论文部分内容阅读
针对天然气管道泄漏检测过程中泄漏特征信息提取困难,常造成误报、漏报的问题,本文将可变模态分解(Variational Mode Decomposition,VMD)算法应用于管道泄漏检测中,实现管道泄漏信号的预处理,然后通过云模型特征熵提取特征值,最后利用网格搜索法优化支持向量机(Support Vector Machines,SVM)的主要参数,从而提高工况识别的精度和准确度。首先,深入研究了可变模态分解算法的理论以及相关的基础知识,然后利用多组仿真信号对其噪声鲁棒性、低频信号分离、非平稳多模态信号的处理能力进行了分析。通过与经验模态分解(Empirical Mode Decomposition,EMD)、小波分解做对比,初步验证了可变模态分解算法在天然气管道泄漏信号检测与分析方面的可行性。其次,针对管道泄漏信号中特征信息在传输过程中受到噪声影响而被削减或混淆的问题,以及VMD分解后有效模态分量选取困难的问题,提出基于VMD和豪斯多夫距离(Hausdorff Distance,HD)的联合降噪算法(VMD-HD)。该算法在VMD分解出有限带宽的本征模态函数(Band-Limited Intrinsic Mode Functions,BLIMF)分量的基础上,利用豪斯多夫距离测量原始信号与每个BLIMF之间的相似性,选取有效分量进行信号重构,完成对原始信号的降噪。通过实验仿真并采用去趋势波动分析(DFA)评估去噪效果,得到的标度指数?=1.8992,高于EMD和HD的联合去噪方法。因此,VMD-HD方法能有效去除噪声,获得更为平滑的滤波信号。再次,针对天然气管道泄漏信号的非平稳性和不确定性特点,提出了基于VMD和云模型特征熵的特征提取方法。同时,对VMD分解过程中预设尺度K值的选取进行了分析研究。该方法利用本文提出的联合降噪算法,得到包含大量特征信息的滤波信号,然后利用逆向云发生器计算滤波信号的云模型特征熵,联合其频域特征—重心频率(FC)作为特征参数进行下一步的工况识别。多组样本信号的测试结果表明,该算法对能够准确有效地提取各类工况信号的特征信息。最后,针对本文中有限样本数量对工况识别分类正确率和泛化能力影响的问题,本文采用SVM算法来进行管道工况信号的识别判断。通过libsvm工具箱研究了不同核函数对本文中三类信号(正常信号、泄漏信号、敲击信号)的分类能力,并采用网格搜索法对c、g参数进行优化,最终获得的分类准确率达到98.33%,能够有效区分正常、泄漏和敲击信号。