CN114089820A - 散热***及其控制方法 - Google Patents

散热***及其控制方法 Download PDF

Info

Publication number
CN114089820A
CN114089820A CN202111261025.3A CN202111261025A CN114089820A CN 114089820 A CN114089820 A CN 114089820A CN 202111261025 A CN202111261025 A CN 202111261025A CN 114089820 A CN114089820 A CN 114089820A
Authority
CN
China
Prior art keywords
vector
working power
heat dissipation
time point
feature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN202111261025.3A
Other languages
English (en)
Inventor
任俊鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Jiliu Electromechanical Technology Co ltd
Original Assignee
Shanghai Jiliu Electromechanical Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Jiliu Electromechanical Technology Co ltd filed Critical Shanghai Jiliu Electromechanical Technology Co ltd
Priority to CN202111261025.3A priority Critical patent/CN114089820A/zh
Publication of CN114089820A publication Critical patent/CN114089820A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/20—Cooling means
    • G06F1/206—Cooling means comprising thermal management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Feedback Control In General (AREA)

Abstract

本申请涉及计算机散热的领域，其具体地公开了一种散热***及其控制方法。其采用基于深度学习的深度神经网络模型来挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的隐含关联关系，并且考虑到每个CPU各自对应的特征提取模型应该彼此适配，在本申请中通过最小化特征向量之间的距离来训练深度神经网络，以获得彼此适配的特征提取模型。通过这样的方式，可以使得回归获得的第二散热装置在当前时间点的功率值更加准确。

Description

散热***及其控制方法
技术领域
本申请涉及计算机散热的领域，且更为具体地，涉及一种散热***及其控制方法。
背景技术
电脑的CPU是指中央处理器，是计算机的运算器与控制器。中央处理器主要包括运算器(算术逻辑运算单元，ALU，Arithmetic Logic Unit)、控制器和高速缓冲存储器(Cache)及实现它们之间联系的数据(Data)、控制及状态的总线(Bus)。它与内部存储器(Memory)和输入/输出(I/O)设备合称为电子计算机三大核心部件。
目前，有的电脑***包含两个CPU(如服务器、工作站等设备)，而***厂商需要两个风冷散热装置同时满足两个CPU的散热要求。
但是，由于***风先经过第一散热装置，其在与第一散热装置热交换过程中被预热，从而使得温度上升，不仅如此，风速由于散热鳍片的阻力也大大降低，如此，进入第二散热装置的***风温度及风速等条件都比进入第一散热装置的差，从而就会使得散热装置的散热效率下降，导致第二散热装置在散热***中的热负荷不均衡。
因此，期待一种优化的用于控制第二散热装置的散热方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种散热***及其控制方法，其采用基于深度学习的深度神经网络模型来挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的隐含关联关系，并且考虑到每个CPU各自对应的特征提取模型应该彼此适配，在本申请中通过最小化特征向量之间的距离来训练深度神经网络，以获得彼此适配的特征提取模型。通过这样的方式，可以使得回归获得的第二散热装置在当前时间点的功率值更加准确。
根据本申请的一个方面，提供了一种散热***，其包括：
训练模块，包括：
训练数据集获取单元，用于获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；
向量构造单元，用于分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；
神经网络单元，用于将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及
训练单元，用于通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络；以及
预测模块，包括：
第一预测数据获取单元，用于获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；
第一特征提取单元，用于将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；
第二预测数据获取单元，用于获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；
第二特征提取单元，用于将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；
贝叶斯单元，用于基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及
回归单元，用于将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
根据本申请的另一方面，提供了一种散热***的控制方法，其包括：
训练阶段，包括：
获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；
分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；
将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络；以及
预测阶段，包括：
获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；
将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；
获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；
将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；
基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及
将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
与现有技术相比，本申请提供的散热***及其控制方法，其采用基于深度学习的深度神经网络模型来挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的隐含关联关系，并且考虑到每个CPU各自对应的特征提取模型应该彼此适配，在本申请中通过最小化特征向量之间的距离来训练深度神经网络，以获得彼此适配的特征提取模型。通过这样的方式，可以使得回归获得的第二散热装置在当前时间点的功率值更加准确。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的散热***的应用场景图。
图2为根据本申请实施例的散热***的框图。
图3A为根据本申请实施例的散热***的控制方法中训练阶段的流程图。
图3B为根据本申请实施例的散热***的控制方法中预测阶段的流程图。
图4为根据本申请实施例的散热***的控制方法中训练阶段的架构示意图。
图5为根据本申请实施例的散热***的控制方法中预测阶段的架构示意图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
场景概述
如前所述，有的电脑***包含两个CPU(如服务器、工作站等设备)，而***厂商需要两个风冷散热装置同时满足两个CPU的散热要求。
但是，由于***风先经过第一散热装置，其在与第一散热装置热交换过程中被预热，从而使得温度上升，不仅如此，风速由于散热鳍片的阻力也大大降低，如此，进入第二散热装置的***风温度及风速等条件都比进入第一散热装置的差，从而就会使得散热装置的散热效率下降，导致第二散热装置在散热***中的热负荷不均衡。因此，期待一种优化的用于控制第二散热装置的散热方案。
为了挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的关联关系，首先应该建立每个CPU各自对应的特征提取模型。并且，还需要考虑每个CPU各自对应的特征提取模型应该彼此适配。因此，在本申请的技术方案中，首先在训练阶段获取训练数据集，将第一CPU的工作功率向量和第一散热装置的工作功率向量级联后输入第一深度神经网络以得到第一特征向量，并将第二CPU的工作功率向量和第二散热装置的工作功率向量级联后输入第二深度神经网络以得到第二特征向量，并通过最小化第一特征向量和第二特征向量之间的距离来训练第一深度神经网络和第二深度神经网络，获得彼此适配的特征提取模型。
然后，在推断阶段中，获取实际工作过程当中的第一散热装置的工作功率向量，并将其输入第一深度神经网络以得到第三特征向量，并获取实际工作过程当中的第二散热装置的工作功率向量，并将其输入第二深度神经网络以得到第四特征向量，其中，第三特征向量和第四特征向量都以Sigmoid函数激活而转换到特征空间中。基于贝叶斯定理，第四特征向量的各个位置的特征值相当于先验概率，第三特征向量的各个位置的特征值相当于证据概率，而事件概率则是第二散热装置当前的热交换数值向量。
根据Beer-Lambert Law，气体分子的热吸收增益为：
Figure BDA0003325736910000061
吸收系数k(f)计算为：
Figure BDA0003325736910000062
其中d是第二散热装置中的气体行进距离，T和p是温度和压力，TSTP和p0是标准温度和标准大气压力，σg是气体的吸收截面，也就是，T和p可以分别通过温度和气压传感器获得，而d和σg都可以从第二散热装置的结构参数直接得到。
这样，将第四特征向量的各个位置的特征值乘以热交换数值向量的各个位置的特征值再除以第三特征向量的各个位置的特征值，就得到了第二散热装置的工作功率的后验概率向量，即第二散热装置在当前第一散热装置的工作状况下，为实现充分的热交换而需要的目标工作功率向量，这样，进一步经过回归就可以得到第二散热装置当前的目标功率值。
基于此，本申请提出了一种散热***，其包括训练模块和预测模块。其中，训练模块，包括：训练数据集获取单元，用于获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；向量构造单元，用于分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；神经网络单元，用于将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及，训练单元，用于通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络。其中，预测模块，包括：第一预测数据获取单元，用于获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；第一特征提取单元，用于将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；第二预测数据获取单元，用于获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；第二特征提取单元，用于将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；贝叶斯单元，用于基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及，回归单元，用于将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
图1图示了根据本申请实施例的散热***的应用场景图。如图1所示，在该应用场景的训练阶段中，首先，通过部署在计算机内部的功率检测器(例如，如图1中所示意的T)获取训练数据集，所述训练数据集包括第一CPU(例如，如图1中所示意的M1)在各个时间点的工作功率、第一散热装置(例如，如图1中所示意的F1)在对应各个时间点的工作功率、第二CPU(例如，如图1中所示意的M2)在对应各个时间点的工作功率和第二散热装置(例如，如图1中所示意的F2)在对应各个时间点的工作功率，并且在实际的应用场景中，所述第一散热装置用于对第一CPU进行散热，所述第二散热装置用于对第二CPU进行散热。在其他应用场景中，还可以采用其他功率检测设备来获取第一CPU、第一散热装置、第二CPU、第二散热装置在在各个时间点的工作功率，对此并不为本申请所局限。然后，将获得的所述训练数据集输入至部署有散热算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够用散热算法以所述训练数据集对散热的卷积神经网络进行训练。
在训练完成后，在预测模块中，首先，通过部署在计算机内部的功率检测器(例如，如图1中所示意的T)获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置(例如，如图1中所示意的F1)的工作功率以及所述第二散热装置(例如，如图1中所示意的F2)的工作功率，其中，所述第一散热装置用于对第一CPU进行散热(例如，如图1中所示意的M1)，所述第二散热装置用于对第二CPU进行散热(例如，如图1中所示意的M2)；然后，将获得的所述第一散热装置的工作功率以及所述第二散热装置的工作功率输入部署有散热算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以散热算法对所述第一散热装置的工作功率以及所述第二散热装置的工作功率进行处理，以生成所述第二散热装置在当前时间点的目标功率值。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性***
图2图示了根据本申请实施例的散热***的框图。如图2所示，根据本申请实施例的散热***200，包括：训练模块210和预测模块220。其中，训练模块210，包括：训练数据集获取单元211，用于获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；向量构造单元212，用于分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；神经网络单元213，用于将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及，训练单元214，用于通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络。其中，预测模块220，包括：第一预测数据获取单元221，用于获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；第一特征提取单元222，用于将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；第二预测数据获取单元223，用于获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；第二特征提取单元224，用于将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；贝叶斯单元225，用于基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及，回归单元226，用于将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
具体地，在本申请实施例中，在训练模块210中，所述训练数据集获取单元211和所述向量构造单元212，用于获取训练数据集，并分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量。如上所述，由于***风先经过第一散热装置，其在与第一散热装置热交换过程中被预热，而温度上升，且风速由于散热鳍片的阻力也大大降低，如此，进入第二散热装置的***风温度及风速等条件都比进入第一散热装置的差，使得散热装置的散热效率下降，导致第二散热装置在散热***中的热负荷不均衡。
因此，在本申请的技术方案中，为了挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的关联关系，首先就需要获取训练数据集，值得一提的是，在一个具体示例中，可以通过部署在计算机内部的功率检测器来获取所述训练数据集，当然在别的示例中，还可以采用其他功率检测设备来获取功率信号数据，对此并不为本申请所局限。并且，这里所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率。然后，再将获得的所述训练数据集中的各个功率数据构造为功率向量，应可以理解，为了便于后续对获取的所述训练功率数据进行处理，以提取出相对应的各个功率之间的关联性特征，那么就需要将所述各个功率构造为所述功率向量。
具体地，在本申请实施例中，在训练模块210中，所述神经网络单元213和所述训练单元214，用于将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量，并通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络。应可以理解，为了挖掘出所述第一CPU的工作情况、所述第一散热装置的工作功率、所述第二CPU的工作情况和所述第二散热装置的工作功率之间的关联关系，首先应该建立每个CPU各自对应的特征提取模型。并且，还需要考虑每个CPU各自对应的特征提取模型应该彼此适配。因此，在本申请的技术方案中，首先，将所述第一CPU的工作功率向量和所述第一散热装置的工作功率向量级联后输入所述第一深度神经网络以得到第一特征向量，将所述第二CPU的工作功率向量和所述第二散热装置的工作功率向量级联后输入所述第二深度神经网络以得到第二特征向量。然后，再通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络，获得彼此适配的特征提取模型。这里，计算所述第一特征向量和所述第二特征向量之间的最小化距离，能够从数值维度上反映出所述第一特征向量和所述第二特征向量之间的特征差异程度。在一个具体示例中，可以通过计算所述第一特征向量和所述第二特征向量之间的交叉熵损失函数值来确定两者之间的最小化距离。
更具体地，在本申请实施例中，所述第一深度神经网络和所述第二深度神经网络为深度全连接网络模型。例如，多层感知机模型。本领域普通技术人员应知晓，多层感知机模型其能够充分地利用所述输入功率向量中各个位置的信息和各个位置之间的关联信息，以提取出能够表达各个接收功率的高维特征。
具体地，在本申请实施例中，在预测模块220中，所述第一预测数据获取单元221和所述第一特征提取单元222，用于获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量，并将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量。也就是，首先，获取实际工作过程中的一系列时间点的所述第一散热装置的工作功率，在一个具体示例中，可以通过部署在计算机内部固定位置的功率检测器来获取所述第一散热装置的工作功率，当然，在别的应用场景中还可以通过别的功率检测设备来获取所述工作功率，对此并不为本申请所局限；然后，再将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；最后，将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络，通过训练完成的所述第一深度神经网络对所述第一实际工作功率向量进行处理，以提取出所述所述第一实际工作功率向量中的局部特征在高维空间中的特征分布表示，以获得所述第三特征向量。
特别地，在一个具体示例中，所述第一深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第三特征向量中各个位置的特征值在0到1的概率空间中，并且将所述第三特征向量输入类Softmax分类函数以将所述第三特征向量中各个位置的特征值转化到0到1的概率空间中，且所述第三特征向量中各个位置的特征值的加权和为1。应可以理解，通过这样的处理方式，可以消除数据之间的量纲影响，统一度量，以便于后续热交换数值的计算。
具体地，在本申请实施例中，在预测模块220中，所述第二预测数据获取单元223和所述第二特征提取单元224，用于获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量，并且将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量。如前所述，同理，也就是，首先，获取实际工作过程中的一系列时间点的所述第二散热装置的工作功率；然后，再将所述第二散热装置的在一系列时间点的工作功率构造为第二实际工作功率向量；最后，将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络，通过训练完成的所述第二深度神经网络对所述第二实际工作功率向量进行处理，以提取出所述所述第二实际工作功率向量中的局部特征在高维空间中的特征分布表示，以获得所述第四特征向量。
特别地，在一个具体示例中，所述第二深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第四特征向量中各个位置的特征值在0到1的概率空间中，并且将所述第四特征向量输入类Softmax分类函数以将所述第四特征向量中各个位置的特征值转化到0到1的概率空间中，且所述第四特征向量中各个位置的特征值的加权和为1。应可以理解，通过这样的处理方式，可以消除数据之间的量纲影响，统一度量，以便于后续热交换数值的计算。
具体地，在本申请实施例中，在预测模块220中，所述贝叶斯单元225，用于基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得。
更具体地，在本申请实施例中，所述贝叶斯单元，进一步用于以如下公式计算所述第二散热装置在各个时间点的热交换数值；所述公式为：
Figure BDA0003325736910000121
吸收系数k(f)用如下公式计算：
Figure BDA0003325736910000122
其中d是所述第二散热装置中的气体行进距离，T和p是温度和压力，TSTP和p0是标准温度和标准大气压力，σg是气体的吸收截面。也就是，在一个具体示例中，T和p可以分别通过温度和气压传感器获得，而d和σg都可以从第二散热装置的结构参数直接得到。
特别地，在一个具体示例中，对由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值进行基于最大值的归一化处理以将所述热交换数值向量中各个位置的热交换数值转化到0到1的概率空间中。这里，可用公式Xnorm＝(Xi-Xmin)/(Xmax-Xmin)计算所述热交换数值向量中各个位置的热交换数值的最大值归一化数据，其中，Xi表示所述热交换数值向量中各个位置的热交换数值。应可以理解，通过这样的方式处理，可以消除数据特征之间的量纲影响，便于度量和后续的后验概率向量计算。
这样，在一个具体示例中，再将所述第四特征向量的各个位置的特征值乘以所述热交换数值向量的各个位置的特征值再除以所述第三特征向量的各个位置的特征值，就得到了第二散热装置的工作功率的所述后验概率向量，即第二散热装置在当前第一散热装置的工作状况下，为实现充分的热交换而需要的目标工作功率向量。
具体地，在本申请实施例中，在预测模块220中，所述回归单元226，用于将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。也就是，在一个具体示例中，使用所述编码器的至少一个全连接层对所述后验概率向量进行全连接编码以获得所述特征值，以作为所述第二散热装置在当前时间点的目标功率值。
综上，基于本申请实施例的所述散热***200被阐明，其采用基于深度学习的深度神经网络模型来挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的隐含关联关系，并且考虑到每个CPU各自对应的特征提取模型应该彼此适配，在本申请中通过最小化特征向量之间的距离来训练深度神经网络，以获得彼此适配的特征提取模型。通过这样的方式，可以使得回归获得的第二散热装置在当前时间点的功率值更加准确。
如上所述，根据本申请实施例的散热***200可以实现在各种终端设备中，例如散热算法的服务器等。在一个示例中，根据本申请实施例的散热***200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该散热***200可以是该终端设备的操作***中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该散热***200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该散热***200与该终端设备也可以是分立的设备，并且该散热***200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
示例性方法
图3A图示了根据本申请实施例的散热***的控制方法中训练阶段的流程图。如图3A所示，根据本申请实施例的散热***的控制方法，包括：训练阶段，包括步骤：S110，获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；S120，分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；S130，将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；S140，通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络。
图3B图示了根据本申请实施例的散热***的控制方法中预测阶段的流程图。图3B所示，根据本申请实施例的散热***的控制方法，包括：预测阶段，包括步骤：S210，获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；S220，将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；S230，获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；S240，将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；S250，基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量；S260，将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
图4图示了根据本申请实施例的散热***的控制方法中训练阶段的架构示意图。如图4所示，在训练阶段中，在该网络架构中，首先，分别将获得的所述训练数据集(例如，如图4中所示意的IN)中所述第一CPU在各个时间点的工作功率(例如，如图4中所示意的IN1)、所述第一散热装置在对应各个时间点的工作功率(例如，如图4中所示意的IN2)、所述第二CPU在对应各个时间点的工作功率(例如，如图4中所示意的IN3)和所述第二散热装置在对应各个时间点的工作功率(例如，如图4中所示意的IN4)构造为第一工作功率向量(例如，如图4中所示意的V1)、第二工作功率向量(例如，如图4中所示意的V2)、第三工作功率向量(例如，如图4中所示意的V3)和第四工作功率向量(例如，如图4中所示意的V4)；接着，将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络(例如，如图4中所示意的DNN1)以获得第一特征向量(例如，如图4中所示意的VF1)且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络(例如，如图4中所示意的DNN2)以获得第二特征向量(例如，如图4中所示意的VF2)；最后，通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络。
图5图示了根据本申请实施例的散热***的控制方法中预测阶段的架构示意图。如图5所示，在预测阶段中，在该网络架构中，首先，将在实际工作过程中获取的所述第一散热装置的在一系列时间点的工作功率(例如，如图5中所示意的Q1)构造为第一实际工作功率向量(例如，如图5中所示意的VQ1)；接着，将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络(例如，如图5中所示意的DNN3)以获得第三特征向量(例如，如图5中所示意的VF3)；然后，将在实际工作过程中获取的所述第二散热装置的在各个时间点的工作功率(例如，如图5中所示意的Q2)构造为第二实际工作功率向量(例如，如图5中所示意的VQ2)；接着，将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络(例如，如图5中所示意的DNN4)以获得第四特征向量(例如，如图5中所示意的VF4)；然后，基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量(例如，如图5中所示意的V)；最后，将所述后验概率向量通过编码器(例如，如图5中所示意的E)以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
综上，基于本申请实施例的所述散热***的控制方法被阐明，其采用基于深度学习的深度神经网络模型来挖掘出第一CPU的工作情况、第一散热装置的工作功率、第二CPU的工作情况和第二散热装置的工作功率之间的隐含关联关系，并且考虑到每个CPU各自对应的特征提取模型应该彼此适配，在本申请中通过最小化特征向量之间的距离来训练深度神经网络，以获得彼此适配的特征提取模型。通过这样的方式，可以使得回归获得的第二散热装置在当前时间点的功率值更加准确。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、***的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、***。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种散热***，其特征在于，包括：
训练模块，包括：
训练数据集获取单元，用于获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；
向量构造单元，用于分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；
神经网络单元，用于将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及
训练单元，用于通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络；以及
预测模块，包括：
第一预测数据获取单元，用于获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；
第一特征提取单元，用于将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；
第二预测数据获取单元，用于获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；
第二特征提取单元，用于将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；
贝叶斯单元，用于基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及
回归单元，用于将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
2.根据权利要求1所述的散热***，其中，在所述第一特征提取单元中，所述第一深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第三特征向量中各个位置的特征值在0到1的概率空间中；在所述第二特征提取单元中，所述第二深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第四特征向量中各个位置的特征值在0到1的概率空间中。
3.根据权利要求1所述的散热***，其中，所述第一特征提取单元，进一步用于将所述第三特征向量输入类Softmax分类函数以将所述第三特征向量中各个位置的特征值转化到0到1的概率空间中，且所述第三特征向量中各个位置的特征值的加权和为1；
所述第二特征提取单元，进一步用于将所述第四特征向量输入类Softmax分类函数以将所述第四特征向量中各个位置的特征值转化到0到1的概率空间中，且所述第四特征向量中各个位置的特征值的加权和为1。
4.根据权利要求1所述的散热***，其中，所述贝叶斯单元，进一步用于以如下公式计算所述第二散热装置在各个时间点的热交换数值；
所述公式为：
Figure FDA0003325736900000021
吸收系数k(f)用如下公式计算：
Figure FDA0003325736900000022
其中d是所述第二散热装置中的气体行进距离，T和p是温度和压力，TSTP和p0是标准温度和标准大气压力，σg是气体的吸收截面。
5.根据权利要求4所述的散热***，其中，所述贝叶斯单元进一步用于对由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值进行基于最大值的归一化处理以将所述热交换数值向量中各个位置的热交换数值转化到0到1的概率空间中。
6.根据权利要求1所述的散热***，其中，所述回归单元，进一步使用所述编码器的至少一个全连接层对所述后验概率向量进行全连接编码以获得所述特征值。
7.根据权利要求1所述的散热***，其中，所述第一深度神经网络和所述第二深度神经网络为深度全连接网络模型。
8.一种散热***的控制方法，其特征在于，包括：
训练阶段，包括：
获取训练数据集，所述训练数据集包括第一CPU在各个时间点的工作功率、第一散热装置在对应各个时间点的工作功率、第二CPU在对应各个时间点的工作功率和第二散热装置在对应各个时间点的工作功率；
分别将所述训练数据集中所述第一CPU在各个时间点的工作功率、所述第一散热装置在对应各个时间点的工作功率、所述第二CPU在对应各个时间点的工作功率和所述第二散热装置在对应各个时间点的工作功率构造为第一工作功率向量、第二工作功率向量、第三工作功率向量和第四工作功率向量；
将所述第一工作功率向量和所述第二工作功率向量级联后通过第一深度神经网络以获得第一特征向量且将所述第三工作功率向量和所述第四工作功率向量级联后通过第二深度神经网络以获得第二特征向量；以及
通过最小化所述第一特征向量和所述第二特征向量之间的距离来训练所述第一深度神经网络和所述第二深度神经网络；以及
预测阶段，包括：
获取在实际工作过程中包括当前时间点在内的一系列时间点的所述第一散热装置的工作功率并将所述第一散热装置的在一系列时间点的工作功率构造为第一实际工作功率向量；
将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量；
获取在实际工作过程中所述第二散热装置在对应各个时间点的工作功率并将所述第二散热装置的在各个时间点的工作功率构造为第二实际工作功率向量；
将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量；以及
基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，其中，所述第二散热装置在各个时间点的热交换值基于气体分体的热吸收增益计算而得；以及
将所述后验概率向量通过编码器以获得一个特征值作为所述第二散热装置在当前时间点的目标功率值。
9.根据权利要求8所述的散热***的控制方法，其中，将所述第一实际工作功率向量输入经训练模块训练而成的所述第一深度神经网络以获得第三特征向量，包括：所述第一深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第三特征向量中各个位置的特征值在0到1的概率空间中；
将所述第二实际工作功率向量输入经训练模块训练而成的所述第二深度神经网络以获得第四特征向量，包括：所述第二深度神经网络的最后一层以Sigmoid函数为激活函数以使得所述第四特征向量中各个位置的特征值在0到1的概率空间中。
10.根据权利要求8所述的散热***的控制方法，其中，基于贝叶斯定律，将所述第四特征向量中各个位置的特征值作为先验概率、将所述第三特征向量中各个位置的特征值作为证据概率和将由所述第二散热装置在对应各个时间点的热交换数值组成的热交换数值向量中各个位置的热交换数值作为事件概率，计算所述第四特征向量中各个位置的后验概率以获得后验概率向量，包括：
以如下公式计算所述第二散热装置在各个时间点的热交换数值；
所述公式为：
Figure FDA0003325736900000051
吸收系数k(f)用如下公式计算：
Figure FDA0003325736900000052
其中d是所述第二散热装置中的气体行进距离，T和p是温度和压力，TSTP和p0是标准温度和标准大气压力，σg是气体的吸收截面。
CN202111261025.3A 2021-10-28 2021-10-28 散热***及其控制方法 Withdrawn CN114089820A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111261025.3A CN114089820A (zh) 2021-10-28 2021-10-28 散热***及其控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111261025.3A CN114089820A (zh) 2021-10-28 2021-10-28 散热***及其控制方法

Publications (1)

Publication Number Publication Date
CN114089820A true CN114089820A (zh) 2022-02-25

Family

ID=80297995

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111261025.3A Withdrawn CN114089820A (zh) 2021-10-28 2021-10-28 散热***及其控制方法

Country Status (1)

Country Link
CN (1) CN114089820A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117199029A (zh) * 2023-11-07 2023-12-08 瑞森半导体科技(广东)有限公司 一种功率电源管理芯片及功率电源管理方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117199029A (zh) * 2023-11-07 2023-12-08 瑞森半导体科技(广东)有限公司 一种功率电源管理芯片及功率电源管理方法
CN117199029B (zh) * 2023-11-07 2024-01-12 瑞森半导体科技(广东)有限公司 一种功率电源管理芯片及功率电源管理方法

Similar Documents

Publication Publication Date Title
US9400918B2 (en) Compact face representation
CN112508085B (zh) 基于感知神经网络的社交网络链路预测方法
Liu et al. Broad learning system: Structural extensions on single-layer and multi-layer neural networks
CN109063719B (zh) 一种联合结构相似性和类信息的图像分类方法
Yao et al. Small‐batch‐size convolutional neural network based fault diagnosis system for nuclear energy production safety with big‐data environment
WO2020228141A1 (zh) 基于内隐知识构建图卷积网络的电磁信号识别方法及装置
CN115013298B (zh) 污水泵的实时性能在线监测***及其监测方法
CN115235612A (zh) 伺服电机的故障智能诊断***及其诊断方法
CN115982736A (zh) 用于计算机网络信息的数据加密方法及***
CN115410069A (zh) 基于多重注意力机制的故障检测方法及其***
CN114089820A (zh) 散热***及其控制方法
CN114821169B (zh) 微服务架构下的方法级无侵入调用链路追踪方法
CN115947426A (zh) 一种基于亚氧化钛电极的电催化氧化模块
CN113778718A (zh) 基于动态路由的微服务资源管理方法、***和电子设备
CN113111543A (zh) 物联网服务***
CN114627369B (zh) 环境监测***、方法及其计算机装置
CN115456053A (zh) 海上风力发电机组的风轮散热***及其方法
CN115374822A (zh) 基于多级特征融合的故障诊断方法及其***
CN114633776A (zh) 用于智能列车的全局监测方法、***和电子设备
CN113821094A (zh) 增强散热装置及运行方法
CN112733751A (zh) 用于余热回收的智能进水控制方法
Yao A compressed deep convolutional neural networks for face recognition
CN114880921A (zh) 基于有限测点的热源***温度场实时重建方法
CN111383245A (zh) 视频检测方法、视频检测装置和电子设备
CN115456259A (zh) 基于中尺度数据的风电场选址优化***及其方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication

Application publication date: 20220225

WW01 Invention patent application withdrawn after publication