本发明专利技术提供一种控制装置，用于控制一伺服器系统的一风扇。控制装置包含有一温度预测器以及一风扇控制器。温度预测器经配置以使用一第一深度学习模型并根据一风扇的一转速、一适配卡的一发热功率、该适配卡的一入口温度及一处理器的一温度产生该晶片的一预测温度。风扇控制器耦接于该温度预测器，经配置以使用一第二深度学习模型并根据该晶片的该预测温度、该风扇的转速及该适配卡的该发热功率产生该风扇的一目标转速，并根据该风扇的该目标转速产生一风扇控制信号以驱动该风扇。生一风扇控制信号以驱动该风扇。生一风扇控制信号以驱动该风扇。
【技术实现步骤摘要】
控制装置及控制方法
[0001]本专利技术涉及一种控制装置及控制方法，尤指一种可基于深度学习模型选择风扇目标转速的控制装置及控制方法。
技术介绍
[0002]伺服器系统于运作时会产生废热，因而通常会配置散热风扇来转移热源排出内部热能。目前对于伺服器的散热风扇的控制通常是读取到元件的温度值，再根据温度读值计算出合适的转速。例如，常见的有使用比例积分微分(proportional integral derivative，PID)控制器来控制散热风扇的运转状态。然而，在伺服器系统中经常遇到有无法回传温度读值的元件或晶片却仍必须控制风扇来维持晶片的温度不至于过热。举例来说，伺服器系统中具含有一高速周边元件互连(peripheral component interconnect express，PCIe)适配卡(又称高速序列电脑汇流排适配卡)，而当设置于PCIe适配卡上的晶片无法回传温度值时，目前的方式会利用PCIe适配卡的入口温度与入口流量做为参考来控制风扇以避免晶片元件产生过热的情况。然而，若是伺服器系统中的配置稍有不同时，诸如内存的数量变化、硬盘装置的类型不同、增加额外的配接卡或硬体等都会导致实际入口流量的改变。在此情况下，由于入口流量的参数是有关于整体伺服器系统内部的流量而无法正确反映出适配卡上晶片的温度需求，因而不适用于风扇的控制。然，若是单以入口温度为参考依据来设计控制器时，往往为了避免流量不足导致过热，通常的作法是采取过度冷却的设计，如此一来将造成风扇持续地运转而导致不必要的功率消耗。因此，习知技术实有改进的必要。
技术实现思路
[0003]为了解决上述的问题，本专利技术提供一种基于深度学习模型选择风扇目标转速的控制装置及控制方法，以解决上述问题。
[0004]本专利技术提供一种控制装置，用于控制一伺服器系统的一风扇，包含有︰一温度预测器，经配置以使用一第一深度学习模型并根据所述风扇的一转速、一适配卡的一发热功率、所述适配卡的一入口温度及一处理器的一温度产生一晶片的一预测温度；以及一风扇控制器，耦接于所述温度预测器，经配置以使用一第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速及所述适配卡的所述发热功率产生所述风扇的一目标转速，并根据所述风扇的所述目标转速产生一风扇控制信号以驱动所述风扇。
[0005]其中所述温度预测器包括复数个第一神经网络层以形成所述第一深度学习模型，以及所述风扇控制器包括复数个第二神经网络层以形成所述第二深度学习模型。
[0006]其中所述风扇的转速包括所述风扇的一当前转速以及对应于复数个先前周期的复数个先前转速，所述适配卡的所述发热功率包括所述适配卡的一当前发热功率以及对应于所述复数个先前周期的复数个先前发热功率、所述适配卡的所述入口温度包括所述适配卡的一当前入口温度以及对应于所述复数个先前周期的复数个先前入口温度、所述处理器
的所述温度包括所述处理器的一当前处理器温度以及对应于所述复数个先前周期的复数个先前处理器温度。
[0007]其中所述风扇控制器使用所述第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速、所述适配卡的所述发热功率产生对应于复数个候选转速的复数个候选未来温度，所述风扇控制器将所述复数个候选未来温度分别与一设定点温度进行比较，以及将所述复数个候选未来温度的中与所述设定点温度的绝对差值为最小者的候选未来温度选取做为一未来目标温度并且将所选取的未来目标温度所对应的候选转速决定为所述风扇的所述目标转速，并根据所述风扇的所述目标转速产生所述风扇控制信号以驱动所述风扇。
[0008]其中所述第一深度学习模型与所述第二深度学习模型为相同深度学习模型。
[0009]本专利技术另提供一种控制方法，用于控制一伺服器系统的一风扇，包含有︰使用一第一深度学习模型并根据所述风扇的一转速、一适配卡的一发热功率、所述适配卡的一入口温度及一处理器的一温度产生一晶片的一预测温度；以及使用一第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速、所述适配卡的所述发热功率产生所述风扇的一目标转速，并根据所述风扇的所述目标转速产生一风扇控制信号以驱动所述风扇。
[0010]其中所述第一深度学习模型是由复数个第一神经网络层所形成，以及所述第二深度学习模型的由复数个第二神经网络层所形成。
[0011]其中所述风扇的转速包括所述风扇的一当前转速以及对应于复数个先前周期的复数个先前转速，所述适配卡的所述发热功率包括所述适配卡的一当前发热功率以及对应于所述复数个先前周期的复数个先前发热功率、所述适配卡的所述入口温度包括所述适配卡的一当前入口温度以及对应于所述复数个先前周期的复数个先前入口温度、所述处理器的所述温度包括所述处理器的一当前处理器温度以及对应于所述复数个先前周期的复数个先前处理器温度。
[0012]其中使用所述第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速及所述适配卡的所述发热功率产生所述风扇的所述目标转速并根据所述风扇的所述目标转速产生所述风扇控制信号以驱动所述风扇的步骤包括︰使用所述第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速、所述适配卡的所述发热功率产生对应于复数个候选转速的复数个候选未来温度；将所述复数个候选未来温度分别与一设定点温度进行比较并将所述复数个候选未来温度的中与所述设定点温度的绝对差值为最小者的候选未来温度选取做为一未来目标温度；将所选取的未来目标温度所对应的候选转速决定为所述风扇的所述目标转速；以及根据所述风扇的所述目标转速产生所述风扇控制信号以驱动所述风扇。
[0013]其中所述第一深度学习模型与所述第二深度学习模型为相同深度学习模型。
附图说明
[0014]图1为本专利技术实施例的一伺服器系统的示意图。
[0015]图2为本专利技术实施例的一流程的示意图。
[0016]图3为图1中用于侦测入口温度的温度感测器的实施例示意图。
[0017]图4为图1中的温度预测器的实施例示意图。
[0018]图5为图1中的风扇控制器的实施例示意图。
[0019]符号说明：
[0020]1:伺服器系统
[0021]2:流程
[0022]10:处理器
[0023]102,50:温度感测器
[0024]20:适配卡
[0025]202:晶片
[0026]30:控制装置
[0027]302:温度预测器
[0028]304:风扇控制器
[0029]40:风扇
[0030]60:转速感测器
[0031]DL1:第一深度学习模型
[0032]DL2:第二深度学习模型
[0033]FS
i
:候选转速
[0034]FS
t
,FS
t
‑
18
:转速
[0035]FT
t
,FT
t
‑1,FT
t
‑
N+1<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种控制装置，用于控制一伺服器系统的一风扇，其特征在于，包含有︰一温度预测器，经配置以使用一第一深度学习模型并根据所述风扇的一转速、一适配卡的一发热功率、所述适配卡的一入口温度及一处理器的一温度产生一晶片的一预测温度；以及一风扇控制器，耦接于所述温度预测器，经配置以使用一第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速及所述适配卡的所述发热功率产生所述风扇的一目标转速，并根据所述风扇的所述目标转速产生一风扇控制信号以驱动所述风扇。2.如权利要求1所述的控制装置，其特征在于，其中所述温度预测器包括复数个第一神经网络层以形成所述第一深度学习模型，以及所述风扇控制器包括复数个第二神经网络层以形成所述第二深度学习模型。3.如权利要求1所述的控制装置，其特征在于，其中所述风扇的转速包括所述风扇的一当前转速以及对应于复数个先前周期的复数个先前转速，所述适配卡的所述发热功率包括所述适配卡的一当前发热功率以及对应于所述复数个先前周期的复数个先前发热功率、所述适配卡的所述入口温度包括所述适配卡的一当前入口温度以及对应于所述复数个先前周期的复数个先前入口温度、所述处理器的所述温度包括所述处理器的一当前处理器温度以及对应于所述复数个先前周期的复数个先前处理器温度。4.如权利要求1所述的控制装置，其特征在于，其中所述风扇控制器使用所述第二深度学习模型并根据所述晶片的所述预测温度、所述风扇的转速、所述适配卡的所述发热功率产生对应于复数个候选转速的复数个候选未来温度，所述风扇控制器将所述复数个候选未来温度分别与一设定点温度进行比较，以及将所述复数个候选未来温度的中与所述设定点温度的绝对差值为最小者的候选未来温度选取做为一未来目标温度并且将所选取的未来目标温度所对应的候选转速决定为所述风扇的所述目标转速，并根据所述风扇的所述目标转速产生所述风扇控制信号以驱动所述风扇。5.如权利要求1所述的控制装置，其特征在于，其中所述第一深度学习模型与所述第二深度学习模型为相同深度学习模型。6.一种控制方法，用于控制一伺服器系统的一风扇，...
【专利技术属性】
技术研发人员：李建明，童凯炀，
申请(专利权)人：英业达股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。