[发明专利]一种基于深度学习的磁盘故障预测规避方法及系统

权利要求书

1.一种基于深度学习的磁盘故障预测规避方法，其特征在于，该方法包括以下步骤：

S1：数据获取模块在预设时刻获取磁盘的状态数据；

S2：数据处理模块对模型预测模块获取的磁盘状态数据进行预处理；

S3：数据分解模块利用变分模态分解对预处理后的数据进行分解，得到多个非线性的模态分量；

S4：模型预测模块内LSTM故障预测模型对各个模态分量分别进行预测，并将多个预测值叠加得到预测结果，并根据预测结果获得磁盘的运行状况，所述LSTM故障预测模型包括：基于Adam算法计算梯度的一阶矩估计和二阶矩估计，以使得LSTM的网络参数具有独立的自适应性学习率，并对LSTM训练得到LSTM故障预测网络模型；

S5：数据传输模块根据磁盘运行状况对磁盘存储数据进行备份，并对应磁盘的故障率更改磁盘的读写率，以限制该磁盘的访问次数，其中，磁盘存储数据已通过分区模块按照数据重要性分区；

S6：通知模块当日工作时间通过邮件通知管理员磁盘运行状况，并提供磁盘检修意见；

所述步骤S5包括以下子步骤：

S51：数据传输模块获取磁盘的工作状态；

S52：当磁盘运行正常且备用磁盘为空白时，数据传输模块不工作；

S53：当磁盘运行正常且备用磁盘不为空白时，数据传输模块清空备用磁盘；

S54：当磁盘运行故障概率大于等于故障处理阈值且前一个运行周期运行正常时，数据传输模块将磁盘内最重要的存储内容传输至备用磁盘，并降低磁盘的访问次数；

S55：当磁盘运行故障概率大于等于故障处理阈值，前一个运行周期磁盘运行故障概率大于等于故障处理阈值，前两个运行周期磁盘运行正常时，数据传输模块将磁盘内次重要的存储内容传输至备用磁盘，并再次降低磁盘的访问次数；

S56：当磁盘运行故障概率大于等于故障处理阈值，前一个运行周期和前两个运行周期磁盘运行故障概率均大于等于故障处理阈值时，数据传输模块将磁盘内剩余数据全部传入备用磁盘后，将磁盘的访问地址修改为备用磁盘，此时，磁盘停止工作等待检修，备用磁盘代替磁盘工作。

2.如权利要求1所述方法，其特征在于，所述LSTM故障预测模型的构建过程，包括以下步骤：

SA1：获取历史磁盘状态数据，并将其分为训练数据集、验证数据集和测试数据集；

SA2：对训练数据集中的历史磁盘状态数据进行预处理；

SA3：利用变分模态分解对预处理后的数据进行分解，得到多个非线性的模态分量；

SA4：基于Adam算法优化LSTM的网络参数；

SA5：利用优化的LSTM故障预测模型对各模态分量进行预测；

SA6：将多个预测值进行线性叠加，得到预测结果；

SA7：对预测结果进行误差评估，以调整LSTM故障预测模型的网络参数，并最终得到LSTM故障预测模型。

3.如权利要求2所述方法，其特征在于，所述LSTM故障预测模型的训练过程，包括以下步骤：

SB1：对验证数据集中的历史磁盘状态数据进行预处理；

SB2：利用变分模态分解对预处理后的数据进行分解，得到多个非线性的模态分量；

SB3：基于Adam算法优化LSTM故障预测模型的网络参数；

SB4：利用优化的LSTM故障预测模型对各模态分量进行预测；

SB5：将多个预测值进行线性叠加，得到预测结果；

SB6：对预测结果进行误差评估，以调整LSTM故障预测模型的网络参数；

SB7：重复上述预测步骤，使得最终调整的LSTM故障预测模型的网络参数，对应的预测结果的误差位于期望范围内。

4.如权利要求2或3所述方法，其特征在于，所述LSTM故障预测模型的测试验证过程，包括以下步骤：

SC1：对测试数据集中的历史磁盘状态数据进行预处理；

SC2：利用变分模态分解对预处理后的数据进行分解，得到多个非线性的模态分量；

SC3：利用调整网络参数后的LSTM故障预测模型对各模态分量进行预测；

SC4：将多个预测值进行线性叠加，得到预测结果；

SC5：将预测结果与实际结果进行对比，得到对比结果；

SC6：基于对比结果构建模型评价指标体系，并确定最终的LSTM故障预测模型。