张 超, 侯 男, 路敬祎, 王 闯

(东北石油大学 a. 人工智能能源研究院; b. 黑龙江省网络化与智能控制重点实验室, 黑龙江 大庆 163318)

0 引 言

管道运输作为能源存储与使用的常用手段, 具有运输成本低、 适用性强等优势, 但管道存在设备老化以及人为破坏等多种外部因素, 管道泄漏时有发生, 甚至对人们的生命财产安全造成伤害[1]。为了避免或降低管道泄漏事故的发生, 对管道泄漏检测技术的研究非常必要。目前常用的去噪方法主要有傅里叶变换、 小波变换等, 但这些方法不能依据信号自身的特点自行确定对应的分解条件, 在先验经验的影响下会产生误差而导致精度下降。Huang等[2]提出了一种称为经验模态分解(EMD: Empirical Mode Decomposition)的自适应信号处理技术, 该方法能较好地处理非线性和非平稳信号。但是, EMD存在端点效应和模态混叠的弊端, 使信号分解效果不理想。Smith[3]在经验模态分解方法的基础上提出了一种新型自适应的时频分析方法----局域均值分解(LMD: Local Mean Decomposition)。LMD虽然可以对信号进行滤波, 但是解调过程会导致信号出现突变。

Dragomiretskiy等[4]提出VMD(Variational Mode Decomposition)算法, 是一种自适应信号处理方法, 可有效克服EMD算法的端点效应和模态混叠问题。预设尺度k和惩罚因子α对分解效果有很大的影响, 而人为经验设定的k过大或过小通常会导致过分解或欠分解现象;α越大模态分量带宽越小; 反之,α越小模态分量的带宽就越大。由此可知VMD参数的设置决定是否能准确提取出信号的有用信息。为减少人为设置参数可能导致的不良影响, 蒋丽英等[5]采用粒子群优化算法对VMD算法的最佳影响参数组合[k,α]进行搜索, 利用参数优化后的VMD算法分解采集的齿轮数据, 并应用到齿轮故障特征参数提取。……