1226
化工自动化及仪表
EEMD近似滴和支持向量机的管道泄漏
特征向量提取研究
王秀芳"2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
第42卷
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近似摘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叠现象，将改进经验模态分解和近似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，实现较好的分类效果。
关键词管道泄漏EEMD近似摘支持向量机智能检测
中图分类号TQ055.8*1
文献标识码A
随着管道运输业的发展，管道泄漏检测技术越来越受到人们的重视。在过去的几十年里，人们研究了多种管道泄漏检测定位方法，如超声波检测法"、光纤传感器检测法及负压波法3 等。虽然检测方法、技术越来越成熟，但管道泄漏检测中仍存在误报、错报及漏报等问题，针对这种现象，周旭提出将支持向量机SVM模式分类方法应用到实际天然气管道泄漏检测研究中*。白亚红和王奉涛提出将经验模态分解EMD特征提取算法应用到齿轮磨损故障诊断研究中[3]。郭小荟和马小平提出将EMD和近似摘相结合的特征提取算法应用到滚动轴故障诊断研究中16]。但 EMD分解过程会造成模态混叠和端点效应，并且该特征提取方法并未用到管道泄漏检测中，所以，笔者将改进经验模态分解EEMD近似摘特征提取方法到天然气管道泄漏检测研究中，并进行
SVM泄漏类型判断，最终实现智能分类。 1改进经验模态分解1
1.1经验模态分解EMD的不足
EMD分解方法由于其在处理非平稳信号中表现出的诸多优点，在诸多领域中得到了广泛应用。但EMD分解也存在不足之处[7]，主要有端点效应和模态混叠：
a.在EMD分解的筛选过程中要对信号的极值点利用三次样条函数拟合得到上下包络线但是在端点处的拟合存在不确定性，这样使得数
文章编号1000-3932（2015)11-1226-04
据序列的两端会出现拟合误差，并且这种误差会随着筛选过程循环次数而累加，这就是端点效应
b.当数据不是纯粹白噪声时，EMD会出现模态混叠，即有可能是一个相似尺度的信号出现在不同的IMF分量中或者是一个IMF分量包含了尺度差异很大的儿种信号等混叠现象，
但是在实际采集的信号中都会包含不规则的信号信息，因此，EMD的模态混叠现象是不可避免的。针对这种不足，笔者提出总体经验模态分
析方法，即EEMD分析方法"]。 1.2改进经验模态分解EEMI
为了消弱EMD中的模态混叠程度，EEMD利
用全体噪声的均值对噪声进行相互抵消。EEMD 对原始信号加上均句分布的白噪声，不同尺度的信号区域将自动映射到与其相关的适合尺度上。全体的均值最后就被认为是所要的理想结果。为了保持信号本身稳定，消除附加噪声，需要进行多次试验。每次加人不同的百噪声序列，得到不后的IMF值，对重复以上过程得到的所有IMF值求均值即得到最终结果。
1.3泄漏信号EMD、EEMD分解的效果对比
对实验室管道进行信息采集。首先，对管道
)收稿日期：2015-01-05
基金项目：黑龙江省博士后基金资助项目（LBH-Q13036）；黑龙江省教育厅教育科学研究项目（12541063）