TWI823431B

TWI823431B - 風扇控制方法及風扇控制裝置

Info

Publication number: TWI823431B
Application number: TW111122785A
Authority: TW
Inventors: 李建明; 童凱煬; 朱信承
Original assignee: 英業達股份有限公司
Priority date: 2022-06-20
Filing date: 2022-06-20
Publication date: 2023-11-21
Also published as: TW202401179A

Abstract

一種風扇控制方法，用以控制系統之一組風扇，包含收集第一時段之一組第一組特徵變數，將該組第一組特徵變數輸入類神經網路以產生對應於第二組特徵變數之第二時段之一組第三組特徵變數，調整該第二組特徵變數以產生一組調整後第二組特徵變數以據以產生一組調整後該第三組特徵變數，根據該組第三組特徵變數及該組調整後之該第三組特徵變數以產生最佳化第二組特徵變數，根據該最佳化第二組特徵變數產生一組權重值，及根據該組權重值控制該組風扇。該第一時段先於該第二時段。每一第一組特徵變數包含第二組特徵變數及第三組特徵變數。

Description

風扇控制方法及風扇控制裝置

本發明係關於一種風扇控制方法及風扇控制裝置，尤指一種可用類神經網路處理特徵變數以據以控制風扇之風扇控制方法及風扇控制裝置。

人工智慧(Artificial Intelligence，簡稱AI)、雲端服務(cloud service)、5G及6G通訊、及物聯網(Internet of Things，簡稱IoT)等先進科技，係由許多資料中心驅動，而資料中心包含大量的伺服器機台，用以執行相關的運算、儲存及通訊。大量的伺服器須消耗大量電力，因此，用電效率已是設計伺服器的關鍵因素。

舉例而言，每台伺服器常配置4至10顆散熱風扇，每顆風扇之轉速皆可分別控制。為了達到最佳散熱效果，目前可將所有散熱風扇之轉速轉到最大。然而，此將導致風扇耗能過高，而導致用電效率下降。

此外，根據實際觀測，將風扇轉速轉至最大，也未必可得到最佳散熱效果。原因在於，過大的風量有可能將一元件發出的熱能吹至另一元件，反而不利於降熱效果。因此，本領域仍欠缺解決方案，以改善控制風扇之效能。

實施例提供一種風扇控制方法，用以控制一系統之一組風扇，包含收集一第一時段之一組第一組特徵變數；將該組第一組特徵變數輸入一類神經網路以產生對應於一第二組特徵變數之一第二時段之一組第三組特徵變數；調整該第二組特徵變數以產生一組調整後第二組特徵變數以據以產生一組調整後該第三組特徵變數；根據該組第三組特徵變數及該組調整後之該第三組特徵變數以產生一最佳化第二組特徵變數；根據該最佳化第二組特徵變數產生一組權重值；及根據該組權重值控制該組風扇。該第一時段先於該第二時段，及每一第一組特徵變數包含一第二組特徵變數及一第三組特徵變數。另一實施例提供一種風扇控制裝置，用以控制一系統之一組風扇，包含一系統功率負載單元、一組感應器、一風扇轉速控制單元及一控制器。該系統功率負載單元用以控制一功率負載。該組感應器用以量測該系統之一組溫度。該風扇轉速控制單元用以控制該組風扇之轉速。該控制器耦接於該系統功率負載單元、該組感應器及該風扇轉速控制單元，用以收集一第一時段之一組第一組特徵變數，將該組第一組特徵變數輸入一類神經網路以產生對應於一第二組特徵變數之一第二時段之一組第三組特徵變數，調整該第二組特徵變數以產生一組調整後第二組特徵變數以據以產生一組調整後該第三組特徵變數，根據該組第三組特徵變數及該組調整後之該第三組特徵變數以產生一最佳化第二組特徵變數，根據該最佳化第二組特徵變數產生一組權重值，及根據該組權重值控制該組風扇。該第一時段先於該第二時段，每一第一組特徵變數包含一第二組特徵變數及一第三組特徵變數，及該每一第一組特徵變數包含該功率負載、該組溫度及該組風扇之轉速。

100:系統

131至133:匯流排卡

121,122:處理器

111至114:風扇

141:電源供應器

155:記憶體

d1:方向

200:風扇控制裝置

210:系統功率負載單元

220:感應器

230:風扇轉速控制單元

240:控制器

300:風扇控制方法

310至360,510至530,710至750:步驟

T1,T2:時段

A1至A4:錨點

第1圖為實施例中，系統之示意圖。

第2圖為實施例中，風扇控制裝置之示意圖。

第3圖為實施例中，風扇控制方法之流程圖。

第4圖為第3圖之風扇控制方法述及的特徵變數對應時間之示意圖。

第5圖為第4圖中，產生最佳化第二組特徵變數之流程圖。

第6圖為第4圖中，以類神經網路預估的匯流排卡之溫度分佈圖。

第7圖為第4圖中，產生最佳化第二組特徵變數之流程圖。

第8圖為使用第7圖中，根據第二組特徵變數之非最小調整值，產生多組調整後第二組特徵變數，且從中選出錨點之示意圖。

第9圖為第7圖中，根據錨點及第二組特徵變數之最小調整值，選出最佳化第二組特徵變數之示意圖。

為了提高散熱效率，可使用權重值以控制風扇轉速。若系統有m個溫度感側器及n個風扇，則可設置m列n行(m×n)之二維矩陣，此二維矩陣可用以控制風扇，其中第i列第j行之矩陣元素可表示為Wij，m、n、i及j為整數，0<i

m，及0<j

n。矩陣元素Wij可為第i溫度感應器所量測的第i溫度相關於第j風扇的權重值，矩陣元素Wmn為第m溫度感應器量測的第m溫度相關於第n風扇的權重值，以此類推。

權重值(W11至Wmn之每一者)可為0至1之間的值，權重值越高，表示溫度對於風扇的相關度及影響越大。例如，系統之第i溫度感應器量到的溫度(表示為Ti)，對於第j風扇的轉速之影響，可表示為u×Wij，其中u可為根據系統中所有量到的溫度而產生之最大風扇轉速。

透過設定適當的權重值，可適當控制風扇，以得到較佳的降溫效果。後文所述之實施例提供的風扇控制方法及風扇控制系統，可透過類神經網路執行機器學習，以求得適當的權重值。

第1圖為實施例中，系統100之示意圖。系統100可為伺服器，包含風扇111至114、處理器121及122、匯流排卡131至133、記憶體155及電源供應器141。匯流排卡131至133可為外圍組件互連快遞(PCIe)卡。第1圖僅為舉例，以便於說明，但實施例不限於此。第1圖中，風扇111至114提供的風向可如方向d1所示。以下特徵變數X1至X9可為輸入類神經網路以執行機器學習之特徵變數：X1：系統100之功率負載；X2：風扇區Zone1之轉速，其中風扇區Zone1可包含風扇111及112；X3：風扇區Zone2之轉速，其中風扇區Zone2可包含風扇113及114；X4：處理器121之溫度；X5：處理器122之溫度；X6：匯流排卡131之溫度；X7：匯流排卡132之溫度；X8：匯流排卡133之溫度；及X9：系統100之入口溫度。

其中，特徵變數X1至X9可輸入類神經網路，以預測特徵變數X6至X8(亦即匯流排卡131至133的溫度)，以據以求得較佳的特徵變數X2及X3(亦即風扇轉速)，並據以產生較佳的上述之二維矩陣，從而改善控制風扇之功效。

第2圖為實施例中，風扇控制裝置200之示意圖。風扇控制裝置200可用以控制系統100之一組風扇111至114。包含系統功率負載單元210、一組感應器220、風扇轉速控制單元230及控制器240。系統功率負載單元210可控制功率負載(亦即特徵變數X1)。感應器220可量測系統100之一組溫度(亦即特徵變數X4至X9)。風扇轉速控制單元230可控制風扇111至114之轉速(亦即特徵變數X2及X3)。控制器240可耦接於系統功率負載單元210、感應器220及風扇轉速控制單元230，以執行後文所述的風扇控制方法300。

上述之類神經網路可設置於第2圖之控制器240中，類神經網路可為循環神經網路(Recurrent Neural Network，RNN)，類神經網路之編碼(encoder)神經元數量/解碼(decoder)神經元數量，可為64/32、128/64、256/128或512/256。根據實驗，當類神經網路包含512個編碼神經元及256個解碼神經元，可具有較佳的預估結果。特徵變數X1至X9可輸入類神經網路以執行多階級注意力(multistage attention，MSA)演算法。

關於輸入類神經網路之訓練資料，可根據功率負載(亦即，特徵變數X1)及風扇之轉速(亦即，特徵變數X2及X3)產生複數個系統狀態，根據複數個系統狀態產生複數筆訓練資料，及根據該複數筆訓練資料訓練控制器240之類神經網路，如下之第1表所示。第1表僅為舉例，而實施例不限於此。舉例而言，特徵變數X1可對應於系統100之5種負載功率(亦即，25%、40%、60%、80%及100%)，且特徵變數X2及X3可分別具有8種風速(亦即30%、40%、50%、60%、70%、80%、90%及100%)。如第1表所示，當特徵變數X2及X3皆為100%(亦即，第1表之最大風扇風速)時，可為5種負載功率(亦即，負載功率25%、40%、60%、80%及100%)進行散熱；而，當特徵變數X2及X3皆為30%(亦即，第1表之最小風速)時，因散熱能力較低，只可為2種負載功率(亦即，負載功率25%及40%)進行散熱。相異的特徵變數X2及X3之組合，可為不同數量的負載功率進行散熱。

第1表中，將特徵變數X2及X3之各種組合可散熱的負載功率之種類數量相加，可得272種系統狀態，假設每種狀態須耗時0.5小時進行資料收集、訓練及系統回復，則訓練時間可為136(亦即，272×0.5)小時。

第3圖為實施例中，風扇控制方法300之流程圖。下文中，當執行風扇控制方法300時，特徵變數X1至X9可為第一組特徵變數，特徵變數X2及X3可為第二組特徵變數，特徵變數X6至X8可為第三組特徵變數。如第1圖至第4圖所示，風扇控制方法300可包含以下步驟：步驟310：收集第一時段T1之一組第一組特徵變數X1至X9；步驟320：將第一時段T1之該組第一組特徵變數X1至X9輸入控制器240之類神經網路，以產生對應於第二組特徵變數X2及X3之第二時段T2之一組第三組特徵變數X6至X8；步驟330：調整第二組特徵變數X2及X3，以產生一組調整後第二組特徵變數X2及X3，以據以產生對應於第二時段T2之一組調整後該第三組特徵變數X6至X8；步驟340：根據對應於第二時段T2之該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8，以產生最佳化第二組特徵變數X2及X3；步驟350：根據最佳化第二組特徵變數X2及X3，產生一組權重值；及步驟360：根據該組權重值控制系統100之風扇(例如111至114)；第3圖中，第一組特徵變數X1至X9可包含系統100之功率負載X1、風扇之轉速X2及X3、及量測系統100所產生之第一組溫度X4至X9。第二組特徵變數可包含風扇之轉速X2及X3。第三組特徵變數可包含量測系統100所產生之第二組溫度X6至X8。第一組特徵變數(X1至X9)可包含第二組特徵變數(X2及X3)及第三組特徵變數(X6至X8)。第一組溫度X4至X9，可包含第二組溫度X6至X8。根據實施例，第一時段T1可等於第二時段T2。

第4圖為第3圖之風扇控制方法300述及的特徵變數對應時間之示意圖。第4圖僅為舉例，實施例不限於此。第4圖中，時間(t-8)至時間(t+10)表示相異時間。時間(t-1)可為時間t之前一時間，時間t可為時間(t+1)之前一時間，以此類推。時間(t-8)至時間(t-1)可為過去之時間，時間t可為當下時間，時間(t+1)至(t+8)可為未來的時間。如第4圖所示，時間(t-8)至時間t可對應於第一時段T1，時間(t+2)至時間(t+10)可對應於第二時段T2。

如步驟310及步驟320所述，可於第一時段T1收集各時間之特徵變數X1至X9，以透過控制器240之類神經網路，據以預估第二時段T2之各時間之特徵變數X6至X8(亦即，匯流排卡131至133的溫度)。

步驟330中，可於時間(t+1)中執行探索步(explore step)。時間(t+1)中，可複製時間t之特徵變數X1及X4至X9，且調整特徵變數X2及X3(亦即，風扇區Zone1及Zone2之風扇轉速)，以產生第二時段T2之一組調整後特徵變數X6至X8。

舉例而言，若系統100之每一風扇之轉速可根據脈衝寬度調變(PWM)而具有第0轉速(最低轉速)至第200轉速(最高轉速)共201種轉速，則調整特徵變數X2及X3時，根據特徵變數X2及X3之組合，共可產生201×201，亦即40401種風速組合。因此，步驟320及330中，可得到對應於第二時段T2之40401種特徵變數X6至X8。

步驟340中，該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8(例如上述舉例之對應於第二時段T2之40401種特徵變數X6至X8)，可用以產生最佳化第二組特徵變數X2及X3(亦即風扇轉速)。根據預估的特徵變數X6至X8產生最佳化第二組特徵變數X2及X3之細節，將述於後文。

步驟350及360中，可根據所得之最佳化第二組特徵變數X2及X3，感生權重值(例如，上述的矩陣元素W11至Wmn)，以據以控制系統100之風扇。

第5圖為第4圖之步驟330及步驟340中，產生最佳化第二組特徵變數X2及X3之流程圖。如第5圖所示，可執行以下步驟。其中，步驟510可相關於步驟330，且步驟520至530可相關於步驟340。

步驟510：根據第二組特徵變數X2及X3之最小調整值調整第二組特徵變數X2及X3，以產生一組調整後第二組特徵變數X2及X3，以據以產生一組調整後之第三組特徵變數X6至X8；步驟520：根據該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8之每一組第三組特徵變數X6至X8與預設值R之差，產生一組絕對值之和；及步驟530：根據該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8中，該組絕對值之和最小者所對應的一組第三組特徵變數X6至X8，求得該最佳化第二組特徵變數X2及X3。

步驟510所述之最小調整值，可為風扇的最小可調整範圍。例如，若風扇可根據脈衝寬度調變由第0轉速轉至第200轉速，則步驟510之該組調整後第二組特徵變數X2及X3可包含(201×201-1)種組合，亦即可能的最多種組合。

以下以第6圖為例，描述第5圖之步驟510及520。第6圖係第4圖中，以類神經網路預估的時間(t+1)至(t+10)的匯流排卡之溫度分佈圖。第6圖之縱軸可對應於匯流排卡之溫度T(亦即特徵變數X6至X8之一者、平均值或加權平均值)，橫軸可對應於時間。第6圖之預設值R可為匯流排卡的出廠規格所預設的設定點(setpoint)溫度。由於溫度控制的目標，係使匯流排卡之溫度盡量接近設定點溫度，故第6圖之著色部份的面積較小者，可對應於特徵變數X6至X8之較佳分佈。求得特徵變數X6至X8之最佳分佈後，對應於具有最佳分佈的一組特徵變數X6至X8的特徵變數X2及X3，即為步驟530欲產生的最佳化特徵變數X2及X3。

關於第6圖，可使用算式cost F以求得著色部份的面積，其如算式eq-1所述：cost F=Σ(曲線及預設值R之間的面積)...eq-1；為了便於計算，算式eq-1可調整為算式eq-2：

算式eq-2中，T(t+i)可為第6圖之曲線中，時間(t+i)之匯流排卡之溫度T。如第6圖之舉例，根據溫度T(t+1)至T(t+10)與預設值R之差之絕對值，可產生絕對值之和，而絕對值之和最小者的溫度分佈，可對應於最佳的一組特徵變數 X6至X8。如第4圖所示，可回推而得知探索步(例如時間(t+1))中用以產生最佳的一組特徵變數X6至X8之特徵變數X2及X3，以作為步驟530所述之最佳化特徵變數X2及X3。

第5圖及第6圖所述的流程可稱為貪婪探索(greedy explore)法。步驟510至530之流程雖可堪用，但步驟510以最小調整值調整第二組特徵變數X2及X3，可能產生數量較多的特徵變數X2及X3之組合，而導致運算量難以縮減。於上述舉例中，特徵變數X2及X3各可為201種，故可產生40401種組合，導致須於步驟520及530分析比較40401種特徵變數X6至X8，導致運算量較大。

為了降低運算量，可使用兩階段的貪婪探索法，如第7圖所述。第7圖為第4圖之步驟330及步驟340中，產生最佳化第二組特徵變數X2及X3之流程圖。如第7圖所示，可執行以下步驟。其中，步驟710可相關於步驟330，且步驟520至750可相關於步驟340。

步驟710：根據第二組特徵變數X2及X3之非最小調整值調整第二組特徵變數X2及X3，以產生一組調整後第二組特徵變數X2及X3，以據以產生一組調整後該第三組特徵變數X6至X8；步驟720：根據該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8之每一組第三組特徵變數X6至X8與預設值R之差，產生一組絕對值之和；步驟730：於該組第三組特徵變數X6至X8及該組調整後之該第三組特徵變數X6至X8中，選出該組絕對值之和為前x%小的複數組第三組特徵變數X6至X8，其中0<x<100；步驟740：擷取該複數組第三組特徵變數X6至X8所對應之複數個第二組特徵變數X2及X3，其中該複數個第二組特徵變數X2及X3係該第二組特徵變數X2及X3及該組調整後第二組特徵變數X2及X3之一子集合；及步驟750：根據該複數個第二組特徵變數X2及X3及該第二組特徵變數X2及X3之最小調整值，以產生該最佳化第二組特徵變數X2及X3。

步驟710可相似於步驟510，然而，為了減少運算量，可根據非最小調整值以調整特徵變數X2及X3。舉例而言，如上文之舉例，特徵變數X2及X3各可具有201種脈衝寬度調變對應之風速，而具有40401種組合；在步驟710中，當調整特徵變數X2及X3時，可使用四單位而非一單位以調整脈衝寬度調變，從而減少風速的數量。

比較步驟510及710，例如，於步驟510中，調整特徵變數X2時，對應之脈衝寬度可為0單位、1單位、2單位...至200單位共201種；而於步驟710中，調整特徵變數X2時，對應之脈衝寬度可為0單位、4單位、8單位...至200單位共51種。因此，在步驟710中，可將特徵變數X2及X3之組合由40401(亦即201²)種，降至2601(亦即51²)種。

步驟720及730可相似於步驟520及530，例如透過第6圖及上述算式eq-1及eq-2之方式，求得較佳的特徵變數X6至X8之分佈。然而，步驟730中，可選出絕對值之和為前x%小(其中，0<x<100)、而非最小的複數組特徵變數X6至X8。舉例而言，若步驟710及720中產生了2601(亦即51²)個絕對值之和，且x=1，則可於步驟740選出絕對值之和為前1%小的絕對值之和所對應的特徵變數X2及X3，亦即26組特徵變數X2及X3。

於步驟750中，根據步驟740選出的特徵變數X2及X3(例如上述的26組特徵變數X2及X3)作為錨點，以特徵變數X2及X3之最小調整值(例如，脈衝調變寬度可調之最小單位)，調整特徵變數X2及X3，以預估特徵變數X6至X8，再度根據第6圖及算式eq-1及eq-2之方式，產生最佳之特徵變數X2及X3。

第8圖及第9圖係以圖示舉例，以說明第7圖的流程。第8圖及第9圖僅為舉例，實施例不限於此。第8圖為使用第7圖之步驟710至740，根據特徵變數X2及X3之非最小調整值，產生多組調整後特徵變數X2及X3，且從中選出錨點之示意圖。第9圖為步驟750中，根據錨點及特徵變數X2及X3之最小調整值，選出最佳化特徵變數X2及X3之示意圖。

第8圖中，橫軸可對應於特徵變數X2(亦即，風扇區Zone1之轉速)，縱軸可對應於特徵變數X3(亦即，風扇區Zone2之轉速)。由於第8圖之橫軸及縱軸中，特徵變數X2及X3分別以脈衝寬度調變之4單位(亦即，非最小調整值)而非1單位(亦即，最小調整值)遞增，故可產生2601種組合而非40401種組合，故可降低運算量。第8圖中，根據步驟730及740，藉由調整x值，可選出複數種特徵變數X2及X3之組合，例如，對應於第8圖之錨點A1至A4。

第9圖中，如步驟750所述，可根據錨點A1至A4，根據特徵變數X2及X3之最小調整值(例如，脈衝寬度調變之1單位)，產生錨點A1至A4於第9圖之上、下、左及右之複數個點(例如，每個錨點可對應於49個點)所對應的特徵變數X2及X3之複數種組合(例如，49種組合)，再根據第5圖之流程，從第9圖之複數個點對應的特徵變數X2及X3之複數種組合中，選出最佳化特徵變數X2及X3。

在本實施例中，本案之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。

總上所述，藉由使用實施例提供的風扇控制系統200及風扇控制方法300，可改善風扇散熱的效能，亦可減少風扇過度耗能。風扇控制系統200及風扇控制方法300亦可有助於人工智慧、5G通訊、6G通訊、邊緣計算、機器學習、車聯網、物聯網及雲端服務等應用。

以上所述僅為本發明之較佳實施例，凡依本發明申請專利範圍所做之均等變化與修飾，皆應屬本發明之涵蓋範圍。

300:風扇控制方法

310至360:步驟

Claims

一種風扇控制方法，用以控制一系統之一組風扇，包含：收集一第一時段之一組第一組特徵變數；將該組第一組特徵變數輸入一類神經網路，以產生對應於一第二組特徵變數之一第二時段之一組第三組特徵變數；調整該第二組特徵變數以產生一組調整後第二組特徵變數，以據以產生一組調整後該第三組特徵變數；根據該組第三組特徵變數及該組調整後之該第三組特徵變數，以產生一最佳化第二組特徵變數；根據該最佳化第二組特徵變數產生一組權重值；及根據該組權重值控制該組風扇；其中該第一時段先於該第二時段，及每一第一組特徵變數包含一第二組特徵變數及一第三組特徵變數。
如請求項1所述的風扇控制方法，其中：每一第一組特徵變數包含該系統之一功率負載、該組風扇之轉速及量測該系統所產生之一第一組溫度；每一第二組特徵變數包含該組風扇之轉速；每一第三組特徵變數包含量測該系統所產生之一第二組溫度；及該第一組溫度包含該第二組溫度。
如請求項1所述的風扇控制方法，其中該第一時段之長度等於該第二時段之長度。
如請求項1所述的風扇控制方法，其中：調整該第二組特徵變數以產生該組調整後第二組特徵變數，以據以產生該組調整後該第三組特徵變數，包含：根據該第二組特徵變數之一最小調整值調整該第二組特徵變數以產生該組調整後第二組特徵變數，以據以產生該組調整後之該第三組特徵變數；及根據該組第三組特徵變數及該組調整後之該第三組特徵變數，以產生該最佳化第二組特徵變數，包含：根據該組第三組特徵變數及該組調整後之該第三組特徵變數之每一組第三組特徵變數與一預設值之差，產生一組絕對值之和；及根據該組第三組特徵變數及該組調整後之該第三組特徵變數中，該組絕對值之和最小者所對應的一組第三組特徵變數，求得該最佳化第二組特徵變數。
如請求項1所述的風扇控制方法，其中：調整該第二組特徵變數以產生該組調整後第二組特徵變數，以據以產生該組調整後該第三組特徵變數，包含：根據該第二組特徵變數之一非最小調整值調整該第二組特徵變數以產生該組調整後第二組特徵變數，以據以產生該組調整後該第三組特徵變數；及根據該組第三組特徵變數及該組調整後之該第三組特徵變數，以產生該最佳化第二組特徵變數，包含：根據該組第三組特徵變數及該組調整後之該第三組特徵變數之每一組第三組特徵變數與一預設值之差，產生一組絕對值之和；於該組第三組特徵變數及該組調整後之該第三組特徵變數中，選出該組絕對值之和為前x%小的複數組第三組特徵變數，其中0<x<100；擷取該複數組第三組特徵變數對應之複數個第二組特徵變數，其中該複數個第二組特徵變數係該第二組特徵變數及該組調整後第二組特徵變數之一子集合；及根據該複數個第二組特徵變數及該第二組特徵變數之一最小調整值以產生該最佳化第二組特徵變數。
如請求項1所述的風扇控制方法，其中該類神經網路包含512個編碼神經元及256個解碼神經元。
如請求項1所述的風扇控制方法，其中該第一組溫度包含一第一處理器溫度、一第二處理器溫度、一第一匯流排卡溫度、一第二匯流排卡溫度，一第三匯流排卡溫度及一入口溫度。
如請求項1所述的風扇控制方法，其中該組第一組特徵變數係輸入該類神經網路以執行一多階級注意力演算法。
如請求項1所述的風扇控制方法，另包含：根據一功率負載及該組風扇之轉速產生複數個系統狀態；根據複數個系統狀態產生複數筆訓練資料；及根據該複數筆訓練資料訓練該類神經網路。
一種風扇控制裝置，用以控制一系統之一組風扇，包含：一系統功率負載單元，用以控制一功率負載；一組感應器，用以量測該系統之一組溫度；一風扇轉速控制單元，用以控制該組風扇之轉速；一控制器，耦接於該系統功率負載單元、該組感應器及該風扇轉速控制單元，用以：收集一第一時段之一組第一組特徵變數；將該組第一組特徵變數輸入一類神經網路，以產生對應於一第二組特徵變數之一第二時段之一組第三組特徵變數；調整該第二組特徵變數以產生一組調整後第二組特徵變數，以據以產生一組調整後該第三組特徵變數；根據該組第三組特徵變數及該組調整後之該第三組特徵變數，以產生一最佳化第二組特徵變數；根據該最佳化第二組特徵變數產生一組權重值；及根據該組權重值控制該組風扇；其中該第一時段先於該第二時段，每一第一組特徵變數包含一第二組特徵變數及一第三組特徵變數，及該每一第一組特徵變數包含該功率負載、該組溫度及該組風扇之轉速。