CN113257329A - 一种基于机器学习的存储器故障诊断方法 - Google Patents

一种基于机器学习的存储器故障诊断方法 Download PDF

Info

Publication number
CN113257329A
CN113257329A CN202110390638.0A CN202110390638A CN113257329A CN 113257329 A CN113257329 A CN 113257329A CN 202110390638 A CN202110390638 A CN 202110390638A CN 113257329 A CN113257329 A CN 113257329A
Authority
CN
China
Prior art keywords
model
fault diagnosis
optimized
training
som
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.)
Pending
Application number
CN202110390638.0A
Other languages
English (en)
Inventor
怀娜娜
肖爱斌
魏志超
张洪伟
刘辉
张竞择
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.)
China Academy of Space Technology CAST
Original Assignee
China Academy of Space Technology CAST
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 China Academy of Space Technology CAST filed Critical China Academy of Space Technology CAST
Priority to CN202110390638.0A priority Critical patent/CN113257329A/zh
Publication of CN113257329A publication Critical patent/CN113257329A/zh
Pending legal-status Critical Current

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
    • G11C29/08—Functional testing, e.g. testing during refresh, power-on self testing [POST] or distributed testing
    • G11C29/12—Built-in arrangements for testing, e.g. built-in self testing [BIST] or interconnection details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本申请公开了一种基于机器学习的存储器故障诊断方法，该方法包括：确定待检测存储器至少一种故障特征对应的特征数据集，构建故障诊断模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，其中，所述故障诊断模型为神经网络模型；实时获取所述待检测存储器的特征数据，根据所述特征数据和所述优化后的故障诊断模型进行故障诊断得到分析结果。本申请解决了现有技术中故障诊断的效率以及***运行的安全性和可靠性较低的技术问题。

Description

一种基于机器学习的存储器故障诊断方法
技术领域
本申请涉及存储器故障诊断技术领域，尤其涉及一种基于机器学习的存储器故障诊断方法。
背景技术
在航空航天领域中存储器是在轨***的重要组成部分之一，而存储器作为一种电子器件非常容易发生故障，存储器一旦发生故障，将会在一些重要的国防军事领域造成巨大损失，从而对整个***运行的安全性、可靠性带来严峻的挑战。因此，存储器在轨故障诊断能力日益受到重视，实时掌握存储器在轨的健康状态信息和快速诊断故障类型就显得非常重要和迫切，存储器在轨故障诊断已经成为现代化电子装置稳定性研究的重要内容。
目前，常见的故障诊断方法主要用于存储器装机使用前的器件级筛选试验，故障诊断的方法过程为：在存储器使用过程中通过监测器件的电压、电流等参数以及读写数据是否有误来判定器件是否故障；当确定存储器存在故障时，主要通过人为分析存储器乃至***数据进行故障定位，尤其在航天器在轨运行中，下传故障数据存在延迟，数据量小，且无法进行故障复现，地面操作人员分析故障原因困难，故障定位不准确，分析效率低。
发明内容
本申请解决的技术问题是：针对现有技术中故障诊断的效率以及***运行的安全性和可靠性较低，本申请提供了一种基于机器学习的存储器故障诊断方法，本申请实施例所提供的方案中，确定待检测存储器至少一种故障特征对应的特征数据集以及构建故障诊断模型，然后基于机器学习方法根据特征数据集对故障诊断模型进行训练得到优化的故障诊断模型，再根据优化的故障诊断模型快速准确对存储器进行故障分析、故障识别，有利于提高故障诊断的效率以及***运行的安全性和可靠性。
第一方面，本申请实施例提供一种基于机器学习的存储器故障诊断方法，该方法包括：
确定待检测存储器至少一种故障特征对应的特征数据集，构建故障诊断模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，其中，所述故障诊断模型为神经网络模型；
实时获取所述待检测存储器的特征数据，根据所述特征数据和所述优化后的故障诊断模型进行故障诊断得到分析结果。
本申请实施例所提供的方案中，确定待检测存储器至少一种故障特征对应的特征数据集以及构建故障诊断模型，然后基于机器学习方法根据特征数据集对故障诊断模型进行训练得到优化的故障诊断模型，再根据优化的故障诊断模型快速准确对存储器进行故障分析、故障识别，有利于提高故障诊断的效率以及***运行的安全性和可靠性
可选地，所述故障诊断模型包括自组织特征映射SOM模型、支持向量机SVM模型或SOM模型与SVM模型的混合模型。
可选地，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：
根据预设比例将所述特征数据集划分为训练集和测试集；
通过欠采样处理对所述训练集中数据样本个数进行压缩得到压缩后的训练集。
本申请实施例所提供的方案中，通过欠采样处理对训练集中数据样本个数进行压缩得到压缩后的训练集，即将数据样本多的集合进行欠采样进行数据样本个数的压缩，使得采样的个数少于该类样本的个数，进而避免了小样本不均衡造成分类效果变差现象的发生。
可选地，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：
对所述特征数据集进行归一化处理得到归一化后的特征数据集。
本申请实施例所提供的方案中，将特征数据集进行归一化处理得到归一化后的特征数据集，消除了各类数据不在同一个量纲单位的影响以及加快模型中数据的收敛速度。
可选地，若所述故障诊断模型为SOM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
对所述SOM模型进行初始化处理设定输入神经元个数和权重向量，将所述训练样本输入到所述SOM模型的输入层确定出获胜神经元；
以所述获胜神经元为中心确定优胜域，根据所述优胜域调整所述权重向量，直到所述SOM模型输出结果满足预设需求，得到优化后的SOM模型。
可选地，若所述故障诊断模型为SVM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
确定所述SVM模型的核函数、最优惩罚因子以及核函数参数；
根据所述特征数据集、所述核函数、所述最优惩罚因子以及所述核函数参数对所述SVM模型进行训练得到优化后的SVM模型。
可选地，若所述故障诊断模型为SOM模型与SVM模型的混合模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
根据所述训练集对所述SOM模型进行训练得到优化后的SOM模型；
将所述训练集进行压缩处理得到压缩后的训练集，根据所述压缩后的训练集对所述SVM模型进行优化得到优化后的SVM模型；
根据所述优化后的SOM模型和所述优化后的SVM模型得到优化后的混合模型。
附图说明
图1为本申请实施例所提供的一种基于机器学习的存储器故障诊断方法的流程示意图；
图2为本申请实施例所提供的一种SOM模型的优化步骤示意图；
图3为本申请实施例所提供的一种SVM模型的优化步骤示意图；
图4为本申请实施例所提供的一种SOM模型和SVM模型的混合模型优化步骤示意图；
图5为本申请实施例所提供的一种基于机器学习的存储器故障诊断方法的流程示意图；
图6为本申请实施例所提供的一种基于机器学习的存储器故障诊断***的结构示意图。
具体实施方式
本申请实施例提供的方案中，所描述的实施例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它实施例，都属于本申请保护的范围。
以下结合说明书附图对本申请实施例所提供的一种基于机器学习的存储器故障诊断方法做进一步详细的说明，该方法具体实现方式可以包括以下步骤(方法流程如图1所示)：
步骤101，确定待检测存储器至少一种故障特征对应的特征数据集，构建故障诊断模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，其中，所述故障诊断模型为神经网络模型。
具体的，在本申请实施例所提供的方案中，待检测存储器包括但不限制于随机存储器、只读存储器以及外存储器，故障特征包括但不限制于故障类型和故障数据，其中，故障数据包括确故障时静态泄露电流数据、动态电流数据以及高速脉冲上升沿和下降沿数据。
进一步，在确定存储器至少一种故障特征对应的特征数据集之后，构建故障诊断模型，其中，故障诊断模型的种类有多种，下面以其中几种为例进行说明。
在一种可能实现的方式中，所述故障诊断模型包括自组织特征映射SOM模型、支持向量机SVM模型或SOM模型与SVM模型的混合模型。
具体的，在本申请实施例所提供的方案中，故障诊断模型包括自组织特征映射(Self-organizing Maps，SOM)模型、支持向量机(Support Vecor Machine，SVM)模型或SOM模型与SVM模型的混合模型；其中，SOM模型是一种自组织竞争人工神经网络，SVM模型是一种二分类模型。
步骤102，实时获取所述待检测存储器的特征数据，根据所述特征数据和所述优化后的故障诊断模型进行故障诊断得到分析结果。
进一步，为了防止小样本不均衡造成分类效果变差现象的发生，在一种可能实现的方式中，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：根据预设比例将所述特征数据集划分为训练集和测试集；通过欠采样处理对所述训练集中数据样本个数进行压缩得到压缩后的训练集。
在本申请实施例所提供的方案中，预设比例可以为7:3，也可为其他比例，在此并不做限定。具体的，首先根据预设比例将特征数据集划分为训练集和测试集，然后通过欠采样处理对训练集中数据样本个数进行压缩得到压缩后的训练集，即将数据样本多的集合进行欠采样进行数据样本个数的压缩，使得采样的个数少于该类样本的个数。
进一步，为了消除了各类数据不在同一个量纲单位的影响以及加快模型中数据的收敛速度，在一种可能实现的方式中，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：对所述特征数据集进行归一化处理得到归一化后的特征数据集。
在本申请实施例所提供的方案中，故障诊断模型包括SOM模型、SOM模型或SOM模型与SVM模型的混合模型，不同故障诊断模型训练优化的方式不同，为了便于理解下面对每种类型故障诊断模型的优化过程进行简要说明。
一、故障诊断模型为SOM模型
在一种可能实现的方式中，若所述故障诊断模型为SOM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
对所述SOM模型进行初始化处理设定输入神经元个数和权重向量，将所述训练样本输入到所述SOM模型的输入层确定出获胜神经元；
以所述获胜神经元为中心确定优胜域，根据所述优胜域调整所述权重向量，直到所述SOM模型输出结果满足预设需求，得到优化后的SOM模型。
具体的，在本申请实施例所提供的方案中，参见图2，对SOM模型训练步骤如下所示：
a)、对网络进行初始化，设定输入神经元个数和权向量。
b)、将待训练的样本传入网络的输入层。
c)、寻找获胜神经元。
d)、SOM网络以获胜神经元为中心确定优胜领域。
e)、利用公式1对权值进行调整：
wij(t+1)＝wij(t)+η(t)(xi(t)-wij(t)) (1)
其中，η∈(0,1)，η(t)可由公式2取得：
Figure BDA0003016592200000061
其中，T表示步长。
f)、利用公式3计算输出的结果。
Figure BDA0003016592200000062
其中，f()为0～1的函数。
g)、输出是否满足需求，满足则模型训练结束，对标准故障进行标记，否则，返回步骤b，进行下一轮学习。
二、故障诊断模型为SVM模型
在一种可能实现的方式中，若所述故障诊断模型为SVM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：确定所述SVM模型的核函数、最优惩罚因子以及核函数参数；根据所述特征数据集、所述核函数、所述最优惩罚因子以及所述核函数参数对所述SVM模型进行训练得到优化后的SVM模型。
具体的，在本申请实施例所提供的方案中，参见图3，对SVM模型训练步骤如下所示：
1)、选择核函数。
2)、寻求模型中的最优惩罚因子、核函数参数。
3)、模型训练，得最优SVM模型。
三、故障诊断模型为SOM模型与SVM模型的混合模型
在一种可能实现的方式中，若所述故障诊断模型为SOM模型与SVM模型的混合模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：根据所述训练集对所述SOM模型进行训练得到优化后的SOM模型；将所述训练集进行压缩处理得到压缩后的训练集，根据所述压缩后的训练集对所述SVM模型进行优化得到优化后的SVM模型；根据所述优化后的SOM模型和所述优化后的SVM模型得到优化后的混合模型。
具体的，在本申请实施例所提供的方案中，参见图4，对SOM模型与SVM模型的混合模型训练步骤如下所示：
(a)、将数据集中的训练集用于SOM模型，训练得到最优SOM模型。
(b)、根据聚类的结果，进行训练集的压缩。
(c)、将上述压缩后的训练集用于SVM模型，训练得到最优SVM模型，也就是最优的混合模型。
(d)、选用测试集中的一条数据，作为最优混合模型的输入。
(e)、经过混合模型的诊断，输出故障类型和程度。
具体的，在本申请实施例所提供的方案中，优化后的SOM模型、优化后的SVM模型以及优化后的SOM模型与SVM模型的混合模型均包含最优故障诊断多分类器，每个故障诊断分类器可用于分离出其对应类型的故障特征数据。
进一步，为便于理解上述故障诊断的过程，下面对其进行简要介绍，参见图5所示，为本申请实施例所提供的一种存储器故障诊断方法的流程示意图；在图5中，从待检测存储器中选取故障特征，然后根据故障特征获取特征数据集，将特征数据集进行归一化处理以及构建故障诊断模型，然后根据特征数据集对故障诊断模型进行训练得到最优故障诊断多分类器，然后根据最优故障诊断多分类器对故障进行分析、诊断得到分析及诊断结果。
进一步，为了执行上述故障诊断算法，下面对故障诊断***进行简要介绍。参见图6，为本申请实施例所提供的一种基于机器学习的存储器故障诊断***的结构示意图。在图6中，该***包含核心板61、接口62、存储器适配板63、待检测存储器64、静态泄露电流监视器65，动态电流监视器66以及高速脉冲计数电路67。
具体的，核心板61为现场可编程逻辑门阵列(Field Programmable Gate Array，FPGA)，例如，核心板61为ZYNQ XAZU3 FPGA。在故障诊断模型训练得到优化的故障诊断模型之后，将优化后的故障诊断模型烧录到核心板61中，核心板61用于在故障诊断过程中运行故障诊断模型；接口62包括但不限制于IO接口、以太网接口、CAN接口以及USB接口，接口62与核心板61连接；存储器适配板63包括多种类型的接口，用于实现待检测存储器64与核心板61、静态泄露电流监视器65，动态电流监视器66以及高速脉冲计数电路67连接；待检测存储器64与存储器适配板63连接；静态泄露电流监视器65用于监测待检测存储器64工作过程中的静态电流；动态电流监视器66用于监测待检测存储器64工作过程中的动态电流；高速脉冲计数电路67用于监测上升和下降沿，高速脉冲计数电路67包括延迟时间监测器671和位翻转监测器672。
本申请实施例所提供的方案中，确定待检测存储器至少一种故障特征对应的特征数据集以及构建故障诊断模型，然后基于机器学习方法根据特征数据集对故障诊断模型进行训练得到优化的故障诊断模型，再根据优化的故障诊断模型快速准确对存储器进行故障分析、故障识别，有利于提高故障诊断的效率以及***运行的安全性和可靠性。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

Claims (7)

1.一种基于机器学习的存储器故障诊断方法，其特征在于，包括：
确定待检测存储器至少一种故障特征对应的特征数据集，构建故障诊断模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，其中，所述故障诊断模型为神经网络模型；
实时获取所述待检测存储器的特征数据，根据所述特征数据和所述优化后的故障诊断模型进行故障诊断得到分析结果。
2.如权利要求1所述的方法，其特征在于，所述故障诊断模型包括自组织特征映射SOM模型、支持向量机SVM模型或SOM模型与SVM模型的混合模型。
3.如权利要求2所述的方法，其特征在于，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：
根据预设比例将所述特征数据集划分为训练集和测试集；
通过欠采样处理对所述训练集中数据样本个数进行压缩得到压缩后的训练集。
4.如权利要求1～3任一项所述的方法，其特征在于，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型之前，还包括：
对所述特征数据集进行归一化处理得到归一化后的特征数据集。
5.如权利要求4所述的方法，其特征在于，若所述故障诊断模型为SOM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
对所述SOM模型进行初始化处理设定输入神经元个数和权重向量，将所述训练样本输入到所述SOM模型的输入层确定出获胜神经元；
以所述获胜神经元为中心确定优胜域，根据所述优胜域调整所述权重向量，直到所述SOM模型输出结果满足预设需求，得到优化后的SOM模型。
6.如权利要求5所述的方法，其特征在于，若所述故障诊断模型为SVM模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
确定所述SVM模型的核函数、最优惩罚因子以及核函数参数；
根据所述特征数据集、所述核函数、所述最优惩罚因子以及所述核函数参数对所述SVM模型进行训练得到优化后的SVM模型。
7.如权利要求6所述的方法，其特征在于，若所述故障诊断模型为SOM模型与SVM模型的混合模型，根据所述特征数据集对所述故障诊断模型进行训练得到优化后的故障诊断模型，包括：
根据所述训练集对所述SOM模型进行训练得到优化后的SOM模型；
将所述训练集进行压缩处理得到压缩后的训练集，根据所述压缩后的训练集对所述SVM模型进行优化得到优化后的SVM模型；
根据所述优化后的SOM模型和所述优化后的SVM模型得到优化后的混合模型。
CN202110390638.0A 2021-04-12 2021-04-12 一种基于机器学习的存储器故障诊断方法 Pending CN113257329A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110390638.0A CN113257329A (zh) 2021-04-12 2021-04-12 一种基于机器学习的存储器故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110390638.0A CN113257329A (zh) 2021-04-12 2021-04-12 一种基于机器学习的存储器故障诊断方法

Publications (1)

Publication Number Publication Date
CN113257329A true CN113257329A (zh) 2021-08-13

Family

ID=77220632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110390638.0A Pending CN113257329A (zh) 2021-04-12 2021-04-12 一种基于机器学习的存储器故障诊断方法

Country Status (1)

Country Link
CN (1) CN113257329A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110490A (zh) * 2023-01-06 2023-05-12 深圳市章江科技有限公司 一种使用神经网络模型的dram存储器测试方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN111190349A (zh) * 2019-12-30 2020-05-22 中国船舶重工集团公司第七一一研究所 船舶机舱设备状态监测及故障诊断方法、***及介质
CN111580506A (zh) * 2020-06-03 2020-08-25 南京理工大学 基于信息融合的工业过程故障诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462846A (zh) * 2014-12-22 2015-03-25 山东鲁能软件技术有限公司 一种基于支持向量机的设备故障智能诊断方法
CN111190349A (zh) * 2019-12-30 2020-05-22 中国船舶重工集团公司第七一一研究所 船舶机舱设备状态监测及故障诊断方法、***及介质
CN111580506A (zh) * 2020-06-03 2020-08-25 南京理工大学 基于信息融合的工业过程故障诊断方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116110490A (zh) * 2023-01-06 2023-05-12 深圳市章江科技有限公司 一种使用神经网络模型的dram存储器测试方法和***

Similar Documents

Publication Publication Date Title
US10706332B2 (en) Analog circuit fault mode classification method
US11971959B2 (en) Data test method, electronic device and storage medium
CN110688288A (zh) 基于人工智能的自动化测试方法、装置、设备及存储介质
CN113792825A (zh) 一种用电信息采集设备故障分类模型训练方法及装置
CN107705819A (zh) 一种存储芯片分类方法、分类装置及分类***
CN108717496B (zh) 雷达天线阵面故障检测方法及***
CN113541985B (zh) 物联网故障诊断方法、模型的训练方法及相关装置
CN111290967A (zh) 一种软件缺陷预测方法、装置、设备及存储介质
CN111860568B (zh) 数据样本的均衡分布方法、装置及存储介质
CN108595884A (zh) 电力***暂态稳定性评估方法及装置
CN109635864B (zh) 一种基于数据的容错控制方法及装置
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN110020637A (zh) 一种基于多粒度级联森林的模拟电路间歇故障诊断方法
CN113257329A (zh) 一种基于机器学习的存储器故障诊断方法
CN113449778A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN113033845B (zh) 一种电力传输资源共建共享的建设方法及装置
CN113656354A (zh) 日志分类方法、***、计算机设备和可读存储介质
CN113283316A (zh) 一种基于声音信号的开关机械故障诊断方法、装置及设备
CN113886579B (zh) 行业资讯正负面模型构建方法和***、识别方法和***
CN113434408B (zh) 一种基于测试预言的单元测试用例排序方法
CN112328787B (zh) 文本分类模型训练方法、装置、终端设备及存储介质
CN109474445B (zh) 一种分布式***根源故障定位方法及装置
CN112434839B (zh) 一种配电变压器重过载风险的预测方法及电子设备
CN113946506A (zh) 软件的埋点质量评估方法、装置、计算设备和存储介质
CN115269417A (zh) 一种基于开放银行平台的应用程序接口仿真调试方法

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