第39卷第11期压力容器2022年11月doi:■■■■■■■■■■■■■■■■■■■■■■■■10．3969/j．issn．1001－4837．2022．011．010检验与维护基于VMD和多特征融合的管道信号特征提取方法路敬祎1，2，4，李禹琦2，3，褚丽鑫3，宋南南2，3，胡仲瑞2，4(1．东北石油大学三亚海洋油气研究院，海南三亚572024;2．东北石油大学人工智能能源研究院，黑龙江大庆163318;3．东北石油大学电气信息工程学院黑龙江大庆163318;4．黑龙江省网络化与智能控制重点实验室，黑龙江大庆163318)摘要:针对管道泄漏检测过程中泄漏特征信息提取困难、泄漏检测准确率低的问题，提出了基于VMD和多特征融合的特征提取方法。首先利用变分模态分解(Variationalmodedecomposition，VMD)对采集的实验室管道信号进行分解，得到若干个IMFs，利用提出的WCC算法计算相邻模态之间的相似度来确定VMD分解的模态个数;根据有效模态分量与原始信号的相似程度确定特征分量，然后提取特征分量的有效特征参数，构建成基于多特征融合的特征向量组;最后，将特征向量输入到概率神经网络(Probabilisticneuralnetwork，PNN)进行工况识别;实验结果表明，与单一特征构成的特征向量相比，本文提出的多特征融合的特征提取方法能够有效地识别出不同的工况信号。关键词:变分模态分解;多特征融合;概率神经网络;管道泄漏检测中图分类号:TH49;TE973．6文献标志码:AFeatureextractionmethodofpipelinesignalbasedonVMDandmulti-featurefusionLUJingyi1，2，4，LIYuqi2，3，CHULixin3，SONGNannan2，3，HUZhongrui2，4(1．SanyaOffshoreOil＆GasＲesearchInstitute，NortheastPetroleumUniversity，Sanya572024，China;2．ArtificialIntelligenceEnergyＲesearchInstitute，NortheastPetroleumUniversity，Daqing163318，China;3．SchoolofElectricalInformationEngineering，NortheastPetroleumUniversity，Daqing163318，China;4．KeyLaboratoryofNetworkingandIntellectualControlsysteminHeilongjiangProvince，Daqing163318，China)Abstract:Fortheproblemsofdifficultyinleakagefeatureextractionintheprocessofpipelineleakdetectionandlowaccuracyofleakdetection，afeatureextractionmethodbasedonVMDandmulti-featurefusionwasproposed．Firstly，thecollectedlaboratorypipelinesignalsweredecomposedbyusingvariationalmodaldecomposition(VMD)，andseveralIMFswereobtained．TheproposedWCCalgo...
