1、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
2、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
3、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
4、;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 1633
5、18，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 b
6、y 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 m
7、odal 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 exper
8、imental 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 n
9、etwork;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(Variationa
10、l 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
11、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
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
13、 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
14、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*u
15、k(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，
16、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