【技术实现步骤摘要】
本专利技术涉及冷却系统控制，尤其涉及一种基于氟化液性能退化评价的冷却系统智能控制方法及系统。
技术介绍
1、大数据、云计算技术的快速发展，让世界更加互联、人类生活日趋便捷的同时，也将需要越来越多的计算能力。硅芯片逐步逼近物理和经济成本上的极限，各界纷纷预测，摩尔定律在不久的将来面临失效，半导体工艺升级带来的计算性能提升不会再像以前那么快了。如何应对未来高算力需求的挑战？一个方向是借助服务器内部构建更多的计算单元提升单机计算力，而这直接导致芯片功耗及散热成为新挑战。另外一个方向是云计算，云计算令计算资源集中化，高密度的提升必然带来热密度的上升，对于支撑服务器稳定运行的数据中心而言则带来巨大的散热挑战。液冷，是指通过某种液体，比如氟化液或是某种特殊的不导电的油来替代空气，把cpu、内存条、芯片组、扩展卡等器件在运行时所产生的热量带走。液体冷却技术根据冷却液是否与电子部件直接接触，可分为直接液体冷却和间接液体冷却。全浸没式液冷解决方案是将发热器件（包括整个主板及板载器件，以及相关存储、网络器件）全部浸没于其中特殊的绝缘化学液体当中，从而起到降温的效果。然而，由于氟化液在使用过程中是会产生一定的退化现象，从而使得氟化液的冷却性能降低，当降低到一定程度无法达到预定的降温能力时，就可能会使得相关的设备的性能降低，无法达到预定的性能效果。
技术实现思路
1、本专利技术克服了现有技术的不足，提供了一种基于氟化液性能退化评价的冷却系统智能控制方法及系统。
2、为达上述目的，本专利技术采用
3、本专利技术第一方面提供了一种基于氟化液性能退化评价的冷却系统智能控制方法，包括以下步骤：
4、获取每一冷却系统中氟化液的冷却性能指标数据信息，并通过决策树模型对冷却系统中氟化液的冷却性能指标数据信息进行性能隶属度评价，获取氟化液的冷却性能评价隶属度；
5、基于氟化液的冷却性能评价隶属度、深度神经网络以及马尔科夫链构建氟化液性能退化预测模型，并通过对氟化液性能退化预测模型预测当前时间戳每一冷却系统中氟化液的冷却性能评价隶属度；
6、基于卷积神经网络以及孪生网络构建冷却系统状态识别模型，通过冷却系统状态识别模型对每一冷却性能评价隶属度的冷却系统进行跟踪识别，获取目标区域中冷却系统的冷却性能特征数据分布情况；
7、获取当前目标区域中的降温需求数据信息，并根据当前目标区域中的降温需求数据信息以及目标区域中冷却系统的冷却性能特征数据分布情况生成相关的冷却控制方案。
8、进一步的，在本方法中，通过决策树模型对冷却系统中氟化液的冷却性能指标数据信息进行性能隶属度评价，获取氟化液的冷却性能评价隶属度，具体包括：
9、设置若干冷却性能评价隶属度的阈值范围，并引入决策树模型，根据冷却性能评价隶属度的阈值范围设置分裂标准，基于冷却系统中氟化液的冷却性能指标数据信息构建样本数据集；
10、根据样本数据集构建根节点，并基于分裂标准对根节点进行初始化分裂，生成若干新的分裂节点，并判断新的分裂节点中的所有样本数据中是否至少含有一个其他冷却性能评价隶属度的阈值范围的样本数据；
11、当新的分裂节点中的所有样本数据中至少含有一个其他冷却性能评价隶属度的阈值范围的样本数据时，则对新的分裂节点的进行持续分裂；
12、当新的分裂节点中的所有样本数据中不含有其他冷却性能评价隶属度的阈值范围的样本数据时，输出新的分裂节点，并生成叶节点，获取每一叶节点的冷却性能评价隶属度，并作为氟化液的冷却性能评价隶属度输出。
13、进一步的，在本方法中，基于氟化液的冷却性能评价隶属度、深度神经网络以及马尔科夫链构建氟化液性能退化预测模型，具体包括：
14、构建时间戳，融合时间戳以及氟化液的冷却性能评价隶属度构建基于时间序列的氟化液的冷却性能评价隶属度的样本数据集，并基于深度神经网络构建氟化液性能退化预测模型；
15、引入马尔科夫链，通过马尔科夫链计算样本数据集中每一时间戳中的氟化液的冷却性能评价隶属度转移到下一等级的冷却性能评价隶属度的转移概率值，并构建转移概率矩阵；
16、将转移概率矩阵输入到氟化液性能退化预测模型中进行编码学习，并融合循环空间注意力机制，通过循环空间注意力机制将注意力集中在转移概率矩阵中的转移概率特征，生成注意力特征图；
17、将注意力特征图与隐含层进行协同工作，更新隐含层的状态，当氟化液性能退化预测模型符合预设要求之后，保存模型参数，输出氟化液性能退化预测模型。
18、进一步的，在本方法中，通过对氟化液性能退化预测模型预测当前时间戳每一冷却系统中氟化液的冷却性能评价隶属度，具体包括：
19、预设转移概率阈值，并获取上一时间戳中每一冷却系统中氟化液的冷却性能评价隶属度，将每一冷却系统中氟化液的冷却性能评价隶属度输入到氟化液性能退化预测模型中进行预测；
20、通过预测，获取上一时间戳中每一冷却系统中氟化液的冷却性能评价隶属度转移到下一等级的冷却性能评价隶属度的转移概率值，并判断转移概率值是否大于转移概率阈值；
21、当转移概率值大于转移概率阈值时，则将上一时间戳中冷却系统中氟化液的冷却性能评价隶属度的下一等级的冷却性能评价隶属度作为当前时间戳中冷却系统中氟化液的冷却性能评价隶属度；
22、当转移概率值不大于转移概率阈值时，则将上一时间戳中冷却系统中氟化液的冷却性能评价隶属度作为当前时间戳中冷却系统中氟化液的冷却性能评价隶属度。
23、进一步的，在本方法中，基于卷积神经网络以及孪生网络构建冷却系统状态识别模型，通过冷却系统状态识别模型对每一冷却性能评价隶属度的冷却系统进行跟踪识别，获取目标区域中冷却系统的冷却性能特征数据分布情况，具体包括：
24、基于卷积神经网络构建冷却系统状态识别模型，并融合孪生网络，获取若干冷却性能评价隶属度的冷却系统，根据冷却性能评价隶属度的冷却系统构建样本训练数据集；
25、通过对样本训练数据集进行排列组合，并根据样本训练数据集初始化训练样本对，通过孪生网络计算训练样本对中训练样本之间的相似度，并将相似度大于预设相似度的样本对作为同类样本对；
26、将相似度不大于预设相似度的样本对作为异类样本对，并根据同类样本对以及异类样本对样本训练数据集进行扩充，生成新的样本训练集，将新的样本训练集输入冷却系统状态识别模型中进行编码学习；
27、当损失函数收敛至预设值之后，保存冷却系统状态识别模型的模型参数，输出冷却系统状态识别模型，并通过冷却系统状态识别模型对每一冷却性能评价隶属度的冷却系统进行跟踪识别，获取目标区域中冷却系统的冷却性能特征数据分布情况。
28、进一步的，在本方法中，获取当前目标区域中的降温需求数据信息，并根据当前目标区域中的降温需求数据信息以及目标区域中冷却系统的冷却性能特征数据分布情况生成相关的冷却控制方案，具体包括：
本文档来自技高网...
【技术保护点】
1.基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，通过决策树模型对所述冷却系统中氟化液的冷却性能指标数据信息进行性能隶属度评价，获取氟化液的冷却性能评价隶属度，具体包括：
3.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，基于氟化液的冷却性能评价隶属度、深度神经网络以及马尔科夫链构建氟化液性能退化预测模型，具体包括：
4.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，通过对所述氟化液性能退化预测模型预测当前时间戳每一冷却系统中氟化液的冷却性能评价隶属度，具体包括：
5.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，基于卷积神经网络以及孪生网络构建冷却系统状态识别模型，通过所述冷却系统状态识别模型对每一冷却性能评价隶属度的冷却系统进行跟踪识别，获取目标区域中冷却系统的冷却性能特征数据分布情况，具体包括：
6.根据权利要求
7.基于氟化液性能退化评价的冷却系统智能控制系统，其特征在于，所述系统包括存储器以及处理器，所述存储器中包括基于氟化液性能退化评价的冷却系统智能控制方法程序，所述基于氟化液性能退化评价的冷却系统智能控制方法程序被所述处理器执行时，实现如下步骤：
8.一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包括基于氟化液性能退化评价的冷却系统智能控制方法程序，所述基于氟化液性能退化评价的冷却系统智能控制方法程序被处理器执行时，实现如权利要求1-6任一项所述的基于氟化液性能退化评价的冷却系统智能控制方法的步骤。
...【技术特征摘要】
1.基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，通过决策树模型对所述冷却系统中氟化液的冷却性能指标数据信息进行性能隶属度评价，获取氟化液的冷却性能评价隶属度，具体包括：
3.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，基于氟化液的冷却性能评价隶属度、深度神经网络以及马尔科夫链构建氟化液性能退化预测模型，具体包括：
4.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，通过对所述氟化液性能退化预测模型预测当前时间戳每一冷却系统中氟化液的冷却性能评价隶属度，具体包括：
5.根据权利要求1所述的基于氟化液性能退化评价的冷却系统智能控制方法，其特征在于，基于卷积神经网络以及孪生网络构建冷却系统状态识别模型，通过所述冷却系统状态识别模型对每一冷却性能评价隶属度的...
【专利技术属性】
技术研发人员：曾一铮，刘星，
申请(专利权)人：海斯福深圳科技有限公司，
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。