EEMD近似熵和支持向量機的管道泄漏特征向量提取研究

王秀芳 王 昕

(1. 東北石油大學電氣信息工程學院,黑龍江 大慶 163318；2.黑龍江省油氣信息與控制工程重點實驗室,黑龍江 大慶 163318)

隨著管道運輸業的發展，管道泄漏檢測技術越來越受到人們的重視。在過去的幾十年里，人們研究了多種管道泄漏檢測定位方法，如超聲波檢測法[1]、光纖傳感器檢測法[2]及負壓波法[3]等。雖然檢測方法、技術越來越成熟，但管道泄漏檢測中仍存在誤報、錯報及漏報等問題，針對這種現象，周旭提出將支持向量機SVM模式分類方法應用到實際天然氣管道泄漏檢測研究中[4]。白亞紅和王奉濤提出將經驗模態分解EMD特征提取算法應用到齒輪磨損故障診斷研究中[5]。郭小薈和馬小平提出將EMD和近似熵相結合的特征提取算法應用到滾動軸故障診斷研究中[6]。但EMD分解過程會造成模態混疊和端點效應，并且該特征提取方法并未用到管道泄漏檢測中，所以，筆者將改進經驗模態分解EEMD近似熵特征提取方法應用到天然氣管道泄漏檢測研究中，并進行SVM泄漏類型判斷，最終實現智能分類。

1.1 經驗模態分解EMD的不足

EMD分解方法由于其在處理非平穩信號中表現出的諸多優點，在諸多領域中得到了廣泛應用。但EMD分解也存在不足之處[7]，主要有端點效應和模態混疊：

a. 在EMD分解的篩選過程中要對信號的極值點利用三次樣條函數擬合得到上下包絡線，但是在端點處的擬合存在不確定性，這樣使得數據序列的兩端會出現擬合誤差，并且這種誤差會隨著篩選過程循環次數而累加，這就是端點效應。

b. 當數據不是純粹白噪聲時，EMD會出現模態混疊，即有可能是一個相似尺度的信號出現在不同的IMF分量中或者是一個IMF分量包含了尺度差異很大的幾種信號等混疊現象。

但是在實際采集的信號中都會包含不規則的信號信息，因此，EMD的模態混疊現象是不可避免的。針對這種不足，筆者提出總體經驗模態分析方法，即EEMD分析方法[8]。

1.2 改進經驗模態分解EEMD

為了消弱EMD中的模態混疊程度，EEMD利用全體噪聲的均值對噪聲進行相互抵消。EEMD對原始信號加上均勻分布的白噪聲，不同尺度的信號區域將自動映射到與其相關的適合尺度上。全體的均值最后就被認為是所要的理想結果。為了保持信號本身穩定，消除附加噪聲，需要進行多次試驗。每次加入不同的白噪聲序列，得到不同的IMF值，對重復以上過程得到的所有IMF值求均值即得到最終結果。

1.3 泄漏信號EMD、EEMD分解的效果對比

對實驗室管道進行信息采集。首先，對管道運行狀況分類，包括：正常狀態、過路狀態、開閥狀態、泄漏狀態和敲擊狀態，分別用字母a、b、c、d、e來代表；然后，對這5種狀態進行管道信息采集，每種狀態采集10組數據?，F以過路狀態b1為例進行EMD和EEMD分解，圖1a、b分別為b1狀態的EMD、EEMD分解圖。

圖1 過路狀態b1分解效果對比

由圖1可以明顯看出EEMD分解圖比EMD分解圖更能體現出泄漏信號的特征。在EMD分解圖中前4層固有模態分量比較明顯地體現出信號的泄漏特征，而在EEMD分解圖中前7個固有模態分量都可以明顯看出泄漏特征，說明EEMD削弱了EMD中的模態混疊程度。

2 內稟模態函數特征提取

2.1 內稟模態函數近似熵特征提取

模態分解方法分解出的各個內稟模態函數突出了數據的局部特征，每一個內稟模態函數都隨著信號本身的變化而變化，近似熵ApEn主要度量每個內稟模態信號中產生新模式的概率：

a. 信號進行EEMD分解，得到若干個基本模式分量，選擇包含故障信息最多的前m個基本模式分量進行特征提取；

b. 按照上述算法求這m個基本模式分量的近似熵值；

c. 將這m個基本模式分量的近似熵組成故障特征向量T=[ApEn1,ApEn2,…,ApEnm]。

2.2 EMD近似熵特征提取

對管道該狀態某一信號x(t)進行EMD分解可以得到若干個IMF，從圖1可知前7個基本固有模態分量能充分體現泄漏信號特征，故取前7個基本模式分量的近似熵值ApEni(i=1,…,7)，將這7個基本模式分量的近似熵組成故障特征向量T=[ApEn1,ApEn2,…,ApEn7]。下面以狀態數據a1、b1、c1、d1、e1為例，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

對管道該狀態某一信號x(t)進行EEMD分解可以得到7個IMF，算法求這7個基本模式分量的近似熵值ApEni(i=1,…,7)，組成故障特征向量T=[ApEn1,…,ApEn7]。下面以狀態數據a1、b1、c1、d1、e1為例，得到近似熵特征值(表2)。

表2 EEMD提取近似熵特征值表

經驗模態分解后的各個內稟模態函數突出了數據的局部特征，每一個內稟模態函數都隨著信號本身的變化而變化，相應的近似熵也會隨之變化。從表1、2中可以看出，各狀態近似熵特征值的差異比較大，可以很好地表征管道狀態，因此，將近似熵特征值作為SVM判斷管道狀態輸入。

3 特征提取分類效果對比分析

3.1 支持向量機分類應用

由于實驗數據較少，因此采用多分類方法中的一對一多值分類器構造方法，對經驗分解采集到的能量熵和近似熵進行SVM分類。用7組進行訓練，3組進行測試。分別采用線性核函數、多項式核函數、高斯徑向基函數RBF和多層感知器Sigmoid核函數方式對管道泄漏信號EEMD近似熵特征進行分類訓練和測試。保證其他參數不變，僅修改核函數的類型。

選擇不同核函數時訓練集和測試集的預測準確率見表3。

表3 各核函數訓練集和測試集預測準確率對比

從表3中可以看到，線性核函數和Sigmoid核函數預測準確率較低，而RBF核函數和多項式核函數訓練集預測準確率相當，但從模型的泛化能力考慮，即同時衡量測試集預測準確率，則RBF核函數性能最佳。因此，筆者采用RBF核函數進行建模。

3.2 效果對比

支持向量機分類中應用RBF核函數，懲罰因子C設為1，核函數的參數g設為0.1。將EMD和EEMD近似熵提取的特征向量組成特征向量組，分別作為SVM模式分類的輸入。EMD近似熵、EEMD近似熵特征提取方法效果對比見表4。

表4 EMD近似熵、EEMD近似熵特征提取方法效果比較

對表4分析可知，EEMD近似熵特征提取方法，無論在訓練、還是在分類過程中，準確率比EMD近似熵方法的要高。說明消弱模態混疊效應后進行近似熵提取特征，分類效果更佳。

4 結束語

本設計主要針對天然氣管道因泄漏檢測技術的不完善而引起的誤報、錯報及漏報等問題，提出了一種管道泄漏檢測高準確率的檢測方案。該方案主要將泄漏信號進行EEMD固有模態分解，對各固有模態分量進行近似熵提取特征，組成EEMD近似熵特征向量組作為SVM模式分類輸入進行模式分類，實現可以檢測管道泄漏類型的專家系統。實驗結果表明，改進經驗模態分解和近似熵相結合對管道泄漏信號進行提取特征的方法，分類效果更佳。

[1] 李東升，王昌明，施祖康，等.管道壁缺陷超聲波在役檢測的量化分析研究[J].儀器儀表學報，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的天然氣管道泄漏次聲波檢測技術研究[J].中國石油和化工標準與質量，2014，34(6)：17.

[5] 白亞紅，王奉濤.EMD分解和支持向量機技術在風電齒輪箱早期齒輪磨損故障診斷中的應用[J].工業控制計算機，2010，23(2)：70～71.

[6] 郭小薈，馬小平.基于EMD近似熵特征提取和支持向量機的故障診斷方法[C].第30屆中國控制會議論文集.煙臺：中國自動化學會控制理論專業委員會，2011：4275～4279.

[7] 劉芽.基于EEMD和支持向量機的刀具狀態監測方法研究[D].成都：西南交通大學，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.