>初始化为随机值或零值；
2.前向传播:将输入层的输入通过线性变换和非线性激活函数计算得到输出层的输出/>；
3.计算损失函数：将输出层的输出与真实标签进行比较，计算损失函数的值，可以使用均方误差；
4. 反向传播：根据损失函数，使用链式法则计算相对于权重矩阵和偏置向量的梯度，梯度表示了损失函数关于参数的变化率；
5.参数更新：以学习率0.01进行梯度下降更新；
6.重复2-5的步骤，达到损失函数收敛；
并且在整个学习过程的目标是通过不断调整权重矩阵和偏置向量/>，使得损失函数最小化，从而使得输出层/>的预测结果与真实标签尽可能接近。
步骤S50：通过LSTM-FNN模型计算风扇转速预测值；将训练过的LSTM-FNN模型接入至BMC系统中，此时传感器会将温度的数据集X传入，LSTM-FNN模型开始计算风扇的转速预测值。
具体的，当温度的数据集X传入后，LSTM-FNN模型首先会通过LSTM-F网络计算隐藏状态序列，接着通过LSTM-F网络计算隐藏状态序列/>；将LSTM-F网络中的隐藏状态序列/>与LSTM-F网络中的隐藏状态序列/>连接起来，将LSTM-F网络中的隐藏状态序列/>与LSTM-F网络中的隐藏状态序列/>连接后即可得到FNN的输入层/>：
；
得到FNN的输入层后，因为此时LSTM-FNN模型已经训练完成，即可算出风扇转速的预测值/>：
，其中/>和/>是可学习的参数，/>表示激活函数。
将预测值映射回风扇转速的范围，即是最终的风扇转速，此时BMC系统通过I2C来控制服务器风扇的转速。
参照图2所示，图2为不同的设备温度时，通过本发明中的LSTM-FNN模型调节BMC风扇转速。
参照图3所示，将各个设备的温度数据传入至BMC系统中，然后BMC系统中的传感器以及原始底层接口调用I2C对BMC的风扇转速进行预测并调节风扇转速。
参照图4所示，对比传统的步进算法（直线）和本发明中的LSTM-FNN的AI调速算法(圆点)，LSTM有更好的拟合能力和更精确的控制维度，通过GPU温度进行对比，实际上圆点位置往往位于传统调速的下方，这就说明在功能和节能上，此算法也好于传统的算法。
本发明还公开了一种调节BMC风扇转速的系统，包含上述任一所述的调节BMC风扇转速的方法。
本发明还公开了一种调节BMC风扇转速的装置，包含上述任一所述的调节BMC风扇转速的方法。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种调节BMC风扇转速的方法，其特征在于，包括以下步骤：
步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；
步骤S20：温度数据预处理，对收集到的温度数据进行预处理；
步骤S30：构建LSTM-FNN网络模型，基于LSTM网络以及FNN网络构建LSTM-FNN模型；
步骤S301：定义LSTM-F，对于每个时间步t，LSTM-F通过输入门、遗忘门/>、输出门/>以及候选细胞状态/>计算隐藏状态/>和细胞状态/>的更新；
步骤S302：定义LSTM-B，对于每个时间步t，LSTM-B通过输入门、遗忘门/>、输出门/>以及候选细胞状态/>计算隐藏状态/>和细胞状态/>的更新；
步骤S303：构建FNN网络，将LSTM-F中的前向隐藏状态序列和LSTM-B模型中的后向隐藏状态序列/>连接起来得到FNN网络的输入层/>，并计算出FNN网络的输出层/>；
步骤S40：训练LSTM-FNN网络模型；
步骤S50：使用训练后的LSTM-FNN网络模型预测并调节BMC系统中的风扇转速。
2.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S301中计算隐藏状态和细胞状态/>更新的公式为：
输入门：,
遗忘门：,
输出门：,
候选细胞状态：,
细胞状态更新：,
隐藏状态更新：。
3.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S302中计算隐藏状态和细胞状态/>更新的公式为：
输入门：，
遗忘门：，
输出门：，
候选细胞状态：，
细胞状态更新：，
隐藏状态更新：。
4.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S303中：
前向隐藏状态序列：/>,
后向隐藏状态序列：/>,
FNN网络输入层：/>,
FNN网络输出层：/>，其中/>和/>是可学习的参数。
5.根据权利要求4所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S303中通过线性变换以及非线性激活函数计算得出FNN网络输出层。
6.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S40中通过反向传播算法更新LSTM-FNN模型参数，并通过最小化损失函数训练LSTM-FNN模型。
7.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S10中温度的数据集：，其中/>是一个长度为m的向量，表示第i个时间步的各个设备的温度；
风扇转速数据集：，/>是第i个时间步的风扇转速。
8.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S50中风扇转速的预测值：
，
其中和/>是可学习的参数，/>表示激活函数。
9.一种调节BMC风扇转速的系统，其特征在于，包含上述权利要求1-8任一所述的调节BMC风扇转速的方法。
10.一种调节BMC风扇转速的装置，其特征在于，包含上述权利要求1-8任一所述的调节BMC风扇转速的方法。
CN202311225037.XA 2023-09-21 2023-09-21 一种调节bmc风扇转速的方法、系统及装置 Pending CN116956759A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311225037.XA CN116956759A (zh) 2023-09-21 2023-09-21 一种调节bmc风扇转速的方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311225037.XA CN116956759A (zh) 2023-09-21 2023-09-21 一种调节bmc风扇转速的方法、系统及装置

Publications (1)

Publication Number Publication Date
CN116956759A true CN116956759A (zh) 2023-10-27

Family

ID=88442950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311225037.XA Pending CN116956759A (zh) 2023-09-21 2023-09-21 一种调节bmc风扇转速的方法、系统及装置

Country Status (1)

Country Link
CN (1) CN116956759A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
CN112734131A (zh) * 2021-01-22 2021-04-30 国家电投集团四川电力有限公司 一种基于深度学习算法的风机叶片覆冰状态预测方法
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
CN114004164A (zh) * 2021-11-05 2022-02-01 上海交通大学 一种用于控制的电机转子温度预测方法及系统
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
US20220323003A1 (en) * 2019-12-23 2022-10-13 Neurogrin Inc. Pain assessment method based on deep learning model and analysis device
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
KR20230089509A (ko) * 2021-12-13 2023-06-20 숭실대학교산학협력단 Bi-LSTM 기반 웹 애플리케이션 워크로드 예측 방법 및 장치
CN116341371A (zh) * 2023-02-28 2023-06-27 上海大学 一种基于Bi-LSTM-CORAL网络迁移学习航空发动机剩余寿命预测方法
CN116560475A (zh) * 2023-04-27 2023-08-08 山东云海国创云计算装备产业创新中心有限公司 一种服务器风扇控制方法及计算机设备
CN116775855A (zh) * 2023-04-26 2023-09-19 桂林电子科技大学 基于Bi-LSTM的TextRank中文摘要自动生成方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110737952A (zh) * 2019-09-17 2020-01-31 太原理工大学 一种结合AE和bi-LSTM的机械设备关键零部件剩余寿命预测方法
US20220323003A1 (en) * 2019-12-23 2022-10-13 Neurogrin Inc. Pain assessment method based on deep learning model and analysis device
CN112734131A (zh) * 2021-01-22 2021-04-30 国家电投集团四川电力有限公司 一种基于深度学习算法的风机叶片覆冰状态预测方法
CN113288162A (zh) * 2021-06-03 2021-08-24 北京航空航天大学 基于自适应注意力机制的短时心电信号房颤自动检测系统
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
CN114004164A (zh) * 2021-11-05 2022-02-01 上海交通大学 一种用于控制的电机转子温度预测方法及系统
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
KR20230089509A (ko) * 2021-12-13 2023-06-20 숭실대학교산학협력단 Bi-LSTM 기반 웹 애플리케이션 워크로드 예측 방법 및 장치
CN116341371A (zh) * 2023-02-28 2023-06-27 上海大学 一种基于Bi-LSTM-CORAL网络迁移学习航空发动机剩余寿命预测方法
CN116775855A (zh) * 2023-04-26 2023-09-19 桂林电子科技大学 基于Bi-LSTM的TextRank中文摘要自动生成方法
CN116560475A (zh) * 2023-04-27 2023-08-08 山东云海国创云计算装备产业创新中心有限公司 一种服务器风扇控制方法及计算机设备

Similar Documents

Publication Publication Date Title
US11144616B2 (en) Training distributed machine learning with selective data transfers
WO2021197041A1 (zh) 基于机会约束极限学习机的风电功率非参数区间预测方法
CN108416690A (zh) 基于深度lstm神经网络的电网负荷预测方法
CN110481536B (zh) 一种应用于混合动力汽车的控制方法及设备
US20130073062A1 (en) Graphical language for optimization and use
CN107025503A (zh) 基于迁移学习和缺陷数量信息的跨公司软件缺陷预测方法
US20120239169A1 (en) Transparent models for large scale optimization and control
TW200949596A (en) Server and system and method for automatic virtual metrology
CN104595170A (zh) 一种自适应核高斯混合模型的空压机监控诊断系统及方法
CN111461466B (zh) 基于lstm时间序列的供暖户阀调节方法、系统及设备
CN104539601B (zh) 动态网络攻击过程可靠性分析方法及系统
Xie et al. FedKL: Tackling data heterogeneity in federated reinforcement learning by penalizing KL divergence
CN109031224A (zh) 一种雷达系统可靠性模糊分配方法
CN111814388A (zh) 一种基于神经网络的下送风数据中心cfd仿真校验方法
Zhang et al. Deep reinforcement learning towards real-world dynamic thermal management of data centers
CN113821903B (zh) 温度控制方法和设备、模块化数据中心及存储介质
CN117406844B (zh) 一种基于神经网络的显卡风扇控制方法及相关装置
Magdon-Ismail et al. Neural networks for density estimation
CN116722545B (zh) 基于多源数据的光伏发电预测方法和相关设备
CN116956759A (zh) 一种调节bmc风扇转速的方法、系统及装置
CN114202106A (zh) 一种基于深度学习的空调系统负荷预测方法
Zhao et al. Handling fault detection and diagnosis in incomplete sensor measurements for BAS based HVAC system
CN112529183A (zh) 一种基于知识蒸馏的模型自适应更新方法
CN117674303B (zh) 一种基于数据价值阈值的虚拟电厂并行控制方法
Wang et al. Phyllis: Physics-Informed Lifelong Reinforcement Learning for Data Center Cooling Control

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