CN117809729A - 一种存储设备寿命预测方法、装置、设备和存储介质 - Google Patents
一种存储设备寿命预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117809729A CN117809729A CN202410226050.5A CN202410226050A CN117809729A CN 117809729 A CN117809729 A CN 117809729A CN 202410226050 A CN202410226050 A CN 202410226050A CN 117809729 A CN117809729 A CN 117809729A
- Authority
- CN
- China
- Prior art keywords
- storage device
- state
- current
- cloud model
- degradation degree
- 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
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000015556 catabolic process Effects 0.000 claims abstract description 91
- 238000006731 degradation reaction Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 74
- 230000015654 memory Effects 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 8
- 238000010561 standard procedure Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
- G11C2029/5006—Current
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种存储设备寿命预测方法、装置、设备和存储介质,涉及设备寿命预测技术领域。方法包括:获取样本存储设备运行过程中的样本多维特征参数;针对存储设备不同的特征参数定义不同的相对劣化度计算策略;根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;根据所述相对劣化度建立存储设备运行状态评估体系;根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;获取当前存储设备运行过程中的实时多维特征参数;根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。本申请能够对闪存介质存储设备基于多维度进行寿命预测以提高寿命预测准确性。
Description
技术领域
本申请涉及设备寿命预测技术领域,特别是涉及一种存储设备寿命预测方法、装置、设备和存储介质。
背景技术
随着人工智能、大数据的快速发展,以快闪存储器为存储介质的存储设备如固态硬盘设备快速发展。相对于传统机械硬盘设备,虽然闪存介质存储设备具有速度快等优点,但是闪存介质具有闪存寿命限制,闪存介质随着擦除/编程次数的增加,导致闪存的存储单元产生缺陷并最终失效,从而导致数据丢失,这对于用户来说是不可接受的,因此用户在使用过程中通过某种方法预测闪存介质寿命,提前在闪存介质失效之前进行更换变得迫切且必要。
传统的闪存介质存储设备在使用过程中的寿命预测方法较为简单:基于一段时间内的磨损度变化计算平均值作为寿命预测,此种方法误差较大,可信度低。
发明内容
基于此,有必要针对上述背景技术中提到的至少一个技术问题,提供一种存储设备寿命预测方法、装置、设备和存储介质,能够实现对闪存介质存储设备基于多维度进行寿命预测以提高寿命预测准确性。
本申请实施例提供的具体技术方案如下:第一方面,提供一种存储设备寿命预测方法,包括:获取样本存储设备运行过程中的样本多维特征参数;针对存储设备不同的特征参数定义不同的相对劣化度计算策略;根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;根据所述相对劣化度建立存储设备运行状态评估体系;根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;获取当前存储设备运行过程中的实时多维特征参数;根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
进一步的,所述相对劣化度计算策略包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。
进一步的,所述越小越优型计算策略采用如下公式进行计算:,
其中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储设备当前特征参
数状态良好值,为第i时刻存储设备当前特征参数运行允许最大值,为第i时刻存储
设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述越大越优型计算策略采用如下公式进行计算:,其
中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储设备当前特征参数
状态良好值,为第i时刻存储设备当前特征参数运行允许最小值,为第i时刻存储设
备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述极小越优型计算策略采用如下公式进行计算:,其中,为第i时刻存储设备当前特征参数实际运行值,为第
i时刻存储设备当前特征参数状态良好值,为第i时刻存储设备当前特征参数运行允
许最小值,为第i时刻存储设备当前特征参数运行允许最大值,为第i时刻存储设备
当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述多维特征参数包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。
进一步的,所述根据所述相对劣化度建立存储设备运行状态评估体系,包括:
定义存储设备运行状态等级区间,所述存储设备运行状态等级区间包括第一状态等级区间、第二状态等级区间、第三状态等级区间以及第四状态等级区间中的至少两种;
根据所述相对劣化度匹配对应所述存储设备运行状态等级区间;其中,所述第一状态等级区间用于描述存储设备运行状态为良好状态,所述第二状态等级区间用于描述存储设备运行状态为注意状态,所述第三状态等级区间用于描述存储设备运行状态为异常状态,所述第四状态等级区间用于描述存储设备运行状态为失效状态。
进一步的,所述根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型,包括:根据所述相对劣化度以及对应的所述存储设备运行状态等级区间确定云模型的数字特征值;根据确定的所述云模型的数字特征值生成云模型的隶属度函数,建立云模型。
进一步的,所述根据确定的所述云模型的数字特征值生成云模型的隶属度函数,
建立云模型,包括:生成以熵为期望,超熵平方为标准方法的正态随机数,其中;生成以期望为期望,为标准方法的正态随机数,;通过下式进行计算生成的云滴:;重复生成多个云滴,直至云模型生成完毕;其中,表
示生成正态分布随机数的函数。
进一步的,所述根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命,包括:根据所述实时多维特征参数计算得到对应实时相对劣化度;根据所述实时相对劣化度以及所述云模型,计算得到当前存储设备的初始化状态概率分布向量。
进一步的,通过马尔科夫链根据所述初始化状态概率分布向量计算得到状态转移矩阵;根据所述状态转移矩阵预测第一预设时间后的状态概率分布,并根据所述第一预设时间后的状态概率分布判断是否达到寿命极限,重复计算直至达到寿命极限,输出当前存储设备的预测寿命。
进一步的,所述根据所述实时相对劣化度以及所述云模型,计算得到当前存储设
备的初始化状态概率分布向量,包括:取相交云滴的隶属度概率平均值作为第i个测量点第
j个状态等级的概率值,定义向量,定义编程次数为,擦写次数为,工作电流为,工
作温度为,工作湿度为,工作电压为,通过如下公式计算第i个测量点的隶属度向
量:;其中,分别对应编程次
数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的权重,取:,;计算第二预设时间与第三预设时间之间N个测量点的隶属度向量,并
根据公式:进行归一化处理,得到作为所述第二预设时间初始化状态概率分布
向量;分别对应编程次数、擦写次数、工作电
流、工作温度、工作湿度以及工作电压的初始状态概率。
第二方面,提供一种存储设备寿命预测装置,所述装置包括:样本获取模块,用于获取样本存储设备运行过程中的样本多维特征参数;运行状态评估模块,用于针对存储设备不同的特征参数定义不同的相对劣化度计算策略;还用于根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;还用于根据所述相对劣化度建立存储设备运行状态评估体系;云模型模块,用于根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;实时参数获取模块,用于获取当前存储设备运行过程中的实时多维特征参数;寿命预测模块,用于根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
第三方面,提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取样本存储设备运行过程中的样本多维特征参数;针对存储设备不同的特征参数定义不同的相对劣化度计算策略;根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;根据所述相对劣化度建立存储设备运行状态评估体系;根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;获取当前存储设备运行过程中的实时多维特征参数;根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取样本存储设备运行过程中的样本多维特征参数;针对存储设备不同的特征参数定义不同的相对劣化度计算策略;根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;根据所述相对劣化度建立存储设备运行状态评估体系;根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;获取当前存储设备运行过程中的实时多维特征参数;根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
本申请实施例具有如下有益效果:本申请实施例提供的一种存储设备寿命预测方法、装置、设备和存储介质,能够针对存储设备原有一维线性预测寿命进行改进,综合考虑了存储设备的多维特征参数,丰富了输入参数维度,提高存储设备寿命预测的准确性;针对存储设备寿命影响因素较多,且准备进行建模较为困难,采用云模型进行不确定性信息表达和处理,可以有效对多维影响因素进行处理。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出本申请实施例提供的存储设备寿命预测方法的总流程图;
图2示出根据本申请一个实施例的存储设备寿命预测方法的具体流程图;
图3示出本申请实施例提供的存储设备寿命预测装置的结构示意图;
图4示出可被用于实施本申请中所述的各个实施例的示例性系统。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
还应当理解,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。
实施例一
本申请提供了一种存储设备寿命预测方法,参照图1,包括:S1、获取样本存储设备运行过程中的样本多维特征参数;S2、针对存储设备不同的特征参数定义不同的相对劣化度计算策略;S3、根据当前多维特征参数中每种特征参数匹配对应的相对劣化度计算策略进行计算,得到对应的相对劣化度;S4、根据相对劣化度建立存储设备运行状态评估体系;S5、根据存储设备运行状态评估体系建立云模型,并部署云模型;S6、获取当前存储设备运行过程中的实时多维特征参数;S7、根据实时多维特征参数以及云模型,输出当前存储设备的预测寿命。
具体的,首先从样本存储设备运行过程中获取到样本多维特征参数,其中多维特征参数包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。样本存储设备的样本多维特征参数数据量较大,可靠程度较高,可以按比例作为训练集、验证集对云模型进行训练,待云模型训练好后,部署训练好后的云模型。通过定义存储设备对于多维特征参数的相对劣化度,并结合相对劣化度建立存储设备运行状态评估体系,以找到相对劣化度与存储设备运行状态的匹配关系,从而确定当前多维特征参数对于存储设备运行状态的影响程度,进行训练,得到训练好后的云模型。在云模型部署后,即可实时获取当前存储设备的实时多维特征参数,并预测当前存储设备的寿命,直至寿命终止,输出寿命。通过采用这样的技术手段,能够针对存储设备原有一维线性预测寿命进行改进,综合考虑了存储设备的多维特征参数,丰富了输入参数维度,提高存储设备寿命预测的准确性;针对存储设备寿命影响因素较多,且准备进行建模较为困难,采用云模型进行不确定性信息表达和处理,可以有效对多维影响因素进行处理。
下面将结合附图2对本实施例进行进一步的说明:具体的,由于存储设备影响因素较多,多维特征参数种类较多,例如,多维特征参数可以包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。多维特征参数还可以包括用户使用满意度、用户使用时长等维度。针对存储设备不同的特征参数需要定义不同的相对劣化度计算策略,以适应不同的维度指标。示例性的,可以预先对存储设备每种特征参数分别建立对于相对劣化度计算策略的映射,并存储为配置文件,从而便于进行后续参数识别以及响应匹配计算。另外,还可以结合机器学习实现近似或类似的维度特征参数对于同样的相对劣化度计算策略的自适应匹配,操作人员可以对于匹配不准确的维度特征参数进行重新匹配,机器学习操作人员的匹配校准行为以矫正自适应匹配偏好,提升匹配效率。通过采用这样的技术方案,能够针对存储设备不同的特征参数定义不同的相对劣化度计算策略,以适应不同的维度指标,提升存储设备寿命预测场景的灵活性,增加了寿命预测评估维度指标,还可以进一步提升存储设备寿命预测的准确性。
在一些实施方式中,相对劣化度计算策略包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。
具体的,相对劣化度计算策略可以包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。针对存储设备不同的特征参数需要定义不同的相对劣化度计算策略,以适应不同的维度指标。示例性的,对于编程次数以及擦除次数特征指标而言,一般采用越小越优型计算策略;对于工作电流、工作温度、工作湿度以及工作电压特征指标而言,一般采用极小越优型计算策略;对于上述用户使用满意度、用户使用时长等维度,一般采用越大越优型计算策略。可以结合机器学习实现近似或类似的维度特征参数对于同样的相对劣化度计算策略的自适应匹配,操作人员可以对于匹配不准确的维度特征参数进行重新匹配,机器学习操作人员的匹配校准行为以矫正自适应匹配偏好,提升匹配效率和计算效率。通过采用这样的技术方案,能够针对存储设备不同的特征参数定义不同的相对劣化度计算策略,以适应不同的维度指标,提升存储设备寿命预测场景的灵活性,用户可以根据自身使用或测试需求配置不同的维度特征,适配不同的相对劣化度计算策略,可以覆盖更多的存储设备寿命预测场景,提升寿命预测的准确性以及特征维度丰富性。
在一些实施方式中,越小越优型计算策略采用如下公式进行计算:。
其中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储设备当
前特征参数状态良好值,为第i时刻存储设备当前特征参数运行允许最大值,为第i
时刻存储设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的
权重。
在一些实施方式中,越大越优型计算策略采用如下公式进行计算:,其中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储
设备当前特征参数状态良好值,为第i时刻存储设备当前特征参数运行允许最小值,为第i时刻存储设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储
设备的权重。
在一些实施方式中,极小越优型计算策略采用如下公式进行计算:,其中,为第i时刻存储设备当前特征参数实际运行值,为第
i时刻存储设备当前特征参数状态良好值,为第i时刻存储设备当前特征参数运行允
许最小值,为第i时刻存储设备当前特征参数运行允许最大值,为第i时刻存储设备
当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
具体的,相对劣化度用来表示数据指标偏离正确值的程度,其范围为[0,1]之
间。根据特征参数特点,分为越小越优型、越大越优型以及极小越优型。通过采用上述公式
进行计算,针对存储设备不同的特征参数匹配不同的相对劣化度计算策略,以适应不同的
维度指标,提升存储设备寿命预测场景的灵活性,用户可以根据自身使用或测试需求配置
不同的维度特征,适配不同的相对劣化度计算公式,满足用户的需求,提升用户的体验。
在一些实施方式中,S4还包括:S41、定义存储设备运行状态等级区间,存储设备运行状态等级区间包括第一状态等级区间、第二状态等级区间、第三状态等级区间以及第四状态等级区间中的至少两种;S42、根据相对劣化度匹配对应存储设备运行状态等级区间。
其中,第一状态等级区间用于描述存储设备运行状态为良好状态,第二状态等级区间用于描述存储设备运行状态为注意状态,第三状态等级区间用于描述存储设备运行状态为异常状态,第四状态等级区间用于描述存储设备运行状态为失效状态。
具体的,存储设备运行状态等级可以分为四个等级,包括良好状态、注意状态、异
常状态以及失效状态,分别对应第一状态等级区间、第二状态等级区间、第三状态等级区间
以及第四状态等级区间,分别可以定义为。示例
性的,可以取=0.2,b=0.5,c=0.8,d=1,其中,0和为第一状态等级区间的区间端点,和b
为第二状态等级区间的区间端点,b和c为第三状态等级区间的区间端点,c和d为第四状态
等级区间的区间端点,参照如下表1。
表1 存储设备运行状态等级与相对劣化度关系对应表
在一些实施方式中,S5包括:
S51、根据相对劣化度以及对应的存储设备运行状态等级区间确定云模型的数字特征值。
S52、根据确定的云模型的数字特征值生成云模型的隶属度函数,建立云模型。
示例性的,按照,可以参照表2公式计算
云模型的数字特征值。
表2 云模型数字特征值对应计算表
其中,q=0.1。通过采用如上方式进行计算,通过确定存储设备运行状态等级区间,再根据相对劣化度以及对应的存储设备运行状态等级区间确定云模型的数字特征值,通过确定的云模型的数字特征值即可生成云模型的隶属度函数,以建立云模型,采用云模型进行不确定性信息表达和处理,可以有效对多维影响因素进行处理。
在一些实施方式中,S52包括:S521、生成以熵为期望,超熵平方为标准方法
的正态随机数,其中。
S522、生成以期望为期望,为标准方法的正态随机数,。
S523、通过下式进行计算生成的云滴:。
S524、重复生成多个云滴,直至云模型生成完毕。
其中,表示生成正态分布随机数的函数。
在一些实施方式中,S7包括:S71、根据实时多维特征参数计算得到对应实时相对劣化度;S72、根据实时相对劣化度以及云模型,计算得到当前存储设备的初始化状态概率分布向量;S73、通过马尔科夫链根据初始化状态概率分布向量计算得到状态转移矩阵;S74、根据状态转移矩阵预测第一预设时间后的状态概率分布,并根据第一预设时间后的状态概率分布判断是否达到寿命极限,重复计算直至达到寿命极限,输出当前存储设备的预测寿命。
在一些实施方式中,S72包括:S721、取相交云滴的隶属度概率平均值作为第i个测
量点第j个状态等级的概率值,定义向量,定义编程次数为,擦写次数为,工作电流
为,工作温度为,工作湿度为,工作电压为,通过如下公式计算第i个测量点的隶
属度向量:;其中,分别对应编
程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的权重,取:,;S722、计算第二预设时间与第三预设时间之间N个测量点的隶属度向
量,并根据公式:,进行归一化处理,得到作为第二预设时间初始化状态概率分
布向量。
具体的,存储设备运行过程中t1、t2(分别对应上述第二预设时间以及第三预设时
间)时刻之间分别取N个测量点,收集到第i个测量点的指标值,由相对劣化度公式计算出对
应的相对劣化度, 假设在一定误差允许范围内与云模型有M个相交云滴,每个云滴都
有一个相对应的隶属度,不相交的状态等级概率取0,则取相交云滴的隶属度概率平均值作
为该测量点i处于第j个状态等级的概率值,标记为向量。示例性的,记编程次数为,擦
写次数为,工作电流为,工作温度为,工作湿度为,工作电压为。
根据加权向量公式:。
得到测量点i的隶属度向量,可以取:,,;依次计算t1、t2时刻之间N个测量点的隶属度向量,根据公式:,取平均值并进行归一化处理,归一化后隶属度向量作为t1时刻(即上述第二预
设时间)的初始化状态概率分布向量;分别对
应编程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的初始状态概率。通过
采用这样的技术方案,能够进行初始状态向量获取,以便于后续进行状态转移矩阵的计算,
实现存储设备自适应寿命预测。
具体的,t+1状态可以根据t时刻状态利用状态转移矩阵进行推算,公式如下:,其中,为状态转移矩阵。
示例性的,可以根据历史数据结合云模型隶属度函数依次求得第2,3,4,5,6,7个
月的概率分布向量,由此得到相邻6个月初始状态概率分布矩阵分
别为A和B,其中:,,根据马尔科夫链矩阵求逆,得,这样可以预
测第n个月状态概率分布,即为:。
特别的,取良好大于80%为正常,若低于80%,可以认为到达当前存储设备的寿命极限,输出寿命极限作为当前存储设备的预测寿命。通过采用这样的技术方案,能够将不同的存储设备进行快速部署,在出厂前进行老化测试,分别进行初始化状态向量获取,计算状态转移矩阵,实现不同存储设备的自适应寿命预测,另外,由于能够配置多维特征参数,可以综合考虑编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压等等多维影响,能够提高存储设备的寿命预测准确性。
需要注意的是,术语“S1”、“S2”等仅用于步骤的描述目的,并非特别指称次序或顺位的意思,亦非用以限定本申请,其仅仅是为了方便描述本申请的方法,而不能理解为指示步骤的先后顺序。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本申请要求的保护范围之内。
实施例二
对应上述实施例,本申请还提供了一种存储设备寿命预测装置,参照图3,所述装置包括样本获取模块、运行状态评估模块、云模型模块、实时参数获取模块以及寿命预测模块。
其中,样本获取模块,用于获取样本存储设备运行过程中的样本多维特征参数;运行状态评估模块,用于针对存储设备不同的特征参数定义不同的相对劣化度计算策略;所述运行状态评估模块还用于根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;所述运行状态评估模块还用于根据所述相对劣化度建立存储设备运行状态评估体系;云模型模块,用于根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;实时参数获取模块,用于获取当前存储设备运行过程中的实时多维特征参数;寿命预测模块,用于根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
进一步的,所述相对劣化度计算策略包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。
进一步的,所述越小越优型计算策略采用如下公式进行计算:,
其中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储设备当前特征参
数状态良好值,为第i时刻存储设备当前特征参数运行允许最大值,为第i时刻存储
设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述越大越优型计算策略采用如下公式进行计算:,其
中,为第i时刻存储设备当前特征参数实际运行值,为第i时刻存储设备当前特征参数
状态良好值,为第i时刻存储设备当前特征参数运行允许最小值,为第i时刻存储设
备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述极小越优型计算策略采用如下公式进行计算:,其中,为第i时刻存储设备当前特征参数实际运行值,为第
i时刻存储设备当前特征参数状态良好值,为第i时刻存储设备当前特征参数运行允
许最小值,为第i时刻存储设备当前特征参数运行允许最大值,为第i时刻存储设备
当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
进一步的,所述多维特征参数包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。
进一步的,运行状态评估模块还用于定义存储设备运行状态等级区间,所述存储设备运行状态等级区间包括第一状态等级区间、第二状态等级区间、第三状态等级区间以及第四状态等级区间中的至少两种;以及用于根据所述相对劣化度匹配对应所述存储设备运行状态等级区间。其中,所述第一状态等级区间用于描述存储设备运行状态为良好状态,所述第二状态等级区间用于描述存储设备运行状态为注意状态,所述第三状态等级区间用于描述存储设备运行状态为异常状态,所述第四状态等级区间用于描述存储设备运行状态为失效状态。
进一步的,云模型模块还用于根据所述相对劣化度以及对应的所述存储设备运行状态等级区间确定云模型的数字特征值;以及用于根据确定的所述云模型的数字特征值生成云模型的隶属度函数,建立云模型。
进一步的,云模型模块还用于生成以熵为期望,超熵平方为标准方法的正态
随机数,其中;以及用于生成以期望为期望,为标准方法
的正态随机数,;还用于通过下式进行计算生成的云滴:;以及用于重复生成多个云滴,直至云模型生成完毕;其中,表示生成正态分布随机数的函数。
进一步的,寿命预测模块还用于根据所述实时多维特征参数计算得到对应实时相对劣化度;以及用于根据所述实时相对劣化度以及所述云模型,计算得到当前存储设备的初始化状态概率分布向量。
进一步的,所述寿命预测模块还用于通过马尔科夫链根据所述初始化状态概率分布向量计算得到状态转移矩阵;以及用于根据所述状态转移矩阵预测第一预设时间后的状态概率分布,并根据所述第一预设时间后的状态概率分布判断是否达到寿命极限,重复计算直至达到寿命极限,输出当前存储设备的预测寿命。
进一步的,寿命预测模块还用于取相交云滴的隶属度概率平均值作为第i个测量
点第j个状态等级的概率值,定义向量,定义编程次数为,擦写次数为,工作电流为,工作温度为,工作湿度为,工作电压为,通过如下公式计算第i个测量点的隶属
度向量:;其中,分别对应编程
次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的权重,取,;还用于计算第二预设时间与第三预设时间之间N个测量点的隶属
度向量,并根据公式:进行归一化处理,得到作为所述第二预设时间初始化状态
概率分布向量;分别对应编程次数、擦写次
数、工作电流、工作温度、工作湿度以及工作电压的初始状态概率。
关于存储设备寿命预测装置的具体限定可以参见上文中对于存储设备寿命预测方法的相关限定,故此处不作赘述。上述存储设备寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
实施例三
对应上述实施例,本申请还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行程序时可以实现上述存储设备寿命预测方法。
如图4所示,在一些实施例中,系统能够作为各所述实施例中的任意一个用于存储设备寿命预测方法的上述计算机设备。在一些实施例中,系统可包括具有指令的一个或多个计算机可读介质(例如,系统存储器或NVM/存储设备)以及与该一个或多个计算机可读介质耦合并被配置为执行指令以实现模块从而执行本申请中所述的动作的一个或多个处理器(例如,(一个或多个)处理器)。
对于一个实施例,系统控制模块可包括任意适当的接口控制器,以向(一个或多个)处理器中的至少一个和/或与系统控制模块通信的任意适当的设备或组件提供任意适当的接口。
系统控制模块可包括存储器控制器模块,以向系统存储器提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
系统存储器可被用于例如为系统加载和存储数据和/或指令。对于一个实施例,系统存储器可包括任意适当的易失性存储器,例如,适当的DRAM。在一些实施例中,系统存储器可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,系统控制模块可包括一个或多个输入/输出(I/O)控制器,以向NVM/存储设备及(一个或多个)通信接口提供接口。
例如,NVM/存储设备可被用于存储数据和/或指令。NVM/存储设备可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(一个或多个)非易失性存储设备(例如,一个或多个硬盘驱动器(HDD)、一个或多个光盘(CD)驱动器和/或一个或多个数字通用光盘(DVD)驱动器)。
NVM/存储设备可包括在物理上作为系统被安装在其上的设备的一部分的存储资源,或者其可被该设备访问而不必作为该设备的一部分。例如,NVM/存储设备可通过网络经由(一个或多个)通信接口进行访问。
(一个或多个)通信接口可为系统提供接口以通过一个或多个网络和/或与任意其他适当的设备通信。系统可根据一个或多个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的一个或多个组件进行无线通信。
对于一个实施例,(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器(例如,存储器控制器模块)的逻辑封装在一起。对于一个实施例,(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑封装在一起以形成系统级封装(SiP)。对于一个实施例,(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑集成在同一模具上。对于一个实施例,(一个或多个)处理器中的至少一个可与系统控制模块的一个或多个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,系统可以但不限于是:服务器、工作站、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)。在各个实施例中,系统可具有更多或更少的组件和/或不同的架构。例如,在一些实施例中,系统包括一个或多个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
需要注意的是,本申请可在软件和/或软件与硬件的组合体中被实施,例如,可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中,本申请的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地,本申请的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中,例如,RAM存储器,磁或光驱动器或软磁盘及类似设备。另外,本申请的一些步骤或功能可采用硬件来实现,例如,作为与处理器配合从而执行各个步骤或功能的电路。
另外,本申请的一部分可被应用为计算机程序产品,例如计算机程序指令,当其被计算机执行时,通过该计算机的操作,可以调用或提供根据本申请的方法和/或技术方案。本领域技术人员应能理解,计算机程序指令在计算机可读介质中的存在形式包括但不限于源文件、可执行文件、安装包文件等,相应地,计算机程序指令被计算机执行的方式包括但不限于:该计算机直接执行该指令,或者该计算机编译该指令后再执行对应的编译后程序,或者该计算机读取并执行该指令,或者该计算机读取并安装该指令后再执行对应的安装后程序。在此,计算机可读介质可以是可供计算机访问的任意可用的计算机可读存储介质或通信介质。
通信介质包括藉此包含例如计算机可读指令、数据结构、程序模块或其他数据的通信信号被从一个系统传送到另一系统的介质。通信介质可包括有导的传输介质(诸如电缆和线(例如,光纤、同轴等))和能传播能量波的无线(未有导的传输)介质,诸如声音、电磁、RF、微波和红外。计算机可读指令、数据结构、程序模块或其他数据可被体现为例如无线介质(诸如载波或诸如被体现为扩展频谱技术的一部分的类似机制)中的已调制数据信号。术语“已调制数据信号”指的是其一个或多个特征以在信号中编码信息的方式被更改或设定的信号。调制可以是模拟的、数字的或混合调制技术。
在此,根据本申请的一个实施例包括一个装置,该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器,其中,当该计算机程序指令被该处理器执行时,触发该装置运行基于前述根据本申请的多个实施例的方法和/或技术方案。
实施例四
对应上述实施例,本申请还提供了一种计算机可读存储介质,存储有计算机可执行指令,计算机可执行指令用于执行存储设备寿命预测方法。
在本实施例中,计算机可读存储介质可包括以用于存储诸如计算机可读指令、数据结构、程序模块或其它数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动的介质。例如,计算机可读存储介质包括,但不限于,易失性存储器,诸如随机存储器(RAM,DRAM,SRAM);以及非易失性存储器,诸如闪存、各种只读存储器(ROM,PROM,EPROM,EEPROM)、磁性和铁磁/铁电存储器(MRAM,FeRAM);以及磁性和光学存储设备(硬盘、磁带、CD、DVD);或其它现在已知的介质或今后开发的能够存储供计算机系统使用的计算机可读信息/数据。
尽管已描述了本申请实施例中的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。
Claims (15)
1.一种存储设备寿命预测方法,其特征在于,包括:
获取样本存储设备运行过程中的样本多维特征参数;
针对存储设备不同的特征参数定义不同的相对劣化度计算策略;
根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;
根据所述相对劣化度建立存储设备运行状态评估体系;
根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;
获取当前存储设备运行过程中的实时多维特征参数;
根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
2.根据权利要求1所述的存储设备寿命预测方法,其特征在于,所述相对劣化度计算策略包括越小越优型计算策略、越大越优型计算策略以及极小越优型计算策略中的至少一种。
3.根据权利要求2所述的存储设备寿命预测方法,其特征在于,所述越小越优型计算策略采用如下公式进行计算:,其中,/>为第i时刻存储设备当前特征参数实际运行值,/>为第i时刻存储设备当前特征参数状态良好值,/>为第i时刻存储设备当前特征参数运行允许最大值,/>为第i时刻存储设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
4.根据权利要求2所述的存储设备寿命预测方法,其特征在于,所述越大越优型计算策略采用如下公式进行计算:,其中,/>为第i时刻存储设备当前特征参数实际运行值,/>为第i时刻存储设备当前特征参数状态良好值,/>为第i时刻存储设备当前特征参数运行允许最小值,/>为第i时刻存储设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
5.根据权利要求2所述的存储设备寿命预测方法,其特征在于,所述极小越优型计算策略采用如下公式进行计算:,其中,/>为第i时刻存储设备当前特征参数实际运行值,/>为第i时刻存储设备当前特征参数状态良好值,/>为第i时刻存储设备当前特征参数运行允许最小值,/>为第i时刻存储设备当前特征参数运行允许最大值,/>为第i时刻存储设备当前特征参数对应的相对劣化度,a用于描述当前特征参数对于存储设备的权重。
6.根据权利要求1所述的存储设备寿命预测方法,其特征在于,所述多维特征参数包括编程次数、擦除次数、工作电流、工作温度、工作湿度以及工作电压中的至少两种。
7.根据权利要求1所述的存储设备寿命预测方法,其特征在于,所述根据所述相对劣化度建立存储设备运行状态评估体系,包括:
定义存储设备运行状态等级区间,所述存储设备运行状态等级区间包括第一状态等级区间、第二状态等级区间、第三状态等级区间以及第四状态等级区间中的至少两种;
根据所述相对劣化度匹配对应所述存储设备运行状态等级区间;
其中,所述第一状态等级区间用于描述存储设备运行状态为良好状态,所述第二状态等级区间用于描述存储设备运行状态为注意状态,所述第三状态等级区间用于描述存储设备运行状态为异常状态,所述第四状态等级区间用于描述存储设备运行状态为失效状态。
8.根据权利要求7所述的存储设备寿命预测方法,其特征在于,所述根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型,包括:
根据所述相对劣化度以及对应的所述存储设备运行状态等级区间确定云模型的数字特征值;
根据确定的所述云模型的数字特征值生成云模型的隶属度函数,建立云模型。
9.根据权利要求8所述的存储设备寿命预测方法,其特征在于,所述根据确定的所述云模型的数字特征值生成云模型的隶属度函数,建立云模型,包括:
生成以熵为期望,超熵平方/>为标准方法的正态随机数/>,其中;
生成以期望为期望,/>为标准方法的正态随机数/>,/>;
通过下式进行计算生成的云滴:/>;
重复生成多个云滴,直至云模型生成完毕;
其中,表示生成正态分布随机数的函数。
10.根据权利要求1所述的存储设备寿命预测方法,其特征在于,所述根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命,包括:
根据所述实时多维特征参数计算得到对应实时相对劣化度;
根据所述实时相对劣化度以及所述云模型,计算得到当前存储设备的初始化状态概率分布向量。
11.根据权利要求10所述的存储设备寿命预测方法,其特征在于,所述方法还包括:
通过马尔科夫链根据所述初始化状态概率分布向量计算得到状态转移矩阵;
根据所述状态转移矩阵预测第一预设时间后的状态概率分布,并根据所述第一预设时间后的状态概率分布判断是否达到寿命极限,重复计算直至达到寿命极限,输出当前存储设备的预测寿命。
12.根据权利要求10所述的存储设备寿命预测方法,其特征在于,所述根据所述实时相对劣化度以及所述云模型,计算得到当前存储设备的初始化状态概率分布向量,包括:
取相交云滴的隶属度概率平均值作为第i个测量点第j个状态等级的概率值,定义向量,定义编程次数为/>,擦写次数为/>,工作电流为/>,工作温度为/>,工作湿度为/>,工作电压为/>,通过如下公式计算第i个测量点的隶属度向量:;
其中,分别对应编程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的权重,取/>,/>;
计算第二预设时间与第三预设时间之间N个测量点的隶属度向量,并根据公式:进行归一化处理,得到作为所述第二预设时间初始化状态概率分布向量;/>分别对应编程次数、擦写次数、工作电流、工作温度、工作湿度以及工作电压的初始状态概率。
13.一种存储设备寿命预测装置,其特征在于,所述装置包括:
样本获取模块,用于获取样本存储设备运行过程中的样本多维特征参数;
运行状态评估模块,用于针对存储设备不同的特征参数定义不同的相对劣化度计算策略;所述运行状态评估模块还用于根据当前多维特征参数中每种特征参数匹配对应的所述相对劣化度计算策略进行计算,得到对应的相对劣化度;所述运行状态评估模块还用于根据所述相对劣化度建立存储设备运行状态评估体系;
云模型模块,用于根据所述存储设备运行状态评估体系建立云模型,并部署所述云模型;
实时参数获取模块,用于获取当前存储设备运行过程中的实时多维特征参数;
寿命预测模块,用于根据所述实时多维特征参数以及所述云模型,输出所述当前存储设备的预测寿命。
14.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至12中任一项所述方法的步骤。
15.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至12中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226050.5A CN117809729B (zh) | 2024-02-29 | 2024-02-29 | 一种存储设备寿命预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410226050.5A CN117809729B (zh) | 2024-02-29 | 2024-02-29 | 一种存储设备寿命预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117809729A true CN117809729A (zh) | 2024-04-02 |
CN117809729B CN117809729B (zh) | 2024-07-30 |
Family
ID=90423817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410226050.5A Active CN117809729B (zh) | 2024-02-29 | 2024-02-29 | 一种存储设备寿命预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117809729B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287543A (zh) * | 2019-05-30 | 2019-09-27 | 武汉大学 | 一种继电保护装置寿命预测方法 |
CN111143763A (zh) * | 2019-12-13 | 2020-05-12 | 广东电网有限责任公司 | 电力设备状态的评估方法、装置及其存储介质 |
CN111784020A (zh) * | 2020-04-30 | 2020-10-16 | 南京理工大学 | 一种智能变电站继电保护装置寿命预测方法 |
CN112100575A (zh) * | 2020-09-11 | 2020-12-18 | 石化盈科信息技术有限责任公司 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
WO2021217536A1 (en) * | 2020-04-30 | 2021-11-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for health evaluation of storage medium |
US20210391820A1 (en) * | 2020-06-16 | 2021-12-16 | Rockwell Automation Technologies, Inc. | Method and apparatus for electrical component life estimation with corrosion compensation |
CN116227245A (zh) * | 2023-05-09 | 2023-06-06 | 华北电力科学研究院有限责任公司 | 基于运行数据的风电机组多目标控制性能评估方法及装置 |
CN116543476A (zh) * | 2023-07-05 | 2023-08-04 | 南通鑫腾智能设备科技有限公司 | 一种基于数据云采集的设备状态评估系统 |
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
CN117332589A (zh) * | 2023-09-28 | 2024-01-02 | 华北电力科学研究院有限责任公司 | 用于多维度确定风电机组劣化度的方法及装置 |
CN117574200A (zh) * | 2023-10-26 | 2024-02-20 | 广西电网有限责任公司电力科学研究院 | 一种基于隶属度的变压器健康状态评估方法及系统 |
-
2024
- 2024-02-29 CN CN202410226050.5A patent/CN117809729B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287543A (zh) * | 2019-05-30 | 2019-09-27 | 武汉大学 | 一种继电保护装置寿命预测方法 |
CN111143763A (zh) * | 2019-12-13 | 2020-05-12 | 广东电网有限责任公司 | 电力设备状态的评估方法、装置及其存储介质 |
CN111784020A (zh) * | 2020-04-30 | 2020-10-16 | 南京理工大学 | 一种智能变电站继电保护装置寿命预测方法 |
WO2021217536A1 (en) * | 2020-04-30 | 2021-11-04 | Beijing Didi Infinity Technology And Development Co., Ltd. | Systems and methods for health evaluation of storage medium |
US20210391820A1 (en) * | 2020-06-16 | 2021-12-16 | Rockwell Automation Technologies, Inc. | Method and apparatus for electrical component life estimation with corrosion compensation |
CN112100575A (zh) * | 2020-09-11 | 2020-12-18 | 石化盈科信息技术有限责任公司 | 设备状态趋势预测方法、装置、计算机设备和存储介质 |
CN116227245A (zh) * | 2023-05-09 | 2023-06-06 | 华北电力科学研究院有限责任公司 | 基于运行数据的风电机组多目标控制性能评估方法及装置 |
CN116543476A (zh) * | 2023-07-05 | 2023-08-04 | 南通鑫腾智能设备科技有限公司 | 一种基于数据云采集的设备状态评估系统 |
CN116822383A (zh) * | 2023-08-31 | 2023-09-29 | 成都态坦测试科技有限公司 | 设备寿命预测模型构建方法、装置、可读存储介质及设备 |
CN117332589A (zh) * | 2023-09-28 | 2024-01-02 | 华北电力科学研究院有限责任公司 | 用于多维度确定风电机组劣化度的方法及装置 |
CN117574200A (zh) * | 2023-10-26 | 2024-02-20 | 广西电网有限责任公司电力科学研究院 | 一种基于隶属度的变压器健康状态评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
KIROCK KWON ET AL.: "An advanced SLC-buffering for TLC NAND flash-based storage", 《IEEE TRANSACTIONS ON CONSUMER ELECTRONICS》, vol. 63, no. 4, 30 November 2017 (2017-11-30), XP011675711, DOI: 10.1109/TCE.2017.015070 * |
江顺辉;方瑞明;尚荣艳;王黎;: "采用动态劣化度的风电机组运行状态实时评估", 华侨大学学报(自然科学版), no. 01, 20 January 2018 (2018-01-20) * |
高凌寒: "基于自适应特征选择与迭代相关向量机的滚动轴承残余寿命预测方法研究", 《万方数据库》, 13 November 2020 (2020-11-13) * |
Also Published As
Publication number | Publication date |
---|---|
CN117809729B (zh) | 2024-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102170105B1 (ko) | 신경 네트워크 구조의 생성 방법 및 장치, 전자 기기, 저장 매체 | |
KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
US11861280B2 (en) | Device for generating verification vector for circuit design verification, circuit design system, and reinforcement learning method of the device and the circuit design system | |
CN109637576A (zh) | 一种基于支持向量回归的闪存寿命预测方法 | |
JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
US12007753B2 (en) | System and method for predicting industrial equipment motor behavior | |
US10771994B2 (en) | Method and test system for mobile network testing as well as a network testing system | |
US20230003801A1 (en) | Apparatus and method for estimating a state of a battery | |
CN109582661A (zh) | 数据结构化评估方法、装置、存储介质及电子设备 | |
CN115729796B (zh) | 基于人工智能的异常操作分析方法及大数据应用系统 | |
US20220206072A1 (en) | Technique for estimation of internal battery temperature | |
US20220343176A1 (en) | Enhanced Uncertainty Management For Optical Communication Systems | |
CN117664218A (zh) | 一种真空冷冻干燥机的校准方法 | |
JP2019036112A (ja) | 異常音検知装置、異常検知装置、プログラム | |
CN117809729B (zh) | 一种存储设备寿命预测方法、装置、设备和存储介质 | |
CN110717601A (zh) | 一种基于有监督学习和无监督学习的反欺诈方法 | |
US11693921B2 (en) | Data preparation for artificial intelligence models | |
JP2024003643A (ja) | ニューラルネットワークの学習方法、コンピュータプログラム、及び余寿命予測システム | |
US20210117193A1 (en) | Electronic devices generating verification vector for verifying semiconductor circuit and methods of operating the same | |
EP4167089A1 (en) | Method to distribute resources among a group of tasks, method for mapping task states of a task to parameters of a resource-utility function, apparatus for distributing resources among a group of tasks | |
US20230222382A1 (en) | Systems and methods for machine learning model training and deployment | |
CN116627759B (zh) | 一种金融支付设备电路安全检测装置 | |
EP4321883A1 (en) | Method and system for specifying a target battery cell | |
KR20240107268A (ko) | 환경변화 적응형 배터리 진단 장치 및 방법 | |
CN115469136A (zh) | 一种基于电场传感器阵列的非侵入式三相电压测量方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |