一种磁盘故障预测方法、装置、设备及可读存储介质与流程

本发明涉及故障处理，特别是涉及一种磁盘故障预测方法、装置、设备及可读存储介质。

背景技术：

1、smart（磁盘监控数据）技术是一种硬盘自我监测、分析与报告技术，被广泛应用于磁盘故障的预警。通过持续监控诸如磁头错误次数、工作温度、电源开关次数等指标，smart技术旨在提前识别出可能导致故障的征兆。传统的预测模型在预测时，使用的特征为无法全面的表示磁盘属性的特征，导致故障预测的精准度比较低。

2、可见，如何提高故障预测的准确性，是本领域技术人员急需解决的技术问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种磁盘故障预测方法、装置、设备及可读存储介质，解决了现有技术中故障预测准确性低的技术问题。

2、为解决上述技术问题，本发明提供了一种磁盘故障预测方法，包括：

3、对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的归一化后的时间序列数据；

4、对每种磁盘属性对应的所述归一化后的时间序列数据进行多尺度卷积，得到每种磁盘属性对应的第一特征向量；

5、利用通道注意力机制确定不同磁盘属性对应的权重，基于所述权重和每种磁盘属性对应的所述第一特征向量，得到每种磁盘属性对应的第二特征向量；

6、利用时间注意力机制确定时间点的权重，基于所述时间点的权重对每种磁盘属性对应的所述第二特征向量进行调整，得到第三特征向量；

7、基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果。

8、一方面，所述对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的归一化后的时间序列数据，包括：

9、利用最小最大归一化方法对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的所述归一化后的时间序列数据。

10、一方面，所述对每种磁盘属性对应的所述归一化后的时间序列数据进行多尺度卷积，得到每种磁盘属性对应的第一特征向量，包括：

11、定义多个不同大小的卷积核，每个卷积核对应一个特定的尺度；

12、将每个卷积核应用于输入的每种磁盘属性对应的所述归一化后的时间序列数据，得到不同尺度的特征图；

13、将不同尺度的特征图进行拼接，得到每种磁盘属性对应的所述第一特征向量。

14、一方面，所述利用通道注意力机制确定不同磁盘属性对应的权重，基于所述权重和每种磁盘属性对应的所述第一特征向量，得到每种磁盘属性对应的第二特征向量，包括：

15、对每种磁盘属性对应的所述第一特征向量进行池化处理，得到每种磁盘属性对应的全局信息；

16、基于所述全局信息通过特征提取操作确定每种磁盘属性的权重；其中，所述特征提取操作包括卷积操作和激活函数处理；

17、基于每种磁盘属性的权重和每种磁盘属性对应的所述第一特征向量进行相乘，得到每种磁盘属性对应的重新校准特征向量；

18、将每种磁盘属性对应的所述重新校准特征向量和所述第一特征向量进行残差连接，得到每种磁盘属性对应的所述第二特征向量。

19、一方面，所述利用时间注意力机制确定时间点的权重，基于所述时间点的权重对每种磁盘属性对应的所述第二特征向量进行调整，得到第三特征向量，包括：

20、利用卷积层对所有磁盘属性的所述第二特征向量进行特征聚合处理，得到时域信号的特征图；

21、利用激活函数对所述时域信号的特征图进行处理，得到所述时间点的权重；

22、基于聚集信号段提取方法确定每种磁盘属性对应的所述第二特征向量中的局部时间信号；其中，所述聚集信号段提取方法为基于时间窗口的方法、基于事件触发的方法、基于数据驱动的方法和基于统计特性的方法中的至少一种；

23、利用卷积层对每种磁盘属性对应的所述第二特征向量中的局部时间信号之间的特征信息进行编码，得到调整后的第二特征向量；

24、将所述时间点的权重和每种磁盘属性对应的所述调整后的第二特征向量进行相乘，得到每种磁盘属性对应的重新校准的调整后的第二特征向量；

25、将每种磁盘属性对应的所述重新校准的调整后的第二特征向量和对应的所述第二特征向量进行加和处理，得到每种磁盘属性对应的所述第三特征向量。

26、一方面，基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果，包括：

27、利用所述预测模型中的全局池化对每种磁盘属性对应的所述第三特征向量进行全局池化处理，得到每种磁盘属性对应的池化处理预测数据；

28、利用所述预测模型中的全连接层对每种磁盘属性对应的所述池化处理预测数据进行处理，得到每种磁盘属性对应的全局特征预测数据；

29、利用所述预测模型中的激活函数对所述全局特征预测数据进行处理，确定每种磁盘属性对应的所述故障预测结果。

30、一方面，基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果，包括：

31、基于所述第三特征向量利用所述预测模型进行预测，得到每种磁盘属性的分类标签故障预测结果；其中，分类标签为第一预设值，确定当前磁盘属性为健康状态，分类标签为第二预设值，确定当前磁盘属性为故障状态。

32、本发明实施例还提供了一种磁盘故障预测装置，包括：

33、归一化处理模块，用于对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的归一化后的时间序列数据；

34、多尺度处理模块，用于对每种磁盘属性对应的所述归一化后的时间序列数据进行多尺度卷积，得到每种磁盘属性对应的第一特征向量；

35、属性权重确定模块，用于利用通道注意力机制确定不同磁盘属性对应的权重，基于所述权重和每种磁盘属性对应的所述第一特征向量，得到每种磁盘属性对应的第二特征向量；

36、时间点权重确定模块，用于利用时间注意力机制确定时间点的权重，基于所述时间点的权重对每种磁盘属性对应的所述第二特征向量进行调整，得到第三特征向量；

37、故障预测模块，用于基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果。

38、本发明实施例还包括一种磁盘故障预测设备，包括：

39、存储器，用于存储计算机程序；

40、处理器，用于执行所述计算机程序以实现如上述磁盘故障预测方法的步骤。

41、本发明实施例还提供了一种可读存储介质，所述可读存储介质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如上述磁盘故障预测方法的步骤。

42、本发明还提供一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现上述磁盘故障预测方法的步骤。

43、本发明实施例的目的是提供一种磁盘故障预测方法、装置、设备及可读存储介质，可以解决故障预测准确性低的技术问题。

44、为解决上述技术问题，本发明实施例提供一种磁盘故障预测方法，可以包括：对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的归一化后的时间序列数据；对每种磁盘属性对应的归一化后的时间序列数据进行多尺度卷积，得到每种磁盘属性对应的第一特征向量；利用通道注意力机制确定不同磁盘属性对应的权重，基于权重和每种磁盘属性对应的所述第一特征向量，得到每种磁盘属性对应的第二特征向量；利用时间注意力机制确定时间点的权重，基于时间点的权重对每种磁盘属性对应的第二特征向量进行调整，得到第三特征向量；基于第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果。

45、由上述技术方案可以看出，本发明的有益效果在于：本发明利用多尺度卷积对每种磁盘属性对应的归一化后的时间序列数据的特征进行提取，得到每种磁盘属性对应的多尺度特征（第一特征向量），从而利用通道注意力机制确定不同磁盘属性对应的权重，基于权重和每种磁盘属性对应的第一特征向量，得到每种磁盘属性对应的第二特征向量；利用时间注意力机制确定时间点的权重，基于时间点的权重对每种磁盘属性对应的第二特征向量进行调整，得到第三特征向量，得到进行故障预测使用的多尺度的第三特征向量，由于最后进行故障预测使用的为校准后的多尺度特征，从而提高了故障预测模型的准确性。

技术特征：

1.一种磁盘故障预测方法，其特征在于，包括：

2.根据权利要求1所述的磁盘故障预测方法，其特征在于，所述对每种磁盘属性对应的时间序列数据进行归一化处理，得到每种磁盘属性对应的归一化后的时间序列数据，包括：

3.根据权利要求1所述的磁盘故障预测方法，其特征在于，所述对每种磁盘属性对应的所述归一化后的时间序列数据进行多尺度卷积，得到每种磁盘属性对应的第一特征向量，包括：

4.根据权利要求1至3任一项所述的磁盘故障预测方法，其特征在于，所述利用通道注意力机制确定不同磁盘属性对应的权重，基于所述权重和每种磁盘属性对应的所述第一特征向量，得到每种磁盘属性对应的第二特征向量，包括：

5.根据权利要求1所述的磁盘故障预测方法，其特征在于，所述利用时间注意力机制确定时间点的权重，基于所述时间点的权重对每种磁盘属性对应的所述第二特征向量进行调整，得到第三特征向量，包括：

6.根据权利要求1所述的磁盘故障预测方法，其特征在于，基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果，包括：

7.根据权利要求1所述的磁盘故障预测方法，其特征在于，基于所述第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果，包括：

8.一种磁盘故障预测装置，其特征在于，包括：

9.一种磁盘故障预测设备，其特征在于，包括：

10.一种可读存储介质，其特征在于，所述可读存储介质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如权利要求1至7任意一项所述磁盘故障预测方法的步骤。

技术总结
本发明公开了一种磁盘故障预测方法、装置、设备及可读存储介质，应用于故障处理技术领域，包括：对每种磁盘属性对应的时间序列数据进行归一化处理，归一化后的时间序列数据；对每种磁盘属性对应的归一化后的时间序列数据进行多尺度卷积，并利用通道注意力机制确定不同磁盘属性对应的权重，基于权重和每种磁盘属性对应的第一特征向量，得到第二特征向量；利用时间注意力机制确定时间点的权重，基于时间点的权重对第二特征向量进行调整，得到第三特征向量；基于第三特征向量利用预测模型进行预测，得到每种磁盘属性的时间序列数据对应的故障预测结果。本发明进行故障预测使用的多尺度的第三特征向量，从而提高了故障预测模型的准确性。

技术研发人员：胡飞
受保护的技术使用者：济南浪潮数据技术有限公司
技术研发日：
技术公布日：2024/12/5