CN117971023A - 控制信号的确定方法、装置、存储介质及电子设备 - Google Patents
控制信号的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN117971023A CN117971023A CN202410379843.0A CN202410379843A CN117971023A CN 117971023 A CN117971023 A CN 117971023A CN 202410379843 A CN202410379843 A CN 202410379843A CN 117971023 A CN117971023 A CN 117971023A
- Authority
- CN
- China
- Prior art keywords
- vector data
- determining
- network
- control signal
- neural network
- 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 55
- 238000013528 artificial neural network Methods 0.000 claims abstract description 153
- 238000004590 computer program Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 238000005457 optimization Methods 0.000 claims description 10
- 239000000758 substrate Substances 0.000 claims 6
- 239000000523 sample Substances 0.000 claims 2
- 230000001276 controlling effect Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 11
- 230000005540 biological transmission Effects 0.000 description 9
- 230000033228 biological regulation Effects 0.000 description 8
- 230000001105 regulatory effect Effects 0.000 description 7
- 230000010354 integration Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005265 energy consumption Methods 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 5
- 230000004069 differentiation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000013257 coordination network Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3206—Monitoring of events, devices or parameters that trigger a change in power modality
-
- 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
- G06F1/26—Power supply means, e.g. regulation thereof
- G06F1/32—Means for saving power
- G06F1/3203—Power management, i.e. event-based initiation of a power-saving mode
- G06F1/3234—Power saving characterised by the action undertaken
- G06F1/325—Power saving in peripheral device
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0463—Neocognitrons
-
- 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B30/00—Energy efficient heating, ventilation or air conditioning [HVAC]
- Y02B30/70—Efficient control or regulation technologies, e.g. for control of refrigerant flow, motor or heating
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
Abstract
本申请实施例提供了一种控制信号的确定方法、装置、存储介质及电子设备，其中，该方法包括：确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
Description
技术领域
本申请实施例涉及计算机领域，具体而言，涉及一种控制信号的确定方法、装置、存储介质及电子设备。
背景技术
因此有许多方案针风冷对服务器及其机柜散热的进行调控，以达到高效、快速散热的目的，目前的技术通过设计新的内部结构或改进算法来调节出风装置转速，以一定程度上缓解服务器散热问题，并降低能源使用效率（PUE）值。然而，这些方案都无法有效解决不同出风装置之间的协调与同步问题，从而影响了系统的整体效率。
针对相关技术，无法协同调节出风装置的问题，目前尚未提出有效的解决方案。
因此，有必要对相关技术予以改良以克服相关技术中的所述缺陷。
发明内容
本申请实施例提供了一种控制信号的确定方法、装置、存储介质及电子设备，以至少解决相关技术中无法协同调节出风装置的问题。
根据本申请的一个实施例，提供了一种控制信号的确定方法，包括：确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
在一个示例性实施例中，根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，包括：确定第一隐藏层输出的第一向量数据，以及确定第二隐藏层输出的第二向量数据，其中，所述第一神经网络包括：所述第一隐藏层，所述第二神经网络包括：所述第二隐藏层；确定所述第一隐藏层到所述第一神经网络的第三隐藏层的连接对应的第一连接权重、确定所述第一隐藏层到所述第二隐藏层的连接对应的第二连接权重、确定所述第二隐藏层到所述第二神经网络的第四隐藏层的第三连接权重、以及确定所述第二隐藏层到所述第一隐藏层的连接的第四连接权重，其中，所述第一网络参数包括：所述第一连接权重和所述第四连接权重，所述第二网络参数包括：所述第二连接权重和所述第三连接权重；根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，以及根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号。
在一个示例性实施例中，根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，包括：所述第一连接权重与所述第一向量数据相乘，以得到第三向量数据，以及，所述第四连接权重与所述第二向量数据相乘，以得到第四向量数据；根据所述第三向量数据和所述第四向量数据确定所述第一控制信号。
在一个示例性实施例中，根据所述第三向量数据和所述第四向量数据确定所述第一控制信号，包括：将所述第三向量数据和所述第四向量数据进行相加，得到第五向量数据；将所述第五向量数据输入至所述第一神经网络的第三隐藏层，以使所述第二隐藏层根据所述第五向量数据输出第六向量数据；根据所述第六向量数据确定第一控制器的第一参数，其中，所述第一网络模型包括：所述第一控制器；控制所述第一控制器根据所述第一参数确定所述第一控制信号。
在一个示例性实施例中，根据所述第六向量数据确定第一控制器的第一参数，包括：确定第三出风装置对应的第三网络模型，其中，所述第三网络模型包括：第三神经网络，所述第三出风装置为所述第一出风装置的上一层级的出风装置；确定所述第三神经网络中的第五隐藏层输出的隐藏向量数据，以及确定所述第一出风装置对应的记忆细胞网络，其中，所述记忆细胞网络用于连接所述第三神经网络和所述第一神经网络；将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据；将所述第七向量数据输入至所述第一神经网络的第一输入层中，以使所述第一输入层根据所述第七向量数据确定第一控制器的第一参数。
在一个示例性实施例中，将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据，包括：控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，其中，所述记忆细胞网络，包括：所述遗忘门和输入门；控制所述记忆细胞网络根据所述隐藏向量数据、所述第六向量数据和所述第一输出确定所述输入门的第二输出；根据所述第二输出确定所述第七向量数据。
在一个示例性实施例中，控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，包括：通过以下公式确定所述第一输出：
，其中，/>和/>为权重参数，/>和/>为两个偏置，/>为激活函数，/>为所述隐藏向量数据，/>为所述第六向量数据。
在一个示例性实施例中，根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号，包括：所述第二连接权重与所述第一向量数据相乘，以得到第八向量数据，以及，所述第三连接权重与所述第二向量数据相乘，以得到第九向量数据；根据所述第八向量数据和所述第九向量数据确定所述第二控制信号。
在一个示例性实施例中，根据所述第八向量数据和所述第九向量数据确定所述第二控制信号，包括：将所述第八向量数据和所述第九向量数据进行相加，得到第十向量数据；将所述第十向量数据输入至所述第二神经网络的第四隐藏层，以使所述第四隐藏层根据所述第十向量数据输出第十一向量数据；根据所述第十一向量数据确定第二控制器的第二参数，其中，所述第二网络模型包括：所述第二控制器；控制所述第二控制器根据所述第二参数确定所述第二控制信号。
在一个示例性实施例中，确定第一隐藏层输出的第一向量数据，包括：将所述第一出风装置的第一预设温度、第一转速、第一温度误差和第一功率输入至所述第一神经网络的第一输入层，其中，所述第一温度误差为所述第一预设温度与第一实际温度的差值，所述第一实际温度为所述第一出风装置基于所述第一转速产生的温度值；所述第一输入层基于所述第一预设温度、所述第一转速、所述第一温度误差和所述第一功率输出第十二向量数据；将所述第十二向量数据输出至所述第一隐藏层，以使所述第一隐藏层根据所述第十二向量数据输出所述第一向量数据。
在一个示例性实施例中，确定第二隐藏层输出的第二向量数据，包括：将所述第二出风装置的第二预设温度、第二转速、第二温度误差和第二功率输入至所述第二神经网络的第二输入层，其中，所述第二温度误差为所述第二预设温度与第二实际温度的差值，所述第二实际温度为所述第二出风装置基于所述第二转速产生的温度值；所述第二输入层基于所述第二预设温度、所述第二转速、所述第二温度误差和所述第二功率输出第十三向量数据；将所述第十三向量数据输出至所述第二隐藏层，以使所述第二隐藏层根据所述第十三向量数据输出所述第二向量数据。
在一个示例性实施例中，在确定第一出风装置对应的第一网络模型之前，所述方法还包括：基于优化函数对所述第一神经网络进行优化，以确定训练好的第一神经网络，其中，所述优化函数J如下：
，其中，为预设温度和实际温度的偏差值，/>为实际功率映射后的功率，/>为常数，/>为所述预设温度，/>为所述实际温度，n为控制变量的数量，m为采样数据的数量。
在一个示例性实施例中，通过以下公式确定：
，其中，/>为所述实际功率，/>为最大功率，/>为最小功率，/>是功率的映射值，/>是最大温度误差值，/>是最小温度误差值。
根据本申请的另一个实施例，提供了一种控制信号的确定装置，包括：第一确定模块，用于确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；第二确定模块，用于根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
根据本申请的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
根据本申请的又一个实施例，还提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
通过本申请，确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。即本申请实施例，同一层级的风扇相邻风扇之间共享神经网络的网络参数，以根据共享的网络参数确定每个风扇对应的控制信号，进而可以协同调节风扇，因此，可以解决无法协同调节风扇的问题。
附图说明
图1是本发明实施例的控制信号的确定方法的服务器设备的硬件结构框图；
图2是本申请实施例的控制信号的确定方法的流程图；
图3是本申请实施例的不同层级的风扇的分布示意图；
图4是本申请实施例的基础网络模块的结构示意图；
图5是本申请实施例的PID控制器的结构示意图；
图6是本申请实施例的神经网络模块的结构示意图；
图7是本申请实施例的同级协作网络模块的结构示意图；
图8是本申请实施例的跨级协作网络模块的结构示意图；
图9是本申请实施例的控制信号的确定装置的结构框图。
具体实施方式
下文中将参考附图并结合实施例来详细说明本申请的实施例。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例中所提供的方法实施例可以在服务器设备或者类似的运算装置中执行。以运行在服务器设备上为例，图1是本申请实施例的一种控制信号的确定方法的服务器设备的硬件结构框图。如图1所示，服务器设备可以包括一个或多个（图1中仅示出一个）处理器102（处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器104，其中，上述服务器设备还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述服务器设备的结构造成限定。例如，服务器设备还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本申请实施例中的控制信号的确定方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至服务器设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器设备的通信供应方提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种控制信号的确定方法，图2是本申请实施例的控制信号的确定方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；
上述第一网络模型包括：第一神经网络和第一控制器，其中，所述第一神经网络用于输出第一控制器所需的参数，第一控制器用于根据第一神经网络输出的参数确定第一控制信号。
上述第二网络模型包括：第二神经网络和第二控制器，其中，所述第二神经网络用于输出第二控制器所需的参数，第二控制器用于根据第二神经网络输出的参数确定第二控制信号。
上述出风装置为风扇，但不限于此。
步骤S204，根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
通过上述步骤，确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。即本申请实施例，同一层级的风扇相邻风扇之间共享神经网络的网络参数，以根据共享的网络参数确定每个风扇对应的控制信号，进而可以协同调节风扇，因此，可以解决无法协同调节风扇的问题。
其中，上述步骤的执行主体可以为服务器、计算机终端等，但不限于此。
可选地，上述步骤S204中的确定第一控制信号和第二控制信号，可以通过以下技术方案实现：
确定第一隐藏层输出的第一向量数据，以及确定第二隐藏层输出的第二向量数据，其中，所述第一神经网络包括：所述第一隐藏层，所述第二神经网络包括：所述第二隐藏层；确定所述第一隐藏层到所述第一神经网络的第三隐藏层的连接对应的第一连接权重、确定所述第一隐藏层到所述第二隐藏层的连接对应的第二连接权重、确定所述第二隐藏层到所述第二神经网络的第四隐藏层的第三连接权重、以及确定所述第二隐藏层到所述第一隐藏层的连接的第四连接权重，其中，所述第一网络参数包括：所述第一连接权重和所述第四连接权重，所述第二网络参数包括：所述第二连接权重和所述第三连接权重；根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，以及根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号。
上述第一神经网络包括两个隐藏层，分别为第一隐藏层和第三隐藏层；上述第二神经网络也包括两个隐藏层，分别为第二隐藏层和第四隐藏层。
本申请实施例中，对于同一层级的出风装置中，增加了共享网络结构，基于相邻出风装置的共享网络结构，以解决相邻出风装置的协同问题，具体地：
共享网络的权重矩阵中包括：第一连接权重、第二连接权重、第三连接权重和第四连接权重，基于上述权重矩阵、第一隐藏层输出的第一向量数据和第二隐藏层输出的第二向量数据确定第一控制信号和第二控制信号。
举例来讲，假设服务器的出风装置排列方式为A、B、C、D，那么在A和B、B和C、C和D之间均有网络进行通信，以A和B为例，在A和B之间的第m层和第n层增加一个网络，用来共享两个网络的参数，权重矩阵为：，其中，/>相当于上述第一连接权重，/>相当于上述第四连接权重，/>相当于上述第三连接权重，/>相当于上述第二连接权重。
通过上述技术方案，相邻出风装置的神经网络可以共享参数，以实现相互协调的工作，并且减少相邻单元之间的相互影响。这种设计有助于模型更好地捕捉到数据中的局部相关性和统计规律，从而提高模型的泛化能力和效率。这使得相邻出风装置可以协调工作，避免了相邻出风装置之间的相互影响。
可选地，根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，包括：所述第一连接权重与所述第一向量数据相乘，以得到第三向量数据，以及，所述第四连接权重与所述第二向量数据相乘，以得到第四向量数据；根据所述第三向量数据和所述第四向量数据确定所述第一控制信号。
具体地，根据所述第三向量数据和所述第四向量数据确定所述第一控制信号，包括：将所述第三向量数据和所述第四向量数据进行相加，得到第五向量数据；将所述第五向量数据输入至所述第一神经网络的第三隐藏层，以使所述第二隐藏层根据所述第五向量数据输出第六向量数据；根据所述第六向量数据确定第一控制器的第一参数，其中，所述第一网络模型包括：所述第一控制器；控制所述第一控制器根据所述第一参数确定所述第一控制信号。
以上述权重矩阵为例，，其中，/>可以理解为第一向量数据，/>可以理解为第二向量数据，/>可以理解为第五向量数据，/>可理解为第十向量数据；将第五向量数据输入至第一神经网络的第三隐藏层，第二隐藏层根据所述第五向量数据输出第六向量数据；根据所述第六向量数据确定第一控制器的第一参数。
其中，上述第一控制器为比例-积分-微分（Proportional-Integral-Derivative，简称为PID）控制器，PID控制器主要通过对调节比例（proportion）、积分（integration）和微分（derivative）来达到调节控制的目的，Kp、Ki和Kd的值通过上述第一神经网络确定。PID控制算法综合了比例、积分和微分三种控制策略，以实现对系统的精确控制。比例项着眼于当前误差，以快速响应系统的变化；积分项着眼于历史误差，以消除稳态误差；微分项着眼于未来误差，以提高系统的动态响应。
上述PID控制器，用于调节系统的输出，使其接近期望值或设定点。比例控制通过将当前误差乘以一个比例系数来产生控制输出。误差是期望值与实际值之间的差异。比例控制的作用是快速地对系统进行响应，但可能会导致超调和震荡。积分控制根据误差随时间的累积来产生控制输出。积分项的作用是消除静态误差，即系统达到稳定状态后仍然存在的偏差。微分控制根据误差变化率来产生控制输出。微分项的作用是抑制系统的震荡和稳定系统的响应。PID控制器将这三个部分结合起来，通过对比例、积分和微分项的加权和来生成最终的控制输出。PID控制器的参数需要根据具体的系统特性进行调整，以达到最佳的控制效果。
可选地，根据所述第六向量数据确定第一控制器的第一参数，包括：确定第三出风装置对应的第三网络模型，其中，所述第三网络模型包括：第三神经网络，所述第三出风装置为所述第一出风装置的上一层级的出风装置；确定所述第三神经网络中的第五隐藏层输出的隐藏向量数据，以及确定所述第一出风装置对应的记忆细胞网络，其中，所述记忆细胞网络用于连接所述第三神经网络和所述第一神经网络；将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据；将所述第七向量数据输入至所述第一神经网络的第一输入层中，以使所述第一输入层根据所述第七向量数据确定第一控制器的第一参数。
本申请实施例中，不仅共享同一层级的神经网络的网络参数，还共享不同层级的神经网络的网络参数，即在通过第一神经网络确定第一控制器的第一参数的情况下，需要获取上一层级的出风装置的第五隐藏层输出的隐藏向量数据，将隐藏向量数据和第一神经网络的第三隐藏层输出的第六向量数据输入至记忆细胞网络中，以使记忆细胞网络根据所述隐藏向量数据和所述第六向量数据输出第七向量数据，并将第七向量数据输入至所述第一神经网络的第一输入层中，以使所述第一输入层根据所述第七向量数据确定第一控制器的第一参数。
其中，所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据的方式为：控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，其中，所述记忆细胞网络，包括：所述遗忘门和输入门；控制所述记忆细胞网络根据所述隐藏向量数据、所述第六向量数据和所述第一输出确定所述输入门的第二输出；根据所述第二输出确定所述第七向量数据。
具体的，通过以下公式确定所述第一输出：
，其中，/>和/>为权重参数，/>和/>为两个偏置，/>为激活函数，/>为所述隐藏向量数据，/>为所述第六向量数据。
本申请实施例，通过记忆细胞网络进行信息传递，记忆细胞网络有三个门，分别是遗忘门（forgetgate）、输入门（inputgate）和输出门（outputgate）。对于当前出风装置的神经网络，遗忘门控制来自上一级出风装置神经网络的第二个隐藏层输出的隐藏向量数据h(t−1)有多少被遗忘，输入门控制当前出风装置的神经网络的第二个隐藏层的输入值xt，输出门控制当前出风装置的神经网络的第二个隐藏层的隐藏向量数据ht（相当于上述第七向量数据）的输出。
遗忘门控制来自上一级出风装置的神经网络的第二个隐藏层输出的隐藏向量数据有多少被遗忘，如下公式所示，通过对/>和xt加权求和，可以得到遗忘门的输出ft，其中Wif和Whf是权重参数，bhf和bif是两个偏置，σ是激活函数。也即，遗忘门会选择性忘记一些不重要信息，而只保留重要信息。
。
输入门控制当前出风装置的神经网络的第二个隐藏层的输入值xt和上一级出风装置的神经网络的第二个隐藏层输出的隐藏向量数据，通过公式可以得到it，并通过公式，将t时刻的单元状态更新为Ct。
输出门决定信息的输出，它由当前出风装置的神经网络的第二个隐藏层的输入值xt和上一级出风装置的神经网络的第二个隐藏层输出的隐藏向量数据计算所得。当前结构的输出ht可以由以下公式计算确定：
本申请实施例中，通过以上计算可以将上一级神经网络的信息传递给下一级神经网络，从而达到跨级协作的目的、使不同层级的风扇可以协同工作，从而节约能耗。
可选地，根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号，包括：所述第二连接权重与所述第一向量数据相乘，以得到第八向量数据，以及，所述第三连接权重与所述第二向量数据相乘，以得到第九向量数据；根据所述第八向量数据和所述第九向量数据确定所述第二控制信号。
可选地，根据所述第八向量数据和所述第九向量数据确定所述第二控制信号，包括：将所述第八向量数据和所述第九向量数据进行相加，得到第十向量数据；将所述第十向量数据输入至所述第二神经网络的第四隐藏层，以使所述第四隐藏层根据所述第十向量数据输出第十一向量数据；根据所述第十一向量数据确定第二控制器的第二参数，其中，所述第二网络模型包括：所述第二控制器；控制所述第二控制器根据所述第二参数确定所述第二控制信号。
以上述权重矩阵为例，，其中，/>可以理解为第一向量数据，/>可以理解为第二向量数据，/>可以理解为第五向量数据，/>可理解为第十向量数据；将第十向量数据输入至第二神经网络的第四隐藏层，第四隐藏层根据所述第十向量数据输出第十一向量数据；根据所述第十一向量数据确定第二控制器的第二参数。
进一步地，通过以下方式确定第一隐藏层输出的第一向量数据：将所述第一出风装置的第一预设温度、第一转速、第一温度误差和第一功率输入至所述第一神经网络的第一输入层，其中，所述第一温度误差为所述第一预设温度与第一实际温度的差值，所述第一实际温度为所述第一出风装置基于所述第一转速产生的温度值；所述第一输入层基于所述第一预设温度、所述第一转速、所述第一温度误差和所述第一功率输出第十二向量数据；将所述第十二向量数据输出至所述第一隐藏层，以使所述第一隐藏层根据所述第十二向量数据输出所述第一向量数据。
在本申请实施例中，神经网络包括：四个输入，其中，上述四个输入为：第一出风装置的第一预设温度、第一转速、第一温度误差和第一功率，进而根据上述四个输入输出第一向量数据。
现有技术中的调控策略只关注风扇的转速而忽略了风扇的功率，导致现有方案会出现风扇转速过大的情况。而本申请实施例中，加入功率的限制项，可以在调控风扇转速的基础上，控制风扇的功率，进而达到节约能效的目的。
可选地，确定第二隐藏层输出的第二向量数据，包括：将所述第二出风装置的第二预设温度、第二转速、第二温度误差和第二功率输入至所述第二神经网络的第二输入层，其中，所述第二温度误差为所述第二预设温度与第二实际温度的差值，所述第二实际温度为所述第二出风装置基于所述第二转速产生的温度值；所述第二输入层基于所述第二预设温度、所述第二转速、所述第二温度误差和所述第二功率输出第十三向量数据；将所述第十三向量数据输出至所述第二隐藏层，以使所述第二隐藏层根据所述第十三向量数据输出所述第二向量数据。
在本申请实施例中，神经网络包括：四个输入，其中，上述四个输入为：第二出风装置的第二预设温度、第二转速、第二温度误差和第二功率，进而根据上述四个输入输出第二向量数据。
现有技术中的调控策略只关注风扇的转速而忽略了风扇的功率，导致现有方案会出现风扇转速过大的情况。而本申请实施例中，加入功率的限制项，可以在调控风扇转速的基础上，控制风扇的功率，进而达到节约能效的目的。
可选地，在确定第一出风装置对应的第一网络模型之前，所述方法还包括：基于优化函数对所述第一神经网络进行优化，以确定训练好的第一神经网络，其中，所述优化函数J如下：
，其中，为预设温度和实际温度的偏差值，/>为实际功率映射后的功率，/>为常数，/>为所述预设温度，/>为所述实际温度，n为控制变量的数量，m为采样数据的数量。
在本申请实施例中，为了达到节约能耗，降低PUE的目的，成本函数如下：
；
公式中为α为常数，用来控制功率所占的比例大小，因为次序只是在一定程度上限定功率的值，而非使其最小，所以α应设为一个较小的。
可选地，通过以下公式确定：
，其中，/>为所述实际功率，/>为最大功率，/>为最小功率，/>是功率的映射值，/>是最大温度误差值，/>是最小温度误差值。
由于是所控制风扇的功率，在输入时需要将风扇所对应的功率映射到与误差同等范围内。
显然，上述所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。为了更好的理解上述方法，以下结合实施例对上述过程进行说明，但不用于限定本发明实施例的技术方案，具体地
本发明提出了一个智能协同的服务器及机柜风扇散热框架，可以针对不同层级的风扇同时精准控制，如图3所示，分别为器部件风扇（如GPU、网卡）、服务器风扇和机柜风扇的三级风扇体系（如器部件级无风扇，则变为两级风扇体系，即服务器风扇及机柜风扇）。相比于每一个风扇需要单独设计一个算法，基于本申请实施例可以加快调控速度，减少算法的复杂程度；相比于使用一个算法控制所有风扇，本申请实施例可以相对精准的调控每一个风扇，达到精准散热的目的；此外，本申请实施例可以还可以达到不同风扇可以协同工作，精准控制不同风扇，达到降低能耗的效果。
为了实现上述协同控制不同风扇，本申请实施例提供了一种协同控制不同风扇的装置，其中，上述装置有以下模块：基础网络模块、同级协作网络模块和跨级协作网络模块；
基础网络模块：由一个神经网络和一个PID控制器组成。神经网络的作用是通过学习历史数据和实时反馈，生成适当的风扇转速调节值，并将其传递给PID控制器。PID控制器根据神经网络提供的值和当前系统状态，计算出最终的风扇转速控制信号，从而实现对风扇的精准调控。
同级协作网络模块：用于解决同级网络之间的通信问题。在同级网络中引入学习模块，使得同一层级的不同网络能够相互协助、共享信息。通过学习模块，同级网络可以共同优化风扇转速的调节策略，实现更加智能和协同的散热效果。
跨级协作网络模块：用于解决不同层级网络之间的消息传递问题。通过引入LSTM的cell网络，前级网络可以将关键信息编码为状态向后级网络传递，从而实现跨层级的信息传递和协作。这种跨级协作机制使得系统能够更好地适应不同层级之间的调节需求，提高了系统的整体效率。
其中，上述基础网络模块的结构示意图，如图4所示，基础网络模块由一个标准的PID控制器和一个神经网络组成。神经网络的作用是学习PID控制器的Kp、Ki和Kd的值，PID控制器接收神经网络的输出并进行控制对应的风扇。
PID控制器的示意图如图5所示，PID控制器主要通过对调节比例（proportion）、积分（integration）和微分（derivative）来达到调节控制的目的，初始的Kp、Ki和Kd主要基于经验来设置。PID控制算法综合了比例、积分和微分三种控制策略，以实现对系统的精确控制。比例项着眼于当前误差，以快速响应系统的变化；积分项着眼于历史误差，以消除稳态误差；微分项着眼于未来误差，以提高系统的动态响应。
PID控制器的输入和输出依赖于具体场景，本申请实施例中通过PID控制器来控制风扇，进而达到调控温度的目的，图5中的为调控的目标温度（相当于上述实施例中的预设温度），u/>为PWM信号，用于控制风扇的转速，/>为系统调控后的输出，即风扇的实际温度，可以使用sensor来获取。PID控制器的实际输入为目标温度与实际温度之间的误差，具体公式如下：
；
下列公式是PID在连续系统中的控制方式：
；
上述神经网络的结构示意图，如图6所示，本申请实施例中的神经网络增加了一层隐藏层，并增加了一个输入。输入层有四个输入，分别为：
其中，是调控的目标温度，/>为控制系统的输出，/>为目标温度和实际温度的误差，/>为调控风扇的功率。因为现有调控策略只关注风扇的转速而忽略了风扇的功率，导致现有方案会出现风扇转速过大的情况。加入功率的限制项/>，可以在调控风扇转速的基础上，控制风扇的功率，进而达到节约能效的目的。神经网络的输出为/>、/>和/>，即为PID控制器所需的参数。
在本申请实施例中，神经网络的连接权重是按照梯度进行更新权重的，更新的目标是使成本最小化，具体在此场景中为温度的差值，成本函数可以定义为：
；
其中，为目标温度和实际温度的偏差值，n是控制变量的数量，m为采样数据的数目。
在本申请实施例中，为了达到节约能耗，降低PUE的目的，将成本函数改进为：
；
公式中为α为常数，用来控制功率所占的比例大小，因为次序只是在一定程度上限定功率的值，而非使其最小，所以α应设为一个较小的常数。是所控制风扇的功率，在输入时需要将风扇所对应的功率映射到与误差同等范围内。具体的映射公式如下：
；
其中，是功率的输入值，/>和/>分别是功率的最大值和最小值，/>是功率的映射值，/>和/>是误差的最大值和最小值。
在同一层级的风扇中，本申请实施例中通过同级协作网络模块实现同一层级的风扇的协同；例如服务器的风扇排列方式为A、B、C、D，那么在A和B、B和C、C和D之间均有网络进行通信，以A和B为例，如图7的方式，在A和B之间的第m层和第n层增加一个网络，用来共享两个网络的参数，矩阵的更新方式如下：
；其中，/>为A的隐藏层m输出的向量数据；/>为B的隐藏层m输出的向量数据；/>为A的隐藏层m和隐藏层n之间的连接权重，/>为B的隐藏层m到A的隐藏层m的连接的连接权重；/>为A的隐藏层m到B的隐藏层m的连接的连接权重；/>为B的隐藏层m和隐藏层n之间的连接权重，/>为输入至A的隐藏层n的向量数据；/>为输入至B的隐藏层n的向量数据。
在上述网络结构中，相邻的网络单元可以共享参数，以实现相互协调的工作，并且减少相邻单元之间的相互影响。有助于模型更好地捕捉到数据中的局部相关性和统计规律，从而提高模型的泛化能力和效率，使得相邻风扇可以协调工作，避免了相邻风扇之间的相互影响。
在不同层级的风扇中，本申请实施例中通过跨级协作网络模块实现同一层级的风扇的协同；在多级架构中，本方案采用LSTM的cell细胞网络连接不同层级的网络，也即在器部件层级的网络和服务器风扇网络之间增加一个LSTM的cell细胞网络连接。
在三级架构中，器部件先产生热量，然后器部件风扇开始调整转速，并传递至服务器风扇，再传递到机柜风扇，这里存在一个先后顺序，这与LSTM顺序传播的特性相符，借助此网络可以将信息传递给下一级网络。
本申请通过跨级协作网络模块进行信息传递，如图8所示。LSTM结构单元有三个门，分别是遗忘门（forgetgate）、输入门（inputgate）和输出门（outputgate）。当前出风装置的神经网络，遗忘门控制来自上一级风扇神经网络（t-1）的隐藏层值有多少被遗忘，输入门控制当前风扇的神经网络输入值xt，输出门控制隐藏层值ht的输出。
遗忘门控制来自上一级风扇神经网络（t-1）的隐藏层值有多少被遗忘，如下公式所示，通过对/>和当前输入xt加权求和，可以得到遗忘门的输出ft，其中Wif和Whf是权重参数，bhf和bif是两个偏置，σ是激活函数。也即，遗忘门会选择性忘记一些不重要信息，而只保留重要信息。
。
输入门控制当前风扇的神经网络输入值xt和上一级神经网络的隐层值，通过公式可以得到it，并通过公式，将t时刻的单元状态更新为Ct。
。
输出门决定信息的输出，它由当前神经网络的输入xt和上一级神经网络计算所得。当前结构的输出ht可以由以下公式计算所得：
；
。
通过以上计算可以将上一级神经网络的信息传递给下一级神经网络，从而达到跨级协作的目的、使不同层级的风扇可以协同工作，从而节约能耗。
本申请实施例，可以实时监测服务器和机柜内部的温度，并根据实际情况自动调整风扇的转速；通过同级协同工作的网络结构，以保证同级别风扇相邻风扇之间能够传递信息，达到传递信息的目的；有别于其它只以温度相关参数作为输入的方案，本申请实施例提出了以功率作为输入来限制风扇功率的方法；本申请实施例提出了跨级协同工作的网络结构，可以使跨级风扇协同工作。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
在本实施例中还提供了一种控制信号的确定装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图9是根据本申请实施例的控制信号的确定装置的结构框图，如图9所示，该装置包括：
第一确定模块92，用于确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；
第二确定模块94，用于根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
通过上述装置，第一确定模块，确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；第二确定模块，根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。即本申请实施例，同一层级的风扇相邻风扇之间共享神经网络的网络参数，以根据共享的网络参数确定每个风扇对应的控制信号，进而可以协同调节风扇，因此，可以解决无法协同调节风扇的问题。
可选地，第二确定模块94，用于确定第一隐藏层输出的第一向量数据，以及确定第二隐藏层输出的第二向量数据，其中，所述第一神经网络包括：所述第一隐藏层，所述第二神经网络包括：所述第二隐藏层；确定所述第一隐藏层到所述第一神经网络的第三隐藏层的连接对应的第一连接权重、确定所述第一隐藏层到所述第二隐藏层的连接对应的第二连接权重、确定所述第二隐藏层到所述第二神经网络的第四隐藏层的第三连接权重、以及确定所述第二隐藏层到所述第一隐藏层的连接的第四连接权重，其中，所述第一网络参数包括：所述第一连接权重和所述第四连接权重，所述第二网络参数包括：所述第二连接权重和所述第三连接权重；根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，以及根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号。
可选地，第二确定模块94，用于所述第一连接权重与所述第一向量数据相乘，以得到第三向量数据，以及，所述第四连接权重与所述第二向量数据相乘，以得到第四向量数据；根据所述第三向量数据和所述第四向量数据确定所述第一控制信号。
可选地，第二确定模块94，用于将所述第三向量数据和所述第四向量数据进行相加，得到第五向量数据；将所述第五向量数据输入至所述第一神经网络的第三隐藏层，以使所述第二隐藏层根据所述第五向量数据输出第六向量数据；根据所述第六向量数据确定第一控制器的第一参数，其中，所述第一网络模型包括：所述第一控制器；控制所述第一控制器根据所述第一参数确定所述第一控制信号。
可选地，第二确定模块94，用于确定第三出风装置对应的第三网络模型，其中，所述第三网络模型包括：第三神经网络，所述第三出风装置为所述第一出风装置的上一层级的出风装置；确定所述第三神经网络中的第五隐藏层输出的隐藏向量数据，以及确定所述第一出风装置对应的记忆细胞网络，其中，所述记忆细胞网络用于连接所述第三神经网络和所述第一神经网络；将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据；将所述第七向量数据输入至所述第一神经网络的第一输入层中，以使所述第一输入层根据所述第七向量数据确定第一控制器的第一参数。
可选地，第二确定模块94，用于控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，其中，所述记忆细胞网络，包括：所述遗忘门和输入门；控制所述记忆细胞网络根据所述隐藏向量数据、所述第六向量数据和所述第一输出确定所述输入门的第二输出；根据所述第二输出确定所述第七向量数据。
可选地，第二确定模块94，用于通过以下公式确定所述第一输出：
，其中，/>和/>为权重参数，/>和/>为两个偏置，/>为激活函数，/>为所述隐藏向量数据，/>为所述第六向量数据。
可选地，第二确定模块94，用于所述第二连接权重与所述第一向量数据相乘，以得到第八向量数据，以及，所述第三连接权重与所述第二向量数据相乘，以得到第九向量数据；根据所述第八向量数据和所述第九向量数据确定所述第二控制信号。
可选地，第二确定模块94，用于将所述第八向量数据和所述第九向量数据进行相加，得到第十向量数据；将所述第十向量数据输入至所述第二神经网络的第四隐藏层，以使所述第四隐藏层根据所述第十向量数据输出第十一向量数据；根据所述第十一向量数据确定第二控制器的第二参数，其中，所述第二网络模型包括：所述第二控制器；控制所述第二控制器根据所述第二参数确定所述第二控制信号。
可选地，第二确定模块94，用于将所述第一出风装置的第一预设温度、第一转速、第一温度误差和第一功率输入至所述第一神经网络的第一输入层，其中，所述第一温度误差为所述第一预设温度与第一实际温度的差值，所述第一实际温度为所述第一出风装置基于所述第一转速产生的温度值；所述第一输入层基于所述第一预设温度、所述第一转速、所述第一温度误差和所述第一功率输出第十二向量数据；将所述第十二向量数据输出至所述第一隐藏层，以使所述第一隐藏层根据所述第十二向量数据输出所述第一向量数据。
可选地，第二确定模块94，用于将所述第二出风装置的第二预设温度、第二转速、第二温度误差和第二功率输入至所述第二神经网络的第二输入层，其中，所述第二温度误差为所述第二预设温度与第二实际温度的差值，所述第二实际温度为所述第二出风装置基于所述第二转速产生的温度值；所述第二输入层基于所述第二预设温度、所述第二转速、所述第二温度误差和所述第二功率输出第十三向量数据；将所述第十三向量数据输出至所述第二隐藏层，以使所述第二隐藏层根据所述第十三向量数据输出所述第二向量数据。
可选地，上述装置还包括，优化模块，用于基于优化函数对所述第一神经网络进行优化，以确定训练好的第一神经网络，其中，所述优化函数J如下：
，其中，/>为预设温度和实际温度的偏差值，/>为实际功率映射后的功率，/>为常数，/>为所述预设温度，/>为所述实际温度，n为控制变量的数量，m为采样数据的数量。
可选地，优化模块，用于通过以下公式确定：
，其中，/>为所述实际功率，/>为最大功率，/>为最小功率，/>是功率的映射值，/>是最大温度误差值，是最小温度误差值。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本申请的实施例还提供了一种电子设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本申请的实施例还提供了一种计算机程序产品，上述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
本申请的实施例还提供了另一种计算机程序产品，包括非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现上述任一项方法实施例中的步骤。
本中请的实施例还提供了一种计算机程序，该计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质；计算机设备的处理器从计算机可读存储介质读取该计算机指令，处埋器执行该计算机指令，使得该计算机设备执行上述任一项方法实施例中的步骤。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (17)
1.一种控制信号的确定方法，其特征在于，
包括：
确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；
根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
2.根据权利要求1所述的方法，其特征在于，
根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，包括：
确定第一隐藏层输出的第一向量数据，以及确定第二隐藏层输出的第二向量数据，其中，所述第一神经网络包括：所述第一隐藏层，所述第二神经网络包括：所述第二隐藏层；
确定所述第一隐藏层到所述第一神经网络的第三隐藏层的连接对应的第一连接权重、确定所述第一隐藏层到所述第二隐藏层的连接对应的第二连接权重、确定所述第二隐藏层到所述第二神经网络的第四隐藏层的第三连接权重、以及确定所述第二隐藏层到所述第一隐藏层的连接的第四连接权重，其中，所述第一网络参数包括：所述第一连接权重和所述第四连接权重，所述第二网络参数包括：所述第二连接权重和所述第三连接权重；
根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，以及根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号。
3.根据权利要求2所述的方法，其特征在于，
根据所述第一连接权重、所述第二连接权重、所述第一向量数据和所述第二向量数据确定所述第一网络模型输出的第一控制信号，包括：
所述第一连接权重与所述第一向量数据相乘，以得到第三向量数据，以及，
所述第四连接权重与所述第二向量数据相乘，以得到第四向量数据；
根据所述第三向量数据和所述第四向量数据确定所述第一控制信号。
4.根据权利要求3所述的方法，其特征在于，
根据所述第三向量数据和所述第四向量数据确定所述第一控制信号，包括：
将所述第三向量数据和所述第四向量数据进行相加，得到第五向量数据；
将所述第五向量数据输入至所述第一神经网络的第三隐藏层，以使所述第二隐藏层根据所述第五向量数据输出第六向量数据；
根据所述第六向量数据确定第一控制器的第一参数，其中，所述第一网络模型包括：所述第一控制器；
控制所述第一控制器根据所述第一参数确定所述第一控制信号。
5.根据权利要求4所述的方法，其特征在于，
根据所述第六向量数据确定第一控制器的第一参数，包括：
确定第三出风装置对应的第三网络模型，其中，所述第三网络模型包括：第三神经网络，所述第三出风装置为所述第一出风装置的上一层级的出风装置；
确定所述第三神经网络中的第五隐藏层输出的隐藏向量数据，以及确定所述第一出风装置对应的记忆细胞网络，其中，所述记忆细胞网络用于连接所述第三神经网络和所述第一神经网络；
将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据；
将所述第七向量数据输入至所述第一神经网络的第一输入层中，以使所述第一输入层根据所述第七向量数据确定第一控制器的第一参数。
6.根据权利要求5所述的方法，其特征在于，
将所述隐藏向量数据和所述第六向量数据输入至所述记忆细胞网络中，以使所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定第七向量数据，包括：
控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，其中，所述记忆细胞网络，包括：所述遗忘门和输入门；
控制所述记忆细胞网络根据所述隐藏向量数据、所述第六向量数据和所述第一输出确定所述输入门的第二输出；
根据所述第二输出确定所述第七向量数据。
7.根据权利要求6所述的方法，其特征在于，
控制所述记忆细胞网络根据所述隐藏向量数据和所述第六向量数据确定遗忘门的第一输出，包括：
通过以下公式确定所述第一输出：
，其中，/>和/>为权重参数，/>和/>为两个偏置，/>为激活函数，/>为所述隐藏向量数据，/>为所述第六向量数据。
8.根据权利要求2所述的方法，其特征在于，
根据所述第三连接权重、所述第四连接权重、所述第一向量数据和所述第二向量数据确定所述第二网络模型输出的第二控制信号，包括：
所述第二连接权重与所述第一向量数据相乘，以得到第八向量数据，以及，
所述第三连接权重与所述第二向量数据相乘，以得到第九向量数据；
根据所述第八向量数据和所述第九向量数据确定所述第二控制信号。
9.根据权利要求8所述的方法，其特征在于，
根据所述第八向量数据和所述第九向量数据确定所述第二控制信号，包括：
将所述第八向量数据和所述第九向量数据进行相加，得到第十向量数据；
将所述第十向量数据输入至所述第二神经网络的第四隐藏层，以使所述第四隐藏层根据所述第十向量数据输出第十一向量数据；
根据所述第十一向量数据确定第二控制器的第二参数，其中，所述第二网络模型包括：所述第二控制器；
控制所述第二控制器根据所述第二参数确定所述第二控制信号。
10.根据权利要求2所述的方法，其特征在于，
确定第一隐藏层输出的第一向量数据，包括：
将所述第一出风装置的第一预设温度、第一转速、第一温度误差和第一功率输入至所述第一神经网络的第一输入层，其中，所述第一温度误差为所述第一预设温度与第一实际温度的差值，所述第一实际温度为所述第一出风装置基于所述第一转速产生的温度值；
所述第一输入层基于所述第一预设温度、所述第一转速、所述第一温度误差和所述第一功率输出第十二向量数据；
将所述第十二向量数据输出至所述第一隐藏层，以使所述第一隐藏层根据所述第十二向量数据输出所述第一向量数据。
11.根据权利要求2所述的方法，其特征在于，
确定第二隐藏层输出的第二向量数据，包括：
将所述第二出风装置的第二预设温度、第二转速、第二温度误差和第二功率输入至所述第二神经网络的第二输入层，其中，所述第二温度误差为所述第二预设温度与第二实际温度的差值，所述第二实际温度为所述第二出风装置基于所述第二转速产生的温度值；
所述第二输入层基于所述第二预设温度、所述第二转速、所述第二温度误差和所述第二功率输出第十三向量数据；
将所述第十三向量数据输出至所述第二隐藏层，以使所述第二隐藏层根据所述第十三向量数据输出所述第二向量数据。
12.根据权利要求1所述的方法，其特征在于，
在确定第一出风装置对应的第一网络模型之前，所述方法还包括：
基于优化函数对所述第一神经网络进行优化，以确定训练好的第一神经网络，其中，所述优化函数J如下：
，其中，/>为预设温度和实际温度的偏差值，/>为实际功率映射后的功率，/>为常数，/>为所述预设温度，/>为所述实际温度，n为控制变量的数量，m为采样数据的数量。
13.根据权利要求12所述的方法，其特征在于，
通过以下公式确定：
，其中，/>为所述实际功率，为最大功率，/>为最小功率，/>是功率的映射值，/>是最大温度误差值，/>是最小温度误差值。
14.一种控制信号的确定装置，其特征在于，
包括：
第一确定模块，用于确定第一出风装置对应的第一网络模型，以及确定相邻位置的第二出风装置对应的第二网络模型，其中，所述第一网络模型包括：第一神经网络，所述第二网络模型包括：第二神经网络，所述第一出风装置和所述第二出风装置为同一层级的出风装置；
第二确定模块，用于根据所述第一神经网络的第一网络参数和所述第二神经网络的第二网络参数确定所述第一网络模型输出的第一控制信号，以及确定所述第二网络模型输出的第二控制信号，其中，所述第一控制信号用于控制所述第一出风装置的转速，所述第二控制信号用于控制所述第二出风装置的转速。
15.一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中存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述权利要求1至13任一项中所述的方法的步骤。
16.一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，
所述处理器执行所述计算机程序时实现所述权利要求1至13任一项中所述的方法的步骤。
17.一种计算机程序产品，包括计算机程序，其特征在于，
所述计算机程序被处理器执行时实现权利要求1至13任一项中所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410379843.0A CN117971023B (zh) | 2024-03-29 | 2024-03-29 | 控制信号的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410379843.0A CN117971023B (zh) | 2024-03-29 | 2024-03-29 | 控制信号的确定方法、装置、存储介质及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117971023A true CN117971023A (zh) | 2024-05-03 |
| CN117971023B CN117971023B (zh) | 2024-06-21 |
Family
ID=90859888
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410379843.0A Active CN117971023B (zh) | 2024-03-29 | 2024-03-29 | 控制信号的确定方法、装置、存储介质及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117971023B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9846444B1 (en) * | 2017-06-07 | 2017-12-19 | Aic Inc. | Method for controlling and adjusting fans of electronic apparatus |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
| CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
| US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
| CN115915734A (zh) * | 2023-03-02 | 2023-04-04 | 苏州浪潮智能科技有限公司 | 风扇运行控制方法、装置、电子设备及存储介质 |
| 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 |
| 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 |
-
2024
- 2024-03-29 CN CN202410379843.0A patent/CN117971023B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9846444B1 (en) * | 2017-06-07 | 2017-12-19 | Aic Inc. | Method for controlling and adjusting fans of electronic apparatus |
| CN108194398A (zh) * | 2017-12-29 | 2018-06-22 | 青岛海信医疗设备股份有限公司 | 风扇控制方法及装置 |
| US20210201155A1 (en) * | 2019-12-30 | 2021-07-01 | Dalian University Of Technology | Intelligent control method for dynamic neural network-based variable cycle engine |
| CN111963471A (zh) * | 2020-08-14 | 2020-11-20 | 苏州浪潮智能科技有限公司 | 一种风扇转速控制方法和装置 |
| CN115915734A (zh) * | 2023-03-02 | 2023-04-04 | 苏州浪潮智能科技有限公司 | 风扇运行控制方法、装置、电子设备及存储介质 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117971023B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aoudia et al. | RLMan: An energy manager based on reinforcement learning for energy harvesting wireless sensor networks | |
| Hu et al. | Event-triggered controller design of nonlinear discrete-time networked control systems in TS fuzzy model | |
| Ge et al. | Direct adaptive NN control of a class of nonlinear systems | |
| Lucia et al. | Predictive control, embedded cyberphysical systems and systems of systems–A perspective | |
| WO2016195117A1 (en) | Method and system for controlling operation of machine | |
| CN113517721B (zh) | 含高比例分布式电源的多元配电网协同调控方法及系统 | |
| Ran et al. | Optimizing energy efficiency for data center via parameterized deep reinforcement learning | |
| Zang et al. | Federated deep reinforcement learning for online task offloading and resource allocation in WPC-MEC networks | |
| Sambariya et al. | A novel fuzzy rule matrix design for fuzzy logic-based power system stabilizer | |
| Dai et al. | Distributed economic MPC for dynamically coupled linear systems with uncertainties | |
| Odili et al. | African buffalo optimization approach to the design of PID controller in automatic voltage regulator system | |
| CN117519333A (zh) | 自整定pid温度控制方法、装置、存储介质及电子设备 | |
| Gruber et al. | Min–Max MPC based on an upper bound of the worst case cost with guaranteed stability. Application to a pilot plant | |
| CN117971023B (zh) | 控制信号的确定方法、装置、存储介质及电子设备 | |
| Fan et al. | Event‐triggered integral sliding mode control for fractional order T‐S fuzzy systems via a fuzzy error function | |
| Lin et al. | Adaptive fuzzy H∞ tracking design of SISO uncertain nonlinear fractional order time-delay systems | |
| CN117967595A (zh) | 基于模糊pid算法的风扇控制方法、系统及介质 | |
| CN113064480A (zh) | 一种基于多智能体强化学习的多数据中心协同节能方法 | |
| Alagoz et al. | Adaptive control of nonlinear TRMS model by using gradient descent optimizers | |
| Hassan et al. | Constrained load-frequency control | |
| Wang et al. | Resource allocation algorithm for MEC based on Deep Reinforcement Learning | |
| CN107968444B (zh) | 一种新能源集群协调优化控制方法 | |
| Wang et al. | An adaptive gradient method with differentiation element in deep neural networks | |
| WO2022137244A1 (en) | Methods and apparatuses of determining for controlling a multi-agent reinforcement learning environment | |
| WO2017036131A1 (zh) | 一种实现idc功耗控制的方法及装置 |
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 |