一种基于ETR‑LDA的硬盘磁头磨损状态识别方法与流程

技术特征：

1.一种基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，通过声发射传感器获取硬盘磁头磁盘磨损期间的振动信号，并对获取的振动信号在时域幅值范围内进行区间划分，统计信号在各个区间内的分布规律，获得与区间个数等维度的硬盘磁头状态信息的高维统计特征；改进TR-LDA算法的目标函数形成ETR-LDA算法，并将ETR-LDA算法用于磁头振动信号的高维统计特征降维，获得不同磨损程度的磁头数据在低维空间的分布规律，识别出磁头磨损程度，并以可视化的形式呈现，完成故障的诊断。

2.根据权利要求1所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，所述时域幅值范围具体通过以下过程获得：

截取一段信号，统计信号幅值的波动范围，为保证所有的数据集在统一的统计区间进行分析，幅值范围要综合全部数据，第i组数据幅值范围为其中和分别为第i组信号的幅值最大值与最小值；

在统计了所有组信号后，得到声发射传感器获取信号y(t)时域幅值范围y_range为：

y_range＝[y_min y_max]

其中，

3.根据权利要求2所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，所述获得与区间个数等维度的硬盘磁头状态信息的高维统计特征具体过程如下：

1)对时域幅值范围进行区间划分，所划区间的个数为m；则每个区间的长度为整体区间分布范围为[y_min:Δ:y_max]；

2)在划分得到的区间分布内统计不同组信号的分布规律，并将所有区间的统计结果汇总，得到对应信号的高维统计特征x＝[x₁x₂…x_m]^T

其中，x_i为信号y(t)在区间[y_min+(i-1)Δ+1,y_min+iΔ]范围内数据点的统计个数，i＝1,2,…,m。

4.根据权利要求1所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，所述改进TR-LDA算法的目标函数形成ETR-LDA算法的具体过程如下：

1)首先，通过获取的带标签数据统计数据集的初始分布：

基于高维状态特征x分别计算每两类数据之间的类间离散度矩阵S_bij，并利用迹运算度量其类间距离大小D_ij＝Tr(S_bij)，选取最小类间距离对应的离散度矩阵其中，S_bij＝N_i(u_i-u)(u_i-u)^T+N_j(u_j-u)(u_j-u)^T，u_i为第i类数据的均值，u为所有样本均值；

2)其次，考虑离散度矩阵S_{b min}并修改原目标函数，得到新的目标函数：

基于迹比算子的TR-LDA目标函数为：

$J=\frac{Tr\left(W^T{S}_{b}W\right)}{Tr\left(W^T{S}_{w}W\right)}$

为弥补原TR-LDA算法的不足，将统计得到的最小类间距离对应的离散度矩阵S_{b min}添加到TR-LDA算法的目标函数的分子位置，并赋予尺度参数α，新的ETR-LDA算法目标函数J为：

$J=\frac{Tr\[W^T(S_b+{\mathrm{\αS}}_{b\min })W\]}{Tr\left(W^T{S}_{w}W\right)}$

其中，S_b为类间离散度矩阵，S_w为类内离散度矩阵。

5.根据权利要求4所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，将ETR-LDA算法用于磁头振动信号的高维统计特征降维，获得不同磨损程度的磁头数据在低维空间的分布规律的具体过程如下：

在新的目标函数下，借助ITR-SCORE迭代算法求解，得到从高维空间到低维空间的投影矩阵W，投影矩阵W能够实现将原始数据从维数n到d的变换，并且保证最终得到的数据集中，不同类别数据之间的距离处于较大的幅值，类内距离处于较小幅值，并且最小的类间距离得到提升；原始维度为n，即高维统计特征x∈Rⁿ，降维后低维特征z维度为d，即低维特征z∈R^d,d＜＜n，则降维变换为：

z＝W^Tx

其中，W∈R^n×d，

6.根据权利要求5所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，投影矩阵

其中，S_b为类间离散度矩阵，S_w为类内离散度矩阵。

7.根据权利要求1所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，获得不同磨损程度的磁头数据在低维空间的分布规律，识别出磁头磨损程度的具体过程如下：

将降维后数据投影至低维空间中，根据带标签的训练数据在低维空间的投影结果可以识别出不同的故障模式在低维空间的分布范围，相同类别数据相互聚集，不同类别数据之间有明显界限，将测试数据同样进行降维处理并投影至该低维空间，此时将测试数据的低维空间分布与训练数据进行对比，如果测试数据与正常样本之间距离最小，则认定该组测试数据正常；否则，则认为硬盘磁头处于其在低维空间中距离最小的故障模式。

8.根据权利要求1所述的基于ETR-LDA的硬盘磁头磨损状态识别方法，其特征在于，以可视化的形式呈现的具体过程如下：

在低维空间内，根据数据的三维或二维空间位置来确定数据的类别，因此，在带标签的训练数据在低维空间形成一定的分布规律后，测试数据在低维空间的位置信息，确定其故障模式，并为数据点赋予颜色或位置标签，进而实现故障的可视化诊断。