TWI827938B

TWI827938B - 控制裝置及控制方法

Info

Publication number: TWI827938B
Application number: TW110120924A
Authority: TW
Inventors: 李建明; 童凱煬
Original assignee: 英業達股份有限公司
Priority date: 2021-06-09
Filing date: 2021-06-09
Publication date: 2024-01-01
Also published as: TW202248907A

Abstract

本發明提供一種控制裝置，用於控制一伺服器系統之一風扇。控制裝置包含有一溫度預測器以及一風扇控制器。溫度預測器經配置以使用一第一深度學習模型並根據一風扇之一轉速、一介面卡之一發熱功率、該介面卡之一入口溫度及一處理器之一溫度產生該晶片之一預測溫度。風扇控制器耦接於該溫度預測器，經配置以使用一第二深度學習模型並根據該晶片之該預測溫度、該風扇之轉速及該介面卡之該發熱功率產生該風扇之一目標轉速，並根據該風扇之該目標轉速產生一風扇控制信號以驅動該風扇。

Description

控制裝置及控制方法

本發明係關於一種控制裝置及控制方法，尤指一種可基於深度學習模型選擇風扇目標轉速之控制裝置及控制方法。

伺服器系統於運作時會產生廢熱，因而通常會配置散熱風扇來轉移熱源排出內部熱能。目前對於伺服器之散熱風扇的控制通常是讀取到元件的溫度值，再根據溫度讀值計算出合適的轉速。例如，常見的有使用比例積分微分(proportional integral derivative，PID)控制器來控制散熱風扇的運轉狀態。然而，在伺服器系統中經常遇到有無法回傳溫度讀值的元件或晶片卻仍必須控制風扇來維持晶片的溫度不至於過熱。舉例來說，伺服器系統中具含有一高速周邊元件互連(peripheral component interconnect express，PCIe)介面卡(又稱高速序列電腦匯流排介面卡)，而當設置於PCIe介面卡上的晶片無法回傳溫度值時，目前的方式會利用PCIe介面卡的入口溫度與入口流量做為參考來控制風扇以避免晶片元件產生過熱的情況。然而，若是伺服器系統中的配置稍有不同時，諸如記憶體的數量變化、硬碟裝置的類型不同、增加額外的配接卡或硬體等都會導致實際入口流量的改變。在此情況下，由於入口流量的參數是有關於整體伺服器系統內部的流量而無法正確反映出介面卡上晶片的溫度需求，因而不適用於風扇的控制。然，若是單以入口溫度為參考依據來設計控制器時，往往為了避免流量不足導致過熱，通常的作法是採取過度冷卻的設計，如此一來將造成風扇持續地運轉而導致不必要的功率消耗。因此，習知技術實有改進的必要。

為了解決上述之問題，本發明提供一種基於深度學習模型選擇風扇目標轉速之控制裝置及控制方法，以解決上述問題。

本發明提供一種控制裝置，用於控制一伺服器系統之一風扇，包含有：溫度預測器，經配置以使用一第一深度學習模型並根據該風扇之一轉速、一介面卡之一發熱功率、該介面卡之一入口溫度及一處理器之一溫度產生一晶片之一預測溫度；以及一風扇控制器，耦接於該溫度預測器，經配置以使用一第二深度學習模型並根據該晶片之該預測溫度、該風扇之轉速、該介面卡之該發熱功率產生該風扇之一目標轉速，並根據該風扇之該目標轉速產生一風扇控制信號以驅動該風扇。

本發明另提供一種控制方法，用於控制一伺服器系統之一風扇，包含有：使用一第一深度學習模型並根據該風扇之一轉速、一介面卡之一發熱功率、該介面卡之一入口溫度及一處理器之一溫度產生一晶片之一預測溫度；以及使用一第二深度學習模型並根據該晶片之該預測溫度、該風扇之轉速、該介面卡之該發熱功率產生該風扇之一目標轉速，並根據該風扇之該目標轉速產生一風扇控制信號以驅動該風扇。

1:伺服器系統

2:流程

10:處理器

102,50:溫度感測器

20:介面卡

202:晶片

30:控制裝置

302:溫度預測器

304:風扇控制器

40:風扇

60:轉速感測器

DL1:第一深度學習模型

DL2:第二深度學習模型

FS_i:候選轉速

FS_t,FS_t-18:轉速

FT_t,FT_t-1,FT_t-N+1:輸入特徵參數資料

NR1,NR2,NR3,NR4:神經網路層

P_t,P_t-1,P_t-19:發熱功率

S200,S202,S204,s206,S208:步驟

T_next(FS_i):候選未來溫度

T_t,T_t-1,T_t-19:預測溫度

第1圖為本發明實施例之一伺服器系統之示意圖。

第2圖為本發明實施例之一流程之示意圖。

第3圖為第1圖中用於偵測入口溫度之溫度感測器之實施例示意圖。

第4圖為第1圖中之溫度預測器之實施例示意圖。

第5圖為第1圖中之風扇控制器之實施例示意圖。

請參考第1圖，第1圖為本發明實施例之一伺服器系統1之示意圖。伺服器系統1包含有一處理器10、一介面卡20、一控制裝置30、一風扇40、一溫度感測器50及一轉速感測器60。於伺服器系統1中，可透過控制裝置30來控制驅動風扇40以進行散熱，以避免伺服器系統1內部的相關元件因為溫度過高而失效甚至損壞。處理器10包括一溫度感測器102。溫度感測器102用以偵測處理器10之溫度。介面卡20包括一晶片202。晶片202設置於介面卡20上。介面卡20可以是具備高速周邊元件互連(PCIe)傳輸介面、序列高技術配置(Serial Advanced Technology Attachment，SATA)傳輸介面、序列小型電腦系統(Serial Attached SCSI，SAS)傳輸介面、通用序列匯流排(Universal Serial Bus，USB)傳輸介面或其他資料傳輸介面之介面卡。

控制裝置30用來產生一風扇控制信號以驅動風扇40。控制裝置30可為一基板管理控制器(Baseboard Manager Controller，BMC)、一微處理器、一中央處理器或一圖形處理器，但不以此為限。控制裝置30包括一溫度預測器302以及一風扇控制器304。溫度預測器302經配置以使用一第一深度學習模型並根據風扇40之轉速、介面卡20之發熱功率、介面卡20之入口溫度及處理器10之溫度產生晶片202之預測溫度。風扇控制器304耦接於溫度預測器302。風扇控制器304經配置以使用一第二深度學習模型並根據晶片202之預測溫度、風扇40之轉速、介面卡20之發熱功率產生風扇40之一目標轉速並根據風扇40之目標轉速產生風扇控制信號以驅動風扇40。溫度感測器50可於設置於介面卡20附近、設置於介面卡20之上或是伺服器系統1之機殼內部之任一處。溫度感測器50用以偵測介面卡20之一入口溫度(inlet temperature)。溫度感測器102、50可為熱電耦、熱敏電阻、電阻溫度檢測器(resistance temperature detector，RTD)或是積體電路溫度感測器，但不以此為限。轉速感測器60用以偵測風扇40之轉速。

關於伺服器系統1的詳細操作方式，請繼續參考以下說明。請參考第2圖，第2圖為本發明一實施例之一流程2之示意圖。第2圖之流程2用來實現上述伺服器系統1控制操作流程，其包含下列步驟：

S200：開始。

S202：使用一第一深度學習模型並根據一風扇之一轉速、一介面卡之一發熱功率、該介面卡之一入口溫度及一處理器之一溫度產生該晶片之一預測溫度。

S204：使用一第二深度學習模型並根據該晶片之該預測溫度、該風扇之轉速、該介面卡之該發熱功率產生該風扇之一目標轉速。

S206：根據該風扇之該目標轉速產生一風扇控制信號以驅動該風扇。

S208：結束。

為了避免伺服器系統1內部元件(例如介面卡20上之晶片202)之溫度過高，本發明實施例透過控制風扇40的運作以提供伺服器系統1內部強制對流、排熱的功能。於伺服器系統1運作時，處理器10包含有對應之溫度感測器102而可回報相應溫度值以利控制風扇40運轉。介面卡20之上配置有晶片202，但介面卡20並無配備相應之溫度感測器來回報晶片202的即時溫度值。為了解決介面卡20之晶片202發生度過高的問題，本發明實施例透過控制裝置30所提供的預測溫度及所需目標轉速來控制風扇40的運作。

根據第2圖之流程2，於步驟S202中，溫度預測器302經配置以使用一第一深度學習模型並根據風扇40之轉速、介面卡20之發熱功率、介面卡20之入口溫度及處理器10之溫度產生晶片202之預測溫度。所述預測溫度表示溫度預測器30基於前述參數對於各週期所預測出之晶片202的溫度。例如，轉速感測器60持續偵測風扇40之轉速並將所偵測到之轉速提供至溫度預測器302。例如，可將介面卡20之出廠規格所記載之發熱功率做為流程2所應用到的發熱功率參數。例如，如第3圖所示，溫度感測器50可設置於介面卡20與風扇40之間並將溫度感測器50所偵測到之溫度值做為介面卡20之入口溫度。介面卡20之入口溫度可用於表示介面卡20所在環境的溫度。例如，溫度感測器102偵測處理器10之溫度並將處理器10之溫度提供至溫度預測器302。風扇40之轉速可包括當前轉速以及對應於複數個先前週期之複數個先前轉速。介面卡20之發熱功率包括當前發熱功率以及對應於複數個先前週期之複數個先前發熱功率。介面卡20之入口溫度包括當前入口溫度以及對應於複數個先前週期之複數個先前入口溫度。處理器10之溫度包括當前處理器溫度以及對應於複數個先前週期之複數個先前處理器溫度。

溫度預測器302包括複數個第一神經網路層以形成第一深度學習模型DL1。所述第一神經網路層可包括但不僅限於循環神經網路(Recurrent Neural Network，RNN)、卷積神經網路(Convolutional Neural Network，CNN)、前饋類神經網路(Feed-forward Neural Network，FNN)、長短期記憶(Long Short-Term Memory，LSTM)網路、門控循環單元(Gated Recurrent Unit，GRU)、注意力機制(Attention Mechanism)、啟用函式(Activation Function)、全連接層(fully-connected layer)或池化層(pooling layer)。例如，請參考第4圖，第4圖為第1圖中之溫度預測器302之一實施例示意圖。如第4圖所示，溫度預測器302包含有複數個神經網路層NR1、NR2、一神經網路層NR3以及一神經網路層NR4以形成第一深度學習模型DL1。例如，神經網路層NR1及神經網路層NR2可為門控循環單元，神經網路層NR3及神經網路層NR4可為全連接層神經網路，但不以此為限。各神經網路層NR1接收輸入特徵參數資料，各神經網路層NR1輸出之資料至相應神經網路層NR2。神經網路層NR2輸出資料至神經網路層NR3。神經網路層NR4接收神經網路層NR3之輸出資料並輸出晶片202之預測溫度。

如第4圖所示，輸入特徵參數資料FT包括風扇40之轉速、介面卡20之發熱功率、介面卡20之入口溫度及處理器10之溫度。輸入特徵參數資料FT_t表示當前週期之輸入特徵參數資料。例如，當前週期為週期t，輸入特徵參數資料FT_t包括風扇40於週期t時之轉速、介面卡20於週期t時之發熱功率、介面卡20於週期t時之入口溫度及處理器10於週期t時之溫度。輸入特徵參數資料FT_t-1~FT_t-N+1表示先前週期之輸入特徵參數資料，其中N為正整數。例如，輸入特徵參數資料FT_t-1包括風扇40於週期(t-1)時之轉速、介面卡20於週期(t-1)時之發熱功率與入口溫度、處理器10於週期(t-1)時之溫度，依此類推。如第4圖所示，依據輸入特徵參數資料FT_t~FT_t-N+1，溫度預測器302產生並輸出晶片202於週期t之一預測溫度T_t。如此一來，於系統運作時，溫度預測器302持續提供晶片202於各週期之預測溫度至風扇控制器304。

於步驟S204中，風扇控制器304經配置以使用一第二深度學習模型並根據步驟S202中之晶片202之預測溫度、風扇40之轉速、介面卡20之發熱功率產生風扇40之一目標轉速。類似於步驟S202，轉速感測器60持續偵測風扇40之轉速並將所偵測到之轉速提供至風扇控制器304。介面卡20之出廠規格所記載發熱功率可做為流程2所應用到的發熱功率參數。溫度感測器50偵測介面卡20之入口溫度並提供至風扇控制器304。溫度感測器102偵測處理器10之溫度並提供至風扇控制器304。風扇40之轉速包括當前轉速以及對應於複數個先前週期之複數個先前轉速。介面卡20之發熱功率包括當前發熱功率以及對應於複數個先前週期之複數個先前發熱功率。處理器10之溫度包括當前處理器溫度以及對應於複數個先前週期之複數個先前處理器溫度。

更詳細來說，風扇控制器304包括複數個第二神經網路層以形成第二深度學習模型。所述第二神經網路層可包括但不僅限於循環神經網路、卷積神經網路、前饋類神經網路、長短期記憶網路、門控循環單元、注意力機制、啟用函式、全連接層或池化層。於步驟S204中，風扇控制器304可使用第二深度學習模型並根據根據步驟S202中之晶片202之預測溫度、風扇40之轉速、介面卡20之發熱功率以及複數個候選轉速產生對應於複數個候選轉速之複數個候選未來溫度。其中每一候選轉速所對應之候選未來溫度可表示於下一週期時使用該每一候選轉速做為目標轉速來驅動風扇40使得風扇40達到目標轉速的情況下，風扇控制器304所預測於下一週期時晶片202之溫度。

例如，請參考第5圖，第5圖為第1圖中之風扇控制器304之一實施例示意圖。如第5圖所示，風扇控制器304包含有複數個神經網路層NR1、NR2、一神經網路層NR3以及一神經網路層NR4以形成第二深度學習模型DL2。例如，神經網路層NR1及神經網路層NR2可為門控循環單元，神經網路層NR3及神經網路層NR4可為全連接層神經網路，但不以此為限。各神經網路層NR1接收相應輸入參數資料，各神經網路層NR1輸出之資料至相應神經網路層NR2。神經網路層NR2輸出資料至神經網路層NR3。神經網路層NR4接收神經網路層NR3之輸出資料並輸出晶片202之每一候選轉速所對應之候選未來溫度。在一實施例中，如第4圖及第5圖所示，溫度預測器302之第一深度學習模型DL1可同於風扇控制器304之第二深度學習模型DL2。在另一實施例中，溫度預測器302之第一深度學習模型DL1可與風扇控制器304之第二深度學習模型DL2不同。如第5圖所示，週期t表示當前週期，預測溫度T_t表示溫度預測器302所產生之晶片202於週期t之預測溫度。發熱功率P_t表示介面卡20於週期t時之發熱功率，轉速FS_t表示風扇40於週期t時之轉速。預測溫度T_t-1~T_t-19表示溫度預測器302所產生之晶片202於週期(t-1)~(t-19)時之預測溫度。發熱功率P_t-1~P_t-19表示介面卡20於週期(t-1)~(t-19)時之發熱功率，轉速FS_t-1~FS_t-18表示風扇40於週期(t-1)~(t-18)時之轉速。FS_i表示風扇40於週期(t+1)時之第i個候選轉速，i為正整數。T_next(FS_i)表示於週期(t+1)時風扇40運作於第i個候選轉速時晶片202的候選未來溫度。換言之，風扇控制器304可產生對應於複數個候選轉速之複數個候選未來溫度。

進一步地，於步驟S204中，於產生對應於複數個候選轉速之複數個候選未來溫度後，風扇控制器304可將複數個候選未來溫度分別與一設定點溫度進行比較，再將複數個候選未來溫度之中與設定點溫度之絕對差值為最小者之候選未來溫度選取做為一未來目標溫度，並且將所選取之未來目標溫度所對應之候選轉速決定為風扇40之目標轉速。所述設定點溫度可依據晶片202而預先設定。因此，針對每一候選未來溫度，風扇控制器304可計算每一候選未來溫度與設定點溫度之一絕對差值。風扇控制器304再從複數個候選未來溫度中選取出與設定點溫度具有最小絕對差值之候選未來溫度做為未來目標溫度，並且將所選取出之未來目標溫度所對應之候選轉速決定為風扇40之目標轉速。簡言之，風扇控制器304可依據式(1)決定出風扇40之目標轉速：

其中FS_next表示於週期(t+1)(未來週期)時之目標轉速；T_set表示設定點溫度；T_next(FS_i)表示於週期(t+1)時風扇40運作於第i個候選轉速時晶片202的候選未來溫度；abs( )表示取得括號內數值之絕對值；Min( )表示取得括號內數值之一最小值之一函數；以及m為正整數。

舉例來說，假設設定點溫度T_set為70度(℃)，m等於5，候選轉速FS₁為2000轉/分鐘(RPM)，候選轉速FS₁所對應的候選未來溫度T_next(FS₁)為100℃，這表示若於週期(t+1)時當風扇40運作於候選轉速FS₁時，風扇控制器304所預測之晶片202的溫度(候選未來溫度T_next(FS₁))為100℃。候選轉速FS₂為4000RPM，候選轉速FS₂所對應的候選未來溫度T_next(FS₂)為85℃。候選轉速FS₃為6000RPM，候選轉速FS₃所對應的候選未來溫度T_next(FS₃)為80℃。候選轉速FS₄為8000RPM，候選轉速FS₄所對應的候選未來溫度T_next(FS₄)為65℃。候選轉速FS₅為10000RPM，候選轉速FS₅所對應的候選未來溫度T_next(FS₅)為60℃。於步驟S204中，風扇控制器304計算出候選未來溫度T_next(FS₁)與設定點溫度T_set之絕對差值為30℃，候選未來溫度T_next(FS₂)與設定點溫度T_set之絕對差值為15℃，候選未來溫度T_next(FS₃)與設定點溫度T_set之絕對差值為10℃，候選未來溫度T_next(FS₄)與設定點溫度T_set之絕對差值為5℃，候選未來溫度T_next(FS₅)與設定點溫度T_set之絕對差值為10℃。在此情況下，候選未來溫度T_next(FS₄)與設定點溫度T_set之絕對差值為最小。風扇控制器304選取候選未來溫度T_next(FS₄)做為未來目標溫度並將候選未來溫度T_next(FS₄)所對應的候選轉速FS₄判斷做為風扇40之一目標轉速。

於步驟S206中，風扇控制器304根據步驟S206所判斷出之風扇40之目標轉速產生一風扇控制信號以驅動風扇40。如此一來，基於風扇控制信號的控制，風扇40將可據以運轉於目標轉速，進而使介面卡20上之晶片202免於發生過熱的情況而能維持正常運作。換言之，本發明實施例將可基於晶片202之預測溫度選擇出一個最佳風扇目標轉速來驅動風扇40運作，使得介面卡20上之晶片202溫度可維持在設定溫度值之最小誤差範圍之內，進而使晶片202免於發生過熱的情況，同時也能避免風扇40過度運轉而耗費多餘的電力功耗。

另一方面，深度學習模型之訓練可透過分類、分群和回歸之機器學習與深度學習的方式來建立相應之深度學習模型。在對第一深度學習模型DL1以及第二深度學習模型DL2進行模型訓練設計時，本發明實施例可利用同一組已收集好的輸入特徵資料(例如風扇40之轉速、介面卡20之發熱功率、介面卡20之入口溫度、處理器10之溫度)來同時訓練溫度預測器302之第一深度學習模型DL1與風扇控制器304之第二深度學習模型DL2。當訓練完成後，溫度預測器302的輸出資料可被輸入風扇控制器304，風扇控制器304可依據晶片之預測溫度進行風扇的控制進而達成晶片的溫度控制。此外，在對第一深度學習模型DL1以及第二深度學習模型DL2進行模型訓練時，也可在晶片202設置溫度感測器以量測晶片202之實際溫度以驗證訓練模型時所輸入的訓練資料。

本領域具通常知識者當可依本發明的精神加以結合、修飾或變化以上所述的實施例，而不限於此。本發明實施例中所有的陳述、步驟、及/或流程(包含建議步驟)，可透過硬體、軟體、韌體(即硬體裝置與電腦指令的組合，硬體裝置中的資料為唯讀軟體資料)、電子系統、或上述裝置的組合等方式實現。其中裝置可為伺服器系統1。硬體可包含類比、數位及混合電路(即微電路、微晶片或矽晶片)。例如，硬體可為特定應用集成電路(ASIC)、現場可程序邏輯閘陣列(FPGA)、可程序化邏輯元件、耦接的硬體元件，或上述硬體的組合。在其他實施例中，硬件可包括通用處理器、微處理器、控制器、數字信號處理器，或上述硬件的組合。軟體可為程式碼的組合、指令的組合及/或函數(功能)的組合，其儲存在一儲存裝置中，例如一電腦可讀取記錄媒體或一非瞬時性電腦可讀取介質(non-transitory computer-readable medium)。舉例來說。電腦可讀取記錄媒體可包括唯讀記憶體(ROM)、快閃記憶體(Flash Memory)、隨機存取記憶體(RAM)、用戶識別模組(SIM)、硬碟、軟碟或光碟唯讀記憶體(CD-ROM/DVD-ROM/BD-ROM)，但不以此為限。本發明之流程步驟與實施例可被編譯成程式碼或指令的型態存在而儲存於電腦可讀取記錄媒體中。處理電路可用於讀取與執行電腦可讀取媒體儲存的程式碼或指令以實現前述所有步驟與功能。伺服器系統1可包括處理電路及耦接於所述處理電路的電腦可讀取記錄媒體。所述電腦可讀取記錄媒體儲存指令或程式碼以提供所述處理電路存取與執行。所述處理電路可讀取並執行所述電腦可讀取記錄媒體所存儲的指令或程式碼。伺服器系統1可為任何包括所述處理電路及所述電腦可讀取記錄媒體並且可執行前述步驟及流程的指令或程式代碼以實現前述功能的電腦設備。

綜上所述，本發明實施例將可基於晶片202之預測溫度選擇出一個最佳風扇目標轉速來驅動風扇40運作，使得介面卡20上之晶片202溫度可維持在設定溫度值之最小誤差範圍之內，進而使晶片202免於發生過熱的情況而能維持正常運作，同時也能避免風扇40過度運轉而耗費多餘的電力功耗。

在本發明的一實施例中，本發明之控制裝置及控制方法適用於伺服器的風扇控制，以動態調節風扇目標轉速，使伺服器能在效能及能耗之間取得平衡。因此，應用有本發明之控制裝置及控制方法的伺服器可適合用於人工智慧(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。

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。