基于VMD和多特征融合的管道信号特征提取方法_路敬祎.pdf

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(Variational mode decomposition，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(Probabilistic neural network，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:AFeature extraction method of pipeline signal based on VMD and multi-feature fusionLU Jingyi1，2，4，LI Yuqi2，3，CHU Lixin3，SONG Nannan2，3，HU Zhongrui2，4(1 Sanya Offshore Oil Gas esearch Institute，Northeast Petroleum University，Sanya 572024，China;2 Artificial Intelligence Energy esearch Institute，Northeast Petroleum University，Daqing 163318，China;3 School of Electrical Information Engineering，Northeast Petroleum University，Daqing 163318，China;4 Key Laboratory of Networking and Intellectual Control system in Heilongjiang Province，Daqing 163318，China)Abstract:For the problems of difficulty in leakage feature extraction in the process of pipeline leak detection and low accuracy ofleak detection，a feature extraction method based on VMD and multi-feature fusion was proposed Firstly，the collected laboratorypipeline signals were decomposed by using variational modal decomposition(VMD)，and several IMFs were obtained Theproposed WCC algorithm was used to calculate the similarity between adjacent modes to determine the number of modesdecomposed by VMD;The feature component was determined according to the similarity between the effective modal componentand the original signal，and then the effective feature parameters of the feature component were extracted to construct the featurevector group based on multi-feature fusion;Finally，the feature vector was input into the probabilistic neural network(PNN)forcondition recognition;The experimental results show that compared with the feature vector composed of single feature，the featureextraction method for multi-feature fusion proposed herein can effectively identify different working condition signalsKey words:variational mode decomposition;multi-feature fusion;probabilistic neural network;pipeline leak detection收稿日期:2022 04 15修稿日期:2022 11 17基金项目:国家自然科学基金项目(61873058，62103096);海南省科技专项(ZDYF2022SHFZ105);黑龙江省自然科学基金项目(LH2020F005)96PESSUE VESSEL TECHNOLOGYVol.39，No.11，20220引言在管道泄漏检测中，油气管道泄漏信号具有非平稳性以及信号混合性的特点，经验模态分解简称(Empirical Mode Decomposition，简称 EMD)算法 和 变 分 模 态 分 解 简 称(Variational ModeDecomposition，简称 VMD)算法都适用于分析处理非平稳信号，并可对油气管道泄漏检测中所采集的信号进行处理1 6。为处理非线性平稳信号，变分模态分解(Variational Mode Decomposition，简称 VMD)由 Dragomiretskiy 等7 提出，它是一种新的多分辨率变分模态分解(VMD)算法，也是一种完全非递归的自适应信号分解方法，它不仅对信号中的噪声具有良好的分离效果，而且可有效地抑制信号分解中的模态混叠，克服了 EMD 算法的局限性8。在泄漏检测过程中，提取信号的特征信息对提高管道泄漏检测精度起着关键作用，因此，从管道信号中提取有效特征，对降低误报率具有重要意义。LU 等9 提出 VMD SVM 的天然气管道泄漏检测方法，利用相关系数进行信号的预处理，提取信号的时频域特征和云特征熵作为特征向量组，输入到 SVM 中进行工况识别;马雯萍等10 提出基于 VMD 的天然气管道泄漏信号特征提取与检测技术研究，通过云模型特征熵提取特征值，利用网格搜索法优化支持向量机(Support VectorMachines，简称 SVM)的主要参数，提高工况识别的精度和准确度;杨洁等11 针对雷达信号提出基于 VMD 和熵特征的辐射源信号识别，熵特征包括近似熵和范数熵，将该特征参数组合输入到经PSO 优化的 SVM 中对辐射源信号进行识别;方超12 针对泄漏声波特点以及传统小波阈值降噪的局限性特点，提出了一种变分模态分解和奇异谱分析(VMD SSA)的联合降噪算法，并通过引入能量熵以及能量贡献率解决了 VMD 方法重构时模态数以及奇异谱重构时奇异值数难以确定的问题;鄢小安等13 提出针对滚动轴承信号的复杂度分析方法 层次多尺度散布熵(HMDE)，并利用鸟群优化算法优化 HMDE 的参数，最后输入到支持矩阵机(Support Matrix Machine，SMM)进行轴承故障诊断;戚元华等14 根据管道动态压力信号在时域的幅值统计特性，提出一种基于时域统计特征的信号提取方法，实现对天然气管道的泄漏检测;孙洁娣等15 提出了一种基于 LMD 的信号特征提取方法，首先采用 LMD 对信号进行分解及重构，然后采用小波包对重构信号进行处理，最后对处理后的数据进行包络谱分析，求取其包络谱熵构成特征向量，实现对信号特征的提取。通过以上对特征提取方法的现状进行分析，可以说明特征的提取是识别中的关键的步骤。鉴于此，笔者提出一种基于 VMD 和多特征融合的管道信号特征提取方法，首先，将信号通过VMD 算法进行预处理，在此过程中提出了一种WCC 算法，利用加权的相关系数和余弦值指标来确定 VMD 分解层数 K 值，然后根据 IMFs 分量与原始信号相似程度确定特征模态分量，提取特征模态的特征参数，主要熵特征、波形参数和时频域特征中选择散布熵、裕度因子和标准差，将提取的特征参数构建成基于多特征融合的高维特征向量矩阵，最后，将特征向量输入到 PNN 中进行管道信号的工况识别。1相关理论1 1变分模态分解VMD 适用于处理非线性信号，其分解过程实际就是一种对变分问题的求解过程，是将一个信号 f 分解成个 K 模态函数 uk(t)，使每个模态的估计带宽之和最小。其具体分解过程16 如下。(1)对每个模态函数 uk(t)采用 Hilbert 变换计算相应的解析信号进而得其单侧频谱。fs=(t)+jt*uk(t)(1)(2)对每一个模态函数 uk(t)，通过与其对应的中心频率的指数项混叠，将每个模态的频谱调制到相应的“基带”。B=(t)+jt*uk(t)e jwkt(2)(3)由解调信号的高斯平滑法估计出各模态信号带宽，即梯度平方范数，进而求解带约束条件的变分问题，其约束变分表达式为:mink(t)(t)+jt)*uk(t)ejwkt22s tkuk=f(3)(4)采用二次惩罚因子 和拉格朗日乘法算子求式(3)的解，将约束性变分问题变为无约束07路敬祎，等:基于 VMD 和多特征融合的管道信号特征提取方法问题，即:L(uk，K，)=kt(t)+jt)*uk(t)ejwkt22+f(t)kuk(t)22+(t)，f(t)kuk(t)(4)式(1)(4)中，uk=u1，uk 表示分解获得 的 K 个 IMF 分 量;*为 卷 积;K=1，K 表示各个 IMF 分量的中心频率;t表示对函数求时间 t 的导数;(t)为单位脉冲函数。(5)采用交替方向乘子法解决以上变分问题，通过交替更新 uk，k以及 n+1寻求扩展拉格朗日式的“鞍点”，此时变分问题的解为:un+1k()f()ki1，iku()+()21+2(k)2(5)(6)同理，解得中心频率的更新方法为:n+1k=0 u()2d0u()2d(6)1 2分解层数 K 值的确定VMD 在进行信号分解前需要提前设定分解层数 K 值，不同的 K 值会影响 VMD 的分解性能。如果 K 值设置过大，会存在过分解的现象，即同一个频率分量会出现在不同的模态中;如果 K 值设置过小，会存在欠分解的现象，即原始信号的频率分量未分解出来16。因此，在进行 VMD 分解前，设定合适的分解层数 K 值，可使 VMD 分解得到较好的分解结果。本文提出了一种 WCC 算法，利用加权的相关系数和余弦值指标来确定 VMD 分解层数K 值，设置不同的 K 值进行 VMD 分解，惩罚因子 的值默认为 2000，计算不同 K 值下的相邻模态之间的 WCC 值。具体如式(7)所示。当相邻模态之间的 WCC 值