EEMD 近似熵和支持向量机的管道泄漏特征向量提取研究.pdf

《EEMD 近似熵和支持向量机的管道泄漏特征向量提取研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、１２２６化工自动化及仪表第４２卷EEMD近似熵和支持向量机的管道泄漏特征向量提取研究１，２１王秀芳王昕（１．东北石油大学电气信息工程学院，黑龙江大庆１６３３１８；２．黑龙江省油气信息与控制工程重点实验室，黑龙江大庆１６３３１８）摘要针对管道泄漏检测中常存在误报、错报及漏报等问题，提出一种管道泄漏检测高准确率的检测方案。该方案将ＥＥＭＤ近似熵和支持向量机相结合应用到管道泄漏检测研究中，为消除端点效应和模态混叠现象，将改进经验模态分解和近似熵相结合对管道泄漏信号进行泄漏特征提取，组成特征向量组作为支持向量机分类的输入，实现较好

2、的分类效果。关键词管道泄漏ＥＥＭＤ近似熵支持向量机智能检测＋中图分类号ＴＱ０５５．８１文献标识码Ａ文章编号１０００-３９３２（２０１５）１１-１２２６-０４随着管道运输业的发展，管道泄漏检测技术据序列的两端会出现拟合误差，并且这种误差会越来越受到人们的重视。在过去的几十年里，人随着筛选过程循环次数而累加，这就是端点效应。们研究了多种管道泄漏检测定位方法，如超声波b．当数据不是纯粹白噪声时，ＥＭＤ会出现［１］［２］［３］检测法、光纤传感器检测法及负压波法模态混叠，即有可能是一个相似尺度的信号出现等。虽然检测方法、技术越来越成

3、熟，但管道泄漏在不同的ＩＭＦ分量中或者是一个ＩＭＦ分量包含检测中仍存在误报、错报及漏报等问题，针对这种了尺度差异很大的几种信号等混叠现象。现象，周旭提出将支持向量机ＳＶＭ模式分类方法但是在实际采集的信号中都会包含不规则的［４］应用到实际天然气管道泄漏检测研究中。白亚信号信息，因此，ＥＭＤ的模态混叠现象是不可避红和王奉涛提出将经验模态分解ＥＭＤ特征提取免的。针对这种不足，笔者提出总体经验模态分［５］算法应用到齿轮磨损故障诊断研究中。郭小荟［８］析方法，即ＥＥＭＤ分析方法。和马小平提出将ＥＭＤ和近似熵相结合的特征提1．2改进经

4、验模态分解ＥＥＭＤ［６］取算法应用到滚动轴故障诊断研究中。但为了消弱ＥＭＤ中的模态混叠程度，ＥＥＭＤ利ＥＭＤ分解过程会造成模态混叠和端点效应，并且用全体噪声的均值对噪声进行相互抵消。ＥＥＭＤ该特征提取方法并未用到管道泄漏检测中，所以，对原始信号加上均匀分布的白噪声，不同尺度的笔者将改进经验模态分解ＥＥＭＤ近似熵特征提信号区域将自动映射到与其相关的适合尺度上。取方法到天然气管道泄漏检测研究中，并进行全体的均值最后就被认为是所要的理想结果。为ＳＶＭ泄漏类型判断，最终实现智能分类。了保持信号本身稳定，消除附加噪声，需要进行多①1

5、改进经验模态分解次试验。每次加入不同的白噪声序列，得到不同1．1经验模态分解ＥＭＤ的不足的ＩＭＦ值，对重复以上过程得到的所有ＩＭＦ值求ＥＭＤ分解方法由于其在处理非平稳信号中均值即得到最终结果。表现出的诸多优点，在诸多领域中得到了广泛应1．3泄漏信号ＥＭＤ、ＥＥＭＤ分解的效果对比［７］用。但ＥＭＤ分解也存在不足之处，主要有端对实验室管道进行信息采集。首先，对管道点效应和模态混叠：a．在ＥＭＤ分解的筛选过程中要对信号的①收稿日期：２０１５-０１-０５极值点利用三次样条函数拟合得到上下包络线，基金项目：黑龙江省博士后基金资助项目

6、（ＬＢＨ-Ｑ１３０３６）；黑但是在端点处的拟合存在不确定性，这样使得数龙江省教育厅教育科学研究项目（１２５４１０６３）第１１期王秀芳等．ＥＥＭＤ近似熵和支持向量机的管道泄漏特征向量提取研究１２２７运行状况分类，包括：正常状态、过路状态、开阀状每种状态采集１０组数据。现以过路状态ｂ１为例态、泄漏状态和敲击状态，分别用字母ａ、ｂ、ｃ、ｄ、ｅ进行ＥＭＤ和ＥＥＭＤ分解，图１ａ、ｂ分别为ｂ１状态来代表；然后，对这５种状态进行管道信息采集，的ＥＭＤ、ＥＥＭＤ分解图。图１过路状态ｂ１分解效果对比由图１可以明显看出ＥＥＭＤ分解图比ＥＭＤ模

7、式分量进行特征提取；分解图更能体现出泄漏信号的特征。在ＥＭＤ分b．按照上述算法求这m个基本模式分量的解图中前４层固有模态分量比较明显地体现出信近似熵值；号的泄漏特征，而在ＥＥＭＤ分解图中前７个固有c．将这m个基本模式分量的近似熵组成故模态分量都可以明显看出泄漏特征，说明ＥＥＭＤ障特征向量T＝［ApEn１，ApEn２，⋯，ApEnm］。削弱了ＥＭＤ中的模态混叠程度。2．2ＥＭＤ近似熵特征提取2内禀模态函数特征提取对管道该状态某一信号x（t）进行ＥＭＤ分解2．1基内禀模态函数近似熵特征提取可以得到若干个ＩＭＦ，从图１可知前７个

8、基本固模态分解方法分解出的各个内禀模态函数突有模态分量能充分体现泄漏信号特征，故取前７出了数据的局部特征，每一个内禀模态函数都随个基本模式分量的近似熵值ApEni（i＝１，⋯，７），着信号本身的变化而变化，近似熵ApEn主要度量将这７个基本模式分量的近似熵组成故障特征向每个内禀模态信号中产生新模式的概率