EEMD近似熵和支持向量机的管道泄漏特征向量提取研究

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)

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[1]、光纤传感器检测法[2]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[4]。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[5]。郭小荟和马小平提出将EMD和近似熵相结合的特征提取算法应用到滚动轴故障诊断研究中[6]。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近似熵特征提取方法应用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。

1.1 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几种信号等混叠现象。

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[8]。

1.2 改进经验模态分解EEMD

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对原始信号加上均匀分布的白噪声，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。每次加入不同的白噪声序列，得到不同的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，对管道运行状况分类，包括：正常状态、过路状态、开阀状态、泄漏状态和敲击状态，分别用字母a、b、c、d、e来代表；然后，对这5种状态进行管道信息采集，每种状态采集10组数据。现以过路状态b1为例进行EMD和EEMD分解，图1a、b分别为b1状态的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分解图更能体现出泄漏信号的特征。在EMD分解图中前4层固有模态分量比较明显地体现出信号的泄漏特征，而在EEMD分解图中前7个固有模态分量都可以明显看出泄漏特征，说明EEMD削弱了EMD中的模态混叠程度。

2 内禀模态函数特征提取

2.1 内禀模态函数近似熵特征提取

模态分解方法分解出的各个内禀模态函数突出了数据的局部特征，每一个内禀模态函数都随着信号本身的变化而变化，近似熵ApEn主要度量每个内禀模态信号中产生新模式的概率：

a. 信号进行EEMD分解，得到若干个基本模式分量，选择包含故障信息最多的前m个基本模式分量进行特征提取；

b. 按照上述算法求这m个基本模式分量的近似熵值；

c. 将这m个基本模式分量的近似熵组成故障特征向量T=[ApEn1,ApEn2,…,ApEnm]。

2.2 EMD近似熵特征提取

对管道该状态某一信号x(t)进行EMD分解可以得到若干个IMF，从图1可知前7个基本固有模态分量能充分体现泄漏信号特征，故取前7个基本模式分量的近似熵值ApEni(i=1,…,7)，将这7个基本模式分量的近似熵组成故障特征向量T=[ApEn1,ApEn2,…,ApEn7]。下面以状态数据a1、b1、c1、d1、e1为例，得到近似熵特征值(表1)。

表1 EMD提取近似熵特征值表

2.3 EEMD近似熵特征提取

对管道该状态某一信号x(t)进行EEMD分解可以得到7个IMF，算法求这7个基本模式分量的近似熵值ApEni(i=1,…,7)，组成故障特征向量T=[ApEn1,…,ApEn7]。下面以状态数据a1、b1、c1、d1、e1为例，得到近似熵特征值(表2)。

表2 EEMD提取近似熵特征值表

经验模态分解后的各个内禀模态函数突出了数据的局部特征，每一个内禀模态函数都随着信号本身的变化而变化，相应的近似熵也会随之变化。从表1、2中可以看出，各状态近似熵特征值的差异比较大，可以很好地表征管道状态，因此，将近似熵特征值作为SVM判断管道状态输入。

3 特征提取分类效果对比分析

3.1 支持向量机分类应用

由于实验数据较少，因此采用多分类方法中的一对一多值分类器构造方法，对经验分解采集到的能量熵和近似熵进行SVM分类。用7组进行训练，3组进行测试。分别采用线性核函数、多项式核函数、高斯径向基函数RBF和多层感知器Sigmoid核函数方式对管道泄漏信号EEMD近似熵特征进行分类训练和测试。保证其他参数不变，仅修改核函数的类型。

选择不同核函数时训练集和测试集的预测准确率见表3。

表3 各核函数训练集和测试集预测准确率对比

从表3中可以看到，线性核函数和Sigmoid核函数预测准确率较低，而RBF核函数和多项式核函数训练集预测准确率相当，但从模型的泛化能力考虑，即同时衡量测试集预测准确率，则RBF核函数性能最佳。因此，笔者采用RBF核函数进行建模。

3.2 效果对比

支持向量机分类中应用RBF核函数，惩罚因子C设为1，核函数的参数g设为0.1。将EMD和EEMD近似熵提取的特征向量组成特征向量组，分别作为SVM模式分类的输入。EMD近似熵、EEMD近似熵特征提取方法效果对比见表4。

表4 EMD近似熵、EEMD近似熵特征提取方法效果比较

对表4分析可知，EEMD近似熵特征提取方法，无论在训练、还是在分类过程中，准确率比EMD近似熵方法的要高。说明消弱模态混叠效应后进行近似熵提取特征，分类效果更佳。

4 结束语

本设计主要针对天然气管道因泄漏检测技术的不完善而引起的误报、错报及漏报等问题，提出了一种管道泄漏检测高准确率的检测方案。该方案主要将泄漏信号进行EEMD固有模态分解，对各固有模态分量进行近似熵提取特征，组成EEMD近似熵特征向量组作为SVM模式分类输入进行模式分类，实现可以检测管道泄漏类型的专家系统。实验结果表明，改进经验模态分解和近似熵相结合对管道泄漏信号进行提取特征的方法，分类效果更佳。

[1] 李东升，王昌明，施祖康，等.管道壁缺陷超声波在役检测的量化分析研究[J].仪器仪表学报，2002，23(2)：119～122.

[2] Alistair M，Chris M，Walter J，et al.Detection of Hydrocarbon Fuel Spills Using a Distributed Fiber Optic Sensor[J]. Sensors and Actuators A，2003，109 (1)：60～67.

[3] Wike A.SCADA Based Leak Detection System [J]. Pipeline& Gas Journal，1986，213(6)：16～20.

[4] 周旭.基于SVM的天然气管道泄漏次声波检测技术研究[J].中国石油和化工标准与质量，2014，34(6)：17.

[5] 白亚红，王奉涛.EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用[J].工业控制计算机，2010，23(2)：70～71.

[6] 郭小荟，马小平.基于EMD近似熵特征提取和支持向量机的故障诊断方法[C].第30届中国控制会议论文集.烟台：中国自动化学会控制理论专业委员会，2011：4275～4279.

[7] 刘芽.基于EEMD和支持向量机的刀具状态监测方法研究[D].成都：西南交通大学，2012.

[8] Wu Z，Huang N E.Ensemble Empirical Mode Decomposition：a Nosie-assisted Data Analysis Method[J]. Advances in Adaptive Data Analysis，2009，1(1)：1～41.