想象你是一位酒店的“恒温管家”，负责让每一间客房都保持舒适的温度。你当然不会让空调一直开到最大——那既吵人又费电，客人们会抱怨噪音，老板会心疼电费。聪明的做法，是用一个极其短暂的时间周期反复切换空调的“开”与“停”：开的时间长一点，房间就更凉快；停的时间长一点，温度就温和一些。通过控制这个“开与停的比例”，你就能让温度稳定在恰到好处的状态。 数据中心里的 AI 芯片，就像一位全力思考的“超级客人”，工作时散发出惊人的热量。服务器风扇就是它的“空调”。风扇如果总是全速轰鸣，噪音和能耗都非常夸张；转得太慢，芯片又会过热降速。风扇 PWM 调速技术，正是把“恒温管家”的智慧搬进了服务器：通过感知芯片温度，精细调节风扇的“开停比例”，让散热刚好跟上发热，在散热性能、噪音和功耗之间找到最优雅的平衡点。这篇文章将带你从“开停比例控制”的原理起步，一步步认识温度感知、控制算法、曲线标定、多风扇协同与智能管理，掌握这套 AI 时代的“温度管理术”。

岗位关联

掌握风扇PWM调速技术，是每个AI硬件散热工程师的必修课。它教你用最少的噪音与功耗，换取芯片最冷静的算力表现，是构建智能数据中心的关键一环。

目录
  1. 可视化演示
  2. PWM调速基础：脉冲式控温的入门课
  3. 温度反馈获取：感知芯片的“体感温度”
  4. 调速控制算法：管家手中的调节策略
  5. 温控曲线标定：一张应对百变负载的对照表
  6. 多风扇协同控制：多楼层负责人的协作艺术
  7. 智能散热管理：性能、噪音、功耗的三角平衡
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示PWM方波占空比控制风扇转速的原理、温度-PWM分段控制曲线及多风扇协同气流管理策略。

本节配有交互动效（进入视口后自动加载，约 3KB）。

PWM方波调速原理 占空比越高，风扇平均电压越大，转速越快 4Pin PWM协议通过方波信号实现无级调速 Noise ∝ RPM^5 （五次方定律） 转速降20%可降噪约5dB，静音与散热动态平衡

PWM调速基础：脉冲式控温的入门课

恒温管家很快发现，单纯“开一会儿、停一会儿”还不够精细。如果开停的节奏太慢，房间温度就会跟着忽上忽下；如果节奏足够快，空调的压缩机还没反应过来，房间就已经获得了稳定的平均制冷量。关键在于那个“开与停的时间比例”——专业上称为占空比（Duty Cycle）。

数据中心的风扇散热面临完全相同的抉择。AI 服务器芯片在高负载下会迅速升温，如果风扇总是满转速运行，虽然散热足够，但噪音和功耗都非常可观。工程师们将“脉冲调节”的思路引入风扇驱动：让风扇以 25kHz 以上的频率快速通断电，通过控制高电平的持续时间占整个周期的比例，来调节风扇的平均电压，进而控制转速。这种调节方式就是PWM（Pulse Width Modulation，脉宽调制）。

PWM 的核心公式非常直观：占空比 \( D \) 等于高电平时间 \( T_{on} \) 除以总周期 \( T_{cycle} \)。当 \( D = 100\% \) 时风扇全速运转，\( D = 0\% \) 时完全停转。由于风扇电机属于大惯性负载，它并不会感受到每一个开关脉冲，而是对平均电压做出平滑响应。开关频率选在 25kHz 以上，还有一个重要原因：避开人耳最敏感的可听频段，避免高频啸叫打扰机房运维人员。

回到酒店的场景：管家拨动“开停比例”的旋钮，其实就是调节占空比。旋钮拧得越大，空调开的时间越长，房间越凉快。风扇 PWM 调速中，占空比就是那颗最核心的控制旋钮，拧动它，风扇的脾气尽在掌握。

D=TonTcycle×100%\displaystyle D = \frac{T_{\text{on}}}{T_{\text{cycle}}} \times 100\%
占空比本质上就是“开的时间占总时间的百分比”，它是整个 PWM 调速系统的控制核心。
  1. T_on（高电平时间）在一个开关周期内，电源保持接通（高电平）的持续时间，单位通常为微秒或毫秒。它决定了有多少能量被送到风扇电机。
    TonT_{\text{on}}
  2. T_cycle（开关周期）一次完整的“开+关”循环所需的总时间，与开关频率互为倒数，即 \( T_{\text{cycle}} = 1/f_{\text{PWM}} \)。
    Tcycle=1fPWMT_{\text{cycle}} = \frac{1}{f_{\text{PWM}}}
  3. D（占空比）高电平时间与整个周期的比值，数值范围为 0% 到 100%。占空比越大，风扇获得的平均电压越高，转速就越快。
    D∈[0%,100%]D \in [0\%, 100\%]

温度反馈获取：感知芯片的“体感温度”

恒温管家光有空调还不够，他需要一支灵敏的温度计——最好墙壁、地板、天花板各放一支，这样才能知道哪个角落最热，该往哪儿多送冷气。散热控制器同样需要“感知”芯片的真实温度，才能决定风扇该转多快。

AI 服务器中常用的温度传感器有三类：NTC 热敏电阻（阻值随温度升高而降低，成本低、响应快）、热电偶（测量范围广、耐高温，适合散热器基座监测）和数字式温度传感器（如 LM75、DS18B20，内置 ADC，直接输出数字温度值，抗干扰能力强）。在 GPU/TPU 芯片附近、进风口、出风口以及散热器基座等多处位置布置传感器，就形成了一张温度感知网络。

采样频率的选择同样有讲究：太低会错过瞬时热点，导致风扇反应迟缓；太高则会引入大量测量噪声。工程上通常采用 1~10Hz 的采样率，即每 100ms 到 1s 读取一次温度。为了抑制读数的随机抖动，还会对温度序列做一阶低通滤波——让新读到的温度与前一轮滤波结果按权重合成，相当于给温度计加了一层“防抖滤镜”。

管家会把三支温度计的读数综合起来，排除“开门瞬间的假冷风”干扰后再决定是否调低空调。滤波算法本质上就是为控制器提供一份“可信的体感温度”，让后续的调速决策建立在一个干净、可靠的信号之上。

Tfiltered[n]=α⋅Traw[n]+(1−α)⋅Tfiltered[n−1]\displaystyle T_{\text{filtered}}[n] = \alpha \cdot T_{\text{raw}}[n] + (1 - \alpha) \cdot T_{\text{filtered}}[n-1]
滤波系数 α 控制着“信任新数据”和“信任历史数据”的平衡，α 越大反应越快，α 越小越平滑。
  1. T_raw[n]（原始温度采样）第 \( n \) 次从传感器直接读到的温度值，未经任何处理，可能含有瞬时噪声或毛刺。
    Traw[n]T_{\text{raw}}[n]
  2. T_filtered[n-1]（上一轮滤波结果）前一次滤波后的温度值，相当于系统的“短期记忆”，让滤波过程具有连续性。
    Tfiltered[n−1]T_{\text{filtered}}[n-1]
  3. α（滤波系数）取值范围 0~1，决定新数据与历史记忆的权重分配。α 接近 1 时系统反应敏锐，接近 0 时系统平滑但迟钝。
    α∈(0,1)\alpha \in (0, 1)

调速控制算法：管家手中的调节策略

管家拿到了室温数据，接下来要决定怎么办：是立刻把空调开到最大，还是温和地调高一点？如果每次都猛拧旋钮，房间会忽冷忽热；如果反应太慢，客人又要抱怨热得冒汗。好的管家讲究“稳、准、柔”。

在风扇控制领域，最简单的调节策略是温度滞环控制：温度超过上限 \( T_{high} \) 时风扇全速运行，降到下限 \( T_{low} \) 以下时回到最低转速，上下限之间维持现状。两个阈值之间留出的“回差”区间，能有效避免风扇在临界点附近频繁启停。不过滞环控制的转速变化是阶跃式的，不够细腻；更精细的方案是PID 控制。

PID 即“比例-积分-微分”控制。比例项根据当前温度偏差 \( e(t) \) 即刻调整转速，偏差越大转速增量越大；积分项累积历史偏差，专门消除“总是差一两度”的静差；微分项预测偏差的变化趋势，在温度将要飙升时就提前加速。三项叠加，输出一个平滑的风扇目标转速。实际风扇调速中，常用 PI 控制就足够了——微分项对温度噪声很敏感，在传感器抖动明显的场合反而会引入不必要的波动。

管家调空调时，会下意识地看一眼温差、回忆之前调过的幅度、预判接下来的升温趋势。PID 控制器就是把这套经验翻译成了数学语言，让风扇调速既果断又温柔，不再“毛手毛脚”。

u(t)=Kpe(t)+Ki∫0te(τ)dτ+Kdde(t)dt\displaystyle u(t) = K_p e(t) + K_i \int_0^t e(\tau) d\tau + K_d \frac{de(t)}{dt}
PID 公式看起来复杂，本质就是“看现状、忆过去、测趋势”三件事按权重叠加。
  1. e(t)（偏差）目标温度与当前温度的差值 \( e(t) = T_{\text{target}} - T_{\text{current}} \)。偏差为正说明太热，需要加大风扇转速。
    e(t)=Ttarget−Tcurrente(t) = T_{\text{target}} - T_{\text{current}}
  2. K_p e(t)（比例项）偏差乘以比例系数 \( K_p \)，决定“反应力度”。温度高出多少，转速就增加多少。
    Kpe(t)K_p e(t)
  3. K_i∫e(τ)dτ（积分项）对从 0 到当前时刻的偏差做积分。只要存在残留偏差，积分项就会持续累积，直到偏差被彻底消除。
    Ki∫0te(τ)dτK_i \int_0^t e(\tau) d\tau
  4. K_d de/dt（微分项）偏差的变化速率乘以微分系数。温度快速上升时微分项提前发力，抑制过冲；温度稳定时该项归零。
    Kdde(t)dtK_d \frac{de(t)}{dt}

温控曲线标定：一张应对百变负载的对照表

管家不想每次都现场反复试探——他需要一张“温度对照表”：室温 28°C 时空调开 30%，30°C 时开 50%，34°C 时开 80%。有了这张表，看一眼温度就能迅速给出合理挡位，又快又稳。

散热控制器同样需要这样一张“温度-转速”映射表，工程上称为温控曲线。研发阶段，工程师让芯片在固定负载下运行，等待温度稳定后记录当前温度与最优转速；再改变负载，重复上述过程，得到一系列“温度-转速”数据点。将这些点在坐标系中连成一条分段折线，就完成了标定。

一条典型的温控曲线包含几个特征区间：待机平台区——温度不高时转速维持最低值，保证静音；线性上升区——温度升高后转速按固定斜率线性增大；性能平台区——接近热极限时转速趋于饱和；峰值区间——温度超过安全阈值后直接全速运行。当实时温度落在某两个标定点之间时，用线性插值计算目标转速：

有了这张“对照表”，管家无需现场苦想，一个瞥眼就能拨到合适的挡位。温控曲线就是散热的“经验集”，它把工程师在实验室里的调试成果固化下来，让服务器在复杂多变的真实负载面前也有章可循。

R(T)=R1+(R2−R1)×T−T1T2−T1\displaystyle R(T) = R_1 + (R_2 - R_1) \times \frac{T - T_1}{T_2 - T_1}
线性插值就是在两个已知标定点之间“按比例补中间值”，让转速随温度连续过渡，而不是一跳一跳。
  1. T_1、T_2（相邻标定点温度）折线上两个相邻数据节点对应的温度值，它们构成了一个温度区间。
    T1,T2T_1, T_2
  2. R_1、R_2（对应转速）在这两个温度节点上标定得到的风扇转速值，代表区间两端的目标转速。
    R1,R2R_1, R_2
  3. 线性插值计算当实际温度 \( T \) 落在 \( T_1 \) 与 \( T_2 \) 之间时，计算温度偏移比例乘以转速差，再叠加到 \( R_1 \) 上，得到平滑的目标转速。
    R(T)=R1+(R2−R1)×T−T1T2−T1R(T) = R_1 + (R_2 - R_1) \times \frac{T - T_1}{T_2 - T_1}

多风扇协同控制：多楼层负责人的协作艺术

如果这栋酒店有几十层，每层客人数量不同，管家一个人根本忙不过来。他会任命各楼层的“负责人”，让每层先自行调节，再由总管家做全局调度。这样既照顾了不同区域的差异化需求，又维持了整栋楼的整体平衡。

现代 AI 服务器也正是如此——CPU 上方一组风扇、GPU 面板一组风扇、机箱尾部一组风扇同时工作。如果它们各自为政，很可能在机箱内部形成气流对冲或局部静压不足。工程上广泛采用主从协同架构：主控芯片（常为 BMC 或专用风扇控制器）汇总各路温度传感器的数据，为每个风扇计算独立的目标转速；从属风扇各自跟踪主控指令，形成统一的“散热战线”。

协同策略主要有三种。同步模式：所有风扇以相同转速运行，结构简单、风道均匀，适合机箱内热源分布均匀的场景。差速模式：每个风扇按本区域温度单独调速，例如靠近高功耗 GPU 的风扇转得快一些，硬盘区的风扇保持低速，实现“按需送风”。备份模式：正常情况下若干风扇分负载运行，当某颗风扇转速异常（传感器反馈为 0 或偏离期望值过多）时，其余风扇立即提速补位，防止单点故障导致整机过热。差速模式下，第 \( i \) 颗风扇的目标转速可表示为：

楼层负责人各管各的区域，但总管家仍然掌控全局。多风扇协同的精髓，正是这种“分区自治 + 全局兜底”的治理模式——既尊重每个区域的实际情况，又保证整台服务器在极限工况下不会因为某一颗风扇掉链子而整体崩盘。

Ri=Rmin⁡+Ki×(Ti−Tmin⁡)\displaystyle R_i = R_{\min} + K_i \times (T_i - T_{\min})
每个风扇的转速由它负责区域的实际温度和一条独立增益系数决定，既保持自律，又接受全局约束。
  1. T_i（局部区域温度）第 \( i \) 颗风扇所负责区域的实时温度，来自距离该风扇最近的温度传感器读数。
    TiT_i
  2. K_i（区域增益系数）根据该区域芯片的热设计功耗和散热器热阻标定的增益。发热大户的区域增益大，温度每升高 1°C 转速提升更多。
    KiK_i
  3. T_min、R_min（基准温度与最低转速）系统设定的温度下限与对应的最低安全转速，防止温度很低时风扇仍高速空转。
    Tmin⁡,Rmin⁡T_{\min}, R_{\min}

智能散热管理：性能、噪音、功耗的三角平衡

一名真正优秀的管家，从来不会把房间弄得越冷越好。他追求的是“舒适、安静、省钱”三者的平衡——空调嗡嗡作响、电费爆表，哪怕温度再舒服也算不上合格。智能散热管理的思考方式完全相同。

评估散热系统是否合格，不能只看“压不压得住温度”。散热性能要求芯片结温 \( T_j \) 必须控制在规格限值以内（如 \( T_j \leq 105°C \)）；噪音控制方面，风扇噪音与转速近似呈高次方关系，转速下降 20%，噪音主观感受可降低一半以上；功耗优化更是一个硬指标——风扇功耗与转速呈三次方关系，50% 转速的功耗仅为全速的八分之一。因此，PWM 调速的真正目标不是“跑得越快越好”，而是“以最低的转速满足散热需求”。

业界常用系统热阻来量化散热效率：

热阻 \( R_{sa} \) 可以理解为“热量流过散热路径时所感受到的阻力”。热阻越小，同样的芯片功耗产生的温升越低，风扇也就可以用更低的转速完成散热任务。智能温控系统还会加入前馈控制：根据服务器负载的历史曲线，预测下一秒的热量变化，提前调整风扇转速，而不是等温度已经升高了才被动跟进。

管家的终极追求，是“温度刚好、声音不吵、电费合理”的三方平衡。智能散热管理正是这样一位 AI 时代的“隐形管家”，让每一瓦电力、每一分贝噪音都花在刀刃上，让芯片在安静凉爽的环境中全力输出算力。

Rsa=Tj−TaPchip\displaystyle R_{sa} = \frac{T_j - T_a}{P_{\text{chip}}}
Rsa=Tj−TaPchip\displaystyle R_{sa} = \frac{T_j - T_a}{P_{\text{chip}}}
热阻公式告诉我们：散热系统的目标是让热量顺畅流走（热阻足够小），从而在低转速下维持安全温度。
  1. T_j（芯片结温）芯片内部晶体管工作区域的温度，是决定芯片寿命与性能上限的关键指标。
    TjT_j
  2. T_a（环境温度）机箱外部空气的温度，代表热量最终排向的“自然归处”。
    TaT_a
  3. P_chip（芯片功耗）芯片单位时间内产生的热量，数值上等于其消耗的功率。AI 芯片满载时功耗可达数百瓦。
    PchipP_{\text{chip}}
  4. R_sa 的工程意义热阻越低，意味着散热系统越高效——同样的功耗下芯片温升更小，风扇只需更低转速即可满足要求，噪音与功耗同步下降。
    Rsa=Tj−TaPchipR_{sa} = \frac{T_j - T_a}{P_{\text{chip}}}

AI 应用场景

AI训练集群的GPU服务器散热

阶段：数据中心散热管理

解决的问题：AI 训练任务负载剧烈波动，GPU 温度在数秒内可上升 20°C 以上。传统恒速风扇要么噪音巨大，要么散热跟不上，无法适应深度学习的“脉冲式”负载特征。

具体案例：某智算中心在 NVIDIA 训练集群上部署了基于 PWM 调速的智能温控方案。BMC 以 5Hz 频率读取 GPU 结温和进风口温度，通过分段温控曲线将风扇转速映射到 30%~90% 区间；当监测到训练任务启动、GPU 功耗快速上升时，前馈控制在温度升高的 2 秒前就将风扇预升到目标转速，实测在风扇平均转速降低 35% 的情况下，GPU 峰值温度反而下降了 6°C。

服务器BMC固件中的温控扇策略

阶段：固件开发与调优

解决的问题：BMC 固件需要根据实时温度动态调节风扇 PWM，同时防止频繁调速导致的风扇轴承磨损和控制震荡。

具体案例：开发者在 Linux 服务器上通过 ipmitool 读取主板温度传感器，调用 PID 算法计算目标占空比，再通过 raw 0x30 0x70 0x66 0x01 命令写入风扇 PWM 寄存器。现场调试中发现，微分系数过大会导致风扇转速周期性波动，最终通过增大一阶滤波器系数并启用滞环保护，让风扇调速曲线变得平滑柔和。

边缘AI推理设备的静音散热

阶段：产品硬件设计

解决的问题：部署在办公室或商场中的边缘 AI 盒子空间狭小、静音要求高，风扇全速运转的噪音完全不可接受。

具体案例：某边缘计算盒子的推理负载在白天高峰与夜间低谷差异巨大。工程师标定了一条带平台区的温控曲线：芯片温度 50°C 以下风扇转速固定为 20%（几乎静音），50°C~75°C 之间转速随温度线性升至 60%，超过 80°C 才进入全速保护。实测日常运行噪音低于 28dB，接近图书馆环境，同时芯片结温稳定控制在 85°C 以内。

Python 演示

python73 行
class Fan:    """模拟PWM风扇"""    def __init__(self, max_rpm=3000):        self.max_rpm = max_rpm        self.rpm = 0        self.pwm_duty = 0.0     def set_duty(self, duty):        """设置PWM占空比 (0.0~1.0)"""        self.pwm_duty = max(0.0, min(1.0, duty))        self.rpm = int(self.max_rpm * self.pwm_duty)     def noise_db(self):        """估算噪音 (dB)"""        return 30 + 20 * (self.rpm / self.max_rpm)     def power_w(self):        """估算功耗 (W)"""        return 12 * (self.rpm / self.max_rpm) ** 3  class ChipSimulator:    """模拟芯片温度变化"""    def __init__(self, load_power=180):        self.temp = 40.0        self.load_power = load_power     def step(self, cooling_power, dt=0.5):        heat = self.load_power * 0.2 - cooling_power * 30        self.temp += heat * dt * 0.1        self.temp = max(30.0, min(100.0, self.temp))        return self.temp  class PIDController:    """PID温控算法"""    def __init__(self, kp=0.6, ki=0.03, kd=0.08):        self.kp = kp        self.ki = ki        self.kd = kd        self.last_error = 0.0        self._sum_error = 0.0     def compute(self, current, target):        error = target - current        self._sum_error += error        derivative = error - self.last_error        output = (self.kp * error +                  self.ki * self._sum_error +                  self.kd * derivative)        self.last_error = error        return max(0.0, min(1.0, output))  def main():    fan = Fan(max_rpm=3000)    chip = ChipSimulator(load_power=180)    pid = PIDController(kp=0.6, ki=0.03, kd=0.08)    target_temp = 70.0     print("时间(s)  温度(C)  占空比(%)  转速(RPM)  噪音(dB)  功耗(W)")    for step_i in range(120):        current_temp = chip.temp        duty = pid.compute(current_temp, target_temp)        fan.set_duty(duty)        cooling = fan.rpm / fan.max_rpm        chip.step(cooling)        if step_i % 10 == 0:            print(f"{step_i*0.5:>6.1f}  {current_temp:>7.1f}  {duty*100:>6.1f}  {fan.rpm:>5d}  {fan.noise_db():>6.1f}  {fan.power_w():>6.2f}")  if __name__ == "__main__":    main()
目的：模拟一颗芯片在 PID 控制器下进行 PWM 风扇调速的过程，输出温度、占空比、转速、噪音与功耗的时序变化，帮助理解智能散热系统的闭环工作逻辑。
  1. def set_duty(self, duty):将 PID 输出的 0~1 占空比映射到风扇实际转速，同时做边界保护防止超限。
  2. self.rpm = int(self.max_rpm * self.pwm_duty)转速与占空比近似线性对应，这是 PWM 调速的核心简化模型。
  3. return 12 * (self.rpm / self.max_rpm) ** 3功耗与转速呈三次方关系，50% 转速功耗仅为全速的八分之一。
  4. heat = self.load_power * 0.2 - cooling_power * 30芯片热量的“收支平衡”：负载产热减去风扇散热，净热量决定温度变化方向。
  5. output = (self.kp * error + self.ki * self._sum_error + self.kd * derivative)PID 三项叠加，比例项盯当前偏差，积分项清历史静差，微分项压未来趋势。
  6. chip.step(cooling)让温度模型按当前冷却能力推进一个时间步，模拟真实的动态温度变化。

常见误区

误区刚接触 PWM 时，我以为风扇在 50% 占空比下会明显一顿一顿地转，就像有人不停地在开关电扇一样，转速忽高忽低。

正解实际上 PWM 开关频率高达 25kHz 以上，每秒开关两万五千次，远远超出了风扇机械系统的响应能力。风扇本身有转动惯量，再加上电机线圈的电感续流效应，它感受到的是一路平滑的平均电压，转速稳定而连续。这就好比你快速挥动双手产生的气流是均匀的，而不是“有风、没风、有风、没风”地抖。

为何常见：PWM 的“脉宽调制”字面意思太容易让人联想到瞬间的开与关，忽略了风扇作为惯性负载的“迟钝”特性。

误区我以为占空比和转速是严格的线性关系，50% 占空比就对应 3000RPM 风扇的 1500RPM，60% 就是 1800RPM。

正解占空比 50% 时平均电压确实是电源电压的 50%，但风扇电机是感性负载，线圈中的电流不会瞬间跳变。电感会维持电流的连续性，使得实际电流波形比电压波形平滑得多，因此转速与占空比的线性关系在 40%~60% 区间会有轻度偏离。工程上通常会预先标定出“占空比-转速”实际曲线，再做补偿映射。

为何常见：习惯了欧姆定律的线性思维，以为电压减半电流也减半，忽略了感性负载的续流特性。

误区既然散热是硬指标，让风扇全速运转不就好了吗？反正数据中心的电费不差这几十瓦。

正解全速运行的代价远超想象——转速提升 1 倍，功耗变为 8 倍（三次方关系），噪音提升高达 20dB（主观响度约 4 倍）。不仅如此，过强的风量可能在机箱内形成湍流和局部涡流，某些角落反而散热变差。优秀的 PWM 调速追求“够用就好”，用最低转速满足散热要求，这才是工程上的最优解。

为何常见：把“散热性能”简单等同于“风扇转速”，忽略了风道设计、静压匹配和噪音功耗等系统约束。

误区实验室里标定好温控曲线后直接烧进固件，上线跑几年都不需要动它。

正解温控曲线受环境温度、散热器积灰、风扇轴承老化、导热硅脂干涸等众多因素影响。例如环境温度升高 10°C，相同负载下芯片的整条温度曲线都会整体上移，如果不对环境温度做补偿，风扇就会在不知不觉中“偷懒”。有经验的团队会在固件中内置温度补偿项，并安排定期重标定。

为何常见：忽略了系统参数随时间和环境的漂移，误认为实验室工况等于真实工况。

误区既然要协同，那让所有风扇转速一致就肯定没问题，这样还方便统一管理。

正解机箱内不同区域的热源密度差异极大——GPU 区域可能需要 80% 转速，而硬盘区 30% 就足够。盲目同步转速，要么局部温度超标，要么无谓噪音增大。真正的协同是“按需供风”：每个风扇根据自己负责区域的温度单独调速，同时接受全局调度的约束，必要时通过转速差维持机箱风道的气流方向。

为何常见：把“协同”简化成了“一致”，没有理解协同的本质是全局最优，而不是局部的整齐划一。

面试题

Q1. PWM 调速中“占空比”的正确含义是什么？

单选题 · easy

  • A.风扇每秒转动的圈数指标
  • B.高电平占整个周期的比例值← 正确答案
  • C.电源电压的峰值大小数值
  • D.风扇叶片数量的百分比值

答案：B。占空比定义为一个周期内高电平时间与总周期的比值，它决定了风扇获得的平均电压大小。转速是占空比驱动的结果而非定义本身，峰值电压和叶片数量都与占空比无关。

Q2. PWM 开关频率为什么通常选在 25kHz 以上？

单选题 · easy

  • A.可以降低风扇的功耗
  • B.超出人耳可听范围避免噪音← 正确答案
  • C.提高风扇的最大转速上限
  • D.让温度传感器采样更精准

答案：B。人耳的听觉范围约为 20Hz~20kHz，开关频率若落在可听区间，线圈和扇叶会产生高频啸叫。25kHz 以上超出了人耳敏感范围，既保证了调速效果，又不会对运维人员造成噪音干扰。

Q3. 风扇功耗与转速之间是什么关系？

单选题 · easy

  • A.与转速成正比关系
  • B.与转速呈三次方关系← 正确答案
  • C.与转速呈对数关系
  • D.与转速完全无关

答案：B。风扇消耗的机械功率与转速的三次方成正比。这意味着转速降低一半，功耗降为原来的八分之一，这也是 PWM 调速能够大幅省电的物理基础。

Q4. 一阶低通滤波公式中，滤波系数 α 越接近 1 表示什么？

单选题 · mid

  • A.滤波越平滑但响应越迟钝
  • B.系统对新采样值越敏感← 正确答案
  • C.系统完全停止温度采样
  • D.温度传感器测量范围越大

答案：B。α 是新采样值在滤波结果中的权重。α 越接近 1，新采样值占比越高，系统对新温度变化越敏感，响应越快，但保留噪声也越多；α 越接近 0，滤波越平滑、响应越迟钝。

Q5. 温度滞环控制设置“双阈值+回差”的主要目的是什么？

单选题 · mid

  • A.提高温度传感器的采样精度
  • B.避免风扇频繁启停和震荡← 正确答案
  • C.让风扇转速线性均匀变化
  • D.减少风扇运行时的电磁干扰

答案：B。滞环控制在升温阈值与降温阈值之间留出回差区间，温度在区间内时风扇维持现状不变。这个“缓冲地带”避免风扇在临界点附近因微小温度波动而频繁启停，延长风扇寿命并减少噪音抖动。

Q6. 关于 PID 控制中的三项，以下描述正确的有哪些？

多选题 · mid

  • A.比例项负责快速响应当前偏差← 正确答案
  • B.积分项用于消除长期的静差← 正确答案
  • C.微分项用于放大静态的误差
  • D.微分项可抑制温度过冲现象← 正确答案

答案：ABD。比例项直接对当前偏差做出反应，偏差越大输出越大；积分项累积历史偏差，专门消除长期静差；微分项根据偏差变化趋势提前作用，抑制过冲和振荡。微分项并不放大静态误差——稳态时偏差的变化率为零，微分项输出为零。

Q7. 温控曲线中，实时温度落在两个标定点之间时，应如何计算目标转速？

单选题 · mid

  • A.取两个转速中的较大值
  • B.取两个转速的平均值
  • C.线性插值公式计算转速← 正确答案
  • D.使用 PID 积分项计算转速

答案：C。当温度 T 落在 (T1,R1) 和 (T2,R2) 之间时，用线性插值公式 \( R(T) = R1 + (R2-R1)×(T-T1)/(T2-T1) \) 计算中间转速。这比简单取平均或取较大值更精确，能让转速随温度连续平滑过渡。

Q8. 某风扇满载 3000RPM 时功耗为 12W，通过 PWM 将转速降为一半（1500RPM）时，机械功耗约为多少？

单选题 · hard

  • A.12W（维持不变）
  • B.6W（随转速线性下降）
  • C.1.5W（随转速三次方下降）← 正确答案
  • D.3W（随转速平方下降）

答案：C。风扇功耗与转速呈三次方关系，转速降为一半，功耗变为 \( (1/2)^3 = 1/8 \)，即 \( 12 \div 8 = 1.5W \)。这个“三次方魔法”正是 PWM 调速降低能耗的核心优势。

Q9. 多风扇协同控制的常见策略包括哪些？

多选题 · hard

  • A.同步模式所有风扇同转速← 正确答案
  • B.差速模式按区域温度单独调速← 正确答案
  • C.备份模式故障时其它风扇补偿← 正确答案
  • D.随机模式让风扇自由变速

答案：ABC。同步模式简化管理，适合热源均匀场景；差速模式按各区域实际温度独立调速，实现按需送风；备份模式在单颗风扇故障时由其余风扇全力补偿，保证系统冗余。随机模式毫无章法，会造成气流混乱，绝不是协同策略。

Q10. 服务器运行半年后环境平均温度升高 10°C，下列哪项措施最能有效维持芯片温度在目标范围内？

单选题 · extreme

  • A.保持温控曲线不变仅依赖 PID 自动调节
  • B.在温控曲线上叠加环境温度补偿偏移量← 正确答案
  • C.减小温度传感器采样频率至更低值
  • D.关闭积分项避免系统超调振荡

答案：B。环境温度升高会让整条温控曲线整体上移，PID 只能消除“目标温度偏差”，无法补偿环境热偏移。工程上会在固件中读取环境温度传感器数值，在温控曲线上叠加一个补偿偏移量，确保相同负载下芯片温度不因环境变化而漂移。关闭积分项反而会引入静差，降低采样频率则会让响应更迟钝。