一种基于机器学习算法的风扇调控方法及系统技术方案

本发明专利技术涉及服务器散热技术领域，提供一种基于机器学习算法的风扇调控方法及系统，方法包括：从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，将计算得到的系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为PID调控算法的最优参数，若否则返回执行从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤，从而实现对服务器风扇的PID智能调控，避免费时费力的人工调节，保障服务器各个元器件工作在安全温度值范围内。

【技术实现步骤摘要】
一种基于机器学习算法的风扇调控方法及系统
本专利技术涉及服务器散热
，具体为一种基于机器学习算法的风扇调控方法及系统。
技术介绍
随着云计算、大数据等新型技术的发展，对数据存储的带宽和容量要求越来越高，处理器的运算速度与运算量也越来越大，导致内存、硬盘等各个元器件的温度也不断飙升，电子器件的散热成为目前一个相当灼手的问题，而且现在社会对功耗的要求也越来越低，节能是目前的一个主流趋势。如何能有效的降低各个电子元器件的温度过高而且降低风扇墙的功耗，而且满足整机的功耗最优已是一个急需解决的技术问题。目前，风扇转速控制采用PID的调控方法，其具体的实现为：首先检测电子元器件的温度值，然后与各自的控制点进行对比，从而计算出需要增加或者降低的PWM值，进一步将电子的元器件的温度控制在相应的控制点内，但是现有PID调控算法的存在如下缺陷：在不同的环境温度下需要人工进行大量的测试，找出可能的最佳参数，既费时费力，也不能保证最佳的性能。
技术实现思路
为了克服上述所指出的现有技术的缺陷，本专利技术人对此进行了深入研究，在付出了大量创造性劳动后，从而完成了本专利技术。具体而言，本专利技术所要解决的技术问题是：提供一种基于机器学习算法的风扇调控方法，旨在解决现有技术中在不同的环境温度下需要人工进行大量的测试，找出可能的最佳参数，既费时费力，也不能保证最佳的性能的技术问题。为解决上述技术问题，本专利技术的技术方案是：一种基于机器学习算法的风扇调控方法，所述方法包括下述步骤：从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤。作为一种改进的方案，所述方法还包括下述步骤：初始化粒子群，随机生成群体中所有粒子的位置v和速度x；根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。作为一种改进的方案，所述运行PID调控算法，计算得到PID闭环控制的系统性能指标的步骤具体包括下述步骤：运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，作为一种改进的方案，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求的步骤之前还包括下述步骤：根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。作为一种改进的方案，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；其中，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤具体包括下述步骤：将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值，是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。本专利技术的另一目的在于提供一种基于机器学习算法的风扇调控系统，所述系统包括：粒子选取模块，用于从粒子群算法产生的粒子中选取其中三个；赋值模块，用于将所述粒子选取模块选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；系统性能指标计算模块，用于运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；调控判断模块，用于将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求；确定模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，将选取的三个粒子对应的参数作为所述PID调控算法的最优参数；返回执行控制模块，用于当所述调控判断模块判定满足PID控制算法的系统性能要求时，返回执行所述粒子选取模块从粒子群算法产生的粒子中选取其中三个的步骤。作为一种改进的方案，所述系统还包括：初始化操作模块，用于初始化粒子群，随机生成群体中所有粒子的位置v和速度x；最优位置计算模块，用于根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。作为一种改进的方案，所述系统性能指标计算模块具体包括：输出信号生成模块，用于运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；系统误差计算模块，用于将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；积分计算模块，用于根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，作为一种改进的方案，所述系统还包括：适应值计算模块，用于根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。作为一种改进的方案，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；其中，所述调控判断模块具体包括下述步骤：第一适应值比较判断模块，用于将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值；第一最优位置确定模块，用于当判定系统性能指标J小于粒子所经历过的最优位置Pt的适应值时，所述确定模块将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索本文档来自技高网...

【技术保护点】
1.一种基于机器学习算法的风扇调控方法，其特征在于，所述方法包括下述步骤：从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤。

【技术特征摘要】
1.一种基于机器学习算法的风扇调控方法，其特征在于，所述方法包括下述步骤：从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd；运行PID调控算法，计算得到PID闭环控制的系统性能指标，其中，计算的得到的所述系统性能指标作为选取的三个粒子的适应值；将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤。2.根据权利要求1所述的基于机器学习算法的风扇调控方法，其特征在于，所述方法还包括下述步骤：初始化粒子群，随机生成群体中所有粒子的位置v和速度x；根据生成的群体中所有粒子的位置v和速度x，计算粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt。3.根据权利要求2所述的基于机器学习算法的风扇调控方法，其特征在于，所述运行PID调控算法，计算得到PID闭环控制的系统性能指标的步骤具体包括下述步骤：运行PID调控算法，对被控对象进行PID控制，输出得到输出信号y(t)；将计算得到的输出信号y(t)与输入信号r(t)做差运算，计算得到PID控制算法的系统误差e(t)；根据计算得到的系统误差e(t)，计算得到PID闭环控制的系统性能指标J，其中，4.根据权利要求3所述的基于机器学习算法的风扇调控方法，其特征在于，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求的步骤之前还包括下述步骤：根据计算得到的粒子迄今为止搜索到的最优位置Pt和粒子群迄今为止搜索到的最优位置Gt，分别计算粒子所经历过的最优位置Pt的适应值以及整个粒子群所经历过的最优位置Gt的适应值。5.根据权利要求4所述的基于机器学习算法的风扇调控方法，其特征在于，所述PID控制算法的系统性能要求为计算得到的所述系统性能指标J与适应值的比较内容；其中，所述将计算得到的所述系统性能指标作为基准，判断是否满足PID控制算法的系统性能要求，若是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数，若否则返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤具体包括下述步骤：将计算得到的所述系统性能指标J与计算得到的粒子所经历过的最优位置Pt的适应值进行比较，判断系统性能指标J是否小于粒子所经历过的最优位置Pt的适应值，是则将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，将当前粒子所在的位置v作为粒子迄今为止搜索到的最优位置Pt；将计算得到的所述系统性能指标J与计算得到的整个粒子群所经历过的最优位置Gt的适应值进行比较，判断系统性能指标J是否小于整个粒子群所经历过的最优位置Gt的适应值，是将选取的三个粒子对应的参数作为所述PID调控算法的最优参数的同时，则将当前粒子群所在的位置v作为粒子迄今为止搜索到的最优位置Gt；当判定系统性能指标J大于等于粒子所经历过的最优位置Pt的适应值，或/和当判定系统性能指标J大于等于整个粒子群所经历过的最优位置Gt的适应值时，更新粒子群中粒子的速度x和位置v，并返回执行所述从粒子群算法产生的粒子中选取其中三个，将选取的三个粒子分别赋值给PID控制器的参数Kp、Ki以及Kd的步骤的步骤。6.一种基于机器学习算法的风扇调控系统，其特征在于，所述系统包括：粒子选取模块，用...

【专利技术属性】
技术研发人员：宗斌，
申请(专利权)人：郑州云海信息技术有限公司，
类型：发明
国别省市：河南,41