基于總體局域均值分解及稀疏表示分類的天然氣管道泄漏孔徑識別

孫潔娣 彭志濤 溫江濤 王 飛

1.燕山大學信息科學與工程學院，秦皇島，066004 2.燕山大學河北省測試計量技術及儀器重點實驗室,秦皇島，066004 3.中國石油天然氣管道通信電力工程有限公司，廊坊，065000

基于總體局域均值分解及稀疏表示分類的天然氣管道泄漏孔徑識別

孫潔娣1彭志濤1溫江濤2王 飛3

1.燕山大學信息科學與工程學院，秦皇島，066004 2.燕山大學河北省測試計量技術及儀器重點實驗室,秦皇島，066004 3.中國石油天然氣管道通信電力工程有限公司，廊坊，065000

針對天然氣管道泄漏受孔徑、傳感器距離、管道內壓力等多種因素影響，特征提取及識別算法較為復雜的問題，提出了基于總體局域均值分解-相對熵的特征提取算法并結合稀疏表示分類的泄漏孔徑識別新方法。該方法采用總體局域均值分解方法對泄漏信號進行自適應分解，得到不同孔徑泄漏信號的特征信息，并根據KL散度選擇包含主要泄漏信息的PF分量，在此基礎上提取多種時頻特征參數，獲取全面準確表征泄漏信號的特征向量；針對小樣本復雜信號的分類，提出稀疏表示分類器實現泄漏孔徑準確分類。該分類器采用過完備字典求得測試信號的最稀疏解，并以此解作為測試信號的稀疏重構系數，以獲取測試信號在不同類別中的重構信號，最終通過判斷測試信號與重構信號的殘差值大小完成泄漏孔徑分類。實驗結果表明，所提出的算法比傳統的SVM及BP分類算法識別準確率高。

泄漏孔徑識別；總體局域均值分解(ELMD)；KL散度；稀疏表示分類器；過完備字典

0 引言

天然氣管道泄漏會造成嚴重后果，微小泄漏是燃氣管道發生燃爆的主要誘因，泄漏孔徑的不同直接與危險程度相關，當傳感系統檢測到管道發生泄漏后，盡快估計出不同泄漏孔徑，是快速制定管道搶修計劃、評估泄漏尺度的重要基礎，對燃氣管道的泄漏及識別具有重要意義。

天然氣管道泄漏信號受壓力、檢測距離等多種因素影響，是一種較為復雜的非平穩信號，為區別不同孔徑泄漏，研究準確的表征泄漏孔徑的特征提取及分類方法尤為重要[1]。近年來，在泄漏信號處理方面，除傳統的對泄漏信號進行分析的傅里葉變換、小波變換[2-3]等方法外，一些較新的方法，如經驗模態分解(empirical mode decomposition, EMD)等也應用其中[4-6]，但常用的方法在分析泄漏信號時都存在較大局限性，如傅里葉變換只能單獨地反映信號在時域或者頻域的局部信息；小波變換受小波基及分解尺度選擇的影響，不能自適應地分解信號；EMD方法存在過包絡、欠包絡、端點效應等問題。局域均值分解 (local mean decomposition, LMD)方法是一種新的自適應時頻分析方法，它能將一個多分量信號自適應地分解成多個調幅調頻分量信號，具有較好的時頻特征提取能力，其改進算法——總體局域均值分解(ensemble local mean decomposition, ELMD)克服了模態混疊現象，更適合分析復雜的泄漏信號。在泄漏孔徑診斷方面，目前主要通過神經網絡分類方法[7]或支持向量機[8]對處理后的泄漏信號進行分類。理論上神經網絡分類方法只有當趨近無窮的訓練樣本時，其識別精確度才能得以保證，而實際采集泄漏信號的樣本數量有限，導致神經網絡識別泄漏孔徑較為困難。基于統計學習理論的支持向量機方法在小樣本上具有學習優勢，且具有較好的泛化能力，但氣體管道泄漏信號的復雜性決定了較大的VC(Vapnik-Chervonenkis)維才能準確地表示泄漏信息，削弱了支持向量機在小樣本下的學習優勢，因此，這兩類常用的分類方法對燃氣管道泄漏孔徑識別的效果并不理想。稀疏表示分類方法(sparse representation for classification，SRC)[9]是近年來興起的方法，它對大樣本及小樣本分類都具有較好的識別分辨率，對高維樣本也有好的分類效果[10]，且隨著樣本的增加，系數變得更加稀疏，此類方法對特征的選取影響也較小，這些特點為識別特征空間較大的特征向量奠定了理論基礎。

本文將ELMD及稀疏表示分類器相結合，為解決泄漏孔徑識別提供新方法。該方法先將復雜泄漏信號通過ELMD進行自適應分解，并根據KL散度選擇主要PF分量，進一步計算各分量的有效特征參數并構成特征向量來表征不同的泄漏孔徑信息；在此基礎上構建基于稀疏表示的分類器，采用稀疏表示方法在超完備字典基礎上求得測試樣本在不同類別中的重構信號，通過計算測試樣本及其重構信號的殘差值實現泄漏孔徑識別。

1 基于ELMD-KL的特征提取

天然氣管道的泄漏信號構成較為復雜，LMD能夠將泄漏信號自適應地分解為多個調幅調頻信號，這些分量能完整地表示泄漏信號的時頻分布，再提取含泄漏孔徑信息較多的分量的特征值構成特征向量，有利于泄漏孔徑的識別。

1.1 ELMD概述

LMD[11]將信號X(t)分解為k個PF分量Cp(t)和殘余分量uk(t)，可表示為

(1)

由于泄漏信號的間斷性和不連續性，LMD分解過程中會出現模態混疊，即一個PF分量中含有不同尺度成分，或不同的PF分量中含有同一尺度成分。它將導致LMD分解后PF分量的瞬時頻率物理意義不明確，針對此問題，本文采用ELMD方法對信號進行處理，它是一種改進的LMD方法[12]。ELMD的具體算法如下：

(1) 確定總體平均次數M及加入的白噪聲幅值，設初始分解次數m=1。

(2) 在泄漏信號X(t)中加入確定幅值的白噪聲nm(t),即

Xm(t)=X(t)+nm(t)

(2)

(3) 對信號Xm(t)進行m次LMD分解，獲得多個PF分量Cn,m(n=1,2,…,N)，Cn,m為第m次分解得到的第n個PF分量。

(4) 如果m

(5)M次分解的PF分量的總體平均為

(3)

n=1,2,…,Nm=1,2,…,M

(6) 將N個PF分量M次分解的均值yn(n=1,2,…,N)作為最終的PF分量。

1.2 ELMD參數的確定

ELMD分解過程中，執行LMD分解的總次數M和噪聲標準差決定了分解效果，兩者關系如下：

(4)

其中，ε為白噪聲幅值標準差和輸入信號標準差的比值系數；εn為期望的信號分解相對誤差最大值。ε越小，信號分解精度越高，但ε太小，會降低ELMD分解的精確性；M過大，則會增加計算難度。理論及實驗研究結果表明[13]，ε的取值還受信號高頻成分的幅值標準差影響，準確的參考值確定并不具有一般性。由于泄漏信號經LMD分解后，分量PF1含有效信號較多，故本文取其標準差為噪聲標準差選擇的參考值，經多次實驗，在大多數情況下，當M=100、ε=0.01時，泄漏信號經過ELMD分解后，調幅調頻信號分離效果較好，因此，在后續處理中M、ε取這兩個值。

1.3 根據KL散度值選取主要PF分量

泄漏信號經過ELMD分解后得到若干個PF分量，研究結果表明，這些分量中故障信息含量差異較大，本文將泄漏信息含量較大的PF分量稱為主要PF分量，其選取的準確性將直接影響特征提取及分類識別，本文在分析PF分量與泄漏信號關系的基礎上，提出一種基于KL散度的主要PF分量選擇方法。

由信息論可知，KL散度可以有效衡量兩個信號的相似程度[14-15]，散度值越小，兩個信號的相似度越大；散度值越大，兩個信號的相關程度越小。經ELMD分解后的PF分量，包含的故障信息越多，則PF分量與原信號的相似度越大；而包含噪聲或其他成分的PF分量與原始信號相似度小，則散度值較大。因此，本文提出根據散度值大小選取主要PF分量，以降低其他PF分量對特征向量的影響。首先計算PF分量與原信號KL散度值，在進行散度值排序的基礎上選取主要PF分量進行時頻特征提取，算法處理步驟如下。

(1)對于信號x和信號y，采用非參數估計法計算概率分布，即

(5)

其中，k(·)表示核函數，本文采用高斯核函數，u為變量，有

(6)

x的概率分布為p(x)，同理，對信號y進行處理，求出概率分布為q(x)，h為給定的正數。

(2) 依據兩信號的概率分布，分別計算KL距離。信號x的KL距離為

(7)

同理，信號y的KL距離為δ(q,p)。

(3)計算兩信號的KL散度值：

D(p,q)=δ(q,p)+δ(p,q)

(8)

式中，D(p,q)為兩信號x和y的散度值。

比較每個PF分量與原信號的散度值大小，選取較小散度值對應的PF分量作為主要的分量，并對這些主要的PF分量進行分析，提取其含有的特征信息。

1.4 泄漏信號特征選取

天然氣管道泄漏受多種因素影響，采用單一的特征無法全面有效地描述不同孔徑泄漏，不易于準確識別。為此，本文在提取主要PF分量的基礎上，分析泄漏信號的多個時頻指標，并將其聯合起來作為不同孔徑泄漏的特征向量[16]，主要包括反映泄漏信號時域離散程度及能量的標準差ST及有效值R；反映泄漏信號在頻域變化的平均頻率FM、中心頻率FC和均方根頻率FR；反映信號幅值變化的峰值系數F；反映信號波形的裕度參數C、偏度參數SF和形狀參數S；反映信號尖峭程度的峭度系數K，將這些特征組合起來，能全面有效地反映泄漏信號的特征。限于篇幅，僅給出個別特征參數計算方法，見表1。表中，Ci(n) 表示各主要PF分量，σt為標準差。

表1 部分特征參數計算公式

根據上述選取的特征參數計算單個PF分量的特征值，將這些特征值組合成特征向量：

Tk=(ST,R,F,K,S,FM,FC,FR,C,SF)

(9)

式(9)僅為泄漏信號局部特征，為此求出所有主要PF分量的特征值，構造以下高維特征向量來表示泄漏信號：

T=(T1,T2,…,Tk)

(10)

根據式(10)構建的特征向量可準確、有效、全面地表示泄漏孔徑信息，避免了直接利用泄漏信號進行分類識別的復雜性和繁瑣性，提高了分類效率。本文在后續的泄漏孔徑識別過程中提及的樣本均為泄漏信號經過上述處理后的特征向量。

2 基于稀疏表示分類的泄漏孔徑識別

在ELMD-KL模型基礎上提取的是泄漏信號的高維特征向量，對于小樣本高維特征的分類問題，常用的分類器無法有效準確地進行識別，為此，本文在Wright提出的稀疏分類方法基礎上，采用基于過完備字典稀疏表示的分類方法實現泄漏孔徑的識別。該方法首先利用訓練樣本訓練出過完備字典，利用該字典中最少的原子重構測試樣本，根據測試樣本及重構樣本的殘差值識別泄漏孔徑。該方法的重構樣本是在過完備字典基礎上建立的，因此，該方法對訓練樣本的依賴弱于其他分類方法，且對樣本的維數及數目要求也低于其他分類方法，對泄漏信號采集中由于受到環境、泄漏檢測裝置等因素影響而導致的采集信號缺失具有一定容錯性，為此，本文將稀疏表示分類器引入復雜泄漏孔徑識別中，以提高識別準確度。

稀疏表示分類關鍵是用字典中的原子稀疏表示測試樣本。由于氣體管道泄漏受壓力、傳感器距離等多種因素影響，為更準確地識別泄漏孔徑提供一個廣闊范圍的生成元素，本文選用訓練樣本構建過完備字典。

假設管道泄漏孔徑有k類，第i類孔徑的第m個泄漏孔徑訓練樣本可表示為Vi,m，則第i類孔徑構成的樣本矩陣為

Xi=[Vi,1Vi,2…Vi,m]

(11)

其中，Xi∈Rn×m，Vi,m∈Rn，n為訓練樣本的維數(信號特征個數)。

假設y為第i類泄漏孔徑的一組測試樣本，y∈Rn，則y可以由第i類樣本矩陣Xi表示為

y=αi,1Vi,1+αi,1Vi,1+…+αi,mVi,m

(12)

α=(αi,1,αi,1,…,αi,m)

其中，α為解向量，α∈Rm。在實際情況下，測試樣本y的泄漏孔徑大小是未知的，樣本矩陣為

(13)

其中，樣本矩陣X在稀疏表示中稱為字典，X∈Rn×mk，字典中每一列稱為原子。

此時，第i類的測試樣本y用字典重構可表示為

y=Xα

(14)

α=(0,…,0,αi,1,…,αi,m,0,…,0)α∈Rm×k

由上式可知，同類孔徑的原子對該類測試樣本重構貢獻率最大，其余類別原子的重構貢獻率幾乎為零。

(15)

(16)

由于監測過程中，管道泄漏信號存在噪聲，故式(16)可寫成

(17)

其中，ξ代表重構的測試樣本誤差容忍極限。根據拉格朗日定理做正規化處理以解決最優化問題[18],即

(18)

式中，λ為正則化參數。

(19)

最后計算測試樣本與每類重構樣本的殘差值：

(20)

根據殘差值的大小判斷管道泄漏孔徑的類別， 求νi的最小值，則表示該測試樣本屬于第i類泄漏孔徑。即

i=arg minνii=1,2,…,k

(21)

基于稀疏表示分類的管道泄漏孔徑過程如圖1所示。

圖1 基于稀疏表示識別泄漏孔徑的流程圖Fig.1 Flowchart of gas pipeline leak recognition based on SRC

3 實驗數據采集與處理

3.1 實驗數據采集概述

為了驗證本文方法，進行實地信號采集及處理?？紤]到安全及成本問題，實驗中用空氣代替燃氣，采用外徑為108 mm、壁厚4.5 mm、長度為62 m的無縫鋼管模擬輸氣管道，采用加速度傳感器及數據采集電路，配合NI的數據采集卡USB-6259實現泄漏數據采集，每個通道的數據采集速率為100 kS/s。實驗中的壓力變化范圍為0.5～2 MPa，通過減壓閥放氣，使管道內氣體流動，管道內氣體流速為3.1 m/s，實驗管道上模擬泄漏孔徑分別為2 mm、3 mm、4 mm，標記為L1、L2、L3，以球閥封堵。圖2為天然氣管道泄漏檢測示意圖，圖中，1，2，3，4為4個壓電振動傳感器。

圖2 實驗中的泄漏信號采集系統結構簡圖Fig.2 Schematic of experiment system

根據泄漏信號的傳播機理，按圖3所示的方法安裝壓電傳感器。

圖3 實驗現場壓電傳感器安裝圖Fig.3 Experimental schematic of piezoelectric sensor

實驗過程中，傳感器在0.5～2.0 MPa壓力下分別對孔徑2 mm、3 mm、4 mm泄漏產生的振動信號進行采樣，每類孔徑得到若干組數據。以1號傳感器在2 MPa壓力下各泄漏孔徑的部分信號為例，如圖4所示。

圖4 不同泄漏孔徑信號Fig.4 Leak signals of different apertures

3.2 泄漏信號特征提取

由前文可知，ELMD分解方法能將泄漏信號分解成若干個單分量信號，還能保存原信號的頻率和幅值變換，對ELMD分解的主要PF分量進行特征提取，能更加全面準確地表示泄漏信號的特征信息。

以1號傳感器在2 MPa壓力下的2 mm泄漏孔徑ELMD分解為例，對采集的泄漏信號進行ELMD分解，加入噪聲幅值為信號標準差的0.015倍，總平均次數為100，泄漏信號分解結果如圖5所示。其中，sPF1～sPF8分別為PF1～PF8的分量。

圖5 2 mm泄漏信號ELMD分解結果Fig.5 ELMD results of 2 mm leak signal

泄漏信號經ELMD分解后，得到若干個PF分量，不同的PF分量包含特征信息不一致，根據1.4節方法，計算KL散度值并選取主要的PF分量。

1號傳感器、泄漏孔徑為2 mm、壓力分別為0.5 MPa、1.2 MPa、1.9 MPa下泄漏信號PF分量的KL散度值見表2。泄漏孔徑為2 mm、不同傳感器、1.8 MPa壓力下, 泄漏信號PF分量的KL散度值見表3。

表2 不同壓力下的KL散度值

表3 不同傳感器下的KL散度值

對比表2和表3發現，分量PF1、PF2、PF3、PF4的KL散度值都較小，其他PF分量的散度值較大，因此，泄漏信號經ELMD分解后得到的PF分量中，PF1、PF2、PF3、PF4包含泄漏信號大量的特征信息，其他PF分量幾乎不含有效泄漏信息。故本文選取PF1、PF3、PF3、PF4作為主要PF分量。按前文所述，計算選取這4個主要PF分量的多個時頻特征信息，得到共計40個特征參數，作為該泄漏信號的特征向量。

3.3 基于稀疏表示分類的泄漏孔徑識別

實驗數據選擇壓力間隔為0.2 MPa的三種泄漏孔徑的10組數據，即每種泄漏孔徑在不同壓力、不同傳感器下共得到240組樣本數據。根據本文的特征提取方法求得每個泄漏信號的特征值，每類泄漏孔徑選取180組作為訓練樣本，剩下60組作為該類測試樣本。利用這些訓練樣本建立字典，求出測試信號在字典上的稀疏解。以2號傳感器采集的1.8 MPa壓力下的2 mm、3 mm、4 mm泄漏孔徑測試樣本中的一組樣本為例，計算它們的稀疏解，圖6所示分別為三種泄漏孔徑的稀疏系數，圖中兩條豎虛線為每類原子在字典中的分割線。

由圖6可知，泄漏孔徑樣本在字典同類別泄漏孔徑原子中系數較大，與之不同類的泄漏孔徑的稀疏系數趨近于零，可知測試樣本被字典中同類的原子稀疏表示，能較好地逼近測試樣本。計算每個測試樣本在不同類中的系數，利用這些系數計算得到測試樣本在該類的重構樣本，將測試樣本與重構樣本的殘差值作為測試樣本分類的依據，限于篇幅，僅給出部分分類結果，見表4。

由表4可知，測試樣本與重構樣本的殘差值最小，則測試樣本屬于該類別，筆者發現，由于泄漏信號受壓力變化和泄漏點檢測位置的影響，不同孔徑的某些泄漏信號出現了相似性，稀疏表示分類器未能準確地識別泄漏孔徑，例如表4中第67個測試樣本，但總體結果表明，基于稀疏表示的分類器能夠準確地識別泄漏孔徑。

(a)2 mm泄漏孔徑信號

(b)3 mm泄漏孔徑信號

(c)4 mm泄漏孔徑信號圖6 不同泄漏孔徑在各原子上的稀疏系數Fig.6 Sparse coefficients of different leak apertures in each atom

測試樣本標簽測試樣本在不同泄漏孔徑下的殘差值孔徑2mm孔徑3mm孔徑4mm孔徑判別結果(mm)10.02470.24040.2126220.10341.33223.2513230.17072.55690.3833240.14420.97021.3991250.09711.11940.9938260.01140.73600.36342……………660.16930.07370.20353670.15780.16850.22872681.32500.79523.68073690.18380.02540.32663700.22410.09170.20063711.17930.02100.34143……………1400.73871.21320.101241411.05971.08200.035941420.99190.50080.119741431.53800.53650.024741440.63011.62860.029841451.84791.76510.12444……………

為檢驗本文提出的稀疏分類器對泄漏孔徑的識別效果，分別構建BP神經網絡和支持向量機SVM分類模型，采用三種方法對測試樣本分類，分類結果如圖7所示。

圖7 三種分類器對泄漏孔徑分類對比Fig.7 Comparison of classification accuracy with three methods

對比圖7中的三種分類器分類結果可知，稀疏表示分類效果優于BP神經網絡和支持向量機識別結果。

本文算法對采集的泄漏信號出現一定程度缺損也能夠取得較好的識別效果，下面給出一組數據缺損狀態下稀疏表示分類器的分類結果。從1號、3號傳感器采集的一段壓力(壓力以0.4 MPa為間隔)下分別取2 mm、3 mm、4 mm泄漏孔徑10組數據，每類泄漏孔徑100組數據，將這些數據全部作為訓練樣本，依然選用上次實驗的測試樣本作為測試樣本，分類結果如圖8所示。

圖8 不同泄漏孔徑分類結果Fig.8 Classification results of different leak apertures

觀察圖8可知，稀疏表示分類方法對管道泄漏孔徑有較好的識別效果。訓練信號經過稀疏表示分類能夠較好地逼近測試信號。因此，稀疏表示分類方法對訓練樣本不敏感，均能有較高的識別精度。

圖9 數據有損時三種分類器分類對比Fig.9 Comparison of three classifiers with damaged data

將上述實驗樣本分別作為BP神經網絡和支持向量機分類器的輸入向量，對比三種分類結果。分類結果如圖9所示，由圖9可知，對管道泄漏孔徑識別的準確率從高到低依次為：稀疏表示分類、SVM分類、BP神經網絡分類。

研究結果表明，基于稀疏表示分類器的識別準確率在管道泄漏孔徑識別中較SVM及BP神經網絡分類器更具有優勢。由于泄漏信號非常復雜，機器學習過程中只有VC維越大，學習能力才越強，學習也就越復雜，這也導致SVM分類器的置信風險變大，分類效果受到影響?；诮涷烇L險最小化的BP神經網絡分類方法結構較為簡單，在訓練樣本較少的情況下，不能保證理想的泛化能力，訓練的識別率不高，分類效果不突出。本文提出的稀疏表示分類器主要依據與測試樣本相似或相鄰的樣本重構，并利用其殘差值進行泄漏孔徑分類識別，稀疏重構系數經過一定量的樣本的訓練可以達到最佳稀疏表示，從而使重構結果與測試樣本更為接近，即小樣本訓練就可以達到高效的稀疏表示，從而實現高精度分類。

4 結論

ELMD-KL散度方法可以分解復雜泄漏信號，提取主要PF分量，進而獲取泄漏信號的有效時頻域特征，充分表征不同孔徑的泄漏信息。針對提取的高維特征信息，提出了基于稀疏表示的分類方法，該方法對特征參數的選取及采集條件、樣本數量等依賴性較小，對小樣本的泄漏孔徑識別具有比BP及SVM更好的識別效果。實驗結果表明，本文方法具有較好的分類效果。

[1] 孫潔娣, 肖啟陽, 溫江濤,等. 局域均值分解分析的管道泄漏孔徑識別及定位[J]. 儀器儀表學報, 2014(12):2835-2842. SUN Jiedi, XIAO Qiyang, WEN Jiangtao,et al. Pipieline Leak Aperture Classification and Location Based on Local Mean Decomposition Analysis[J].Chinese Journal of Scientific Instrument,2014(12):2835-2842.

[2] 張景川, 曾周末, 賴平, 等. 基于小波能譜和小波信息熵的管道異常振動事件識別方法[J]. 振動與沖擊,2010,29(5):1-4. ZHANG Jingchuan, ZENG Zhoumo,LAI Ping,et al. A Recognition Method with Wavelet Energy Spectrum and Wavelet Information Entropy for Abnormal Vibration Events of a Petroleum Pipeline[J]. Journal of Vibration and Shock,2010,29(5):1-4.

[3] 孫潔娣, 靳世久. 基于小波包能量及高階譜的特征提取方法[J]. 天津大學學報,2010,43(6):562-566. SUN Jiedi, JIN Shijiu. Feature Extraction Method Based on Wavelet Packet Energy and High-order Spectrum [J]. Journal of Tianjin University,2010,43(6):562-566.

[4] 程軍圣, 張亢, 楊宇, 等. 局部均值分解與經驗模式分解的對比研究[J]. 振動與沖擊, 2009, 28(5): 13-16. CHENG Junsheng, ZHANG Kang, YANG Yu, et al. Comparison between the Methods of Local Mean Decomposition and Empirical Mode Decomposition[J]. Journal of Vibration and Shock,2009,28(5):13-16.

[5] 王建國, 吳林峰, 秦緒華. 基于自相關分析和LMD的滾動軸承振動信號故障特征提取[J].中國機械工程,2014,25(2):186-191. WANG Jianguo, WU Linfeng, QIN Xuhua. Rolling Bearing Vibration Signal Fault Feature Extraction Based on Autocorrelation Analysis and LMD [J]. China Mechanical Engineering,2014,25(2):186-191.

[6] SUN Jiedi, XIAO Qiyang, WEN Jiangtao, et al. Natural Gas Pipeline Small Leakage Feature Extraction and Recognition Based on LMD Envelope Spectrum Entropy and SVM [J]. Measurement,2014,55:434-443.

[7] JOSHI A, UDPA L, UDPA S, et al. Adaptive Wavelets for Characterizing Magnetic Flux Leakage Signals from Pipeline Inspection[J].IEEE Transactions on Magnetics,2006,42(10):3168-3170.

[8] 王明達, 張來斌, 梁偉, 等. 基于獨立分量分析和支持向量機的管道泄漏識別方法[J]. 石油學報, 2010, 31(4): 659-663. WANG Mingda, ZHANG Laibin, LIANG Wei, et al. Pipeline Leakage Detection Method Based on Independent Component Analysis and Support Vector Machine[J].Acta Petrolei Sinica,2010,31(4):659-663.

[9] WRIGHT J, YANG A Y, GANESH A, et al. Robust Face Recognition via Sparse Representation [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(2):210-227.

[10] 朱啟兵, 楊寶, 黃敏. 基于核映射稀疏表示分類的軸承故障診斷[J]. 振動與沖擊,2013,32(11):30-34. ZHU Qibing, YANG Bao, HUANG Min.Bearing Fault Diagnosis Based on a Kernel-mapping Sparse Representation Classification[J].Journal of Vibration and Shock,2013,32(11):30-34.

[11] SMITH J S. The Local Mean Decomposition and Its Application to EEG Perception Data[J]. Journal of the Royal Society Interface,2005,2(5):443-454.

[12] 孫潔娣, 肖啟陽, 溫江濤,等. 改進LMD及高階模糊度函數的管道泄漏定位[J]. 儀器儀表學報, 2015, 36(10): 2215-2223. SUN Jiedi, XIAO Qiyang, WEN Jiangtao, et al. Pipeline Leakage Localization Based on ELMD and High-order Ambiguity Function [J]. Chinese Journal of Scientific Instrument,2015,36(10):2215-2223.

[13] 王建國, 陳帥, 張超. 噪聲參數最優ELMD與LS-SVM在軸承故障診斷中的應用與研究[J]. 振動與沖擊, 2017, 36(5):72-78. WANG Jianguo, CHEN Shuai, ZHANG Chao. Application and Research of Optimal Noise Parameters Ensemble Local Mean Decomposition and LS-SVM in Bearing Fault Diagnosis [J]. Journal of Vibration and Shock,2017,36(5):72-78.

[14] 何志堅, 周志雄. 基于ELMD的樣本熵及Boosting-SVM的滾動軸承故障診斷[J].振動與沖擊, 2016, 35(18):190-195. HE Zhijian, ZHOU Zhixiong. Fault Diagnosis of Roller Bearings Based on ELMD Sample Entropy and Boosting-SVM [J]. Journal of Vibration and Shock,2016,35(18):190-195.

[15] 韓中合, 朱霄珣, 李文華. 基于KL散度的EMD虛假分量識別方法研究[J]. 中國電機工程學報, 2012, 32(11): 112-117. HAN Zhonghe, ZHU Xiaoxun, LI Wenhua. A False Component Identification Method of EMD Based on Kullbackleibler Divergence[J]. Proceedings of the CSEE,2012,32(11):112-117.

[16] LIU Z, CAO H, CHEN X, et al. Multi-fault Classification Based on Wavelet SVM with PSO Algorithm to Analyze Vibration Signals from Rolling Element Bearings[J]. Neurocomputing,2013,99(1):399-410.

[17] DONOHO D L. Compressed Sensing [J]. IEEE Transactions on Information Theory, 2006,52(4):1289-1306.

[18] YANG J, ZHANG D, YANG J Y. Face Recognition Using Laplacian Faces[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2007,29(4):650-664.

(編輯 陳 勇)

Natural Gas Pipeline Leakage Aperture Identification Based on ELMD and SRC

SUN Jiedi1PENG Zhitao1WEN Jiangtao2WANG Fei3

1.School of Information Science and Engineering, Yanshan University,Qinhuangdao,Hebei,0660042.Key Laboratory of Measurement Technology and Instrumentation of Hebei Province,Yanshan University, Qinhuangdao,Hebei,0660043.China Petroleum and Gas Pipeline Telecommunication and Electricity Engineering Corporation, Langfang,Hebei,065000

Natural gas pipeline leakage was influenced by the aperture, the sensor distance, the pressures in the pipeline and many factors, so the feature extraction and recognition algorithm is relatively complicated. A novel leak aperture identification method which combined feature extraction based on ELMD-KL model with SRC was proposed. ELMD was applied to adaptively decompose leak signals, to obtain characteristic informations of different aperture leak signals, and to extract the principal product function(PF) components based on KL divergence which contained the main leakage informations. The method extracted multiple characteristic parameters in time domain and frequency domain as the feature vectors. For the classification of small sample complex signals, a SRC was put forward to realize the accurate classification of leak apertures. The classifier obtained the most sparse solutions of the test signals with overcomplete dictionary. The solutions were used as the sparse coefficient to reconstruct the test signals and obtain reconstruction signals in different classes of the test signals. Finally, classification of leak apertures was accomplished by judging the residual values between test signals and reconstruction signals. The experimental results show that the proposed algorithm has higher recognition accuracy compared with the traditional classification algorithm of SVM and BP.

leakage aperture identification; ensemble local mean decomposition (ELMD); KL divergence; sparse representation classifier(SRC); overcomplete dictionary

2016-06-23

國家自然科學基金資助項目(51204145)；河北省自然科學基金資助項目(E2013203300, E2016203223)

TH865；TH213.3

10.3969/j.issn.1004-132X.2017.10.011

孫潔娣，女，1975年生。燕山大學信息科學與工程學院副教授、博士。主要研究方向為壓縮感知及盲信號處理理論及應用、復雜振動信號處理、油氣管道泄漏檢測。發表論文30余篇。E-mail: wjtsjd@163.com。彭志濤，男，1990年生。燕山大學信息科學與工程學院碩士。溫江濤，男，1974年生。燕山大學電氣工程學院副教授、博士。王 飛，男，1978年生。中國石油天然氣管道通信電力工程有限公司高級工程師。