[发明专利]一种芯粒工作状态监测方法、装置、电子设备及存储介质

说明书

本发明涉及芯粒监测技术领域，特别涉及一种芯粒工作状态监测方法、装置、电子设备及存储介质，其中方法包括：获取各芯粒待检测时刻的各项工作参数检测值及一段连续历史时刻的工作参数，并进行标准化处理；截取待检测时刻前最新一段历史时刻的工作参数，输入训练好的CNN‑LSTM预测模型，获得待检测时刻对应的工作参数预测值；基于一段连续历史时刻的工作参数，确定各项工作参数待检测时刻的参照值；基于各芯粒待检测时刻的各项工作参数检测值、预测值及参照值，判定各芯粒工作状态是否出现异常，是则报警，否则继续检测。本发明能够监测各个芯粒的工作状态，以及时发现异常征兆。

技术领域

本发明实施例涉及芯粒监测技术领域，特别涉及一种芯粒工作状态监测方法、装置、电子设备及存储介质。

背景技术

芯粒（Chiplet，又称小芯片）是一种功能电路块，芯粒技术是将一个功能丰富且面积较大的芯片裸片（die）拆分成多个芯粒（chiplet），并将这些具有特定功能的芯粒通过封装的形式组合在一起，最终形成一个系统芯片。采用芯粒技术的半导体器件包括多个相互连接、配合的芯粒，若其中有芯粒出现异常，则会影响器件整体的工作效果，甚至导致芯片功能失效。

目前，现有技术多是对面积较大、功能较完整的芯片进行整体监测，如利用特定电路监测芯片是否耗电正常等。对于多芯粒的器件，通常难以确定每个芯粒的实际状态。

发明内容

针对上述至少一部分不足之处，本发明实施例提供了一种芯粒工作状态监测方法、装置、电子设备及存储介质，能够通过各个芯粒的工作参数动态监测单个芯粒及整体器件的工作状态。

第一方面，本发明实施例提供了一种芯粒工作状态监测方法，包括：

获取各芯粒待检测时刻的各项工作参数检测值及一段连续历史时刻的工作参数，并进行标准化处理；

截取待检测时刻前最新一段历史时刻的工作参数，输入训练好的CNN-LSTM预测模型，获得待检测时刻对应的工作参数预测值；所述CNN-LSTM预测模型是以样本工作参数为输入和以相应的预测工作参数为输出进行训练的；

基于一段连续历史时刻的工作参数，确定各项工作参数待检测时刻的参照值；

基于各芯粒待检测时刻的各项工作参数检测值、预测值及参照值，判定各芯粒工作状态是否出现异常，是则报警，否则继续检测。

可选地，单个芯粒的各项工作参数至少包括芯粒的温度、输入电压、输出电压和电流。

可选地，所述CNN-LSTM预测模型包括连接的CNN网络及LSTM网络；其中，所述LSTM网络包括输入层、全连接层、LSTM层、注意力机制层和输出层，所述输入层用于输入所述CNN网络提取的特征，所述全连接层用于融合输入的特征，所述LSTM层用于基于融合后的特征提取隐层状态，所述注意力机制层用于根据注意力机制调整各隐层状态的概率分布，修正最终输出特征，所述输出层用于通过全连接操作，基于最终输出特征得到对应的工作参数预测值。

可选地，所述LSTM层中，LSTM单元结构的输入门和遗忘门的前向通道上分别增设有Dropout层，用于在前向传播中对设定范围内的神经元进行失活处理，以抑制过拟合现象；

其中，设于输入门的前向通道的Dropout层丢弃率取值范围为[0.2, 0.4]，设于遗忘门的前向通道的Dropout层丢弃率取值范围为[0.1, 0.3]，且设于遗忘门的前向通道的Dropout层丢弃率低于设于输入门的前向通道的Dropout层丢弃率。

可选地，所述基于一段连续历史时刻的工作参数，确定各项工作参数待检测时刻的参照值，包括：

基于一段连续历史时刻的工作参数，通过多项式拟合，确定各项工作参数对应待检测时刻的参照值。