[发明专利]一种硬盘故障预测模型解释方法及装置在审
申请号: | 202010473269.7 | 申请日: | 2020-05-29 |
公开(公告)号: | CN111737067A | 公开(公告)日: | 2020-10-02 |
发明(设计)人: | 梁鑫辉;王团结 | 申请(专利权)人: | 苏州浪潮智能科技有限公司 |
主分类号: | G06F11/22 | 分类号: | G06F11/22 |
代理公司: | 济南舜源专利事务所有限公司 37205 | 代理人: | 刘雪萍 |
地址: | 215100 江苏省苏州市吴*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 硬盘 故障 预测 模型 解释 方法 装置 | ||
1.一种硬盘故障预测模型解释方法,其特征在于,包括以下步骤:
将对硬盘的实时监测数据输入训练好的预测模型进行预测;
若预测结果显示硬盘为风险盘,则将预测结果载入SHAP包进行模型解释;
将模型解释结果进行显示。
2.根据权利要求1所述的硬盘故障预测模型解释方法,其特征在于,将对硬盘的实时监测数据输入训练好的预测模型进行预测前,包括以下步骤:
对硬盘的实时检测数据进行数据预处理;
数据预处理包括数据清洗、时序特征提取和数据归一化处理。
3.根据权利要求2所述的硬盘故障预测模型解释方法,其特征在于,获取训练好的预测模型包括以下步骤:
对训练历史数据及故障标记进行数据预处理;
将处理后数据进行模型训练,获得预测模型并保存;
其中数据预处理包括数据清洗、时序特征提取和数据归一化处理。
4.根据权利要求3所述的硬盘故障预测模型解释方法,其特征在于,在对硬盘的实时监测数据进行预测阶段和训练预测模型阶段,进行时序特征提取时,将原始时序特征按照不同时间窗口提取为新的时序特征;
新的时序特征数量=原始时序特征数量*特征提取窗口数量*特征提取方法数量。
5.根据权利要求4所述的硬盘故障预测模型解释方法,其特征在于,将预测结果载入SHAP包进行模型解释,具体包括以下步骤:
将预测结果载入SHAP包,输出各个新的时序特征提取过的特征的贡献度;
将同一个原始时序特征衍生出的所有新的时序特征提取过的特征的贡献度进行合并累加,得到对应原始时序特征的总贡献度。
6.根据权利要求5所述的硬盘故障预测模型解释方法,其特征在于,将预测结果载入SHAP包进行模型解释,还包括以下步骤:
将原始时序特征的总贡献度使用sigmoid函数进行数据转换,并将转换后数据进行100倍放大,转为0-100至之间的分值进行输出;
原始时序特征的贡献度得分计算公式为:
其中,x表示贡献度,Score(x)为0-100之间的分数。
7.根据权利要求6所述的硬盘故障预测模型解释方法,其特征在于,将模型解释结果进行显示,具体包括:
将模型解释的分数排名前N的对应原始时序特征用雷达图进行呈现;N为大于等于1的整数。
8.一种硬盘故障预测模型解释装置,其特征在于,包括,
模型预测模块:将对硬盘的实时监测数据输入训练好的预测模型进行预测;
模型解释模块:若预测结果显示硬盘为风险盘,则将预测结果载入SHAP包进行模型解释;
解释结果显示模块:将模型解释结果进行显示。
9.根据权利要求8所述的硬盘故障预测模型解释装置,其特征在于,模型预测模块将对硬盘的实时监测数据输入训练好的预测模型进行预测前,先对硬盘的实时检测数据进行数据预处理;
该装置还包括:
训练数据处理模块:对训练历史数据及故障标记进行数据预处理;
预测模块训练模块:将训练数据处理模块处理后数据进行模型训练,获得预测模型并保存;
其中模型预测模块和训练数据处理模块中数据预处理包括数据清洗、时序特征提取和数据归一化处理;
进行时序特征提取时,将原始时序特征按照不同时间窗口提取为新的时序特征;
新的时序特征数量=原始时序特征数量*特征提取窗口数量*特征提取方法数量。
10.根据权利要求9所述的硬盘故障预测模型解释装置,其特征在于,模型解释模块包括,
SHAP分析单元:将预测结果载入SHAP包,输出各个新的时序特征提取过的特征的贡献度;
贡献度合并单元:将同一个原始时序特征衍生出的所有新的时序特征提取过的特征的贡献度进行合并累加,得到对应原始时序特征的总贡献度;
分值计算单元:将原始时序特征的总贡献度使用sigmoid函数进行数据转换,并将转换后数据进行100倍放大,转为0-100至之间的分值进行输出;
其中,原始时序特征的贡献度得分计算公式为:
式中,x表示贡献度,Score(x)为0-100之间的分数。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州浪潮智能科技有限公司,未经苏州浪潮智能科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010473269.7/1.html,转载请声明来源钻瓜专利网。