TWI811858B

TWI811858B - 溫度控制系統及其控制方法

Info

Publication number: TWI811858B
Application number: TW110143286A
Authority: TW
Inventors: 李建明; 童凱煬
Original assignee: 英業達股份有限公司
Priority date: 2021-11-19
Filing date: 2021-11-19
Publication date: 2023-08-11
Also published as: TW202321856A

Abstract

一種溫度控制方法，包括下列步驟：驅動溫度控制裝置，以對第一伺服器及第二伺服器產生空氣循環；持續監測溫度控制裝置、第一伺服器及第二伺服器的運作狀態，以建立第一學習模型；接收溫度控制裝置之溫度控制狀態資料、第一伺服器的第一狀態資料及第二伺服器的第二狀態資料，其中第一狀態資料包含第一伺服器之第一溫度，第二狀態資料包含第二伺服器之第二溫度；將溫度控制狀態資料、第一狀態資料及第二狀態資料輸入至第一學習模型中，以取得第一學習模型輸出的第一溫度預估值；以及根據第一溫度預估值調整溫度控制裝置。

Description

溫度控制系統及其控制方法

本揭示內容關於一種溫度控制系統及其控制方法，特別是根據機房或機櫃溫度，驅動溫度控制裝置之技術。

隨著物聯網（IOT）、人工智慧與網路技術的發展，「機房」（即，資料中心）的建置越來越受到重視。機房係指透過機櫃系統性地設置大量伺服器，以便管理與維護資料數據的空間。目前業界針對機房的具體技術要求，建立有標準化準則。

機櫃冷卻指標（Rack Cooling Index, RCI）指每個機櫃進風的溫度值（rack intake temperature），舉例而言，機櫃的進風溫度不應超出18~27℃的範圍，當進風溫度比18℃還低，就表示機房的溫度控制系統是處於過度耗能的狀態；反之，若進風溫度高於27℃，就表示溫度控制設備製冷的效率不佳。當機櫃的進氣溫度過高時，才致動溫度控制設備，受到時間延遲的不確定性，可能造成溫度控制設備有反應不及的疑慮；再者，機櫃因高度效應及其伺服器負載的變化，使得進氣溫度與機櫃高度呈現多變的梯度變化，如此也增加機櫃進氣溫度控制的難度。

機房溫度的管控時常面臨兩難，機房設計時，其溫度控制設備通常過度設計以確保維持機房低溫可以即時散熱，保持系統運作良好。但這也將會使營運成本居高不下，造成冷卻成本過高。因此，如何在確保伺服器運轉正常的情況下，兼顧溫度控制系統的耗能與效率，將是當前一大課題。

本揭示內容係關於一種溫度控制方法，包括下列步驟：驅動溫度控制裝置，以對第一伺服器及第二伺服器產生空氣循環；持續監測溫度控制裝置、第一伺服器及第二伺服器的運作狀態，以建立第一學習模型，其中第一學習模型用以預測第一伺服器的溫度變化；接收溫度控制裝置之溫度控制狀態資料、第一伺服器的第一狀態資料及第二伺服器的第二狀態資料，其中第一狀態資料包含第一伺服器之第一溫度，第二狀態資料包含第二伺服器之第二溫度；將溫度控制狀態資料、第一狀態資料及第二狀態資料輸入至第一學習模型中，以取得第一學習模型輸出的第一溫度預估值；以及根據第一溫度預估值調整溫度控制裝置。

本揭示內容還關於一種溫度控制系統，適用於資料中心，包含溫度控制裝置、第一感測器、第二感測器及分析裝置。溫度控制裝置用以對第一伺服器及第二伺服器產生空氣循環。第一感測器用以檢測該第一伺服器的運作狀態，並取得第一狀態資料。第二感測器用以檢測該第二伺服器的運作狀態，並取得第二狀態資料。分析裝置電性連接於溫度控制裝置、第一感測器及第二感測器，用以持續監測溫度控制裝置、第一伺服器及第二伺服器的運作狀態，以建立第一學習模型。分析裝置還用以將溫度控制裝置之溫度控制狀態資料、第一狀態資料之第一溫度及第二狀態資料之第二溫度輸入至第一學習模型，以取得第一學習模型輸出的第一溫度預估值，且分析裝置用以根據第一溫度預估值，調整該溫度控制裝置。

據此，溫度控制系統係根據每個伺服器分別建立學習模型，除了可減少訓練模型、預測溫度的運算複雜度，更可透過每個伺服器分別建立的學習模型，預測機櫃的進氣溫度梯度分布的數個時間單位後的變化，使得溫度控制系統能在判斷出未來溫度將超出預設範圍時，預先調整溫度控制裝置，確保伺服器的運作效率與溫度控制裝置的耗能，具備優化能源效益的功能。

以下將以圖式揭露本發明之複數個實施方式，為明確說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本發明。也就是說，在本發明部分實施方式中，這些實務上的細節是非必要的。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之。

於本文中，當一元件被稱為「連接」或「耦接」時，可指「電性連接」或「電性耦接」。「連接」或「耦接」亦可用以表示二或多個元件間相互搭配操作或互動。此外，雖然本文中使用「第一」、「第二」、…等用語描述不同元件，該用語僅是用以區別以相同技術用語描述的元件或操作。除非上下文清楚指明，否則該用語並非特別指稱或暗示次序或順位，亦非用以限定本發明。

本揭示內容係關於一種溫度控制系統100及其控制方法。第1A及1B圖所示為根據本揭示內容之部份實施例的溫度控制系統100示意圖。在本實施例中，溫度控制系統100應用於資料中心之機房（如第1A圖所示），機房中包含多個機櫃200。每個機櫃200具有多個置放空間，用以供設置多個伺服器D1～D10。每個伺服器D1～D10可包含發熱片(Heater)、風扇(Fan)及其散熱模組、以及無線模組(Wireless module)，且可控制風扇轉速、控制發熱片之功率，以及擷取伺服器內部溫度。由於本領域人士能理解機櫃200之結構及伺服器D1～D10安裝於機櫃的方式，故在此即不贅述。

溫度控制系統100包含溫度控制裝置110、多個感測器S1～S10及分析裝置120。在部份實施例中，溫度控制裝置110包含鼓風機，鼓風機透過馬達帶動風扇，以朝機櫃200的方向產生冷空氣。冷空氣會在多個機櫃200之間形成空氣循環，用以控制機櫃200與伺服器D1～D10的溫度。在一實施例中，溫度控制系統100還包含抽風裝置（圖未示），抽風裝置設置於機櫃200上方，用以協助形成空氣循環。在其他實施例中，溫度控制裝置110亦可產生熱空氣，空氣循環並不以冷空氣為限。

在部份實施例中，機櫃200具有冷通道隔離室(cold chamber)，用引導冷空氣及熱空氣，避免冷熱空氣互相混合。如第1A圖所示之機房，多個機櫃200之間具有冷空氣通道（如：第1A圖中間的箭號），溫度控制裝置110用以對冷空氣通道產生冷空氣，冷空氣在流經伺服器D1～D10後，會從機櫃200後方的熱空氣通道（如：第1A圖兩側的箭號）流出。此外，溫度控制裝置110之鼓風機可設置於機房的高架地板下（即，對應於冷空氣通道之位置），以確保氣流之流量。

在一實施例中，機櫃200中鄰近每個伺服器D1～D10的位置分別設有感測器S1～S10，用以檢測伺服器D1～D10之運作狀態。請參閱第1B圖，機櫃200上對應於每個置放空間的位置設有入風口211及出風口212。在部份實施例中，感測器S1～S10（如：熱電偶）設於對應入風口211之位置，以檢測流向伺服器D1～D10之冷空氣的溫度。在其他實施例中，感測器S1～S10可設於對應出風口212之位置，或者機櫃200中可針對每個伺服器D1～D10的入風口211及出風口212分別設置感測器，用以檢測流經伺服器D1～D10後的冷空氣溫度。在其他部份實施例中，感測器S1～S10還可與伺服器D1～D10相電性連接，用以檢測伺服器D1～D10的負載功率，並將檢測到的數據傳送給分析裝置120。

分析裝置120電性連接於溫度控制裝置110及感測器S1～S10，以持續監測溫度控制裝置110及伺服器D1～D10運作狀態。分析裝置120用以根據監測溫度控制裝置110及伺服器D1～D10運作狀態，分別針對每一個伺服器D1建立對應的學習模型，以預測每個伺服器D1在未來一段時間內的溫度變化。

透過事先建立之學習模型，溫度控制系統100將可透過監測伺服器D1～D10的當前狀態，以預測未來一段時間後的溫度變化。例如：在建立預測第一伺服器D1未來溫度的「第一學習模型」後，第一學習模型可根據溫度控制裝置110及第一伺服器D1、第二伺服器D2的狀態資料，預估第一溫度預估值，並據以即時調整溫度控制裝置110。

以下先以第一感測器S1及第二感測器S2為例，說明溫度控制系統100建立學習模型之方式，由於其餘感測器S3～S10之運作方式與感測器S1、S2相似，故不另外複述：第一感測器S1及第二感測器S2用以檢測第一伺服器D1及第二伺服器D2的運作狀態。在部份實施例中，「運作狀態」包含第一伺服器D1的當前溫度及第二伺服器D2的當前溫度。此外，在建立預測第一伺服器D1未來溫度的「第一學習模型」時，「運作狀態」還可包含第一伺服器D1當前的負載功率、第一伺服器D1內散熱風扇之風扇轉速或風扇轉速的變化趨勢。

前述用以建立學習模型的運作狀態包含（但不限於）以下數據：溫度控制裝置110的冷空氣溫度及冷空氣流速、機櫃200之入風口211或出風口212的溫度、伺服器D1～D11的負載功率、風扇轉速及關鍵元件（如：處理CPU）溫度、伺服器D1～D11的設置位置（如：機櫃高度）等。

在一實施例中，分析裝置120使用深度學習模型（deep learning model），以大量的歷史資料進行訓練，以建立學習模型。以「預測第一伺服器D1之溫度（如：入風口211處之溫度）」的第一學習模型為例，分析裝置120會將溫度控制裝置110、第一伺服器D1及第二伺服器D2的運作狀態（如：當前溫度）設為輸入特徵，且將第一伺服器D1於一段時間（如：三分鐘後）後的溫度設為輸出目標，以深度學習的方式進行訓練。在經過大量訓練後，即可建立輸入特徵與輸出目標之間的映射函數關係（mapping function），即第一學習模型。

在部份實施例中，分析裝置120使用之深度學習模型為GRU(Gated Recurrent Unit) ，GRU是循環神經網絡（RNN-Recurrent Neural Network）的一種，特別用於處理具時間序列(sequence)的資料問題。透過適當的深度學習模型，可週期性的透過新資料更新模型的映射函數關係。

機櫃200整體的進氣溫度的變化受到許多物理變因(physical variable)影響，例如每台伺服器D1～D10的風扇轉速、入風口溫度、出風口溫度及伺服器D1～D20本身功率負載等。如果分析裝置120要直接以「機櫃200的整體溫度」為輸出目標來建立學習模型，則必須將所有的伺服器D1～D10變因設為輸入特徵。如此一來，分析裝置120的運算量將會過大，而難以精確且快速地完成預估。因此，本揭示內容係將學習模型的目標設定為「各個伺服器之溫度」，透過對每一個伺服器的未來溫度進行分別預測，再根據多個預測結果來評估機櫃200的整體溫度。此種「分佈式」的學習模型將可兼顧分析裝置120之運算效率與預估精確性，使溫度控制系統100能在推測出機櫃200的未來溫度將會超出預期範圍時，即時調整溫度控制裝置110。

本揭示內容之溫度控制系統100在建立學習模型時，除了會監測目標伺服器的運作狀態外，還會基於相鄰伺服器的熱交互影響(thermal interaction)同時取得相鄰於目標伺服器的運作狀態，以提昇分析精確性。舉例而言，在建立對於第一伺服器D1的第一學習模型時，除了取得第一伺服器D1的溫度及負載功率外，還會同時取得第二伺服器D2(相鄰於第一伺服器D1)的溫度。在部份實施例中，由於第二伺服器D2的「溫度」會影響第一伺服器D1的溫度，但第二伺服器D2的負載功率並不會影響第一伺服器D1的溫度，因此分析裝置120只將第二伺服器D2的溫度應用於訓練第一學習模型。

在建立學習模型後，溫度控制系統100可持續監控溫度控制裝置110及每個伺服器D1~D10的狀態資料，並將狀態資料輸入至學習模型，以預估每一個伺服器的未來溫度。在此要特別一提者，溫度控制系統100用以建立/訓練學習模型之「運作狀態」與溫度控制系統後續持續監控溫度控制裝置110及每個伺服器D1~D10的「狀態資料」可為相同類型的資料。兩者的差別在於「運作狀態」用以訓練學習模型，「狀態資料」則作為輸入特徵輸入至學習模型，以預測後續一段時間的溫度。

本揭示內容可透過學習模型預測伺服器D1~D10之溫度(如：伺服器內或入風口211處之溫度)，當預測到伺服器D1~D10溫度有過高的疑慮時，即可預先控制溫度控制裝置110之風扇，提昇空氣循環，以實現一種溫度控制系統100的狀態預測器(predictor)。根據學習模型預測之未來溫度變化，將可以根據未來溫度變化之「趨勢」，動態地控制溫度控制系統100。除此之外，本揭示內容之溫度控制系統100亦可適用於不同資料中心的機房配置之散熱模式多變的問題。

第2圖所示為本揭示內容之溫度控制系統控制方法的示意圖。在此根據第1A～2圖說明本揭示內容的運作方式如後。在步驟S201中，溫度控制裝置110被驅動，以對機櫃200中之伺服器D1～D10產生冷空氣，形成空氣循環。

在步驟S202中，分析裝置120持續監測溫度控制裝置110及伺服器D1～D10的運作狀態，以根據溫度控制裝置110及伺服器D1～D10的運作狀態及溫度，建立多個學習模型。學習模型用以預測對應之伺服器在未來一段時間內（如：未來1～3分鐘內）或未來一段時間（1分鐘後）後的溫度變化。

具體而言，以第一學習模型為例，分析裝置120將在一個檢測週期（如：每三分鐘）中，分別接收溫度控制裝置110、第一感測器S1及第二感測器S2傳來的數據。此一數據可包含溫度控制裝置110設定要產生的冷空氣溫度或冷空氣流速、第一伺服器Ｄ1當前的運轉溫度（如：入風口溫度或出風口溫度）及負載功率，以及包含第二伺服器Ｄ2當前的運轉溫度（如：入風口溫度）。分析裝置120會持續接收運作數據，以訓練第一學習模型。例如：將「溫度控制裝置110、第一感測器S1及第二感測器S2的當前運作數據」作為訓練用的輸入特徵，且將第一感測器S1「一分鐘後的實際溫度」作為確認之輸出目標，以使第一學習模型能在多次訓練後，建立起對應於每個輸入特徵的參數或權重值。

相似地，分析裝置120將在一個檢測週期中，持續檢測溫度控制裝置、第二伺服器D2及第一伺服器D1的運作狀態，以建立第二學習模型。在其他部份實施例中，由於第一伺服器D1及第三伺服器D3皆相鄰於第二伺服器D2（即，同一機櫃的上方與下方），因此分析裝置120還用以根據第三伺服器D3之當前溫度建立/訓練第二學習模型。

在步驟S203中，當學習模型建立後，溫度控制系統100即可據以預測機櫃200或伺服器D1～D10的未來溫度是否會超出預設範圍。具體而言，分析裝置120持續地或定期地接收溫度控制裝置110之溫度控制狀態資料、待預測之伺服器的狀態資料（如：第一伺服器D1的第一狀態資料）及相鄰之伺服器的狀態資料（如：第二伺服器D2的第二狀態資料）。

溫度控制狀態資料則可包含溫度控制裝置110的冷空氣溫度或冷空氣流速。在部份實施例中，冷空氣溫度或冷空氣流速可為溫度控制裝置110的設定值，分析裝置120電性連接於溫度控制裝置110，用以取得或調整溫度控制裝置110的冷空氣溫度或冷空氣流速。在其他部份實施例中，機房中對應於溫度控制裝置110的進氣口220上裝設感測器，用以偵測溫度控制裝置110的冷空氣溫度或冷空氣流速。

承上，伺服器的狀態資料可為伺服器的當前溫度。分析裝置120可透過感測器S1～S10，分別取得每個伺服器D1～D10的當前溫度。此外，伺服器的狀態資料還可包含負載功率、當前溫度及/或風扇轉速。在第1B圖所繪示之實施例中，感測器係設置於機櫃200內鄰近伺服器之位置，但在其他實施例中，感測器亦可設置於對應之伺服器的內部。

此外，伺服器的狀態資料還可包含伺服器與溫度控制裝置的距離。舉例而言，第一伺服器D1的第一狀態資料可包含第一伺服器D1與溫度控制裝置110間的第一距離T1。同理，若透過第二學習模型預測第二伺服器D2之溫度，則分析裝置120取得的第二狀態資料可包含第二伺服器D2與溫度控制裝置110間的第二距離。

在步驟S204中，分析裝置120將溫度控制狀態資料、待預測之伺服器與相鄰伺服器之狀態資料輸入至對應之學習模型中，作為輸入特徵。學習模型會根據以建立的參數或權重值，對該些輸入特徵進行運算，以輸出的溫度預估值。舉例而言，分析裝置120將溫度控制狀態資料、第一伺服器D1之第一狀態資料及第二伺服器D2之第二狀態資料輸入至第一學習模型中，以取得第一溫度預估值（如：1分鐘的預測溫度）。

相似地，分析裝置120將溫度控制狀態資料、第一伺服器D1之第一狀態資料及第二伺服器D2之第二狀態資料輸入至第二學習模型中，以取得第二溫度預估值。在其他實施例中，由於第一伺服器D1及第三伺服器D3皆相鄰於第二伺服器D2，因此分析裝置120還用以將第三伺服器D3之當前溫度作為第三狀態資料，輸入至第二學習模型，以取得第二溫度預估值。

在分析裝置120從每個學習模型取得對應的溫度預估值後，分析裝置120將根據該些溫度預估值，計算機櫃200的整體溫度預估值。例如：分析裝置120根據第一溫度預估值及第二溫度預估值，計算或預測機櫃200的整體溫度預估值。分析裝置120可根據內插法，計算機櫃200整體的溫度分佈，或者亦可將取得的最高/最低溫度預估值，作為整體的溫度預估值。

在步驟S205中，當取得整體溫度預估值後，分析裝置120將判斷整體溫度預估值是否超出預設溫度範圍，以據以調整溫度控制裝置110。若整體溫度預估值高於預設溫度上限，則在步驟S206中，分析裝置120控制溫度控制裝置110降低冷空氣溫度，或提昇冷空氣流速。相對地，若整體溫度預估值低於預設溫度下限，在步驟S207中，分析裝置120將控制溫度控制裝置110暫時停止運轉。據此，即可防止機櫃200之溫度超出預設的溫度範圍。

第3圖所示為根據本揭示內容之部份實施例的分散式學習模型之示意圖。如圖所示，溫度控制系統100內建置有多個學習模型M1～Mn，每個學習模型M1～Mn分別對應一個伺服器，且包含特徵抽取模組Ma、訓練模組Mb及溫度預測模組Mc。特徵抽取模組Ma用以自溫度控制裝置110及感測器S1～S10取得輸入特徵Xt，並擷取出所需的數據，例如第一學習模組M1擷取第一伺服器D1及第二伺服器D2的溫度作為輸入特徵。

若輸入特徵Xt對應於已知的輸出目標（即，一段時間後的溫度），則學習模型M1～Mn根據輸入特徵（即，運作狀態）調整訓練模組Mb。若擷取的輸入特徵Xt並未具備對應的輸出目標，則學習模型M1～Mn將輸入特徵（即，狀態資料）輸入至溫度預測模組Mc以預測溫度。如圖所示，每個學習模型M1～Mn會輸出對應的輸出目標Y1～Yn。輸出目標Y1～Yn即為每個學習模型M1～Mn預測的伺服器溫度。根據輸出目標Y1～Yn，分析裝置120可據以計算出機櫃200之整體溫度預估值Yt。

在本揭露內容的一實施方式中，溫度控制方法係可應用於伺服器，該伺服器係可用於人工智慧(Artificial Intelligence，簡稱AI)運算、邊緣運算(edge computing)，亦可當作5G伺服器、雲端伺服器或車聯網伺服器使用。

前述各實施例中的各項元件、方法步驟或技術特徵，係可相互結合，而不以本揭示內容中的文字描述順序或圖式呈現順序為限。

雖然本揭示內容已以實施方式揭露如上，然其並非用以限定本揭示內容，任何熟習此技藝者，在不脫離本揭示內容之精神和範圍內，當可作各種更動與潤飾，因此本揭示內容之保護範圍當視後附之申請專利範圍所界定者為準。

100:溫度控制系統 110:溫度控制裝置 120:分析裝置 200:機櫃 211:入風口 212:出風口 220:進氣口 D1-D10:伺服器 S1-S11:感測器 M1-Mn:學習模型 Ma:特徵抽取模組 Mb:訓練模組 Mc:溫度預測模組 Xt:輸入特徵 Y1-Yn:輸出目標 Yt:整體溫度預估值 T1:第一距離 S201-S207:步驟

第1A圖為根據本揭示內容之部份實施例之溫度控制系統的示意圖。第1B圖為根據本揭示內容之部份實施例之溫度控制系統的示意圖。第2圖為根據本揭示內容之部份實施例之溫度控制系統控制方法之流程圖。第3圖為根據本揭示內容之部份實施例之分佈式學習模型之示意圖。

100:溫度控制系統 110:溫度控制裝置 120:分析裝置 211:入風口 212:出風口 220:進氣口 D1-D5:伺服器 S1-S5:感測器 S11:感測器 T1:第一距離

Claims

一種溫度控制方法，包括：透過一溫度控制裝置，對一第一伺服器及一第二伺服器產生一空氣循環；透過一分析裝置，持續監測該溫度控制裝置、該第一伺服器及該第二伺服器的運作狀態作為複數個第一輸入特徵，且將該第一伺服器的一溫度變化作為一輸出目標進行深度學習，以建立一第一學習模型；透過該分析裝置，接收該溫度控制裝置之一溫度控制狀態資料、該第一伺服器的一第一狀態資料及該第二伺服器的一第二狀態資料，其中該第一狀態資料包含該第一伺服器之一第一溫度，該第二狀態資料包含該第二伺服器之一第二溫度；透過該分析裝置，將該溫度控制狀態資料、該第一狀態資料及該第二狀態資料輸入至該第一學習模型中，以取得該第一學習模型輸出的一第一溫度預估值；以及透過該分析裝置，根據該第一溫度預估值，調整該溫度控制裝置。
如請求項1所述之溫度控制方法，其中持續監測該溫度控制裝置、該第一伺服器及該第二伺服器的運作狀態的方法包含：透過該分析裝置，在一檢測週期中，取得該溫度控制裝置的一冷空氣溫度或一冷空氣流速；以及透過該分析裝置，在該檢測週期中，取得該第一伺服器及該第二伺服器運轉時的複數個運轉溫度。
如請求項1所述之溫度控制方法，還包含：透過該分析裝置，持續監測該溫度控制裝置、該第一伺服器及該第二伺服器的運作狀態作為複數個第二輸入特徵，且將該第二伺服器的一溫度變化作為一輸出目標進行深度學習，以建立一第二學習模型；透過該分析裝置，接收該溫度控制狀態資料、該第一狀態資料及該第二狀態資料；以及透過該分析裝置，將該溫度控制狀態資料、該第一狀態資料及該第二狀態資料輸入至該第二學習模型中，以取得該第二學習模型輸出的一第二溫度預估值。
如請求項3所述之溫度控制方法，其中該第一伺服器及該第二伺服器設置於一機櫃中，且根據該第一溫度預估值調整該溫度控制裝置的方法包含：透過該分析裝置，根據該第一溫度預估值及該第二溫度預估值，計算該機櫃的一整體溫度預估值；以及透過該分析裝置，根據該整體溫度預估值，調整該溫度控制裝置之一冷空氣溫度或一冷空氣流速。
如請求項4所述之溫度控制方法，還包含：透過該分析裝置，在該整體溫度預估值高於一預設溫度上限時，降低該冷空氣溫度，或提昇該冷空氣流速；以及透過該分析裝置，在該整體溫度預估值低於一預設溫度下限時，暫時停止運轉該溫度控制裝置。
一種溫度控制系統，適用於一資料中心，包含：一溫度控制裝置，用以對一第一伺服器及一第二伺服器產生一空氣循環；一第一感測器，用以檢測該第一伺服器的運作狀態，並取得一第一狀態資料；一第二感測器，用以檢測該第二伺服器的運作狀態，並取得一第二狀態資料；以及一分析裝置，電性連接於該溫度控制裝置、該第一感測器及該第二感測器，用以持續監測該溫度控制裝置、該第一伺服器及該第二伺服器的運作狀態作為複數個第一輸入特徵，且將該第一伺服器的一溫度變化作為一輸出目標進行深度學習，以建立一第一學習模型；其中該分析裝置還用以將該溫度控制裝置之一溫度控制狀態資料、該第一狀態資料之一第一溫度及該第二狀態資料之一第二溫度輸入至該第一學習模型，以取得該第一學習模型輸出的一第一溫度預估值，且該分析裝置用以根據該第一溫度預估值，調整該溫度控制裝置。
如請求項6所述之溫度控制系統，其中該分析裝置用以在一檢測週期中檢測該溫度控制裝置的一冷空氣溫度或一冷空氣流速，以及取得該第一伺服器及該第二伺服器運轉時的複數個運轉溫度，以建立該第一學習模型。
如請求項6所述之溫度控制系統，其中該分析裝置還用以持續監測該溫度控制裝置、該第一伺服器及該第二伺服器的運作狀態作為複數個第二輸入特徵，且將該第二伺服器的一溫度變化作為一輸出目標進行深度學習，以建立一第二學習模型，該分析裝置還用以將該溫度控制狀態資料、該第一狀態資料及該第二狀態資料輸入至該第二學習模型中，以取得該第二學習模型輸出的一第二溫度預估值。
如請求項8所述之溫度控制系統，其中該分析裝置還用以根據該第一溫度預估值及該第二溫度預估值，計算一機櫃的一整體溫度預估值，且根據該整體溫度預估值，調整該溫度控制裝置之一冷空氣溫度或一冷空氣流速；其中該機櫃具有複數個置放空間，用以供設置該第一伺服器及該第二伺服器。
如請求項9所述之溫度控制系統，其中在該整體溫度預估值高於一預設溫度上限時，該分析裝置用以控制該溫度控制裝置降低該冷空氣溫度，或控制該溫度控制裝置提昇該冷空氣流速；以及其中在該整體溫度預估值低於一預設溫度下限時，該分析裝置用以暫時停止運轉該溫度控制裝置。