CN115440292A - 存储芯片的测试方法、装置、设备及存储介质 - Google Patents
存储芯片的测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115440292A CN115440292A CN202211359072.6A CN202211359072A CN115440292A CN 115440292 A CN115440292 A CN 115440292A CN 202211359072 A CN202211359072 A CN 202211359072A CN 115440292 A CN115440292 A CN 115440292A
- Authority
- CN
- China
- Prior art keywords
- test
- data
- chip
- temperature
- voltage
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/50—Marginal testing, e.g. race, voltage or current testing
-
- 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
-
- G—PHYSICS
- G11—INFORMATION STORAGE
- G11C—STATIC STORES
- G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
- G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
- G11C29/50—Marginal testing, e.g. race, voltage or current testing
- G11C2029/5004—Voltage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Tests Of Electronic Circuits (AREA)
Abstract
本发明涉及人工智能领域,公开了一种存储芯片的测试方法、装置、设备及存储介质,用于提高存储芯片的测试效率。所述方法包括:获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种存储芯片的测试方法、装置、设备及存储介质。
背景技术
随着智能技术的高速发展,存储芯片在其中有着十分重要的作用。在存储芯片的开发过程中,需要对存储芯片进行测试,在测试通过之后才能进行实际的投产,对存储芯片进行模拟测试,达到测试结果接近存储芯片的真实性能结果。
现有技术往往是通过开发人员利用人工经验对存储芯片进行测试,人工方式需要耗费大量的开发资源和时间成本,而且测试的效率很低。
发明内容
本发明提供了一种存储芯片的测试方法、装置、设备及存储介质,用于提高存储芯片的测试效率。
本发明第一方面提供了一种存储芯片的测试方法,所述存储芯片的测试方法包括:根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
可选的,在本发明第一方面的第一种实现方式中,所述对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据,包括:对所述芯片测试数据中的误差值进行识别,得到目标误差值,并对所述芯片测试数据中的目标误差值进行去除,得到标准测试数据;基于预置的属性关系库获取所述标准测试数据中的温度属性关系和电压属性关系;根据所述温度属性关系提取所述标准测试数据中的测试温度数据,并根据所述电压属性关系查询所述标准测试数据中的测试电压数据。
可选的,在本发明第一方面的第二种实现方式中,所述对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段,包括:获取所述测试周期对应的测试时间数据;对所述测试时间数据进行时间序列离散化处理,得到离散时间数据;对所述离散时间数据进行测试曲线拟合,得到目标测试曲线;对所述目标测试曲线进行曲线拐点识别,得到目标曲线拐点;根据所述目标曲线拐点对所述离散时间数据进行测试阶段识别,得到多个测试阶段。
可选的,在本发明第一方面的第三种实现方式中,所述根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据,包括:获取所述多个测试阶段的时间轴,得到每个测试阶段的时间轴数据;根据每个测试阶段的时间轴数据分别对所述测试温度数据和所述测试电压数据进行数据映射,得到每个测试阶段的温度数据和电压数据;按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
可选的,在本发明第一方面的第四种实现方式中,所述将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果,包括:将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型,其中,所述芯片运行状态分析模型包括:双层长短时记忆网络、三层门限循环网络和三层全连接网络;将每个测试阶段的温度电压融合数据输入所述双层长短时记忆网络进行特征提取,得到温度电压特征数据;将所述温度电压特征数据输入所述三层门限循环网络进行处理,得到目标温度电压向量;将所述目标温度电压向量输入所述三层全连接网络进行状态预测,得到芯片运行状态特征值;根据所述芯片运行状态特征值匹配每个测试阶段的状态分析结果。
可选的,在本发明第一方面的第五种实现方式中,所述根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据,包括:根据每个测试阶段的状态分析结果生成每个测试阶段的运行状态评价指标;对每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;根据所述状态比较结果从所述多个测试阶段中选取最佳测试阶段,并将所述最佳测试阶段对应的温度电压数据作为所述目标存储芯片的最佳工作参数数据。
可选的,在本发明第一方面的第六种实现方式中,所述存储芯片的测试方法还包括:判断所述最佳工作参数数据是否符合预置的芯片实际工作条件;若符合,则将所述最佳工作参数数据作为所述目标存储芯片的运行标准。
本发明第二方面提供了一种存储芯片的测试装置,所述存储芯片的测试装置包括:获取模块,用于根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;解析模块,用于对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;处理模块,用于对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;融合模块,用于根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;分析模块,用于将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;生成模块,用于根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
可选的,在本发明第二方面的第一种实现方式中,所述解析模块具体用于:对所述芯片测试数据中的误差值进行识别,得到目标误差值,并对所述芯片测试数据中的目标误差值进行去除,得到标准测试数据;基于预置的属性关系库获取所述标准测试数据中的温度属性关系和电压属性关系;根据所述温度属性关系提取所述标准测试数据中的测试温度数据,并根据所述电压属性关系查询所述标准测试数据中的测试电压数据。
可选的,在本发明第二方面的第二种实现方式中,所述处理模块具体用于:获取所述测试周期对应的测试时间数据;对所述测试时间数据进行时间序列离散化处理,得到离散时间数据;对所述离散时间数据进行测试曲线拟合,得到目标测试曲线;对所述目标测试曲线进行曲线拐点识别,得到目标曲线拐点;根据所述目标曲线拐点对所述离散时间数据进行测试阶段识别,得到多个测试阶段。
可选的,在本发明第二方面的第三种实现方式中,所述融合模块具体用于:获取所述多个测试阶段的时间轴,得到每个测试阶段的时间轴数据;根据每个测试阶段的时间轴数据分别对所述测试温度数据和所述测试电压数据进行数据映射,得到每个测试阶段的温度数据和电压数据;按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
可选的,在本发明第二方面的第四种实现方式中,所述分析模块具体用于:将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型,其中,所述芯片运行状态分析模型包括:双层长短时记忆网络、三层门限循环网络和三层全连接网络;将每个测试阶段的温度电压融合数据输入所述双层长短时记忆网络进行特征提取,得到温度电压特征数据;将所述温度电压特征数据输入所述三层门限循环网络进行处理,得到目标温度电压向量;将所述目标温度电压向量输入所述三层全连接网络进行状态预测,得到芯片运行状态特征值;根据所述芯片运行状态特征值匹配每个测试阶段的状态分析结果。
可选的,在本发明第二方面的第五种实现方式中,所述生成模块具体用于:根据每个测试阶段的状态分析结果生成每个测试阶段的运行状态评价指标;对每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;根据所述状态比较结果从所述多个测试阶段中选取最佳测试阶段,并将所述最佳测试阶段对应的温度电压数据作为所述目标存储芯片的最佳工作参数数据。
可选的,在本发明第二方面的第六种实现方式中,所述存储芯片的测试装置还包括:判断模块,用于判断所述最佳工作参数数据是否符合预置的芯片实际工作条件;若符合,则将所述最佳工作参数数据作为所述目标存储芯片的运行标准。
本发明第三方面提供了一种存储芯片的测试设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述存储芯片的测试设备执行上述的存储芯片的测试方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的存储芯片的测试方法。
本发明提供的技术方案中,获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据,通过将时间和温度电压之间有效的结合起来,为人工智能模型的分析提供有效的数据支撑;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。本发明通过预先构建的芯片运行状态分析模型对芯片的运行状态分析,提高了芯片测试数据的分析效率,进而提高了存储芯片的测试效率。
附图说明
图1为本发明实施例中存储芯片的测试方法的一个实施例示意图;
图2为本发明实施例中存储芯片的测试方法的另一个实施例示意图;
图3为本发明实施例中存储芯片的测试装置的一个实施例示意图;
图4为本发明实施例中存储芯片的测试装置的另一个实施例示意图;
图5为本发明实施例中存储芯片的测试设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种存储芯片的测试方法、装置、设备及存储介质,用于提高存储芯片的测试效率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中存储芯片的测试方法的一个实施例包括:
101、根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取目标存储芯片在预设测试周期内的芯片测试数据;
可以理解的是,本发明的执行主体可以为存储芯片的测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器在目标存储芯片的存储单元中写入测试数据,从存储单元中读取存储数据,根据测试数据和存储数据,生成目标存储芯片的芯片测试数据,其中,目标存储芯片的当前写入选通脉冲宽度小于目标存储芯片的标准写入选通脉冲宽度,目标存储芯片的当前读取选通脉冲宽度小于目标存储芯片的标准读取选通脉冲宽度。
102、对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
具体的,读取目标存储芯片的类型,分别对每个目标存储芯片进行解析,解析对存储芯片每个地址空间写入测试数据并验证,验证通过后读取存储芯片的所有保存数据并与测试数据比较,比较结果均一致则测试通过,验证通过后读取存储芯片的所有保存数据并与测试数据比较,比较结果均一致则测试通过,得到测试温度数据和测试电压数据,可以自动完成对于存储芯片的全盘测试。
103、对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;
具体的,对测试时间数据进行降维处理,采用时间序列符号化方法对测试时间数据进行离散化处理,利用动态时间弯曲算法对数据进行相似性度量以及相似性计算,通过设定的阈值对数据进行数据清洗,从而得到清洗后的离散时间数据,得到高质量数据用于后续分析处理。
104、根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
具体的,服务器预先构建适合确定温度电压融合指数的测算指标库,从数据库中获取或者从外部获取与测算指标相关的指标数据,对获取的指标数据进行无量纲化处理以得到无量纲化的测算指标值,其中,在无量纲化处理过程中包括异构数据进行转换处理,基于各测算指标值来确定各测算指标的权重,并基于得到的各测算指标的权重来确定温度电压融合指数。本发明在测算过程中,采用基于逻辑回归函数指对指标进行映射,使得温度电压融合指数能容纳异构数据,从而更加全面的反应出区域温度电压融合水平。
105、将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;
具体的,服务器从数据库中读取运行参数数据,用于标识芯片类型、环保设备类型以及芯片与环保设备之间的关联信息;从数据库读取运行时间数据,用于标识芯片、环保设备运行状态参数的额定值;从数据库读取数据库中的数据,用于记录芯片、环保设备运行状态参数的实际值,比较数据库中的数据与运行时间数据,得到每个测试阶段的状态分析结果。
106、根据每个测试阶段的状态分析结果生成目标存储芯片的最佳工作参数数据。
具体的,该步骤包括初始参数设定与在设定参数下粗扫频并记录每组相关参数和检测结果,并对粗分析的记录参数和检测结果进行分析和判断并得出初步结论,进而服务器进行细扫频并记录每组相关参数和检测结果,最终服务器对细分析的记录参数和检测结果进行分析和判断并得出最佳工作参数。
本发明实施例中,存储芯片获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据,通过将时间和温度电压之间有效的结合起来,为人工智能模型的分析提供有效的数据支撑;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。本发明通过预先构建的芯片运行状态分析模型对芯片的运行状态分析,提高了芯片测试数据的分析效率,进而提高了存储芯片的测试效率。
请参阅图2,本发明实施例中存储芯片的测试方法的另一个实施例包括:
201、根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取目标存储芯片在预设测试周期内的芯片测试数据;
202、对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
具体的,对芯片测试数据中的误差值进行识别,得到目标误差值,并对芯片测试数据中的目标误差值进行去除,得到标准测试数据;基于预置的属性关系库获取标准测试数据中的温度属性关系和电压属性关系;根据温度属性关系提取标准测试数据中的测试温度数据,并根据电压属性关系查询标准测试数据中的测试电压数据。
其中,服务器获取芯片测试数据中的误差值,对芯片测试数据中的误差值进行特征提取得到特征码数据,将特征码数据与预设的若干误差处理模型进行对比,得到特征码数据与每一误差处理模型之间的特征码误差值,若存在特征码误差值小于误差阈值,则判断芯片测试数据中的误差值为有效数据,将芯片测试数据中的误差值作为目标芯片测试数据中的误差值,将特征码误差值小于误差阈值所对应的误差处理模型作为命中模型,基于目标芯片测试数据中的误差值和命中模型得到标准测试数据,进而服务器基于预置的属性关系库获取标准测试数据中的温度属性关系和电压属性关系;根据温度属性关系提取标准测试数据中的测试温度数据,并根据电压属性关系查询标准测试数据中的测试电压数据,提高了测试数据的解析效率。
203、对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;
具体的,获取测试周期对应的测试时间数据;对测试时间数据进行时间序列离散化处理,得到离散时间数据;对离散时间数据进行测试曲线拟合,得到目标测试曲线;对目标测试曲线进行曲线拐点识别,得到目标曲线拐点;根据目标曲线拐点对离散时间数据进行测试阶段识别,得到多个测试阶段。
其中,服务器首先对测试时间数据进行拟合,进而得到整个测试时间区域的离散时间数据,然后选取合适的序列离散化步长,利用序列运算理论得出测试时间区域的概率性序列,采用威布尔函数描述测试时间区域概率分布,并利用极大似然估计法估计其参数,最后利用序列运算理论与随机抽样的方法对测试时间区域概率密度函数的误差进行分析与评价,并进行测试曲线拟合,得到目标测试曲线;对目标测试曲线进行曲线拐点识别,得到目标曲线拐点;根据目标曲线拐点对离散时间数据进行测试阶段识别,得到多个测试阶段。可以建立准确的测试时间区域概率分布的模型。
204、根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
具体的,获取多个测试阶段的时间轴,得到每个测试阶段的时间轴数据;根据每个测试阶段的时间轴数据分别对测试温度数据和测试电压数据进行数据映射,得到每个测试阶段的温度数据和电压数据;按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
其中,服务器获取多个测试阶段的时间轴,得到每个测试阶段的时间轴数据,导入时间轴数据,并根据时间轴数据建立标准映射关系,在标准映射关系的基础上自定义映射规则,自动检测标准映射关系情况,根据分类映射等级颗粒度,对标准映射关系和自定义映射规则进行集合运算和文本匹配,自动生成新版标准映射关系的映射规则,并显示差异映射规则,导入时间轴数据,时间轴数据基于自定义映射规则进行处理,得到每个测试阶段的温度数据和电压数据,按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
205、将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型,其中,芯片运行状态分析模型包括:双层长短时记忆网络、三层门限循环网络和三层全连接网络;
206、将每个测试阶段的温度电压融合数据输入双层长短时记忆网络进行特征提取,得到温度电压特征数据;
207、将温度电压特征数据输入三层门限循环网络进行处理,得到目标温度电压向量;
208、将目标温度电压向量输入三层全连接网络进行状态预测,得到芯片运行状态特征值;
209、根据芯片运行状态特征值匹配每个测试阶段的状态分析结果;
具体的,首先获取温度电压融合数据,从这温度电压融合数据中提取时序对芯片运行状态组合时序特征矩阵,然后依据辨识矩阵尺寸特点,构建处理时序输入的双层LSTM网络,再通过自适应学习率的优化算法进行有监督学习下的模型训练,得到芯片状态预测模型,将目标温度电压向量输入三层全连接网络进行状态预测,得到芯片运行状态特征值,根据芯片运行状态特征值匹配每个测试阶段的状态分析结果。
210、根据每个测试阶段的状态分析结果生成目标存储芯片的最佳工作参数数据。
具体的,根据每个测试阶段的状态分析结果生成每个测试阶段的运行状态评价指标;对每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;根据状态比较结果从多个测试阶段中选取最佳测试阶段,并将最佳测试阶段对应的温度电压数据作为目标存储芯片的最佳工作参数数据。
其中,服务器采集获得测试阶段的状态分析结果,对采集的测试阶段的状态分析结果进行去量纲化处理,获得芯片运行状态监测指标权重,获得芯片运行状态监测指标总体分值,并进行芯片运行状态评价,每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;根据状态比较结果从多个测试阶段中选取最佳测试阶段,并将最佳测试阶段对应的温度电压数据作为目标存储芯片的最佳工作参数数据。本方法所设置的指标体系、指标去量钢化方法及指标权重全面科学、客观,能够有效对芯片运行状态进行评价。
可选的,判断最佳工作参数数据是否符合预置的芯片实际工作条件;若符合,则将最佳工作参数数据作为目标存储芯片的运行标准。
其中,在环境常温条件下,测试实际芯片样件运行工况下的表面温度随时间变化的关系,获取实际芯片运行温度与时间的曲线、表面温度与芯片内部发热功率和时间的数值的到曲线和电功率与模拟芯片表面温度和时间的关系曲线,判断最佳工作参数数据是否符合预置的芯片实际工作条件;若符合,则将最佳工作参数数据作为目标存储芯片的运行标准。
本发明实施例中,存储芯片获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据,通过将时间和温度电压之间有效的结合起来,为人工智能模型的分析提供有效的数据支撑;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。本发明通过预先构建的芯片运行状态分析模型对芯片的运行状态分析,提高了芯片测试数据的分析效率,进而提高了存储芯片的测试效率。
上面对本发明实施例中存储芯片的测试方法进行了描述,下面对本发明实施例中存储芯片的测试装置进行描述,请参阅图3,本发明实施例中存储芯片的测试装置一个实施例包括:
获取模块301,用于根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;
解析模块302,用于对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
处理模块303,用于对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;
融合模块304,用于根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
分析模块305,用于将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;
生成模块306,用于根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
本发明实施例中,存储芯片获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据,通过将时间和温度电压之间有效的结合起来,为人工智能模型的分析提供有效的数据支撑;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。本发明通过预先构建的芯片运行状态分析模型对芯片的运行状态分析,提高了芯片测试数据的分析效率,进而提高了存储芯片的测试效率。
请参阅图4,本发明实施例中存储芯片的测试装置另一个实施例包括:
获取模块301,用于根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;
解析模块302,用于对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
处理模块303,用于对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;
融合模块304,用于根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
分析模块305,用于将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;
生成模块306,用于根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
可选的,所述解析模块302具体用于:
对所述芯片测试数据中的误差值进行识别,得到目标误差值,并对所述芯片测试数据中的目标误差值进行去除,得到标准测试数据;基于预置的属性关系库获取所述标准测试数据中的温度属性关系和电压属性关系;根据所述温度属性关系提取所述标准测试数据中的测试温度数据,并根据所述电压属性关系查询所述标准测试数据中的测试电压数据。
可选的,所述处理模块303具体用于:
获取所述测试周期对应的测试时间数据;对所述测试时间数据进行时间序列离散化处理,得到离散时间数据;对所述离散时间数据进行测试曲线拟合,得到目标测试曲线;对所述目标测试曲线进行曲线拐点识别,得到目标曲线拐点;根据所述目标曲线拐点对所述离散时间数据进行测试阶段识别,得到多个测试阶段。
可选的,所述融合模块304具体用于:
获取所述多个测试阶段的时间轴,得到每个测试阶段的时间轴数据;根据每个测试阶段的时间轴数据分别对所述测试温度数据和所述测试电压数据进行数据映射,得到每个测试阶段的温度数据和电压数据;按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
可选的,所述分析模块305具体用于:
将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型,其中,所述芯片运行状态分析模型包括:双层长短时记忆网络、三层门限循环网络和三层全连接网络;将每个测试阶段的温度电压融合数据输入所述双层长短时记忆网络进行特征提取,得到温度电压特征数据;将所述温度电压特征数据输入所述三层门限循环网络进行处理,得到目标温度电压向量;将所述目标温度电压向量输入所述三层全连接网络进行状态预测,得到芯片运行状态特征值;根据所述芯片运行状态特征值匹配每个测试阶段的状态分析结果。
可选的,所述生成模块306具体用于:
根据每个测试阶段的状态分析结果生成每个测试阶段的运行状态评价指标;对每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;根据所述状态比较结果从所述多个测试阶段中选取最佳测试阶段,并将所述最佳测试阶段对应的温度电压数据作为所述目标存储芯片的最佳工作参数数据。
可选的,所述存储芯片的测试装置还包括:
判断模块307,用于判断所述最佳工作参数数据是否符合预置的芯片实际工作条件;若符合,则将所述最佳工作参数数据作为所述目标存储芯片的运行标准。
本发明实施例中,存储芯片获取目标存储芯片在预设测试周期内的芯片测试数据;对芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;对测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对离散时间数据进行测试阶段识别,得到多个测试阶段;根据多个测试阶段对测试温度数据和测试电压数据进行数据映射和数据融合,得到温度电压融合数据,通过将时间和温度电压之间有效的结合起来,为人工智能模型的分析提供有效的数据支撑;将温度电压融合数据输入芯片运行状态分析模型进行芯片运行状态分析,得到状态分析结果;根据状态分析结果生成最佳工作参数数据。本发明通过预先构建的芯片运行状态分析模型对芯片的运行状态分析,提高了芯片测试数据的分析效率,进而提高了存储芯片的测试效率。
上面图3和图4从模块化功能实体的角度对本发明实施例中的存储芯片的测试装置进行详细描述,下面从硬件处理的角度对本发明实施例中存储芯片的测试设备进行详细描述。
图5是本发明实施例提供的一种存储芯片的测试设备的结构示意图,该存储芯片的测试设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)510(例如,一个或一个以上处理器)和存储器520,一个或一个以上存储应用程序533或数据532的存储介质530(例如一个或一个以上海量存储设备)。其中,存储器520和存储介质530可以是短暂存储或持久存储。存储在存储介质530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对存储芯片的测试设备500中的一系列指令操作。更进一步地,处理器510可以设置为与存储介质530通信,在存储芯片的测试设备500上执行存储介质530中的一系列指令操作。
存储芯片的测试设备500还可以包括一个或一个以上电源540,一个或一个以上有线或无线网络接口550,一个或一个以上输入输出接口560,和/或,一个或一个以上操作系统531,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图5示出的存储芯片的测试设备结构并不构成对存储芯片的测试设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种存储芯片的测试设备,所述存储芯片的测试设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述存储芯片的测试方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述存储芯片的测试方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种存储芯片的测试方法,其特征在于,所述存储芯片的测试方法包括:
根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;
对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;
根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;
根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
2.根据权利要求1所述的存储芯片的测试方法,其特征在于,所述对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据,包括:
对所述芯片测试数据中的误差值进行识别,得到目标误差值,并对所述芯片测试数据中的目标误差值进行去除,得到标准测试数据;
基于预置的属性关系库获取所述标准测试数据中的温度属性关系和电压属性关系;
根据所述温度属性关系提取所述标准测试数据中的测试温度数据,并根据所述电压属性关系查询所述标准测试数据中的测试电压数据。
3.根据权利要求1所述的存储芯片的测试方法,其特征在于,所述对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段,包括:
获取所述测试周期对应的测试时间数据;
对所述测试时间数据进行时间序列离散化处理,得到离散时间数据;
对所述离散时间数据进行测试曲线拟合,得到目标测试曲线;
对所述目标测试曲线进行曲线拐点识别,得到目标曲线拐点;
根据所述目标曲线拐点对所述离散时间数据进行测试阶段识别,得到多个测试阶段。
4.根据权利要求1所述的存储芯片的测试方法,其特征在于,所述根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据,包括:
获取所述多个测试阶段的时间轴,得到每个测试阶段的时间轴数据;
根据每个测试阶段的时间轴数据分别对所述测试温度数据和所述测试电压数据进行数据映射,得到每个测试阶段的温度数据和电压数据;
按照预置的数据融合策略对每个测试阶段的温度数据和电压数据进行数据融合,得到每个测试阶段的温度电压融合数据。
5.根据权利要求1所述的存储芯片的测试方法,其特征在于,所述将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果,包括:
将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型,其中,所述芯片运行状态分析模型包括:双层长短时记忆网络、三层门限循环网络和三层全连接网络;
将每个测试阶段的温度电压融合数据输入所述双层长短时记忆网络进行特征提取,得到温度电压特征数据;
将所述温度电压特征数据输入所述三层门限循环网络进行处理,得到目标温度电压向量;
将所述目标温度电压向量输入所述三层全连接网络进行状态预测,得到芯片运行状态特征值;
根据所述芯片运行状态特征值匹配每个测试阶段的状态分析结果。
6.根据权利要求1所述的存储芯片的测试方法,其特征在于,所述根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据,包括:
根据每个测试阶段的状态分析结果生成每个测试阶段的运行状态评价指标;
对每个测试阶段的运行状态评价指标进行状态比较,得到状态比较结果;
根据所述状态比较结果从所述多个测试阶段中选取最佳测试阶段,并将所述最佳测试阶段对应的温度电压数据作为所述目标存储芯片的最佳工作参数数据。
7.根据权利要求1或6所述的存储芯片的测试方法,其特征在于,所述存储芯片的测试方法还包括:
判断所述最佳工作参数数据是否符合预置的芯片实际工作条件;
若符合,则将所述最佳工作参数数据作为所述目标存储芯片的运行标准。
8.一种存储芯片的测试装置,其特征在于,所述存储芯片的测试装置包括:
获取模块,用于根据预置的存储芯片测试策略对目标存储芯片进行测试,并获取所述目标存储芯片在预设测试周期内的芯片测试数据;
解析模块,用于对所述芯片测试数据进行测试数据解析,得到测试温度数据和测试电压数据;
处理模块,用于对所述测试周期对应的测试时间数据进行时间序列离散化处理,得到离散时间数据,并对所述离散时间数据进行测试阶段识别,得到多个测试阶段;
融合模块,用于根据所述多个测试阶段对所述测试温度数据和所述测试电压数据进行数据映射和数据融合,得到每个测试阶段的温度电压融合数据;
分析模块,用于将每个测试阶段的温度电压融合数据输入预置的芯片运行状态分析模型进行芯片运行状态分析,得到每个测试阶段的状态分析结果;
生成模块,用于根据每个测试阶段的状态分析结果生成所述目标存储芯片的最佳工作参数数据。
9.一种存储芯片的测试设备,其特征在于,所述存储芯片的测试设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述存储芯片的测试设备执行如权利要求1-7中任一项所述的存储芯片的测试方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的存储芯片的测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359072.6A CN115440292B (zh) | 2022-11-02 | 2022-11-02 | 存储芯片的测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211359072.6A CN115440292B (zh) | 2022-11-02 | 2022-11-02 | 存储芯片的测试方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115440292A true CN115440292A (zh) | 2022-12-06 |
CN115440292B CN115440292B (zh) | 2023-01-06 |
Family
ID=84252538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211359072.6A Active CN115440292B (zh) | 2022-11-02 | 2022-11-02 | 存储芯片的测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115440292B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN117556753A (zh) * | 2024-01-11 | 2024-02-13 | 联和存储科技(江苏)有限公司 | 存储芯片的能耗分析方法、装置、设备及存储介质 |
CN117558307A (zh) * | 2024-01-11 | 2024-02-13 | 联和存储科技(江苏)有限公司 | 存储芯片的门限电压调节方法、装置、设备及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5925142A (en) * | 1995-10-06 | 1999-07-20 | Micron Technology, Inc. | Self-test RAM using external synchronous clock |
US20070126471A1 (en) * | 2005-09-29 | 2007-06-07 | Hynix Semiconductor Inc. | On die thermal sensor of semiconductor memory device and method thereof |
US20080158960A1 (en) * | 2006-12-30 | 2008-07-03 | Deepak Chandra Sekar | Applying adaptive body bias to non-volatile storage |
CN106199373A (zh) * | 2015-04-30 | 2016-12-07 | 常熟海量声学设备科技有限公司 | 电子设备智能故障诊断方法与装置 |
CN110632494A (zh) * | 2018-06-21 | 2019-12-31 | 龙芯中科技术有限公司 | 芯片温度的测试方法、装置、设备及介质 |
US20200258591A1 (en) * | 2019-02-08 | 2020-08-13 | Dell Products L.P. | Information handling system and method to dynamically detect and recover from thermally induced memory failures |
CN112834816A (zh) * | 2021-01-06 | 2021-05-25 | 南京能晶电子科技有限公司 | 一种用于汽车的霍尔传感器芯片温度补偿方法 |
WO2022012147A1 (zh) * | 2020-07-17 | 2022-01-20 | 长鑫存储技术有限公司 | 封装芯片的测试方法、系统、计算机设备和存储介质 |
CN114530188A (zh) * | 2022-01-13 | 2022-05-24 | 长江存储科技有限责任公司 | 一种半导体测试方法、系统及存储介质 |
CN114610615A (zh) * | 2022-03-10 | 2022-06-10 | 北京沃东天骏信息技术有限公司 | 项目测试处理方法、装置、设备及存储介质 |
-
2022
- 2022-11-02 CN CN202211359072.6A patent/CN115440292B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5925142A (en) * | 1995-10-06 | 1999-07-20 | Micron Technology, Inc. | Self-test RAM using external synchronous clock |
US20070126471A1 (en) * | 2005-09-29 | 2007-06-07 | Hynix Semiconductor Inc. | On die thermal sensor of semiconductor memory device and method thereof |
US20080158960A1 (en) * | 2006-12-30 | 2008-07-03 | Deepak Chandra Sekar | Applying adaptive body bias to non-volatile storage |
CN106199373A (zh) * | 2015-04-30 | 2016-12-07 | 常熟海量声学设备科技有限公司 | 电子设备智能故障诊断方法与装置 |
CN110632494A (zh) * | 2018-06-21 | 2019-12-31 | 龙芯中科技术有限公司 | 芯片温度的测试方法、装置、设备及介质 |
US20200258591A1 (en) * | 2019-02-08 | 2020-08-13 | Dell Products L.P. | Information handling system and method to dynamically detect and recover from thermally induced memory failures |
WO2022012147A1 (zh) * | 2020-07-17 | 2022-01-20 | 长鑫存储技术有限公司 | 封装芯片的测试方法、系统、计算机设备和存储介质 |
CN112834816A (zh) * | 2021-01-06 | 2021-05-25 | 南京能晶电子科技有限公司 | 一种用于汽车的霍尔传感器芯片温度补偿方法 |
CN114530188A (zh) * | 2022-01-13 | 2022-05-24 | 长江存储科技有限责任公司 | 一种半导体测试方法、系统及存储介质 |
CN114610615A (zh) * | 2022-03-10 | 2022-06-10 | 北京沃东天骏信息技术有限公司 | 项目测试处理方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
郭斌: ""基于STM32的高低温测试中电台设备的"", 《探索与观察》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116400201B (zh) * | 2023-06-06 | 2023-08-11 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN116933608B (zh) * | 2023-09-15 | 2023-12-22 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN117556753A (zh) * | 2024-01-11 | 2024-02-13 | 联和存储科技(江苏)有限公司 | 存储芯片的能耗分析方法、装置、设备及存储介质 |
CN117558307A (zh) * | 2024-01-11 | 2024-02-13 | 联和存储科技(江苏)有限公司 | 存储芯片的门限电压调节方法、装置、设备及存储介质 |
CN117558307B (zh) * | 2024-01-11 | 2024-03-15 | 联和存储科技(江苏)有限公司 | 存储芯片的门限电压调节方法、装置、设备及存储介质 |
CN117556753B (zh) * | 2024-01-11 | 2024-03-19 | 联和存储科技(江苏)有限公司 | 存储芯片的能耗分析方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115440292B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115440292B (zh) | 存储芯片的测试方法、装置、设备及存储介质 | |
CN111177714A (zh) | 异常行为检测方法、装置、计算机设备和存储介质 | |
CN110413775A (zh) | 一种数据打标签分类方法、装置、终端及存储介质 | |
US11847446B2 (en) | Predictive build quality assessment | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
US20090182994A1 (en) | Two-level representative workload phase detection method, apparatus, and computer usable program code | |
CN109857653B (zh) | 一种基于主动学习的无监督缺陷程序模块识别方法 | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN116030955B (zh) | 基于物联网的医疗设备状态监测方法及相关装置 | |
CN115034278A (zh) | 性能指标异常检测方法、装置、电子设备和存储介质 | |
CN115147020B (zh) | 装修数据处理方法、装置、设备及存储介质 | |
CN115344386A (zh) | 基于排序学习的云仿真计算资源预测方法、装置和设备 | |
US20210397960A1 (en) | Reliability evaluation device and reliability evaluation method | |
CN112380224B (zh) | 一种面向海量异构多维数据采集的质量大数据系统 | |
CN114297385A (zh) | 模型训练方法、文本分类方法、系统、设备及介质 | |
CN114742297A (zh) | 动力电池的处理方法 | |
KR102289396B1 (ko) | 군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용 | |
CN112419098A (zh) | 基于安全信息熵的电网安全稳定仿真样本筛选扩充方法 | |
Cupek et al. | Improving KPI based performance analysis in discrete, multi-variant production | |
CN117647725B (zh) | Pcba的老化测试方法及系统 | |
Ali et al. | Clustering datasets in cloud computing environment for user identification | |
Deng et al. | Reliability assessment of machining accuracy on support vector machine | |
Devi | Software fault prediction with metric threshold using clustering algorithm | |
CN117829002B (zh) | 电力线缆的老化诊断监测方法及系统 | |
CN111582498B (zh) | 基于机器学习的qa辅助决策方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |