谷 晟，别锋锋,郭 越,彭 剑,赵 威

(常州大学 机械与轨道交通学院，江苏 常州 213164)

0 引言

管道作为重要的流体输送工具，其在石油石化、供给排水、天然气等其他流体输送领域中占有非常重要的地位。一旦管道发生故障，将会造成巨大的经济损失，甚至还会引发安全事故，因此对管道状态进行检测与诊断尤为必要[1-2]。但是由于现场环境的复杂性，采集到的管道振动信号往往是非线性，非平稳的。针对如何从非线性，非平稳的管道信号中提取表征管道缺陷类型的故障特征并进行有效的模式识别，国内外学者进行了大量的研究分析。目前，针对管道故障特征提取，最常用的方法是对振动信号进行时频分析。一般，时频分析方法主要包括经验模态分解[3]、小波分析[4]、局部均值分解[5]、核主元分析[6]等。其中，经验模态分解方法[3](EMD, empirical mode decomposition)是处理非线性振动信号的强有力的工具，但是该方法计算效率较低，易造成模态混叠和虚假分量等问题。为了降低模态混叠，文献[7]提出了集合经验模态分解(EEMD, ensemble empirical mode decomposition)方法，虽然该方法可以在一定程度上抑制模态混叠，但计算效率依旧相对较低。随后，文献[8]提出了一种带有自适应白噪声的完全集合经验模态分解(CEEMDAN, complete ensemble empirical mode decomposition with adaptive noise)算法，该算法在EEMD的基础上，既减少了模态混叠又提高了信号的分解效率。

深度学习理论作为机器学习领域的最新研究成果，自提出以来已经在图像识别[9]、语音识别[10]、故障诊断[11]等领域得到了广泛的应用。深度学习方法以数据为驱动，相比于传统的机器学习方法具有更强的特征学习能力，对于分析复杂多变，非结构化的模型具有显著的优势[12]。……