多工况下基于EEMD-ICNN的输油管道泄漏识别

作者：骆正山; 刘雨静; 王小完

来源：电子测量技术, 2023, 46(05): 179-184.

DOI：10.19651/j.cnki.emt.2211101

• 原油集输管道
• 泄漏信号
• 管道噪声
• 集合经验模态分解
• 卷积神经网络

针对多工况下管道泄漏信号预处理繁琐、误报率高的问题，提出了一种集合经验模态分解(EEMD)结合改进卷积神经网络(ICNN)的泄漏识别模型。所用识别方法采用EEMD将泄漏信号分解成若干个具有稳态性能的固有模态分量(IMF),通过相关系数划分出噪声主导向量并予以去除实现信号重构；提取重构信号的一系列指标特征作为ICNN模型的输入进行特征提取，实现管道多工况分类；ICNN在每个卷积层和池化层之间加入批量归一化层，以此加快网络训练速度。结果表明：所提模型能够快速准确识别出停泵、调阀、泄漏、正常工况，且在较少训练数据下平均识别准确率可达98.25%。与未改进的CNN和SVM分类识别模型相比，该方法有效提高了识别准确率。

• 单位
  西安建筑科技大学