CN117199029A - 一种功率电源管理芯片及功率电源管理方法 - Google Patents

Abstract

本申请公开了一种功率电源管理芯片及功率电源管理方法，其包括芯片器件，以及，与所述芯片器件合封的第一功率器件和第二功率器件，并且，所述功率电源管理芯片还通过散热控制处理器来监控功率电源的温度，进而自适应地控制散热风扇的转速，对功率电源进行散热处理。

Description

一种功率电源管理芯片及功率电源管理方法

技术领域

本申请涉及芯片管理领域，且更为具体地，涉及一种功率电源管理芯片及功率电源管理方法。

背景技术

功率电源是一种将电能转换为特定电压、电流和频率的设备，广泛应用于各种电子设备中。功率电源的性能和稳定性直接影响到电子设备的工作效果和寿命。功率电源管理芯片是一种集成了多种功能的芯片，用于控制和调节功率电源的输出参数，提高功率电源的效率和可靠性。

为了实现高效、稳定和小型化的功率电源管理，在功率电源管理芯片中，需要对功率器件进行合理的选择、设计和封装。其中，封装方式对功率器件的性能和可靠性有重要影响。传统的封装方式是将功率器件与控制芯片分别封装在不同的外壳中，然后通过外部引线或印刷电路板连接起来。这种方式存在以下问题：一是增加了布局空间，导致产品体积增大；二是增加了布局复杂度，导致布局干扰增加；三是增加了布局热阻，导致散热效果变差。因此，期待一种解决方案。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种功率电源管理芯片及功率电源管理方法，其通过散热控制处理器来监控功率电源的温度，进而自适应地控制散热风扇的转速，对功率电源进行散热处理。

根据本申请的一个方面，提供了一种功率电源管理芯片，包括芯片器件、散热控制处理器以及与所述芯片器件合封的第一功率器件和第二功率器件；

所述散热控制处理器，包括：

数据采集模块，用于获取预定时间段内多个预定时间点的所述芯片器件的工作温度值；

数据预处理模块，用于对所述多个预定时间点的所述芯片器件的工作温度值进行数据预处理以得到上采样芯片器件工作温度时序输入向量；

时序分析模块，用于对所述上采样芯片器件工作温度时序输入向量进行时序分析以得到多尺度芯片器件工作温度时序特征向量；

以及控制策略生成模块，用于基于所述多尺度芯片器件工作温度时序特征向量，确定散热风扇的转速控制策略；

其中，所述数据预处理模块，包括：

排列单元，用于将所述多个预定时间点的所述芯片器件的工作温度值按照时间维度排列为芯片器件工作温度时序输入向量；

以及采样单元，用于将所述芯片器件工作温度时序输入向量进行基于双线性差值的上采样以得到所述上采样芯片器件工作温度时序输入向量。

根据本申请的另一个方面，提供了一种功率电源管理方法，其包括以下步骤：

获取预定时间段内多个预定时间点的所述芯片器件的工作温度值；

对所述多个预定时间点的所述芯片器件的工作温度值进行数据预处理以得到上采样芯片器件工作温度时序输入向量；

对所述上采样芯片器件工作温度时序输入向量进行时序分析以得到多尺度芯片器件工作温度时序特征向量；

以及基于所述多尺度芯片器件工作温度时序特征向量，确定散热风扇的转速控制策略。

有益效果：本申请提供的一种功率电源管理芯片及功率电源管理方法，其通过散热控制处理器来监控功率电源的温度，进而自适应地控制散热风扇的转速，对功率电源进行散热处理。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的功率电源管理芯片的框图；

图2为根据本申请实施例的功率电源管理芯片的系统架构图；

图3为根据本申请实施例的功率电源管理芯片的训练阶段的框图；

图4为根据本申请实施例的功率电源管理芯片中散热控制处理器的框图；图5为根据本申请实施例的功率电源管理芯片中数据预处理模块；

图6为根据本申请实施例的功率电源管理芯片中时序分析模块的框图；

图7为根据本申请实施例的功率电源管理方法的流程图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。

虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。

本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

在本申请的技术方案中，提出了一种功率电源管理芯片。图1为根据本申请实施例的功率电源管理芯片的框图。如图1所示，根据本申请的实施例的功率电源管理芯片，包括：芯片器件310，芯片器件310可以是LLC芯片或LCC芯片；与所述芯片器件310合封的第一功率器件320和第二功率器件330；以及，散热控制处理器340。

特别地，所述芯片器件310。其中，芯片器件310（Low Cost Carrier芯片）是一种集成电路芯片，其设计和制造注重成本效益。芯片器件310的主要特点是成本较低，芯片器件310通常用于低成本的消费电子产品，如智能手机、平板电脑、电视机和家用电器等。

特别地，与所述芯片器件310合封的第一功率器件320和第二功率器件330。其中，所述第一功率器件为NPN型功率三极管，PNP型功率三极管,P沟道功率MOS，GaN器件或SiC器件；所述第二功率器件为NPN型功率三极管，PNP型功率三极管,P沟道功率MOS，GaN器件或SiC器件。与此同时，所述第一功率器件和所述第二功率器件为同一种类型的功率器件。其中，功率器件是功率电源管理芯片的重要组成部分，它们负责将输入的交流或直流电转换为所需的输出电压和电流。不同类型的功率器件有不同的特点和优缺点，例如，功率三极管具有低导通压降、高饱和电流和低开关损耗等优点，但也存在开关速度慢、驱动复杂和易受温度影响等缺点；功率MOS管具有开关速度快、驱动简单和抗干扰能力强等优点，但也存在导通压降大、开关损耗大和易产生寄生振荡等缺点；GaN器件和SiC器件是新型的宽禁带半导体材料，具有高耐压、高温度、高频率和低开关损耗等优点，但也存在成本高、可靠性低和封装难等缺点。在所述功率电源管理芯片实际运行过程中，应当结合实际需求，选择适宜的功率器件。也就是，通过将芯片器件310与上下桥臂的功率器件合封在同一外壳中，可以实现以下优点：一是减少了布局空间，实现了产品小型化；二是减少了布局复杂度，降低了布局干扰；三是减少了布局阻抗，提高了信号传输质量；四是减少了布局热阻，改善了散热效果。

此外，在本申请的技术方案中，还包括散热控制处理器340，用于监控功率电源的温度，进而自适应地控制散热风扇的转速，对功率电源进行散热处理。图2为根据本申请实施例的功率电源管理芯片的系统架构图。图4为根据本申请实施例的功率电源管理芯片中散热控制处理器的框图。如图2和图4所示，所述散热控制处理器340，包括：数据采集模块341，用于获取预定时间段内多个预定时间点的所述芯片器件310的工作温度值；数据预处理模块342，用于对所述多个预定时间点的所述芯片器件310的工作温度值进行数据预处理以得到上采样芯片器件310工作温度时序输入向量；时序分析模块343，用于对所述上采样芯片器件310工作温度时序输入向量进行时序分析以得到多尺度芯片器件310工作温度时序特征向量；以及，控制策略生成模块344，用于基于所述多尺度芯片器件310工作温度时序特征向量，确定散热风扇的转速控制策略。

具体地，所述数据采集模块341，用于获取预定时间段内多个预定时间点的所述芯片器件310的工作温度值。在一个示例中，通过温度传感器来获取预定时间段内多个预定时间点的所述芯片器件310的工作温度值。值得一提的是，温度传感器是一种用于测量环境或物体温度的设备。它们广泛应用于各种领域，包括工业控制、自动化系统、气象观测、医疗设备、电子设备等。

具体地，所述数据预处理模块342，用于对所述多个预定时间点的所述芯片器件310的工作温度值进行数据预处理以得到上采样芯片器件310工作温度时序输入向量。特别的，在一个具体示例中，如图5所示，所述数据预处理模块342，包括：排列单元3421，用于将所述多个预定时间点的所述芯片器件310的工作温度值按照时间维度排列为芯片器件310工作温度时序输入向量；以及，采样单元3422，用于将所述芯片器件310工作温度时序输入向量进行基于双线性差值的上采样以得到所述上采样芯片器件310工作温度时序输入向量。

更具体地，所述排列单元3421，用于将所述多个预定时间点的所述芯片器件310的工作温度值按照时间维度排列为芯片器件310工作温度时序输入向量。应可以理解，通过将温度值按照时间维度排列，可以进行时间序列分析。

相应的，在一种可能的实现方式中，可通过以下步骤将所述多个预定时间点的所述芯片器件310的工作温度值按照时间维度排列为芯片器件310工作温度时序输入向量，例如：收集多个预定时间点的芯片器件310工作温度值数据；确定时间数据的间隔；根据时间间隔，创建一个时间序列，包含从起始时间点到结束时间点的所有时间点；将收集到的温度数据与时间序列进行对齐。对于每个时间点，将相应的温度值与之关联；将对齐后的温度数据组织成时序输入向量。每个时间点的温度值将成为向量的一个元素。如果有多个芯片器件310的温度数据，可以将它们作为不同的特征维度；根据需要，对时序输入向量进行数据归一化。常见的归一化方法包括线性缩放、标准化等，以确保数据在相同的尺度范围内。

更具体地，所述采样单元3422，用于将所述芯片器件310工作温度时序输入向量进行基于双线性差值的上采样以得到所述上采样芯片器件310工作温度时序输入向量。应可以理解，通过上采样，可以将时间维度的分辨率提高到更细的级别。在芯片器件310工作温度时序输入向量中，可能存在一些时间点的温度值缺失或未记录。通过双线性差值的上采样，可以估计这些缺失的温度值，以填补数据缺失，使得数据更完整。

值得注意的是，基于双线性差值的上采样是一种常用的插值方法，用于增加数据的分辨率。在时间序列数据中，它可以用于将时间维度的分辨率提高到更细的级别。通过基于双线性差值的上采样，可以在时间维度上增加数据的分辨率，获得更详细和平滑的时间序列。这对于需要更精细的时间分析、模型建立和预测的应用非常有用。

相应的，在一种可能的实现方式中，可通过以下步骤将所述芯片器件310工作温度时序输入向量进行基于双线性差值的上采样以得到所述上采样芯片器件310工作温度时序输入向量，例如：确定要将数据的时间分辨率提高的倍数；根据上采样倍数，在原始时间序列的时间点之间插入新的时间点；对于每个新插入的时间点，使用双线性差值方法计算相应的温度值；重复步骤3，直到对所有新插入的时间点进行插值计算。这样就得到了基于双线性差值的上采样后的温度序列。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述多个预定时间点的所述芯片器件310的工作温度值进行数据预处理以得到上采样芯片器件310工作温度时序输入向量，例如：收集多个预定时间点的芯片器件310工作温度值数据。这些数据可以来自传感器读取、记录或其他数据源；确定将数据进行上采样的采样率。上采样是指增加数据点的密度，使时间间隔更小，从而获得更高的时间分辨率；使用插值算法对温度数据进行处理，以增加数据点的数量。常用的插值方法包括线性插值、多项式插值、样条插值等。选择适合你数据特点和需求的插值方法进行处理；根据采样率确定上采样后的时间间隔；根据上采样后的时间间隔，将处理后的温度数据组织成时序输入向量。每个时间点的温度值将成为向量的一个元素；根据需要，对时序输入向量进行数据归一化。常见的归一化方法包括线性缩放、标准化等，以确保数据在相同的尺度范围内；根据具体需求，可以进行一些额外的特征工程操作，如添加滞后特征、统计特征等，以提取更多有用的信息。

具体地，所述时序分析模块343，用于对所述上采样芯片器件310工作温度时序输入向量进行时序分析以得到多尺度芯片器件310工作温度时序特征向量。也就是，通过时序分析来捕捉关于芯片器件310工作温度的动态变化特征，以了解芯片器件310在不同时间段内的温度变化趋势和特点。特别的，在本申请的一个具体示例中，如图6所示，所述时序分析模块343，包括：向量切分单元3431，用于对所述上采样芯片器件310工作温度时序输入向量进行向量切分以得到上采样芯片器件310工作温度时序输入子向量的序列；短序工作温度时序特征提取单元3432，用于将所述上采样芯片器件310工作温度时序输入子向量的序列通过基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器以得到短序芯片器件310工作温度时序特征向量；长序工作温度时序特征提取单元3433，用于将所述上采样芯片器件310工作温度时序输入子向量的序列通过基于转换器的长序芯片器件310工作温度特征提取器以得到长序芯片器件310工作温度时序特征向量；以及，融合单元3434，用于融合所述短序芯片器件310工作温度时序特征向量和所述长序芯片器件310工作温度时序特征向量以得到所述多尺度芯片器件310工作温度时序特征向量。

更具体地，所述向量切分单元3431，用于对所述上采样芯片器件310工作温度时序输入向量进行向量切分以得到上采样芯片器件310工作温度时序输入子向量的序列。应可以理解，通过切分成短序列，可以在不同的时间尺度上进行分析。不同长度的子序列可以捕捉到不同时间尺度上的温度变化模式。

值得注意的是，向量切分是将一个向量或序列分割成多个较小的子序列的过程。在时间序列分析中，向量切分常用于将长的时间序列划分为短的子序列，以便进行更细粒度的分析和建模。

更具体地，所述短序工作温度时序特征提取单元3432，用于将所述上采样芯片器件310工作温度时序输入子向量的序列通过基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器以得到短序芯片器件310工作温度时序特征向量。也就是，使用所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器对所述上采样芯片器件310工作温度时序输入子向量的序列进行特征提取以得到所述短序芯片器件310工作温度时序特征向量。具体地，使用所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器的最后一层的输出为所述短序芯片器件310工作温度时序特征向量，所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器的第一层的输入为所述上采样芯片器件310工作温度时序输入子向量的序列。

值得注意的是，一维卷积神经网络（1D CNN）是一种用于处理时序数据的神经网络模型。它可以有效地从输入序列中提取有用的特征，并在许多任务中表现出色，包括语音识别、自然语言处理和时间序列分析等。在上采样的芯片器件310工作温度时序输入子向量的序列中，我们可以使用1D CNN模型作为短序芯片器件310工作温度特征提取器。该模型可以自动学习输入序列中的局部模式和特征，并将它们转化为更高级的表示。1D CNN模型由多个卷积层和池化层组成。卷积层通过应用一维卷积操作，使用滑动窗口在输入序列上提取局部特征。这些卷积层可以包含多个卷积核，每个卷积核对应一个特征提取器。每个卷积核在输入序列上滑动，计算出一系列的卷积特征。池化层用于减少特征图的维度，并保留最重要的信息。常用的池化操作包括最大池化和平均池化，它们分别选择局部区域的最大值或平均值作为池化结果。通过堆叠多个卷积层和池化层，1D CNN模型可以逐渐提取更高级的特征表示。最后，将提取的特征输入到全连接层或其他分类器中，进行后续的建模和预测任务，如分类、回归或序列生成等。

更具体地，所述长序工作温度时序特征提取单元3433，用于将所述上采样芯片器件310工作温度时序输入子向量的序列通过基于转换器的长序芯片器件310工作温度特征提取器以得到长序芯片器件310工作温度时序特征向量。在一个示例中，将所述上采样芯片器件310工作温度时序输入子向量的序列进行一维排列以得到全局上采样芯片器件310工作温度时序特征向量；计算所述全局上采样芯片器件310工作温度时序特征向量与所述上采样芯片器件310工作温度时序输入子向量的序列中各个上采样芯片器件310工作温度时序输入子向量的转置向量之间的乘积以得到多个自注意力关联矩阵；分别对所述多个自注意力关联矩阵中各个自注意力关联矩阵进行标准化处理以得到多个标准化后自注意力关联矩阵；将所述多个标准化后自注意力关联矩阵中各个标准化后自注意力关联矩阵通过Softmax分类函数以得到多个概率值；分别以所述多个概率值中各个概率值作为权重对所述上采样芯片器件310工作温度时序输入子向量的序列中各个上采样芯片器件310工作温度时序输入子向量进行加权以得到所述多个上下文语义上采样芯片器件310工作温度时序特征向量；以及，将所述多个上下文语义局部展开特征向量进行级联以得到所述长序芯片器件310工作温度时序特征向量。

更具体地，所述融合单元3434，用于融合所述短序芯片器件310工作温度时序特征向量和所述长序芯片器件310工作温度时序特征向量以得到所述多尺度芯片器件310工作温度时序特征向量。也就是，在得到所述短序芯片器件310工作温度时序特征向量和所述长序芯片器件310工作温度时序特征向量后，进一步将两者进行融合以得到所述多尺度芯片器件310工作温度时序特征向量。在一个具体示例中，可通过级联的方式来进行融合。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式对所述上采样芯片器件310工作温度时序输入向量进行时序分析以得到多尺度芯片器件310工作温度时序特征向量，例如：确定要进行时序分析的多个尺度。尺度可以表示不同的时间窗口大小或时间间隔；对于每个尺度，计算芯片器件310工作温度时序输入向量在该尺度下的统计特征。常见的统计特征包括均值、方差、最大值、最小值、中位数等；使用傅里叶变换或其他频域分析方法，将芯片器件310工作温度时序输入向量转换到频域，并提取频域特征。常见的频域特征包括频谱能量、频谱峰值等。这些特征可以反映温度序列的周期性和频率成分；对于每个尺度，计算芯片器件310工作温度时序输入向量在该尺度下的时序差分特征。时序差分是指当前时间点与前一个时间点之间的差值。通过计算时序差分特征，可以捕捉温度序列的趋势和变化率；将不同尺度下计算得到的特征向量合并成一个多尺度芯片器件310工作温度时序特征向量。可以按照尺度顺序依次排列特征，也可以采用其他方式进行组合。

具体地，所述控制策略生成模块344，用于基于所述多尺度芯片器件310工作温度时序特征向量，确定散热风扇的转速控制策略。特别的，在本申请的一个具体示例中，所述控制策略生成模块344，包括：分类单元，用于将所述多尺度芯片器件310工作温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示散热风扇的转速应增大、应减小或保持不变；及，转速控制策略生成单元，用于将所述分类结果作为所述转速控制策略。

更具体地，所述分类单元，用于将所述多尺度芯片器件310工作温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示散热风扇的转速应增大、应减小或保持不变。也就是，将所述多尺度芯片器件310工作温度时序特征向量作为分类特征向量通过分类器以得到用于表示散热风扇的转速应增大、应减小或保持不变的分类结果。具体地，使用所述分类器的多个全连接层对所述多尺度芯片器件310工作温度时序特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。

分类器（Classifier）是指一种机器学习模型或算法，用于将输入数据分为不同的类别或标签。分类器是监督学习的一部分，它通过学习从输入数据到输出类别的映射关系来进行分类任务。

全连接层（Fully Connected Layer）是神经网络中常见的一种层类型。在全连接层中，每个神经元都与上一层的所有神经元相连接，每个连接都有一个权重。这意味着全连接层中的每个神经元都接收来自上一层所有神经元的输入，并通过权重对这些输入进行加权求和，然后将结果传递给下一层。

Softmax分类函数是一种常用的激活函数，用于多分类问题。它将输入向量的每个元素转化为一个介于0和1之间的概率值，并且这些概率值的和等于1。Softmax函数常用于神经网络的输出层，特别适用于多分类问题，因为它能够将网络输出映射为各个类别的概率分布。在训练过程中，Softmax函数的输出可以用于计算损失函数，并通过反向传播算法来更新网络参数。值得注意的是，Softmax函数的输出并不会改变元素之间的相对大小关系，只是对其进行了归一化处理。因此，Softmax函数并不改变输入向量的特性，只是将其转化为概率分布形式。

更具体地，所述转速控制策略生成单元，用于将所述分类结果作为所述转速控制策略。也就是，将分类结果作为转速控制策略，可以根据芯片器件310的工作温度特征实现自动化的散热风扇转速控制，通过控制散热风扇的转速应增大、应减小或保持不变，以确保芯片的温度在安全范围内，并提高芯片的可靠性和性能。

值得一提的是，在本申请的其他具体示例中，还可以通过其他方式基于所述多尺度芯片器件310工作温度时序特征向量，确定散热风扇的转速控制策略，例如：首先，收集芯片器件310的工作温度数据，并将其转化为多尺度的时序特征向量。可以使用上述提到的短序和长序特征提取方法，分别得到短序和长序芯片器件310工作温度时序特征向量；将短序和长序特征向量进行融合，得到综合的多尺度芯片器件310工作温度时序特征向量。可以使用简单的拼接操作或更复杂的特征融合方法来实现；使用收集到的多尺度芯片器件310工作温度时序特征向量和相应的散热风扇转速作为训练数据，构建一个转速控制模型。可以选择适当的机器学习算法或深度学习模型来建立转速控制模型，例如回归模型、神经网络等；对于实时应用，需要对新的芯片器件310工作温度数据进行预处理，以生成相应的多尺度时序特征向量。确保采用与训练数据相同的特征提取方法和融合策略；使用训练好的转速控制模型，对预处理后的多尺度芯片器件310工作温度时序特征向量进行预测，得到散热风扇的转速控制值；根据预测的转速控制值，调整散热风扇的转速。可以使用反馈控制机制，不断监测芯片器件310的工作温度，并根据实时的温度情况调整散热风扇的转速，以保持芯片温度在安全范围内；监测和评估转速控制的效果，根据实际情况进行优化和调整。可以根据芯片器件310的工作负载、环境条件等因素进行参数调整，以提高散热风扇的转速控制策略的性能和效果。

应可以理解，在利用上述神经网络模型进行推断之前，需要对所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器、所述基于转换器的长序芯片器件310工作温度特征提取器和所述分类器进行训练。也就是说，根据本申请的功率电源管理芯片300，还包括训练阶段400，用于对所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器、所述基于转换器的长序芯片器件310工作温度特征提取器和所述分类器进行训练。

图3为根据本申请实施例的功率电源管理芯片的训练阶段的框图。如图3所示，根据本申请实施例的功率电源管理芯片300，包括：训练阶段400，包括：训练数据获取模块410，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述芯片器件310的训练工作温度值，以及，散热风扇的转速应增大、应减小或保持不变的真实值；训练数据排列模块420，用于将所述多个预定时间点的所述芯片器件310的训练工作温度值按照时间维度排列为训练芯片器件310工作温度时序输入向量；训练上采样模块430，用于将所述训练芯片器件310工作温度时序输入向量进行基于双线性差值的上采样以得到训练上采样芯片器件310工作温度时序输入向量；训练向量切分模块440，用于对所述训练上采样芯片器件310工作温度时序输入向量进行向量切分以得到训练上采样芯片器件310工作温度时序输入子向量的序列；训练卷积模块450，用于将所述训练上采样芯片器件310工作温度时序输入子向量的序列通过所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器以得到训练短序芯片器件310工作温度时序特征向量；训练全局编码模块460，用于将所述训练上采样芯片器件310工作温度时序输入子向量的序列通过所述基于转换器的长序芯片器件310工作温度特征提取器以得到训练长序芯片器件310工作温度时序特征向量；训练融合模块470，用于融合所述训练短序芯片器件310工作温度时序特征向量和所述训练长序芯片器件310工作温度时序特征向量以得到训练多尺度芯片器件310工作温度时序特征向量训练优化模块480，用于对所述训练多尺度芯片器件310工作温度时序特征向量进行特征分布优化以得到优化多尺度芯片器件310工作温度时序特征向量；分类损失模块490，用于将所述优化多尺度芯片器件310工作温度时序特征向量通过分类器以得到分类损失函数值；以及，训练模块500，用于以所述分类损失函数值来对所述基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器、所述基于转换器的长序芯片器件310工作温度特征提取器和所述分类器进行训练。

在本申请的技术方案中，将所述上采样芯片器件310工作温度时序输入子向量的 序列通过基于一维卷积神经网络模型的短序芯片器件310工作温度特征提取器，可以提取 所述芯片器件310的工作温度值的局部时域内的时序关联特征，进而在将所述上采样芯片 器件310工作温度时序输入子向量的序列通过基于转换器的长序芯片器件310工作温度特 征提取器后，可以进一步提取所述芯片器件310的工作温度值在全局时域下的局部时域间 上下文关联特征，这样，融合所述短序芯片器件310工作温度时序特征向量和所述长序芯片 器件310工作温度时序特征向量得到的所述多尺度芯片器件310工作温度时序特征向量就 具有了关于所述芯片器件310的工作温度值的局部时域-全局时域时序关联特征表示，也就 是，在局部时域尺度和全局时域尺度上的时序特征表示。但是，这也会导致在所述多尺度芯 片器件310工作温度时序特征向量的全局尺度上，由于局部时域尺度和全局时域尺度上的 时序关联特征之间的精度差异，影响所述多尺度芯片器件310工作温度时序特征向量通过 分类器进行分类回归的训练时的训练效果，由此，本申请的申请人在训练过程中，对所述多 尺度芯片器件310工作温度时序特征向量，例如记为进行基于尺度表征和反演式恢复的 特征精度对齐，具体表示为：

；

其中是所述多尺度芯片器件310工作温度时序特征向量，/>是所述多尺度芯片器件310工作温度时序特征向量的第/>个位置的特征值，/>表示所述多尺度芯片器件310工作温度时序特征向量的零范数，/>是所述多尺度芯片器件310工作温度时序特征向量的长度，且/>是权重超参数，/>是所述优化多尺度芯片器件310工作温度时序特征向量的第/>个位置的特征值。这里，针对基于尺度的对于单参数的高维特征编码与关联特征语义编辑之间的精度矛盾，所述基于尺度表征和反演式恢复的特征精度对齐通过将关联特征语义编辑视为单参数的高维特征编码的反演式嵌入生成，来通过对作为编码表示的特征值配备尺度表征的稀疏分布均衡，并基于向量计数来进行关联细节的反演式恢复，以实现精度差异在训练过程中的自适应对齐，提升所述多尺度芯片器件310工作温度时序特征向量通过分类器进行分类回归训练时的训练效果。

如上所述，根据本申请实施例的功率电源管理芯片300可以实现在各种无线终端中，例如具有功率电源管理算法的服务器等。在一种可能的实现方式中，根据本申请实施例的功率电源管理芯片300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该功率电源管理芯片300可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该功率电源管理芯片300同样可以是该无线终端的众多硬件模块之一。

替换地，在另一示例中，该功率电源管理芯片300与该无线终端也可以是分立的设备，并且该功率电源管理芯片300可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。

进一步地，还提供一种功率电源管理方法。

图7为根据本申请实施例的功率电源管理方法的流程图。如图7所示，根据本申请实施例的功率电源管理方法，包括步骤：S1，获取预定时间段内多个预定时间点的所述芯片器件310的工作温度值；S2，对所述多个预定时间点的所述芯片器件310的工作温度值进行数据预处理以得到上采样芯片器件310工作温度时序输入向量；S3，对所述上采样芯片器件310工作温度时序输入向量进行时序分析以得到多尺度芯片器件310工作温度时序特征向量；以及，S4，基于所述多尺度芯片器件310工作温度时序特征向量，确定散热风扇的转速控制策略。

综上，根据本申请实施例的功率电源管理方法被阐明，其通过散热控制处理器来监控功率电源的温度，进而自适应地控制散热风扇的转速，对功率电源进行散热处理。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (9)

1.一种功率电源管理芯片，其特征在于，包括芯片器件、散热控制处理器以及与所述芯片器件合封的第一功率器件和第二功率器件；

所述散热控制处理器，包括：

数据采集模块，用于获取预定时间段内多个预定时间点的所述芯片器件的工作温度值；

数据预处理模块，用于对所述多个预定时间点的所述芯片器件的工作温度值进行数据预处理以得到上采样芯片器件工作温度时序输入向量；

时序分析模块，用于对所述上采样芯片器件工作温度时序输入向量进行时序分析以得到多尺度芯片器件工作温度时序特征向量；

以及控制策略生成模块，用于基于所述多尺度芯片器件工作温度时序特征向量，确定散热风扇的转速控制策略；

其中，所述数据预处理模块，包括：

排列单元，用于将所述多个预定时间点的所述芯片器件的工作温度值按照时间维度排列为芯片器件工作温度时序输入向量；

以及采样单元，用于将所述芯片器件工作温度时序输入向量进行基于双线性差值的上采样以得到所述上采样芯片器件工作温度时序输入向量。

2.根据权利要求1所述的功率电源管理芯片，其特征在于，所述时序分析模块，包括：

向量切分单元，用于对所述上采样芯片器件工作温度时序输入向量进行向量切分以得到上采样芯片器件工作温度时序输入子向量的序列；

短序工作温度时序特征提取单元，用于将所述上采样芯片器件工作温度时序输入子向量的序列通过基于一维卷积神经网络模型的短序芯片器件工作温度特征提取器以得到短序芯片器件工作温度时序特征向量；

长序工作温度时序特征提取单元，用于将所述上采样芯片器件工作温度时序输入子向量的序列通过基于转换器的长序芯片器件工作温度特征提取器以得到长序芯片器件工作温度时序特征向量；

以及融合单元，用于融合所述短序芯片器件工作温度时序特征向量和所述长序芯片器件工作温度时序特征向量以得到所述多尺度芯片器件工作温度时序特征向量。

3.根据权利要求2所述的功率电源管理芯片，其特征在于，所述控制策略生成模块，包括：

分类单元，用于将所述多尺度芯片器件工作温度时序特征向量通过分类器以得到分类结果，所述分类结果用于表示散热风扇的转速应增大、应减小或保持不变；

以及转速控制策略生成单元，用于将所述分类结果作为所述转速控制策略。

4.根据权利要求3所述的功率电源管理芯片，其特征在于，所述散热控制处理器还包括用于对所述基于一维卷积神经网络模型的短序芯片器件工作温度特征提取器、所述基于转换器的长序芯片器件工作温度特征提取器和所述分类器进行训练的训练模块；

其中，所述训练模块，包括：

训练数据获取模块，用于获取训练数据，所述训练数据包括预定时间段内多个预定时间点的所述芯片器件的训练工作温度值，以及，散热风扇的转速应增大、应减小或保持不变的真实值；

训练数据排列模块，用于将所述多个预定时间点的所述芯片器件的训练工作温度值按照时间维度排列为训练芯片器件工作温度时序输入向量；

训练上采样模块，用于将所述训练芯片器件工作温度时序输入向量进行基于双线性差值的上采样以得到训练上采样芯片器件工作温度时序输入向量；

训练向量切分模块，用于对所述训练上采样芯片器件工作温度时序输入向量进行向量切分以得到训练上采样芯片器件工作温度时序输入子向量的序列；

训练卷积模块，用于将所述训练上采样芯片器件工作温度时序输入子向量的序列通过所述基于一维卷积神经网络模型的短序芯片器件工作温度特征提取器以得到训练短序芯片器件工作温度时序特征向量；

训练全局编码模块，用于将所述训练上采样芯片器件工作温度时序输入子向量的序列通过所述基于转换器的长序芯片器件工作温度特征提取器以得到训练长序芯片器件工作温度时序特征向量；

训练融合模块，用于融合所述训练短序芯片器件工作温度时序特征向量和所述训练长序芯片器件工作温度时序特征向量以得到训练多尺度芯片器件工作温度时序特征向量；

训练优化模块，用于对所述训练多尺度芯片器件工作温度时序特征向量进行特征分布优化以得到优化多尺度芯片器件工作温度时序特征向量；

分类损失模块，用于将所述优化多尺度芯片器件工作温度时序特征向量通过分类器以得到分类损失函数值；

以及训练模块，用于以所述分类损失函数值来对所述基于一维卷积神经网络模型的短序芯片器件工作温度特征提取器、所述基于转换器的长序芯片器件工作温度特征提取器和所述分类器进行训练。

5.根据权利要求4所述的功率电源管理芯片，其特征在于，所述训练优化模块，包括：以如下优化公式对所述训练多尺度芯片器件工作温度时序特征向量进行特征分布优化以得到优化多尺度芯片器件工作温度时序特征向量；

；

其中是所述多尺度芯片器件工作温度时序特征向量，/>是所述多尺度芯片器件工作温度时序特征向量的第/>个位置的特征值，/>表示所述多尺度芯片器件工作温度时序特征向量的零范数，/>是所述多尺度芯片器件工作温度时序特征向量的长度，且/>是权重超参数，/>是所述优化多尺度芯片器件工作温度时序特征向量的第/>个位置的特征值。

6.根据权利要求1所述的功率电源管理芯片，其特征在于，所述第一功率器件为NPN型功率三极管，PNP型功率三极管,P沟道功率MOS，GaN器件或SiC器件。

7.根据权利要求2所述的功率电源管理芯片，其特征在于，所述第二功率器件为NPN型功率三极管，PNP型功率三极管,P沟道功率MOS，GaN器件或SiC器件。

8.根据权利要求3所述的功率电源管理芯片，其特征在于，所述第一功率器件和所述第二功率器件为同一种类型的功率器件。

9.一种基于权利要求1-8任意所述的功率电源管理芯片的功率电源管理方法，其特征在于，包括以下步骤：

获取预定时间段内多个预定时间点的所述芯片器件的工作温度值；

对所述多个预定时间点的所述芯片器件的工作温度值进行数据预处理以得到上采样芯片器件工作温度时序输入向量；

对所述上采样芯片器件工作温度时序输入向量进行时序分析以得到多尺度芯片器件工作温度时序特征向量；

以及基于所述多尺度芯片器件工作温度时序特征向量，确定散热风扇的转速控制策略。