一种基于服务器基板管理控制器实时反馈的液冷系统智能调控方法及系统与流程

本发明属于数据中心液冷调控，具体涉及一种基于服务器基板管理控制器实时反馈的液冷系统智能调控方法及系统。

背景技术：

1、随着人工智能、高性能计算的迅猛发展，数据中心算力需求和能耗呈现指数级增长。冷却系统的能耗占据了数据中心总能耗的30%-40%，构成巨大的运营成本。

2、当前数据中心主流冷却技术及控制策略存在以下显著技术缺陷：

3、散热技术瓶颈：随着cpu/gpu芯片热密度的急剧增加，传统风冷技术已逼近其物理散热极限，无法满足高功率芯片的散热需求，液冷技术成为必然选择。

4、控制策略信息源受限：现有液冷系统的控制策略主要基于机柜入口/出口温度、冷却液流量等间接参数进行调节。然而，芯片的实际温度变化速度远超冷却液温度变化速度，这种基于间接参数的滞后调控策略无法有效应对ai/hpc工作负载带来的瞬时、剧烈、非线性的热冲击，容易导致局部过热或系统振荡，如图10所示。

5、调控粒度过粗：现有方案通常仅控制全局参数（如泵总流量、冷机出水温度），无法实现对不同机柜甚至不同服务器的按需精准供冷。

6、仿真建模与实际场景存在偏差：近年来出现了一些基于数字孪生建模与深度强化学习的热管理方案，这些方案通过构建高保真物理模型进行大规模训练，再部署至实际系统。但由于仿真模型难以完全复现真实物理世界的复杂性（sim-to-realgap），训练环境中习得的策略在实际部署时往往与预期存在偏差，需要额外的调优和适配成本。

7、为提升液冷系统的控制精度，业内已开展耦合调控方向的技术尝试，例如公开号为cn113157069a的中国专利公开了一种服务器液冷散热系统的耦合散热控制方法及系统，其同时采集冷却液温度与芯片温度，根据冷却液温度与设定温度的差值调节冷却液电动调节阀的阀门开度，根据芯片温度与设定温度的差值调节冷却液进液泵的转速，通过双参数耦合调节扩展控制维度。然而该类耦合控制方案仍存在以下未解决的技术局限：

8、其一，控制逻辑仅采用简单的阈值比较式开关调节，未引入闭环反馈微分控制与前馈预判机制，无法应对ai/hpc负载带来的瞬时非线性热冲击，温度超调量较大，本质上仍属于事后响应模式，未从根本上消除调控滞后性；

9、其二，决策输入仅围绕温度单参数展开，未结合芯片实时功耗、cpu/gpu利用率等多维度运行数据进行热状态趋势预判，无法在负载突变、温升加速的初期提前介入调控，应对突发热冲击的能力不足；

10、其三，调控粒度仅针对单台服务器的电动调节阀与进液泵进行本地耦合控制，未建立数据中心级的多机柜、多服务器全局协同优化机制，无法在整体负载波动时同步优化泵总流量与供液温度，难以在全系统层面兼顾热安全与冷却能效；

11、其四，控制参数为固定阈值，无法根据芯片类型与业务负载模式自适应匹配控制参数，难以适配空闲、推理、训练等差异化工作场景的散热需求，场景泛化性不足。

12、因此，市场亟需一种能够直接感知芯片级多维度运行数据、具备热冲击预判能力、实现全局协同优化且可自适应负载场景的智能液冷调控方法。

技术实现思路

1、本发明旨在克服现有技术的不足，提供一种基于服务器基板管理控制器实时反馈的液冷系统智能调控方法及系统。

2、本发明的上述目的通过如下技术手段实现：

3、第一方面，本发明提供一种基于服务器基板管理控制器实时反馈的液冷系统智能调控方法，包括以下步骤：

4、数据采集步骤：通过ipmi或redfish标准协议，以带内或带外方式从每台服务器的bmc芯片实时采集芯片级硬件健康数据；所述硬件健康数据至少包括芯片温度数据、芯片实时功耗以及cpu/gpu利用率；所述芯片温度数据至少包括以下任意一项：cpu核心温度、cpu封装温度、gpu核心温度、gpu热点温度、gpu显存温度；

5、热状态感知步骤：将连续周期采集得到的各项芯片温度数据，分别按时间顺序构成对应芯片的温度序列，对各芯片温度序列进行趋势分析，计算温度变化速率，识别热冲击前兆特征；

6、按需冷却决策步骤：基于芯片当前温度、温度偏差积分和温度变化速率，采用pid反馈+前馈复合控制算法计算对应机柜或服务器的电动调节阀开度；所述pid反馈+前馈复合控制算法的控制参数根据芯片类型和负载模式动态调整；

7、全局协同优化步骤：统计所有服务器的芯片温度分布和冷却需求，同时优化液冷系统的泵总流量和供液温度设定；

8、指令执行步骤：将阀门开度指令下发至对应机柜或服务器的电动调节阀，将包含泵总流量设定、供液温度设定的全局调控指令下发至冷却液分配单元。

9、进一步的，所述pid反馈+前馈复合控制算法包括：

10、反馈控制部分：基于温度偏差、偏差积分以及温度变化速率，采用pid控制公式计算反馈控制量：，式中，是反馈控制量，是目标温度，为t时刻的温度偏差，即当前温度与目标温度的差值；为温度偏差的时间积分，为比例增益系数，用于快速响应温度偏差，为积分增益系数，用于消除稳态温度偏差，为微分增益系数，用于抑制温度变化趋势、减小超调，为芯片温度变化速率；

11、前馈控制部分：当温度变化速率连续两个周期超过预设阈值、或温度变化速率与cpu/gpu利用率同时显著上升、或芯片温度序列的差分二阶导数为正时，触发前馈控制，计算前馈控制量，若识别到“热冲击预警”，则叠加一个前馈开启增量，最终阀门开度；式中，为前馈控制量，为前馈增益系数，为芯片温度变化速率，为阀门开度，为限幅函数，将输出值约束在0~1的归一化区间内，对应阀门全关到全开。

12、优选的，还包括抗积分饱和控制步骤：当最终阀门开度达到归一化上限值且芯片温度仍持续上升时，冻结pid反馈控制中积分项的累加运算，避免积分持续累积导致的控制饱和与温度超调；当芯片温度回落至目标温度区间内时，逐步释放积分项并恢复积分调节作用，消除控制滞后，保证阀门调节过程平滑稳定。

13、优选的，还包括参数自适应步骤：根据芯片类型和负载模式动态调整所述pid反馈+前馈复合控制的参数，所述负载模式包括空闲模式、推理模式和训练模式。

14、进一步的，所述参数自适应步骤中，cpu与gpu对应各负载模式的调整参数采用经实验标定的优选值；

15、所述优选参数值的标定依据为：cpu热惯性较大、升温速率相对温和，侧重积分作用以保障稳态精度；gpu热惯性较小、温升剧烈且非线性，侧重前馈与微分作用以快速响应热冲击；

16、可选的，所述参数自适应步骤中，cpu与gpu对应各负载模式的调整参数分别为：

17、cpu空闲模式：=0.3，=0.05，=0，=0.1；

18、cpu推理模式：=0.5，=0.08，=0.15，=0.3；

19、cpu训练模式：=0.7，=0.12，=0.4，=0.5；

20、gpu空闲模式：=0.25，=0，=0，=0.1；

21、gpu推理模式：=0.55，=0.09，=0.25，=0.4；

22、gpu训练模式：=0.8，=0.1，=0.5，=0.65。

23、优选的，还包括数字孪生辅助校准步骤：

24、采集不少于30天的bmc历史数据，包括芯片温度数据、芯片实时功耗、cpu/gpu利用率、阀门开度记录、泵流量、供液温度,构建数据驱动的芯片温度响应模型；在数字孪生环境中对控制策略进行参数优化设置，再将优化后的策略部署至实际系统；

25、所述控制策略参数优化设置包括:对应机柜或服务器的电动调节阀开度进行参数优化设置、液冷系统的泵总流量和供液温度设定进行参数优化设置、cpu及gpu对应各负载模式的调整参数进行参数优化设置。

26、优选的，所述热冲击前兆特征识别包括：当gpu温度在10秒内上升超过8℃、或温度变化速率＞0.5℃/s且cpu/gpu利用率＞20%/s时，触发前馈预警信号。

27、优选的，所述数据采集步骤的采集周期为5-30秒，支持同步轮询采集和异步事件订阅两种方式。

28、另一方面，本发明还提供一种基于服务器基板管理控制器实时反馈的液冷系统智能调控系统，其特征在于，采用所述的基于服务器基板管理控制器实时反馈的液冷系统智能调控方法，包括设于智能调控控制器的以下模块：

29、数据采集模块：用于从每台服务器的bmc芯片实时采集芯片级硬件健康数据；

30、热状态感知模块：用于识别热冲击前兆特征；

31、按需冷却决策模块：用于计算对应机柜或服务器的电动调节阀开度；

32、全局协同优化模块：用于根据所有服务器的芯片温度分布和冷却需求，优化液冷系统的泵总流量和供液温度设定进行参数优化设置；

33、指令执行模块：用于将阀门开度指令下发至对应机柜或服务器的电动调节阀，将包含泵总流量设定、供液温度设定的全局调控指令下发至冷却液分配单元。

34、优选的，每个机柜进液管道或每台服务器冷板入口处安装有独立的电动调节阀。

35、采用上述技术方案所产生的有益效果：

36、需要强调的是，本发明各技术特征并非孤立存在的技术手段的简单叠加，而是构成一个完整的“芯片级实时感知→热冲击前兆识别→阀门级精准调控→系统级全局优化”技术闭环。bmc多维数据采集为热状态感知提供数据基础，热状态感知为前馈控制提供触发依据，前馈控制与pid反馈协同实现快速响应与稳态精度的统一，全局协同优化在阀门级调控基础上实现系统级能效最优。各环节之间形成正向反馈与协同增强，共同实现了“1+1＞2”的整体技术效果，这是对现有液冷调控技术的系统性革新而非局部改进。具体而言，本发明与现有技术相比，具有以下显著的有益效果：

37、1.相较于现有耦合控制方案采用的阈值比较式开关调节，本发明采用pid反馈+前馈复合控制算法，既通过pid闭环控制保证稳态温度精度，又通过前馈控制在热冲击初期提前介入。实验数据表明，本方案热冲击响应延迟仅约5秒，较阈值式耦合控制方案缩短80%以上；温度超调量仅4℃~5℃，较现有耦合控制方案减少约50%，从根本上解决了事后响应带来的滞后与超调问题。

38、2.现有耦合控制方案仅以冷却液温度、芯片温度作为唯一决策依据，本发明通过ipmi或redfish标准协议从bmc芯片采集包含芯片温度、实时功耗、cpu/gpu利用率在内的全维度硬件健康数据，通过温度序列趋势分析识别热冲击前兆特征，能够在负载突增、温升加速的初期即触发调控，真正实现“防患于未然”的主动式热管理。

39、3.现有耦合控制方案仅针对单台服务器的阀与泵进行本地调节，本发明构建“机柜级电动调节阀独立控制+系统级泵总流量与供液温度全局优化”的两级调控架构，每台机柜/服务器均可按需独立调节供冷量，同时全局层面根据整体热负载动态优化系统参数。相较于单服务器耦合控制方案，本发明在数据中心级部署场景下可额外实现10%以上的冷却节能收益，同时消除局部热点风险。

40、 4.现有耦合控制方案采用固定阈值参数，无法适配差异化负载场景。本发明支持根据芯片类型与空闲、推理、训练三种负载模式动态调整pid与前馈参数，针对gpu热惯性小、温升剧烈的特性强化前馈与微分作用，针对cpu热惯性大的特性强化积分稳态精度，实现“一芯一策、一载一策”的精细化热管理。

41、5.本发明的控制数据源完全来自真实服务器bmc的实时反馈，决策依据是真实的芯片温度状态而非仿真环境下的近似结果。可选配基于真实bmc历史数据驱动的数字孪生辅助校准模块，无需经历仿真、训练、迁移、校准的复杂流程，部署时即能保证控制的准确性，不存在高保真物理仿真模型与实际场景之间的偏差。

42、6.数据中心每台服务器均已内置bmc芯片并支持ipmi或redfish协议，无需额外安装硬件传感器即可获取全面的芯片级健康数据；标准化接口广泛兼容各类服务器品牌和型号，支持跨厂商、跨平台的统一监控管理；相较于需要大规模强化学习训练的复杂方案，本发明的调控算法算力需求低，运维成本小。

43、7.本发明将数据中心冷却系统从“被动响应间接参数的消耗型基础设施”升级为“主动感知芯片热状态的智能资产管理平台”。其精准高效的冷却能力直接降低了数据中心的pue，积极响应绿色可持续发展方向，具有重要的商业和社会价值。