1.一种存储设备故障检测方法，其特征在于，包括：
对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；
采用keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到lstm检测模型；
采用所述lstm检测模型对待检测数据进行检测处理，得到故障检测结果。
2.根据权利要求1所述的存储设备故障检测方法，其特征在于，对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵，包括：
根据突变点检测算法对所述原始存储设备特征数据进行选择，得到原始特征值；
将所述原始特征值划分为训练集和测试集；
根据磁盘smart规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵；
对所述三维训练矩阵打标签处理，得到所述一维标签矩阵。
3.根据权利要求2所述的存储设备故障检测方法，其特征在于，根据磁盘smart规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵，包括：
根据所述smart规则对所述训练集和所述测试集进行数据截取，得到smart特征值；
按照所述预设滑动大小和所述预设步长对所述smart特征值进行滑动窗口采样处理，得到所述三维训练矩阵。
4.根据权利要求1所述的存储设备故障检测方法，其特征在于，采用keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到lstm检测模型，包括：
采用所述keras神经网络库构建出序贯模型；
对所述序贯模型添加lstm隐藏层、全连接层以及输出层，并进行配置，得到长短时记忆网络；
根据所述三维训练矩阵和所述一维标签矩阵对所述长短时记忆网络进行训练，得到所述lstm检测模型。
5.根据权利要求1所述的存储设备故障检测方法，其特征在于，采用所述lstm检测模型对待检测数据进行检测处理，得到故障检测结果，包括：
对所述待检测数据进行特征提取处理，得到特征数据；
采用所述lstm检测模型对所述特征数据进行计算，得到所述故障检测结果。
6.一种存储设备故障检测装置，其特征在于，包括：
特征采样模块，用于对原始存储设备特征数据进行滑动窗口步长采样处理，得到三维训练矩阵和一维标签矩阵；
模型训练模块，用于采用keras神经网络库根据所述三维训练矩阵和所述一维标签矩阵进行长短时记忆网络训练，得到lstm检测模型；
故障检测模块，用于采用所述lstm检测模型对待检测数据进行检测处理，得到故障检测结果。
7.根据权利要求6所述的存储设备故障检测装置，其特征在于，所述特征采样模块，包括：
特征选择单元，用于根据突变点检测算法对所述原始存储设备特征数据进行选择，得到原始特征值；
特征数据划分单元，用于将所述原始特征值划分为训练集和测试集；
样本点采样单元，用于根据磁盘smart规则、预设滑动大小以及预设步长对所述训练集和所述测试集进行样本点采样，得到所述三维训练矩阵；
标签处理单元，用于对所述三维训练矩阵打标签处理，得到所述一维标签矩阵。
8.根据权利要求6所述的存储设备故障检测装置，其特征在于，所述模型训练模块，包括：
模型构建单元，用于采用所述keras神经网络库构建出序贯模型；
网络配置单元，用于对所述序贯模型添加lstm隐藏层、全连接层以及输出层，并进行配置，得到长短时记忆网络；
网络训练单元，用于根据所述三维训练矩阵和所述一维标签矩阵对所述长短时记忆网络进行训练，得到所述lstm检测模型。
9.一种存储服务器，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的存储设备故障检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机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5任一项所述的存储设备故障检测方法的步骤。