[发明专利]利用神经网络的盘驱动器故障预测

说明书

盘驱动器故障是使用机器学习模型预测的。该框架涉及接收盘驱动器传感器属性作为训练数据，预处理训练数据以选择增强特征序列的集合，以及使用增强特征序列来训练机器学习模型以从盘驱动器传感器监视数据来预测盘驱动器故障。在训练阶段之前，使用预定义的超参数的集合来调谐RNN LSTM模型。在训练和评估阶段期间以及随后在预测阶段期间执行的预处理涉及对参数的集合使用预定义的值，以从原始传感器读数生成增强序列的集合。生成增强特征序列以维持期望的健康/发生故障的盘比率，并且仅使用导致上一个有效时间样本的样本来满足预先指定的抬头期警告要求。

技术领域

本发明涉及一种用于训练用盘驱动器传感器数据训练的特定机器学习系统的框架，以学习重要属性并提前识别盘驱动器故障。

背景技术

盘驱动器是数据中心中故障最严重的组件之一。每次故障会对业务造成严重损害，从短时间的停机到严重的数据丢失。虽然一些盘驱动器故障是不可预见的，因为它们是由于环境或人为因素而发生的，但大多数故障是由于磨损造成的并且可以通过分析从盘驱动器传感器收集的数据来预测。

盘驱动器传感器量化盘驱动器的操作条件并记录可能指示故障的事件。类似地，一些供应商甚至将基于简单预测性阈值的传感器读数分析嵌入到盘驱动器中，以发信号通知故障。这些方法的有效性受到限制，因为制造商会由于保修条件而保守地调谐错误阈值。

与其数量可能达到数千甚至更多的数据中心中盘驱动器部署的规模相比，盘驱动器传感器数据集非常小。一些最近的盘驱动器传感器数据发现表明，小的盘驱动器属性集合在盘驱动器故障中起着重要作用。这些发现趋于特定于某些盘驱动器品牌和型号。此外，关于指示盘驱动器故障的属性的其中一些发现区域表现出高误报率。

此外，盘驱动器传感器数据集指示盘驱动器故障行为是复杂的。尝试使用简单的阈值化技术或用简单的统计建模方法来捕获这种行为的方法在预测使用大规模应用场景中采用的多个盘驱动器供应商和型号的数据中心规模部署中的故障时发现自己受到限制。

本文描述的方法涉及一种用于在时序盘驱动器传感器数据上应用机器学习的框架，以便自动识别指示盘驱动器故障的盘驱动器属性，而不受盘驱动器供应商、盘驱动器型号或盘驱动器属性传感器监视的限制。

本节中描述的方法是可以采用的方法，但不一定是先前已经设想或采用的方法。因此，除非另有指示，否则不应当仅由于将本节中所述的任何方法包括在本节中而将其假设为现有技术。

附图说明

在附图中：

图1a描绘了根据实施例的在机器学习模型的训练期间用于盘驱动器故障预测的机器学习系统。

图1b描绘了根据实施例的在训练机器学习模型之后用于盘驱动器故障预测的机器学习系统。

图2描绘了根据实施例的从传感器接收的三维数据。

图3描绘了根据实施例的一些参数之间的关系。

图4是描绘根据实施例的用于训练和使用机器学习模型的方法的流程图。

图5是根据实施例的系统的功能概述。

图6描绘了根据实施例的系统中的图形用户系统的示例。

图7是根据实施例的由系统流程图生成的表格输出的示例。

图8是描绘可以在实施例中使用的软件系统的图。

图9是描绘可以在实施例中使用的计算机系统的图。

具体实施方式

在下面的描述中，出于解释的目的，阐述了许多具体细节以便提供对本发明的透彻理解。但是，将显而易见的是，可以在没有这些具体细节的情况下实践本发明。在其它情况下，以框图形式示出了众所周知的结构和设备，以避免不必要地使本发明晦涩难懂。

总体概述