CN116882301A - 存储芯片的电阻补偿方法、装置、设备及存储介质 - Google Patents

存储芯片的电阻补偿方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116882301A
CN116882301A CN202311126615.4A CN202311126615A CN116882301A CN 116882301 A CN116882301 A CN 116882301A CN 202311126615 A CN202311126615 A CN 202311126615A CN 116882301 A CN116882301 A CN 116882301A
Authority
CN
China
Prior art keywords
resistance
target
compensation
data
resistance compensation
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
Application number
CN202311126615.4A
Other languages
English (en)
Other versions
CN116882301B (zh
Inventor
高伟
邢清瑞
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.)
Lianhe Storage Technology Jiangsu Co ltd
Original Assignee
Lianhe Storage Technology Jiangsu 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 Lianhe Storage Technology Jiangsu Co ltd filed Critical Lianhe Storage Technology Jiangsu Co ltd
Priority to CN202311126615.4A priority Critical patent/CN116882301B/zh
Publication of CN116882301A publication Critical patent/CN116882301A/zh
Application granted granted Critical
Publication of CN116882301B publication Critical patent/CN116882301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/061—Improving I/O performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0602—Interfaces specially adapted for storage systems specifically adapted to achieve a particular effect
    • G06F3/0614—Improving the reliability of storage systems
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/56—External testing equipment for static stores, e.g. automatic test equipment [ATE]; Interfaces therefor
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Semiconductor Integrated Circuits (AREA)

Abstract

本发明涉及存储芯片技术领域，公开了一种存储芯片的电阻补偿方法、装置、设备及存储介质，用于提高存储芯片的电阻补偿准确率。方法包括：采集目标存储芯片的工作温度数据和电阻值数据；根据工作温度数据和电阻值数据构建温度与电阻变化模型；根据温度与电阻变化模型生成第一电阻补偿策略；获取实时温度数据并根据第一电阻补偿策略生成电阻补偿信号；基于电阻补偿信号对目标存储芯片进行电阻补偿，并获取电路延迟数据以及目标存储芯片的芯片能耗数据；根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成第二电阻补偿策略；对第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过目标电阻补偿策略计算性能优化指标。

Description

存储芯片的电阻补偿方法、装置、设备及存储介质
技术领域
本发明涉及存储芯片技术领域，尤其涉及一种存储芯片的电阻补偿方法、装置、设备及存储介质。
背景技术
在现代电子技术中，存储芯片作为关键组件在各种设备中扮演着重要角色。随着芯片的不断发展和应用场景的不断扩展，其性能和稳定性要求也越来越高。然而，温度是影响芯片性能的一个重要因素，因为温度的变化会导致芯片电阻值的变化，从而影响了芯片的工作性能和稳定性。
在实际应用中，由于温度变化导致的电阻值变化会导致电路延迟的增加、能耗的增加，甚至影响芯片的读写稳定性。因此，为了确保芯片在不同温度条件下具备稳定的性能，需要对电阻值变化进行补偿，以实现温度自适应的性能优化。传统的温度补偿方法通常是基于一些经验规则或者简单的数学模型，但这些方法往往不能够精确地适应复杂的温度变化情况，导致补偿效果有限。因此，为了进一步提高存储芯片在不同温度条件下的性能和稳定性，需要一种更为精确和智能的电阻补偿方法。
发明内容
本发明提供了一种存储芯片的电阻补偿方法、装置、设备及存储介质，用于提高存储芯片的电阻补偿准确率。
本发明第一方面提供了一种存储芯片的电阻补偿方法，所述存储芯片的电阻补偿方法包括：
通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取所述目标存储芯片在不同工作温度下的电阻值数据；
根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型；
根据所述温度与电阻变化模型生成第一电阻补偿策略；
获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号；
基于所述电阻补偿信号对所述目标存储芯片进行电阻补偿，并获取所述电阻补偿信号的电路延迟数据以及所述目标存储芯片的芯片能耗数据；
根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标。
结合第一方面，在本发明第一方面的第一种实现方式中，所述根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型，包括：
获取所述工作温度数据的第一时间戳数据，并获取所述电阻值数据的第二时间戳数据；
根据所述第一时间戳数据和所述第二时间戳数据，对所述工作温度数据中的多工作温度和所述电阻值数据中的多个真实电阻值进行数据对齐，得到每个工作温度对应的真实电阻值；
将所述工作温度数据输入预置的目标训练模型，其中，所述目标训练模型包括：两层长短时记忆网络以及两层全连接层；
通过所述两层长短时记忆网络对所述工作温度数据进行特征提取，得到目标特征向量，并将所述目标特征向量输入所述两层全连接层进行下一个时刻的电阻值预测，得到预测电阻值；
根据每个工作温度对应的真实电阻值，并通过预置的损失函数计算所述预测电阻值的误差值；
采用反向传播算法，通过所述误差值对所述目标训练模型进行模型超参数多轮迭代优化，得到所述目标存储芯片对应的温度与电阻变化模型。
结合第一方面，在本发明第一方面的第二种实现方式中，所述根据所述温度与电阻变化模型生成第一电阻补偿策略，包括：
对所述工作温度数据进行曲线拟合，得到工作温度曲线，并对所述电阻值数据进行曲线拟合，得到电阻值变化曲线；
计算所述工作温度曲线的第一曲线均值，并计算所述电阻值变化曲线的第二曲线均值；
获取所述工作温度曲线中的多个第一温度特征值，并提取所述电阻值变化曲线的多个第一电阻特征值；
根据所述第一曲线均值对所述多个第一温度特征值进行特征筛选，得到多个第二温度特征值，并根据所述第二曲线均值对所述多个第一电阻特征值进行特征筛选，得到多个第二电阻特征值；
对所述多个第二温度特征值和所述多个第二电阻特征值进行向量转换，得到目标输入向量；
将所述目标输入向量输入所述温度与电阻变化模型进行温度与电阻变化分析，得到目标补偿方向和目标补偿量；
根据所述目标补偿方向和所述目标补偿量，生成所述目标存储芯片的第一电阻补偿策略。
结合第一方面，在本发明第一方面的第三种实现方式中，所述获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号，包括：
通过所述温度传感器获取所述目标存储芯片的实时温度数据，并根据所述实时温度数据匹配对应的目标补偿模式；
对所述目标补偿模式进行数值映射，得到第一目标数值，并对所述实时温度数据进行均值运算，得到第二目标数值；
构建所述第一目标数值以及所述第二目标数值的第一补偿向量，并对所述第一电阻补偿策略中的目标补偿方向和目标补偿量进行向量转换，生成第二补偿向量；
对所述第一补偿向量和所述第二补偿向量进行向量匹配，生成对应的电阻补偿参数集合；
通过预置的电阻补偿系统对所述电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号。
结合第一方面，在本发明第一方面的第四种实现方式中，所述通过预置的电阻补偿系统对所述电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号，包括：
通过预置的电阻补偿系统，对所述电阻补偿参数集合和控制信号进行标定，得到电阻补偿参数与控制信号之间的目标标定关系；
根据所述目标标定关系，对所述电阻补偿参数集合进行控制信号转换，得到对应的控制信号数值；
根据所述控制信号数值生成对应的电阻补偿信号。
结合第一方面，在本发明第一方面的第五种实现方式中，所述根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略，包括：
对所述电路延迟数据进行特征提取，得到电路延迟特征，并对所述芯片能耗数据进行特征提取，得到芯片能耗特征；
根据所述电路延迟特征和所述芯片能耗特征构建所述第一电阻补偿策略对应的多个候选电阻补偿策略；
通过预置的优化目标函数，计算每个候选电阻补偿策略的目标适应度；
根据所述目标适应度，对所述多个候选电阻补偿策略进行策略筛选，得到第二电阻补偿策略。
结合第一方面，在本发明第一方面的第六种实现方式中，所述对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标，包括：
基于所述第二电阻补偿策略对所述目标存储芯片进行电阻补偿校准，得到目标校准参数集合；
对所述第二电阻补偿策略和所述目标校准参数集合进行关联，并创建所述目标校准参数集合中每个校准参数的第一参数标识；
根据所述目标校准参数集合对所述第二电阻补偿策略进行差异识别，得到所述第二电阻补偿策略中的多个差异参数，并对所述多个差异参数进行标识处理，得到所述第二电阻补偿策略中每个差异参数的第二参数标识；
根据所述第一参数标识和所述第二参数标识，通过所述目标校准参数集合对所述第二电阻补偿策略进行校准参数替换，得到目标电阻补偿策略；
基于预设的监控时长，并通过所述目标电阻补偿策略对所述目标存储芯片进行性能监控，得到性能监控数据，并根据所述性能监控数据计算所述目标存储芯片的性能优化指标。
本发明第二方面提供了一种存储芯片的电阻补偿装置，所述存储芯片的电阻补偿装置包括：
获取模块，用于通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取所述目标存储芯片在不同工作温度下的电阻值数据；
构建模块，用于根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型；
生成模块，用于根据所述温度与电阻变化模型生成第一电阻补偿策略；
处理模块，用于获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号；
补偿模块，用于基于所述电阻补偿信号对所述目标存储芯片进行电阻补偿，并获取所述电阻补偿信号的电路延迟数据以及所述目标存储芯片的芯片能耗数据；
优化模块，用于根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
校准模块，用于对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标。
本发明第三方面提供了一种存储芯片的电阻补偿设备，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电阻补偿设备执行上述的存储芯片的电阻补偿方法。
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电阻补偿方法。
本发明提供的技术方案中，采集目标存储芯片的工作温度数据和电阻值数据；根据工作温度数据和电阻值数据构建温度与电阻变化模型；根据温度与电阻变化模型生成第一电阻补偿策略；获取实时温度数据并根据第一电阻补偿策略生成电阻补偿信号；基于电阻补偿信号对目标存储芯片进行电阻补偿，并获取电路延迟数据以及目标存储芯片的芯片能耗数据；根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成第二电阻补偿策略；对第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过目标电阻补偿策略计算性能优化指标，本发明通过建立温度与电阻变化模型，能够更精确地预测在不同温度下的电阻值变化。这使得电阻补偿更准确，有助于降低由温度波动引起的性能损失。根据实时温度数据生成电阻补偿信号，使存储芯片能够自适应地根据工作温度调整电阻值，从而在不同温度条件下实现更优化的性能表现。通过根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成更优化的电阻补偿策略。这能够降低芯片在高温下产生的能耗过高的问题，从而提高能效。通过对存储芯片的电阻值进行补偿，可以减少因温度变化引起的读写稳定性问题。这有助于保持存储数据的可靠性和一致性。通过计算存储芯片在不同温度条件下的性能优化指标，采用机器学习技术，能够根据温度数据和电阻值数据生成电阻补偿信号，实现了智能化的温度适应。这种自动化和智能化的方法可以降低人工干预的需要，提高存储芯片的电阻补偿准确率。
附图说明
图1为本发明实施例中存储芯片的电阻补偿方法的一个实施例示意图；
图2为本发明实施例中生成第一电阻补偿策略的流程图；
图3为本发明实施例中控制信号转换的流程图；
图4为本发明实施例中生成对应的电阻补偿信号的流程图；
图5为本发明实施例中存储芯片的电阻补偿装置的一个实施例示意图；
图6为本发明实施例中存储芯片的电阻补偿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电阻补偿方法、装置、设备及存储介质，用于提高存储芯片的电阻补偿准确率。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电阻补偿方法的一个实施例包括：
S101、通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取目标存储芯片在不同工作温度下的电阻值数据；
可以理解的是，本发明的执行主体可以为存储芯片的电阻补偿装置，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，服务器为了采集存储芯片的工作温度数据，服务器在芯片上集成一个温度传感器。这个传感器可以是微小且高度精确的组件，能够实时测量芯片的温度。温度传感器是一种能够感知周围环境温度的设备。在目标存储芯片中，可以预置一种或多种温度传感器，这些传感器能够实时监测芯片所处的温度环境。常见的温度传感器包括热敏电阻（例如NTC热敏电阻）、热电偶、晶体振荡器等。这些传感器根据温度变化而产生电阻、电压或频率的变化。一旦温度传感器被预置在目标存储芯片上，它们开始监测芯片的工作温度。传感器会不断地测量环境温度，并将这些数据传输给芯片内部的数据采集单元。数据采集单元可以是一个专门的模块，负责收集、存储和处理来自传感器的数据。通过在不同温度下测量目标存储芯片的电阻值，可以建立温度与电阻之间的关系模型。这可以通过收集一系列不同温度下的电阻值数据并进行分析来实现。通过这些数据，可以得出电阻随温度变化的趋势，从而构建温度与电阻之间的数学模型。这个模型可以是线性的、非线性的，或者基于一些复杂的数学函数。例如，假设服务器有一个用于存储数据的闪存芯片，其性能在不同温度下会发生变化。为了优化其性能，服务器在芯片上预置了一个热敏电阻作为温度传感器。在芯片正常运行时，热敏电阻会根据温度的变化而产生不同的电阻值。例如，假设在20°C时，热敏电阻的电阻值为10kΩ，在40°C时，电阻值为8kΩ。通过在多个温度点下测量热敏电阻的电阻值，服务器得到一系列数据，如下所示：（20°C，10kΩ）（25°C，9.5kΩ）（30°C，9kΩ）（35°C，8.5kΩ）（40°C，8kΩ）。根据这些数据，服务器建立一个简化的温度与电阻关系模型，比如线性模型：电阻值 = a * 温度 + b。通过拟合数据，服务器得到模型的参数a和b，从而在芯片运行时根据热敏电阻的电阻值推算出当前的温度。通过实时获取热敏电阻的电阻值并应用模型，芯片可以在任何温度下估计其工作温度，从而为后续的电阻补偿和性能优化提供数据支持。
S102、根据工作温度数据和电阻值数据构建目标存储芯片对应的温度与电阻变化模型；
具体的，服务器从预置的温度传感器中获取工作温度数据的第一时间戳数据，同时从电阻测量系统中获取电阻值数据的第二时间戳数据。这些时间戳数据用于将工作温度数据和电阻值数据对齐，以确保它们在相同的时间点上，从而建立温度和电阻之间的关联。通过对齐时间戳数据，将工作温度数据中的多个工作温度与电阻值数据中的多个真实电阻值对应起来。这个步骤包括插值技术，以确保每个温度对应一个电阻值。将工作温度数据输入到预置的目标训练模型中。目标训练模型由两层长短时记忆网络（LSTM）和两层全连接层组成。LSTM用于从序列数据中提取特征，这里是工作温度序列。LSTM层的输出是目标特征向量，其中包含有关温度变化的重要信息。这些特征将传递到全连接层，以进行电阻值的预测。在全连接层中，使用目标特征向量进行电阻值的预测。模型将根据温度变化预测电阻值。将预测电阻值与每个工作温度对应的真实电阻值进行比较，以计算预测误差。使用预置的损失函数计算预测电阻值与真实电阻值之间的误差。采用反向传播算法对目标训练模型的参数进行调整，以最小化误差。这是一个多轮迭代过程，模型将逐步优化以更准确地预测电阻值。例如，假设服务器正在设计一款用于数据中心的存储芯片，这个芯片在不同温度下的电阻值变化影响其性能。服务器首先从温度传感器获得工作温度数据的时间戳，从电阻测量系统获取电阻值数据的时间戳。服务器对齐时间戳数据，确保工作温度和电阻值在相同的时间点上。将工作温度数据输入到目标训练模型中，其中LSTM层从工作温度序列中提取特征，全连接层进行电阻值预测。假设模型通过训练后，当工作温度分别为25°C、30°C和35°C时，预测的电阻值分别为105Ω、112Ω和118Ω。实际测量得到的真实电阻值分别为100Ω、110Ω和120Ω。服务器计算预测值与真实值之间的误差，然后使用反向传播算法调整模型参数，以减小误差。随着训练的进行，模型逐渐学习到存储芯片的温度与电阻之间的关系，并能够更准确地预测电阻值的变化。服务器获得了一个温度与电阻变化模型，可以用于实时电阻补偿，提高存储芯片的性能和可靠性。
S103、根据温度与电阻变化模型生成第一电阻补偿策略；
需要说明的是，对工作温度数据和电阻值数据进行曲线拟合。通过拟合，可以得到工作温度曲线和电阻值变化曲线，这些曲线将用于后续的特征提取和分析。从这些曲线中计算曲线的均值。工作温度曲线的均值表示整个工作温度范围内的平均温度，而电阻值变化曲线的均值则表示电阻值变化的平均情况。从工作温度曲线和电阻值变化曲线中提取特征值。这些特征值可以是曲线上的峰值、谷值、斜率等。特征提取有助于捕捉温度和电阻之间的重要关系。通过计算工作温度曲线均值，筛选出多个第一温度特征值。类似地，根据电阻值变化曲线均值，筛选出多个第一电阻特征值。这个步骤有助于减少特征的数量，保留最具代表性的特征。将这些筛选后的特征值进行向量转换，得到目标输入向量。这个向量将作为输入，传递给之前建立的温度与电阻变化模型。通过将目标输入向量输入模型，进行温度与电阻变化分析。模型将根据输入向量中的特征，分析温度和电阻之间的变化关系，从而确定补偿的方向和量。根据分析的结果，生成存储芯片的第一电阻补偿策略。这个策略包括了补偿的方向（增加或减少电阻）以及补偿的量。通过这个策略，存储芯片将能够在不同工作温度下进行电阻补偿，以保持稳定的性能。例如，假设服务器正在优化一款用于嵌入式设备的存储芯片。服务器已经从温度传感器获得了工作温度数据和电阻值数据。通过曲线拟合，服务器得到了工作温度曲线和电阻值变化曲线。假设工作温度曲线均值为35°C，电阻值变化曲线均值为950Ω。通过特征提取，服务器得到了多个第一温度特征值和第一电阻特征值。服务器将这些特征值转换为目标输入向量，输入到之前建立的温度与电阻变化模型中。模型分析后，得出补偿方向为增加电阻，补偿量为50Ω。根据这个分析结果，服务器生成了第一电阻补偿策略：在高温环境下，增加电阻值，使存储芯片能够在不同温度下保持更稳定的性能。
S104、获取目标存储芯片的实时温度数据并根据第一电阻补偿策略生成对应的电阻补偿信号；
具体的，服务器获取目标存储芯片的实时温度数据。这可以通过之前预置的温度传感器实现，这些传感器能够实时地监测芯片的温度。根据这些温度数据，服务器确定芯片当前的工作温度。根据实时温度数据，匹配对应的目标补偿模式。这个模式是预先设定的，用于指导电阻补偿的方向和量。例如，在高温环境下，需要降低电阻值来保持性能稳定。将目标补偿模式进行数值映射，得到第一目标数值。同时，对实时温度数据进行均值运算，得到第二目标数值。这些目标数值将用于生成补偿向量。将第一目标数值和第二目标数值构建成第一补偿向量。这个向量反映了目标补偿方向和补偿量。将第一电阻补偿策略中的目标补偿方向和目标补偿量进行向量转换，生成第二补偿向量。这个向量将用于电阻补偿参数的计算。对第一补偿向量和第二补偿向量进行向量匹配，生成对应的电阻补偿参数集合。这些参数将用于实际的电阻补偿控制。通过预置的电阻补偿系统，将电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号。这个信号将被送入存储芯片，实际调整芯片的电阻值，以实现电阻补偿。例如，假设服务器正在设计一款用于数据中心的存储芯片，需要在不同的温度下保持稳定的性能。服务器预先设定了目标补偿模式，其中高温环境需要降低电阻值。在实时监测的温度数据中，服务器得知芯片当前的工作温度为42°C。通过数值映射，将高温环境映射为降低电阻的方向和适当的补偿量。同时，实时温度数据的均值计算为40°C。根据这些数据，服务器构建了第一补偿向量，并进行了向量转换，得到第二补偿向量。通过向量匹配，服务器得到了电阻补偿参数集合，其中包括补偿方向和补偿量。通过电阻补偿系统的控制信号转换，服务器生成了电阻补偿信号。这个信号将被传递给存储芯片，实际上调整芯片的电阻值，以保持在高温环境下的性能稳定。
服务器通过预置的电阻补偿系统对电阻补偿参数集合和控制信号进行标定。这个标定过程建立了电阻补偿参数与控制信号之间的目标关系，以确保在补偿过程中能够准确地应用适当的控制信号。其次，标定过程将帮助服务器确定电阻补偿参数与控制信号之间的具体映射。这可以通过一系列实验或者校准步骤来实现，以便获得准确的目标标定关系。根据目标标定关系，将电阻补偿参数集合进行控制信号转换。这个过程将根据标定的关系，将每个电阻补偿参数映射为相应的控制信号数值。这些控制信号数值将用于调整芯片内部电路，实现相应的电阻补偿。根据转换后的控制信号数值，生成对应的电阻补偿信号。这个信号将被传输到存储芯片内部的电路，用于在实际工作中调整电阻值，以实现电阻补偿的目标。例如，假设服务器正在开发一款用于数据中心的存储芯片，需要根据不同温度下的工作情况进行电阻补偿。服务器已经获得了电阻补偿参数集合，其中包含了一系列参数，用于在不同温度下调整电阻值。服务器通过实验和校准，标定了电阻补偿参数与控制信号之间的关系。假设服务器发现在高温环境下，需要增加电阻值，而在低温环境下，需要减少电阻值。服务器的标定关系告诉服务器，对于每个需要补偿的温度范围，具体的控制信号数值是多少。根据标定关系，将电阻补偿参数集合进行控制信号转换。假设服务器在温度范围25°C至40°C内进行电阻补偿，对应的控制信号数值为0.8。对于温度范围40°C至55°C，控制信号数值为1.2。根据转换后的控制信号数值，生成对应的电阻补偿信号。在实际工作中，这个信号将被发送到芯片内部的电路，根据控制信号数值进行电阻值的调整，从而实现实时的电阻补偿。
S105、基于电阻补偿信号对目标存储芯片进行电阻补偿，并获取电阻补偿信号的电路延迟数据以及目标存储芯片的芯片能耗数据；
具体的，服务器已经获得了电阻补偿信号，这些信号通过预置的电阻补偿系统生成，用于调整存储芯片的电阻值以实现补偿。根据电阻补偿信号对目标存储芯片进行电阻补偿。这涉及将电阻补偿信号传递到存储芯片内部的电路，以调整电阻值。电路可以根据信号的大小和方向来调整电阻，以实现补偿的效果。补偿的目的是在不同温度下保持存储性能的稳定，或者在特定工作条件下最大程度地优化性能。获取电阻补偿信号的电路延迟数据。电路延迟是信号从输入到输出所经过的时间。在电路中，信号传播需要一定的时间，这会影响芯片的响应速度。通过测量电阻补偿信号在电路中的传播时间，服务器了解电阻补偿对芯片性能的影响。获取目标存储芯片的芯片能耗数据。芯片能耗是在特定工作条件下芯片所消耗的能量。通过在电阻补偿过程中监测芯片的能耗，服务器了解电阻补偿对芯片能源消耗的影响。这可以帮助服务器权衡性能优化和能源效率之间的关系。例如，假设服务器正在优化一款用于数据中心服务器的存储芯片。服务器已经获得了电阻补偿信号，经过预置的电阻补偿系统生成。根据之前的补偿策略，服务器在高温环境下增加电阻值，以维持性能稳定。服务器将电阻补偿信号输入芯片内部的电路，这个电路根据信号的指令进行电阻值的调整。同时，服务器测量电阻补偿信号在电路中的传播时间，得到电路延迟数据，发现这个延迟非常小，对芯片的性能影响较小。在补偿过程中，服务器同时监测芯片的能耗。通过比较在不同温度下进行电阻补偿前后的能耗情况，服务器发现电阻补偿并没有显著地增加芯片的能耗，这意味着能够在不影响能源效率的情况下实现性能优化。
S106、根据电路延迟数据和芯片能耗数据对第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
具体的，服务器已经有了第一电阻补偿策略，但在实际应用中，电路延迟和芯片能耗等因素会影响其效果。因此，服务器对第一电阻补偿策略进行参数优化，以生成更适合实际情况的第二电阻补偿策略。对电路延迟数据进行特征提取。电路延迟数据反映了电阻补偿过程对芯片响应时间的影响。通过分析延迟数据，服务器提取出关键的特征，例如平均延迟、最大延迟等，用于后续的优化过程。对芯片能耗数据进行特征提取。芯片能耗数据反映了电阻补偿对芯片能源消耗的影响。通过分析能耗数据，服务器提取出关键的特征，例如平均能耗、最大能耗等，作为优化的输入。根据电路延迟特征和芯片能耗特征，构建第一电阻补偿策略对应的多个候选电阻补偿策略。这些候选策略将在后续的优化过程中进行评估，以找到更优的补偿策略。通过预置的优化目标函数，计算每个候选电阻补偿策略的目标适应度。优化目标函数将综合考虑电路延迟和芯片能耗等因素，以确定每个策略的优劣程度。这个过程将帮助服务器定量评估不同策略的性能。根据目标适应度，对多个候选电阻补偿策略进行策略筛选，得到第二电阻补偿策略。筛选过程将选择具有最佳综合性能的补偿策略，以确保在实际应用中能够实现最佳的电阻补偿效果。例如，假设服务器正在优化一个用于高性能计算的存储芯片。服务器已经有了第一电阻补偿策略，但希望在考虑电路延迟和芯片能耗的情况下进行优化。通过分析电路延迟数据，服务器提取出平均延迟和最大延迟作为电路延迟特征。同时，通过分析芯片能耗数据，服务器提取出平均能耗和最大能耗作为芯片能耗特征。根据这些特征，服务器构建了多个候选电阻补偿策略，每个策略在电路延迟和能耗方面都有不同的影响。通过预置的优化目标函数，服务器计算了每个候选策略的目标适应度。根据目标适应度，服务器对多个候选策略进行策略筛选。假设在某个温度范围内，一个候选策略在延迟方面表现较好，而另一个候选策略在能耗方面表现更好。服务器将综合这些信息，选择出最优的电阻补偿策略，这将成为第二电阻补偿策略。
S107、对第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过目标电阻补偿策略计算目标存储芯片的性能优化指标。
具体的，服务器基于第二电阻补偿策略进行电阻补偿校准。这涉及使用第二电阻补偿策略对目标存储芯片进行电阻补偿，并记录实际的电阻调整情况。这些实际调整数据将被用作校准的基础。对第二电阻补偿策略和校准数据进行关联，并创建每个校准参数的标识。校准参数包括电阻调整量、调整方向等。通过标识不同的校准参数，服务器知道每个参数的作用。根据目标校准参数集合，对第二电阻补偿策略进行差异识别。差异参数是校准数据与第二电阻补偿策略之间的差异。通过分析校准数据与实际策略的差异，服务器识别出需要校准的参数。根据差异参数的标识，进行标识处理，得到每个差异参数的第二参数标识。这些标识将帮助服务器确定哪些参数需要在目标电阻补偿策略中进行替换。根据目标校准参数集合，对第二电阻补偿策略进行校准参数替换。将需要校准的参数从第二电阻补偿策略中替换为实际的校准参数，得到目标电阻补偿策略。这个策略将更加准确地反映实际的电阻补偿情况。基于预设的监控时长，通过目标电阻补偿策略对目标存储芯片进行性能监控。在监控过程中，服务器将记录存储芯片的性能指标，如延迟、能耗等。通过性能监控数据，计算目标存储芯片的性能优化指标。这些指标将根据实际的性能数据计算得出，帮助服务器评估电阻补偿策略对芯片性能的影响，以及校准过程的效果。例如，假设服务器正在优化一款用于云服务器的存储芯片。服务器已经有了第二电阻补偿策略，但在实际应用中，发现一些参数需要进行校准，以确保补偿的准确性。通过电路测试，服务器记录了电路在不同电阻调整下的延迟和能耗数据。通过分析这些数据，服务器确定了需要校准的参数，例如高温下的电阻增加量。服务器根据这些差异参数，对第二电阻补偿策略进行了校准参数替换。在一段预设的监控时长内，服务器应用了目标电阻补偿策略，同时记录了性能监控数据。通过计算性能监控数据，服务器得出性能优化指标，比如在不同工作温度下的性能变化。
本发明实施例中，采集目标存储芯片的工作温度数据和电阻值数据；根据工作温度数据和电阻值数据构建温度与电阻变化模型；根据温度与电阻变化模型生成第一电阻补偿策略；获取实时温度数据并根据第一电阻补偿策略生成电阻补偿信号；基于电阻补偿信号对目标存储芯片进行电阻补偿，并获取电路延迟数据以及目标存储芯片的芯片能耗数据；根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成第二电阻补偿策略；对第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过目标电阻补偿策略计算性能优化指标，本发明通过建立温度与电阻变化模型，能够更精确地预测在不同温度下的电阻值变化。这使得电阻补偿更准确，有助于降低由温度波动引起的性能损失。根据实时温度数据生成电阻补偿信号，使存储芯片能够自适应地根据工作温度调整电阻值，从而在不同温度条件下实现更优化的性能表现。通过根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成更优化的电阻补偿策略。这能够降低芯片在高温下产生的能耗过高的问题，从而提高能效。通过对存储芯片的电阻值进行补偿，可以减少因温度变化引起的读写稳定性问题。这有助于保持存储数据的可靠性和一致性。通过计算存储芯片在不同温度条件下的性能优化指标，采用机器学习技术，能够根据温度数据和电阻值数据生成电阻补偿信号，实现了智能化的温度适应。这种自动化和智能化的方法可以降低人工干预的需要，提高存储芯片的电阻补偿准确率。
在一具体实施例中，执行步骤S102的过程可以具体包括如下步骤：
（1）获取工作温度数据的第一时间戳数据，并获取电阻值数据的第二时间戳数据；
（2）根据第一时间戳数据和第二时间戳数据，对工作温度数据中的多工作温度和电阻值数据中的多个真实电阻值进行数据对齐，得到每个工作温度对应的真实电阻值；
（3）将工作温度数据输入预置的目标训练模型，其中，目标训练模型包括：两层长短时记忆网络以及两层全连接层；
（4）通过两层长短时记忆网络对工作温度数据进行特征提取，得到目标特征向量，并将目标特征向量输入两层全连接层进行下一个时刻的电阻值预测，得到预测电阻值；
（5）根据每个工作温度对应的真实电阻值，并通过预置的损失函数计算预测电阻值的误差值；
（6）采用反向传播算法，通过误差值对目标训练模型进行模型超参数多轮迭代优化，得到目标存储芯片对应的温度与电阻变化模型。
具体的，服务器获取工作温度数据的第一时间戳数据以及电阻值数据的第二时间戳数据。这些时间戳数据可以标识每次温度和电阻值的测量时刻，用于后续的数据对齐。其次，使用第一时间戳数据和第二时间戳数据，对工作温度数据和电阻值数据进行对齐。由于温度和电阻值的采样时刻不完全一致，需要通过插值或对齐算法，将不同时间戳下的温度和电阻值对齐到相同的时间点上，以便进行后续分析。将对齐后的工作温度数据输入预置的目标训练模型。这个目标训练模型可以是一种机器学习模型，比如长短时记忆网络（LSTM）结合全连接层，用于建立温度与电阻值之间的关系模型。通过LSTM对工作温度数据进行特征提取，得到目标特征向量。LSTM可以捕捉时间序列数据中的序列信息，将过去的温度数据作为输入，逐步构建特征向量，以便更好地预测未来的电阻值。将目标特征向量输入全连接层进行下一个时刻的电阻值预测，得到预测电阻值。全连接层将从LSTM中提取的特征映射到电阻值的预测值，这个预测值可以用于与实际电阻值进行比较。根据每个工作温度对应的真实电阻值，通过预置的损失函数计算预测电阻值的误差值。损失函数可以衡量预测值与实际值之间的差异，帮助优化模型的参数。采用反向传播算法，通过误差值对目标训练模型进行多轮迭代优化。反向传播将根据损失函数的误差，逐步调整模型的权重和参数，使模型能够更好地拟合实际的温度与电阻变化关系。通过多轮迭代优化，最终得到目标存储芯片对应的温度与电阻变化模型。这个模型可以用于预测在不同工作温度下的电阻值变化，从而实现电阻补偿的目标。例如，假设服务器正在开发一款智能手机中的存储芯片。通过温度传感器和电阻测量，服务器收集了温度和电阻值的时间序列数据。服务器使用时间戳数据将这些数据对齐，确保它们在相同的时间点上。服务器将对齐后的温度数据输入预置的LSTM模型。LSTM模型逐步提取特征，将过去的温度值转化为目标特征向量，并输入全连接层，预测未来的电阻值。根据实际电阻测量值，服务器计算预测电阻值的误差，然后使用反向传播算法对LSTM模型进行多轮优化。经过几轮迭代，服务器得到了一个能够更好地拟合温度与电阻变化关系的模型。这个模型可以用于预测在不同工作温度下的电阻值变化，从而为电阻补偿策略提供准确的基础。通过这个模型，服务器更精确地实现存储芯片的电阻补偿，提高性能和稳定性。
在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：
S201、对工作温度数据进行曲线拟合，得到工作温度曲线，并对电阻值数据进行曲线拟合，得到电阻值变化曲线；
S202、计算工作温度曲线的第一曲线均值，并计算电阻值变化曲线的第二曲线均值；
S203、获取工作温度曲线中的多个第一温度特征值，并提取电阻值变化曲线的多个第一电阻特征值；
S204、根据第一曲线均值对多个第一温度特征值进行特征筛选，得到多个第二温度特征值，并根据第二曲线均值对多个第一电阻特征值进行特征筛选，得到多个第二电阻特征值；
S205、对多个第二温度特征值和多个第二电阻特征值进行向量转换，得到目标输入向量；
S206、将目标输入向量输入温度与电阻变化模型进行温度与电阻变化分析，得到目标补偿方向和目标补偿量；
S207、根据目标补偿方向和目标补偿量，生成目标存储芯片的第一电阻补偿策略。
具体的，服务器对工作温度数据进行曲线拟合，得到工作温度曲线。可以使用合适的曲线拟合算法，如多项式拟合或样条插值，将离散的温度数据拟合成连续的曲线，以便后续分析。同时，对电阻值数据进行曲线拟合，得到电阻值变化曲线。同样地，将电阻值数据通过曲线拟合算法转化为连续的曲线，以便后续特征提取和分析。计算工作温度曲线的第一曲线均值。这涉及对工作温度曲线上的数据点进行均值计算，得到曲线的平均值，用于后续特征筛选。同时，计算电阻值变化曲线的第二曲线均值。同样地，对电阻值变化曲线上的数据点进行均值计算，得到电阻值变化曲线的平均值，用于后续特征筛选。获取工作温度曲线中的多个第一温度特征值。可以从工作温度曲线中提取多个具有代表性的温度特征值，如最大值、最小值、波动性等。同时，提取电阻值变化曲线的多个第一电阻特征值。从电阻值变化曲线中提取多个具有代表性的特征值，如变化幅度、趋势等。根据第一曲线均值，对多个第一温度特征值进行特征筛选，得到多个第二温度特征值。根据第二曲线均值，对多个第一电阻特征值进行特征筛选，得到多个第二电阻特征值。这些特征值在后续的向量转换中将起到关键作用。对多个第二温度特征值和多个第二电阻特征值进行向量转换，得到目标输入向量。将这些特征值组合成一个向量，作为输入数据传递给温度与电阻变化模型，用于分析和预测。将目标输入向量输入温度与电阻变化模型进行温度与电阻变化分析，得到目标补偿方向和目标补偿量。模型将根据输入的特征值预测在不同工作温度下的电阻值变化，从而确定应该如何调整电阻值以实现补偿。根据目标补偿方向和目标补偿量，生成目标存储芯片的第一电阻补偿策略。这个策略将包括具体的电阻调整方向和量，以及如何根据温度变化进行动态调整。例如，假设服务器正在优化一个用于数据中心的服务器存储芯片。服务器首先对工作温度数据进行多项式拟合，得到工作温度曲线；对电阻值数据进行样条插值，得到电阻值变化曲线。计算工作温度曲线的平均值和电阻值变化曲线的平均值，作为特征筛选的依据。从工作温度曲线中提取最大值和最小值作为第二温度特征值，从电阻值变化曲线中提取变化幅度作为第二电阻特征值。基于这些特征值，将它们转换为目标输入向量，输入温度与电阻变化模型。模型将预测在不同温度下电阻值的变化情况，进而得出应该进行的电阻补偿方向和量。服务器根据模型的预测结果生成了第一电阻补偿策略，该策略告诉服务器在不同温度下应该如何调整电阻值，以达到更好的性能和稳定性。
在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：
S301、通过温度传感器获取目标存储芯片的实时温度数据，并根据实时温度数据匹配对应的目标补偿模式；
S302、对目标补偿模式进行数值映射，得到第一目标数值，并对实时温度数据进行均值运算，得到第二目标数值；
S303、构建第一目标数值以及第二目标数值的第一补偿向量，并对第一电阻补偿策略中的目标补偿方向和目标补偿量进行向量转换，生成第二补偿向量；
S304、对第一补偿向量和第二补偿向量进行向量匹配，生成对应的电阻补偿参数集合；
S305、通过预置的电阻补偿系统对电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号。
具体的，服务器通过温度传感器获取目标存储芯片的实时温度数据。温度传感器可以监测芯片的温度变化，并将实时温度数据传递给系统。根据实时温度数据，匹配对应的目标补偿模式。在预先设定的范围内，将实时温度数据映射到目标补偿模式，以确定应该使用哪种补偿策略。对目标补偿模式进行数值映射，得到第一目标数值。将目标补偿模式映射为数字值，用于后续计算。同时，对实时温度数据进行均值运算，得到第二目标数值。可以将一段时间内的实时温度数据进行平均，以得到更稳定的数值。构建第一目标数值以及第二目标数值的第一补偿向量。将第一目标数值和第二目标数值组合成一个向量，作为第一补偿向量的一部分。对第一电阻补偿策略中的目标补偿方向和目标补偿量进行向量转换，生成第二补偿向量。将电阻补偿策略中的参数转化为向量形式，作为第二补偿向量的另一部分。对第一补偿向量和第二补偿向量进行向量匹配，生成对应的电阻补偿参数集合。将第一补偿向量和第二补偿向量合并，得到完整的电阻补偿参数集合。通过预置的电阻补偿系统对电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号。根据电阻补偿参数集合，系统生成适当的控制信号，用于调整芯片的电阻值，以实现补偿。例如，假设服务器正在开发一款用于汽车控制系统的存储芯片。通过温度传感器获取了芯片的实时温度数据。根据实时温度数据，服务器匹配了一个目标补偿模式，表示应该在目前的温度下采取哪种电阻补偿策略。假设该模式对应于“高温补偿”。服务器对目标补偿模式进行数值映射，得到第一目标数值，比如设定为1。同时，服务器对实时温度数据进行均值运算，得到第二目标数值，比如设定为35摄氏度。将第一目标数值和第二目标数值构建成第一补偿向量，然后将补偿策略中的目标补偿方向和量转换为向量，构建成第二补偿向量。合并这两个向量，得到完整的电阻补偿参数集合。通过预置的电阻补偿系统，将电阻补偿参数集合转换为控制信号，生成对应的电阻补偿信号。这个信号将指导系统如何调整电阻值，以适应当前的高温工作环境，确保芯片的性能和稳定性。
在一具体实施例中，如图4所示，执行步骤S305的过程可以具体包括如下步骤：
S401、通过预置的电阻补偿系统，对电阻补偿参数集合和控制信号进行标定，得到电阻补偿参数与控制信号之间的目标标定关系；
S402、根据目标标定关系，对电阻补偿参数集合进行控制信号转换，得到对应的控制信号数值；
S403、根据控制信号数值生成对应的电阻补偿信号。
具体的，服务器通过预置的电阻补偿系统，对电阻补偿参数集合和控制信号进行标定。将一系列预定义的电阻补偿参数与相应的控制信号配对，形成一个目标标定关系表。这个表将指导电阻补偿系统在不同情况下如何调整电阻值。根据目标标定关系，对电阻补偿参数集合进行控制信号转换。当电阻补偿参数集合发生变化时，电阻补偿系统将根据目标标定关系自动转换相应的控制信号。这确保了电阻补偿的准确性和可靠性。根据控制信号数值生成对应的电阻补偿信号。将控制信号转化为实际的电阻补偿信号，这将指导芯片电阻值的调整，以实现补偿效果。例如，假设服务器正在设计一款智能家居设备的存储芯片，该芯片需要根据环境温度调整电阻值以保持稳定的性能。预置的电阻补偿系统已经标定了一系列电阻补偿参数和相应的控制信号。当芯片的工作温度发生变化时，电阻补偿系统会根据预先标定的关系，自动选择适合的电阻补偿参数，并将相应的控制信号传递给芯片。例如，如果温度升高，电阻补偿系统可以根据标定关系选择一个高温补偿参数，并将相应的控制信号传递给芯片。这个控制信号可以是数字信号，模拟信号，或者其他类型的信号，取决于系统的设计。芯片接收到控制信号后，根据信号的含义调整电阻值，以达到预期的补偿效果。例如，如果控制信号表示应该增加电阻值，芯片会相应地增加电阻，以适应高温环境。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）对电路延迟数据进行特征提取，得到电路延迟特征，并对芯片能耗数据进行特征提取，得到芯片能耗特征；
（2）根据电路延迟特征和芯片能耗特征构建第一电阻补偿策略对应的多个候选电阻补偿策略；
（3）通过预置的优化目标函数，计算每个候选电阻补偿策略的目标适应度；
（4）根据目标适应度，对多个候选电阻补偿策略进行策略筛选，得到第二电阻补偿策略。
具体的，对电路延迟数据进行特征提取，得到电路延迟特征。从电路延迟数据中提取出有意义的特征，如平均延迟、最大延迟、延迟变化率等。对芯片能耗数据进行特征提取，得到芯片能耗特征。从芯片能耗数据中提取出有用的特征，如平均能耗、最大能耗、能耗变化率等。构建第一电阻补偿策略对应的多个候选电阻补偿策略。基于电路延迟特征和芯片能耗特征，生成多个的电阻补偿策略。这些策略可以涉及不同的电阻调整方向和幅度，以适应不同的性能和能耗需求。通过预置的优化目标函数，计算每个候选电阻补偿策略的目标适应度。优化目标函数应考虑电路延迟和芯片能耗之间的权衡关系，以及其他的性能指标。这可以是一个多目标优化问题，其中目标适应度将反映策略在不同方面的效果。根据目标适应度，对多个候选电阻补偿策略进行策略筛选。根据计算得到的目标适应度，选择表现最优的一些电阻补偿策略作为候选。例如，假设服务器正在设计一款嵌入式系统，需要在考虑电路延迟和芯片能耗的情况下优化电阻补偿策略。从实验中收集电路延迟数据和芯片能耗数据。针对电路延迟数据，服务器提取了平均延迟和最大延迟作为特征。对于芯片能耗数据，服务器提取了平均能耗和能耗变化率作为特征。服务器构建了一组候选电阻补偿策略，每个策略包括不同的电阻调整方向和幅度。例如，服务器考虑增加电阻以降低能耗，但会增加延迟；或者降低电阻以提高性能，但会增加能耗。服务器定义了一个优化目标函数，考虑了电路延迟和芯片能耗之间的平衡。对每个候选策略计算目标适应度。根据计算得到的目标适应度，服务器选择表现最优的一些电阻补偿策略作为候选。这些策略将在电路设计中被采用，以平衡性能和能耗的需求。
在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：
（1）基于第二电阻补偿策略对目标存储芯片进行电阻补偿校准，得到目标校准参数集合；
（2）对第二电阻补偿策略和目标校准参数集合进行关联，并创建目标校准参数集合中每个校准参数的第一参数标识；
（3）根据目标校准参数集合对第二电阻补偿策略进行差异识别，得到第二电阻补偿策略中的多个差异参数，并对多个差异参数进行标识处理，得到第二电阻补偿策略中每个差异参数的第二参数标识；
（4）根据第一参数标识和第二参数标识，通过目标校准参数集合对第二电阻补偿策略进行校准参数替换，得到目标电阻补偿策略；
（5）基于预设的监控时长，并通过目标电阻补偿策略对目标存储芯片进行性能监控，得到性能监控数据，并根据性能监控数据计算目标存储芯片的性能优化指标。
具体的，基于第二电阻补偿策略对目标存储芯片进行电阻补偿校准，得到目标校准参数集合。将第二电阻补偿策略应用于实际芯片中，测量芯片在各种条件下的性能和能耗数据。通过实际测试，得到不同情况下的电路延迟、芯片能耗和电阻补偿参数之间的关系。对第二电阻补偿策略和目标校准参数集合进行关联，并创建目标校准参数集合中每个校准参数的第一参数标识。将目标校准参数与第二电阻补偿策略中的各个电阻补偿参数关联起来。为每个校准参数创建一个唯一的标识，以便后续的差异识别和校准过程中的标识处理。根据目标校准参数集合对第二电阻补偿策略进行差异识别，得到第二电阻补偿策略中的多个差异参数，并对多个差异参数进行标识处理。通过分析目标校准参数与实际测试数据之间的差异，识别第二电阻补偿策略中的各个参数的变化情况。为每个差异参数创建一个第二参数标识，以便后续的校准参数替换。根据第一参数标识和第二参数标识，通过目标校准参数集合对第二电阻补偿策略进行校准参数替换，得到目标电阻补偿策略。根据第一参数标识和第二参数标识，将第二电阻补偿策略中的相应参数替换为目标校准参数集合中的校准参数，以获得最终的目标电阻补偿策略。基于预设的监控时长，并通过目标电阻补偿策略对目标存储芯片进行性能监控，得到性能监控数据。在实际操作中，通过一段预设的监控时长对芯片进行测试，记录不同情况下的性能和能耗数据，包括电路延迟和芯片能耗。根据性能监控数据计算目标存储芯片的性能优化指标。通过对性能监控数据的分析和处理，计算出目标存储芯片在不同情况下的性能优化指标，例如性能与能耗的权衡程度、性能的稳定性等。例如，假设服务器正在设计一个移动设备的存储芯片，需要在不同工作场景下进行电阻补偿以平衡性能和能耗。服务器根据第二电阻补偿策略对芯片进行实际测试，得到了电路延迟和芯片能耗的实际数据。服务器将实际数据与目标校准参数集合进行关联，识别出电阻补偿参数的差异，例如增加或减小电阻值。通过差异识别，服务器得到了一组差异参数，并为每个差异参数创建了相应的标识。根据目标校准参数集合，服务器将差异参数应用于第二电阻补偿策略，得到了目标电阻补偿策略。服务器通过一段预设的监控时长对芯片进行性能监控，记录了不同情况下的性能数据和能耗数据。通过分析性能监控数据，服务器计算出性能优化指标，例如性能与能耗的平衡度。这些指标将帮助服务器评估目标存储芯片在不同工作条件下的性能表现，以及校准后的电阻补偿策略的效果。
上面对本发明实施例中存储芯片的电阻补偿方法进行了描述，下面对本发明实施例中存储芯片的电阻补偿装置进行描述，请参阅图5，本发明实施例中存储芯片的电阻补偿装置一个实施例包括：
获取模块501，用于通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取所述目标存储芯片在不同工作温度下的电阻值数据；
构建模块502，用于根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型；
生成模块503，用于根据所述温度与电阻变化模型生成第一电阻补偿策略；
处理模块504，用于获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号；
补偿模块505，用于基于所述电阻补偿信号对所述目标存储芯片进行电阻补偿，并获取所述电阻补偿信号的电路延迟数据以及所述目标存储芯片的芯片能耗数据；
优化模块506，用于根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
校准模块507，用于对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标。
通过上述各个组成部分的协同合作，采集目标存储芯片的工作温度数据和电阻值数据；根据工作温度数据和电阻值数据构建温度与电阻变化模型；根据温度与电阻变化模型生成第一电阻补偿策略；获取实时温度数据并根据第一电阻补偿策略生成电阻补偿信号；基于电阻补偿信号对目标存储芯片进行电阻补偿，并获取电路延迟数据以及目标存储芯片的芯片能耗数据；根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成第二电阻补偿策略；对第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过目标电阻补偿策略计算性能优化指标，本发明通过建立温度与电阻变化模型，能够更精确地预测在不同温度下的电阻值变化。这使得电阻补偿更准确，有助于降低由温度波动引起的性能损失。根据实时温度数据生成电阻补偿信号，使存储芯片能够自适应地根据工作温度调整电阻值，从而在不同温度条件下实现更优化的性能表现。通过根据电路延迟数据和芯片能耗数据进行补偿参数优化，生成更优化的电阻补偿策略。这能够降低芯片在高温下产生的能耗过高的问题，从而提高能效。通过对存储芯片的电阻值进行补偿，可以减少因温度变化引起的读写稳定性问题。这有助于保持存储数据的可靠性和一致性。通过计算存储芯片在不同温度条件下的性能优化指标，采用机器学习技术，能够根据温度数据和电阻值数据生成电阻补偿信号，实现了智能化的温度适应。这种自动化和智能化的方法可以降低人工干预的需要，提高存储芯片的电阻补偿准确率。
图5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电阻补偿装置进行详细描述，下面从硬件处理的角度对本发明实施例中存储芯片的电阻补偿设备进行详细描述。
图6是本发明实施例提供的一种存储芯片的电阻补偿设备的结构示意图，该存储芯片的电阻补偿设备600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610（central processing units，CPU）（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630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电阻补偿设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在存储芯片的电阻补偿设备600上执行存储介质630中的一系列指令操作。
存储芯片的电阻补偿设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的存储芯片的电阻补偿设备结构并不构成对存储芯片的电阻补偿设备的限定，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电阻补偿设备，所述存储芯片的电阻补偿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电阻补偿方法的步骤。
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电阻补偿方法的步骤。
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)

1.一种存储芯片的电阻补偿方法，其特征在于，所述存储芯片的电阻补偿方法包括：
通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取所述目标存储芯片在不同工作温度下的电阻值数据；
根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型；
根据所述温度与电阻变化模型生成第一电阻补偿策略；
获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号；
基于所述电阻补偿信号对所述目标存储芯片进行电阻补偿，并获取所述电阻补偿信号的电路延迟数据以及所述目标存储芯片的芯片能耗数据；
根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标。
2.根据权利要求1所述的存储芯片的电阻补偿方法，其特征在于，所述根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型，包括：
获取所述工作温度数据的第一时间戳数据，并获取所述电阻值数据的第二时间戳数据；
根据所述第一时间戳数据和所述第二时间戳数据，对所述工作温度数据中的多工作温度和所述电阻值数据中的多个真实电阻值进行数据对齐，得到每个工作温度对应的真实电阻值；
将所述工作温度数据输入预置的目标训练模型，其中，所述目标训练模型包括：两层长短时记忆网络以及两层全连接层；
通过所述两层长短时记忆网络对所述工作温度数据进行特征提取，得到目标特征向量，并将所述目标特征向量输入所述两层全连接层进行下一个时刻的电阻值预测，得到预测电阻值；
根据每个工作温度对应的真实电阻值，并通过预置的损失函数计算所述预测电阻值的误差值；
采用反向传播算法，通过所述误差值对所述目标训练模型进行模型超参数多轮迭代优化，得到所述目标存储芯片对应的温度与电阻变化模型。
3.根据权利要求1所述的存储芯片的电阻补偿方法，其特征在于，所述根据所述温度与电阻变化模型生成第一电阻补偿策略，包括：
对所述工作温度数据进行曲线拟合，得到工作温度曲线，并对所述电阻值数据进行曲线拟合，得到电阻值变化曲线；
计算所述工作温度曲线的第一曲线均值，并计算所述电阻值变化曲线的第二曲线均值；
获取所述工作温度曲线中的多个第一温度特征值，并提取所述电阻值变化曲线的多个第一电阻特征值；
根据所述第一曲线均值对所述多个第一温度特征值进行特征筛选，得到多个第二温度特征值，并根据所述第二曲线均值对所述多个第一电阻特征值进行特征筛选，得到多个第二电阻特征值；
对所述多个第二温度特征值和所述多个第二电阻特征值进行向量转换，得到目标输入向量；
将所述目标输入向量输入所述温度与电阻变化模型进行温度与电阻变化分析，得到目标补偿方向和目标补偿量；
根据所述目标补偿方向和所述目标补偿量，生成所述目标存储芯片的第一电阻补偿策略。
4.根据权利要求1所述的存储芯片的电阻补偿方法，其特征在于，所述获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号，包括：
通过所述温度传感器获取所述目标存储芯片的实时温度数据，并根据所述实时温度数据匹配对应的目标补偿模式；
对所述目标补偿模式进行数值映射，得到第一目标数值，并对所述实时温度数据进行均值运算，得到第二目标数值；
构建所述第一目标数值以及所述第二目标数值的第一补偿向量，并对所述第一电阻补偿策略中的目标补偿方向和目标补偿量进行向量转换，生成第二补偿向量；
对所述第一补偿向量和所述第二补偿向量进行向量匹配，生成对应的电阻补偿参数集合；
通过预置的电阻补偿系统对所述电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号。
5.根据权利要求4所述的存储芯片的电阻补偿方法，其特征在于，所述通过预置的电阻补偿系统对所述电阻补偿参数集合进行控制信号转换，生成对应的电阻补偿信号，包括：
通过预置的电阻补偿系统，对所述电阻补偿参数集合和控制信号进行标定，得到电阻补偿参数与控制信号之间的目标标定关系；
根据所述目标标定关系，对所述电阻补偿参数集合进行控制信号转换，得到对应的控制信号数值；
根据所述控制信号数值生成对应的电阻补偿信号。
6.根据权利要求5所述的存储芯片的电阻补偿方法，其特征在于，所述根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略，包括：
对所述电路延迟数据进行特征提取，得到电路延迟特征，并对所述芯片能耗数据进行特征提取，得到芯片能耗特征；
根据所述电路延迟特征和所述芯片能耗特征构建所述第一电阻补偿策略对应的多个候选电阻补偿策略；
通过预置的优化目标函数，计算每个候选电阻补偿策略的目标适应度；
根据所述目标适应度，对所述多个候选电阻补偿策略进行策略筛选，得到第二电阻补偿策略。
7.根据权利要求6所述的存储芯片的电阻补偿方法，其特征在于，所述对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标，包括：
基于所述第二电阻补偿策略对所述目标存储芯片进行电阻补偿校准，得到目标校准参数集合；
对所述第二电阻补偿策略和所述目标校准参数集合进行关联，并创建所述目标校准参数集合中每个校准参数的第一参数标识；
根据所述目标校准参数集合对所述第二电阻补偿策略进行差异识别，得到所述第二电阻补偿策略中的多个差异参数，并对所述多个差异参数进行标识处理，得到所述第二电阻补偿策略中每个差异参数的第二参数标识；
根据所述第一参数标识和所述第二参数标识，通过所述目标校准参数集合对所述第二电阻补偿策略进行校准参数替换，得到目标电阻补偿策略；
基于预设的监控时长，并通过所述目标电阻补偿策略对所述目标存储芯片进行性能监控，得到性能监控数据，并根据所述性能监控数据计算所述目标存储芯片的性能优化指标。
8.一种存储芯片的电阻补偿装置，其特征在于，所述存储芯片的电阻补偿装置包括：
获取模块，用于通过预置的温度传感器采集目标存储芯片的工作温度数据，并获取所述目标存储芯片在不同工作温度下的电阻值数据；
构建模块，用于根据所述工作温度数据和所述电阻值数据构建所述目标存储芯片对应的温度与电阻变化模型；
生成模块，用于根据所述温度与电阻变化模型生成第一电阻补偿策略；
处理模块，用于获取所述目标存储芯片的实时温度数据并根据所述第一电阻补偿策略生成对应的电阻补偿信号；
补偿模块，用于基于所述电阻补偿信号对所述目标存储芯片进行电阻补偿，并获取所述电阻补偿信号的电路延迟数据以及所述目标存储芯片的芯片能耗数据；
优化模块，用于根据所述电路延迟数据和所述芯片能耗数据对所述第一电阻补偿策略进行补偿参数优化，生成第二电阻补偿策略；
校准模块，用于对所述第二电阻补偿策略进行电阻补偿校准，得到目标电阻补偿策略，并通过所述目标电阻补偿策略计算所述目标存储芯片的性能优化指标。
9.一种存储芯片的电阻补偿设备，其特征在于，所述存储芯片的电阻补偿设备包括：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电阻补偿设备执行如权利要求1-7中任一项所述的存储芯片的电阻补偿方法。
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电阻补偿方法。
CN202311126615.4A 2023-09-04 2023-09-04 存储芯片的电阻补偿方法、装置、设备及存储介质 Active CN116882301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311126615.4A CN116882301B (zh) 2023-09-04 2023-09-04 存储芯片的电阻补偿方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311126615.4A CN116882301B (zh) 2023-09-04 2023-09-04 存储芯片的电阻补偿方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116882301A true CN116882301A (zh) 2023-10-13
CN116882301B CN116882301B (zh) 2023-11-17

Family

ID=88264729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311126615.4A Active CN116882301B (zh) 2023-09-04 2023-09-04 存储芯片的电阻补偿方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116882301B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117639452A (zh) * 2024-01-23 2024-03-01 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865666A (zh) * 2019-12-09 2020-03-06 Oppo广东移动通信有限公司 温度控制方法、装置、存储介质及电子设备
CN112596569A (zh) * 2020-12-17 2021-04-02 江苏科大亨芯半导体技术有限公司 光电集成芯片内部电阻校准电路及方法
WO2022011954A1 (zh) * 2020-07-17 2022-01-20 长鑫存储技术有限公司 半导体装置
CN115826645A (zh) * 2023-02-16 2023-03-21 北京新科以仁科技发展有限公司 一种激光器的温度控制方法、装置、设备及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110865666A (zh) * 2019-12-09 2020-03-06 Oppo广东移动通信有限公司 温度控制方法、装置、存储介质及电子设备
WO2022011954A1 (zh) * 2020-07-17 2022-01-20 长鑫存储技术有限公司 半导体装置
CN112596569A (zh) * 2020-12-17 2021-04-02 江苏科大亨芯半导体技术有限公司 光电集成芯片内部电阻校准电路及方法
CN115826645A (zh) * 2023-02-16 2023-03-21 北京新科以仁科技发展有限公司 一种激光器的温度控制方法、装置、设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN117639452A (zh) * 2024-01-23 2024-03-01 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质
CN117639452B (zh) * 2024-01-23 2024-04-23 深圳市科沃电气技术有限公司 逆变器的电压补偿方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116882301B (zh) 2023-11-17

Similar Documents

Publication Publication Date Title
CN116882301B (zh) 存储芯片的电阻补偿方法、装置、设备及存储介质
CN111157897B (zh) 评估动力电池的方法、装置、存储介质及处理器
KR102574084B1 (ko) 배터리 관리 장치 및 방법
KR102646875B1 (ko) 모의전지 구축 방법 및 모의전지 구축 장치
KR20200023672A (ko) 딥러닝을 이용한 전지 진단 방법
CN105866504B (zh) 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法
KR102648764B1 (ko) 전지 성능 평가 방법 및 전지 성능 평가 장치
TWI831145B (zh) 電池狀態判定方法及電池狀態判定裝置
JP2023525240A (ja) 電池の容量測定装置及び方法、並びに該装置を含む電池制御システム
CN115657754B (zh) 一种提高变频加热温度控制精度的方法及系统
CN114729967A (zh) 用于估计储能器的状态的方法
CN116678489B (zh) 力传感器的质量控制方法、系统、设备及介质
CN204030697U (zh) 基于动态soc估算系统的电池管理系统
JP2023016707A5 (zh)
CN116975567B (zh) 服务器辐射抗干扰度测试方法、系统、设备及存储介质
JP2023515529A (ja) インピーダンス決定によってバッテリシステムを監視するための方法及びバッテリ管理システム
CN116576987A (zh) 一种基于变频阻抗测量预测电池内部温度的方法
KR102552682B1 (ko) 배터리 계측정보 교정방법 및 그 장치
CN106817328B (zh) 数字预失真表生成方法及装置
CN112329258A (zh) 试验箱部件老化判断方法、装置、电子设备和存储介质
CN110824293A (zh) 一种基于狼群算法的多特征融合参数的电网故障诊断方法
CN117289168B (zh) 基于传感器数据和智能算法的产品质量监测系统
CN117294824B (zh) 激光投影光机的图像优化方法、装置、设备及存储介质
TWI806304B (zh) 用於估計電池健康狀況的設備及方法
Chen et al. Estimation of fractional SOC for lithium batteries based on OCV hysteretic characteristics

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