一种风扇转速控制方法、装置及设备制造方法及图纸

本申请提供一种风扇转速控制方法、装置及设备，该方法包括：将检测状态数据输入给目标动作模型，得到每个风扇对应的目标占空比；基于风扇对应的目标占空比确定风扇的转速；目标动作模型的训练过程包括：将样本状态数据输入给初始动作模型，得到每个风扇对应的样本占空比，基于每个风扇对应的样本占空比生成样本占空比特征向量；将样本状态数据和样本占空比特征向量输入给初始评价模型，得到样本状态数据对应的状态动作值；基于样本状态数据确定奖惩参数值；基于奖惩参数值和状态动作值对初始动作模型和初始评价模型进行训练，得到已训练的目标动作模型和目标评价模型。通过本申请技术方案，有效控制每个风扇的转速，降低风扇的功耗和噪音。耗和噪音。耗和噪音。

【技术实现步骤摘要】
一种风扇转速控制方法、装置及设备


[0001]本申请涉及通信
，尤其涉及一种风扇转速控制方法、装置及设备。

技术介绍

[0002]网络设备（如路由器、交换机等）可以包括多个单板（如主控板、接口板、业务板等），在这些单板的工作过程中，不同单板的功耗差异较大，如单板的功耗可能只有100W，单板的功耗也可能超过600W，当多个单板均以较大功耗工作时，会导致网络设备的温度很高，从而导致网络设备容易出现故障。
[0003]为了对网络设备进行降温，通常会在网络设备部署多个风扇，若风扇转速越大，则网络设备的降温效果越好，若风扇转速越小，则网络设备的降温效果越差。在风扇转速越大时，风扇噪声越大，且风扇功耗越大，造成能源的浪费。在风扇转速越小时，风扇噪声越小，且风扇功耗越小，减少能源浪费。
[0004]综上可以看出，风扇转速越大时，网络设备的降温效果越好，但风扇噪声越大且风扇功耗越大，风扇转速越小时，网络设备的降温效果越差，但风扇噪声越小且风扇功耗越小，因此，需要控制风扇转速，在避免网络设备的温度过高的基础上，保证风扇噪声较小，且风扇功耗较小，达到节能降噪的目的。
[0005]但是，应该如何控制风扇转速，才能够避免网络设备的温度过高，且保证风扇噪声较小、风扇功耗较小，在相关技术中并没有有效的实现方式。

技术实现思路

[0006]本申请提供一种风扇转速控制方法，所述方法包括：获取网络设备对应的检测状态数据；其中，所述网络设备包括多个风扇；将所述检测状态数据输入给已训练的目标动作模型，得到每个风扇对应的目标占空比；其中，不同风扇对应的目标占空比相同或者不同；针对每个风扇，基于所述风扇对应的目标占空比确定所述风扇的转速；其中，所述目标动作模型的训练过程包括：获取网络设备对应的样本状态数据；将所述样本状态数据输入给初始动作模型，得到每个风扇对应的样本占空比，基于每个风扇对应的样本占空比生成样本占空比特征向量；将所述样本状态数据和所述样本占空比特征向量输入给初始评价模型，得到所述样本状态数据对应的状态动作值；基于所述样本状态数据确定所述状态动作值对应的奖惩参数值；基于所述奖惩参数值和所述状态动作值对所述初始动作模型和所述初始评价模型进行训练，得到已训练的目标动作模型和目标评价模型。
[0007]本申请提供一种风扇转速控制装置，所述装置包括：获取模块，用于获取网络设备对应的检测状态数据；其中，所述网络设备包括多个风扇；将所述检测状态数据输入给已训练的目标动作模型，得到每个风扇对应的目标占空
比；其中，不同风扇对应的目标占空比相同或者不同；确定模块，用于基于每个风扇对应的目标占空比确定该风扇的转速；训练模块，用于训练得到所述目标动作模型；其中，所述训练模块训练得到所述目标动作模型时具体用于：获取网络设备对应的样本状态数据；将所述样本状态数据输入给初始动作模型，得到每个风扇对应的样本占空比，基于每个风扇对应的样本占空比生成样本占空比特征向量；将所述样本状态数据和所述样本占空比特征向量输入给初始评价模型，得到所述样本状态数据对应的状态动作值；基于所述样本状态数据确定所述状态动作值对应的奖惩参数值；基于所述奖惩参数值和所述状态动作值对所述初始动作模型和所述初始评价模型进行训练，得到已训练的目标动作模型和目标评价模型。
[0008]本申请提供一种网络设备，包括：处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行指令；所述处理器用于执行机器可执行指令，以实现上述示例的风扇转速控制方法。
[0009]由以上技术方案可见，本申请实施例中，通过训练目标动作模型和目标评价模型，可以获取网络设备对应的检测状态数据，将检测状态数据输入给目标动作模型，得到每个风扇对应的目标占空比，针对每个风扇，基于该风扇对应的目标占空比确定该风扇的转速，从而有效控制每个风扇的转速，降低风扇的功耗和噪音，在避免网络设备的温度过高的基础上，保证风扇噪声较小，且风扇功耗较小，达到节能降噪的目的，满足网络设备的节能降噪需求，减少噪音污染，减少粉尘等空气中有害物质吸入，有利于降低网络设备受到的腐蚀危害。
附图说明
[0010]为了更加清楚地说明本申请实施例或者现有技术中的技术方案，下面将对本申请实施例或者现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据本申请实施例的这些附图获得其他的附图。
[0011]图1是本申请一种实施方式中的风扇转速控制方法的流程示意图；图2是本申请一种实施方式中的风扇转速控制方法的流程示意图；图3是本申请一种实施方式中的目标动作模型的训练过程的示意图；图4是本申请一种实施方式中的DDPG算法模型示意图；图5是本申请一种实施方式中的风扇转速控制方法的流程示意图；图6是本申请一种实施方式中的风扇转速控制装置的结构示意图；图7是本申请一种实施方式中的网络设备的硬件结构图。
具体实施方式
[0012]在本申请实施例使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。
[0013]应当理解，尽管在本申请实施例可能采用术语第一、第二、第三等来描述各种信
息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
[0014]本申请实施例中提出一种风扇转速控制方法，可以应用于网络设备（如路由器、交换机等），参见图1所示，为该方法的流程示意图，该方法可以包括：步骤101、获取网络设备对应的检测状态数据；该网络设备包括多个风扇。
[0015]示例性的，网络设备对应的检测状态数据可以包括但不限于：网络设备内每个单板对应的传感器数据、网络设备对应的系统数据、每个风扇对应的初始占空比（即风扇当前运行过程中的占空比）。其中，每个单板对应的传感器数据可以包括但不限于以下至少一种：该单板内芯片对应的结温数据、该单板内各测温点对应的最大温度、该单板对应的功率；该系统数据可以包括但不限于以下至少一种：环境温度、电源功率、每个风扇对应的功率。
[0016]步骤102、将该检测状态数据输入给已训练的目标动作模型，得到每个风扇对应的目标占空比；其中，不同风扇对应的目标占空比相同或者不同。
[0017]步骤103、针对每个风扇，基于该风扇对应的目标占空比确定该风扇的转速。
[0018]在一种可能的实施方式中，在步骤102之前，还可以训练得到目标动作模型，参见图2所示，该目标动作模型的训练过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风扇转速控制方法，其特征在于，所述方法包括：获取网络设备对应的检测状态数据；其中，所述网络设备包括多个风扇；将所述检测状态数据输入给已训练的目标动作模型，得到每个风扇对应的目标占空比；其中，不同风扇对应的目标占空比相同或者不同；针对每个风扇，基于所述风扇对应的目标占空比确定所述风扇的转速；其中，所述目标动作模型的训练过程包括：获取网络设备对应的样本状态数据；将所述样本状态数据输入给初始动作模型，得到每个风扇对应的样本占空比，基于每个风扇对应的样本占空比生成样本占空比特征向量；将所述样本状态数据和所述样本占空比特征向量输入给初始评价模型，得到所述样本状态数据对应的状态动作值；基于所述样本状态数据确定所述状态动作值对应的奖惩参数值；基于所述奖惩参数值和所述状态动作值对所述初始动作模型和所述初始评价模型进行训练，得到已训练的目标动作模型和目标评价模型。2.根据权利要求1所述的方法，其特征在于，所述网络设备对应的检测状态数据包括：所述网络设备内每个单板对应的传感器数据、所述网络设备对应的系统数据、每个风扇对应的初始占空比；其中，每个单板对应的传感器数据包括以下至少一种：该单板内芯片对应的结温数据、该单板内各测温点对应的最大温度、该单板对应的功率；所述系统数据包括以下至少一种：环境温度、电源功率、每个风扇对应的功率。3.根据权利要求1所述的方法，其特征在于，所述基于所述样本状态数据确定所述状态动作值对应的奖惩参数值，包括：基于所述样本状态数据确定系统总功率和占空比最大值；其中，所述样本状态数据包括每个风扇对应的初始占空比，所述占空比最大值是所有初始占空比中最大值；若所述样本状态数据包括电源功率，则基于所述电源功率确定系统总功率，若所述样本状态数据包括每个单板对应的功率和每个风扇对应的功率，则基于所有单板对应的功率和所有风扇对应的功率确定系统总功率；基于所述占空比最大值确定目标噪声值；基于所述系统总功率和所述系统总功率对应的第一权重系数、所述目标噪声值和所述目标噪声值对应的第二权重系数，确定所述奖惩参数值。4.根据权利要求3所述的方法，其特征在于，所述第一权重系数与所述第二权重系数之和为固定数值；若节能重要性优于降噪重要性，所述第一权重系数大于所述第二权重系数；若降噪重要性优于节能重要性，所述第一权重系数小于所述第二权重系数。5.根据权利要求1所述的方法，其特征在于，所述基于所述奖惩参数值和所述状态动作值对所述初始动作模型和所述初始评价模型进行训练，得到已训练的目标动作模型和目标评价模型，包括：基于所述状态动作值确定初始动作模型对应的第一误差值，基于所述第一误差值对初始动作模型的网络参数进行调整，得到调整后动作模型；基于所述奖惩参数值和所述状态动作值确定初始评价模型对应的第二误差值，基于所述第二误差值对初始评价模型的网络
参数进行调整，得到调整后评价模型；若调整后动作模型和调整后评价模型已收敛，则将调整后动作模型确定为所述目标动作模型，将调整后评价模型确定为所述目标评价模型；若调整后动作模型和/或调整后评价模型未收敛，则将调整后动作模型确定为所述初始动作模型，将调整后评价模型确定为所述初始评价模型，返回执行将所述样本状态数据输入给初始动作模型的操作。6.根据权利要求5所述的方法，其特征在于，所述基于所述状态动作值确定初始动作模型对应的第一误差值，包括：基于如下公式确定所述第一误差值：；所述基于所述奖惩参数值和所述状态动作值确定初始评价模型对应的第二误差值，包括：基于如下公式确定所述第二误差值：；表示第一误差值，表示第二误差值，s表示样本状态数据，a表示所述样本占空比， 表示所述状态动作值，表示所述奖惩参数值。7.根据权利要求1
‑
6任一项所述的方法，其特征在于，还包括：在获取网络设备对应的检测状态数据之后，将所述检测状态数据存储到指定存储介质；在满足目标动作模型的更新条件时，将所述指定存储介质中的检测状态数据更新为样本状态数据，将所述目标动作模型更新为初始动作模型，将所述目标评价模型更新为初始评价模型；以及，将样本状态数据输入给初始动作模型，得到每个风扇对应的样本占空比，基于每个风扇对应的样本占空比生成样本占空比特征向量；将样本状态数据和...

【专利技术属性】
技术研发人员：王明辉，
申请(专利权)人：新华三人工智能科技有限公司，
类型：发明
国别省市：