CN117389344A - 用电设备及其表面温度控制方法、装置、介质和芯片系统 - Google Patents
用电设备及其表面温度控制方法、装置、介质和芯片系统 Download PDFInfo
- Publication number
- CN117389344A CN117389344A CN202311250217.3A CN202311250217A CN117389344A CN 117389344 A CN117389344 A CN 117389344A CN 202311250217 A CN202311250217 A CN 202311250217A CN 117389344 A CN117389344 A CN 117389344A
- Authority
- CN
- China
- Prior art keywords
- temperature
- heating
- heat generating
- component
- proportion
- 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 86
- 238000010438 heat treatment Methods 0.000 claims abstract description 154
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000001816 cooling Methods 0.000 claims description 49
- 238000013507 mapping Methods 0.000 claims description 21
- 230000020169 heat generation Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 6
- 238000009529 body temperature measurement Methods 0.000 abstract description 5
- 239000000306 component Substances 0.000 description 126
- 230000001276 controlling effect Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000017525 heat dissipation Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 238000010420 art technique Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Temperature (AREA)
Abstract
本申请提供一种用电设备表面温度控制方法、用电设备表面温度控制装置、用电设备、计算机可读存储介质以及芯片系统。方法包括:获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系;根据预测温度,调整用电设备的工作状态,以控制用电设备的外部表面温度。根据本申请,能够克服温度测量与温度控制之间的滞后性,根据预测模型的温度预测结果及早采取措施进行温度控制,提升了用电设备外部温度的控制能力,改善了用户体验。
Description
技术领域
本申请涉及设备控制技术领域,特别涉及一种用电设备表面温度控制方法、用电设备表面温度控制装置、用电设备、计算机可读存储介质以及芯片系统。
背景技术
本领域中存在用电设备的温度控制技术。这些现有技术通常根据用电设备的内部元件的功耗表现来控制内部元件的资源消耗,旨在确保内部元件不会发生过热,忽视了过高的外部表面温度会给用户体验带来不良影响的事实。有些现有技术虽然能够控制外部表面温度,但采用的手段仍然是通过控制内部元器件的工作状态来实现,没有意识到内部元器件的温度或工作能耗传导到外部表面需要一定时间,导致外部表面温度控制存在滞后性。因此,本领域亟需一种能够及时控制用电设备的外部表面温度,克服温度测量与温度控制之间的滞后性,显著改善用户体验的温度控制技术。
发明内容
为此,本申请致力于提供一种用电设备表面温度控制方法、用电设备表面温度控制装置、用电设备、计算机可读存储介质以及芯片系统,其能够及时控制用电设备的表面温度,克服温度测量与温度控制之间的滞后性,显著改善用户体验。
在一方面,本申请提供一种用电设备表面温度控制方法,包括:首先,获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;然后,将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系;最后,根据预测温度,调整用电设备的工作状态,以控制用电设备的外部表面温度。
根据本方面,采用温度预测模型进行预测的技术手段,克服内部温度测量和表面温度控制之间的滞后性,使得针对用电设备工作状态的控制可以在表面温度实际升高之前进行,从而抚平了表面温度的大幅波动,使得表面温度尽可能保持平稳状态,显著提升了用户体验,解决了表面温度过高的问题。
另外,根据温度预测模型进行温度预测,有利于采用本领域内成熟的机器学习等人工智能技术手段,实现历史温度与预测温度之间的关系对应,提高预测温度的及时性和准确性,从而有助于提升温度控制的及时性和准确性,避免因为错误预判而导致错误的控制手段,造成温度的不合理波动。
在本申请一特别实施例中,为了根据预测温度调整用电设备的工作状态,可以首先,根据至少一个发热部件中每个发热部件的工作状态和热容模型,确定每个发热部件的发热量,热容模型表征发热部件的工作状态与发热量之间的映射关系;然后,根据预测温度和每个发热部件的发热量,确定每个发热部件的资源限制比例,资源限制比例表示发热部件的功耗、电压、频率和负载中一个或多个的下降比例;最后,根据资源限制比例,控制每个发热部件的工作状态。
根据本实施例,通过热容模型来确定发热器件的发热量,而不是直接测量发热器件的工作温度,是因为考虑到有些发热器件的安装位置非常接近,直接测量得到的温度受周边环境影响,不能准确体现出单个发热器件的实际温度情况,因此通过热容模型计算得到的温度更有利于确定单个发热器件尤其是安装位置接近的多个发热器件的实际温度。
另外,通过设定资源限制比例的方式来控制用电设备,可以灵活调整控制策略,实现控制手段和控制幅度的多变性和灵活性,避免简单根据预测温度直接控制器件温度所可能带来的不适配和不准确。
在本申请一特别实施例中,至少一个发热部件包括第一发热部件,第一发热部件包括多个发热子部件,方法还包括:首先,以第一发热部件的性能最大化为目标,将第一发热部件的资源限制比例分配至多个发热子部件,以确定多个发热子部件中每个发热子部件的资源限制比例;然后,基于每个发热子部件的资源限制比例,控制每个发热子部件的工作状态。
根据本实施例,针对具有多个子器件的特别发热器件进行资源限制比例的再次分配,可以提高根据资源限制比例进行温度控制的精确性,针对特别发热器件的性能特点,精细化控制该器件的工作状态,从而实现温度的有效和快速控制。
另外,以第一发热部件的性能最大化为目标来分配资源限制比例,有利于避免资源限制过度影响发热部件的工作性能,在根据资源限制比例进行工作状态控制的同时,尽可能保证发热部件还能够正常工作并且表现稳定,从而实现无害化的温度控制,降低温度控制所带来的负面影响,提升用电设备整体的用户体验和性能表现。
在本申请一特别实施例中,为了将第一发热部件的资源限制分配至多个发热子部件,可以基于第一发热部件的资源限制比例和映射表,确定各个发热子部件的资源限制比例,映射表中记载第一发热部件对应的多个资源限制比例,以及多个资源限制比例中每个资源限制比例对应的多个发热子部件分别具有的资源限制比例。
根据本实施例,通过映射表来确定子器件的资源限制比例,能够加快子器件的资源限制比例的计算速度,通过查表形式简单快捷得出相应的资源限制比例数值,免去冗余的计算过程,能够加快温度控制的响应速度,提升温度控制的效果。
在本申请一特别实施例中,为了根据预测温度和每个发热部件的发热量,确定每个发热部件的资源限制比例,可以首先,根据预测温度,确定用电设备的资源限制比例;然后,根据每个发热部件的发热量,将用电设备的资源限制比例分配至多个发热部件,得到每个发热部件的资源限制比例。
根据本实施例,另外,将整个用电设备的资源限制比例,根据各个发热器件的发热量,按比例分配到各个发热器件上,使得各个发热器件能够根据自身发热情况,采用不同幅度的温度控制策略,有利于实现温度控制的精细化和准确化,有效提升温度控制的实际效果。
在本申请一特别实施例中,工作状态包括功耗、电压、频率和负载中的一个或多个。
根据本实施例,功耗、电压、频率和负载是能够直接影响发热部件温度的工作状态或工作指标,对这些指标进行调整和控制,有利于通过最直接的手段控制发热部件的温度和热量,从而达到快速及时降低外部或表面温度的目的。
在本申请一特别实施例中,至少一个发热部件包括系统级芯片、调制解调器、用电设备的壳体、电池中的一个或多个。
根据本实施例,系统级芯片、调制解调器、用电设备的壳体、电池是本申请发明人发现最能影响表面温度的部件,这些部件通常会产生较多热量,从而提高表面温度。通过将这些部件的历史温度输入预测模型中,能够得到较为准确的预测温度,从而提高预测效果。
在本申请一特别实施例中,至少一个发热部件的历史温度通过温度传感器直接测量得到;或者,至少一个发热部件的历史温度通过其它参考位置的温度计算得到,其它参考位置的温度包括用电设备除至少一个发热部件以外的其它部件或结构的温度。
根据本实施例,通过温度传感器直接测量得到历史温度信息,或者通过参考位置温度计算得到历史温度信息,都是获取历史温度的有效手段,前者可以提高获取历史温度的及时性和准确性,后者可以减少直接测量带来的设备成本增加和维修难度提高。
在本申请一特别实施例中,用电设备包括中央处理器、图形处理器和双倍读写速率内存,输入还包括中央处理器的负载信息、图形处理器的负载信息和双倍读写速率内存的负载信息中的一个或多个。
根据本实施例,中央处理器、图形处理器和双倍读写速率内存的工作负载通常直接影响其发热量,将这些器件的负载信息作为温度预测模型的输入,能够进一步提高温度预测的准确性和客观性。
在本申请一特别实施例中,用电设备还包括用于对用电设备的目标器件进行冷却的冷却装置;为了根据预测温度调整用电设备的工作状态以控制用电设备的表面温度,可以首先,根据预测温度,确定目标器件的冷却目标温度;然后,根据冷却目标温度,控制冷却装置的工作状态,以将目标器件冷却至冷却目标温度。
根据本实施例,在降低工作资源或频率等手段以外,还提供主动冷却方式来降低器件温度,可以多管齐下,丰富降温手段,实现快速高效的降温效果。
在另一方面,本申请提供一种用电设备表面温度控制装置,包括:获取模块,用于获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;预测模块,用于将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系;调整模块,用于根据预测温度,调整用电设备的工作状态,以控制用电设备的外部表面温度。
在本申请一特别实施例中,调整模块被进一步配置成:首先,根据至少一个发热部件中每个发热部件的工作状态和热容模型,确定每个发热部件的发热量,热容模型表征发热部件的工作状态与发热量之间的映射关系;然后,根据预测温度和每个发热部件的发热量,确定每个发热部件的资源限制比例,资源限制比例表示发热部件的功耗、电压、频率和负载中一个或多个的下降比例;最后,根据资源限制比例,控制每个发热部件的工作状态。
在本申请一特别实施例中,至少一个发热部件包括第一发热部件,第一发热部件包括多个发热子部件,装置还包括:分配模块,用于以第一发热部件的性能最大化为目标,将第一发热部件的资源限制比例分配至多个发热子部件,以确定多个发热子部件中每个发热子部件的资源限制比例;控制模块,用于基于每个发热子部件的资源限制比例,控制每个发热子部件的工作状态。
在本申请一特别实施例中,分配模块被进一步配置成:基于第一发热部件的资源限制比例和映射表,确定各个发热子部件的资源限制比例,映射表中记载第一发热部件对应的多个资源限制比例,以及多个资源限制比例中每个资源限制比例对应的多个发热子部件分别具有的资源限制比例。
在本申请一特别实施例中,调整模块被进一步配置成:首先,根据预测温度,确定用电设备的资源限制比例;然后,根据每个发热部件的发热量,将用电设备的资源限制比例分配至多个发热部件,得到每个发热部件的资源限制比例。
在本申请一特别实施例中,工作状态包括功耗、电压、频率和负载中的一个或多个。
在本申请一特别实施例中,至少一个发热部件包括系统级芯片、调制解调器、用电设备的壳体、电池中的一个或多个。
在本申请一特别实施例中,至少一个发热部件的历史温度通过温度传感器直接测量得到;或者,至少一个发热部件的历史温度通过其它参考位置的温度计算得到,其它参考位置的温度包括用电设备除至少一个发热部件以外的其它部件或结构的温度。
在本申请一特别实施例中,用电设备包括中央处理器、图形处理器和双倍读写速率内存,输入还包括中央处理器的负载信息、图形处理器的负载信息和双倍读写速率内存的负载信息中的一个或多个。
在本申请一特别实施例中,用电设备还包括用于对用电设备的目标器件进行冷却的冷却装置,调整模块被进一步配置成:首先,根据预测温度,确定目标器件的冷却目标温度;然后,根据冷却目标温度,控制冷却装置的工作状态,以将目标器件冷却至冷却目标温度。
在另一方面,本申请提供一种用电设备,用电设备包括处理器和存储器,处理器用于执行存储于存储器内的计算机程序以实现上述的用电设备表面温度控制方法。
在另一方面,本申请提供一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序用于执行上述的用电设备表面温度控制方法。
在另一方面,本申请提供一种芯片系统,芯片系统包括处理器,处理器与存储器耦合,处理器执行存储器中存储的计算机程序,以实现上述的用电设备表面温度控制方法的步骤。
在另一方面,本申请提供一种计算机程序产品,包括程序代码,当计算机运行所述计算机程序产品时,使得所述计算机实现上述的用电设备表面温度控制方法。
在另一方面,本申请提供一种终端,包括处理器和存储器,处理器用于执行存储于存储器内的计算机程序以实现上述的用电设备表面温度控制方法。终端可以是台式电脑、笔记本电脑、平板电脑、智能手机、智能手表、汽车、虚拟现实VR眼镜等。
上述提供的任一种用电设备表面温度控制装置、用电设备、计算机可读存储介质、计算机程序产品、芯片系统或终端,均用于执行上文所提供的用电设备表面温度控制方法,因此其所能达到的有益效果可参考上文提供的对应方法中的对应方案的有益效果,此处不再赘述。
附图说明
以下,结合附图详细描述本申请的具体实施方式,其中:
图1示出根据本申请一实施例的用电设备表面温度控制方法的示意性框图;
图2示出根据本申请另一实施例的用电设备表面温度控制方法的流程示意图;
图3示出根据图2实施例的用电设备表面温度控制方法中的模型训练过程的示意图;
图4示出根据图2实施例的用电设备表面温度控制方法中的模型预测过程的示意图;
图5示出根据本申请另一实施例的用电设备表面温度控制方法的流程示意图;
图6示出根据图5实施例的用电设备表面温度控制方法中的工作状态与发热量之间的热容模型示意图;
图7示出根据图5实施例的用电设备表面温度控制方法中的预测温度与资源限制比例之间的映射关系图;
图8示出根据图5实施例的用电设备表面温度控制方法中的资源限制比例分配的示意图;
图9示出根据图5实施例的用电设备表面温度控制方法中的子器件资源限制比例分配的示意图;
图10示出根据本申请另一实施例的用电设备表面温度控制方法的示意性框图;
图11示出根据本申请一实施例的用电设备表面温度控制装置的结构示意图;
图12示出根据本申请一实施例的用电设备的架构示意图;
图13示出根据本申请另一实施例的用电设备的结构示意图。
具体实施方式
为了使本领域技术人员更加清楚地理解本申请的概念和思想,以下结合具体实施例详细描述本申请。应理解,本文给出的实施例都只是本申请可能具有的所有实施例的一部分。本领域技术人员在阅读本申请的说明书以后,有能力对下述实施例的部分或整体作出改进、改造、或替换,这些改进、改造、或替换也都包含在本申请要求保护的范围内。
在本文中,术语“一”、“一个”和其它类似词语并不意在表示只存在一个所述事物,而是表示有关描述仅仅针对所述事物中的一个,所述事物可能具有一个或多个。在本文中,术语“包含”、“包括”和其它类似词语意在表示逻辑上的相互关系,而不能视作表示空间结构上的关系。例如,“A包括B”意在表示在逻辑上B属于A,而不表示在空间上B位于A的内部。另外,术语“包含”、“包括”和其它类似词语的含义应视为开放性的,而非封闭性的。例如,“A包括B”意在表示B属于A,但是B不一定构成A的全部,A还可能包括C、D、E等其它元素。
在本文中,术语“第一”、“第二”和其它类似词语并不意在暗示任何顺序、数量和重要性,而是仅仅用于对不同的元件进行区分。在本文中,术语“实施例”、“本实施例”、“一实施例”、“一个实施例”并不表示有关描述仅仅适用于一个特定的实施例,而是表示这些描述还可能适用于另外一个或多个实施例中。本领域技术人员应理解,在本文中,任何针对某一个实施例所做的描述都可以与另外一个或多个实施例中的有关描述进行替代、组合、或者以其它方式结合,所述替代、组合、或者以其它方式结合所产生的新实施例是本领域技术人员能够容易想到的,属于本申请的保护范围。
在本申请各实施例中,用电设备可以是指需要使用电能才能工作的设备。在本申请一些实施例中,用电设备可以是指那些因为输入电能会或者可能会发热的设备,这种发热可以明显被外界或人体感知到。用电设备例如可以包括家用电器、电力设施和电子产品等。家用电器可以包括电视、音响、电话等。电力设施可以包括各种变压器、开关、换能器等。电子产品可以包括电脑(台式电脑、笔记本电脑、平板电脑、掌上电脑、工作站等)、智能手机、智能手表、AR(augmented reality,增强现实)眼镜等。
在本申请各实施例中,表面温度可以是指用电设备外壳或外表上的能够被外界感知到的温度。由于表面温度是直接影响用电设备特别是经常由人体触碰的用电设备的用户体验的指标之一,因此针对表面温度的预测和控制成为一个重要的技术课题。
本领域的一些技术,通过读取物理传感器温度,获取设备当前温度,通过温控算法的计算,最终通过限制发热器件的频率来减少发热,降低设备温度,防止设备过热损坏器件或烫伤用户。为了实现温控算法技术,业界普遍采用DVFS(dynamic voltage andfrequency scaling,动态电压频率调整),根据芯片的性能和功耗需求调整器件的电压和频率,以在动态场景下降低器件的功耗和发热。然而,该方法虽然提供了动态调节器件的工作状态的机制,但仍然存在很多不足,包括缺少相应的策略决定在不同场景下如何调整器件状态以控制发热。
本领域的一些技术,其软件模块包含功率仲裁器(power arbiter)、功率模型(power model)、温度监测器(temperature monitor),硬件模块包含CPU(centralprocessing unit,中央处理器)、GPU(graphics processing unit,图形处理器)、温度传感器等,它们的功能如下:以SOC(system on chip,系统级芯片)温度为输入,通过功率仲裁器中的PID(proportional-integral-derivative,比例积分微分)算法计算系统可分配的总功耗,根据器件上报的功耗需求比例分配功耗,各器件通过功耗模型将分配的功耗转化为可运行状态。软硬件之间的逻辑(工作/连接)关系如下:温度监测器通过温度传感器获取当前温度,功率仲裁器通过功率模型和CPU、GPU等器件的工作状态获取上报的功耗值,计算后向各器件分配可用的功耗。具体步骤如下:1)以SOC温度传感器读取到的温度为输入,当温度到达一定阈值时,触发算法逻辑;2)使用PID控制器作为控制算法,以读取到的SOC温度为输入,计算与预先设定的目标SOC温度之间的差距,得出目前整机可分配的功耗额度,将功耗额度分配给各个器件,进行器件状态调节,从而降低SOC温度,达到控制效果;3)IPA(intelligent powerallocator,智能功率分配器)获取各功耗器件上报的当前功耗,计算上报功耗总和与PID输出的功耗额度的关系,如果上报功耗总和小于功耗额度,表示系统当前可加大功耗供给,将多余的功耗继续分配给需要的器件,如果上报功耗总和大于功耗额度,表明系统当前功耗额度不足,会以该比例作为器件功耗限制比例,回收各器件的可用功耗,调低器件的运行状态,达到降低SOC温度的效果。
这些技术一定程度上能够实现控制设备SOC温度的功能,解决设备过热的问题,然而却无法准确控制后壳温度,温度控制精度不足。这些不足的产生原因如下:1)IPA的控制对象为SOC温度,为SOC温度设定目标温度值,控制SOC温度在目标温度附近,而终端场景下,影响用户体验的主要因素是后壳温度,单纯控制SOC温度忽略了对用户体验的影响;2)由于后壳温度与SOC温度之间存在滞后性,而温度控制仅能通过控制器件状态,影响SOC温度间接影响壳温,若简单修改IPA算法输入为后壳温度,会导致控制具有严重的滞后性,造成的温度波动和系统资源限制波动大,严重影响系统性能的稳定性;3)IPA使用功耗模型作为分配资源控制发热的方法,而温度受结构、散热材料等因素的影响,器件的发热和功耗并不等价,以功耗模型为依据的分配算法不够准确。
为此,本申请一些实施例致力于解决的技术问题包括:1)解决调节SOC器件状态影响SOC温度,从而间接控制后壳温度的时间滞后性,提升温度控制的稳定性,提升性能稳定性;2)解决热量计算和分配过程中使用功耗模型存在偏差、不能精确控制温度的问题。
针对本领域中控制表面温度存在滞后性的问题,本申请一些实施例提出表面温度预测技术,以消除控制滞后,提前干预,温度波动更小,环境适应性更好,用户温度体验更好。针对本领域中使用功耗模型控制温度存在误差的问题,本申请一些实施例提出表面温度控制技术,使得控制温度更准确,策略更灵活,控温同时最大化性能,保证用户性能体验。针对本领域中如何精确统计器件发热,计算各器件分配比例的问题,本申请一些实施例提出热源识别和资源分配技术,能够精确控制器件状态,确定性控制温度。
图1示出根据本申请一实施例的用电设备表面温度控制方法的示意性框图。
如图1所示,在本实施例的用电设备表面温度控制方法中,首先从用电设备的若干部件获取历史温度信息,部件可以是用电设备上的任何可以产生热量的部件。然后,将历史温度信息输入温度预测模型,通过模型计算出未来时刻的用电设备表面上的预测温度。最后,根据预测温度,控制单元调整用电设备的工作状态,该控制单元可以是用电设备内部的控制单元,也可以是用电设备外部的控制单元且与用电设备通信连接。温度预测模型可以集成在控制单元内部,也可以存储在其它位置,由控制单元执行或由其它控制器单独执行。
图2示出根据本申请另一实施例的用电设备表面温度控制方法的流程示意图。
根据本实施例,用电设备表面温度控制方法包括步骤S210至步骤S230,以下详述各步骤。
S210、获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度。
在本实施例中,发热部件可以是指用电设备内部或外部的可以产生热量的部件。用电设备的发热部件可以是用电设备内部各个耗电器件或核心元件上,也可以是用电设备外部的壳体、支架等。例如,用电设备的发热部件可以是能够体现用电设备的能耗特征,能够显著影响用电设备整体发热表现的部件。其它类型的发热部件也是可以想到的。
作为示例,至少一个发热部件包括系统级芯片、调制解调器、用电设备的壳体、电池中的一个或多个。
在本实施例中,历史温度可以是指温度测量元件或温度计算元件在测量或计算的当时得到的温度数值,也可以是其它时刻的温度数值,该数值是通过根据用电设备的实际情况或运行状态直接或间接取得。
在本实施例中,在第一时刻至第二时刻之间的历史温度,可以是指在第一和第二时刻之间中的某个时刻(时间点)的温度,也可以是指在第一和第二时刻之间中的某段时间的平均温度,还可以是指在第一和第二时刻之间中的某些时间点采样得到的温度数值经过计算之后得到的温度。其它历史温度计算方式也是可以想到的。
作为示例,至少一个发热部件的历史温度通过温度传感器直接测量得到。
具体地,温度传感器可以是指能感受温度并转换成可用输出信号的传感器。按测量方式可分为接触式和非接触式两类,按照传感器材料及电子元件特性分为热电阻和热电偶两类。在一些实施例中,部件可以包括内部器件和/或壳体,可以根据内部器件和/或壳体的历史温度信息共同计算出预测温度,这样可以提高历史温度信息的准确性。
在本示例中,温度传感器可以基于不同温度下的不同硬件特性,得出对应位置的温度值。终端设备中,通常有各关键节点的温度传感器,如SOC节点、modem节点等。例如,温度传感器可以是指SOC或手机后壳上监控温度的传感器,比如ADC(analog to digitalconverter,模拟数字转换器)。
作为示例,至少一个发热部件的历史温度通过其它参考位置的温度计算得到,其它参考位置的温度包括用电设备除至少一个发热部件以外的其它部件或结构的温度。
具体地,壳体的历史温度根据多个参考位置的温度来计算,再根据计算出的历史温度预测未来时刻的表面温度,这样可以免除壳体表面上的温度传感器,使得用电设备的表面更加简洁,易于维护。
在本示例中,表面温度传感器可能为非物理传感器,通过其他位置(参考位置)的传感器如室温传感器、SOC节点温度传感器、系统高温区温度传感器、主板温度传感器等数据拟合得到。
S220、将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系。
在本实施例中,温度预测模型可以是指用于预测温度的机器学习模型或其它人工智能模型。机器学习模型可以是指一种能够将输入数据转化为特定输出的算法或数学函数,它们是机器学习的核心组件,通过训练数据,机器学习模型可以自动学习和改进自己,使得其在处理新数据时更加准确和有效。机器学习模型通常是基于某种特定的算法或模型结构。例如,线性回归模型使用线性方程从数据中建模出一个输出变量;决策树模型基于树状结构对数据进行分类或预测;神经网络模型则使用多层神经元来处理复杂的数据模式等等。
线性回归模型可以是指利用数理统计中回归分析,来确定两种或两种以上变量间相互依赖的定量关系的数学模型。例如,线性回归是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合,只有一个自变量的称为简单回归,大于一个自变量的称为多元回归。
神经网络模型可以是指以神经元的数学模型为基础来描述的数学模型,由网络拓扑、节点特点和学习规则来表示。例如,神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型包括卷积神经网络模型(CNN)、深度神经网络模型(DNN)等。
在本实施例中,外部表面温度预测可以使用机器学习模型,记录历史温度预测未来的壳温。模型的输入为会影响设备未来后壳温度的因素,这些数据被存储为一段历史数据,经过模型计算后,输出为一段时间后的设备表面未来温度。进行表面温度预测时,可以离线收集多场景下的核温和壳温数据,训练预测未来温度的表面温度预测模型。系统运行时动态收集历史核温、壳温,使用表面温度预测模型预测未来的表面温度。
在本实施例中,外部表面温度的预测,可以使用机器学习模型,记录历史温度预测未来的表面温度。例如,可以使用线性回归模型,基于n秒前的SOC温度和表面温度等,预测n秒后的表面温度。具体而言,首先可以预先收集多种场景的SOC与表面温度变化数据;然后,在离线环境下预训练历史温度到表面温度的预测模型;然后,在线收集n秒内的SOC温度与表面温度数据;最后,基于历史数据使用预测模型预测n秒后的表面温度。本实施例可以扩展到以更多温度传感器为输入的更复杂模型。
图3示出根据本实施例的用电设备表面温度控制方法中的机器学习模型的训练过程的示例。如图3所示,在本示例中,温度预测模型为回归模型。在训练过程中,通过将多场景的温度和负载数据喂入回归模型中,从而训练出温度预测模型(例如壳温预测模型)。
作为示例,用电设备包括中央处理器、图形处理器和双倍读写速率内存,输入还包括中央处理器的负载信息、图形处理器的负载信息和双倍读写速率内存的负载信息中的一个或多个。
图4示出根据本实施例的用电设备表面温度控制方法中的机器学习模型的预测过程的示例。如图4所示,在本示例中,温度预测模型为线性回归模型或神经网络模型。在预测过程中,将SOC历史温度、后壳历史温度、modem(调制解调器)历史温度、battery(电池)历史温度、CPU负载、GPU负载、DDR(doubledata rate,双倍读写速率内存)负载以及(可选的)其他器件历史温度输入机器学习模型(例如壳温预测模型)中,可以计算得到预测出的表面(例如后壳)温度。
在本实施例中,未来时刻可以是指历史温度所处时刻之后的一个时刻。未来时刻的具体时间可以根据温度预测的需要和用电设备的特性进行设置。例如,对于温度变化急速的用电设备,未来时刻可以较近,而对于温度变化缓慢的大型用电设备,未来时刻可以较远。对于普通的电子设备,未来时刻例如可以是未来几秒、十几秒至几十秒以后的时刻。
在本实施例中,预测温度可以是指通过温度预测模型的计算得到的未来可能产生或达到的温度值。
S230、根据预测温度,调整用电设备的工作状态,以控制用电设备的外部表面温度。
在本实施例中,用电设备的工作状态可以是指用电设备整体或用电设备各个组成部分(器件、零部件等)的工作运行有关的各项指标,尤其是与能耗和热量有关的指标,例如工作频率、工作电压、工作负荷、工作温度、工作消耗的电能、工作产生的热量等。
作为示例,工作状态包括功耗、电压、频率和负载中的一个或多个。
在本实施例中,为了根据预测温度来调整用电设备的工作状态,可以设置一个阈值,一旦预测温度达到这个阈值,则降低用电设备的能耗,甚至关停用电设备;也可以根据预测温度计算出一个参考数值,当这个参考数值进入某个区间,则对用电设备的用电量或负载进行控制。其它根据预测温度控制工作状态的技术手段也是可以想到的。
图5示出根据本申请一实施例的用电设备表面温度控制方法的流程示意图。在本实施例中,通过分配设备资源限制比例的方式来控制发热器件的工作状态。
根据本实施例,用电设备表面温度控制方法包括步骤S510至S570,以下详述各步骤。
S510、获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度。
S520、将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系。
关于S510至S520的细节可以参见图2实施例关于S210至S220的详细描述,这里不再赘述。
S530、根据至少一个发热部件中每个发热部件的工作状态和热容模型,确定每个发热部件的发热量,热容模型表征发热部件的工作状态与发热量之间的映射关系。
在本实施例中,工作状态可以是指发热器件在某一时刻或在测量或计算当前时刻所具有的工作状态,可以是工作频率、工作电压等定量指标,也可以是低负荷、满负荷、超负荷等定性指标。其它形式的工作状态也是可以想到的。
在本实施例中,为了获取各个发热器件的工作状态,可以直接从发热器件获取,也可以从针对发热器件的输入或输出端口获取,例如在发热器件的输入线路上设置监测器,监测发热器件的输入电压等。其它获取方式也是可以想到的。
在本实施例中,可以通过测试,建立多个发热器件中每个发热器件的工作状态与发热量之间的热容模型。测试可以是指通过控制变量等手段,实际模拟发热器件的工作过程,从而获取工作过程中的工作状态与发热量之间的映射关系。例如,将设备中的发热器件取出或者安装在原位,通过控制输入发热器件的电流大小或者控制其它发热器件的工作指标或参数,获取发热器件在相应状态之下的发热量,然后记录下这些数值,将这些数值整理或根据这些数值计算出热容模型。
在本实施例中,工作状态可以是指可以测量或直接获取得到的发热器件的与工作有关的指标或参数,通过确定这些指标或参数可以判断发热器件的工作情况或运行状态,例如判断其是否满负荷运行,或者是否工作效率在降低。发热量可以是指发热器件在某个工作状态(例如工作电压、频率等)所产生的热量或者其它能够通过外在测量手段所获取的温度数值,该热量或温度对整个设备的发热量或表面温度有实际影响。热容模型可以是指能够体现工作状态和发热量之间的对应关系的模型,其可以是函数、表格、算法模型、机器学习模型等。例如,工作状态和发热量之间是线性关系模型,则热容模型是一个线性函数。又例如,工作状态和发热量之间的关系复杂,没有明显的线性关系,则可以根据非线性函数模型或机器学习模型来计算或拟合它们之间的关系,得到相应的热容模型。
在本实施例中,为了建立热容模型,可以通过测试得出器件热容参数,构建器件热容模型,实时统计器件频点等运行状态,计算器件发热量。例如,首先通过离线的测试,得出各个发热器件在不同工作状态下的器件热容参数,在运行时,周期性统计上一个周期内,各个发热器件的工作状态分布,计算得出各器件对应的发热量。又例如,可以首先通过热测试,获得各器件工作状态(频点或电压等)与对应温区温升的对应关系表(热容模型);然后,实时获取系统中各器件的运行状态;最后,使用运行状态和器件热容模型计算发热量。
在本实施例中,为了建立热容模型,识别热源,可以测试得出各器件的不同运行状态(包含器件各子器件的不同运行状态)与发热间的关联,建立各器件的热模型;实时统计器件一段时间内运行状态,根据热模型计算各器件发热量;将壳温控制模块得出的系统总资源限制比例依照热源识别模块得出的器件发热量,按比例分配得出各器件使用限制比例,发热量大的器件分配得到的限制比例越大。
图6示出根据本实施例的用电设备表面温度控制方法中的工作状态与发热量之间的热容模型的示例。如图6所示,可以根据每个发热器件的不同特性,建立不同的热容模型。在图6中,发热器件包括CPU、GPU和DDR,它们分别具有CPU的运行状态(即工作状态)和发热量、GPU的运行状态和发热量以及DDR的运行状态和发热量。在CPU的运行状态和发热量之间,可以建立CPU热容模型。在GPU的运行状态和发热量之间,可以建立GPU热容模型。在DDR的运行状态和发热量之间,可以建立DDR热容模型。除了这些器件之外,本领域技术人员应知,还可以针对其它器件(例如电池、调制解调器、SOC等)建立工作状态和发热量之间的热容模型。
在本实施例中,为了根据各个发热器件的工作状态和各个发热器件的热容模型,确定各个发热器件的发热量,可以将工作状态的数值或者将工作状态转化为具体数值,输入到热容模型中去,通过模型计算或拟合出每个发热器件的发热量;也可以根据工作状态的数值结合其它参数计算出一个中间数值,再将该中间数值输入热容模型中,计算或拟合出发热器件的发热量。其它方式也是可以想到的。
S540、根据预测温度和每个发热部件的发热量,确定每个发热部件的资源限制比例,资源限制比例表示发热部件的功耗、电压、频率和负载中一个或多个的下降比例。
在本实施例中,资源限制比例可以是指用电设备的功耗、频率、电压或其它正常工作中所需消耗资源的下降比例。用电设备的资源限制比例可以是指针对设备的总体上的资源限制比例,用于表示该设备的使用资源(能耗、工作频率、电压等)将被限制的幅度大小,可以用百分比表示。
在本示例中,为了根据预测温度确定用电设备的资源限制比例,可以首先根据预测温度判断用电设备是否需要限制资源,如果预测温度超过一定阈值或上升幅度或速度超过一定阈值,则判定用电设备的资源需要进行限制;然后,根据预测温度的数值与阈值之间的关系确定整个设备需要采取的资源限制比例,或者根据预测温度数值就算出一个中间参数,根据该中间参数确定资源限制比例。当然,本领域技术人员可以想到其它根据预测温度确定设备资源限制比例的方式。
图7示出根据本实施例的用电设备表面温度控制方法中的表面预测温度与资源限制比例之间的映射关系图。如图7所示,依据热模型建立预测表面温度-资源限制比例映射关系表,当表面温度达到40度时开始限制,达到48度时限制为100%。根据预测的表面温度,查询得到系统总资源限制比例。
为了控制表面温度,可以根据预测得到的表面温度,对系统资源进行限制。此处的整体趋势为,预测表面温度越高,对于系统资源的限制比例越大,即越大程度上减少发热器件的发热量,从而快速降温。进行表面温度控制时,可以测试得出系统不同资源限制比例与表面温度之间的热模型,根据表面温度预测模块得出的未来表面温度,从热模型中计算得出系统总资源限制比例。
S540、根据预测温度和每个发热部件的发热量,确定每个发热部件的资源限制比例,资源限制比例表示发热部件的功耗、电压、频率和负载中一个或多个的下降比例。
在本实施例中,每个发热器件的资源限制比例可以是指针对单个器件的资源限制比例,用于表示该器件的使用资源(频率、电压等)将被限制的幅度大小,可以用百分比表示。
在本实施例中,为了根据每个发热器件的发热量将用电设备的资源限制比例分配至多个发热器以得到每个发热器件的资源限制比例,可以首先根据多个发热器件各自的发热量(及其自身的性能特点),确定其是否需要进行资源限制或进行多大幅度的资源限制,然后根据这个结果,将设备总体的资源限制比例分发到各个发热器件上去,使得需要进行大幅限制的器件得到较大数值的资源限制比例,仅需要进行较小幅度限制的器件得到较小数值的资源限制比例。其它分配方式也是可以想到的。
在本实施例中,资源限制比例的分配,可以按发热量比例分配资源限制比例。根据得到的在每个执行周期内各个发热器件的发热量,根据发热量比例分配资源限制比例的原则是,对于发热量大的器件,资源限制比例更大,而对于发热量小的器件,资源限制比例更小。
在本实施例中,资源限制比例的分配,可以按发热量比例分配资源限制比例。例如,各器件可获得的资源比例可以按照下式计算:
式中,p为壳温控制得出的总资源比例,ti为器件i发热量,pi为器件i分配得到的资源比例。对于有多个子器件的器件(例如CPU具有多个簇),子器件资源限制比例可继承该器件限制比例。在进行器件资源限制比例分配时,可以对于存在多个子模块的器件,按照各子模块在不同运行状态下的发热(热模型)与性能情况,在满足器件温升限制的条件下,求解最优化问题使得子器件限制组合达到性能最优。
图8示出根据本实施例的用电设备表面温度控制方法中的资源限制比例分配的示例。如图8所示,发热器件可以包括CPU、GPU和DDR,其中CPU发热量(即工作温度)最大,GPU发热量次之,DDR发热量最小。为此,对CPU资源的限制比例最大,对GPU资源的限制比例次之,对DDR资源的限制比例最小。换言之,根据CPU、GPU和DDR的工作温度的不同,给它们分配不同的器件资源限制比例,例如工作温度越高的器件,分配得到的器件资源限制比例越大。
S550、根据资源限制比例,控制每个发热部件的工作状态,以控制用电设备的外部表面温度。
在本实施例中,为了根据每个发热器件的资源限制比例来控制每个发热器件的工作状态,可以根据比例控制发热器件的工作频率,或者控制发热器件的工作电压或电流。可以直接根据每个发热器件的资源限制比例进行控制,例如将工作频率降低一个比例,这个比例与资源限制比例相等。也可以间接根据资源限制比例进行控制,例如根据限制比例计算出一个中间参数或比例,再根据这个中间比例控制发热器件。其它控制方式也是可以想到的。
在本实施例中,为了实现器件冷却控制,可以调节发热元器件的工作状态,减少发热。例如,可以根据得到的各发热器件的目标资源限制比例,通过调用硬件驱动提供的相应接口,实现器件的冷却控制。
具体地,控制每个发热器件的工作状态,可以采取动态调频的方式,动态调整CPU、GPU、DDR等器件最大运行频率的能力,例如通过DVFS技术。
作为示例,至少一个发热部件包括第一发热部件,第一发热部件包括多个发热子部件。此时,用电设备表面温度控制方法还可以包括:以第一发热部件的性能最大化为目标,将第一发热部件的资源限制比例分配至多个发热子部件,以确定多个发热子部件中每个发热子部件的资源限制比例;基于每个发热子部件的资源限制比例,控制每个发热子部件的工作状态。
作为示例,为了将第一发热部件的资源限制分配至多个发热子部件,可以基于第一发热部件的资源限制比例和映射表,确定各个发热子部件的资源限制比例,映射表中记载第一发热部件对应的多个资源限制比例,以及多个资源限制比例中每个资源限制比例对应的多个发热子部件分别具有的资源限制比例。
在本示例中,第一发热器件可以是指具有多个子器件的器件,这些子器件可以具有单独的功能、能耗表现或性能特征,针对子器件的控制可能会直接或间接影响整个器件的发热或能耗情况。
在本示例中,第一发热器件的资源限制比例和该第一发热器件的多个发热子器件的资源限制比例之间的映射表,可以是指用于描述第一发热器件的资源限制比例的取值与各个发热子器件的资源限制比例的取值之间关系的映射表,通过这个映射表,可以根据第一发热器件的资源限制比例的给定值迅速确定各个发热子器件应该取得的资源限制比例,从而限制发热子器件的资源或工作指标。
在本示例中,基于第一发热器件的资源限制比例和映射表来确定各个发热子器件的资源限制比例,可以根据第一发热器件的资源限制比例的数值,在映射表中查询各个发热子器件的资源限制比例。可以直接从映射表中获取各个发热子器件的限制比例数值,也可以根据映射表中的数值推算出各个发热子器件的限制比例数值。其它使用映射表获取发热子器件的资源限制比例的方法也是可以想到的。
在本示例中,对于有多个发热子器件的第一发热器件(例如CPU具有多个簇),发热子器件的资源限制比例可采取满足温度限制的条件下最大化性能的方式选择限制比例。该问题可形式化定义为:
max Cap=∑capi
s.t.∑Δti<T
式中,capi为子器件i的性能,Δti为子器件i的温升,T为器件的温升。
在本示例中,为了建立第一发热器件的资源限制比例和各个发热子器件的资源限制比例之间的关系,具体可以构建CPU限制比例与子器件最优限制比例组合的映射表,根据表格查找最优的子器件限制组合。
图9示出根据本实施例的用电设备表面温度控制方法中的发热子器件资源限制比例分配的示例。如图9所示,可以根据每个发热子器件的温度-频率特性和性能-频率特性,建立第一发热器件与各个发热子器件之间的资源限制比例映射表。图9以CPU及其所包含的多个簇(cluster)为例,当CPU的限温比例(即第一发热器件的资源限制比例)为0时,发热子器件无需限制资源,因此cluster0、cluster1和cluster2的资源限制比例都是0。当CPU的限温比例为5(例如5%)时,根据不同发热子器件的特点,cluster0和cluster1的资源限制比例是5,cluster2的资源限制比例是0。当CPU的限温比例是10时,根据不同发热子器件的特点,cluster0、cluster1和cluster2的资源限制比例都是10。
作为示例,用电设备还包括用于对用电设备的目标器件进行冷却的冷却装置。此时,为了根据预测温度来调整用电设备的工作状态以控制用电设备的表面温度,可以首先根据预测温度,确定目标器件的冷却目标温度;然后根据冷却目标温度,控制冷却装置的工作状态,以将目标器件冷却至冷却目标温度。
在本实例中,为了降低目标发热器件或部件的温度,除了调整器件的工作状态和消耗资源,还可以调整用于针对该器件进行散热或冷却的冷却装置的工作状态。当目标器件的温度过高,需要进行较大强度的冷却时,可以将冷却装置的工作状态调整至高强度运转,从而加大散热力度,使得目标器件的降温幅度较大。当目标器件的温度较低,仅需要较小程度的冷却时,可以将冷却装置的工作状态调至低强度运转,从而减小散热力度,使得目标器件的降温幅度较小。
具体地,根据本实施例的用电设备表面温度控制方法可应用于PC(personalcomputer,个人电脑)或笔记本平台上,与终端平台的差异在于PC、笔记本平台上的冷却设备为主动冷却方式,例如风扇,而终端平台的冷却设备为被动方式,通过降低器件频率达到降温目的。PC平台上的技术方案可将冷却设备部分由热容模型修改为风扇散热能力模型。在笔记本平台上可将本申请实施例中的表面温度具体限定为例如外壳或键盘温度。
图10示出根据本申请一实施例的用电设备表面温度控制方法的示意性框图。本实施例与其它实施例的区别在于,在本实施例中用电设备的表面温度具体为外壳温度(壳温),并且设置了SOC过热保护机制。
根据本实施例,温度传感器基于不同温度下的不同硬件特性,得出对应位置的温度值。壳温预测模块使用机器学习模型,记录历史温度预测未来的壳温。壳温控制模块根据预测后的壳温,对系统资源进行限制。器件热源识别模块通过测试得出器件热容参数,构建器件热容模型,实时统计器件频点等运行状态,计算器件发热量。器件热源分配模块按发热量比例分配资源限制比例。器件冷却控制模块调节发热元器件的工作状态,减少发热。SOC过热保护模块根据直接测量SOC所得到的温度来控制用电设备的器件温度,防止SOC过热,避免间接根据外壳温度来控制器件温度所可能带来的偏差或滞后效应,实现对SOC的双重保护。
在本实施例中,壳温预测模块通过硬件温度传感器获取所需的温度数据,经过后续模块处理后,得出器件的目标工作状态,最终将硬件调整至对应的工作状态。
基于前述图2所述的方法实施例,本申请实施例还提供一种用电设备表面温度控制装置1100,其结构示意图如图11所示。该装置用于执行前述图2中的各个步骤。
根据本实施例,用电设备表面温度控制装置包括获取模块1110、预测模块1120和调整模块1130。获取模块1110用于获取位于用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;预测模块1120用于将历史温度作为温度预测模型的输入,输出用电设备外部表面在第一时刻和第二时刻之后的第三时刻的预测温度,温度预测模型表征历史温度与预测温度之间的关系;调整模块1130用于根据预测温度,调整用电设备的工作状态,以控制用电设备的外部表面温度。
需要说明的是,图11所示实施例提供的用电设备表面温度控制装置1100在执行用电设备表面温度控制方法时,仅以上述各功能模块的划分举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的用电设备表面温度控制装置1100与图2所示的方法实施例分别属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图12示出根据本申请一实施例的用电设备1200的架构示意图。本实施例与其它实施例的区别在于,在本实施例中用电设备具体为电子产品,例如电脑、智能手机、智能手表等,包括软件和硬件,其中软件包括操作系统和应用程序,硬件包括CPU、GPU等。
在本实施例的用电设备1200中给出了用电设备表面温度控制方法的产品实现形态,其可以是包含在操作系统内核中,并部署在终端设备硬件上的程序代码。如图12所示,用于执行用电设备表面温度控制方法的程序代码存在于平台软件的操作系统内核中。运行时,这些程序代码运行于终端设备的主机内存。图12给出了用电设备表面温度控制方法在服务器及平台软件中的实现形态,图中所示热管理模块为本实施例在平台软件基础上修改的模块。在热管理模块内部,用电设备1200实现了壳温预测、壳温控制、器件热源识别、器件资源分配和SOC过热保护。
图13示出根据本申请另一实施例的用电设备1300的硬件结构示意图。
参见图13,用电设备1300包括处理器1310、存储器1320、通信接口1330和总线1340,处理器1310、存储器1320和通信接口1330通过总线1340彼此连接。处理器1310、存储器1320和通信接口1330也可以采用除了总线1340之外的其他连接方式连接。
其中,存储器1320可以是各种类型的存储介质,例如随机存取存储器(randomaccess memory,RAM)、只读存储器(read-only memory,ROM)、非易失性RAM(non-volatileRAM,NVRAM)、可编程ROM(programmable ROM,PROM)、可擦除PROM(erasable PROM,EPROM)、电可擦除PROM(electrically erasable PROM,EEPROM)、闪存、光存储器、硬盘等。
其中,处理器1310可以是通用处理器,通用处理器可以是通过读取并执行存储器(例如存储器1320)中存储的内容来执行特定步骤和/或操作的处理器。例如,通用处理器可以是CPU。处理器1310可以包括至少一个电路,以执行图2所示实施例提供的用电设备表面温度控制方法的全部或部分步骤。
其中,通信接口1330包括输入/输出(input/output,I/O)接口、物理接口和逻辑接口等用于实现用电设备1300内部的器件互连的接口,以及用于实现用电设备1300与其他设备(例如其他用电设备或用户设备)互连的接口。物理接口可以是以太网接口、光纤接口、ATM接口等。通信接口1330可以外接输入装置和输出装置。例如,输入装置可以是麦克风或麦克风阵列,用于捕捉语音输入信号;可以是通信网络连接器,用于从云端或其它设备接收所采集的输入信号;还可以包括例如键盘、鼠标等等。输出装置可以向外部输出各种信息,包括确定出的距离信息、方向信息等。输出装置可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
其中,总线1340可以是任何类型的,用于实现处理器1310、存储器1320和通信接口1330互连的通信总线,例如系统总线。
上述器件可以分别设置在彼此独立的芯片上,也可以至少部分的或者全部的设置在同一块芯片上。将各个器件独立设置在不同的芯片上,还是整合设置在一个或者多个芯片上,往往取决于产品设计的需要。本申请实施例对上述器件的具体实现形式不做限定。
图13所示的用电设备1300仅仅是示例性的,在实现过程中,用电设备1300还可以包括其他组件,本文不再一一列举。
本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上文中描述的根据本申请各种实施例的用电设备表面温度控制方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施例还提供一种芯片系统。芯片系统包括处理器,处理器与存储器耦合,处理器执行存储器中存储的计算机程序,以实现本申请任一用电设备表面温度控制方法的步骤。芯片系统可以为单个芯片,或者多个芯片组成的芯片模组。
以上结合具体实施方式(包括实施例和实例)详细描述了本申请的概念、原理和思想。本领域技术人员应理解,本申请的实施方式不止上文给出的这几种形式,本领域技术人员在阅读本申请文件以后,可以对上述实施方式中的步骤、方法、装置、部件做出任何可能的改进、替换和等同形式,这些改进、替换和等同形式应视为落入在本申请的范围内。本申请的保护范围仅以权利要求书为准。
Claims (23)
1.一种用电设备表面温度控制方法,其特征在于,所述方法包括:
获取位于所述用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;
将所述历史温度作为温度预测模型的输入,输出所述用电设备外部表面在所述第一时刻和第二时刻之后的第三时刻的预测温度,所述温度预测模型表征所述历史温度与所述预测温度之间的关系;
根据所述预测温度,调整所述用电设备的工作状态,以控制所述用电设备的外部表面温度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述预测温度,调整所述用电设备的工作状态,包括:
根据所述至少一个发热部件中每个发热部件的工作状态和热容模型,确定所述每个发热部件的发热量,所述热容模型表征所述发热部件的工作状态与发热量之间的映射关系;
根据所述预测温度和所述每个发热部件的发热量,确定所述每个发热部件的资源限制比例,所述资源限制比例表示所述发热部件的功耗、电压、频率和负载中一个或多个的下降比例;
根据所述资源限制比例,控制所述每个发热部件的工作状态。
3.根据权利要求2所述的方法,其特征在于,所述至少一个发热部件包括第一发热部件,所述第一发热部件包括多个发热子部件,所述方法还包括:
以所述第一发热部件的性能最大化为目标,将所述第一发热部件的资源限制比例分配至所述多个发热子部件,以确定所述多个发热子部件中每个发热子部件的资源限制比例;
基于所述每个发热子部件的资源限制比例,控制所述每个发热子部件的工作状态。
4.根据权利要求3所述的方法,其特征在于,所述将所述第一发热部件的资源限制分配至所述多个发热子部件,包括:
基于所述第一发热部件的资源限制比例和映射表,确定所述各个发热子部件的资源限制比例,所述映射表中记载所述第一发热部件对应的多个资源限制比例,以及所述多个资源限制比例中每个资源限制比例对应的所述多个发热子部件分别具有的资源限制比例。
5.根据权利要求2所述的方法,其特征在于,所述根据所述预测温度和所述每个发热部件的发热量,确定所述每个发热部件的资源限制比例,包括:
根据所述预测温度,确定所述用电设备的资源限制比例;
根据所述每个发热部件的发热量,将所述用电设备的资源限制比例分配至所述多个发热部件,得到每个发热部件的资源限制比例。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述工作状态包括功耗、电压、频率和负载中的一个或多个。
7.根据权利要求1-5中任一项所述的方法,其特征在于,所述至少一个发热部件包括系统级芯片、调制解调器、用电设备的壳体、电池中的一个或多个。
8.根据权利要求1-5中任一项所述的方法,其特征在于,所述至少一个发热部件的历史温度通过温度传感器直接测量得到;或者,所述至少一个发热部件的历史温度通过其它参考位置的温度计算得到,所述其它参考位置的温度包括所述用电设备除所述至少一个发热部件以外的其它部件或结构的温度。
9.根据权利要求1-5中任一项所述的方法,其特征在于,所述用电设备包括中央处理器、图形处理器和双倍读写速率内存,所述输入还包括中央处理器的负载信息、图形处理器的负载信息和双倍读写速率内存的负载信息中的一个或多个。
10.根据权利要求1-5中任一项所述的方法,其特征在于,所述用电设备还包括用于对所述用电设备的目标器件进行冷却的冷却装置,所述根据所述预测温度,调整所述用电设备的工作状态,以控制所述用电设备的表面温度,包括:
根据所述预测温度,确定所述目标器件的冷却目标温度;
根据所述冷却目标温度,控制所述冷却装置的工作状态,以将所述目标器件冷却至所述冷却目标温度。
11.一种用电设备表面温度控制装置,其特征在于,所述装置包括:
获取模块,用于获取位于所述用电设备内部和/或外部的至少一个发热部件在第一时刻至第二时刻之间的历史温度;
预测模块,用于将所述历史温度作为温度预测模型的输入,输出所述用电设备外部表面在所述第一时刻和第二时刻之后的第三时刻的预测温度,所述温度预测模型表征所述历史温度与所述预测温度之间的关系;
调整模块,用于根据所述预测温度,调整所述用电设备的工作状态,以控制所述用电设备的外部表面温度。
12.根据权利要求11所述的装置,其特征在于,所述调整模块被进一步配置成:
根据所述至少一个发热部件中每个发热部件的工作状态和热容模型,确定所述每个发热部件的发热量,所述热容模型表征所述发热部件的工作状态与发热量之间的映射关系;
根据所述预测温度和所述每个发热部件的发热量,确定所述每个发热部件的资源限制比例,所述资源限制比例表示所述发热部件的功耗、电压、频率和负载中一个或多个的下降比例;
根据所述资源限制比例,控制所述每个发热部件的工作状态。
13.根据权利要求12所述的装置,其特征在于,所述至少一个发热部件包括第一发热部件,所述第一发热部件包括多个发热子部件,所述装置还包括:
分配模块,用于以所述第一发热部件的性能最大化为目标,将所述第一发热部件的资源限制比例分配至所述多个发热子部件,以确定所述多个发热子部件中每个发热子部件的资源限制比例;
控制模块,用于基于所述每个发热子部件的资源限制比例,控制所述每个发热子部件的工作状态。
14.根据权利要求13所述的装置,其特征在于,所述分配模块被进一步配置成:
基于所述第一发热部件的资源限制比例和映射表,确定所述各个发热子部件的资源限制比例,所述映射表中记载所述第一发热部件对应的多个资源限制比例,以及所述多个资源限制比例中每个资源限制比例对应的所述多个发热子部件分别具有的资源限制比例。
15.根据权利要求12所述的装置,其特征在于,所述调整模块被进一步配置成:
根据所述预测温度,确定所述用电设备的资源限制比例;
根据所述每个发热部件的发热量,将所述用电设备的资源限制比例分配至所述多个发热部件,得到每个发热部件的资源限制比例。
16.根据权利要求11-15中任一项所述的装置,其特征在于,所述工作状态包括功耗、电压、频率和负载中的一个或多个。
17.根据权利要求11-15中任一项所述的装置,其特征在于,所述至少一个发热部件包括系统级芯片、调制解调器、用电设备的壳体、电池中的一个或多个。
18.根据权利要求11-15中任一项所述的装置,其特征在于,所述至少一个发热部件的历史温度通过温度传感器直接测量得到;或者,所述至少一个发热部件的历史温度通过其它参考位置的温度计算得到,所述其它参考位置的温度包括所述用电设备除所述至少一个发热部件以外的其它部件或结构的温度。
19.根据权利要求11-15中任一项所述的装置,其特征在于,所述用电设备包括中央处理器、图形处理器和双倍读写速率内存,所述输入还包括中央处理器的负载信息、图形处理器的负载信息和双倍读写速率内存的负载信息中的一个或多个。
20.根据权利要求11-15中任一项所述的装置,其特征在于,所述用电设备还包括用于对所述用电设备的目标器件进行冷却的冷却装置,所述调整模块被进一步配置成:
根据所述预测温度,确定所述目标器件的冷却目标温度;
根据所述冷却目标温度,控制所述冷却装置的工作状态,以将所述目标器件冷却至所述冷却目标温度。
21.一种用电设备,其特征在于,所述用电设备包括处理器和存储器,所述处理器用于执行存储于所述存储器内的计算机程序以实现权利要求1至10中任一项所述的用电设备表面温度控制方法。
22.一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存储有计算机程序,所述计算机程序用于执行根据权利要求1至10中任一项所述的用电设备表面温度控制方法。
23.一种芯片系统,其特征在于,所述芯片系统包括处理器,所述处理器与存储器耦合,所述处理器执行存储器中存储的计算机程序,以实现权利要求1至10中任一项所述的用电设备表面温度控制方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311250217.3A CN117389344A (zh) | 2023-09-25 | 2023-09-25 | 用电设备及其表面温度控制方法、装置、介质和芯片系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311250217.3A CN117389344A (zh) | 2023-09-25 | 2023-09-25 | 用电设备及其表面温度控制方法、装置、介质和芯片系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117389344A true CN117389344A (zh) | 2024-01-12 |
Family
ID=89465749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311250217.3A Pending CN117389344A (zh) | 2023-09-25 | 2023-09-25 | 用电设备及其表面温度控制方法、装置、介质和芯片系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117389344A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000227242A (ja) * | 1999-02-02 | 2000-08-15 | Oki Electric Ind Co Ltd | 空調設備の予冷予熱制御方法 |
CN103488216A (zh) * | 2013-09-25 | 2014-01-01 | 北京卫星环境工程研究所 | 一种太阳能电池板温度控制方法 |
CN112416034A (zh) * | 2020-11-17 | 2021-02-26 | 长春捷翼汽车零部件有限公司 | 一种装置的温度控制系统及温度控制方法 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
CN115655715A (zh) * | 2022-10-24 | 2023-01-31 | 三一重能股份有限公司 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
CN116126052A (zh) * | 2023-02-01 | 2023-05-16 | 北京有竹居网络技术有限公司 | 用于温度控制的方法、装置、设备和存储介质 |
-
2023
- 2023-09-25 CN CN202311250217.3A patent/CN117389344A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000227242A (ja) * | 1999-02-02 | 2000-08-15 | Oki Electric Ind Co Ltd | 空調設備の予冷予熱制御方法 |
CN103488216A (zh) * | 2013-09-25 | 2014-01-01 | 北京卫星环境工程研究所 | 一种太阳能电池板温度控制方法 |
CN112598151A (zh) * | 2020-11-16 | 2021-04-02 | 华南理工大学 | 一种电缆沟敷设方式下的高压电缆表面温度预测方法 |
CN112416034A (zh) * | 2020-11-17 | 2021-02-26 | 长春捷翼汽车零部件有限公司 | 一种装置的温度控制系统及温度控制方法 |
CN115655715A (zh) * | 2022-10-24 | 2023-01-31 | 三一重能股份有限公司 | 一种风电机组轴承异常温度的识别方法、装置和设备 |
CN116126052A (zh) * | 2023-02-01 | 2023-05-16 | 北京有竹居网络技术有限公司 | 用于温度控制的方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7464278B2 (en) | Combining power prediction and optimal control approaches for performance optimization in thermally limited designs | |
US8700925B2 (en) | Regulating power using a fuzzy logic control system | |
US8826048B2 (en) | Regulating power within a shared budget | |
TW201817113A (zh) | 電池管理系統 | |
JP2018501569A (ja) | ポータブルコンピューティングデバイスにおけるピーク動的電力管理のためのシステムおよび方法 | |
CN107407952A (zh) | 基于设备状态改变功率极限 | |
CN109782827A (zh) | 散热控制方法及设备、电子设备及计算机可读存储介质 | |
CN103946765A (zh) | 协同处理器以及系统性能和功率管理 | |
CN107430037A (zh) | 用于基于设备表皮温度改变功率极限的功率管理 | |
US10209759B2 (en) | Standby power controller with external information capability | |
US20120151233A1 (en) | Network device for controlling power consumption and method employing the same | |
EP3036598B1 (en) | Power signal interface | |
CN103455077A (zh) | 一种自适应调整电压的方法、装置及系统 | |
CN105723299A (zh) | 电子装置中执行系统功率预算的方法及其装置 | |
CN113962142B (zh) | 一种基于两段式lstm的数据中心温度预测方法及系统 | |
CN104798034B (zh) | 用于协调频率的方法、处理器以及系统 | |
KR20160089417A (ko) | 휴대용 컴퓨팅 디바이스에서 시스템 온 칩의 다중 상관 학습 열 관리를 위한 시스템 및 방법 | |
CN109564454A (zh) | 基于功率的设备热管理 | |
CN112162625A (zh) | 电子设备的功耗控制方法、装置、存储介质和终端 | |
JP6471751B2 (ja) | エネルギー制御システム、エネルギー制御装置、エネルギー制御方法及びプログラム | |
Lee et al. | Energy-efficient control of mobile processors based on long short-term memory | |
CN117389344A (zh) | 用电设备及其表面温度控制方法、装置、介质和芯片系统 | |
CN116820214A (zh) | 一种服务器通风散热智能调控方法及系统 | |
US11837958B2 (en) | Multiphase power converter | |
CN116361703A (zh) | 一种数据中心的节能控制方法、装置、电子设备及可读介质 |
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 |