一种调节BMC风扇转速的方法、系统及装置制造方法及图纸

本发明专利技术公开了一种调节BMC风扇转速的方法，包括以下步骤：步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；步骤S20：温度数据预处理，对收集到的温度数据进行预处理；步骤S30：构建LSTM

【技术实现步骤摘要】
一种调节BMC风扇转速的方法、系统及装置


[0001]本专利技术涉及服务器温度调节领域，具体的说涉及到一种调节BMC风扇转速的方法、系统及装置。

技术介绍

[0002]BMC，全称基板管理控制器，是服务器特有的管理控制器，BMC可以自动监控服务器运行状态，并及时根据当前状态进行调控，其中主要的一个功能就是获取当前服务器各模块的温度，根据当前温度进行风扇转速控制及告警等操作。
[0003]但是AI服务器的散热一直也是按照传统方式的散热方式，会产生大量的热量。为了让系统散热，一般会在系统中加入风扇进行散热，使得芯片温度不至于过高从而对系统造成损坏，但是传统BMC散热的方法都是基于线性或简单非线性模型，然后嵌入到BMC内部，但是这些模型对于复杂系统的建模能力非常有限，不能够很好的预测BMC的风扇转速，因此需要一种更精确的方法来控制服务器风扇转速来进行散热。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供一种调节BMC风扇转速的方法，该方法可以通过双LSTM神经网络和FNN神经网络实现对BMC系统中风扇的转速进行调节。
[0005]本专利技术解决其技术问题所采用的技术方案是：一种调节BMC风扇转速的方法，包括以下步骤：步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；步骤S20：温度数据预处理，对收集到的温度数据进行预处理；步骤S30：构建LSTM
‑
FNN网络模型，基于LSTM网络以及FNN网络构建LSTM<br/>‑
FNN模型；步骤S301：定义LSTM
‑
F，对于每个时间步t，LSTM
‑
F通过输入门、遗忘门、输出门以及候选细胞状态计算隐藏状态和细胞状态的更新；
[0006]步骤S302：定义LSTM
‑
B，对于每个时间步t，LSTM
‑
B通过输入门、遗忘门、输出门以及候选细胞状态计算隐藏状态和细胞状态的更新；
[0007]步骤S303：构建FNN网络，将LSTM
‑
F中的前向隐藏状态序列和LSTM
‑
B模型中的后向隐藏状态序列连接起来得到FNN网络的输入层，计算出FNN网络的输出层。
[0008]步骤S40：训练LSTM
‑
FNN网络模型；步骤S50：使用训练后的LSTM
‑
FNN网络模型预测并调节BMC系统中的风扇转速。
[0009]在上述的步骤中，所述步骤S301中计算隐藏状态和细胞状态更新的公式为：
[0010]输入门：，
[0011]遗忘门：，
[0012]输出门：，
[0013]候选细胞状态：，
[0014]细胞状态更新：，
[0015]隐藏状态更新：。
[0016]在上述的步骤中，所述步骤S302中计算隐藏状态和细胞状态更新的公式为：
[0017]输入门：，
[0018]遗忘门：，
[0019]输出门：，
[0020]候选细胞状态：，
[0021]细胞状态更新：，
[0022]隐藏状态更新：。
[0023]在上述的步骤中，所述步骤S303中：前向隐藏状态序列：，
[0024]后向隐藏状态序列：，
[0025]FNN网络输入层：，
[0026]FNN网络输出层：，
[0027]其中和是可学习的参数。
[0028]在上述的步骤中，所述步骤S303中通过线性变换以及非线性激活函数计算得出FNN网络输出层。
[0029]在上述的步骤中，所述步骤S40中通过反向传播算法更新LSTM
‑
FNN模型参数，并通过最小化损失函数训练LSTM
‑
FNN模型。
[0030]在上述的步骤中，所述步骤S10中温度的数据集：，其中是一个长度为m的向量，表示第i个时间步的各个设备的温度；风扇转速数据集：
[0031]，是第i个时间步的风扇转速。
[0032]在上述的步骤中，所述步骤S50中风扇转速的预测值：，其中和是可学习的参数，表示激活函数。
[0033]一种调节BMC风扇转速的系统，包含上述任一所述的调节BMC风扇转速的方法。
[0034]一种调节BMC风扇转速的装置，包含上述任一所述的调节BMC风扇转速的方法。
[0035]本专利技术的有益效果是：该方法可以通过双LSTM神经网络和FNN神经网络实现对BMC系统中风扇转速进行调节。
附图说明
[0036]图1为本专利技术一种调节BMC风扇转速的方法步骤流程图。
[0037]图2为本专利技术一种调节BMC风扇转速的方法中温度数据以及预测风扇转速。
[0038]图3为本专利技术一种调节BMC风扇转速的方法的控制图。
[0039]图4为本专利技术中LSTM
‑
FNN网络模型与传统步进算法的对比图。
具体实施方式
[0040]下面结合附图和实施例对本专利技术进一步说明。
[0041]以下将结合实施例和附图对本专利技术的构思、具体结构及产生的技术效果进行清楚、完整地描述，以充分地理解本专利技术的目的、特征和效果。显然，所描述的实施例只是本专利技术的一部分实施例，而不是全部实施例，基于本专利技术的实施例，本领域的技术人员在不付出创造性劳动的前提下所获得的其他实施例，均属于本专利技术保护的范围。另外，专利中涉及到的所有联接/连接关系，并非单指构件直接相接，而是指可根据具体实施情况，通过添加或减少联接辅件，来组成更优的联接结构。本专利技术创造中的各个技术特征，在不互相矛盾冲突的前提下可以交互组合。
[0042]参照图1所示，本专利技术揭示了一种调节BMC风扇转速的方法，具体的，该方法包括以下步骤：步骤S10：数据采集，首先收集BMC系统中多个时间步的温度数据，包括CPU、GPU、硬盘、RAID卡以及显卡等设备的温度；在本实施例中，时间步长设置为3秒；然后建立温度的数据集以及风扇转速的数据集，其中温度的数据集：，是一个长度为m的向量，表示第i个时间步的各个设备的温度，包含CPU、硬盘、GPU、RAID卡以及其他设备的温度；
[0043]风扇转速数据集：，是第i个时间步的风扇转速。
[0044]步骤S20：温度数据预处理，对收集到的温度数据进行预处理，其中预处理的方式包括：首先对数据进行归一化，然后将数据分割成训练集以及测试集；在本实施例中，首先通过归一化将数据转换为均值为0、标准差为1的分布。具体的，先使用Z
‑
score标准化对数据进行归一化，公式如下所示：；
[0045]其中X是原始数据，mean是数据的均值，std是数据的标准差，X'是标准化后的数据。
[0046]然后对温度数据进行分割，采用随机划分的方式将温度数据按照一定的比例划分为训练集以及测试集，例如采用70%的数据作为训练集，剩余的30%作为测试集；也可本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种调节BMC风扇转速的方法，其特征在于，包括以下步骤：步骤S10：数据采集，收集BMC系统中多个时间步的温度数据，建立温度的数据集以及风扇转速的数据集；步骤S20：温度数据预处理，对收集到的温度数据进行预处理；步骤S30：构建LSTM
‑
FNN网络模型，基于LSTM网络以及FNN网络构建LSTM
‑
FNN模型；步骤S301：定义LSTM
‑
F，对于每个时间步t，LSTM
‑
F通过输入门、遗忘门、输出门以及候选细胞状态计算隐藏状态和细胞状态的更新；步骤S302：定义LSTM
‑
B，对于每个时间步t，LSTM
‑
B通过输入门、遗忘门、输出门以及候选细胞状态计算隐藏状态和细胞状态的更新；步骤S303：构建FNN网络，将LSTM
‑
F中的前向隐藏状态序列和LSTM
‑
B模型中的后向隐藏状态序列连接起来得到FNN网络的输入层，并计算出FNN网络的输出层；步骤S40：训练LSTM
‑
FNN网络模型；步骤S50：使用训练后的LSTM
‑
FNN网络模型预测并调节BMC系统中的风扇转速。2.根据权利要求1所述的一种调节BMC风扇转速的方法，其特征在于，所述步骤S301中计算隐藏状态和细胞状态更新的公式为：输入门：,遗忘门：,输出门：,候选细胞状态：,细胞状态更新：,隐藏状态更新：。3.根据权利要求1所述...

【专利技术属性】
技术研发人员：代舜，李瑞杰，黄文杰，
申请(专利权)人：宝德计算机系统股份有限公司，
类型：发明
国别省市：