CN107967928B - 一种基于数学模型的闪存芯片寿命预测方法 - Google Patents

一种基于数学模型的闪存芯片寿命预测方法 Download PDF

Info

Publication number
CN107967928B
CN107967928B CN201710973383.4A CN201710973383A CN107967928B CN 107967928 B CN107967928 B CN 107967928B CN 201710973383 A CN201710973383 A CN 201710973383A CN 107967928 B CN107967928 B CN 107967928B
Authority
CN
China
Prior art keywords
flash memory
memory chip
data
information
test system
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.)
Active
Application number
CN201710973383.4A
Other languages
English (en)
Other versions
CN107967928A (zh
Inventor
潘玉茜
李四林
刘政林
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.)
Wuhan Zhifu Semiconductor Technology Co.,Ltd.
Original Assignee
Wuhan Recadata Storage Technology 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 Wuhan Recadata Storage Technology Co ltd filed Critical Wuhan Recadata Storage Technology Co ltd
Priority to CN201710973383.4A priority Critical patent/CN107967928B/zh
Publication of CN107967928A publication Critical patent/CN107967928A/zh
Application granted granted Critical
Publication of CN107967928B publication Critical patent/CN107967928B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C16/00—Erasable programmable read-only memories
    • G11C16/02—Erasable programmable read-only memories electrically programmable
    • G11C16/06—Auxiliary circuits, e.g. for writing into memory
    • G11C16/34—Determination of programming status, e.g. threshold voltage, overprogramming or underprogramming, retention
    • G11C16/349—Arrangements for evaluating degradation, retention or wearout, e.g. by counting erase cycles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/002—Biomolecular computers, i.e. using biomolecules, proteins, cells
    • 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
    • G11C29/56004—Pattern generation
    • 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
    • G11C29/56008—Error analysis, representation of errors
    • 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
    • G11C29/56016—Apparatus features

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Organic Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Techniques For Improving Reliability Of Storages (AREA)
  • For Increasing The Reliability Of Semiconductor Memories (AREA)
  • Read Only Memory (AREA)

Abstract

本发明属于闪存芯片寿命预测技术，尤其是涉及一种基于数学模型的闪存芯片寿命预测方法。本发明首先通过闪存芯片测试***收集样本闪存芯片的物理信息和寿命信息，然后用智能算法对测试获得的数据信息进行运算处理得到闪存芯片寿命预测模型，最后通过少量测试获得待预测闪存芯片的物理信息，将物理信息输入预测模型得到闪存芯片的预测寿命值。本发明中提出的闪存样本测试方法采用带约束的随机数据作为测试数据集合进行测试，能够更加有效地模拟闪存芯片实际使用过程中的数据操作，得到的闪存物理信息和寿命信息更具有价值。

Description

一种基于数学模型的闪存芯片寿命预测方法
技术领域
本发明属于闪存芯片寿命预测技术，尤其是涉及一种基于数学模型的闪存芯片寿命预测方法。
背景技术
在现代电子信息产业中，存储器作为电子设备中存储数据的载体一直有着非常重要的地位。目前，市场上的存储器主要分为：易失性存储器和非易失性存储器。闪存芯片是一种非易失性存储器，它能够在掉电后长时间保存数据，并且有着数据传输速度快、生产成本低、存储容量大等优点，所以被广泛应用于电子设备之中。
目前，由于半导体制造工艺的不断进步，存储单元间距离的减小以及氧化层厚度的降低使闪存芯片中固有的错误越来越严重，传统的纠错码方法已无法满足闪存芯片的可靠性需求，闪存的可靠性问题已经成为当前存储器研究领域的重要课题。闪存的使用寿命代表闪存在失效前的能够执行的操作次数，是闪存芯片最重要的参数指标。预测闪存的剩余使用寿命，可以让闪存存储设备使用者在使用设备期间了解存储器的损耗状态，避免因存储器单元失效而造成的数据流失。同时，存储器用户还可根据预测得到的闪存剩余寿命信息，改变存储数据策略有效利用闪存芯片保存数据。
发明内容
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于数学模型的闪存芯片寿命预测方法，其特征在于，根据闪存芯片的一种物理量或几种物理量的组合预测闪存芯片的寿命预测值。所述闪存芯片物理量包括：闪存存储芯片的编程时间、读取时间、擦除时间、编程电流、读取电流、擦除电流、阈值电压分布和错误率。所述方法的具体步骤包括：
步骤1，从闪存产品集合中抽取样本作为样本闪存，闪存产品集合中除样本闪存外为待测试闪存，并将样本闪存芯片与闪存测试***连接开始测试收集建立闪存芯片寿命预测模型所需的闪存芯片物理信息与闪存芯片寿命信息；同时将待测试闪存芯片与闪存测试***连接开始测试收集预测模型所需的闪存芯片物理信息与闪存芯片寿命信息；
步骤2，将测试得到的一种物理信息或几种物理信息的组合作为算法中数学映射关系的输入变量，闪存芯片寿命预测值作为数学映射关系的输出变量，通过智能算法处理数据建立数学模型；
步骤3，测试闪存寿命预测模型，将预测模型所需的闪存芯片物理量作为寿命预测模型的输入，计算寿命预测模型的输出值预测目标闪存产品的剩余寿命值。
作为优选，所述步骤1中，样本闪存必须为同一制造工艺下相同类型的闪存芯片；从不同批次的芯片中随机抽取相同数量的芯片样本，以确保样本的多样性。其中，抽样的批次为随机选取，样本数量可以为被抽样批次闪存芯片总量的百分之一，并且，闪存测试***包括上位机测试控制***和闪存控制模块。其中，上位机测试***通过计算机语言编写程序***实现；闪存控制模块通过FPGA实现。
作为优选，所述步骤1中，闪存芯片物理信息包括：闪存芯片从开始使用到无法正常使用期间内闪存存储芯片中块的编程时间、读取时间、擦除时间、编程电流、读取电流、擦除电流、阈值电压分布和错误率数据信息。所述步骤2中，闪存寿命预测数学映射关系的输入变量为上述物理信息的一种或几种的组合。所述步骤1中，闪存芯片寿命信息为闪存芯片从开始使用到无法正常使用期间内经历的编程/擦除操作周期数。
作为优选，所述
闪存芯片存储块编程时间的获取方式为：在闪存测试***中设置编程时间记录模块；编程时间记录模块在闪存开始写入数据操作的同时记录经过的时钟周期在收到闪存芯片返回数据编程完成标志后停止记录时钟周期数；编程时间值为时钟周期持续时间乘以编程时钟周期数。
闪存芯片存储块擦除时间的获取方式与编程时间获取方式为：由测试***中的擦除时间记录模块记录擦除操作持续的时钟周期数，擦除时间值为时钟周期持续时间乘以擦除时钟周期数。闪存芯片存储单元阈值电压分布的获取方式为：测试***向闪存芯片发送READ-RETRY命令集逐步改变闪存的读参考电压同时读出数据根据读数据值统计阈值电压分布。
闪存芯片存储块错误率的获取方式为：测试***对闪存芯片执行读数据操作从闪存中读出数据，测试***将读出的数据与写入的测试数据进行对比统计错误数据个数，错误率为错误个数除以总的数据个数。
作为优选，所述步骤1中，测试收集闪存芯片物理信息与闪存芯片寿命信息的具体步骤包括：
步骤5.1、从闪存芯片集合中随机抽取样本芯片，将样本闪存芯片与测试***连接。
步骤5.2、从每个样本闪存芯片中随机选择存储块，通过测试***向闪存存储块发送测试数据集合，对闪存存储块执行写入数据操作。
步骤5.3、发送完测试数据向量之后，保持闪存存储块中存储的数据一段时间，保存时间长短根据闪存芯片的类型确定；通过测试***对闪存芯片执行读数据操作，测试***将读出数据与发送的测试数据进行比较，记录并保存出错数据信息，若未出错则不保存；保存完出错信息后，通过测试***对闪存芯片执行擦除数据操作。
步骤5.4、重复执行步骤5.2和步骤5.3的操作，记录步骤5.2和步骤5.3操作的次数；当操作次数达到设定值时，测试***记录最近一次步骤5.2操作中样本闪存各个存储块写入数据操作的持续时间并保存所记录的持续时间信息；同时，测试***记录最近一次步骤5.3操作中样本闪存各个存储块擦除数据操作的持续时间并保存所记录的持续时间信息。
步骤5.5、通过测试***测量闪存芯片单元的阈值电压分布，记录并存储单元的阈值电压分布信息；该步骤为可选步骤，若预测对象不具有READ-RETRY功能则测试步骤中不包括该步骤。
步骤5.6、测试***统计并保存闪存芯片各个存储块的数据错误率信息。
步骤5.7、重复步骤步骤5.4到步骤5.6，直到闪存芯片到达寿命极限；测试***统计闪存芯片的编程/擦除操作周期数。
在本发明中，步骤2是以基因编程算法作为建立数学模型的智能算法，本发明中所述的智能算法不限于该算法。闪存寿命值指的是闪存产品在失效之前可以执行的编程/擦除周期数，具体步骤包括：
步骤6.1、计算机程序初始化寿命预测函数集合；设置寿命预测函数筛选方程。
步骤6.2、将测试数据代入寿命预测函数集合中的每个函数；计算函数结果，即闪存芯片寿命预测值；将计算得到的闪存芯片寿命预测值与测试数据对应的实际寿命值代入适应度方程，根据适应度方程计算结果筛选寿命预测函数。
步骤6.3、在经过筛选的寿命预测函数集合的基础上，使用基因编程方法生成新的函数集合。
步骤6.4、对新的函数集合重复执行步骤6.2和步骤6.3的操作，操作次数达到设置的上限值时终止操作；上限制根据预测需求设置。
步骤6.5、从集合中选择预测值与实际寿命值匹配度最佳的函数，得到寿命预测数学模型。
步骤6.1所述的寿命预测函数函数包括运算符、系数及输入变量；其中系数为计算机程序随机产生的常数，输入变量为编程时间、擦除时间、阈值电压分布和错误率几种测试数据集合，其中，阈值电压分布为可选输入变量；一种所述测试数据集合代表一个输入变量，函数所包含的输入变量个数可根据预测需求设置。通过矩阵的形式实现寿命预测函数集合。
其中，步骤6.2中适应度方程指的是闪存寿命预测值与测试值之差的绝对值加权和。适应度方程具体表示为：F＝ω1|A1-B1|+ω2|A2-B2|+…+ωn|An-Bn|；其中，Ai表示预测值；Bi为实际值；ωi为权值，ωi的取值大于0小于等于1；n为样本总数。
步骤6.3中所述的新函数集合的操作包括：函数的交叉、突变和繁殖操作。所述函数的交叉操作具体为交换树型结构函数的节点，将交换后得到的函数作为新的函数集合成员。突变操作通过计算机程序随机产生函数，将随机产生的函数替换父辈函数的表达式分支得到新的子辈函数。基因编程繁殖操作是将选择操作之后满足要求的函数按一定概率进行复制，复制后的函数作为新的子辈。
因此，本发明具有如下优点：1.本发明中提出的闪存样本测试方法采用带约束的随机数据作为测试数据集合进行测试，能够更加有效地模拟闪存芯片实际使用过程中的数据操作，得到的闪存物理信息和寿命信息更具有价值。2.本发明将多种可靠性参数作为寿命预测模型的输入，与仅以一种参数为依据的寿命预测模型相比预测寿命值的准确度更高。3.本发明以目前计算机领域前沿的智能算法建模技术为基础提出一种闪存寿命预测方法；与目前的技术相比，该方法的先进性在于以实验数据为基础通过智能算法建立闪存芯片寿命预测数学模型预测闪存寿命值。
附图说明
图1为本发明实施例一种基于数学模型的闪存芯片寿命预测方法的流程示意图。
图2为本发明实施例一种闪存可靠性测试方法的流程图。
图3为本发明实施例一种闪存测试***的结构图。
图4为本发明实施例一种基于基因编程的闪存寿命预测模型建模流程。
图5为本发明实施例中采用的寿命预测函数结构示例图。
图6为本发明实施例中寿命预测函数的矩阵形式示例图。
图7为本发明实施例中基因编程交叉操作示例图。
图8为本发明实施例中基因编程突变操作示例图。
图9为本发明实施例中基因编程繁殖操作示例图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
为了使本发明的上述目的、特征和优点能够更加清晰，下面将结合附图和具体实施例作详细的说明。
图1为本发明预测闪存芯片寿命的流程示意图，图中所示闪存芯片寿命预测流程适用于所有闪存芯片类型，下面以一种的闪存芯片产品为实施例对图1进行详细的解释说明。
本实施例中，将某制造工艺下的多极单元NAND闪存(MLC NAND flash)产品作为测试对象和寿命预测对象。如图1所示步骤S01，从所述闪存产品集合中按照以下规则抽取样本：样本闪存必须为同一制造工艺下相同类型的闪存芯片；从不同批次的芯片中随机抽取相同数量的芯片样本，以确保样本的多样性。其中，抽样的批次为随机选取，样本数量可以为被抽样批次闪存芯片总量的百分之一。
步骤S02，将样本闪存芯片与闪存测试***连接开始测试收集建立闪存芯片寿命预测模型所需的闪存芯片物理信息与闪存芯片寿命信息。所述闪存芯片物理信息包括：闪存芯片从开始使用到无法正常使用期间内闪存存储芯片中块的编程时间、擦除时间、阈值电压分布和错误率在编程/擦除周期增加条件下变化的数据信息(阈值电压分布为可选物理信息)。
闪存芯片存储块编程时间的获取方式为：在闪存测试***中设置编程时间记录模块；编程时间记录模块在闪存开始写入数据操作的同时记录经过的时钟周期在收到闪存芯片返回数据编程完成标志后停止记录时钟周期数；编程时间值为时钟周期持续时间乘以编程时钟周期数。
闪存芯片存储块擦除时间的获取方式与编程时间获取方式同理，由测试***中的擦除时间记录模块记录擦除操作持续的时钟周期数，擦除时间值为时钟周期持续时间乘以擦除时钟周期数。闪存芯片存储单元阈值电压分布的获取方式为：测试***向闪存芯片发送READ-RETRY命令集逐步改变闪存的读参考电压同时读出数据根据读数据值统计阈值电压分布。
闪存芯片存储块错误率的获取方式为：测试***对闪存芯片执行读数据操作从闪存中读出数据，测试***将读出的数据与写入的测试数据进行对比统计错误数据个数，错误率为错误个数除以总的数据个数。
步骤S02中采用的闪存测试方法，其流程如图2所示。根据图2，闪存测试的具体步骤为：
(1)从闪存芯片集合中随机抽取样本芯片，将样本闪存芯片与测试***连接。
(2)从每个样本闪存芯片中随机选择存储块，通过测试***向闪存存储块发送测试数据集合，对闪存存储块执行写入数据操作。
(3)发送完测试数据向量之后，保持闪存存储块中存储的数据一段时间，保存时间长短根据闪存芯片的类型确定；通过测试***对闪存芯片执行读数据操作，测试***将读出数据与发送的测试数据进行比较，记录并保存出错数据信息，若未出错则不保存；保存完出错信息后，通过测试***对闪存芯片执行擦除数据操作。
(4)重复执行步骤(2)和步骤(3)的操作，记录步骤(2)和步骤(3)操作的次数；当操作次数达到设定值时，测试***记录最近一次步骤(2)操作中样本闪存各个存储块写入数据操作的持续时间并保存所记录的持续时间信息；同时，测试***记录最近一次步骤(3)操作中样本闪存各个存储块擦除数据操作的持续时间并保存所记录的持续时间信息。
(5)通过测试***测量闪存芯片单元的阈值电压分布，记录并存储单元的阈值电压分布信息；该步骤为可选步骤，若预测对象不具有READ-RETRY功能则测试步骤中不包括该步骤。
(6)测试***统计并保存闪存芯片各个存储块的数据错误率信息。
(7)重复步骤(4)到步骤(6)，直到闪存芯片到达寿命极限；测试***统计闪存芯片的编程/擦除操作周期数。
步骤S02中采用的闪存测试***，其结构如图3所示，主要包括上位机测试控制***和闪存控制模块。其中，上位机测试***通过计算机语言编写程序***实现；闪存控制模块通过FPGA实现。
步骤S03，通过智能算法处理数据建立数学模型，将测试得到的物理信息作为算法中数学映射关系的输入变量，闪存芯片寿命预测值作为数学映射关系的输出变量；本实施例中以基因编程算法作为建立数学模型的智能算法，本发明中所述的智能算法不限于该算法。闪存寿命值指的是闪存产品在失效之前可以执行的编程/擦除周期数。
本实施例步骤S03中，使用基因编程算法建立闪存寿命预测模型的流程如图4所示。根据图4，建立闪存寿命预测模型的具体步骤为：
(1)计算机程序初始化寿命预测函数集合；设置寿命预测函数筛选方程。
(2)将测试数据代入寿命预测函数集合中的每个函数；计算函数结果，即闪存芯片寿命预测值；将计算得到的闪存芯片寿命预测值与测试数据对应的实际寿命值代入适应度方程，根据适应度方程计算结果筛选寿命预测函数。
(3)在经过筛选的寿命预测函数集合的基础上，使用基因编程方法生成新的函数集合。
(4)对新的函数集合重复执行步骤(2)和步骤(3)的操作，操作次数达到设置的上限值时终止操作；上限制根据预测需求设置。
(5)从集合中选择预测值与实际寿命值匹配度最佳的函数，得到寿命预测数学模型。
建立闪存芯片寿命预测模型所需要的数据处理操作均通过计算机程序实现，所使用的计算机语言不限定于某一种计算机语言。
依据基因编程的定义，步骤(1)所述的寿命预测函数的表达方式如图5所示。所述函数包括运算符、系数及输入变量；其中系数为计算机程序随机产生的常数，输入变量为编程时间、擦除时间、阈值电压分布和错误率几种测试数据集合(阈值电压分布为可选输入变量)；一种所述测试数据集合代表一个输入变量，函数所包含的输入变量个数可根据预测需求设置。计算机程序可以通过矩阵的形式实现寿命预测函数集合，具体如图6所示。
步骤(2)所述适应度方程指的是闪存寿命预测值与测试值之差的绝对值加权和。适应度方程具体表示为：F＝ω1|A1-B1|+ω2|A2-B2|+…+ωn|An-Bn|；其中，适应度方程代表符号为F；Ai表示预测值；Bi为实际值；ωi为权值，ωi的取值大于0小于等于1；n为样本总数。
根据基因编程的定义，步骤(3)中所述的新函数集合的操作包括：函数的交叉、突变和繁殖操作。所述函数的交叉操作如图7所示，具体操作为交换树型结构函数的节点，将交换后得到的函数作为新的函数集合成员。突变操作的示意图如图8所示，突变操作通过计算机程序随机产生函数，将随机产生的函数替换父辈函数的表达式分支得到新的子辈函数。基因编程繁殖操作的示意图如图9所示，繁殖操作将选择操作之后满足要求的函数按一定概率进行复制，复制后的函数作为新的子辈。
在本发明中，将实验数据分成两组：训练数据集合和验证数据集合。本发明采用交叉验证的方法训练数学模型，将实验数据分成5组。其中4组用于训练，1组用于验证。每个子实验数据集合都将被验证一次。
步骤S04，使用验证数据集合测试寿命预测模型。本发明中，通过计算均方根误差测试闪存寿命预测模型：
Figure BDA0001438037050000111
其中，RMSE为均方根误差代表符号；n为样本总数；Xobs,i为第i个闪存芯片寿命测量值；Xmodel,i第i个闪存芯片寿命预测模型预测值。
步骤S05，使用步骤S02中的闪存测试平台测量待预测闪存的编程时间和擦除时间等物理信息，将测量得到的物理信息作为寿命预测模型的输入变量，计算寿命预测模型的输出值预测目标闪存产品的剩余寿命值。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于数学模型的闪存芯片寿命预测方法，其特征在于，根据闪存芯片的一种物理量或几种物理量的组合预测闪存芯片的寿命预测值；所述闪存芯片物理量包括：闪存存储芯片的编程时间、读取时间、擦除时间、编程电流、读取电流、擦除电流、阈值电压分布和错误率；所述方法的具体步骤包括：
步骤1，从闪存产品集合中抽取样本作为样本闪存，闪存产品集合中除样本闪存外为待测试闪存，并将样本闪存芯片与闪存测试***连接开始测试收集建立闪存芯片寿命预测模型所需的闪存芯片物理信息与闪存芯片寿命信息；同时将待测试闪存芯片与闪存测试***连接开始测试收集预测模型所需的闪存芯片物理信息与闪存芯片寿命信息；
所述步骤1中，测试收集闪存芯片物理信息与闪存芯片寿命信息的具体步骤包括：
步骤5.1、从闪存芯片集合中随机抽取样本芯片，将样本闪存芯片与测试***连接；
步骤5.2、从每个样本闪存芯片中随机选择存储块，通过测试***向闪存存储块发送测试数据集合，对闪存存储块执行写入数据操作；
步骤5.3、发送完测试数据向量之后，保持闪存存储块中存储的数据一段时间，保存时间长短根据闪存芯片的类型确定；通过测试***对闪存芯片执行读数据操作，测试***将读出数据与发送的测试数据进行比较，记录并保存出错数据信息，若未出错则不保存；保存完出错信息后，通过测试***对闪存芯片执行擦除数据操作；
步骤5.4、重复执行步骤5.2和步骤5.3的操作，记录步骤5.2和步骤5.3操作的次数；当操作次数达到设定值时，测试***记录最近一次步骤5.2操作中样本闪存各个存储块写入数据操作的持续时间并保存所记录的持续时间信息；同时，测试***记录最近一次步骤5.3操作中样本闪存各个存储块擦除数据操作的持续时间并保存所记录的持续时间信息；
步骤5.5、通过测试***测量闪存芯片单元的阈值电压分布，记录并存储单元的阈值电压分布信息；该步骤为可选步骤，若预测对象不具有READ-RETRY功能则测试步骤中不包括该步骤；
步骤5.6、测试***统计并保存闪存芯片各个存储块的数据错误率信息；
步骤5.7、重复步骤步骤5.4到步骤5.6，直到闪存芯片到达寿命极限；测试***统计闪存芯片的编程/擦除操作周期数；
步骤2，将测试得到的一种物理信息或几种物理信息的组合作为算法中数学映射关系的输入变量，闪存芯片寿命预测值作为数学映射关系的输出变量，通过智能算法处理数据建立数学模型；
步骤3，测试闪存寿命预测模型，将预测模型所需的闪存芯片物理量作为寿命预测模型的输入，计算寿命预测模型的输出值预测目标闪存产品的剩余寿命值。
2.根据权利要求1所述的一种基于数学模型的闪存芯片寿命预测方法，其特征在于，所述步骤1中，样本闪存必须为同一制造工艺下相同类型的闪存芯片；从不同批次的芯片中随机抽取相同数量的芯片样本，以确保样本的多样性；其中，抽样的批次为随机选取，样本数量可以为被抽样批次闪存芯片总量的百分之一，并且，闪存测试***包括上位机测试控制***和闪存控制模块；其中，上位机测试***通过计算机语言编写程序***实现；闪存控制模块通过FPGA实现。
3.根据权利要求1所述的一种基于数学模型的闪存芯片寿命预测方法，其特征在于，所述步骤1中，闪存芯片物理信息包括：闪存芯片从开始使用到无法正常使用期间内闪存存储芯片的编程时间、读取时间、擦除时间、编程电流、读取电流、擦除电流、阈值电压分布和错误率数据信息；所述步骤2中，闪存寿命预测数学映射关系的输入变量为上述物理信息的一种或几种的组合；所述步骤1中，闪存芯片寿命信息为闪存芯片从开始使用到无法正常使用期间内经历的编程/擦除操作周期数。
4.根据权利要求3所述的一种基于数学模型的闪存芯片寿命预测方法，其特征在于，所述
闪存芯片存储块编程时间的获取方式为：在闪存测试***中设置编程时间记录模块；编程时间记录模块在闪存开始写入数据操作的同时记录经过的时钟周期在收到闪存芯片返回数据编程完成标志后停止记录时钟周期数；编程时间值为时钟周期持续时间乘以编程时钟周期数；
闪存芯片存储块擦除时间的获取方式与编程时间获取方式为：由测试***中的擦除时间记录模块记录擦除操作持续的时钟周期数，擦除时间值为时钟周期持续时间乘以擦除时钟周期数；闪存芯片存储单元阈值电压分布的获取方式为：测试***向闪存芯片发送READRETRY命令集逐步改变闪存的读参考电压同时读出数据根据读数据值统计阈值电压分布；
闪存芯片存储块错误率的获取方式为：测试***对闪存芯片执行读数据操作从闪存中读出数据，测试***将读出的数据与写入的测试数据进行对比统计错误数据个数，错误率为错误个数除以总的数据个数。
CN201710973383.4A 2017-10-18 2017-10-18 一种基于数学模型的闪存芯片寿命预测方法 Active CN107967928B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710973383.4A CN107967928B (zh) 2017-10-18 2017-10-18 一种基于数学模型的闪存芯片寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710973383.4A CN107967928B (zh) 2017-10-18 2017-10-18 一种基于数学模型的闪存芯片寿命预测方法

Publications (2)

Publication Number Publication Date
CN107967928A CN107967928A (zh) 2018-04-27
CN107967928B true CN107967928B (zh) 2020-06-26

Family

ID=61997655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710973383.4A Active CN107967928B (zh) 2017-10-18 2017-10-18 一种基于数学模型的闪存芯片寿命预测方法

Country Status (1)

Country Link
CN (1) CN107967928B (zh)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215725B (zh) * 2017-07-03 2021-10-15 无锡华润上华科技有限公司 闪存器件可靠性测试方法、存储介质及电子设备
CN108777157B (zh) * 2018-05-08 2021-07-09 南京邮电大学 基于深度神经网络预测mlc闪存电压阈值的自适应方法
TWI657456B (zh) 2018-05-14 2019-04-21 慧榮科技股份有限公司 用來於記憶裝置中藉助於機器學習來進行的記憶體存取管理之方法，記憶裝置及其控制器以及電子裝置
CN108831517B (zh) * 2018-05-23 2021-04-27 武汉忆数存储技术有限公司 一种基于操作时间或电流判断闪存芯片可靠性的方法及测试装置
CN108682442B (zh) * 2018-05-23 2022-04-05 置富科技（深圳）股份有限公司 一种不同封装闪存芯片在线测试和分类方法及测试***
CN108847267B (zh) * 2018-05-23 2022-04-08 置富科技（深圳）股份有限公司 一种基于错误模式的闪存寿命测试方法
CN109634527B (zh) * 2018-12-12 2020-06-09 华中科技大学 一种ssd内实现的闪存寿命预测方法
CN109830254A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种闪存寿命预测方法、***、存储介质
CN109637576B (zh) * 2018-12-17 2021-06-11 华中科技大学 一种基于支持向量回归的闪存寿命预测方法
CN109830255B (zh) * 2018-12-17 2020-11-17 武汉忆数存储技术有限公司 一种基于特征量的闪存寿命预测方法、***及存储介质
CN109815534B (zh) * 2018-12-17 2020-09-04 武汉忆数存储技术有限公司 一种基于决策树算法的闪存寿命预测方法及***
CN109817267B (zh) * 2018-12-17 2021-02-26 武汉忆数存储技术有限公司 一种基于深度学习的闪存寿命预测方法、***及计算机可读存取介质
CN109857607A (zh) * 2018-12-24 2019-06-07 北京大学 一种NAND Flash固态硬盘的可靠性检测方法及装置
CN110007857B (zh) * 2019-03-08 2022-08-19 北京星网锐捷网络技术有限公司 一种闪存芯片的寿命预测方法及装置
CN110147290B (zh) * 2019-04-15 2023-06-27 深圳市纽创信安科技开发有限公司 芯片年龄判断方法、装置、芯片及终端
CN110211626B (zh) * 2019-05-13 2020-11-17 华中科技大学 一种闪存存储器健康度的度量方法及度量***
CN110232948B (zh) * 2019-05-28 2020-10-30 华中科技大学 一种ufs存储设备中ufs芯片健康度的度量方法及***
CN110851079B (zh) * 2019-10-28 2021-10-15 置富科技（深圳）股份有限公司 一种自适应的存储设备损耗均衡方法及***
CN111312326B (zh) * 2020-03-09 2021-11-12 宁波三星医疗电气股份有限公司 闪存寿命测试方法、装置、电力采集终端及存储介质
CN112908399B (zh) * 2021-02-05 2022-01-18 置富科技（深圳）股份有限公司 闪存的异常检测方法、装置、计算机设备及存储介质
CN112908391B (zh) * 2021-02-08 2022-04-12 置富科技（深圳）股份有限公司 一种基于数学模型的闪存分类方法及装置
CN113792878B (zh) * 2021-08-18 2024-03-15 南华大学 一种数值程序蜕变关系的自动识别方法
CN116880747A (zh) * 2023-06-13 2023-10-13 珠海妙存科技有限公司 闪存磨损程度判断方法和***、电子设备
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159169A (zh) * 2006-10-05 2008-04-09 国际商业机器公司 用于闪存的寿命终止预测的方法和电子设备
CN101266840A (zh) * 2008-04-17 2008-09-17 北京航空航天大学 一种闪存类电子产品的寿命预测方法
CN104376875A (zh) * 2014-11-19 2015-02-25 华为数字技术（苏州）有限公司 存储设备寿命预测、确定方法及装置
CN105159840A (zh) * 2015-10-16 2015-12-16 华中科技大学 一种闪存器件的软信息提取方法
CN105679369A (zh) * 2015-12-28 2016-06-15 上海华虹宏力半导体制造有限公司 闪存寿命预测方法和筛选方法
CN106504794A (zh) * 2015-09-04 2017-03-15 Hgst荷兰公司 用于闪存装置的操作参数
WO2017136220A1 (en) * 2016-02-01 2017-08-10 Qualcomm Incorporated Flash device lifetime monitor systems and methods

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10222982B2 (en) * 2016-02-10 2019-03-05 Ricoh Company, Ltd. Lifetime management device and lifetime management method

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159169A (zh) * 2006-10-05 2008-04-09 国际商业机器公司 用于闪存的寿命终止预测的方法和电子设备
CN101266840A (zh) * 2008-04-17 2008-09-17 北京航空航天大学 一种闪存类电子产品的寿命预测方法
CN104376875A (zh) * 2014-11-19 2015-02-25 华为数字技术（苏州）有限公司 存储设备寿命预测、确定方法及装置
CN106504794A (zh) * 2015-09-04 2017-03-15 Hgst荷兰公司 用于闪存装置的操作参数
CN105159840A (zh) * 2015-10-16 2015-12-16 华中科技大学 一种闪存器件的软信息提取方法
CN105679369A (zh) * 2015-12-28 2016-06-15 上海华虹宏力半导体制造有限公司 闪存寿命预测方法和筛选方法
WO2017136220A1 (en) * 2016-02-01 2017-08-10 Qualcomm Incorporated Flash device lifetime monitor systems and methods

Also Published As

Publication number Publication date
CN107967928A (zh) 2018-04-27

Similar Documents

Publication Publication Date Title
CN107967928B (zh) 一种基于数学模型的闪存芯片寿命预测方法
CN108766496B (zh) 一种在线动态预测闪存芯片寿命的方法及装置
CN109817267B (zh) 一种基于深度学习的闪存寿命预测方法、***及计算机可读存取介质
US11049009B2 (en) Identifying memory block write endurance using machine learning
CN109637576B (zh) 一种基于支持向量回归的闪存寿命预测方法
CN108682442B (zh) 一种不同封装闪存芯片在线测试和分类方法及测试***
CN108108810A (zh) 包括非易失性存储器件的存储装置及访问方法
US11783185B2 (en) Analysis of memory sub-systems based on threshold distributions
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及***
US20220027083A1 (en) Regression Neural Network for Identifying Threshold Voltages to be Used in Reads of Flash Memory Devices
US20220058488A1 (en) Partitionable Neural Network for Solid State Drives
KR20210032140A (ko) 뉴럴 네트워크에 대한 프루닝을 수행하는 방법 및 장치
CN112817524A (zh) 基于动态神经网络的闪存可靠性等级在线预测方法和装置
CN109830255B (zh) 一种基于特征量的闪存寿命预测方法、***及存储介质
CN110473581A (zh) 固态储存装置及其相关控制方法
TWI606451B (zh) 非揮發性記憶裝置及其控制方法
CN116822383A (zh) 设备寿命预测模型构建方法、装置、可读存储介质及设备
CN109815534B (zh) 一种基于决策树算法的闪存寿命预测方法及***
CN112908391B (zh) 一种基于数学模型的闪存分类方法及装置
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及***
CN111459706B (zh) 一种nand闪存错误率预测方法及***
CN115966235A (zh) 一种3d nand闪存寿命预警方法、***及存储介质
CN113254428A (zh) 一种基于决策树的缺失数据填充方法及***
CN116469442B (zh) 芯片数据保持时间的预测方法、装置及存储介质
CN110580932A (zh) 一种应用于损耗均衡的存储单元质量度量方法

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
CP03 Change of name, title or address

Address after: 430000 room 806-807, 8 / F, high tech building, 6-12 / F, scientific research building, No. 11, Jiayuan Road, Wuhan East Lake New Technology Development Zone, Wuhan, Hubei Province

Patentee after: Wuhan Zhifu Semiconductor Technology Co.,Ltd.

Address before: 430000 room 304-5, floor 3, building 2, Lanyu, Shuguang Software Park, central China, No. 1, Guanshan 1st Road, Donghu New Technology Development Zone, Wuhan, Hubei Province

Patentee before: WUHAN RECADATA STORAGE TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address